CN116681992A - 一种基于神经网络的氨氮检测方法 - Google Patents
一种基于神经网络的氨氮检测方法 Download PDFInfo
- Publication number
- CN116681992A CN116681992A CN202310942021.4A CN202310942021A CN116681992A CN 116681992 A CN116681992 A CN 116681992A CN 202310942021 A CN202310942021 A CN 202310942021A CN 116681992 A CN116681992 A CN 116681992A
- Authority
- CN
- China
- Prior art keywords
- neural network
- ammonia nitrogen
- detection
- image
- detection method
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 89
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 239000003153 chemical reaction reagent Substances 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 4
- 239000000460 chlorine Substances 0.000 description 4
- 229910052801 chlorine Inorganic materials 0.000 description 4
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 3
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 3
- 239000011575 calcium Substances 0.000 description 3
- 229910052791 calcium Inorganic materials 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 239000011777 magnesium Substances 0.000 description 3
- 229910052749 magnesium Inorganic materials 0.000 description 3
- 229910021645 metal ion Inorganic materials 0.000 description 3
- 238000002798 spectrophotometry method Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005189 flocculation Methods 0.000 description 2
- 230000016615 flocculation Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 229910052976 metal sulfide Inorganic materials 0.000 description 2
- NLKNQRATVPKPDG-UHFFFAOYSA-M potassium iodide Inorganic materials [K+].[I-] NLKNQRATVPKPDG-UHFFFAOYSA-M 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000004448 titration Methods 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-O Ammonium Chemical group [NH4+] QGZKDVFQNNGYKY-UHFFFAOYSA-O 0.000 description 1
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- LJCNRYVRMXRIQR-OLXYHTOASA-L potassium sodium L-tartrate Chemical compound [Na+].[K+].[O-]C(=O)[C@H](O)[C@@H](O)C([O-])=O LJCNRYVRMXRIQR-OLXYHTOASA-L 0.000 description 1
- 229940074439 potassium sodium tartrate Drugs 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 235000011006 sodium potassium tartrate Nutrition 0.000 description 1
- AKHNMLFCWUSKQB-UHFFFAOYSA-L sodium thiosulfate Chemical compound [Na+].[Na+].[O-]S([O-])(=O)=S AKHNMLFCWUSKQB-UHFFFAOYSA-L 0.000 description 1
