CN115980050B - 排水口的水质检测方法、装置、计算机设备及存储介质 - Google Patents
排水口的水质检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115980050B CN115980050B CN202211637007.5A CN202211637007A CN115980050B CN 115980050 B CN115980050 B CN 115980050B CN 202211637007 A CN202211637007 A CN 202211637007A CN 115980050 B CN115980050 B CN 115980050B
- Authority
- CN
- China
- Prior art keywords
- detection
- water outlet
- water quality
- water
- module
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 234
- 238000001514 detection method Methods 0.000 title claims abstract description 106
- 230000004927 fusion Effects 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000003708 edge detection Methods 0.000 claims abstract description 15
- 230000005856 abnormality Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 11
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000012372 quality testing Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 239000010865 sewage Substances 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 21
- 238000012549 training Methods 0.000 description 16
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 210000000746 body region Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及排水口的水质检测方法、装置、计算机设备及存储介质，该方法，包括：获取河道监控摄像头的视频流数据，并对视频流数据进行抽帧操作，以得到排水口和河道河面的图像数据；根据图像数据对排水口进行边缘检测，以判断排水口是否发生溢流；若排水口发生溢流，对排水口的水质进行异常检测，以得到检测结果；对检测结果进行融合处理，以得到融合结果；判断融合结果是否大于设定阈值；若融合结果大于设定阈值，则排水口水质异常，生成告警信息。本发明利用人工智能算法，实现排水口自动化污水检测，进而生成告警信息，为水质核查人员提供有力的判断依据，监管偷排污水的情况，从而提升河流治理的工作效率。
Description
技术领域
本发明涉及水质检测技术领域，尤其是指排水口的水质检测方法、装置、计算机设备及存储介质。
背景技术
针对排水口污水检测问题，现已有一些解决方案，但这些方案均存在一定缺陷。如专利号为CN102818884A，名称为“一种违规排污口的定位方法”的专利，通过检测同一横截面水质异常指标，寻找水质异常的位置，此方法存在阈值标定问题，由于河流水质的各个指标会随着季节和昼夜发生变化，故设置固定的阈值较难完成精准的搜寻任务；专利号为CN102700695A，名称为“河道违规排污侦测机器鱼”的专利，利用污染扩散原理，并借助水声判断水质异常的位置，虽然可以找到水质异常的地点，但以上方法均存在信息告警功能的缺失，无法记录异常水质发生现象，不利于后期水质核查人员的工作开展。
发明内容
本发明的目的在于克服现有技术的不足，提供排水口的水质检测方法、装置、计算机设备及存储介质。
为了解决上述技术问题，本发明采用如下技术方案：
第一方面，本实施例提供了一种排水口的水质检测方法，包括以下步骤：
获取河道监控摄像头的视频流数据，并对视频流数据进行抽帧操作，以得到排水口和河道河面的图像数据；
根据图像数据对排水口进行边缘检测，以判断排水口是否发生溢流；
