CN113033313A - 基于深度学习的水质污染判断方法 - Google Patents

基于深度学习的水质污染判断方法 Download PDF

Info

Publication number
CN113033313A
CN113033313A CN202110216201.5A CN202110216201A CN113033313A CN 113033313 A CN113033313 A CN 113033313A CN 202110216201 A CN202110216201 A CN 202110216201A CN 113033313 A CN113033313 A CN 113033313A
Authority
CN
China
Prior art keywords
water
original picture
deep learning
processing
pollution
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
CN202110216201.5A
Other languages
English (en)
Inventor
任南琪
王爱杰
王旭
路璐
冯骁驰
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.)
Lantogis Ecological Technology Group Co Ltd
Original Assignee
Lantogis Ecological Technology Group 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 Lantogis Ecological Technology Group Co Ltd filed Critical Lantogis Ecological Technology Group Co Ltd
Priority to CN202110216201.5A priority Critical patent/CN113033313A/zh
Publication of CN113033313A publication Critical patent/CN113033313A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/38—Outdoor scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于深度学习的水质污染判断方法，包括如下步骤：构建不同种类污染物所代表的不同特征数据的特征数据库；初始化配置水中的水质传感器网络并等距设置传感器节点；实时的通过每个传感器节点监测获取水面原始图片，并将原始图片数据存储到分布式数据库中；对原始图片做颜色校正处理，并识别出原始图片中包含的各景物；获取各景物的特征轮廓信息；以特征数据库作为分类的依据，对各景物图像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到污染物识别图片数据。本发明通过对间隔对水面进行图像采集，且对图像进行识别处理，分离出各景物图像，便于对污染物进行准确的识别，便于快速对比特征判断水质污染概率。

