CN112101454A - 一种污水曝气分析方法 - Google Patents
一种污水曝气分析方法 Download PDFInfo
- Publication number
- CN112101454A CN112101454A CN202010966872.9A CN202010966872A CN112101454A CN 112101454 A CN112101454 A CN 112101454A CN 202010966872 A CN202010966872 A CN 202010966872A CN 112101454 A CN112101454 A CN 112101454A
- Authority
- CN
- China
- Prior art keywords
- picture
- sewage aeration
- analysis method
- layer
- pictures
- 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
- 238000005273 aeration Methods 0.000 title claims abstract description 54
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 239000010865 sewage Substances 0.000 title claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000007689 inspection Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 26
- 238000011176 pooling Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 5
- 230000002035 prolonged effect Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- 239000000523 sample Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种污水曝气分析方法，包括以下步骤：S1：根据污水曝气气泡数量对样本视频进行分类；S2：将分类后的样本视频按帧截图生成图片，并保存在文件夹中；S3：利用文件夹中的图片搭建卷积神经网络模型；S4：利用机器人进行巡检，拍摄目标视频；S5：将拍摄的目标视频转化为目标图片；S6：利用卷积神经网络模型分析目标图片，生成巡检报告，完成污水曝气分析。本发明提供的分析方法可以基于高清摄像头传输的视频，进行智能化分析处理，从而达到可以判断污水曝气池的曝气异常的作用，并且本发明不仅保障了操作人员的安全性以及采集数据的可靠性，还大幅度的提高了整体监控的使用寿命。
Description
技术领域
本发明属于污水曝气处理技术领域，具体涉及一种污水曝气分析方法。
背景技术
现有的污水曝气监控的方法有两种，一种是完全通过人工进行现场勘察然后人工判断曝气设备是否出现故障的方式，该方法的缺点在于，对于常规敞开式的曝气池，需要操作人员每天进行现场巡视判断曝气状况，当曝气池为地下式或者加盖时，人员无法看到反应池内的状况，无法了解其内部状况，采用目视观察法为主，需要在池板上开观察孔，操作人员弯腰探头观察水面曝气状况，增加了操作人员的工作强度及危险性；另一种方式是基于传感器网络对污水曝气设备故障进行监测的方式，该方法的缺点就是需要在曝气池内部装置有许多不同的传感器网络，由于污水的腐蚀性较高，会对放入曝气池内部的传感器有很大的腐蚀性效果，降低了传感器的使用寿命，一旦存在曝气池内部的传感器出现故障将无法第一时间得到更换，失去了后期对曝气系统的监控作用。
现有的曝气监测方法中既有通过操作人员进行现场勘察，人员状况无法得到保障的方法，也有通过采用装置各种的传感器设备，设备使用寿命较短的方法，从而达到对污水曝气故障的监测目的。但是随着现有的智能识别技术的提升，可以通过视频分析技术以替代人工的巡检，进行判断曝气池内部的曝气量的大小进而判断曝气池内部的曝气设备是否出现故障。
发明内容
本发明的目的是为了解决污水曝气分析的问题，提出了一种污水曝气分析方法。
本发明的技术方案是：一种污水曝气分析方法包括以下步骤：
S1：根据污水曝气气泡数量对样本视频进行分类；
S2：将分类后的样本视频按帧截图生成图片，并保存在文件夹中；
S3：利用文件夹中的图片搭建卷积神经网络模型；
S4：利用机器人进行巡检，拍摄目标视频；
S5：将拍摄的目标视频转化为目标图片；
S6：利用卷积神经网络模型分析目标图片，生成巡检报告，完成污水曝气分析。
本发明的有益效果是：
(1)本发明提供的分析方法可以基于高清摄像头传输的视频，进行智能化分析处理，从而达到可以判断污水曝气池的曝气异常的作用，并且本发明不仅保障了操作人员的安全性以及采集数据的可靠性，还大幅度的提高了整体监控的使用寿命。
(2)将Tensorflow技术灵活地运用到视频分析这一领域中，通过CNN技术对样本进行训练生成模型。同时可根据气泡量的多少来判断曝气盘的损坏程度。
(3)该技术首次搭载到巡检机器人上，让机器人在巡检的过程中更加智能的为企业降低了运营成本。
进一步地，步骤S3包括以下子步骤：
S31：读取文件夹中的所有图片，并将其分为0.8的训练数据集和0.2的验证数据集；
S32：选择自适应优化器；
S33：创建卷积层、池化层和全连接层；
S34：将图片依次输入卷积层、池化层和全连接层，并得到预测精度；
S35：利用训练数据集、自适应优化器和预测精度进行迭代，并利用验证数据集进行验证，完成卷积神经网络模型的搭建。
上述进一步方案的有益效果是：在本发明中，迭代完成的卷积神经网络模型便于后期对目标图片进行训练。
进一步地，步骤S32包括以下子步骤：
S321：设置损失函数loss；
S322：将损失函数loss作为最小参数，选择学习率为0.01的自适应优化器。
上述进一步方案的有益效果是：在本发明中，设置的损失函数可以作为模型训练优化的参考标准。
进一步地，步骤S34包括以下子步骤：
S341：将图片依次输入卷积层、池化层和全连接层；
S342：利用Tensorflow的tf.nn.conv.2d()函数处理卷积层的卷积核，并通过Tensorflow的tf.nn.relu()激活函数对图片进行非线性处理，得到二维特征图像；
S343：利用池化层，通过Tensorflow的tf.nn.max_pool()函数对二维特征图像进行压缩，并通过Tensorflow的tf.nn.max_pool()函数将压缩后的二维特征图像转化为一维向量；
S344：利用全连接层，通过Tensorflow的logit＝tf.matmul()函数连接一维向量，并返回logit；
S345：利用Tensorflow的tf.argmax()函数将全连接层返回的logit作为预测精度。
上述进一步方案的有益效果是：在本发明中，利用卷积层、池化层和全连接层对图片进行处理，可以提取到特定特征。
进一步地，步骤S341中，图片的厚度为3通道。
进一步地，步骤S342中，卷积核的大小为5像素*5像素。
进一步地，步骤S5包括以下子步骤：
S51：将目标视频按秒生成需识别图片，并保存在指定目录中；
S52：将需识别图片编码形成H264数据文件；
S53：通过TCP方式，将H264数据文件发送至指定目录中；
S54：通过TCP方式监听socket资源，接收H264数据文件；
S55：通过FFMPEG，将接收到的H264数据文件进行解码，生成目标图片。
上述进一步方案的有益效果是：在本发明中，通过策略设计巡检路线，让机器人在巡检过程中拍摄高清视频,并将其转化为图片，便于用训练好的模型进行分析。
附图说明
图1为污水曝气分析方法的流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
在描述本发明的具体实施例之前，为使本发明的方案更加清楚完整，首先对本发明中出现的缩略语和关键术语定义进行说明：
Tensorflow：一个基于数据流编程(dataflow programmning)的符号数学库，主要用于各类机器学习(machine learning)算法的编程实现。
Socket：用于根据指定的地址族、数据类型和协议来分配一个套接口的描述字及其所用的资源。
FFMPEG：多媒体处理工具。
CNN(Convolutional Neural Network)：卷积神经网络，一种多层网络神经，可以进行图像处理。CNN能够得出原始图像的有效表征，这使得CNN能够直接从原始像素中，经过极少的预处理，识别视觉上面的规律。
简单来说，CNN的目的是以一定的模型对事物进行特征提取，而后根据特征对该事物进行分类、识别、预测或决策等。在这个过程里，最重要的步骤在于特征提取，即如何提取到能最大程度区分事物的特征。如果提取的特征无法将不同的事物进行划分，那么该特征提取步骤将毫无意义。
CNN最大的优势在特征提取方面。由于CNN的特征检测层通过训练数据进行学习，避免了显示的特征抽取，而是隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。
如图1所示，本发明提供了一种污水曝气分析方法，包括以下步骤：
S1：根据污水曝气气泡数量对样本视频进行分类；
S2：将分类后的样本视频按帧截图生成图片，并保存在文件夹中；
S3：利用文件夹中的图片搭建卷积神经网络模型；
S4：利用机器人进行巡检，拍摄目标视频；
S5：将拍摄的目标视频转化为目标图片；
S6：利用卷积神经网络模型分析目标图片，生成巡检报告，完成污水曝气分析。
在本发明实施例中，如图1所示，步骤S3包括以下子步骤：
S31：读取文件夹中的所有图片，并将其分为0.8的训练数据集和0.2的验证数据集；
S32：选择自适应优化器；
S33：创建卷积层、池化层和全连接层；
S34：将图片依次输入卷积层、池化层和全连接层，并得到预测精度；
S35：利用训练数据集、自适应优化器和预测精度进行迭代，并利用验证数据集进行验证，完成卷积神经网络模型的搭建。
在本发明中，迭代完成的卷积神经网络模型便于后期对目标图片进行训练。
在本发明实施例中，如图1所示，步骤S32包括以下子步骤：
S321：设置损失函数loss；
S322：将损失函数loss作为最小参数，选择学习率为0.01的自适应优化器。
在本发明中，设置的损失函数可以作为模型训练优化的参考标准。
在本发明实施例中，如图1所示，步骤S34包括以下子步骤：
S341：将图片依次输入卷积层、池化层和全连接层；
S342：利用Tensorflow的tf.nn.conv.2d()函数处理卷积层的卷积核，并通过Tensorflow的tf.nn.relu()激活函数对图片进行非线性处理，得到二维特征图像；
S343：利用池化层，通过Tensorflow的tf.nn.max_pool()函数对二维特征图像进行压缩，并通过Tensorflow的tf.nn.max_pool()函数将压缩后的二维特征图像转化为一维向量；
S344：利用全连接层，通过Tensorflow的logit＝tf.matmul()函数连接一维向量，并返回logit；
S345：利用Tensorflow的tf.argmax()函数将全连接层返回的logit作为预测精度。
在本发明中，利用卷积层、池化层和全连接层对图片进行处理，可以提取到特定特征。
在本发明实施例中，如图1所示，步骤S341中，图片的厚度为3通道。
在本发明实施例中，如图1所示，步骤S342中，卷积核的大小为5像素*5像素。
在本发明实施例中，如图1所示，步骤S5包括以下子步骤：
S51：将目标视频按秒生成需识别图片，并保存在指定目录中；
S52：将需识别图片编码形成H264数据文件；
S53：通过TCP方式，将H264数据文件发送至指定目录中；
S54：通过TCP方式监听socket资源，接收H264数据文件；
S55：通过FFMPEG，将接收到的H264数据文件进行解码，生成目标图片。
在本发明中，通过策略设计巡检路线，让机器人在巡检过程中拍摄高清视频,并将其转化为图片，便于用训练好的模型进行分析。
在本发明实施例中，如表1所示，通过本污水曝气分析方法将0.2的验证数据集进行验证，将训练后的模型对800张验证数据集进行多次分析，其中646张图片可以准确分析出图片类别，最多只有十张图片分析结果类别错误，识别分类的准确率依赖于模型训练。其分析过程为：首先，在指定文件夹中读取需要识别的图片；然后，将识别的图片添加到模型中，模型根据图片的特征进行匹配，并按照特征分为正常、稍微不正常和非常不正常其中的一类；最后，对于稍不正常的识别结果生成告警信息进行通知并生成巡检报告。
表1
本发明的工作原理及过程为：首先，收集足够的样本视频：通过污水厂家，根据客户的需求，从客户那里得到符合要求的视频；然后，对样本视频进行分类，根据客户需求将样本手工分为：正常、稍不正常和非常不正常三类。再利用Tensorflow卷积神经网络算法(简称CNN)以及CNN对样本进行离线训练生成模型。通过智能分析污水曝气气泡量的多少来判断曝气盘是否出现故障，从而能够及时发现故障所在，使曝气盘能够得到及时的维护，降低企业成本，为企业带来更好的发展。
本发明的有益效果为：
(1)本发明提供的分析方法可以基于高清摄像头传输的视频，进行智能化分析处理，从而达到可以判断污水曝气池的曝气异常的作用，并且本发明不仅保障了操作人员的安全性以及采集数据的可靠性，还大幅度的提高了整体监控的使用寿命。
(2)将Tensorflow技术灵活地运用到视频分析这一领域中，通过CNN技术对样本进行训练生成模型。同时可根据气泡量的多少来判断曝气盘的损坏程度。
(3)该技术首次搭载到巡检机器人上，让机器人在巡检的过程中更加智能的为企业降低了运营成本。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种污水曝气分析方法，其特征在于，包括以下步骤：
S1：根据污水曝气气泡数量对样本视频进行分类；
S2：将分类后的样本视频按帧截图生成图片，并保存在文件夹中；
S3：利用文件夹中的图片搭建卷积神经网络模型；
S4：利用机器人进行巡检，拍摄目标视频；
S5：将拍摄的目标视频转化为目标图片；
S6：利用卷积神经网络模型分析目标图片，生成巡检报告，完成污水曝气分析。
2.根据权利要求1所述的污水曝气分析方法，其特征在于，所述步骤S3包括以下子步骤：
S31：读取文件夹中的所有图片，并将其分为比例为0.8的训练数据集和0.2的验证数据集；
S32：选择自适应优化器；
S33：创建卷积层、池化层和全连接层；
S34：将图片依次输入卷积层、池化层和全连接层，并得到预测精度；
S35：利用训练数据集、自适应优化器和预测精度进行迭代，并利用验证数据集进行验证，完成卷积神经网络模型的搭建。
3.根据权利要求2所述的污水曝气分析方法，其特征在于，所述步骤S32包括以下子步骤：
S321：设置损失函数loss；
S322：将损失函数loss作为最小参数，选择学习率为0.01的自适应优化器。
4.根据权利要求2所述的污水曝气分析方法，其特征在于，所述步骤S34包括以下子步骤：
S341：将图片依次输入卷积层、池化层和全连接层；
S342：利用Tensorflow的tf.nn.conv.2d()函数处理卷积层的卷积核，并通过Tensorflow的tf.nn.relu()激活函数对图片进行非线性处理，得到二维特征图像；
S343：利用池化层，通过Tensorflow的tf.nn.max_pool()函数对二维特征图像进行压缩，并通过Tensorflow的tf.nn.max_pool()函数将压缩后的二维特征图像转化为一维向量；
S344：利用全连接层，通过Tensorflow的logit＝tf.matmul()函数连接一维向量，并返回logit；
S345：利用Tensorflow的tf.argmax()函数将全连接层返回的logit作为预测精度。
5.根据权利要求4所述的污水曝气分析方法，其特征在于，所述步骤S341中，图片的厚度为3通道。
6.根据权利要求4所述的污水曝气分析方法，其特征在于，所述步骤S342中，卷积核的大小为5像素*5像素。
7.根据权利要求1所述的污水曝气分析方法，其特征在于，所述步骤S5包括以下子步骤：
S51：将目标视频按秒生成需识别图片，并保存在指定目录中；
S52：将需识别图片编码形成H264数据文件；
S53：通过TCP方式，将H264数据文件发送至指定目录中；
S54：通过TCP方式监听socket资源，接收H264数据文件；
S55：通过FFMPEG，将接收到的H264数据文件进行解码，生成目标图片。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010966872.9A CN112101454A (zh) | 2020-09-15 | 2020-09-15 | 一种污水曝气分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010966872.9A CN112101454A (zh) | 2020-09-15 | 2020-09-15 | 一种污水曝气分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112101454A true CN112101454A (zh) | 2020-12-18 |
Family
ID=73758648
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010966872.9A Pending CN112101454A (zh) | 2020-09-15 | 2020-09-15 | 一种污水曝气分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112101454A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114926780A (zh) * | 2022-05-13 | 2022-08-19 | 合肥中盛水务发展有限公司 | 一种污水厂生化池运行状况视觉识别及智能分析算法 |
| CN114943917A (zh) * | 2022-05-13 | 2022-08-26 | 合肥中盛水务发展有限公司 | 一种视觉识别污水厂好氧池曝气量的算法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106331559A (zh) * | 2016-10-12 | 2017-01-11 | 重庆蓝岸通讯技术有限公司 | 智能视频识别污水池曝气的方法及系统 |
| CN107758885A (zh) * | 2017-11-01 | 2018-03-06 | 浙江成功软件开发有限公司 | 一种实时污水曝气情况监测方法 |
| TW201817686A (zh) * | 2016-11-10 | 2018-05-16 | 財團法人工業技術研究院 | 污水曝氣控制系統與方法 |
| CN109250809A (zh) * | 2018-10-25 | 2019-01-22 | 罗德斌 | 一种用于污水池曝气处理的机器人 |
| CN110009762A (zh) * | 2019-04-25 | 2019-07-12 | 上海市政工程设计研究总院（集团）有限公司 | 一种专用于污水处理厂生物反应池智能巡检系统 |
| CN110134826A (zh) * | 2019-04-25 | 2019-08-16 | 上海市政工程设计研究总院（集团）有限公司 | 一种污水处理厂生物反应池曝气状况视频智能识别分析系统及方法 |
| CN110825041A (zh) * | 2019-10-25 | 2020-02-21 | 北京首创股份有限公司 | 一种集控式智慧污水处理厂运行系统 |
| JP2020032394A (ja) * | 2018-08-31 | 2020-03-05 | 株式会社明電舎 | 汚水処理運転状況評価装置及び汚水処理運転状況評価方法 |
-
2020
- 2020-09-15 CN CN202010966872.9A patent/CN112101454A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106331559A (zh) * | 2016-10-12 | 2017-01-11 | 重庆蓝岸通讯技术有限公司 | 智能视频识别污水池曝气的方法及系统 |
| TW201817686A (zh) * | 2016-11-10 | 2018-05-16 | 財團法人工業技術研究院 | 污水曝氣控制系統與方法 |
| CN107758885A (zh) * | 2017-11-01 | 2018-03-06 | 浙江成功软件开发有限公司 | 一种实时污水曝气情况监测方法 |
| JP2020032394A (ja) * | 2018-08-31 | 2020-03-05 | 株式会社明電舎 | 汚水処理運転状況評価装置及び汚水処理運転状況評価方法 |
| CN109250809A (zh) * | 2018-10-25 | 2019-01-22 | 罗德斌 | 一种用于污水池曝气处理的机器人 |
| CN110009762A (zh) * | 2019-04-25 | 2019-07-12 | 上海市政工程设计研究总院（集团）有限公司 | 一种专用于污水处理厂生物反应池智能巡检系统 |
| CN110134826A (zh) * | 2019-04-25 | 2019-08-16 | 上海市政工程设计研究总院（集团）有限公司 | 一种污水处理厂生物反应池曝气状况视频智能识别分析系统及方法 |
| CN110825041A (zh) * | 2019-10-25 | 2020-02-21 | 北京首创股份有限公司 | 一种集控式智慧污水处理厂运行系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114926780A (zh) * | 2022-05-13 | 2022-08-19 | 合肥中盛水务发展有限公司 | 一种污水厂生化池运行状况视觉识别及智能分析算法 |
| CN114943917A (zh) * | 2022-05-13 | 2022-08-26 | 合肥中盛水务发展有限公司 | 一种视觉识别污水厂好氧池曝气量的算法 |
| CN114943917B (zh) * | 2022-05-13 | 2023-09-19 | 合肥中盛水务发展有限公司 | 一种视觉识别污水厂好氧池曝气量的算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20200004825A (ko) | 디스플레이 장치 품질 검사 방법, 장치, 전자 장치 및 저장 매체 | |
| CN113870260B (zh) | 一种基于高频时序数据的焊接缺陷实时检测方法及系统 | |
| EP3899508A1 (en) | Automated inspection system and associated method for assessing the condition of shipping containers | |
| EP3885989A1 (en) | Anomaly detection based on an autoencoder and clustering | |
| CN112101454A (zh) | 一种污水曝气分析方法 | |
| CN111652225A (zh) | 基于深度学习的非侵入式摄像读取方法及系统 | |
| CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
| CN111160432A (zh) | 一种面板生产制造缺陷的自动分类方法及系统 | |
| CN114821282A (zh) | 一种基于域对抗神经网络的图像检测模型及方法 | |
| CN115830407A (zh) | 一种基于yolov4目标检测模型的电缆管线故障判别算法 | |
| CN115035328A (zh) | 转炉图像增量自动机器学习系统及其建立训练方法 | |
| CN113592813B (zh) | 基于深度学习语义分割的新能源电池焊接缺陷检测方法 | |
| CN114170138A (zh) | 无监督工业图像异常检测模型建立方法、检测方法及系统 | |
| CN117152094A (zh) | 基于计算机视觉的钢板表面缺陷分析方法、装置及系统 | |
| CN114912637B (zh) | 人机物知识图谱制造产线运维决策方法及系统、存储介质 | |
| CN113222947B (zh) | 一种非金属材料焊接缺陷智能检测方法及系统 | |
| Alves et al. | Detecting Customer Induced Damages in Motherboards with Deep Neural Networks | |
| CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
| WO2022251905A1 (en) | Method and system for surface deformation detection | |
| CN114630110A (zh) | 一种视频图像在线率检测方法 | |
| CN113642473A (zh) | 一种基于计算机视觉的矿下煤机状态识别方法 | |
| CN112560776A (zh) | 一种基于图像识别的智能风机定检方法及系统 | |
| Gao et al. | Real-time X-ray radiography for defect detection in submerged arc welding and segmentation using sparse signal representation | |
| CN113128608A (zh) | 一种基于5g和图嵌入优化的tsvm模型自优化与预测方法、设备及存储介质 | |
| CN117817211B (zh) | 基于机器视觉的焊接自动化控制方法及系统 |
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 |