基于BIM的畜牧用水色度检测系统.pdf

《基于BIM的畜牧用水色度检测系统.pdf》由会员分享，可在线阅读，更多相关《基于BIM的畜牧用水色度检测系统.pdf（8页完成版）》请在专利查询网上搜索。

1、(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 202010382885.1 (22)申请日 2020.05.08 (71)申请人 刘如意 地址 430000 湖北省武汉市东湖开发区鲍 澥镇 (72)发明人 刘如意刘雪勤 (51)Int.Cl. G01J 3/46(2006.01) G06F 16/29(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/90(2017.01) (54)发明名称 基于BIM的畜牧用水色度检测系统 (57)摘要 本发明提供了一种基于BIM的。

2、畜牧用水色度 检测系统， 该系统包括畜牧用水区域的BIM、 色度 检测模块； 其中， 畜牧用水区域的BIM， 是包括畜 牧用水区域几何信息、 状态信息的虚拟三维模 型； 色度检测模块， 采用深度神经网络和区块链 技术， 用于检测畜牧用水的色度； 将色度检测模 块得到的检测结果传输到BIM中进行存储， 将BIM 中存储的信息结合网络地理信息系统(WebGIS) 进行可视化处理， 实现在网络上展示畜牧用水区 域的BIM， 使用户更直观地获取当前水域的BIM以 及色度检测结果。 权利要求书1页 说明书5页 附图1页 CN 111504460 A 2020.08.07 CN 111504460 A 1。

3、.一种基于BIM的畜牧用水色度检测系统， 其特征在于， 该系统包括畜牧用水区域的 BIM、 色度检测模块； 将色度检测模块得到的检测结果传输到BIM中进行存储， 将BIM中存储 的信息结合网络地理信息系统进行可视化处理； 其中， 色度检测模块， 采用深度神经网络检 测畜牧用水的色度； 深度神经网络包括： 图像获取处理单元用于采集用水区域的RGB图像， 将RGB图像转换为LAB图像； 特征提取单元包括编码器、 全连接层1； 编码器的输入为LAB图像， 提取LAB图像的特征， 得到特征图； 全连接层1的输入为特征图， 输出第一向量； 颜色矩提取单元包括特征提取器、 全连接层2， 特征提取器的输入为。

4、RGB图像， 对RGB图 像每个通道都提取一、 二、 三阶颜色矩， 其中， 一阶颜色矩采用一阶原点矩， 二阶颜色矩采用 二阶中心距的平方根， 三阶颜色矩采用三阶中心距的立方根， 输出为颜色矩特征； 颜色矩特 征作为全连接层2的输入， 经过处理输出第二向量， 其维数与第一向量相同； 结果分析单元包括全连接层3， 其输入为特征提取单元输出的第一向量与颜色矩提取 单元输出的第二向量相加后得到的新的向量， 输出为色度检测结果。 2.如权利要求1所述的系统， 其特征在于， 畜牧用水区域的BIM， 是包括畜牧用水区域几 何信息、 状态信息的虚拟三维模型； 几何信息包括畜牧用水区域的空间形状、 尺寸、 地理。

5、位 置信息； 状态信息指畜牧用水的各项检测指标信息， 包括色度、 pH值。 3.如权利要求1所述的系统， 其特征在于， 采用不同色度的图像作为训练数据集， 特征 标签为色度值， 采用均方差损失函数， 随机梯度下降法进行网络的训练。 4.如权利要求3所述的系统， 其特征在于， 所述特征标签， 在对不同水域进行图像拍摄 的同时采集不同区域的水样， 通过铂-钴标准比色法， 得到不同区域水样的色度值， 将得到 的标准色度值作为对应水域图像的标签。 5.如权利要求1所述的系统， 其特征在于， 色度检测模块采用区块链技术： 特征提取单 元、 颜色矩提取单元、 结果分析单元由任务块组成， 任务块包括编码器、。

