CN109934805A - 一种基于低照度图像和神经网络的水污染检测方法 - Google Patents
一种基于低照度图像和神经网络的水污染检测方法 Download PDFInfo
- Publication number
- CN109934805A CN109934805A CN201910158518.0A CN201910158518A CN109934805A CN 109934805 A CN109934805 A CN 109934805A CN 201910158518 A CN201910158518 A CN 201910158518A CN 109934805 A CN109934805 A CN 109934805A
- Authority
- CN
- China
- Prior art keywords
- image
- data set
- model
- level
- light
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域，涉及一种基于低照度图像和神经网络的水体污染检测方法。所述方法步骤如下：采集白天到夜间各个时段的河道视频，从中截取画面中正常水面的图片和水面发生污染情况的图片，得到数据集A。对于数据集A中不同时间段的图像，选择一张图像x作为区分正常亮度图像和低照度图像的标准；计算图像x的平均亮度。对于RGB三个通道分别进行上述计算，然后合并图像，得到直方图规定化结果图像；对数据集C所有图像进行直方图规定化，得到数据集D。本发明运用图像增强技术，对视频监控的低照度时段进行，增强视频质量，同时加强图像特征，便于模型进行识别。
Description
技术领域
本发明属于图像处理技术领域，涉及一种基于低照度图像和神经网络的水污染检测方法。
背景技术
我国淡水资源不断减少，而且污染现象较为严重。在湖泊、河道等水体中出现大量污水排放和水面污染物漂浮的情况，严重破坏了自然环境，影响人类健康，甚至会出现在夜间无人看守时私自排放污水污染水资源的情况。因此，为了人类的可持续发展，必须解决水污染问题。虽然目前在有些场景中使用了摄像机对水面进行监控，但是仍然需要有人对监控画面进行看守，特别是在夜间对水面的监控耗时费力，而且也无法保证准确、实时地对水污染现象做出反应；并且现有的普通监控系统对于夜间等低照度情况下的水域监控效果不佳，图像质量有待提高。
为了满足实际应用的需要，针对目前水体污染检测出现的各种不足，需要研究对水体污染情况的智能化检测，在图像处理和深度学习的应用领域不断扩大的基础上，使对水体污染实时监控，提高夜间图像监控质量，并且实现智能化、自动化、无人化的检测成为可能，因而可基于图像后利用Inception模型设计一种水体污染检测方法。
发明内容
本发明基于低照度图像的图像增强和卷积神经网络的Inception模型网络，对河道或湖泊的水体污染进行实时检测，可以实现对水体污染的实时监控，提高低照度情况下图像质量，并对污染情况分类，判断。
一种基于低照度图像和神经网络的水污染检测方法，步骤如下：
步骤1：采集数据
采集白天到夜间各个时段的河道视频，从中截取画面中正常水面的图片和水面发生污染情况的图片，得到数据集A。
步骤2：按照图像亮度对数据进行分类
对于数据集A中的每一张m×n大小的输入图像F＝[f(x，y)]m×n，其中(x，y)表示图像矩阵中的一个像素值，图像的平均亮度计算公式为：
其中R(x，y)，G(x，y)和B(x，y)分别为图像RGB维度下的(x，y)位置像素值；
2.1对于数据集A中不同时间段的图像，选择一张图像g为区分正常亮度图像和低照度图像的标准；计算图像g的平均亮度
2.2计算数据集A中图像的平均亮度并与比较，从而将数据集A分为正常亮度数据集B和低照度数据集C两部分。
步骤3：对数据集C做直方图规定化处理
直方图规定化是一种特殊的直方图均衡化方法，通过一个灰度映像函数，将原灰度直方图改造成所希望的直方图，使原本低照度图片集中分布的灰度值变为均匀分布形式，从而增强图像的对比度，使图像的特征更容易被模型所识别；直方图规定化的规定图像即图像x。对于彩色图像规定化方法，即对RGB三个通道分别进行处理，处理方法与灰度图像相同，因此采用灰度图像进行方法描述，具体方法如下：
3.1对数据集C的原始图像的直方图进行均衡化计算，计算采用累积分布函数，公式如下：
其中，sk为原始图像中点像素值，tk为均衡化后的对应点像素值，T(sk)表示均衡化变换操作，L表示灰度级，Ni表示灰度级i的像素个数，N表示像素总数m×n，ps(si)表示灰度级i出现的概率；
3.2对图像g进行均衡化计算：
其中，uj为图像g中点像素值，vl为图像g均衡化后的对应点像素值，Tu(uj)表示均衡化变换操作，L表示灰度级，Nj表示灰度级j的像素个数，N表示像素总数m×n，pu(uj)表示灰度级j出现的概率。
3.3将tk与vl映射，用与vl的值最相近的tk替换vl，代入到3.2的公式中，并用求逆变换得到新的点像素值u’j。映射公式如下：
