CN114387455A - 一种基于人工智能的污水排放实时监测方法、系统及设备 - Google Patents
一种基于人工智能的污水排放实时监测方法、系统及设备 Download PDFInfo
- Publication number
- CN114387455A CN114387455A CN202210027460.8A CN202210027460A CN114387455A CN 114387455 A CN114387455 A CN 114387455A CN 202210027460 A CN202210027460 A CN 202210027460A CN 114387455 A CN114387455 A CN 114387455A
- Authority
- CN
- China
- Prior art keywords
- image
- output result
- chromaticity
- floater
- water quality
- 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
Classifications
-
- 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
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请提供了一种基于人工智能的污水排放实时监测方法、系统及设备,属于水质监测技术领域。本申请通过图像采集装置采集污水排放口处的水样图像;将水样图像输入到预构建的漂浮物识别模型中得到第一输出结果;第一输出结果为漂浮物的分类概率图;根据第一输出结果确定色度待测图像;对色度待测图像进行预处理得到预处理图像;将预处理图像输入到预构建的水质色度检测模型中得到第二输出结果;第二输出结果为水质的色度分布概率图;根据第二输出结果判断水质是否污染。本申请通过神经网络进行水样检测,不仅能够判断监测的图水样图像中漂浮物的类别,还能够消除漂浮物的影响进行水质色度检测,大大提高水质检测效率和检测结果精度。
Description
技术领域
本申请涉及水质监测技术领域,尤其涉及一种基于人工智能的污水排放实时监测方法、系统及设备。
背景技术
随着经济的发展,带来了环境污染问题,水污染就是其中较为突出的问题。很多工业生产和制造都会产生大量的污水,这些污水若未经处理就直接排入河流或农田中,会造成地表和地下水质污染,导致生态环境恶化。因此需要对污染源头的污水排放情况进行有效的监测。
在水质污染的检测中,色度是一项重要的检测指标。通过水体的表征色调和饱和度,能够综合的反映水中腐殖质、有机物或无机物等的含量。水的颜色来源主要有粘土、铁的氧化物、硫化物、藻类和腐败的有机物等,分别呈现出黄色、褐色、浅蓝色、绿色和黑褐色。
在生活用水中,色度要求小于15度,造纸业中,用水色度要求小于30度,纺织业要求小于12度,染色用于的色度要求小于5度。通过判断水样的色度是否超标,从而判断是否存在污染现象。
传统的色度检测方法主要有目视比色法和分光光度法,这两种方法均为人工方法,无法实现自动检测,导致水质检测的效率低。并且水样图像采集时,如果水面上有漂浮物或漂浮物较多时,例如采集的图像中包含有红色或黑色的塑料袋等,则将掩盖水样的颜色,影响水质色度的检测结果准确度。
因此,本申请提供一种基于人工智能的污水排放实时监测方法、系统及设备,能够去除水面漂浮物的影响。
发明内容
本申请实施例的目的在于提供一种基于人工智能的污水排放实时监测方法、系统及设备,以解决水质检测效率低和检测精度低的问题。具体技术方案如下:
第一方面,提供了一种基于人工智能的污水排放实时监测方法,所述方法包括:
通过图像采集装置采集污水排放口处的水样图像;
将所述水样图像输入到预构建的漂浮物识别模型中得到第一输出结果;所述第一输出结果为漂浮物的分类概率图;
根据所述第一输出结果确定色度待测图像;
对所述色度待测图像进行预处理得到预处理图像;
将所述预处理图像输入到预构建的水质色度检测模型中得到第二输出结果;所述第二输出结果为水质的色度分布概率图;
根据所述第二输出结果判断水质是否污染。
可选地,所述根据所述第一输出结果确定色度待测图像包括:
若所述第一输出结果显示所述预处理图像中包含有漂浮物,则对所述预处理图像进行漂浮物去除处理,得到色度待测图像;
若所述第一输出结果显示所述预处理图像中不包含漂浮物,则将所述预处理图像确定为色度待测图像。
可选地,所述对所述预处理图像进行漂浮物去除处理,得到色度待测图像包括:
通过目标识别技术识别所述预处理图像中的漂浮物;
通过目标窗口框框定所述漂浮物;
将框定区域裁剪掉,将剩余区域图像作为色度待测图像;
或在框定区域外任意裁剪一段区域图像作为色度待测图像。
可选地,所述预处理操作为将所述色度待测图像调整为100×100的RGB三通道图像。