6、 全连接层、 特征提取 器； 一个任务块对应一个区块； 任务块对应的区块， 基于包括多个节点的公有云进行计算， 并依据生成的随机数随机选择公有云中的节点； 图像获取处理单元作为一个区块； 所有区 块按照深度神经网络的推理顺序生成区块链私链， 并对在区块间传输的数据进行加密处 理。 6.如权利要求5所述的系统， 其特征在于， 随机选择公有云中节点的具体方法为： 将生 成的随机数依次分配给任务块对应的区块， 根据随机数的大小对区块进行排序， 每个区块 得到一个编号； 每个节点分配一个固定的序号， 每个区块选择序号与其编号相同的节点。 7.如权利要求5所述的系统， 其特征在于， 色度检测模块使用加密。

7、算法对区块间传输的 数据进行加密， 加密后的数据在流入下一区块前， 使用对应的解密算法进行解密， 执行上述 加密解密过程， 直至完成检测。 权利要求书 1/1 页 2 CN 111504460 A 2 基于BIM的畜牧用水色度检测系统 技术领域 0001 本发明涉及区块链、 深度学习、 BIM领域， 特别是一种基于BIM的畜牧用水色度检测 系统。 背景技术 0002 畜牧业饮用水的水质对畜牧业发展有直接的影响。 2001年农业部颁布的畜禽饮水 水质标准中的大部分指标低于人类的生活饮用水标准， 但仍有相当一部分指标与人类的生 活饮水标准相接近， 个别指标甚至更严格。 由于畜牧业用水的水质与人类健。

8、康息息相关， 越 来越多的政策标准陆续出台， 致力于保证畜牧业用水的质量。 0003 目前， 对畜牧用水各项指标的检测， 包括水的温度、 酸碱度、 导电率、 溶氧量等， 一 些主流的传感器已经被广泛应用， 且检测结果准确性较高， 通过读取传感器的值就可以获 取当前水质的各项检测数据， 从而判断水质是否达标。 但是， 对于水质检测标准中色度检测 这一项， 无法通过传感器得到， 现有的色度检测技术包括利用铂-钴标准比色法或稀释倍数 法对水质色度进行分析。 然而， 这种采集样本后进行人为分析的方法， 在时间上存在滞后 性， 且对操作人员技术要求过高， 分析结果易受到主观因素的影响， 并且这种检测方法。

9、得到 的检测结果很容易被窃取和篡改， 因此不能很好的推广到畜牧业饮水水质的实时检测中。 发明内容 0004 为了解决现有色度检测技术存在的问题， 本发明提出了一种基于BIM的畜牧用水 色度检测系统。 本发明的技术方案如下： 0005 一种基于BIM的畜牧用水色度检测系统， 包括畜牧用水区域的BIM、 色度检测模块； 将色度检测模块得到的检测结果传输到BIM中进行存储， 将BIM中存储的信息结合网络地理 信息系统进行可视化处理； 其中， 色度检测模块， 采用深度神经网络检测畜牧用水的色度； 深度神经网络包括： 0006 图像获取处理单元用于采集用水区域的RGB图像， 将RGB图像转换为LAB图像。

10、； 0007 特征提取单元包括编码器、 全连接层1； 编码器的输入为LAB图像， 提取LAB图像的 特征， 得到特征图； 全连接层1的输入为特征图， 输出第一向量； 0008 颜色矩提取单元包括特征提取器、 全连接层2， 特征提取器的输入为RGB图像， 对 RGB图像每个通道都提取一、 二、 三阶颜色矩， 其中， 一阶颜色矩采用一阶原点矩， 二阶颜色 矩采用二阶中心距的平方根， 三阶颜色矩采用三阶中心距的立方根， 输出为颜色矩特征； 颜 色矩特征作为全连接层2的输入， 经过处理输出第二向量， 其维数与第一向量相同； 0009 结果分析单元包括全连接层3， 其输入为特征提取单元输出的第一向量与颜。

11、色矩 提取单元输出的第二向量相加后得到的新的向量， 输出为色度检测结果。 0010 畜牧用水区域的BIM， 是包括畜牧用水区域几何信息、 状态信息的虚拟三维模型； 几何信息包括畜牧用水区域的空间形状、 尺寸、 地理位置信息； 状态信息指畜牧用水的各项 检测指标信息， 包括色度、 pH值。 说明书 1/5 页 3 CN 111504460 A 3 0011 采用不同色度的图像作为训练数据集， 特征标签为色度值， 采用均方差损失函数， 随机梯度下降法进行网络的训练。 0012 特征标签， 在对不同水域进行图像拍摄的同时采集不同区域的水样， 通过铂-钴标 准比色法， 得到不同区域水样的色度值， 将得。

