CN116385863A - 一种基于深度学习的水体中微塑料识别方法及系统 - Google Patents
一种基于深度学习的水体中微塑料识别方法及系统 Download PDFInfo
- Publication number
- CN116385863A CN116385863A CN202310454490.1A CN202310454490A CN116385863A CN 116385863 A CN116385863 A CN 116385863A CN 202310454490 A CN202310454490 A CN 202310454490A CN 116385863 A CN116385863 A CN 116385863A
- Authority
- CN
- China
- Prior art keywords
- microplastic
- micro
- plastic
- image data
- sample image
- 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
- 229920000426 Microplastic Polymers 0.000 title claims abstract description 323
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 231
- 238000013135 deep learning Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 37
- 229920003023 plastic Polymers 0.000 claims description 171
- 239000004033 plastic Substances 0.000 claims description 171
- 239000002245 particle Substances 0.000 claims description 73
- 230000008859 change Effects 0.000 claims description 54
- 230000005012 migration Effects 0.000 claims description 46
- 238000013508 migration Methods 0.000 claims description 46
- 238000005070 sampling Methods 0.000 claims description 40
- 238000012360 testing method Methods 0.000 claims description 14
- 238000003709 image segmentation Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 8
- 210000000746 body region Anatomy 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 description 6
- 238000001157 Fourier transform infrared spectrum Methods 0.000 description 4
- 238000001237 Raman spectrum Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000007850 fluorescent dye Substances 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000005143 pyrolysis gas chromatography mass spectroscopy Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000007447 staining method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V20/05—Underwater scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的水体中微塑料识别方法及系统，通过获取预设水体区域中的历史微塑料水样图像数据并导入基于深度学习的微塑料识别模型进行训练，对预设水体区域进行子区域划分并得多个子区域，并获取多个子区域中的水样图像数据，将水样图像数据导入微塑料识别模型进行微塑料识别分类与微塑料区域分布分析，基于分析结果进行污染调控分析，得到对应微塑料污染路线调控方案。通过本发明能够高效快捷地识别水体数据中的微塑料分布，并对预设水体内微塑料污染情况进行可视化输出，进一步实现对预设水体区域进行精准高效的污染防治。
Description
技术领域
本发明涉及微塑料识别领域，更具体的，涉及一种基于深度学习的水体中微塑料识别方法及系统。
背景技术
微塑料是粒径小于5 mm的塑料颗粒或碎拼，主要来源于细小塑料颗粒的直接释放或者大尺寸塑料产品在环境中的老化和分解。2011年起，联合国环境规划署开始持续关注海洋中的微塑料污染物问题，被称为“海中的PM 2.5”。