- 235000019345 sodium thiosulphate Nutrition 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/0499—Feedforward networks
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video 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
- G06V10/70—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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Investigating Or Analysing Materials By The Use Of Chemical Reactions (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于神经网络的氨氮检测方法，建立背景噪声的特征模型，自动学习背景噪声并从检测图像中提取检测对象，实施噪声滤波，从而能够提高图像检测法对背景噪声的鲁棒性，降低检测系统复杂性和检测成本。
Description
技术领域
本发明属于氨氮成分分析检测领域，特别地，涉及一种基于神经网络的氨氮检测方法。
背景技术
水中氨氮项目是生态环境监测领域水质监测重要的监测项目之一，是用于生态考核、生态评价、生态补偿的重要监测项目。当前测定水中氨氮的方法主要有纳氏试剂分光光度法、气相分子吸收法、蒸馏-滴定法及电极法等。这些传统检测方法中，气相分子吸收法仪器造价昂贵，蒸馏-滴定法检出限较差、更适用于高浓度样品，电极法电极寿命和重现性尚存在一些问题。纳氏试剂分光光度法操作简便、灵敏度高，是最常用的行业标准方法。纳氏试剂分光光度法原理为：以游离态的氨或铵离子等形式存在的氨氮与纳氏试剂反应会生成淡红棕色络合物,该络合物于波长 420nm 处测量吸光度与氨氮含量成正比。水样中含有悬浮物、余氯、钙镁等金属离子、硫化物和有机物时会产生干扰,含有此类物质时要作适当处理,以消除对测定的影响。若样品中存在余氯,可加入适量的硫代硫酸钠溶液去除,用淀粉-碘化钾试纸检验余氯是否除尽。在显色时加入适量的酒石酸钾钠溶液,可消除钙镁等金属离子的干扰。以上干扰去除均较容易实现。若水样浑浊时可用预蒸馏法或絮凝沉淀法处理。预蒸馏和絮凝沉淀法步骤多、操作繁琐、耗时长，不利于大规模、高效开展水质监测工作。
随着计算机视觉技术和图像处理技术的日渐成熟与完善，二者越来越多地被应用于化工检测领域，以图像处理技术为基础的化学分析仪器也越来越受到科研人员的重视。采用图像实施氨氮检测的方法，其关键在于识别被检测对象的颜色变化。但颜色对于背景光较为敏感，不同的光源可能会影像检测结果，特别是在水样浑浊的情况下，对图像检测的准确度影响更大，甚至利用常见的图像处理和识别的方法时会出现误判。
为此，也有一些研究提出使用神经网络来解决上述问题，但虽然使用神经网络进行图像处理和识别已经存在现有技术，但这些方法均不是针对氨氮检测而专门设计的，只是通用方法或适用于其他图像场合。这使得这些方法在应用于氨氮检测时，不同光源得到结果差异较大，也没有针对水样浑浊的情况进行专门网络结构设计，因此检测准确性不高，且速度较慢。
发明内容
一种基于神经网络的氨氮检测方法：将背景光源安装在检测环境的固定位置，利
用摄像机连续采集背景图像，并将采集到的连续帧图像进行切分形成多个逻辑分组；对于
一个逻辑分组中的所有图像帧，计算梯度幅值和梯度方向的期望值、，为帧编号，
设置两组优化窗口、，其中表示窗口中的元素位置，分别求解以下两式最大时各
自、：
其中：；
连续采集氨氮检测试剂的图像，每次取当前图像帧及其之前的连续六帧，共七帧
图像，记为；根据七帧图像计算滤波后图像：
其中代表卷积符号，、为卷积核，并且
，其中表示高斯模板；
将图像送入神经网络进行检测，提取检测图像中的检测试剂部分，并与标准比色
表对照，确定其浓度。
其中神经网络模型根据图像颜色深度和亮度进行构建。
神经网络模型的输出层为：
其中，、为计算输出的线性参数，为截距参数，是激活函数，为颜色深
度局部特征层全连接输出，为亮度局部特征层全连接层输出。
采用BP算法对上述神经网络模型进行学习。
采用的代价函数为：
其中为模型输出值，为样本输出真值；
学习时，正负样本的输入分别是被检测氨氮检测纳氏试剂的图像、非被检测氨氮检测纳氏试剂的图像。
正样本和负样本对应的输出真值分别为1与0。
在进行背景图像特征提取时，需要采集不少于21.6万帧图像。
一个逻辑分组包含的帧数。
一种氨氮检测系统，实施如所述的方法。
发明点及技术效果：
1、本发明提出一种氨氮检测纳氏试剂的连续图像采集方法，利用摄像机连续采集检测环境下的图像，用于从背景图像中自动学习背景特征，并进一步根据检测图像计算检测值。特别是优化了背景特征提取方法，并创造性的将其表示为滑动窗口，从而实现对采集图像的卷积滤波处理，为神经网络检测做好预处理，保证处理的速度和精确度。
