CN116778431B - 基于计算机视觉的污泥处理自动监测方法 - Google Patents
基于计算机视觉的污泥处理自动监测方法 Download PDFInfo
- Publication number
- CN116778431B CN116778431B CN202311074932.6A CN202311074932A CN116778431B CN 116778431 B CN116778431 B CN 116778431B CN 202311074932 A CN202311074932 A CN 202311074932A CN 116778431 B CN116778431 B CN 116778431B
- Authority
- CN
- China
- Prior art keywords
- sub
- sludge
- block
- determining
- texture
- 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
- 239000010802 sludge Substances 0.000 title claims abstract description 316
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 239000006228 supernatant Substances 0.000 claims abstract description 68
- 238000004891 communication Methods 0.000 claims abstract description 33
- 239000012530 fluid Substances 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000000739 chaotic effect Effects 0.000 claims description 40
- 238000009825 accumulation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 abstract description 8
- 238000004062 sedimentation Methods 0.000 description 16
- 230000011218 segmentation Effects 0.000 description 12
- 238000010606 normalization Methods 0.000 description 6
- 239000010865 sewage Substances 0.000 description 6
- 239000007787 solid Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于计算机视觉的污泥处理自动监测方法,包括:获取待监测污泥当前时刻及其前一时刻对应灰度图像的各个子块区域;根据子块区域中纹理线条上像素点的位置分布,确定子块区域的纹理混乱指标和纹理混乱置信度,进而确定子块区域的属于污泥概率,从而确定当前时刻的灰度图像中初始的污泥连通域;根据初始的污泥连通域中各个子块区域在当前时刻及其前一时刻对应的纹理混乱指标和纹理混乱置信度的差异,对这些子块区域的属于污泥概率进行修正,进而确定各个上清液连通域和污泥连通域,并最终确定当前时刻的污泥处理监测结果。本发明通过提高图像分割准确性,有效提高了污泥处理监测准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于计算机视觉的污泥处理自动监测方法。
背景技术
在工业生产中,伴随着生产的进行往往会产生大量的污水,需要按照相关排放标准对污水进行处理。通过对污水进行处理,会产生大量的污泥,污泥是由原污水中的固体物质和在污水处理过程中所新产生的固体物质组成。污水的处理程度越高,需要处理的污泥残余物就越多。
现有在对污泥进行处理的过程中,通常是将污泥加入到沉降池中,并加入适量药物后静置,污泥中的固体物质会随着时间逐渐沉降,上层会逐渐出现上清液。通过对污泥的处理进程进行有效监测,可大大减少后续消化池的容积和药剂用量,进而节约污泥处理成本。
在对污泥的处理进程进行自动监测时,通常需要对污泥表面图像中的上清液与污泥进行完整的分割,以便于后续确定污泥沉降的进度。灰度阈值分割方法作为最简单、最常用的图像分割方法之一,当被用于污泥表面图像中的上清液与污泥的分割时,由于上清液与污泥在图像中的边界区分不明显,就会导致分割结果不够理想,从而影响污泥处理监测结果的准确性。
发明内容
本发明的目的在于提供一种基于计算机视觉的污泥处理自动监测方法,用于解决现有由于污泥表面的上清液和污泥分割不准确,从而导致污泥处理监测准确性较差的问题。
为解决上述技术问题,本发明提供了一种基于计算机视觉的污泥处理自动监测方法,包括以下步骤:
获取待监测污泥的当前时刻及其前一时刻的表面图像的灰度图像,对所述灰度图像进行分块处理,获取各个子块区域;
对各个所述子块区域进行边缘检测获取各条纹理线条,根据所述纹理线条上纹理像素点的位置分布,确定每个所述子块区域的纹理混乱指标和纹理混乱置信度,并根据所述纹理混乱指标和纹理混乱置信度,确定各个所述子块区域的混乱程度;
将任意一个所述子块区域作为目标子块区域,根据所述目标子块区域的各个邻域子块区域的混乱程度,对所述目标子块区域的混乱程度进行修正,得到所述目标子块区域的属于污泥概率;
根据当前时刻对应的灰度图像中各个所述子块区域的属于污泥概率,确定当前时刻对应的灰度图像中的各个初始的污泥连通域,并根据各个所述初始的污泥连通域中各个子块区域在当前时刻及其前一时刻对应的纹理混乱指标和纹理混乱置信度的差异,对各个所述初始的污泥连通域中各个子块区域的属于污泥概率进行修正,从而得到当前时刻对应的灰度图像中各个所述子块区域的最终的属于污泥概率;
根据所述最终的属于污泥概率,确定当前时刻对应的灰度图像中的各个上清液连通域和污泥连通域,并根据所述各个上清液连通域和污泥连通域,确定当前时刻的污泥处理监测结果。
