CN116524205A - 一种污水曝气自动检测识别方法 - Google Patents
一种污水曝气自动检测识别方法 Download PDFInfo
- Publication number
- CN116524205A CN116524205A CN202211433411.0A CN202211433411A CN116524205A CN 116524205 A CN116524205 A CN 116524205A CN 202211433411 A CN202211433411 A CN 202211433411A CN 116524205 A CN116524205 A CN 116524205A
- Authority
- CN
- China
- Prior art keywords
- image
- algorithm
- sewage
- threshold
- automatic detection
- 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.)
- Pending
Links
- 239000010865 sewage Substances 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000005273 aeration Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 239000006260 foam Substances 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 238000005520 cutting process Methods 0.000 claims abstract description 5
- 238000003709 image segmentation Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 abstract description 12
- 230000007547 defect Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Abstract
本发明涉及污水检测技术领域，公开了一种污水曝气自动检测识别方法，包括：S1采用图像分割的方式进行干扰的剔除，干扰包括图像中的文字、墙壁；将图像均匀切割为N个区域，从N个区域的子图中提取M份作为整个图像的特征子图，其中提取出的特征子图是包含泡沫较多的子图；S2采用改进的Sobel算子提取图像的边缘信息；由Ostu算法产生全局阈值，由改进的Bernsen算法产生局部阈值，然后将两者进行加权；S3墙壁边缘剔除。本发明设计了一套污水池曝气自动检测方法，通过采用图像处理算法，并对边缘检测算法进行一定的改进，使得自动检测算法能够准确的判断曝气是否异常，实现污水池曝气的智能检测，降低现有检测方法的弊端，提高工作效率，降低人工成本。
Description
技术领域
本发明涉及污水检测技术领域，具体涉及一种污水曝气自动检测识别方法。
背景技术
目前为止的地下污水处理池进行巡检时，有两种方式：
(1)人工巡检：即在污水厂上方盖的池板上开个观察孔，操作人员通过弯腰探头来对污水池曝气状况进行观察，在污水反应池上加了挡板之后，光线微弱且人眼睛观察到的范围比较小，就会导致巡检人员的工作有很高的强度，同时也伴随着很大的危险性，更无法全面了解整个污水池的曝气状况，为污水厂的运行和维护工作造成很大的困难。
(2)在污水池挡板下装巡检机器人(或视频监控装置)，将污水池中的曝气状况通过视频的方式传送至工作台，由工作台前的工作人员进行判断曝气是否正常，但是这种方式的数据量非常巨大，工作人员的判断效率低下，且容易受到主观性等的影响，同时视觉疲劳会导致误检的发生。
通过机器人设备及软件算法进行自动化只能判别，但是该方法受算法和外部环境的影响大，同时虽然数据量巨大，但是曝气不正常的样本较少，视频采集到的图像存在的干扰很对判断的正确性影响很大，所以在这里就要采用合适的算法，并对算法进行一系列的改进来降低外部干扰对检测的影响，提高检测的正确率。
