CN116310845A - 一种用于污水处理的智能监测系统 - Google Patents
一种用于污水处理的智能监测系统 Download PDFInfo
- Publication number
- CN116310845A CN116310845A CN202310564531.2A CN202310564531A CN116310845A CN 116310845 A CN116310845 A CN 116310845A CN 202310564531 A CN202310564531 A CN 202310564531A CN 116310845 A CN116310845 A CN 116310845A
- Authority
- CN
- China
- Prior art keywords
- region
- pixel point
- sub
- window
- contrast
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 239000010865 sewage Substances 0.000 title claims abstract description 29
- 238000011282 treatment Methods 0.000 title claims abstract description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 126
- 239000007787 solid Substances 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 16
- 239000000203 mixture Substances 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims description 26
- 238000004065 wastewater treatment Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 6
- 238000004062 sedimentation Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 238000003708 edge detection Methods 0.000 description 5
- 239000000725 suspension Substances 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种用于污水处理的智能监测系统,该系统包括:水面图像采集模块、区域划分模块、区域对比度获取模块、对比度修正模块、水面图像增强模块、污水处理监测模块,采集水面图像,根据水面图像的边缘图像对水面图像进行区域划分,根据水面图像每个区域的灰度直方图高斯混合模型拟合的结果获取每个区域的整体对比度、不确定区间、第一代表像素点以及第二代表像素点,进而得到不确定像素点以及不确定像素点的第一距离和第二距离,根据第一距离和第二距离获取每个区域的局部对比度,对整体对比度进行修正得到修正对比度,进而获取增强图像,进行污水处理进度监测。本发明增强效果好,对固体悬浮物的识别更加准确。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种用于污水处理的智能监测系统。
背景技术
污水一级处理过程中需要经过沉砂池、初沉池、气浮池、调节池等,其中初沉池用于处理污水中的固体悬浮物,包括塑料垃圾、落叶等。为了对初沉池中固体悬浮物更好的清理,需要对初沉池中固体悬浮物进行识别。
目前通常通过计算机视觉对水面的固体悬浮物进行识别以及污染监测,由于水面图像中部分区域的固体悬浮物和水面的对比不明显,造成污染监测不准确,因此需要对水面图像进行增强。现有的增强算法对图像中每个像素进行相同的处理,及增强的程度相同,但实际中图像中不同区域的细节和特征是不一样的,使用全局增强方法进行处理,可能会导致某些区域的细节被过度放大,其他区域则被忽略,增强效果差。
发明内容
为了解决上述问题,本发明提供一种用于污水处理的智能监测系统,所述系统包括:
水面图像采集模块,采集水面图像;
区域划分模块,获取水面图像的边缘图像,在边缘图像中构建窗口,对窗口内所有白色像素点进行聚类,得到多个类别,根据窗口内所有类别获取窗口的第一比例;根据窗口的第一比例获取边缘图像中分割的区域;根据边缘图像中分割的区域对水面图像进行区域划分;
区域对比度获取模块,获取水面图像每个区域的灰度直方图,对灰度直方图进行高斯混合模型拟合,根据拟合结果获取每个区域的整体对比度;