12、到的标准色度值作为对应水域图像的标签。 0013 色度检测模块采用区块链技术： 特征提取单元、 颜色矩提取单元、 结果分析单元由 任务块组成， 任务块包括编码器、 全连接层、 特征提取器； 一个任务块对应一个区块； 任务块 对应的区块， 基于包括多个节点的公有云进行计算， 并依据生成的随机数随机选择公有云 中的节点； 图像获取处理单元作为一个区块； 所有区块按照深度神经网络的推理顺序生成 区块链私链， 并对在区块间传输的数据进行加密处理。 0014 随机选择公有云中节点的具体方法为： 将生成的随机数依次分配给任务块对应的 区块， 根据随机数的大小对区块进行排序， 每个区块得到一个编号； 每个节。

13、点分配一个固定 的序号， 每个区块选择序号与其编号相同的节点。 0015 色度检测模块使用加密算法对区块间传输的数据进行加密， 加密后的数据在流入 下一区块前， 使用对应的解密算法进行解密， 执行上述加密解密过程， 直至完成检测。 0016 本发明的有益效果在于： 0017 1.特征提取单元将LAB图像作为输入， 弥补了RGB图像色彩分布不均这一不足之 处， 其色域更广， 可以使网络对图像进行更好的分析从而提高检测结果的精准度。 0018 2.基于深度神经网络的色度检测模块， 可以对畜牧用水的色度进行实时检测， 解 决了现有检测方法在时间上存在滞后性这一问题， 并且该技术方案不要求相关人员具有。

14、较 硬的专业技术功底， 检测结果也不受主观因素的影响， 有利于畜牧业从业人员的操作和监 管。 0019 3.检测系统采用区块链和加密技术对系统中的数据进行加密， 实现了对检测数据 的保护， 使检测结果不容易被篡改， 保证了检测结果的客观性及整个系统的安全。 0020 4.该检测系统结合Web GIS进行可视化处理， 更好地呈现出畜牧用水区域的BIM信 息状态， 使用户直观地获取当前区域色度检测的结果。 附图说明 0021 图1为色度检测模块中深度神经网络的框架图； 具体实施方式 0022 下面结合附图和优选实施例对本发明展开更进一步的描述， 参见图1。 0023 一种基于BIM的畜牧用水色度检。

15、测系统， 包括畜牧用水区域的BIM、 色度检测模块； 将色度检测模块得到的检测结果传输到BIM中进行存储， 将BIM中存储的信息结合网络地理 信息系统进行可视化处理。 0024 实施例： 0025 检测畜牧用水的色度： 0026 色度检测模块中深度神经网络的框架图如图1所示， 其推理顺序如下： 0027 图像获取处理单元采集畜牧用水区域的RGB图像， 在该单元可以将RGB图像转换为 LAB图像。 说明书 2/5 页 4 CN 111504460 A 4 0028 将RGB图像转换为LAB图像的目的为： LAB三个通道分别为像素亮度、 红色到绿色的 范围、 黄色到蓝色的范围， 其色域更广， 且更。

16、接近人眼观察的色彩范围。 0029 具体转换步骤为： 首先将RGB图像从RGB颜色空间转换到XYZ颜色空间， 再从XYZ颜 色空间转换到LAB颜色空间， 得到LAB图像， XYZ颜色空间又称为XYZ表色系统。 RGB颜色空间 转换到XYZ颜色空间的转换公式为： 0030 0031 其中， R、 G、 B为RGB图像三个通道的值， X、 Y、 Z为从RGB颜色空间转换到XYZ颜色空间 后得到的值。 0032 XYZ颜色空间转换到LAB颜色空间的转换公式为： 0033 0034 0035 其中， L*， a*， b*为最终LAB图像三个通道的值， Xn， Yn， Zn的一般默认值分别为 95.04。

