CN114264648A - 一种水质检测试纸识别方法和系统 - Google Patents
一种水质检测试纸识别方法和系统 Download PDFInfo
- Publication number
- CN114264648A CN114264648A CN202111457890.5A CN202111457890A CN114264648A CN 114264648 A CN114264648 A CN 114264648A CN 202111457890 A CN202111457890 A CN 202111457890A CN 114264648 A CN114264648 A CN 114264648A
- Authority
- CN
- China
- Prior art keywords
- image
- water quality
- test paper
- channel
- pixel
- 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
Images
Abstract
一种水质检测试纸识别方法和系统,用于水质检测试纸检测信息的识别和水质试纸检测识别结果的空间信息关联建库,属于环境信息领域。该方法包括:构建标准水质样本图像数据库,对标准样本RGB图像进行R、G、B单通道统计特征解析提取;将R、G、B特征信息与水质结果进行神经网络训练建模,建立水质检测试纸识别模型;在模型应用时,首先设计了水质检测试纸显色区自动识别定位算法,并获取显色区R、G、B通道特征信息,通过上述识别模型实现水质结果的AI识别计算;最后将试纸识别结果与水样所在的空间地理坐标进行关联,实现水质检测结果与地理空间信息关联建库。
Description
技术领域
本发明涉及图像识别和数据建模领域,尤其涉及一种水质检测试纸识别方法和系统。
背景技术
水环境水质指标监测对于水体环境质量评估、生态安全与人类健康保障具有重要意义。传统的水环境监测分析方法主要以化学-仪器分析方法为主,需要专业的技术人员借助化学分析试剂及精密的仪器进行分析测试操作,目前仪器分析方法分为光化学分析法、电化学分析法、色谱法和放射分析法等。由于仪器价格昂贵及分析操作方法专业要求较高等因素,限制了化学-仪器分析方法的推广及在偏远和野外地区的应用。
随着光电与生物传感器、微型计算机技术的飞速发展,便携式、多参数水质检测仪器在水源地、湖泊和城市河道水环境监测中得到越来越广泛的应用。快速检测试剂盒作为一种简便、高效的检测方法,在水质现场检测领域具有广泛的应用空间,水质理化快检试剂盒主要采用直接加药法、试纸法、测试管法等。简易快速理化测试方法的确立可以使原本复杂的实验室水质分析变得快速简便,适合现场和实验室快速测定,可以满足不同层面理化检测的需要。但是,由于快速检测方法通常需要人工目视比色,使得其检测结果的精度值存在较大的误差和不确定性。
发明内容
为了解决上述现有技术中水质理化快检试纸检测法中人工目视比色读数精度差的缺陷,本发明提出了一种水质检测试纸识别方法和系统。
本发明的目的之一提供了一种水质检测试纸识别方法,结合样本图像在多个单一颜色通道上的单通道特征数据进行检测试纸的识别,实现了对检测试纸的高精度AI识别。
一种水质检测试纸识别方法,通过大数据训练获得的水质检测试纸识别模型进行试纸识别,其特征在于,所述水质检测试纸识别模型用于结合样本图像经RGB颜色解析后的RGB单通道图像的特征数据获得检测试纸的识别结果,所述样本图像为检测试纸上检测区域的图像;所述水质检测试纸识别模型的输入包括样本图像对应的R通道特征数据、G通道特征数据和B通道特征数据中的三项或者两项;所述R通道特征数据用于表示样本图像对应的R通道图像的像素分布特征,所述G通道特征数据用于表示样本图像对应的G通道图像的像素分布特征,所述B通道特征数据用于表示样本图像对应的B通道图像的像素分布特征;所述水质检测试纸识别模型的输出为检测试纸的识别结果。
优选的,所述水质检测试纸识别模型基于神经网络模型训练获得。
优选的,包括以下步骤:获得作为测试对象的样本图像,获得测试对象对应的多个单一颜色通道上的单通道图像,获取各单通道图像对应的单通道特征数据作为输入数据;将所述输入数据输入所述的水质检测试纸识别模型,获得所述水质检测试纸识别模型的输出数据作为识别结果;
输入数据的获取方法为;首先对样本图像进行颜色解析,获得样本图像对应的多个单一颜色通道上的单通道图像,所述多个单一颜色通道涵盖所述水质检测试纸识别模型的输入数据中包含的单通道;获取用于反馈单通道图像上像素值与像素点数量对应关系的正态分布的均值μ和标准差σ,以所述均值μ和标准差σ的组合或者均值μ和标准差σ的运算区间[(μ-σ),(μ+σ)]作为该单通道图像对应的单通道特征数据;所述样本图像为检测试纸上检测区域的图像。
优选的,单通道特征数据中的均值和标准差根据以下公式计算获得:
