CN114509445A - 一种基于聚类分析的污染物识别预警方法及系统 - Google Patents
一种基于聚类分析的污染物识别预警方法及系统 Download PDFInfo
- Publication number
- CN114509445A CN114509445A CN202210026702.1A CN202210026702A CN114509445A CN 114509445 A CN114509445 A CN 114509445A CN 202210026702 A CN202210026702 A CN 202210026702A CN 114509445 A CN114509445 A CN 114509445A
- Authority
- CN
- China
- Prior art keywords
- pollutant
- data
- image
- clustering
- area
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/015—High-definition television systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
-
- 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
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/32—Image data format
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Computer Graphics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于聚类分析的污染物识别预警方法及系统,该方法包括:在河道、拦河闸或大坝上安装高清摄像机,间隔一段时间拍摄闸坝前污染物图像,传输至计算机;读取室外传输至计算机上的图像,经过聚类分析,提取图像主要污染物颜色,计算主要污染物颜色与数据库中污染物色域RGB之间的色差,对比设定的色差阈值,确定污染物颜色;利用2组公共点图像像素坐标及实际平面坐标,进行比例换算,计算出当前污染物面积,对比设置的污染物面积阈值,判断污染面积是否超过临界值,实现监测预警。本发明对河道或闸坝前污染物,实现实时在线、无人值守监测及预警,减少相关管理部门巡河人力物力成本,具有重要的实用价值。
Description
技术领域
本发明属于图像识别及环境保护领域,具体是一种基于聚类分析的污染物识别预警方法及系统,解决无人监管即可进行污染物识别预警的问题。
背景技术
全面推行河长制,主要任务是保护水资源、防治水污染、改善水环境、修复水生态,为实现河长制尽快从“有名”向“有实”转变,保护河流生态环境,各级河长提高了河流巡查力度。为掌握河流水质、水域保洁、绿化养护、非法排污、护栏围护等情况,基层水利、环境等部门投入大量人力、物力进行河流巡查。目前,河流巡查主要靠人工现场查勘及无人机巡查,针对需要长期监测的重点河段,常采用视频系统监控。人工及无人机查勘无法长时间监控且人力、物力成本高,只能定性判断河流污染情况;监控系统需人工长期驻守,且无法定量判断河流污染状况。传统的河流巡查、监测手段,信息化程度不高、自动化程度较低、人力物力成本较高,无法满足长时间、定量监测及预警的需求。为此,亟需寻找一种实时在线、全自动、精度高、可定量分析计算、人力物力成本低的监测及预警方法。
污染物识别预警系统的提出,很好的解决了传统人工、无人机查勘及河道监控存在的问题。由于具有可实时在线、定量分析、无人值守等特点,受到越来越多的关注,但相关技术方法研究却较少。公开号为CN211825990U的专利公布了一种城市河道污染物预警系统,该专利通过拍摄河道垃圾图像及水质监测传感器数据,定性和定量判断河流水面垃圾覆盖程度和水质污染程度,经过比对标准值,进行监测预警。公开号为CN 109613559A的专利公布了一种基于视觉和激光雷达的水陆边界漂浮物判别装置与方法,该专利包括数据采集层、处理判别层和通信接口层,提供一种基于视觉和激光雷达的水面漂浮物与陆地边界的检测装置及方法,使无人船可以准确地判别有漂浮物的水面与陆地或河岸的边界。
现有的识别预警方法,大多基于图像主观性判断,未进行数据量化,无法实时、定量对污染物进行监测预警。
发明内容
针对现有技术存在的上述不足,本发明的目的在于提供一种基于聚类分析的污染物识别预警方法及系统,首先通过安装于河道或闸坝前的高清摄像机,拍摄污染物图像,然后利用K-means聚类分析方法,结合污染物色域,进行图像识别并计算污染物面积,最后根据设置的污染物面积阈值,进行污染物预警,能够实时在线、全自动、无人值守、定量进行污染物监测预警,解决无人监管进行污染物预警的问题。
本发明采用的技术方案如下:
一种基于聚类分析的污染物识别预警方法,包括如下步骤:
第一步,污染物图像获取:在河道或闸坝上安装若干高清摄像机,间隔一定时间拍摄闸坝前污染物图像,将高清摄像机拍摄的图像传输至计算机;
第二步,图像处理及聚类分析:读取图像数据,将图像由栅格数据转换为三维RGB数据,将三维RGB数据,按先行后列的形式转换为二维数据;根据K-means分析原理,确定k个聚类中心,经过迭代计算,将图像二维数据转化为k个聚类RGB数据;
第三步,污染物识别:根据污染物图像,提取主要污染物RGB值,形成污染物色域数据库;计算k个聚类RGB数据与污染物色域数据库中RGB数据差值,通过设置色差阈值,识别出k个聚类中的污染物聚类;
第四步,污染面积计算及预警:根据K-means聚类分析数据标识,确定污染物聚类像素数量,计算得到污染物像素面积;通过2组公共点图像像素坐标及实际平面坐标,计算实际平面坐标系与图像像素坐标系横向及纵向比值,由污染物像素面积与横向及纵向比值之积,得到污染物实际面积,根据设置的污染面积阈值,判断污染面积是否超过临界值。
进一步的,还包括以下步骤:
第五步,成果展示及数据导出:成果展示包括图像展示及数据展示,图像展示为摄像机拍摄的原始图像、处理后的图像、k个聚类中心显示图像;数据展示包括聚类中心RGB值、各聚类面积占比、各聚类像素面积、各聚类平面面积;数据导出为导出数据展示所显示数据。
进一步的,所述的第一步包括以下步骤:
步骤1.1,图像拍摄:将高清摄像机架设在河道或闸坝上,间隔一定时间,自动拍摄闸坝前污染物图像;
步骤1.2,图像传输及保存:通过无线传输模块,将拍摄的高清图像传输至室内计算机,保存在指定的文件夹内。
进一步的,所述的第二步包括以下步骤:
步骤2.1,图像三维数据获取:读取最近拍摄的图像,得到M×N×3形式的三维图像数据,即M行N列RGB三元色;
步骤2.2,图像二维数据转换:将图像三维数据重新排列,按从左到右,从上到下的顺序,将三维数据转换成二维数据MN×3,即MN行3列,其中MN表示M与N的乘积,3列表示RGB三元色;
步骤2.3,聚类计算:将图像二维数据分为k组,随机选取k个对象作为初始聚类中心,计算每个对象与各聚类中心的距离,根据距离计算结果,将每个对象分配给距离最小的聚类中心,形成新的k个聚类,完成一次聚类计算;
步骤2.4,聚类迭代:通过聚类计算,聚类中心不断更新,重复步聚2.3,不断迭代计算,直至聚类中心不再发生变化为止,即完成聚类迭代计算,最终确定k个聚类及k个聚类中心,并对聚类及聚类中心的RGB值编号,用于标识。
进一步的,所述的第三步包括以下步骤:
步骤3.1,主要污染物RGB值提取:利用图像处理软件提取拍摄图像主要污染物RGB值,组成A行3列数据,写入txt文件,其中A行即为A组RGB值,3列即为逗号隔开的RGB的3个数值;
步骤3.2,色差计算及污染物识别:预先设置色差阈值,计算其中一个聚类中心与污染物色域数据库中RGB数据差值,若其中一个差值小于色差阈值,则认为这个聚类中心所在的聚类为污染物聚类,依次计算所有聚类中心与污染物色域数据库中RGB数据差值,确定B个污染物聚类,即识别出污染物。
进一步的,所述的第四步包括以下步骤:
步骤4.1,污染物像素面积:根据步骤3.2得到的B个污染物聚类,确定污染物聚类标识,遍历步骤2.4所得的k个聚类,RGB标识与污染物聚类标识相同的认定为污染物像素,统计得到污染物像素数量,得到污染物像素面积S’;
步骤4.2,污染物实际面积:利用图像处理软件标尺工具,确定2组公共点图像像素坐标及实际平面坐标,根据如下公式,计算实际平面坐标系与图像像素坐标系横向及纵向比值,由污染物像素面积乘以横向及纵向比值,得到污染物实际面积S;
式中,Dx、Dy分别表示实际平面坐标系与图像像素坐标系横向、纵向比值;x1,y1,x2,y2分别为公共点1和公共点2图像像素坐标;X1,Y1,X2,Y2分别为公共点1和公共点2图像平面坐标;
步骤4.3,污染物预警:根据步骤4.2计算出的污染物实际面积,判断是否超过设置的污染物面积阈值,若超过则发出及时清理污染物的警示。
一种基于聚类分析的污染物识别预警系统,包括:
污染物图像获取模块,用于间隔一定时间拍摄闸坝前污染物图像,将高清摄像机拍摄的图像传输至计算机;
图像处理及聚类分析模块,用于读取图像数据,将图像由栅格数据转换为三维RGB数据,将三维RGB数据,按先行后列的形式转换为二维数据;根据K-means分析原理,确定k个聚类中心,经过迭代计算,将图像二维数据转化为k个聚类RGB数据;
污染物识别模块,用于根据污染物图像,提取主要污染物RGB值,形成污染物色域数据库;计算k个聚类RGB数据与污染物色域数据库中RGB数据差值,通过设置色差阈值,识别出k个聚类中的污染物聚类;
污染面积计算及预警模块,用于根据K-means聚类分析数据标识,确定污染物聚类像素数量,计算得到污染物像素面积;通过2组公共点图像像素坐标及实际平面坐标,计算实际平面坐标系与图像像素坐标系横向及纵向比值,由污染物像素面积与横向及纵向比值之积,得到污染物实际面积,根据设置的污染面积阈值,判断污染面积是否超过临界值。
进一步的,还包括:
成果展示及数据导出模块,用于进行成果展示和数据导出,其中成果展示包括图像展示及数据展示,图像展示为摄像机拍摄的原始图像、处理后的图像、k个聚类中心显示图像,数据展示包括聚类中心RGB值、各聚类面积占比、各聚类像素面积、各聚类平面面积;数据导出为导出数据展示所显示数据。
本发明提供的污染物识别预警方法及系统,基于聚类分析、图像识别、计算机仿真技术,为污染物实时在线监测、预警提供了一种成本低、无需人工操作的集成系统,具有以下有益效果:
(1)本发明提供了一种基于聚类分析的污染物识别预警方法及系统,主要目的是解决河道或闸坝污染物巡查人工成本高、耗时长、污染程度无法判别的问题,本发明所述技术方法可实现河道或闸坝在无人监管下,远程获取污染数据,实现全天候预警;
(2)本发明基于聚类分析原理,对远程拍摄图像像素进行聚类,通过与污染物色域数据比对,识别污染物,利用图像公共点换算实际污染物面积,根据设置的污染面积阈值进行预警;
(3)本发明提供的方法可根据河道或闸坝宽度,布设摄像机数量,实现任意河道或闸坝宽度污染物监测及预警;通过更改聚类中心k值及污染物色差阈值,可提高识别精度;
(4)本发明提供的方法人工参与程度低、自动化程度高,可在复杂环境下,识别任意污染,通过更新色域数据库,本发明提供的方法也可实现其他方面的监测、识别、预警,如河道水葫芦等漂浮水生植物预警、水华预警等;
(5)本发明提供的方法,已编写成程序,只需将污染物色域及公共点坐标数据写入指定文本文件,启动程序后,即可在手动或自动两种情况下,快速、精确实现污染物识别、预警,为河道或闸坝前污染物监测、预警提供技术支撑。
附图说明
图1为本发明基于聚类分析的污染物识别预警方法其中一个实施例的流程图;
图2为本发明基于聚类分析的污染物识别预警系统的结构示意图;
图3为本发明基于聚类分析的污染物识别预警系统的计算及参数设置主界面图;
图4为本发明基于聚类分析的污染物识别预警系统的污染面积转换界面图;
图5为本发明实施例原图像、聚类图像及聚类比例统计图像。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面将结合本发明实施例和附图,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的一部分实施例,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。
本发明通过获取闸坝前高清图像,进行聚类分析,结合污染物色域数据库及设置的色差阈值,识别并计算污染物面积,对比设置的污染物面积阈值,进行污染物预警。
下面结合具体实施例和附图对本发明的技术方案作进一步详细描述。
请参阅图1,本发明实施例提供一种基于聚类分析的污染物识别预警方法,包括如下步骤:
步骤一、污染物图像获取
(1)图像拍摄:在某拦河闸架设一组摄像机,拍摄角度约为45゜,间隔24小时拍摄一组污染物图像(每天早上9:00),系统设计与部件构成见图2;
(2)图像传输及保存:通过摄像机无线传输模块,将拍摄的高清图像传输至室内计算机,保存在“F:\imagedata”文件夹。
步骤二、图像处理及聚类分析
(1)图像三维数据获取:利用Python读取“F:\imagedata”文件夹中当天拍摄的图像,生成M×N×3(实施例M=1067,N=519)三维元组数据;
(2)图像二维数据转换:利用数据处理工具Numpy中array及reshap,将M×N×3三维元组数据,按从左到右,从上到下的顺序,转换为二维数据MN×3(实施例MN=553773)。
(3)聚类计算及迭代:设置聚类中心k值为5,利用Python机器学习工具sklearn.cluster中的KMeans对二维数据MN×3进行聚类分析,得到5个聚类中心RGB值及像素聚类标识;
(4)图像像素聚类:利用Numpy的concatenate将图像二维数据MN×3与像素聚类标识组合成二维数据MN×4;聚类中心RGB值排列顺序(0、1、2、3、4)与像素聚类标识一致,由此遍历二维数据MN×4,将标识与聚类中心RGB值标识一致的MN×4中RGB数据替换成聚类中心的RGB值,完成图像像素聚类。
步骤三、污染物识别
(1)主要污染物RGB值提取:首次使用本方法,需建立污染物色域数据库,利用photoshop提取拍摄图像主要污染物RGB值,组成A(实施例A=2)行3列数据,写入txt文件,其中A行即为A组RGB值,3列即为逗号隔开的RGB的3个数值;此数据库可以事先建立,并可根据污染物的种类或色彩变化,增加或删除相应RGB值,以更新色彩库。
(2)色差计算及污染物识别:设置色差阈值为15,依次计算每一个聚类中心与污染物色域数据库中RGB数据差值,若任一差值小于色差阈值,则判定为此聚类中心所在的聚类为污染物聚类。
步骤四、污染面积计算及预警
(1)根据识别出的污染物聚类,确定污染物聚类标识为1、2和4,遍历5个聚类,统计得到污染物像素面积S’=248072.4(无量纲);
(2)将图像导入photoshop,利用标尺工具,确定两组公共点,像素坐标分别为(0,400)、(1000,200),平面坐标分别为(575634.32,3532452.26)、(575642.63,3532457.69),计算出平面坐标系与图像像素坐标系横向、纵向比值,进而得到污染物实际面积S=55.98m2;
(3)设置污染物面积阈值为50m2,计算出的实际面积大于阈值,室内计算机发出警示,提示相关部门,需及时清理污染物。
步骤五、成果展示及数据导出
图像展示为摄像机拍摄的原始图像、处理后的图像、k个聚类中心显示图像,见图5;数据展示包括聚类中心RGB值、各聚类面积占比、各聚类像素面积、各聚类平面面积等,见图3。数据导出主要导出数据展示所显示数据。
根据上述步骤一至步骤五计算思路,考虑计算量较大,可利用Python编写程序,用于数据计算、显示、导出等。此程序无需人工监管、无需操作,即可实现自动预警;在此,为便于展示每个步骤计算思路,本申请的发明人将程序修改为人机交互式程序,包括以下操作步骤:
(1)基础数据准备:基础数据包括污染物色域数据及公共点数据。①污染物色域数据:数据为文本文件(扩展名为txt格式),文件内容为N行3列的RGB数据,存储路径与拍摄的图像存储路径一致(F:\imagedata)。②公共点数据:公共点数据为2组,每组包含图像像素坐标及实际平面坐标,可手动输入或通过文件导入,文件格式为N行4列,第一、二列为图像像素坐标,第三、四列为图像平面坐标,N表示公共点数量,本实施例中像素坐标分别为(0,400)、(1000,200),平面坐标分别为(575634.32,3532452.26)、(575642.63,3532457.69)。
(2)操作步骤:①运行程序,打开程序主界面(图3),在“聚类中心k值”框中输入聚类中心数量5,然后点击“打开图像”按纽,从对话框中选择最近拍摄的图像,后台进行图像聚类分析,计算完成后,“聚类中心”及“面积占比”结果自动写入表格第一、二列,并显示原图像、聚类图像及聚类比例统计图(图5);②在“阈值”填入色差阈值15,然后点击“面积计算”按纽,在弹出的“面积换算”界面(图4),填入或导入公共点坐标,然后点击“面积换算”,即调用污染物色域数据及公共点坐标数据,开始色差计算、污染物识别及面积换算,计算结果自动显示在主界面表格第三、四列及污染面积文本框中(图3);③面积计算完成后,点击“数据另存为”,在对话框中选择文件存储路径及文件名,点击“保存”,即完成成果(表格中数据)存储。
本发明实施例还提供一种基于聚类分析的污染物识别预警系统,包括:
污染物图像获取模块,用于间隔一定时间拍摄闸坝前污染物图像,将高清摄像机拍摄的图像传输至计算机;
图像处理及聚类分析模块,用于读取图像数据,将图像由栅格数据转换为三维RGB数据,将三维RGB数据,按先行后列的形式转换为二维数据;根据K-means分析原理,确定k个聚类中心,经过迭代计算,将图像二维数据转化为k个聚类RGB数据;
污染物识别模块,用于根据污染物图像,提取主要污染物RGB值,形成污染物色域数据库;计算k个聚类RGB数据与污染物色域数据库中RGB数据差值,通过设置色差阈值,识别出k个聚类中的污染物聚类;
污染面积计算及预警模块,用于根据K-means聚类分析数据标识,确定污染物聚类像素数量,计算得到污染物像素面积;通过2组公共点图像像素坐标及实际平面坐标,计算实际平面坐标系与图像像素坐标系横向及纵向比值,由污染物像素面积与横向及纵向比值之积,得到污染物实际面积,根据设置的污染面积阈值,判断污染面积是否超过临界值。
成果展示及数据导出模块,用于进行成果展示和数据导出,其中成果展示包括图像展示及数据展示,图像展示为摄像机拍摄的原始图像、处理后的图像、k个聚类中心显示图像,数据展示包括聚类中心RGB值、各聚类面积占比、各聚类像素面积、各聚类平面面积;数据导出为导出数据展示所显示数据。
相比传统查勘方法,本发明提供的污染物识别预警技术,能够实时在线、全自动、无人值守、定量进行污染物监测预警,且相关技术已开发出程序进行实际应用。
以上所述,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,任何属于本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于聚类分析的污染物识别预警方法,其特征在于:包括如下步骤:
第一步,污染物图像获取:在河道或闸坝上安装若干高清摄像机,间隔一定时间拍摄闸坝前污染物图像,将高清摄像机拍摄的图像传输至计算机;
第二步,图像处理及聚类分析:读取图像数据,将图像由栅格数据转换为三维RGB数据,将三维RGB数据,按先行后列的形式转换为二维数据;根据K-means分析原理,确定k个聚类中心,经过迭代计算,将图像二维数据转化为k个聚类RGB数据;
第三步,污染物识别:根据污染物图像,提取主要污染物RGB值,形成污染物色域数据库;计算k个聚类RGB数据与污染物色域数据库中RGB数据差值,通过设置色差阈值,识别出k个聚类中的污染物聚类;
第四步,污染面积计算及预警:根据K-means聚类分析数据标识,确定污染物聚类像素数量,计算得到污染物像素面积;通过2组公共点图像像素坐标及实际平面坐标,计算实际平面坐标系与图像像素坐标系横向及纵向比值,由污染物像素面积与横向及纵向比值之积,得到污染物实际面积,根据设置的污染面积阈值,判断污染面积是否超过临界值。
2.如权利要求1所述的一种基于聚类分析的污染物识别预警方法,其特征在于:还包括以下步骤:
第五步,成果展示及数据导出:成果展示包括图像展示及数据展示,图像展示为摄像机拍摄的原始图像、处理后的图像、k个聚类中心显示图像;数据展示包括聚类中心RGB值、各聚类面积占比、各聚类像素面积、各聚类平面面积;数据导出为导出数据展示所显示数据。
3.如权利要求1所述的一种基于聚类分析的污染物识别预警方法,其特征在于:所述的第一步包括以下步骤:
步骤1.1,图像拍摄:将高清摄像机架设在河道或闸坝上,间隔一定时间,自动拍摄闸坝前污染物图像;
步骤1.2,图像传输及保存:通过无线传输模块,将拍摄的高清图像传输至室内计算机,保存在指定的文件夹内。
4.如权利要求3所述的一种基于聚类分析的污染物识别预警方法,其特征在于:所述的第二步包括以下步骤:
步骤2.1,图像三维数据获取:读取最近拍摄的图像,得到M×N×3形式的三维图像数据,即M行N列RGB三元色;
步骤2.2,图像二维数据转换:将图像三维数据重新排列,按从左到右,从上到下的顺序,将三维数据转换成二维数据MN×3,即MN行3列,其中MN表示M与N的乘积,3列表示RGB三元色;
步骤2.3,聚类计算:将图像二维数据分为k组,随机选取k个对象作为初始聚类中心,计算每个对象与各聚类中心的距离,根据距离计算结果,将每个对象分配给距离最小的聚类中心,形成新的k个聚类,完成一次聚类计算;
步骤2.4,聚类迭代:通过聚类计算,聚类中心不断更新,重复步聚2.3,不断迭代计算,直至聚类中心不再发生变化为止,即完成聚类迭代计算,最终确定k个聚类及k个聚类中心,并对聚类及聚类中心的RGB值编号,用于标识。
5.如权利要求4所述的一种基于聚类分析的污染物识别预警方法,其特征在于:所述的第三步包括以下步骤:
步骤3.1,主要污染物RGB值提取:利用图像处理软件提取拍摄图像主要污染物RGB值,组成A行3列数据,写入txt文件,其中A行即为A组RGB值,3列即为逗号隔开的RGB的3个数值;
步骤3.2,色差计算及污染物识别:预先设置色差阈值,计算其中一个聚类中心与污染物色域数据库中RGB数据差值,若其中一个差值小于色差阈值,则认为这个聚类中心所在的聚类为污染物聚类,依次计算所有聚类中心与污染物色域数据库中RGB数据差值,确定B个污染物聚类,即识别出污染物。
6.如权利要求5所述的一种基于聚类分析的污染物识别预警方法,其特征在于:所述的第四步包括以下步骤:
步骤4.1,污染物像素面积:根据步骤3.2得到的B个污染物聚类,确定污染物聚类标识,遍历步骤2.4所得的k个聚类,RGB标识与污染物聚类标识相同的认定为污染物像素,统计得到污染物像素数量,得到污染物像素面积S’;
步骤4.2,污染物实际面积:利用图像处理软件标尺工具,确定2组公共点图像像素坐标及实际平面坐标,根据如下公式,计算实际平面坐标系与图像像素坐标系横向及纵向比值,由污染物像素面积乘以横向及纵向比值,得到污染物实际面积S;
式中,Dx、Dy分别表示实际平面坐标系与图像像素坐标系横向、纵向比值;x1,y1,x2,y2分别为公共点1和公共点2图像像素坐标;X1,Y1,X2,Y2分别为公共点1和公共点2图像平面坐标;
步骤4.3,污染物预警:根据步骤4.2计算出的污染物实际面积,判断是否超过设置的污染物面积阈值,若超过则发出及时清理污染物的警示。
7.一种基于聚类分析的污染物识别预警系统,其特征在于:包括:
污染物图像获取模块,用于间隔一定时间拍摄闸坝前污染物图像,将高清摄像机拍摄的图像传输至计算机;
图像处理及聚类分析模块,用于读取图像数据,将图像由栅格数据转换为三维RGB数据,将三维RGB数据,按先行后列的形式转换为二维数据;根据K-means分析原理,确定k个聚类中心,经过迭代计算,将图像二维数据转化为k个聚类RGB数据;
污染物识别模块,用于根据污染物图像,提取主要污染物RGB值,形成污染物色域数据库;计算k个聚类RGB数据与污染物色域数据库中RGB数据差值,通过设置色差阈值,识别出k个聚类中的污染物聚类;
污染面积计算及预警模块,用于根据K-means聚类分析数据标识,确定污染物聚类像素数量,计算得到污染物像素面积;通过2组公共点图像像素坐标及实际平面坐标,计算实际平面坐标系与图像像素坐标系横向及纵向比值,由污染物像素面积与横向及纵向比值之积,得到污染物实际面积,根据设置的污染面积阈值,判断污染面积是否超过临界值。
8.如权利要求7所述的一种基于聚类分析的污染物识别预警系统,其特征在于:还包括:
成果展示及数据导出模块,用于进行成果展示和数据导出,其中成果展示包括图像展示及数据展示,图像展示为摄像机拍摄的原始图像、处理后的图像、k个聚类中心显示图像,数据展示包括聚类中心RGB值、各聚类面积占比、各聚类像素面积、各聚类平面面积;数据导出为导出数据展示所显示数据。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210026702.1A CN114509445A (zh) | 2022-01-11 | 2022-01-11 | 一种基于聚类分析的污染物识别预警方法及系统 |
US17/745,638 US20220277546A1 (en) | 2022-01-11 | 2022-05-16 | Method and system for pollutant identifying and early warning based on cluster analysis |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210026702.1A CN114509445A (zh) | 2022-01-11 | 2022-01-11 | 一种基于聚类分析的污染物识别预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114509445A true CN114509445A (zh) | 2022-05-17 |
Family
ID=81549317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210026702.1A Pending CN114509445A (zh) | 2022-01-11 | 2022-01-11 | 一种基于聚类分析的污染物识别预警方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220277546A1 (zh) |
CN (1) | CN114509445A (zh) |
Cited By (2)
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 |
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 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116233370B (zh) * | 2023-04-27 | 2023-07-25 | 安徽哈斯特自动化科技有限公司 | 基于水质监测的智能化视频监控方法 |
-
2022
- 2022-01-11 CN CN202210026702.1A patent/CN114509445A/zh active Pending
- 2022-05-16 US US17/745,638 patent/US20220277546A1/en active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
---|---|
US20220277546A1 (en) | 2022-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114509445A (zh) | 一种基于聚类分析的污染物识别预警方法及系统 | |
US11836976B2 (en) | Method for recognizing seawater polluted area based on high-resolution remote sensing image and device | |
CN110059758B (zh) | 一种基于语义分割的遥感影像养殖塘检测方法 | |
CN110070008B (zh) | 一种采用无人机图像的桥梁病害识别方法 | |
CN101799921B (zh) | 一种光学遥感图像云检测方法 | |
CN111104860B (zh) | 一种基于机器视觉的无人机水质色度监测方法 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN108009556B (zh) | 一种基于定点图像分析的河道漂浮物检测方法 | |
CN115205264A (zh) | 一种基于改进YOLOv4的高分辨率遥感船舶检测方法 | |
CN116152748B (zh) | 基于蓝藻识别的河湖监管方法及其系统 | |
CN112270291B (zh) | 一种基于多源光学遥感图像的违法建设用地开发自动检测方法 | |
CN102521624A (zh) | 一种土地利用类型分类的方法和系统 | |
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 | |
CN114357563A (zh) | 一种江南私家园林景观的布局生成方法及应用 | |
CN103743750A (zh) | 一种大口径光学元件表面损伤分布图的生成方法 | |
CN111414855B (zh) | 基于端到端回归模型的电线杆标牌目标检测及识别方法 | |
CN117372854A (zh) | 一种大坝深水结构隐患病害实时检测方法 | |
CN116895036A (zh) | 一种基于深度学习的耕地保护预警方法及装置 | |
CN115497006A (zh) | 基于动态混合策略的城区遥感图像变化深度监测方法及系统 | |
CN112686105B (zh) | 一种基于视频图像多特征融合的雾浓度等级识别方法 | |
CN111627018B (zh) | 一种基于双流神经网络模型的钢板表面缺陷分类方法 | |
CN117372224B (zh) | 一种绿化生态修复系统 | |
CN116777895B (zh) | 基于可解释深度学习的混凝土桥梁表观病害智能检测方法 | |
CN117274723B (zh) | 一种用于输电巡检的目标识别方法、系统、介质及设备 | |
CN115035315B (zh) | 一种基于注意力机制的瓷砖色差分级检测方法及系统 |
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 |