(12)发明专利申请
(10)申请公布号 CN 112712008 A(43)申请公布日 2021.04.27
(21)申请号 202011572402.0(22)申请日 2020.12.28
(71)申请人 华川技术有限公司
地址 350007 福建省福州市仓山区金山浦
上工业区镜浦路11号2楼(72)发明人 林映津 (51)Int.Cl.
G06K 9/00(2006.01)G06K 9/54(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)G01N 33/18(2006.01)
权利要求书1页 说明书4页 附图1页
(54)发明名称
一种基于3D卷积神经网络的水环境预警判断方法(57)摘要
本发明涉及一种基于3D卷积神经网络的水环境预警判断方法，包括从拍摄视频中提取图像帧，获取模式生物对应的游动序列；对模式生物游动序列进行预处理，划分训练集和测试集；将预处理后的模式生物游动序列输入3D卷积神经网络进行训练，得到训练好的能区分正常水质或异常水质中模式生物游动视频的不同特征的模型；输入测试集监控视频，通过模型识别后，输出模式生物的游动特征；捕捉模式生物在不同水质中表现出的生物性状，形成基于3D卷积神经网络的水环境预警系统；将实时获取的视频流按时间顺序排列输入3D卷积神经网络，输出测试结果。本发明能够准确、实时地识别异常水质并及时进行预警，实现对水环境的识别和预测。
CN 112712008 ACN 112712008 A
权 利 要 求 书
1/1页
1.一种基于3D卷积神经网络的水环境预警判断方法，其特征在于，包括以下步骤：S1：拍摄正常水质中模式生物的游动视频和异常水质中模式生物的游动视频，从视频中提取图像帧，获取模式生物对应的游动序列；
S2：对模式生物游动序列进行预处理，划分训练集和测试集；S3：将预处理后的模式生物游动序列输入3D卷积神经网络进行训练，通过3D卷积操作核提取模式生物游动序列的时间和空间特征，以得到训练好的能区分正常水质或异常水质中模式生物游动视频的不同特征的模型；
S4：输入测试集监控视频，通过模型识别后，输出模式生物的游动特征，从而判断水质是否异常；
S5：捕捉模式生物在不同水质中表现出的生物性状，形成基于3D卷积神经网络的水环境预警系统；
S6：把预警系统应用于水质情况的水环境中判断时，只需将实时获取的视频流按时间顺序排列输入3D卷积神经网络，就能实现水质分类与预警；
S7：输出测试结果，对识别出的异常水质及时进行预警。
2.根据权利要求1所述的一种基于3D卷积神经网络的水环境预警判断方法，其特征在于：
从视频中提取的图像帧为视频的关键帧。
3.根据权利要求1所述的一种基于3D卷积神经网络的水环境预警判断方法，其特征在于：
S2中，所述的模式生物游动序列预处理包图像随机裁剪，等比例缩放，归一化，背景差分，以达到清晰度、尺寸、亮度统一的要求。
4.根据权利要求1所述的一种基于3D卷积神经网络的水环境预警判断方法，其特征在于：所述3D卷积神经网络训练的交叉熵损失函数计算包括：
其中，Loss表示交叉熵损失函数，N表示样本个数， yi表示真实值，表示预测值。5.根据权利要求1所述的一种基于3D卷积神经网络的水环境预警判断方法，其特征在于：S5中，所述的水环境预警系统包括以下四个模块：
a）视频拍摄模块：实时拍摄的水环境视频；b）图像预处理模块：用于对收集的图像进行预处理；c）3D卷积神经网络模块：从时间和空间维度上进行3D卷积和最大池化操作，捕捉从连续时间段内得到的连续变化信息，最后将所有获得的信息组合起来得到最终的特征描述；
d）实际应用时视频网络传输和预测模块：实际应用时将实时监控视频传输至终端，根据特征对比判断水质情况，对水环境作出预测结果。
6.根据权利要求1所述的一种基于3D卷积神经网络的水环境预警判断方法，其特征在于：S6中，所述的预警系统的实际应用，是将预警系统应用于监测湖库流域水质情况，对湖库流域水质的实时情况进行分析判断，当系统监测出模式生物游动轨迹复合异常水质特征时，发出警报，提醒工作人员采取处理措施。
2
CN 112712008 A
说 明 书