进一步的,确定每个所述子块区域的纹理混乱指标和纹理混乱置信度,包括:
根据每个所述子块区域中每个所述纹理线条上纹理像素点的位置,确定每个所述纹理线条对应的邻域链码;
根据每个所述子块区域中各个所述纹理线条对应的邻域链码中各个编码值的差异,确定每个所述子块区域的纹理混乱指标;
确定每个所述子块区域的每个块边缘线与所述纹理线条相交的像素点个数,并根据每个所述子块区域的各个块边缘线的所述像素点个数的差异,确定每个所述子块区域的纹理混乱置信度。
进一步的,确定每个所述子块区域的纹理混乱指标,包括:
确定每个所述子块区域中每个所述纹理线条对应的邻域链码中各个编码值的方差,并将每个所述子块区域中各个所述纹理线条对应的方差的平均值,确定为每个所述子块区域的纹理混乱指标。
进一步的,确定每个所述子块区域的纹理混乱置信度,包括:
确定每个所述子块区域的各个块边缘线的所述像素点个数的平均值,从而得到每个所述子块区域的平均像素点个数;
确定每个所述子块区域的各个块边缘线的所述像素点个数与所述平均像素点个数的差值绝对值的累加和,并根据所述累加和,确定每个所述子块区域的纹理混乱置信度,所述累加和与所述纹理混乱置信度成负相关关系。
进一步的,对所述目标子块区域的混乱程度进行修正,得到所述目标子块区域的属于污泥概率,包括:
确定所述目标子块区域的各个邻域子块区域的混乱程度与所述目标子块区域的混乱程度的差值,从而得到所述目标子块区域的各个邻域子块区域的混乱程度差值;
根据所述目标子块区域的每个邻域子块区域的各个相连接子块区域的混乱程度的方差,确定所述目标子块区域的每个邻域子块区域的混乱程度差值的影响置信度;
根据所述目标子块区域的各个邻域子块区域的混乱程度差值及其影响置信度,确定所述目标子块区域的各个邻域子块区域的混乱程度影响值;
将所述目标子块区域的各个邻域子块区域的混乱程度影响值的平均值与所述目标子块区域的混乱程度的累加和,确定为所述目标子块区域的属于污泥概率。
进一步的,确定所述目标子块区域的每个邻域子块区域的混乱程度差值的影响置信度,包括:
将所述目标子块区域的每个邻域子块区域的各个相连接子块区域的混乱程度的方差的负相关归一化值,确定为所述目标子块区域的每个邻域子块区域的混乱程度差值的影响置信度。
进一步的,确定当前时刻对应的灰度图像中的各个初始的污泥连通域,包括:
对当前时刻对应的灰度图像中各个所述子块区域的属于污泥概率进行二分类,得到两个属于污泥概率类;
分别确定两个属于污泥概率类中的属于污泥概率的平均值,并将较大的属于污泥概率的平均值所对应的属于污泥概率类中各个属于污泥概率对应的所述子块区域,确定为当前时刻对应的灰度图像中初始的污泥子块区域;
对当前时刻对应的灰度图像中的所述初始的污泥子块区域进行连通域检测,从而得到当前时刻对应的灰度图像中的各个初始的污泥连通域。
进一步的,对各个所述初始的污泥连通域中各个子块区域的属于污泥概率进行修正,从而得到当前时刻对应的灰度图像中各个所述子块区域的最终的属于污泥概率,包括:
确定各个所述初始的污泥连通域中每个子块区域在当前时刻及其前一时刻对应的纹理混乱指标的差值绝对值,从而得到第一差值绝对值;
确定各个所述初始的污泥连通域中每个子块区域在当前时刻及其前一时刻对应的纹理混乱置信度的差值绝对值,从而得到第二差值绝对值;
根据所述第一差值绝对值和第二差值绝对值,确定混乱变化指标值,所述第一差值绝对值与所述混乱变化指标值成正相关关系,所述第二差值绝对值与所述混乱变化指标值成负相关关系;
将所述混乱变化指标值的负相关归一化结果与各个所述初始的污泥连通域中每个子块区域的属于污泥概率的乘积值,确定为各个所述初始的污泥连通域中每个子块区域的最终的属于污泥概率。
进一步的,确定当前时刻对应的灰度图像中的各个上清液连通域和污泥连通域,包括:
对当前时刻对应的灰度图像中各个所述子块区域的最终的属于污泥概率进行二分类,从而得到两个最终属于污泥概率类;
分别确定两个最终属于污泥概率类中的最终的属于污泥概率的平均值,并将较大的最终的属于污泥概率的平均值所对应的最终属于污泥概率类中各个最终的属于污泥概率对应的所述子块区域确定为上清液子块区域,并将较小的最终的属于污泥概率的平均值所对应的最终属于污泥概率类中各个最终的属于污泥概率对应的所述子块区域确定为污泥子块区域;
对当前时刻对应的灰度图像中的所述上清液子块区域进行连通域检测,从而得到当前时刻对应的灰度图像中的各个上清液连通域,并对当前时刻的所述灰度图像中的所述污泥子块区域进行连通域检测,从而得到当前时刻对应的灰度图像中的各个污泥连通域。
进一步的,确定当前时刻的污泥处理监测结果,包括:
确定当前时刻对应的灰度图像中各个上清液连通域和污泥连通域的总面积,并将当前时刻对应的灰度图像中各个上清液连通域的面积之和与所述总面积的比值,确定为当前时刻的污泥处理监测结果。
本发明具有如下有益效果:通过将污泥表面对应的灰度图像进行分块,并对每个子块区域中纹理混乱程度进行分析,可以确定每个子块区域的纹理混乱指标和纹理混乱置信度,进而确定每个子块区域的混乱程度。对于污泥表面的上清液区域,由于其所含杂质较少,其纹理分布较少且通常较为简单,而对于污泥表面的污泥区域,由于其所含杂质较多,表面凹凸不平,其纹理分布通常比较复杂,因此通过确定每个子块区域的混乱程度,可以初步判定该子块区域代表的是污泥还是上清液。由于污泥表面的上清液和污泥均呈区域性分布,通过对每个子块区域的各个邻域子块区域的混乱程度进行分析,可以更加准确地确定每个子块区域的属于污泥概率,从而确定各个初始的污泥连通域。考虑到在污泥沉降过程中,会出现新的子块上清液区域,而这类子块区域容易被划分为污泥,又因为这类子块区域内纹理线条分布具有时间变化特征,因此根据各个初始的污泥连通域中各个子块区域在当前时刻及其前一时刻对应的纹理混乱指标和纹理混乱置信度的差异,对各个初始的污泥连通域中各个子块区域的属于污泥概率进行修正,以使得修正后的属于污泥概率可以更准确的表征对应子块区域属于污泥的概率大小。基于最终所确定的当前时刻对应的灰度图像中各个子块区域的最终的属于污泥概率,准确确定当前时刻对应的各个上清液连通域和污泥连通域,进而准确确定当前时刻的污泥处理监测结果。本发明通过对同一灰度图像上每个子块区域的各个邻域子块区域的混乱程度进行分析,确定每个子块区域的属于污泥概率,同时通过对当前时刻对应的灰度图像中各个初始的污泥连通域中的各个子块区域的纹理混乱指标和纹理混乱置信度的变化情况进行分析,对当前时刻对应的灰度图像中各个初始的污泥连通域中的各个子块区域的属于污泥概率进行修正,可以准确确定每个子块区域的属于污泥概率,进而实现图像中上清液连通域和污泥连通域的准确分割,有效保证了污泥处理监测结果。