2、建立并优化了专门用于氨氮检测的神经网络模型，在输入数据专门优化预处理的前提下，改进了网络模型结构，使得其以较小的网络规模实现了精确提取识别。特别是将图像深度和亮度分开进行建模，并在输出层融合，进一步提升了网络性能。
具体实施方式
一、氨氮检测纳氏试剂的连续图像采集
利用摄像机连续采集检测环境下的图像，用于从背景图像中自动学习背景特征，并进一步根据检测图像计算检测值。
现有图像处理和识别方法中，利用图像颜色特征实施检测，对背景光源、周围检测环境等要求较高，需要搭配特定的背景补光设备，并进行严格的光照控制，增加了检测系统的复杂性和成本。
为了解决上述问题，本发明提出一种改进的检测方法，对应于一种连续图像采集方法。
由于氨氮检测通常是在实验室内进行，环境光照为人工光源，与自然光源的重要区别在于，其具备一定的周期性（频率），会对检测时采集的样本造成干扰。故需要采集一定量背景图像，用于对背景噪声进行建模。
将背景光源安装在检测环境的固定位置，开启；开启用于拍摄检测环境下图像的摄像机，连续采集一定时长的背景图像（视频）。在现有实验环境下，建议采集不少于21.6万帧（按每秒30帧，总时长120分钟计算）的背景图像（视频）样本，并按照90帧为一组分成若干逻辑组。
采集足够的背景视频，将待检测对象，即纳氏试剂样本放置在检测台上，摄像机能够完整拍摄检测对象。采集检测图像（视频），直至完成检测。
二、所述背景图像的视频处理与背景特征提取方法
拍摄检测环境下的背景图像，对背景图像的全部样本进行分组处理，并提取出背景特征。
设图像样本的总帧数为，作为优选配置，取. 设其中若干连续帧作为
一个逻辑分组，其帧数为，作为优选取。全部图像样本集合记为，连续的逻辑分组
各自形成的样本集合，依次记为、、。
相邻的两个逻辑分组的重叠帧部分，记为，表示与的重叠帧组成的图像
样本集合。重叠的帧数，通常取。采用重叠的方式进行逻辑分组，是为了充分利用
数据样本，平滑相邻逻辑分组连接处的特征变化，提高对样本的学习效果。
记一帧图像为，其中表示图像中一个像素的坐标。则图像的梯度记
为：
其中，表示像素处的梯度幅值，表示像素处的梯度方向。
表示反正切函数。梯度幅值量化为64阶，梯度方向量化为16阶。
将原始图像的坐标表达转换为梯度表达，并予以重新量化，有助于去除一幅图像内的局部噪声，提高方法的鲁棒性。
分别计算图像内梯度两个分量的期望值，即：
其中，P表示图像内像素的总数。
对于一个逻辑分组中的所有图像帧，根据1、2计算其两个分量的期望值分别记为、。表示该帧在逻辑分组中的位置。
设置两组优化窗口、。其中表示窗口中的元素位置，窗口大小为7。分别
求解以下两式最大时各自、：
其中：
根据式3、4可以通过线性优化方法求得优化窗口、的值。
对于所有样本，可以在划分逻辑分组后，将每个逻辑分组的期望值代入式3、4求
和，进一步求取优化窗口、的值。
、作为背景特征。
三、从图像中提取被检测对象的方法
利用神经网络模型对被检测对象的图像进行建模，并从检测图像中标记被检测对象的区域。
定义图像像素的颜色深度表示为：
式中，表示反余弦函数，mod表示取模运算.分别表示图像一个像素
的红、绿、蓝三个颜色分量。
定义图像像素的亮度表示为：
则与分别表示颜色深度图与亮度图。
准备被检测氨氮检测纳氏试剂的图像样本，及对应的负样本（即非检测对象图像样本）并建立神经网络模型。神经网络模型的定义如下。
神经网络模型的逻辑结构由一个输入、一个输出，及输入、输出之间的若干隐层（hidden layer）组成。神经网络模型的输入是图像样本的颜色深度图与亮度图，即：
上面式子中，、分别表示隐层中的颜色深度局部特征层与亮度局部特征层。
、表示神经网络的局部特征参数，分别由p个和q个矩阵组成，p、q取值分别为64，16. 、 是神经网络的线性截距参数，是神经网络的激活函数(activation function)。
其中为偏移参数，用于优化分类性能。与经典的LU激活函数相比，上述函
数对氨氮检测纳氏试剂的图像样本分类准确度更高。
分别对前述颜色深度局部特征层与亮度局部特征层连接全连接层、，如下：
其中，、分别是全连接层的线性连接参数，、是全连接层的线性截距参
数。是激活函数。
全连接层后，连接神经网络的输出：
其中，、为计算输出的线性参数，为截距参数。是激活函数。
采用BP算法对上述神经网络模型7-11进行学习，采用的代价函数为：
是自然指数函数。其中为模型输出值，为样本输出值。
学习时，正负样本的输入分别是被检测氨氮检测纳氏试剂的图像、非被检测氨氮
检测纳氏试剂的图像；对应的输出真值分别为1与0。
学习完成后，获得神经网络模型的参数、、 、 等（式7-11中所有带下标的。）
四、氨氮检测的图像识别方法
在前述检测环境下，采集氨氮检测试剂的图像（视频），并进一步实施检测。
每次取当前图像帧及其之前的连续六帧，共七帧（对应于式3、4中窗口大小7）图
像，记为。
根据七帧图像、、…、，计算滤波后图像：
其中代表卷积符号，、为卷积核，分别对应于背景特征、。并且：
表示高斯模板。
表示圆周率，i、j为位置标号。
根据步骤2计算获得的背景特征对检测时的图像进行滤波，有助于去除背景光源噪声影响，改善检测精度。
对滤波后的图像进行检测，利用步骤3所述模型提取检测图像中的检测试剂部
分，并与标准比色表对照，确定其浓度。
本发明提出一种基于神经网络的氨氮检测方法，建立背景噪声的特征模型，自动学习背景噪声并从检测图像中提取检测对象，实施噪声滤波，从而能够提高图像检测法对背景噪声的鲁棒性，降低检测系统复杂性和检测成本。表1的实验结果表明本发明方法在常规光源下也可以实现较好的检测精度，为化学氨氮检测提供了有效手段。
