CN116563768B - 一种微塑料污染物智能检测方法及系统 - Google Patents
一种微塑料污染物智能检测方法及系统 Download PDFInfo
- Publication number
- CN116563768B CN116563768B CN202310819280.8A CN202310819280A CN116563768B CN 116563768 B CN116563768 B CN 116563768B CN 202310819280 A CN202310819280 A CN 202310819280A CN 116563768 B CN116563768 B CN 116563768B
- Authority
- CN
- China
- Prior art keywords
- pollutant
- microplastic
- image
- micro
- block
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229920000426 Microplastic Polymers 0.000 title claims abstract description 272
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 240
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 240
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000004220 aggregation Methods 0.000 claims abstract description 93
- 230000002776 aggregation Effects 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 239000000356 contaminant Substances 0.000 claims description 75
- 229920003023 plastic Polymers 0.000 claims description 50
- 238000004891 communication Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 16
- 238000003708 edge detection Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
- 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
- G06V10/457—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 by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- 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
Abstract
本申请属于图像处理技术领域，提供了一种微塑料污染物智能检测方法及系统，方法包括：拍摄水面上微塑料污染物获取通道图像；分析通道图像中微塑料污染物的聚集复杂度数据和聚集丰富度数据，构建通道图像的聚集模糊系数，获得微塑料污染物RGB图像中区块的先验信噪比；根据先验信噪比采用基于维纳滤波的去模糊算法对微塑料污染物RGB图像进行预处理，获得微塑料污染物灰度图像；基于CNN的卷积神经网络模型输入微塑料污染物灰度图像对微塑料污染物进行识别。本申请提供的方法及系统较大程度的提高了微塑料污染物的检测精度。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种微塑料污染物智能检测方法及系统。
背景技术
微塑料作为一种新型的微塑料污染物已经在全球范围内普遍存在，与传统的微塑料污染物不同，微塑料污染物体积小，且不易降解。现如今在海洋生物体内发现已经大量存在微塑料污染物，微塑料污染物通过海洋生物的吞食已经流入到食物链当中，甚至在人体中可以检测出微塑料的存在，因此对于微塑料污染物的检测和处理亟待解决。
目前对于微塑料污染物的识别采用机器视觉的方式，提高了对微塑料污染物的检测速率，实现了对微塑料污染物的智能检测，但由于拍摄水面上的微塑料污染物受到环境（光照、风向和相机参数等）的影响，导致拍摄的图像较模糊，传统的图像去模糊算法对微塑料污染物图像的处理效果较差，导致对微塑料污染物的检测精度较低。
发明内容
本申请提供了一种微塑料污染物智能检测方法及系统，以提高微塑料污染物的检测精度。
根据本申请实施例的第一方面，提供了一种微塑料污染物智能检测方法，所述方法包括：
拍摄水面上微塑料污染物视频，获取所述微塑料污染物视频中每帧微塑料污染物RGB图像的三个通道图像，通道图像分别为R图像、G图像和B图像；
分析所述通道图像中所述微塑料污染物的聚集复杂度数据和聚集丰富度数据，构建所述通道图像的聚集模糊系数，获得所述微塑料污染物RGB图像中区块的先验信噪比；
