CN112200011B - 曝气池状态检测方法、系统、电子设备及存储介质 - Google Patents
曝气池状态检测方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112200011B CN112200011B CN202010967758.8A CN202010967758A CN112200011B CN 112200011 B CN112200011 B CN 112200011B CN 202010967758 A CN202010967758 A CN 202010967758A CN 112200011 B CN112200011 B CN 112200011B
- Authority
- CN
- China
- Prior art keywords
- parameters
- image
- aeration
- image data
- aeration tank
- 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.)
- Active
Links
- 238000005273 aeration Methods 0.000 title claims abstract description 288
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims description 134
- 238000012216 screening Methods 0.000 claims description 40
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 description 39
- 239000006260 foam Substances 0.000 description 27
- 238000012544 monitoring process Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 239000010865 sewage Substances 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000000746 purification Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004630 mental health Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
本申请公开了一种曝气池状态检测方法、系统、电子设备及存储介质，该曝气池状态检测方法通过获取曝气池的图像数据，其中图像数据为曝气池的水体图像，根据预存的多个训练图像和图像数据筛选出图像数据中的有效图像，从有效图像中提取特征参数，根据特征参数和多个训练图像获取曝气池的曝气参数，该曝气参数用于表征曝气池的曝气状态，能够通过对曝气池的水体图像进行分析，直接获取曝气池的曝气状态，并且能够提高监控数据的准确性。
Description
技术领域
本申请涉及监测领域，尤其是涉及一种曝气池状态检测方法、系统、电子设备及存储介质。
背景技术
为改善大气环境，保护周边居民的身心健康，减少恶臭污染源、散发源，首先需要水质净化厂对污水处理流程进行监控，因此水质净化厂会针对整个污水处理流程进行严格的监控。而对于污水处理过程中的曝气池的曝气状态的监控尤为重要，可用于评估水质净化厂的运行情况。
常见的曝气池的曝气状态的监控有两种，一种是基于多种传感器对污水厂曝气过程中涉及的设备进行运行参数的监控，但这种方法只能间接获取曝气池的曝气状态，对曝气池内的水体状态无法直接反应；而另一种方法则是通过布置高清摄像头实时监控曝气池，但这种方法需要对获取的视频数据进行关键帧捕捉，难度较大，整个数据处理流程较为复杂，并且处理得到的监控数据的准确性较低。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种曝气池状态检测方法，能够通过对曝气池的水体图像进行分析，直接获取曝气池的曝气状态，并且能够提高监控数据的准确性。
本申请还提出一种具有上述曝气池状态检测方法的曝气池状态检测系统。
本申请还提出一种具有上述曝气池状态检测方法的电子设备。
本申请还提出一种具有上述曝气池状态检测方法的计算机可读存储介质。
根据本申请的第一方面实施例的曝气池状态检测方法，获取曝气池的图像数据，所述图像数据为所述曝气池的水体图像；
根据多个训练图像和所述图像数据从所述图像数据中筛选出有效图像；
从所述有效图像中提取出特征参数；
根据所述特征参数和多个所述训练图像获取所述曝气池的曝气参数，所述曝气参数用于表征所述曝气池的曝气状态。
根据本申请实施例的曝气池状态检测方法，至少具有如下有益效果：通过获取曝气池的图像数据，其中图像数据为曝气池的水体图像，根据预存的多个训练图像和图像数据筛选出图像数据中的有效图像，从有效图像中提取特征参数，根据特征参数和多个训练图像获取曝气池的曝气参数，该曝气参数用于表征曝气池的曝气状态，能够通过对曝气池的水体图像进行分析，直接获取曝气池的曝气状态，并且能够提高监控数据的准确性。