发明内容
针对上述存在问题或不足，本发明提供一种污水曝气自动检测识别方法，在现有的深度学习算法的基础上，提出一种检测精确度更高的曝气状况视频智能识别方法。
为实现上述目的，本发明采用了以下技术方案：
一种污水曝气自动检测识别方法，对采集到的图像进行下述的识别处理：
S1采用图像分割的方式进行干扰的剔除，干扰包括图像中的文字、墙壁；将图像均匀切割为N个区域，从N个区域的子图中提取M份作为整个图像的特征子图，其中提取出的特征子图是包含泡沫较多的子图；
S2采用改进的Sobel算子提取图像的边缘信息；由Ostu算法产生全局阈值，由改进的Bernsen算法产生局部阈值，然后将两者进行加权；
S3通过霍夫变换进行直线检测的方式检测边缘图像中的最长的一条直线线段，而该线段一定是墙壁边缘的一部分，且线段的两个端点一定存在于墙壁边缘的连通域内，最后进行墙壁边缘剔除。
进一步地：Ostu算法核心就是对于一幅图像，通过计算得出一个最佳的阈值，这个值满足二值化图像的背景与目标之间具有最大的类间方差，从而达到两者易于区分的目的；
假设现有图像灰度值范围为(0，K-1)，像素点个数总和为N的图像，对应于第i个灰度级的像素点数量为ni，出现的概率为：
将图像中所有像素点按照灰度级从小到大排列，分为两类A和B，灰度级分布范围分别为(0，T)和(T+1，K-1)；则：
式中，U0表示该图像的灰度概率均值；
区域A的灰度概率均值计算公式如下：
区域B的灰度概率均值计算公式如下：
其中：
式中ωA和ωB分别表示区域A和B的权值，根据上述概率均值计算公式可得：
U0＝ωAUA+ωBUB
两个区域的方差为：
δ2＝ωA(UA-Uo)2+ωB(UB-U0)2
通过上述方差式中的δ2的最大值得到全局阈值的最优解T＝T1。
进一步地：Bernsen算法就是在灰度图像f中，以像素点(i,j)为中心的((2u+1)*(2u+1))大小的邻域中，计算各个像素点(i,j)的阈值T(i,j)；表达式如下所示：
然后对f(i,j)逐点二值化，遍历整个矩阵f(i,j)，通过比较其与T(i,j)的大小来判断是背景像素点还是目标像素点，最后得到二值图像b(i,j)；
引入高斯去噪对该算法进行改进，设(i,j)处的像素灰度值用f(i,j)来表示，S代表的是以(i,j)为中心，((2u+1)*(2u+1))大小的邻域部分，在该区域内，为(i,j)处滤波后的灰度值，平滑尺度为δ，邻域内位置参数为λ，λ(i,j)代表(i,j)处的二值化结果。
进一步地：改进Bernsen算法如下：
(1)计算f(i,j)处的阈值
(2)对点f(i,j)在((2u+1)*(2u+1))的窗口中进行高斯平滑：
(3)计算滤波后处的阈值T2(i,j)：
T＝T2即为所求的局部阈值。
进一步地：对其求平均得到最终的阈值T，平均阈值如下：
进一步地：通过霍夫变换找寻到的最长的直线线段存在于墙壁边缘的连通域内，此时需要记录直线线段的两个端点P1,P2的坐标；之后对边缘图像进行膨胀处理，通过膨胀处理可以将断裂的墙壁边缘连接起来，形成一个连通域，便于后续的墙壁边缘剔除。
进一步地：剔除墙壁边缘后的边缘图像，找寻直线线段的两个端点P1,P2所在的联通域，将整个连通域的像素值设置为0。
进一步地：分割各个区域的白色像素点数，分割为N份，提取出白色像素点最多的M份区域所对应的原始图像区域作为原始图像的特征图像；以此方式即可提取出特征子图，并将特征子图制作成为数据集，以备后续的训练。
进一步地：将样本制作成为数据集，分为正常污水图片和不正常污水图片，以此数据集进行网络训练，后续的使用训练好的网络进行预测时需要对输入的图片进行相同的数字图像处理，之后对输入图片的M张子图进行判断，以判断数较多的结果作为输入图片的预测结果。
本发明的有益效果在于：
本发明设计了一套污水池曝气自动检测方法，通过采用图像处理算法，并对边缘检测算法进行一定的改进，使得自动检测算法能够准确的判断曝气是否异常，实现污水池曝气的智能检测，降低现有检测方法的弊端，提高工作效率，降低人工成本。
附图说明
图1为基于卷积神经网络的图像分类流程示意图；
图2为文字切割前的图片效果；
图3为文字切割后的图片效果；
图4为切割之后的污水池曝气图像；
图5为改进之后的边缘检测图像；
图6为霍夫变换之后的边缘检测图像；
图7为膨胀处理之后的边缘图像；
图8为剔除了墙壁边缘后的边缘图像；
图9为分割后各个区域的白色像素点数。
具体实施方式
下面结合本发明的一个实施例的附图，对本发明的技术方法进行清晰地、详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请实施例的描述中，需要说明的是，术语“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
下面结合图对本发明做详细说明
通常在采用图像进行识别的过程中，需要根据识别的目的、对象、输入的类型、输入的特点、输出的要求等方面去进行核心算法的选择和设计。因此，基于图像识别的污水检测需要结合实际的污水曝气池视频或图像进行响应的算法设计与参数调整。
污水池的视频都是通过污水池周边的巡检机器人在移动巡检的同时拍摄并传回的画面，图像中除了包含有污水状态的画面之外还包含着墙体等与判断状态无关的干扰画面。因此，就需要在巡检机器人在移动的状态下不用对污水池曝气状态进行判断，当其停止时，对曝气状态进行判断。也可以在机器人巡检的路径中设置检测点，当机器人巡检到检测点时停留一段时间来对曝气状态进行判断，当机器人不在监测点时，则不对曝气状态进行判断。
对污水池曝气状态进行判断，本质上是对采集到的图像进行分类。通常情况下，机器人静止状态采集到的污水池视频中水面的状态并不会发生太多的改变。因此以视频作为分类算法的输入将以大量的计算时间换取极少量的预测准确率，在工程中收益并不高。为了在不降低预测准确率的前提下，减少计算时间，可以通过抽帧的方式(以一定的提取频率，抽取输入视频中的部分帧)将视频转化为多张图片，以多张图片作为分类算法的输入以对污水视频进行分类。
通过上述可知，污水池曝气智能检测其本质就是图像的分类识别问题。污水图像相对较为复杂且特征变化较大，仅使用速度较快的传统数字图像处理难以获得较好的预测效果。使用基于卷积神经网络的图像分类是一个很好的选择，整个算法流程如图1所示。
通过综合比较实现难度、网络深度、训练时间等方面，在这里选用InceptionV3网络作为图像分类的算法。InceptionV3网络具有较小的体量与足够的忘了层数以及预测准确率，在GPU上虽然训练时间稍长，但CPU上具有对比其他网络相当可观的计算速度。同时InceptionV3网络在进行部署的时候难度相对较低，在tensorflow上也具有成熟的网络模型。
机器人采集到的污水池曝气数据集中存在一定的问题，其中有大量的相似或相近的图片，这是由于在机器人停留拍摄时部分监测点的水面不会发生明显的变化，导致机器人传回的视频每一帧之间的改变相对较小，这样的情况下提取到的图片相似度很高。因其极可能发生想探的图片进行验证这一情况，导致这样的数据集在做验证时是具有较低的可信度，训练好的网络的普适度将大大降低，并不利于工程上的使用。
为了解决上述的采集到的数据集的可信度较低的问题需要对采集到的图片进行一定的处理，使得数据集的可信度更高。
(1)图片分割
针对图片中具有较多的干扰：图像中的文字、墙壁等都是干扰因素之一，并且干扰有可能存在，也有可能不存在，干扰的大小与范围也会随时变化，因此需要通过一定的方式对干扰进行剔除，采用图片分割的方式进行干扰的剔除。
如图2所示，将原始图像中Line1上方与Line2下方的区域直接截取舍弃，得到新图像，如图3所示，这样就将文字干扰剔除掉。
如图4所示，将图像均匀切割为9个区域，从九个区域的子图中提取3份作为整个图像的特征子图，用三分特征子图可表达整个图像是否属于正常污水。其中关键是提取出的子图是包含泡沫较多的子图。泡沫是整个子图提取流程中最为关心的部分，污水的正常与否可以通过泡沫的特点来进行判断，因此泡沫较多的子图可以更好的代表整张图像。
(2)边缘检测
泡沫总是成团出现，且泡沫与泡沫之间，泡沫与水面之间具有非常明显的像素梯度差；因为像素梯度差明显，所以处理过后的图片有更多的边缘(边缘检测轮廓)，这里采用改进的Sobel算子提取图像的边缘信息。
