CN105675623B - 一种基于污水口视频的污水颜色与流量检测的实时分析方法 - Google Patents
一种基于污水口视频的污水颜色与流量检测的实时分析方法 Download PDFInfo
- Publication number
- CN105675623B CN105675623B CN201610064325.5A CN201610064325A CN105675623B CN 105675623 B CN105675623 B CN 105675623B CN 201610064325 A CN201610064325 A CN 201610064325A CN 105675623 B CN105675623 B CN 105675623B
- Authority
- CN
- China
- Prior art keywords
- color
- image
- sewage
- denoted
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000010865 sewage Substances 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000010223 real-time analysis Methods 0.000 title claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 85
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000000205 computational method Methods 0.000 claims description 2
- 238000004321 preservation Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 claims description 2
- 239000003550 marker Substances 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000034303 cell budding Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- -1 large Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于污水口视频的污水颜色与流量检测的实时分析方法，包括下列步骤，首先检测排水口是否有水排出，若有水排出，则检测当前流水区域的不同像素位置的颜色，与无水排出时的图像进行对比，根据颜色距离获取水流透明度，并将颜色统一换算到白色背景上，输出透明率与换算颜色；换算透明率与颜色，对比标准情况下污水处理之后的透明率与颜色，换算出水流的相对大小，若排水口是标准巴斜槽，换算水流的实际大小。本发明实现实时对污水排口现场监控，判断排水口是否在排水，若排水及时提取污水的颜色、流量的大小以及水的透明率。本发明还能计算处水流的实际大小以及巴歇尔槽喉管处水流高度。
Description
技术领域
本发明涉及一种视频检测方法。
背景技术
虽然目前很多排口出都安装了视频监控设备，但监控的方式主要是工作人员通过紧盯屏幕的方式对监控画面进行监视，有时是环保事故后再去回看监控录像查找线索，无法预防环保事故的发生。同时由于监控点数量巨大，不可能让有限的监控人员及显示设备同时关注所有的监控点，大多采用轮询播放的方式，在大部分情况下，监控点的视频画面并没有被监控人员看到，很可能在这些时间内就有值得注意的异常现象出现。而由于监控人员并未当场发现，而错过了及时处理的机会。还有监控人员注意力不能长时间集中，面对如此多的监控图像，往往由于监控人员的一个疏忽就错过了将事故消除在萌芽阶段的时机。
传统的污水排口处检测水质的方法是对污水取样，然后用特定的化学方法进行分析，其特点是准备度高，但是耗费的时间长，对于一个企业污水处理而言，监管部门不可能实时取样分析，如果在某些时候排污环保部门很难及时发现，
发明内容
本发明的目的是提供一种基于污水口视频的污水颜色与流量检测的实时分析方法，辅助环保监管部门及时高效的检测排污口水质，可视频分析的方法初步对排水口的状态进行自动分析，包括分析水质的透明率、流量大小以及颜色，一旦发现异常情况及时上传给监管人员，进行人为干预。
为了实现上述目的，采用以下技术方案：一种基于污水口视频的污水颜色与流量检测的实时分析方法，其特征在于：所述方法包括下列步骤，首先检测排水口是否有水排出，若无水排出，则保留一张高光数量较少且与距离下次水流较近的图片以便与有流水时的图像进行对比；若有水排出，则检测当前流水区域的不同像素位置的颜色，与无水排出时的图像进行对比，剔除异常颜色，根据颜色距离获取水流透明率，并将颜色统一换算到白色背景上，输出透明度与换算颜色，将获取之后的颜色与标准污水处理之后的颜色进行比较，若颜色异常，发出报警信号；换算透明率与颜色，对比标准情况下污水处理之后的透明率与颜色，换算出水流的相对大小，若排水口是标准巴斜槽，且能从视频图像中分辨引流槽，则通过识别的手段识别出排口位置，在有水排出时再识别排口位置，结合巴斜槽参数换算水流的实际大小。
