(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 202111340768.X (22)申请日 2021.11.12 (71)申请人 中冶赛迪技 术研究中心有限公司 地址 401122 重庆市北部新区汇金路1 1号1 幢 (72)发明人 郑界　 (74)专利代理 机构 北京海虹嘉诚知识产权代理 有限公司 1 1129 代理人 胡博文 (51)Int.Cl. G06F 30/27(2020.01) G06T 7/13(2017.01) G06T 7/136(2017.01) G06T 7/62(2017.01) G06N 20/00(2019.01) (54)发明名称 基于机器学习算法和图像识别的控藻系统 与方法 (57)摘要 本申请提供一种基于机器学习算法和图像 识别的控藻系统与方法， 属于 水体控藻防控技术 领域， 本申请基于LightGBM算法构建叶绿素a浓 度预测模型和 智能加药模型， 采集待控藻水域的 水下周围实时图像， 通过sobel算子， 实现图像边 界的确定， 通过边界确定藻类特征参数， 然后将 藻类特征参数输入到叶绿素a浓度预测模型， 并 将获得的叶绿素a浓度和藻类特征参数输入智能 加药模型， 获得控藻药剂计量， 根据控藻药剂计 量喷洒控藻药剂， 此外， 本申请还对喷洒药剂后 的水域进行事后监测。 提升控藻药剂计量的精准 度， 实现精准控藻， 降低控藻成本， 同时可避免药 剂过量产生的副作用。 权利要求书2页 说明书6页 附图1页 CN 113987958 A 2022.01.28 CN 113987958 A 1.一种基于机器学习算法和图像识别的控藻方法， 其特征在于： 所述方法包括如下步 骤： S1： 基于L ightGBM算法构建叶绿素a浓度预测模型； 基于LightGBM算法构建智能加药模型； S2： 采集待控藻水域的水 下周围环境的实时图像； S3： 确定所述实时图像的的藻类特征参数， 所述藻类特征参数包括藻类等效面积和藻 类分形维数； S4： 将所述藻类特 征参数代入所述叶绿素a浓度预测模型， 获得叶绿素a的浓度； S5： 判断叶绿素a浓度是否大于预设叶绿素a阈值， 若是， 进入下一步， 若否， 进入步骤 S2； S6： 前往所述目标藻类区域， 到达目标藻类区域后， 通过叶绿素a检测仪获取实际的叶 绿素a浓度， 判断所述 实际的叶绿素a浓度是否大于预设叶绿素a阈值， 若 是， 进入下一步， 若 否， 进入步骤S2； S7： 将所述藻类特征参数和实际的叶绿素a浓度输入所述智能加药模型， 获得控藻药剂 计量； S8： 在目标藻类区域喷洒所述控藻药剂计量的药剂。 2.根据权利要求1所述基于机器学习算法和图像识别的控藻方法， 其特征在于： 所述方 法还包括： 重复如下步骤直至结束； 喷洒控藻药剂后， 在预设时间段， 通过叶绿素a检测仪获取实际的叶绿素a浓度， 并判断 所述实际的叶绿素a浓度是否大于预设叶绿素a阈值， 若是， 重复步骤S7和步骤S8， 若否， 则 结束； 同时根据获得的控藻药剂计量， 确定控藻药剂计量总和。 3.根据权利要求2所述基于机器学习算法和图像识别的控藻方法， 其特征在于： 所述方 法还包括： 在前往目标藻类区域的过程中， 实时检测途径水域的叶绿素a浓度， 若浓度大于 预设叶绿素a阈值， 则暂停前往目标藻类区域， 通过所述智能加药模型， 获得控藻药剂 计量， 就地喷洒所述控藻药剂计量的药剂， 并在控藻结束后， 继续前往目标藻类区域。 4.根据权利要求1所述基于机器学习算法和图像识别的控藻方法， 其特征在于： 所述方 法还包括： 步骤S2包括如下步骤： S21： 以船身初始装置为基准， 调整光源参数至预设光源参数， 遍历预设深度范围内0度 至360度， 采集水 下周围环境的实时图像； S22： 判断实时图像是否为灰度图像， 若是， 进入步骤S3， 若否， 将采集的水下图像转换 为灰度图像， 其中， 灰度值 i采用如下 方式确定： i＝0.3r+0.59g+0.1 1b   (1) 其中， i表示灰度值， r 表示图像中的红色， g表示图像中的绿色， b表示图像中的蓝色。 5.根据权利要求4所述基于机器学习算法和图像识别的控藻方法， 其特征在于： 所述预 设光源参数采用如下 方法： 确定包含目标藻类的实时图像的图像熵， 所述图像熵采用如下 方法确定：权　利　要　求　书 1/2 页 2 CN 113987958 A 2其中， H表示图像熵， Pi表示灰度值 i在所有像素点中出现的频率； 确定图像熵最大的实时图像对应的光源参数； 所述图像熵最大的图像对应的光源参数为预设光源参数。 6.根据权利要求4所述基于机器学习算法和图像识别的控藻方法， 其特征在于： 步骤S3 包括如下步骤： S31： 将接收到灰度图像与Sobel 算子作平面卷积， 获得藻类增强图像； S32： 采用全局阈值法将所述藻类增强图像二 值化， 得到堆叠藻类的划分边界； S33： 根据所述划分边界确定藻类等效面积和分形维数； 所述藻类等效面积为 二值化后的藻类增强图像中黑色区域的面积之和； 所述分形维数采用如下 方法确定： lnA＝Df·lnL+lnα   (3) 其中， A表示藻类的投影面积， L表示投影的最大长度， α表示比例常数， Df表示藻类在二 维空间的分形维数。 7.一种基于机器学习算法和图像识别的控藻系统， 所述系统适用于权利要求1 ‑6任一 所述的基于 机器学习算法和图像识别的控藻方法， 其特 征在于： 包括： 图像采集模块： 用于获取待控藻区域水 下水下周围环境实时图像； 图像分析模块： 用于确定所述水下图像中的目标藻类的堆叠边界， 并根据所述堆叠边 界确定所述水 下图像的藻类特 征参数； 叶绿素a浓度预测模块： 用于根据藻类特征参数预测藻类特征参数对应的叶绿素a浓 度； 智能决策模块： 用于判断叶绿素a浓度是否大于预设叶绿素a阈值， 若是， 则控制动力模 块前往目标藻类区域， 并根据智能加药模型确定控藻药剂 计量并输出至控藻模块， 若否， 则 不处理； 同时， 所述智能决策模块用于为每 个目标藻类区域进行控藻事后监测； 动力模块： 用于根据智能决策模块的指令前往目标藻类区域； GPS模块： 用于获取控藻系统所在位置； 叶绿素a检测仪： 用于 到达目标藻类区域后， 获取 该区域的叶绿素a浓度； 控藻模块： 喷洒智能决策模块输出的控藻药剂计量的控藻药剂。 8.根据权利要求7所述基于机器学习算法和图像识别的控藻系统， 其特征在于： 所述图 像采集模块包括补光装置， 所述补光装置用于调节光源参数。权　利　要　求　书 2/2 页 3 CN 113987958 A 3