Sobel算子能够较为完整地刻画出图像的轮廓，但是其显著的缺点就是由于检测过程中判断的阈值设置得不恰当，它会将图像区域中某些非目标特征提取出来，误提取率过高，而目标真实的特征部分出现“间断”的情况，没有连续性，不能很好地展现出图像目标的边缘。因此，对该算法在检测过程中的判断阈值的选取的不合理性这一缺点进行改进，从而得到更好的检测效果
多数的边缘检测算法都采用的是选取一个全局阈值，就只需要先用卷积模板计算出灰度图像各部分的梯度，然后分别计算它们的幅值。最后将每部分梯度的幅值与全局阈值作比较，如果大于全局阈值，则该部分为边缘；如果小于全局阈值，则该部分为非边缘。
而局部阈值则指的是根据图像的局部区域内像素值的具体情况设定的阈值，当算子对该部分进行检测时，就以该阈值作为是否是边缘的判断标准。局部阈值的优点在于可以具体情况具体分析，运用灵活。它的不足之处在于没有一个统一的算法且计算复杂度较高。
因此，本发明中将全局与局部阈值都考虑进来，由Ostu算法产生全局阈值，由改进的Bernsen算法产生局部阈值，然后将两者进行加权，提出一种阈值自适应生成的方法。
Ostu算法，这种算法的核心就是对于一幅图像，通过计算得出一个最佳的阈值，这个值满足二值化图像的背景与目标之间具有最大的类间方差，从而达到两者易于区分的目的。
假设现有图像灰度值范围为(0，K-1)，像素点个数总和为N的图像，对应于第i个灰度级的像素点数量为ni，出现的概率为：
将图像中所有像素点按照灰度级从小到大排列，分为两类A和B，灰度级分布范围分别为(0，T)和(T+1，K-1)。则：
式中，U0表示该图像的灰度概率均值。
区域A的灰度概率均值计算公式如下：
区域B的灰度概率均值计算公式如下：
其中：
式中ωA和ωB分别表示区域A和B的权值，根据上述概率均值计算公式可得：
U0＝ωAUA+ωBUB
两个区域的方差为：
δ2＝ωA(UA-U0)2+ωB(UB-U0)2
通过上述方差式中的δ2的最大值得到全局阈值的最优解T＝T1。
Bernsen算法是一种被广泛应用的局部阈值算法，该算法适合解决光照不均匀条件下的各种灰度图像，它的核心思想就是在灰度图像f中，以像素点(i,j)为中心的((2u+1)*(2u+1))大小的邻域中，计算各个像素点(i,j)的阈值T(i,j)。表达式如下所示：
然后对f(i,j)逐点二值化，遍历整个矩阵f(i,j)，通过比较其与T(i,j)的大小来判断是背景像素点还是目标像素点，最后得到二值图像b(i,j)。
由于传统的Bernsen算法对噪声比较敏感，如果待处理的灰度图像中的噪声过多，就会对局部阈值的选取产生一定的影响，从而导致边缘检测的最终阈值选取不够合理。因此，引入高斯去噪对该算法进行改进。设(i,j)处的像素灰度值用f(i,j)来表示，S代表的是以(i,j)为中心，((2u+1)*(2u+1))大小的邻域部分，在该区域内，为(i,j)处滤波后的灰度值，平滑尺度为δ，邻域内位置参数为λ，λ(i,j)代表(i,j)处的二值化结果。
改进Bernsen算法如下：
(1)计算f(i,j)处的阈值
(2)对点f(i,j)在((2u+1)*(2u+1))的窗口中进行高斯平滑：
(3)计算滤波后处的阈值T2(i,j)：
T＝T2即为所求的局部阈值。
如果单独使用全局阈值，就会使得图像某些部分的边缘不连续或者产生“伪边缘”；但是如果只使用局部阈值，虽然能够具体考虑到图像的每一部分，但是这样一来就大大增加了检测的计算复杂度。由于考虑到全局阈值的整体适用性和局部阈值的灵活性，并且一般情况下两个阈值相差不大，本发明中通过对其求平均得到最终的阈值T，平均阈值如下：
如图5为改进之后的边缘检测图像，改进后的边缘算账由于阈值的选取更加合理，图像中的那些非边缘部分仍然存在，但是这些非轮廓特征明显减少，被检测出来的可能性大大降低，特征更加连续，从而使得处理之后的图像细节轮廓更加清晰和准确。
(3)墙壁边缘剔除
边缘检测的图像中，墙壁的边缘无论如何都是最接近直线的边缘，因此可以通过霍夫变换进行直线检测的方式检测边缘图像中的最长的一条直线线段，而该线段一定是墙壁边缘的一部分，且线段的两个端点一定存在于墙壁边缘的连通域内。
如图6所示，可以看到的是通过霍夫变换找寻到的最长的直线线段存在于墙壁边缘的连通域内(实际上，数理和实际上而言最长的直线线段只会存在于墙壁边缘内)。图7所示，此时需要记录直线线段的两个端点P1,P2的坐标。之后对边缘图像进行“膨胀”处理，因边缘检测后墙壁边缘可能出现“断裂”，也就是墙壁边缘具有多个连通域，通过膨胀处理可以将断裂的墙壁边缘连接起来，形成一个连通域，便于后续的墙壁边缘剔除。
最后，如图8所示，剔除了墙壁边缘后的边缘图像，找寻直线线段的两个端点P1,P2所在的联通域(P1,P2只会存在于一个连通域内)，将整个连通域的像素值设置为0(像素值为0时，图像为黑色，像素值为255时，图像为白色)。
如图9所示为分割后各个区域的白色像素点数，以此边缘图像进行分割，分割为9份，提取出白色像素点最多的3份区域所对应的原始图像区域作为原始图像的特征图像。以此方式即可提取出特征子图，并将特征子图制作成为数据集，以备后续的训练。将样本制作成为数据集，分为正常污水图片和不正常污水图片，以此数据集进行网络训练，后续的使用训练好的网络进行预测时需要对输入的图片进行相同的数字图像处理，之后对输入图片的3张子图进行判断，以判断数较多的结果作为输入图片的预测结果。
网络训练结果：
采用InceptionV3网络，以数据集的70％作为训练数据，以训练集的剩下的30％作为验证数据，进行训练。以GPU RTX3070作为训练硬件，总共训练22秒，训练的准确率为98.75％。最后使用验证集进行验证，准确率为98.78％：
理论上来说，对于单个子图的预测正确率为98.78％，则对整张图片的预测正确率理论上为：99.96％，若一段视频以五张图片进行判断，则通过视频进行判断，理论上预测正确的几率近似为1。
之后以此网络对抽取的视频帧进行验证，全部正确。通过上述方式验证，以验证结果来看，整体算法可靠温度、准确率高。
模型推理与网页部署：
将上边训练完成的卷积神经网络模型保存成pb格式的文件，pb格式的文件通常适合用来部署。不同版本的tensorflow保存后的pb模型文件略有差异，这里采用tensorflow2.5.1。
模型的网页部署采用Python Flask框架，Flask是由Python实现的一个web微框架，可以使用Python语言快速实现一个王章或Web服务。配置好相应的环境，使用Python运行后访问localhost：5000就可以看到前端页面显示。
上传的图像通过opencv进行灰度化、边缘检测、霍夫检测直线、膨胀和寻找连通域等变换去除背景噪声，最后选择边缘和最大的3张特征子图，将3张特征子图进行resize图像大小调整到模型默认的输入大小(在这里是224*224)，然后通过归一化函数转换成传入模型的数据格式。分析3张子图的推理结果，根据我们的策略选择预测结果的众数作为最终结果，并将结果展示在前端页面。
以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。
Claims (9)
1.一种污水曝气自动检测识别方法，其特征在于：对采集到的图像进行下述的识别处理：
S1采用图像分割的方式进行干扰的剔除，干扰包括图像中的文字、墙壁；将图像均匀切割为N个区域，从N个区域的子图中提取M份作为整个图像的特征子图，其中提取出的特征子图是包含泡沫较多的子图；
S2采用改进的Sobel算子提取图像的边缘信息；由Ostu算法产生全局阈值，由改进的Bernsen算法产生局部阈值，然后将两者进行加权；
S3通过霍夫变换进行直线检测的方式检测边缘图像中的最长的一条直线线段，而该线段一定是墙壁边缘的一部分，且线段的两个端点一定存在于墙壁边缘的连通域内，最后进行墙壁边缘剔除。
2.如权利要求1所述的一种污水曝气自动检测识别方法，其特征在于：Ostu算法核心就是对于一幅图像，通过计算得出一个最佳的阈值，这个值满足二值化图像的背景与目标之间具有最大的类间方差，从而达到两者易于区分的目的；
假设现有图像灰度值范围为(0，K-1)，像素点个数总和为N的图像，对应于第i个灰度级的像素点数量为ni，出现的概率为：
将图像中所有像素点按照灰度级从小到大排列，分为两类A和B，灰度级分布范围分别为(0，T)和(T+1，K-1)；则：
式中，U0表示该图像的灰度概率均值；
区域A的灰度概率均值计算公式如下：
区域B的灰度概率均值计算公式如下：
其中：
式中ωA和ωB分别表示区域A和B的权值，根据上述概率均值计算公式可得：
U0＝ωAUA+ωBUB
两个区域的方差为：
ω2＝ωA(UA-U0)2+ωB(UB-U0)2
通过上述方差式中的δ2的最大值得到全局阈值的最优解T＝T1。
3.如权利要求2所述的一种污水曝气自动检测识别方法，其特征在于：Bernsen算法就是在灰度图像f中，以像素点(i,j)为中心的((2u+1)*(2u+1))大小的邻域中，计算各个像素点(i,j)的阈值T(i,j)；表达式如下所示：
然后对f(i,j)逐点二值化，遍历整个矩阵f(i,j)，通过比较其与T(i,j)的大小来判断是背景像素点还是目标像素点，最后得到二值图像b(i,j)；
引入高斯去噪对该算法进行改进，设(i,j)处的像素灰度值用f(i,j)来表示，S代表的是以(i,j)为中心，((2u+1)*(2u+1))大小的邻域部分，在该区域内，为(i,j)处滤波后的灰度值，平滑尺度为δ，邻域内位置参数为λ，λ(i,j)代表(i,j)处的二值化结果。
4.如权利要求3所述的一种污水曝气自动检测识别方法，其特征在于：改进Bernsen算法如下：
(1)计算f(i,j)处的阈值
(2)对点f(i,j)在((2u+1)*(2u+1))的窗口中进行高斯平滑：
(3)计算滤波后处的阈值T2(i,j)：
T＝T2即为所求的局部阈值。
5.如权利要求4所述的一种污水曝气自动检测识别方法，其特征在于：对其求平均得到最终的阈值T，平均阈值如下：
6.如权利要求5所述的一种污水曝气自动检测识别方法，其特征在于：通过霍夫变换找寻到的最长的直线线段存在于墙壁边缘的连通域内，此时需要记录直线线段的两个端点P1,P2的坐标；之后对边缘图像进行膨胀处理，通过膨胀处理可以将断裂的墙壁边缘连接起来，形成一个连通域，便于后续的墙壁边缘剔除。
7.如权利要求6所述的一种污水曝气自动检测识别方法，其特征在于：剔除墙壁边缘后的边缘图像，找寻直线线段的两个端点P1,P2所在的联通域，将整个连通域的像素值设置为0。
8.如权利要求7所述的一种污水曝气自动检测识别方法，其特征在于：分割各个区域的白色像素点数，分割为N份，提取出白色像素点最多的M份区域所对应的原始图像区域作为原始图像的特征图像；以此方式即可提取出特征子图，并将特征子图制作成为数据集，以备后续的训练。
9.如权利要求8所述的一种污水曝气自动检测识别方法，其特征在于：将样本制作成为数据集，分为正常污水图片和不正常污水图片，以此数据集进行网络训练，后续的使用训练好的网络进行预测时需要对输入的图片进行相同的数字图像处理，之后对输入图片的M张子图进行判断，以判断数较多的结果作为输入图片的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211433411.0A CN116524205A (zh) | 2023-03-03 | 2023-03-03 | 一种污水曝气自动检测识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211433411.0A CN116524205A (zh) | 2023-03-03 | 2023-03-03 | 一种污水曝气自动检测识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116524205A true CN116524205A (zh) | 2023-08-01 |
Family
ID=87398122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211433411.0A Pending CN116524205A (zh) | 2023-03-03 | 2023-03-03 | 一种污水曝气自动检测识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116524205A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116863465A (zh) * | 2023-09-01 | 2023-10-10 | 四川省每文环保科技有限公司 | 一种污水智能运行监测系统 |
| CN117011386A (zh) * | 2023-09-27 | 2023-11-07 | 天津水科机电有限公司 | 一种基于反冲洗滤水器的排污效果评价方法 |
-
2023
- 2023-03-03 CN CN202211433411.0A patent/CN116524205A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116863465A (zh) * | 2023-09-01 | 2023-10-10 | 四川省每文环保科技有限公司 | 一种污水智能运行监测系统 |
| CN116863465B (zh) * | 2023-09-01 | 2023-12-12 | 四川省每文环保科技有限公司 | 一种污水智能运行监测系统 |
| CN117011386A (zh) * | 2023-09-27 | 2023-11-07 | 天津水科机电有限公司 | 一种基于反冲洗滤水器的排污效果评价方法 |
| CN117011386B (zh) * | 2023-09-27 | 2024-01-26 | 天津水科机电有限公司 | 一种基于反冲洗滤水器的排污效果评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| CN110334706B (zh) | 一种图像目标识别方法及装置 | |
| CN109816644B (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
| CN115239735B (zh) | 基于计算机视觉的通信柜表面缺陷检测方法 | |
| CN116524205A (zh) | 一种污水曝气自动检测识别方法 | |
| WO2022110804A1 (zh) | 一种基于局部统计信息的图像噪声检测方法、装置 | |
| CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
| CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
| CN107220649A (zh) | 一种素色布匹缺陷检测和分类方法 | |
| CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
| CN104853151A (zh) | 一种基于视频图像的大空间火灾监测系统 | |
| CN114782330B (zh) | 基于人工智能的炉排异常检测方法及系统 | |
| CN108460344A (zh) | 屏幕中的动态区域智能识别系统及智能识别方法 | |
| CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
| CN108830851B (zh) | 一种lcd粗糙斑缺陷检测方法 | |
| CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
| CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
| CN112085721A (zh) | 基于人工智能的水淹车定损方法、装置、设备及存储介质 | |
| CN114612403A (zh) | 一种上料皮带破损缺陷智能检测方法及系统 | |
| CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
| CN108242060A (zh) | 一种基于Sobel算子的图像边缘检测方法 | |
| CN111163332A (zh) | 视频色情度检测方法、终端及介质 | |
| CN116363584A (zh) | 一种基于机器视觉的船舶液体管道泄漏监测方法 | |
| CN114299020A (zh) | 一种基于机器视觉的滑板车显示屏缺陷检测方法及其系统 | |
| CN114926446A (zh) | 皮带撕边检测方法 |
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 |