本发明实现实时对污水排口现场监控，判断排水口是否在排水，若排水及时提取污水的颜色、流量的大小以及水的透明率。若排口是巴歇尔槽，而通过摄像口能看见引流槽的水平面，本发明还能计算处水流的实际大小以及巴歇尔槽喉管处水流高度。通过视频中非结构化的数据结构化，利于监管人员及时发现问题，将隐患及时消除，利于环境的健康发展。
附图说明
图1为本发明的步骤示意图；
图2为高光区域与颜色距离映射图；
图3为满足识别条件的巴歇尔槽及其需要识别的位置。
图2中图a中封闭区域为高光区域，虚线为图示的映射位置，图b就是虚线位置的颜色映射到距离空间的效果图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
通过对很多污水口排水时发现，水排出之后，同一排口处的水面的形状是随机的，纹理特征不明显，没有共同之处；同时由于水流形状的不断变化，导致有很多位置存在反光现象(也叫高光，下面用高光一词来代替)，这样给颜色检测带来了很大影响；现在很多污水排口使用的排口都是巴歇尔槽(又称巴氏槽)，其上安装有流量计，若人为对流量计进行干预将导致流量计数据失真。在充分考虑这些问题的基础上，设计了一套方法解决这些问题。
如图1所示，本方法实现实时对污水排口现场监控，首先检测排水口是否有水排出，若无水排出，则保留一张高光数量较少且与距离下次水流较近的图片以便与有流水时的图像进行对比；若有水排出，则检测当前流水区域的不同像素位置的颜色，与无水排出时的图像进行对比，剔除异常颜色，根据颜色距离获取水流透明度，并将颜色统一换算到白色背景上，输出透明度与换算颜色，将获取之后的颜色与标准污水处理之后的颜色进行比较，若颜色异常，发出报警信号；换算透明度与颜色，对比标准情况下污水处理之后的透明度与颜色，设计算法换算出水流的相对大小，若排水口是标准巴斜槽，且能从视频图像中分辨引流槽，则通过识别的手段识别出排口位置，在有水排出时再识别排口位置，结合巴斜槽参数换算水流的实际大小。
符号说明
为了方便说明问题，约定如下符号：
Tc(t)---------------t时刻的图像；
Tb(t)---------------t时刻的实时背景图；
Td(t)---------------t时刻的动态前景图；
Ta(t)---------------t时刻水流区域图；
其中，图像宽度为w，高度为h。图像T的(i,j)处的像素记为T[i,j].
(一)动态目标统计分析与是否有流水的判断
本文所有的处理均是对排口位置进行。
首先需要对排口位置进行背景建模，通过当前图像与背景图像进行差分运算在二值化后得到动态目标，本方法尝试了混合高斯背景建模法与滑动平均建模法以及码本背景建模法，通过比较发现正对水流的情况下这三种方法中的任何一种方法提取的水流区域均不完整，其原因就是水是透明的液体，同时还在做不规则运动。这种情况下，获取的动态目标中的点在区域内不规则的出现，获取的前景点数量也具有随机性。
针对排水口流水特点，做如下处理以检测是否有流水：选取一种背景建模法(本发明选取了混合高斯背景建模法)获取动态二值前景图Td(t)，显然随着时间t的不同，Td(t)也不相同，选取一连续时间段T内的所有前景图像Td(t)构造一个序列
S(t)＝{Td(x),x∈(t-L,t]}，
本发明设定L为5秒钟，统计序列S(t)中所有图像的前景点的数量，记为
N(t)＝{Nd(x),x∈(t-L,t]}，
其中Nd(x)为前景Td(x)中前景点的数量，然后计算序列N(t)的最小值，记为
min(N(t))
再计算N(t)的中心矩(均值，记为)与二阶中心矩(方差，记为Var[N(t)])，四阶中心矩(峭度，记为记为Kur[N(t)]))：
通过对实际污水排口的研究发现，在有水流的情况下，水流会持续一段时间，且前景点的数量虽然是随机的，但总体服从高斯分布，因此判断是否有流水，建立了如下判定方法：
min(N(t))＞＞0
Var[N(t)]＞＞0
|Kur[N(t)]-3|≤k
"＞＞"表示远远大于，通过对大量排口进行观测与分析，本发明中取
min(N(t))>200，
Var[N(t)]>30，
|Kur[N(t)]-3|≤0.5
min(N(t))>200表示在L时间段内，前景点的数量要大于200个像素点，Var[N(t)]>30表示前景点的波动不规律，|Kur[N(t)]-3|≤0.5，表示随机点的分布要近似于正态分布。
(二)获取实际的水流区域
由于水流的特殊性，其动态区域的颜色相近，导致获取的前景图像仅仅是水流区域的一部分，为了获取较完整的水流区域，本发明对序列S(t)采取了如下措施：本发明设定间隔L为5秒钟，然后对序列中所有图像Td(x)的(i,j)(i＝1,..,w,j＝1,…,h)(w为图像的宽度，h为图像高度，下同)位置的像素进行统计，设T时间段内一共有n张图像，序列内所有图像(i,j)处像素值为的255个数为m，若(本发明中k取值为0.2，即在时间段L，前景在相同位置出现的概率大于0.2，这是在实际对比中获取的一个较好状态值)视像素点(i,j)为水流区域的像素点，处理完所有点之后得到t时刻的水流动态区域Ta(t).
