CN110751643A - 一种水质异常检测方法、装置及设备 - Google Patents

一种水质异常检测方法、装置及设备 Download PDF

Info

Publication number
CN110751643A
CN110751643A CN201910998254.XA CN201910998254A CN110751643A CN 110751643 A CN110751643 A CN 110751643A CN 201910998254 A CN201910998254 A CN 201910998254A CN 110751643 A CN110751643 A CN 110751643A
Authority
CN
China
Prior art keywords
water quality
water
characteristic data
gaussian mixture
mixture model
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
CN201910998254.XA
Other languages
English (en)
Inventor
李超
李克亮
何森
吴琦
肖潇
龚纯斌
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.)
Smart Vision Xiamen Technology Co Ltd
Original Assignee
Smart Vision Xiamen Technology Co Ltd
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 Smart Vision Xiamen Technology Co Ltd filed Critical Smart Vision Xiamen Technology Co Ltd
Priority to CN201910998254.XA priority Critical patent/CN110751643A/zh
Publication of CN110751643A publication Critical patent/CN110751643A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection

Landscapes

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

Abstract

本申请涉及水质检测技术领域，尤其涉及一种水质异常检测方法、装置及设备。所述水质异常检测方法，包括：获取待检测水质区域的水样图像；从所述水样图像中提取水质特征数据；将所述水质特征数据输入水质检测高斯混合模型中，根据所述水质检测高斯混合模型的输出结果确定待检测区域水质。本申请水质异常检测方案，实时性高，且采用高斯混合模型判别水质，检测准确率高，鲁棒性强。

Description

一种水质异常检测方法、装置及设备
技术领域
本申请涉及水质检测技术领域，尤其涉及一种水质异常检测方法、装置及设备。
背景技术
当今社会人们对环境污染问题越来越重视，尤其水质污染问题备受关注。水质污染检测不仅涉及到江川湖海等水域的检测，也包括工业企业污水排放的检测。
目前水质检测方法比较多，比如采集检测水域的水样，在水样中加入试剂或者试纸，根据试剂或者试纸的显色情况判断水质污染状况，此种检测方式需要通过试剂或者试纸显色，难以进行水质的实时检测而且该方法主要应用在稳定的水样检测中，无法在流动水质中判定水质情况。
现有技术中另一种比较常见的水质检测方法是在检测水域中设置水质检测传感器，通过水质检测传感器采集水质数据，所采集的水质数据可以实时发送给处理装置进行水质判断，由此实现对流动水质的实时检测，但该方法也存在一些缺点，如需要依靠各类传感器进行水质检测，成本比较高，而且检测结果的准确性受传感器类型和精度的限制。
发明内容
本申请提供了一种水质异常检测方法、装置及设备，实时性高，且采用高斯混合模型判别水质，检测准确率高，鲁棒性强。
第一方面，本发明实施例提供了一种水质异常检测方法，包括：
获取待检测水质区域的水样图像；
从所述水样图像中提取水质特征数据；
将所述水质特征数据输入水质检测高斯混合模型中，根据所述水质检测高斯混合模型的输出结果确定待检测区域水质。
可选的，从所述水样图像中提取水质特征数据，包括：
采用主成分分析PCA算法从所述水样图像中提取水质特征数据。
可选的，从所述水样图像中提取水质特征数据之前，包括：将所述水样图像从RGB空间转换到HSV特征空间，得到n维水质特征数据；
相应的，采用PCA算法从所述水样图像中提取水质特征数据，包括：
采用PCA算法将所述n维水质特征数据降为k维水质特征数据，所述k维水质特征数据用于输入所述水质检测高斯混合模型，其中，k小于n，k和n均为正整数。
可选的，所述方法还包括：基于待检测水质区域水质正常时的水质特征数据建立所述水质检测高斯混合模型。
可选的，所述待检测水质区域包括多个子区域；对应每个所述子区域分别建立有对应的水质检测高斯混合模型。
可选的，所述方法建立所述水质检测高斯混合模型，包括：
获取待检测水质区域的m张水样图像作为训练样本图像，m大于2；
将所述训练样本图像从RGB空间转换到HSV特征空间，得到训练样本集矩阵X＝m×n，所述训练样本集矩阵的特征维度为n；
采用PCA算法从所述样本集矩阵X中得到特征向量矩阵Y＝m×k，所述特征向量矩阵Y的特征维度为k，k小于n，k和n均为正整数；
将所述特征向量矩阵Y作为训练数据对高斯混合模型进行训练，得到所述水质检测高斯混合模型。
可选的，采用PCA算法从所述样本集矩阵X中得到特征向量矩阵Y＝m×k，包括：
计算所述样本集矩阵X每个特征维度的均值，并将样本集矩阵X减去所述均值，得到去均值后的样本集矩阵；
计算所述去均值后的样本集矩阵的协方差矩阵C；
计算所述协方差矩阵C的特征值和特征向量；
从所述协方差矩阵C的特征值中选择最大的k个，将最大的k个特征值所对应的特征向量映射到k维特征空间得到所述特征向量矩阵Y。
可选的，所述m张水样图像为待检测水质区域水质正常时的水样图像。
可选的，所述方法还包括：获取f张待检测水质区域水质异常时的水样图像，所述f张待检测水质区域水质异常时的水样图像用于对PCA算法的计算结果进行泛化处理。
第二方面，本发明实施例提供了一种水质异常检测装置，包括：
图像获取模块，用于获取待检测水质区域的水样图像；
数据提取模块，用于从所述水样图像中提取水质特征数据；
检测模块，用于将所述水质特征数据输入水质检测高斯混合模型中，根据所述水质检测高斯混合模型的输出结果确定待检测区域水质。
第三方面，本发明实施例提供了一种水质异常检测设备，其特征在于，包括：存储器、处理器，其中：
所述存储器用于存储一条或多条计算机指令，所述一条或多条计算机指令被所述处理器执行时实现上述的水质异常检测方法。
第四方面，本发明实施例提供了一种计算机存储介质，所述存储介质用于存储计算机程序，所述计算机程序用于使计算机执行时实现上述的水质异常检测方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：
在本发明实施例方案中，可以基于摄像头实时采集水样图像，相比基于化学反应试剂、传感器等方式实时性高，而且采用非接触方式采集水样图像，没有损耗问题；进一步，本发明实施例方案中采用高斯混合模型判别水质，无需标注过多异常水质数据，主要在正常水质数据上训练模型即可，只要遇到任意和正常水质差异较大的情况都能准确判定为异常，模型准确率更高；高斯混合模型可以在特征空间中拟合正常水质的各种不同的水面波纹、反光等干扰因素，模型鲁棒性更强。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的水质异常检测方法的流程图；
图2为本发明实施例二提供的水质异常检测方法的流程图；
图3为本发明实施例提供的水质异常检测装置的结构示意图；
图4为图3所示装置所对应处理设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
鉴于江河湖海等水域以及工业企业污水排放等广泛的水质检测需求，以及现有的水质异常检测中存在的问题，本发明实施例提供了一种水质异常检测方法，所述方法可以基于摄像头实时检测水样图像，实时性高；在判断水质是否异常时，采用高斯混合模型进行判断，结果准确率高，而且高斯混合模型可以在水质特征空间中拟合正常水质的各种不同水面波纹、反光等干扰因素，模型鲁棒性更强。以下将结合附图对本发明实施例的水质异常检测方法进行详细说明。
图1为本发明实施例一提供的水质异常检测方法的流程图。如图1所示，该方法的执行主体为用于进行水质异常检测的处理装置，包括：
步骤S101：获取待检测水质区域的水样图像。
在本发明实施例方案中，可以预先在相关水域设置待检测水质区域，如在企业的污水排放口设置待检测水质区域，并且根据现场情况搭建摄像头和光源，由此以基于摄像头实时采集待检测水质区域的水样图像，摄像头采集的水样图像可以通过通信网络或者直连方式发送给本处理装置。优选的，搭建的所述摄像头需要固定角度，尽量俯视待检测水质区域，光源的安置尽量避免水面反光。
可选的，上述待检测水质区域可以包括多个子区域，通过摄像头获取所述多个子区域的水样图像。
步骤S102：从水样图像中提取水质特征数据。
其中，可以采用PCA(Principal Component Analysis，主成分分析)算法从水样图像中提取水质特征数据。
当提取的水样图像包括多个子区域的水样图像时，分别从每个子区域的水样图像中提取水质特征数据。
步骤S103：将水质特征数据输入水质检测高斯混合模型中，根据所述水质检测高斯混合模型的输出结果确定待检测区域水质。
上述水质检测高斯混合模型可以拟合待检测水质区域水质正常时的各类情况下的水质特征数据，如水流速从最小到最大时的水面特征数据、不同光照条件下水面反光/波纹数据、不同加工工艺/加工产品下水排放的水质特征数据等。本方案中将实时采集的水质特征数据输入水质检测高斯混合模型中，只要遇到任意和正常水质差异较大的情况都能准确判定为异常，判定准确率更高。
进一步，当采集的水质特征数据对应待检测水质区域的多个子区域时，将多个子区域的水质特征数据分别输入水质检测高斯混合模型中，多个子区域的水质检测输出结果之间可以形成对照，有一个子区域的输出结果以异常，则待检测水质区域的检测结果即为异常。
其中，多个子区域的水质特征数据可以分别输入同一个水质检测高斯混合模型，利用该同一个水质检测高斯混合模型判断各个子区域中是否出现水质异常；或者，对应每个子区域分别建立有对应的水质检测高斯混合模型，当进行水质检测时，将各个子区域的水质特征数据输入与自身子区域对应的水质检测高斯混合模型进行水质异常检测。
进一步的，本发明实施例方案中，在从水样图像中提取水质特征数据之前，将水样图像从RGB空间转换到HSV特征空间，得到n维水质特征数据；相应的，采用PCA算法从所述水样图像中提取水质特征数据，包括：采用PCA算法将所述n维水质特征数据降为k维水质特征数据，所述k维水质特征数据用于输入所述水质检测高斯混合模型，其中，k小于n，k和n均为正整数。
图2为本发明实施例二提供的水质异常检测方法的流程图。本发明实施例方法首先基于PCA算法和高斯混合模型算法构建水质检测高斯混合模型。其中，在构建水质检测高斯混合模型时可以基于待检测水质区域水质正常时的水质特征数据作为训练样本进行检测，如此当对待检测水质区域进行检测时只要水质与正常水质差异较大均能准确判定为异常。以下将对本发明实施例方案的处理步骤进行详细说明。
步骤S201：获取待检测水质区域的m张水样图像作为训练样本图像，m大于2。其中，所述m张水样图像可以如实施例一种所述为待检测水质区域水质正常时的采集的各类情况的水样图像。
步骤S202：采用PCA算法将训练样本图像从n维特征空间降到k维特征空间，其中，k小于n，k和n均为正整数。
步骤S203：基于k维特征空间的训练样本数据构建水质检测高斯混合模型。
步骤S204：实时获取待检测水质区域的水样图像。
步骤S205：采用PCA算法从所采集的水样图像中提取水质特征数据。
步骤S206：将提取的水质特征数据输入水质检测高斯混合模型中，根据所述水质检测高斯混合模型的输出结果确定待检测区域水质。
在本发明实施例方案中，通过摄像头获取水样图像后，首先对水样图像进行预处理包括：对水样图像进行识别区截取、对识别区图像进行矫正等。
上述方法实施例中，采用PCA算法将训练样本图像从n维特征空间降到k维特征空间，以及利用k维特征空间水质特征数据构建水质检测高斯混合模型包括：
A、将训练样本图像从RGB空间转换到HSV特征空间，得到训练样本集矩阵X＝m×n，所述训练样本集矩阵的特征维度为n。
B、采用PCA算法从所述样本集矩阵X中得到特征向量矩阵Y＝m×k，所述特征向量矩阵Y的特征维度为k，k小于n，k和n均为正整数；
C、将所述特征向量矩阵Y作为训练数据对高斯混合模型进行训练，得到所述水质检测高斯混合模型。
上述B中采用PCA算法从所述样本集矩阵X中得到特征向量矩阵Y＝m×k，包括：
(1)计算样本集矩阵X每个特征维度的均值，并将样本集矩阵X减去所述均值，得到去均值后的样本集矩阵；
(2)计算所述去均值后的样本集矩阵的协方差矩阵C；
(3)计算所述协方差矩阵C的特征值和特征向量；
(4)从所述协方差矩阵C的特征值中选择最大的k个，将最大的k个特征值所对应的特征向量映射到k维特征空间得到所述特征向量矩阵Y。
进一步的，高斯混合模型有如下的概率分布模型，在得到特征向量矩阵Y后，将特征向量矩阵Y作为训练数据并基于下述的高斯混合模型进行训练。
高斯混合模型的概率分布模型：
Figure BDA0002240432780000081
其中αk是高斯混合模型中拟合的k个高斯分模型的权重系数，满足αk≥0，
Figure BDA0002240432780000082
φ(y|θk)是高斯分布密度，k代表第k个高斯分模型，其中参数
Figure BDA0002240432780000083
Figure BDA0002240432780000084
在本发明实施例中，采集的用于作为训练样本的m张水样图像为待检测水质区域水质正常时的水样图像，即基于正常水质特征数据构建水质检测高斯混合模型，所述水质检测高斯混合模型可以拟合待检测水质区域水质正常时的各类情况下的水质特征数据，当进行水质的实时检测时，只要检测的水质与正常水质之间的差异超过预定值均判定为异常，判定准确率高。
另外，在利用训练样本进行PCA计算时，除了使用m张正常水质的水样图像外，还获取f张待检测水质区域水质异常时的水样图像，并且利用f张待检测水质区域水质异常时的水样图像对PCA算法的计算结果进行泛化处理，由此以增强PCA算法的泛化能力。
进一步，上述步骤S204-S206的处理过程可以参照实施例一，此处不再赘述。
基于上述方法实施例一和实施例二，本发明还提供了一种对工厂污水进行水质检测的具体实施方案，该方案中，在工厂排水环境搭建水流识别区、摄像头及光源设备，设备搭建完毕后，通过摄像头采集水流视频/图像作为训练样本数据，其中包括基于训练样本数据训练PCA降维模型以及水质检测高斯混合模型，模型训练完毕后即可实时稳定检测流动水质。具体包括以下步骤：
步骤一、首先在工厂排水口处，根据实际情况设置水流识别区，其中，所述识别区可以是一小段水槽，可选的，可以将水流识别区划分为两个子区域，并且两个子区域对应的水槽表面为不同的颜色，例如一个子区域水槽的表面为绿色，另一个子区域水槽的表面为红色，识别区子区域对应的水槽表面设置为不同的颜色可以防止污水颜色和水槽颜色相同时导致的漏检。
步骤二、根据现场情况在水流识别区搭建摄像头和光源，摄像头需要固定角度，尽量俯视水流识别区，光源的安置尽量避免水面反光。视频/图像数据可通过网络或直连的方式传输到处理装置。
步骤三、采集水流识别区的训练样本数据，其中，基于水流识别区子区域的划分，可以分别对应红色识别区和绿色识别区采集两组数据，并且基于该两组数据训练两组独立的模型。
在采集训练样本数据时，尽量采集可能出现的各种水质正常数据，如：不同的流速导致的水面波纹、反光的不一致，水流量从无到最大所导致的不同水面情况，以及少量模拟的水质异常情况，如浑浊水、变色水、泡沫等等。
步骤四、基于采集的训练样本数据训练模型，其中，水质异常数据主要用于PCA计算，增强泛化能力，高斯混合模型只需在正常水质数据上训练即可，其中高斯混合模型训练方法采用最大期望算法。其中PCA降维模型和高斯混合模型的训练方法参见实施例二，不再赘述。
步骤四、部署训练好的水质检测高斯混合模型，通过设置阈值，实时检测绿色识别区和红色识别区的水质是否异常，只要有其中一个区域发现异常，就判定水流识别区为异常情况，并且通过告警推送模块及时发送水质异常警报。
本发明实施例的水质异常检测方法能在实际排水现场全自动实现流动水质的异常检测，采用摄像头方式获取水样图像，实时性高，且非接触式采集数据没有损耗问题；进一步该方法采用高斯混合模型判别水质，无需标注过多异常水质数据，主要在正常水质数据上训练模型即可，只要遇到任意和正常水质差异较大的情况都能准确判定为异常，模型准确率更高；而且高斯混合模型可以在特征空间中拟合正常水质的各种不同的水面波纹、反光等干扰因素，模型鲁棒性更强。
上述描述了本发明实施例水质异常检测方法的处理流程，以下将详细描述本发明的一个或多个实施例的水质异常检测装置。本领域技术人员可以理解，所述装置可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。
图3为本发明实施例提供的水质异常检测装置的结构示意图，如图3所示，所述装置包括：
图像获取模块11，用于获取待检测水质区域的水样图像；
数据提取模块12，用于从所述水样图像中提取水质特征数据；
检测模块13，用于将所述水质特征数据输入水质检测高斯混合模型中，根据所述水质检测高斯混合模型的输出结果确定待检测区域水质。
可选的，数据提取模块12从所述水样图像中提取水质特征数据，包括：采用主成分分析PCA算法从所述水样图像中提取水质特征数据。
数据提取模块12，在从所述水样图像中提取水质特征数据之前，进一步，将所述水样图像从RGB空间转换到HSV特征空间，得到n维水质特征数据；相应的，采用PCA算法从所述水样图像中提取水质特征数据，包括：采用PCA算法将所述n维水质特征数据降为k维水质特征数据，所述k维水质特征数据用于输入所述水质检测高斯混合模型，其中，k小于n，k和n均为正整数。
可选的，所述装置还包括模型建立模块，所述模型建立模块用于：基于待检测水质区域水质正常时的水质特征数据建立所述水质检测高斯混合模型。
可选的，所述待检测水质区域包括多个子区域；对应每个所述子区域分别建立有对应的水质检测高斯混合模型。
可选的，该装置包括的模型建立模块建立所述水质检测高斯混合模型，包括：获取待检测水质区域的m张水样图像作为训练样本图像，m大于2；将所述训练样本图像从RGB空间转换到HSV特征空间，得到训练样本集矩阵X＝m×n，所述训练样本集矩阵的特征维度为n；采用PCA算法从所述样本集矩阵X中得到特征向量矩阵Y＝m×k，所述特征向量矩阵Y的特征维度为k，k小于n，k和n均为正整数；将所述特征向量矩阵Y作为训练数据对高斯混合模型进行训练，得到所述水质检测高斯混合模型。
本发明实施例水质异常检测装置用于实现本发明实施例的水质异常检测方法，未详述之处参见方法实施例。该技术方案的执行过程和技术效果参见上述所示方法实施例中的描述，在此不再赘述。
以上描述了水质异常检测装置的内部功能和结构，在一个可能的设计中，水质异常检测装置的结构可实现在一处理设备中，如计算机、服务器等，如图4所示，该处理设备可以包括：处理器21和存储器22。其中，所述存储器22用于存储支持该处理设备执行上述方法实施例中提供的水质异常检测方法的程序，所述处理器21被配置为用于执行所述存储器22中存储的程序。其中，所述处理设备的结构中还可以包括通信接口23，用于该处理与其他设备比如设置在识别区的摄像头或者用于接收告警信息的用户终端进行通信。
另外，本发明实施例提供了一种计算机存储介质，用于储存上述处理设备所用的计算机软件指令，其包含用于执行上述方法实施例中水质异常检测方法的程序。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种水质异常检测方法，其特征在于，包括：
获取待检测水质区域的水样图像；
从所述水样图像中提取水质特征数据；
将所述水质特征数据输入水质检测高斯混合模型中，根据所述水质检测高斯混合模型的输出结果确定待检测区域水质。
2.根据权利要求1所述的方法，其特征在于，从所述水样图像中提取水质特征数据，包括：
采用主成分分析PCA算法从所述水样图像中提取水质特征数据。
3.根据权利要求2所述的方法，其特征在于，从所述水样图像中提取水质特征数据之前，包括：将所述水样图像从RGB空间转换到HSV特征空间，得到n维水质特征数据；
相应的，采用PCA算法从所述水样图像中提取水质特征数据，包括：
采用PCA算法将所述n维水质特征数据降为k维水质特征数据，所述k维水质特征数据用于输入所述水质检测高斯混合模型，其中，k小于n，k和n均为正整数。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于待检测水质区域水质正常时的水质特征数据建立所述水质检测高斯混合模型。
5.根据权利要求1所述的方法，其特征在于，所述待检测水质区域包括多个子区域；对应每个所述子区域分别建立有对应的水质检测高斯混合模型。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述方法建立所述水质检测高斯混合模型，包括：
获取待检测水质区域的m张水样图像作为训练样本图像，m大于2；
将所述训练样本图像从RGB空间转换到HSV特征空间，得到训练样本集矩阵X＝m×n，所述训练样本集矩阵的特征维度为n；
采用PCA算法从所述样本集矩阵X中得到特征向量矩阵Y＝m×k，所述特征向量矩阵Y的特征维度为k，k小于n，k和n均为正整数；
将所述特征向量矩阵Y作为训练数据对高斯混合模型进行训练，得到所述水质检测高斯混合模型。
7.根据权利要求6所述的方法，其特征在于，采用PCA算法从所述样本集矩阵X中得到特征向量矩阵Y＝m×k，包括：
计算所述样本集矩阵X每个特征维度的均值，并将样本集矩阵X减去所述均值，得到去均值后的样本集矩阵；
计算所述去均值后的样本集矩阵的协方差矩阵C；
计算所述协方差矩阵C的特征值和特征向量；
从所述协方差矩阵C的特征值中选择最大的k个，将最大的k个特征值所对应的特征向量映射到k维特征空间得到所述特征向量矩阵Y。
8.根据权利要求6或7所述的方法，其特征在于，所述m张水样图像为待检测水质区域水质正常时的水样图像。
9.根据权利要求6所述的方法，其特征在于，所述方法还包括：获取f张待检测水质区域水质异常时的水样图像，所述f张待检测水质区域水质异常时的水样图像用于对PCA算法的计算结果进行泛化处理。
10.一种水质异常检测装置，其特征在于，包括：
图像获取模块，用于获取待检测水质区域的水样图像；
数据提取模块，用于从所述水样图像中提取水质特征数据；
检测模块，用于将所述水质特征数据输入水质检测高斯混合模型中，根据所述水质检测高斯混合模型的输出结果确定待检测区域水质。
CN201910998254.XA 2019-10-21 2019-10-21 一种水质异常检测方法、装置及设备 Pending CN110751643A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910998254.XA CN110751643A (zh) 2019-10-21 2019-10-21 一种水质异常检测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910998254.XA CN110751643A (zh) 2019-10-21 2019-10-21 一种水质异常检测方法、装置及设备

Publications (1)

Publication Number Publication Date
CN110751643A true CN110751643A (zh) 2020-02-04

Family

ID=69279005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910998254.XA Pending CN110751643A (zh) 2019-10-21 2019-10-21 一种水质异常检测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN110751643A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111220786A (zh) * 2020-03-09 2020-06-02 生态环境部华南环境科学研究所 一种深水沉积物有机污染快速监测方法
CN111812292A (zh) * 2020-09-03 2020-10-23 中兴仪器（深圳）有限公司 水质污染类型溯源方法、装置、设备及可读存储介质
CN112101790A (zh) * 2020-09-16 2020-12-18 清华大学合肥公共安全研究院 一种水体监测视频及数据联动预警方法及系统
CN113505649A (zh) * 2021-06-10 2021-10-15 广州杰赛科技股份有限公司 一种自来水加氯控制方法及装置
CN115684516A (zh) * 2022-08-29 2023-02-03 邯郸市亿润工程咨询有限公司 一种水利工程污水处理检测方法、装置、电子设备及介质
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
CN117269443A (zh) * 2023-09-11 2023-12-22 杭州智驳科技有限公司 一种基于大数据的智慧数字乡村环境监测系统
CN117786587A (zh) * 2024-02-28 2024-03-29 深圳市福山自动化科技有限公司 基于数据分析的电网数据质量异常诊断方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008118977A1 (en) * 2007-03-26 2008-10-02 Desert Research Institute Data analysis process
CN106650770A (zh) * 2016-09-29 2017-05-10 南京大学 一种基于样本学习和人眼视觉特性的mura缺陷检测方法
CN107845064A (zh) * 2017-09-02 2018-03-27 西安电子科技大学 基于主动采样和高斯混合模型的图像超分辨重建方法
CN108009556A (zh) * 2017-12-23 2018-05-08 浙江大学 一种基于定点图像分析的河道漂浮物检测方法
CN108595495A (zh) * 2018-03-15 2018-09-28 阿里巴巴集团控股有限公司 预测异常样本的方法和装置
CN109101924A (zh) * 2018-08-14 2018-12-28 武汉大学 一种基于机器学习的路面交通标志识别方法
CN109118548A (zh) * 2018-07-17 2019-01-01 浙江大学 一种综合智能水质识别方法
CN109961425A (zh) * 2019-02-28 2019-07-02 浙江大学 一种动态水的水质识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008118977A1 (en) * 2007-03-26 2008-10-02 Desert Research Institute Data analysis process
CN106650770A (zh) * 2016-09-29 2017-05-10 南京大学 一种基于样本学习和人眼视觉特性的mura缺陷检测方法
CN107845064A (zh) * 2017-09-02 2018-03-27 西安电子科技大学 基于主动采样和高斯混合模型的图像超分辨重建方法
CN108009556A (zh) * 2017-12-23 2018-05-08 浙江大学 一种基于定点图像分析的河道漂浮物检测方法
CN108595495A (zh) * 2018-03-15 2018-09-28 阿里巴巴集团控股有限公司 预测异常样本的方法和装置
CN109118548A (zh) * 2018-07-17 2019-01-01 浙江大学 一种综合智能水质识别方法
CN109101924A (zh) * 2018-08-14 2018-12-28 武汉大学 一种基于机器学习的路面交通标志识别方法
CN109961425A (zh) * 2019-02-28 2019-07-02 浙江大学 一种动态水的水质识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余祥瑞: "基于双摄像机视频的生物水质预警系统的研究", 《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111220786A (zh) * 2020-03-09 2020-06-02 生态环境部华南环境科学研究所 一种深水沉积物有机污染快速监测方法
CN111812292A (zh) * 2020-09-03 2020-10-23 中兴仪器（深圳）有限公司 水质污染类型溯源方法、装置、设备及可读存储介质
CN111812292B (zh) * 2020-09-03 2020-12-08 中兴仪器（深圳）有限公司 水质污染类型溯源方法、装置、设备及可读存储介质
CN112101790B (zh) * 2020-09-16 2024-03-15 清华大学合肥公共安全研究院 一种水体监测视频及数据联动预警方法及系统
CN112101790A (zh) * 2020-09-16 2020-12-18 清华大学合肥公共安全研究院 一种水体监测视频及数据联动预警方法及系统
CN113505649A (zh) * 2021-06-10 2021-10-15 广州杰赛科技股份有限公司 一种自来水加氯控制方法及装置
CN113505649B (zh) * 2021-06-10 2023-11-17 广州杰赛科技股份有限公司 一种自来水加氯控制方法及装置
CN115684516A (zh) * 2022-08-29 2023-02-03 邯郸市亿润工程咨询有限公司 一种水利工程污水处理检测方法、装置、电子设备及介质
CN115684516B (zh) * 2022-08-29 2024-03-26 邯郸市亿润工程咨询有限公司 一种水利工程污水处理检测方法、装置、电子设备及介质
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
CN116165353B (zh) * 2023-04-26 2023-07-25 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
CN117269443A (zh) * 2023-09-11 2023-12-22 杭州智驳科技有限公司 一种基于大数据的智慧数字乡村环境监测系统
CN117269443B (zh) * 2023-09-11 2024-05-03 杭州智驳科技有限公司 一种基于大数据的智慧数字乡村环境监测系统
CN117786587A (zh) * 2024-02-28 2024-03-29 深圳市福山自动化科技有限公司 基于数据分析的电网数据质量异常诊断方法
CN117786587B (zh) * 2024-02-28 2024-06-04 国网河南省电力公司经济技术研究院 基于数据分析的电网数据质量异常诊断方法

Similar Documents

Publication Publication Date Title
CN110751643A (zh) 一种水质异常检测方法、装置及设备
CN110414334B (zh) 一种基于无人机巡视的智能水质识别方法
CN111028213A (zh) 图像缺陷检测方法、装置、电子设备及存储介质
JP2005129070A (ja) 画質を評価するシステム及び方法
EP3346445A1 (en) Methods and devices for extracting an object from a video sequence
CN105976389A (zh) 一种手机底板连接器缺陷检测方法
CN115861210B (zh) 一种基于孪生网络的变电站设备异常检测方法和系统
CN109919002A (zh) 黄色禁停线识别方法、装置、计算机设备及存储介质
CN111259704A (zh) 一种虚线车道线端点检测模型的训练方法
CN114155365A (zh) 模型训练方法、图像处理方法及相关装置
CN114972339A (zh) 用于推土机结构件生产异常检测的数据增强系统
CN112614117A (zh) 设备区域提取模型训练方法、设备区域提取方法及装置
CN114821358A (zh) 光学遥感图像海上舰船目标提取与识别方法
CN113221842A (zh) 模型训练方法、图像识别方法、装置、设备及介质
CN111291712B (zh) 基于插值的cn和胶囊网络的森林火灾识别方法及装置
CN117115436A (zh) 舰船姿态检测方法、装置、电子设备及存储介质
US20240320848A1 (en) Pollution level estimation system, pollution level estimation method, and pollution level estimation program
CN115409841A (zh) 一种基于视觉的印刷品检验方法
CN108416815A (zh) 大气光值的测定方法、设备及计算机可读存储介质
CN114782822A (zh) 电力设备的状态检测方法、装置、电子设备及存储介质
CN109829389B (zh) 机器移位判断方法、装置以及计算机存储介质
CN113658274A (zh) 用于灵长类动物种群行为分析的个体间距自动计算方法
CN112614100A (zh) 海洋浮游生物图像分割方法
Wei et al. A study of image processing on identifying cucumber disease
CN113052260A (zh) 基于图像配准和目标检测的变电站异物识别方法及系统

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

Application publication date: 20200204

RJ01 Rejection of invention patent application after publication