3.4根据步骤3.3得到的每个点像素值u’j的像素数量Nj’，求出概率pu(u’j)得到结果直方图分布情况，其中
3.5对于RGB三个通道分别进行步骤3.1～3.4计算，然后合并图像，得到直方图规定化结果图像；对数据集C所有图像进行直方图规定化，得到数据集D；
步骤4：按照污染程度对数据集进行分类；
4.1将正常亮度数据集B的图片数据分别按照水体污染情况分为数据集B1，数据集B2，数据集B3三部分；其中数据集B1为清澈无污染的水面，数据集B2为轻度污染程度的水面，数据集B3为重度污染程度的水面；
4.2将数据集B1、数据集B2、数据集B3随机地分为两部分训练集Q1和测试集Q2，其中训练集Q1占比为85％，测试集Q2占比为15％；
4.3对数据集B1、数据集B2、数据集B3中的训练集Q1进行图像剪切、缩放或水平翻转，从提供的图像中生成额外的图像，从而人为地创建新数据以减少过度拟合；
4.4将数据集B1、数据集B2、数据集B3的训练集和测试集图片全部缩放到249*249像素，从而适合Inception模型加载数据；图片数据的尺寸普遍大于此标准，因此也能减少数据量从而加速训练；
4.5对低照度数据集D进行与4.1-4.4步骤中描述相同的操作；
步骤5：建立神经网络模型
首先将包含预训练参数的基本Inception模型加载到我们将要定义的网络模型中；其中，Inception模型已经过数百万的图像进行过预训练；
所述的神经网络模型采用：加载时将Inception模型的全连接层删除，然后在已加载的基本Inception模型后添加新层：第一层是池化层，池化层求前一层每个小区域的平均值来代替每个区域，以减少数据复杂度，从而加速模型拟合；接下来是使用作为激活函数的全连接层，然后是使用作为激活函数的输出层用来“预测”；最后，将基本Inception模型中的各层权值设置为不可训练，将新添加的后三层权值设置为可训练；
步骤6：训练获得最优权重模型
训练模块分为四步：
6.1将数据集B1、数据集B2、数据集B3的训练集Q1用于神经网络模型的训练；训练一轮后，将模型第250层后的各层权值设置为可训练，再次训练。
6.2得到权重模型和训练集Q1的准确度和误差；用测试集Q2测试该权重模型准确度和误差并与训练集Q1结果进行比较，判断是否有过拟合或欠拟合情况；
6.3根据比较的情况，对神经网络模型参数进行调整并重新训练，直到得到合适的权重模型E；权重模型E即可用于水体污染情况的检测；
6.4对低照度数据集D进行与6.1-6.3步骤中描述相同的操作，得到权重模型F；
步骤7：实时检测水体污染情况
将视频监控设备与计算机连接起来，利用步骤6中训练好的权重模型对监控的河道或湖泊视频进行检测，实时检测待测水面是否有污染情况，并对污染种类做出判断；同时，对于污染情况在计算机上实时输出结果；具体步骤如下：
7.1对于视频监控图像以10分钟为间隔计算其平均亮度并与进行比较；若则将视频信息直接显示给用户，并且用加载权重模型E的神经网络模型进行实时预测；若先将图像进行步骤3的处理后进行显示，并且加载权重模型F的神经网络模型进行实时预测；
7.2若视频信息判断为重度污染类别，对用户及时进行警报提示。
与现有技术相比，本发明的有益效果是：
(1)本发明运用图像增强技术，对视频监控的低照度时段进行，增强视频质量，同时加强图像特征，便于模型进行识别。
(2)本发明采用基于Inception模型实时检测水污染情况，从而取代了传统的基于人工的检测方法，节省了人力和物力，除此以外，本发明还对河道或湖泊的污染种类进行判断。并且利用Inception模型的卷积神经网络的实时性和准确度能满足视频监控系统实时处理的要求。
(3)本发明随机将数据集分为训练集、测试集，且一定程度通过数据增强的方法扩充了样本，防止图像样本过少导致的过拟合问题。
附图说明
图1是本发明的低照度图像和Inception模型的水污染检测方法模型建立部分的步骤流程图。
图2是本发明的低照度图像和Inception模型的水污染检测方法实时监控预警部分的步骤流程图。
图3是Inception模型的过滤器和池化配置模块示意图。
图4是基于Inception模型的卷积神经网络结构示意图。
具体实施方式
本发明实现的是基于低照度图像的水污染检测方法，主要包括采集数据、图像按亮度分类、低照度图像直方图规定化处理、图像按污染程度分类及数据、创建网络模型、训练模块和检测模块七个部分。
为了更好地理解基于Inception模型的水污染的检测方法，先对Inception模型的工作原理进行说明：
卷积神经网络是一种多层神经网络，擅长处理图像特别是大图像的相关机器学习问题。卷积网络通过一系列方法，成功将数据量庞大的图像识别问题不断降维，最终使其能够被训练。CNN最早由Yann LeCun提出并应用在手写字体识别上(MINST)。LeCun提出的网络称为LeNet，其网络结构如图3所示，图3是一个最典型的卷积网络，由卷积层、池化层、全连接层组成。其中卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类。卷积层完成的操作，可以认为是受局部感受野概念的启发，而池化层，主要是为了降低数据维度。