(三)高光分析
所谓高光就是指光作用在物体上，有反射现象(或者是很亮)的区域。如果要进行颜色检测，高光区域的颜色往往不是物体真实的颜色，因此在检测污水颜色时需要进行高光分析，剔除高光区域。在进行污水颜色分析时，最重要的事情剔除高光点，保留漫反射点，不需要对高光点进行颜色重新匹配。其处理的基本思想是，将图像分为两类区域，一类就是漫反射区域，一类区域就是高光区域，高光区域的特征就是亮度高，并且一旦有高光，就是相邻像素都是高光像素，并且RBG的三个通道的值比较接近。根据高光的特点目前判断某像素点是否高光主要有两种方式，一种是像素级的方式，一种属于区域型的判断方式。本发明选取了像素级的方式，并进行了改进。未改进前的处理步骤如下(郑芝寰，沈会良，程岳.基于单幅图像的高光分量可靠去除方法[J].杭州电子科技大学学报,2010,4(31):165-168.在这篇论文中有详细的描述)：
对于图像Tc(t)，设(i,j)位置的像素为pij，
其中k表示像素的通道，(pij)k表示第k个通道的颜色值，(npij)k表示像素pij最小值变换模式下的第k通道颜色值，min(pij)表示像素pij各通道中最小的那个分量，N表示像素点的数量。
比较颜色距离
这种判断方法在光照均匀或者简单场景中能取得不错的效果，但在复杂环境中效果不是很好，有部分高光区域不能被判断出来。注意(3.3)，判断某像素点是否为高光点，整幅图像只用了一个阈值来判断，显然判断效果不佳。
考虑到高光区域亮度高，区域与周围形成强烈的反差，并具有明显的边界，如果将图像的颜色转换成距离(如对于RGB图像，距离就是像素点的颜色与黑色的距离)，则高光区域在距离空间中处于高处，类似与高台，如图2所示。
进行如下改进：
对于图像Tc(t)，进行轮廓检测(利用著名的Opencv视觉库中函数即可)，获取轮廓区域的图像，再利用(3.1～3.3)进行处理。实际处理流程如下：
(1)将图像Tc(t)进行边缘检测，边缘检测的方法很多，如canny，laplace，Sobel等方法，由于单一使用某一种方法并不能完整显示边缘，因此，这里将canny与laplace相结合，具体方式就是，分别获取canny与laplace二值边缘图像，然后将两者进行或运算得到边缘图Te(t)；
(2)对Te(t)进行轮廓检测，获取各轮廓的最小外接矩形的位置，并在图像Tc(t)中取轮廓外接矩形的对应的图像，记为
[Tc(t)]i(i＝1,2,…,k)(下标i表示轮廓的序号，k为检测处的轮廓数量)，并且将轮廓包含的像素点数量进行记录，记为
[Nc(t)]i(i＝1,2,…,k)(下标i表示轮廓的序号，k为检测处的轮廓数量).
(3)对图像[Tc(t)]i按步骤(3.1～3.3)进行处理，如像素点判断为高光，则对该位置进行标记，并记录高光点的数量，记为[Mc(t)]i，显然若轮廓对应的区域为高光区域，则高光点的数量在轮廓中占有的比例就比较高.判断对应的区域是否为高光区域用下面条件判断：
若则区域为高光区域，本方法中α取值为0.5.
若某轮廓区域判定为高光区域，则将高光区域内的所有像素点的颜色置为图像没有的颜色，这里置为黑色，即用颜色BGR(0,0,0)进行填充高光区域。
(四)颜色对比选取分析
(1)获取静态无流水少高光背景图像序列
通过对动态目标的统计分析，可疑判断当前获取的图像是否有流水，若判定当前图像中无水流则将无流水的图像进行保存。本方法中保存了50张无水流的图像，保存的流程如下：
a.建立一固定长度的图像序列TS(m),m＝1,2,…,50，若无流水每隔1s中，将当前的图像进行高光分析后放在序列的末尾，当满足条件的图像出现时，其余图像向前移动一个位置，然后将图像放在序列的末尾。
b.若TS(m)中的图像数量为50，当有新的图像时，序列中第一张图像将被舍弃，其余图像向前移动一个位置，新图像放在最后一个位置。
(2)颜色对比选取
排水口在排水时，最关心的是排出的水的状态，即关注的水流的颜色。为此需要知道水流的位置的颜色还有水未流时所在相同位置的颜色，关于获取水流的位置的问题已经解决了。
要进行颜色对比，必须找出适合对比的点，剔除异常点。其实现过程如下：
a.选出图像序列TS(m)中高光数量最少的图像Tb；
b.对当前时刻的图像Tc(t)的亮度进行校正，校正的方法：
①将图像Tb与图像Tc(t)由BGR模式转换到HSV模式，其中V分量即为亮度。
②获取实际的水流区域图像Ta(t)；
