CN114207665A - 基于深度学习的水质图像分析方法、系统、设备及介质 - Google Patents

基于深度学习的水质图像分析方法、系统、设备及介质 Download PDF

Info

Publication number
CN114207665A
CN114207665A CN202180004731.1A CN202180004731A CN114207665A CN 114207665 A CN114207665 A CN 114207665A CN 202180004731 A CN202180004731 A CN 202180004731A CN 114207665 A CN114207665 A CN 114207665A
Authority
CN
China
Prior art keywords
water body
image
body image
pixel point
abnormal
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
CN202180004731.1A
Other languages
English (en)
Inventor
鄢锋
曾祥吉
潘岩
杨静雅
谭翔天
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.)
CINF Engineering Corp Ltd
Original Assignee
CINF Engineering Corp 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 CINF Engineering Corp Ltd filed Critical CINF Engineering Corp Ltd
Publication of CN114207665A publication Critical patent/CN114207665A/zh
Pending legal-status Critical Current

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的水质图像分析方法、系统、设备及介质，采用训练好的受限玻尔兹曼机模型获取动态的权重值，再根据该权重值和加权平均法来进行灰度化处理，提高了动态图像与实际环境的适应性，提高了动态图像信息的准确性；再经过图像异常判断，消除了其他因素造成图像异常而对水质分析结果的影响，提高了水质分析的准确度；通过噪声检测和滤波处理大大提高了图像的抗干扰能力，提高了图像分析速度，进一步提高了水质分析的准确度；对正常图像的所有像素点进行归一化处理，进一步提高了动态图像信息的准确性，进一步提高了水质分析的准确度。