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为本发明实施例的基于计算机视觉的污泥处理自动监测方法的流程图。
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技术方案的具体实施方式、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。另外,本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。
基于计算机视觉的污泥处理自动监测方法实施例:
为了解决污泥处理监测准确性较差的问题,本实施例提供了一种基于计算机视觉的污泥处理自动监测方法,该方法对应的流程图如图1所示,包括以下步骤:
步骤S1:获取待监测污泥的当前时刻及其前一时刻的表面图像的灰度图像,对所述灰度图像进行分块处理,获取各个子块区域。
将待处理的污泥加入到沉降池中,加入适量药物后静置。静置一段时间后,采用布置在沉降池上方的固定相机对沉降池的污泥表面进行采集,并每间隔固定时间段采集一次,每个采集时刻对应一个表面图像,从而得到污泥沉降过程中不同时刻的表面图像,该表面图像为RGB图像。将这些表面图像进行灰度转化,从而得到污泥沉降过程中不同时刻的表面图像的灰度图像。为了便于后续进行分析,将这些灰度图像均分成尺寸为a×a的矩形子块,该尺寸a×a可以根据灰度图像的大小进行合理设置,在此不做限定,从而得到每个灰度图像对应的各个子块区域。
步骤S2:对各个所述子块区域进行边缘检测获取各条纹理线条,根据所述纹理线条上纹理像素点的位置分布,确定每个所述子块区域的纹理混乱指标和纹理混乱置信度,并根据所述纹理混乱指标和纹理混乱置信度,确定各个所述子块区域的混乱程度。
污泥中含有大量的固体物质,受固体物质的影响,污泥的表面凹凸不平。此外,污泥中含有大量的水分,由于光照的影响,在灰度图像中污泥区域会产生高亮且混乱的纹理。相比之下,上清液由于表面不含有杂质,几乎没有纹理特征,所以其混乱程度较低。因此,可以通过比较灰度图像中每个子块区域的混乱程度来判断其所代表的是污泥还是上清液。
为了确定灰度图像中每个子块区域的混乱程度,对每个灰度图像中的各个子块区域分别进行边缘检测处理,从而得到各个子块区域中的纹理线条,也就是边缘线条。通过对这些纹理线条上纹理像素点的位置分布特征进行分析,可以确定每个子块区域的纹理混乱指标和纹理混乱置信度,进而可以确定各个子块区域的混乱程度,实现步骤包括:
根据每个所述子块区域中每个所述纹理线条上纹理像素点的位置,确定每个所述纹理线条对应的邻域链码;
根据每个所述子块区域中各个所述纹理线条对应的邻域链码中各个编码值的差异,确定每个所述子块区域的纹理混乱指标;
确定每个所述子块区域的每个块边缘线与所述纹理线条相交的像素点个数,并根据每个所述子块区域的各个块边缘线的所述像素点个数的差异,确定每个所述子块区域的纹理混乱置信度。
具体的,对于每个灰度图像中的每个子块区域,以该子块区域中每个纹理线条上随机选择一个开始点,并按照顺时针方向遍历,从而确定每个纹理线条对应的八邻域链码,由于确定八邻域链码的具体实现过程属于现有技术,此处不再进行赘述。根据每个子块区域中各个纹理线条对应的八邻域链码中各个编码值的差异,确定每个子块区域的纹理混乱指标,即:确定每个所述子块区域中每个所述纹理线条对应的邻域链码中各个编码值的方差,并将每个所述子块区域中各个所述纹理线条对应的方差的平均值,确定为每个所述子块区域的纹理混乱指标。纹理混乱指标越大,对应子块区域内的纹理线条混乱程度就越大,此单个子块区域属于污泥的概率就越大。
通过对灰度图像进行分块,可以取得灰度图像中上清液与污泥的交界处,因此还需要根据单个子块区域的各个块边缘线上的纹理像素点的分布情况,来确定该单个子块区域对应的纹理混乱指标的可信度,实现步骤包括:
确定每个所述子块区域的各个块边缘线的所述像素点个数的平均值,从而得到每个所述子块区域的平均像素点个数;
确定每个所述子块区域的各个块边缘线的所述像素点个数与所述平均像素点个数的差值绝对值的累加和,并根据所述累加和,确定每个所述子块区域的纹理混乱置信度,所述累加和与所述纹理混乱置信度成负相关关。
具体的,为了确定单个子块区域对应的纹理混乱指标的可信度,确定每个子块区域的每个块边缘线与该子块区域内的各个纹理线条相交的像素点个数。在本实施例中,由于每个子块区域为尺寸为a×a的矩形子块,因此每个子块区域包括四个块边缘线,这四个块边缘线即为子块区域的四条边。然后计算每个子块区域的各个块边缘线对应的相交的像素点个数的离散程度,从而得到每个子块区域的纹理混乱置信度。
进而,根据每个子块区域的纹理混乱指标和纹理混乱置信度,确定每个子块区域的混乱程度,该纹理混乱指标与混乱程度成正相关关系,该纹理混乱置信度与混乱程度成负相关关系,对应的计算公式为:
其中,表示每个灰度图像中第z个子块区域的混乱程度;/>表示每个灰度图像中第z个子块区域的纹理混乱指标;/>表示每个灰度图像中第z个子块区域的第y个块边缘线与纹理线条相交的像素点个数;/>表示每个灰度图像中第z个子块区域的四个块边缘线与纹理线条相交的像素点个数的平均值;o表示分母修正值,用于防止分母为零;表示每个灰度图像中第z个子块区域的纹理混乱置信度;| |表示取绝对值符号。
在上述的每个灰度图像中第z个子块区域的混乱程度的计算公式中,纹理混乱指标/>的取值越大时,表示第z个子块区域内的纹理线条越混乱。/>表示第z个子块区域的四个块边缘线与纹理线条相交的像素点个数的离散程度,当离散程度越大,表示第z个子块区域内部混乱程度的均匀程度越差,说明第z个子块区域越可能处于上清液与污泥的交界处,此时计算的该第z个子块区域的纹理混乱指标的置信度越低,即纹理混乱置信度/>的取值越小。通过将纹理混乱置信度/>作为纹理混乱指标/>的权值,可以更准确地确定每个灰度图像中各个子块区域内纹理线条的真实混乱程度。