根据本申请的一些实施例，所述获取曝气池的图像数据，包括：获取轨道机器人根据预设路线拍摄所述曝气池所得到的所述图像数据，其中所述轨道机器人设置在所述曝气池的周边。
根据本申请的一些实施例，根据多个训练图像和所述图像数据从所述图像数据中筛选出有效图像，包括：获取多个所述训练图像的图像参数和所述图像数据的图像参数；根据多个所述训练图像的图像参数和所述图像数据的图像参数筛选出所述图像数据中的有效图像。
根据本申请的一些实施例，所述根据多个所述训练图像的图像参数和所述图像数据的图像参数筛选出所述图像数据中的有效图像，包括：根据多个所述训练图像的图像参数和所述图像数据的图像参数获取多个所述训练图像与所述图像数据的多个第一距离参数；根据预设的参数个数对多个所述第一距离参数进行筛选，得到筛选后的所述第一距离参数；根据筛选后的所述第一距离参数确定所述图像数据中的有效图像。
根据本申请的一些实施例，所述根据所述特征参数和多个所述训练图像获取所述曝气池的曝气参数，包括：获取多个所述训练图像的特征参数和曝气参数；根据所述训练图像的特征参数和所述有效图像的特征参数获取多个第二距离参数；根据多个所述第二距离参数和多个所述训练图像的曝气参数获取所述有效图像的曝气参数。
根据本申请的一些实施例，所述根据多个所述第二距离参数和多个所述训练图像的曝气参数获取所述有效图像的曝气参数，包括：根据预设的参数个数对多个所述第二距离参数进行筛选，得到筛选后的所述第二距离参数；根据筛选后的所述第二距离参数得到对应的所述训练图像的曝气参数；根据所述训练图像的曝气参数获取所述有效图像的曝气参数。
根据本申请的一些实施例，还包括：根据多个所述有效图像确定所述有效图像的实际的曝气参数；获取所述根据训练图像得到的所述有效图像的曝气参数；根据所述训练得到的曝气参数和所述有效图像实际的曝气参数计算出所述训练得到的曝气参数的准确率。
根据本申请的第二方面实施例的曝气池状态检测系统，所述曝气池状态检测系统包括图像获取模块，所述图像获取模块用于获取曝气池的图像数据，所述图像数据为所述曝气池的水体图像；图像识别模块，所述图像识别模块用于根据多个训练图像和所述图像数据从所述图像数据中筛选出有效图像；特征提取模块，所述特征提取模块用于从所述有效图像中提取出特征参数；质量分类模块，所述质量分类模块用于根据所述特征参数和多个所述训练图像获取所述曝气池的曝气参数，所述曝气参数用于表征所述曝气池的曝气状态。
根据本申请实施例的曝气池状态检测系统，至少具有如下有益效果：该曝气池状态检测系统包括图像获取模块、图像识别模块、特征提取模块和质量分类模块，其中通过图像获取模块获取曝气池的图像数据，其中图像数据为曝气池的水体图像，由图像识别模块根据预存的多个训练图像和图像数据筛选出图像数据中的有效图像，通过特征提取模块从有效图像中提取特征参数，最后由质量分类模块根据特征参数和多个训练图像获取曝气池的曝气参数，该曝气参数用于表征曝气池的曝气状态，能够通过对曝气池的水体图像进行分析，直接获取曝气池的曝气状态，并且能够提高监控数据的准确性。
根据本申请的第三方面实施例的电子设备，包括：至少一个处理器，以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如第一方面所述的曝气池状态检测方法。
根据本申请的电子设备，至少具有如下有益效果：通过执行第一方面实施例中提到的曝气池状态检测方法，能够通过对曝气池的水体图像进行分析，直接获取曝气池的曝气状态，提高监控数据的准确性。
根据本申请的第四方面实施例的计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面所述的曝气池状态检测方法。
根据本申请的计算机可读存储介质，至少具有如下有益效果：通过执行第一方面实施例中提到的曝气池状态检测方法，能够通过对曝气池的水体图像进行分析，直接获取曝气池的曝气状态，并且能够提高监控数据的准确性。
本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
图1为本申请实施例中曝气池状态检测方法的一流程示意图；
图2为本申请实施例中曝气池状态检测方法的步骤S200的具体流程示意图；
图3为本申请实施例中曝气池状态检测方法的步骤S220的具体流程示意图；
图4为本申请实施例中曝气池状态检测方法的一具体应用实例图；
图5为本申请实施例中曝气池状态检测方法的步骤S400的具体流程示意图；
图6为本申请实施例中曝气池状态检测方法的步骤S430的具体流程示意图；
图7为本申请实施例中曝气池状态检测方法的另一流程示意图；
图8为本申请实施例中曝气池状态检测方法的步骤S500的具体流程示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。
需要说明的是，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同流程图中的顺序执行所示出或描述的步骤。如果涉及到“若干”，其含义是一个以上，如果涉及到“多个”，其含义是两个以上，如果涉及到“以下”，均应理解为包括本数。本文所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本申请的实施例，并且除非另外要求，否则不会对本申请的范围施加限制。
需要说明的是，如无特殊说明，在实施例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。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本文说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本申请。
为改善大气环境，保护周边居民的身心健康，减少恶臭污染源、散发源，首先需要水质净化厂对污水处理流程进行监控，因此水质净化厂会针对整个污水处理流程进行严格的监控。而对于污水处理过程中的曝气池的曝气状态的监控尤为重要，可用于评估水质净化厂的运行情况。
常见的曝气池的曝气状态的监控有两种，一种是基于多种传感器对污水厂曝气过程中涉及的关键设备进行运行参数的监控，但这种方法只能间接获取应曝气池的曝气状态，对曝气池内的水体状态无法直接反应；而另一种方法则是通过布置高清摄像头实时监控曝气池，但这种方法需要对获取的数据进行关键帧捕捉，难度较大，整个数据处理流程较为复杂，并且处理得到的监控数据的准确性较低。
基于此，本申请实施例公开了一种曝气池状态检测方法、系统、电子设备及存储介质，该曝气池状态检测方法通过获取曝气池的图像数据，其中图像数据为曝气池的水体图像，根据预存的多个训练图像和图像数据筛选出图像数据中的有效图像，从有效图像中提取特征参数，根据特征参数和多个训练图像获取曝气池的曝气参数，该曝气参数用于表征曝气池的曝气状态，能够通过对曝气池的水体图像进行分析，直接获取曝气池的曝气状态，并且能够提高监控数据的准确性。
第一方面，本申请实施例公开了一种曝气池状态检测方法。
在一些实施例中，通过获取曝气池的图像数据，其中图像数据为曝气池的水体图像，根据预存的多个训练图像和图像数据筛选出图像数据中的有效图像，从有效图像中提取特征参数，根据特征参数和多个训练图像获取曝气池的曝气参数，该曝气参数用于表征曝气池的曝气状态，能够通过对曝气池的水体图像进行分析，直接获取曝气池的曝气状态，提高监控数据的准确性。
参照图1，示出了本申请实施例中曝气池状态检测方法的流程示意图。其具体包括步骤：
S100，获取曝气池的图像数据，图像数据为曝气池的水体图像；
S200，根据多个训练图像和图像数据从图像数据中筛选出有效图像；
S300，从有效图像中提取出特征参数；
S400，根据特征参数和多个训练图像获取曝气池的曝气参数，曝气参数用于表征曝气池的曝气状态。
在步骤S100中，本申请实施例中通过摄像头对曝气池进行视频监控并拍摄相关图像的方法，以获取曝气池的图像数据，其中图像数据为通过摄像头拍摄得到的曝气池的水体图像。
在一些实施例中，可以通过轨道机器人配置摄像头进行拍摄以获取曝气池的图像数据，具体地，通过在曝气池周边布置轨道机器人，由轨道机器人根据预设路线在曝气池周边进行巡线，在曝气池周边不同位置上进行拍摄，以获取曝气池不同位置的图像数据。在本申请实施例中，通过布置轨道机器人进行往复巡线，相较于人工巡检而言更为效率，并且减少人工巡检的成本；另外轨道机器人的运行不易受外界环境影响，例如暴雨、雷电等意外天气，并且通过轨道机器人进行巡检并拍摄，能够采集到较为全面的曝气池的图像数据，以便于后续的图像分析。
在步骤S200中，根据预先存储的多个训练图像和采集到的图像数据进行筛选，以筛选出图像数据中的有效图像。其中，训练图像是指预先采集并积累得到的图像数据，该训练图像作为样本数据对后续采集到的待检测的图像数据进行比对和筛选，以根据该待检测的图像数据对曝气池的当前曝气状态进行检测；有效图像是指拍摄的图片中包含信息较多，含有曝气池的泡沫分布情况的图片，其中泡沫分布情况可以反映曝气池的曝气状态。
在一些实施例中，如图2所示，步骤S200具体还包括步骤：
S210，获取多个训练图像的图像参数和图像数据的图像参数；
S220，根据多个训练图像的图像参数和图像数据的图像参数筛选出图像数据中的有效图像。
在步骤S210中，获取多个训练图像的图像参数和采集到的曝气池的图像数据的图像参数，其中训练图像的图像参数或图像数据的图像参数可以是训练图像或图像数据的像素值。在实际应用中，通过OpenCV方法获取所有的训练图像的像素值和采集的待检测的图像数据的像素值，其中训练图像的像素值为：x_train＝(x1,x2,x3,...,xi)，其中xi为第i张训练图像的像素值向量(x1,x2,x3,...,xl)，其中xl表示第i张训练图像的第l维像素值向量；图像数据的像素值为：x_test＝(x′)，其中x′为待检测的图像数据的像素值向量。
需要说明的是，OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库，可以运行在多种不同类型的操作系统上，例如Linux操作系统、Windows操作系统等等。它轻量级而且高效，由一系列C函数和少量C++类构成，同时提供了多种编程语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
在步骤S220中，根据获取到的多个训练图像的图像参数和图像数据的图像参数进行筛选，筛选出图像数据中的有效图像。具体地说，基于KNN(K-NearestNeighbor，K最邻近分类算法)算法根据训练图像对图像数据进行筛选得到图像数据中的有效图像。需要说明的是，KNN算法是一种机器学习算法。它既能用于分类，也能用于回归。KNN算法通过测量不同特征值之间的欧式距离来进行分类，对于任意n维输入向量，分别对应于特征空间中的一个点，输出为该特征向量所对应的类别标签或预测值。
在一些实施例中，如图3所示，步骤S220还包括步骤：
S221，根据多个训练图像的图像参数和图像数据的图像参数获取多个训练图像与图像数据的多个第一距离参数；
S222，根据预设的参数个数对多个第一距离参数进行筛选，得到筛选后的第一距离参数；
S223，根据筛选后的第一距离参数确定图像数据中的有效图像。
在步骤S221中，根据预先获取的多个训练图像的图像参数即像素值和采集的图像数据的图像参数即像素值进行计算，以获取每一个训练图像与图像数据所对应的多个第一距离参数，其中第一距离参数是通过KNN算法进行计算得到的欧式距离，该欧式距离为：表示第i个训练图像与采集得到的图像数据的欧氏距离。
在步骤S222中，将计算得到的多个训练图像与图像数据对应的多个第一距离参数按照值的大小以递增的顺序进行排列，根据预设的参数个数对计算得到的多个第一距离参数进行筛选，以筛选出符合条件的第一距离参数，其中，参数个数是根据实际需求设置的选取第一距离参数即欧式距离的距离值最小的参数，例如参数个数为k个时，则选取k个值最小的第一距离参数。
在步骤S223中，筛选得到的多个第一距离参数即欧式距离有对应的训练图像，每一个训练图像通过KNN算法计算后分别带有类别标识，该类别标识用于表征该训练图像是否有效或是否无效，通过预设的参数个数筛选出的第一距离参数，可以得到对应的训练图像，根据出现次数最多的类别标识作为该图像数据的类别标识，以确定该图像数据是否为有效数据，例如，预设的参数个数为5个时，则筛选出5个值最小的第一距离参数，根据筛选出的5个第一距离参数确定对应的5个训练图像，该5个训练图像的类别标识分别为“有效”、“有效”、“有效”、“无效”、“无效”，则可以确定出现次数最多的类别标识为“有效”，因此该图像数据的类别标识为有效，则从图像数据中筛选得到有效图像。
需要说明的是，在本申请实施例中，可以将步骤S200构建成一个图像识别模型，通过预先训练的训练图像作为训练集，将参数个数根据需求进行设定，只需要将采集得到的图像数据输入至该图像识别模型中，即可根据预先训练好的训练图像进行相应的计算和筛选，得到图像数据中的有效图像，从而快速并准确完成对图像数据的识别和筛选，通过模型构建提高图像数据的识别和筛选的效率，减少人工识别的成本耗费。
在步骤S300中，从筛选得到的有效图像中提取图像的特征参数，其中特征参数包括但不限于图像的泡沫总面积S、泡沫面积方差s2、泡沫像素位置P(x,y)等，其中泡沫总面积是指图像中的泡沫所占有的全部面积；泡沫面积方差用于表征泡沫空间分布情况，若泡沫面积方差越小，则说明泡沫空间分布越均匀，该曝气池的曝气状态越好；泡沫像素位置P(x,y)则是表示图像中泡沫所处的位置，其中(x,y)是泡沫的像素点的坐标，每个泡沫是由若干个像素点组成。
在可能实施的应用实例中，将有效图像分成m行n列，共m*n个小单元，通过OpenCV方法统计每个小单元内泡沫的面积Si，其中i＝1,2....,m*n；当统计得到每个小单元内泡沫的面积Si后，根据每个小单元内泡沫的面积Si求出面积的平均值其中/>再根据该平均值/>求出泡沫面积方差s2，其中泡沫面积方差/>需要说明的是，本申请实施例中的m和n可以根据实际情况取值，例如m＝2，n＝2或者m＝4，n＝3或者m＝3，n＝4。m和n代表对空间的细分程度，如果采集的图像数据的面积较大，则m和n可以取大一点，反之m和n可以取小一点。
在具体应用实例中，如图4所示的有效图像，其中白色部分为图像中的泡沫区域，而阴影部分则为正常水体图像区域，将该有效图像划分成2行2列，共2*2个小单元，分别为左上角、右上角、左下角、右下角四个单元，每个小单元内的泡沫区域分别为s1，s2，s3，s4，求出泡沫总面积S＝s1+s2+s3+s4，再求出四个小单内的泡沫面积的平均值并且根据平均值/>求出四个小单元内的泡沫面积s1，s2，s3，s4的泡沫面积方差s2。
在步骤S400中，根据提取得到的特征参数和预先训练的多个训练图像进行计算，以获取到采集到的有效图像的曝气参数，该有效图像的曝气参数则用于表征曝气池的曝气状态。
在一些实施例中，参考图5，步骤S400还包括步骤：
S410，获取多个训练图像的特征参数和曝气参数；
S420，根据训练图像的特征参数和有效图像的特征参数获取多个第二距离参数；
S430，根据多个第二距离参数和多个训练图像的曝气参数获取有效图像的曝气参数。
在步骤S410中，获取预先训练好的多个训练图像的特征参数和曝气参数，其中曝气参数是根据特征参数值获取的，例如，根据特征参数的大小对曝气参数进行分类，定义为“优”、“中”、“差”三种曝气参数，通过特征参数的值确定对应的曝气参数的级别即“优”、“中”、“差”三种级别之一，根据曝气参数可以表征对应的曝气池的曝气状态。在实际应用中，训练图像的特征参数通过OpenCV方法进行特征参数的提取，例如获取一定数量的训练图像X，按照曝气参数给训练图像的曝气状态划分成n个等级，提取训练图像中的特征参数:Xi(S,s2)，i个样本，特征参数为训练图像的泡沫总面积S和泡沫面积方差s2，根据提取得到的训练图像的特征参数对当前训练图像分配相应的曝气参数，例如“优”、“中”、“差”三种级别之一。
在步骤S420中，根据训练图像的特征参数和有效图像的特征参数获取每一个训练图像与有效图像所对应的多个第二距离参数，其中第二距离参数是通过KNN算法进行计算得到的欧式距离。其中有效图像的特征参数通过执行步骤S300获取，即有效图像的特征参数为x′(S,s2)。将提取得到的训练图像的特征参数和有效图像的特征参数基于KNN分类算法进行计算得到训练图像与有效图像所对应的第二距离参数即两者之间的欧氏距离
在步骤S430中，根据计算得到的多个训练图像与有效图像所对应的多个第二距离参数，以及多个训练图像的曝气参数，获取有效图像的曝气参数。
在一些实施例中，如图6所示，步骤S430还包括步骤：
S431，根据预设的参数个数对多个第二距离参数进行筛选，得到筛选后的第二距离参数；
S432，根据筛选后的第二距离参数得到对应的训练图像的曝气参数；
S433，根据训练图像的曝气参数获取有效图像的曝气参数。
在步骤S431中，将计算得到的多个训练图像与有效图像对应的多个第二距离参数按照值的大小以递增的顺序进行排列，根据预设的参数个数对计算得到的多个第二距离参数进行筛选，以筛选出符合条件的第二距离参数，其中，参数个数是根据实际需求设置的选取第二距离参数即欧式距离的距离值最小的参数，例如参数个数为k个时，则选取k个值最小的第二距离参数。
在步骤S432中，筛选得到的多个第二距离参数即欧式距离有对应的训练图像，每一个训练图像分别带有对应类别标识即曝气参数，该曝气参数用于表征该训练图像所对应的曝气池的曝气状态。
在步骤S433中，通过预设的参数个数筛选出的第二距离参数，可以得到对应的训练图像，根据出现次数最多的类别标识即曝气参数作为该有效图像的类别标识，以确定该图像数据是否为有效数据，例如，预设的参数个数为5个时，则筛选出5个值最小的第二距离参数，根据筛选出的5个第二距离参数确定对应的5个训练图像，该5个训练图像的曝气参数分别为“优”、“优”、“中”、“差”、“优”，则可以确定出现次数最多的曝气参数为“优”，因此可以得知该有效图像的曝气参数同为“优”，根据该有效图像的曝气参数可以检测到曝气池的当前的曝气状态。
需要说明的是，在本申请实施例中，可以将步骤S400构建成一个图像质量分类模型，通过预先训练的训练图像作为训练集，将参数个数根据需求进行设定，只需要将采集得到的有效图像输入至该图像质量分类模型中，即可根据预先训练好的训练图像进行相应的计算和筛选，得到有效图像的曝气参数，从而快速并准确完成对有效图像的曝气参数的计算，通过模型构建提高有效图像的识别和筛选的效率，减少人工计算及获取曝气池的爆气状态的成本耗费。
在一些实施例中，如图7所示，本申请实施例中曝气池状态检测方法还包括步骤：
S500，对根据训练图像得到的有效图像的曝气参数进行准确率的计算。
在一些实施例中，参考图8，在步骤S500中具体还包括步骤：
S510，根据多个有效图像确定有效图像的实际的曝气参数；
S520，获取根据训练图像得到的有效图像的曝气参数；
S530，根据训练得到的曝气参数和有效图像实际的曝气参数计算出训练得到的曝气参数的准确率。
在步骤S510中，获取执行步骤S200后筛选得到的多个有效图像，人为地对有效图像进行判断，确定有效图像所对应的曝气参数，例如采集筛选得到的一定数量的有效图像s个，得到对应的曝气参数的类别，例如“优”、“中”、“差”，并且统计三种曝气参数的类别的数量。
在步骤S520中，获取通过执行步骤S400后得到的有效图像的曝气参数，并对曝气参数的各个类别的数量进行计算。
在步骤S530中，根据训练图像得到有效图像的曝气参数和基于人为判断得到的有效图像实际的曝气参数计算出根据训练图像得到的曝气参数的准确率。
在可能实施的应用实例中，统计经过步骤S400后得到的有效图像的曝气参数所对应的各个类别的数量和基于人为判断得到的有效图像实际的曝气参数进行准确率计算，统计曝气参数中第i类类别检测正确的个数TPi，非i类类别而被检测为i类的个数FPi，计算i类类别的精确率而基于曝气参数的类别共分为n类，则通过下列公式计算出根据训练图像得到的曝气参数的准确率/>根据计算得到的准确率对根据训练图像得到的有效图像的曝气参数进行准确评估，或者对根据步骤S400构建的图像质量分类模型的准确性进行评估，从而对模型做出相应的调整。
在本申请实施例中，通过获取曝气池的图像数据，其中图像数据为曝气池的水体图像，根据预存的多个训练图像和图像数据筛选出图像数据中的有效图像，从有效图像中提取特征参数，根据特征参数和多个训练图像获取曝气池的曝气参数，该曝气参数用于表征曝气池的曝气状态，能够通过对曝气池的水体图像进行分析，直接获取曝气池的曝气状态，并且能够提高监控数据的准确性。
第二方面，本申请实施例还提供了一种曝气池状态检测系统，其具体包括：图像获取模块、图像识别模块、特征提取模块和质量分类模块。
其中，图像获取模块，用于获取曝气池的图像数据，图像数据为曝气池的水体图像；
图像识别模块，用于根据多个训练图像和图像数据从图像数据中筛选出有效图像；
特征提取模块，用于从有效图像中提取出特征参数；
质量分类模块，用于根据特征参数和多个训练图像获取曝气池的曝气参数，曝气参数用于表征曝气池的曝气状态。
需要说明的是，本申请实施例中曝气池状态检测系统用于执行第一方面实施例中提到的曝气池状态检测方法，并且各个模块的具体功能及描述已在第一方面实施例中详细论述，故不再赘述。
在本申请实施例中，通过图像获取模块、图像识别模块、特征提取模块和质量分类模块，其中通过图像获取模块获取曝气池的图像数据，其中图像数据为曝气池的水体图像，由图像识别模块根据预存的多个训练图像和图像数据筛选出图像数据中的有效图像，通过特征提取模块从有效图像中提取特征参数，最后由质量分类模块根据特征参数和多个训练图像获取曝气池的曝气参数，该曝气参数用于表征曝气池的曝气状态，能够通过对曝气池的水体图像进行分析，直接获取曝气池的曝气状态，并且能够提高监控数据的准确性。
第三方面，本申请实施例还提供了一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器；
其中，所述处理器通过调用所述存储器中存储的计算机程序，用于执行第一方面实施例中的曝气池状态检测方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序，如本申请第一方面实施例中的曝气池状态检测方法。处理器通过运行存储在存储器中的非暂态软件程序以及指令，从而实现上述第一方面实施例中的曝气池状态检测方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储执行上述第一方面实施例中的曝气池状态检测方法。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述第一方面实施例中的曝气池状态检测方法所需的非暂态软件程序以及指令存储在存储器中，当被一个或者多个处理器执行时，执行上述第一方面实施例中的曝气池状态检测方法。
第四方面，本申请实施例还提供了计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于：执行第一方面实施例中的曝气池状态检测方法。
在一些实施例中，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，被第三方面实施例的电子设备中的一个处理器执行，可使得上述一个或多个处理器执行上述第一方面实施例中的曝气池状态检测方法。
以上所描述的设备实施例仅仅是示意性的，其中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，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可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
在本说明书的描述中，参考术语“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。
尽管已经示出和描述了本申请的实施例，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。
Claims (6)
1.一种曝气池状态检测方法，其特征在于，包括：
获取曝气池的图像数据，所述图像数据为所述曝气池的水体图像；
根据多个训练图像和所述图像数据从所述图像数据中筛选出有效图像；
从所述有效图像中提取出特征参数；
根据所述特征参数和多个所述训练图像获取所述曝气池的曝气参数，所述曝气参数用于表征所述曝气池的曝气状态；
其中，根据多个训练图像和所述图像数据从所述图像数据中筛选出有效图像，包括：获取多个所述训练图像的图像参数和所述图像数据的图像参数；根据多个所述训练图像的图像参数和所述图像数据的图像参数筛选出所述图像数据中的有效图像；
所述根据多个所述训练图像的图像参数和所述图像数据的图像参数筛选出所述图像数据中的有效图像，包括：根据多个所述训练图像的图像参数和所述图像数据的图像参数获取多个所述训练图像与所述图像数据的多个第一距离参数；根据预设的参数个数对多个所述第一距离参数进行筛选，得到筛选后的所述第一距离参数；根据筛选后的所述第一距离参数确定所述图像数据中的有效图像；
所述根据所述特征参数和多个所述训练图像获取所述曝气池的曝气参数，包括：获取多个所述训练图像的特征参数和曝气参数；根据所述训练图像的特征参数和所述有效图像的特征参数获取多个第二距离参数；根据多个所述第二距离参数和多个所述训练图像的曝气参数获取所述有效图像的曝气参数；
所述根据多个所述第二距离参数和多个所述训练图像的曝气参数获取所述有效图像的曝气参数，包括：根据预设的参数个数对多个所述第二距离参数进行筛选，得到筛选后的所述第二距离参数；根据筛选后的所述第二距离参数得到对应的所述训练图像的曝气参数；根据所述训练图像的曝气参数获取所述有效图像的曝气参数。
2.根据权利要求1所述的曝气池状态检测方法，其特征在于，所述获取曝气池的图像数据，包括：
获取轨道机器人根据预设路线拍摄所述曝气池所得到的所述图像数据，其中所述轨道机器人设置在所述曝气池的周边。
3.根据权利要求1或2所述的曝气池状态检测方法，其特征在于，还包括：
根据多个所述有效图像确定所述有效图像的实际的曝气参数；
获取根据训练图像得到的所述有效图像的曝气参数；
根据所述训练图像得到的曝气参数和所述有效图像实际的曝气参数计算出所述训练得到的曝气参数的准确率。
4.一种曝气池状态获取系统，其特征在于，包括：
图像获取模块，所述图像获取模块用于获取曝气池的图像数据，所述图像数据为所述曝气池的水体图像；
图像识别模块，所述图像识别模块用于根据多个训练图像和所述图像数据从所述图像数据中筛选出有效图像；
特征提取模块，所述特征提取模块用于从所述有效图像中提取出特征参数；
质量分类模块，所述质量分类模块用于根据所述特征参数和多个所述训练图像获取所述曝气池的曝气参数，所述曝气参数用于表征所述曝气池的曝气状态；
其中，根据多个训练图像和所述图像数据从所述图像数据中筛选出有效图像，包括：获取多个所述训练图像的图像参数和所述图像数据的图像参数；根据多个所述训练图像的图像参数和所述图像数据的图像参数筛选出所述图像数据中的有效图像；
所述根据多个所述训练图像的图像参数和所述图像数据的图像参数筛选出所述图像数据中的有效图像，包括：根据多个所述训练图像的图像参数和所述图像数据的图像参数获取多个所述训练图像与所述图像数据的多个第一距离参数；根据预设的参数个数对多个所述第一距离参数进行筛选，得到筛选后的所述第一距离参数；根据筛选后的所述第一距离参数确定所述图像数据中的有效图像；
所述根据所述特征参数和多个所述训练图像获取所述曝气池的曝气参数，包括：获取多个所述训练图像的特征参数和曝气参数；根据所述训练图像的特征参数和所述有效图像的特征参数获取多个第二距离参数；根据多个所述第二距离参数和多个所述训练图像的曝气参数获取所述有效图像的曝气参数；
所述根据多个所述第二距离参数和多个所述训练图像的曝气参数获取所述有效图像的曝气参数，包括：根据预设的参数个数对多个所述第二距离参数进行筛选，得到筛选后的所述第二距离参数；根据筛选后的所述第二距离参数得到对应的所述训练图像的曝气参数；根据所述训练图像的曝气参数获取所述有效图像的曝气参数。
5.一种电子设备，其特征在于，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如权利要求1至3任一项所述的曝气池状态检测方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至3任一项所述的曝气池状态检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010967758.8A CN112200011B (zh) | 2020-09-15 | 2020-09-15 | 曝气池状态检测方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010967758.8A CN112200011B (zh) | 2020-09-15 | 2020-09-15 | 曝气池状态检测方法、系统、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112200011A CN112200011A (zh) | 2021-01-08 |
| CN112200011B true CN112200011B (zh) | 2023-08-18 |
Family
ID=74015197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010967758.8A Active CN112200011B (zh) | 2020-09-15 | 2020-09-15 | 曝气池状态检测方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200011B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113096180A (zh) * | 2021-04-02 | 2021-07-09 | 青岛丰禾星普科技有限公司 | 水产养殖中监控泡沫的方法、终端设备及可读存储介质 |
| CN113239989A (zh) * | 2021-04-26 | 2021-08-10 | 深圳市水务科技有限公司 | 气体浓度识别方法、系统、电子设备及存储介质 |
| CN114180733B (zh) * | 2021-11-02 | 2022-08-09 | 合肥中盛水务发展有限公司 | 基于视频分析算法的污水曝气量检测及曝气控制系统 |
| CN114249437B (zh) * | 2021-12-21 | 2023-09-29 | 北控(秦皇岛)水务有限责任公司 | 一种应用于污水处理的控制方法和装置 |
| CN116253446B (zh) * | 2023-03-24 | 2024-01-30 | 青岛思普润水处理股份有限公司 | 一种污水处理智能曝气设置方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| 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 |
| CN111144221A (zh) * | 2019-11-29 | 2020-05-12 | 光大环境科技（中国）有限公司 | 一种通过图像识别技术对曝气池运行情况评价的方法、装置 |
| CN111222529A (zh) * | 2019-09-29 | 2020-06-02 | 上海上实龙创智慧能源科技股份有限公司 | 一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法 |
| CN111626371A (zh) * | 2020-05-29 | 2020-09-04 | 歌尔科技有限公司 | 一种图像分类方法、装置、设备及可读存储介质 |
-
2020
- 2020-09-15 CN CN202010967758.8A patent/CN112200011B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN111222529A (zh) * | 2019-09-29 | 2020-06-02 | 上海上实龙创智慧能源科技股份有限公司 | 一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法 |
| CN111144221A (zh) * | 2019-11-29 | 2020-05-12 | 光大环境科技（中国）有限公司 | 一种通过图像识别技术对曝气池运行情况评价的方法、装置 |
| CN111626371A (zh) * | 2020-05-29 | 2020-09-04 | 歌尔科技有限公司 | 一种图像分类方法、装置、设备及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 吴萌 等.分类器设计.《图像识别与色彩恒常计算》.2020, * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112200011A (zh) | 2021-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112200011B (zh) | 曝气池状态检测方法、系统、电子设备及存储介质 | |
| CN113537106B (zh) | 一种基于YOLOv5的鱼类摄食行为识别方法 | |
| CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
| CN110837795A (zh) | 基于课堂监控视频的教学情况智能监测方法、装置及设备 | |
| CN111091109B (zh) | 基于人脸图像进行年龄和性别预测的方法、系统和设备 | |
| CN111310826B (zh) | 样本集的标注异常检测方法、装置及电子设备 | |
| CN110557628A (zh) | 一种检测摄像头遮挡的方法、装置及电子设备 | |
| CN116229052B (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
| CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
| CN112784494B (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
| CN113055657A (zh) | 基于电网线路巡检的图像采集方法和系统 | |
| CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
| CN116094159A (zh) | 一种基于云计算和大数据分析的智慧电网安全运维系统 | |
| CN112686162B (zh) | 仓库环境整洁状态的检测方法、装置、设备和存储介质 | |
| CN114550069A (zh) | 一种基于深度学习的仔猪乳头计数方法 | |
| CN112396083B (zh) | 图像识别、模型训练与构建、检测方法、系统及设备 | |
| CN111191593A (zh) | 图像目标检测方法、装置、存储介质及污水管道检测装置 | |
| CN111047550A (zh) | 一种基于机器视觉的产品异常检测方法、装置及设备 | |
| CN117011288B (zh) | 视频质量诊断方法及系统 | |
| CN115760609B (zh) | 一种图像优化方法及系统 | |
| CN113378780B (zh) | 一种基于集成视觉的建筑物损伤智能检测系统与方法 | |
| CN114267016A (zh) | 一种用于线下多人考试的视觉辅助监考系统 | |
| CN109726691B (zh) | 一种监控方法 | |
| CN114241523A (zh) | 用于识别体型异常的猪只的方法、装置及相关产品 | |
| CN118229629A (zh) | 一种大尺寸液晶屏边缘检测方法、系统、设备及介质 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Zhen Inventor after: Zhang Lei Inventor after: Du Shiyang Inventor after: Wu Jiang Inventor after: Chen Chen Inventor before: Li Zhen Inventor before: Sun Feng Inventor before: Wu Jiang Inventor before: Song Teng |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Zhen Inventor after: Du Shiyang Inventor after: Zhang Lei Inventor after: Wu Jiang Inventor after: Chen Chen Inventor before: Li Zhen Inventor before: Zhang Lei Inventor before: Du Shiyang Inventor before: Wu Jiang Inventor before: Chen Chen |