若排水口发生溢流，对排水口的水质进行异常检测，以得到检测结果；
对检测结果进行融合处理，以得到融合结果；
判断融合结果是否大于设定阈值；
若融合结果大于设定阈值，则排水口水质异常，生成告警信息。
其进一步技术方案为：所述根据图像数据对排水口进行边缘检测，以判断排水口是否发生溢流，包括以下步骤：
在排水口位置设定预选框，并计算预选框的高度；
对图像数据进行卷积运算，以得到平滑图像；
根据平滑图像计算得出像素的梯度幅值；
遍历平滑图像中所有像素点的梯度幅值，并只保留同方向梯度幅值最大的像素点；
筛选梯度幅值，以得到具有边界的梯度幅值；
根据具有边界的梯度幅值，统计水体区域纵向的像素个数，以得到水体区域高度；
根据预选框的高度和水体区域高度计算得到高度占比，高度占比用于判断排水口是否发生溢流。
其进一步技术方案为：所述对排水口的水质进行异常检测，以得到检测结果，包括以下步骤：
构建目标检测模型，对摄像头采集到视频流数据进行检测，以得到推理结果的置信度；
构建水质异常预测模型，对水质监测站点的水质数据进行预测，以得到水质异常的概率值。
其进一步技术方案为：所述对检测结果进行融合处理，以得到融合结果步骤中，通过将推理结果的置信度和水质异常的概率值相加取平均值，即融合结果。
第二方面，本实施例提供了一种排水口的水质检测装置，包括：获取抽帧单元、检测判断单元、检测单元、融合单元、判断单元及生成单元；
所述获取抽帧单元，用于获取河道监控摄像头的视频流数据，并对视频流数据进行抽帧操作，以得到排水口和河道河面的图像数据；
所述检测判断单元，用于根据图像数据对排水口进行边缘检测，以判断排水口是否发生溢流；
所述检测单元，用于若排水口发生溢流，对排水口的水质进行异常检测，以得到检测结果；
所述融合单元，用于对检测结果进行融合处理，以得到融合结果；
所述判断单元，用于判断融合结果是否大于设定阈值；
所述生成单元，用于若融合结果大于设定阈值，则排水口水质异常，生成告警信息。
其进一步技术方案为：所述检测判断单元，包括：设定计算模块、运算模块、计算模块、遍历保留模块、筛选模块、统计模块及计算判断模块；
所述设定计算模块，用于在排水口位置设定预选框，并计算预选框的高度；
所述运算模块，用于对图像数据进行卷积运算，以得到平滑图像；
所述计算模块，用于根据平滑图像计算得出像素的梯度幅值；
所述遍历保留模块，用于遍历平滑图像中所有像素点的梯度幅值，并只保留同方向梯度幅值最大的像素点；
所述筛选模块，用于筛选梯度幅值，以得到具有边界的梯度幅值；
所述统计模块，用于根据具有边界的梯度幅值，统计水体区域纵向的像素个数，以得到水体区域高度；
所述计算判断模块，用于根据预选框的高度和水体区域高度计算得到高度占比，高度占比用于判断排水口是否发生溢流。
其进一步技术方案为：所述检测单元，包括：构建检测模块和构建预测模块；
所述构建检测模块，用于构建目标检测模型，对摄像头采集到视频流数据进行检测，以得到推理结果的置信度；
所述构建预测模块，用于构建水质异常预测模型，对水质监测站点的水质数据进行预测，以得到水质异常的概率值。
其进一步技术方案为：所述融合单元中，通过将推理结果的置信度和水质异常的概率值相加取平均值，即融合结果。
第三方面，本实施例提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如上述所述的排水口的水质检测方法。
第四方面，本实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现如上述所述的排水口的水质检测方法。
本发明与现有技术相比的有益效果是：利用人工智能算法，实现排水口自动化污水检测，进而生成告警信息，为水质核查人员提供有力的判断依据，监管偷排污水的情况，从而提升河流治理的工作效率。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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排水口的水质检测方法的流程示意图一；
图2为本发明实施例提供的排水口的水质检测方法的流程示意图二；
图3为本发明实施例提供的排水口的水质检测方法的流程示意图三；
图4为本发明实施例提供的排水口的水质检测装置的示意性框图一；
图5为本发明实施例提供的排水口的水质检测装置的示意性框图二；
图6为本发明实施例提供的排水口的水质检测装置的示意性框图三；
图7为本发明实施例提供的计算机设备的示意性框图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1至图3所示的具体实施例，本发明公开了一种排水口的水质检测方法，包括以下步骤：