根据所述先验信噪比，采用基于维纳滤波的去模糊算法对所述微塑料污染物RGB图像进行预处理，获得微塑料污染物灰度图像；
基于CNN的卷积神经网络模型，输入所述微塑料污染物灰度图像，对微塑料污染物进行识别。
在本发明的一些实施例中，分析所述通道图像中所述微塑料污染物的聚集复杂度数据和聚集丰富度数据，构建所述通道图像的聚集模糊系数，获得所述微塑料污染物RGB图像中区块的先验信噪比，包括：
采用Canny边缘检测算法和Harris角点检测算法分别检测三个所述通道图像，获得三个所述通道图像的区块边缘图像和区块边缘图像内的特征点；
针对所述区块边缘图像，采用连通域分析算法和边界跟踪算法获取所述区块边缘图像对应的区块内的微塑料污染物连通域；
分析所述微塑料污染物连通域，得到所述微塑料污染物连通域的边缘特征和面积，计算获得所述区块内微塑料污染物聚集复杂度；
分析所述微塑料污染物连通域，得到微塑料污染物连通域的表面特征序列，计算获得所述区块内微塑料污染物连通域之间的表面特征差异值和微塑料污染物聚集丰富度；
根据所述区块边缘图像内每个特征点与其它特征点之间的距离，获得特征点聚集序列；
根据所述微塑料污染物聚集复杂度、所述微塑料污染物聚集丰富度和所述特征点聚集序列，计算获得所述区块内微塑料污染物聚集模糊系数；
根据所述微塑料聚微塑料污染物聚集模糊系数计算获得三个所述通道图像下的模糊核加权值；
根据所述模糊核加权值估计获得所述微塑料污染物RGB图像中所述区块的先验信噪比。
在本发明的一些实施例中，采用Canny边缘检测算法和Harris角点检测算法分别检测三个所述通道图像，获得三个所述通道图像的区块边缘图像和区块边缘图像内的特征点，包括：
采用Canny边缘检测算法分别检测三个所述通道图像中的边缘像素点，得到三个所述通道图像的边缘图像；
对所述边缘图像进行均匀分块处理，得到区块边缘图像；
采用Harris角点检测算法，检测所述区块边缘图像并获得区块边缘图像的特征点。
在本发明的一些实施例中，分析所述微塑料污染物连通域，得到所述微塑料污染物连通域的边缘特征和面积，计算获得所述区块内微塑料污染物聚集复杂度，包括：
利用傅里叶描述子分析获取每个所述微塑料污染物连通域的边缘特征向量；
计算每个所述边缘特征向量的模，得到所述微塑料污染物连通域的边缘特征序列[]；
输入所述边缘特征序列点集，采用Hu不变矩算法进行处理，输出所述微塑料污染物连通域的一组不变矩；
选取每个所述微塑料污染物连通域得到的一组不变矩中的零阶矩构成所述微塑料污染物连通域面积序列[]；
计算获得微塑料污染物聚集复杂度，计算方法为：
；
式中，表示区块内微塑料污染物聚集复杂度，/>表示区块内的第/>个微塑料污染物连通域的面积，/>表示区块内的第/>个微塑料污染物连通域的边缘特征值，/>表示计算得到的区块内的微塑料污染物连通域边缘特征值和面积占比乘积的均值，/>表示区块的面积，/>表示区块内的微塑料污染物连通域的数量。
在本发明的一些实施例中，分析所述微塑料污染物连通域，得到微塑料污染物连通域的表面特征序列，计算获得微塑料污染物连通域之间的表面特征差异值和微塑料污染物聚集丰富度，包括：
输入所述微塑料污染物连通域，采用HOG算法得到所述微塑料污染物连通域的梯度直方图；
将所述梯度直方图的每个方向区间内的梯度强度按从左到右的顺序排列，得到所述微塑料污染物连通域的表面特征序列；
根据所述表面特征序列，计算获得所述微塑料污染物连通域之间的表面特征差异值，计算方法为：
；
式中，表示区块内第/>个表面特征差异值，/>和/>分别表示区块内第/>个、第个表面特征序列，/>表示采用DTW距离计算两个表面特征序列之间的差异值；
根据所述表面特征差异值，计算获得微塑料污染物聚集丰富度，计算方法为：
；
式中，E表示区块内微塑料污染物聚集丰富度，表示区块内第/>个表面特征差异值，/>表示表面特征差异值的均值，/>表示表面特征差异值的数量。
在本发明的一些实施例中，根据所述区块边缘图像内每个特征点与其它特征点之间的距离，获得特征点聚集序列，包括：
计算所述区块边缘图像内每个特征点与其它特征点之间的距离，得到的距离值的均值作为该特征点的聚集度；
根据每个特征点的聚集度构成特征点聚集序列[]。
在本发明的一些实施例中，所述微塑料污染物聚集模糊系数，计算方法为：
；
式中，S表示区块内微塑料污染物聚集模糊系数，表示区块内微塑料污染物聚集复杂度，/>表示区块内微塑料污染物聚集丰富度，/>表示区块内特征点聚集序列中的第/>个值，/>表示区块内含有特征点的数量，/>表示区块内特征点聚集序列中数值的均值。
在本发明的一些实施例中，所述模糊核加权值为：
；
；
；
式中，表示R图像对应区块的微塑料污染物聚集模糊系数，/>表示G图像对应区块的微塑料污染物聚集模糊系数，/>表示B图像对应区块的微塑料污染物聚集模糊系数，表示R图像对应区块的微塑料污染物模糊核加权值，/>表示G图像对应区块的微塑料污染物模糊核加权值，/>表示B图像对应区块的微塑料污染物模糊核加权值。
在本发明的一些实施例中，基于CNN的卷积神经网络模型，输入所述微塑料污染物灰度图像，对微塑料污染物进行识别，包括：
基于CNN的卷积神经网络图像识别模型，采用Yolo系列目标检测神经网络模型，输入所述微塑料污染物灰度图像，以Adam为优化算法，以交叉熵函数作为损失函数，得到所述微塑料污染物的目标检测结果图，完成对所述微塑料污染物的识别。