17、7、 100.0、 108.883。 0036 将图像获取处理单元中的LAB图像和RGB图像分别送入特征提取单元、 颜色矩提取 单元。 0037 特征提取单元包括编码器和全连接层1， 编码器的输入为LAB图像， 提取LAB图像的 特征， 得到特征图， 全连接层1的输入为特征图， 输出第一向量。 0038 颜色矩提取单元包括特征提取器和全连接层2， 特征提取器的输入为RGB图像， 进 行颜色矩特征的提取， 输出为颜色矩特征； 颜色矩特征作为全连接层2的输入， 经过处理后 输出第二向量。 0039 颜色矩的提取， 即对RGB每个通道提取一、 二、 三阶颜色矩， 其具体方法为： 0040 一阶颜色矩。

18、采用一阶原点矩， 反映整体的明暗程度； 值越大， 图像越亮， 值越小， 图 像越暗。 其提取公式为： 0041 0042 二阶颜色矩采用二阶中心距的平方根， 反映颜色的分布范围； 二阶颜色矩越大， 颜 色的分布范围越广， 反之， 颜色分布范围越小。 其公式为： 0043 0044 三阶颜色矩采用三阶中心距的立方根， 描述的是图像颜色的偏移性， 反映图像分 布的对称性。 其公式为： 0045 0046 其中i表示第i个通道。 j表示第j个像素。 0047 结果分析单元包括全连接层3， 其输入为特征提取单元输出的第一向量与颜色矩 提取单元输出的第二向量相加后得到的新的向量， 送入全连接层3， 经过。

19、处理后输出色度检 说明书 3/5 页 5 CN 111504460 A 5 测结果。 0048 网络的训练： 采用不同色度的图像作为训练数据集， 特征标签为色度值， 采用均方 差损失函数， 随机梯度下降法进行网络的训练。 0049 标签的标注： 在对不同水域进行图像拍摄的同时采集不同区域的水样， 通过铂-钴 标准比色法， 得到不同区域水样的色度值， 将得到的标准的色度值作为对应水域图像的标 签。 其中， 铂-钴标准比色法是用氯铂酸钾与氯化钻配成标准色列， 与水样进行目视比色确 定水样的色度。 0050 损失函数是用来估量网络的预测值与真实值的不一致程度， 它是一个非负实值函 数,损失函数的值越。

20、小， 模型的鲁棒性就越好。 均方误差(MSE)是回归损失函数中最常用的 误差， 它是预测值与目标值之间差值的平方和， 其公式如下： 0051 0052 其中， Yi为目标值,f(Xi)为模型输出估计值。 0053 通过优化算法对损失函数进行优化， 以便寻找到最优的参数， 使得损失函数的值 最小， 而使用较多的就是基于梯度下降的优化算法， 在其求解过程中， 只需求解损失函数的 一阶导数， 计算代价较小。 梯度下降算法包含多种不同的形式， 有批量梯度下降， 随机梯度 下降， 折中梯度下降等， 综合本发明和不同下降形式的特点， 实施例选择随机梯度下降法， 对于随机梯度下降算法而言， 它通过不停的判断。

21、和选择当前目标下最优的路径， 从而能够 在最短路径下达到最优的结果。 0054 随机梯度下降算法： 从样本中随机抽出一组， 训练后按梯度更新一次， 然后再抽取 一组， 再更新一次， 在样本量及其大的情况下， 不需要训练完所有的样本就可以获得一个损 失值在可接受范围之内的网络。 0055 至此， 得到畜牧用水色度的检测结果。 0056 考虑到数据传输过程中的安全问题， 防止检测数据被篡改， 本发明采用区块链和 加密技术： 0057 特征提取单元、 颜色矩提取单元、 结果分析单元由任务块组成， 任务块包括编码 器、 全连接层、 特征提取器； 一个任务块对应一个区块； 任务块对应的区块， 基于包括多。

22、个节 点的公有云进行计算， 并依据生成的随机数随机选择公有云中的节点； 图像获取处理单元 作为一个区块； 所有区块按照深度神经网络的推理顺序生成区块链私链， 执行此推理并对 执行过程中在区块间传输的数据进行加密处理。 0058 本实施例中按照网络推理顺序为各区块标上数字1-6， 区块1为图像获取处理 单元， 区块2-3为特征提取单元的编码器和全连接层1， 区块4-5为颜色矩提取单元的特 征提取器和全连接层2， 区块6为结果分析单元的全连接层3。 0059 具体的推理流程可以按照链式逻辑进行， 在此简称链式推理； 0060 在链式推理1-6中， 区块1通过摄像头采集畜牧用水区域的水面RGB图像，。

23、 在区 块1中将RGB图像转换为LAB图像， 并将LAB图像送入区块2， 将RGB图像送入区块4； 区 块2对LAB图像进行特征提取， 得到特征图， 特征图作为区块3的输入， 经过处理后输出 第一向量； 区块4对RGB图像进行颜色矩特征的提取， 得到颜色矩特征送至区块5， 输出 第二向量； 区块6的输入为区块3和区块5输出的两个向量的和， 输出为畜牧用水的色 说明书 4/5 页 6 CN 111504460 A 6 度检测结果。 0061 实施例采用BBS发生器产生伪随机数， 具体过程如下： 0062 首先， 选择两个大素数a和b， 令ca*b； 其次， 选择一个随机数种子d， 要求d与c互 。

24、为素数； 最后， 利用公式X0d2 modc,XiXi-1modc产生随机数。 0063 随机选择公有云中的节点： 将生成的随机数依次分配给区块， 如： 区块1对应X0， 区 块2对应X1等， 按照随机数的固定后七位数大小对区块进行排序， 每个区块得到一个编号； 对节点进行排序， 每个节点都有一个固定的序号， 每个区块选择序号与其编号相同的节点； 之后按照网络的推理顺序来排序节点的序号， 进一步增加数据被篡改的难度。 0064 区块之间传输的数据是需要经过加密处理的， 实施例使用Rabin算法对数据进行 加密， 实施者可根据实际情况自行选取使用哪种加密算法。 0065 Rabin算法： 006。

25、6 随机选取两个值相近的大素数p和q进行密钥的创建， 通常选择的p和q都是模4余3 的数， 计算密钥Np*q； 0067 设明文信息为M， 则加密结果为CM2 mod N； 0068根据方程组其中ypp-1(mod q),yqq-1(mod p)。 0069 得到的解密结果有四个： 0070 d1(yp*p*mq+yq*q*mp)mod N 0071 d2N-d1 0072 d3(yp*p*mq-yq*q*mp)mod N 0073 d4N-d3 0074 由于解密出来的明文有四个， 所以在发送数据信息时还要传输额外的验证信息， 便于接收端根据验证信息从四个明文中选出正确的明文。 0075 在。

26、此说明， 所有在区块间进行传输的数据都基于此加解密算法进行传输。 0076 至此， 色度检测模块推理完成。 0077 构建畜牧用水区域的BIM(建筑信息模型)： 0078 通过获取到的畜牧用水区域如河流、 湖泊等的空间形状、 具体的长宽高尺寸、 地理 位置信息等完成BIM的构建， BIM中还包括畜牧用水各项检测指标的状态信息， 包括色度、 pH 值、 溶氧量、 温度等。 0079 为了直观地呈现当前区域的BIM以及用水区域的相关信息状态， 使用户可以直观 实时地获取当前畜牧用水区域的色度检测信息并对色度不达标的情况及时作出反应， 将色 度检测模块的检测结果传输到BIM中进行存储， 将存储的数据信息结合Web GIS进行可视化 处理， 将BIM信息模型通过Web GIS在Web进行展示。 0080 Web GIS(网络地理信息系统)是展现于网络的GIS， 是传统的GIS在网络上的延伸 和发展， 具有传统GIS的特点， 可以实现空间数据的检索、 查询、 制图输出、 编辑等GIS基本功 能， 同时也是Internet上地理信息发布、 共享和交流协作的基础。 0081 至此， 本发明的推理完成。 说明书 5/5 页 7 CN 111504460 A 7 图1 说明书附图 1/1 页 8 CN 111504460 A 8 。