S1，获取河道监控摄像头的视频流数据，并对视频流数据进行抽帧操作，以得到排水口和河道河面的图像数据；
具体地，分别收集水质监测站点的水质检测数据和河道监控摄像头的视频流数据，并对其中视频流数据进行视频抽帧操作，以得到排水口和河道河面的图像数据。
S2，根据图像数据对排水口进行边缘检测，以判断排水口是否发生溢流；若排水口未发生溢流，则停止检测。
在一实施例中，参阅图2所示，所述根据图像数据对排水口进行边缘检测，以判断排水口是否发生溢流，包括以下步骤：
S21，在排水口位置设定预选框，并计算预选框的高度；
具体地，采用Canny算法对排水口内的水体区域进行边缘检测，在进行检测之前需在排水口位置设定预选框，该预选框是由一组矩形框坐标组成[p11，p21，p12，p22]。首先，统计矩形框高度方向的像素点，以得到矩形框的高度(D)，然后，利用二值化处理方法，将预选框外的像素点设置0，保留矩形框内的像素点，处理后的图片输入至Canny算法中。
S22，对图像数据进行卷积运算，以得到平滑图像；
具体地，采用高斯函数，对图像数据进行卷积运算，实现平滑图像，减少图片中噪点对检测图像的影响，选用的高斯函数为：
平滑处理后的图像表达式为：
I(x，y)＝G(x，y)*f(x，y) (2)；
其中，f(x，y)表示原始图像函数，σ表示高斯滤波器分布参数。
S23，根据平滑图像计算得出像素的梯度幅值；
具体地，计算每个像素点的梯度大小和方向。Canny算法采用2×2卷积核逐个计算平滑图像的梯度值，分别从X轴和Y轴方向计算像素的一阶导数得出像素的梯度幅值。
X轴方向的一阶偏导数：
Gx(i，j)＝[I(i，j+1)-I(i，j)+I(i+1，j+1)-I(i+1，j)]/2 (3)；
Y轴方向的一阶偏导数：
Gy(i，j)＝[I(i，j)-I(i+1，j)+I(i，j+1)-I(i+1，j+1)]/2 (4)；
将式(3)和式(4)分别与图像f(x，y)进行卷积运算，得出下式：
从而可得到梯度幅值A(i，j)和梯度方向公式如下：
S24，遍历平滑图像中所有像素点的梯度幅值，并只保留同方向梯度幅值最大的像素点；
具体地，使用非极大值抑制，遍历平滑图像中所有像素点的梯度幅值，然后，判断当前像素点是否是周围像素点具有相同方向梯度幅值的最大值，只保留同方向梯度幅值最大的像素点，达到消除边缘检测带来的不利影响。
S25，筛选梯度幅值，以得到具有边界的梯度幅值；
具体地，双阈值检测，使用双阈值检测确定真实和潜在边缘，比对梯度幅值是否处于设定的最大阈值和最小阈值之间，最大阈值和最小阈值指的是图像中像素点的最大梯度幅值和最小梯度幅值。若小于最小阈值则直接舍弃；大于最大阈值则处理为边界；处于阈值范围内的梯度幅值，将只保留连接有边界的梯度幅值，其余舍弃。
S26，根据具有边界的梯度幅值，统计水体区域纵向的像素个数，以得到水体区域高度；
具体地，边缘检测，通过抑制孤立的弱边缘完成边缘检测，实现排水口内水体区域与排水口的边缘检测，然后，统计水体区域纵向的像素个数，得到水体区域高度(h)，将预选框的高度(D)和水体区域高度(h)，输入高度占比公式(9)中得到高度占比β，表达式如下：
S27，根据预选框的高度和水体区域高度计算得到高度占比，高度占比用于判断排水口是否发生溢流。
具体地，当图像的高度占比β未超过设定阈值ε，则判定为排水口无溢流情况，若超过阈值则判定该排水口发生了溢流。
具体地，设定阈值ε指的是处于[0,1]范围内的数值，如ε设置为0.5，则对应为1/2，表示当水体区域占预选框高度超过一半时，判定为排水口发生溢流。
S3，若排水口发生溢流，对排水口的水质进行异常检测，以得到检测结果；
在一实施例中，参阅图3所示，所述对排水口的水质进行异常检测，以得到检测结果，包括以下步骤：
S31，构建目标检测模型，对摄像头采集到视频流数据进行检测，以得到推理结果的置信度；
具体地，水质异常检测共分为两部分，一部分是利用Yolov5网络模型构建的目标检测模型，对摄像头采集到视频流数据进行检测；另一部分是利用支持向量机算法构建的水质异常预测模型对水质监测站点的水质数据进行预测。
其中，基于Yolov5网络模型的水质异常检测，水质异常检测大致分为数据集构建、模型构建与训练和模型推理三个阶段：
数据集构建：
根据水质异常的判断规则，当水体呈黑色、黄色等颜色时，认定为异常情况，基于以上规则对图像数据进行水质异常标注，主要记录图像中水质异常的位置和类别信息，并将标注信息保存至json文件中。将已标注的图像数据与对应标签，按一定比例将数据集划分为训练集、验证集和测试集分别为70％、20％和10％，构建出水质异常检测数据集后，利用基于Yolov5网络模型的目标检测算法进行训练。
模型构建与训练：
构建Yolov5网络模型，具体如下：Yolov5网络模型主要由主干网络、Neck网络和预测层组成。
主干网络由Focus模块、CBL模块、CSP模块和SPP模块构成，其中Focus模块是对输入图像等距离采样，然后进行通道拼接；CBL模块是指封装的卷积模块，是由卷积(Conv)层、标准化(BN)层和激活函数(LeakyReLU)组成；CSP模块是由CBL模块、残差模块和卷积层构成，是通过跨阶段的层次结构，改变模块间的信息流，进而优化梯度传播路径和网络学习能力，同时减少计算量；SPP模块是分别采用1×1、5×5、9×9、13×13最大池化，然后，进行通道拼接，融合不同感受野尺度特征，降低计算量。
Neck网络是基于FPN框架的金字塔结构，将不同尺寸的特征进行拼接和整合，从而获得不同大小的特征信息。
预测层是输出目标物体的类别信息、坐标信息和置信度。
另外，Yolov5网络模型的损失函数分别有Objectness loss、Class loss和Bboxloss。其中Objectness loss和Class loss采用的是BCE With Logits Loss，其公式如下：
CEi＝-ωi[hi·logσ(yi)+(1-hi)·log(1-σ(yi)] (10)；
其中，CEi表示为图像数据中第i个目标的损失函数；ωi表示第i个目标的权重；hi表示经过独热编码后的第i个目标的真实标签；yi表示Yolov5网络模型对第i个目标的置信度预测值和分类预测值；σ表示Sigmod函数。
考虑到检测过程中易出现预测框处在真实框内的情况，故Bbox loss采用CIOU损失函数，计算中心位置和长宽比误差、对重叠区域、中心点距离和长宽比方面进行考量，提升损失函数的收敛速度。其公式如下：
其中，IOU为预测框和真实框之间的交并比；ρ表示两点欧式距离；b和bgt分别表示预测框和真实框的中心点；c代表预测框和真实框最小外接矩形的对角线距离；a作为协调比例参数；v用于衡量框的长宽比一致性参数；wgt和hgt、w、h分别表示预测框和真实框的宽度和高度。
为了提升模型的定位精度，在模型训练后期加入L1范数的边界框损失函数(Loss)，其公式如下：
其中，CE、LCIOU、L1分别表示交叉熵损失函数、CIoU损失函数和L1范数；Npos表示正样本数量；P和G分别代表预测样本和真实样本；pos和neg则代表训练正样本和负样本；Cls、Obj、box和Reg表示分类值、IoU值、定位框和定位偏移量。
具体地，首先利用图像二值化处理方法对图像中排水口附近的河道河面进行检测区域划分，将河道河面外的像素值设置为0。然后，利用Yolov5网络模型检测排水口附近河道河面区域的水质，利用非极大值抑制的方法过滤检测框，输出置信度最高的检测框，作为模型的最终推理结果，并将推理结果的置信度输入至结果融合模型中。
具体地，推理结果的置信度表示检测框中存在目标的概率，取值范围在[0,1]之间。置信度越大，表示目标越可能存在检测框中。
S32，构建水质异常预测模型，对水质监测站点的水质数据进行预测，以得到水质异常的概率值。
具体地，基于支持向量机算法的河流水质预测包括：数据获取、数据预处理、模型原理及训练及模型预测；
数据获取：
利用水质监测站点检测河水水质。此站点定时采集河流河水，并对河水进行检测，获取河水的透明度、溶解氧、氧还原电位、氨氮和电导率指标。
数据预处理：
首先将数据的透明度、溶解氧、氧还原电位、氨氮和电导率变量组成矩阵，如下式：
X＝(cm、L、mv、mg、us、H) (15)；
其中，X表示输入矩阵；cm表示透明度；L表示溶解氧；mv表示氧还原电位；mg表示氨氮；us表示电导率；H表示标签。
利用Z-score方法对数据矩阵进行标准化处理，处理后的数据满足均值为0，方差为1的正态分布，其Z-score计算公式为：
其中，μ是Yi的平均值；σ是Yi的方差。
其中，计算μ-2σ和μ+2σ的数值，划定出数据区间[μ-2σ，μ+2σ]，超出区间的数据将进行剔除，剔除完成后的数据作为预测模型的输入数据，然后将数据集按照70％、20％、10％的比例划分为训练集、验证集和测试集，将训练集输入至水质异常预测模型中进行训练。
模型原理及训练：
水质异常预测模型基于支持向量机算法，其原理如下：支持向量机的原理是将原始空间或者高维度空间的样本点进行分割，形成超平面，划分超平面的公式为：
ωTx+b＝0 (17)；
其中，ω为法向量，b为位移项。
为了更加准确的划分出正确的类别，找出合适的ω使得下式成立。
s.t yi(ωTx+b)≥1，i＝1，2，3，...n (18)；
其中，s.t表示公式的约束条件，x为输入数据，y表示预测结果，n表示输入数据的数量。
考虑到数据呈现高维度的特征，故采用径向核函数，将数据映射至高维空间中，其公式如下：
K(xi，xj)＝exp(-g||xi-xj||2)，g＞0 (19)；