根据本申请实施例的第二方面，提供了一种微塑料污染物智能检测系统，系统包括存储器和处理器，其中：
所述存储器，用于存储程序代码；
所述处理器，用于读取所述存储器中存储的程序代码，并执行如本申请实施例的第一方面所述的方法。
由以上实施例可见，本申请实施例提供的微塑料污染物智能检测方法及系统，具有的有益效果如下：
通过水面微塑料污染物RGB图像中的微塑料污染物聚集复杂度数据和聚集丰富度数据构建微塑料污染物聚集模糊系数。微塑料污染物聚集模糊系数考虑了不同区域的微塑料污染物的聚集情况和表面特征差异数据，可以更好的反映水面微塑料污染物表面图像不同区块的特征。基于构建的微塑料污染物聚集模糊系数分别计算三个通道的模糊核的权值，其有益效果在于微塑料污染物聚集模糊系数考虑了微塑料污染物的聚集对区域模糊程度的影响，更能反映微塑料污染物聚集产生的干扰因素对图像的影响程度，由此可以更准确的估计局部区块的模糊核，计算先验信噪比更加准确，提高了基于维纳滤波去模糊算法对水面微塑料污染物RGB图像的处理精度，进一步提高了对微塑料污染物的分割和识别精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种微塑料污染物智能检测方法基本流程示意图；
图2为本申请实施例提供的一种先验信噪比的获取方法基本流程示意图；
图3为本申请实施例提供的一种区块边缘图像和区块边缘图像内的特征点的获取方法基本流程示意图；
图4为本申请实施例提供的一种微塑料污染物聚集复杂度获取方法基本流程示意图；
图5为本申请实施例提供的一种微塑料污染物聚集丰富度获取方法基本流程示意图；
图6为本申请实施例提供的一种微塑料污染物智能检测系统组成示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面将结合附图，对本实施例提供的一种微塑料污染物智能检测方法及系统进行详细介绍。
图1为本申请实施例提供的一种微塑料污染物智能检测方法基本流程示意图。如图1所示，该方法具体包括如下步骤：
S100：拍摄水面上微塑料污染物视频，获取微塑料污染物视频中每帧微塑料污染物RGB图像的三个通道图像，通道图像分别为R图像、G图像和B图像。
采用CCD工业相机拍摄水面微塑料污染物视频。进一步的，获取水面微塑料污染物视频中每帧RGB图像的三个通道图像，三个通道图像分别为R图像、G图像和B图像。
S200：分析通道图像中微塑料污染物的聚集复杂度数据和聚集丰富度数据，构建通道图像的聚集模糊系数，获得微塑料污染物RGB图像中区块的先验信噪比。
由于水面微塑料污染物图像的拍摄位置在水面上，因此环境中会存在各种因素（例如光照、风等）使拍摄的存在较多的干扰因素，还有相机参数等因素的影响，导致图像的质量较差。而标检测物为微塑料污染物，微塑料是一种直径小于5毫米的颗粒状或者碎片状的新型微塑料污染物，其形状各异（球形、片状、棒状等），表面特征也较为复杂。因此在进行水面微塑料污染物分割以及图像识别时，需对采集的图像进行预处理，以提高图像的清晰度。本发明采用基于维纳滤波的图像去模糊算法对采集的图像进行预处理，由水面微塑料等微塑料污染物的分布不同以及图像中不同区域的模糊程度不同，因此算法中信噪比的值固定，会造成对于水面微塑料污染物图像的降噪效果较差。可根据图像中的特征自适应的获取不同区域的信噪比，提高对水面微塑料污染物图像的降噪效果，进而提高后续对于图像分割和图像识别的精度，提高对微塑料污染物的检测的准确度。
由于微塑料污染物较小，且形状和表面特征较为复杂，因此在图像采集的过程中由于水面流动带动微塑料污染物运动导致图像模糊，微塑料污染物较为聚集的区域移动造成的模糊影响更严重，最终造成的分割和识别精度更低。令外，微塑料污染物较为集中区域的图像还表现为表面纹理交错复杂。根据上述特征对不同区域进行分析，计算不同区域的先验信噪比。
图2为本申请实施例提供的一种先验信噪比的获取方法基本流程示意图。如图2所示，在本申请的一些实施例中，分析通道图像中微塑料污染物的聚集复杂度数据和聚集丰富度数据，构建通道图像的聚集模糊系数，获得微塑料污染物RGB图像中区块的先验信噪比，包括如下步骤：
S201：采用Canny边缘检测算法和Harris角点检测算法分别检测三个通道图像，获得三个通道图像的区块边缘图像和区块边缘图像内的特征点。
图3为本申请实施例提供的一种区块边缘图像和区块边缘图像内的特征点的获取方法基本流程示意图，如图3所示，在本申请的一些实施例中，采用Canny边缘检测算法和Harris角点检测算法分别检测三个通道图像，获得三个通道图像的区块边缘图像和区块边缘图像内的特征点。具体包括：
S2011：采用Canny边缘检测算法分别检测三个通道图像中的边缘像素点，得到三个通道图像的边缘图像。
由于通道图像中不同区域的特征不同，因此采用Canny边缘检测算法分别检测三个通道图像中的边缘像素点，得到三个通道图像的边缘图像。Canny边缘检测算法为公知技术，具体的实现过程这里不再进行赘述。
S2012：对边缘图像进行均匀分块处理，得到区块边缘图像。
对边缘图像进行均匀分块处理。分块可根据图像的分辨率大小进行，例如分辨率为512 512的图像，可将图像分为64/>64个区块。经过分块处理可以得到的区块边缘图像。