步骤S3:将任意一个所述子块区域作为目标子块区域,根据所述目标子块区域的各个邻域子块区域的混乱程度,对所述目标子块区域的混乱程度进行修正,得到所述目标子块区域的属于污泥概率。
在污泥的降沉过程中,随着污泥的沉降,污泥表面会出现上清液和污泥两个部分,而上清液和污泥均呈区域性分布,当单个子块区域的周围子块区域的混乱程度都很高时,该单个子块区域属于污泥的概率越高,相反,当单个子块区域的周围子块区域的混乱程度都很低时,该单个子块区域属于上清液的概率更高。且连续的几个子块区域的混乱程度相似时,其邻域块对单个子块区域的混乱程度影响的置信度就越高。
基于上述特点,对于每个灰度图像中的任意一个子块区域,将其作为目标子块区域,并通过分析该目标子块区域的八邻域子块区域的混乱程度的特征,来对该目标子块区域的混乱程度进行修正,从而准确得到该目标子块区域属于污泥的概率,实现步骤包括:
确定所述目标子块区域的各个邻域子块区域的混乱程度与所述目标子块区域的混乱程度的差值,从而得到所述目标子块区域的各个邻域子块区域的混乱程度差值;
根据所述目标子块区域的每个邻域子块区域的各个相连接子块区域的混乱程度的方差,确定所述目标子块区域的每个邻域子块区域的混乱程度差值的影响置信度;
根据所述目标子块区域的各个邻域子块区域的混乱程度差值及其影响置信度,确定所述目标子块区域的各个邻域子块区域的混乱程度影响值;
将所述目标子块区域的各个邻域子块区域的混乱程度影响值的平均值与所述目标子块区域的混乱程度的累加和,确定为所述目标子块区域的属于污泥概率。
可选择的,确定所述目标子块区域的每个邻域子块区域的混乱程度差值的影响置信度,包括:
将所述目标子块区域的每个邻域子块区域的各个相连接子块区域的混乱程度的方差的负相关归一化值,确定为所述目标子块区域的每个邻域子块区域的混乱程度差值的影响置信度。
具体的,对于每个灰度图像中的任意一个子块区域,将其作为目标子块区域,通过对该目标子块区域及其八邻域子块区域的混乱程度进行分析,可以准确确定该目标子块区域属于污泥的概率,对应的计算公式为:
其中,表示每个灰度图像中第z个子块区域的属于污泥概率;/>表示每个灰度图像中第z个子块区域的八邻域子块区域中第i个邻域子块区域的混乱程度;/>表示每个灰度图像中第z个子块区域的混乱程度;/>表示每个灰度图像中第z个子块区域的第i个邻域子块区域的各个相连接子块区域的混乱程度的方差,各个相连接子块区域包括第i个邻域子块区域以及第z个子块区域的八邻域子块区域中与该第i个邻域子块区域相邻的两个子块区域;/>表示归一化函数;/>表示分母修正值,用于防止分母为零。
在上述的每个灰度图像中第z个子块区域的属于污泥概率的计算公式中,当混乱程度的取值越大时,表明第z个子块区域属于污泥的概率越大。/>表示每个灰度图像中第z个子块区域的第i个邻域子块区域的各个相连接子块区域的混乱程度的方差,其值越小,说明第z个子块区域的第i个邻域子块区域与第i-1和i+1个邻域子块区域的混乱程度越相近,此时第i个邻域子块区域对第z个子块区域的混乱程度的影响/>的置信度越高。通过计算第i个邻域子块区域对第z个子块区域的混乱程度的影响/>与对应的影响置信度/>的乘积,从而得到第i个邻域子块区域对第z个子块区域的混乱程度影响值,然后通过利用各个邻域子块区域对第z个子块区域的混乱程度影响值求平均,并对混乱程度/>进行修正,从而确定每个灰度图像中各个子块区域属于污泥的概率。
步骤S4:根据当前时刻对应的灰度图像中各个所述子块区域的属于污泥概率,确定当前时刻对应的灰度图像中的各个初始的污泥连通域,并根据各个所述初始的污泥连通域中各个子块区域在当前时刻及其前一时刻对应的纹理混乱指标和纹理混乱置信度的差异,对各个所述初始的污泥连通域中各个子块区域的属于污泥概率进行修正,从而得到当前时刻对应的灰度图像中各个所述子块区域的最终的属于污泥概率。
由于污泥表面上的上清液和污泥均呈区域性分布,根据上述所确定的每个灰度图像中各个子块区域的属于污泥概率,可以确定每个灰度图像中属于污泥的子块区域和属于上清液的子块区域,从而可以确定初步确定每个灰度图像中的污泥连通域,实现步骤包括:
对当前时刻对应的灰度图像中各个所述子块区域的属于污泥概率进行二分类,得到两个属于污泥概率类;
分别确定两个属于污泥概率类中的属于污泥概率的平均值,并将较大的属于污泥概率的平均值所对应的属于污泥概率类中各个属于污泥概率对应的所述子块区域,确定为当前时刻对应的灰度图像中初始的污泥子块区域;
对当前时刻对应的灰度图像中的所述初始的污泥子块区域进行连通域检测,从而得到当前时刻对应的灰度图像中的各个初始的污泥连通域。
具体的,上述所获取的每个灰度图像都有其对应的采集时刻,将每相邻的两个时刻中的后一个时刻作为当前时刻,并将前一个时刻作为该当前时刻的前一时刻。对于当前时刻的灰度图像的各个子块区域,利用k-means算法对各个子块区域的属于污泥概率进行二分类,从而得到两个属于污泥概率类。将两个属于污泥概率类中概率较大的一个属于污泥概率类作为污泥对应的类,并将概率较小的一个属于污泥概率类作为上清液对应的类。将污泥对应的类中各个属于污泥概率对应的子块区域确定为初始的污泥子块区域,并将灰度图像中这些初始的污泥子块区域的像素值设置为0,将上清液对应的类中各个属于污泥概率对应的子块区域确定为初始的上清液子块区域,并将灰度图像中这些初始的上清液子块区域的像素值设置为1,从而得到一个二值图像。对该二值图像中像素值为1的像素点进行连通域检测,从而得到对应灰度图像中的各个初始的上清液连通域,同时对该二值图像中像素值为0的像素点进行连通域检测,从而得到对应灰度图像中的各个初始的污泥连通域,此时获取到了初步的分割结果。
考虑到在污泥沉降过程中,随着时间的推移,污泥逐渐沉降,上清液逐渐出现在沉降池表面。若单个子块区域原本属于污泥,但是随着单个子块区域内污泥的沉降,单个子块区域中心可能会出现新的小块上清液区域,当新增的上清液区域刚好位于单个子块区域内部时,由于单个子块区域内每个块边缘线上与纹理线条相交的像素点个数仍会很多,使单个子块区域内的混乱程度依然相对较大,在经过上述步骤中单个子块区域的邻域子块区域的计算时,由于新增上清液块的邻域很有可能为污泥区域,所以计算的属于污泥概率仍然偏大,导致这些新增上清液会被划分为污泥。所以需要结合时序内纹理线条分布的变化程度对单个子块区域的污泥概率进行进一步修正。
基于上述分析,对于当前时刻的灰度图像中各个初始的污泥连通域,根据该初始的污泥连通域中的各个子块区域在当前时刻及其前一时刻对应的纹理混乱指标和混乱程度的差异,对该初始的污泥连通域中各个子块区域的属于污泥概率进行修正,从而得到当前时刻对应的灰度图像中各个子块区域的最终的属于污泥概率,实现步骤包括:
确定各个所述初始的污泥连通域中每个子块区域在当前时刻及其前一时刻对应的纹理混乱指标的差值绝对值,从而得到第一差值绝对值;
确定各个所述初始的污泥连通域中每个子块区域在当前时刻及其前一时刻对应的纹理混乱置信度的差值绝对值,从而得到第二差值绝对值;
根据所述第一差值绝对值和第二差值绝对值,确定混乱变化指标值,所述第一差值绝对值与所述混乱变化指标值成正相关关系,所述第二差值绝对值与所述混乱变化指标值成负相关关系;
将所述混乱变化指标值的负相关归一化结果与各个所述初始的污泥连通域中每个子块区域的属于污泥概率的乘积值,确定为各个所述初始的污泥连通域中每个子块区域的最终的属于污泥概率。
具体的,对于当前时刻的灰度图像中各个初始的污泥连通域,获取该初始的污泥连通域中的各个子块区域在当前时刻及其前一时刻对应的纹理混乱指标和纹理混乱置信度,由于新出现上清液会使得子块区域内部的纹理线条减少,从而使得纹理线条的八邻域链码所计算出来的纹理混乱指标发生明显变化,但是由于子块区域边缘上与纹理线条相交的像素点个数未发生太大变化,导致纹理混乱置信度的变化程度不大,此时需要根据纹理混乱指标的变化程度对属于污泥概率进行减小修正,对应的计算公式为:
其中,表示当前时刻的灰度图像中各个初始的污泥连通域中的第w个子块区域的最终的属于污泥概率;/>表示当前时刻的灰度图像中各个初始的污泥连通域中的第w个子块区域的纹理混乱指标;/>表示当前时刻的灰度图像中各个初始的污泥连通域中的第w个子块区域在当前时刻的前一时刻的纹理混乱指标;/>表示当前时刻的灰度图像中各个初始的污泥连通域中的第w个子块区域的纹理混乱置信度;/>表示当前时刻的灰度图像中各个初始的污泥连通域中的第w个子块区域在当前时刻的前一时刻的纹理混乱置信度;/>表示归一化函数;/>表示当前时刻的灰度图像中各个初始的污泥连通域中的第w个子块区域的属于污泥概率;| |表示取绝对值符号。
在上述的当前时刻的灰度图像中各个初始的污泥连通域中的第w个子块区域的最终的属于污泥概率的计算公式中,当第w个子块区域在当前时刻及其前一时刻对应的纹理混乱指标的差异越大,也就是第一差值绝对值越大,且在当前时刻及其前一时刻对应的纹理混乱置信度的差异越小,也就是第二差值绝对值/>越小时,表明第w个子块区域的内部越可能出现新的上清液区域,此时该第w个子块区域的混乱变化指标值/>的取值越大。然后利用该混乱变化指标值/>的负相关归一化结果/>对属于污泥概率/>进行修正,从而最终得到准确的属于污泥概率。
通过上述方式对当前时刻对应的灰度图像中的各个初始的污泥连通域中的各个子块区域的属于污泥概率进行修正,并使当前时刻对应的灰度图像中的其他子块区域的属于污泥概率保持不变,从而得到当前时刻对应的灰度图像中各个子块区域的最终的属于污泥概率。
步骤S5:根据所述最终的属于污泥概率,确定当前时刻对应的灰度图像中的各个上清液连通域和污泥连通域,并根据所述各个上清液连通域和污泥连通域,确定当前时刻的污泥处理监测结果。
根据当前时刻对应的灰度图像中各个子块区域的最终的属于污泥概率,进行当前时刻对应的灰度图像的二值分割,从而确定当前时刻的灰度图像中的各个上清液连通域和污泥连通域,实现步骤包括:
对当前时刻对应的灰度图像中各个所述子块区域的最终的属于污泥概率进行二分类,从而得到两个最终属于污泥概率类;
分别确定两个最终属于污泥概率类中的最终的属于污泥概率的平均值,并将较大的最终的属于污泥概率的平均值所对应的最终属于污泥概率类中各个最终的属于污泥概率对应的所述子块区域确定为上清液子块区域,并将较小的最终的属于污泥概率的平均值所对应的最终属于污泥概率类中各个最终的属于污泥概率对应的所述子块区域确定为污泥子块区域;
对当前时刻对应的灰度图像中的所述上清液子块区域进行连通域检测,从而得到当前时刻对应的灰度图像中的各个上清液连通域,并对当前时刻的所述灰度图像中的所述污泥子块区域进行连通域检测,从而得到当前时刻对应的灰度图像中的各个污泥连通域。
具体的,按照上述确定灰度图像中的各个初始的上清液连通域的相同的方式,利用k-means算法对当前时刻的灰度图像中各个子块区域的最终的属于污泥概率进行二分类,从而最终得到一个二值图像,并分别对该二值图像中像素值为1的像素点和像素值为0的像素点进行连通域检测,从而得到当前时刻的灰度图像中的各个上清液连通域和各个污泥连通域,此时获得了当前时刻的灰度图像中的最终的分割结果。按照这种方式,可以获得每相邻的两个时刻对应的灰度图像中后一张灰度图像的最终的分割结果。
基于上述步骤所确定的当前时刻的灰度图像中的各个上清液连通域和污泥连通域,可以确定当前时刻的污泥处理监测结果,实现步骤包括:
确定当前时刻对应的灰度图像中各个上清液连通域和污泥连通域的总面积,并将当前时刻对应的灰度图像中各个上清液连通域的面积之和与所述总面积的比值,确定为当前时刻的污泥处理监测结果。
具体的,在上述步骤所确定的当前时刻的灰度图像所对应的二值图像的基础上,将该二值图像中像素点的像素值之和与图像中总像素点数量做比,从而得到当前时刻沉降池中污泥的沉降程度,并将该沉降程度作为当前时刻的污泥处理监测结果。按照这种方式,可以确定污泥处理过程中不同时刻的污泥的沉降程度,从而实现污泥处理过程中的污泥处理监测。后续通过对监测到的沉降程度进行分析,从而可以确定污泥的沉降进度,进而对污泥处理后续工艺进行合理控制,最终节约处理成本。
用于污泥处理自动监测的图像分割方法实施例:
在对污泥的处理进程进行自动监测时,通常需要对污泥表面图像中的上清液与污泥进行完整的分割,以便于后续确定污泥沉降的进度。灰度阈值分割方法作为最简单、最常用的图像分割方法之一,当被用于污泥表面图像中的上清液与污泥的分割时,由于上清液与污泥在图像中的边界区分不明显,就会导致分割结果不够理想,分割准确性较差。
针对上述污泥处理自动监测过程中,图像分割准确性较差的问题,本实施例提供了一种用于污泥处理自动监测的图像分割方法,具体包括以下步骤:
获取待监测污泥的当前时刻及其前一时刻的表面图像的灰度图像,对所述灰度图像进行分块处理,获取各个子块区域;
对各个所述子块区域进行边缘检测获取各条纹理线条,根据所述纹理线条上纹理像素点的位置分布,确定每个所述子块区域的纹理混乱指标和纹理混乱置信度,并根据所述纹理混乱指标和纹理混乱置信度,确定各个所述子块区域的混乱程度;
将任意一个所述子块区域作为目标子块区域,根据所述目标子块区域的各个邻域子块区域的混乱程度,对所述目标子块区域的混乱程度进行修正,得到所述目标子块区域的属于污泥概率;
根据当前时刻对应的灰度图像中各个所述子块区域的属于污泥概率,确定当前时刻对应的灰度图像中的各个初始的污泥连通域,并根据各个所述初始的污泥连通域中各个子块区域在当前时刻及其前一时刻对应的纹理混乱指标和纹理混乱置信度的差异,对各个所述初始的污泥连通域中各个子块区域的属于污泥概率进行修正,从而得到当前时刻对应的灰度图像中各个所述子块区域的最终的属于污泥概率;
根据所述最终的属于污泥概率,确定当前时刻对应的灰度图像中的各个上清液连通域和污泥连通域。
由于该用于污泥处理自动监测的图像分割方法中的各个步骤,与上述的基于计算机视觉的污泥处理自动监测方法实施例中的步骤S1-S5中的相关步骤完全相同,此处对该用于污泥处理自动监测的图像分割方法中的各个步骤不再进行赘述。
需要说明的是:以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (4)
1.一种基于计算机视觉的污泥处理自动监测方法,其特征在于,包括以下步骤:
获取待监测污泥的当前时刻及其前一时刻的表面图像的灰度图像,对所述灰度图像进行分块处理,获取各个子块区域;
对各个所述子块区域进行边缘检测获取各条纹理线条,根据所述纹理线条上纹理像素点的位置分布,确定每个所述子块区域的纹理混乱指标和纹理混乱置信度,并根据所述纹理混乱指标和纹理混乱置信度,确定各个所述子块区域的混乱程度;
将任意一个所述子块区域作为目标子块区域,根据所述目标子块区域的各个邻域子块区域的混乱程度,对所述目标子块区域的混乱程度进行修正,得到所述目标子块区域的属于污泥概率;
根据当前时刻对应的灰度图像中各个所述子块区域的属于污泥概率,确定当前时刻对应的灰度图像中的各个初始的污泥连通域,并根据各个所述初始的污泥连通域中各个子块区域在当前时刻及其前一时刻对应的纹理混乱指标和纹理混乱置信度的差异,对各个所述初始的污泥连通域中各个子块区域的属于污泥概率进行修正,从而得到当前时刻对应的灰度图像中各个所述子块区域的最终的属于污泥概率;
根据所述最终的属于污泥概率,确定当前时刻对应的灰度图像中的各个上清液连通域和污泥连通域,并根据所述各个上清液连通域和污泥连通域,确定当前时刻的污泥处理监测结果;
确定当前时刻对应的灰度图像中的各个初始的污泥连通域,包括:
对当前时刻对应的灰度图像中各个所述子块区域的属于污泥概率进行二分类,得到两个属于污泥概率类;
分别确定两个属于污泥概率类中的属于污泥概率的平均值,并将较大的属于污泥概率的平均值所对应的属于污泥概率类中各个属于污泥概率对应的所述子块区域,确定为当前时刻对应的灰度图像中初始的污泥子块区域;
对当前时刻对应的灰度图像中的所述初始的污泥子块区域进行连通域检测,从而得到当前时刻对应的灰度图像中的各个初始的污泥连通域;
确定当前时刻对应的灰度图像中的各个上清液连通域和污泥连通域,包括:
对当前时刻对应的灰度图像中各个所述子块区域的最终的属于污泥概率进行二分类,从而得到两个最终属于污泥概率类;
分别确定两个最终属于污泥概率类中的最终的属于污泥概率的平均值,并将较大的最终的属于污泥概率的平均值所对应的最终属于污泥概率类中各个最终的属于污泥概率对应的所述子块区域确定为上清液子块区域,并将较小的最终的属于污泥概率的平均值所对应的最终属于污泥概率类中各个最终的属于污泥概率对应的所述子块区域确定为污泥子块区域;
对当前时刻对应的灰度图像中的所述上清液子块区域进行连通域检测,从而得到当前时刻对应的灰度图像中的各个上清液连通域,并对当前时刻的所述灰度图像中的所述污泥子块区域进行连通域检测,从而得到当前时刻对应的灰度图像中的各个污泥连通域;
确定当前时刻对应的灰度图像中的各个上清液连通域和污泥连通域,包括:
对当前时刻对应的灰度图像中各个所述子块区域的最终的属于污泥概率进行二分类,从而得到两个最终属于污泥概率类;
分别确定两个最终属于污泥概率类中的最终的属于污泥概率的平均值,并将较大的最终的属于污泥概率的平均值所对应的最终属于污泥概率类中各个最终的属于污泥概率对应的所述子块区域确定为上清液子块区域,并将较小的最终的属于污泥概率的平均值所对应的最终属于污泥概率类中各个最终的属于污泥概率对应的所述子块区域确定为污泥子块区域;
对当前时刻对应的灰度图像中的所述上清液子块区域进行连通域检测,从而得到当前时刻对应的灰度图像中的各个上清液连通域,并对当前时刻的所述灰度图像中的所述污泥子块区域进行连通域检测,从而得到当前时刻对应的灰度图像中的各个污泥连通域;
确定每个所述子块区域的纹理混乱指标和纹理混乱置信度,包括:
根据每个所述子块区域中每个所述纹理线条上纹理像素点的位置,确定每个所述纹理线条对应的邻域链码;
根据每个所述子块区域中各个所述纹理线条对应的邻域链码中各个编码值的差异,确定每个所述子块区域的纹理混乱指标;
确定每个所述子块区域的每个块边缘线与所述纹理线条相交的像素点个数,并根据每个所述子块区域的各个块边缘线的所述像素点个数的差异,确定每个所述子块区域的纹理混乱置信度;
确定每个所述子块区域的纹理混乱指标,包括:
确定每个所述子块区域中每个所述纹理线条对应的邻域链码中各个编码值的方差,并将每个所述子块区域中各个所述纹理线条对应的方差的平均值,确定为每个所述子块区域的纹理混乱指标;