在数据采集过程中由于天气，温度等影响使得数据经常出现异常数据，为了提升预测的效果，减少异常数据对预测结果的影响，引入松弛变量，见下式：
s.t yi(ωTx+b)≥1-δi，δi≥0，i＝1，2，3，...n；
其中，s.t表示公式的约束条件，C为惩罚因子；δ为松弛变量。其中，C值和δ值将直接影响预测效果，故训练前，初始化C和δ参数，然后选用平均绝对值误差(MAE)，作为训练模型的损失函数，其公式如下：
其中，n表示样本的个数，表示模型的预测值，yi表示标签真实值。
其中，利用网格搜索的方法，逐一选取C和δ参数，每次训练后分别统计MAE、C和δ。在完成300次训练后，统计最小的MAE值对应的C和δ，作为支持向量机算法模型的最佳参数。
模型预测：
将数据预测模型参数的C和δ修改为模型最佳参数后，将对采集到的数据，组成矩阵U(cm、L、mv、mg、us)输入至基于支持向量机算法的水质异常预测模型中得出预测值，然后将预测值输入至Softmax函数，函数公式如下：
其中，表示模型的预测值。
其中，通过Softmax函数后得到模型预测水质异常的概率，并将概率值输入至结果融合模型中。
S4，对检测结果进行融合处理，以得到融合结果；
具体地，所述对检测结果进行融合处理，以得到融合结果步骤中，通过将推理结果的置信度和水质异常的概率值相加取平均值，即融合结果。
S5，判断融合结果是否大于设定阈值；若融合结果不大于设定阈值，则排水口水质正常。
S6，若融合结果大于设定阈值，则排水口水质异常，生成告警信息。
具体地，若平均值大于设定阈值，则表示出现异常情况，模型输出告警信息，提醒后台工作人员进行核查。
具体地，此处的设定阈值指的是处于[0,1]之间的数值，是目标检测的置信度(数值范围在[0,1])和模型预测水质异常的概率(数值范围在[0,1])两者取平均的数值。例如：设定阈值为0.7，当平均值大于0.7，则表示排水口发生排污，出现异常情况，输出告警信息。
本发明利用人工智能算法，实现排水口自动化污水检测，进而生成告警信息，为水质核查人员提供有力的判断依据，监管偷排污水的情况，从而提升河流治理的工作效率。
请参阅图4至图6所示，本发明还公开了一种排水口的水质检测装置，包括：获取抽帧单元10、检测判断单元20、检测单元30、融合单元40、判断单元50及生成单元60；
所述获取抽帧单元10，用于获取河道监控摄像头的视频流数据，并对视频流数据进行抽帧操作，以得到排水口和河道河面的图像数据；
所述检测判断单元20，用于根据图像数据对排水口进行边缘检测，以判断排水口是否发生溢流；
所述检测单元30，用于若排水口发生溢流，对排水口的水质进行异常检测，以得到检测结果；
所述融合单元40，用于对检测结果进行融合处理，以得到融合结果；
所述判断单元50，用于判断融合结果是否大于设定阈值；
所述生成单元60，用于若融合结果大于设定阈值，则排水口水质异常，生成告警信息。
在一实施例中，请参阅图5所示，所述检测判断单元20，包括：设定计算模块21、运算模块22、计算模块23、遍历保留模块24、筛选模块25、统计模块26及计算判断模块27；
所述设定计算模块21，用于在排水口位置设定预选框，并计算预选框的高度；
所述运算模块22，用于对图像数据进行卷积运算，以得到平滑图像；
所述计算模块23，用于根据平滑图像计算得出像素的梯度幅值；
所述遍历保留模块24，用于遍历平滑图像中所有像素点的梯度幅值，并只保留同方向梯度幅值最大的像素点；
所述筛选模块25，用于筛选梯度幅值，以得到具有边界的梯度幅值；
所述统计模块26，用于根据具有边界的梯度幅值，统计水体区域纵向的像素个数，以得到水体区域高度；
所述计算判断模块27，用于根据预选框的高度和水体区域高度计算得到高度占比，高度占比用于判断排水口是否发生溢流。
在一实施例中，请参阅图6所示，所述检测单元30，包括：构建检测模块31和构建预测模块32；
所述构建检测模块31，用于构建目标检测模型，对摄像头采集到视频流数据进行检测，以得到推理结果的置信度；
所述构建预测模块32，用于构建水质异常预测模型，对水质监测站点的水质数据进行预测，以得到水质异常的概率值。
在一实施例中，所述融合单元40中，通过将推理结果的置信度和水质异常的概率值相加取平均值，即融合结果。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述排水口的水质检测装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述排水口的水质检测装置可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7，图7是本申请实施例提供的一种计算机设备的示意性框图；该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图7，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种排水口的水质检测方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种排水口的水质检测方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
步骤S1，获取河道监控摄像头的视频流数据，并对视频流数据进行抽帧操作，以得到排水口和河道河面的图像数据；
步骤S2，根据图像数据对排水口进行边缘检测，以判断排水口是否发生溢流；
步骤S3，若排水口发生溢流，对排水口的水质进行异常检测，以得到检测结果；
步骤S4，对检测结果进行融合处理，以得到融合结果；
步骤S5，判断融合结果是否大于设定阈值；
步骤S6，若融合结果大于设定阈值，则排水口水质异常，生成告警信息。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令，所述程序指令当被处理器执行时可实现上述的排水口的水质检测方法。该存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现上述的方法。该程序指令包括以下步骤：
步骤S1，获取河道监控摄像头的视频流数据，并对视频流数据进行抽帧操作，以得到排水口和河道河面的图像数据；
步骤S2，根据图像数据对排水口进行边缘检测，以判断排水口是否发生溢流；
步骤S3，若排水口发生溢流，对排水口的水质进行异常检测，以得到检测结果；
步骤S4，对检测结果进行融合处理，以得到融合结果；
步骤S5，判断融合结果是否大于设定阈值；
步骤S6，若融合结果大于设定阈值，则排水口水质异常，生成告警信息。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-On ly Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
上述实施例为本发明较佳的实现方案，除此之外，本发明还可以其它方式实现，在不脱离本技术方案构思的前提下任何显而易见的替换均在本发明的保护范围之内。
Claims (4)
1.排水口的水质检测方法，其特征在于，包括以下步骤：
获取河道监控摄像头的视频流数据，并对视频流数据进行抽帧操作，以得到排水口和河道河面的图像数据；
根据图像数据对排水口进行边缘检测，以判断排水口是否发生溢流；
若排水口发生溢流，对排水口的水质进行异常检测，以得到检测结果；
对检测结果进行融合处理，以得到融合结果；
判断融合结果是否大于设定阈值；
若融合结果大于设定阈值，则排水口水质异常，生成告警信息；
所述根据图像数据对排水口进行边缘检测，以判断排水口是否发生溢流，包括以下步骤：
在排水口位置设定预选框，并计算预选框的高度；
对图像数据进行卷积运算，以得到平滑图像；
根据平滑图像计算得出像素的梯度幅值；
遍历平滑图像中所有像素点的梯度幅值，并只保留同方向梯度幅值最大的像素点；
筛选梯度幅值，以得到具有边界的梯度幅值；
根据具有边界的梯度幅值，统计水体区域纵向的像素个数，以得到水体区域高度；
根据预选框的高度和水体区域高度计算得到高度占比，高度占比用于判断排水口是否发生溢流；
所述对排水口的水质进行异常检测，以得到检测结果，包括以下步骤：
构建目标检测模型，对摄像头采集到视频流数据进行检测，以得到推理结果的置信度；
构建水质异常预测模型，对水质监测站点的水质数据进行预测，以得到水质异常的概率值；
所述对检测结果进行融合处理，以得到融合结果步骤中，通过将推理结果的置信度和水质异常的概率值相加取平均值，即融合结果。
2.排水口的水质检测装置，其特征在于，包括：获取抽帧单元、检测判断单元、检测单元、融合单元、判断单元及生成单元；
所述获取抽帧单元，用于获取河道监控摄像头的视频流数据，并对视频流数据进行抽帧操作，以得到排水口和河道河面的图像数据；
所述检测判断单元，用于根据图像数据对排水口进行边缘检测，以判断排水口是否发生溢流；
所述检测单元，用于若排水口发生溢流，对排水口的水质进行异常检测，以得到检测结果；
所述融合单元，用于对检测结果进行融合处理，以得到融合结果；
所述判断单元，用于判断融合结果是否大于设定阈值；
所述生成单元，用于若融合结果大于设定阈值，则排水口水质异常，生成告警信息；
所述检测判断单元，包括：设定计算模块、运算模块、计算模块、遍历保留模块、筛选模块、统计模块及计算判断模块；
所述设定计算模块，用于在排水口位置设定预选框，并计算预选框的高度；
所述运算模块，用于对图像数据进行卷积运算，以得到平滑图像；
所述计算模块，用于根据平滑图像计算得出像素的梯度幅值；
所述遍历保留模块，用于遍历平滑图像中所有像素点的梯度幅值，并只保留同方向梯度幅值最大的像素点；
所述筛选模块，用于筛选梯度幅值，以得到具有边界的梯度幅值；
所述统计模块，用于根据具有边界的梯度幅值，统计水体区域纵向的像素个数，以得到水体区域高度；
所述计算判断模块，用于根据预选框的高度和水体区域高度计算得到高度占比，高度占比用于判断排水口是否发生溢流；
所述检测单元，包括：构建检测模块和构建预测模块；
所述构建检测模块，用于构建目标检测模型，对摄像头采集到视频流数据进行检测，以得到推理结果的置信度；
所述构建预测模块，用于构建水质异常预测模型，对水质监测站点的水质数据进行预测，以得到水质异常的概率值；
所述融合单元中，通过将推理结果的置信度和水质异常的概率值相加取平均值，即融合结果。
3.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1所述的排水口的水质检测方法。
4.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时实现如权利要求1所述的排水口的水质检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211637007.5A CN115980050B (zh) | 2022-12-15 | 2022-12-15 | 排水口的水质检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211637007.5A CN115980050B (zh) | 2022-12-15 | 2022-12-15 | 排水口的水质检测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115980050A CN115980050A (zh) | 2023-04-18 |
| CN115980050B true CN115980050B (zh) | 2023-11-03 |
Family
ID=85967435
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211637007.5A Active CN115980050B (zh) | 2022-12-15 | 2022-12-15 | 排水口的水质检测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115980050B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116311089B (zh) * | 2023-05-26 | 2023-08-25 | 广东海洋大学 | 一种基于图像处理的污水水质数据智能分析方法和系统 |
| CN116402817B (zh) * | 2023-06-08 | 2023-08-15 | 青岛国源中创电气自动化工程有限公司 | 基于视频分析的污水曝气量的检测方法 |
| CN116958707B (zh) * | 2023-08-18 | 2024-04-23 | 武汉市万睿数字运营有限公司 | 一种基于球机监控设备的图像分类方法、装置及相关介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011047801A (ja) * | 2009-08-27 | 2011-03-10 | Shikoku Res Inst Inc | 水質監視装置 |
| JP2013217680A (ja) * | 2012-04-05 | 2013-10-24 | Kankyo Denshi Kk | 水質自動監視装置 |
| CN110687050A (zh) * | 2019-09-29 | 2020-01-14 | 长沙有色冶金设计研究院有限公司 | 一种基于图像识别的水质监测系统和监测方法 |
| CN113989510A (zh) * | 2021-12-28 | 2022-01-28 | 深圳市万物云科技有限公司 | 一种河道排水口溢流检测方法、装置及相关设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6891972B2 (ja) * | 2017-12-01 | 2021-06-18 | 日本電気株式会社 | 河川危険度判定装置、河川危険度判定方法、及びプログラム |
-
2022
