CN109961425A - 一种动态水的水质识别方法 - Google Patents

一种动态水的水质识别方法 Download PDF

Info

Publication number
CN109961425A
CN109961425A CN201910149460.3A CN201910149460A CN109961425A CN 109961425 A CN109961425 A CN 109961425A CN 201910149460 A CN201910149460 A CN 201910149460A CN 109961425 A CN109961425 A CN 109961425A
Authority
CN
China
Prior art keywords
image
sample
water quality
recognition methods
true positives
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
Application number
CN201910149460.3A
Other languages
English (en)
Inventor
林峰
王飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910149460.3A priority Critical patent/CN109961425A/zh
Publication of CN109961425A publication Critical patent/CN109961425A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Biochemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种动态水的水质识别方法，属于水质识别领域，包括：1)获取监测水域的样本图像，并对监测水域进行背景建模得到背景模型；2)根据背景模型分离出样本图像的前景图像；3)对前景图像进行预处理，并将检测得到的异常部分进行分离，得到分离样本；4)将由污水或树叶引起的图像异常部分作为真阳性的正样本，将由反光或波动引起的异常部分作为伪阳性的负样本，建立真阳性‑伪阳性分类器；5)将待检测图像进行步骤2)～3)处理，并根据真阳性‑伪阳性分类器进行判断，若判断为真阳性，则为污水，否则为未污染水。能够及时提供预警信息，为人工及时处置提供决策的依据，具有很强的实用价值。

Description

一种动态水的水质识别方法
技术领域
本发明涉及水质识别领域，具体地说，涉及一种动态水的水质识别方法。
背景技术
随着人类社会工业化的进步，环境污染越来越严重，而水资源的污染也在加重。传统的水质检测需要通过多种仪器对水资源的各个方面进行鉴定，最终根据鉴定所得的数据方可对水质进行综合判断。如：
公布号为CN108108889A的中国专利文献公开的一种水质监测数据在线处理方法及装置。该方法需要获取待检测水质的光谱曲线，然后在此基础上进行分析判断。以及公布号为CN108844584A的中国专利文献公开的一种用于农田水质动态分层环境监测的装置，通过设置水质监测仪、太阳能供电模块、远程计算机终端和电动滑块，实现了农田水质动态分层监测，及远程控制的问题。
以上方法需要耗费大量的人力物力。近年来，随着计算机图像处理技术的发展，可通过对水面图像的处理得到水质信息，如：
公布号为CN109118548A的中国专利文献公开了一种综合智能水质识别方法，在对监测水域视频图像的颜色特征和纹理特征进行分析判断的基础上得到关于水质状况的结论，但该方法无法识别动态水的水质情况。
公布号为CN105675623A的中国专利文献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，该方法用于污水排水口处的检测，将有水排出时的图像与无水排出时的图像进行比较得到结论，在高光分析中采用颜色识别方法判断。
而实际情况中，很多污水口存在于水底或较隐秘的地方，有的甚至有多个污水排出口，有些是由于垃圾和树叶导致的污染，这样无法全面的进行监测。
发明内容
本发明的目的为提供一种动态水的水质识别方法，该方法可用于识别动态水的水质情况，对水质情况进行全面的监测。
为了实现上述目的，本发明提供的动态水的水质识别方法，包括以下步骤：
1)获取监测水域的样本图像，并对监测水域进行背景建模得到背景模型；
2)根据背景模型分离出样本图像的前景图像；
3)对前景图像进行预处理，并将检测得到的异常部分进行分离，得到分离样本；
4)将由污水或树叶引起的图像异常部分作为真阳性的正样本，将由反光或波动引起的异常部分作为伪阳性的负样本，建立真阳性-伪阳性分类器；
5)将待检测图像进行步骤2)～3)处理，并根据真阳性-伪阳性分类器进行判断，若判断为真阳性，则为污水，否则为未污染水。
上述技术方案中，可利用高清摄像机从一定的角度、一定的距离对监测区域的水面进行录制，然后对录制的视频信息进行单帧图像处理，获取监测水域的样本图像，需要说明的是，录制摄像机的角度、距离等参数需要固定，不能随意改变。由于摄像机可以不间断工作，能够及时提供预警信息，为人工及时处置提供决策的依据，具有很强的实用价值，对于偏僻水域的监视尤其具有重要意义。
为方便对污水进行预警，作为优选，步骤5)还包括：若判断为真阳性，则进行污水预警，否则不发预警信号。
作为优选，步骤1)中，采用混合高斯背景建模的方法对监测水域进行背景建模。
利用像素在较长时间内大量样本值的概率密度等统计信息(如模式数量、每个模式的均值和标准差)表示背景，然后使用统计差分进行目标像素判断，对复杂动态背景进行建模。
对于视频图像中的每一个像素点，其值在序列图像中的变化可看作是不断产生像素值的随机过程，即用高斯分布来描述每个像素点的颜色呈现规律。对于多峰高斯分布模型，图像的每一个像素点按不同权值的多个高斯分布的叠加来建模，每种高斯分布对应一个可能产生像素点所呈现颜色的状态，各个高斯分布的权值和分布参数随时间更新。当处理彩色图像时，假定图像像素点R、G、B三色通道相互独立并具有相同的方差。对于随机变量X的观测数据集{x1，x2，…，xN}，xt＝(rt，gt，bt)为t时刻像素的样本，则单个采样点xt其服从的混合高斯分布概率密度函数：
其中，k为分布模式总数，η(xt，μi，t，τi，t)为t时刻第i个高斯分布，μi，t为其均值，τi，t为其协方差矩阵，δi，t为方差，I为三维单位矩阵，ωi，t为t时刻第i个高斯分布的权重。
混合高斯背景建模算法流程为：
(1)每个新像素值Xt同当前k个模型按下式进行比较，直接找到匹配新像素值的分布模型，即同该模型的均值偏差在2.5σ内：
|Xt-μi，t-1|≤2.5σi，t-1
(2)如果所匹配的模式符合背景要求，则该像素属于背景，否则属于前景。
(3)各个模式权值按如下方式进行更新：
wk，t＝(1-α)*wk，t-1+α*Mk，t
其中，a是学习速率，对于匹配的模式Mk，t＝1，否则Mk，t＝0，然后各模式的权重进行归一化。
(4)未匹配模式的均值μ和标准差σ不变，匹配模式的参数按照如下更新：
ρ＝α*η(Xt|μk，σk)
μt＝(1-ρ)*μt-1+ρ*Xt
(5)如果第一步中没有任何模式匹配，则权重最小的模式被替换，即该模式的均值为当前像素值，标准差为初始较大值，权重为较小值。
(6)各模式根据w/a2按降序排列，权重大、标准差小的模式排列在前。
(7)选前B个模式作为背景，B满足下式，参数T表示背景所占的比例：
若第一帧图像被真阳性-伪阳性分类器判定为伪阳性，则此后所有被判定为伪阳性的图像样本将参与到高斯混合模型的更新中去。
作为优选，步骤2)中，采用背景差分法分离出样本图像的前景图像。
作为优选，步骤3)包括：对前景图像进行二值化处理得到二值图像，将二值图像中的单连通域作为异常部分进行分离。
根据前景图像的二值图像，异常部分被分离出来，图像中可能包含多个单连通域，找出一张二值图像中所有单连通域的轮廓，将每一个单连通域都作为一张独立样本。如果在一张图像中有两处检测出的异常部分，这两部分分别作为独立样本，因此真阳性-伪阳性分类器的样本不再是图像，而是包含单连通域的分割后图像。
作为优选，步骤3)中还包括：对分离样本进行离散小波变换，然后进行形状特征提取。进行两次离散小波变换后，160×120像素的样本图像作为样本，标签由人工打上，小波变换的目的是在尽可能保存特征的前提下压缩像素。
作为优选，形状特征提取包括：提取异常部分二值图像的面积、周长、圆形度、矩形度、纵横比和七个Hu不变矩。
面积S可以由二值图像中的非黑色像素点个数得到。
周长D可以按照下述方式求出，在通过异常部分的轮廓提取后得出的轮廓后，可以将像素看作点。异常部分的周长按照链码的计算方式为：如果链码值是奇数，则其长度为2；如果链码值是偶数，则其长度为1，公式如下：
其中Np表示在8个方向的边界链码中的偶数步的数量，No表示奇数步的数量。
矩形度C为物体的面积与其最小外界矩形的面积之比，反映物体对其外接矩形的充满程度，
圆形度R为周长的平方与面积的比，用来刻画物体边界的复杂程度，
其中，L，W分别表示异常区域的长轴与短轴。
纵横比N为异常区域的长轴与短轴之比，表征异常区域是近圆形还是狭长，
对于离散的数字图像，图像函数为f(x,y)，图像的p+q阶几何矩(标准矩)可以定义为：
p+q阶中心距定义为：
其中和代表图像的重心，
N和M分别是图像的高度和宽度，归一化的中心距定义为：
其中ρ＝(p+q)/2+1。利用二阶和三阶归一化中心矩构造7个不变矩：
M1＝η20+η02
M2＝(η20-η02)2+4η11 2
M3＝(η30-3η12)2+(3η21-η03)2
M4＝(η30+η12)2+(η21+η03)2
M5＝(η30-3η12)(η30+η12)((η30+η12)2-3(η21+η03)2)
+(3η21-η03)(η21+η03)(3(η30+η12)2-(η21+η03)2)
M6＝(η20-η02)((η30+η12)2-(η21+η03)2)
+4η11(η30+η12)(η21+η03)
M7＝(3η21-η03)(η30+η12)((η30+η12)2-3(η21+η03)2)
-(η30-3η12)(η21+η03)(3(η30+η12)2-(η21+η03)2)
上述7个不变矩称为Hu矩，用于描述图像中物体的形状平移，尺度和旋转不变性。由Hu矩组成的特征量对图片进行识别，速度大大加快。
与现有技术相比，本发明的有益效果为：
(1)本发明的动态水的水质识别方法能够及时提供预警信息，为人工及时处置提供决策的依据，能直观、快速反映流动水的水质变化，甚至可以代替人眼，实现流动水水质初步识别功能，具有很强的实用价值，对于偏僻水域的监视尤其具有重要意义。
(2)本发明的水质识别方法能够长时间在线、动态监测，减少了大量人工工作量；对解决当今水质监测的事后性问题及建立更有效更低成本的水质安全预警系统具有重要意义。
附图说明
图1为本发明实施例的动态水的水质识别方法的流程图；
图2为本发明实施例中不含污水的水面图像及背景分离结果图，图(a)为原图，图(b)为背景分离图；
图3为本发明实施例中含污水的水面图像及背景分离结果图，图(a)为原图，图(b)为背景分离图；
图4为本发明实施例中样本图像的分离图片，图(a)为分离前的样本图，图(b)为分离后的样本图；
图5为本发明实施例中真阳性和伪阳性样本图片，图(a)为真阳性正样本图，图(b)为伪阳性负样本图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下结合实施例及其附图对本发明作进一步说明。
实施例
参见图1，本实施例的动态水的水质识别方法包括以下步骤：
获取步骤S1，通过录像设备获取摄录水面的原始视频数据，从原始视频数据中提取出图像数据。
背景建模步骤S2，对需判断区域的图像进行背景建模，如图2、图3所示，本例采用混合高斯背景建模，其算法流程为：
(1)每个新像素值Xt同当前k个模型按下式进行比较，直接找到匹配新像素值的分布模型，即同该模型的均值偏差在2.5σ内：
|Xt-μi，t-1|≤2.5σi，t-1
(2)如果所匹配的模式符合背景要求，则该像素属于背景，否则属于前景。
(3)各个模式权值按如下方式进行更新，其中a是学习速率，对于匹配的模式Mk，t＝1，否则Mk，t＝0，然后各模式的权重进行归一化：
wk，t＝(1-α)*wk，t-1+α*Mk，t
(4)未匹配模式的均值μ和标准差σ不变，匹配模式的参数按照如下更新：
ρ＝α*η(Xt|μk，σk)
μt＝(1-ρ)*μt-1+ρ*Xt
(5)如果，第一步中没有任何模式匹配，则权重最小的模式被替换，即该模式的均值为当前像素值，标准差为初始较大值，权重为较小值。
(6)各模式根据w/a2按降序排列，权重大、标准差小的模式排列在前。
(7)选前B个模式作为背景，B满足下式，参数T表示背景所占的比例：
若第一帧图像被真阳性-伪阳性分类器判定为伪阳性，则此后所有被判定为伪阳性的图像样本将参与到高斯混合模型的更新中去。
背景和前景分离步骤S3，将前景和背景进行分离，图2(b)为从图2(a)分离出来的前景图像，图3(b)为从图3(a)分离出来的前景图像；将前景和背景进行分离，图2(b)为从图2(a)分离出来的前景图像，图3(b)为从图3(a)分离出来的前景图像。
前景分析步骤S4，将分离出来的前景图像进行二值化处理得到二值图像，将二值图像中的单连通域作为异常部分进行分离。对分离样本进行离散小波变换，然后进行形状特征提取。进行两次离散小波变换后，160×120像素的样本图像作为样本，标签由人工打上，小波变换的目的是在尽可能保存特征的前提下压缩像素。
形状特征提取包括：本例有12维特征作为形状特征，分别为提取异常部分二值图像的面积、周长、圆形度、矩形度、纵横比和七个Hu不变矩。
其中，面积S可以由二值图像中的非黑色像素点个数得到。
周长D可以按照下述方式求出，在通过异常部分的轮廓提取后得出的轮廓后，可以将像素看作点。异常部分的周长按照链码的计算方式为：如果链码值是奇数，则其长度为2；如果链码值是偶数，则其长度为1，公式如下：
其中Np表示在8个方向的边界链码中的偶数步的数量，No表示奇数步的数量。
矩形度C为物体的面积与其最小外界矩形的面积之比，反映物体对其外接矩形的充满程度，
圆形度R为周长的平方与面积的比，用来刻画物体边界的复杂程度，
其中，L，W分别表示异常区域的长轴与短轴。
纵横比N为异常区域的长轴与短轴之比，表征异常区域是近圆形还是狭长，
对于离散的数字图像，图像函数为f(x,y)，图像的p+q阶几何矩(标准矩)可以定义为：
p+q阶中心距定义为：
其中和代表图像的重心，
N和M分别是图像的高度和宽度，归一化的中心距定义为：
其中ρ＝(p+q)/2+1。利用二阶和三阶归一化中心矩构造7个不变矩：
M1＝η20+η02
M2＝(η20-η02)2+4η11 2
M3＝(η30-3η12)2+(3η21-η03)2
M4＝(η30+η12)2+(η21+η03)2
M5＝(η30-3η12)(η30+η12)((η30+η12)2-3(η21+η03)2)
+(3η21-η03)(η21+η03)(3(η30+η12)2-(η21+η03)2)
M6＝(η20-η02)((η30+η12)2-(η21+η03)2)
+4η11(η30+η12)(η21+η03)
M7＝(3η21-η03)(η30+η12)((η30+η12)2-3(η21+η03)2)
-(η30-3η12)(η21+η03)(3(η30+η12)2-(η21+η03)2)
上述7个不变矩称为Hu矩，用于描述图像中物体的形状平移，尺度和旋转不变性。由Hu矩组成的特征量对图片进行识别，速度大大加快。下表所示为部分十二维形状特征数据：
真阳性-伪阳性分类器分类步骤S5，将由污水及树叶等引起的图像异常部分作为真阳性的正样本，而将由反光和波动等引起的异常部分作为伪阳性的负样本，如图4(b)和图4(b)所示。建立真阳性-伪阳性分类器，参见图5(a)和图5(b)，以此来判断水质状况；
输出步骤S6，将待检测图像进行步骤S3～S4处理，并根据真阳性-伪阳性分类器进行判断，若判断为真阳性，则为污水，否则为未污染水。
预警步骤S7，若判断为真阳性，则进行污水预警，否则不发预警信号。

Claims (7)

1.一种动态水的水质识别方法，其特征在于，包括以下步骤：
1)获取监测水域的样本图像，并对监测水域进行背景建模得到背景模型；
2)根据背景模型分离出样本图像的前景图像；
3)对前景图像进行预处理，并将检测得到的异常部分进行分离，得到分离样本；
4)将由污水或树叶引起的图像异常部分作为真阳性的正样本，将由反光或波动引起的异常部分作为伪阳性的负样本，建立真阳性-伪阳性分类器；
5)将待检测图像进行步骤2)～3)处理，并根据所述真阳性-伪阳性分类器进行判断，若判断为真阳性，则为污水，否则为未污染水。
2.根据权利要求1所述的水质识别方法，其特征在于，步骤5)还包括：若判断为真阳性，则进行污水预警，否则不发预警信号。
3.根据权利要求1所述的水质识别方法，其特征在于，步骤1)中，采用混合高斯背景建模的方法对监测水域进行背景建模。
4.根据权利要求1所述的水质识别方法，其特征在于，步骤2)中，采用背景差分法分离出样本图像的前景图像。
5.根据权利要求1所述的水质识别方法，其特征在于，步骤3)包括：对前景图像进行二值化处理得到二值图像，将二值图像中的单连通域作为异常部分进行分离。
6.根据权利要求5所述的水质识别方法，其特征在于，步骤3)中还包括：对分离样本进行离散小波变换，然后进行形状特征提取。
7.根据权利要求6所述的水质识别方法，其特征在于，所述的形状特征提取包括：提取异常部分二值图像的面积、周长、圆形度、矩形度、纵横比和七个Hu不变矩。
CN201910149460.3A 2019-02-28 2019-02-28 一种动态水的水质识别方法 Pending CN109961425A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910149460.3A CN109961425A (zh) 2019-02-28 2019-02-28 一种动态水的水质识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910149460.3A CN109961425A (zh) 2019-02-28 2019-02-28 一种动态水的水质识别方法

Publications (1)

Publication Number Publication Date
CN109961425A true CN109961425A (zh) 2019-07-02

Family

ID=67023861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910149460.3A Pending CN109961425A (zh) 2019-02-28 2019-02-28 一种动态水的水质识别方法

Country Status (1)

Country Link
CN (1) CN109961425A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751643A (zh) * 2019-10-21 2020-02-04 睿视智觉（厦门）科技有限公司 一种水质异常检测方法、装置及设备
CN111080651A (zh) * 2019-12-12 2020-04-28 西南科技大学 基于水流分割的石油钻井污染气体自动监测方法
CN113901965A (zh) * 2021-12-07 2022-01-07 广东省科学院智能制造研究所 分液中的液体状态识别方法及分液系统
CN115100646A (zh) * 2022-06-27 2022-09-23 武汉兰丁智能医学股份有限公司 细胞图像高清晰快速拼接识别标记方法
CN116165353A (zh) * 2023-04-26 2023-05-26 江西拓荒者科技有限公司 一种工业污染物监测数据处理方法及系统
CN117576550A (zh) * 2023-10-26 2024-02-20 广东理工学院 基于深度学习与决策树的智能虾塘水质监控方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009126116A1 (en) * 2008-04-09 2009-10-15 Agency For Science, Technology And Research System and method for monitoring water quality
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009126116A1 (en) * 2008-04-09 2009-10-15 Agency For Science, Technology And Research System and method for monitoring water quality
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FEI WANG;FENG LIN: "Monitoring System for MBR Sewage Disposal Equipment Based on Image Recognition", 《第37届中国控制会议》 *
陈喜胜，钟菊萍，李军: "最大类间方差法在污水排放图像处理中的应用研究", 《现代计算机（专业版）》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751643A (zh) * 2019-10-21 2020-02-04 睿视智觉（厦门）科技有限公司 一种水质异常检测方法、装置及设备
CN111080651A (zh) * 2019-12-12 2020-04-28 西南科技大学 基于水流分割的石油钻井污染气体自动监测方法
CN111080651B (zh) * 2019-12-12 2022-07-12 西南科技大学 基于水流分割的石油钻井污染气体自动监测方法
CN113901965A (zh) * 2021-12-07 2022-01-07 广东省科学院智能制造研究所 分液中的液体状态识别方法及分液系统
CN113901965B (zh) * 2021-12-07 2022-05-24 广东省科学院智能制造研究所 分液中的液体状态识别方法及分液系统
CN115100646A (zh) * 2022-06-27 2022-09-23 武汉兰丁智能医学股份有限公司 细胞图像高清晰快速拼接识别标记方法
CN116165353A (zh) * 2023-04-26 2023-05-26 江西拓荒者科技有限公司 一种工业污染物监测数据处理方法及系统
CN117576550A (zh) * 2023-10-26 2024-02-20 广东理工学院 基于深度学习与决策树的智能虾塘水质监控方法及系统

Similar Documents

Publication Publication Date Title
CN109961425A (zh) 一种动态水的水质识别方法
CN106778595B (zh) 基于高斯混合模型的人群中异常行为的检测方法
CN109918971B (zh) 监控视频中人数检测方法及装置
CN111079640B (zh) 一种基于自动扩增样本的车型识别方法及系统
CN110400293B (zh) 一种基于深度森林分类的无参考图像质量评价方法
CN111507426B (zh) 基于视觉融合特征的无参考图像质量分级评价方法及装置
CN106960176B (zh) 一种基于超限学习机和颜色特征融合的行人性别识别方法
CN111783589B (zh) 基于场景分类和多尺度特征融合的复杂场景人群计数方法
CN107220603A (zh) 基于深度学习的车辆检测方法及装置
CN112163511A (zh) 一种图像真伪鉴别方法
CN110826429A (zh) 一种基于景区视频的旅游突发事件自动监测的方法及系统
CN107622280B (zh) 基于场景分类的模块化处方式图像显著性检测方法
CN108073940B (zh) 一种非结构化环境中的3d目标实例物体检测的方法
CN113761259A (zh) 一种图像处理方法、装置以及计算机设备
CN109740527B (zh) 一种视频帧中图像处理方法
CN114627424A (zh) 一种基于视角转化的步态识别方法和系统
CN112861682B (zh) 基于朴素贝叶斯云计算路面图像采集分类方法及其装置
CN113421223A (zh) 基于深度学习和高斯混合的工业产品表面缺陷检测方法
CN107341456B (zh) 一种基于单幅户外彩色图像的天气晴阴分类方法
CN115830701A (zh) 一种基于小样本学习的人员违规行为预测方法
CN114581819A (zh) 一种视频行为识别方法及系统
CN114581769A (zh) 一种基于无监督聚类的在建房屋识别方法
CN109727218B (zh) 一种完整图形提取方法
CN110502992A (zh) 一种基于关系图谱的固定场景视频的人脸快速识别方法
CN113420724B (zh) 一种无人机遥感入河排口识别方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190702