一种基于3D卷积神经网络的水环境预警判断方法
1/4页
技术领域
[0001]本发明涉及一种基于3D卷积神经网络的水环境预警判断方法。
背景技术
[0002]水资源是人类生存与发展的必要资源，随着我国现代工业化的发展，江河湖库水污染的问题日益加剧，为保障用水安全，水质监测成为了水污染控制的主要手段，通过对水环境进行有效的监测和预警，掌握水环境的动态变化规律，在污染事件发生时应对及时，更好地提高居民的生活素质。
[0003]在深度神经网络体系结构中使用3D卷积是一种非常高效的学习视频特征方法，3D卷积神经网络是由2D卷积神经网络发展而来的，2D卷积神经网络是只对图像空间域上的特征信息进行处理，对于视频序列来说，3D卷积神经网络通过在卷积层和池化层增加时间维度，可以同时将时间域的信息进行处理，从而得到视频中的时空信息。[0004]模式生物，如大型溞、斑马鱼等，其对水质中富营养化、有毒物质水体溶解氧非常敏感，可以指示出水体富营养化程度和有毒物质的存在及范围，在不同溶解氧浓度下行动会发生不同的变化，经过3D卷积行为分析，从而指示出水体的污染程度，及时作出预警警报，因此，可通过实时监控模式生物的状态，达到水质安全的监控。
[0005]传统的监测方法多是利用理化设备或建立监测中心检测水质的理化指标来判断水质是否异常，两者无法同时满足投入成本低、施工简单、实时在线预警。发明内容
[0006]本发明的目的在于克服现有技术的不足，提供一种高效、实时的水环境预警判断方法，将3D卷积神经网络和水质监测设备结合，建立水环境预警系统，对拍摄的模式生物视频进行特征提取和分析，建立深度学习网络进行学习建模，利用训练好的3D卷积神经网络，判断水质是否异常，实现水质安全的在线监测，做到及时预测、预警。[0007]为实现以上目的，本发明通过以下技术方案来实现：
一种基于3D卷积神经网络的水环境预警判断方法，包括以下步骤：S1：拍摄正常水质中模式生物的游动视频和异常水质中模式生物的游动视频，从
视频中提取图像帧，获取模式生物对应的游动序列；
S2：对模式生物游动序列进行预处理，划分训练集和测试集；S3：将预处理后的模式生物游动序列输入3D卷积神经网络进行训练，通过3D卷积
操作核提取模式生物游动序列的时间和空间特征，以得到训练好的能区分正常水质或异常水质中模式生物游动视频的不同特征的模型；
S4：输入测试集监控视频，通过模型识别后，输出模式生物的游动特征，从而判断
水质是否异常；
S5：捕捉模式生物在不同水质中表现出的生物性状，形成基于3D卷积神经网络的
水环境预警系统；
3
CN 112712008 A
说 明 书
2/4页
S6：把预警系统应用于水质情况的水环境中判断时，只需将实时获取的视频流按
时间顺序排列输入3D卷积神经网络，就能实现水质分类与预警；
S7：输出测试结果，对识别出的异常水质及时进行预警。
[0008]进一步的，所述的从视频中提取的图像帧为视频的关键帧。[0009]进一步的，在S2中，所述的模式生物游动序列预处理包图像随机裁剪，等比例缩放，归一化，背景差分，以达到清晰度、尺寸、亮度统一的要求。[0010]进一步的，所述3D卷积神经网络训练的交叉熵损失函数计算包括：
其中，Loss表示交叉熵损失函数，N表示样本个数， yi表示真实值，表示预测值。
进一步的，S5中，所述的水环境预警系统包括以下四个模块：
a）视频拍摄模块：实时拍摄的水环境视频；b）图像预处理模块：用于对收集的图像进行预处理；
从时间和空间维度上进行3D卷积和最大池化操作，捕捉c）3D卷积神经网络模块：
从连续时间段内得到的连续变化信息，最后将所有获得的信息组合起来得到最终的特征描述；
d）实际应用时视频网络传输和预测模块：实际应用时将实时监控视频传输至终
端，根据特征对比判断水质情况，对水环境作出预测结果。[0012]进一步的，所述的预警系统的实际应用，是将预警系统应用于监测湖库流域水质情况，对湖库流域水质的实时情况进行分析判断，当系统监测出模式生物游动轨迹复合异常水质特征时，发出警报，提醒工作人员采取处理措施。[0013]本发明的有益效果是：
1、 通过捕捉模式生物在不同水质中表现出来的生物性状，加以区别，从而可以鉴