- 2022-12-15 CN CN202211637007.5A patent/CN115980050B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011047801A (ja) * | 2009-08-27 | 2011-03-10 | Shikoku Res Inst Inc | 水質監視装置 |
| JP2013217680A (ja) * | 2012-04-05 | 2013-10-24 | Kankyo Denshi Kk | 水質自動監視装置 |
| CN110687050A (zh) * | 2019-09-29 | 2020-01-14 | 长沙有色冶金设计研究院有限公司 | 一种基于图像识别的水质监测系统和监测方法 |
| CN113989510A (zh) * | 2021-12-28 | 2022-01-28 | 深圳市万物云科技有限公司 | 一种河道排水口溢流检测方法、装置及相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115980050A (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115980050B (zh) | 排水口的水质检测方法、装置、计算机设备及存储介质 | |
| Li et al. | Automatic pixel‐level multiple damage detection of concrete structure using fully convolutional network | |
| Liu et al. | A rail surface defect detection method based on pyramid feature and lightweight convolutional neural network | |
| CN116579616B (zh) | 一种基于深度学习的风险识别方法 | |
| CN110889399B (zh) | 基于深度学习的高分辨率遥感影像弱小目标检测方法 | |
| CN113936132B (zh) | 基于计算机视觉的化工厂水体污染检测方法与系统 | |
| CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
| CN113706579A (zh) | 一种基于工厂化养殖的对虾多目标跟踪系统及方法 | |
| CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
| CN114972339A (zh) | 用于推土机结构件生产异常检测的数据增强系统 | |
| CN115439654A (zh) | 动态约束下的弱监督农田地块精细化分割方法及系统 | |
| CN117253157A (zh) | 针对遥感影像破碎图斑的实例约束变化检测方法和装置 | |
| Devereux et al. | Automated object detection for visual inspection of nuclear reactor cores | |
| CN114663760A (zh) | 模型训练的方法、目标检测方法、存储介质及计算设备 | |
| CN113673589A (zh) | 基于边框距离度量的标签选择自适应增量检测方法及系统 | |
| CN118537338B (zh) | 基于缺陷类型引导的电路板缺陷定位方法 | |
| CN117593746B (zh) | 基于目标检测的细胞分裂均衡度评估系统及装置 | |
| CN118154600B (zh) | 光伏发电系统的掉串检测方法、装置、电子设备和介质 | |
| CN118246610B (zh) | 基于大数据的微藻浓度预测方法及系统 | |
| CN115496931B (zh) | 一种工业机器人健康监测方法及系统 | |
| CN118015261B (zh) | 一种基于多尺度特征复用的遥感图像目标检测方法 | |
| CN117036780A (zh) | 一种无水尺水位识别方法、终端设备及存储介质 | |
| CN117670848A (zh) | 故障检测模型的训练方法、设备故障检测方法及相关装置 | |
| CN112508986A (zh) | 一种基于深度卷积网络与随机场的水位测量方法 | |
| KR20240136875A (ko) | 주어진 입력 측정 데이터 기록이 트레이닝된 머신 러닝 모델의 트레이닝에 의해 커버되는지의 결정 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |