CN112101352A - 水下矾花状态识别方法及监测装置、计算机设备和存储介质 - Google Patents
水下矾花状态识别方法及监测装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112101352A CN112101352A CN202010949369.2A CN202010949369A CN112101352A CN 112101352 A CN112101352 A CN 112101352A CN 202010949369 A CN202010949369 A CN 202010949369A CN 112101352 A CN112101352 A CN 112101352A
- Authority
- CN
- China
- Prior art keywords
- underwater
- alum
- alum blossom
- value
- feature
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种能自动识别水下矾花并根据矾花状态来指导混凝剂投加量的水下矾花状态识别方法、监测装置、计算机设备和存储介质。该方法对水下矾花图像进行图像预处理,进行多次多尺度采样,依据不同特征描述因子对采样图进行特征提取,得到特征向量后,筛选高相关度的特征向量输入模糊层,获得矾花值,并根据浊度仪数据与矾花值的差值、水厂的工艺数据对矾花值作补偿,进行迭代训练直至获得准确的矾花值数据。还公开了一种矾花监测系统,包括采集模块、采样模块、特征提取模块、特征处理模块、结果处理模块、返回模块、检测模块。本发明通过机器视觉和人工智能的结合,实时客观的分析水下矾花的状态,并给出混凝剂投加量的指导依据。
Description
技术领域
本发明属于自来水生产领域,具体涉及一种基于机器视觉识别水下矾花状态的方法、监测装置、计算机设备和存储介质。
背景技术
自来水厂水处理工艺一般包括药物投放、混凝沉淀、过滤等环节,其中混凝沉淀环节是指投加混凝剂破坏水中胶体颗粒的稳定性,在一定条件下形成絮状体(即矾花)并利用重力作用使其沉淀从水中分离出来。
目前,国内水厂主要依靠人工巡检方式来监控矾花的状态,主要通过人工观察反应池末端的矾花,根据矾花大小、形态、结构等要素来判断凝絮效果的好坏,但是这种方式要求工作人员具有多年的经验积累,并且容易受人为因素的影响。
发明内容
本发明的目的在于提供一种能自动识别水下矾花并根据水下矾花状态来指导混凝剂投放的水下矾花状态识别方法、监测装置、计算机设备和存储介质。
本发明提供了一种水下矾花状态识别方法,包括如下步骤:
对采集到的水下矾花图像进行图像预处理,获得感兴趣区域图;
将该感兴趣区域图输入卷积神经网络,对该感兴趣区域图进行多次采样,获得多个尺度的采样图;
选用特征描述因子对获得的多个采样图进行全局特征提取和/或局部特征提取,获得由各个特征描述因子对应的提取结果组成的特征向量;
模糊神经网络根据该特征向量进行筛选获得高相关度的特征向量,将该高相关度的特征向量输入该模糊神经网络的模糊层,获得矾花值;
参考浊度仪数据修正该矾花值,将修正后的矾花值与在该水体中的混凝剂投放量记录到合理匹配数据序列中,并更新该模糊神经网络的参数;
采用更新后的模糊神经网络返回开始步骤重新开始,进行迭代训练,直至满足设定终止条件时,结束训练得到矾花状态判别网络;
将采集的水体图像输入矾花状态判别网络,获得矾花值和混凝剂的投放量。
在其中一个实施例中,所述对矾花值的修正方法为用浊度仪对该水体检测得到浊度仪数据,计算该浊度仪数据与所述矾花值之间的差值,依据水厂的工艺数据对所述矾花值作相应的补偿。
在其中一个实施例中,所述对矾花值的修正方法采用的计算公式为:
ynew=y×(1+α×(NTU-y)),
其中,y为修正补偿前的矾花值,a为工艺补偿参数,NTU为浊度仪数据,ynew为修正补偿后的矾花值。
在其中一个实施例中,所述对特征向量进行筛选的方法为先筛选出高相关度的特征向量,然后调整该特征向量中各特征对应的权重。
在其中一个实施例中,所述模糊神经网络的参数包含模糊层的隶属度函数参数、模糊规则、反模糊函数的参数。
在其中一个实施例中,所述采样的方法为将所述感兴趣区域图依次经过卷积神经网络的卷积层、池化层来获得采样图。
在其中一个实施例中,所述对各个特征描述因子提取特征结果的方法为采用局部二值模式计算图像中对应于特征描述因子的纹理信息,得到特征结果。
本发明还提供了一种应用所述水下矾花状态识别方法的矾花监测装置,包括:
采集模块,用于对采集到的水下矾花图像进行图像预处理,获得感兴趣区域图;
采样模块,用于将感兴趣区域图输入卷积神经网络,对感兴趣区域图进行多次采样,获得多个尺度的采样图;
特征提取模块,用于选用特征描述因子对获得的多个采样图进行全局特征提取和/或局部特征提取,获得由各个特征描述因子对应的提取结果组成的特征向量;
特征处理模块,用于模糊神经网络根据特征向量进行筛选获得高相关度的特征向量,将该高相关度的特征向量输入该模糊神经网络的模糊层,获得矾花值;
结果处理模块,用于修正矾花值,将修正后的矾花值与在该水体中的混凝剂投放量记录到合理匹配数据序列中,并更新模糊神经网络的参数;
返回模块,用于采用更新后的模糊神经网络返回开始步骤重新开始,进行迭代训练,直至满足设定终止条件时,结束训练得到矾花状态判别网络;
检测模块,用于将采集的水体图像输入矾花状态判别网络,获得矾花值和混凝剂的投放量。
本发明还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现所述水下矾花状态识别方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现所述水下矾花状态识别方法的步骤。
本发明所提供的水下矾花状态识别方法具有以下的优点及效果:
通过机器视觉和人工智能的结合,多尺度、多特征的处理拍摄的矾花图像,实时客观的分析水下矾花的状态得到矾花值,并给出混凝剂投加量的指导依据,使得投加混凝剂变得简单可行,不再需要依靠专业的知识和经验来判断投加量的多少。
本发明所提供的矾花监测装置具有以下的优点及效果:
采用这种监控系统能实时监测并自动分析处理得到水体中的矾花值,根据矾花值对混凝剂投加量是否合适进行判断并给出调整方向指导。采取机器视觉来代替人工巡检方式,较沉后浊度仪,能更早地预判沉后浊度,克服人工巡检不及时、判断滞后的问题。
附图说明
图1是本发明水下矾花状态识别方法第一种实施例流程图;
图2是本发明水下矾花状态识别方法第二种实施例流程图;
图3是本发明矾花监测系统实施例的结构图;
图4是本发明水下矾花状态识别方法实施例的合理匹配曲线图;
图5是实施例的计算机设备示意图;
图6是本发明水下矾花状态识别方法实施例中模糊神经网络处理过程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明水下矾花状态识别方法可以应用于露天水厂的水下矾花状态检测系统,第一种实施例如图1所示,具体实施步骤如下:
S201、通过水厂的图像采集装置连续采集水下矾花图像。本实施例的图像采集装置主要为可防水的工业级水下相机,水下相机固定在相机支架上,相机支架安装在相机杆上,该相机杆固定在水厂的反应池与沉淀池中间的通道处,如通过U型锁扣固定在通道的护栏栏杆上。
S202、对采集到的水下矾花图像进行图像预处理,获得感兴趣区域图即ROI区域图像。该预处理包括采用均值滤波方法对图像进行去噪、使用直方图均衡化操作来调整图像明暗分布从而实现图像的增强、去掉图像边缘存在的由于变形和模糊而导致的畸变区域,如果拍摄的图像顶部和底部存在文字信息或者存在边框的话,也要一并去除这些区域,最终获得只包含有效水体信息区域的ROI区域图。
其中,均值滤波方法的具体计算步骤为:计算窗口区域的像素均值,然后将均值赋值给窗口中心点处的像素,获得均值滤波操作后的的图像;
均值滤波方法的计算公式为
其中,Sxy表示中心点在(x,y)处,大小为m*n的滤波器窗口,g(s,t)表示原始图像,f(x,y)表示均值滤波后得到的图像。
S203、将该感兴趣区域图(ROI区域图)输入卷积神经网络,该卷积神经网络的一个卷积层和一个池化层构成一个采样单元,一个采样单元得到一张采样图,本实施例的卷积神经网络共有3组不同尺度参数的采样单元,从而获得3张不同尺寸的采样图,这3张采样图的尺寸分别为ROI区域图大小的1/2、1/4、1/8。
具体的,卷积层操作公式为:
其中,x[m,n]为输入图像,h[m,n]为卷积核,y[m,n]为卷积层输出结果。
图像经过卷积层处理后,将数据传入池化层,在这里采用最大池化策略,完成数据采样,池化层采用的操作公式为:
f(x[i,j])=max{x[i,j],x[i+1,j],x[i,j+1],x[i+1,j+1]}。
S204、选用特征描述因子对获得的3张采样图分别进行全局特征提取和局部特征提取,特征描述因子主要包括矾花的形状、大小、厚薄、分布、纹理、结构等,采用局部二值模式计算方法,获得由各个特征描述因子的提取结果组成的特征向量P=[p1,p2……pn],本实施例采取了全局特征和局部特征都提取,当然也可以采取对采样图进行全局特征提取或局部特征提取。
具体提取过程为:
S205、如图6所示,模糊神经网络根据获得的特征向量,自主筛选和水质描述相关度较大的特征Q=[q1,q2……qm],m<n,并调整各特征对应的权重。由特征与特征对应的权重组成了高相关度的特征向量,将高相关度的特征向量输入该模糊神经网络的模糊层,进行模糊化,将获得的模糊变量输入该模糊神经网络的规则层,得到输出描述,再对输出描述进行量化,获得矾花值。
S206、计算该矾花值与记录到的该水体水质浊度仪数据之间的差值后,依据水厂处理水的工艺数据做出修正补偿,根据该水体中混凝剂的投放量,得到修正后的矾花值与混凝剂投放量的合理匹配数据作为混凝剂投加量的指导依据,并相应更新模糊神经网络的模糊层隶属度函数参数、模糊规则、反模糊函数的参数,从而更新该模糊神经网络的参数。
具体的,修正的计算公式为:
ynew=y×(1+α×(NTU-y))
其中y为修正补偿前的矾花值,a为工艺补偿参数,NTU为浊度仪数据,ynew为修正补偿后的矾花值。
S207、使用模糊神经网络返回开始步骤S201重新开始,进行迭代训练,直至迭代次数大于5000次或者前述差值小于0.01时,结束训练从而得到矾花状态判别网络。
S208、将采集水体的图像输入矾花状态判别网络,获得矾花值和依据合理匹配数据得到混凝剂的投放量。
采用这种方法,通过机器视觉和人工智能的结合来处理拍摄的矾花图像可以实时得到更加客观的指标,通过与混凝剂投放量匹配后,还可以获得如图4所示的合理匹配曲线作为混凝剂投加量的指导依据,使得投加混凝剂变得简单可行,不再需要依靠专业的知识和经验来判断投加量的多少,还能通过外接自控系统,指导自控系统完成混凝剂的自动投加。
图2所示是本发明水下矾花状态识别方法的另一种实施例,与第一种实施例的区别在于第二种实施例直接使用已经训练结束的矾花状态判别网络,因此不需要相应训练的步骤,直接获得矾花值和合理匹配数据。其步骤包括:
S211、采集水下矾花图像;
S212、对矾花图像进行预处理,获得感兴趣区域图;
S213、矾花状态识别网络对感兴趣区域图进行多次采样,获得多个尺度的采样图;
S214、矾花状态识别网络选用特征描述因子对获得的多个采样图进行全局特征提取和/或局部特征提取,获得特征提取结果组成的特征向量;
S215、矾花状态识别网络对特征向量进行筛选获得高相关度的特征向量;
S216、矾花状态识别网络对高相关度的特征向量进行模糊处理,获得矾花值和混凝剂投放量。
本发明还包括一种应用水下矾花状态识别方法的矾花监测装置,图3所示为该装置实施例的结构示意图,其包括:
采集模块S101,用于对采集到的水下矾花图像进行图像预处理,获得感兴趣区域图;
采样模块S102,用于将感兴趣区域图输入卷积神经网络,对感兴趣区域图进行多次采样,获得多个尺度的采样图;
特征提取模块S103,用于选用特征描述因子对获得的多个采样图进行全局特征提取和/或局部特征提取,获得由各个特征描述因子对应的提取结果组成的特征向量;
特征处理模块S104,用于模糊神经网络根据特征向量进行筛选获得高相关度的特征向量,将该高相关度的特征向量输入该模糊神经网络的模糊层,获得矾花值;
结果处理模块S105,用于修正矾花值,将修正后的矾花值与在该水体中的混凝剂投放量记录到合理匹配数据序列中,并更新模糊神经网络的参数;
返回模块S106,用于采用更新后的模糊神经网络返回开始步骤重新开始,进行迭代训练,直至满足设定终止条件时,结束训练得到矾花状态判别网络;
检测模块S107,用于将采集的水体图像输入矾花状态判别网络,获得矾花值和混凝剂的投放量。
可选的,还包括预警模块,能对超过警戒值的矾花值进行预警提醒,比如:亮灯报警和/或声音报警等。
上述应用水下矾花状态识别方法的矾花监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种水下矾花状态识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。基于如上所述的示例,在一个实施例中还提供一种计算机设备,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行所述程序时实现如上述各实施例中的任意一种水下矾花状态识别方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性的计算机可读取存储介质中,如本发明实施例中,该程序可存储于计算机系统的存储介质中,并被该计算机系统中的至少一个处理器执行,以实现包括如上述水下矾花状态识别方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。据此,在一个实施例中还提供一种计算机存储介质计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上述各实施例中的任意一种水下矾花状态识别方法。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。本申请实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.水下矾花状态识别方法,其特征在于,包括如下步骤:
对采集到的水下矾花图像进行图像预处理,获得感兴趣区域图;
将该感兴趣区域图输入卷积神经网络,对该感兴趣区域图进行多次采样,获得多个尺度的采样图;
选用特征描述因子对获得的多个采样图进行全局特征提取和/或局部特征提取,获得由各个特征描述因子对应的提取结果组成的特征向量;
模糊神经网络根据该特征向量进行筛选获得高相关度的特征向量,将该高相关度的特征向量输入该模糊神经网络的模糊层,获得矾花值;
参考浊度仪数据修正该矾花值,将修正后的矾花值与在该水体中的混凝剂投放量记录到合理匹配数据序列中,并更新该模糊神经网络的参数;
采用更新后的模糊神经网络返回开始步骤重新开始,进行迭代训练,直至满足设定终止条件时,结束训练得到矾花状态判别网络;
将采集的水体图像输入矾花状态判别网络,获得矾花值和混凝剂的投放量。
2.按照权利要求1所述的水下矾花状态识别方法,其特征在于,所述对矾花值的修正方法为用浊度仪对该水体检测得到浊度仪数据,计算该浊度仪数据与所述矾花值之间的差值,依据水厂的工艺数据对所述矾花值作相应的补偿。
3.按照权利要求2所述的水下矾花状态识别方法,其特征在于,所述对矾花值的修正方法采用的计算公式为:
ynew=y×(1+α×(NTU-y)),
其中,y为修正补偿前的矾花值,α为工艺补偿参数,NTU为浊度仪数据,ynew为修正补偿后的矾花值。
4.按照权利要求1所述的水下矾花状态识别方法,其特征在于,所述对特征向量进行筛选的方法为先筛选出高相关度的特征向量,然后调整该特征向量中各特征对应的权重。
5.按照权利要求1所述的水下矾花状态识别方法,其特征在于,所述模糊神经网络的参数包含模糊层的隶属度函数参数、模糊规则、反模糊函数的参数。
6.按照权利要求1至5任一项所述的水下矾花状态识别方法,其特征在于,所述采样的方法为将所述感兴趣区域图依次经过卷积神经网络的卷积层、池化层来获得采样图。
7.按照权利要求1至5任一项所述的水下矾花状态识别方法,其特征在于,所述对各个特征描述因子提取特征结果的方法为采用局部二值模式计算图像中对应于特征描述因子的纹理信息,得到特征结果。
8.矾花监测装置,其特征在于,包括:
采集模块,用于对采集到的水下矾花图像进行图像预处理,获得感兴趣区域图;
采样模块,用于将感兴趣区域图输入卷积神经网络,对感兴趣区域图进行多次采样,获得多个尺度的采样图;
特征提取模块,用于选用特征描述因子对获得的多个采样图进行全局特征提取和/或局部特征提取,获得由各个特征描述因子对应的提取结果组成的特征向量;
特征处理模块,用于模糊神经网络根据特征向量进行筛选获得高相关度的特征向量,将该高相关度的特征向量输入该模糊神经网络的模糊层,获得矾花值;
结果处理模块,用于修正矾花值,将修正后的矾花值与在该水体中的混凝剂投放量记录到合理匹配数据序列中,并更新模糊神经网络的参数;
返回模块,用于采用更新后的模糊神经网络返回开始步骤重新开始,进行迭代训练,直至满足设定终止条件时,结束训练得到矾花状态判别网络;
检测模块,用于将采集的水体图像输入矾花状态判别网络,获得矾花值和混凝剂的投放量。
9.计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010949369.2A CN112101352A (zh) | 2020-09-10 | 2020-09-10 | 水下矾花状态识别方法及监测装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010949369.2A CN112101352A (zh) | 2020-09-10 | 2020-09-10 | 水下矾花状态识别方法及监测装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112101352A true CN112101352A (zh) | 2020-12-18 |
Family
ID=73750891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010949369.2A Pending CN112101352A (zh) | 2020-09-10 | 2020-09-10 | 水下矾花状态识别方法及监测装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101352A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112834450A (zh) * | 2020-12-31 | 2021-05-25 | 剑科云智(深圳)科技有限公司 | 一种传感器、污水测定的系统和方法 |
CN113705898A (zh) * | 2021-08-30 | 2021-11-26 | 上海昊沧系统控制技术有限责任公司 | 自来水混凝剂加药量的预测方法及系统 |
CN115147617A (zh) * | 2022-09-06 | 2022-10-04 | 聊城集众环保科技有限公司 | 基于计算机视觉的污水处理智能监控方法 |
WO2023029117A1 (zh) * | 2021-08-30 | 2023-03-09 | 上海城市水资源开发利用国家工程中心有限公司 | 一种利用图像识别技术分析矾花特征的方法及装置 |
-
2020
- 2020-09-10 CN CN202010949369.2A patent/CN112101352A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112834450A (zh) * | 2020-12-31 | 2021-05-25 | 剑科云智(深圳)科技有限公司 | 一种传感器、污水测定的系统和方法 |
CN112834450B (zh) * | 2020-12-31 | 2024-04-16 | 剑科云智(深圳)科技有限公司 | 一种传感器、污水测定的系统和方法 |
CN113705898A (zh) * | 2021-08-30 | 2021-11-26 | 上海昊沧系统控制技术有限责任公司 | 自来水混凝剂加药量的预测方法及系统 |
WO2023029117A1 (zh) * | 2021-08-30 | 2023-03-09 | 上海城市水资源开发利用国家工程中心有限公司 | 一种利用图像识别技术分析矾花特征的方法及装置 |
CN115147617A (zh) * | 2022-09-06 | 2022-10-04 | 聊城集众环保科技有限公司 | 基于计算机视觉的污水处理智能监控方法 |
CN115147617B (zh) * | 2022-09-06 | 2022-11-22 | 聊城集众环保科技有限公司 | 基于计算机视觉的污水处理智能监控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101352A (zh) | 水下矾花状态识别方法及监测装置、计算机设备和存储介质 | |
CN111583227B (zh) | 一种荧光细胞自动计数方法、装置、设备和介质 | |
CN106709450A (zh) | 一种指纹图像识别方法及系统 | |
CN110909780A (zh) | 一种图像识别模型训练和图像识别方法、装置及系统 | |
CN111986183B (zh) | 一种染色体散型图像自动分割识别系统及装置 | |
CN110717922A (zh) | 一种图像清晰度评价方法及装置 | |
Selvakumar et al. | The performance analysis of edge detection algorithms for image processing | |
CN114240961A (zh) | 一种U-Net++细胞分割网络系统、方法、设备及终端 | |
CN115393375A (zh) | 荧光显微成像中明场细胞图像分割方法和装置 | |
Wankhede et al. | Automated microaneurysms detection from retinal fundus images using pixel intensity rank transform | |
CN117314793B (zh) | 基于bim模型的建筑施工数据采集方法 | |
CN106778777A (zh) | 一种车辆匹配方法及系统 | |
Wang et al. | Infrared and visible image fusion based on Laplacian pyramid and generative adversarial network. | |
CN116563768B (zh) | 一种微塑料污染物智能检测方法及系统 | |
Lahmiri et al. | Combined partial differential equation filtering and particle swarm optimization for noisy biomedical image segmentation | |
Dannemiller et al. | A new method for the segmentation of algae images using retinex and support vector machine | |
CN111325706A (zh) | 一种晶界提取、晶界提取模型生成方法及装置 | |
CN114863313A (zh) | 一种基于图像识别的水处理过程监控方法 | |
CN113610877A (zh) | 一种基于svm多分类模型的作物病虫害识别方法及系统 | |
CN108171168B (zh) | 弱小目标变动智能图像检测方法及装置 | |
Selvy et al. | A proficient clustering technique to detect CSF level in MRI brain images using PSO algorithm | |
Biswas et al. | Colonoscopy contrast-enhanced by intuitionistic fuzzy soft sets for polyp cancer localization | |
Saffari et al. | On improving breast density segmentation using conditional generative adversarial networks | |
CN118154480B (zh) | 一种种养结合的养殖场污物净化处理方法及系统 | |
Geetha et al. | Automatic Detection of Cervical Cancer Using UKF and ACM-AHP' |
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 |