可选地,所述漂浮物识别模型的构建过程包括如下步骤:
获取含有各类漂浮物的图像集;
对所述图像集进行数据扩充处理得到漂浮物训练集和测试集;所述漂浮物训练集和测试集的比例为4:1;所述数据扩充处理包括镜像、旋转、随机裁剪、调整敏感度和添加噪声中的多种处理操作;
将所述漂浮物训练集输入到漂浮物识别模型中进行迭代训练;
训练完成后,将所述测试集输入到漂浮物识别模型中进行测试,得到最终的漂浮物识别模型。
可选地,所述水质色度检测模型的构建过程包括如下步骤:
获取水体样本图像;
对所述水体样本图像进行预处理得到灰度图像;
将所述灰度图像输入到水质色度检测模型中进行迭代训练得到最终的水质色度检测模型。
可选地,所述漂浮物识别模型和所述水质色度检测模型均由生成器和判别器组成,所述生成器采用BP(Back Propagation,反向传播)神经网络,包括输入层、卷积层、池化层、全连接层以及输出层。
第二方面,本申请提供一种基于人工智能的污水排放实时监测系统,所述系统包括:
采集单元,用于通过图像采集装置采集污水排放口处的水样图像;
漂浮物识别单元,用于将所述水样图像输入到预构建的漂浮物识别模型中得到第一输出结果;所述第一输出结果为漂浮物的分类概率图;
确定单元,用于根据所述第一输出结果确定色度待测图像;
预处理单元,用于对所述色度待测图像进行预处理后得到预处理图像;
色度检测单元,用于将所述预处理图像输入到预构建的水质色度检测模型中得到第二输出结果;所述第二输出结果为水质的色度分布概率图;
判断单元,用于根据所述第二输出结果判断水质是否污染。
第三方面,本申请提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面任一所述的方法步骤。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现第一方面任一所述的方法步骤。
第五方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的基于人工智能的污水排放实时监测方法。
本申请实施例有益效果:
本申请实施例提供了一种基于人工智能的污水排放实时监测方法、系统及设备,本申请通过图像采集装置采集污水排放口处的水样图像;将所述水样图像输入到预构建的漂浮物识别模型中得到第一输出结果;所述第一输出结果为漂浮物的分类概率图;根据所述第一输出结果确定色度待测图像;对所述色度待测图像进行预处理得到预处理图像;将所述预处理图像输入到预构建的水质色度检测模型中得到第二输出结果;所述第二输出结果为水质的色度分布概率图;根据所述第二输出结果判断水质是否污染。本申请通过神经网络进行水样检测,不仅能够判断监测的图水样图像中漂浮物的类别,还能够消除漂浮物的影响进行水质色度检测,大大提高水质检测效率和检测结果精度。
当然,实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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为本申请实施例提供的一种基于人工智能的污水排放实时监测方法的流程图;
图2为本申请实施例提供的一种基于人工智能的污水排放实时监测系统的结构示意图;
图3为本申请实施例提供的一种电子设备的结构示意图。
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。基于本发明中的实施例,本领域普通技术人员在没有做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。
本申请实施例提供了一种基于人工智能的污水排放实时监测方法,下面将结合具体实施方式,对本申请实施例提供的一种基于人工智能的污水排放实时监测方法进行详细的说明,如图1所示,具体步骤如下:
步骤S101:通过图像采集装置采集污水排放口处的水样图像。
在该步骤中,图像采集装置可以是CCD相机,也可以是视频监控设备,如果是视频监控设备,需要对视频片段进行视频帧的提取,得到水样图像。
步骤S102:将所述水样图像输入到预构建的漂浮物识别模型中得到第一输出结果;所述第一输出结果为漂浮物的分类概率图;
漂浮物的分类概率图上显示漂浮物每种类别的概率,将概率最大的类别作为识别结果。当各类别概率为0时,则认定为没有漂浮物。
步骤S103:根据所述第一输出结果确定色度待测图像;
步骤S104:对所述色度待测图像进行预处理得到预处理图像;
步骤S105:将所述预处理图像输入到预构建的水质色度检测模型中得到第二输出结果;所述第二输出结果为水质的色度分布概率图;
在一个示例中,色度分布概率图上包括每种颜色的概率,例如黄色、黄色、褐色、浅蓝色、绿色和黑褐色和概率,将概率最大的颜色及其色度作为检测结果,并判断色度是否超过阈值。
步骤S106:根据所述第二输出结果判断水质是否污染。
可选地,所述根据所述第一输出结果确定色度待测图像包括:
若所述第一输出结果显示所述预处理图像中包含有漂浮物,则对所述预处理图像进行漂浮物去除处理,得到色度待测图像;
若所述第一输出结果显示所述预处理图像中不包含漂浮物,则将所述预处理图像确定为色度待测图像。
可选地,所述对所述预处理图像进行漂浮物去除处理,得到色度待测图像包括:
通过目标识别技术识别所述预处理图像中的漂浮物;
通过目标窗口框框定所述漂浮物;
将框定区域裁剪掉,将剩余区域图像作为色度待测图像;
或在框定区域外任意裁剪一段区域图像作为色度待测图像。
可选地,所述预处理操作为将所述色度待测图像调整为100×100的RGB三通道图像。
可选地,所述漂浮物识别模型的构建过程包括如下步骤:
获取含有各类漂浮物的图像集;
对所述图像集进行数据扩充处理得到漂浮物训练集和测试集;所述漂浮物训练集和测试集的比例为4:1;所述数据扩充处理包括镜像、旋转、随机裁剪、调整敏感度和添加噪声中的多种处理操作;
将所述漂浮物训练集输入到漂浮物识别模型中进行迭代训练;
训练完成后,将所述测试集输入到漂浮物识别模型中进行测试,得到最终的漂浮物识别模型。
可选地,所述水质色度检测模型的构建过程包括如下步骤:
获取水体样本图像;
对所述水体样本图像进行预处理得到灰度图像;
将所述灰度图像输入到水质色度检测模型中进行迭代训练得到最终的水质色度检测模型。
可选地,所述漂浮物识别模型和所述水质色度检测模型均由生成器和判别器组成,所述生成器采用BP神经网络,包括输入层、卷积层、池化层、全连接层以及输出层。
在本申请具体实施例中,水质色度检测模型包括四个卷积层、四个池化层和三个全连接层,在卷积层卷积后获得图像特征,利用这些特征输入到生成器和判别器进行训练,每个特征和图像卷积都会得到一个庞大的卷积特征向量,若是将这庞大的向量输入生成器进行训练,则会出现过拟合现象。
因此,在第一层卷积结束后加入池化层,对图像特性进行下采样,通过池化能在保留图像特征情况下,降低输出结果的维度。用最大池化来缩减像素采样的数组,以大小为2×2,步长为2对特征矩阵进行分割,保留采样中最大值数组,从而得到最大池化数组。
经过池化层,得到最大池化数组并作为下一层的卷积层输入值。以此类推,到最后一层的池化操作结束后,进入全连接层。
在另一个示例中,漂浮物识别模型的卷积层中利用3×3卷积核进行卷积运算,使得特征数据增强,噪声数据减少;池化层利用最大池化对特征图进行子抽样,保留主要信息同时减少了数据处理总量。通过以上方式对原图像进行特征提取和组合,形成更加抽象的高层特征,最后形成对原图像的特征描述,通过SoftMax分类器进行判别。
第二方面,基于同样的发明构思,本申请提供一种基于人工智能的污水排放实时监测系统,如图2所示,所述系统包括:
采集单元201,用于通过图像采集装置采集污水排放口处的水样图像;
漂浮物识别单元202,用于将所述水样图像输入到预构建的漂浮物识别模型中得到第一输出结果;所述第一输出结果为漂浮物的分类概率图;
确定单元203,用于根据所述第一输出结果确定色度待测图像;
预处理单元204,用于对所述色度待测图像进行预处理后得到预处理图像;
色度检测单元205,用于将所述预处理图像输入到预构建的水质色度检测模型中得到第二输出结果;所述第二输出结果为水质的色度分布概率图;
判断单元206,用于根据所述第二输出结果判断水质是否污染。
基于相同的技术构思,本发明实施例还提供了一种电子设备,如图3所示,包括处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信,
存储器303,用于存放计算机程序;
处理器301,用于执行存储器303上所存放的程序时,实现基于人工智能的污水排放实时监测方法的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended IndustryStandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一基于人工智能的污水排放实时监测方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一基于人工智能的污水排放实时监测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于人工智能的污水排放实时监测方法,其特征在于,所述方法包括:
通过图像采集装置采集污水排放口处的水样图像;
将所述水样图像输入到预构建的漂浮物识别模型中得到第一输出结果;所述第一输出结果为漂浮物的分类概率图;
根据所述第一输出结果确定色度待测图像;
对所述色度待测图像进行预处理得到预处理图像;
将所述预处理图像输入到预构建的水质色度检测模型中得到第二输出结果;所述第二输出结果为水质的色度分布概率图;
根据所述第二输出结果判断水质是否污染。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一输出结果确定色度待测图像包括:
若所述第一输出结果显示所述预处理图像中包含有漂浮物,则对所述预处理图像进行漂浮物去除处理,得到色度待测图像;
若所述第一输出结果显示所述预处理图像中不包含漂浮物,则将所述预处理图像确定为色度待测图像。
3.根据权利要求2所述的方法,其特征在于,所述对所述预处理图像进行漂浮物去除处理,得到色度待测图像包括:
通过目标识别技术识别所述预处理图像中的漂浮物;
通过目标窗口框框定所述漂浮物;
将框定区域裁剪掉,将剩余区域图像作为色度待测图像;
或在框定区域外任意裁剪一段区域图像作为色度待测图像。
4.根据权利要求1所述的方法,其特征在于,所述预处理操作为将所述色度待测图像调整为100×100的RGB三通道图像。
5.根据权利要求1所述的方法,其特征在于,所述漂浮物识别模型的构建过程包括如下步骤:
获取含有各类漂浮物的图像集;
对所述图像集进行数据扩充处理得到漂浮物训练集和测试集;所述漂浮物训练集和测试集的比例为4:1;所述数据扩充处理包括镜像、旋转、随机裁剪、调整敏感度和添加噪声中的多种处理操作;
将所述漂浮物训练集输入到漂浮物识别模型中进行迭代训练;
训练完成后,将所述测试集输入到漂浮物识别模型中进行测试,得到最终的漂浮物识别模型。
6.根据权利要求1所述的方法,其特征在于,所述水质色度检测模型的构建过程包括如下步骤:
获取水体样本图像;
对所述水体样本图像进行预处理得到灰度图像;
将所述灰度图像输入到水质色度检测模型中进行迭代训练得到最终的水质色度检测模型。
7.根据权利要求1所述的方法,其特征在于,所述漂浮物识别模型和所述水质色度检测模型均由生成器和判别器组成,所述生成器采用BP神经网络,包括输入层、卷积层、池化层、全连接层以及输出层。
8.一种基于人工智能的污水排放实时监测系统,其特征在于,所述系统包括:
采集单元,用于通过图像采集装置采集污水排放口处的水样图像;
漂浮物识别单元,用于将所述水样图像输入到预构建的漂浮物识别模型中得到第一输出结果;所述第一输出结果为漂浮物的分类概率图;
确定单元,用于根据所述第一输出结果确定色度待测图像;
预处理单元,用于对所述色度待测图像进行预处理后得到预处理图像;
色度检测单元,用于将所述预处理图像输入到预构建的水质色度检测模型中得到第二输出结果;所述第二输出结果为水质的色度分布概率图;
判断单元,用于根据所述第二输出结果判断水质是否污染。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-7任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210027460.8A CN114387455A (zh) | 2022-01-11 | 2022-01-11 | 一种基于人工智能的污水排放实时监测方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210027460.8A CN114387455A (zh) | 2022-01-11 | 2022-01-11 | 一种基于人工智能的污水排放实时监测方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114387455A true CN114387455A (zh) | 2022-04-22 |
Family
ID=81202059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210027460.8A Pending CN114387455A (zh) | 2022-01-11 | 2022-01-11 | 一种基于人工智能的污水排放实时监测方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387455A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114988508A (zh) * | 2022-07-14 | 2022-09-02 | 浙江力聚热能装备股份有限公司 | 一种基于机器视觉检测水质的水处理装置及方法 |
CN115330349A (zh) * | 2022-08-23 | 2022-11-11 | 中国水产科学研究院珠江水产研究所 | 一种基于图像采集的水产养殖尾水处理系统和方法 |
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 |
CN117475367A (zh) * | 2023-06-12 | 2024-01-30 | 中国建筑第四工程局有限公司 | 基于多规则协调的污水图像处理方法及系统 |
-
2022
- 2022-01-11 CN CN202210027460.8A patent/CN114387455A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114988508A (zh) * | 2022-07-14 | 2022-09-02 | 浙江力聚热能装备股份有限公司 | 一种基于机器视觉检测水质的水处理装置及方法 |
CN115330349A (zh) * | 2022-08-23 | 2022-11-11 | 中国水产科学研究院珠江水产研究所 | 一种基于图像采集的水产养殖尾水处理系统和方法 |
CN115330349B (zh) * | 2022-08-23 | 2023-11-03 | 中国水产科学研究院珠江水产研究所 | 一种基于图像采集的水产养殖尾水处理系统和方法 |
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 |
CN117475367A (zh) * | 2023-06-12 | 2024-01-30 | 中国建筑第四工程局有限公司 | 基于多规则协调的污水图像处理方法及系统 |
CN117475367B (zh) * | 2023-06-12 | 2024-05-07 | 中国建筑第四工程局有限公司 | 基于多规则协调的污水图像处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114387455A (zh) | 一种基于人工智能的污水排放实时监测方法、系统及设备 | |
CN108921206B (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
Zhang et al. | A new adaptive switching median filter for impulse noise reduction with pre-detection based on evidential reasoning | |
CN113205051B (zh) | 基于高空间分辨率遥感影像的储油罐提取方法 | |
CN109740639B (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
US20220129674A1 (en) | Method and device for determining extraction model of green tide coverage ratio based on mixed pixels | |
CN112132196B (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
CN112200143A (zh) | 一种基于候选区域网络和机器视觉的道路病害检测方法 | |
Stankov et al. | Building detection in very high spatial resolution multispectral images using the hit-or-miss transform | |
CN111105389B (zh) | 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN112861690A (zh) | 多方法融合的遥感影像变化检测方法及系统 | |
CN110648316A (zh) | 一种基于深度学习的钢卷端面边缘检测算法 | |
CN110619619A (zh) | 一种缺陷检测方法、装置及电子设备 | |
CN113435407A (zh) | 一种输电系统的小目标识别方法及装置 | |
CN111882555A (zh) | 基于深度学习的网衣检测方法、装置、设备及存储介质 | |
CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
CN114387451A (zh) | 异常图像检测模型的训练方法、装置及介质 | |
CN113658345A (zh) | 一种样本标注方法及装置 | |
CN113378642A (zh) | 一种对农村违法占地建筑物进行检测的方法 | |
CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
CN116519710A (zh) | 一种用于复合绝缘子表面污秽状态的检测方法及系统 | |
CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
CN116977256A (zh) | 缺陷检测模型的训练方法、装置、设备及存储介质 | |
CN113436193B (zh) | 一种城市黑臭水体监测方法和装置 |
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 |