对比度修正模块,根据每个区域的高斯混合模型拟合结果获取每个区域的不确定区间、第一代表像素点以及第二代表像素点;将不确定区间中的每个灰度值在对应区域中对应的像素点分别作为不确定像素点,根据不确定像素点、第一代表像素点以及第二代表像素点获取每个不确定像素点的第一距离和第二距离;根据每个区域所有不确定像素点的第一距离和第二距离获取每个区域的局部对比度;根据每个区域的局部对比度对整体对比度进行修正,获取每个区域的修正对比度;
水面图像增强模块,根据每个区域的修正对比度获取每个区域中每个像素点增强后的灰度值,根据每个区域中每个像素点增强后的灰度值得到增强图像;
污水处理监测模块,根据增强图像进行固体悬浮物识别,根据识别结果进行污水处理进度监测。
优选的,所述根据窗口内所有类别获取窗口的第一比例,包括的步骤为:
对窗口内每个类别中所有白色像素点进行凸包检测,获取每个类别的凸包区域;根据窗口内所有类别的凸包区域获取窗口的第一比例:
优选的,所述根据窗口的第一比例获取边缘图像中分割的区域,包括的步骤为:
对窗口的第一比例进行判断,包括:当窗口的第一比例小于或等于预设的第一阈值时,将窗口作为一个分割的区域;当窗口的第一比例大于预设的第一阈值时,将窗口的边长扩大得到新的窗口;获取新的窗口的第一比例;
重复对新的窗口的第一比例进行判断,直到得到分割的区域时停止迭代;
以边缘图像中所有分割的区域外的第一个像素点为新的窗口的左上角的像素点,构建新的窗口,获取新的窗口的第一比例,对窗口的第一比例进行判断;依次类推,直到边缘图像中所有像素点都属于不同的分割的区域时停止迭代。
优选的,所述根据边缘图像中分割的区域对水面图像进行区域划分,包括的步骤为:
将边缘图像中每个分割的区域包含的像素点在水面图像中对应位置的像素点划分为一个区域。
优选的,所述根据拟合结果获取每个区域的整体对比度,包括的步骤为:
其中,为第/>个区域的整体对比度;/>为第/>个区域第一个子高斯模型的函数;/>为第/>个区域第二个子高斯模型的函数;/>为最小值函数;/>为最大值函数;/>表示对变量/>进行积分;/>为以自然常数为底的指数函数;/>为第/>个区域中第一个子高斯模型的均值参数;/>为第/>个区域中第二个子高斯模型的均值参数;/>为第/>个区域中第一个子高斯模型的标准差参数;/>为第/>个区域中第二个子高斯模型的标准差参数;/>为双曲正切函数。
优选的,所述根据每个区域的高斯混合模型拟合结果获取每个区域的不确定区间、第一代表像素点以及第二代表像素点,包括的步骤为:
获取第个区域中第一个子高斯模型和第二个子高斯模型的交点的横坐标,用表示;将/>作为不确定区间,其中/>为第个区域中第一个子高斯模型的标准差参数;/>为第/>个区域中第一个子高斯模型的均值参数;/>为第/>个区域中第二个子高斯模型的标准差参数;/>为第/>个区域中第二个子高斯模型的均值参数;/>为最大值函数;
将作为第/>个区域中第一个子高斯模型的代表灰度,将第一个子高斯模型的代表灰度在水面图像中第/>个区域中对应的像素点作为第一代表像素点;将/>作为第/>个区域中第二个子高斯模型的代表灰度,将第二个子高斯模型的代表灰度在水面图像中第/>个区域中对应的像素点作为第二代表像素点。
优选的,所述根据不确定像素点、第一代表像素点以及第二代表像素点获取每个不确定像素点的第一距离和第二距离,包括的步骤为:
将任意一个不确定像素点作为目标像素点,获取距离目标像素点最近的第一代表像素点和第二代表像素点,将目标像素点与最近的第一代表像素点之间的欧式距离作为目标像素点的第一距离,将目标像素点与最近的第二代表像素点之间的欧式距离作为目标像素点的第二距离;同理,获取每个不确定像素点的第一距离和第二距离。
优选的,所述根据每个区域所有不确定像素点的第一距离和第二距离获取每个区域的局部对比度,包括的步骤为:
其中,为第/>个区域的局部对比度;/>为第/>个区域中不确定像素点的个数;/>为第/>个区域中第/>个不确定像素点的第一距离;/>为第/>个区域中第/>个不确定像素点的第二距离;/>为最大值函数;/>为绝对值函数。
优选的,所述获取每个区域的修正对比度,包括的步骤为:
将每个区域的局部对比度作为整体对比度的修正因子,与整体对比度相乘得到每个区域的修正对比度。
优选的,所述根据每个区域的修正对比度获取每个区域中每个像素点增强后的灰度值,包括的步骤为:
其中,为第/>个区域中第/>个像素点增强后的灰度值;/>为第/>个区域中第/>个像素点增强前的灰度值;/>为第/>个区域的修正对比度;/>为第/>个区域中第一个子高斯模型的标准差参数;/>为第/>个区域中第一个子高斯模型的均值参数;/>为第/>个区域中第一个子高斯模型和第二个子高斯模型的交点的横坐标;为最大值函数。
