CN114764861A - 一种基于计算机视觉的污水处理验证方法 - Google Patents

Abstract

本发明涉及一种基于计算机视觉的污水处理验证方法；其获取三种不同光源下的污水样本的RGB图像信息，得到各光源对应的水下杂质分布图；然后将各水下杂质分布图输入神经网络中，分别得到水光分布图和杂质干扰图；进而根据水光分布图和杂质干扰图分别得到水体的颜色倾向程度和各光源下的杂质干扰图的信息熵；对所述杂质干扰图进行图像融合得到杂质分布图，根据所述杂质分布图得到杂质的分布密度和杂质的平均大小；最后根据所述水体的颜色倾向程度、杂质的分布密度和杂质的平均大小以及杂质干扰图的信息熵得出污水处理的合格程度，将所述合格程度与设置阈值作比较，判断污水处理是否合格。即本发明能够准确地判断出污水处理是否合格。

Description

一种基于计算机视觉的污水处理验证方法

技术领域

本发明涉及计算机视觉领域，具体涉及一种基于计算机视觉的污水处理验证方法。

背景技术

现如今，很多产业在生产过程中都伴随着污水的生成，例如：纺织工业、化工生产企业等。这些污水中往往含有有害的高分子化合物或重金属离子等杂质，为了避免污水中的杂质影响环境，则需要对产生的污水进行处理。污水处理流程的大致过程是：污水需要先过滤去除颗粒大的杂质，然后添加处理剂将在水中的高分子或者有害离子沉淀出来，进而完成对污水的处理。

在污水处理之后，还需要验证处理后的污水是否符合排放标准，避免出现由于处理过程中的设备故障、处理参数异常等问题导致污水中沉淀物去除不干净的现象。而目前，一般都是采用水质检测仪、氨氮在线分析仪等检测装置，但是这些检测装置大都结构复杂，成本高，且内置用电设备较多，并且在进行频繁的检测中还需要耗费更多的资源，增加了企业的检测成本。

因此，亟需要一种成本低、能够准确检测污水合格程度的方法。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于计算机视觉的污水处理验证方法，所采用的技术方案具体如下：

本发明的一种基于计算机视觉的污水处理验证方法的技术方案，包括以下步骤：

获取三种不同光源下的污水样本的RGB图像信息；

对各RGB图像信息分别进行处理，得到各光源对应的R通道图像信息、G通道图像信息和B通道图像信息，将所述R通道信息、G通道图像信息和B通道图像信息作为对应光源下的水下杂质分布图；

将各水下杂质分布图输入神经网络模型，分别得到对应的水光分布图和杂质干扰图；

对所述水光分布图中像素的灰度值进行计算得到水体的颜色倾向程度；

计算各杂质干扰图的信息熵；

对各杂质干扰图进行阈值分割得到相应的二值图像，并将所述二值图像进行图像融合，得到杂质分布图；

采用连通域算法对所述杂质分布图进行连通域分析，获取杂质区域，所述杂质区域包含一个杂质颗粒；根据杂质区域的数量以及杂质分布图的面积得到杂质的分布密度；根据所有杂质区域面积的均值得到杂质的平均大小；

根据所述水体的颜色倾向程度、杂质的分布密度、杂质的平均大小以及任意一杂质干扰图对应的信息熵得出污水样本的合格程度，将所述合格程度与设置阈值作比较，若所述合格程度大于设定阈值，判断污水样本合格；若所述合格程度小于设定阈值，判断污水样本不合格。

进一步地，所述三种不同光源分别为红光、绿光和蓝光；所述红光对应R通道图像信息，所述绿光对应G通道图像信息，所述蓝光对应B通道图像信息。

进一步地，所述神经网络模型的损失函数为：

其中，I1_i为第i个光源下的水光分布图，I2_i为第i个光源下的杂质干扰图，I0_i为第i个光源下的水下杂质分布图，i＝1，2，3；

为I1_i中对应像素的梯度，EG(I2_i)为对图像I2_i去除高频噪声后进行腐蚀操作的结果；FFT(I2_i)为对I2_i进行傅里叶变换后的频域信息，FFT(I1_i)为对I1_i进行傅里叶变换后的频域信息；