表1
Claims (10)
1.一种基于神经网络的氨氮检测方法，其特征在于：
将背景光源安装在检测环境的固定位置，利用摄像机连续采集背景图像，并将采集到的连续帧图像进行切分形成多个逻辑分组；
对于一个逻辑分组中的所有图像帧，计算梯度幅值和梯度方向的期望值、/>，/>为帧编号，设置两组优化窗口/>、/>，其中/>表示窗口中的元素位置，分别求解以下两式最大时各自/>、/>：
；
；
其中：；
连续采集氨氮检测试剂的图像，每次取当前图像帧及其之前的连续六帧，共七帧图像，记为；根据七帧图像计算滤波后图像：
；
其中代表卷积符号，/>、/>为卷积核，并且
，其中/>表示高斯模板；
；
将图像送入神经网络进行检测，提取检测图像中的检测试剂部分，并与标准比色表对照，确定其浓度。
2.如权利要求1所述的一种基于神经网络的氨氮检测方法，其特征在于：其中神经网络模型根据图像颜色深度和亮度进行构建。
3.如权利要求2所述的一种基于神经网络的氨氮检测方法，其特征在于：神经网络模型的输出层为：
其中，、/>为计算输出的线性参数，/>为截距参数，/>是激活函数，/>为颜色深度局部特征层全连接输出，/>为亮度局部特征层全连接层输出。
4.如权利要求1所述的一种基于神经网络的氨氮检测方法，其特征在于：采用BP算法对上述神经网络模型进行学习。
5.如权利要求4所述的一种基于神经网络的氨氮检测方法，其特征在于：采用的代价函数为：
；
其中为模型输出值，/>为样本输出真值。
6.如权利要求5所述的一种基于神经网络的氨氮检测方法，其特征在于：学习时，正负样本的输入分别是被检测氨氮检测纳氏试剂的图像、非被检测氨氮检测纳氏试剂的图像。
7.如权利要求5所述的一种基于神经网络的氨氮检测方法，其特征在于：正样本和负样本对应的输出真值分别为1与0。
8.如权利要求1所述的一种基于神经网络的氨氮检测方法，其特征在于：在进行背景图像特征提取时，需要采集不少于21.6万帧图像。
9.如权利要求1所述的一种基于神经网络的氨氮检测方法，其特征在于：一个逻辑分组包含的帧数。
10.一种氨氮检测系统，其特征在于：实施如权利要求1-9任一所述的一种基于神经网络的氨氮检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310942021.4A CN116681992B (zh) | 2023-07-29 | 2023-07-29 | 一种基于神经网络的氨氮检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310942021.4A CN116681992B (zh) | 2023-07-29 | 2023-07-29 | 一种基于神经网络的氨氮检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116681992A true CN116681992A (zh) | 2023-09-01 |
| CN116681992B CN116681992B (zh) | 2023-10-20 |
Family
ID=87779500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310942021.4A Active CN116681992B (zh) | 2023-07-29 | 2023-07-29 | 一种基于神经网络的氨氮检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116681992B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102054270A (zh) * | 2009-11-10 | 2011-05-11 | 华为技术有限公司 | 一种视频图像中提取前景的方法及装置 |
| CN104833649A (zh) * | 2015-02-26 | 2015-08-12 | 内蒙古科技大学 | 计算机辅助傅里叶变换红外光谱法检测污染物的方法 |
| CN109344971A (zh) * | 2018-09-26 | 2019-02-15 | 北京工业大学 | 一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法 |
| WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
| CN110070220A (zh) * | 2019-04-16 | 2019-07-30 | 上海交通大学 | 一种基于神经网络算法的氨氮指标软测量方法 |
| KR20190118387A (ko) * | 2018-04-10 | 2019-10-18 | 배재대학교 산학협력단 | 합성곱 신경망 기반 이미지 처리 시스템 및 방법 |
| CN111354423A (zh) * | 2020-02-29 | 2020-06-30 | 北京工业大学 | 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法 |
| WO2020133709A1 (zh) * | 2018-12-27 | 2020-07-02 | 中科院合肥技术创新工程院 | 一种水生态监测与修复水面机器人及水生态修复控制方法 |