Description

基于深度学习的水质污染判断方法
技术领域
本发明涉及水质污染判断技术领域，尤其涉及基于深度学习的水质污染判断方法。
背景技术
随着工业发展、人类活动、地质地形变迁等因素的影响，水环境系统成为受到生物、化学、物理、人为等多种因素影响的动态开放复杂系统，水体污染呈现复合污染的显著趋势，多种污染共存并联合作用；多种人污染过程同时发生；多种污染效应表现出协同或拮抗作用；污染物在环境中的行为涉及多介质、多界面；同时发生物理、化学和生物过程，致使水体污染问题更加复杂化；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，因此，对水质中漂浮污染物的判断尤其重要。
发明内容
基于背景技术存在的技术问题，本发明提出了基于深度学习的水质污染判断方法。
本发明提出的基于深度学习的水质污染判断方法，包括如下步骤：
S1构建不同种类污染物所代表的不同特征数据的特征数据库；
S2初始化配置水中的水质传感器网络并等距设置传感器节点；
S3实时的通过每个传感器节点监测获取水面原始图片，并将原始图片数据存储到分布式数据库中；
S4对原始图片做颜色校正处理，并识别出原始图片中包含的各景物；
S5获取各景物的特征轮廓信息；
S6以特征数据库作为分类的依据，对各景物图像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到污染物识别图片数据；
S7提取特征数据库中对比的污染物特征轮廓信息，并获取关联污染物特征图像的描述信息，展现对比识别结果，判断水质污染概率。
优选的，所述步骤S3包括有基于深度学习的图片识别模块，图片识别模块用于对获取水面原始图片进行识别处理。
优选的，所述步骤S4对原始图片做颜色校正处理后，采用混合滤波方法对原始图片做降噪处理，降噪处理：通过利用色调映射方法并采用16比特浮点数据表征各帧原始图像中的每一个像素点，从而准确显示所融合后的高动态范围图像。
优选的，所述步骤S3采用亮度调节方式或饱和度调节方式或对比度调节方式或细节调节方式的图像质量调节方式，以调节原始图片的质量。
优选的，所述步骤S2水质传感器网络包括多个主监控点，主监控点用于每间隔时间对需要监控的水体进行图像采集。
优选的，所述步骤S6对具有个景物图像进行精确的分割提取，对分割提取的污染物图像进行特征切分。
优选的，所述水质传感器网络中还设置有预监控敏感行为发生时对应设置冗余监控点，以辅助对应的主监控点进行监控污染物判断。
优选的，所述步骤S3对原始图片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，所述基于深度学习的水质污染判断方法，通过对间隔对水面进行图像采集，且对图像进行识别处理，分离出各景物图像，便于对污染物进行准确的识别，便于快速对比特征判断水质污染概率。
附图说明
图1为本发明提出的基于深度学习的水质污染判断方法的流程图。
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，基于深度学习的水质污染判断方法，包括如下步骤：
S1构建不同种类污染物所代表的不同特征数据的特征数据库；
S2初始化配置水中的水质传感器网络并等距设置传感器节点；
S3实时的通过每个传感器节点监测获取水面原始图片，并将原始图片数据存储到分布式数据库中；
S4对原始图片做颜色校正处理，并识别出原始图片中包含的各景物；
S5获取各景物的特征轮廓信息；
S6以特征数据库作为分类的依据，对各景物图像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到污染物识别图片数据；
S7提取特征数据库中对比的污染物特征轮廓信息，并获取关联污染物特征图像的描述信息，展现对比识别结果，判断水质污染概率。
本发明中，步骤S3包括有基于深度学习的图片识别模块，图片识别模块用于对获取水面原始图片进行识别处理。
本发明中，步骤S4对原始图片做颜色校正处理后，采用混合滤波方法对原始图片做降噪处理，降噪处理：通过利用色调映射方法并采用16比特浮点数据表征各帧原始图像中的每一个像素点，从而准确显示所融合后的高动态范围图像。
本发明中，步骤S3采用亮度调节方式或饱和度调节方式或对比度调节方式或细节调节方式的图像质量调节方式，以调节原始图片的质量。
本发明中，步骤S2水质传感器网络包括多个主监控点，主监控点用于每间隔时间对需要监控的水体进行图像采集。
本发明中，步骤S6对具有个景物图像进行精确的分割提取，对分割提取的污染物图像进行特征切分。
本发明中，水质传感器网络中还设置有预监控敏感行为发生时对应设置冗余监控点，以辅助对应的主监控点进行监控污染物判断。
本发明中，步骤S3对原始图片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：构建不同种类污染物所代表的不同特征数据的特征数据库；初始化配置水中的水质传感器网络并等距设置传感器节点；实时的通过每个传感器节点监测获取水面原始图片，并将原始图片数据存储到分布式数据库中；对原始图片做颜色校正处理，并识别出原始图片中包含的各景物；获取各景物的特征轮廓信息；以特征数据库作为分类的依据，对各景物图像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到污染物识别图片数据；提取特征数据库中对比的污染物特征轮廓信息，并获取关联污染物特征图像的描述信息，展现对比识别结果，判断水质污染概率。
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.基于深度学习的水质污染判断方法，其特征在于，包括如下步骤：
S1构建不同种类污染物所代表的不同特征数据的特征数据库；
S2初始化配置水中的水质传感器网络并等距设置传感器节点；
S3实时的通过每个传感器节点监测获取水面原始图片，并将原始图片数据存储到分布式数据库中；
S4对原始图片做颜色校正处理，并识别出原始图片中包含的各景物；
S5获取各景物的特征轮廓信息；
S6以特征数据库作为分类的依据，对各景物图像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到污染物识别图片数据；
S7提取特征数据库中对比的污染物特征轮廓信息，并获取关联污染物特征图像的描述信息，展现对比识别结果，判断水质污染概率。
2.根据权利要求1所述的基于深度学习的水质污染判断方法，其特征在于，所述步骤S3包括有基于深度学习的图片识别模块，图片识别模块用于对获取水面原始图片进行识别处理。
3.根据权利要求1所述的基于深度学习的水质污染判断方法，其特征在于，所述步骤S4对原始图片做颜色校正处理后，采用混合滤波方法对原始图片做降噪处理，降噪处理：通过利用色调映射方法并采用16比特浮点数据表征各帧原始图像中的每一个像素点，从而准确显示所融合后的高动态范围图像。
4.根据权利要求1所述的基于深度学习的水质污染判断方法，其特征在于，所述步骤S3采用亮度调节方式或饱和度调节方式或对比度调节方式或细节调节方式的图像质量调节方式，以调节原始图片的质量。
5.根据权利要求1所述的基于深度学习的水质污染判断方法，其特征在于，所述步骤S2水质传感器网络包括多个主监控点，主监控点用于每间隔时间对需要监控的水体进行图像采集。
6.根据权利要求1所述的基于深度学习的水质污染判断方法，其特征在于，所述步骤S6对具有个景物图像进行精确的分割提取，对分割提取的污染物图像进行特征切分。
7.根据权利要求1所述的基于深度学习的水质污染判断方法，其特征在于，所述水质传感器网络中还设置有预监控敏感行为发生时对应设置冗余监控点，以辅助对应的主监控点进行监控污染物判断。
8.根据权利要求1所述的基于深度学习的水质污染判断方法，其特征在于，所述步骤S3对原始图片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。
CN202110216201.5A 2021-02-26 2021-02-26 基于深度学习的水质污染判断方法 Pending CN113033313A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110216201.5A CN113033313A (zh) 2021-02-26 2021-02-26 基于深度学习的水质污染判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110216201.5A CN113033313A (zh) 2021-02-26 2021-02-26 基于深度学习的水质污染判断方法