Description

基于深度学习的水质图像分析方法、系统、设备及介质
技术领域
本发明属于水质分析技术领域，尤其涉及一种基于深度学习的水质图像分析方法、系统、设备及介质。
背景技术
随着我国工业化进程的不断加快，水环境问题已成为生态环境治理的重要课题。而处理水环境问题的重要一环就是进行水质监测。水质监测，是监视和测定水体中污染物的种类、各类污染物的浓度及变化趋势，评价水质状况的过程。监测范围十分广泛，主要包括工业企业及河道、湖泊流域排放口等领域的水体污染/状态监测。
目前，水体污染监测主要有两种形式：一是通过水质成分检测，确定是否存在污染或水质的特定状态，监测系统造价高，系统复杂，使用成本高；二是通过静态取样图像分析被测对象的颜色、杂质或缺陷等状态来判断是否存在异常状况，这种判断方法无法进行动态图像分析，图像分析抗干扰能力弱，从而导致检测结果不准确、速度慢、效率低等问题。
发明内容
本发明的目的在于，针对现有技术中水质图像分析方法无法进行动态图像分析，抗干扰能力弱，导致检测结果不准确、速度慢、效率低的问题，提供一种基于深度学习的水质图像分析方法、系统、设备及介质。
本发明是通过如下的技术方案来解决上述技术问题的：一种基于深度学习的水质图像分析方法，包括以下步骤：
步骤1：获取多张历史水体彩色图像，由多张所述历史水体彩色图像得到数据集{θ|R,G,B,WR,WB,WG}，其中，R、G和B分别表示历史水体彩色图像中每个像素点的三个颜色分量值，WR、WG、WB分别表示对应像素点三个颜色分量值R、G、B对应的权重值；
步骤2：建立受限玻尔兹曼机模型，以所述数据集{θ|R,G,B,WR,WB,WG}作为所述受限玻尔兹曼机模型的训练样本对其进行训练，其中，以{R,G,B}作为训练输入样本，以{WR,WB,WG}作为训练输出样本，得到训练好的受限玻尔兹曼机模型；
步骤3：获取多张连续水体彩色图像；
步骤4：将所述步骤3中每张所述水体彩色图像每个像素点的三个颜色分量值R’、G’和B’输入至训练好的受限玻尔兹曼机模型中，得到对应像素点三个颜色分量值R’、G’、B’对应的权重值WR’,WB’,WG’；
步骤5：根据所述步骤4中每个像素点三个颜色分量值R’、G’、B’对应的权重值WR’,WB’,WG’，采用加权平均法计算每张水体图像每个像素点的灰度值P’，对每张所述水体彩色图像进行灰度化处理；
步骤6：对灰度化处理后的水体图像进行噪声检测和滤波处理；
步骤7：对滤波处理后的水体图像进行异常判断，以消除水体图像本身缺陷对水质分析产生的影响；
步骤8：根据污染物的沉降速度确定时间区间，判断时间区间内无异常水体图像中每个像素点的灰度值是否超出对应均值±△δ，如果超出，则将该对应均值赋给该像素点，实现时间区间内所有无异常水体图像每个像素点的归一化处理；
所述对应均值是指该像素点对应的时间区间内无异常多张连续水体图像中所有同一像素点的灰度值的平均值；
步骤9：根据每张所述水体图像中每个像素点的灰度值，得到该水体图像的透光强度和反射光强度；然后根据透光强度和反射光强度进行水质分析。
本发明中，在进行水质图像分析时，每个像素点的权重值均是根据受限玻尔兹曼机模型动态获取的，并不是统一采用固定的权重值，使灰度化处理后的图像能够更加精确的反映图像分布和特征，以提高后续水质分析的准确度；通过噪声检测和滤波提高了图像的抗干扰能力，提高了图像分析速度，进一步提高了水质分析的准确度；通过异常图像的判断和剔除消除了动态图像误差，进一步提高了水质分析的准确度；通过对每个像素点的归一化处理，提高了动态图像信息的准确性。
进一步地，所述步骤1中，三个颜色分量值R、G、B对应的权重值WR、WG、WB的确定步骤为：
步骤1.1：设定每张所述历史水体彩色图像中每个像素点的三个颜色分量值R、G、B对应的权重值WR、WG、WB；
步骤1.2：采用加权平均法对每张所述历史水体彩色图像进行灰度化处理，得到每张所述历史水体图像每个像素点的灰度值P；
步骤1.3：对灰度化处理后的历史水体图像进行噪声检测和滤波处理；
步骤1.4：根据每张所述历史水体图像中各像素点的灰度值P得到最低透光强度或最高反射光强度，并计算所述最低透光强度与标准样本透光强度的第一差值，或计算所述最高反射光强度与标准样本反射光强度的第一差值；
步骤1.5：将所述第一差值与预设差值进行比较，判断每张所述历史水体图像是否存在异常；当所述第一差值超出所述预设差值时，则存在异常，调整对应的权重值WR、WG、WB，重复步骤1.2～1.5，直到所述历史水体图像无异常，确定每个像素点三个颜色分量值R、G、B对应的权重值WR、WG、WB。
进一步地，所述步骤3中，采用图像采集单元来获取多张连续水体彩色图像，所述图像采集单元设于装有水体样本的存储槽的侧方，在所述存储槽的底部和/或四周均设有光源。
进一步地，所述步骤5中，每个像素点的灰度值P’的计算公式为：
P′＝WR′R+WG′G+WB′B
其中，P′表示水体图像中每个像素点的灰度值，R’、G’、B’表示对应像素点三个颜色分量值，WR’,WB’,WG’表示对应像素点三个颜色分量值R’、G’、B’对应的权重值。
进一步地，所述步骤6中，采用局部极值法进行图像噪声检测，采用中值滤波法进行滤波处理。
进一步地，所述步骤7中，水体图像异常判断的具体实现过程为：
步骤7.1：根据每张所述水体图像中各像素点的灰度值P’进行每张所述水体图像第一次异常判断，如果所述水体图像存在异常，则转入步骤7.2，进行第二次异常判断；如果所有水体图像均无异常，则转入步骤8；
步骤7.2：当多张所述水体图像中同一像素点在时间间隔内的移动距离超出对应的设定范围，以及某一水体图像中某个区域内多个像素点的灰度值超出第一设定阈值，则表明水体图像异常，剔除该多张水体图像以及该一水体图像；
或者，当某一水体图像中某个像素点的灰度值超出第二设定阈值，则表明该张水体图像异常，剔除该张水体图像；
或者，当某一水体图像中某个区域内多个像素点的灰度值超出第一设定阈值，则表明该张水体图像异常，剔除该张水体图像；
所述时间间隔是指多张所述水体图像中第一张水体图像与最后一张水体图像的获取时间差。
进一步地，所述步骤7.1中，水体图像第一次异常判断的具体实现过程为：
步骤7.1：根据每张所述水体图像中各像素点的灰度值P’得到最低透光强度或最高反射光强度，并计算所述最低透光强度与标准样本透光强度的第二差值，或计算所述最高反射光强度与标准样本反射光强度的第二差值；
步骤7.2：将所述第二差值与预设差值进行比较，如果所述第二差值超出预设差值时，则该水体图像存在异常，否则该水体图像不存在异常。
进一步地，所述方法还包括对所述受限玻尔兹曼机模型再训练的步骤，具体实现过程为：
以所述步骤8删除异常水体图像后剩余的正常水体图像以及历史水体图像所得到的数据集为训练样本，对所述受限玻尔兹曼机模型进行训练。
训练样本越丰富，模型训练越精确，分析时通过模型得到的权重值WR、WH、WB越准确，进一步提高了图像处理的精确度，提高了水质分析的准确性。
本发明还提供一种基于深度学习的水质图像分析系统，包括：
数据集获取单元，用于获取多张历史水体彩色图像，由多张所述历史水体彩色图像得到数据集{θ|R,G,B,WR,WB,WG}，其中，R、G和B分别表示历史水体彩色图像中每个像素点的三个颜色分量值R、G和B，WR、WG、WB分别表示对应像素点三个颜色分量值R、G、B对应的权重值；
模型建立及训练单元，用于建立受限玻尔兹曼机模型，以所述数据集{θ|R,G,B,WR,WB,WG}作为所述受限玻尔兹曼机模型的训练样本对其进行训练，其中，以{R,G,B}作为训练输入样本，以{WR,WB,WG}作为训练输出样本，得到训练好的受限玻尔兹曼机模型；
实时图像获取单元，用于获取多张连续水体彩色图像；
灰度化处理单元，用于将每张所述水体彩色图像每个像素点的三个颜色分量值R’、G’和B’输入至训练好的受限玻尔兹曼机模型中，得到对应像素点三个颜色分量值R’、G’、B’对应的权重值WR’,WB’,WG’，采用加权平均法计算每张水体图像每个像素点的灰度值P’；
滤波处理单元，用于对灰度化处理后的水体图像进行噪声检测和滤波处理；
第一异常判断单元，用于对滤波处理后的水体图像，根据每张所述水体图像中各像素点的灰度值P’进行每张所述水体图像第一次异常判断，如果所述水体图像存在异常，则转入第二异常判断单元，进行第二次异常判断；如果所有水体图像均无异常，则转入归一化处理单元，进行像素点的归一化处理；
第二异常判断单元，用于当多张所述水体图像中同一像素点在时间间隔内的移动距离超出对应的设定范围，以及某一水体图像中某个区域内多个像素点的灰度值超出第一设定阈值，则表明水体图像异常，剔除该多张水体图像以及该一水体图像；
或者，当某一水体图像中某个像素点的灰度值超出第二设定阈值，则表明该张水体图像异常，剔除该张水体图像；
或者，当某一水体图像中某个区域内多个像素点的灰度值超出第一设定阈值，则表明该张水体图像异常，剔除该张水体图像；
所述时间间隔是指多张所述水体图像中第一张水体图像与最后一张水体图像的获取时间差；
归一化处理单元，用于根据污染物的沉降速度确定时间区间，判断时间区间内无异常水体图像中每个像素点的灰度值是否超出对应均值±△δ，如果超出，则将该对应均值赋给该像素点，实现时间区间内所有无异常水体图像每个像素点的归一化处理；
所述对应均值是指该像素点对应的时间区间内无异常多张连续水体图像中所有同一像素点的灰度值的平均值；
水质分析单元，用于根据每张所述水体图像中每个像素点的灰度值，得到该水体图像的透光强度和反射光强度；然后根据透光强度和反射光强度进行水质分析。
本发明还提供一种设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述基于深度学习的水质图像分析方法。
本发明还提供一种介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述基于深度学习的水质图像分析方法。
有益效果
与现有技术相比，本发明的优点在于：
1、每个像素点的权重值均是根据受限玻尔兹曼机模型动态获取的，并不是统一采用固定的权重值，使灰度化处理后的图像能够更加精确的反映图像分布和特征，以提高后续水质分析的准确度；
2、通过噪声检测和滤波提高了图像的抗干扰能力，提高了图像分析速度，进一步提高了水质分析的准确度；
3、通过异常图像的判断和剔除消除了动态图像误差，进一步提高了水质分析的准确度；
4、通过对每个像素点的归一化处理，提高了动态图像信息的准确性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例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个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例1中一种基于深度学习的水质图像分析方法的流程图；
图2是本发明实施例1中第一次图像异常判断流程图；
图3是本发明实施例1中第二次图像异常判断的第一种实施方式的流程图；
图4是本发明实施例1中第二次图像异常判断的第二种实施方式的流程图；
图5是本发明实施例1中第二次图像异常判断的第三种实施方式的流程图；
图6是本发明实施例2中正常图像通过实施例1所述分析方法进行处理后的结果，其中，图6(a)为正常图像原图，图6(b)为固定权值灰度图，图6(c)为变权值灰度图，图6(d)为动态图像均值后未经第一/二次异常处理图，图6(e)为动态图像均值后经第一/二次异常处理图；
图7是本发明实施例2中异常图像通过实施例1所述分析方法进行处理后的结果，其中，图7(a)为异常图像原图，图7(b)为固定权值灰度图，图7(c)为变权值灰度图，图7(d)为动态图像均值后未经第一/二次异常处理图，图7(e)为动态图像均值后经第一/二次异常处理图。
具体实施方式
下面结合本发明实施例中的附图，对本发明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。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的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。
实施例1
如图1所示，本实施例所提供的一种基于深度学习的水质图像分析方法，包括以下步骤：
1、获取训练样本
获取多张历史水体彩色图像，由多张历史水体彩色图像得到数据集{θ|R,G,B,WR,WB,WG}，其中，R、G和B分别表示历史水体彩色图像中每个像素点的三个颜色分量值，WR、WG、WB分别表示对应像素点三个颜色分量值R、G、B对应的权重值。
本实施例中，三个颜色分量值R、G、B对应的权重值WR、WG、WB的确定方法为：
步骤1.1：设定每张历史水体彩色图像中每个像素点的三个颜色分量值R、G、B对应的权重值为WR、WG、WB。
初始时，权重值是设定的，后续再通过灰度值判断设定的权重值是否满足要求，不满足要求则对权重值进行调整，直到满足要求为止。
步骤1.2：采用加权平均法对每张历史水体彩色图像进行灰度化处理，得到每张历史水体图像每个像素点的灰度值P，具体计算公式为：
P＝WRR+WGG+WBB
S.T.WR+WG+WB＝1
步骤1.3：对灰度化处理后的历史水体图像进行噪声检测和滤波处理。
本实施例中，噪声检测采用局部极值法，经过灰度化处理后的历史水体图像上显示随机的黑点和白点，这些黑点和白点与周围其他像素点的灰度值相差较大，即通过检测局部区域像素点的灰度值的极大值或极小值来实现噪声检测，得到噪声污染状况以及噪声分布。
本实施例中，采用中值滤波法进行滤波处理，具体为：根据图像中各区域受噪声污染状况确定滤波窗口的尺寸，以每个噪声点为中心按照滤波窗口尺寸取一个矩形框，对该噪声点进行中值滤波。
步骤1.4：根据每张历史水体图像中各像素点的灰度值P得到最低透光强度或最高反射光强度，并计算最低透光强度与标准样本透光强度的第一差值，或计算最高反射光强度与标准样本反射光强度的第一差值。
本实施例中，历史水体图像是否存在异常有两种判断方式，一是根据最低透光强度，二是根据最高反射光强度。在进行水质分析时，对水体图像的第一次异常判断(步骤7)也是采用这两种判断方式。
图像采集单元，例如相机在采集存储槽内水体图像时，在存储槽的底部和/或四周均设有光源，当光源为底部布置时，根据历史水体图像中各像素点的灰度值P得到最低透光强度P2，并计算最低透光强度P2与标准样本透光强度P1的第一差值kj，即kj＝P1-P2。
当光源为环形布置时，根据历史水体图像中各像素点的灰度值P得到最高反射光强度P4，并计算最高反射光强度P4与标准样本反射光强度P3的第一差值ki，即ki＝P4-P3。
步骤1.5：将第一差值kj或ki与预设差值kmax进行比较，判断每张历史水体图像是否存在异常；当第一差值kj或ki超出预设差值kmax时，则存在异常，调整对应的权重值WR、WG、WB，重复步骤1.2～1.5，直到历史水体图像无异常，确定每个像素点三个颜色分量值R、G、B对应的权重值WR、WG、WB。
本实施例中，以纯净水为标准样本，分析其透光强度P1为80％，其反射光强度P3为2％；以稀释倍数为125倍的溶液样本作为光源底部布置时的水体样本，分析其最低透光强度P2为66％；以悬浮物为100mg/L的样本作为光源环形布置时的水体样本，分析其最高反射光强度P4为43％，具体数据分别如表1和表2所示。
表1光源为底部布置时稀释倍数样本分析数据表
序号 样本类别 浓度 透光强度
1 纯净水 无 80％
2 稀释溶液 125倍 66％
表2光源为环形布置时悬浮物样本分析数据表
序号 样本类别 浓度 反射光强度
1 纯净水 无 2％
2 具有悬浮物水体 100mg/L 43％
本实施例中，预设差值kmax设为5％，由此判断历史水体图像是否异常，是否需要调整对应的权重值WR、WG、WB，每个像素点对应一组{R,G,B,WR,WB,WG}，每张历史水体图像有多个像素点，有多张历史水体图像，由此构成三个颜色分量值R、G、B对应的权重值WR、WG、WB的数据集{θ|R,G,B,WR,WB,WG}，获取大量的数据以作为后续受限玻尔兹曼机模型的训练样本，训练样本越丰富，模型训练精度越高。
预设差值为标准可排放水体灰度值与达到可识别极限的污染水体灰度值之差，一般设为5％。
2、受限玻尔兹曼机模型的建立与训练
受限玻尔兹曼机RBM是一种可通过输入数据集学习概率分布的随机生成神经网络，该模型包括可视层和隐含层，可视层和隐含层由多个神经元组成，神经元即为计算节点，设可视层节点输入向量为v，隐含层节点输入向量为h，设可视层有m个节点，其中第j节点的输入用vj表示；隐含层有n个节点，其中第i节点的输入用hi表示。
令可视向量v(v1,v2…,vm)T，隐含向量h(h1,h2…,hn)T，选取sigmoid函数作为RBM所有可视节点和隐含节点的激活函数，即
Figure BDA0003489870490000081
1≤i≤n，vj∈{0,1}，hi∈{0,1}。EP(·)表示求关于分布p的数学期望，p((h)|vl,θ′)表示在可视向量为v(l)时，隐含向量的条件概率分布。
权重值WR,WG,WB的分配模型如下：
Figure BDA0003489870490000091
Figure BDA0003489870490000092
Figure BDA0003489870490000093
其中，ωij为连接权重，aj为可视层的偏置，bj为隐含层的偏置，θ′＝{WR,WG,WB}，将每个像素点的R、G、B反向代入模型得到权重值WR,WG,WB，完成基于RBM学习算法的判断过程。
模型建立好之后，以数据集{θ|R,G,B,WR,WB,WG}作为受限玻尔兹曼机模型的训练样本对其进行训练，其中，以{R,G,B}作为训练输入样本，以{WR,WB,WG}作为训练输出样本，得到训练好的受限玻尔兹曼机模型，以便后续水质分析时应用。
3、获取多张连续水体彩色图像。
采用图像采集单元(例如相机或高清摄像头)来获取多张连续水体彩色图像，图像采集单元设于装有水体样本的存储槽的侧方，在存储槽的底部和/或四周均设有光源，存储槽选用透明亚克力材料制作，图像采集单元采集到的图像发送给计算机设备或控制器，由计算机设备或控制器进行后续的处理、分析过程。上述的步骤1和步骤2也是在计算机设备或控制器内实现的。
本实施例中，图像采集单元的采集速度为张/100ms。
4、由模型获取权重值
将步骤3中每张水体彩色图像每个像素点的三个颜色分量值R’、G’和B’输入至训练好的受限玻尔兹曼机模型中，即可得到对应像素点三个颜色分量值R’、G’、B’对应的权重值WR’,WB’,WG’，为了实现高速动态图像与实际环境的高适应性，权重值采用非固定值，而是由受限玻尔兹曼机模型根据输入的每组颜色分量值R’、G’、B’自适应得到对应的WR’,WB’,WG’。
5、灰度化处理
根据步骤4中每个像素点三个颜色分量值R’、G’、B’对应的权重值WR’,WB’,WG’，采用加权平均法计算每张水体图像每个像素点的灰度值P’，对每张所述水体彩色图像进行灰度化处理。
具体地，每个像素点的灰度值P’的计算公式为：
P′＝WR′R+WG′G+WB′B
其中，P′表示水体图像中每个像素点的灰度值，R’、G’、B’表示对应像素点三个颜色分量值，WR’,WB’,WG’表示对应像素点三个颜色分量值R’、G’、B’对应的权重值。
6、噪声检测和滤波
对灰度化处理后的水体图像进行噪声检测和滤波处理，与步骤1.3相同，噪声检测采用局部极值法，滤波处理采用中值滤波法。
7、第一次图像异常判断
对滤波处理后的水体图像，根据每张水体图像中各像素点的灰度值P’进行每张水体图像异常判断，如果水体图像存在异常，则转入步骤8；如果所有水体图像均无异常，则转入步骤10。
本实施例中，水体图像异常判断与步骤1.4和1.5相同，具体步骤为：
步骤7.1：根据每张水体图像中各像素点的灰度值P’得到最低透光强度或最高反射光强度，并计算最低透光强度与标准样本透光强度的第二差值，或计算最高反射光强度与标准样本反射光强度的第二差值；
步骤7.2：将第二差值与预设差值kmax进行比较，如果第二差值超出预设差值kmax时，则该水体图像存在异常，否则该水体图像不存在异常。
8、第二次图像异常判断
为了提高水质分析的准确性，避免图像异常对水质分析的影响，本实施例从时间连续性和空间连续性上来判断图像是否异常。如果水体被污染，例如悬浮物污染或整片水体污染(污染颗粒不是静止不变的，而是运动的)，在时间连续性上，不可能存在多张连续图像同一像素点在时间间隔内的移动距离超出对应的设定范围，也不可能存在多张连续图像中的某一图像的某个像素点的灰度值突变，即超出第二设定阈值；在空间连续性上，不可能存在某一图像上的某个区域内多个像素点的灰度值均高于其他区域，即超出第一设定阈值，根据时间连续性和空间连续性的结合来判断图像为异常图像，消除了可能因反光等其他原因造成的图像异常，而并非真正的水体被污染。
具体地，如图3所示，当多张连续水体图像中同一像素点在时间间隔内的移动距离超出对应的设定范围，以及某一水体图像中某个区域内多个像素点的灰度值超出第一设定阈值，则表明水体图像异常，剔除该多张水体图像以及该一水体图像。
或者，如图4所示，当某一水体图像G1中某个像素点的灰度值超出第二设定阈值，则表明该张水体图像异常，剔除该张水体图像G1。
或者，如图5所示，当某一水体图像G2中某个区域内多个像素点的灰度值超出第一设定阈值，则表明该张水体图像异常，剔除该张水体图像G2。
G1和G2可以为同一图像，也可以为不同的两张图像。
本实施例中，时间间隔t是指多张连续水体图像中第一张水体图像与最后一张水体图像的获取时间差，为了提高异常判断的效率和准确性，时间间隔t略小于悬浮物或颗粒从水体表面运动到水体底部所需的时间。
本实施例中，第一设定阈值设为连续图像同一像素点灰度值的均值±3％；第二设定阈值设为连续图像同一像素点灰度值的均值±5％；设定范围是根据水流速度和颗粒极限沉速公式计算颗粒移动速度来设置的，一般设为4mm±20％。
9、像素点的归一化处理
删除异常图像之后，剩余的均为正常图像，避免了其他非污染因素造成图像异常而影响水质分析结果。此时得到的正常图像，再加上步骤1得到的历史正常图像得到训练图像集，由训练图像集得到数据集{θ|R,G,B,WR,WB,WG}，以该数据集{θ|R,G,B,WR,WB,WG}为训练样本再次对受限玻尔兹曼机模型进行训练，训练样本越多，模型精度越高，每进行一次水质分析，都采用正常图像再次对模型进行训练，大大提高了模型的准确度或精确度，提高了动态图像与实际环境相适应的能力，提高了动态图像信息提取的准确性，进而提高了后续水质分析的准确性。
为了提高动态图像信息的准确性，对像素点的灰度值进行归一化处理，归一化处理过程为：根据污染物的沉降速度确定时间区间T，判断时间区间T内无异常水体图像中每个像素点的灰度值是否超出对应均值±△δ，如果超出，则将该对应均值赋给该像素点，实现时间区间内所有无异常水体图像每个像素点的归一化处理。
悬浮物或泥沙颗粒沉降速度(简称沉速)从单颗粒圆球在静止流体中的受力分析出发，利用力的平衡原理，有如下极限沉速公式：
Figure BDA0003489870490000121
其中，ωd为泥沙颗粒(球体)的沉速；Cd为阻力系数；γd为泥沙容重；γ为流体(水)容重；g为重力加速度；d为泥沙颗粒直径。根据沉速，再结合水体表面至底部的距离可以得到时间区间T。
本实施例中，对应均值是指该像素点对应的时间区间T内无异常多张连续水体图像中所有同一像素点的灰度值的平均值，设时间区间T内无异常连续水体图像的数量为60张，则60张图像上同一个像素点的灰度值等于60个像素点的灰度值之和再除以60，即得到该像素点的对应均值，将60张图像上的该像素点均与对应均值±△δ比较，如果超出该范围，则将对应均值赋给超出该范围的像素点。
10、水质分析
根据每张水体图像中每个像素点的灰度值，得到该水体图像的透光强度和反射光强度；然后根据透光强度和反射光强度进行水质分析。
与上述一种基于深度学习的水质图像分析方法对应，本实施例还提供一种基于深度学习的水质图像分析系统，包括：
数据集获取单元，用于获取多张历史水体彩色图像，由多张历史水体彩色图像得到数据集{θ|R,G,B,WR,WB,WG}，其中，R、G和B分别表示历史水体彩色图像中每个像素点的三个颜色分量值R、G和B，WR、WG、WB分别表示对应像素点三个颜色分量值R、G、B对应的权重值。
模型建立及训练单元，用于建立受限玻尔兹曼机模型，以数据集{θ|R,G,B,WR,WB,WG}作为所述受限玻尔兹曼机模型的训练样本对其进行训练，其中，以{R,G,B}作为训练输入样本，以{WR,WB,WG}作为训练输出样本，得到训练好的受限玻尔兹曼机模型。
实时图像获取单元，用于获取多张连续水体彩色图像。
灰度化处理单元，用于将每张水体彩色图像每个像素点的三个颜色分量值R’、G’和B’输入至训练好的受限玻尔兹曼机模型中，得到对应像素点三个颜色分量值R’、G’、B’对应的权重值WR’,WB’,WG’，采用加权平均法计算每张水体图像每个像素点的灰度值P’。
滤波处理单元，用于对灰度化处理后的水体图像进行噪声检测和滤波处理。
第一异常判断单元，用于对滤波处理后的水体图像，根据每张所述水体图像中各像素点的灰度值P’进行每张所述水体图像第一次异常判断，如果所述水体图像存在异常，则转入第二异常判断单元，进行第二次异常判断；如果所有水体图像均无异常，则转入归一化处理单元，进行像素点的归一化处理。
第二异常判断单元，用于当多张水体图像中同一像素点在时间间隔内的移动距离超出对应的设定范围，以及某一水体图像中某个区域内多个像素点的灰度值超出第一设定阈值，则表明水体图像异常，剔除该多张水体图像以及该一水体图像；
或者，当某一水体图像中某个像素点的灰度值超出第二设定阈值，则表明该张水体图像异常，剔除该张水体图像；
或者，当某一水体图像中某个区域内多个像素点的灰度值超出第一设定阈值，则表明该张水体图像异常，剔除该张水体图像；
时间间隔是指多张所述水体图像中第一张水体图像与最后一张水体图像的获取时间差。
归一化处理单元，用于根据污染物的沉降速度确定时间区间，判断时间区间内无异常水体图像中每个像素点的灰度值是否超出对应均值±△δ，如果超出，则将该对应均值赋给该像素点，实现时间区间内所有无异常水体图像每个像素点的归一化处理；
对应均值是指该像素点对应的时间区间内无异常多张连续水体图像中所有同一像素点的灰度值的平均值。
水质分析单元，用于根据每张水体图像中每个像素点的灰度值，得到该水体图像的透光强度和反射光强度；然后根据透光强度和反射光强度进行水质分析。
实施例2
图6示出采用实施例1所述分析方法对正常水体图像进行处理后得到的各个阶段的图。其中，图6(b)为固定权值灰度图，图6(c)为变权值灰度图，通过图6(b)和图6(c)的比较可以得出：采用变权值方法进行图像灰度处理后，可减少因光源波动、环境影响等导致的灰度处理不适当的像素点，提高后续水质分析的准确度；其中，图6(d)为动态图像均值后未经第一/二次异常处理图，图6(e)为动态图像均值后经第一/二次异常处理图，通过图6(d)和图6(e)的比较可以得出：经过第一/二次异常处理后，可减少因系统噪声、信号噪声等导致的图像中像素点灰度突变而产生的干扰，进一步提高了水质分析的准确度。
图7示出采用实施例1所述分析方法对异常水体图像进行处理后得到的各个阶段的图。其中，图7(b)为固定权值灰度图，图7(c)为变权值灰度图，通过图7(b)和图7(c)的比较可以得出：采用变权值方法进行图像灰度处理后，可减少因光源波动、环境影响等导致的灰度处理不适当的像素点，提高后续水质分析的准确度；其中，图7(d)为动态图像均值后未经第一/二次异常处理图，图7(e)为动态图像均值后经第一/二次异常处理图，通过图7(d)和图7(e)的比较可以得出：经过第一/二次异常处理后，可减少因系统噪声、信号噪声等导致的图像中像素点灰度突变而产生的干扰，进一步提高了水质分析的准确度。
以上所揭露的仅为本发明的具体实施方式，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，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的水质图像分析方法，其特征在于，包括以下步骤：
步骤1：获取多张历史水体彩色图像，由多张所述历史水体彩色图像得到数据集{θ|R，G，B，WR，WB，WG}，其中，R、G和B分别表示历史水体彩色图像中每个像素点的三个颜色分量值，WR、WG、WB分别表示对应像素点三个颜色分量值R、G、B对应的权重值；
步骤2：建立受限玻尔兹曼机模型，以所述数据集{θ|R，G，B，WR，WB，WG}作为所述受限玻尔兹曼机模型的训练样本对其进行训练，其中，以{R，G，B}作为训练输入样本，以{WR，WB，WG}作为训练输出样本，得到训练好的受限玻尔兹曼机模型；
步骤3：获取多张连续水体彩色图像；
步骤4：将所述步骤3中每张所述水体彩色图像每个像素点的三个颜色分量值R’、G’和B’输入至训练好的受限玻尔兹曼机模型中，得到对应像素点三个颜色分量值R’、G’、B’对应的权重值WR’，WB’，WG’；
步骤5：根据所述步骤4中每个像素点三个颜色分量值R’、G’、B’对应的权重值WR’，WB’，WG’，采用加权平均法计算每张水体图像每个像素点的灰度值P’，对每张所述水体彩色图像进行灰度化处理；
步骤6：对灰度化处理后的水体图像进行噪声检测和滤波处理；
步骤7：对滤波处理后的水体图像进行异常判断，以消除水体图像本身缺陷对水质分析产生的影响；
步骤8：根据污染物的沉降速度确定时间区间，判断时间区间内无异常水体图像中每个像素点的灰度值是否超出对应均值±Δδ，如果超出，则将该对应均值赋给该像素点，实现时间区间内所有无异常水体图像每个像素点的归一化处理；
所述对应均值是指该像素点对应的时间区间内无异常多张连续水体图像中所有同一像素点的灰度值的平均值；
步骤9：根据每张所述水体图像中每个像素点的灰度值，得到该水体图像的透光强度和反射光强度；然后根据透光强度和反射光强度进行水质分析。
2.如权利要求1所述的基于深度学习的水质图像分析方法，其特征在于，所述步骤1中，三个颜色分量值R、G、B对应的权重值WR、WG、WB的确定步骤为：
步骤1.1：设定每张所述历史水体彩色图像中每个像素点的三个颜色分量值R、G、B对应的权重值WR、WG、WB；
步骤1.2：采用加权平均法对每张所述历史水体彩色图像进行灰度化处理，得到每张所述历史水体图像每个像素点的灰度值P；
步骤1.3：对灰度化处理后的历史水体图像进行噪声检测和滤波处理；
步骤1.4：根据每张所述历史水体图像中各像素点的灰度值P得到最低透光强度或最高反射光强度，并计算所述最低透光强度与标准样本透光强度的第一差值，或计算所述最高反射光强度与标准样本反射光强度的第一差值；
步骤1.5：将所述第一差值与预设差值进行比较，判断每张所述历史水体图像是否存在异常；当所述第一差值超出所述预设差值时，则存在异常，调整对应的权重值WR、WG、WB，重复步骤1.2～1.5，直到所述历史水体图像无异常，确定每个像素点三个颜色分量值R、G、B对应的权重值WR、WG、WB。
3.如权利要求1所述的基于深度学习的水质图像分析方法，其特征在于，所述步骤5中，每个像素点的灰度值P’的计算公式为：
P′＝WR′R+WG′G+WB′B
其中，P′表示水体图像中每个像素点的灰度值，R’、G’、B’表示对应像素点三个颜色分量值，WR’，WB’，WG’表示对应像素点三个颜色分量值R’、G’、B’对应的权重值。
4.如权利要求1所述的基于深度学习的水质图像分析方法，其特征在于，所述步骤6中，采用局部极值法进行图像噪声检测，采用中值滤波法进行滤波处理。
5.如权利要求1中任一项所述的基于深度学习的水质图像分析方法，其特征在于，所述步骤7中，水体图像异常判断的具体实现过程为：
步骤7.1：根据每张所述水体图像中各像素点的灰度值P’进行每张所述水体图像第一次异常判断，如果所述水体图像存在异常，则转入步骤7.2，进行第二次异常判断；如果所有水体图像均无异常，则转入步骤8；
步骤7.2：当多张所述水体图像中同一像素点在时间间隔内的移动距离超出对应的设定范围，以及某一水体图像中某个区域内多个像素点的灰度值超出第一设定阈值，则表明水体图像异常，剔除该多张水体图像以及该一水体图像；
或者，当某一水体图像中某个像素点的灰度值超出第二设定阈值，则表明该张水体图像异常，剔除该张水体图像；
或者，当某一水体图像中某个区域内多个像素点的灰度值超出第一设定阈值，则表明该张水体图像异常，剔除该张水体图像；
所述时间间隔是指多张所述水体图像中第一张水体图像与最后一张水体图像的获取时间差。
6.如权利要求5所述的基于深度学习的水质图像分析方法，其特征在于，所述步骤7.1中，水体图像第一次异常判断的具体实现过程为：
步骤7.11：根据每张所述水体图像中各像素点的灰度值P’得到最低透光强度或最高反射光强度，并计算所述最低透光强度与标准样本透光强度的第二差值，或计算所述最高反射光强度与标准样本反射光强度的第二差值；
步骤7.12：将所述第二差值与预设差值进行比较，如果所述第二差值超出预设差值时，则该水体图像存在异常，否则该水体图像不存在异常。
7.如权利要求1～6中任一项所述的基于深度学习的水质图像分析方法，其特征在于，所述方法还包括对所述受限玻尔兹曼机模型再训练的步骤，具体实现过程为：
以所述步骤8删除异常水体图像后剩余的正常水体图像以及历史水体图像所得到的数据集为训练样本，对所述受限玻尔兹曼机模型进行训练。
8.一种基于深度学习的水质图像分析系统，其特征在于，包括：
数据集获取单元，用于获取多张历史水体彩色图像，由多张所述历史水体彩色图像得到数据集{θ|R，G，B，WR，WB，WG}，其中，R、G和B分别表示历史水体彩色图像中每个像素点的三个颜色分量值R、G和B，WR、WG、WB分别表示对应像素点三个颜色分量值R、G、B对应的权重值；
模型建立及训练单元，用于建立受限玻尔兹曼机模型，以所述数据集{θ|R，G，B，WR，WB，WG}作为所述受限玻尔兹曼机模型的训练样本对其进行训练，其中，以{R，G，B}作为训练输入样本，以{WR，WB，WG}作为训练输出样本，得到训练好的受限玻尔兹曼机模型；
实时图像获取单元，用于获取多张连续水体彩色图像；
灰度化处理单元，用于将每张所述水体彩色图像每个像素点的三个颜色分量值R’、G’和B’输入至训练好的受限玻尔兹曼机模型中，得到对应像素点三个颜色分量值R’、G’、B’对应的权重值WR’，WB’，WG’，采用加权平均法计算每张水体图像每个像素点的灰度值P’；
滤波处理单元，用于对灰度化处理后的水体图像进行噪声检测和滤波处理；
第一异常判断单元，用于对滤波处理后的水体图像，根据每张所述水体图像中各像素点的灰度值P’进行每张所述水体图像第一次异常判断，如果所述水体图像存在异常，则转入第二异常判断单元，进行第二次异常判断；如果所有水体图像均无异常，则转入归一化处理单元，进行像素点的归一化处理；
第二异常判断单元，用于当多张所述水体图像中同一像素点在时间间隔内的移动距离超出对应的设定范围，以及某一水体图像中某个区域内多个像素点的灰度值超出第一设定阈值，则表明水体图像异常，剔除该多张水体图像以及该一水体图像；
或者，当某一水体图像中某个像素点的灰度值超出第二设定阈值，则表明该张水体图像异常，剔除该张水体图像；
或者，当某一水体图像中某个区域内多个像素点的灰度值超出第一设定阈值，则表明该张水体图像异常，剔除该张水体图像；
所述时间间隔是指多张所述水体图像中第一张水体图像与最后一张水体图像的获取时间差；
归一化处理单元，用于根据污染物的沉降速度确定时间区间，判断时间区间内无异常水体图像中每个像素点的灰度值是否超出对应均值±△δ，如果超出，则将该对应均值赋给该像素点，实现时间区间内所有无异常水体图像每个像素点的归一化处理；
所述对应均值是指该像素点对应的时间区间内无异常多张连续水体图像中所有同一像素点的灰度值的平均值；
水质分析单元，用于根据每张所述水体图像中每个像素点的灰度值，得到该水体图像的透光强度和反射光强度；然后根据透光强度和反射光强度进行水质分析。
9.一种设备，包括存储器、处理器以及存储在存储器上并可在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程序时实现如权利要求1～7中任一项所述基于深度学习的水质图像分析方法。
10.一种介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～7中任一项所述基于深度学习的水质图像分析方法。
CN202180004731.1A 2021-04-16 2021-04-16 基于深度学习的水质图像分析方法、系统、设备及介质 Pending CN114207665A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2021/087813 WO2022217589A1 (zh) 2021-04-16 2021-04-16 基于深度学习的水质图像分析方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN114207665A true CN114207665A (zh) 2022-03-18

Family

ID=80659104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180004731.1A Pending CN114207665A (zh) 2021-04-16 2021-04-16 基于深度学习的水质图像分析方法、系统、设备及介质

Country Status (2)

Country Link
CN (1) CN114207665A (zh)
WO (1) WO2022217589A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114965918A (zh) * 2022-04-20 2022-08-30 重庆两江生态渔业发展有限公司 一种基于卫星遥感图像的水质分析方法
CN115333678A (zh) * 2022-10-17 2022-11-11 江西省绿时代低碳环保发展有限公司 一种无人船水质监测数据传输方法及系统
CN115661081A (zh) * 2022-10-28 2023-01-31 江苏中农物联网科技有限公司 基于图像处理的水产养殖自动控制换水方法
CN116205912A (zh) * 2023-04-27 2023-06-02 北京科卫临床诊断试剂有限公司 肾损伤因子人工智能解析系统和方法
CN116539830A (zh) * 2023-05-16 2023-08-04 泰州市云水垚工程科技有限公司 污水处理效果智能检测系统
CN116854300A (zh) * 2023-07-23 2023-10-10 杭州回水科技股份有限公司 一种活性炭吸附过滤的污水处理系统
CN117218586A (zh) * 2023-09-21 2023-12-12 北京市自来水集团有限责任公司技术研究院 测定悬浮物沉降速度的图像识别方法、装置、设备及介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117800425B (zh) * 2024-03-01 2024-06-07 宜宾科全矿泉水有限公司 基于人工智能的净水器控制方法及系统
CN118262175B (zh) * 2024-04-17 2024-08-16 陕西天域新型环保建材有限公司 一种基于人工智能的环保石膏砂浆质量快速检测方法
CN118225772A (zh) * 2024-05-24 2024-06-21 四川飞洁科技发展有限公司 一种基于图像信息的水质检测方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108169445A (zh) * 2017-12-26 2018-06-15 潘远新 一种有效的湖泊水质监测系统
CN110687050B (zh) * 2019-09-29 2022-09-09 长沙有色冶金设计研究院有限公司 一种基于图像识别的水质监测系统和监测方法
CN111047073B (zh) * 2019-11-14 2023-04-25 佛山科学技术学院 一种基于神经网络的水产养殖水质预测方法及系统
CN112418128B (zh) * 2020-11-30 2022-01-21 重庆市生态环境大数据应用中心 地表水监控管理系统及方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114965918A (zh) * 2022-04-20 2022-08-30 重庆两江生态渔业发展有限公司 一种基于卫星遥感图像的水质分析方法
CN115333678A (zh) * 2022-10-17 2022-11-11 江西省绿时代低碳环保发展有限公司 一种无人船水质监测数据传输方法及系统
CN115661081A (zh) * 2022-10-28 2023-01-31 江苏中农物联网科技有限公司 基于图像处理的水产养殖自动控制换水方法
CN115661081B (zh) * 2022-10-28 2023-11-14 江苏中农物联网科技有限公司 基于图像处理的水产养殖自动控制换水方法
CN116205912A (zh) * 2023-04-27 2023-06-02 北京科卫临床诊断试剂有限公司 肾损伤因子人工智能解析系统和方法
CN116205912B (zh) * 2023-04-27 2023-07-11 北京科卫临床诊断试剂有限公司 肾损伤因子人工智能解析系统和方法
CN116539830A (zh) * 2023-05-16 2023-08-04 泰州市云水垚工程科技有限公司 污水处理效果智能检测系统
CN116539830B (zh) * 2023-05-16 2024-03-19 安徽禾美环保集团有限公司 污水处理效果智能检测系统
CN116854300A (zh) * 2023-07-23 2023-10-10 杭州回水科技股份有限公司 一种活性炭吸附过滤的污水处理系统
CN116854300B (zh) * 2023-07-23 2024-02-13 杭州回水科技股份有限公司 一种活性炭吸附过滤的污水处理系统
CN117218586A (zh) * 2023-09-21 2023-12-12 北京市自来水集团有限责任公司技术研究院 测定悬浮物沉降速度的图像识别方法、装置、设备及介质

Also Published As

Publication number Publication date
WO2022217589A1 (zh) 2022-10-20

Similar Documents

Publication Publication Date Title
CN114207665A (zh) 基于深度学习的水质图像分析方法、系统、设备及介质
CN114627383B (zh) 一种基于度量学习的小样本缺陷检测方法
CN110188774B (zh) 一种基于深度学习的电涡流扫描图像分类识别方法
CN109977808A (zh) 一种晶圆表面缺陷模式检测与分析方法
CN109934810B (zh) 一种基于改进粒子群小波神经网络的缺陷分类方法
US10636133B2 (en) Automated optical inspection (AOI) image classification method, system and computer-readable media
US10656518B2 (en) Automatic inline detection and wafer disposition system and method for automatic inline detection and wafer disposition
CN114972339B (zh) 用于推土机结构件生产异常检测的数据增强系统
CN107004265A (zh) 信息处理装置、处理信息的方法、鉴别器生成装置、生成鉴别器的方法、以及程序
CN111325738B (zh) 一种用于横穿孔周边裂纹的智能检测方法及系统
CN110335246B (zh) 一种证照图片清晰度评价方法
CN113989257A (zh) 基于人工智能技术的电力综合管廊沉降裂缝识别方法
CN111145145A (zh) 一种基于MobileNets的图像表面缺陷检测方法
CN106340007A (zh) 一种基于图像处理的车身漆膜缺陷检测识别方法
CN105069778A (zh) 基于目标特征显著图构建的工业产品表面缺陷检测方法
CN111369523A (zh) 显微图像中细胞堆叠的检测方法、系统、设备及介质
CN114463843A (zh) 一种基于深度学习的多特征融合鱼类异常行为检测方法
CN115908945A (zh) 一种基于畸变物体图像的形状特征参数的润滑油含水量检测方法
CN117455913B (zh) 基于图像特征的液压油污染智能检测方法
CN117975096A (zh) 一种钨精矿浮选图像工况识别方法
CN116363136B (zh) 一种机动车部件自动化生产在线筛选方法及系统
CN116452581B (zh) 一种基于机器视觉的电压源状态智能检测系统及方法
Walker et al. Image analysis as a tool for quantitative phycology: a computational approach to cyanobacterial taxa identification
Heena et al. Machine Learning based Detection and Classification of Heart Abnormalities
CN114757916A (zh) 基于特征提取和bp网络的工业ct图像缺陷分类方法

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