因此，微塑料污染已成为当下的新型环境污染，如何对微塑料进行有效的识别检测与防治，成为了目前环境保护的重要任务。
发明内容
本发明克服了现有技术的缺陷，提出了一种基于深度学习的水体中微塑料识别方法及系统。
本发明第一方面提供了一种基于深度学习的水体中微塑料识别方法，包括：
获取预设水体区域中的历史微塑料水样图像数据；
将所述历史微塑料水样图像数据导入基于深度学习的微塑料识别模型进行训练；
对预设水体区域进行子区域划分并得多个子区域，获取多个子区域中的水样图像数据；
将水样图像数据导入微塑料识别模型进行微塑料识别分类与微塑料区域分布分析；
基于分析结果进行污染调控分析，得到对应微塑料污染路线调控方案。
本方案中，所述将所述历史微塑料水样图像数据导入基于深度学习的微塑料识别模型进行训练，具体为：
获取历史微塑料水样图像数据；
将所述历史微塑料水样图像数据进行图像分割、降噪预处理；
将所述历史微塑料水样图像数据根据粒径大小进行分组，得到多组微塑料水样图像数据；
将多组微塑料水样图像数据根据预设比例划分为对应训练数据与测试数据；
构建微塑料识别模型；
将训练数据导入建微塑料识别模型进行重复识别与分类训练，直至微塑料识别模型通过全部测试数据。
本方案中，所述对预设水体区域进行子区域划分并得多个子区域，获取多个子区域中的水样图像数据，具体为：
获取预设水体区域中的面积、轮廓信息；
根据所述面积、轮廓信息构建水体区域地图模型；
获取历史水体取样点信息与历史水体取样点微塑料识别信息；
所述历史水体取样点微塑料识别信息包括取样点中微塑料中不同粒径的浓度与数量信息；
根据历史水体取样点信息，在构建水体区域地图模型中进行区域划分，得到多个子区域，每个子区域包括至少一个取样点；
分析相邻两个子区域中对应取样点的微塑料识别信息；
若相邻两个子区域的微塑料识别信息对应微塑料的浓度与数量差在预设范围内，则将相邻两个子区域合并为一个子区域。
本方案中，所述将水样图像数据导入微塑料识别模型进行微塑料识别分类与区域微塑料污染分析，包括：
根据子区域中的取样点获取子区域水样图像数据；
对子区域水样图像数据进行图像分割、降噪预处理并导入微塑料识别模型进行微塑料识别与分类；
根据预设粒径范围进行微塑料分组与计数统计，得到不同粒径范围的多组微塑料识别信息；
所述微塑料识别信息包括微塑料浓度、数量信息，一组微塑料识别信息对应一种微塑料粒径范围。
本方案中，所述将水样图像数据导入微塑料识别模型进行微塑料识别分类与区域微塑料污染分析，包括：
选定一种微塑料粒径范围，并获取所有子区域内对应的一组微塑料识别信息，并标记为当前微塑料识别信息；
基于整体预设区域，分析当前微塑料识别信息中的对应微塑料在各个子区域间的浓度与数量变化，并得到微塑料第一分布信息；
选定其余微塑料粒径范围，并得到不同粒径范围的多个微塑料第一分布信息。
本方案中，所述将水样图像数据导入微塑料识别模型进行微塑料识别分类与微塑料区域分布分析，包括：
在经过一个预设周期后，根据子区域中的取样点二次获取子区域水样图像数据；
将水样图像数据导入微塑料识别模型进行二次识别与分类；
对各个子区域间的微塑料浓度与数量变化进行分析得到不同粒径范围的多个微塑料第二分布信息。
本方案中，所述将水样图像数据导入微塑料识别模型进行微塑料识别分类与微塑料区域分布分析，具体为：
选定一种粒径范围，并获取对应的微塑料第一分布信息与微塑料第二分布信息；
将第一分布信息与微塑料第二分布信息进行相邻子区域的微塑料浓度与数量变化分析，得到微塑料迁移变化信息；
将所有微塑料迁移变化信息导入水体区域地图模型进行整体区域微塑料变化分析；
水体区域地图模型将所有微塑料迁移变化信息进行信息汇总，并基于整体区域进行微塑料迁移变化趋势分析，得到预设区域微塑料迁移变化数据；
将微塑料迁移变化数据进行可视数据转化并通过预设终端设备进行显示。
本方案中，所述基于分析结果进行污染调控分析，得到对应微塑料污染路线调控方案，具体为：
根据预设区域微塑料迁移变化数据，分析整个区域中具有微塑料迁移趋势的子区域，并将所述子区域标记为污染预警子区域；
基于污染预警子区域，通过水体区域地图模型进行微塑料治理调控路线分析，并得到微塑料污染路线调控方案；
将所述微塑料污染路线调控方案发送至预设终端设备。
本发明第二方面还提供了一种基于深度学习的水体中微塑料识别系统，该系统包括：存储器、处理器，所述存储器中包括基于深度学习的水体中微塑料识别程序，所述基于深度学习的水体中微塑料识别程序被所述处理器执行时实现如下步骤：
获取预设水体区域中的历史微塑料水样图像数据；
将所述历史微塑料水样图像数据导入基于深度学习的微塑料识别模型进行训练；
对预设水体区域进行子区域划分并得多个子区域，获取多个子区域中的水样图像数据；
将水样图像数据导入微塑料识别模型进行微塑料识别分类与微塑料区域分布分析；
基于分析结果进行污染调控分析，得到对应微塑料污染路线调控方案。
本方案中，所述将所述历史微塑料水样图像数据导入基于深度学习的微塑料识别模型进行训练，具体为：
获取历史微塑料水样图像数据；
将所述历史微塑料水样图像数据进行图像分割、降噪预处理；
将所述历史微塑料水样图像数据根据粒径大小进行分组，得到多组微塑料水样图像数据；
将多组微塑料水样图像数据根据预设比例划分为对应训练数据与测试数据；
