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 PDF

Info

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
Application number
CN202310564531.2A
Other languages
English (en)
Other versions
CN116310845B (zh
Inventor
刘振
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.)
Qingdao Guoyuan Zhongchuang Electrical Automation Engineering Co ltd
Original Assignee
Qingdao Guoyuan Zhongchuang Electrical Automation Engineering 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 Qingdao Guoyuan Zhongchuang Electrical Automation Engineering Co ltd filed Critical Qingdao Guoyuan Zhongchuang Electrical Automation Engineering Co ltd
Priority to CN202310564531.2A priority Critical patent/CN116310845B/zh
Publication of CN116310845A publication Critical patent/CN116310845A/zh
Application granted granted Critical
Publication of CN116310845B publication Critical patent/CN116310845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种用于污水处理的智能监测系统
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：
Figure SMS_1
，
其中
Figure SMS_2
为窗口的第一比例；/>
Figure SMS_3
为窗口内第/>
Figure SMS_4
个类别的凸包区域的面积；/>
Figure SMS_5
为窗口内所有类别的个数；/>
Figure SMS_6
为窗口边长。
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：
Figure SMS_7
，
其中，
Figure SMS_19
为第/>
Figure SMS_10
个区域的整体对比度；/>
Figure SMS_12
为第/>
Figure SMS_17
个区域第一个子高斯模型的函数；/>
Figure SMS_20
为第/>
Figure SMS_22
个区域第二个子高斯模型的函数；/>
Figure SMS_24
为最小值函数；/>
Figure SMS_15
为最大值函数；/>
Figure SMS_18
表示对变量/>
Figure SMS_8
进行积分；/>
Figure SMS_13
为以自然常数为底的指数函数；/>
Figure SMS_21
为第/>
Figure SMS_25
个区域中第一个子高斯模型的均值参数；/>
Figure SMS_26
为第/>
Figure SMS_27
个区域中第二个子高斯模型的均值参数；/>
Figure SMS_11
为第/>
Figure SMS_23
个区域中第一个子高斯模型的标准差参数；/>
Figure SMS_14
为第/>
Figure SMS_16
个区域中第二个子高斯模型的标准差参数；/>
Figure SMS_9
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
Figure SMS_29
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
Figure SMS_32
表示；将/>
Figure SMS_34
作为不确定区间，其中/>
Figure SMS_30
为第
Figure SMS_33
个区域中第一个子高斯模型的标准差参数；/>
Figure SMS_36
为第/>
Figure SMS_38
个区域中第一个子高斯模型的均值参数；/>
Figure SMS_31
为第/>
Figure SMS_35
个区域中第二个子高斯模型的标准差参数；/>
Figure SMS_37
为第/>
Figure SMS_39
个区域中第二个子高斯模型的均值参数；/>
Figure SMS_28
为最大值函数；
将
Figure SMS_40
作为第/>
Figure SMS_41
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/>
Figure SMS_42
个区域中对应的像素点作为第一代表像素点；将/>
Figure SMS_43
作为第/>
Figure SMS_44
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/>
Figure SMS_45
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：
Figure SMS_46
，
其中，
Figure SMS_48
为第/>
Figure SMS_51
个区域的局部对比度；/>
Figure SMS_55
为第/>
Figure SMS_50
个区域中不确定像素点的个数；/>
Figure SMS_52
为第/>
Figure SMS_54
个区域中第/>
Figure SMS_56
个不确定像素点的第一距离；/>
Figure SMS_47
为第/>
Figure SMS_53
个区域中第/>
Figure SMS_57
个不确定像素点的第二距离；/>
Figure SMS_58
为最大值函数；/>
Figure SMS_49
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：
Figure SMS_59
，
其中，
Figure SMS_61
为第/>
Figure SMS_65
个区域中第/>
Figure SMS_70
个像素点增强后的灰度值；/>
Figure SMS_62
为第/>
Figure SMS_64
个区域中第/>
Figure SMS_66
个像素点增强前的灰度值；/>
Figure SMS_68
为第/>
Figure SMS_60
个区域的修正对比度；/>
Figure SMS_67
为第/>
Figure SMS_73
个区域中第一个子高斯模型的标准差参数；/>
Figure SMS_74
为第/>
Figure SMS_63
个区域中第一个子高斯模型的均值参数；/>
Figure SMS_69
为第/>
Figure SMS_71
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；
Figure SMS_72
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。
以边缘图像中第一个像素点为窗口内第一个像素点，构建
Figure SMS_75
大小的窗口，在本发明实施例中，/>
Figure SMS_76
，在其他实施例中，实施人员可根据实际实施情况设置S的值。
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：
Figure SMS_77
，
其中
Figure SMS_78
为窗口的第一比例；/>
Figure SMS_79
为窗口内第/>
Figure SMS_80
个类别的凸包区域的面积；/>
Figure SMS_81
为窗口内所有类别的个数；/>
Figure SMS_82
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，/>
Figure SMS_83
为固体悬浮物在窗口内的占比，当占比越接近/>
Figure SMS_84
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
Figure SMS_85
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/>
Figure SMS_86
时，将窗口的边长扩大/>
Figure SMS_87
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，/>
Figure SMS_88
，/>
Figure SMS_89
，在其他实施例中，实施人员可根据实际实施情况设置/>
Figure SMS_90
以及
Figure SMS_91
。
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：
Figure SMS_92
，
其中，
Figure SMS_114
为第/>
Figure SMS_117
个区域的整体对比度；/>
Figure SMS_119
为第/>
Figure SMS_94
个区域第一个子高斯模型的函数；/>
Figure SMS_98
为第/>
Figure SMS_110
个区域第二个子高斯模型的函数；/>
Figure SMS_112
为最小值函数；
Figure SMS_106
为最大值函数；/>
Figure SMS_118
表示对变量/>
Figure SMS_120
进行积分；/>
Figure SMS_122
为第/>
Figure SMS_111
个区域中两个高斯模型分布交集处的面积；/>
Figure SMS_113
为第/>
Figure SMS_115
个区域中两个高斯模型分布并集的面积；/>
Figure SMS_116
为以自然常数为底的指数函数；
Figure SMS_104
为第/>
Figure SMS_105
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，/>
Figure SMS_108
对面积之比进行负相关映射以及归一化；/>
Figure SMS_109
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；/>
Figure SMS_93
为第/>
Figure SMS_103
个区域中第一个子高斯模型的均值参数；/>
Figure SMS_107
为第/>
Figure SMS_121
个区域中第二个子高斯模型的均值参数；/>
Figure SMS_95
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；/>
Figure SMS_97
为第/>
Figure SMS_100
个区域中第一个子高斯模型的标准差参数；/>
Figure SMS_102
为第/>
Figure SMS_96
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；/>
Figure SMS_99
为双曲正切函数，用作对
Figure SMS_101
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。
在本发明实施例中，每个区域的局部对比度的获取方法相同，本发明实施例以第
Figure SMS_123
个区域为例进行说明：
获取第
Figure SMS_136
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/>
Figure SMS_141
表示。将/>
Figure SMS_143
作为不确定区间，其中/>
Figure SMS_126
为第/>
Figure SMS_128
个区域中第一个子高斯模型的标准差参数；/>
Figure SMS_130
为第/>
Figure SMS_133
个区域中第一个子高斯模型的均值参数；/>
Figure SMS_127
为第/>
Figure SMS_131
个区域中第二个子高斯模型的标准差参数；/>
Figure SMS_149
为第/>
Figure SMS_156
个区域中第二个子高斯模型的均值参数；/>
Figure SMS_139
为最大值函数，
Figure SMS_146
表示在/>
Figure SMS_153
和/>
Figure SMS_155
中取最大值，/>
Figure SMS_140
到/>
Figure SMS_142
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/>
Figure SMS_145
在第一个子高斯模型中的概率密度值最大，代表灰度
Figure SMS_148
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/>
Figure SMS_124
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/>
Figure SMS_129
为界限，在/>
Figure SMS_134
和/>
Figure SMS_137
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；/>
Figure SMS_144
为最小值函数，/>
Figure SMS_147
表示在/>
Figure SMS_151
和/>
Figure SMS_154
中取最小值，/>
