(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111677113.1 (22)申请日 2021.12.31 (71)申请人 安徽大学 地址 230601 安徽省合肥市经开区九龙路 111号 (72)发明人 赵晋陵　王东阳　汪文昊　岳云飞　 戴好　吴可　黄林生　 (74)专利代理 机构 西安铭泽知识产权代理事务 所(普通合伙) 61223 代理人 耿路 (51)Int.Cl. G01N 21/27(2006.01) G01N 21/84(2006.01) G01N 33/18(2006.01) G01S 19/42(2010.01)G01J 1/42(2006.01) G01K 13/02(2021.01) G06T 7/00(2017.01) H02J 7/35(2006.01) B63B 35/00(2006.01) (54)发明名称 一种新型巢湖蓝藻水华 监测系统 (57)摘要 本发明公开了一种新型巢湖蓝藻水华监测 系统， 包括云服务器； 设置在远程遥控无人船上 的远程遥控采集平台包括水体数据采集装置、 图 像采集分析装置、 系统处理器、 定位装置、 数据传 送装置。 水体数据采集装置上设有的多种水质传 感器采集水体水质数据并传送至系统处理器进 行综合分析， 利用图像采集分析装置采集水域图 像信息并将图像信息传送至系统处理器。 系统处 理器将水体水质数据信息及水域的图像信息传 送至数据传 送装置， 数据传送装置将接收到的信 息传送至云服务器， 云服务器对接收到的数据进 行统计学分析， 实现通过移动端软件实时监测蓝 藻水华。 本发 明能够极大的提高水质监测的效率 和一定程度上进行蓝藻水华的预测， 提高蓝藻治 理的反应 速度。 权利要求书3页 说明书10页 附图4页 CN 114112945 A 2022.03.01 CN 114112945 A 1.一种新型巢湖蓝藻水华 监测系统， 其特 征在于， 包括： 云服务器(8)； 设置在远程遥控无 人船(1)上的远程遥控 采集平台， 所述 程遥控采集平台包括： 水体数据采集装置(2)， 用于采集水体数据信 息， 并将采集到的水体数据信息传送至系 统处理器(4)； 图像采集分析装置(3)， 用于采集水域 图像， 对采集到的水域图像进行初步解析处理， 并将解析后的水域图像传送至系统 处理器(4)； 系统处理器(4)， 用于对所述水体数据信 息进行融合分析处理， 并将融合分析处理后的 水体数据信息发送至数据传送装置(5)； 还用于利用Faster  R‑CNN对所述水域图像进行蓝 藻密度分析并将水域图像分析 结果发送至数据传送装置(5)； 定位装置(6)， 用于获取远程遥控无人船(1)的位置信息， 并将获取的位置信息发送至 系统处理器(4)及数据传送装置(5)； 数据传送装置(5)， 用于将融合分析处理后的水体数据信息、 水域图像分析结果及定位 装置(6)远程遥控无 人船(1)的位置信息发送至云服 务器(8)； 所述云服务器(8)对融合分析处理后的水体数据信息进行综合分析， 并结合水域图像 分析结果实现蓝藻水华 监测。 2.根据权利要求1所述的一种新型巢湖蓝藻水华监测系统， 其特征在于： 所述图像采集 分析装置(3)包括多光谱相机(3 01)以及图像分析器(3 02)； 所述多光谱相机(3 01)用于采集水域的多光谱图像； 所述图像分析器(302)用于对采集到的水域的多光谱图像进行初步解析处理， 包括以 下步骤： 对采集的多光谱图像进行筛 选； 对筛选后的多光谱图像进行 校正； 对校正后的多光谱图像利用PCA算法进行图像拼接处 理； 对图像拼接处 理后的多光谱图像利用3阶多 项式模型进行影 像校正； 对影像校正后的多光谱图像进行几何校正； 对几何校正后的多光谱图像进行辐射定标； 对辐射定标后的多光谱图像利用高光谱图像融合 算法使其与RGB图像融合。 3.根据权利要求2所述的一种新型巢湖蓝藻水华监测系统， 其特征在于： 所述校正后的 多光谱图像为： 其中， R为校正后的多光谱图像； IS为多光谱相机采集的原始多光谱图像； D为多光谱相 机采集得到的全黑标定图像； w多光谱相 机对标准白色校正板进行采集得到的全白标定图 像。 4.根据权利要求2所述的一种新型巢湖蓝藻水华监测系统， 其特征在于： 所述对辐射定 标后的多光谱图像利用高光谱图像融合 算法使其与RGB图像融合， 包括以下步骤： 将RGB图像进行三 通道融合， 得到全色图像； 采用Gram ‑Schmidt变换使全色图像与辐射定标后的多光谱图像融合；权　利　要　求　书 1/3 页 2 CN 114112945 A 2对与全色图像融合后的多光谱图像利用最大熵阈值分割算法进行分割处 理。 5.根据权利要求4所述的一种新型巢湖蓝藻水华监测系统， 其特征在于： 所述采用 Gram‑Schmidt变换使全色图像与辐射定标后的多光谱图像融合， 包括以下步骤： 利用所述全色图像作为Gram ‑Schmidt变换的第一个分量GS1来对低空间分辨率影像进 行Gram‑Schmidt正变换； 对经Gram ‑Schmidt正变换后的数据集进行Gram ‑Schmidt逆变换， 实现完成低空间分辨 率影像与高空间分辨 率影像融合； 所述Gram ‑Schmidt正变换的公式为： 其中， GST为经Gram ‑Schmidt正变换后的第T个正交分量； BT为原始低空间分辨 率影像第T波段； μT为原始低空间分辨 率影像第T波段像元 灰度值的均值； φ(BT,GSl)为原始低空间分辨 率影像第K波段与GSl之间的协方差； i和j分别为原 始低空间分辨 率影像的行数和列数； M和N为整幅影 像的行数和列数； 所述Gram ‑Schmidt逆变换的公式为： 通过(5)式对Gram ‑Schmidt正变换后的数据集进行Gram ‑Schmidt逆变换。 6.根据权利要求1所述的一种新型巢湖蓝藻水华监测系统， 其特征在于： 所述Faster   R‑CNN包括全卷积神经网络RPN及Fast  R‑CNN检测器； 所述全卷积神经网络RPN用来产生 候选识别区域； 所述Fast  R‑CNN检测器采用全卷积神经网络RPN产 生的候选识别区域进行分类与边框 回归计算。 7.根据权利要求6所述的一种新型巢湖蓝藻水华监测系统， 其特征在于： 在对所述全卷 积神经网络RPN进行训练的过程中， 对所述多光谱图像中所有位置的锚点打标签进行监督 训练； 若锚点与正确点的交并比大于0.7， 则该锚点为正样本， 若锚点与正确点的交并比小于 0.3， 则该锚点 为负样本； 全卷积神经网络RPN的训练函数为：权　利　要　求　书 2/3 页 3 CN 114112945 A 3