构建微塑料识别模型；
将训练数据导入建微塑料识别模型进行重复识别与分类训练，直至微塑料识别模型通过全部测试数据。
本发明公开了一种基于深度学习的水体中微塑料识别方法及系统，通过获取预设水体区域中的历史微塑料水样图像数据并导入基于深度学习的微塑料识别模型进行训练，对预设水体区域进行子区域划分并得多个子区域，并获取多个子区域中的水样图像数据，将水样图像数据导入微塑料识别模型进行微塑料识别分类与微塑料区域分布分析，基于分析结果进行污染调控分析，得到对应微塑料污染路线调控方案。通过本发明能够高效快捷地识别水体数据中的微塑料分布，并对预设水体内微塑料污染情况进行可视化输出，进一步实现对预设水体区域进行精准高效的污染防治。
附图说明
图1示出了本发明一种基于深度学习的水体中微塑料识别方法的流程图；
图2示出了本发明获取微塑料识别信息流程图；
图3示出了本发明获取微塑料第一分布信息流程图；
图4示出了本发明一种基于深度学习的水体中微塑料识别系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于深度学习的水体中微塑料识别方法的流程图。
如图1所示，本发明第一方面提供了一种基于深度学习的水体中微塑料识别方法，包括：
S102，获取预设水体区域中的历史微塑料水样图像数据；
S104，将所述历史微塑料水样图像数据导入基于深度学习的微塑料识别模型进行训练；
S106，对预设水体区域进行子区域划分并得多个子区域，获取多个子区域中的水样图像数据；
S108，将水样图像数据导入微塑料识别模型进行微塑料识别分类与微塑料区域分布分析；
S110，基于分析结果进行污染调控分析，得到对应微塑料污染路线调控方案。
根据本发明实施例，所述将所述历史微塑料水样图像数据导入基于深度学习的微塑料识别模型进行训练，具体为：
获取历史微塑料水样图像数据；
将所述历史微塑料水样图像数据进行图像分割、降噪预处理；
将所述历史微塑料水样图像数据根据粒径大小进行分组，得到多组微塑料水样图像数据；
将多组微塑料水样图像数据根据预设比例划分为对应训练数据与测试数据；
构建微塑料识别模型；
将训练数据导入建微塑料识别模型进行重复识别与分类训练，直至微塑料识别模型通过全部测试数据。
需要说明的是，所述预设比例一般为训练数据占70%，测试数据占30%。所述微塑料识别模型具体为一种深度学习的卷积神经网络模型，通过已有数据的模型训练，能够对不同粒径的微塑料粒子进行精准识别与分类，进行实现后续微塑料的污染防治。所述微塑料水样图像数据为通过光学显微镜，对水样进行预处理拍摄得到的，在进行图像预处理采样时可使用光学显微镜及结合荧光染色法、傅立叶变换红外光谱、显微傅立叶变换红外光谱、拉曼光谱、显微拉曼光谱、热解-气相色谱质谱联用等技术进行图像采样。所述将所述历史微塑料水样图像数据根据粒径大小进行分组，得到多组微塑料水样图像数据中，一般分为三组，对应大中小粒径的微塑料，分组具体的粒径大小区间为用户设定，不同的微塑料粒径大小对应的防治策略有所差异。
根据本发明实施例，所述对预设水体区域进行子区域划分并得多个子区域，获取多个子区域中的水样图像数据，具体为：
获取预设水体区域中的面积、轮廓信息；
根据所述面积、轮廓信息构建水体区域地图模型；
获取历史水体取样点信息与历史水体取样点微塑料识别信息；
所述历史水体取样点微塑料识别信息包括取样点中微塑料中不同粒径的浓度与数量信息；
根据历史水体取样点信息，在构建水体区域地图模型中进行区域划分，得到多个子区域，每个子区域包括至少一个取样点；
分析相邻两个子区域中对应取样点的微塑料识别信息；
若相邻两个子区域的微塑料识别信息对应微塑料的浓度与数量差在预设范围内，则将相邻两个子区域合并为一个子区域。
需要说明的是，所述得到多个子区域中，一般一个子区域对应一个取样点，而通过对取样点的微塑料浓度与数量的综合分析，后续可以将子区域进行相应的合并与细分操作，以实现后续对水体微塑料污染情况的精确分析。
图2示出了本发明获取微塑料识别信息流程图。
根据本发明实施例，所述将水样图像数据导入微塑料识别模型进行微塑料识别分类与区域微塑料污染分析，包括：
S202，根据子区域中的取样点获取子区域水样图像数据；
S204，对子区域水样图像数据进行图像分割、降噪预处理并导入微塑料识别模型进行微塑料识别与分类；
S206，根据预设粒径范围进行微塑料分组与计数统计，得到不同粒径范围的多组微塑料识别信息；
S208，所述微塑料识别信息包括微塑料浓度、数量信息，一组微塑料识别信息对应一种微塑料粒径范围。
需要说明的是，所述预设粒径范围一般为多个范围，具体由用户进行设定，且预设粒径范围均在微塑料粒径范围内。
图3示出了本发明获取微塑料第一分布信息流程图。
根据本发明实施例，所述将水样图像数据导入微塑料识别模型进行微塑料识别分类与区域微塑料污染分析，包括：
S302，选定一种微塑料粒径范围，并获取所有子区域内对应的一组微塑料识别信息，并标记为当前微塑料识别信息；
S304，基于整体预设区域，分析当前微塑料识别信息中的对应微塑料在各个子区域间的浓度与数量变化，并得到微塑料第一分布信息；
S306，选定其余微塑料粒径范围，并得到不同粒径范围的多个微塑料第一分布信息。