S2013：采用Harris角点检测算法，检测区块边缘图像并获得区块边缘图像的特征点。
采用Harris角点检测算法，检测区块边缘图像并获得区块边缘图像的特征点。Harris角点检测算法为公知技术，具体的实现过程这里不再进行赘述。
S202：针对区块边缘图像，采用连通域分析算法和边界跟踪算法获取区块边缘图像对应的区块内的微塑料污染物连通域。
S203：分析微塑料污染物连通域，得到微塑料污染物连通域的边缘特征和面积，计算获得区块内微塑料污染物聚集复杂度。
由于微塑料污染物的体积较小，若区块内出现较为集中的微塑料污染物分布时则该区块内存在干扰较多，造成区块的模糊程度较大，则根据检测的区块内的边缘像素点，每个边缘像素点的邻域内的灰度变化较为剧烈，且较聚集的区域内多种微塑料污染物会有堆积，从而出现较多的凹凸不平的形状，即微塑料污染物边缘出现较多的特征点。因此可根据微塑料污染物聚集状态下的这一特点构建该区块的微塑料污染物聚集复杂度。
图4为本申请实施例提供的一种微塑料污染物聚集复杂度获取方法基本流程示意图，如图4所示，在本申请的一些实施例中，分析微塑料污染物连通域，得到微塑料污染物连通域的边缘特征和面积，计算获得区块内微塑料污染物聚集复杂度，包括以下步骤：
S2031：利用傅里叶描述子分析获取每个微塑料污染物连通域的边缘特征向量。
S2032：计算每个边缘特征向量的模，得到微塑料污染物连通域的边缘特征序列[]。
计算每个边缘特征向量的模，得到微塑料污染物连通域的边缘特征序列[]。由特征向量计算得到的特征值可以反映微塑料污染物连通域的边缘形状的复杂程度。
S2033：输入边缘特征序列点集，采用Hu不变矩算法进行处理，输出微塑料污染物连通域的一组不变矩。
S2034：选取每个微塑料污染物连通域得到的一组不变矩中的零阶矩构成微塑料污染物连通域面积序列[]。
S2035：计算获得微塑料污染物聚集复杂度。
计算获得微塑料污染物聚集复杂度，计算方法为：
；
式中，表示区块内微塑料污染物聚集复杂度，/>表示区块内的第/>个微塑料污染物连通域的面积，/>表示区块内的第/>个微塑料污染物连通域的边缘特征值，/>表示计算得到的区块内的微塑料污染物连通域边缘特征值和面积占比乘积的均值，/>表示区块的面积，/>表示区块内的微塑料污染物连通域的数量。
若区块内的微塑料污染物聚集较多，则的值较大，且其中微塑料污染物面积/>的值越大，相应的/>的值较大，最终计算得到的区块内的微塑料污染物聚集复杂度/>的值较大，表示该区块内微塑料污染物聚集较多且其堆积表现出的形状较复杂。
S204：分析微塑料污染物连通域，得到微塑料污染物连通域的表面特征序列，计算获得区块内微塑料污染物连通域之间的表面特征差异值和微塑料污染物聚集丰富度。
微塑料污染物聚集时会含有不同种类的微塑料污染物，可以根据不同微塑料污染物表面特征的差异值计算微塑料污染物聚集丰富度。
图5为本申请实施例提供的一种微塑料污染物聚集丰富度获取方法基本流程示意图，如图5所示，在本申请的一些实施例中，分析微塑料污染物连通域，得到微塑料污染物连通域的表面特征序列，计算获得区块内微塑料污染物连通域之间的表面特征差异值和微塑料污染物聚集丰富度，包括以下步骤：
S2041：输入微塑料污染物连通域，采用HOG算法得到微塑料污染物连通域的梯度直方图。
S2042：将梯度直方图的每个方向区间内的梯度强度按从左到右的顺序排列，得到微塑料污染物连通域的表面特征序列。
将梯度直方图的每个方向区间内的梯度强度按从左到右的顺序排列，得到微塑料污染物连通域的表面特征序列，区块中所有微塑料污染物连通域的表面特征序列可表示为[],其中/>表示区块内第1个微塑料污染物连通域的表面特征序列。
S2043：根据表面特征序列，计算获得微塑料污染物连通域之间的表面特征差异值。
根据表面特征序列，计算获得微塑料污染物连通域之间的表面特征差异值，计算方法为：
；
式中，表示区块内第/>个表面特征差异值，/>和/>分别表示区块内第/>个、第个表面特征序列，/>表示采用DTW距离计算两个表面特征序列之间的差异值。
S2044：根据表面特征差异值，计算获得微塑料污染物聚集丰富度。
根据表面特征差异值，计算获得微塑料污染物聚集丰富度，计算方法为：
；
式中，E表示区块内微塑料污染物聚集丰富度，表示区块内第/>个表面特征差异值，/>表示表面特征差异值的均值，/>表示表面特征差异值的数量。
根据计算表面特征差异值的均方差可以表示该区块微塑料污染物连通域表面特征差异值的变化情况，即表现该区块内微塑料污染物聚集种类的丰富度。若区块内微塑料污染物聚集种类较多，则计算得到的表面特征差异值的变化较剧烈，计算得到的微塑料污染物聚集丰富度的值越大。
S205：根据区块边缘图像内每个特征点与其它特征点之间的距离，获得特征点聚集序列。
区块内的微塑料污染物聚集种类和数量越多，导致区块内微塑料污染物连通域边界形状越复杂，由于聚集造成的区块内特征点的分布也较为聚集。根据区块边缘图像内每个特征点与其它特征点之间的距离，获得特征点聚集序列，包括：计算区块边缘图像内每个特征点与其它特征点之间的距离，得到的距离值的均值作为该特征点的聚集度；根据每个特征点的聚集度构成特征点聚集序列[]。
S206：根据微塑料污染物聚集复杂度、微塑料污染物聚集丰富度和特征点聚集序列，计算获得区块内微塑料污染物聚集模糊系数。
根据微塑料污染物聚集复杂度、微塑料污染物聚集丰富度和特征点聚集序列，计算获得区块内微塑料污染物聚集模糊系数，计算方法为：
；
式中，S表示区块内微塑料污染物聚集模糊系数，表示区块内微塑料污染物聚集复杂度，/>表示区块内微塑料污染物聚集丰富度，/>表示区块内特征点聚集序列中的第/>个值，/>表示区块内含有特征点的数量，/>表示区块内特征点聚集序列中数值的均值。
由于区块内微塑料污染物聚集越多，区块内的微塑料污染物的边缘形状越复杂，计算得到的微塑料污染物聚集复杂度的值越大，而微塑料污染物聚集复杂度与微塑料污染物聚集丰富度成正比，则计算得到的微塑料污染物聚集丰富度/>的值也越大，而区块内表现的特征点的聚集情况/>的值越小，最终计算得到的微塑料污染物聚集模糊系数/>的值越大，表示该区块内微塑料污染物聚集较多，且微塑料污染物的堆积严重密集，导致该区块造成的模糊程度更高。
S207：根据微塑料聚微塑料污染物聚集模糊系数计算获得三个通道图像下的模糊核加权值。
由于水面微塑料污染物RGB图像每个通道图像下的图像的大小一致，因此每个通道图像分割的区块也是对应的，每个通道图像下对应区块计算可以得到微塑料污染物聚集模糊系数、/>和/>。由于每个通道图像下反映的图像的颜色、亮度和对比度不同，根据其微塑料污染物聚集模糊系数可计算不同通道图像下模糊核加权的权值大小。模糊核加权值为：
；
；
；
式中，表示R图像对应区块的微塑料污染物聚集模糊系数，/>表示G图像对应区块的微塑料污染物聚集模糊系数，/>表示B图像对应区块的微塑料污染物聚集模糊系数，表示R图像对应区块的微塑料污染物模糊核加权值，/>表示G图像对应区块的微塑料污染物模糊核加权值，/>表示B图像对应区块的微塑料污染物模糊核加权值。
S208：根据模糊核加权值估计获得微塑料污染物RGB图像中区块的先验信噪比。
S300：根据先验信噪比，采用基于维纳滤波的去模糊算法对微塑料污染物RGB图像进行预处理，获得微塑料污染物灰度图像。
S400：基于CNN的卷积神经网络模型，输入微塑料污染物灰度图像，对微塑料污染物进行识别。
基于CNN的卷积神经网络图像识别模型，采用Yolo系列目标检测神经网络模型，输入微塑料污染物灰度图像，以Adam为优化算法，以交叉熵函数作为损失函数，得到微塑料污染物的目标检测结果图，完成对微塑料污染物的识别。CNN的卷积神经网络图像识别模型为公知技术，具体的实现过程不再进行赘述。
基于与上述方法同样的发明构思，本实施例还提供了微塑料污染物智能检测系统。图6为本申请实施例提供的一种微塑料污染物智能检测系统组成示意图，如图6所示，该系统包括存储器10和处理器20，其中：
存储器10，用于存储程序代码。
处理器20，用于读取并执行存储器10中存储的程序代码。
在本发明的一些实施例中，处理器20包括图像采集模块21、图像预处理模块22、微塑料污染物识别模块23。
进一步的，图像采集模块21被配置为：拍摄水面上微塑料污染物视频，获取微塑料污染物视频中每帧微塑料污染物RGB图像的三个通道图像，通道图像分别为R图像、G图像和B图像。存储并发送拍摄获取的RGB图像和通道图像数据。
图像预处理模块22被配置为：接收图像采集模块21发送的RGB图像和通道图像；分析通道图像中微塑料污染物的聚集复杂度数据和聚集丰富度数据，构建通道图像的聚集模糊系数，获得微塑料污染物RGB图像中区块的先验信噪比；根据先验信噪比，采用基于维纳滤波的去模糊算法对微塑料污染物RGB图像进行预处理，获得微塑料污染物灰度图像。存储图像预处理过程中获得的数据参数并发送微塑料污染物灰度图像。
微塑料污染物识别模块23被配置为：接收图像预处理模块22发送的微塑料污染物灰度图像数据；基于CNN的卷积神经网络模型，输入微塑料污染物灰度图像，对微塑料污染物进行识别；输出并保存微塑料污染物识别结果。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
需要说明的是，除非另有规定和限定，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。另外，本文使用的术语“和\或”包括一个或多个相关的所列项目的任一的和所有的组合。
本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (9)
1.一种微塑料污染物智能检测方法，其特征在于，所述方法包括：
拍摄水面上微塑料污染物视频，获取所述微塑料污染物视频中每帧微塑料污染物RGB图像的三个通道图像，通道图像分别为R图像、G图像和B图像；
分析所述通道图像中所述微塑料污染物的聚集复杂度数据和聚集丰富度数据，构建所述通道图像的聚集模糊系数，获得所述微塑料污染物RGB图像中区块的先验信噪比；
根据所述先验信噪比，采用基于维纳滤波的去模糊算法对所述微塑料污染物RGB图像进行预处理，获得微塑料污染物灰度图像；
基于CNN的卷积神经网络模型，输入所述微塑料污染物灰度图像，对微塑料污染物进行识别；
分析所述通道图像中所述微塑料污染物的聚集复杂度数据和聚集丰富度数据，构建所述通道图像的聚集模糊系数，获得所述微塑料污染物RGB图像中区块的先验信噪比，包括：
采用Canny边缘检测算法和Harris角点检测算法分别检测三个所述通道图像，获得三个所述通道图像的区块边缘图像和区块边缘图像内的特征点；
针对所述区块边缘图像，采用连通域分析算法和边界跟踪算法获取所述区块边缘图像对应的区块内的微塑料污染物连通域；
分析所述微塑料污染物连通域，得到所述微塑料污染物连通域的边缘特征和面积，计算获得所述区块内微塑料污染物聚集复杂度；
分析所述微塑料污染物连通域，得到微塑料污染物连通域的表面特征序列，计算获得所述区块内微塑料污染物连通域之间的表面特征差异值和微塑料污染物聚集丰富度；
根据所述区块边缘图像内每个特征点与其它特征点之间的距离，获得特征点聚集序列；
根据所述微塑料污染物聚集复杂度、所述微塑料污染物聚集丰富度和所述特征点聚集序列，计算获得所述区块内微塑料污染物聚集模糊系数；
根据所述微塑料聚微塑料污染物聚集模糊系数计算获得三个所述通道图像下的模糊核加权值；
根据所述模糊核加权值估计获得所述微塑料污染物RGB图像中所述区块的先验信噪比。
2.根据权利要求 1 所述的微塑料污染物智能检测方法，其特征在于，采用Canny 边缘检测算法和 Harris 角点检测算法分别检测三个所述通道图像，获得三个所述通道图像的区块边缘图像和区块边缘图像内的特征点，包括：采用 Canny 边缘检测算法分别检测三个所述通道图像中的边缘像素点，得到三个所述通道图像的边缘图像；对所述边缘图像进行均匀分块处理，得到区块边缘图像；采用 Harris 角点检测算法，检测所述区块边缘图像并获得区块边缘图像的特征点。
3.根据权利要求 1 所述的微塑料污染物智能检测方法，其特征在于，分析
所述微塑料污染物连通域，得到所述微塑料污染物连通域的边缘特征和面积，
计算获得所述区块内微塑料污染物聚集复杂度，包括：利用傅里叶描述子分析获取每个所述微塑料污染物连通域的边缘特征向量；计算每个所述边缘特征向量的模，得到所述微塑料污染物连通域的边缘特征序列；
输入所述边缘特征序列点集，采用 Hu 不变矩算法进行处理，输出所述微塑料污染物连通域的一组不变矩；选取每个所述微塑料污染物连通域得到的一组不变矩中的零阶矩构成所述微塑料污染物连通域面积序列；
计算获得微塑料污染物聚集复杂度，计算方法为：
式中，表示区块内微塑料污染物聚集复杂度，/>表示区块内的第/>个微塑料污染物连通域的面积，/>表示区块内的第/>个微塑料污染物连通域的边缘特征值，/>表示计算得到的区块内的微塑料污染物连通域边缘特征值和面积占比乘积的均值，/> 表示区块的面积，/>表示区块内的微塑料污染物连通域的数量。
4.根据权利要求1所述的微塑料污染物智能检测方法，其特征在于，分析所述微塑料污染物连通域，得到微塑料污染物连通域的表面特征序列，计算获得微塑料污染物连通域之间的表面特征差异值和微塑料污染物聚集丰富度，包括：
输入所述微塑料污染物连通域，采用HOG算法得到所述微塑料污染物连通域的梯度直方图；
将所述梯度直方图的每个方向区间内的梯度强度按从左到右的顺序排列，得到所述微塑料污染物连通域的表面特征序列；
根据所述表面特征序列，计算获得所述微塑料污染物连通域之间的表面特征差异值，计算方法为：
式中，表示区块内第/>个表面特征差异值，/>和/>分别表示区块内第/> 个 、第/>个表面特征序列，/>表示采用DTW距离计算两个表面特征序列之间的差异值；根据所述表面特征差异值，计算获得微塑料污染物聚集丰富度，计算方法为：
式中，表示区块内微塑料污染物聚集丰富度，/>表示区块内第/>个表面特征差异值，/>表示表面特征差异值的均值，/>表示表面特征差异值的数量。
5.根据权利要求 1 所述的微塑料污染物智能检测方法，其特征在于，根据所述区块边缘图像内每个特征点与其它特征点之间的距离，获得特征点聚集序列，包括：计算所述区块边缘图像内每个特征点与其它特征点之间的距离，得到的距离值的均值作为该特征点的聚集度；根据每个特征点的聚集度构成特征点聚集序列。
6.根据权利要求 1 所述的微塑料污染物智能检测方法，其特征在于，所述微塑料污染物聚集模糊系数，计算方法为：
式中，表示区块内微塑料污染物聚集模糊系数，/>表示区块内微塑料污染物聚集复杂度，/>表示区块内微塑料污染物聚集丰富度，/>表示区块内特征点聚集序列中的第/>个值，表示区块内含有特征点的数量，/>表示区块内特征点聚集序列中数值的均值。
7.根据权利要求1所述的微塑料污染物智能检测方法，其特征在于，所述模糊核加权值为：
式中，表示R图像对应区块的微塑料污染物聚集模糊系数，/>表示G图像对应区块的微塑料污染物聚集模糊系数，/>表示B图像对应区块的微塑料污染物聚集模糊系数，/>表示R图像对应区块的微塑料污染物模糊核加权值，/>表示G图像对应区块的微塑料污染物模糊核加权值，/>表示B图像对应区块的微塑料污染物模糊核加权值。
8.根据权利要求1所述的微塑料污染物智能检测方法，其特征在于，基于CNN的卷积神经网络模型，输入所述微塑料污染物灰度图像，对微塑料污染物进行识别，包括：基于CNN的卷积神经网络图像识别模型，采用Yolo系列目标检测神经网络模型，输入所述微塑料污染物灰度图像，以Adam为优化算法，以交叉熵函数作为损失函数，得到所述微塑料污染物的目标检测结果图，完成对所述微塑料污染物的识别。
9.一种微塑料污染物智能检测系统，其特征在于，系统包括存储器（10）和处理器（20），其中：
所述存储器（10），用于存储程序代码；
所述处理器（20），用于读取所述存储器（10）中存储的程序代码，并执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310819280.8A CN116563768B (zh) | 2023-07-06 | 2023-07-06 | 一种微塑料污染物智能检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310819280.8A CN116563768B (zh) | 2023-07-06 | 2023-07-06 | 一种微塑料污染物智能检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116563768A CN116563768A (zh) | 2023-08-08 |
| CN116563768B true CN116563768B (zh) | 2023-09-22 |
Family
ID=87493248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310819280.8A Active CN116563768B (zh) | 2023-07-06 | 2023-07-06 | 一种微塑料污染物智能检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116563768B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117132594B (zh) * | 2023-10-25 | 2024-02-20 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 基于高光谱图像的地下水微塑料智能检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106296619A (zh) * | 2016-10-08 | 2017-01-04 | 广西师范大学 | 一种基于遗传算法和维纳滤波的图像去模糊方法 |
| CN108764154A (zh) * | 2018-05-30 | 2018-11-06 | 重庆邮电大学 | 一种基于多特征机器学习的水面垃圾识别方法 |
| CN109300092A (zh) * | 2018-09-20 | 2019-02-01 | 北京空间机电研究所 | 一种基于暗通道的遥感图像去模糊方法 |
| CN113643217A (zh) * | 2021-10-15 | 2021-11-12 | 广州市玄武无线科技股份有限公司 | 视频去运动模糊方法、装置、终端设备及可读存储介质 |
| CN114331886A (zh) * | 2021-12-23 | 2022-04-12 | 西安工业大学 | 一种基于深度特征的图像去模糊方法 |
| CN114627318A (zh) * | 2022-03-09 | 2022-06-14 | 中国科学院城市环境研究所 | 一种微塑料或纳塑料识别方法、终端设备及存储介质 |
| CN115496673A (zh) * | 2021-06-17 | 2022-12-20 | 佳能株式会社 | 图像处理方法、图像处理装置、图像处理系统、以及存储介质 |
| CN116229276A (zh) * | 2023-05-05 | 2023-06-06 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 基于计算机视觉的入河排污检测方法 |
-
2023
- 2023-07-06 CN CN202310819280.8A patent/CN116563768B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106296619A (zh) * | 2016-10-08 | 2017-01-04 | 广西师范大学 | 一种基于遗传算法和维纳滤波的图像去模糊方法 |
| CN108764154A (zh) * | 2018-05-30 | 2018-11-06 | 重庆邮电大学 | 一种基于多特征机器学习的水面垃圾识别方法 |
| CN109300092A (zh) * | 2018-09-20 | 2019-02-01 | 北京空间机电研究所 | 一种基于暗通道的遥感图像去模糊方法 |
| CN115496673A (zh) * | 2021-06-17 | 2022-12-20 | 佳能株式会社 | 图像处理方法、图像处理装置、图像处理系统、以及存储介质 |
| CN113643217A (zh) * | 2021-10-15 | 2021-11-12 | 广州市玄武无线科技股份有限公司 | 视频去运动模糊方法、装置、终端设备及可读存储介质 |
| CN114331886A (zh) * | 2021-12-23 | 2022-04-12 | 西安工业大学 | 一种基于深度特征的图像去模糊方法 |
| CN114627318A (zh) * | 2022-03-09 | 2022-06-14 | 中国科学院城市环境研究所 | 一种微塑料或纳塑料识别方法、终端设备及存储介质 |
| CN116229276A (zh) * | 2023-05-05 | 2023-06-06 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 基于计算机视觉的入河排污检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| Image Deblurring with Blur Kernel Estimation in RGB Channels;Xianqiu Xu;2016 IEEE International Conference on Digital Signal Processing (DSP);1-4 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116563768A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fu et al. | Removing rain from single images via a deep detail network | |
| CN109272489B (zh) | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 | |
| Li et al. | WaveCNet: Wavelet integrated CNNs to suppress aliasing effect for noise-robust image classification | |
| CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
| CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| CN116563768B (zh) | 一种微塑料污染物智能检测方法及系统 | |
| CN109584266B (zh) | 一种目标检测方法及装置 | |
| Espinal et al. | Wavelet-based fractal signature analysis for automatic target recognition | |
| CN114897728A (zh) | 图像增强方法、装置、终端设备以及存储介质 | |
| CN111091134A (zh) | 一种基于多特征融合的色纺织物组织结构识别的方法 | |
| CN110807742A (zh) | 一种基于一体式网络的微光图像增强方法 | |
| Hassan et al. | Image enhancement technique at different distance for iris recognition | |
| CN108765448B (zh) | 一种基于改进tv-l1模型的虾苗计数分析方法 | |
| CN111753775B (zh) | 鱼的生长评估方法、装置、设备及存储介质 | |
| Patil et al. | An algorithm for pre-processing of areca nut for quality classification | |
| Zhang et al. | Motion detection based on improved Sobel and ViBe algorithm | |
| CN107832723B (zh) | 基于lbp高斯金字塔的烟雾识别方法和系统 | |
| Gill et al. | A review of enhancement and segmentation techniques for digital images | |
| CN109658357A (zh) | 一种面向遥感卫星图像的去噪方法 | |
| Wu et al. | Image Edge Detection Based on Sobel with Morphology | |
| US20170053399A1 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
| CN113409290B (zh) | 一种液晶屏外观缺陷检测方法、装置及存储介质 | |
| Arora et al. | Noise adaptive FCM algorithm for segmentation of MRI brain images using local and non-local spatial information | |
| CN111611930B (zh) | 一种基于光照一致的车位线检测方法 | |
| CN114693543A (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 |
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 |