为所有光源下杂质干扰图频域信息的平均值；

为所有光源下水光分布图频域信息的平均值。

进一步地，所述图像融合是将三种不同光源对应的杂质干扰图中的对应像素点的灰度值进行哈达玛积运算。

进一步地，所述水体的颜色倾向程度为：

其中，p∈I1_i为p是水光分布图I1_i上的任意一个像素点；i＝1，2，3；w_p为像素点p在所有光源下水光分布图上的灰度值的方差，A为任意一水光分布图的面积。

进一步地，所述杂质的平均大小为所有杂质区域面积的均值。

进一步地，所述合格程度为：

D＝exp(-(W×P×Q×max(H₁,H₂,H₃)))

其中，P为杂质的分布密度，Q为杂质的平均大小，W为水体的颜色倾向程度，H₁,H₂,H₃分别表示红光下杂质干扰图的信息熵、绿光下杂质干扰图的信息熵、蓝光下杂质干扰图的信息熵。

本发明实施例至少具有如下有益效果：

本发明利用三种不同光源下的水下杂质分布图通过神经网络分别获取不同光源下的水光分布图和杂质干扰图；使用不同的光源能够准确的衡量水体的颜色以及杂质的分布情况，避免出现在单一的光源下杂质获取不准确或者难以获得的情况；然后根据不同光源下的水光分布图和杂质干扰图，不仅能够准确获得杂质的分布密度和大小，还能衡量杂质分布的多样性以及水体颜色倾向程度；同时，通过杂质的分布密度和大小、水体颜色倾向程度，能够准确地获取污水样本的合格程度，从而能够准确的评估和验证污水处理是否合格。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。

图1为本发明的一种基于计算机视觉的污水处理验证方法实施例的方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于计算机视觉的污水处理验证方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于计算机视觉的污水处理验证方法的具体方案。

本发明针对的场景为：对污水处理厂处理后的污水进行检测，具体地，利用玻璃缸单独隔离出一部分处理后的污水作为处理污水样本；需要说明的是，利用玻璃缸单独隔离出一部分处理后的污水是为了让隔离出来的水体处于没有波动和流动的状态，且认为水体中的杂质在短时间内是静止不动的，这样是为了避免玻璃缸中的水体受外界水体波动的影响。

基于上述场景，本发明一个实施例提供的一种基于计算机视觉的污水处理验证方法的步骤流程图，参阅图1，该方法包括以下步骤：

步骤1，获取三种不同光源下污水样本的RGB图像信息；并对各RGB图像信息分别进行处理，得到各光源对应的R通道图像信息、G通道图像信息和B通道图像信息，将R通道信息、G通道图像信息和B通道图像信息作为对应光源下的水下杂质分布图。

本实施例中利用相机获取三种不同光源下处理污水样本的RGB图像信息，其中三种光源分别为红光、绿光、蓝光；其中，红光作为第1个光源，绿光作为第2个光源，蓝光作为第3个光源。

具体地，在玻璃缸内壁上安装面状平行光光源(光源可在红、绿、蓝三种颜色之间相互切换，且每种颜色的光源光强一致)，使光源水平照射；在与光源所在内壁的相邻侧壁上安装相机，使相机水平朝向，与光源照射方向垂直；相机每0.1秒曝光一次，连续曝光三次，且在每次相机曝光前，进行不同光源的切换，获取污水样本在三种不同光源下的RGB图像信息。

本实施例中对三种不同光源(红光、绿光、蓝光)下的RGB图像信息分别进行单通道图像信息提取，得到红光下的R通道图像信息、绿光下的G通道图像信息、蓝光下的B通道图像信息。

需要说明的是，理想情况下处理后的污水是无色无味无杂质的、正常无害的、可排放的水，但是由于污水处理过程的异常，处理后的污水可能有一定的杂质未被沉淀；那么，当光照射向处理后的污水时，处理后的污水会吸收一部分特定的光；同时，由于杂质的存在，杂质也会对光进行散射和吸收，因此，当采用不同光源照射时，由于光源波长的不同，杂质对不同光的散射和吸收也不同，这样相机拍摄的图像信息也是不同的，这是由于相机接收到的光包括杂质直接散射进入相机的光和杂质之间多次反射和水体吸收后进入相机的光；其中，杂质直接散射进入相机的光强度较高，具体与杂质的颜色或者杂质对光的吸收能力有关，决定着杂质在相机上的成像位置和灰度大小；杂质之间多次散射和水体吸收后进入相机的光强度较低，但是能够照亮整个水体，在图像上呈现出的是光晕或者连续的光照分布；因此，相机采集到的图像信息包含杂质散射的结果和光在水中形成的光晕结果。

由此可知，使用不同光源可以准确的获取杂质，避免出现杂质在单一光源下获取不准确或者难以获取的情况。

本实施例中将红光、绿光、蓝光下采集的RGB图像中对应的R、G、B通道保留下来，作为该光源下的水下杂质分布图；其中，水下杂质分布图可视为水光分布图与杂质干扰图的叠加结果。

步骤2，将各水下杂质分布图输入神经网络模型，分别得到对应的水光分布图和杂质干扰图。

具体地，本实施例中使用的神经网络模型为DNN网络，网络输出的第一通道是水光分布图，第二通道是杂质干扰图；其中，输出的水光分布图和杂质干扰图中的像素的灰度值均为0-1的小数。

本实施例中用杂质干扰图表征杂质散射的结果，能够准确的反映杂质的分布，去除掉光晕等光照信息的干扰；用水光分布图表征光在水中形成的光晕结果，能够表示处理后污水的水体颜色倾向程度。

本实施例中，DNN网络的损失函数为：

其中，I1_i为第i个光源下的水光分布图，I2_i为第i个光源下的杂质干扰图，I0_i为第i个光源下的水下杂质分布图，i＝1，2，3；

为I1_i中对应像素的梯度，EG(I2_i)为对图像I2_i去除高频噪声后进行腐蚀操作的结果；FFT(I2_i)为对I2_i进行傅里叶变换后的频域信息，FFT(I1_i)为对I1_i进行傅里叶变换后的频域信息；

为所有光源下杂质干扰图频域信息的平均值；

为所有光源下水光分布图频域信息的平均值。

上述实施例中的‖I1_i+I2_i-I0_i‖₂作为损失函数的第一项，表示的是水下杂质分布图可视为水光分布图和杂质干扰图的叠加，使I1_i+I2_i与I0_i的差别尽可能小。

上述实施例中，将

作为损失函数的第二项，其目的是为了让I2_i中包含高频的非高斯的噪声来表示水中的杂质，通过让EG(I2_i)中各像素灰度值趋近于0。

其中，采用Sobel算子对I1_i进行滤波获得

本实施例

中各像素灰度值趋近于0；这是由于水光分布图反映的是光在有杂质的水中的光照分布，表示的是光在杂质之间多次散射和吸收之后形成的光晕等光照信息；因此，本实施例中的水光分布图中的像素没有较大的梯度分布，或者说没有高频信息。

上述实施例中腐蚀操作为对I2_i进行高斯滤波后的操作，高斯滤波的高斯核为3×3；腐蚀操作的模板为13×13。

同时，本实施例中将

作为第三项。本实施例的第i个光源对应的水下杂质分布图的杂质干扰图I2_i和其他光源的水下杂质分布图的杂质干扰图在频域上保持一致，即

最小；同理，本实施例的第i个光源对应的水下杂质分布图的水光分布图I1_i应该和其他光源的水下杂质分布图的水光分布图在频域上保持一致，即

最小。

需要说明的是，虽然水中的杂质在不同光源下在图像上的分布和亮度不同，但是这些杂质在不同光源下在图像上的频域信息是一致的；因此，本实施例采用傅里叶变换获取图像的频域信息，用于损失函数的设定。

本实施例中利用梯度下降法训练DNN网络，使得DNN网络收敛，具体训练过程，此处不再赘述。

步骤3，对各水光分布图中像素的灰度值进行计算得到水体的颜色倾向程度。

具体地，所述水体的颜色倾向程度为：

其中，p∈I1_i为p是水光分布图I1_i上的任意一个像素点，w_p为像素点p在所有光源下水光分布图上的灰度值的方差，A为任意一水光分布图的面积；

其中，w_p的值越大，说明任意一个像素点p的颜色倾向程度越明显，W越大，说明水体的颜色倾向程度越明显，污水处理效果越不好。

需要说明的是，上述实施例中的w_p是对三种光源下的同一位置的像素点进行的方差计算；同时，由于三种光源对应的水光分布图大小相同，因此，上述实施例中的A可选取任意一水光分布图的面积(该面积为像素点的个数之和)参与颜色倾向程度的计算。

步骤4，计算各杂质干扰图的信息熵。

具体地，杂质干扰图的信息熵为：

其中，

p(k)为杂质干扰图上灰度值为k出现的概率，n(k)为灰度值k出现的次数；同理，n(kk)为灰度值kk出现的次数，kk的值取1-255；杂质干扰图的信息熵越大，说明存在多种多样的杂质对第i个光源进行散射或吸收，说明水体中杂质种类越多。

需要说明的是，DNN网络输出的杂质干扰图I2_i上的灰度值范围是0-1的小数，因此，将I2_i上所有的灰度值乘以255，然后四舍五入，将0到1的灰度值转化为0到255的整数。

步骤5，对各杂质干扰图进行阈值分割得到相应的二值图像，并将所有二值图像进行图像融合，得到杂质分布图。

具体地，将灰度值范围在0-255的杂质干扰图I2_i上大于0的像素的灰度值置为1，I2_i上灰度值为0的像素的灰度值保持不变，获得阈值处理结果，得到二值图像

具体地，杂质分布图为

其中，

表示两个图像

与

的哈达玛积，得出的结果依旧是一个图像，得出新图像上像素点的灰度值就是

与

图像上对应像素点的灰度值的乘积；所以，杂质分布图

上一个像素点的灰度值就是

与

与

图像上对应像素点的灰度值的乘积。

步骤6，采用连通域算法对杂质分布图进行连通域分析，获取杂质区域，杂质区域包含一个杂质颗粒，根据杂质区域的数量以及杂质分布图的面积得到杂质的分布密度；根据所有杂质区域的面积的均值得到杂质的平均大小。

具体地，获取杂质分布图上的连通域，杂质分布图上的连通域为各杂质干扰图上连通域的并集，每个连通域代表一个杂质区域，同时，也代表一个杂质颗粒。

其中，杂质的分布密度为杂质分布图上杂质区域的数量与杂质分布图面积的比值；杂质的平均大小为杂质分布图上所有杂质区域面积的均值。

步骤7，根据水体的颜色倾向程度、杂质的分布密度和杂质的平均大小以及杂质干扰图的信息熵得出污水处理的合格程度，将合格程度与设置阈值作比较，若合格程度大于设定阈值，判断污水处理合格；若所述合格程度小于设定阈值，判断污水处理不合格。

具体地，合格程度为：

D＝exp(-(W×P×Q×max(H₁,H₂,H₃)))

其中，P为杂质的分布密度，Q为杂质的平均大小，W为水体的颜色倾向程度，H₁,H₂,H₃分别表示红光下杂质干扰图的信息熵，绿光下杂质干扰图的信息熵，蓝光下杂质干扰图的信息熵。

本实施例中，为了更准确地表达污水的合格程度，杂质干扰图的信息熵取红光、绿光、蓝光三种光源下的最大值max(H₁,H₂,H₃)；作为其他实施方式，选取红光、绿光、蓝光三种光源下杂质干扰图的信息熵中的任意一个都可进行合格程度的计算。

本实施例中，将阈值设置为0.6；在实际操作的过程中，实施者可根据具体情况设置阈值。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于计算机视觉的污水处理验证方法，其特征在于，该方法包括以下步骤：

获取三种不同光源下的污水样本的RGB图像信息；

对各RGB图像信息分别进行处理，得到各光源对应的R通道图像信息、G通道图像信息和B通道图像信息，将所述R通道信息、G通道图像信息和B通道图像信息作为对应光源下的水下杂质分布图；

将各水下杂质分布图输入神经网络模型，分别得到对应的水光分布图和杂质干扰图；

对所述水光分布图中像素的灰度值进行计算得到水体的颜色倾向程度；

计算各杂质干扰图的信息熵；

对各杂质干扰图进行阈值分割得到相应的二值图像，并将所述二值图像进行图像融合，得到杂质分布图；

采用连通域算法对所述杂质分布图进行连通域分析，获取杂质区域，所述杂质区域包含一个杂质颗粒；根据杂质区域的数量以及杂质分布图的面积得到杂质的分布密度；根据所有杂质区域面积的均值得到杂质的平均大小；

根据所述水体的颜色倾向程度、杂质的分布密度、杂质的平均大小以及任意一杂质干扰图对应的信息熵得出污水样本的合格程度，将所述合格程度与设置阈值作比较，若所述合格程度大于设定阈值，判断污水样本合格；若所述合格程度小于设定阈值，判断污水样本不合格。

2.根据权利要求1所述的一种基于计算机视觉的污水处理验证方法，其特征在于，所述三种不同光源分别为红光、绿光和蓝光；所述红光对应R通道图像信息，所述绿光对应G通道图像信息，所述蓝光对应B通道图像信息。

3.根据权利要求1所述的一种基于计算机视觉的污水处理验证方法，其特征在于，所述神经网络模型的损失函数为：

其中，I1_i为第i个光源下的水光分布图，I2_i为第i个光源下的杂质干扰图，I0_i为第i个光源下的水下杂质分布图，i＝1，2，3；

为I1_i中对应像素的梯度，EG(I2_i)为对图像I2_i去除高频噪声后进行腐蚀操作的结果；FFT(I2_i)为对I2_i进行傅里叶变换后的频域信息，FFT(I1_i)为对I1_i进行傅里叶变换后的频域信息；

为所有光源下杂质干扰图频域信息的平均值；

为所有光源下水光分布图频域信息的平均值。

4.根据权利要求1所述的一种基于计算机视觉的污水处理验证方法，其特征在于，所述图像融合是将三种不同光源对应的杂质干扰图中的对应像素点的灰度值进行哈达玛积运算。

5.根据权利要求1所述的一种基于计算机视觉的污水处理验证方法，其特征在于，所述水体的颜色倾向程度为：

其中，p∈I1_i为p是水光分布图I1_i上的任意一个像素点；i＝1，2，3；w_p为像素点p在所有光源下水光分布图上的灰度值的方差，A为任意一水光分布图的面积。

6.根据权利要求1所述的一种基于计算机视觉的污水处理验证方法，其特征在于，所述杂质的平均大小为所有杂质区域面积的均值。

7.根据权利要求5-6任一项所述的一种基于计算机视觉的污水处理验证方法，其特征在于，所述合格程度为：

D＝exp(-(W×P×Q×max(H₁，H₂，H₃)))

其中，P为杂质的分布密度，Q为杂质的平均大小，W为水体的颜色倾向程度，H₁，H₂，H₃分别表示红光下杂质干扰图的信息熵、绿光下杂质干扰图的信息熵、蓝光下杂质干扰图的信息熵。

Images