CN113822841A - 一种污水杂质结块检测方法、装置及相关设备 - Google Patents

一种污水杂质结块检测方法、装置及相关设备 Download PDF

Info

Publication number
CN113822841A
CN113822841A CN202110129781.4A CN202110129781A CN113822841A CN 113822841 A CN113822841 A CN 113822841A CN 202110129781 A CN202110129781 A CN 202110129781A CN 113822841 A CN113822841 A CN 113822841A
Authority
CN
China
Prior art keywords
position information
impurity
image data
agglomeration
caking
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.)
Granted
Application number
CN202110129781.4A
Other languages
English (en)
Other versions
CN113822841B (zh
Inventor
赖红
李钦
杨耿
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.)
Dragon Totem Technology Hefei Co ltd
Hefei Jinglong Environmental Protection Technology Co ltd
Original Assignee
Shenzhen Institute of Information Technology
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 Shenzhen Institute of Information Technology filed Critical Shenzhen Institute of Information Technology
Priority to CN202110129781.4A priority Critical patent/CN113822841B/zh
Publication of CN113822841A publication Critical patent/CN113822841A/zh
Application granted granted Critical
Publication of CN113822841B publication Critical patent/CN113822841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/20—Controlling water pollution; Waste water treatment

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种污水杂质结块检测方法，应用于污水检测技术领域，用于解决在污水排放时无法自动化检测污水杂质结块的技术问题。本发明提供的方法包括：对污水池表面进行实时视频监测以获取相应的图像帧数据集合；所述图像帧数据集合包括对应每个实时视频拍摄时间点的多个图像数据；基于所述多个图像数据对所述污水池中的杂质结块进行位置检测，以获得相应的第一杂质结块位置信息；对所述多个图像数据进行角点检测，以获得相应的第二杂质结块位置信息；根据所述第一杂质结块位置信息与所述第二杂质结块位置信息，确定所述污水池表面是否存在杂质结块。

Description

一种污水杂质结块检测方法、装置及相关设备
技术领域
本发明涉及污水检测技术领域，尤其涉及一种污水杂质结块检测方法、装置、计算机设备及存储介质。
背景技术
在污水池中，主要有三种物质：基本静止不动的污水、运动的污水泡沫和运动的杂质结块，杂质结块会影响污水排放的效果。
目前常见的检测污水杂质的方法主要通过人眼观测方式等非自动化检测方法，杂质结块通常表面光滑漂浮在污水面上，人眼观测可能会遗漏某些杂质结块且人眼观测效率低，导致污水排放结果不理想。
综上所述，现有通过人眼对污水杂质结块进行观测的方式存在观测效率低和准确度低的问题。
发明内容
本发明实施例提供一种污水杂质结块检测方法、装置、计算机设备及存储介质，以解决在污水排放时无法自动化检测污水杂质结块的技术问题。
一种污水杂质结块检测方法，包括：
对污水池表面进行实时视频监测以获取相应的图像帧数据集合；该图像帧数据集合包括多个图像数据，每个图像数据对应每个视频拍摄时间点；
基于该多个图像数据对该污水池中的杂质结块进行位置检测，以获得相应的第一杂质结块位置信息；
对该多个图像数据进行角点检测，以获得相应的第二杂质结块位置信息；
根据该第一杂质结块位置信息与该第二杂质结块位置信息，确定该污水池表面是否存在杂质结块。
一种污水杂质结块检测装置，包括：
图像获取模块，用于对污水池表面进行实时视频监测以获取相应的图像帧数据集合；该图像帧数据集合包括对应多个图像数据，每个图像数据对应每个视频拍摄时间点；
第一杂质结块位置信息获取模块，用于基于该多个图像数据对该污水池中的杂质结块进行位置检测，以获得相应的第一杂质结块位置信息；
第二杂质结块位置信息获取模块，用于对该多个图像数据进行角点检测，以获得相应的第二杂质结块位置信息；
杂质结块确认模块，用于根据该第一杂质结块位置信息与该第二杂质结块位置信息，确定该污水池表面是否存在杂质结块。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述污水杂质结块检测方法的步骤。
一种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程序，所述计算机程序被处理器执行时实现上述污水杂质结块检测方法的步骤。
上述污水杂质结块检测方法、装置、计算机设备及存储介质，对污水池表面进行实时视频监测以获取相应的图像帧数据集合；该图像帧数据集合包括对应每个实时视频拍摄时间点的多个图像数据；基于该多个图像数据对该污水池中的杂质结块进行位置检测，以获得相应的第一杂质结块位置信息；对该多个图像数据进行角点检测，以获得相应的第二杂质结块位置信息；根据该第一杂质结块位置信息与该第二杂质结块位置信息，确定该污水池表面是否存在杂质结块，通过上述步骤解决在污水排放无法自动化检测污水池表面的污水杂质结块的技术问题，且能提升杂质结块检测的效率和准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中污水杂质结块检测方法的一应用环境示意图；
图2是本发明一实施例中污水杂质结块检测方法的一流程图；
图3是本发明一实施例中污水杂质结块检测装置的结构示意图；
图4是本发明一实施例中计算机设备的一示意图。
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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请提供的污水杂质结块检测方法，可应用在如图1的应用环境中，其中，计算机设备通过网络与服务器进行通信。其中，计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种污水杂质结块检测方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤S101至步骤S104：
S101，对污水池表面进行实时视频监测以获取相应的图像帧数据集合；该图像帧数据集合包括多个图像数据，每个图像数据对应每个视频拍摄时间点。
其中，图像数据为图像帧数据集合中的每一个视频拍摄时间点对应的图像帧数据，图像数据是指用数值表示的各像素的灰度值的集合。在本发明实施例的应用场景下，图像数据以图片形式说明污水池表面的场景。
具体的，步骤S101对污水池表面进行实时视频监测可通过固定式或移动式的可见光摄像头对污水池区域的表面进行视频拍摄。
可选的，在获取相应的图像帧数据集合时，根据预设规则选取用以后续步骤的图像数据，具体可以按照一定的时间间隔或剔除相似度较接近的图像帧。
因为通过对图像数据进行选取，减少了需要处理的图像数据的数量，从而能够达到提高处理效率的有益效果。
S102，基于该多个图像数据对该污水池中的杂质结块进行位置检测，以获得相应的第一杂质结块位置信息。
其中，第一杂质结块位置信息具体是杂质结块在图像数据中的坐标集合，坐标集合是指杂质结块对应区域中每个像素点坐标的集合。
在一实施例中，步骤S102中，基于该多个图像数据对该污水池中的杂质结块进行位置检测，以获得相应的第一杂质结块位置信息，包括如下步骤S1021至S1023：
S1021，对该多个图像数据进行背景差分检测，以确定该多个图像数据中存在运动物体的目标图像数据，并相应获取该运动物体所对应的运动物体位置信息。
其中，运动物体位置信息具体是运动物体在图像数据中的坐标集合，坐标集合是指运动物体对应区域中每个像素点坐标的集合。
具体的，污水池中的物质包括污水以及跟随污水的流动而运动的运动物体，该运动物体包括杂质结块和泡沫。
具体的，对多个图像数据进行背景差分法检测，通过对当前需要检测的图像数据与背景图像进行比较来检测该图像数据中是否存在运动物体，其中背景图像是需要根据图像的灰度值进行区间统计获得，通过背景差分法可以获得运动物体的面积以及运动方向以及对应的运动物体位置信息。
其中，作为获得背景图像的方式之一，根据图像数据的灰度值进行区间统计获得背景图像，具体实现过程为：对多个图像数据中对相同位置的像素点的灰度值按照数值大小排序，取数值为中间值的像素点灰度值作为背景图像中对应位置的灰度值。
根据上述方法获得背景图像后，根据需要检测的图像数据与背景图像两者在相同位置上像素灰度值的区别，判断图像数据中是否存在运动物体。
S1022，对该目标图像数据进行频率转换，以获得相应的全局频率特征。
具体的，根据需求对目标图像数据进行傅里叶变换、离散余弦变换或快速傅里叶变换等，得到目标图像数据对应的全局频率特征。
以傅里叶变换为例，可根据如下算式(1)对目标图像数据进行频率变换：
Figure BDA0002924724550000051
其中，μ和v为频率分量，x和y为空间域图像变量，F(μ,v)为目标图像数据经过转换后所对应的全局频率特征，f(x,y)为图像函数。
以离散余弦变换(DCT，Discrete Cosine Transform)为例，根据如下公式(2)计算目标图像数据对应的全局频率特征：
Figure BDA0002924724550000052
Figure BDA0002924724550000053
其中，F(u,v)为目标图像数据经过DCT变换后所对应的全局频率特征，f(x,y)为M×N的目标图像中的每个像素的像素值构成的二维矩阵，x,u＝[0,M-1],y,v＝[0,N-1]。
DCT只对实信号进行变换，相对于DFT(Discrete Fourier Transform，离散傅里叶变换)而言可以减少一半的计算量，有利于提高计算目标图像数据的全局频率特征的效率。
以快速傅里叶变换为例，快速傅里叶变换是DFT的高速算法，FFT分为时间抽取法和频率抽取法，将在下文对频率抽取法进行说明。
可以通过如下公式(3)计算目标图像数据的频率谱，根据频率谱获得目标图像数据的全局频率特征：
Figure BDA0002924724550000061
其中，X(k)是经过频率变换的目标图像数据的频率谱，x(n)是原目标图像数据，k指目标图像数据需要进行频率变换的灰度值。
对目标图像数据进行频率变换后获得目标图像数据的频率谱，根据频率谱获得目标图像数据的全局频率特征。
以S1022为基础，在对运动物体进行背景差分检测后，可以获得运动物体的面积，可在与运动物体的面积内进行频率变换获得对应的频率特征，该频率特征可结合运动物体位置信息，获得第一杂质结块位置信息。
只在运动物体的面积内进行频率转换相对于对整个图像数据进行频率转换而言，在运动物体的面积内进行频率转换的方法可以减少计算量，提高计算速度。
S1023，基于该运动物体位置信息与该全局频率特征，获得第一杂质结块位置信息。
进一步的，上述步骤S1023包括如下步骤a至c：
a.基于该运动物体位置信息与该全局频率特征，获得该运动物体在该目标图像数据中的位置所对应的频率特征。
其中，根据全局频率特征获得目标图像数据上每个像素点的频率特征，运动物体位置信息包括目标图像数据中运动物体所在位置的像素点的坐标，结合两者，可以得到运动物体对应位置的像素点的频率特征。
b.将该频率特征与频率门限值进行比较。
c.若该频率特征大于该频率门限值，则确定与该频率特征对应的运动物体为杂质结块，收集所有该目标图像数据对应的运动物体位置信息以构成第一杂质结块位置信息。
具体的，频率特征包括该运动物体的位置对应的能量以及强度等特征。频率门限值是预先设置用于筛选出杂质结块的数值，其具体范围可根据实际应用场景设定，优选的，该频率门限值可以设为0.8，该频率门限值为归一化后的数值。
其中，根据上述步骤获得的第一杂质结块位置信息可根据如下算式(4)表示：
f(x，y)＝[1] (4)
其中，f(x,y)为杂质结块在目标图像数据上的坐标集合，由f(x,y)表示第一杂质结块位置信息，1表示在目标图像数据中的坐标存在杂质结块。
根据上述步骤，采用背景差分法检测图像数据可以快速将几乎处于静止不动的污水过滤，从而获得运动的杂质结块以及运动的污水泡沫。
运用频率转换从而根据频率特征进一步区分运动的杂质结块和污水泡沫，使检测结果更加精确。
在本实施例中，步骤S1021至步骤S1023通过采用背景差分法进行运动物体检测得到运动物体位置信息，并对目标图像数据进行频率转换获得全局频率特征，通过运动物体位置信息定位运动物体在目标图像数据上的像素点区域，通过全局频率特征获得运动物体像素点区域的频率特征，易理解地，杂质结块的频率特征与非杂质结块的其他运动物体的频率特征存在较为明显区别，因而，本实施例通过运动物体像素点区域的频率特征，从运动物体中筛选出第一杂质结块，进而根据运动物体对应的位置信息，获得第一杂质结块位置信息，从而提高杂质结块检测结果的精确性。
S103，对该多个图像数据进行角点检测，以获得相应的第二杂质结块位置信息。
其中，第二杂质结块位置信息具体是杂质结块在图像数据中的坐标集合，坐标集合是指杂质结块对应区域中每个像素点坐标的集合。
对图像数据进行角点检测，以获取潜在的杂质结块位置，从而提高对杂质结块的检测率。
需要说明的是，步骤S102与步骤S103之间，没有必然的先后执行顺序，其具体也可以是并列执行，此处不作具体限定。
具体的，可采用Harris角点检测算子/SIFT(Scale-invariant featuretransform，尺度不变特征变换)/SURF(Speeded Up Robust Features，加速稳健特征)等角点检测方法进行角点检测，可获得角点的位置、方向以及向量特征。
可选的，若采用Harris进行角点检测，Harris算法的核心是利用局部窗口在图像上进行移动判断灰度发生较大变化，根据所述发生较大变化的的灰度值对应的像素点，确定角点所在的像素点区域，根据对应像素点的位置获得第二杂志结块位置信息。
根据如下公式(5)计算图像数据的灰度变化值：
Figure BDA0002924724550000081
其中，E(μ,v)是指图像数据的灰度变化值，w(μ,v)是指窗口函数，I(x+μ,y+v)是指图像数据进行窗口平移后的图像灰度值，I(x,y)是指图像灰度值。
在公式(5)中，
Figure BDA0002924724550000082
w(x,y)指窗口函数选中的像素点，Ix是图像数据上的像素的x轴坐标，Iy是图像数据上的像素的y轴坐标，通过矩阵M将图像数据的灰度变化值转化为图像数据的像素值在x方向和y方向的变化程度。
通过如下公式(6)对矩阵M求解角点响应值：
R＝detM-k(traceM)2 (6)
其中，R是角点响应函数，traceM是矩阵M的迹(迹指矩阵主对角线上的值相加的值)，detM是矩阵M的行列式。
求解出角点响应值后，将角点响应值与预设的阈值进行比较，通过两者的大小关系判断该像素点是否为角点。
另外，可以采用SIFT进行角点检测，SIFT算法通过在不同的尺度空间上查找关键点，并计算关键点的方向，尺度空间在图像处理中引入一个被视为尺度的参数，通过连续变化的尺度参数获得多尺度下的尺度空间表示序列，对这些序列进行尺度空间主轮廓的提取，并以该主轮廓作为一种特征向量，实现角点检测。
可根据如下公式(7)和公式(8)确定图像数据的尺度空间：
Figure BDA0002924724550000091
L(x，y，σ)＝G(x，y，σ)*I(x，y) (8)
L(x,y,σ)为图像数据的尺度空间，G(x,y,σ)为一个变化尺度的高斯函数，I(x,y)为原图像数据，σ为尺度空间因子，x,y代表图像数据的像素位置，m,n为高斯函数的维度。
在公式(7)和(8)表示的图像数据的尺度空间中检测特征点，并对特征点进行定位，将检测到的特征点作为角点检测的结果，从而实现对图像数据进行角点检测的目的。
另外，也可选用SURF算法对图像数据进行角点检测，SURF与SIFT类似需要基于尺度空间，提取并描述特征点，最终生成特征点描述子的算法。
在检测到角点的位置可认为该位置存在杂质结块，收集检测到的角点的位置组成第二杂质结块位置信息。
进一步的，根据上述步骤获得的第二杂质结块位置信息可根据如下算式(9)表示：
g(x，y)＝[1] (9)
其中，g(x,y)为杂质结块在图像数据上的坐标集合，由g(x,y)表示第二杂质结块位置信息，1表示在图像数据的该坐标检测到了角点。
本实施例中，角点为图像数据中亮度变化剧烈的点或者图像数据中边缘曲线上曲率值极大的点，通过采用角点特征检测方法可以检测到更多的潜在杂质结块，提高了检测到杂质结块的可能性，进一步保证了杂质结块检测结果的精确性。
S104，根据该第一杂质结块位置信息与该第二杂质结块位置信息，确定该污水池表面是否存在杂质结块。
通过采用两者不同的检测方法以获得两种不同的杂质结块检测结果，通过参考两种杂质结块检测方法从而达到提高杂质结块检测结果的准确性，从而提高本发明实施例的应用价值。进一步的，步骤S104包括如下步骤：
S1041，基于预设计算规则，对所述第一杂质结块位置信息与所述第二杂质结块位置信息进行交集计算或并集计算，以获得杂质结块位置信息。
具体的，根据对检测结果的要求(例如根据检测率或误报率)，选择计算规则获得杂质结块位置信息。
基于上述步骤，若检测结果的要求为需要高检测率或高误报率，可根据如下算式(10)计算得到杂质结块位置信息：
y(x,y)＝f(x,y)∪g(x,y) (10)
若检测结果的要求为需要低检测率或低误报率，可根据如下算式(11)计算得到杂质结块位置信息：
y(x,y)＝f(x,y)∩g(x,y) (11)
其中，y(x,y)指杂质结块位置信息，f(x,y)指第一杂质结块位置信息，g(x,y)指第二杂质结块位置信息。
S1042，根据所述杂质结块位置信息确定所述污水池表面是否存在杂质结块。
具体的，根据步骤S1041得到的杂质结块位置信息确定污水池表面是否存在杂质结块。
进一步的，杂质结块位置信息基于图像数据获得，若确定污水池表面存在杂质结块，则根据杂质结块位置信息获取杂质结块在污水池中的实际位置，以使管理人员通过杂质结块在污水池中的实际位置的，对杂质结块进行处理。
在本实施例中，非流体物质是指污水池中运动的杂质结块或污水泡沫，进一步的，步骤S103包括如下步骤S1至S11：
S1，对该多个图像数据进行角点检测，以获取相应的角点特征信息。
S2，根据该角点特征信息，确定该多个图像数据中存在非流体物质的有效图像数据。
具体的，若检测到角点特征信息中，包括角点的位置、方向以及向量特征，则确认该角点特征信息有效，并将该图像数据为有效图像数据。
S3，根据该有效图像数据所对应的角点特征信息，相应获取该非流体物质所对应的位置信息。
S4，根据预设角点比较规则，将该有效图像数据的角点特征信息分别与预先获取的杂质结块模板角点特征、该泡沫模板角点特征进行比较，以获得相应的比较结果。
具体的，步骤S4包括如下步骤e至h：
e.从数据库中获取杂质结块模板图像和泡沫模板图像。
d.对该杂质结块模板图像进行角点检测，以获得杂质结块模板角点特征。
f.对该泡沫模板木箱进行角点检测，以获得泡沫模板角点特征。
g.将有效图像数据的角点特征信息与该杂质结块模板角点特征进行比较，获得杂质结块特征距离；将该角点特征信息与该泡沫模板角点特征进行比较，获得泡沫特征距离。
h.若杂质结块特征距离小于杂质结块门限值，则该角点特征信息对应的非流体物质为杂质结块；若泡沫特征距离小于泡沫门限值，则该角点特征信息对应的非流体物质为泡沫。
在步骤g中，可通过将有效图像数据的角点特征信息与杂质结块模板角点特征进行特征比对计算，求得杂质结块特征距离。
其中，进行特征比对计算，具体可以是通过计算角点特征信息与杂质结块模板角点特征的欧式距离，进而进行比较。
其中，杂质结块门限值为预先设置好的用于进行筛选杂质结块的数值，其具体范围可根据实际应用进行设定，优选地，本实施例中将杂质结块门限值设置为0.2，该数值为归一化后的数值。
泡沫门限值为预先设置好的用于区分筛选泡沫的数值，其具体范围可根据实际应用进行设定，优选地，本实施例中将泡沫门限值设置为0.2，该数值为归一化后的数值。
S5，根据该比较结果确定该非流体物质是否为杂质结块和/或泡沫。
S6，若该非流体物质为杂质结块，根据该比较结果和该位置信息获得相应的杂质结块位置信息。
具体的，若比较结果显示该角点对应的非流体物质为杂质结块，则收集对应的角点的位置信息构成杂质结块位置信息。
S7，若该非流体物质为泡沫，根据该比较结果和该位置信息获得相应的泡沫位置信息。
具体的，若比较结果显示该角点对应的非流体物质为泡沫，则收集对应的角点的位置信息构成泡沫位置信息。
S8，若该非流体物质为杂质结块和泡沫，根据该比较结果和该位置信息获得相应的杂质结块位置信息与泡沫位置信息。
具体的，在一有效图像数据中，既存在杂质结块对应的角点，又存在泡沫对应的角点，则根据对应角点的角点特征信息获得杂质结块位置信息和泡沫位置信息。
S9，基于所有该有效图像数据所对应的杂质结块位置信息，构成杂质结块位置信息集合。
其中，若存在多个有效图像数据，则针对同一有效图像数据收集该有效图像数据上的杂质结块位置信息，以构成杂志结块位置信息集合。
具体的，可以根据有效图像数据的拍摄时间节点其中一个有效图像数据杂质结块位置集合。
S10，基于所有该有效图像数据所对应的泡沫位置信息，构成泡沫位置信息集合。
其中，若存在多个有效图像数据，则针对同一有效图像数据收集该有效图像数据上的泡沫位置信息，以构成泡沫位置信息集合。
具体的，可以根据有效图像数据的拍摄时间节点选择其中一个有效图像数据的泡沫位置信息集合。
S11，对该杂质结块位置信息集合和该泡沫位置信息集合进行处理，以获得第二杂质结块位置信息。
进一步的，步骤S11包括如下步骤：
i.对该杂质结块位置信息集合进行聚类处理，以获得相应的聚类杂质结块位置信息。
j.对该泡沫位置信息集合进行聚类处理，以获得相应的聚类泡沫位置信息。
k.基于预设筛选规则对该聚类杂质结块位置信息、该聚类泡沫位置信息进行筛选，并根据筛选后得到的聚类杂质结块位置信息和聚类泡沫位置信息构成第二杂质结块位置信息。
具体的，根据聚类杂质结块位置信息获得杂质结块类别的角点特征信息，对角点特征信息中的角点方向进行统计分析，以求得角点方向均值、角点方向方差。若杂质结块类别的角点方向方差大于杂质结块方差门限值，则认为该杂质结块类别不是杂质结块，杂质结块门限值可根据实际应用场景确定；
根据聚类泡沫位置信息获得泡沫类别的角点特征信息，若泡沫类别的角点方向方差小于泡沫方差门限值，则认为该泡沫类别不是泡沫，泡沫方差门限值可根据具体实际应用场景确定。
根据上述筛选，收集符合杂质结块的类别位置信息构成第二杂质结块位置信息。运用角点方差对角点检测得到的杂质结块进行再次筛选，将不满足角点方差条件的杂质结块剔除，进一步获得更准确的检测结果。
本实施例提供的污水杂质检测方法、装置、计算机设备及存储介质，对污水池表面进行实时视频监测以获取相应的图像帧数据集合；该图像帧数据集合包括对应每个实时视频拍摄时间点的多个图像数据；基于该多个图像数据对该污水池中的杂质结块进行位置检测，以获得相应的第一杂质结块位置信息；对该多个图像数据进行角点检测，以获得相应的第二杂质结块位置信息；根据该第一杂质结块位置信息与该第二杂质结块位置信息，确定该污水池表面是否存在杂质结块，通过上述步骤解决在污水排放无法自动化检测污水池表面的污水杂质结块的技术问题，且能提升杂质结块检测的效率和准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种污水杂质结块检测装置，该污水杂质结块检测装置与上述实施例中污水杂质结块检测方法一一对应。如图3所示，该污水杂质结块检测装置包括模块：
图像获取模块41，用于对污水池表面进行实时视频监测以获取相应的图像帧数据集合；该图像帧数据集合包括多个图像数据，每个图像数据对应每个视频拍摄时间点。
第一杂质结块位置信息获取模块42，用于基于该多个图像数据对该污水池中的杂质结块进行位置检测，以获得相应的第一杂质结块位置信息。
第二杂质结块位置信息获取模块43，用于对该多个图像数据进行角点检测，以获得相应的第二杂质结块位置信息。
杂质结块确认模块44，用于根据该第一杂质结块位置信息与该第二杂质结块位置信息，确定该污水池表面是否存在杂质结块。
在本实施例中，第一杂质结块位置信息获取模块42包括如下单元：
运动物体位置信息获取单元，用于对该多个图像数据进行背景差分检测，以确定该多个图像数据中存在运动物体的目标图像数据，并相应获取该运动物体所对应的运动物体位置信息。
频率转换单元，用于对该目标图像数据进行频率转换，以获得相应的全局频率特征。
第一杂质结块位置信息获取单元，用于基于该运动物体位置信息与该全局频率特征，获得第一杂质结块位置信息。
进一步的，该第一杂质结块位置信息获取单元包括如下子单元：
频率特征获取子单元，用于基于该运动物体位置信息与该全局频率特征，获得该运动物体在该目标图像数据中的位置所对应的频率特征。
频率比较子单元，用于将该频率特征与频率门限值进行比较。
第一杂质结块位置信息获取子单元，用于若该频率特征大于该频率门限值，则确定与该频率特征对应的运动物体为杂质结块，收集所有该目标图像数据对应的运动物体位置信息以构成第一杂质结块位置信息。
在本实施例中，第二杂质结块位置信息获取模块43包括如下单元：
角点特征信息获取单元，用于对该多个图像数据进行角点检测，以获取相应的角点特征信息。
有效图像数据确定单元，用于根据该角点特征信息，确定该多个图像数据中存在非流体物质的有效图像数据。
位置信息获取单元，用于根据该有效图像数据所对应的角点特征信息，相应获取该非流体物质所对应的位置信息。
比较结果获取单元，用于根据预设角点比较规则，将该有效图像数据的角点特征信息分别与预先获取的杂质结块模板角点特征、该泡沫模板角点特征进行比较，以获得相应的比较结果。
非流体物质确认单元，用于根据该比较结果确定该非流体物质是否为杂质结块和/或泡沫。
杂质结块位置信息获取单元，用于若该非流体物质为杂质结块，根据该比较结果和该位置信息获得相应的杂质结块位置信息。
泡沫位置信息获取单元，用于若该非流体物质为泡沫，根据该比较结果和该位置信息获得相应的泡沫位置信息。
泡沫位置信息与杂质结块位置信息获取单元，用于若该非流体物质为杂质结块和泡沫，根据该比较结果和该位置信息获得相应的杂质结块位置信息与泡沫位置信息。
杂质结块位置集合构建单元，用于基于所有该有效图像数据所对应的杂质结块位置信息，构成杂质结块位置信息集合。
泡沫位置信息构建单元，用于基于所有该有效图像数据所对应的泡沫位置信息，构成泡沫位置信息集合。
第二杂质结块位置信息获取单元，用于对该杂质结块位置信息集合和该泡沫位置信息集合进行处理，以获得第二杂质结块位置信息。
进一步的，第二杂质结块位置信息获取单元包括如下子单元：
杂质结块聚类子单元，用于对该杂质结块位置信息集合进行聚类处理，以获得相应的聚类杂质结块位置信息。
泡沫聚类子单元，用于对该泡沫位置信息集合进行聚类处理，以获得相应的聚类泡沫位置信息。
第二杂质位置信息获取子单元，用于基于预设筛选规则对该聚类杂质结块位置信息、该聚类泡沫位置信息进行筛选，并根据筛选后得到的聚类杂质结块位置信息和聚类泡沫位置信息构成第二杂质结块位置信息。
在本实施例中，杂质结块确认模块44包括如下单元：
杂质结块位置信息集合，用于基于预设计算规则，对所述第一杂质结块位置信息与所述第二杂质结块位置信息进行交集计算或并集计算，以获得杂质结块位置信息。
杂质结块确认单元，用于根据所述杂质结块位置信息确定所述污水池表面是否存在杂质结块。
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，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、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。
关于污水杂质结块检测装置的具体限定可以参见上文中对于污水杂质结块检测方法的限定，在此不再赘述。上述污水杂质结块检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服务器，其内部结构图可以如图4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、网络接口和数据库。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、计算机程序和数据库。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。该计算机设备的数据库用于存储污水杂质结块检测方法中涉及到的数据。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污水杂质结块检测方法。
在一个实施例中，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，处理器执行计算机程序时实现上述实施例中污水杂质结块检测方法的步骤，例如图2所示的步骤S101至步骤S104及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中污水杂质结块检测装置的各模块/单元的功能，例如图3所示模块41至模块44的功能。为避免重复，这里不再赘述。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中污水杂质结块检测方法的步骤，例如图2所示的步骤S101至步骤S104及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中污水杂质结块检测装置的各模块/单元的功能，例如图3所示模块41至模块44的功能。为避免重复，这里不再赘述。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种污水杂质结块检测方法，其特征在于，包括：
对污水池表面进行实时视频监测以获取相应的图像帧数据集合；所述图像帧数据集合包括多个图像数据，每个所述图像数据对应每个视频拍摄时间点；
基于所述多个图像数据对所述污水池中的杂质结块进行位置检测，以获得相应的第一杂质结块位置信息；
对所述多个图像数据进行角点检测，以获得相应的第二杂质结块位置信息；
根据所述第一杂质结块位置信息与所述第二杂质结块位置信息，确定所述污水池表面是否存在杂质结块。
2.根据权利要求1所述的污水杂质结块检测方法，其特征在于，所述基于所述多个图像数据对所述污水池中的杂质结块进行位置检测，以获得相应的第一杂质结块位置信息的步骤包括：
对所述多个图像数据进行背景差分检测，以确定所述多个图像数据中存在运动物体的目标图像数据，并相应获取所述运动物体所对应的运动物体位置信息；
对所述目标图像数据进行频率转换，以获得相应的全局频率特征；
基于所述运动物体位置信息与所述全局频率特征，获得第一杂质结块位置信息。
3.根据权利要求2所述的污水杂质结块检测方法，其特征在于，所述基于所述运动物体位置信息与所述全局频率特征，获得第一杂质结块位置信息的步骤包括：
基于所述运动物体位置信息与所述全局频率特征，获得所述运动物体在所述目标图像数据中的位置所对应的频率特征；
将所述频率特征与频率门限值进行比较；
若所述频率特征大于所述频率门限值，则确定与所述频率特征对应的运动物体为杂质结块，收集所有所述目标图像数据对应的运动物体位置信息以构成第一杂质结块位置信息。
4.根据权利要求1所述的污水杂质结块检测方法，其特征在于，所述对所述多个图像数据进行角点检测，以获得相应的第二杂质结块位置信息的步骤包括：
对所述多个图像数据进行角点检测，以获取相应的角点特征信息；
根据所述角点特征信息，确定所述多个图像数据中存在非流体物质的有效图像数据；
根据所述有效图像数据所对应的角点特征信息，相应获取所述非流体物质所对应的位置信息；
根据预设角点比较规则，将所述有效图像数据的角点特征信息分别与预先获取的杂质结块模板角点特征、所述泡沫模板角点特征进行比较，以获得相应的比较结果；
根据所述比较结果确定所述非流体物质是否为杂质结块和/或泡沫；
若所述非流体物质为杂质结块，根据所述比较结果和所述位置信息获得相应的杂质结块位置信息；
若所述非流体物质为泡沫，根据所述比较结果和所述位置信息获得相应的泡沫位置信息；
若所述非流体物质为杂质结块和泡沫，根据所述比较结果和所述位置信息获得相应的杂质结块位置信息与泡沫位置信息；
基于所有所述有效图像数据所对应的杂质结块位置信息，构成杂质结块位置信息集合；
基于所有所述有效图像数据所对应的泡沫位置信息，构成泡沫位置信息集合；
对所述杂质结块位置信息集合和所述泡沫位置信息集合进行处理，以获得第二杂质结块位置信息。
5.根据权利要求4所述的污水杂质结块检测方法，其特征在于，所述对所述杂质结块位置信息集合和所述泡沫位置信息集合进行处理，以获得第二杂质结块位置信息的步骤包括：
对所述杂质结块位置信息集合进行聚类处理，以获得相应的聚类杂质结块位置信息；
对所述泡沫位置信息集合进行聚类处理，以获得相应的聚类泡沫位置信息；
基于预设筛选规则对所述聚类杂质结块位置信息、所述聚类泡沫位置信息进行筛选，并根据筛选后得到的聚类杂质结块位置信息和聚类泡沫位置信息构成第二杂质结块位置信息。
6.根据权利要求1所述的污水杂质结块检测方法，其特征在于，所述根据所述第一杂质结块位置信息与所述第二杂质结块位置信息，确定所述污水池表面是否存在杂质结块的步骤包括：
基于预设计算规则，对所述第一杂质结块位置信息与所述第二杂质结块位置信息进行交集计算或并集计算，以获得杂质结块位置信息；
根据所述杂质结块位置信息确定所述污水池表面是否存在杂质结块。
7.一种污水杂质结块检测装置，其特征在于，包括：
图像获取模块，用于对污水池表面进行实时视频监测以获取相应的图像帧数据集合；所述图像帧数据集合包括多个图像数据，每个所述图像数据对应每个视频拍摄时间点；
第一杂质结块位置信息获取模块，用于基于所述多个图像数据对所述污水池中的杂质结块进行位置检测，以获得相应的第一杂质结块位置信息；
第二杂质结块位置信息获取模块，用于对所述多个图像数据进行角点检测，以获得相应的第二杂质结块位置信息；
杂质结块确认模块，用于根据所述第一杂质结块位置信息与所述第二杂质结块位置信息，确定所述污水池表面是否存在杂质结块。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至6中任一项所述污水杂质结块检测方法的步骤。
9.一种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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述污水杂质结块检测方法的步骤。
CN202110129781.4A 2021-01-29 2021-01-29 一种污水杂质结块检测方法、装置及相关设备 Active CN113822841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110129781.4A CN113822841B (zh) 2021-01-29 2021-01-29 一种污水杂质结块检测方法、装置及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110129781.4A CN113822841B (zh) 2021-01-29 2021-01-29 一种污水杂质结块检测方法、装置及相关设备

Publications (2)

Publication Number Publication Date
CN113822841A true CN113822841A (zh) 2021-12-21
CN113822841B CN113822841B (zh) 2022-05-20

Family

ID=78912376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110129781.4A Active CN113822841B (zh) 2021-01-29 2021-01-29 一种污水杂质结块检测方法、装置及相关设备

Country Status (1)

Country Link
CN (1) CN113822841B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823834A (zh) * 2023-08-30 2023-09-29 济南玖通志恒信息技术有限公司 基于机器视觉电泳线排放的废水处理等级检测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102135485A (zh) * 2008-12-10 2011-07-27 邸生才 一种烟箱内片烟结块检测装置及其检测方法
CN104115203A (zh) * 2012-03-01 2014-10-22 日产自动车株式会社 立体物检测装置
US20140321747A1 (en) * 2013-04-28 2014-10-30 Tencent Technology (Shenzhen) Co., Ltd. Method, apparatus and terminal for detecting image stability
CN107025672A (zh) * 2017-03-30 2017-08-08 上海理工大学 一种基于改进凸包的显著性检测方法
CN107316297A (zh) * 2017-07-07 2017-11-03 山东商务职业学院 食用油杂质的视觉检测方法
CN111054080A (zh) * 2019-12-06 2020-04-24 腾讯科技（深圳）有限公司 智能检测透视外挂方法、装置、设备及其存储介质
CN111242088A (zh) * 2020-01-22 2020-06-05 上海商汤临港智能科技有限公司 一种目标检测方法、装置、电子设备及存储介质
CN111402298A (zh) * 2020-03-30 2020-07-10 南京财经大学 基于目标检测与轨迹分析的粮库视频数据压缩方法
CN111985427A (zh) * 2020-08-25 2020-11-24 深圳前海微众银行股份有限公司 活体检测方法、设备及可读存储介质
CN112132892A (zh) * 2019-06-24 2020-12-25 杭州海康威视系统技术有限公司 目标位置标注方法、装置及设备
CN112258479A (zh) * 2020-10-22 2021-01-22 中国人民解放军63620部队 基于图像特征的t0检测方法、装置和存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102135485A (zh) * 2008-12-10 2011-07-27 邸生才 一种烟箱内片烟结块检测装置及其检测方法
CN104115203A (zh) * 2012-03-01 2014-10-22 日产自动车株式会社 立体物检测装置
US20140321747A1 (en) * 2013-04-28 2014-10-30 Tencent Technology (Shenzhen) Co., Ltd. Method, apparatus and terminal for detecting image stability
CN107025672A (zh) * 2017-03-30 2017-08-08 上海理工大学 一种基于改进凸包的显著性检测方法
CN107316297A (zh) * 2017-07-07 2017-11-03 山东商务职业学院 食用油杂质的视觉检测方法
CN112132892A (zh) * 2019-06-24 2020-12-25 杭州海康威视系统技术有限公司 目标位置标注方法、装置及设备
CN111054080A (zh) * 2019-12-06 2020-04-24 腾讯科技（深圳）有限公司 智能检测透视外挂方法、装置、设备及其存储介质
CN111242088A (zh) * 2020-01-22 2020-06-05 上海商汤临港智能科技有限公司 一种目标检测方法、装置、电子设备及存储介质
CN111402298A (zh) * 2020-03-30 2020-07-10 南京财经大学 基于目标检测与轨迹分析的粮库视频数据压缩方法
CN111985427A (zh) * 2020-08-25 2020-11-24 深圳前海微众银行股份有限公司 活体检测方法、设备及可读存储介质
CN112258479A (zh) * 2020-10-22 2021-01-22 中国人民解放军63620部队 基于图像特征的t0检测方法、装置和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HONGHAI LIU等: "2012 International Conference on Computer Science and Service System", 《MOVING DETECTION RESEARCH OF BACKGROUND FRAME DIFFERENCE BASED ON GAUSSIAN MODEL》 *
吴飞 等: "基于船头特征提取和轮廓定位的港口舰船检测", 《北京理工大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823834A (zh) * 2023-08-30 2023-09-29 济南玖通志恒信息技术有限公司 基于机器视觉电泳线排放的废水处理等级检测方法
CN116823834B (zh) * 2023-08-30 2023-11-24 江苏锡澄环境科学研究院有限公司 基于机器视觉电泳线排放的废水处理等级检测方法

Also Published As

Publication number Publication date
CN113822841B (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
CN109035299B (zh) 目标跟踪方法、装置、计算机设备及存储介质
CN111126208B (zh) 行人归档方法、装置、计算机设备及存储介质
WO2022121130A1 (zh) 电力目标检测方法、装置、计算机设备和存储介质
CN109255802B (zh) 行人跟踪方法、装置、计算机设备及存储介质
CN111583299A (zh) 一种运动检测方法、装置、存储介质及终端设备
CN111476813A (zh) 图像变化检测方法、装置、电子设备及存储介质
CN111009001A (zh) 一种图像配准方法、装置、设备及存储介质
CN114155365A (zh) 模型训练方法、图像处理方法及相关装置
CN109447023B (zh) 确定图像相似度的方法、视频场景切换识别方法及装置
CN112150371A (zh) 图像降噪方法、装置、设备及存储介质
CN111126254A (zh) 图像识别方法、装置、设备及存储介质
CN113822841B (zh) 一种污水杂质结块检测方法、装置及相关设备
CN112101148B (zh) 一种运动目标检测方法、装置、存储介质及终端设备
CN111915645B (zh) 影像匹配方法、装置、计算机设备及计算机可读存储介质
CN117333686A (zh) 目标定位方法、装置、设备及介质
CN110969657B (zh) 一种枪球坐标关联方法、装置、电子设备及存储介质
CN113723375B (zh) 一种基于特征抽取的双帧人脸跟踪方法和系统
WO2022206679A1 (zh) 图像处理方法、装置、计算机设备和存储介质
CN115690747A (zh) 车辆盲区检测模型测试方法、装置、电子设备及存储介质
CN109934870B (zh) 目标检测方法、装置、设备、计算机设备和存储介质
CN111178202B (zh) 目标检测方法、装置、计算机设备和存储介质
CN113901917A (zh) 一种人脸识别方法、装置、计算机设备及存储介质
CN114445916A (zh) 一种活体检测方法、终端设备及存储介质
CN112733565A (zh) 二维码粗定位方法、设备及存储介质
CN113033578A (zh) 基于多尺度特征匹配的图像校准方法、系统、终端及介质

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20231013

Address after: 230000 Woye Garden Commercial Building B-1017, 81 Ganquan Road, Shushan District, Hefei City, Anhui Province

Patentee after: HEFEI JINGLONG ENVIRONMENTAL PROTECTION TECHNOLOGY Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

Effective date of registration: 20231013

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: 518000 no.2188 Longxiang Avenue, Longcheng street, Longgang District, Shenzhen City, Guangdong Province

Patentee before: SHENZHEN INSTITUTE OF INFORMATION TECHNOLOGY

TR01 Transfer of patent right