别水质是否异常，用于水质监测的异常预警，对于建立和完善水资源环境监测体系、加强监测能力建设对于水污染的防治具有重大意义。[0014]2、采用模式生物预警既能反映流域水质变化特征，又能保障预警的及时性且预警性价比高。[0015]3、使用3D卷积神经网络构建水环境预警系统，从中自动学习特征，构建多隐含层
最终提高水环境预警系统的精度。的深度学习模型，由计算机自动获取精准、有效的特征，附图说明
[0016]图1为本发明一种基于3D卷积神经网络的水环境预警判断方法整体流程示意图。[0017]图2为本发明一种基于3D卷积神经网络的水环境预警判断方法中3D卷积神经网络结构示意图。
具体实施方式
[0018]下面结合附图对本发明做进一步的说明，但不是对本发明的限制。[0019]如图1、2所示，一种基于3D卷积神经网络的水环境预警判断方法，主要包括以下步
4
[0011]
CN 112712008 A
说 明 书
3/4页
骤：
S1：拍摄正常水质中模式生物的游动视频和异常水质中模式生物的游动视频，从
视频中提取图像帧，获取模式生物对应的游动序列；
S2：对模式生物游动序列进行预处理，划分训练集和测试集；S3：将预处理后的模式生物游动序列输入3D卷积神经网络进行训练，通过3D卷积
操作核提取模式生物游动序列的时间和空间特征，以得到训练好的能区分正常水质或异常水质中模式生物游动视频的不同特征的模型；
S4：输入测试集监控视频，通过模型识别后，输出模式生物的游动特征，从而判断
水质是否异常；
S5：捕捉模式生物在不同水质中表现出的生物性状，形成基于3D卷积神经网络的
水环境预警系统；
S6：把预警系统应用于未知水质情况的水环境中判断时，只需将实时获取的视频
流按时间顺序排列输入3D卷积神经网络，就能实现水质分类与预警；
S7：输出测试结果，对识别出的异常水质及时进行预警。
[0020]实施例1
如图1、2所示本实施例将结合具体数据对本发明进行进一步的说明，此数据为最
每段视频的长度在20s左右，视频总时长优化的数据，本实施例的数据集共1000段视频，
5.6h。
[0021]步骤1：拍摄正常水质中模式生物的游动视频和异常水质中模式生物的游动视频，其中异常水质的情况有重金属铬离子（Cr6+） 超标、汞离子（Hg2+）超标、颤藻藻毒素、有机溶剂含量超标等，从拍摄的1000段模式生物游动视频中提取图像帧，获取模式生物对应的游动序列。
[0022]步骤2：对提取的1000段视频序列按时间顺序对视频切分成帧，并按输入格式的长宽进行重新规范化处理，例如要求每一帧图片均为“jpg”格式，其长宽为128×171，裁剪出每一帧图片，并划分训练集和测试集。[0023]步骤3：将切分完成的模式生物游动视频帧图片序列输入3D卷积神经网络进行训练，本实施例使用的3D卷积神经网络模型如图2所示，共有6个卷积层，6个池化层，2个全连接层，该网络模型的输入为处理后的模式生物游动序列，输出为基于3D卷积神经网络的水环境预警系统。
[0024]
使用3D卷积神经网络训练的交叉熵损失函数计算真实值 yi和预测值间的偏差，
具体形式如下：
其中，Loss表示交叉熵损失函数，N表示样本个数， yi表示真实值，表示预测值。
[0025]
步骤4：测试并验证上述步骤训练得到的模式生物在不同水质中游动的不同特征
模型，输入测试监控视频，输出预警类型。[0026]步骤5：在将预警系统应用于未知水质情况的水环境中判断时，只需将实时获取的视频流按时间顺序排列输入3D卷积神经网络，当系统监测出输入的信息符合异常水质变化
5
CN 112712008 A
说 明 书
4/4页
特征时，就会发出警报，及时提醒工作人员采取处理措施，为水质健康及安全用水提供保障。
[0027]以上所举实施例仅为本发明的优选实施方式而已，并不用于限制本发明，相关工作人员完全可以在不偏离本发明的精神和原则之内，进行多样的变更及修改，凡根据本发明所作的任何修改、等同替换、改进等，均应含在本发明的保护范围内。
6
CN 112712008 A
说 明 书 附 图
1/1页
图1
图2
7
因篇幅问题不能全部显示，请点此查看更多更全内容