本发明属于社交网络信息传播技术领域，涉及一种ai智能水环保实时监测平台。
背景技术：
由于城市的快速发展，乡镇工业的蓬勃发展，集镇人口趋向密集，水域的污染日趋严重，目前，随着经济社会的快速发展，不断增加的工农业污染、生活废水排放导致水域生态环境持续恶化，工业排放的污水和农业生产排放的污水流入水体后，使水体中的污染物的含量远远超过水体的自身清洁能力，使得水体的化学性质和物理性质产生变化，影响了水的特征，危害了人类的身体健康，破坏了生态环境，损害了河流区域生物资源，破坏了生态环境，妨碍了河流水资源的利用。
水质检测是一项系统化、规范化的工作，而影响水质检测质量的因素有很多，尤其是我国水质监测存在的水质采样困难、数据实时处理差、水质监测对象复杂多变导致成本高、覆盖率小、时效性差等问题。
因此，提供一种覆盖率高、时效性高的ai智能水环保实时监测平台是本领域技术人员亟待解决的技术问题。
技术实现要素：
本发明针对上述研究现状和存在的问题，提供了一种ai智能水环保实时监测平台，能够有效提高水质监测覆盖面，水质检测实时性和高效性的ai智能水环保监测平台。
为实现上述目的其具体方案如下：
一种ai智能水环保实时监测平台，包括视频监测设备、地面接收站、实时监测系统、云端服务器和手持终端；
所述视频监控设备，获取水域的正射影像，并传输至地面接收站；
所述地面接收站，接收卫星拍摄的水域高分影像以及所述正射影像，并发送至实时监测系统；
所述实时监测系统，包括ai实时分析计算模块和地理信息映射模块，所述ai实时分析计算模块用于对所述正射影像进行识别和训练，并得到污染特征点预测图像；所述地理信息映射模块用于所述污染特征点预测图像与水域高分影像、地图数据的映射，得到污染预测图，并发送至云端服务器；
所述手持终端，通过所述云端服务器获取所述污染预测图，进行实时监测作业情况信息显示。
优选的，所述视频监控设备包括航拍器，拍摄得到若干水域的正射影像。
优选的，所述ai实时分析计算模块执行过程包括：
基于his颜色模型，对所述正射影像进行lbp纹理特征提取，得到特征检测图像训练集；
将所述图像训练集输入至神经网络进行训练，并通过adam优化算法对神经网络进行收敛优化，得到训练后的神经网络模型；
将一实时获取的特征检测图像输入至训练后的神经网络模型，得到污染特征点预测图像。
优选的，所述图像训练集为多个水域的污染特征提取图像集，每个所述污染特征提取图像集包括若干个时刻的污染特征点图像，前一时刻的污染特征点图像作为神经网络的输入，后一时刻的污染特征提取图像作为神经网络的输出。
优选的，还包括雨量器、水位计、流量监控设备、土壤墒情监测设备、水质监测设备，对若干水域进行水质监测，得到水质数据传输到所述ai实时分析计算模块，与所述污染特征点预测图像进行数据结合，建立四维水环保扩散预测模型。
优选的，所述地理信息映射模块执行过程包括：
所述污染特征点预测图像投影至所述水域高分影像上；
所述水域高分影像与地图数据的地理坐标一一对应，获取所述污染特征点的地理位置坐标，得到污染预测图，以及地理位置坐标信息。
优选的，所述手持终端包括智能手机。
优选的，所述实时监测系统和所述手持终端均设有报警模块，当固定水域的固定地理位置范围内的所述污染特征点数量或者指标超过给定阈值时，进行报警。
本发明相较现有技术具有以下有益效果：
本发明能够实现水环保的自动巡检作业，自动污染定位与扩散预测。支持100％水域覆盖率，且具有自动报警功能，降低了大量的人力成本，同时提高了监测的高效性和实时性。采用图像特征提取技术，基于his颜色模型与lbp纹理特征提取融合的图像检测模型，使用近140万张图片对神经网络训练，通过adam优化算法和超级收敛结合使网络训练速度提高3.5倍，得到目前行业内数据量最大的训练样本库，为污染ai识别打下坚实基础。利用水文监测网络大数据，结合ai识别成果及3d空间数据，建立四维水环保扩散预测模型。当ai识别网络发现污染时就能在10秒钟内快速仿真污染物的扩散过程，确定污染源与污染范，完成实时监测结果的获取。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明提供的ai智能水环保实时监测平台的结构框图；
图2是本发明提供的污染特征点图像的提取示意图；
图3是本发明提供的ai识别与污染预测成果图；
图4是本发明提出的ai识别与污染预测成果图的显示效果图一；
图5是本发明提供的ai识别与污染预测成果图的显示效果图二；
图6是本发明提供的ai识别与污染预测成果图的显示效果图三。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见附图1，为一种ai智能水环保实时监测平台框架图，包括视频监测设备、地面接收站、实时监测系统、云端服务器和手持终端；视频监控设备，获取水域的正射影像，并传输至地面接收站；地面接收站，接收卫星拍摄的水域高分影像以及正射影像，并发送至实时监测系统；实时监测系统，包括ai实时分析计算模块和地理信息映射模块，ai实时分析计算模块用于对正射影像进行识别和训练，并得到污染特征点预测图像；地理信息映射模块用于污染特征点预测图像与水域高分影像、地图数据的映射，得到污染预测图，并发送至云端服务器。
ai实时分析计算模块执行过程包括：
基于his颜色模型，对正射影像进行lbp纹理特征提取，得到特征检测图像训练集，图像训练集为多个水域的污染特征提取图像集，每个污染特征提取图像集包括若干个时刻的污染特征点图像，前一时刻的污染特征点图像作为神经网络的输入，后一时刻的污染特征提取图像作为神经网络的输出。将图像训练集输入至神经网络进行训练，并通过adam优化算法对神经网络进行收敛优化，得到训练后的神经网络模型；将一实时获取的特征检测图像输入至训练后的神经网络模型，得到污染特征点预测图像。参见说明书附图2，通过对正射影像的特征点提取，得到图像上污染物所在的位置。
ai实时分析计算模块计算后的污染特征点预测图像发送至地理信息映射模块，其执行过程包括：
污染特征点预测图像投影至水域高分影像上；水域高分影像与地图数据的地理坐标一一对应，获取污染特征点的地理位置坐标，得到污染预测图，以及地理位置坐标信息。手持终端，通过云端服务器获取污染预测图，进行实时监测作业情况信息显示。
本实施例中，为了支持本地数据的获取和环保大数据库的建立，还采用雨量器、水位计、流量监控设备、土壤墒情监测设备、水质监测设备，对若干水域进行水质监测，得到水质数据传输到ai实时分析计算模块，与污染特征点预测图像进行数据结合，建立四维水环保扩散预测模型。
为了进一步优化上述技术方案，视频监控设备包括航拍器，拍摄得到若干水域的正射影像。
为了进一步优化上述技术方案，手持终端包括智能手机。实时监测系统和手持终端均设有报警模块，当固定水域的固定地理位置范围内的污染特征点数量或者指标超过给定阈值时，进行报警。参见说明书附图3，绿色的点表示监控数据正常的点，红色的点表示超过给定阈值的点，每一个点的具体地理位置是通过与地图数据映射后得到的准确地理位置，并显示在卫星高分影像上。说明书附图4所示，每一个点在云端数据库均保存有对应的正射影像图，以获取实地图像，方便巡检和判断污染情况。说明书附图5和6分别展示了两种显示方式，一种以水域区段是否满足给定阈值要求进行显色处理，一种是筛选特定水域区段后，显示具体区段中污染点所在范围进行突出显示处理，有效实现精准定位。
以上对本发明所提供的一种ai智能水环保实时监测平台进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
1.一种ai智能水环保实时监测平台，其特征在于，包括视频监测设备、地面接收站、实时监测系统、云端服务器和手持终端；
所述视频监控设备，获取水域的正射影像，并传输至地面接收站；
所述地面接收站，接收卫星拍摄的水域高分影像以及所述正射影像，并发送至实时监测系统；
所述实时监测系统，包括ai实时分析计算模块和地理信息映射模块，所述ai实时分析计算模块用于对所述正射影像进行识别和训练，并得到污染特征点预测图像；所述地理信息映射模块用于所述污染特征点预测图像与水域高分影像、地图数据的映射，得到污染预测图，并发送至云端服务器；
所述手持终端，通过所述云端服务器获取所述污染预测图，进行实时监测作业情况信息显示。
2.根据权利要求1所述的一种ai智能水环保实时监测平台，其特征在于，所述视频监控设备包括航拍器，拍摄得到若干水域的正射影像。
3.根据权利要求1所述的一种ai智能水环保实时监测平台，其特征在于，所述ai实时分析计算模块执行过程包括：
基于his颜色模型，对所述正射影像进行lbp纹理特征提取，得到特征检测图像训练集；
将所述图像训练集输入至神经网络进行训练，并通过adam优化算法对神经网络进行收敛优化，得到训练后的神经网络模型；
将一实时获取的特征检测图像输入至训练后的神经网络模型，得到污染特征点预测图像。
4.根据权利要求3所述的一种ai智能水环保实时监测平台，其特征在于，所述图像训练集为多个水域的污染特征提取图像集，每个所述污染特征提取图像集包括若干个时刻的污染特征点图像，前一时刻的污染特征点图像作为神经网络的输入，后一时刻的污染特征提取图像作为神经网络的输出。
5.根据权利要求1所述的一种ai智能水环保实时监测平台，其特征在于，还包括雨量器、水位计、流量监控设备、土壤墒情监测设备、水质监测设备，对若干水域进行水质监测，得到水质数据传输到所述ai实时分析计算模块，与所述污染特征点预测图像进行数据结合，建立四维水环保扩散预测模型。
6.根据权利要求1所述的一种ai智能水环保实时监测平台，其特征在于，所述地理信息映射模块执行过程包括：
所述污染特征点预测图像投影至所述水域高分影像上；
所述水域高分影像与地图数据的地理坐标一一对应，获取所述污染特征点的地理位置坐标，得到污染预测图，以及地理位置坐标信息。
7.根据权利要求1所述的一种ai智能水环保实时监测平台，其特征在于，所述手持终端包括智能手机。
8.根据权利要求1所述的一种ai智能水环保实时监测平台，其特征在于，所述实时监测系统和所述手持终端均设有报警模块，当固定水域的固定地理位置范围内的所述污染特征点数量或者指标超过给定阈值时，进行报警。
技术总结