Publications (1)

Publication Number Publication Date
CN113033313A true CN113033313A (zh) 2021-06-25

Family

ID=76462105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110216201.5A Pending CN113033313A (zh) 2021-02-26 2021-02-26 基于深度学习的水质污染判断方法

Country Status (1)

Country Link
CN (1) CN113033313A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295653A (zh) * 2016-07-29 2017-01-04 宁波大学 一种水质图像分类方法
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
CN108764154A (zh) * 2018-05-30 2018-11-06 重庆邮电大学 一种基于多特征机器学习的水面垃圾识别方法
WO2018212494A1 (ko) * 2017-05-17 2018-11-22 삼성전자 주식회사 객체를 식별하는 방법 및 디바이스
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
KR20200071857A (ko) * 2018-12-05 2020-06-22 이규진 IoT 수질 모니터링 장치 및 시스템
CN111753693A (zh) * 2020-06-15 2020-10-09 西安工业大学 一种静态场景下目标检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295653A (zh) * 2016-07-29 2017-01-04 宁波大学 一种水质图像分类方法
WO2018212494A1 (ko) * 2017-05-17 2018-11-22 삼성전자 주식회사 객체를 식별하는 방법 및 디바이스
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
CN108764154A (zh) * 2018-05-30 2018-11-06 重庆邮电大学 一种基于多特征机器学习的水面垃圾识别方法
KR20200071857A (ko) * 2018-12-05 2020-06-22 이규진 IoT 수질 모니터링 장치 및 시스템
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
CN111753693A (zh) * 2020-06-15 2020-10-09 西安工业大学 一种静态场景下目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黎嘉明;谢兴;张铅海;周连娣;: "基于对抗生成网络的漂浮物分割算法研究", 数字技术与应用, no. 01 *

Similar Documents

Publication Publication Date Title
Zhang et al. Animal detection from highly cluttered natural scenes using spatiotemporal object region proposals and patch verification
Korus et al. Multi-scale fusion for improved localization of malicious tampering in digital images
Christlein et al. An evaluation of popular copy-move forgery detection approaches
TWI281126B (en) Image detection method based on region
CN108304873A (zh) 基于高分辨率光学卫星遥感影像的目标检测方法及其系统
CN111046880A (zh) 一种红外目标图像分割方法、系统、电子设备及存储介质
CN109410184B (zh) 基于稠密对抗网络半监督学习的直播色情图像检测方法
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
Burie et al. ICFHR2016 competition on the analysis of handwritten text in images of balinese palm leaf manuscripts
CN1975759A (zh) 一种基于结构主元分析的人脸识别方法
CN109255350A (zh) 一种基于视频监控的新能源车牌检测方法
CN107194946B (zh) 一种基于fpga的红外显著物体检测方法
CN104915642B (zh) 前方车辆测距方法及装置
CN111832461A (zh) 一种基于视频流的非机动车骑行人员头盔佩戴检测方法
Liang et al. Deep infrared pedestrian classification based on automatic image matting
CN110599516A (zh) 一种运动目标检测方法、装置、存储介质及终端设备
Cho et al. Scene text extraction by superpixel CRFs combining multiple character features
CN112686265A (zh) 一种基于层级轮廓提取的象形文字分割方法
Aalan Babu et al. Water‐body segmentation from satellite images using Kapur's entropy‐based thresholding method
CN115115863A (zh) 水面多尺度目标检测方法、装置及系统和存储介质
Xu et al. Extended non-local feature for visual saliency detection in low contrast images
CN110334703B (zh) 一种昼夜图像中的船舶检测和识别方法
CN113033313A (zh) 基于深度学习的水质污染判断方法
CN113160146B (zh) 一种基于图神经网络的变化检测方法
Wang et al. An image edge detection algorithm based on multi-feature fusion

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