③对Ta(t)中的水流区域进行一定程度的膨胀操作(本方法利用opencv默认的膨胀元进行了5次膨胀运算)得到的图像与Ta(t)进行差分运算获取水流区域的外边界ETa(t)(注：Ta(t)、ETa(t)均为二值图像，像素为255的分别是流水区域与流水区域的外边界)。
④若图像ETa(t)中的(i,j)位置处的像素值为255，分别取于图像Tb与Tc(t)的(i,j)位置的V通道的值，分别设为Vb[i,j]与Vc[i,j]，计算Vb[i,j]与Vc[i,j]的差记为diff(i,j)，即diff(i,j)＝Vc[i,j]-Vb[i,j]，然后计算图像ETa(t)中所有的(i,j)位置处的像素值为255处对应的diff(i,j)，最后计算所有diff(i,j)的平均值，记为
⑤对图像中流水区域的所有位置的V通道的值减去这样得到亮度校正后的图像
注：该步骤中，如遇到高光点，不做任何处理。
c.剔除图像Tb与中颜色异常点，由于最终的目的是获取水流的颜色，因此这里只对水流区域的颜色异常值进行剔除。
首先，如果Tb与的相同位置处只要有一个高光点，则将该位置用黑色替代。
然后，找出适合进行颜色检测的位置。根据对各种巴斜槽的观测发现，有水排出时，巴斜槽喉管处排水的高度是相对均匀的，在该位置处收到的环境干扰比较小，并且该位置处水位比其他位置都要高，有利于准确检测颜色与流量。因此，检测的区域就是喉管处的排水位置。若有流水，该位置的所有像素点的颜色与与背景颜色相比，颜色距离大致相等，因此需要找出颜色距离大致相同的区域，剔除其他区域。方法如下：
①对Tb与若Ta(t)的(i,j)处的像素Ta(t)[i,j]＝255，计算Tb[i,j]与的颜色距离，并记为
这里颜色距离计算方式可以是欧几里得距离、曼哈顿距离或马哈拉诺比斯距离。若Ta(t)[i,j]＝0，则D[i,j]＝0；
②通过矩阵D计算水位最高处的距离。计算方法如下：
首先，将矩阵D转化成灰度图像G，然后对G进行边缘检测，检测方法与在高光分析中提到的边缘检测一致；
然后，对边缘图像进行轮廓提取，获取所有的轮廓图像，并将轮廓区域对应的灰度图像的区域记为[TG(t)]i(i＝1,2,…,k)，其中k为轮廓数，计算所有[TG(t)]i的均值与方法，分别记为E[TG(t)]i与var[TG(t)]i，若var[TG(t)]i过大，直接剔除(实际处理中，若var[TG(t)]i超过20，则视该区域不是喉管对于的区域)，否则选取均值最大的[TG(t)]i，[TG(t)]i对于的区域即为颜色距离最大的区域。
最后，用二值图TP记录颜色距离最大的区域，在区域内的点用白色(像素值为255)标记，其余位置用黑色(即像素值为0)标记。在矩阵D中计算颜色距离最大的区域的距离平均值，记为
(五)排口识别与流量估计
本发明仅仅对巴歇尔槽的喉管位置进行识别，同时要求摄像头正对巴歇尔槽，并且通过图像能清晰分辨引流槽流水的水平面。如图3所示。图3的右图中中间位置处的阴影竖线区域即巴歇尔槽的排口位置。不难发现，排口由两条平行的线构成。识别排口位置需要在无水流的情况下进行。
(1)识别方法：
a.在无水流时，保存一定数量的图像，即可以利用前面提到的图像序列TS(m)，利用标准hough变换识别出序列中所有图像的直线，如某位置处的直线在序列中超过一定比例(本方法设定为0.5)，则视为有效的直线并保存在图像Th中。
b.通过获取实际的水流区域的方法得到的图像Ta(t)与Th比较获取排口两侧的直线。具体方法就是，计算Ta(t)中像素值为255区域的中心线，找出Th中离中线左右两侧最近的两直线，即为排口两侧的直线，将两直线绘制在图像Tk中。
注：标准hough变换得到的直线是只有方向与位置的直线，没有长度，因此通过a与b步骤得到直线比排口两侧直线段要长，延伸到了图像的上下位置，如图3黑色线所示。
c.对图像序列TS(m)，利用累计概率hough变换识别出序列中所有图像的直线段，如某位置处的直线在序列中超过一定比例(本方法设定为0.5)，则视为有效的直线并保存在图像Tp中。图像Tk与图像Tp的公共位置即为排口两侧的竖线段，并将此保存到图像Tout中，排口位置两侧直线段用像素255标记，其余位置用的像素用0标记。
(2)排口处的水流高度获取
利用当前时刻t的水流区域Ta(t)与排口位置比较获取水流高度的像素点距离，具体方法如下：
a.获取排口位置的两侧直线段的长度,记为l1,l2。
b.备份Tout的图像记为若Ta(t)[i,j]＝255，则对所有位置处理完成后，获取获取中两侧直线段的长度，记为l′1,l′2.