Figure SMS_150
到
Figure SMS_152
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/>
Figure SMS_157
在第二个子高斯模型中的概率密度值最大，代表灰度/>
Figure SMS_158
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/>
Figure SMS_125
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
Figure SMS_132
为界限，在/>
Figure SMS_135
和/>
Figure SMS_138
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
Figure SMS_159
作为第/>
Figure SMS_160
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/>
Figure SMS_161
个区域中对应的像素点作为第一代表像素点。将/>
Figure SMS_162
作为第/>
Figure SMS_163
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/>
Figure SMS_164
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
Figure SMS_165
中的每个灰度值在水面图像中第/>
Figure SMS_166
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。
根据第
Figure SMS_167
个区域所有不确定像素点获取第/>
Figure SMS_168
个区域的局部对比度：
Figure SMS_169
，
其中，
Figure SMS_177
为第/>
Figure SMS_171
个区域的局部对比度；/>
Figure SMS_175
为第/>
Figure SMS_172
个区域中不确定像素点的个数；/>
Figure SMS_174
为第/>
Figure SMS_179
个区域中第/>
Figure SMS_182
个不确定像素点的第一距离；/>
Figure SMS_189
为第/>
Figure SMS_190
个区域中第/>
Figure SMS_173
个不确定像素点的第二距离；/>
Figure SMS_186
为最大值函数；/>
Figure SMS_180
为绝对值函数；/>
Figure SMS_184
为第/>
Figure SMS_185
个区域中第/>
Figure SMS_188
个不确定像素点的第一距离和第二距离的差异率，即第/>
Figure SMS_178
个区域中第/>
Figure SMS_181
个不确定像素点的局部对比度；/>
Figure SMS_183
为第/>
Figure SMS_187
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/>
Figure SMS_170
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/>
Figure SMS_176
个区域的局部对比度较小。
至此，获取了第
Figure SMS_191
个区域的局部对比度，同理，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：
Figure SMS_192
，
其中，
Figure SMS_194
为第/>
Figure SMS_197
个区域的修正对比度；/>
Figure SMS_198
为第/>
Figure SMS_196
个区域的整体对比度；
Figure SMS_200
为第/>
Figure SMS_201
个区域的局部对比度；将第/>
Figure SMS_203
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/>
Figure SMS_193
个区域的修正对比度；当/>
Figure SMS_199
的值趋近于1时，说明第/>
Figure SMS_202
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/>
Figure SMS_204
的值趋近于0时，说明第/>
Figure SMS_195
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：
Figure SMS_205
，
其中，
Figure SMS_231
为第/>
Figure SMS_232
个区域中第/>
Figure SMS_234
个像素点增强后的灰度值；/>
Figure SMS_207
为第/>
Figure SMS_214
个区域中第/>
Figure SMS_224
个像素点增强前的灰度值；/>
Figure SMS_229
为第/>
Figure SMS_208
个区域的修正对比度；/>
Figure SMS_211
为第/>
Figure SMS_213
个区域中第一个子高斯模型的标准差参数；/>
Figure SMS_216
为第/>
Figure SMS_210
个区域中第一个子高斯模型的均值参数；/>
Figure SMS_212
为第/>
Figure SMS_215
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；/>
Figure SMS_218
为最大值函数；当/>
Figure SMS_228
时，第/>
Figure SMS_230
个区域中第/>
Figure SMS_233
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/>
Figure SMS_235
作为第
Figure SMS_209
个区域中第/>
Figure SMS_223
个像素点增强后的灰度值，若第/>
Figure SMS_227
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/>
Figure SMS_236
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
Figure SMS_217
时，第/>
Figure SMS_219
个区域中第/>
Figure SMS_222
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
Figure SMS_225
作为第/>
Figure SMS_220
个区域中第/>
Figure SMS_221
个像素点增强后的灰度值，若第/>
Figure SMS_226
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/>
Figure SMS_237
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/>
Figure SMS_206
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。
2.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：
Figure QLYQS_1
，
其中
Figure QLYQS_2
为窗口的第一比例；/>
Figure QLYQS_3
为窗口内第/>
Figure QLYQS_4
个类别的凸包区域的面积；/>
Figure QLYQS_5
为窗口内所有类别的个数；/>
Figure QLYQS_6
为窗口边长。
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。
5.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，所述根据拟合结果获取每个区域的整体对比度，包括的步骤为：
Figure QLYQS_7
，
其中，
Figure QLYQS_17
为第/>
Figure QLYQS_10
个区域的整体对比度；/>
Figure QLYQS_14
为第/>
Figure QLYQS_21
个区域第一个子高斯模型的函数；/>
Figure QLYQS_24
为第/>
Figure QLYQS_20
个区域第二个子高斯模型的函数；/>
Figure QLYQS_23
为最小值函数；
Figure QLYQS_15
为最大值函数；/>
Figure QLYQS_19
表示对变量/>
Figure QLYQS_8
进行积分；/>
Figure QLYQS_12
为以自然常数为底的指数函数；/>
Figure QLYQS_11
为第/>
Figure QLYQS_13
个区域中第一个子高斯模型的均值参数；/>
Figure QLYQS_16
为第/>
Figure QLYQS_18
个区域中第二个子高斯模型的均值参数；/>
Figure QLYQS_22
为第/>
Figure QLYQS_27
个区域中第一个子高斯模型的标准差参数；
Figure QLYQS_25
为第/>
Figure QLYQS_26
个区域中第二个子高斯模型的标准差参数；/>
Figure QLYQS_9
为双曲正切函数。
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
Figure QLYQS_29
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/>
Figure QLYQS_32
表示；将/>
Figure QLYQS_36
作为不确定区间，其中/>
Figure QLYQS_30
为第/>
Figure QLYQS_33
个区域中第一个子高斯模型的标准差参数；/>
Figure QLYQS_35
为第/>
Figure QLYQS_38
个区域中第一个子高斯模型的均值参数；/>
Figure QLYQS_28
为第/>
Figure QLYQS_34
个区域中第二个子高斯模型的标准差参数；/>
Figure QLYQS_37
为第/>
Figure QLYQS_39
个区域中第二个子高斯模型的均值参数；/>
Figure QLYQS_31
为最大值函数；
将
Figure QLYQS_40
作为第/>
Figure QLYQS_41
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/>
Figure QLYQS_42
个区域中对应的像素点作为第一代表像素点；将/>
Figure QLYQS_43
作为第
Figure QLYQS_44
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/>
Figure QLYQS_45
个区域中对应的像素点作为第二代表像素点。
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。
8.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：
Figure QLYQS_46
，
其中，
Figure QLYQS_48
为第/>
Figure QLYQS_53
个区域的局部对比度；/>
Figure QLYQS_55
为第/>
Figure QLYQS_49
个区域中不确定像素点的个数；
Figure QLYQS_52
为第/>
Figure QLYQS_56
个区域中第/>
Figure QLYQS_58
个不确定像素点的第一距离；/>
Figure QLYQS_47
为第/>
Figure QLYQS_51
个区域中第/>
Figure QLYQS_54
个不确定像素点的第二距离；/>
Figure QLYQS_57
为最大值函数；/>
Figure QLYQS_50
为绝对值函数。
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。
10.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：
Figure QLYQS_59
，
其中，
Figure QLYQS_60
为第/>
Figure QLYQS_65
个区域中第/>
Figure QLYQS_67
个像素点增强后的灰度值；/>
Figure QLYQS_63
为第/>
Figure QLYQS_64
个区域中第
Figure QLYQS_68
个像素点增强前的灰度值；/>
Figure QLYQS_70
为第/>
Figure QLYQS_61
个区域的修正对比度；/>
Figure QLYQS_66
为第/>
Figure QLYQS_69
个区域中第一个子高斯模型的标准差参数；/>
Figure QLYQS_71
为第/>
Figure QLYQS_62
个区域中第一个子高斯模型的均值参数；
Figure QLYQS_72
为第/>
Figure QLYQS_73
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；/>
Figure QLYQS_74
为最大值函数。
CN202310564531.2A 2023-05-19 2023-05-19 一种用于污水处理的智能监测系统 Active CN116310845B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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