CN115049674A - 基于大数据的工业污水处理方法及系统 - Google Patents

Abstract

本发明涉及污水处理技术领域，具体涉及一种基于大数据的工业污水处理方法及系统，利用可见光手段实时获取污水拍摄可见光图像，基于污水拍摄可见光图像进行材料测试与分析，具体为根据污水拍摄可见光图像的灰度图像，得到初始的各个子块，计算初始的各个子块的合适度，确定各个备选母子块和子子块，进而确定各个备选母子块中的各个实际母子块和不变块；根据各个实际母子块、不变块和子子块，得到最终的各个子块，并对灰度图像进行预处理，最终确定污水回水时刻。本发明通过基于利用可见光手段实时获取的污水拍摄可见光图像，进行相应的材料分析和测试该，最终可准确确定污水回水时刻，提高了确定污水的回水时刻的准确性。

Description

基于大数据的工业污水处理方法及系统

技术领域

本发明涉及污水处理技术领域，具体涉及一种基于大数据的工业污水处理方法及系统。

背景技术

随着我国现代化进程的加快，越来越多的制造业如雨后春笋般蓬勃发展，制造业的兴起势必引起工厂数量的增多，而在工厂的建设中，给排水系统是不可或缺的。

工厂用给排水系统主要是为了给予工厂提供水源和排出生产过程中产生的废水，其中生产过程中产生的废水主要包括生产废液、生活污水和雨水。为了将生产废水很好地排出，减少废水的污染，通常情况下是采取分质处理的方式，对于工业废水中污染较重的水流，如生产废液以及生活用水中的卫生间、厨房等用水，需要排放至废水处理厂，经过废水处理厂的处理后排入附近河道内；而对于污染较轻的水流，比如雨水以及洗漱用水，通常是直接经过管路排放至附近河道内。这种工厂给排水系统虽然能够将生产过程中产生的废水排出工厂，从而减少了污水对工厂环境的污染，但是在排放过程中，不管是污染较重还是污染较轻的水流，最后都会排放至河道内，无法实现水的循环利用，增大了工厂水资源的浪费，使得投资及运行成本高，回收周期长。

因此，通过对不同污染程度的污水进行分类处理，并对轻微污染的水进行相对简单的污水处理，如通过增加电磁场对污水中的杂质进行聚沉处理，然后再将聚沉处理后的污水进行重复利用，可以大大减少水资源的浪费，同时降低了投资及运行成本。在对轻微污染的水进行相对简单的污水处理后再进行重复利用的过程中，传统是采用人工的方式来确定经过处理后污水清洁度是否满足重复利用条件，然后在满足重复利用条件时控制污水进行回水利用。而随着图像处理和计算机技术的发展，目前已出现通过获取处理过程中的污水图像，并基于该污水图像进行分析，从而确定处理过程中的污水是否满足重复利用条件的新型方式。虽然这种新型方式在一定程度上可以减少人力投资，并且避免了人工确定的主观性，但是由于污水图像的清晰度低，而常见的图像预处理处理手段又容易出现块效应等现象，导致确定的污水清洁度结果准确性还相对较低，最终导致无法精确确定污水的回水时刻。

发明内容

本发明的目的在于提供一种基于大数据的工业污水处理方法及系统，用于解决现有无法精确确定污水的回水时刻的问题。

为了解决上述技术问题，本发明提供了一种基于大数据的工业污水处理方法，包括以下步骤：

实时获取污水处理过程中的污水拍摄可见光图像，进而得到污水拍摄可见光图像的灰度图像；

根据灰度图像中各个像素点的灰度值，确定灰度图像对应的偏度值，进而根据所述偏度值，确定灰度图像的分块尺寸，并按照所述分块尺寸对灰度图像进行分块，得到初始的各个子块；

根据初始的各个子块中的各个像素点的灰度值，进行材料测试和分析，确定初始的各个子块的合适度，进而确定初始的各个子块中的各个备选母子块和子子块；

根据各个备选母子块中的各个像素点的灰度值，确定各个备选母子块的必要性指标值，进而确定各个备选母子块中的各个实际母子块和不变块；

根据各个实际母子块、不变块和子子块，对初始的各个子块进行拆分合并处理，从而得到最终的各个子块；

根据最终的各个子块中的各个像素点的灰度值，对灰度图像进行预处理处理，得到预处理后的灰度图像；

根据预处理后的灰度图像中各个像素点的灰度值，确定实时的污水浊度，根据实时的污水浊度，确定污水回水时刻，并根据所述污水回水时刻控制回水。

进一步的，所述对初始的各个子块进行拆分合并处理，从而得到最终的各个子块，包括：

根据各个实际母子块和子子块的位置，分别判断各个实际母子块的八邻域范围内是否存在子子块；若实际母子块的八邻域范围内存在子子块，则以八邻域范围内存在子子块的每一个实际母子块作为基准块，并按照设定规则对基准块的八邻域范围内的子子块进行拆分，并将拆分出的部分合并到基准块中；若实际母子块的八邻域范围内不存在子子块，则判断该八邻域范围内不存在子子块的实际母子块的八邻域范围内是否存在不变块，若八邻域范围内存在不变块，则从该八邻域范围内不存在子子块的实际母子块的八邻域范围内存在的不变块中确定目标不变块，并将该八邻域范围内不存在子子块的实际母子块整体合并到目标不变块中。

进一步的，所述则以八邻域范围内存在子子块的每一个实际母子块作为基准块，并按照第一设定规则对基准块的八邻域范围内的子子块进行拆分，并将拆分出的部分合并到基准块中，包括：

从基准块的八邻域范围内的子子块中确定当前的待拆分像素点，所述待拆分像素点是指所述基准块的八邻域范围内的子子块中的当前剩余未被拆分像素点中的距离基准块最近的像素点；

根据所述待拆分像素点的灰度值和基准块中各个像素点的像素值，重新确定基准块对应的灰度直方图，并根据重新确定的基准块对应的灰度直方图，重新确定基准块的必要性指标值；

若重新确定的基准块的必要性指标值不大于原来确定的基准块的必要性指标值，则将该待拆分像素点从原来的子子块中拆分出来，并合并到基准块中，从而得到合并后的基准块，然后从合并后的基准块的八邻域范围内的子子块中确定当前的待拆分像素点，进而重新确定合并后的基准块的必要性指标值，并在重新确定的合并后的基准块的必要性指标值不大于合并后的基准块的必要性指标值的情况下，将重新确定的当前的待拆分像素点合并到合并后的基准块中，重复上述过程，直至重新确定的合并后的基准块的必要性指标值小于设定必要性指标阈值。

进一步的，还包括：

若重新确定的基准块的必要性指标值大于原来确定的基准块的必要性指标值或重新确定的合并后的基准块的必要性指标值大于合并后的基准块的必要性指标值，则对应直接从基准块的八邻域范围内的子子块中重新确定当前的待拆分像素点或直接从合并后的基准块的八邻域范围内的子子块中重新确定当前的待拆分像素点。

进一步的，还包括：

若各个基准块的八邻域范围内的子子块拆分合并结束后，存在像素点未被全部拆分的子子块，则从该像素点未被全部拆分的子子块的八邻域内的各个合并后的基准块中确定目标基准块，并将该像素点未被全部拆分的子子块整体合并到目标基准块中。

进一步的，所述确定初始的各个子块的合适度，进而确定初始的各个子块中的各个备选母子块和子子块，包括：

根据初始的各个子块中的各个像素点的灰度值，确定初始的各个子块对应的灰度直方图，进而根据初始的各个子块对应的灰度直方图，确定初始的各个子块的合适度；

分别判断初始的各个子块的合适度是否大于或等于设定合适度阈值，若大于或等于设定合适度阈值，则将对应的初始的子块作为备选母子块；否则，则将对应的初始的子块作为子子块。

进一步的，所述确定各个备选母子块的必要性指标值，进而确定各个备选母子块中的各个实际母子块和不变块，包括：

根据各个备选母子块中的各个像素点的灰度值，确定各个备选母子块对应的灰度直方图，进而根据各个备选母子块对应的灰度直方图，确定各个备选母子块的必要性指标值；

分别判断各个备选母子块的必要性指标值是否大于或等于设定必要性指标阈值，若大于或等于设定必要性指标阈值，则将对应的备选母子块作为实际母子块；否则，将对应的备选母子块作为不变块。

进一步的，所述根据预处理后的灰度图像中各个像素点的灰度值，确定实时的污水浊度，包括：

根据预处理后的灰度图像中各个像素点的灰度值，确定预处理后的灰度图像中所有像素点的灰度值均值、最大灰度值和最小灰度值；

根据预处理后的灰度图像中各个像素点的灰度值以及所有像素点的灰度值均值、最大灰度值和最小灰度值，确定预处理后的灰度图像中各个像素点的杂质隶属度；

根据预处理后的灰度图像中各个像素点的杂质隶属度，确定实时的污水浊度。

进一步的，确定预处理后的灰度图像中各个像素点的杂质隶属度对应的计算公式为：

其中，

为预处理后的灰度图像中各个像素点的杂质隶属度，

为预处理后的灰度图像中各个像素点的灰度值，

和

分别为预处理后的灰度图像中所有像素点的最大灰度值和最小灰度值，

为预处理后的灰度图像中所有像素点的灰度值均值，

为超参数。

本发明还提供了一种基于大数据的工业污水处理系统，包括依次连接的图像采集模块、中央处理模块和给水排水回水控制模块，所述图像采集模块用于实时采集污水处理过程中的污水拍摄可见光图像，并通过无线通信的方式发送给所述中央处理模块，所述中央处理模块用于接收所述图像采集模块发送过来的污水拍摄可见光图像，并将给水排水控制信息发送给给水排水回水控制模块，以用于实现上述的基于大数据的工业污水处理方法。

本发明具有如下有益效果：对实时获取的污水拍摄可见光图像的灰度图像进行分块，得到初始的各个子块，计算初始的各个子块的合适度，确定初始的各个子块中的各个备选母子块和子子块，通过计算各个备选母子块的必要性指标值，确定各个备选母子块中的各个实际母子块和不变块；根据各个实际母子块、不变块和子子块，对初始的各个子块进行拆分合并处理，得到最终的各个子块，根据最终的各个子块对灰度图像进行预处理处理，根据预处理后的灰度图像确定污水回水时刻。本发明通过对初始的各个子块进行拆分合并处理，有效避免了图像预处理处理后的块效应，根据预处理处理后的图像，可以准确确定污水浊度，提高了确定污水的回水时刻的准确性。

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为本发明实施例中基于大数据的工业污水处理方法的流程图；

图2为本发明实施例中原始的灰度图像；

图3为本发明实施例中对图2进行传统直方图均衡化的效果图；

图4为本发明实施例中的拆分合并前某个母子块的灰度直方图；

图5为本发明实施例中拆分合并后某个母子块的灰度直方图；

图6为本发明实施例中对图2中的初始的各个子块进行拆分合并处理，再进行子块直方图均衡化的效果图。

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技术方案的具体实施方式、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。

应用场景：轻度污染的污水在进行污水处理过程中，如通过增加电磁场对污水中的杂质进行聚沉处理的过程中，当污水中的杂质低于一定程度时，则控制聚沉处理中的污水进行回水再利用。

针对上述应用场景，本实施例提供了一种基于大数据的工业污水处理方法，该方法通过实时获取污水处理过程中的污水图像，并对实时获取的污水图像进行浊度计算，确定污水处理的合格情况，从而精确确定最佳的回水时刻，实现了对污染较轻的污水进行处理后的重复利用，有效提高了轻度污染的污水的利用率。

具体的，该基于大数据的工业污水处理方法对应的流程图如图1所示，包括以下步骤：

（1）实时获取污水处理过程中的污水拍摄可见光图像，进而得到污水拍摄可见光图像的灰度图像。

在污水处理过程中，如通过增加电磁场对污水中的杂质进行聚沉处理的过程中，利用摄像头对污水进行实时拍摄采集，从而得到实时的污水图像，该污水图像为可见光图像。在利用摄像头对污水进行实时拍摄采集时，选择较高的采集频率，使得图像采集能尽可能的呈现连续的效果。另外，由于污水电磁聚沉为一个较为缓慢的过程，故为了减少计算量，对采集的图像进行连续抽样处理，即从通电开始，相机开始采样，此为第一帧图像，后续每隔n帧获取一张，经验值取n=10，从而得到实时的污水拍摄可见光图像。在得到实时的污水拍摄可见光图像之后，对污水拍摄可见光图像进行灰度化处理，从而得到污水拍摄可见光图像的灰度图像。

（2）根据灰度图像中各个像素点的灰度值，确定灰度图像对应的偏度值，进而根据所述偏度值，确定灰度图像的分块尺寸，并按照所述分块尺寸对灰度图像进行分块，得到初始的各个子块。

对于污水图像而言，其灰度级主要分布在灰度直方图的中间部分，即灰度级为100-200之间，此时水体中的杂质仅仅通过灰度直方图很难确定，故需要对污水图像进行预处理，通过增加杂质与水体的对比度凸显出水体中的杂质，从而确定污水的浊度并控制回水时刻。

传统直方图均衡化是基于全局进行的，其原理是将原图像的灰度级均匀的映射到全部灰度级范围中，普通直方图均衡化用于对图像全局进行调整，不能有效提高图像的局部对比度。图2为原始的灰度图像，图3是对图2中原始的灰度图像进行传统直方图均衡化的效果图。对于污水而言，水体中的杂质分布不均，当絮凝达到一定程度时，会发生聚沉效应，此时水体中中下部位的浑浊程度与水体上部的浑浊程度会不同，又浑浊程度不同时，水体的均匀程度也是不同的，因此需要进行局部自适应增强预处理，以达到对水体中杂质含量的检测。

为了实现对污水图像局部自适应增强预处理，并避免出现块效应，需要对灰度图像进行分块处理，该分块处理过程包括初始分块过程和再分块过程。在进行初始分块时，对于图像而言，图像越均匀，其分块的必要性越小，分块的大小精细程度越低，即对均匀的图像进行分块时，块的尺寸越大；图像越不均匀，越复杂，其分块的必要性越大，分块的大小精细程度越高，即对复杂的图像进行分块时，块的尺寸越小。

为了确定初始分块时合适的分块尺寸，以原灰度图像中的任意一个像素点为中心点，建立n×n大小的划窗，计算划窗内的灰度混乱程度，即：

其中，a表示每个划窗内的混乱程度，n为划窗边长，n为奇数且n最小为3，b表示每个划窗内的任意一个像素点的灰度值，

表示每个划窗内的所有像素点的灰度均值。

获取以灰度图像中每一个像素点为中心点的滑窗的灰度混乱程度，并建立混乱程度直方图，混乱程度直方图为灰度图像中所有像素点的滑窗的灰度混乱程度的统计结果，并计算混乱程度直方图的偏度值，也就是灰度图像对应的偏度值，即：

其中，

表示灰度图像对应的偏度值，N表示灰度图像中的总像素点的数量，

表示混乱程度直方图中第i个混乱程度等级对应的概率。

对于混乱程度直方图而言，其偏度值为0时，说明该混乱程度直方图的分布为均匀分布，即代表杂质与水体的分布是相对均匀的。当偏度值为负数时，说明混乱程度直方图为左偏，即代表此时水体中杂质较少，把杂质看作前景，非杂质看作背景的话，这种情况下背景占比大，所以此时图像中的细节信息较少，此时分块的尺寸应当相对较大。当偏度值为正数时，说明混乱程度直方图为右偏，即代表此时水体中杂质较多，这种情况下背景占比小，所以此时图像中的细节信息较多，此时分块的尺寸应当相对较小。

设置初始的分块尺寸，即根据大数据确定初始的分块尺寸，当混乱程度直方图的偏度为0时，分块尺寸为

,当混乱程度直方图的分布不为均匀分布时，根据混乱程度直方图的偏度值自适应确定分块的尺寸，即：

其中，

和

表示调整后的分块尺寸的长和宽，

和

表示初始的分块尺寸的长和宽，

表示混乱程度直方图的偏度值，[]表示取整操作，即计算出的长和宽为小数时取整数部分。

通过上述方式，可以根据不同时刻对应的灰度图像中杂质的分布情况，自适应获得其对应的分块尺寸。按照该自适应获得的分块尺寸对灰度图像进行初始分块，从而得到初始的各个子块。但是考虑到对灰度图像进行初始分块得到的子块为全局分割的子块，虽然合适的子块可以在一定程度上减缓块效应，但由于部分窗口内像素点近似一样时，即子块内灰度直方图只有一个灰度级时，那么这样得到的累加直方图就会呈现为一种阶跃曲线，使得变换后的图像过度增强，因此后续需要对初始分块得到的各个子块进行合适度计算，对于不合适的子块进行修正。

（3）根据初始的各个子块中的各个像素点的灰度值，进行材料测试和分析，确定初始的各个子块的合适度，进而确定初始的各个子块中的各个备选母子块和子子块。

（3-1）根据初始的各个子块中的各个像素点的灰度值，确定初始的各个子块对应的灰度直方图，进而根据初始的各个子块对应的灰度直方图，确定初始的各个子块的合适度。

进行初始分块后，每一个子块的大小都是相同的，块的大小都是固定的且每个子块的位置都是有迹可循的，此时会出现部分子块内像素灰度级单一，此时进行子块直方图均衡化时会导致严重的块效应。图2为原始的灰度图像，图3为对原始的灰度图像进行初始分块后进行子块直方图均衡化的效果图。也就是说，通过此初始分块后图像预处理的效果达不到预想的效果，因此需要对初始的各个子块的合适度进行计算，以对子块内丰富度低的子块进行调整。

在对初始的各个子块的合适度进行计算时，根据初始的各个子块中的各个像素点的灰度值，确定初始的各个子块对应的灰度直方图，进而根据初始的各个子块对应的灰度直方图，确定初始的各个子块的合适度，对应的计算公式为：

其中，

表示初始的各个子块的合适度，

表示初始的各个子块对应的灰度直方图中的第

个灰度级，

表示初始的各个子块对应的灰度直方图中第

个灰度级

出现的概率。

当初始的子块图像的信息量较小时，说明该子块中灰度级单一，通过均衡化后会导致严重的块效应，即该子块的合适程度较低，后续需要进行合并与分割处理。

（3-2）分别判断初始的各个子块的合适度是否大于或等于设定合适度阈值，若大于或等于设定合适度阈值，则将对应的初始的子块作为备选母子块；否则，则将对应的初始的子块作为子子块。

对灰度图像进行自适应均衡化，即对每一个子块进行直方图均衡化处理，对子块进行处理更适合改进图像的局部对比度以及获取更多的细节，但对局部对比度提高过大，会导致图像失真，还会放大图像中的噪声，故通过对子块中的灰度级进行限制，根据合适度确定子块的母子关系。

根据合适度的计算公式可知，合适度低的子块图像的信息量小，即该子块中灰度级分布单一，因此该子块更适合被拆分，若以该子块作为母子块会导致最终块的灰度直方图各灰度级的分布极度不均匀，这不是我们想要的，故该子块更适合作为拆分的子子块。对于合适度较大的子块，后续需要获取其合并必要性，若其必要性小，则该子块保持原状，若子块的必要性大，则说明子块中的灰度级分布不均，需要作为母子块，通过合并子子块中的部分像素以达到子块中灰度直方图的各灰度级分布较为均匀。

基于此，设置设定合适度阈值，并将其记为

，当第s个子块的合适度

时，则将该第s个子块作为备选母子块，当第s个子块的合适度

时，则将该第s个子块作为子子块。

（4）根据各个备选母子块中的各个像素点的灰度值，确定各个备选母子块的必要性指标值，进而确定各个备选母子块中的各个实际母子块和不变块。

（4-1）根据各个备选母子块中的各个像素点的灰度值，确定各个备选母子块对应的灰度直方图，进而根据各个备选母子块对应的灰度直方图，确定各个备选母子块的必要性指标值，对应的计算公式为：

其中，

表示各个备选母子块的必要性指标值，

表示备选母子块对应的灰度直方图中灰度级的数量，

表示备选母子块对应的灰度直方图中第i个灰度级对应的概率，

表示备选母子块对应的灰度直方图中第i+1个灰度级对应的概率，

表示超参数，经验值取

。

（4-2）分别判断各个备选母子块的必要性指标值是否大于或等于设定必要性指标阈值，若大于或等于设定必要性指标阈值，则将对应的备选母子块作为实际母子块；否则，将对应的备选母子块作为不变块。

在上述步骤（4-1）的基础上，备选母子块的必要性指标值越大，说明该备选母子块更应该作为母子块以合并子子块来调整灰度级频数分布。因此，设置设定必要性指标阈值，并将其记为

，即当第s个备选母子块的必要性指标值

时，则将该备选母子块作为母子块，也就是实际母子块，当第s个备选母子块的必要性指标值

时，则将该备选母子块作为不变块。

（5）根据各个实际母子块、不变块和子子块，对初始的各个子块进行拆分合并处理，从而得到最终的各个子块，具体实现步骤包括：

根据各个实际母子块和子子块的位置，分别判断各个实际母子块的八邻域范围内是否存在子子块。若实际母子块的八邻域范围内存在子子块，则以八邻域范围内存在子子块的每一个实际母子块作为基准块，并按照设定规则对基准块的八邻域范围内的子子块进行拆分，并将拆分出的部分合并到基准块中。若实际母子块的八邻域范围内不存在子子块，则判断该八邻域范围内不存在子子块的实际母子块的八邻域范围内是否存在不变块，若八邻域范围内存在不变块，则从该八邻域范围内不存在子子块的实际母子块的八邻域范围内存在的不变块中确定目标不变块，并将该八邻域范围内不存在子子块的实际母子块整体合并到目标不变块中，从而得到最终的各个子块。

其中，当实际母子块的八邻域范围内存在子子块时，以八邻域范围内存在子子块的每一个实际母子块作为基准块，并按照设定规则对基准块的八邻域范围内的子子块进行拆分，并将拆分出的部分合并到基准块中，具体实现步骤包括：

（5-1）从基准块的八邻域范围内的子子块中确定当前的待拆分像素点，这里的待拆分像素点是指基准块的八邻域范围内的子子块中的当前剩余未被拆分像素点中的距离基准块最近的像素点。也就是说，从基准块的八邻域范围内的所有子子块中的当前剩余未被拆分像素点中，选取到达基准块的中心点距离最近的当前剩余未被拆分像素点作为当前的待拆分像素点。

（5-2）根据待拆分像素点的灰度值和基准块中各个像素点的像素值，重新确定基准块对应的灰度直方图，并根据重新确定的基准块对应的灰度直方图，重新确定基准块的必要性指标值。也就是说，假设将该待拆分像素点合并到基准块中，并重新确定将该待拆分像素点合并到基准块后对应的灰度直方图，进而重新确定将该待拆分像素点合并到基准块后的必要性指标值。

（5-3）若重新确定的基准块的必要性指标值不大于原来确定的基准块的必要性指标值，则将该待拆分像素点从原来的子子块中拆分出来，并合并到基准块中，从而得到合并后的基准块。然后从合并后的基准块的八邻域范围内的子子块中确定当前的待拆分像素点，进而重新确定合并后的基准块的必要性指标值，并在重新确定的合并后的基准块的必要性指标值不大于合并后的基准块的必要性指标值的情况下，将重新确定的当前的待拆分像素点合并到合并后的基准块中，重复上述过程，直至重新确定的合并后的基准块的必要性指标值小于设定必要性指标阈值。

当然，在上述的步骤（5-3）中循环进行确定当前的待拆分像素点，并在基准块的必要性指标值不增大的情况下，将该当前的待拆分像素点合并到基准块的过程中，若重新确定的基准块的必要性指标值大于原来确定的基准块的必要性指标值或重新确定的合并后的基准块的必要性指标值大于合并后的基准块的必要性指标值，则对应直接从基准块的八邻域范围内的子子块中重新确定当前的待拆分像素点或直接从合并后的基准块的八邻域范围内的子子块中重新确定当前的待拆分像素点，然后根据直接重新确定的当前的待拆分像素点，继续进行合并过程。这里直接重新确定的当前的待拆分像素点是指，基准块的八邻域范围内的子子块中除了确定的当前的待拆分像素点以外的距离基准块最近的像素点或合并后的基准块的八邻域范围内的子子块中除了确定的当前的待拆分像素点以外的距离该合并后的基准块最近的像素点。

最后，若各个基准块的八邻域范围内的子子块拆分合并结束后，存在像素点未被全部拆分的子子块，则从该像素点未被全部拆分的子子块的八邻域内的各个合并后的基准块中确定目标基准块，并将该像素点未被全部拆分的子子块整体合并到目标基准块中。这里的目标基准块是指，分别将该像素点未被全部拆分的子子块作为整体合并到该像素点未被全部拆分的子子块的八邻域内的各个合并后的基准块中时，所有合并后的基准块的必要性指标值变化最小的合并后的基准块。

另外，若实际母子块的八邻域范围内不存在子子块，则判断该实际母子块的八邻域范围内是否存在不变块，若该实际母子块的八邻域范围内存在不变块，则从该八邻域范围内不存在子子块的实际母子块的八邻域范围内存在的不变块中确定目标不变块，并将该八邻域范围内不存在子子块的实际母子块作为整体合并到目标不变块中。这里的目标不变块是指，分别将该八邻域范围内不存在子子块的实际母子块作为整体合并到其八邻域范围内存在的不变块中时，不变块的必要性指标值变化最小的不变块。

也就是，在上述的对初始的各个子块进行拆分合并处理的过程中，以每一个母子块为基准块进行辐射，即该基准块的八邻域中若存在子子块，则对子子块进行拆分，将子子块中距离基准块最近的像素点假设拆分出，并将其假设合并到基准块中，拆分合并后计算合并后基准块的必要性指标值变化情况，若拆分合并后基准块的必要性指标值下降或不变，说明该操作为有效拆分合并，即可进行实际的拆分合并操作，并对下一像素点进行拆分合并。若拆分合并后基准块的必要性指标值上升，说明该操作为无效拆分合并，此时不进行实际的拆分合并操作，需更换像素点，更换的像素点为当前距离基准块第二最近的像素点，重复上述操作，直至基准块的必要性指标值降低至设定必要性指标阈值时停止。若基准块的必要性指标值降低至设定必要性指标阈值时子子块还未完全拆分，且其他基准块也未将其拆分完，说明该子子块未拆分的像素点为遗留像素点，此时将此类遗留像素点进行匹配，将其整体匹配至邻近的基准块，计算匹配后基准块的必要性指标值的变化情况，将其匹配至必要性指标值变化最小的基准块中。若基准块八邻域中不存在子子块，则将该母子块作为子子块进行处理，将其拆分分配至邻近的不变块中，同理做到对不变块必要性指标值影响最小。

通过上述对初始的各个子块进行拆分合并处理的步骤，所得到的最终的各个子块的形状为不规则形状，但每一个子块中的灰度直方图均达到相对均匀的效果。图4给出了拆分合并前某个母子块的灰度直方图，图5给出了拆分合并后该母子块的灰度直方图。

（6）根据最终的各个子块中的各个像素点的灰度值，对灰度图像进行预处理处理，得到预处理后的灰度图像。

根据最终的各个子块中的各个像素点的灰度值，获取最终的各个子块对应的灰度直方图，然后对每个灰度直方图进行局部自适应直方图均衡化预处理处理，从而得到预处理后的灰度图像。在该预处理后的灰度图像中，水体中的杂质更清晰。由于对每个灰度直方图进行局部自适应直方图均衡化预处理处理的具体实现过程属于现有技术，此处不再赘述。图6为对原始的灰度图像中的初始的各个子块进行拆分合并处理，再进行子块直方图均衡化的效果图。通过将图6和图3对比可知，通过对原始的灰度图像中的初始的各个子块进行拆分合并处理，有效避免了直方图均衡化的块效应。

（7）根据预处理后的灰度图像中各个像素点的灰度值，确定实时的污水浊度，根据实时的污水浊度，确定污水回水时刻，并根据所述污水回水时刻控制回水。

其中，根据预处理后的灰度图像中各个像素点的灰度值，确定实时的污水浊度，包括：

（7-1）根据预处理后的灰度图像中各个像素点的灰度值，确定预处理后的灰度图像中所有像素点的灰度值均值、最大灰度值和最小灰度值。

（7-2）根据预处理后的灰度图像中各个像素点的灰度值以及所有像素点的灰度值均值、最大灰度值和最小灰度值，确定预处理后的灰度图像中各个像素点的杂质隶属度。

其中，预处理后的灰度图像中所有像素点的灰度值均值表示的是预处理后的灰度图像中的背景灰度级，根据预处理后的灰度图像中各个像素点与背景灰度级的差异，可以获取预处理后的灰度图像中各个像素点的杂质隶属度，即：

其中，

为预处理后的灰度图像中各个像素点的杂质隶属度，

为预处理后的灰度图像中各个像素点的灰度值，

和

分别为预处理后的灰度图像中所有像素点的最大灰度值和最小灰度值，

为预处理后的灰度图像中所有像素点的灰度值均值，

为超参数，经验值取

。

（7-3）根据预处理后的灰度图像中各个像素点的杂质隶属度，确定实时的污水浊度。

在上述步骤（7-2）的基础上，预处理后的灰度图像中像素点的杂质隶属度越趋近于1，说明该像素点为杂质的隶属度越高。因此，设置隶属度阈值

，并将该隶属度阈值

设置为0.5，当预处理后的灰度图像中像素点的杂质隶属度

时，说明该像素点为杂质像素点。对预处理后的灰度图像中的杂质像素点的数目进行统计，从而得到实时的污水浊度，即：

其中，

为实时的污水浊度，

为预处理后的灰度图像中的杂质像素点的数目，

为预处理后的灰度图像中的像素点的总数目。

在通过上述步骤（7-1）和（7-2）确定实时的污水浊度后，根据实时的污水浊度，可确定污水回水时刻。其中，对污水进行通电增加磁场后，磁场效应可以促进污水中的化学反应与物质的活性，改善混凝效果，使水体中的悬浮物在电磁场的作用下接触机会增多，提高凝结速度，增加了絮凝率。污水的变化情况为相对清澈到浑浊再到清澈，即对多帧图像的污水浊度绘制浊度曲线，该浊度曲线为先递增后下降，根据大数据获得可重复利用的标准回水浊度，记为G₀，通过获取污水浊度为G₀时刻前后的污水浊度，通过判断污水浊度为G₀时刻前后的污水浊度变化情况，确定该时刻是否为最优污水回水时刻，即当污水浊度为G₀时刻前后的污水浊度呈递减趋势时，则该时刻为最优污水回水时刻，并在达到该最优污水回水时刻后控制回水。

本实施例还提供了一种基于大数据的工业给水排水处理系统，包括依次连接的图像采集模块、中央处理模块和给水排水回水控制模块，图像采集模块用于实时采集污水处理过程中的污水拍摄可见光图像，并通过无线通信的方式发送给所述中央处理模块，所述中央处理模块用于接收所述图像采集模块发送过来的污水拍摄可见光图像，并将给水排水控制信息也就是回水控制指令发送给给水排水回水控制模块，以用于实现上述的基于大数据的工业污水处理方法。

需要说明的是：以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.基于大数据的工业污水处理方法，其特征在于，包括以下步骤：

实时获取污水处理过程中的污水拍摄可见光图像，进而得到污水拍摄可见光图像的灰度图像；

根据灰度图像中各个像素点的灰度值，确定灰度图像对应的偏度值，进而根据所述偏度值，确定灰度图像的分块尺寸，并按照所述分块尺寸对灰度图像进行分块，得到初始的各个子块；

根据初始的各个子块中的各个像素点的灰度值，进行材料测试和分析，确定初始的各个子块的合适度，进而确定初始的各个子块中的各个备选母子块和子子块；

根据各个备选母子块中的各个像素点的灰度值，确定各个备选母子块的必要性指标值，进而确定各个备选母子块中的各个实际母子块和不变块；

根据各个实际母子块、不变块和子子块，对初始的各个子块进行拆分合并处理，从而得到最终的各个子块；

根据最终的各个子块中的各个像素点的灰度值，对灰度图像进行预处理处理，得到预处理后的灰度图像；

根据预处理后的灰度图像中各个像素点的灰度值，确定实时的污水浊度，根据实时的污水浊度，确定污水回水时刻，并根据所述污水回水时刻控制回水。

2.根据权利要求1所述的基于大数据的工业污水处理方法，其特征在于，所述对初始的各个子块进行拆分合并处理，从而得到最终的各个子块，包括：

根据各个实际母子块和子子块的位置，分别判断各个实际母子块的八邻域范围内是否存在子子块；若实际母子块的八邻域范围内存在子子块，则以八邻域范围内存在子子块的每一个实际母子块作为基准块，并按照设定规则对基准块的八邻域范围内的子子块进行拆分，并将拆分出的部分合并到基准块中；若实际母子块的八邻域范围内不存在子子块，则判断该八邻域范围内不存在子子块的实际母子块的八邻域范围内是否存在不变块，若八邻域范围内存在不变块，则从该八邻域范围内不存在子子块的实际母子块的八邻域范围内存在的不变块中确定目标不变块，并将该八邻域范围内不存在子子块的实际母子块整体合并到目标不变块中。

3.根据权利要求2所述的基于大数据的工业污水处理方法，其特征在于，所述则以八邻域范围内存在子子块的每一个实际母子块作为基准块，并按照第一设定规则对基准块的八邻域范围内的子子块进行拆分，并将拆分出的部分合并到基准块中，包括：

从基准块的八邻域范围内的子子块中确定当前的待拆分像素点，所述待拆分像素点是指所述基准块的八邻域范围内的子子块中的当前剩余未被拆分像素点中的距离基准块最近的像素点；

根据所述待拆分像素点的灰度值和基准块中各个像素点的像素值，重新确定基准块对应的灰度直方图，并根据重新确定的基准块对应的灰度直方图，重新确定基准块的必要性指标值；

若重新确定的基准块的必要性指标值不大于原来确定的基准块的必要性指标值，则将该待拆分像素点从原来的子子块中拆分出来，并合并到基准块中，从而得到合并后的基准块，然后从合并后的基准块的八邻域范围内的子子块中确定当前的待拆分像素点，进而重新确定合并后的基准块的必要性指标值，并在重新确定的合并后的基准块的必要性指标值不大于合并后的基准块的必要性指标值的情况下，将重新确定的当前的待拆分像素点合并到合并后的基准块中，重复上述过程，直至重新确定的合并后的基准块的必要性指标值小于设定必要性指标阈值。

4.根据权利要求3所述的基于大数据的工业污水处理方法，其特征在于，还包括：

若重新确定的基准块的必要性指标值大于原来确定的基准块的必要性指标值或重新确定的合并后的基准块的必要性指标值大于合并后的基准块的必要性指标值，则对应直接从基准块的八邻域范围内的子子块中重新确定当前的待拆分像素点或直接从合并后的基准块的八邻域范围内的子子块中重新确定当前的待拆分像素点。

5.根据权利要求4所述的基于大数据的工业污水处理方法，其特征在于，还包括：

若各个基准块的八邻域范围内的子子块拆分合并结束后，存在像素点未被全部拆分的子子块，则从该像素点未被全部拆分的子子块的八邻域内的各个合并后的基准块中确定目标基准块，并将该像素点未被全部拆分的子子块整体合并到目标基准块中。

6.根据权利要求1所述的基于大数据的工业污水处理方法，其特征在于，所述确定初始的各个子块的合适度，进而确定初始的各个子块中的各个备选母子块和子子块，包括：

根据初始的各个子块中的各个像素点的灰度值，确定初始的各个子块对应的灰度直方图，进而根据初始的各个子块对应的灰度直方图，确定初始的各个子块的合适度；

分别判断初始的各个子块的合适度是否大于或等于设定合适度阈值，若大于或等于设定合适度阈值，则将对应的初始的子块作为备选母子块；否则，则将对应的初始的子块作为子子块。

7.根据权利要求1所述的基于大数据的工业污水处理方法，其特征在于，所述确定各个备选母子块的必要性指标值，进而确定各个备选母子块中的各个实际母子块和不变块，包括：

根据各个备选母子块中的各个像素点的灰度值，确定各个备选母子块对应的灰度直方图，进而根据各个备选母子块对应的灰度直方图，确定各个备选母子块的必要性指标值；

分别判断各个备选母子块的必要性指标值是否大于或等于设定必要性指标阈值，若大于或等于设定必要性指标阈值，则将对应的备选母子块作为实际母子块；否则，将对应的备选母子块作为不变块。

8.根据权利要求1所述的基于大数据的工业污水处理方法，其特征在于，所述根据预处理后的灰度图像中各个像素点的灰度值，确定实时的污水浊度，包括：

根据预处理后的灰度图像中各个像素点的灰度值，确定预处理后的灰度图像中所有像素点的灰度值均值、最大灰度值和最小灰度值；

根据预处理后的灰度图像中各个像素点的灰度值以及所有像素点的灰度值均值、最大灰度值和最小灰度值，确定预处理后的灰度图像中各个像素点的杂质隶属度；

根据预处理后的灰度图像中各个像素点的杂质隶属度，确定实时的污水浊度。

9.根据权利要求8所述的基于大数据的工业污水处理方法，其特征在于，确定预处理后的灰度图像中各个像素点的杂质隶属度对应的计算公式为：

其中，

为预处理后的灰度图像中各个像素点的杂质隶属度，

为预处理后的灰度图像中各个像素点的灰度值，

和

分别为预处理后的灰度图像中所有像素点的最大灰度值和最小灰度值，

为预处理后的灰度图像中所有像素点的灰度值均值，

为超参数。

10.一种基于大数据的工业污水处理系统，其特征在于，包括依次连接的图像采集模块、中央处理模块和给水排水回水控制模块，所述图像采集模块用于实时采集污水处理过程中的污水拍摄可见光图像，并通过无线通信的方式发送给所述中央处理模块，所述中央处理模块用于接收所述图像采集模块发送过来的污水拍摄可见光图像，并将给水排水控制信息发送给给水排水回水控制模块，以用于实现如权利要求1-9中任一项所述的基于大数据的工业污水处理方法。

Images