| AU2020102091A4 (en) * | 2019-10-17 | 2020-10-08 | Wuhan University Of Science And Technology | Intelligent steel slag detection method and system based on convolutional neural network |
| CN112880751A (zh) * | 2020-04-03 | 2021-06-01 | 中科三清科技有限公司 | 基于走航监测的空气污染状况获取方法 |
| US20220036562A1 (en) * | 2018-11-27 | 2022-02-03 | Bongos Robotics Shanghai Co., Ltd | Vision-based working area boundary detection system and method, and machine equipment |
| CN115494206A (zh) * | 2022-09-15 | 2022-12-20 | 南京中拓科技有限公司 | 一种具有智能管控功能的水站系统 |
| KR20220167824A (ko) * | 2021-06-14 | 2022-12-22 | 크레플 주식회사 | 인공지능 기반의 노이즈 제거에 따른 이미지 구축을 통한 불량 검출 시스템 및 방법 |
| CN115578553A (zh) * | 2022-11-22 | 2023-01-06 | 河南知微生物工程有限公司 | 一种基于时序图像序列的甲醛的快速检测方法 |
| CN116245361A (zh) * | 2023-02-21 | 2023-06-09 | 中国农业大学 | 工厂化鱼菜共生循环水中氮素浓度预警方法、装置与系统 |
-
2023
- 2023-07-29 CN CN202310942021.4A patent/CN116681992B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102054270A (zh) * | 2009-11-10 | 2011-05-11 | 华为技术有限公司 | 一种视频图像中提取前景的方法及装置 |
| CN104833649A (zh) * | 2015-02-26 | 2015-08-12 | 内蒙古科技大学 | 计算机辅助傅里叶变换红外光谱法检测污染物的方法 |
| WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
| KR20190118387A (ko) * | 2018-04-10 | 2019-10-18 | 배재대학교 산학협력단 | 합성곱 신경망 기반 이미지 처리 시스템 및 방법 |
| CN109344971A (zh) * | 2018-09-26 | 2019-02-15 | 北京工业大学 | 一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法 |
| US20220036562A1 (en) * | 2018-11-27 | 2022-02-03 | Bongos Robotics Shanghai Co., Ltd | Vision-based working area boundary detection system and method, and machine equipment |
| WO2020133709A1 (zh) * | 2018-12-27 | 2020-07-02 | 中科院合肥技术创新工程院 | 一种水生态监测与修复水面机器人及水生态修复控制方法 |
| CN110070220A (zh) * | 2019-04-16 | 2019-07-30 | 上海交通大学 | 一种基于神经网络算法的氨氮指标软测量方法 |
| AU2020102091A4 (en) * | 2019-10-17 | 2020-10-08 | Wuhan University Of Science And Technology | Intelligent steel slag detection method and system based on convolutional neural network |
| CN111354423A (zh) * | 2020-02-29 | 2020-06-30 | 北京工业大学 | 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法 |
| CN112880751A (zh) * | 2020-04-03 | 2021-06-01 | 中科三清科技有限公司 | 基于走航监测的空气污染状况获取方法 |
| KR20220167824A (ko) * | 2021-06-14 | 2022-12-22 | 크레플 주식회사 | 인공지능 기반의 노이즈 제거에 따른 이미지 구축을 통한 불량 검출 시스템 및 방법 |
| CN115494206A (zh) * | 2022-09-15 | 2022-12-20 | 南京中拓科技有限公司 | 一种具有智能管控功能的水站系统 |
| CN115578553A (zh) * | 2022-11-22 | 2023-01-06 | 河南知微生物工程有限公司 | 一种基于时序图像序列的甲醛的快速检测方法 |
| CN116245361A (zh) * | 2023-02-21 | 2023-06-09 | 中国农业大学 | 工厂化鱼菜共生循环水中氮素浓度预警方法、装置与系统 |
Non-Patent Citations (5)
| Title |
|---|
| DONGZHI ZHANGJ，INGJING LIU，，，BOKAI XIA: ""Quantitative detection of formaldehyde and ammonia gas via metal oxide-modified graphene-based sensor array combining with neural network model"", 《SENSORS AND ACTUATORS B: CHEMICAL》, vol. 240, pages 55 - 65, XP029818953, DOI: 10.1016/j.snb.2016.08.085 * |
| GE ZHAO;GUANG HAN;SHIYU REN;XIAOYUN SUN: ""An ammonia nitrogen concentration online soft measure method based on the neural network"", 《PROCEEDINGS OF THE 36TH CHINESE CONTROL CONFERENCE》 * |
| 曹生现;王延红;郑丽婷;刘驰;夏珺: ""基于图像处理的水质中氨氮含量的检测研究"", 《化工自动化及仪表》, vol. 41, no. 08 * |
| 赵程铭等: ""基于神经网络的黄柏河东支流域水质遥感估算"", 《环境科学与技术》, vol. 45, no. 06 * |
| 陈勇等: ""基于K-means的溶液浓度检测系统设计及识别方法"", 《国外电子测量技术》, vol. 41, no. 08 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116681992B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110543878B (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
| CN106529537B (zh) | 一种数字仪表读数图像识别方法 | |
| CN109948469A (zh) | 基于深度学习的巡检机器人仪表自动检测识别方法 | |
| CN109284718B (zh) | 面向巡检机器人的变视角多仪表同时识别方法 | |
| CN111325721A (zh) | 一种基于红外热成像的气体泄漏检测方法及系统 | |
| CN108319986B (zh) | 基于prnu的图像来源的鉴定方法及其系统 | |
| CN102680481B (zh) | 棉纤维杂质的检测方法 | |
| CN111563896B (zh) | 一种用于接触网异常检测的图像处理方法 | |
| CN110838117A (zh) | 一种基于孔壁图像的岩石面孔隙度识别方法 | |
| CN109766748B (zh) | 一种基于投影变换与字典学习的行人再识别的方法 | |
| CN106340007A (zh) | 一种基于图像处理的车身漆膜缺陷检测识别方法 | |
| CN114639064B (zh) | 一种水位识别方法及装置 | |
| WO2022267799A1 (zh) | 水质检测方法及水质检测装置 | |
| CN115994907A (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
| CN111882547A (zh) | 一种基于神经网络的pcb漏件检测方法 | |
| CN116681992B (zh) | 一种基于神经网络的氨氮检测方法 | |
| CN108694375A (zh) | 一种可用于多电子鼻平台的图像化白酒识别方法 | |
| CN115578553B (zh) | 一种基于时序图像序列的甲醛的快速检测方法 | |
| CN117315670A (zh) | 一种基于计算机视觉的水表读数区域检测方法 | |
| CN111091601B (zh) | 一种实时白天室外手机图像的pm2.5指数估计方法 | |
| CN113065556A (zh) | 一种数字式仪表定位和数字识别方法、装置和计算机设备 | |
| CN114989819B (zh) | 一种用于检测铝离子的碳量子点的制备方法及其检测应用 | |
| CN114646563B (zh) | 一种具有金属涂层的聚酯膜表面耐磨度检测方法 | |
| CN110988286A (zh) | 一种智能水资源长期探测系统 | |
| CN115494194B (zh) | 一种强酸/强碱溶液的酸碱度自动检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |