1.基于航拍图像和串联回声状态网络的水质监测方法，具体步骤如下，其特征在于：步骤1，获取水质航拍实验图像数据：使用无人机对需要监测水质的地点进行检测，并将采集到的水质监测图像传回服务器，建立水质监测图像样本集；

步骤2，在图像数据基础上添加椒盐噪声：向步骤1中获取的水质检测图像数据添加椒盐噪声，通过添加椒盐噪声来模拟信号在噪声环境所受到的干扰；

步骤3，使用中值滤波滤除图像数据中的噪声：利用中值滤波算法抑制水质图像中的椒盐噪声，消除图像中孤立的噪声点，同时可消除由于无人机运动带来的图像运动模糊问题；

步骤4，提取水质图像信号的颜色特征：在中值滤波处理后的水质图像基础上，提取图像颜色特征矢量，并建立水质图像特征样本集；

步骤5，使用样本集训练串联回声状态网络：将提取水质样本特征数据作为输入，对应的水质等级标签作为输入，训练串联回声状态网络；

步骤6，将训练完成的串联回声状态网络模型嵌入到软件中实际应用，计算待测的水库水质等级。

2.根据权利要求1所述的基于航拍图像和串联回声状态网络的水质监测方法，其特征在于：步骤2中模拟噪声环境下采集数据的过程可以表示为：无人机在排水水库水质图像时，有可能会受到极大的干扰，对此本发明通过添加的椒盐噪声来模拟水质图像在拍摄下所受的干扰，添加椒盐噪声的公式为：其中，Imax和Imin是水质图像像素点的最大值和最小值，p为图像出现噪声的概率，p的取值范围为15％～25％，ixy是采集图像像素点(x,y)的实际值，f(x,y)是添加椒盐噪声后的图像像素点值。

3.根据权利要求1所述的基于航拍图像和串联回声状态网络的水质监测方法，其特征在于：步骤3中使用中值滤波滤除图像数据中的噪声的过程可以表示为：中值滤波公式为：

y(n)＝med[x(n‑N)...x(n)...x(n+N)]       (2)式中，x(n‑N)...x(n)...x(n+N)代表水质图像中的像素点，y(n)是中值滤波后的图像像素点，med[]是中值滤波窗口内所有像素点的值取中间值，中值滤波不仅可以消除图像中的椒盐噪声，还可以解决由无人机飞行带来的运动图像模糊化问题。

4.根据权利要求1所述的基于航拍图像和串联回声状态网络的水质监测方法，其特征在于：步骤4中提取水质图像信号颜色特征的过程可以表示为：将航拍图像中的RGB颜色通过颜色空间转化到HSV空间中，其中H代表颜色空间中的色调H∈[0°，360°]、S代表饱和度S∈[0,1]、V代表亮度V∈[0,1]，再对HSV分量进行非均匀量化，H量化7级、S量化2级、V量化2级并用下式对提取航拍图像的颜色特征：G＝QsQvH+QvS+V                  (3)其中，Qs和Qv分别是S和V的量化级数，Qs＝3、Qv＝3，可得72维的颜色特征G。

5.根据权利要求1所述的基于航拍图像和串联回声状态网络的水质监测方法，其特征在于：步骤5中使用样本集训练串联回声状态网络的过程可以表示为：步骤5.1，建立航拍图像训练样本集：将步骤4获得的颜色特征样本G(i)标注标签E(i)，组成水质航拍图像样本训练集D(i)＝{G(i),E(i)}；

步骤5.2，设计串联回声状态网络，串联回声状态网络由一个输入层、两个储备池和一个输出层组成，输入层由72个神经元组成，第一个储备池由N1个神经元组成，第二个储备池由N2个神经元组成，输出层由1个神经元组成；

in

步骤5.3，初始化网路，将训练样本特征G(i)通过输入连接权值矩阵W 进入储备池，Eback

(i)经过反馈连接权值W 进入储备池，并根据下式的顺序采集系统状态和输出状态：in

x1(i+1)＝a1f1(W G(i+1)+W1x1(i))                  (4)out back

x2(i+1)＝a2f2(W x1(i+1)+W2x2(i)+W y(i))              (5)out

y(i)＝g(W [x2(i),G(i)])                       (6)其中，x1(i)和x2(i)是第一个储备池和第二个储备池的系统参数，a1和a1是两个储备池的调节系数，f1(·)和f2(·)是储备池节点的激励函数sigmoid，g(·)为储备池输出单元的out

激励函数tanh，W1和W2表示储备池内部神经元的连接权值矩阵，W 表示输出值矩阵；

步骤5.4，通过训练样本集训练回声状态网络，调整网络中的参数，得到一个训练完成的串联回声状态网络模型。