CN106874948A - 一种黑臭水自动识别与评估方法 - Google Patents
一种黑臭水自动识别与评估方法 Download PDFInfo
- Publication number
- CN106874948A CN106874948A CN201710069275.4A CN201710069275A CN106874948A CN 106874948 A CN106874948 A CN 106874948A CN 201710069275 A CN201710069275 A CN 201710069275A CN 106874948 A CN106874948 A CN 106874948A
- Authority
- CN
- China
- Prior art keywords
- index
- black
- water
- sample
- odorous water
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种黑臭水自动识别与评估方法,包括构建黑臭水体人体感官指标体系、建立黑臭水体加权评估标准,构建黑臭水体样本库,构建黑臭水体人工智能评价模型,进行机器深度训练、学习和验证以及综合颜色评估结果和气味评估结果,进行黑臭水体识别等6个步骤。本发明可以有效的监测河道黑臭水恶化程度,针对黑臭水评价标准提出了黑臭水快速识别、实时监控的黑臭水自动识别方法,为城市河道的治理和保护提供有力支撑。在建立黑臭水特征数据库上,进行了大量的测试,结果表明本发明提出的基于深度卷积神经网络的新型技术具有非常高的实用性和可行性。
Description
技术领域
本发明属于黑臭水体评估与鉴定、环境保护与治理、图像自动识别与机器学习技术领域,具体涉及一种基于卷积神经网络和模糊加权评估的黑臭水自动识别与评估方法。
背景技术
随着《水污染防治行动计划》的发布,我国实行最严格的水资源管理制度,对城市黑臭水体的识别、治理和修复提出了更高的要求。目前,我国已经出台了《城市黑臭水体整治工作指南》,对城市黑臭水体的定义、黑臭水体级别判定做了权威性的规范和说明,指出城市黑臭水体是呈现令人不悦的颜色和(或)散发令人不适气味的水体的统称,主要依赖调查问卷的方法进行判定。虽然《城市黑臭水体整治工作指南》中,明确了通过透明度、溶解氧、氧化还原电位和氨氮等水质指标进行黑臭水体的判定的方法,但这种方法需要专业环境测试工作人员和特殊的仪器,判定过程复杂,且不具有持续性。依据人的感官,通过问卷调查进行黑臭水体的判定仍然是目前最主流和广泛使用的方法。但这种方法工作量大,可持续性短。在城市黑臭水体判定后,随着时间的发展,城市黑臭水体会逐步改变属性,如何实时、准确地评估城市水体的黑臭状况,监控城市水体的发展,需要更加科学可靠地技术支撑。
视频监控,性价比高、使用简单,是实时监控的主要设备。基于卷积神经网络的图像识别,已经具有图像分类、图像特征判断、图像分析等功能,在人脸识别、服装分类、体育视频识别与解说等方面具有广泛的应用。基于大量样本进行机器学习的卷积神经网络,适应能力强、识别效果好、容错能力大,对从“不悦的颜色”上判断黑臭水体具有重要的意义。通过视频监控和卷积神经网络,能实时准确的监控水体的黑臭状况,对判定黑臭水体的等级、监督黑臭水体的治理、监控黑臭水体的发展变化具有可靠地发展前景。
发明内容
为了解决上述技术问题,本发明提供了一种基于卷积神经网络和模糊加权评估的黑臭水自动识别与评估方法,其特征在于,包括以下步骤:
步骤1:构建黑臭水体人体感官指标体系,包括引起人不悦的颜色的指标,和引起人不悦的气味的指标;
步骤2:构建基于黑臭水体人体感官指标体系的黑臭水体加权评估模型;
步骤3:获取黑臭水体图像样本,将图像样本分为训练样本和测试样本;
步骤4:对训练样本和测试样本进行预处理和预评估;
步骤5:构建N层深度卷积神经网络模型,该卷积神经网络模型包括M层卷积层,L层全连接层;
步骤6:利用步骤4中预处理后的训练样本对步骤5所述卷积神经网络模型进行前向传播和后向传播两个阶段的训练,卷积神经网络的训练利用softmax回归作为分类算法,当后向传播训练计算出的误差达到期望值时,训练结束,并得到卷积神经网络模型的参数;
步骤7:利用步骤6中训练结束的卷积神经网络模型对步骤4中预处理后的测试样本进行测试,评估测试的综合误差;若误差在预定目标范围内,则说明神经网络模型训练成功;否则增加样本量和训练强度,重复步骤3~步骤7,直到误差达到预定目标;
步骤8:通过预先布置在所要识别的水体上的气味检测仪,获取J项气味指标,将J项气味指标加上K项颜色指标,按照步骤2所述的加权评估模型,综合评估并判断黑臭水体的等级。
本发明通过构建城市黑臭水体的评价指标体系;基于卷积神经网络,学习数据库中每类黑臭水体的图像特征,在测试时直接选取卷积神经网络softmax层最大回归值对应的类别作为分类的结果,并根据加权评估方法,评价黑臭水状况和黑臭级别。本发明具有黑臭水体自动识别的功能,能提高黑臭水体快速、准确和实时识别与评估的能力,且具有较高的可行性和经济性,能大范围推广应用。
附图说明
图1为本发明实施例的方法流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明的方法基于《城市黑臭水体整治工作指南》中对黑臭水体的定义和分级判断标准,将城市水体分为不黑臭、轻度黑臭和重度黑臭三个级别。该方法的主要过程包括构建黑臭水体人体感官指标体系、建立黑臭水体加权评估标准,构建黑臭水体样本库,构建黑臭水体人工智能评价模型,进行机器深度训练、学习和验证以及综合颜色评估结果和气味评估结果,进行黑臭水体识别等6个步骤。(1)通过构建河道垃圾、河岸不整洁程度、水体黑色程度、水体不透明程度以及水面漂浮物等反应引起人不悦的颜色的指标和恶臭浓度OU、硫化氢(H2S)、氨气(NH3)和总挥发性有机物(TVOCS)等引起人不悦的气味的指标体系,得到基于人体感官的黑臭水体评估的指标体系。(2)按照人体感官和利用指标判断黑臭水体的权重,建立黑臭水体加权评估标准。(3)建立涵盖城市黑臭水体的图像库,图像库中每张照片设立反应引起人不悦的指标标签,并由人进行识别评估。(4)基于卷积神经网络Alexnet模型,构建黑臭水图像识别神经网络模型。(5)将图像库80%的图像输入神经网络模型进行训练,用剩余20%的图片测试识别准确度,不断优化参数,直到机器识别误差在达到预定目标,则可将机器用于实际的黑臭水体的颜色指标的识别和评估。(6)在所要识别的水体上布置气味检测仪,获取气味指标,按照加权评估法,综合评估颜色指标和气味指标,评估并判断黑臭水体的分级。
请见图1,本发明提供的一种基于卷积神经网络的黑臭水自动识别与评估方法,包括以下步骤:
步骤1:构建黑臭水体人体感官指标体系,包括引起人不悦的颜色的指标,和引起人不悦的气味的指标;其中引起人不悦的颜色的指标包括水体黑色程度、水体不透明程度、河道垃圾、河岸不整洁程度以及水面漂浮物等5项指标;引起人不悦的气味指标包括水体恶臭浓度OU、硫化氢(H2S)、氨气(NH3)和总挥发性有机物(TVOCS)等4项指标。指标体系按照一级指标和二级指标分类编号如表1所示。
表1指标体系
步骤2:构建基于黑臭水体人体感官指标体系的黑臭水体加权评估模型,具体实现包括以下子步骤:
2.1,建立黑臭水体人体感官指标体系的评价子集:
C={C1,C2}
C1=|C11,C12,C13,C14,C15| (式1)
C2=|C21,C22,C23,C24|
2.2,建立指标的评语体系:
根据黑臭水体指标体系的指标含义以及其对黑出水体评估的影响,构建指标的评语体系为:
V={v1(无),v2(轻度),v3(重度)} (式2)
2.3,确定各指标的权重:
利用语气算子计算各指标的权重,语气算子的计算方法为:
其中,wi为第i个指标的绝对权重,w1,i为第i个指标与第1个指标相比的相对权重,wi-1,i为相邻指标第i个指标与第i-1个指标相比的相对权重。相对权重通过相对权重语气表进行查询获得。相对权重语气表如表2所示。
表2相对权重语气表
A比B | 同样重要 | 较为不如 | 可无 |
A相对权重 | 1 | 0.5 | 0 |
根据相对权重语气表2和式3,确定各指标相对同级的指标和他相邻指标的权重wi-1,i,然后确定各指标在同类型指标体系中的w1,i,最后确定各指标的绝对权重wi如表3所示。
表3指标权重表
2.4,黑臭水等级综合判定
采用100分制,作为判断黑臭水体等级的评分标准。设S=(s1,s2,s3),其中,s1=30分(无),s2=60(轻度),s3=100(重度),则得分黑臭水体的综合评分为
其中,S为黑臭水体的最终得分,wi为第i个指标的权重,si为第i个指标的得分。根据最终得分,判断黑臭水体的等级为:
无黑臭:S≤30
轻度黑臭:30<S≤60 (式5)
重度黑臭:60<S≤100
步骤3:通过图片爬虫自动抓取、高清摄像头(如罗技Pro C920型号)采集及人工拍照获取等方式,获取了10万张水体图像。
步骤4:对训练样本和测试样本进行预处理,将每个图像的大小调整到240×240像素;通过人工对10万张样本数据进行分类,评估确定样本图像的5个颜色指标的状况。
步骤5:构建8层深度卷积神经网络模型,该卷积神经网络模型包括5层卷积层,3层全连接层。
(1)使用随机裁剪、平移变换等手段泛化数据,以RGB三个颜色维度输入;第一、第二和第五卷基层激励输出后,经过最大池化下采样操作,输出给下一个卷基层;深度卷积神经网络最终输出维数为3的神经元结果,对应于待分类图像的3种程度分类。6大科目分别重复此过程,最终得到18个分类。
(2)第一层卷积层由96个大小11x11的特征图组成。经过Max Pooling操作,输出256个5x5大小的特征图;
(3)第二层卷积层由256个大小5x5的特征图组成。经过Max Pooling操作,输出384个3x3大小的特征图;
(4)第三层卷积层由384个大小3x3的特征图组成。输出384个3x3大小的特征图;
(5)第四层卷积层由384个大小3x3的特征图组成。输出256个3x3大小的特征图;
(6)第五层卷积层由256个大小3x3的特征图组成。经过Max Pooling操作,输出256个6x6大小的特征图;
(7)第六层和第七层为全连接层,输出4096维特征向量。
(8)第八层为全连接层,输出一个3维的特征向量,由softmax层分类并输出结果。
(9)在上述5个卷积层中,每个卷积层的图像特征通过前一层图像的多个特征进行卷积加权获得,卷积加权的方法为:
其中,Nj为输入特征图的组合,*表示卷积运算,为卷积核矩阵,为偏置矩阵,f为神经元激活函数。
(10)在上述3个全连接层中,每个神经元连接下一层的每个神经元,其连接层的向量可表示为:
xi=f(wixi-1+bi) (式7)
其中,wi是权值矩阵,bi是偏置向量。
步骤6:利用步骤4预处理后的训练样本对步骤5所述卷积神经网络模型进行前向传播和后向传播两个阶段的训练,卷积神经网络的训练利用softmax回归作为分类算法,当后向传播训练计算出的误差达到期望值时,训练结束,并得到卷积神经网络模型的参数;
步骤7:利用步骤6训练结束的卷积神经网络模型对步骤4预处理后的测试样本进行测试,评估测试的综合误差。
(1)样本的综合误差评估方程是
其中,err为综合误差,n为测试样本的总个数,i为第i个测试样本,j为第j个颜色指标;rij为测试过程中,机器对第i个样本的第j个指标的判定结果与测试样本人工判定结果的比较,若二者判定结果相同则rij=1,否则rij=0
(2)若err小于预定值,表示训练成功;否则,表明训练失败,需要增加样本量和训练强度,重复步骤3,在现有样本总数n的基础上,增加0.5*n的样本数,重复步骤3~7,对样本进行预处理和与判定,并训练模型,重新进行测试;如此循环,直到err小于等于预定值为止。
步骤8:通过预先布置在所要识别的水体上的气味检测仪,获取4项气味指标,将4项气味指标加上5项颜色指标,按照步骤2所述的加权评估模型,综合评估并判断黑臭水体的等级。
本发明可以有效的监测河道黑臭水恶化程度,统一了评价标准,为城市河道的治理和保护提供有力支撑。在建立黑臭水特征数据库上,进行了大量的测试,结果表明本发明提出的基于深度卷积神经网络的新型技术具有非常高的实用性和可行性。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (7)
1.一种黑臭水自动识别与评估方法,其特征在于,包括以下步骤:
步骤1:构建黑臭水体人体感官指标体系,包括引起人不悦的颜色的指标,和引起人不悦的气味的指标;
步骤2:构建基于黑臭水体人体感官指标体系的黑臭水体加权评估模型;
步骤3:获取黑臭水体图像样本,将图像样本分为训练样本和测试样本;
步骤4:对训练样本和测试样本进行预处理和预评估;
步骤5:构建N层深度卷积神经网络模型,该卷积神经网络模型包括M层卷积层,L层全连接层;
步骤6:利用步骤4中预处理后的训练样本对步骤5所述卷积神经网络模型进行前向传播和后向传播两个阶段的训练,卷积神经网络的训练利用softmax回归作为分类算法,当后向传播训练计算出的误差达到期望值时,训练结束,并得到卷积神经网络模型的参数;
步骤7:利用步骤6中训练结束的卷积神经网络模型对步骤4中预处理后的测试样本进行测试,评估测试的综合误差;若误差在预定目标范围内,则说明神经网络模型训练成功;否则增加样本量和训练强度,重复步骤3~步骤7,直到误差达到预定目标;
步骤8:通过预先布置在所要识别的水体上的气味检测仪,获取J项气味指标,将J项气味指标加上K项颜色指标,按照步骤2所述的加权评估模型,综合评估并判断黑臭水体的等级。
2.根据权利要求1所述的黑臭水自动识别与评估方法,其特征在于:步骤1中所述引起人不悦的颜色的指标包括水体黑色程度、水体不透明程度、河道垃圾、河岸不整洁程度以及水面漂浮物5项指标;引起人不悦的气味指标包括水体恶臭浓度、硫化氢、氨气和总挥发性有机物4项指标;
所述构建黑臭水体人体感官指标体系,包括一级指标和二级指标,分类编号具体为表1所示:
表1 指标体系
3.根据权利要求2所述的黑臭水自动识别与评估方法,其特征在于,步骤2的具体实现包括以下子步骤:
步骤2.1:建立黑臭水体人体感官指标体系的评价子集:
C={C1,C2}
C1=|C11,C12,C13,C14,C15| (式1)
C2=|C21,C22,C23,C24|
步骤2.2:建立指标的评语体系:
根据黑臭水体人体感官指标体系的指标以及指标对黑臭水体评估的影响,构建指标的评语体系为:
V={v1,v2,v3} (式2)
其中v1表示重度黑臭,v2表示轻度黑臭,v3无黑臭。
步骤2.3:确定各指标的权重;
利用语气算子计算各指标的权重,语气算子的计算方法为:
w1,i=w1,i-1·wi-1,i
其中,wi为第i个指标的绝对权重,w1,i为第i个指标与第1个指标相比的相对权重,wi-1,i为相邻指标第i个指标与第i-1个指标相比的相对权重;相对权重通过相对权重语气表进行查询获得;相对权重语气表如表2所示:
表2 相对权重语气表
根据相对权重语气表2和式3,确定各指标相对同级的指标和他相邻指标的权重wi-1,i,然后确定各指标在同类型指标体系中的w1,i,最后确定各指标的绝对权重wi如表3所示:
表3 指标权重表
步骤2.4:黑臭水等级综合判定;
采用100分制,作为判断黑臭水体等级的评分标准;
设S=(s1,s2,s3),其中s1表示指标气味与颜色达到重度情况,取值30;s2表示气味与颜色指标为轻度情况,取值60;s3表示气味与颜色指标无,取值100;
则得分黑臭水体的综合评分为
其中,S为黑臭水体的最终得分,wi为第i个指标的权重,si为第i个指标的得分;
根据最终得分,判断黑臭水体的等级为:
4.根据权利要求1所述的黑臭水自动识别与评估方法,其特征在于:步骤3所述的获取黑臭水体图像样本,是在广泛收集水体照片的基础上,建立涵盖黑臭水颜色评价指标的图像特征库;并从图像特征库中,随机选择80%的图像为训练样本,剩下的20%为测试样本。
5.根据权利要求1所述的黑臭水自动识别与评估方法,其特征在于:步骤4中所述对训练样本和测试样本进行预处理,是将训练样本和测试样本的大小调整到240×240像素;对训练样本和测试样本进行预判定,是对训练样本和测试样本通过人工判定,判断样本颜色指标的评语体系。
6.根据权利要求1所述的黑臭水自动识别与评估方法,其特征在于,步骤7中所述评估测试的综合误差,综合误差的评估方程为:
其中,err为综合误差,n为测试样本的总个数,i为第i个测试样本,j为第j个颜色指标;rij为测试过程中,机器对第i个样本的第j个指标的判定结果与测试样本人工判定结果的比较,若二者判定结果相同则rij=1,否则rij=0;
所述增加样本量,是在err大于预设值时,表明训练失败,需要重复步骤3,在现有样本总数n的基础上,增加0.5*n的样本数,重复步骤3~7,对样本进行预处理和与判定,并训练模型,重新进行测试;如此循环,直到err小于等于预设值为止。
7.根据权利要求1-6任意一项所述的黑臭水自动识别与评估方法,其特征在于:所述误差预设值为10%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710069275.4A CN106874948A (zh) | 2017-02-08 | 2017-02-08 | 一种黑臭水自动识别与评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710069275.4A CN106874948A (zh) | 2017-02-08 | 2017-02-08 | 一种黑臭水自动识别与评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106874948A true CN106874948A (zh) | 2017-06-20 |
Family
ID=59165989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710069275.4A Pending CN106874948A (zh) | 2017-02-08 | 2017-02-08 | 一种黑臭水自动识别与评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106874948A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133313A (zh) * | 2017-11-12 | 2018-06-08 | 华南农业大学 | 一种人工智能感官评价食品风味系统及其构建方法 |
CN108647574A (zh) * | 2018-04-10 | 2018-10-12 | 江河瑞通(北京)技术有限公司 | 漂浮物图像检测模型生成方法、识别方法及设备 |
CN108803348A (zh) * | 2018-08-03 | 2018-11-13 | 北京深度奇点科技有限公司 | 一种pid参数的优化方法及pid参数的优化装置 |
CN108918691A (zh) * | 2018-03-21 | 2018-11-30 | 北京卡达克数据有限公司 | 一种车内气味物质确定方法及车内气味物质溯源方法 |
CN109142296A (zh) * | 2018-08-16 | 2019-01-04 | 中国科学院合肥物质科学研究院 | 基于多源光谱特征的城市水体黑臭快速识别测定方法 |
CN109948482A (zh) * | 2019-03-07 | 2019-06-28 | 中山市信息技术研究所 | 一种黑臭水体图像提取与识别方法 |
CN110516690A (zh) * | 2019-10-14 | 2019-11-29 | 电子科技大学 | 一种基于深度学习的藏医尿液颜色自动识别方法 |
CN110627182A (zh) * | 2019-09-24 | 2019-12-31 | 康玄谷(北京)国际生物科技有限公司 | 一种获取矿物质水的方法和装置 |
CN110717455A (zh) * | 2019-10-10 | 2020-01-21 | 北京同创信通科技有限公司 | 一种收储中的废钢等级分类检测方法 |
CN111008910A (zh) * | 2019-12-20 | 2020-04-14 | 湖南省建筑设计院有限公司 | 农村黑臭水体识别与判定方法 |
CN112903945A (zh) * | 2021-02-26 | 2021-06-04 | 珠江水利委员会珠江水利科学研究院 | 一种基于常规水质参数的城市黑臭水体识别方法 |
CN113792689A (zh) * | 2021-09-18 | 2021-12-14 | 安徽师范大学 | 一种基于深度学习的城市黑臭水体遥感识别方法 |
CN114219294A (zh) * | 2021-12-15 | 2022-03-22 | 成都理工大学 | 一种城乡黑臭水体黑度评价方法 |
CN117911054A (zh) * | 2024-03-15 | 2024-04-19 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种黑臭水体底泥污染物溯源识别方法 |
CN117911054B (zh) * | 2024-03-15 | 2024-06-07 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种黑臭水体底泥污染物溯源识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103869047A (zh) * | 2012-12-13 | 2014-06-18 | 株式会社科学技术分析中心 | 水质气味测定装置 |
CN203688548U (zh) * | 2014-01-27 | 2014-07-02 | 贵州省环境监控中心 | 水质多参数浮标连续自动监测分析系统 |
CN105488488A (zh) * | 2015-12-10 | 2016-04-13 | 中国科学院遥感与数字地球研究所 | 城市黑臭水体遥感识别方法及装置 |
CN106295653A (zh) * | 2016-07-29 | 2017-01-04 | 宁波大学 | 一种水质图像分类方法 |
-
2017
- 2017-02-08 CN CN201710069275.4A patent/CN106874948A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103869047A (zh) * | 2012-12-13 | 2014-06-18 | 株式会社科学技术分析中心 | 水质气味测定装置 |