c.水流高度计算公式如下：(k为校正参数，默认为1)
(3)流量估计
根据摄像头拍摄的巴歇尔槽的实际高度，换算处水流的高度，具体换算方法如下：设巴歇尔槽的实际高度为H，则实际的水流高度根据公式Q＝C×(ha)n,其中C与n分别是巴歇尔槽的参数，可以在标准的巴歇尔槽参数表中得到，Q就是流量大小。
注：若摄像头安装不合理，或者排口根本就不是标准的巴歇尔槽，则流量的大小的计算就困难了，但是可以根据颜色距离来粗略定性判断流量的相对大小。
(六)颜色换算
在技术方案与方面要点的第(四)部分--颜色对比选取分析中，获取了适合计算颜色的区域。获取的颜色仅仅是背景与当前有流水时的颜色，而不同地方的排水口处安装的排水槽颜色不一致，为了统一标准，将水流的颜色映射到白色背景上。
(1)背景转换
设背景颜色为A1，一定深度的水的颜色为B1，其透明率为α，当前观测到的为C1，则有如下关系：
C1＝αA1+(1-α)B1------------------(6.1)
若B1与α不变，背景颜色为A2，设观测到颜色C2，则
C2＝αA2+(1-α)B1------------------(6.2)
换算之后
C2＝C1+α(A2-A1)----------------(6.3)
因此只要确定透明率α就可以换算颜色。
(2)在RGB颜色模型下确定透明率
对于水体而言，没有水时显然透明率为1。若水位不断上升，直至刚好看不见背景时，透明率就为0。通过大量试验，在BGR颜色模型下，当颜色距离在130～140之间几乎看不见背景,此时透明率为0,设该颜色距离为γ，本方法选取了颜色距离为135时.设背景的颜色为(r1,g1,b1),在相同位置观测到是颜色为(r2,g2,b2)，设颜色距离为d，则透明率α计算如下：
注：在技术方案与方面要点的第(四)部分，已经计算了颜色距离，其平均距离为
(3)颜色提取
在技术方案与方面要点的第(四)部分，已经计算了适合颜色提取的区域，其区域位置是[TG(t)]i。下面将将结合剔除了异常点的背景图与当前视频图像Tb与将水体的颜色叠加到白色背景上。实现方法：
若[TG(t)]i[k,l]＝255,并且Tb[k,l]与均不为黑色，则根据式(6.1)～式(6.4)，计算(k,l)位置处的在白色背景下的颜色，记为RGB[k,l],完成所有颜色计算之后，计算RGB[k,l]的平均值即为水体在白色背景下的颜色。
(4)在排口不标准或摄像头安装不合理情况下估计定性分析流量大小
这里根据颜色距离来判断，显然颜色距离越大，水的流量就越大，本方法根据颜色的距离，将流水的大小划分处了3个不同的等级，即大、中、小。具体方法如下：
当然该方法的缺陷是很明显的，只在水是正常的情况下有效，若水的颜色异常，流量会比实际的偏小。因此建议，对要检测的排口处按要求安装巴歇尔槽与摄像头。
Claims (5)
1.一种基于污水口视频的污水颜色与流量检测的实时分析方法，其特征在于：所述方法包括下列步骤，首先检测污水口是否有水排出，若无水排出，则保留一张高光数量较少且与距离下次水流较近的图片以便与有流水时的图像进行对比；若有水排出，则检测当前流水区域的不同像素位置的颜色，与无水排出时的图像进行对比，剔除异常颜色，根据颜色距离获取水流透明率，并将颜色统一换算到白色背景上，输出透明率与换算颜色，将获取之后的颜色与标准污水处理之后的颜色进行比较，若颜色异常，发出报警信号；换算透明率与颜色，对比标准情况下污水处理之后的透明率与颜色，设计算法换算出水流的相对大小，若排水口是标准巴歇尔槽，且能从视频图像中分辨引流槽，则通过识别的手段识别出排口位置，在有水排出时再识别排口位置，结合巴歇尔槽参数换算水流的实际大小，若为非标准巴歇尔槽，则定性给出排水大小。
2.如权利要求1所述的基于污水口视频的污水颜色与流量检测的实时分析方法，其特征在于：判断有无流水的方法如下：
选取背景建模法获取动态二值前景图Td(t)，选取一连续时间段T内的所有前景图像Td(t)构造一个序列
S(t)＝{Td(x),x∈(t-L,t]}，L为设定时间；
统计序列S(t)中所有图像的前景点的数量，记为
N(t)＝{Nd(x),x∈(t-L,t]}，
其中Nd(x)为前景Td(x)中前景点的数量，然后计算序列N(t)的最小值，记为
min(N(t))
再计算N(t)的中心矩，即均值，记为与二阶中心矩，即方差，记为Var[N(t)]，四阶中心矩即峭度，记为记为Kur[N(t)]：
若min(N(t))＞＞a；Var[N(t)]＞＞b；|Kur[N(t)]-3|≤c这三个条件均满足，则判断为有流水；其中"＞＞"表示远远大于，min(N(t))＞＞a表示在L时间段内，前景点的数量要远远大于a个像素点，Var[N(t)]＞＞b表示前景点的波动不规律，|Kur[N(t)]-3|≤c，表示随机点的分布要近似于正态分布。
3.如权利要求2所述的基于污水口视频的污水颜色与流量检测的实时分析方法，其特征在于：
每隔设定时间，对序列S(t)序列中所有图像Td(x)的(i,j)位置的像素进行统计，i＝1,..,w,j＝1,…,h，w为图像的宽度，h为图像高度，设T时间段内一共有n张图像，序列内所有图像(i,j)处像素值为的255个数为m，若视像素点(i,j)为水流区域的像素点，处理完所有点之后得到t时刻的水流动态区域Ta(t)。
4.如权利要求1所述的基于污水口视频的污水颜色与流量检测的实时分析方法，其特征在于：所述方法还包括颜色对比选取分析方法，其中颜色对比选取分析方法如下：
(1)获取静态无流水少高光背景图像序列
若判定当前图像中无水流则将无流水的图像进行保存，本方法中保存了M张无水流的图像，M为正整数，保存的流程如下：
a.建立一固定长度的图像序列TS(m),m＝1,2,…,M,若无流水每隔一定时间，将当前的图像进行高光分析后放在序列的末尾，当满足条件的图像出现时，其余图像向前移动一个位置，然后将图像放在序列的末尾；
b.若TS(m)中的图像数量为M，当有新的图像时，序列中第一张图像将被舍弃，其余图像向前移动一个位置，新图像放在最后一个位置；
(2)颜色对比选取
a.选出图像序列TS(m)中高光数量最少的图像Tb；
b.对当前时刻的图像Tc(t)的亮度进行校正，校正的方法如下：
①将图像Tb与图像Tc(t)由RGB模式转换到HSV模式，其中V分量即为亮度；
②获取实际的水流区域图像Ta(t)；
③对Ta(t)中的水流区域进行膨胀操作得到的图像与Ta(t)进行差分运算获取水流区域的外边界ETa(t)；
④若图像ETa(t)中的(i,j)位置处的像素值为255，分别取于图像Tb与Tc(t)的(i,j)位置的V通道的值，分别设为Vb[i,j]与Vc[i,j]，计算Vb[i,j]与Vc[i,j]的差记为diff(i,j)，即diff(i,j)＝Vc[i,j]-Vb[i,j]，然后计算图像ETa(t)中所有的(i,j)位置处的像素值为255处对应的diff(i,j)，最后计算所有diff(i,j)的平均值，记为
⑤对图像中流水区域的所有位置的V通道的值减去这样得到亮度校正后的图像
在上述步骤中，如遇到高光点，不做任何处理；
c.剔除图像Tb与中颜色异常点；
如果Tb与的相同位置处只要有一个高光点，则将该位置用黑色替代；
检测巴歇尔槽喉管处的水流的颜色，方法如下：
①对Tb与若Ta(t)的(i,j)处的像素Ta(t)[i,j]＝255，计算Tb[i,j]与的颜色距离，并记为
这里颜色距离计算方式可以是欧几里得距离、曼哈顿距离或马哈拉诺比斯距离；若Ta(t)[i,j]＝0，则D[i,j]＝0；
②通过矩阵D计算水位最高处的距离，计算方法如下：
首先，将矩阵D转化成灰度图像G，然后对G进行边缘检测；
然后，对边缘图像进行轮廓提取，获取所有的轮廓图像，并将轮廓区域对应的灰度图像的区域记为[TG(t)]i(i＝1,2,…,k)，其中k为轮廓数，计算所有[TG(t)]i的均值与方差，分别记为E[TG(t)]i与var[TG(t)]i，若var[TG(t)]i过大，直接剔除，否则选取均值最大的[TG(t)]i，[TG(t)]i对应的区域即为颜色距离最大的区域；
最后，用二值图TP记录颜色距离最大的区域，在区域内的点用白色标记，其余位置用黑色标记，在矩阵D中计算颜色距离最大的区域的距离平均值，记为
5.如权利要求4所述的基于污水口视频的污水颜色与流量检测的实时分析方法，其特征在于：高光分析的方法如下：
(1)将图像Tc(t)进行边缘检测：分别获取canny与laplace二值边缘图像，然后将两者进行或运算得到边缘图Te(t)；
(2)对Te(t)进行轮廓检测，获取各轮廓的最小外接矩形的位置，并在图像Tc(t)中取轮廓外接矩形的对应的图像，记为
[Tc(t)]i(i＝1,2,…,k)，下标i表示轮廓的序号，k为检测处的轮廓数量，
并且将轮廓包含的像素点数量进行记录，记为
[Nc(t)]i(i＝1,2,…,k)，下标i表示轮廓的序号，k为检测处的轮廓数量，
(3)对图像[Tc(t)]i进行处理，如像素点判断为高光，则对该位置进行标记，并记录高光点的数量，记为[Mc(t)]i；
若则区域为高光区域；
若某轮廓区域判定为高光区域，则将高光区域内的所有像素点的颜色置为图像没有的颜色。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610064325.5A CN105675623B (zh) | 2016-01-29 | 2016-01-29 | 一种基于污水口视频的污水颜色与流量检测的实时分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610064325.5A CN105675623B (zh) | 2016-01-29 | 2016-01-29 | 一种基于污水口视频的污水颜色与流量检测的实时分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105675623A CN105675623A (zh) | 2016-06-15 |
| CN105675623B true CN105675623B (zh) | 2018-05-25 |
Family
ID=56303096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610064325.5A Expired - Fee Related CN105675623B (zh) | 2016-01-29 | 2016-01-29 | 一种基于污水口视频的污水颜色与流量检测的实时分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105675623B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106006266B (zh) * | 2016-06-28 | 2019-01-25 | 西安特种设备检验检测院 | 一种应用于电梯安全监控的机器视觉建立方法 |
| CN106092976A (zh) * | 2016-08-15 | 2016-11-09 | 力合科技（湖南）股份有限公司 | 一种透明度检测装置 |
| CN106846312B (zh) * | 2017-01-22 | 2019-09-03 | 西安建筑科技大学 | 一种基于色彩空间的监测污泥系统水力条件变化的方法 |
| CN107917919A (zh) * | 2017-12-18 | 2018-04-17 | 广东技术师范学院 | 城市河涌水质监测预警系统及方法 |
| CN109087363B (zh) * | 2018-06-28 | 2021-12-21 | 江南大学 | 一种基于hsv颜色空间的污水排放检测方法 |
| CN109118548A (zh) * | 2018-07-17 | 2019-01-01 | 浙江大学 | 一种综合智能水质识别方法 |
| CN111339907A (zh) * | 2020-02-24 | 2020-06-26 | 江河瑞通（北京）技术有限公司 | 一种基于图像识别技术的排污识别方法及装置 |
| CN112163481A (zh) * | 2020-09-16 | 2021-01-01 | 清华大学合肥公共安全研究院 | 一种基于视频识别的水环境污染分析方法 |
| CN112560574A (zh) * | 2020-10-30 | 2021-03-26 | 广东柯内特环境科技有限公司 | 河流黑水排放检测方法及应用其的识别系统 |
| CN112884039B (zh) * | 2021-02-05 | 2022-10-21 | 慧目(重庆)科技有限公司 | 一种基于计算机视觉的水体污染识别方法 |
| CN113343923A (zh) * | 2021-07-01 | 2021-09-03 | 江苏舆图信息科技有限公司 | 一种基于视频图像的河道排口排水状态实时识别方法 |
| CN113887412B (zh) * | 2021-09-30 | 2022-06-07 | 中国科学院过程工程研究所 | 污染排放的检测方法、检测终端、监控系统及存储介质 |
| CN117805109A (zh) * | 2023-12-29 | 2024-04-02 | 江苏腾丰环保科技有限公司 | 一种基于纹理特征识别的水质检测方法、系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102175613A (zh) * | 2011-01-26 | 2011-09-07 | 南京大学 | 基于图像亮度特征的ptz视频能见度检测方法 |
| CN102305643A (zh) * | 2011-07-26 | 2012-01-04 | 北京奥特美克科技发展有限公司 | 一种水质实时在线监测与管理系统 |
| CN103175513A (zh) * | 2013-03-01 | 2013-06-26 | 戴会超 | 水利工程影响下基于物联网的流域水文水质监控系统及方法 |
| CN203148472U (zh) * | 2013-04-17 | 2013-08-21 | 成都众山科技有限公司 | 地下水监测终端 |
| CN203745870U (zh) * | 2014-01-20 | 2014-07-30 | 湖南云控科技有限公司 | 一种水资源智能综合监控系统 |
| CN104316109A (zh) * | 2014-11-13 | 2015-01-28 | 周思良 | 城市污水管网多因子监测方法以及监测系统 |
| CN204461482U (zh) * | 2015-01-28 | 2015-07-08 | 福州福光水务科技有限公司 | 一种污水排放中污染源排放的监控装置 |
| CN104992447A (zh) * | 2015-07-24 | 2015-10-21 | 安徽工业大学 | 一种污水运动微生物的图像自动检测方法 |
| CN204831362U (zh) * | 2015-07-08 | 2015-12-02 | 杨明华 | 一种基于物联网的环保监测系统 |
| CN105157756A (zh) * | 2015-09-23 | 2015-12-16 | 北京智芯微电子科技有限公司 | 一种污染源防偷排控制方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0617783B2 (ja) * | 1985-01-11 | 1994-03-09 | 株式会社日立製作所 | 異物検査方法 |
| JP4410546B2 (ja) * | 2003-12-18 | 2010-02-03 | 株式会社川本製作所 | 自動給水装置 |
| EP1605406A3 (en) * | 2004-06-11 | 2006-09-20 | Lyyn AB | Detection of objects in colour images |
-
2016
- 2016-01-29 CN CN201610064325.5A patent/CN105675623B/zh not_active Expired - Fee Related
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102175613A (zh) * | 2011-01-26 | 2011-09-07 | 南京大学 | 基于图像亮度特征的ptz视频能见度检测方法 |
| CN102305643A (zh) * | 2011-07-26 | 2012-01-04 | 北京奥特美克科技发展有限公司 | 一种水质实时在线监测与管理系统 |
| CN103175513A (zh) * | 2013-03-01 | 2013-06-26 | 戴会超 | 水利工程影响下基于物联网的流域水文水质监控系统及方法 |
| CN203148472U (zh) * | 2013-04-17 | 2013-08-21 | 成都众山科技有限公司 | 地下水监测终端 |
| CN203745870U (zh) * | 2014-01-20 | 2014-07-30 | 湖南云控科技有限公司 | 一种水资源智能综合监控系统 |
| CN104316109A (zh) * | 2014-11-13 | 2015-01-28 | 周思良 | 城市污水管网多因子监测方法以及监测系统 |
| CN204461482U (zh) * | 2015-01-28 | 2015-07-08 | 福州福光水务科技有限公司 | 一种污水排放中污染源排放的监控装置 |
| CN204831362U (zh) * | 2015-07-08 | 2015-12-02 | 杨明华 | 一种基于物联网的环保监测系统 |
| CN104992447A (zh) * | 2015-07-24 | 2015-10-21 | 安徽工业大学 | 一种污水运动微生物的图像自动检测方法 |
| CN105157756A (zh) * | 2015-09-23 | 2015-12-16 | 北京智芯微电子科技有限公司 | 一种污染源防偷排控制方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 城市污水处理厂及中试装置设计水质统计分析与确定;王卿卿等;《工业用水与废水》;20081231;第39卷(第2期);第52-55页 * |
| 项城市城镇入河排污口水质监测及评价;蔡长明等;《河南水利与南水北调》;20101231(第9期);第61-62页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105675623A (zh) | 2016-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105675623B (zh) | 一种基于污水口视频的污水颜色与流量检测的实时分析方法 | |
| CN107506798B (zh) | 一种基于图像识别的水位监测方法 | |
| CN104112370B (zh) | 基于监控图像的停车场智能车位识别方法及系统 | |
| CN105160297B (zh) | 基于肤色特征的蒙面人事件自动检测方法 | |
| CN103763515B (zh) | 一种基于机器学习的视频异常检测方法 | |
| CN107367310A (zh) | 一种基于计算机视觉的河流水位远程监测方法 | |
| CN105404847B (zh) | 一种遗留物实时检测方法 | |
| CN107347151B (zh) | 双目摄像头遮挡检测方法及装置 | |
| CN103914691B (zh) | 基于人脸识别的目标群体分析系统、方法及身高识别方法 | |
| CN103632158B (zh) | 森林防火监控方法及森林防火监控系统 | |
| CN109074033A (zh) | 用于优化水处理过程中的凝聚和/或絮凝的方法和系统 | |
| CN102221559A (zh) | 基于机器视觉的织物疵点在线自动检测方法及其装置 | |
| CN106686377B (zh) | 一种基于深层神经网络的视频重点区域确定方法 | |
| CN107240079A (zh) | 一种基于图像处理的路面裂缝检测方法 | |
| CN107948465A (zh) | 一种检测摄像头被干扰的方法和装置 | |
| CN102404602A (zh) | 一种基于清晰度测试卡的摄像机清晰度检测方法 | |
| CN109087363B (zh) | 一种基于hsv颜色空间的污水排放检测方法 | |
| CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
| CN107631782B (zh) | 一种基于Harris角点检测的水位检测方法 | |
| CN106770087A (zh) | 油污遥感探测模块、系统及方法 | |
| CN106067177A (zh) | Hdr场景侦测方法和装置 | |
| CN107977639A (zh) | 一种人脸清晰度判断方法 | |
| CN111047655A (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
| CN102621154B (zh) | 基于改进差分盒多重分形算法的布匹疵点在线自动检测方法 | |
| CN106886994A (zh) | 一种基于深度相机的人流量智能检测装置和检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 401121 Chongqing City, the western part of the open road, Yubei District, No. 4, No. 3, floor 1, No. 106, No. 2 Applicant after: CHONGQING UPSOFT TECHNOLOGY CO.,LTD. Address before: 401121 Chongqing City, the western part of the open road, Yubei District, No. 4, No. 3, floor 1, No. 106, No. 2 Applicant before: CHONGQING UPSOFT TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180525 |