本发明具有如下有益效果:本发明为避免对仅包含固体悬浮物的区域或仅包含水面的区域过度增强,根据水面图像的边缘图像获取窗口的第一比例,第一比例获取边缘图像中分割的区域,从而对水面图像进行区域划分,确保了划分的每个区域中均包含了固体悬浮物以及水面,使得后续对每个区域进行自适应增强的结果更加准确;本发明根据水面图像每个区域的灰度直方图高斯混合模型拟合的结果获取每个区域的整体对比度,利用整体对比度反应了每个区域中固体悬浮物和水面的差异情况,使得后续结合整体对比度对每个区域进行自适应增强的程度不同,结果更加准确;本发明根据不确定区间、第一代表像素点以及第二代表像素点,进而得到不确定像素点以及不确定像素点的第一距离和第二距离,根据第一距离和第二距离获取每个区域的局部对比度,局部对比度反应了直方图中固体悬浮物和水面的交界处的灰度值的归属程度,根据整体对比度进行修正得到修正对比度,更加准确的反应了每个区域的特征,根据修正对比度对水面图像进行增强得到增强图像的增强效果更好,确保了每个区域中固体悬浮物与水面的对比度增强,同时使得固体悬浮物的细节更加明显,根据增强图像识别的固体悬浮物更加准确,污水处理进度监测更加准确。
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为本发明一个实施例提供的一种用于污水处理的智能监测系统的系统框图;
图2为水面图像;
图3为边缘图像。
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用于污水处理的智能监测系统,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用于污水处理的智能监测系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于污水处理的智能监测系统,该系统包括以下模块:
水面图像采集模块S101,采集水面图像。
在污水处理初沉池上方架设相机,通过相机定时拍摄污水处理池的水面RGB图像。为了便于后续分析,将水面RGB图像转换为灰度图像,作为水面图像,本发明实施例的一个水面图像参见图2。
至此,获取了水面图像。
区域划分模块S102,对水面图像进行区域划分。
需要说明的是,水面图像中部分区域的固体悬浮物与水面的差异较小,利用现有的分割算法难以准确的将水面上的固体悬浮物与水面分割开来,因此需要对水面图像进行增强,使得固体悬浮物与水面的对比度更加明显,从而准确的识别水面上的固体悬浮物。现有的增强算法均为全局增强,全局增强是对图像中每个像素进行相同的处理,即增强的程度相同,但水面图像中不同区域的细节和特征是不一样的,水面图像中距离拍摄的相机镜头较近处的区域较为清晰,固体悬浮物较为明显,水面图像中距离拍摄的相机镜头较远处的区域较为模糊,固体悬浮物与水面的差异较小,使用全局增强方法进行处理,可能会导致较近处的区域的细节被过度放大,较远处的区域的细节被忽略。因此需要对水面图像进行区域划分,以便后续根据不同区域的特征对每个区域进行自适应增强。
需要进一步说明的是,为了避免对仅包含固体悬浮物的区域或仅包含水面的区域过度增强,使得仅包含固体悬浮物的区域中部分位置被误识别为水面,或仅包含水面的区域中部分位置被误识别为固体悬浮物,本发明实施例对水面图像进行区域划分时,尽可能确保每个区域中都包含固体悬浮物以及水面,使得后续对每个区域进行自适应增强的结果更加准确。
在本发明实施例中,利用Sobel边缘检测算法对水面图像进行边缘检测,得到水面图像对应的边缘图像,参见图3。在本发明实施例中,Sobel边缘检测算法所使用的阈值参数为20,在其他发明实施例中,实施人员可根据实际实施情况设置阈值参数,但水面图像部分位置由于固体悬浮物与水面的对比度较小,为了确保检测到的边缘包含水面图像的固体悬浮物与水面之间的分界的边缘,设置的阈值参数需较小,需小于50。实施人员也可利用其他的边缘检测算法对水面图像进行边缘检测。
对窗口进行区域判断,具体为:
对窗口内所有白色像素点的进行DBSCAN聚类,将所有白色像素点分为多个类别,对每个类别中所有白色像素点进行凸包检测,获取每个类别的凸包区域。
根据窗口内所有类别的凸包区域获取窗口的第一比例:
其中为窗口的第一比例;/>为窗口内第/>个类别的凸包区域的面积;/>为窗口内所有类别的个数;/>为窗口边长;窗口内每个类别为密度较大的白色像素点所构成的类别,当白色像素点的密度较大时,大概率为固体悬浮物的边缘,每个类别的凸包区域大概率为固体悬浮物的区域,所有类别的凸包区域以外的区域大概率为水面的区域,/>为固体悬浮物在窗口内的占比,当占比越接近/>时,固体悬浮物和水面在窗口内的面积基本相同,此时第一比例越小,后续以该窗口作为一个区域进行自适应增强的效果越好。
当窗口的第一比例小于或等于预设的第一阈值时,将窗口作为一个分割的区域;当窗口的第一比例大于预设的第一阈值/>时,将窗口的边长扩大/>个像素点,得到新的窗口,重复对新的窗口进行区域判断,直到得到分割的区域时停止迭代。在本发明实施例中,/>,/>,在其他实施例中,实施人员可根据实际实施情况设置/>以及。
以边缘图像中所有分割的区域外的第一个像素点为新的窗口的左上角的像素点,构建新的窗口,对新的窗口进行区域判断,得到分割的区域。依次类推,直到边缘图像中所有像素点都属于不同的分割的区域时停止迭代。
将边缘图像中每个分割的区域包含的像素点在水面图像中对应位置的像素点划分为一个区域,如此,实现了将水面图像划分为了多个区域。
至此,将水面图像划分为了多个区域。
区域对比度获取模块S103,获取每个区域的整体对比度。