CN203688548U (zh) * | 2014-01-27 | 2014-07-02 | 贵州省环境监控中心 | 水质多参数浮标连续自动监测分析系统 |
CN105488488A (zh) * | 2015-12-10 | 2016-04-13 | 中国科学院遥感与数字地球研究所 | 城市黑臭水体遥感识别方法及装置 |
CN106295653A (zh) * | 2016-07-29 | 2017-01-04 | 宁波大学 | 一种水质图像分类方法 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133313A (zh) * | 2017-11-12 | 2018-06-08 | 华南农业大学 | 一种人工智能感官评价食品风味系统及其构建方法 |
CN108133313B (zh) * | 2017-11-12 | 2021-07-20 | 华南农业大学 | 一种人工智能感官评价食品风味系统及其构建方法 |
CN108918691A (zh) * | 2018-03-21 | 2018-11-30 | 北京卡达克数据有限公司 | 一种车内气味物质确定方法及车内气味物质溯源方法 |
CN108918691B (zh) * | 2018-03-21 | 2021-06-22 | 中汽数据有限公司 | 一种车内气味物质确定方法及车内气味物质溯源方法 |
CN108647574A (zh) * | 2018-04-10 | 2018-10-12 | 江河瑞通(北京)技术有限公司 | 漂浮物图像检测模型生成方法、识别方法及设备 |
CN108803348A (zh) * | 2018-08-03 | 2018-11-13 | 北京深度奇点科技有限公司 | 一种pid参数的优化方法及pid参数的优化装置 |
CN108803348B (zh) * | 2018-08-03 | 2021-07-13 | 北京深度奇点科技有限公司 | 一种pid参数的优化方法及pid参数的优化装置 |
CN109142296A (zh) * | 2018-08-16 | 2019-01-04 | 中国科学院合肥物质科学研究院 | 基于多源光谱特征的城市水体黑臭快速识别测定方法 |
CN109948482A (zh) * | 2019-03-07 | 2019-06-28 | 中山市信息技术研究所 | 一种黑臭水体图像提取与识别方法 |
CN110627182A (zh) * | 2019-09-24 | 2019-12-31 | 康玄谷(北京)国际生物科技有限公司 | 一种获取矿物质水的方法和装置 |
CN110717455B (zh) * | 2019-10-10 | 2021-05-18 | 北京同创信通科技有限公司 | 一种收储中的废钢等级分类检测方法 |
CN110717455A (zh) * | 2019-10-10 | 2020-01-21 | 北京同创信通科技有限公司 | 一种收储中的废钢等级分类检测方法 |
CN110516690A (zh) * | 2019-10-14 | 2019-11-29 | 电子科技大学 | 一种基于深度学习的藏医尿液颜色自动识别方法 |
CN111008910A (zh) * | 2019-12-20 | 2020-04-14 | 湖南省建筑设计院有限公司 | 农村黑臭水体识别与判定方法 |
CN112903945A (zh) * | 2021-02-26 | 2021-06-04 | 珠江水利委员会珠江水利科学研究院 | 一种基于常规水质参数的城市黑臭水体识别方法 |
CN112903945B (zh) * | 2021-02-26 | 2022-02-22 | 珠江水利委员会珠江水利科学研究院 | 一种基于常规水质参数的城市黑臭水体识别方法 |
CN113792689A (zh) * | 2021-09-18 | 2021-12-14 | 安徽师范大学 | 一种基于深度学习的城市黑臭水体遥感识别方法 |
CN113792689B (zh) * | 2021-09-18 | 2022-09-09 | 安徽师范大学 | 一种基于深度学习的城市黑臭水体遥感识别方法 |
CN114219294A (zh) * | 2021-12-15 | 2022-03-22 | 成都理工大学 | 一种城乡黑臭水体黑度评价方法 |
CN117911054A (zh) * | 2024-03-15 | 2024-04-19 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种黑臭水体底泥污染物溯源识别方法 |
CN117911054B (zh) * | 2024-03-15 | 2024-06-07 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种黑臭水体底泥污染物溯源识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874948A (zh) | 一种黑臭水自动识别与评估方法 | |
CN109800736B (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
CN112232476B (zh) | 更新测试样本集的方法及装置 | |
Myint et al. | Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery | |
CN109934154B (zh) | 一种遥感影像变化检测方法及检测装置 | |
CN107016357A (zh) | 一种基于时间域卷积神经网络的视频行人检测方法 | |
CN106776842A (zh) | 多媒体数据检测方法及装置 | |
CN106485251A (zh) | 基于深度学习的鸡蛋胚胎分类 | |
CN108830285A (zh) | 一种基于Faster-RCNN的加强学习的目标检测方法 | |
CN108898620A (zh) | 基于多重孪生神经网络与区域神经网络的目标跟踪方法 | |
CN108629369A (zh) | 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法 | |
CN106446933A (zh) | 基于上下文信息的多目标检测方法 | |
Woznicki et al. | Ecohydrological model parameter selection for stream health evaluation | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN116863252B (zh) | 动火作业现场易燃物检测方法、装置、设备、存储介质 | |
CN109410184A (zh) | 基于稠密对抗网络半监督学习的直播色情图像检测方法 | |
CN111723657A (zh) | 一种基于YOLOv3与自优化的河道异物检测方法及装置 | |
CN107045053A (zh) | 一种基于可控标准的地表水质综合评价体系 | |
CN106709421A (zh) | 一种基于变换域特征和cnn的细胞图像识别分类方法 | |
CN109035223A (zh) | 一种用于卫星遥感图像可用度的智能评估方法 | |
CN103793054B (zh) | 一种模拟陈述性记忆过程的动作识别方法 | |
He et al. | Directed acyclic graphs-based diagnosis approach using small data sets for sustainability | |
CN107358246A (zh) | 一种使用卷积神经网络对物体进行细分类的方法 | |
CN111860178A (zh) | 一种基于权重字典学习的小样本遥感目标检测方法及系统 | |
CN111104976A (zh) | 一种基于时间序列图像的蓝藻覆盖率计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20170802 Address after: 410004, 1209, 7, ideal city, 79 Zhong Xiang Road, Yuhua District, Hunan, Changsha Applicant after: Hunan stroll mountains and rivers Mdt InfoTech Ltd Address before: 430079 Hubei Province, Wuhan city Hongshan District Luoshi Road No. 147 future city C building 26 layer 2605 Applicant before: Wuhan Zhuo Ke Ke Technology Co., Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170620 |