需要说明的是，一种微塑料粒径范围对应一个微塑料第一分布信息。通过分析微塑料第一分布信息，能够精准地对选定粒径范围内的微塑料在预设区域内进行浓度与数量变化，从而更加准确地分析微塑料污染情况，并对污染进行精准调控。
根据本发明实施例，所述将水样图像数据导入微塑料识别模型进行微塑料识别分类与微塑料区域分布分析，包括：
在经过一个预设周期后，根据子区域中的取样点二次获取子区域水样图像数据；
将水样图像数据导入微塑料识别模型进行二次识别与分类；
对各个子区域间的微塑料浓度与数量变化进行分析得到不同粒径范围的多个微塑料第二分布信息。
需要说明的是，一种微塑料粒径范围对应一个微塑料第二分布信息。
根据本发明实施例，所述将水样图像数据导入微塑料识别模型进行微塑料识别分类与微塑料区域分布分析，具体为：
选定一种粒径范围，并获取对应的微塑料第一分布信息与微塑料第二分布信息；
将第一分布信息与微塑料第二分布信息进行相邻子区域的微塑料浓度与数量变化分析，得到微塑料迁移变化信息；
将所有微塑料迁移变化信息导入水体区域地图模型进行整体区域微塑料变化分析；
水体区域地图模型将所有微塑料迁移变化信息进行信息汇总，并基于整体区域进行微塑料迁移变化趋势分析，得到预设区域微塑料迁移变化数据；
将微塑料迁移变化数据进行可视数据转化并通过预设终端设备进行显示。
需要说明的是，所述预设终端设备包括计算机终端设备与移动终端设备。所述微塑料迁移变化信息包括子区域间微塑料浓度与数量的高低变化，进一步精准反映不同子区域间的微塑料在水体中的迁移走向，例如，在某个子区域中，且根据选定的粒径范围内，通过分析微塑料第一分布信息与微塑料第二分布信息，能够计算出微塑料的浓度与数量在减少，而相邻的子区域微塑料浓度与数量在增加，则可以推测微塑料在子区域间的迁移方向与迁移快慢程度。通过微塑料迁移变化数据、第一分布信息与微塑料第二分布信息能够反映水体中微塑料的污染分布情况与污染变化情况。
根据本发明实施例，所述基于分析结果进行污染调控分析，得到对应微塑料污染路线调控方案，具体为：
根据预设区域微塑料迁移变化数据，分析整个区域中具有微塑料迁移趋势的子区域，并将所述子区域标记为污染预警子区域；
基于污染预警子区域，通过水体区域地图模型进行微塑料治理调控路线分析，并得到微塑料污染路线调控方案；
将所述微塑料污染路线调控方案发送至预设终端设备。
需要说明的是，所述污染预警子区域具体为具有较高浓度与数量微塑料的区域，且有一定的微塑料迁移趋势，在后续周期内，该子区域有较高的概率增加微塑料污染的趋势，因此，本发明通过分析出污染预警子区域，并进一步基于水体区域地图模型分析出相应的污染调控路线，有助于对预设水体区域进行精准高效的污染防治。所述分析结果即第一分布信息、微塑料第二分布信息、预设区域微塑料迁移变化数据。
根据本发明实施例，还包括：
获取历史微塑料水样图像数据；
对历史微塑料水样图像数据进行微塑料轮廓识别，得到微塑料轮廓数据；
判断微塑料轮廓数据中轮廓的完整性，将轮廓不完整的数据判断为存在遮挡物的微塑料轮廓数据；
将所述存在遮挡物的微塑料轮廓数据进行数据汇总并进一步构建微塑料遮挡轮廓数据集；
基于微塑料遮挡轮廓数据集进行微塑料轮廓特征特征分析与特征提取得到；
基于微塑料遮挡轮廓数据集进行基于RGB三通道的色彩特征提取，得到；
将所述微塑料遮挡轮廓特征集与微塑料色彩特征集导入微塑料识别模型；
将当前水样图像数据导入微塑料识别模型进行微塑料识别分类，结合微塑料遮挡轮廓特征集、微塑料色彩特征集，对存在遮挡物的微塑料图像区域进行特征对比识别。
需要说明的是，在杂质较多的水样中，得到的水样图像数据往往存在微塑料被遮挡情况，本发明通过对历史微塑料水样图像数据进行相应微塑料遮挡轮廓特征集的构建，能够进一步提高对微塑料存在遮挡情况的精确识别。
根据本发明实施例，还包括：
将当前子区域水样图像数据导入微塑料识别模型进行微塑料识别与微塑料区域分析；
计算其中微塑料图像区域占比，得到微塑料图像占比值；
若所述微塑料图像占比值低于预设阈值，则将当前子区域标记为目标子区域；
将目标子区域相邻的多个子区域标记为第二子区域；
获取第二子区域中的微塑料识别信息；
基于所述微塑料识别信息，分析多个第二子区域间的微塑料浓度与数量变化，并对目标子区域内的微塑料浓度与数量进行预测，得到目标子区域微塑料识别信息。
需要说明的是，所述第二子区域一般为多个，具体数量由目标子区域所在位置决定。所述微塑料区域占比低于预设阈值，则代表当前水样图像数据中，杂质占比过多，此时直接识别微塑料准确度较低，本发明通过对相邻子区域的微塑料浓度变化进行反向预测分析，能够得到较为准确的目标子区域微塑料识别信息。
图4示出了本发明一种基于深度学习的水体中微塑料识别系统的框图。
本发明第二方面还提供了一种基于深度学习的水体中微塑料识别系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于深度学习的水体中微塑料识别程序，所述基于深度学习的水体中微塑料识别程序被所述处理器执行时实现如下步骤：
获取预设水体区域中的历史微塑料水样图像数据；
将所述历史微塑料水样图像数据导入基于深度学习的微塑料识别模型进行训练；
对预设水体区域进行子区域划分并得多个子区域，获取多个子区域中的水样图像数据；
将水样图像数据导入微塑料识别模型进行微塑料识别分类与微塑料区域分布分析；
基于分析结果进行污染调控分析，得到对应微塑料污染路线调控方案。
