CN114863313A - 一种基于图像识别的水处理过程监控方法 - Google Patents

一种基于图像识别的水处理过程监控方法 Download PDF

Info

Publication number
CN114863313A
CN114863313A CN202210303323.2A CN202210303323A CN114863313A CN 114863313 A CN114863313 A CN 114863313A CN 202210303323 A CN202210303323 A CN 202210303323A CN 114863313 A CN114863313 A CN 114863313A
Authority
CN
China
Prior art keywords
image
monitoring
water treatment
treatment process
moving target
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
CN202210303323.2A
Other languages
English (en)
Inventor
钱韫辉
高巍
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.)
Shanghai Qingce Electromechanical Engineering Technology Co ltd
Original Assignee
Shanghai Qingce Electromechanical Engineering Technology Co 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 Shanghai Qingce Electromechanical Engineering Technology Co ltd filed Critical Shanghai Qingce Electromechanical Engineering Technology Co ltd
Priority to CN202210303323.2A priority Critical patent/CN114863313A/zh
Publication of CN114863313A publication Critical patent/CN114863313A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像识别的水处理过程监控方法，包括以下步骤：获取一段水处理过程的监控视频；对所述监控视频做分帧处理，得到n帧连续的监控图像；基于混合高斯模型，识别每帧监控图像中的运动目标，所述运动目标为疑似絮状物的图像；采用卷积神经网络提取第n帧监控图像中的每个运动目标的图像特征；将获取的若干图像特征，输入SVM分类器，获得多个絮状物的图像特征；采用BP神经网络将多个絮状物的图像特征进行特征融合，获得絮状物图像的融合特征；基于融合特征，判断是否有预定量的絮状物产生；若无，则进行报警操作。本发明采用图像识别技术代替人眼，精确监控絮状物的产生量，据此可为工作人员提供加药量参考。

Description

一种基于图像识别的水处理过程监控方法
技术领域
本发明属于图像识别技术领域，尤其涉及一种基于图像识别的水处理过程监控方法。
背景技术
水处理过程中，通过在污水中投放絮凝剂的形式，对污水进行初步处理，将污水中的固体颗粒物质进行沉淀处理，絮凝剂通过加药间，向污水中进行定量投放，然后对水中絮状物形成过程进行监控，以便达到絮凝剂药品的合理投放。
现有的监控手段，主要借助人工监控和借助浊度计进行过程监控，常规的浊度计监控受水体中悬浮颗粒的粒径、泥沙颜色以及气泡效应因素影响，精度低。另外，人工监控过程中，需要依赖运行人员现场进行巡检，并依据个人经验进行加药调整。最终导致加药量容易出现较大的偏差。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于图像识别的水处理过程监控方法，采用图像识别技术代替人眼，精确监控絮状物的产生量，据此可为工作人员提供加药量参考。
为解决上述技术问题，本发明采用的技术方案是：一种基于图像识别的水处理过程监控方法，包括以下步骤：
步骤1、获取一段水处理过程的监控视频；
步骤2、对所述监控视频做分帧处理，得到n帧连续的监控图像；
步骤3、基于混合高斯模型，识别每帧监控图像中的运动目标，所述运动目标为疑似絮状物的图像；
步骤4、采用卷积神经网络提取第n帧监控图像中的每个运动目标的图像特征；
步骤5、将步骤4获取的若干图像特征，输入SVM分类器，获得多个絮状物的图像特征；
步骤6、采用BP神经网络将多个絮状物的图像特征进行特征融合，获得絮状物图像的融合特征；
步骤7、基于融合特征，判断是否有预定量的絮状物产生，若有，则获取下一段水处理过程的监控视频，然后进入步骤2；若无，则进行报警操作。
上述基于图像识别的水处理过程监控方法，所述步骤2，还包括对分帧处理后的每帧监控图像进行图像预处理；图像预处理时，利用加权平均灰度处理，对获取的监控图像进行颜色规范化处理。
上述基于图像识别的水处理过程监控方法，所述步骤2，还包括对颜色规范化处理后的监控图像进行中值滤波去噪处理。
上述基于图像识别的水处理过程监控方法，所述步骤3中，基于混合高斯模型，识别每帧监控图像中的运动目标时，利用背景减除法建立混合高斯模型，用每帧监控图像中的每个像素点与混合高斯模型匹配,如果匹配成功则判定该像素点为背景点,否则该像素点为运动目标中的图像。
上述基于图像识别的水处理过程监控方法，所述混合高斯模型建立时，需要对混合高斯模型中方差和均值两个参数实时更新，更新时，均值和方差的更新采用不同的更新率。
上述基于图像识别的水处理过程监控方法，所述步骤4中，采用卷积神经网络提取每帧监控图像中的运动目标的图像特征时，经过一个卷积核的卷积操作后，得到了一个特定特征。
上述基于图像识别的水处理过程监控方法，所述SVM分类器为预先采用k-means+LBP+PCA+SVM算法，多次训练模型获得。
上述基于图像识别的水处理过程监控方法，所述融合特征为所述絮状物的图像面积。
本发明与现有技术相比具有以下优点：
1、本发明通过对监控视频进行分帧处理，再采用混合高斯模型识别运动目标，可方便后续对絮状物的识别。
2、本发明通过采用卷积神经网络，对运动目标进行特征识别，可以更加精确的获得疑似絮状物的特征，方便后续对絮状物的区分。
3、本发明采用图像识别技术代替人眼，精确监控絮状物的产生量，据此可为工作人员提供加药量参考。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程图。
具体实施方式
电厂海水淡化处理时，首先需要对海水进行净化处理，将抽出的海水直接注入沉淀池，同时通过加药间，向沉淀池内进行絮凝剂加药，加快海水中固体颗粒物凝结，产生絮状物进行沉淀，本实施例主要对沉淀池加药过程中絮状物是否可以达到预期理想效果进行过程监控。
如图1所示，一种基于图像识别的水处理过程监控方法，包括以下步骤：
步骤1、获取一段水处理过程的监控视频，即对加药后的沉淀池进行拍摄获得监控视频；
步骤2、对所述监控视频做分帧处理，得到n帧连续的监控图像；
步骤3、基于混合高斯模型，识别每帧监控图像中的运动目标，所述运动目标为疑似絮状物的图像；
需要说明的是，采用混合高斯模型检测运动目标为目前已有技术，此处应用该技术，目的是识别出监控视频中第n帧的运动目标，该运动目标大概率为絮状物；
进一步的，基于混合高斯模型，识别每帧监控图像中的运动目标时，利用背景减除法建立混合高斯模型，用每帧监控图像中的每个像素点与混合高斯模型匹配,如果匹配成功则判定该像素点为背景点,否则该像素点为运动目标中的图像；
所述混合高斯模型建立时，需要对混合高斯模型中方差和均值两个参数实时更新，更新时，均值和方差的更新采用不同的更新率。所以将均值和方差的更新采用不同的更新率，能够提高大而慢的运动目标的检测效果；
步骤4、采用卷积神经网络提取第n帧监控图像中的每个运动目标的图像特征；
采用卷积神经网络提取每帧监控图像中的运动目标的图像特征时，经过一个卷积核的卷积操作后，得到了一个特定特征。实际应用中，可以通过卷积神经网络采集色彩特征、纹理特征和轮廓特征；
步骤5、将步骤4获取的若干图像特征，输入SVM分类器，获得多个絮状物的图像特征；
需要说明的是，因为实际中，运动目标肯定不止是絮状物，还可能会是其他物体，如大块的杂质等，所以在判断加药效果时，需要将非絮状物的其他运动目标排除，通过预先训练好SVM分类器，对运动目标进行分类，可以很好的实现这点；所述SVM分类器为预先采用k-means+LBP+PCA+SVM算法，多次训练模型获得；
步骤6、采用BP神经网络将多个絮状物的图像特征进行特征融合，获得絮状物图像的融合特征；所述融合特征为所述絮状物的图像面积；
步骤7、基于融合特征，判断是否有预定量的絮状物产生，若有，则获取下一段水处理过程的监控视频，然后进入步骤2；若无，则进行报警操作。
需要说明是，预定量的絮状物为预先通过使用标准加药量后，在第n帧时，监控图像上反映的絮状物产量，所以当判断未产生预定量的絮状物时，则说明当前加药量存在问题。
本实施例中，所述步骤2，还包括对分帧处理后的每帧监控图像进行图像预处理；图像预处理时，利用加权平均灰度处理(gray＝(r*w1,g*w2,b*w3)/3其中w1,w2,w3分别为RGB三色值对应的权重)，对获取的监控图像进行颜色规范化处理。
本实施例中，所述步骤2，还包括对颜色规范化处理后的监控图像进行中值滤波去噪处理。这样做，可以提升水中絮状物的识别率，中值滤波的主要原理是将数字图像中的某点用该点的邻域中各个像素值的中值所来代替这样就能让目标像素周围能够更好的接近真实值，去噪处理是由于在前面对图像进行预处理产生的一些椒盐噪声，去除后可以增大识别率。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (8)

1.一种基于图像识别的水处理过程监控方法，其特征在于：包括以下步骤：
步骤1、获取一段水处理过程的监控视频；
步骤2、对所述监控视频做分帧处理，得到n帧连续的监控图像；
步骤3、基于混合高斯模型，识别每帧监控图像中的运动目标，所述运动目标为疑似絮状物的图像；
步骤4、采用卷积神经网络提取第n帧监控图像中的每个运动目标的图像特征；
步骤5、将步骤4获取的若干图像特征，输入SVM分类器，获得多个絮状物的图像特征；
步骤6、采用BP神经网络将多个絮状物的图像特征进行特征融合，获得絮状物图像的融合特征；
步骤7、基于融合特征，判断是否有预定量的絮状物产生，若有，则获取下一段水处理过程的监控视频，然后进入步骤2；若无，则进行报警操作。
2.按照权利要求1所述的一种基于图像识别的水处理过程监控方法，其特征在于：所述步骤2，还包括对分帧处理后的每帧监控图像进行图像预处理；图像预处理时，利用加权平均灰度处理，对获取的监控图像进行颜色规范化处理。
3.按照权利要求2所述的一种基于图像识别的水处理过程监控方法，其特征在于：所述步骤2，还包括对颜色规范化处理后的监控图像进行中值滤波去噪处理。
4.按照权利要求1所述的一种基于图像识别的水处理过程监控方法，其特征在于：所述步骤3中，基于混合高斯模型，识别每帧监控图像中的运动目标时，利用背景减除法建立混合高斯模型，用每帧监控图像中的每个像素点与混合高斯模型匹配,如果匹配成功则判定该像素点为背景点,否则该像素点为运动目标中的图像。
5.按照权利要求4所述的一种基于图像识别的水处理过程监控方法，其特征在于：所述混合高斯模型建立时，需要对混合高斯模型中方差和均值两个参数实时更新，更新时，均值和方差的更新采用不同的更新率。
6.按照权利要求1所述的一种基于图像识别的水处理过程监控方法，其特征在于：所述步骤4中，采用卷积神经网络提取每帧监控图像中的运动目标的图像特征时，经过一个卷积核的卷积操作后，得到了一个特定特征。
7.按照权利要求1所述的一种基于图像识别的水处理过程监控方法，其特征在于：所述SVM分类器为预先采用k-means+LBP+PCA+SVM算法，多次训练模型获得。
8.按照权利要求1所述的一种基于图像识别的水处理过程监控方法，其特征在于：所述融合特征为所述絮状物的图像面积。
CN202210303323.2A 2022-03-24 2022-03-24 一种基于图像识别的水处理过程监控方法 Pending CN114863313A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210303323.2A CN114863313A (zh) 2022-03-24 2022-03-24 一种基于图像识别的水处理过程监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210303323.2A CN114863313A (zh) 2022-03-24 2022-03-24 一种基于图像识别的水处理过程监控方法

Publications (1)

Publication Number Publication Date
CN114863313A true CN114863313A (zh) 2022-08-05

Family

ID=82630060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210303323.2A Pending CN114863313A (zh) 2022-03-24 2022-03-24 一种基于图像识别的水处理过程监控方法

Country Status (1)

Country Link
CN (1) CN114863313A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117023741A (zh) * 2023-08-14 2023-11-10 佛山市禅城区供水有限公司 一种絮凝过程中的多参数负荷复合水处理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101717143A (zh) * 2009-11-24 2010-06-02 河海大学 一种絮凝剂自动加药控制方法
CN103708590A (zh) * 2012-09-29 2014-04-09 埃科莱布美国股份有限公司 水处理加药优化系统、水处理系统以及其方法
CN112651355A (zh) * 2020-12-29 2021-04-13 四川警察学院 一种基于混合高斯模型和卷积神经网络的危险品识别预警方法
CN112919605A (zh) * 2021-03-24 2021-06-08 四川康信科创农业有限公司 基于图像采集的污水处理系统及方法
CN213875349U (zh) * 2020-09-07 2021-08-03 上海易清智觉自动化科技有限公司 絮凝检测装置及污水处理系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101717143A (zh) * 2009-11-24 2010-06-02 河海大学 一种絮凝剂自动加药控制方法
CN103708590A (zh) * 2012-09-29 2014-04-09 埃科莱布美国股份有限公司 水处理加药优化系统、水处理系统以及其方法
CN213875349U (zh) * 2020-09-07 2021-08-03 上海易清智觉自动化科技有限公司 絮凝检测装置及污水处理系统
CN112651355A (zh) * 2020-12-29 2021-04-13 四川警察学院 一种基于混合高斯模型和卷积神经网络的危险品识别预警方法
CN112919605A (zh) * 2021-03-24 2021-06-08 四川康信科创农业有限公司 基于图像采集的污水处理系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117023741A (zh) * 2023-08-14 2023-11-10 佛山市禅城区供水有限公司 一种絮凝过程中的多参数负荷复合水处理方法及系统
CN117023741B (zh) * 2023-08-14 2024-03-19 佛山市禅城区供水有限公司 一种絮凝过程中的多参数负荷复合水处理方法及系统

Similar Documents

Publication Publication Date Title
CN111966053A (zh) 一种智能絮凝剂决策系统
CN109636824A (zh) 一种基于图像识别技术的多目标计数方法
CN106709450A (zh) 一种指纹图像识别方法及系统
CN103778627A (zh) 一种基于sar图像的海域溢油检测方法
CN112528868B (zh) 一种基于改进Canny边缘检测算法的违章压线判别方法
CN113935666B (zh) 基于图像处理的建筑装饰墙面砖异常评估方法
CN108563979A (zh) 一种基于航拍农田图像判别水稻稻瘟病病情的方法
CN112101352A (zh) 水下矾花状态识别方法及监测装置、计算机设备和存储介质
CN110060221B (zh) 一种基于无人机航拍图像的桥梁车辆检测方法
CN114663684A (zh) 一种絮凝反应实时智能分析的方法、系统及运算设备
CN116310845B (zh) 一种用于污水处理的智能监测系统
CN106651893A (zh) 一种基于边缘检测的墙体裂缝识别方法
CN116823824A (zh) 基于机器视觉的井下带式输送机降尘检测系统
CN114863313A (zh) 一种基于图像识别的水处理过程监控方法
CN108805826B (zh) 改善去雾效果的方法
CN108765316B (zh) 雾气浓度自适应判断方法
Umilizah et al. Combination of Image Improvement on Segmentation Using a Convolutional Neural Network in Efforts to Detect Liver Disease
CN117197005A (zh) 一种炼钢工程区域图像的图像增强系统及其安全监测系统
CN110517226B (zh) 基于双边滤波的多特征纹理图像融合的烟梗区域提取方法
CN116823835A (zh) 基于机器视觉的瓶装水杂质检测方法
CN115330792A (zh) 一种基于人工智能的污水检测方法及系统
CN117011243A (zh) 矶花图像对比分析方法
CN116524269A (zh) 一种视觉识别检测系统
Pang et al. Beef Marbling Image Segmentation Based on Homomorphic Filtering.
CN110633720A (zh) 一种玉米病害识别方法

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