综合起来说，CNN通过卷积来模拟特征区分，并且通过卷积的权值共享及池化，来降低网络参数的数量级，最后通过传统神经网络完成分类等任务。
Inception是一种卷积神经网络模型，有300多个层，需要训练的参数有数千万个。它由“模块”组成，结构如图4所示。
Inception模型的优势在于不需要人为的决定使用哪个过滤器，是否需要池化层等，由网络自行决定这些参数，可以给网络添加所有可能值，将输出连接起来，网络自己学习它需要什么样的参数。这些模块尝试各种过滤器和池化配置，并选择最好的。许多模块被链接在一起，以产生非常深入的神经网络。并且它已经在超过4000个类别的300万张图片上进行了预先训练。
Inception最大的优点是已经训练了数百个层和数千万个参数。调整最上面的图层实现最优设计。
在前述基于Inception模型的水污染检测方法的具体实施中，主要包括以下几个部分。
步骤1：采集数据
通过摄像机分别采集白天到夜间各个时段的河道视频，从中截取画面中正常水面的图片和水面发生污染情况的图片，得到用于训练Inception网络模型的数据集A。
步骤2：按照图像亮度对数据进行分类
对于数据集A中的每一张m×n大小的输入图像F＝[f(x，y)]m×n，其中(x，y)表示图像矩阵中的一个像素值，图像的平均亮度计算公式为：
其中R(x，y)，G(x，y)和B(x，y)分别为图像RGB维度下的(x，y)位置像素值。
2.1对于数据集A中不同时间段的图像，人为地选择一张图像x，作为区分正常亮度图像和低照度图像的标准。计算图像x的平均亮度
2.2计算数据集A中图像的平均亮度并与比较，从而将数据集A分为正常亮度数据集B和低照度数据集C两部分。
步骤3：对数据集C做直方图规定化处理
直方图规定化是一种特殊的直方图均衡化方法，通过一个灰度映像函数，将原灰度直方图改造成所希望的直方图，使原本低照度图片集中分布的灰度值变为均匀分布形式，从而增强图像的对比度，使图像的特征更容易被模型所识别；直方图规定化的规定图像即图像x。对于彩色图像规定化方法，即对RGB三个通道分别进行处理，处理方法与灰度图像相同，因此采用灰度图像进行方法描述，具体方法如下：
3.1对原始图像的直方图进行均衡化计算，计算采用累积分布函数，公式如下：
其中，sk为原始图像中点像素值，tk为均衡化后的对应点像素值，T(sk)表示均衡化变换操作，L表示灰度级(一般为255)，Ni表示灰度级i的像素个数，N表示像素总数m×n，ps(si)表示灰度级i出现的概率。
3.2对规定图像计算能使规定的直方图均衡化的变化：
3.3将3.1中得到的变换反转过来，采用单映射规则，对应映射到规定的直方图，即将所有的ps(si)对应到pu(uj)上去，映射公式如下：
用于vk最接近的tk来代替vk，并用求逆变换即可得到u’k。
3.4根据3.3求出u′k相应的N的pv(u′k)得到结果直方图分布情况。
3.5对于RGB三个通道分别进行上述计算，然后合并图像，得到直方图规定化结果图像。对数据集C所有图像进行直方图规定化，得到数据集D。
步骤4：按照污染程度对数据集进行分类；
4.1将正常亮度数据集B的图片数据分别按照水体污染情况分为数据集B1，数据集B2，数据集B3三部分。其中数据集B1为清澈无污染的水面，数据集B2为轻度污染程度的水面，数据集B3为重度污染程度的水面。
4.2将数据集B1、数据集B2、数据集B3随机地分为两部分训练集Q1和测试集Q2，其中训练集Q1占比为85％，测试集Q2占比为15％。用测试集进行测试的目的是能够选出效果最好的、泛化能力最佳的权重模型，同时可以防止生成的权重模型的过拟合。
4.3对数据集B1、数据集B2、数据集B3中的训练集Q1进行图像剪切、缩放或水平翻转，从提供的图像中生成额外的图像，从而人为地创建新数据以减少过度拟合。
4.4将数据集B1、数据集B2、数据集B3的训练集和测试集图片全部缩放到249*249像素，从而适合Inception模型加载数据。图片数据的尺寸普遍大于此标准，因此也能减少数据量从而加速训练。
4.5对低照度数据集D进行与4.1-4.4步骤中描述相同的操作。
步骤5：建立神经网络模型
首先将包含预训练参数的基本Inception模型加载到我们将要定义的网络模型中。其中，Inception模型已经过数百万的图像进行过预训练。加载时将模型的全连接层重置，然后加入新的全连接层用来训练可以进行水污染检测的新模型。
在已加载的基本Inception模型上添加新层：第一层是池化层，它需要下面整个层的平均值，以减少数据复杂度，从而加速模型拟合。接下来是使用作为激活函数的全连接层，然后是使用 作为激活函数的输出层用来“预测”。最后，将原始模型中的各层权值设置为不可训练，将新添加的后三层权值设置为可训练。
步骤6：训练获得最优权重模型
训练模块可以分为三步：
6.1将数据集B1、数据集B2、数据集B3的训练集Q1用于Inception模型的训练，得到权重模型和训练集Q1的准确度和误差。用测试集Q2测试该权重模型准确度和误差并与训练集Q1结果进行比较，判断是否有过拟合或欠拟合情况。
6.2根据比较的情况，对模型参数进行调整并重新训练，直到得到合适的权重模型E。该权重模型即可用于水体污染情况的检测。
6.3对低照度数据集D进行与6.1-6.2步骤中描述相同的操作，得到权重模型F。
步骤7：实时检测水体污染情况
将视频监控设备与计算机连接起来，利用步骤6中训练好的权重模型对监控的河道或湖泊视频进行检测，实时检测待测水面是否有污染情况，并对污染种类做出判断。同时，对于污染情况在计算机上实时输出结果。具体步骤如下：
7.1对于视频监控图像以10分钟为间隔计算其平均亮度并与进行比较。若则将视频信息直接显示给用户，并且用模型A进行实时预测；若先将图像进行步骤3的处理后进行显示，并且用模型B进行实时预测。
7.2若视频信息判断为重度污染类别，对用户及时进行警报提示。
Claims (1)
1.一种基于低照度图像和神经网络的水污染检测方法，其特征在于，步骤如下：
步骤1：采集数据
采集白天到夜间各个时段的河道视频，从中截取画面中正常水面的图片和水面发生污染情况的图片，得到数据集A；
步骤2：按照图像亮度对数据进行分类
对于数据集A中的每一张m×n大小的输入图像F＝[f(x，y)]m×n，其中(x，y)表示图像矩阵中的一个像素值，图像的平均亮度计算公式为：
其中R(x，y)，G(x，y)和B(x，y)分别为图像RGB维度下的(x，y)位置像素值；
2.1对于数据集A中不同时间段的图像，选择一张图像g为区分正常亮度图像和低照度图像的标准；计算图像g的平均亮度
2.2计算数据集A中图像的平均亮度并与比较，从而将数据集A分为正常亮度数据集B和低照度数据集C两部分；
步骤3：对低照度数据集C做直方图规定化处理
3.1对低照度数据集C的原始图像的直方图进行均衡化计算，计算采用累积分布函数，公式如下：
其中，sk为原始图像中点像素值，tk为均衡化后的对应点像素值，T(sk)表示均衡化变换操作，L表示灰度级，Ni表示灰度级i的像素个数，N表示像素总数m×n，ps(si)表示灰度级i出现的概率；
3.2对图像g进行均衡化计算：
其中，uj为图像g中点像素值，vl为图像g均衡化后的对应点像素值，Tu(uj)表示均衡化变换操作，L表示灰度级，Nj表示灰度级j的像素个数，N表示像素总数m×n，pu(uj)表示灰度级j出现的概率；
3.3将tk与vl映射，用与vl的值最相近的tk替换vl，代入到3.2的公式中，并用求逆变换得到新的点像素值u’j；映射公式如下：
3.4根据步骤3.3得到的每个点像素值u’j的像素数量Nj’，求出概率pu(u’j)得到结果直方图分布情况，其中
3.5对于RGB三个通道分别进行步骤3.1～3.4计算，然后合并图像，得到直方图规定化结果图像；对低照度数据集C所有图像进行直方图规定化，得到数据集D；
步骤4：按照污染程度对数据集进行分类；
4.1将正常亮度数据集B的图片数据分别按照水体污染情况分为数据集B1，数据集B2，数据集B3三部分；其中数据集B1为清澈无污染的水面，数据集B2为轻度污染程度的水面，数据集B3为重度污染程度的水面；
4.2将数据集B1、数据集B2、数据集B3随机地分为两部分训练集Q1和测试集Q2，其中训练集Q1占比为85％，测试集Q2占比为15％；
4.3对数据集B1、数据集B2、数据集B3中的训练集Q1进行图像剪切、缩放或水平翻转，从提供的图像中生成额外的图像；
4.4将数据集B1、数据集B2、数据集B3的训练集和测试集图片全部缩放到249*249像素，从而适合Inception模型加载数据；图片数据的尺寸普遍大于此标准，因此也能减少数据量从而加速训练；
4.5对低照度数据集D进行与4.1-4.4步骤中描述相同的操作；
步骤5：建立神经网络模型
所述的神经网络模型采用将Inception模型的全连接层删除，然后在已加载的基本Inception模型后添加新层：第一层是池化层，池化层求前一层每个小区域的平均值来代替每个区域，以减少数据复杂度，从而加速模型拟合；接下来是使用作为激活函数的全连接层，然后是使用作为激活函数的输出层用来“预测”；最后，将基本Inception模型中的各层权值设置为不可训练，将新添加的后三层权值设置为可训练；
步骤6：训练获得最优权重模型
训练模块分为四步：
6.1将数据集B1、数据集B2、数据集B3的训练集Q1用于神经网络模型的训练；训练一轮后，将模型第250层后的各层权值设置为可训练，再次训练；
6.2得到权重模型和训练集Q1的准确度和误差；用测试集Q2测试该权重模型准确度和误差并与训练集Q1结果进行比较，判断是否有过拟合或欠拟合情况；
6.3根据比较的情况，对神经网络模型参数进行调整并重新训练，直到得到合适的权重模型E；权重模型E即可用于水体污染情况的检测；
6.4对低照度数据集D进行与6.1-6.3步骤中描述相同的操作，得到权重模型F；
步骤7：实时检测水体污染情况
7.1对于视频监控图像以10分钟为间隔计算其平均亮度并与进行比较；若则将视频信息直接显示给用户，并且用加载权重模型E的神经网络模型进行实时预测；若先将图像进行步骤3的处理后进行显示，并且加载权重模型F的神经网络模型进行实时预测；
7.2若视频信息判断为重度污染类别，对用户及时进行警报提示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910158518.0A CN109934805B (zh) | 2019-03-04 | 2019-03-04 | 一种基于低照度图像和神经网络的水污染检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910158518.0A CN109934805B (zh) | 2019-03-04 | 2019-03-04 | 一种基于低照度图像和神经网络的水污染检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109934805A true CN109934805A (zh) | 2019-06-25 |
| CN109934805B CN109934805B (zh) | 2023-05-09 |
Family
ID=66986179
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910158518.0A Active CN109934805B (zh) | 2019-03-04 | 2019-03-04 | 一种基于低照度图像和神经网络的水污染检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109934805B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110807751A (zh) * | 2019-10-31 | 2020-02-18 | 栗智 | 一种消除工业环境成像时光照影响的方法 |
| CN110866512A (zh) * | 2019-11-21 | 2020-03-06 | 南京大学 | 一种基于视频分类的监控摄像机遮挡检测方法 |
| CN111024695A (zh) * | 2019-12-10 | 2020-04-17 | 山东星云环境科技有限公司 | 一种天地一体的ai智能水环保实时监测系统 |
| CN111223262A (zh) * | 2020-01-19 | 2020-06-02 | 西石(厦门)科技股份有限公司 | 基于图像智能识别的烟道火灾隐患预警方法 |
| CN112101796A (zh) * | 2020-09-16 | 2020-12-18 | 清华大学合肥公共安全研究院 | 一种水环境污染风险综合感知识别系统 |
| 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 |
| CN113065430A (zh) * | 2021-03-22 | 2021-07-02 | 天津大学 | 基于深度学习特征与人工提取特征融合的白细胞分类方法 |
| CN113469090A (zh) * | 2021-07-09 | 2021-10-01 | 王晓东 | 水质污染预警方法、装置及存储介质 |
| CN113936132A (zh) * | 2021-12-16 | 2022-01-14 | 山东沃能安全技术服务有限公司 | 基于计算机视觉的化工厂水体污染检测方法与系统 |
| CN115423723A (zh) * | 2022-10-14 | 2022-12-02 | 哈尔滨市科佳通用机电股份有限公司 | 自适应铁路货车异常检测训练集图像增强方法 |
| CN116310845A (zh) * | 2023-05-19 | 2023-06-23 | 青岛国源中创电气自动化工程有限公司 | 一种用于污水处理的智能监测系统 |
| CN116630812A (zh) * | 2023-07-21 | 2023-08-22 | 四川发展环境科学技术研究院有限公司 | 基于可见光图像分析的水体特征检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160117845A1 (en) * | 2014-10-27 | 2016-04-28 | King Fahd University Petroleum and Minerals | Contamination level estimation method for high voltage insulators |
| CN106779418A (zh) * | 2016-12-20 | 2017-05-31 | 河海大学常州校区 | 基于神经网络和证据理论的水污染事件智能决策方法 |
| CN109118437A (zh) * | 2018-06-27 | 2019-01-01 | 福建海图智能科技有限公司 | 一种可实时处理浑水图像的方法、存储介质 |
| CN109187534A (zh) * | 2018-08-01 | 2019-01-11 | 江苏凯纳水处理技术有限公司 | 水质检测方法及其水样图像识别装置 |
-
2019
- 2019-03-04 CN CN201910158518.0A patent/CN109934805B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160117845A1 (en) * | 2014-10-27 | 2016-04-28 | King Fahd University Petroleum and Minerals | Contamination level estimation method for high voltage insulators |
| CN106779418A (zh) * | 2016-12-20 | 2017-05-31 | 河海大学常州校区 | 基于神经网络和证据理论的水污染事件智能决策方法 |
| CN109118437A (zh) * | 2018-06-27 | 2019-01-01 | 福建海图智能科技有限公司 | 一种可实时处理浑水图像的方法、存储介质 |
| CN109187534A (zh) * | 2018-08-01 | 2019-01-11 | 江苏凯纳水处理技术有限公司 | 水质检测方法及其水样图像识别装置 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110807751A (zh) * | 2019-10-31 | 2020-02-18 | 栗智 | 一种消除工业环境成像时光照影响的方法 |
| CN110866512A (zh) * | 2019-11-21 | 2020-03-06 | 南京大学 | 一种基于视频分类的监控摄像机遮挡检测方法 |
| CN111024695A (zh) * | 2019-12-10 | 2020-04-17 | 山东星云环境科技有限公司 | 一种天地一体的ai智能水环保实时监测系统 |
| CN111223262A (zh) * | 2020-01-19 | 2020-06-02 | 西石(厦门)科技股份有限公司 | 基于图像智能识别的烟道火灾隐患预警方法 |
| CN112101796B (zh) * | 2020-09-16 | 2024-03-15 | 清华大学合肥公共安全研究院 | 一种水环境污染风险综合感知识别系统 |
| CN112101796A (zh) * | 2020-09-16 | 2020-12-18 | 清华大学合肥公共安全研究院 | 一种水环境污染风险综合感知识别系统 |
| 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 |
| CN113065430A (zh) * | 2021-03-22 | 2021-07-02 | 天津大学 | 基于深度学习特征与人工提取特征融合的白细胞分类方法 |
| CN113469090A (zh) * | 2021-07-09 | 2021-10-01 | 王晓东 | 水质污染预警方法、装置及存储介质 |
| CN113936132A (zh) * | 2021-12-16 | 2022-01-14 | 山东沃能安全技术服务有限公司 | 基于计算机视觉的化工厂水体污染检测方法与系统 |
| CN115423723A (zh) * | 2022-10-14 | 2022-12-02 | 哈尔滨市科佳通用机电股份有限公司 | 自适应铁路货车异常检测训练集图像增强方法 |
| CN116310845A (zh) * | 2023-05-19 | 2023-06-23 | 青岛国源中创电气自动化工程有限公司 | 一种用于污水处理的智能监测系统 |
| CN116310845B (zh) * | 2023-05-19 | 2023-07-28 | 青岛国源中创电气自动化工程有限公司 | 一种用于污水处理的智能监测系统 |
| CN116630812A (zh) * | 2023-07-21 | 2023-08-22 | 四川发展环境科学技术研究院有限公司 | 基于可见光图像分析的水体特征检测方法及系统 |
| CN116630812B (zh) * | 2023-07-21 | 2023-09-26 | 四川发展环境科学技术研究院有限公司 | 基于可见光图像分析的水体特征检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109934805B (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109934805A (zh) | 一种基于低照度图像和神经网络的水污染检测方法 | |
| CN107609601B (zh) | 一种基于多层卷积神经网络的舰船目标识别方法 | |
| CN103942557B (zh) | 一种煤矿井下图像预处理方法 | |
| CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
| CN109284669A (zh) | 基于Mask RCNN的行人检测方法 | |
| CN108764298B (zh) | 基于单分类器的电力图像环境影响识别方法 | |
| CN107016357A (zh) | 一种基于时间域卷积神经网络的视频行人检测方法 | |
| CN107122776A (zh) | 一种基于卷积神经网络的交通标志检测与识别方法 | |
| CN108921039A (zh) | 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法 | |
| CN110084285A (zh) | 基于深度学习的鱼类细粒度分类方法 | |
| CN109509187A (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
| CN112819063B (zh) | 一种基于改进的Focal损失函数的图像识别方法 | |
| Tan et al. | Vehicle detection in high resolution satellite remote sensing images based on deep learning | |
| CN110751644B (zh) | 道路表面裂纹检测方法 | |
| CN106650823A (zh) | 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法 | |
| CN107038416A (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| CN110176143A (zh) | 一种基于深度学习算法的高速公路交通拥堵检测方法 | |
| CN107516103A (zh) | 一种影像分类方法和系统 | |
| Jiang et al. | Application of back propagation neural network in the classification of high resolution remote sensing image: take remote sensing image of Beijing for instance | |
| CN110222556A (zh) | 一种人体动作识别系统及方法 | |
| CN113449811A (zh) | 一种基于ms-wsda的低照度目标检测方法 | |
| CN115019340A (zh) | 一种基于深度学习的夜间行人检测算法 | |
| CN114647760A (zh) | 一种基于神经网络自温故及知识传导机制的智能视频图像检索方法 | |
| CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
| Yan et al. | A traffic sign recognition method under complex illumination conditions |
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: 20190918 Address after: 1800 No. 214122 Jiangsu city of Wuxi Province Li Lake Avenue Applicant after: Jiangnan University Applicant after: Wuxi Bencio Intelligent Technology Co.,Ltd. Address before: 1800 No. 214122 Jiangsu city of Wuxi Province Li Lake Avenue Applicant before: Jiangnan University Applicant before: ANHUI HAILING INTELLIGENT TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |