CN115953727A - 一种絮体沉降速率检测方法、系统、电子设备及介质 - Google Patents

Abstract

本发明公开了一种絮体沉降速率检测方法、系统、电子设备及介质，涉及水处理领域，所述方法，包括：获取目标凝絮视频；目标凝絮视频包括T+k帧凝絮图像；将T帧目标图像对分别输入絮体特征编码网络中，得到目标水体的T帧絮体单帧特征；第t帧目标图像对，包括：目标凝絮视频中的第t帧凝絮图像和对应的第t+k帧凝絮图像；1≤t≤T；絮体特征编码网络，包括：由多个依次连接的残差模块构成的卷积神经网络；将目标水体的T帧絮体单帧特征输入速率检测模型中，得到目标凝絮视频中前T帧凝絮图像的絮体沉降速率；速率检测模型是基于时序长短时记忆网络构建的。本发明能实现对水体全局的絮体沉降速率的准确检测。

Description

一种絮体沉降速率检测方法、系统、电子设备及介质

技术领域

本发明涉及水处理领域，特别是涉及一种絮体沉降速率检测方法、系统、电子设备及介质。

背景技术

目前，饮用水处理工艺主要包括混凝、沉淀、过滤和消毒等阶段。其中，混凝投加的用量和时间直接影响混凝的效果，如果投加量过多，混凝效果下降的同时费用成本提高；如果投加量过少，则无法满足最终的水质处理要求。然而，如何判断当前水体是否应该进行混凝投加仍是当前水处理的研究难点。

絮体沉降速率是判断当前水体状态的重要指标，可以作为混凝投加的强力依据。然而，水体单位絮体数量多、体积小，且存在重叠、遮挡、交叉等状况，使得图像处理技术很难对单个絮体进行跟踪，并准确计算其沉降速率。

传统基于视频的絮体特征检测方法通常采用多目标跟踪算法，对每个运动沉降的絮体建立目标链，进行帧与帧之前的匹配，达到跟踪的效果。针对帧与帧之前的跟踪和匹配，计算单位时间内絮体的沉降速度。然而，传统的跟踪算法如Kalman滤波、粒子滤波等算法，很难处理絮体视频中目标物体小而杂的点，使得跟踪结果存在大量的漏报、虚报以及错误匹配的状况。虚假错误的跟踪轨迹最终导致沉降速率计算错误，影响混凝投加量的判断。同时，单位水体中絮体数量不定，且不同絮体的沉降速率不一，微观上的沉降速率检测往往只能反应局部情况，而无法针对全局进行沉降速率的估计，进而影响混凝投加量的判断。

发明内容

基于此，本发明实施例提供一种絮体沉降速率检测方法、系统、电子设备及介质，以实现对水体全局的絮体沉降速率的准确检测，从而准确判断混凝投加量。

为实现上述目的，本发明实施例提供了如下方案：

一种絮体沉降速率检测方法，包括：

获取目标凝絮视频；所述目标凝絮视频为对目标水体进行水处理时的凝絮视频；所述目标凝絮视频包括T+k帧凝絮图像；

将T帧目标图像对分别输入絮体特征编码网络中，得到所述目标水体的T帧絮体单帧特征；所述絮体特征编码网络，包括：由多个依次连接的残差模块构成的卷积神经网络；第t帧目标图像对，包括：所述目标凝絮视频中的第t帧凝絮图像和对应的第t+k帧凝絮图像；1≤t≤T；所述目标水体的一帧絮体单帧特征表征一帧目标图像对中两幅凝絮图像的差异；一个时刻对应一帧絮体单帧特征；

将所述目标水体的T帧絮体单帧特征输入速率检测模型中，得到所述目标凝絮视频中前T帧凝絮图像的絮体沉降速率；

其中，所述速率检测模型是基于时序长短时记忆网络构建的。

可选地，所述速率检测模型的确定方法为：

获取训练数据；所述训练数据，包括：训练凝絮视频和对应的真实絮体沉降速率；所述训练凝絮视频，包括：对训练水体进行多次水处理时的凝絮视频；所述训练凝絮视频包括T+k帧凝絮图像；

将T帧训练图像对分别输入絮体特征编码网络中，得到训练水体的T帧絮体单帧特征；第t帧训练图像对，包括：所述训练凝絮视频中的第t帧凝絮图像和对应的第t+k帧凝絮图像；1≤t≤T；

构建时序长短时记忆网络；所述时序长短时记忆网络，包括：依次连接的第一记忆层、第二记忆层和多层感知机层；所述第一记忆层和所述第二记忆层均包括：T个记忆元组；T个所述记忆元组依次串联；一个时刻对应一个记忆元组；

将训练水体的T帧絮体单帧特征和对应的真实絮体沉降速率输入所述时序长短时记忆网络，以沉降速率误差最小为目标进行训练，并将训练好的时序长短时记忆网络确定为速率检测模型；训练水体的一帧絮体单帧特征对应输入所述第一记忆层的一个记忆元组中。

可选地，所述絮体特征编码网络，包括：九个依次连接的残差模块和一个尺度归一化模块；九个残差模块均与所述尺度归一化模块连接；

第一个残差模块输入一帧图像对；每个所述残差模块用于提取一种维度的特征图；所述尺度归一化模块用于将不同维度的特征图进行统一，并对统一后的特征图进行拼接，得到一帧絮体单帧特征。

可选地，所述残差模块包括通过短连接构成的恒等映射。

本发明还提供了一种絮体沉降速率检测系统，包括：

视频获取模块，用于获取目标凝絮视频；所述目标凝絮视频为对目标水体进行水处理时的凝絮视频；所述目标凝絮视频包括T+k帧凝絮图像；

特征提取模块，用于将T帧目标图像对分别输入絮体特征编码网络中，得到所述目标水体的T帧絮体单帧特征；所述絮体特征编码网络，包括：由多个依次连接的残差模块构成的卷积神经网络；第t帧目标图像对，包括：所述目标凝絮视频中的第t帧凝絮图像和对应的第t+k帧凝絮图像；1≤t≤T；所述目标水体的一帧絮体单帧特征表征一帧目标图像对中两幅凝絮图像的差异；一个时刻对应一帧絮体单帧特征；

絮体沉降速率检测模块，用于将所述目标水体的T帧絮体单帧特征输入速率检测模型中，得到所述目标凝絮视频中前T帧凝絮图像的絮体沉降速率；

其中，所述速率检测模型是基于时序长短时记忆网络构建的。

本发明还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的絮体沉降速率检测方法。

本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的絮体沉降速率检测方法。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明实施例提出了一种絮体沉降速率检测方法、系统、电子设备及介质，设计面向帧内的絮体特征编码网络，高效提取单帧内的絮体单帧特征，并基于复杂高效的时序长短时记忆网络构建速率检测模型，考虑到絮体在时间上的长短时记忆关系，能准确预测絮体沉降速率，因此，本发明能实现对水体全局的絮体沉降速率的准确检测，从而准确判断混凝投加量。

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，下面将对实施例中所需要使用的附图作简单地介绍，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为本发明实施例提供的絮体沉降速率检测方法的流程图；

图2为本发明实施例提供的絮体特征编码网络的结构图；

图3为本发明实施例提供的残差模块的结构图；

图4为本发明实施例提供的时序长短时记忆网络的结构图；

图5为本发明实施例提供的单个记忆元组的逻辑结构图；

图6为本发明实施例提供的絮体沉降速率检测系统的结构图。

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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

基于图像或视频的絮体沉降速率检测的难点主要在于：（1）水体中絮体数量不定，且不同絮体的沉降速率不一，微观上的沉降速率检测往往只能反应局部情况，而无法针对全局进行沉降速率的估计。（2）水体中絮体普遍体积很小，传统的识别和跟踪算法很难保持高精度的识别和检测，存在很高的虚报和漏报。因此，本实施例提出了基于深度学习模型的端到端的沉降速率检测方法，从大数据中学习出智能检测的方法。

具体的，本实施例的絮体沉降速率检测方法，是基于长短时记忆网络的絮体沉降速率检测方法，直接针对凝絮视频估计絮体沉降速度，有效回避了跟踪算法带来的累积误差，且针对水体的全局情况，综合估计絮体沉降速率，有效指导混凝投加量。

参见图1，本实施例的絮体沉降速率检测方法，包括：

步骤101：获取目标凝絮视频；所述目标凝絮视频为对目标水体进行水处理时的凝絮视频；所述目标凝絮视频包括T+k帧凝絮图像。

步骤102：将T帧目标图像对分别输入絮体特征编码网络中，得到所述目标水体的T帧絮体单帧特征；所述絮体特征编码网络，包括：由多个依次连接的残差模块构成的卷积神经网络。

第t帧目标图像对，包括：所述目标凝絮视频中的第t帧凝絮图像和对应的第t+k帧凝絮图像；1≤t≤T；所述目标水体的一帧絮体单帧特征表征一帧目标图像对中两幅凝絮图像的差异。一个时刻对应一帧絮体单帧特征。

作为一种可选的实现方式，所述絮体特征编码网络，包括：九个依次连接的残差模块和一个尺度归一化模块；九个残差模块均与所述尺度归一化模块连接。

第一个残差模块输入一帧图像对；每个所述残差模块用于提取一种维度的特征图；所述尺度归一化模块用于将不同维度的特征图进行统一，并对统一后的特征图进行拼接，得到一帧絮体单帧特征。所述残差模块包括通过短连接构成的恒等映射。

步骤103：将所述目标水体的T帧絮体单帧特征输入速率检测模型中，得到所述目标凝絮视频中前T帧凝絮图像的絮体沉降速率；其中，所述速率检测模型是基于时序长短时记忆网络构建的。

具体的，所述速率检测模型的确定方法为：

（1）获取训练数据；所述训练数据，包括：训练凝絮视频和对应的真实絮体沉降速率；所述训练凝絮视频，包括：对训练水体进行多次水处理时的凝絮视频。所述训练凝絮视频包括T+k帧凝絮图像。

在实际应用中，该步骤的一个具体实现过程如下：

首先，采集训练水体的凝絮视频，即在水体处理的过程中，通过水下摄像机进行视频录制。具体地，采用专业的水下摄像设备，该设备包括高帧率摄像机、防水罩和光源灯。最终，采集了共计100次水处理的水体视频，人为对高质量、光照稳定的视频进行筛选，并将视频随机分割为固定时长为20秒的视频片段。最终，以此方法构造了500个絮凝视频的片段，将此作为训练凝絮视频。之后，请水体处理领域的专业人士观察和评估训练凝絮视频中每一帧凝絮图像的絮体沉降速率v，作为需要预测的绝对真值，即得到训练凝絮视频对应的真实絮体沉降速率。

（2）将T帧训练图像对分别输入絮体特征编码网络中，得到训练水体的T帧絮体单帧特征。第t帧训练图像对，包括：所述训练凝絮视频中的第t帧凝絮图像和对应的第t+k帧凝絮图像；1≤t≤T。

（3）构建时序长短时记忆网络；所述时序长短时记忆网络，包括：依次连接的第一记忆层、第二记忆层和多层感知机层；所述第一记忆层和所述第二记忆层均包括：T个记忆元组；T个所述记忆元组依次串联；一个时刻对应一个记忆元组。

（4）将训练水体的T帧絮体单帧特征和对应的真实絮体沉降速率输入所述时序长短时记忆网络，以沉降速率误差最小为目标进行训练，并将训练好的时序长短时记忆网络确定为速率检测模型；训练水体的一帧絮体单帧特征对应输入所述第一记忆层的一个记忆元组中。

在实际应用中，步骤102和步骤103中的步骤（2）中用到的一个更为具体的絮体特征编码网络如下：

对于凝絮视频的每一帧，本实施例提出了多尺度融合的絮体特征编码网络提取与絮体相关的帧内特征。由于凝絮视频中的絮体数量大，且大小尺度不一；因此，为了有效利用多尺度的图像信息，设计了层级式的特征提取网络，使得网络能够利用多个不同的感受野提取提取特征。

如图2所示，首先构造由9个残差模块组成的卷积神经网络（convolutionalneural network，CNN）级联结构，以低维到高维的顺序归纳单帧的特征。图2中从左向右依次排布的9个矩形，每一个矩形代表一个残差模块，第一个残差模块由16个尺寸为3×3的可学习卷积核构成，经过第一个残差模块的特征图的维度为448×448×16；第二个残差模块由32个尺寸为3×3的可学习卷积核构成，经过第二个残差模块的特征图的维度为224×224×32；第三个残差模块由64个尺寸为3×3的可学习卷积核构成，经过第三个残差模块的特征图的维度为112×112×64；第四个残差模块由128个尺寸为3×3的可学习卷积核构成，经过第四个残差模块的特征图的维度为56×56×128；第五个残差模块由256个尺寸为3×3的可学习卷积核构成，经过第五个残差模块的特征图的维度为28×28×256；第六个残差模块由512个尺寸为3×3的可学习卷积核构成，经过第六个残差模块的特征图的维度为14×14×512；第七个残差模块、第八个残差模块和第九个残差模块，均由1024个尺寸为3×3的可学习卷积核构成，经过这三个模块的特征图的维度均为7×7×1024。

仍请参见图2，第九个残差模块的输出特征又通过了节点数分别为256、4096和1470的全连接层提取图像的高阶特征，再进入尺度变换层，对高阶特征维度进行尺度变换后，最终生成了维度为7×7×30的特征图。

每个残差模块由于感受野不同，其输出特征的维度不同。因此，在絮体特征编码网络，对每个尺度的特征设计了尺度归一化模块，尺度归一化模块包括五个尺度归一化单元FN，五个尺度归一化单元FN从左到右分别对应连接第四个残差模块、第五个残差模块、第六个残差模块、第九个残差模块和尺度变换层。每个尺度归一化单元FN均通过1×1的卷积映射到统一的尺度，然后再经过通道级别的拼接，最终得到能够表示多个尺度的絮体单帧特征，第t个时刻对应的第t帧凝絮图像的絮体单帧特征记为F^t。

对于每一个残差模块，其构建原理为通过短连接（shortcut connection）构成的恒等映射使深度网络退化成浅层网络。具体的，如图3所示，残差模块的输入通过短连接可以直接抵达输出，即为一种恒等映射。这种设计的出发点为，正常级联堆积的卷积层（如图3的上半部分），在某些情况会造成网络深度过大，模型参数过多，导致深度神经网络随着深度的加大反而效果变差。所以在传统卷积层上加入了短连接，使得网络可以学习出，在合适的条件使信息流可以选择通过恒等映射而不通过复杂参数的卷积层。这可以看作一种深层向浅层的退化。为此，仍请参见图3，残差模块H(x)的数学表示为：

H(x)=F(x)+x；

其中，F(x)代表图3所示的卷积结构，x代表残差模块的输入，卷积结构包括：两个卷积层、位于两个卷积层之间的一个归一化层和一个激活层、位于第二个卷积层后的另一个归一化层。

在实际应用中，步骤103中的步骤（3）中用到的一个更为具体的时序长短时记忆网络如下：

在得到絮体单帧特征F^t后，本实施例设计了时序长短时记忆网络，将多帧的絮体单帧特征进行时序融合，以此为依据进行絮体沉降速率检测。图4展示了时序长短时记忆网络的具体结构。如图4所示，采用了2层记忆层，每个记忆层包括了T个时刻的记忆元组，能够更高效地融合时序信息。对于第1个时刻的记忆元组，其输入为第1个时刻的絮体单帧特征F¹；对于第T个时刻的记忆元组，其输入为第T个时刻的絮体单帧特征F^T。其中，F¹是将第1帧和第1+k帧输入絮体特征编码网络中，得到的第1帧絮体单帧特征；F^T是将第T帧和第T+k帧输入絮体特征编码网络中，得到的第T帧絮体单帧特征。

定义H^t与M^t分别为长短时记忆网络中学习出的隐藏特征和记忆特征，其编码了当前时刻t下需要传播到其余时刻的絮体特性。参见图4，H¹ ₁与M¹ ₁分别为第一层记忆层中的第一个记忆元组学习出对隐藏特征和记忆特征；H¹ ₂与M¹ ₂分别为第二层记忆层中的第一个记忆元组学习出对隐藏特征和记忆特征；H^T-1 ₁与M^T-1 ₁分别为第一层记忆层中的第T-1个记忆元组学习出对隐藏特征和记忆特征；H^T-1 ₂与M^T-1 ₂分别为第二层记忆层中的第T-1个记忆元组学习出对隐藏特征和记忆特征；H^T ₁与M^T ₁分别为第一层记忆层中的第T个记忆元组学习出对隐藏特征和记忆特征；H^T ₂与M^T ₂分别为第二层记忆层中的第T个记忆元组学习出对隐藏特征和记忆特征。相比于传统的RNN时序模型，时序长短时记忆网络考虑到在计算絮体沉降速率时，时序关系会满足一定的记忆性规律：相隔帧数越小，H^t与M^t的相关性越强。

单个记忆元组的逻辑结构如图5所示，对于第t个记忆元组，其长短时记忆的计算可以表示为：

；

其中，

和

分别为可学习的卷积核和偏置参数。i表示输入门相关变量；a表示遗忘门相关变量；g表示输入调制模块相关变量；o表示输出门相关变量；h表示输入为隐藏特征H的相应变量；f表示输入为絮体单帧特征F的相应变量；空心圆点表示Hadamard积。

I^t、A^t、O^t、G^t分别为输入门的输出、遗忘门的输出、输出门的输出和输入调制。其中I^t、A^t、O^t的物理意义为对长时序对絮体特征H^t-1与M^t-1，学习到一种知识转移和遗忘规律；G^t的物理意义为对絮体特征进行一次编码。上述公式和图5中，

表示sigmoid，是激活层采用的激活函数，tanh表示双曲正切。最终基于上述计算，可以得到当前时刻t下需要传播到其余时刻的絮体特征H^t与M^t。基于时序长短时记忆网络的输出特征H^t，通过多层感知机（Multilayer Perceptron，MLP），得到最终的絮体沉降速率。图4中D₁表示第1个时刻对应的多层感知机的输入，经过后续的三层全连接层，得到第1个时刻对应的沉降速率v₁；D_T表示第T个时刻对应的多层感知机的输入，经过后续的三层全连接层，得到第T个时刻对应的沉降速率v_T。

本实施例的絮体沉降速率检测方法，能实现端到端的絮体沉降速度检测，即直接通过凝絮视频进行沉降速率检测，具有速度快，精度高的特点。不同于已有的基于视觉的絮体沉降速率检测，本实施例能够直接对凝絮视频进行基于全局的速率检测。同时，利用大规模数据和深度学习方法的双重加持，从数据中学习出絮体颗粒形态学特征与运动规律。例如，首先采集并建立了大规模的絮凝视频数据集，构造了包含500个视频序列的数据集。针对采集到的视频，对视频进行逐帧分析测量，根据经验和标注软件标注出真实絮体沉降速率。之后，针对絮凝视频的长短时记忆关系，设计了高效复杂的时序网络，能够充分利用絮体在多帧之间的相关性，实现时序上的速率检测。最终，在实验验证集中取得很高的检测精度。

实施例二

为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种絮体沉降速率检测。

参见图6，所述系统，包括：

视频获取模块601，用于获取目标凝絮视频；所述目标凝絮视频为对目标水体进行水处理时的凝絮视频。所述目标凝絮视频包括T+k帧凝絮图像。

特征提取模块602，用于将T帧目标图像对分别输入絮体特征编码网络中，得到所述目标水体的T帧絮体单帧特征；所述絮体特征编码网络，包括：由多个依次连接的残差模块构成的卷积神经网络；第t帧目标图像对，包括：所述目标凝絮视频中的第t帧凝絮图像和对应的第t+k帧凝絮图像；1≤t≤T；所述目标水体的一帧絮体单帧特征表征一帧目标图像对中两幅凝絮图像的差异；一个时刻对应一帧絮体单帧特征。

絮体沉降速率检测模块603，用于将所述目标水体的T帧絮体单帧特征输入速率检测模型中，得到所述目标凝絮视频中前T帧凝絮图像的絮体沉降速率；其中，所述速率检测模型是基于时序长短时记忆网络构建的。

实施例三

本实施例提供一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例一的絮体沉降速率检测方法。

可选地，上述电子设备可以是服务器。

另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的絮体沉降速率检测方法。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种絮体沉降速率检测方法，其特征在于，包括：

获取目标凝絮视频；所述目标凝絮视频为对目标水体进行水处理时的凝絮视频；所述目标凝絮视频包括T+k帧凝絮图像；

将T帧目标图像对分别输入絮体特征编码网络中，得到所述目标水体的T帧絮体单帧特征；所述絮体特征编码网络，包括：由多个依次连接的残差模块构成的卷积神经网络；第t帧目标图像对，包括：所述目标凝絮视频中的第t帧凝絮图像和对应的第t+k帧凝絮图像；1≤t≤T；所述目标水体的一帧絮体单帧特征表征一帧目标图像对中两幅凝絮图像的差异；一个时刻对应一帧絮体单帧特征；

将所述目标水体的T帧絮体单帧特征输入速率检测模型中，得到所述目标凝絮视频中前T帧凝絮图像的絮体沉降速率；

其中，所述速率检测模型是基于时序长短时记忆网络构建的。

2.根据权利要求1所述的一种絮体沉降速率检测方法，其特征在于，所述速率检测模型的确定方法为：

获取训练数据；所述训练数据，包括：训练凝絮视频和对应的真实絮体沉降速率；所述训练凝絮视频，包括：对训练水体进行多次水处理时的凝絮视频；所述训练凝絮视频包括T+k帧凝絮图像；

将T帧训练图像对分别输入絮体特征编码网络中，得到训练水体的T帧絮体单帧特征；第t帧训练图像对，包括：所述训练凝絮视频中的第t帧凝絮图像和对应的第t+k帧凝絮图像；1≤t≤T；

构建时序长短时记忆网络；所述时序长短时记忆网络，包括：依次连接的第一记忆层、第二记忆层和多层感知机层；所述第一记忆层和所述第二记忆层均包括：T个记忆元组；T个所述记忆元组依次串联；一个时刻对应一个记忆元组；

将训练水体的T帧絮体单帧特征和对应的真实絮体沉降速率输入所述时序长短时记忆网络，以沉降速率误差最小为目标进行训练，并将训练好的时序长短时记忆网络确定为速率检测模型；训练水体的一帧絮体单帧特征对应输入所述第一记忆层的一个记忆元组中。

3.根据权利要求1所述的一种絮体沉降速率检测方法，其特征在于，所述絮体特征编码网络，包括：九个依次连接的残差模块和一个尺度归一化模块；九个残差模块均与所述尺度归一化模块连接；

第一个残差模块输入一帧图像对；每个所述残差模块用于提取一种维度的特征图；所述尺度归一化模块用于将不同维度的特征图进行统一，并对统一后的特征图进行拼接，得到一帧絮体单帧特征。

4.根据权利要求1所述的一种絮体沉降速率检测方法，其特征在于，所述残差模块包括通过短连接构成的恒等映射。

5.一种絮体沉降速率检测系统，其特征在于，包括：

视频获取模块，用于获取目标凝絮视频；所述目标凝絮视频为对目标水体进行水处理时的凝絮视频；所述目标凝絮视频包括T+k帧凝絮图像；

特征提取模块，用于将T帧目标图像对分别输入絮体特征编码网络中，得到所述目标水体的T帧絮体单帧特征；所述絮体特征编码网络，包括：由多个依次连接的残差模块构成的卷积神经网络；第t帧目标图像对，包括：所述目标凝絮视频中的第t帧凝絮图像和对应的第t+k帧凝絮图像；1≤t≤T；所述目标水体的一帧絮体单帧特征表征一帧目标图像对中两幅凝絮图像的差异；一个时刻对应一帧絮体单帧特征；

絮体沉降速率检测模块，用于将所述目标水体的T帧絮体单帧特征输入速率检测模型中，得到所述目标凝絮视频中前T帧凝絮图像的絮体沉降速率；

其中，所述速率检测模型是基于时序长短时记忆网络构建的。

6.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至4中任一项所述的絮体沉降速率检测方法。

7.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的絮体沉降速率检测方法。

Images