根据本发明实施例，所述将所述历史微塑料水样图像数据导入基于深度学习的微塑料识别模型进行训练，具体为：
获取历史微塑料水样图像数据；
将所述历史微塑料水样图像数据进行图像分割、降噪预处理；
将所述历史微塑料水样图像数据根据粒径大小进行分组，得到多组微塑料水样图像数据；
将多组微塑料水样图像数据根据预设比例划分为对应训练数据与测试数据；
构建微塑料识别模型；
将训练数据导入建微塑料识别模型进行重复识别与分类训练，直至微塑料识别模型通过全部测试数据。
需要说明的是，所述预设比例一般为训练数据占70%，测试数据占30%。所述微塑料识别模型具体为一种深度学习的卷积神经网络模型，通过已有数据的模型训练，能够对不同粒径的微塑料粒子进行精准识别与分类，进行实现后续微塑料的污染防治。所述微塑料水样图像数据为通过光学显微镜，对水样进行预处理拍摄得到的，在进行图像预处理采样时可使用光学显微镜及结合荧光染色法、傅立叶变换红外光谱、显微傅立叶变换红外光谱、拉曼光谱、显微拉曼光谱、热解-气相色谱质谱联用等技术进行图像采样。所述将所述历史微塑料水样图像数据根据粒径大小进行分组，得到多组微塑料水样图像数据中，一般分为三组，对应大中小粒径的微塑料，分组具体的粒径大小区间为用户设定，不同的微塑料粒径大小对应的防治策略有所差异。
根据本发明实施例，所述对预设水体区域进行子区域划分并得多个子区域，获取多个子区域中的水样图像数据，具体为：
获取预设水体区域中的面积、轮廓信息；
根据所述面积、轮廓信息构建水体区域地图模型；
获取历史水体取样点信息与历史水体取样点微塑料识别信息；
所述历史水体取样点微塑料识别信息包括取样点中微塑料中不同粒径的浓度与数量信息；
根据历史水体取样点信息，在构建水体区域地图模型中进行区域划分，得到多个子区域，每个子区域包括至少一个取样点；
分析相邻两个子区域中对应取样点的微塑料识别信息；
若相邻两个子区域的微塑料识别信息对应微塑料的浓度与数量差在预设范围内，则将相邻两个子区域合并为一个子区域。
需要说明的是，所述得到多个子区域中，一般一个子区域对应一个取样点，而通过对取样点的微塑料浓度与数量的综合分析，后续可以将子区域进行相应的合并与细分操作，以实现后续对水体微塑料污染情况的精确分析。
根据本发明实施例，所述将水样图像数据导入微塑料识别模型进行微塑料识别分类与区域微塑料污染分析，包括：
根据子区域中的取样点获取子区域水样图像数据；
对子区域水样图像数据进行图像分割、降噪预处理并导入微塑料识别模型进行微塑料识别与分类；
根据预设粒径范围进行微塑料分组与计数统计，得到不同粒径范围的多组微塑料识别信息；
所述微塑料识别信息包括微塑料浓度、数量信息，一组微塑料识别信息对应一种微塑料粒径范围。
需要说明的是，所述预设粒径范围一般为多个范围，具体由用户进行设定，且预设粒径范围均在微塑料粒径范围内。
根据本发明实施例，所述将水样图像数据导入微塑料识别模型进行微塑料识别分类与区域微塑料污染分析，包括：
选定一种微塑料粒径范围，并获取所有子区域内对应的一组微塑料识别信息，并标记为当前微塑料识别信息；
基于整体预设区域，分析当前微塑料识别信息中的对应微塑料在各个子区域间的浓度与数量变化，并得到微塑料第一分布信息；
选定其余微塑料粒径范围，并得到不同粒径范围的多个微塑料第一分布信息。
需要说明的是，一种微塑料粒径范围对应一个微塑料第一分布信息。通过分析微塑料第一分布信息，能够精准地对选定粒径范围内的微塑料在预设区域内进行浓度与数量变化，从而更加准确地分析微塑料污染情况，并对污染进行精准调控。
根据本发明实施例，所述将水样图像数据导入微塑料识别模型进行微塑料识别分类与微塑料区域分布分析，包括：
在经过一个预设周期后，根据子区域中的取样点二次获取子区域水样图像数据；
将水样图像数据导入微塑料识别模型进行二次识别与分类；
对各个子区域间的微塑料浓度与数量变化进行分析得到不同粒径范围的多个微塑料第二分布信息。
需要说明的是，一种微塑料粒径范围对应一个微塑料第二分布信息。
根据本发明实施例，所述将水样图像数据导入微塑料识别模型进行微塑料识别分类与微塑料区域分布分析，具体为：
选定一种粒径范围，并获取对应的微塑料第一分布信息与微塑料第二分布信息；
将第一分布信息与微塑料第二分布信息进行相邻子区域的微塑料浓度与数量变化分析，得到微塑料迁移变化信息；
将所有微塑料迁移变化信息导入水体区域地图模型进行整体区域微塑料变化分析；
水体区域地图模型将所有微塑料迁移变化信息进行信息汇总，并基于整体区域进行微塑料迁移变化趋势分析，得到预设区域微塑料迁移变化数据；
将微塑料迁移变化数据进行可视数据转化并通过预设终端设备进行显示。
需要说明的是，所述预设终端设备包括计算机终端设备与移动终端设备。所述微塑料迁移变化信息包括子区域间微塑料浓度与数量的高低变化，进一步精准反映不同子区域间的微塑料在水体中的迁移走向，例如，在某个子区域中，且根据选定的粒径范围内，通过分析微塑料第一分布信息与微塑料第二分布信息，能够计算出微塑料的浓度与数量在减少，而相邻的子区域微塑料浓度与数量在增加，则可以推测微塑料在子区域间的迁移方向与迁移快慢程度。通过微塑料迁移变化数据、第一分布信息与微塑料第二分布信息能够反映水体中微塑料的污染分布情况与污染变化情况。
根据本发明实施例，所述基于分析结果进行污染调控分析，得到对应微塑料污染路线调控方案，具体为：
根据预设区域微塑料迁移变化数据，分析整个区域中具有微塑料迁移趋势的子区域，并将所述子区域标记为污染预警子区域；
基于污染预警子区域，通过水体区域地图模型进行微塑料治理调控路线分析，并得到微塑料污染路线调控方案；
将所述微塑料污染路线调控方案发送至预设终端设备。
需要说明的是，所述污染预警子区域具体为具有较高浓度与数量微塑料的区域，且有一定的微塑料迁移趋势，在后续周期内，该子区域有较高的概率增加微塑料污染的趋势，因此，本发明通过分析出污染预警子区域，并进一步基于水体区域地图模型分析出相应的污染调控路线，有助于对预设水体区域进行精准高效的污染防治。所述分析结果即第一分布信息、微塑料第二分布信息、预设区域微塑料迁移变化数据。
本发明公开了一种基于深度学习的水体中微塑料识别方法及系统，通过获取预设水体区域中的历史微塑料水样图像数据并导入基于深度学习的微塑料识别模型进行训练，对预设水体区域进行子区域划分并得多个子区域，并获取多个子区域中的水样图像数据，将水样图像数据导入微塑料识别模型进行微塑料识别分类与微塑料区域分布分析，基于分析结果进行污染调控分析，得到对应微塑料污染路线调控方案。通过本发明能够高效快捷地识别水体数据中的微塑料分布，并对预设水体内微塑料污染情况进行可视化输出，进一步实现对预设水体区域进行精准高效的污染防治。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的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、服务器、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。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的水体中微塑料识别方法，其特征在于，包括：
获取预设水体区域中的历史微塑料水样图像数据；
将所述历史微塑料水样图像数据导入基于深度学习的微塑料识别模型进行训练；
对预设水体区域进行子区域划分并得多个子区域，获取多个子区域中的水样图像数据；
将水样图像数据导入微塑料识别模型进行微塑料识别分类与微塑料区域分布分析；
基于分析结果进行污染调控分析，得到对应微塑料污染路线调控方案。
2.根据权利要求1所述的一种基于深度学习的水体中微塑料识别方法，其特征在于，所述将所述历史微塑料水样图像数据导入基于深度学习的微塑料识别模型进行训练，具体为：
获取历史微塑料水样图像数据；
将所述历史微塑料水样图像数据进行图像分割、降噪预处理；
将所述历史微塑料水样图像数据根据粒径大小进行分组，得到多组微塑料水样图像数据；
将多组微塑料水样图像数据根据预设比例划分为对应训练数据与测试数据；
构建微塑料识别模型；
将训练数据导入建微塑料识别模型进行重复识别与分类训练，直至微塑料识别模型通过全部测试数据。
3.根据权利要求1所述的一种基于深度学习的水体中微塑料识别方法，其特征在于，所述对预设水体区域进行子区域划分并得多个子区域，获取多个子区域中的水样图像数据，具体为：
获取预设水体区域中的面积、轮廓信息；
根据所述面积、轮廓信息构建水体区域地图模型；
获取历史水体取样点信息与历史水体取样点微塑料识别信息；
所述历史水体取样点微塑料识别信息包括取样点中微塑料中不同粒径的浓度与数量信息；
根据历史水体取样点信息，在构建水体区域地图模型中进行区域划分，得到多个子区域，每个子区域包括至少一个取样点；
分析相邻两个子区域中对应取样点的微塑料识别信息；
若相邻两个子区域的微塑料识别信息对应微塑料的浓度与数量差在预设范围内，则将相邻两个子区域合并为一个子区域。
4.根据权利要求1所述的一种基于深度学习的水体中微塑料识别方法，其特征在于，所述将水样图像数据导入微塑料识别模型进行微塑料识别分类与区域微塑料污染分析，包括：
根据子区域中的取样点获取子区域水样图像数据；
对子区域水样图像数据进行图像分割、降噪预处理并导入微塑料识别模型进行微塑料识别与分类；
根据预设粒径范围进行微塑料分组与计数统计，得到不同粒径范围的多组微塑料识别信息；
所述微塑料识别信息包括微塑料浓度、数量信息，一组微塑料识别信息对应一种微塑料粒径范围。
5.根据权利要求1所述的一种基于深度学习的水体中微塑料识别方法，其特征在于，所述将水样图像数据导入微塑料识别模型进行微塑料识别分类与区域微塑料污染分析，包括：
选定一种微塑料粒径范围，并获取所有子区域内对应的一组微塑料识别信息，并标记为当前微塑料识别信息；
基于整体预设区域，分析当前微塑料识别信息中的对应微塑料在各个子区域间的浓度与数量变化，并得到微塑料第一分布信息；
选定其余微塑料粒径范围，并得到不同粒径范围的多个微塑料第一分布信息。
6.根据权利要求1所述的一种基于深度学习的水体中微塑料识别方法，其特征在于，所述将水样图像数据导入微塑料识别模型进行微塑料识别分类与微塑料区域分布分析，包括：
在经过一个预设周期后，根据子区域中的取样点二次获取子区域水样图像数据；
将水样图像数据导入微塑料识别模型进行二次识别与分类；
对各个子区域间的微塑料浓度与数量变化进行分析得到不同粒径范围的多个微塑料第二分布信息。
7.根据权利要求6所述的一种基于深度学习的水体中微塑料识别方法，其特征在于，所述将水样图像数据导入微塑料识别模型进行微塑料识别分类与微塑料区域分布分析，具体为：
选定一种粒径范围，并获取对应的微塑料第一分布信息与微塑料第二分布信息；
将第一分布信息与微塑料第二分布信息进行相邻子区域的微塑料浓度与数量变化分析，得到微塑料迁移变化信息；
将所有微塑料迁移变化信息导入水体区域地图模型进行整体区域微塑料变化分析；
水体区域地图模型将所有微塑料迁移变化信息进行信息汇总，并基于整体区域进行微塑料迁移变化趋势分析，得到预设区域微塑料迁移变化数据；
将微塑料迁移变化数据进行可视数据转化并通过预设终端设备进行显示。
8.根据权利要求1所述的一种基于深度学习的水体中微塑料识别方法，其特征在于，所述基于分析结果进行污染调控分析，得到对应微塑料污染路线调控方案，具体为：
根据预设区域微塑料迁移变化数据，分析整个区域中具有微塑料迁移趋势的子区域，并将所述子区域标记为污染预警子区域；
基于污染预警子区域，通过水体区域地图模型进行微塑料治理调控路线分析，并得到微塑料污染路线调控方案；
将所述微塑料污染路线调控方案发送至预设终端设备。
9.一种基于深度学习的水体中微塑料识别系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于深度学习的水体中微塑料识别程序，所述基于深度学习的水体中微塑料识别程序被所述处理器执行时实现如下步骤：
获取预设水体区域中的历史微塑料水样图像数据；
将所述历史微塑料水样图像数据导入基于深度学习的微塑料识别模型进行训练；
对预设水体区域进行子区域划分并得多个子区域，获取多个子区域中的水样图像数据；
将水样图像数据导入微塑料识别模型进行微塑料识别分类与微塑料区域分布分析；
基于分析结果进行污染调控分析，得到对应微塑料污染路线调控方案。
10.根据权利要求9所述的一种基于深度学习的水体中微塑料识别系统，其特征在于，所述将所述历史微塑料水样图像数据导入基于深度学习的微塑料识别模型进行训练，具体为：
获取历史微塑料水样图像数据；
将所述历史微塑料水样图像数据进行图像分割、降噪预处理；
将所述历史微塑料水样图像数据根据粒径大小进行分组，得到多组微塑料水样图像数据；
将多组微塑料水样图像数据根据预设比例划分为对应训练数据与测试数据；
构建微塑料识别模型；
将训练数据导入建微塑料识别模型进行重复识别与分类训练，直至微塑料识别模型通过全部测试数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310454490.1A CN116385863B (zh) | 2023-04-25 | 2023-04-25 | 一种基于深度学习的水体中微塑料识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310454490.1A CN116385863B (zh) | 2023-04-25 | 2023-04-25 | 一种基于深度学习的水体中微塑料识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116385863A true CN116385863A (zh) | 2023-07-04 |
| CN116385863B CN116385863B (zh) | 2024-02-02 |
Family
ID=86980723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310454490.1A Active CN116385863B (zh) | 2023-04-25 | 2023-04-25 | 一种基于深度学习的水体中微塑料识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116385863B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116952923A (zh) * | 2023-07-27 | 2023-10-27 | 南京大学 | 一种基于机器学习的微塑料现场高精度监测方法及系统 |
| CN117151353A (zh) * | 2023-11-01 | 2023-12-01 | 广东省农业科学院植物保护研究所 | 一种荔枝虫害智能识别与生态调控方法、系统及介质 |
| CN117554319A (zh) * | 2023-10-20 | 2024-02-13 | 广东省水利水电科学研究院 | 一种微塑料丰度的检测方法、系统、装置及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101955A (zh) * | 2018-09-12 | 2018-12-28 | 北京英视睿达科技有限公司 | 基于多源卫星遥感数据的工业热异常区域识别方法 |
| CN109816681A (zh) * | 2019-01-10 | 2019-05-28 | 中国药科大学 | 基于自适应局部阈值二值化的水体微生物图像分割方法 |
| CN112102288A (zh) * | 2020-09-15 | 2020-12-18 | 北京百度网讯科技有限公司 | 水体识别和水体变化检测方法、装置、设备及介质 |
-
2023
- 2023-04-25 CN CN202310454490.1A patent/CN116385863B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101955A (zh) * | 2018-09-12 | 2018-12-28 | 北京英视睿达科技有限公司 | 基于多源卫星遥感数据的工业热异常区域识别方法 |
| CN109816681A (zh) * | 2019-01-10 | 2019-05-28 | 中国药科大学 | 基于自适应局部阈值二值化的水体微生物图像分割方法 |
| CN112102288A (zh) * | 2020-09-15 | 2020-12-18 | 北京百度网讯科技有限公司 | 水体识别和水体变化检测方法、装置、设备及介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116952923A (zh) * | 2023-07-27 | 2023-10-27 | 南京大学 | 一种基于机器学习的微塑料现场高精度监测方法及系统 |
| CN116952923B (zh) * | 2023-07-27 | 2024-01-23 | 南京大学 | 一种基于机器学习的微塑料现场高精度监测方法及系统 |
| CN117554319A (zh) * | 2023-10-20 | 2024-02-13 | 广东省水利水电科学研究院 | 一种微塑料丰度的检测方法、系统、装置及存储介质 |
| CN117151353A (zh) * | 2023-11-01 | 2023-12-01 | 广东省农业科学院植物保护研究所 | 一种荔枝虫害智能识别与生态调控方法、系统及介质 |
| CN117151353B (zh) * | 2023-11-01 | 2024-04-26 | 广东省农业科学院植物保护研究所 | 一种荔枝虫害智能识别与生态调控方法、系统及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116385863B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116385863B (zh) | 一种基于深度学习的水体中微塑料识别方法及系统 | |
| CN116363440B (zh) | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 | |
| CN116362571B (zh) | 一种基于深度学习的多源污染时空特征分析方法及系统 | |
| Shaikh et al. | A novel approach for automatic number plate recognition | |
| CN111428631A (zh) | 无人机飞控信号可视化识别分选方法 | |
| CN114445768A (zh) | 目标识别方法、装置、电子设备及存储介质 | |
| US11847817B2 (en) | Methods and systems for automated assessment of spermatogenesis | |
| CN112419294A (zh) | 一种细胞计数方法、装置、设备及存储介质 | |
| CN115731493A (zh) | 基于视频图像识别的降水微物理特征参量提取与分析方法 | |
| CN115496794A (zh) | 混凝土裂缝宽度计算方法、系统、计算机设备及存储介质 | |
| CN114332058A (zh) | 基于神经网络的血清质量识别方法、装置、设备及介质 | |
| CN106778765B (zh) | 一种车牌识别的方法及装置 | |
| CN117172430A (zh) | 一种基于深度学习的水体环境评估与预测方法及系统 | |
| CN110321808B (zh) | 遗留物与盗移物检测方法、设备和存储介质 | |
| CN111213156A (zh) | 字符识别锐度确定 | |
| CN116824135A (zh) | 基于机器视觉的大气自然环境试验工业产品识别分割方法 | |
| CN114494765B (zh) | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 | |
| CN110718270A (zh) | 基因测序结果类型的检测方法、装置、设备及存储介质 | |
| CN116433671B (zh) | 一种基于图像识别的胶体金检测方法、系统和存储介质 | |
| CN111028258A (zh) | 一种大尺度灰度图像自适应阈值提取方法 | |
| CN116385414B (zh) | 零部件多尺度缺陷特征提取方法、计算设备及存储介质 | |
| CN116740385B (zh) | 一种设备质检方法、装置和系统 | |
| CN118095971B (zh) | 一种ad钙奶饮料加工工艺评估方法、系统及介质 | |
| CN117171675B (zh) | 基于多源数据的水环境微生物检测方法、系统及介质 | |
| CN113780338B (zh) | 基于支持向量机的大数据分析中置信度评价方法、系统、设备及存储介质 |
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 |