需要说明的是,拍摄图像的距离会影响固体悬浮物与水面的对比度,水面图像中距离拍摄的相机镜头较近处的区域较为清晰,固体悬浮物较为明显,固体悬浮物与水面的对比度较大,水面图像中距离拍摄的相机镜头较远处的区域较为模糊,固体悬浮物与水面的差异较小,固体悬浮物与水面的对比度较小,水面的灰度值相对较暗,固体悬浮物的灰度值相对较亮,本发明实施例根据每个区域中灰度值的分布特征获取每个区域的整体对比度,以便后续根据每个区域的整体对比度进行自适应增强。
在本发明实施例中,获取每个区域的灰度直方图,利用EM算法对每个区域的灰度直方图进行高斯混合模型的拟合,所拟合高斯混合模型包含的子高斯模型的数量为2,得到每个区域对应的每个子高斯模型的函数以及均值参数和标准差参数。
根据每个区域的子高斯模型获取每个区域的整体对比度:
其中,为第/>个区域的整体对比度;/>为第/>个区域第一个子高斯模型的函数;/>为第/>个区域第二个子高斯模型的函数;/>为最小值函数;为最大值函数;/>表示对变量/>进行积分;/>为第/>个区域中两个高斯模型分布交集处的面积;/>为第/>个区域中两个高斯模型分布并集的面积;/>为以自然常数为底的指数函数;为第/>个区域中两个高斯模型分布交集的面积与并集的面积之比,/>对面积之比进行负相关映射以及归一化;/>代表两个子高斯模型的相交程度,当两个子高斯模型的相交程度较大时,区域中两个特征的灰度差异较小,此时该区域的整体对比度较小;/>为第/>个区域中第一个子高斯模型的均值参数;/>为第/>个区域中第二个子高斯模型的均值参数;/>为两个高斯模型之间均值参数的差异,代表了两个子高斯模型之间的间隔程度,两个子高斯模型之间的间隔程度越小时,区域中两个特征的灰度差异越小,该区域的整体对比度较小;/>为第/>个区域中第一个子高斯模型的标准差参数;/>为第/>个区域中第二个子高斯模型的标准差参数,标准差参数反应了每个子高斯模型的灰度值的扩散程度,当扩散程度越大时,说明此时区域中两个特征相差较小,该区域的整体对比度较小;/>为双曲正切函数,用作对进行归一化。
至此,得到每个区域的整体对比度。
对比度修正模块S104,对每个区域的整体对比度进行修正,获取每个区域的修正对比度。
需要说明的是,整体对比度反应的是每个区域中包含的灰度之间的差异程度,若混合高斯模型中两个子高斯模型分布的交集的面积较大时,即交集中的灰度值在两个子高斯模型下的概率密度值都较大时,该灰度值在水面图像中该区域中的像素点可能属于固体悬浮物,也可能属于水面,此时区域整体对比度较小。但若该灰度值对应的像素点周围分布的均为属于固体悬浮物的像素点,则该灰度值对应的像素点大概率属于固体悬浮物,此时此些像素点的局部对比度大;若该灰度值对应的像素点周围分布的均为属于水面的像素点,则该灰度值对应的像素点大概率属于水面,此时此些像素点的局部对比度大;若该像素点周围分布的既包含了属于固体悬浮物的像素点,又包含了属于水面的像素点,则该像素点无法确定属于哪个特征,此时像素点的局部对比度小。因此本发明实施例结合灰度值对应的像素点的分布获取每个区域的局部对比度,利用局部对比度对整体对比度进行修正,获取每个区域的修正对比度,以便更加准确的反应每个区域的特征,使得后续根据修正对比度进行自适应增强的结果更加准确。
获取第个区域中第一个子高斯模型和第二个子高斯模型的交点的横坐标,即交点对应的灰度值,用/>表示。将/>作为不确定区间,其中/>为第/>个区域中第一个子高斯模型的标准差参数;/>为第/>个区域中第一个子高斯模型的均值参数;/>为第/>个区域中第二个子高斯模型的标准差参数;/>为第/>个区域中第二个子高斯模型的均值参数;/>为最大值函数,表示在/>和/>中取最大值,/>到/>为交点左侧在两个子高斯模型下的概率密度值可能都较大的灰度值所属的范围,第一个子高斯模型的代表灰度/>在第一个子高斯模型中的概率密度值最大,代表灰度在两个子高斯模型下的概率密度值都较大的可能性较小,代表灰度/>左侧的灰度值两个子高斯模型下的概率密度值都较大的可能性也较小,因此以代表灰度/>为界限,在/>和/>中取最大值作为不确定区间的左边界,避免不确定区间包含了两个子高斯模型下的概率密度值都较大的可能性较小的灰度值;/>为最小值函数,/>表示在/>和/>中取最小值,/>到为交点右侧在两个子高斯模型下的概率密度值可能都较大的灰度值所属的范围,第二个子高斯模型的代表灰度/>在第二个子高斯模型中的概率密度值最大,代表灰度/>在两个子高斯模型下的概率密度值都较大的可能性较小,代表灰度/>右侧的灰度值两个子高斯模型下的概率密度值都较大的可能性也较小,因此以代表灰度为界限,在/>和/>中取最小值作为不确定区间的右边界,避免不确定区间包含了两个子高斯模型下的概率密度值都较大的可能性较小的灰度值。
将作为第/>个区域中第一个子高斯模型的代表灰度,将第一个子高斯模型的代表灰度在水面图像中第/>个区域中对应的像素点作为第一代表像素点。将/>作为第/>个区域中第二个子高斯模型的代表灰度,将第二个子高斯模型的代表灰度在水面图像中第/>个区域中对应的像素点作为第二代表像素点。
将不确定区间中的每个灰度值在水面图像中第/>个区域中对应的每个像素点分别作为一个不确定像素点。将任意一个不确定像素点作为目标像素点,获取距离目标像素点最近的第一代表像素点和第二代表像素点,将目标像素点与最近的第一代表像素点之间的欧式距离作为目标像素点的第一距离,将目标像素点与最近的第二代表像素点之间的欧式距离作为目标像素点的第二距离。同理,获取每个不确定像素点的第一距离和第二距离。
其中,为第/>个区域的局部对比度;/>为第/>个区域中不确定像素点的个数;/>为第/>个区域中第/>个不确定像素点的第一距离;/>为第/>个区域中第/>个不确定像素点的第二距离;/>为最大值函数;/>为绝对值函数;/>为第/>个区域中第/>个不确定像素点的第一距离和第二距离的差异率,即第/>个区域中第/>个不确定像素点的局部对比度;/>为第/>个区域中所有不确定像素点的第一距离和第二距离的差异率的均值;当不确定像素点的第一距离和第二距离差异较大时,不确定像素点大概率属于一个特征,此时不确定像素点的局部对比度较大,当第一距离和第二距离差异较小时,不确定像素点到第一代表像素点和第二代表像素点的距离基本相同,此时不确定像素点既可能属于第一个子高斯模型对应的图像特征,又可能属于第二个子高斯模型对应的图像特质,此时不确定像素点的局部对比度较小。当所有不确定像素点的局部对比度都较大时,第/>个区域的局部对比度较大,当所有不确定像素点的局部对比度都较小时,第/>个区域的局部对比度较小。
根据每个区域的局部对比度对整体对比度进行修正,获取每个区域的修正对比度:
其中,为第/>个区域的修正对比度;/>为第/>个区域的整体对比度;为第/>个区域的局部对比度;将第/>个区域的局部对比度作为整体对比度的修正因子,对整体对比度进行修正得到第/>个区域的修正对比度;当/>的值趋近于1时,说明第/>个区域中固体悬浮物与水面的差异较为明显,需要增强的程度小;当/>的值趋近于0时,说明第/>个区域中固体悬浮物与水面的差异较为模糊,需要增强的程度大。
至此,实现了每个区域的整体对比度的修正,获取每个区域的修正对比度。
水面图像增强模块S105,根据每个区域的修正对比度对水面图像进行增强。
需要说明的是,修正对比度大的区域中固体悬浮物与水面的差异较为明显,需要增强的程度小,修正对比度小的区域中固体悬浮物与水面的差异较为模糊,需要增强的程度大。因此本发明实施例根据每个区域的修正对比度对每个区域进行分段线性拉伸。
在本发明实施例中,获取每个区域中每个像素点增强后的灰度值:
其中,为第/>个区域中第/>个像素点增强后的灰度值;/>为第/>个区域中第/>个像素点增强前的灰度值;/>为第/>个区域的修正对比度;/>为第/>个区域中第一个子高斯模型的标准差参数;/>为第/>个区域中第一个子高斯模型的均值参数;/>为第/>个区域中第一个子高斯模型和第二个子高斯模型的交点的横坐标;/>为最大值函数;当/>时,第/>个区域中第/>个像素点大概率为第一个子高斯模型对应的图像特征(即水面)的像素点,将/>作为第个区域中第/>个像素点增强后的灰度值,若第/>个区域的修正对比度较小时,水面的像素点的灰度值乘以一个小于1且较小的数,将水面像素点的灰度值减小,使得增强固体悬浮物与水面的对比度增强程度大,若第/>个区域的修正对比度较大时,水面的像素点的灰度值乘以一个小于1但稍大的数,使得增强固体悬浮物与水面的对比度增强程度小;当时,第/>个区域中第/>个像素点为不确定区间中的像素点以及第二个子高斯模型对应的图像特征(即固体悬浮物)的像素点,将作为第/>个区域中第/>个像素点增强后的灰度值,若第/>个区域的修正对比度较小时,不确定区间的像素点或固体悬浮物的像素点的灰度值乘以一个大于1且较大的数,将不确定区间的像素点或固体悬浮物的像素点的灰度值扩大,使得增强固体悬浮物与水面的对比度增强程度大,若第/>个区域的修正对比度较大时,不确定区间的像素点或固体悬浮物的像素点的灰度值乘以一个大于1但稍小的数,使得增强固体悬浮物与水面的对比度增强程度小,通过对/>范围内的灰度值进行扩大,不但增强了增强固体悬浮物与水面的对比度,同时增强了固体悬浮物的细节,使得后续对固体悬浮物的识别更加准确。
根据每个区域中每个像素点增强后的灰度值获取每个区域的增强图像。对每个区域的增强图像按照顺序进行拼接得到水面图像对应的增强图像。
至此,获取了水面图像的增强图像。
污水处理监测模块S106,根据增强图像进行水面污染处理程度监测。
利用语义分割网络对增强图像中水面的固体悬浮物进行识别,将遥感影像的增强图像输入到语义分割网络中;语义分割网络的数据集为增强图像数据集;需要分割的像素分为两个类别,固体悬浮物为一个类别,水面为一个类别。语义分割网络使用的loss函数为交叉熵损失函数。
根据识别的固体悬浮物获取初沉池的沉淀进度,当水面上无固体悬浮物时,固体悬浮物沉到池底,初沉池处理完成,污水进入下一处理工序。
需要说明的是,本发明实施例对水面图像进行分区域增强,确保了每个区域中固体悬浮物与水面的对比度增强,同时使得固体悬浮物的细节更加明显,使得对语义分割网络的数据集进行人工标注时,减少了人工标注的难度,提高了标注的准确度,同时使得语义分割网络简单,收敛速度快,对固体悬浮物的识别更加准确。
综上所述,本发明的系统包括水面图像采集模块、区域划分模块、区域对比度获取模块、对比度修正模块、水面图像增强模块、污水处理监测模块,本发明为避免对仅包含固体悬浮物的区域或仅包含水面的区域过度增强,根据水面图像的边缘图像获取窗口的第一比例,第一比例获取边缘图像中分割的区域,从而对水面图像进行区域划分,确保了划分的每个区域中均包含了固体悬浮物以及水面,使得后续对每个区域进行自适应增强的结果更加准确;本发明根据水面图像每个区域的灰度直方图高斯混合模型拟合的结果获取每个区域的整体对比度,利用整体对比度反应了每个区域中固体悬浮物和水面的差异情况,使得后续结合整体对比度对每个区域进行自适应增强的程度不同,结果更加准确;本发明根据不确定区间、第一代表像素点以及第二代表像素点,进而得到不确定像素点以及不确定像素点的第一距离和第二距离,根据第一距离和第二距离获取每个区域的局部对比度,局部对比度反应了直方图中固体悬浮物和水面的交界处的灰度值的归属程度,根据整体对比度进行修正得到修正对比度,更加准确的反应了每个区域的特征,根据修正对比度对水面图像进行增强得到增强图像的增强效果更好,确保了每个区域中固体悬浮物与水面的对比度增强,同时使得固体悬浮物的细节更加明显,根据增强图像识别的固体悬浮物更加准确,污水处理进度监测更加准确。
以上所述仅为本发明的较佳实施例而已,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 (10)
1.一种用于污水处理的智能监测系统,其特征在于,所述系统包括:
水面图像采集模块,采集水面图像;
区域划分模块,获取水面图像的边缘图像,在边缘图像中构建窗口,对窗口内所有白色像素点进行聚类,得到多个类别,根据窗口内所有类别获取窗口的第一比例;根据窗口的第一比例获取边缘图像中分割的区域;根据边缘图像中分割的区域对水面图像进行区域划分;
区域对比度获取模块,获取水面图像每个区域的灰度直方图,对灰度直方图进行高斯混合模型拟合,根据拟合结果获取每个区域的整体对比度;
对比度修正模块,根据每个区域的高斯混合模型拟合结果获取每个区域的不确定区间、第一代表像素点以及第二代表像素点;将不确定区间中的每个灰度值在对应区域中对应的像素点分别作为不确定像素点,根据不确定像素点、第一代表像素点以及第二代表像素点获取每个不确定像素点的第一距离和第二距离;根据每个区域所有不确定像素点的第一距离和第二距离获取每个区域的局部对比度;根据每个区域的局部对比度对整体对比度进行修正,获取每个区域的修正对比度;
水面图像增强模块,根据每个区域的修正对比度获取每个区域中每个像素点增强后的灰度值,根据每个区域中每个像素点增强后的灰度值得到增强图像;
污水处理监测模块,根据增强图像进行固体悬浮物识别,根据识别结果进行污水处理进度监测。
3.根据权利要求1所述的一种用于污水处理的智能监测系统,其特征在于,所述根据窗口的第一比例获取边缘图像中分割的区域,包括的步骤为:
对窗口的第一比例进行判断,包括:当窗口的第一比例小于或等于预设的第一阈值时,将窗口作为一个分割的区域;当窗口的第一比例大于预设的第一阈值时,将窗口的边长扩大得到新的窗口;获取新的窗口的第一比例;
重复对新的窗口的第一比例进行判断,直到得到分割的区域时停止迭代;
以边缘图像中所有分割的区域外的第一个像素点为新的窗口的左上角的像素点,构建新的窗口,获取新的窗口的第一比例,对窗口的第一比例进行判断;依次类推,直到边缘图像中所有像素点都属于不同的分割的区域时停止迭代。
4.根据权利要求1所述的一种用于污水处理的智能监测系统,其特征在于,所述根据边缘图像中分割的区域对水面图像进行区域划分,包括的步骤为:
将边缘图像中每个分割的区域包含的像素点在水面图像中对应位置的像素点划分为一个区域。
6.根据权利要求1所述的一种用于污水处理的智能监测系统,其特征在于,所述根据每个区域的高斯混合模型拟合结果获取每个区域的不确定区间、第一代表像素点以及第二代表像素点,包括的步骤为:
获取第个区域中第一个子高斯模型和第二个子高斯模型的交点的横坐标,用/>表示;将/>作为不确定区间,其中/>为第/>个区域中第一个子高斯模型的标准差参数;/>为第/>个区域中第一个子高斯模型的均值参数;/>为第/>个区域中第二个子高斯模型的标准差参数;/>为第/>个区域中第二个子高斯模型的均值参数;/>为最大值函数;
7.根据权利要求1所述的一种用于污水处理的智能监测系统,其特征在于,所述根据不确定像素点、第一代表像素点以及第二代表像素点获取每个不确定像素点的第一距离和第二距离,包括的步骤为:
将任意一个不确定像素点作为目标像素点,获取距离目标像素点最近的第一代表像素点和第二代表像素点,将目标像素点与最近的第一代表像素点之间的欧式距离作为目标像素点的第一距离,将目标像素点与最近的第二代表像素点之间的欧式距离作为目标像素点的第二距离;同理,获取每个不确定像素点的第一距离和第二距离。
9.根据权利要求1所述的一种用于污水处理的智能监测系统,其特征在于,所述获取每个区域的修正对比度,包括的步骤为:
将每个区域的局部对比度作为整体对比度的修正因子,与整体对比度相乘得到每个区域的修正对比度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310564531.2A CN116310845B (zh) | 2023-05-19 | 2023-05-19 | 一种用于污水处理的智能监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310564531.2A CN116310845B (zh) | 2023-05-19 | 2023-05-19 | 一种用于污水处理的智能监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116310845A true CN116310845A (zh) | 2023-06-23 |
CN116310845B CN116310845B (zh) | 2023-07-28 |
Family
ID=86781937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310564531.2A Active CN116310845B (zh) | 2023-05-19 | 2023-05-19 | 一种用于污水处理的智能监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116310845B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485801A (zh) * | 2023-06-26 | 2023-07-25 | 山东兰通机电有限公司 | 基于计算机视觉的胶管质量在线检测方法及系统 |
CN116597188A (zh) * | 2023-07-17 | 2023-08-15 | 山东北国发展集团有限公司 | 一种基于视觉的固废资源化利用方法及系统 |
CN117455920A (zh) * | 2023-12-26 | 2024-01-26 | 武汉博源新材料科技集团股份有限公司 | 一种基于人工智能的奶茶杯劣品筛选方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102564508A (zh) * | 2011-12-14 | 2012-07-11 | 河海大学 | 基于视频图像的河流流量在线测验实现方法 |
CN109934805A (zh) * | 2019-03-04 | 2019-06-25 | 江南大学 | 一种基于低照度图像和神经网络的水污染检测方法 |
WO2021238030A1 (zh) * | 2020-05-26 | 2021-12-02 | 浙江大学 | 基于聚类分区进行刻度识别的水位监测方法 |
US20210374466A1 (en) * | 2020-05-26 | 2021-12-02 | Zhejiang University | Water level monitoring method based on cluster partition and scale recognition |
CN114066821A (zh) * | 2021-10-27 | 2022-02-18 | 德仕能源科技集团股份有限公司 | 一种基于人工智能的油田污水检测方法及设备 |
CN115049674A (zh) * | 2022-08-17 | 2022-09-13 | 南通万格环境科技有限公司 | 基于大数据的工业污水处理方法及系统 |
WO2023025236A1 (zh) * | 2021-08-26 | 2023-03-02 | 交通运输部水运科学研究所 | 一种多通航要素数据融合方法 |
-
2023
- 2023-05-19 CN CN202310564531.2A patent/CN116310845B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102564508A (zh) * | 2011-12-14 | 2012-07-11 | 河海大学 | 基于视频图像的河流流量在线测验实现方法 |
CN109934805A (zh) * | 2019-03-04 | 2019-06-25 | 江南大学 | 一种基于低照度图像和神经网络的水污染检测方法 |
WO2021238030A1 (zh) * | 2020-05-26 | 2021-12-02 | 浙江大学 | 基于聚类分区进行刻度识别的水位监测方法 |
US20210374466A1 (en) * | 2020-05-26 | 2021-12-02 | Zhejiang University | Water level monitoring method based on cluster partition and scale recognition |