其中,m×n为样本图像的像元数量,m表示样本图像每行的像元数量,n 表示样本图像每列的像元数量;T(s,t)表示单通道图像上像素坐标为(s,t)的像元的像素值,即单通道图像上第s行第t列像元的像素值;
或者,获取单通道图像后,根据用于统计单通道图像中像素值与像素点数量的对应关系的直方图绘制正态分布曲线,获取所述正态分布曲线的均值和标准差,再根据所述均值和标准差获取单通道特征数据。
优选的,测试对象的获得包括以下步骤:
SCl、构建检测试纸检测范围内对应不同浓度的显色图像作为模板图像,各模板图像的尺寸相同;
SC2、将待识别的检测试纸放置在比色托板上,并对检测试纸的显色区域进行拍摄,获取拍摄图像;比色托板与检测试纸的检测区域形成对比色;
SC3、从拍摄图像上搜索尺寸与模板图像相同的单元测试图像,逐一计算各单元测试图像与各模板图像的相似度,获取对应的相似度最高的单元测试图像作为测试对象。
优选的,SC3具体为:针对左上角第一个像元在拍摄图像上的像素坐标为(i,j)的单元测试图像,依次计算其与各模板图像的相似度评估值,将获得的相似度评估值中用于表示相似度最高的极值作为该单元测试图像的标注值;令 1≤i≤M-m+1,1≤j≤N-n+1;M×N为拍摄图像的尺寸,M表示拍摄图像每行的像元数量,N表示拍摄图像每列的像元数量,m×n为搜索窗口的尺寸即样本图像尺寸;遍历(i,j)的所有组合,获得各组合对应的单元测试图像的标注值;获得用于表示相似度最高的标注值对应的单元测试图像作为样本图像。
优选的,SC3中,计算单元测试图像与模板图像的相似度的测度公式为:
其中,D(i,j,k)表示左上角第一个像元在拍摄图像上的像素坐标为(i,j) 的单元测试图像与第k个模板图像之间的相似度评估值,D(i,j,k)越小表示单元测试图像与模板图像之间的相似度越高;s、t表示步长;S(i+s-1,j+t-1) 表示拍摄图像上像素坐标为(i+s-1,j+t-1)的像元的像素值,T(s,t,k)表示第k个模板图像上像素坐标为(s,t)的像元的像素值。
本发明的目的之二提供了一种检测试纸识别系统,适用于上述的水质检测试纸识别方法。
一种水质检测试纸识别系统,摄像机、模板库和处理器,处理器中设有水质检测试纸识别模型,水质检测试纸识别模型基于大数据训练获得,其用于结合样本图像经RGB颜色解析后的RGB单通道图像的特征数据获得检测试纸的识别结果;摄像机用于采集图像,模板库中存储有对应待测样本的多个不同浓度的模板图像;
处理器分别连接摄像机和模板库;
处理器中存储有内置程序,处理器在执行所述内置程序时,用于在获取摄像机拍摄到的检测试纸后,执行权利要求5-7任一项所述的水质检测试纸识别方法,以获取以获取测试对象,并对测试对象进行颜色解析获取多个单通道特征数据,处理器还用于获取所述水质检测试纸识别模型对所述多个单通道特征数据的识别结果作为待测样本浓度。
优选地,还包括设置在摄像机拍摄区域内的比色托板,所述比色托板用于放置待检测的检测试纸;比色托板与检测试纸的检测区域形成对比色。
优选地,处理器还用于获取检测试纸所测样本的采集时间、采集地点和分析时间,并用于将检测试纸的识别结果与所述的采集时间、采集地点和分析时间关联存储,构建生成关联地理坐标系和检测试纸识别结果的空间属性数据库。
本发明的优点在于:
(1)本发明提出的一种水质检测试纸识别方法中采用水质检测试纸识别模型识别水质检测试纸,所采用的的水质检测试纸识别模型,结合样本图像在单一颜色通道上的数据解析结果进行分析,从而获取识别结果。如此,通过RGB 颜色解析,将三通道的样本图像的识别转换为RGB三个单通道图像的识别,相对于多通道图像的颜色识别,单通道图像更容易实现高精度高效率的颜色识别。根据水质检测试纸识别模型的输入,实现了通过单通道图像的像素分布特征对样本图像进行标注,实现了对样本图像的像素分布特征的精确量化,将抽象的图像特征转换为具象的数据特征,从而实现了通过数据处理和神经网络建模的方式对样本图像的智能化识别,为AI智能检测的实现奠定了基础。
(2)本发明提出的一种水质检测试纸识别方法,结合单通道图像的像素分布特征对样本图像进行标注,保证了获取的单通道特征数据与对应的单通道图像的统一,从而保证了通过样本图像对应的多个单通道特征数据例如R通道特征数据、G通道特征数据和B通道特征数据的精确提取。
(3)本发明提出的一种水质检测试纸识别方法中,单通道特征数据表现为以对应的正态分布的均值和标准差之差为下限,以所述均值和标准差之和为上限的数据区间,从而保证数据的丰富性,进一步保证了数据解析的可靠性。
(4)本发明提出的一种水质检测试纸识别方法中,通过对检测试纸的拍摄和图像处理,将检测试纸精确转换为作为样本图像的电子文件,为检测试纸的自动化识别奠定了基础。
(5)相对于现有的仪器分析方法,本发明不需要专业分析仪器,只需要计算机便可实现检测试纸的识别,成本低廉,易于实施。
(6)本发明提出的一种水质检测试纸识别系统,实现了检测试纸的自动采集和自动识别,集成化高,便于推广应用。且该系统的搭建,重点在于模板库的建立和软件程序的设置,硬件成本低,便于搭建。
(7)本发明提出的一种水质检测试纸识别系统,可根据水样的采集地点、采集时间、水样分析时间,构建含有空间位置信息、水样采集分析时间信息和水样分析结果的属性数据。对于多个水样、多个水质指标的数据结果按照上述属性,逐条保存建立时间-空间-水质属性数据库,方便后续管理查询。通过本发明能够快速实现水质检测试纸的实验室读数,并实现检测结果的时空属性建库,发明的主要思想是从水质检测试纸的实际应用中的人工目视读数精度值存在较大的误差和不确定性的问题出发,提出利用计算机图像采集、图像机器学习建模、时空属性建库等技术方法,实现水质快速检测试纸的实验室机器视觉读数与建库。本发明方法是水质检测分析与分析结果数据管理方法的一项创新,具有实施过程可行性强、数据采集与分析过程便于软硬件集成、计算结果精度可靠的特点,具有较高的行业推广价值和应用前景。
附图说明
图1为实施例2所述的水质检测试纸识别模型的训练方法流程图;
图2为实施例3第二种方式中表示单通道图像的像素值与像素点对应关系的直方图以及正态分布曲线;
图3为实施例5中检测试纸图像解析方法流程图;
图4为实施例6中测试对象获得方式流程图;
图5(a)为实施例6中的拍摄图像示例;
图5(b)为图5(a)的像元分割和单元测试图像示意图。
具体实施方式
本发明提供的一种水质检测试纸识别方法,通过水质检测试纸识别模型对检测试纸进行AI识别,具体实施时,首先对水质检测试纸进行解析,从水质检测试纸上截取测试对象,具体可参照实施例6;然后根据测试对象获得水质检测试纸识别模型的输入数据,具体可从参照实施例5;最后将所述输入数据输入水质检测试纸识别模型,获得水质检测试纸识别模型的输出作为检测试纸识别结果。
以下结合几个具体的实施例,对本发明做进一步阐述。
实施1:水质检测试纸识别模型
本实施例提出的一种水质检测试纸识别模型用于结合样本图像经RGB颜色解析后的RGB单通道图像的特征数据获得检测试纸的识别结果,所述样本图像为检测试纸上检测区域的图像。
所述水质检测试纸识别模型的输入为R通道特征数据、G通道特征数据、B 通道特征数据和灰度通道特征数据中的任意三项,或者为R通道特征数据、G 通道特征数据、B通道特征数据中的任意两项。
R通道特征数据用于表示样本图像对应的R通道图像的像素分布特征,G 通道特征数据用于表示样本图像对应的G通道图像的像素分布特征,B通道特征数据用于表示样本图像对应的B通道图像的像素分布特征。
所述水质检测试纸识别模型的输出为检测试纸的识别结果,例如样本浓度、 PH值等。
该水质检测试纸识别模型,结合样本图像在单一颜色通道上的数据解析结果进行分析,从而获取识别结果。如此,通过RGB颜色解析,将三通道的样本图像的识别转换为RGB三个单通道图像的识别,相对于多通道图像的颜色识别,单通道图像更容易实现高精度高效率的颜色识别。
本实施例中,根据水质检测试纸识别模型的输入,实现了通过单通道图像的像素分布特征对样本图像进行标注,实现了对样本图像的像素分布特征的精确量化,将抽象的图像特征转换为具象的数据特征,从而实现了通过数据处理和神经网络建模的方式对样本图像的智能化识别,为AI智能检测的实现奠定了基础。
优选的,本实施例中的水质检测试纸识别模型的输入包含样本图像对应的R 通道特征数据、G通道特征数据、B通道特征数据。如此,水质检测试纸识别模型的输入包含了RGB三通道上的像素分布特征,从而大大提高了通过该模型对作为测试对象的样本图像的自动识别的精确度。
具体实施时,水质检测试纸识别模型的输入还可设置为样本图像对应的R 通道特征数据、G通道特征数据、B通道特征数据和灰度通道特征数据。如此,灰度通道特征数据的增加,可进一步提高该水质检测试纸识别模型的识别精确程度。
具体实施时,在不需要高精度识别的情况下,水质检测试纸识别模型的输入也可设置为R通道特征数据、G通道特征数据、B通道特征数据中的任意两个,或者R通道特征数据、G通道特征数据、B通道特征数据中的任意两个与灰度通道特征数据的组合。
实施例2:一种水质检测试纸识别模型的训练方法
参照图1,本实施例提出的一种水质检测试纸识别模型的训练方法,用于训练输入为样本图像对应的R通道特征数据、G通道特征数据和B通道特征数据,输出为样本图像的识别结果的水质检测试纸识别模型。所述样本图像为检测试纸上检测区域的图像,所述检测区域也叫做显色区域。
该水质检测试纸识别模型的训练方法,包括以下步骤。
SA1、获得样本图像,样本图像为标注有识别结果的检测试纸上检测区域的图像。
SA2、对样本图像进行RGB颜色解析,获得样本图像对应的RGB单通道图像,分别记作R通道图像、G通道图像和B通道图像。
SA3、设置用于结合单通道图像中像素值与像素点数量的对应关系计算单通道图像特征数据的特征提取规则,结合所述特征提取规则分别对R通道图像、G 通道图像和B通道图像进行处理,获取用于表示所述R通道图像的像素分布特征的R通道特征数据,用于表示所述G通道图像的像素分布特征的G通道特征数据,用于表示所述B通道图像的像素分布特征的B通道特征数据。
SA4、将样本图像对应的R通道特征数据、G通道特征数据和B通道特征数据组成的数集记作数据集合;构建由样本图像对应的数据集合和识别结果组成的标注样本;
SA5、构建神经网络模型,结合设定数量的标注样本对所述神经网络模型进行训练,获得输入为样本图像对应的R通道特征数据、G通道特征数据和B通道特征数据,输出为样本图像的识别结果的水质检测试纸识别模型。
值得注意的是,为了保证训练获得的水质检测试纸识别模型的可靠性,本实施例的SA1中,样本图像为设定的标准尺寸图像,例如设定样本图像的尺寸为m×n,即样本图像上每行包含m个像元每列包含n个像元。同时,最终获得水质检测试纸识别模型用于对检测试纸识别时,也应该对检测试纸进行处理,获取检测试纸上尺寸为m×n的显色区域图像作为测试对象,并获得测试对象的 R通道特征数据、G通道特征数据和B通道特征数据作为检测试纸模型的输入数据,然后获得检测试纸模型的输出数据作为该检测试纸的识别结果。
本实施例的SA1中,样本图像由人工从检测试纸上截取,且通过人工对被人工截取的样本图像标注识别结果,以保证标注样本的供给。值得注意的是,本实施例中提供的标注样本数量至少为20个。
检测试纸通过不同样本浓度对应的显色来达到检测样本浓度的效果,故而,对检测试纸上显色区域的颜色的精确识别是检测试纸智能化识别和实现AI智能检测的关键。本实施例中,将样本图像的识别,转换为样本图像对应的R通道特征数据、G通道特征数据和B通道特征数据的数据处理和机器分析,为AI智能检测奠定了基础。
本实施例中,先对样本图像进行颜色解析,获得RGB三个通道上的单通道图像,然后结合单通道图像的像素分布特征对样本图像进行标注,保证了获取的单通道特征数据与对应的单通道图像的统一,从而保证了通过样本图像对应的多个单通道特征数据例如R通道特征数据、G通道特征数据和B通道特征数据的精确提取。
上述实施例1中的水质检测试纸识别模型给出了水质检测试纸识别模型的多种输入形式,但水质检测试纸识别模型的训练方式没有改变,本领域技术人员结合以上实施例2可对其他输入形式的水质检测试纸识别模型进行训练。
值得注意的是,本实施例中,在水质检测试纸识别模型训练完成中,可通过比对水质检测试纸识别模型的识别结果和人工标注结果判断模型识别的精确度,当模型识别的精确度达到设定值例如80%以上时,便可判断水质检测试纸识别模型训练完成可揉入使用。当模型识别精度达不到设定值时,则可测试用样本加入训练对象对模型进行循环训练。在已知模型的输入数据、输入数据获取方式和输出数据的情况下,模型的训练可采样现有技术,即模型的训练过程不是本申请的创新点,故而在此不做赘述。
实施例3:单通道的特征数据的获取
所述单通道图像的特征数据即上述的单通道特征数据,R通道图像的特征数据记作R通道特征数据,G通道图像的特征数据记作G通道特征数据,B通道图像的特征数据记作B通道特征数据。
本实施例中,单通道特征数据具体采用反映对应的单通道图像中像素值与像素点对应关系的正态分布的均值和标准差。
本实施例中,具体给出了两种单通道的特征数据的获取方式。
第一种,根据单通道图像上各像元的像素值分布情况直接计算该单通道图像对应的正态分布的均值和标准差。
本实施例中,根据以下公式计算任一单通道图像对应的正态分布的均值μ和标准差σ:
其中,m×n为样本图像的尺寸大小;T(s,t)表示单通道图像上像元坐标为 (s,t)的像元的像素值,即单通道图像上第s行第t列处像元的像素值。
以上公式(1)适用于R通道图像、G通道图像、B通道图像和灰度通道上的灰度图像。
本实施例中,通过以上公式(1)的变形公式(2)计算R通道图像对应的 R通道正态分布的均值μR和标准差σR:
其中,m×n为样本图像的尺寸大小,T(s,t,R)表示R通道图像上像元坐标为(s,t)的像元的像素值。
本实施例中,通过以上公式(1)的变形公式(3)计算G通道图像对应的 G通道正态分布的均值μG和标准差σG:
其中,m×n为样本图像的尺寸大小,T(s,t,G)表示G通道图像上像元坐标为(s,t)的像元的像素值。
本实施例中,通过以上公式(1)的变形公式(4)计算B通道图像对应的 B通道正态分布的均值μB和标准差σB:
其中,m×n为样本图像的尺寸大小,T(s,t,B)表示B通道图像上第(s,t)个像元的像素值。
第二种,在单通道图像已知的情况下,结合图像上各像素值对应的像元数量绘制直方图,然后根据直方图绘制正态分布曲线作为单通道图像对应的正态分布,如图3所示,再提取该正态分布曲线的均值和标准差。
以下,结合任意样本图像的R通道图像上像素分布对应的直方图绘制正态分布曲线,具体如图2所示。图2中,直方图的建立和正态分布曲线的绘制,均可通过现有的绘图软件进行,并可通过绘图软件提取正态分布曲线的信息,即均值和标准差。
实施例4:单通道特征数据的表现形式
本实施例中,给出两种单通道特征数据的表现形式。所述R通道特征数据、 G通道特征数据、B通道特征数据和灰度通道特征数据均属于单通道特征数据。
第一种:单通道特征数据表示为对应的正态分布的均值和标准差的组合。
例如,实施例2中的水质检测试纸识别模型的输入为R通道特征数据、G 通道特征数据和B通道特征数据,则水质检测试纸识别模型的输入可记作以下数据集合A:
A={μR σR μG σG μB σB}={μR σR}∪{μG σG}∪{μB σB} (5)
第二种,单通道特征数据表示为以对应的正态分布的均值和标准差之差为下限,以所述均值和标准差之和为上限的数据区间。
例如,实施例2中的水质检测试纸识别模型的输入为R通道特征数据、G 通道特征数据和B通道特征数据,则水质检测试纸识别模型的输入可记作以下数据集合B:
B={[(μR-σR),(μR+σR)],[(μG-σG),(μG+σG)],[(μB-σB),(μB+σB)]} (6)
以上公式(5)(6)中,μR表示R通道图像对应的正态分布的均值,σR表示R通道图像对应的正态分布的标准差,μG表示G通道图像对应的正态分布的均值,σG表示G通道图像对应的正态分布的标准差,μB表示B通道图像对应的正态分布的均值,σB表示B通道图像对应的正态分布的标准差。
实施例5:检测试纸的图像解析方法
值得注意的是,在水质检测试纸识别模型的训练过程中,以及在水质检测试纸识别模型的应用过程中,对样本图像进行处理,以获取样本图像对应的作为水质检测试纸识别模型的输入的单通道特征数据的方式是一样的,该获得样本图像对应的单通道特征数据的方式可称作水质检测试纸识别模型的数据预处理方式。
参照图3,本实施例中提供的水质检测试纸识别模型的数据预处理方式包括以下步骤:
SB1、对样本图像进行颜色解析,获得样本图像对应的多个单一颜色通道上的单通道图像,所述多个单一颜色通道涵盖所述水质检测试纸识别模型的输入数据中包含的单通道。例如,当水质检测试纸识别模型的输入为R通道特征数据、G通道特征数据和B通道特征数据时,则对样本图像进行RGB解析,以获取R通道图像、G通道图像和B通道图像。
SB2、结合实施例3提供的两种正态分布获取方式中任一种获取表示单通道图像上像素值与像素点数量对应关系的正态分布。
SB3、再结合实施例3提供的两种数据表示形式中的任一种,根据正态分布对应的均值和标准差获取单通道特征数据。
SB4、结合样本图像对应的所有单通道特征数据形成数据集合,作为水质检测试纸识别模型的输入数据。
值得注意的是,本实施例中为了保证水质检测试纸识别模型对检测试纸的精确识别,应保证作为训练对象的样本图像和作为测试对象的样本图像的尺寸的一致性。例如,上述实施例中,样本图像的尺寸为m×n,则训练对象和测试对象的尺寸均为m×n,即样本图像、训练图像和测试对象均为n行m列像素点 (像元)组成,即每行包含m个像元每列包含n个像元。
本实施例中,训练对象可通过人工截取和人工标注识别结果,为了保证水质检测试纸识别模型的识别精度,模型训练过程中所采用的标注样本数量应不少于样本的梯度。例如,某浓度检测试纸可区分20个浓度梯度,则在训练该浓度检测试纸的水质检测试纸识别模型过程中提供的训练对象应不少于20个,最好提供的20个训练对象分别靠近20个浓度梯度,以提高训练精度。具体的,可通过配置20份标准液浓度梯度样品制作训练对象。
训练对象作为样本库,数量有限,通过人工提取,可保证准确率。但是测试对象是随着检测试纸模型的应用而产生的,如果每一次都由人工提取,则失去了AI智能检测的意义。因此,本实施例中,还提供一种测试对象的提取方式。
实施例6:水质检测试纸识别模型的测试对象的获得方式
参照图4,本实施例提供的测试对象的获得包括以下步骤:
SC1、构建检测试纸检测范围内对应不同梯度标准度溶液的显色图像作为模板图像,各模板图像的尺寸相同。
SC2、将待识别的检测试纸放置在比色托板上,并对检测试纸的显色区域进行拍摄,获取拍摄图像;比色托板与检测试纸的检测区域形成对比色。这里的比色托板优选与检测试纸辅助条对比颜色明显的底板,例如检测试纸辅助条为白色时,可选择黑色底板。
SC3、从拍摄图像上搜索尺寸与模板图像相同的单元测试图像,逐一计算各单元测试图像与各模板图像的相似度,获取对应的相似度最高的单元测试图像作为测试对象。
即,SC3中:针对左上角第一个像元在拍摄图像上的像素坐标为(i,j)的单元测试图像,依次计算其与各模板图像的相似度评估值,将获得的相似度评估值中用于表示相似度最高的极值作为该单元测试图像的标注值;令1≤i≤ M-m+1,1≤j≤N-n+1,M×N为拍摄图像的尺寸,m×n为搜索窗口的尺寸;遍历(i,j)的所有组合,获得各组合对应的单元测试图像的标注值;获得标注值中用于表示相似度最高的极值对应的单元测试图像作为样本图像。
本实施例中,计算单元测试图像与模板图像的相似度的测度公式为:
其中,D(i,j,k)表示左上角第一个像元在拍摄图像上的像素坐标为(i,j) 的单元测试图像与第k个模板图像之间的相似度评估值,D(i,j,k)越小表示单元测试图像与模板图像之间的相似度越高;S(i+s-1,j+t-1)表示拍摄图像上像素坐标为(i+s-1,j+t-1)的像元的像素值,T(s,t,k)表示第k个模板图像上像素坐标为(s,t)的像元的像素值。图像上的像素坐标为(i,j)的像元,指的是在图像上第i行第j列处的像元。
本实施例,结合图5(a)、图5(b)所示的实施例,对拍摄图像中逐像元检索以获得测试对象的方式进行说明。
图5(a)所示为拍摄图像,即放置在合适底板上的检测试纸,所述检测试纸的左端为显示区域即检测区域。
图5(b)为图(a)的像元分割示意图,本实施例中,像元即像素点。假设模板图像的尺寸为3×3,即模板图像为每行每列均为3个像元的矩形图像, m=n=3;拍摄图像的尺寸为9×10,即拍摄图像为每行10像元每列9像元的矩形图像,M=9,N=10。
图5(a)、图5(b)所示实施例中,通过搜索窗口在拍摄图像上搜索尺寸为3×3的单元测试图像,将左上角第一像元在拍摄图像中的像素坐标为(i,j)的单元测试图像记作S(i,j)。
本实施例中,位于拍摄图像左上角的单元测试图像为S(1,1),位于拍摄图像右下角的单元测试图像为S(7,8),即图5(b)所示实施例中的单元测试图像S(i,j) 满足1≤i≤7,1≤j≤8,即本实施例中可获得7×8一共56份单元测试图像。
本实施例中,模板库中存储有20份从对应不同标准浓度梯度的检测试纸上人工截取的模板图像,在标注单元测试图像S(i,j)时,逐一计算标注单元测试图像S(i,j)和第k个模板图像的相似度评估值D(i,j,k),1≤k≤20。本实施例中,采用上述公式(7)计算相似度评估值,故而,单元测试图像S(i,j)的标注值为 Dmin(i,j);
Dmin(i,j)=min{D(i,j,1)、D(i,j,2)、D(i,j,3)......D(i,j,20)} (8)。
根据以上公式(8),可获得56份单元测试图像的标注值,具体可表示如下列矩阵LP;
本实施例中取矩阵LP的56个元素中的最小值记作LPmin,则LPmin对应的单元测试图像即为本实施例提取的测试对象。
本实施例中,对测试对象进行处理,获取测试对象的R通道特征数据、G 通道特征数据和B通道特征数据后输入实施例2训练获得的水质检测试纸识别模型,便可获得对图5(a)中检测试纸的识别结果。
值得注意的是,上述实施例1-6的任意结合实施均属于本发明的保护范围。
实施例7:一种检测试纸识别系统
本实施例提出的检测试纸识别系统,包括:摄像机、模板库和处理器,处理器内设有水质检测试纸识别模型,水质检测试纸识别模型基于大数据训练获得,其用于结合样本图像经RGB颜色解析后的RGB单通道图像的特征数据获得检测试纸的识别结果。摄像机用于采集图像,模板库中存储有对应待测样本的多个不同浓度的模板图像,即各模板图像为检测试纸在对该模板图像对应的待测样本浓度溶液进行显色后的显色区域截取图像。
水质检测试纸识别模型如实施例1所示,水质检测试纸识别模型的输入为多个单通道特征数据,输出为待测样本浓度。水质检测试纸识别模型的获得可参照实施例2。
处理器分别连接摄像机和模板库。
处理器中存储有内置程序,处理器在执行所述内置程序时,处理器用于在获取摄像机拍摄到的位于比色托板上的检测试纸后,执行实施例6所述的检测试纸图像解析方法以获取测试对象,并对测试对象进行颜色解析以获取多个单通道特征数据;处理器调用所述水质检测试纸识别模型获取所述多个单通道特征数据的识别结果,即待测样本浓度。
值得注意的是,处理器在执行所述内置程序以获取测试对象的多个单通道特征数据是,获取的是测试对象在水质检测试纸识别模型的输入数据涵盖的多个单通道上的单通道特征数据。
具体实施时,所述摄像机的拍摄区域内还可设置纯色托板,如此,在识别试纸时,只需要将待识别的检测试纸放置在所述纯色托板上,便可通过系统的启用,自动完成试纸拍摄和识别。
具体实施时,处理器还用于获取检测试纸所测样本的采集时间、采集地点和分析时间,处理器还用于将检测试纸的识别结果与所述的采集时间、采集地点和分析时间关联存储和输出,具体可采样列表的形式进行统计。
值得注意的是,所述分析时间即为处理器对该份检测试纸的处理时间。
检测试纸所测样本的采集时间、采集地点可通过人工输入,也可通过图像识别的方式从拍摄图像上获取。
最终利用采集地点经纬度坐标构建地理坐标系空间数据库,并将水质参数即检测试纸识别结果与采集地点经纬度坐标关联,构建生成关联地理坐标系和水质参数的空间属性数据库,数据库格式要求如表1所示。
表1空间属性数据库格式
为了验证本发明提出的水质检测试纸识别方法的效果,本实施例中,针对某一水质检测试纸,分别采用本发明提供的水质检测试纸识别方法和常规的比色方法进行试纸识别,识别结果如下所示。
表2检测试纸识别精度对比表
上表中的“本方法识别结果”为采用本发明提供的以R通道特征数据、G 通道特征数据和B通道特征数据作为输入的水质检测试纸识别模型对水质检测试纸的识别结果。
上表中,目视识别精度=|目视比色结果-标准样本浓度|/标准样本浓度;
本方法识别精度=|本方法识别结果-标准样本浓度|/标准样本浓度。现了对检测试纸的精确识别,尤其是对于浓度在区间[5,10]上的标准样本,取得了意想不到的识别精度。
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (10)
1.一种水质检测试纸识别方法,通过大数据训练获得的水质检测试纸识别模型进行试纸识别,其特征在于,所述水质检测试纸识别模型用于结合样本图像经RGB颜色解析后的RGB单通道图像的特征数据获得检测试纸的识别结果,所述样本图像为检测试纸上检测区域的图像;所述水质检测试纸识别模型的输入包括样本图像对应的R通道特征数据、G通道特征数据和B通道特征数据中的三项或者两项;所述R通道特征数据用于表示样本图像对应的R通道图像的像素分布特征,所述G通道特征数据用于表示样本图像对应的G通道图像的像素分布特征,所述B通道特征数据用于表示样本图像对应的B通道图像的像素分布特征;所述水质检测试纸识别模型的输出为检测试纸的识别结果。
2.如权利要求1所述的水质检测试纸识别方法,其特征在于,所述水质检测试纸识别模型基于神经网络模型训练获得。
3.如权利要求1所述的水质检测试纸识别方法,其特征在于,包括以下步骤:
获得作为测试对象的样本图像,获得测试对象对应的多个单一颜色通道上的单通道图像,获取各单通道图像对应的单通道特征数据作为输入数据;
将所述输入数据输入所述的水质检测试纸识别模型,获得所述水质检测试纸识别模型的输出数据作为识别结果;
输入数据的获取方法为;首先对样本图像进行颜色解析,获得样本图像对应的多个单一颜色通道上的单通道图像,所述多个单一颜色通道涵盖所述水质检测试纸识别模型的输入数据中包含的单通道;获取用于反馈单通道图像上像素值与像素点数量对应关系的正态分布的均值μ和标准差σ,以所述均值μ和标准差σ的组合或者均值μ和标准差σ的运算区间[(μ-σ),(μ+σ)]作为该单通道图像对应的单通道特征数据;所述样本图像为检测试纸上检测区域的图像。
5.如权利要求3所述的水质检测试纸识别方法,其特征在于,测试对象的获得包括以下步骤:
SC1、构建检测试纸检测范围内对应不同浓度的显色图像作为模板图像,各模板图像的尺寸相同;
SC2、将待识别的检测试纸放置在比色托板上,并对检测试纸的显色区域进行拍摄,获取拍摄图像;比色托板与检测试纸的检测区域形成对比色;
SC3、从拍摄图像上搜索尺寸与模板图像相同的单元测试图像,逐一计算各单元测试图像与各模板图像的相似度,获取对应的相似度最高的单元测试图像作为测试对象。
6.如权利要求5所述的水质检测试纸识别方法,其特征在于,SC3具体为:针对左上角第一个像元在拍摄图像上的像素坐标为(i,j)的单元测试图像,依次计算其与各模板图像的相似度评估值,将获得的相似度评估值中用于表示相似度最高的极值作为该单元测试图像的标注值;令1≤i≤M-m+1,1≤j≤N-n+1;M×N为拍摄图像的尺寸,M表示拍摄图像每行的像元数量,N表示拍摄图像每列的像元数量,m×n为搜索窗口的尺寸即样本图像尺寸;遍历(i,j)的所有组合,获得各组合对应的单元测试图像的标注值;获得用于表示相似度最高的标注值对应的单元测试图像作为样本图像。
8.一种水质检测试纸识别系统,其特征在于,包括:摄像机、模板库和处理器,处理器中设有水质检测试纸识别模型,水质检测试纸识别模型基于大数据训练获得,其用于结合样本图像经RGB颜色解析后的RGB单通道图像的特征数据获得检测试纸的识别结果;摄像机用于采集图像,模板库中存储有对应待测样本的多个不同浓度的模板图像;
处理器分别连接摄像机和模板库;
处理器中存储有内置程序,处理器在执行所述内置程序时,用于在获取摄像机拍摄到的检测试纸后,执行权利要求5-7任一项所述的水质检测试纸识别方法,以获取以获取测试对象,并对测试对象进行颜色解析获取多个单通道特征数据,处理器还用于获取所述水质检测试纸识别模型对所述多个单通道特征数据的识别结果作为待测样本浓度。
9.如权利要求8所述的水质检测试纸识别系统,其特征在于,还包括设置在摄像机拍摄区域内的比色托板,所述比色托板用于放置待检测的检测试纸;比色托板与检测试纸的检测区域形成对比色。
10.如权利要求8所述的水质检测试纸识别系统,其特征在于,处理器还用于获取检测试纸所测样本的采集时间、采集地点和分析时间,并用于将检测试纸的识别结果与所述的采集时间、采集地点和分析时间关联存储,构建生成关联地理坐标系和检测试纸识别结果的空间属性数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111457890.5A CN114264648A (zh) | 2021-12-02 | 2021-12-02 | 一种水质检测试纸识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111457890.5A CN114264648A (zh) | 2021-12-02 | 2021-12-02 | 一种水质检测试纸识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114264648A true CN114264648A (zh) | 2022-04-01 |
Family
ID=80826056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111457890.5A Pending CN114264648A (zh) | 2021-12-02 | 2021-12-02 | 一种水质检测试纸识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114264648A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115931838A (zh) * | 2022-11-04 | 2023-04-07 | 湖北大场科技有限公司 | 适用于试纸法的水质检测方法、控制器及设备 |
CN117058359A (zh) * | 2023-08-11 | 2023-11-14 | 云南省农业科学院质量标准与检测技术研究所 | 基于计算机视觉的定量胶体金试纸检测方法和系统 |
-
2021
- 2021-12-02 CN CN202111457890.5A patent/CN114264648A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115931838A (zh) * | 2022-11-04 | 2023-04-07 | 湖北大场科技有限公司 | 适用于试纸法的水质检测方法、控制器及设备 |
CN117058359A (zh) * | 2023-08-11 | 2023-11-14 | 云南省农业科学院质量标准与检测技术研究所 | 基于计算机视觉的定量胶体金试纸检测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948469B (zh) | 基于深度学习的巡检机器人仪表自动检测识别方法 | |
CN114264648A (zh) | 一种水质检测试纸识别方法和系统 | |
WO2017067023A1 (zh) | 一种基于专用试纸对体液的检测方法 | |
CN103528617B (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
CN110826549A (zh) | 基于计算机视觉的巡检机器人仪表图像识别方法及系统 | |
CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
CN111858980B (zh) | 一种岩芯盘内岩芯识别与编录的方法 | |
CN108229480A (zh) | 一种数字表读数的识别方法、装置及设备 | |
CN108764134A (zh) | 一种适用于巡检机器人的多类型仪表自动定位与识别方法 | |
CN111091538A (zh) | 一种管道焊缝自动识别、缺陷检测方法及装置 | |
CN105426862A (zh) | 基于rfid、定位技术与视频技术的分析方法及其系统 | |
CN111914767A (zh) | 一种基于多源遥感数据的散乱污企业检测方法及系统 | |
CN111242922A (zh) | 一种蛋白质图像分类方法、装置、设备及介质 | |
CN113362279A (zh) | 一种免疫层析试纸浓度智能检测方法 | |
CN111784803A (zh) | 钻孔岩芯相互关系数据的自动采集系统及方法 | |
CN110930393A (zh) | 一种基于机器视觉的芯片料管计数方法、装置及系统 | |
CN114049370A (zh) | 一种基于深度学习方法的智能移动终端有色溶液浓度检测方法 | |
CN111048183B (zh) | 数字病理图像均一化的方法、装置、设备及存储介质 | |
CN114255458A (zh) | 一种巡检场景下指针仪表读数的识别方法与系统 | |
CN114067164A (zh) | 胚胎发育阶段的检测方法、装置、电子设备及存储介质 | |
CN115393838A (zh) | 指针式仪表读数识别方法、装置、电子设备及存储介质 | |
CN101354357A (zh) | 一种分析树木年轮微密度图像的方法 | |
CN111400644A (zh) | 一种用于实验室分析样品的计算处理方法 | |
CN117877009A (zh) | 一种针对元器件常温测试的测试设备数据自动采集方法 | |
CN115902227B (zh) | 一种免疫荧光试剂盒的检测评估方法及系统 |
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 |