【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及水生態(tài)監(jiān)測，特別涉及基于人工智能的水生態(tài)原位監(jiān)測方法。
技術(shù)介紹
1、目前，對于水生態(tài)的原位監(jiān)測多是依賴于常見的浮標(biāo)式藻類原位監(jiān)測設(shè)備，其多為基于熒光光譜法的藻分類產(chǎn)品，通過捕獲活體藻類的熒光實現(xiàn)藻類的分類，進而獲取水體中葉綠素及藻類密度信息，但這種方法對藻分類的分析只限于門(phy?l?um)級別，無法獲得在屬(genus)和種(species)等級水平的分類信息，難以為藍(lán)藻水華監(jiān)測預(yù)警及后續(xù)處理提供精細(xì)化支撐。如想要獲取更為精細(xì)的水體中藻類信息，則需要進行水體取樣后，于實驗室中進行進一步檢測才可獲得，降低了檢測效率和監(jiān)管的時效性，無法形成有效的水生態(tài)監(jiān)測與預(yù)警機制。為此，我們提出基于人工智能的水生態(tài)原位監(jiān)測方法。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的主要目的在于提供基于人工智能的水生態(tài)原位監(jiān)測方法，可以有效解決
技術(shù)介紹
中的問題。
2、為實現(xiàn)上述目的，本專利技術(shù)采取的技術(shù)方案為，
3、基于人工智能的水生態(tài)原位監(jiān)測方法，包括：
4、獲取水體監(jiān)測點處的水質(zhì)樣本，采集水質(zhì)樣本的水質(zhì)參數(shù)信息，其中，所述水質(zhì)參數(shù)類型包括水溫、ph、溶解氧、溶解氧飽和度、電導(dǎo)率、濁度、葉綠素a濃度、藍(lán)綠藻密度中的至少一種；
5、通過抽濾作用將水質(zhì)樣本中中的浮游植物、浮游動物富集到檢測區(qū)域內(nèi)，并獲取所述檢測區(qū)域的顯微圖像；
6、對所述檢測區(qū)域的顯微圖像中所包含的所有生物物種進行識別，獲取監(jiān)測點處的生物量參數(shù)信息，并根據(jù)獲取的生物量參數(shù)信息計算
7、用于表示物種的豐富程度和各物種組成的均勻性程度的物種信息指數(shù)，其值愈大,表明物種多樣性愈大；
8、用于描述群落中所含物種豐富程度的物種豐富度指數(shù)，其值越大，表明物種豐富度越高；
9、用于衡量群落中物種分布均勻度的物種優(yōu)勢度指數(shù)，其數(shù)值越大，說明群落內(nèi)物種數(shù)量分布越不均勻，優(yōu)勢種的地位越突出；
10、用于衡量群落中各個物種的分布均勻程度的物種均勻度指數(shù)，其值越接近1，表示物種分布越均勻；
11、其中，各項指數(shù)的計算公式分別為：
12、
13、式中，h為物種信息指數(shù)；ni表示為第i物種的個體數(shù)目；n表示為所有物種的個體總數(shù)，
14、
15、式中，d為物種豐富度指數(shù)；s表示為物種總數(shù)量；n表示為所有物種的個體總數(shù)；
16、
17、式中，e為物種均勻度指數(shù)；hmax表示為物種多樣性指數(shù)的最大值；
18、
19、式中，d為物種優(yōu)勢度指數(shù)；pi表示為第i物種在群落中的相對頻率；s表示為群落中的物種總數(shù)；
20、所述生物量參數(shù)信息獲取流程包括以下步驟：
21、獲取所述檢測區(qū)域內(nèi)所有可能包含的生物物種顯微圖像作為對比圖像；
22、提取所述對比圖像中第i物種的所有特征參數(shù)，構(gòu)建對比特征參數(shù)集；
23、對獲取的所述檢測區(qū)域的顯微圖像進行預(yù)處理，預(yù)處理流程包括以下步驟：
24、提取顯微圖像中的顏色信息,設(shè)當(dāng)前圖像的r、g、b通道中b通道總和為b，r通道總和為r；
25、將顯微圖像按照顏色信息劃分為一類圖像、二類圖像、三類圖像三種類型，其中，圖像的劃分原則為：
26、當(dāng)b≤105時，圖像為一類圖像；
27、當(dāng)b≤3×104，且r≤2×104時，圖像為二類圖像；
28、當(dāng)b≤104，或b≤3×104，且r＞2×104時，圖像為三類圖像；
29、當(dāng)顯微圖像為一類圖像時，對原始顯微圖像不做處理；
30、當(dāng)顯微圖像為二類圖像時，將原始顯微圖像轉(zhuǎn)化為灰度圖像，并進行高斯低通濾波消除圖像中的高頻噪聲；
31、當(dāng)顯微圖像為三類圖像時，將原始顯微圖像轉(zhuǎn)化為灰度圖像，并進行高斯高通濾波處理；
32、對預(yù)處理后的所述檢測區(qū)域的顯微圖像進行圖像分割，獲取圖像中的感興趣區(qū)域；
33、將獲取的感興趣區(qū)域調(diào)整為ε×ε的統(tǒng)一尺寸后，依次進行灰度化處理，處理公式為：s＝c×rγ，其中，r為灰度圖像輸入值；s為經(jīng)過伽馬變換后的灰度輸出值；c為灰度縮放系數(shù)；γ為伽馬值；
34、提取灰度化處理后的感興趣區(qū)域的特征參數(shù)，作為識別特征參數(shù)；
35、將獲取的識別特征參數(shù)與對比特征參數(shù)進行匹配，根據(jù)匹配結(jié)果確定感興趣區(qū)域內(nèi)的生物物種類別，其中，匹配模型的表達(dá)式為：
36、
37、式中，表示為第k個感興趣區(qū)域與對比特征參數(shù)的匹配度；表示為第k個感興趣區(qū)域的第q項識別特征參數(shù)；tdq表示為第q項對比特征參數(shù)；q為特征種類，且當(dāng)越接近于0時，則說明第k個感興趣區(qū)域與對比特征參數(shù)的匹配度越高；
38、對已識別的生物物種類別進行計數(shù)，獲取生物量參數(shù)信息
39、以所述水質(zhì)參數(shù)和所述物種多樣性指數(shù)作為評價指標(biāo)，構(gòu)建待檢測區(qū)域的評價體系模型，構(gòu)建流程包括以下步驟：
40、將水質(zhì)參數(shù)和物種多樣性指數(shù)評價指標(biāo)類型劃分為正向型指標(biāo)、反向型指標(biāo)、中間型指標(biāo)和區(qū)間型指標(biāo)四類；
41、其中，對于正向型指標(biāo)，當(dāng)其指標(biāo)值越大時，則水生態(tài)環(huán)境越好；
42、對于反向型指標(biāo)指標(biāo)，當(dāng)其指標(biāo)值越小時，則水生態(tài)環(huán)境越好；
43、對于中間型指標(biāo)，當(dāng)其指標(biāo)值越接近某一固定值時，則水生態(tài)環(huán)境越好；
44、對于區(qū)間型指標(biāo)，當(dāng)其指標(biāo)值落在某一區(qū)間范圍內(nèi)時，則水生態(tài)環(huán)境越好；
45、根據(jù)上述劃分原則可以確定各項水質(zhì)參數(shù)和物種多樣性指數(shù)的指標(biāo)類型；
46、獲取所述正向型指標(biāo)的最小閾值、所述反向型指標(biāo)的最大閾值、中間型指標(biāo)的最佳閾值、所述區(qū)間型指標(biāo)的最佳區(qū)間閾值；
47、根據(jù)設(shè)定的指標(biāo)閾值構(gòu)建評估模型，其中模型的表達(dá)式為：
48、
49、式中，ge為評估值；cu為第u項正向型指標(biāo)的采樣值；cumin為第u項正向型指標(biāo)的最小閾值；u為正向型指標(biāo)種類；fv為第v項反向型指標(biāo)的采樣值；fvmax為第v項反向型指標(biāo)的最大閾值；v為反向型指標(biāo)種類；zw為第w項中間型指標(biāo)的采樣值；zwb為第w項中間型指標(biāo)的最佳閾值；w為中間型指標(biāo)種類；qy為第y項區(qū)間型指標(biāo)的采樣值；qya為第y項區(qū)間型指標(biāo)的最佳區(qū)間的下限值；qyb為第y項區(qū)間型指標(biāo)的最佳區(qū)間的上限值；y為區(qū)間型指標(biāo)種類；α為狀態(tài)參量，其中，α＝0或1；<qya,qyb>表示取qya、qyb中的任一值。
50、狀態(tài)參量α的取值原則為：
51、當(dāng)qy＜qya或qy＞qyb時，α＝1；
52、當(dāng)qya≤qy≤qyb時，α＝0。
53、<qya,qyb>的取值原則為：
54、當(dāng)qy＜qya時，<qya,qyb>取qy本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.基于人工智能的水生態(tài)原位監(jiān)測方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于人工智能的水生態(tài)原位監(jiān)測方法，其特征在于，所述水質(zhì)參數(shù)類型包括水溫、pH、溶解氧、溶解氧飽和度、電導(dǎo)率、濁度、葉綠素a濃度、藍(lán)綠藻密度中的至少一種。
3.根據(jù)權(quán)利要求1所述的基于人工智能的水生態(tài)原位監(jiān)測方法，其特征在于，所述生物量參數(shù)信息包括物種種類、物種的個體數(shù)目、所有物種的個體總數(shù)；所述物種多樣性指數(shù)包括：
4.根據(jù)權(quán)利要求1所述的基于人工智能的水生態(tài)原位監(jiān)測方法，其特征在于，所述生物量參數(shù)信息獲取流程包括以下步驟：
5.根據(jù)權(quán)利要求4所述的基于人工智能的水生態(tài)原位監(jiān)測方法，其特征在于，且當(dāng)越接近于0時，則說明第k個感興趣區(qū)域與對比特征參數(shù)的匹配度越高。
6.根據(jù)權(quán)利要求4所述的基于人工智能的水生態(tài)原位監(jiān)測方法，其特征在于，顯微圖像預(yù)處理流程包括以下步驟：
7.根據(jù)權(quán)利要求1所述的基于人工智能的水生態(tài)原位監(jiān)測方法，其特征在于，待檢測區(qū)域的評價體系模型的構(gòu)建流程包括以下步驟：
8.根據(jù)權(quán)利要求7所述的基于人工智
9.根據(jù)權(quán)利要求7所述的基于人工智能的水生態(tài)原位監(jiān)測方法，其特征在于，ηqya,qyb>的取值原則為：
...【技術(shù)特征摘要】
1.基于人工智能的水生態(tài)原位監(jiān)測方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于人工智能的水生態(tài)原位監(jiān)測方法，其特征在于，所述水質(zhì)參數(shù)類型包括水溫、ph、溶解氧、溶解氧飽和度、電導(dǎo)率、濁度、葉綠素a濃度、藍(lán)綠藻密度中的至少一種。
3.根據(jù)權(quán)利要求1所述的基于人工智能的水生態(tài)原位監(jiān)測方法，其特征在于，所述生物量參數(shù)信息包括物種種類、物種的個體數(shù)目、所有物種的個體總數(shù)；所述物種多樣性指數(shù)包括：
4.根據(jù)權(quán)利要求1所述的基于人工智能的水生態(tài)原位監(jiān)測方法，其特征在于，所述生物量參數(shù)信息獲取流程包括以下步驟：
5.根據(jù)權(quán)利要求4所述的基于...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張軍毅，孫蓓麗，
申請(專利權(quán))人：江蘇宏眾百德生物科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。