WO2023025236A1 (zh) * | 2021-08-26 | 2023-03-02 | 交通运输部水运科学研究所 | 一种多通航要素数据融合方法 |
CN114066821A (zh) * | 2021-10-27 | 2022-02-18 | 德仕能源科技集团股份有限公司 | 一种基于人工智能的油田污水检测方法及设备 |
CN115049674A (zh) * | 2022-08-17 | 2022-09-13 | 南通万格环境科技有限公司 | 基于大数据的工业污水处理方法及系统 |
Non-Patent Citations (3)
Title |
---|
王杰;梁丽珍;: "计算机图像处理技术在污水处理絮凝效果检测中的应用", 环境工程, no. 04 * |
聂文;杨晨晖;陈成;: "基于数学形态学的海洋浮游植物边缘检测研究", 南京师范大学学报(工程技术版), no. 04 * |
韩吉衢;孟俊敏;赵俊生;: "海洋溢油合成孔径雷达图像特征提取及其关键度分析", 海洋学报(中文版), no. 01 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485801A (zh) * | 2023-06-26 | 2023-07-25 | 山东兰通机电有限公司 | 基于计算机视觉的胶管质量在线检测方法及系统 |
CN116485801B (zh) * | 2023-06-26 | 2023-09-12 | 山东兰通机电有限公司 | 基于计算机视觉的胶管质量在线检测方法及系统 |
CN116597188A (zh) * | 2023-07-17 | 2023-08-15 | 山东北国发展集团有限公司 | 一种基于视觉的固废资源化利用方法及系统 |
CN116597188B (zh) * | 2023-07-17 | 2023-09-05 | 山东北国发展集团有限公司 | 一种基于视觉的固废资源化利用方法及系统 |
CN117455920A (zh) * | 2023-12-26 | 2024-01-26 | 武汉博源新材料科技集团股份有限公司 | 一种基于人工智能的奶茶杯劣品筛选方法及系统 |
CN117455920B (zh) * | 2023-12-26 | 2024-03-22 | 武汉博源新材料科技集团股份有限公司 | 一种基于人工智能的奶茶杯劣品筛选方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116310845B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116310845B (zh) | 一种用于污水处理的智能监测系统 | |
CN114494210B (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN115018828A (zh) | 一种电子元器件的缺陷检测方法 | |
CN116596936B (zh) | 基于图像数据的太阳翼帆板质量检测方法 | |
CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN112819772A (zh) | 一种高精度快速图形检测识别方法 | |
CN110929713B (zh) | 一种基于bp神经网络的钢印字符识别方法 | |
CN111652213A (zh) | 一种基于深度学习的船舶水尺读数识别方法 | |
CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
CN115457004A (zh) | 基于计算机视觉的锌膏的智能检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN113052215A (zh) | 基于神经网络可视化的声呐图像自动目标识别方法 | |
CN116524196A (zh) | 一种基于图像识别技术的输电线智能检测系统 | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN116485801B (zh) | 基于计算机视觉的胶管质量在线检测方法及系统 | |
CN112560779A (zh) | 进料口溢料识别方法、设备及搅拌站进料控制系统 | |
CN115984360B (zh) | 一种基于图像处理的计算干滩长度的方法及系统 | |
CN111881748A (zh) | 一种基于vbai平台建模的车道线视觉识别方法和系统 | |
CN115187788A (zh) | 一种基于机器视觉的农作物种子自动计数方法 | |
CN114862786A (zh) | 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统 |
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 |