CN112784729A - 一种水体漂浮物自动识别方法 - Google Patents
一种水体漂浮物自动识别方法 Download PDFInfo
- Publication number
- CN112784729A CN112784729A CN202110066341.9A CN202110066341A CN112784729A CN 112784729 A CN112784729 A CN 112784729A CN 202110066341 A CN202110066341 A CN 202110066341A CN 112784729 A CN112784729 A CN 112784729A
- Authority
- CN
- China
- Prior art keywords
- image
- floater
- water body
- characteristic
- original water
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 22
- 208000034699 Vitreous floaters Diseases 0.000 claims abstract description 69
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012805 post-processing Methods 0.000 claims description 4
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000004140 cleaning Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000003993 interaction Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 3
- 241000722363 Piper Species 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种水体漂浮物自动识别方法，包括如下步骤：构建不同种类漂浮物所代表的不同特征数据的特征数据库；每间隔时间对需要监控的水体进行图像采集，得到原始水体图像，并将图像数据存储至分布式数据库中；对原始水体图像进行预处理，对原始水体颜色进行识别，与正常水体图像进行对比，提取具有漂浮物的图像；对具有漂浮物的图像进行精确的分割提取，对分割提取的漂浮物图像进行特征切分。本发明对图像进行分割提取切分，并且采用了基于特征数据库的比对方式，因此对漂浮物图片变化的适应性强，提高了漂浮物的识别效率及准确率，有助于快速有效的清理流域漂浮物，节省人力物力。
Description
技术领域
本发明涉及影像识别技术领域，尤其涉及一种水体漂浮物自动识别方法。
背景技术
目前，随着工业化步伐加速，人为因素对环境造成严重污染，在湖泊、河流及水库等水面上出现大量漂浮物，这些漂浮物含有大量对人体有害的物质，会严重破坏生态环境，会对我们的生活品质和身体健康产生直接的威胁。漂浮物是依赖于浮力漂浮在水体表面的固体废弃物，包括原木、树枝、稻草、桔杆、塑料制品和人畜尸体等。漂浮物的存在，对水体水质，水面景观，供水，水产，航运等构成不利影响，不仅破坏生态环境，还会威胁饮水安全。尤其是在具有发电功能的水库区域，漂浮物顺流而下，易于聚集在河道凹岸、拦河坝前，不仅影响发电水头，减小水电枢纽的发电效益，对枢纽运行安全构成威胁。漂浮物的存在对水体正常功能的发挥造成了极大的影响，开展漂浮物的监测、清理和排除，是减少漂浮物危害的重要手段。
发明内容
基于背景技术存在的技术问题，本发明提出了一种水体漂浮物自动识别方法。
本发明提出的一种水体漂浮物自动识别方法，包括如下步骤：
S1构建不同种类漂浮物所代表的不同特征数据的特征数据库；
S2每间隔时间对需要监控的水体进行图像采集，得到原始水体图像，并将图像数据存储至分布式数据库中；
S3对原始水体图像进行预处理，对原始水体颜色进行识别，与正常水体图像进行对比，提取具有漂浮物的图像；
S4对具有漂浮物的图像进行精确的分割提取，对分割提取的漂浮物图像进行特征切分；
S5以特征数据库作为分类的依据，对特征切分后的漂浮物图像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到漂浮物识别图片数据；
S6提取特征数据库中对比的漂浮物特征图像并获取关联漂浮物特征图像的描述信息，展现对比识别结果。
优选的，所述步骤S3对原始水体颜色进行识别，与正常水体图像进行对比，未对比出漂浮物特征，在网络上查找与切分的漂浮物特征图片相似的图片，并获取相似图片的相关信息，并将相似图片存储至特征数据库中。
优选的，所述步骤S3对原始水体图像进行预处理之前，还包括对原始水体图像进行图片处理，具体处理步骤为：消除图像中的斑点噪声和椒盐噪声，对原始水体图像进行形态学腐蚀处理，解决水面波纹的干扰，消除前景中的斑点噪声，生成前景二值图像。
优选的，所述步骤S1特征数据库构建具体为：根据区域漂浮物调查历史资料和监测影像，结合不同种类漂浮物的颜色和形状特征，辨别漂浮物的类型。
优选的，所述步骤S5得到漂浮物识别图片数据，重新整合到不同种类漂浮物所代表的不同图片的特征数据库中，实现特征数据库的更新和完善。
优选的，所述特征数据库输入到支持向量机中进行训练，并利用训练好的支持向量机模型对漂浮物监测图像中漂浮物信息进行自动化识别。
优选的，所述步骤S6还包括可视终端，在可视终端上构建可视化人机交互界面，将得到漂浮物识别图片数据在可视化人机交互界面进行显示。
优选的，所述步骤S4的分割提取切分，具有包括为对原始水体图像进行图像分割处理，去除原始水体图像中与水体无关的信息，保留与水体有关的信息，得到分割后图像，对分割后图像进行灰度处理。
本发明中，所述一种水体漂浮物自动识别方法，对图像进行分割提取切分，并且采用了基于特征数据库的比对方式，因此对漂浮物图片变化的适应性强，提高了漂浮物的识别效率及准确率，有助于快速有效的清理流域漂浮物，节省人力物力。
附图说明
图1为本发明提出的一种水体漂浮物自动识别方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照图1，一种水体漂浮物自动识别方法，包括如下步骤：
S1构建不同种类漂浮物所代表的不同特征数据的特征数据库；
S2每间隔时间对需要监控的水体进行图像采集，得到原始水体图像，并将图像数据存储至分布式数据库中；
S3对原始水体图像进行预处理，对原始水体颜色进行识别，与正常水体图像进行对比，提取具有漂浮物的图像；
S4对具有漂浮物的图像进行精确的分割提取，对分割提取的漂浮物图像进行特征切分；
S5以特征数据库作为分类的依据，对特征切分后的漂浮物图像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到漂浮物识别图片数据；
S6提取特征数据库中对比的漂浮物特征图像并获取关联漂浮物特征图像的描述信息，展现对比识别结果。
本发明中，步骤S3对原始水体颜色进行识别，与正常水体图像进行对比，未对比出漂浮物特征，在网络上查找与切分的漂浮物特征图片相似的图片，并获取相似图片的相关信息，并将相似图片存储至特征数据库中。
本发明中，步骤S3对原始水体图像进行预处理之前，还包括对原始水体图像进行图片处理，具体处理步骤为：消除图像中的斑点噪声和椒盐噪声，对原始水体图像进行形态学腐蚀处理，解决水面波纹的干扰，消除前景中的斑点噪声，生成前景二值图像。
本发明中，步骤S1特征数据库构建具体为：根据区域漂浮物调查历史资料和监测影像，结合不同种类漂浮物的颜色和形状特征，辨别漂浮物的类型。
本发明中，步骤S5得到漂浮物识别图片数据，重新整合到不同种类漂浮物所代表的不同图片的特征数据库中，实现特征数据库的更新和完善。
本发明中，特征数据库输入到支持向量机中进行训练，并利用训练好的支持向量机模型对漂浮物监测图像中漂浮物信息进行自动化识别。
本发明中，步骤S6还包括可视终端，在可视终端上构建可视化人机交互界面，将得到漂浮物识别图片数据在可视化人机交互界面进行显示。
本发明中，步骤S4的分割提取切分，具有包括为对原始水体图像进行图像分割处理，去除原始水体图像中与水体无关的信息，保留与水体有关的信息，得到分割后图像，对分割后图像进行灰度处理。
本发明：构建不同种类漂浮物所代表的不同特征数据的特征数据库；每间隔时间对需要监控的水体进行图像采集，得到原始水体图像，并将图像数据存储至分布式数据库中；对原始水体图像进行预处理，对原始水体颜色进行识别，与正常水体图像进行对比，提取具有漂浮物的图像；对具有漂浮物的图像进行精确的分割提取，对分割提取的漂浮物图像进行特征切分；以特征数据库作为分类的依据，对特征切分后的漂浮物图像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到漂浮物识别图片数据；提取特征数据库中对比的漂浮物特征图像并获取关联漂浮物特征图像的描述信息，展现对比识别结果。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种水体漂浮物自动识别方法，其特征在于，包括如下步骤：
S1构建不同种类漂浮物所代表的不同特征数据的特征数据库；
S2每间隔时间对需要监控的水体进行图像采集，得到原始水体图像，并将图像数据存储至分布式数据库中；
S3对原始水体图像进行预处理，对原始水体颜色进行识别，与正常水体图像进行对比，提取具有漂浮物的图像；
S4对具有漂浮物的图像进行精确的分割提取，对分割提取的漂浮物图像进行特征切分；
S5以特征数据库作为分类的依据，对特征切分后的漂浮物图像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到漂浮物识别图片数据；
S6提取特征数据库中对比的漂浮物特征图像并获取关联漂浮物特征图像的描述信息，展现对比识别结果。
2.根据权利要求1所述的一种水体漂浮物自动识别方法，其特征在于，所述步骤S3对原始水体颜色进行识别，与正常水体图像进行对比，未对比出漂浮物特征，在网络上查找与切分的漂浮物特征图片相似的图片，并获取相似图片的相关信息，并将相似图片存储至特征数据库中。
3.根据权利要求1所述的一种水体漂浮物自动识别方法，其特征在于，所述步骤S3对原始水体图像进行预处理之前，还包括对原始水体图像进行图片处理，具体处理步骤为：消除图像中的斑点噪声和椒盐噪声，对原始水体图像进行形态学腐蚀处理，解决水面波纹的干扰，消除前景中的斑点噪声，生成前景二值图像。
4.根据权利要求1所述的一种水体漂浮物自动识别方法，其特征在于，所述步骤S1特征数据库构建具体为：根据区域漂浮物调查历史资料和监测影像，结合不同种类漂浮物的颜色和形状特征，辨别漂浮物的类型。
5.根据权利要求1所述的一种水体漂浮物自动识别方法，其特征在于，所述步骤S5得到漂浮物识别图片数据，重新整合到不同种类漂浮物所代表的不同图片的特征数据库中，实现特征数据库的更新和完善。
6.根据权利要求1所述的一种水体漂浮物自动识别方法，其特征在于，所述特征数据库输入到支持向量机中进行训练，并利用训练好的支持向量机模型对漂浮物监测图像中漂浮物信息进行自动化识别。
7.根据权利要求1所述的一种水体漂浮物自动识别方法，其特征在于，所述步骤S6还包括可视终端，在可视终端上构建可视化人机交互界面，将得到漂浮物识别图片数据在可视化人机交互界面进行显示。
8.根据权利要求1所述的一种水体漂浮物自动识别方法，其特征在于，所述步骤S4的分割提取切分，具有包括为对原始水体图像进行图像分割处理，去除原始水体图像中与水体无关的信息，保留与水体有关的信息，得到分割后图像，对分割后图像进行灰度处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110066341.9A CN112784729A (zh) | 2021-01-19 | 2021-01-19 | 一种水体漂浮物自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110066341.9A CN112784729A (zh) | 2021-01-19 | 2021-01-19 | 一种水体漂浮物自动识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112784729A true CN112784729A (zh) | 2021-05-11 |
Family
ID=75757497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110066341.9A Pending CN112784729A (zh) | 2021-01-19 | 2021-01-19 | 一种水体漂浮物自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784729A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2889838A1 (en) * | 2013-12-27 | 2015-07-01 | Nuctech Company Limited | Fluoroscopic inspection system and method for automatic classification and recognition of cargoes |
| US20160117827A1 (en) * | 2014-10-27 | 2016-04-28 | Hanwha Techwin Co.,Ltd. | Apparatus and method for visualizing loitering objects |
| CN108388916A (zh) * | 2018-02-26 | 2018-08-10 | 武汉大学 | 一种基于人工智能的水体漂浮物自动识别方法和系统 |
| CN109242861A (zh) * | 2018-08-23 | 2019-01-18 | 成都信息工程大学 | 一种基于图像处理的水质监控方法 |
| CN109636758A (zh) * | 2018-12-15 | 2019-04-16 | 四创科技有限公司 | 一种基于时空动态算子的水面漂浮物检测方法 |
| CN110597931A (zh) * | 2018-06-12 | 2019-12-20 | 北京澜途集思科技有限公司 | 一种水环境信息采集装置及采集方法 |
| CN110781786A (zh) * | 2019-10-18 | 2020-02-11 | 贺纯洁 | 一种基于Graph Cuts算法的漂浮物识别方法 |
| CN112084986A (zh) * | 2020-09-16 | 2020-12-15 | 国网福建省电力有限公司营销服务中心 | 一种基于图像特征提取的实时安全帽检测方法 |
-
2021
- 2021-01-19 CN CN202110066341.9A patent/CN112784729A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2889838A1 (en) * | 2013-12-27 | 2015-07-01 | Nuctech Company Limited | Fluoroscopic inspection system and method for automatic classification and recognition of cargoes |
| US20160117827A1 (en) * | 2014-10-27 | 2016-04-28 | Hanwha Techwin Co.,Ltd. | Apparatus and method for visualizing loitering objects |
| CN108388916A (zh) * | 2018-02-26 | 2018-08-10 | 武汉大学 | 一种基于人工智能的水体漂浮物自动识别方法和系统 |
| CN110597931A (zh) * | 2018-06-12 | 2019-12-20 | 北京澜途集思科技有限公司 | 一种水环境信息采集装置及采集方法 |
| CN109242861A (zh) * | 2018-08-23 | 2019-01-18 | 成都信息工程大学 | 一种基于图像处理的水质监控方法 |
| CN109636758A (zh) * | 2018-12-15 | 2019-04-16 | 四创科技有限公司 | 一种基于时空动态算子的水面漂浮物检测方法 |
| CN110781786A (zh) * | 2019-10-18 | 2020-02-11 | 贺纯洁 | 一种基于Graph Cuts算法的漂浮物识别方法 |
| CN112084986A (zh) * | 2020-09-16 | 2020-12-15 | 国网福建省电力有限公司营销服务中心 | 一种基于图像特征提取的实时安全帽检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109472200B (zh) | 一种智能的海面垃圾检测方法、系统和存储介质 | |
| CN103886285B (zh) | 先验地理信息辅助下的光学遥感影像舰船检测方法 | |
| CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
| CN111047583B (zh) | 一种基于机器视觉的水下网衣系统破损检测方法 | |
| CN108388916B (zh) | 一种基于人工智能的水体漂浮物自动识别方法和系统 | |
| CN108764154B (zh) | 一种基于多特征机器学习的水面垃圾识别方法 | |
| CN115100512A (zh) | 一种海洋经济物种的监测识别捕捞方法、系统及存储介质 | |
| CN112966691A (zh) | 基于语义分割的多尺度文本检测方法、装置及电子设备 | |
| CN113344885B (zh) | 基于级联卷积神经网络的河道漂浮物检测方法 | |
| CN105913425B (zh) | 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法 | |
| CN110097549A (zh) | 基于形态学的水陆空交界线检测方法、系统、介质和设备 | |
| CN110853041A (zh) | 一种基于深度学习与声呐成像的水下桥墩构件分割方法 | |
| Aleem et al. | Target Classification of Marine Debris Using Deep Learning. | |
| Chen et al. | Real-time learning-based monitoring system for water contamination | |
| Zhang et al. | Using image processing technology to create a novel fry counting algorithm | |
| Gusmawati et al. | Aquaculture Pond Precise Mapping in Perancak Estuary, Bali, Indonesia | |
| CN110781786A (zh) | 一种基于Graph Cuts算法的漂浮物识别方法 | |
| CN112784729A (zh) | 一种水体漂浮物自动识别方法 | |
| CN113158965B (zh) | 一种实现海漂垃圾识别的仿视觉识别方法、设备和介质 | |
| CN108967246B (zh) | 虾苗定位方法 | |
| CN114565853B (zh) | 光谱特征和空间卷积协同下的近岸海域养殖塘区提取方法 | |
| Vijayanti et al. | Analysis of Deep Learning Based Garbage Detection in Water Bodies | |
| Bajaj et al. | Sea debris: A review of marine litter detection techniques | |
| CN110766714A (zh) | 一种基于高斯混合模型的水面漂浮物自动分割方法 | |
| CN113920300A (zh) | 一种可见光遥感图像船舶目标识别方法及系统 |
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 |