确定每个所述子块区域的纹理混乱置信度,包括:
确定每个所述子块区域的各个块边缘线的所述像素点个数的平均值,从而得到每个所述子块区域的平均像素点个数;
确定每个所述子块区域的各个块边缘线的所述像素点个数与所述平均像素点个数的差值绝对值的累加和,并根据所述累加和,确定每个所述子块区域的纹理混乱置信度,所述累加和与所述纹理混乱置信度成负相关关系;
确定各个所述子块区域的混乱程度,对应的计算公式为:
其中,表示每个灰度图像中第z个子块区域的混乱程度;/>表示每个灰度图像中第z个子块区域的纹理混乱指标;/>表示每个灰度图像中第z个子块区域的第y个块边缘线与纹理线条相交的像素点个数;/>表示每个灰度图像中第z个子块区域的四个块边缘线与纹理线条相交的像素点个数的平均值;o表示分母修正值;/>表示每个灰度图像中第z个子块区域的纹理混乱置信度;| |表示取绝对值符号。
2.根据权利要求1所述的一种基于计算机视觉的污泥处理自动监测方法,其特征在于,对所述目标子块区域的混乱程度进行修正,得到所述目标子块区域的属于污泥概率,包括:
确定所述目标子块区域的各个邻域子块区域的混乱程度与所述目标子块区域的混乱程度的差值,从而得到所述目标子块区域的各个邻域子块区域的混乱程度差值;
根据所述目标子块区域的每个邻域子块区域的各个相连接子块区域的混乱程度的方差,确定所述目标子块区域的每个邻域子块区域的混乱程度差值的影响置信度;
根据所述目标子块区域的各个邻域子块区域的混乱程度差值及其影响置信度,确定所述目标子块区域的各个邻域子块区域的混乱程度影响值;
将所述目标子块区域的各个邻域子块区域的混乱程度影响值的平均值与所述目标子块区域的混乱程度的累加和,确定为所述目标子块区域的属于污泥概率。
3.根据权利要求2所述的一种基于计算机视觉的污泥处理自动监测方法,其特征在于,确定所述目标子块区域的每个邻域子块区域的混乱程度差值的影响置信度,包括:
将所述目标子块区域的每个邻域子块区域的各个相连接子块区域的混乱程度的方差的负相关归一化值,确定为所述目标子块区域的每个邻域子块区域的混乱程度差值的影响置信度。
4.根据权利要求1所述的一种基于计算机视觉的污泥处理自动监测方法,其特征在于,确定当前时刻的污泥处理监测结果,包括:
确定当前时刻对应的灰度图像中各个上清液连通域和污泥连通域的总面积,并将当前时刻对应的灰度图像中各个上清液连通域的面积之和与所述总面积的比值,确定为当前时刻的污泥处理监测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311074932.6A CN116778431B (zh) | 2023-08-25 | 2023-08-25 | 基于计算机视觉的污泥处理自动监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311074932.6A CN116778431B (zh) | 2023-08-25 | 2023-08-25 | 基于计算机视觉的污泥处理自动监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116778431A CN116778431A (zh) | 2023-09-19 |
CN116778431B true CN116778431B (zh) | 2023-11-10 |
Family
ID=87989922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311074932.6A Active CN116778431B (zh) | 2023-08-25 | 2023-08-25 | 基于计算机视觉的污泥处理自动监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116778431B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116993716B (zh) * | 2023-09-22 | 2023-12-19 | 山东力加力钢结构有限公司 | 一种混凝土搅拌过程视觉检测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017071160A1 (zh) * | 2015-10-28 | 2017-05-04 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及系统 |
CN110473185A (zh) * | 2019-08-07 | 2019-11-19 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
CN113538429A (zh) * | 2021-09-16 | 2021-10-22 | 海门市创睿机械有限公司 | 基于图像处理的机械零件表面缺陷检测方法 |
WO2021227349A1 (zh) * | 2020-05-11 | 2021-11-18 | 华南理工大学 | 一种生物特征隐私保护的前端人像加密与识别方法 |
CN114648530A (zh) * | 2022-05-20 | 2022-06-21 | 潍坊医学院 | 一种ct图像处理方法 |
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 |
CN115439319A (zh) * | 2022-07-25 | 2022-12-06 | 江苏安智控网络科技有限公司 | 一种电滑线防护装置裸露检测方法 |
CN116168026A (zh) * | 2023-04-24 | 2023-05-26 | 山东拜尔检测股份有限公司 | 基于计算机视觉的水质检测方法及系统 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
WO2023134791A2 (zh) * | 2022-12-16 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种环境安防工程监测数据管理方法及系统 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN116485686A (zh) * | 2023-06-19 | 2023-07-25 | 青岛国源中创电气自动化工程有限公司 | 一种活性污泥法的污水处理图像增强方法 |
CN116523816A (zh) * | 2022-01-24 | 2023-08-01 | 北京华航无线电测量研究所 | 一种海面舰船目标检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7724959B2 (en) * | 2004-09-23 | 2010-05-25 | Fuji Xerox Co., Ltd. | Determining regions of interest in photographs and images |
US7848567B2 (en) * | 2004-09-23 | 2010-12-07 | Fuji Xerox Co., Ltd. | Determining regions of interest in synthetic images |
-
2023
- 2023-08-25 CN CN202311074932.6A patent/CN116778431B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017071160A1 (zh) * | 2015-10-28 | 2017-05-04 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及系统 |
CN110473185A (zh) * | 2019-08-07 | 2019-11-19 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
WO2021227349A1 (zh) * | 2020-05-11 | 2021-11-18 | 华南理工大学 | 一种生物特征隐私保护的前端人像加密与识别方法 |
CN113538429A (zh) * | 2021-09-16 | 2021-10-22 | 海门市创睿机械有限公司 | 基于图像处理的机械零件表面缺陷检测方法 |
CN116523816A (zh) * | 2022-01-24 | 2023-08-01 | 北京华航无线电测量研究所 | 一种海面舰船目标检测方法 |
CN114648530A (zh) * | 2022-05-20 | 2022-06-21 | 潍坊医学院 | 一种ct图像处理方法 |
CN115439319A (zh) * | 2022-07-25 | 2022-12-06 | 江苏安智控网络科技有限公司 | 一种电滑线防护装置裸露检测方法 |
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 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
WO2023134791A2 (zh) * | 2022-12-16 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种环境安防工程监测数据管理方法及系统 |
CN116168026A (zh) * | 2023-04-24 | 2023-05-26 | 山东拜尔检测股份有限公司 | 基于计算机视觉的水质检测方法及系统 |
CN116485686A (zh) * | 2023-06-19 | 2023-07-25 | 青岛国源中创电气自动化工程有限公司 | 一种活性污泥法的污水处理图像增强方法 |
Non-Patent Citations (4)
Title |
---|
基于可视色差与区域生长的彩色图像分割;于丽杰;李德胜;王跃宗;;微计算机信息(10);全文 * |
基于图像处理的轴类零件表面裂纹检测;厉荣宣;沈希忠;张树行;陈圣杰;;图学学报(01);全文 * |
基于直方图估计和形状分析的沥青路面裂缝识别算法;徐志刚;赵祥模;宋焕生;雷涛;韦娜;;仪器仪表学报(第10期);全文 * |
奶牛图像的分割算法研究;金一初;马燕;;电子设计工程(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116778431A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN116778431B (zh) | 基于计算机视觉的污泥处理自动监测方法 | |
CN114882031B (zh) | 一种基于活性污泥法的污水处理方法与系统 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN113989313B (zh) | 基于图像多维分析的边缘检测方法及系统 | |
CN116309579A (zh) | 一种用图像处理的变压器焊缝质量检测方法 | |
CN110378313B (zh) | 细胞团识别方法、装置及电子设备 | |
CN115131354B (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
CN106204617B (zh) | 基于残差图像直方图循环移位的自适应图像二值化方法 | |
CN116664574B (zh) | 一种丙烯酸乳液生产废水视觉检测方法 | |
CN116823824B (zh) | 基于机器视觉的井下带式输送机降尘检测系统 | |
CN116416252B (zh) | 一种勃姆石生产工艺废水沉降图像检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117036341A (zh) | 一种基于图像处理的路面裂缝检测方法 | |
CN115661143B (zh) | 用于MiniLED晶圆缺陷的快速检测系统 | |
CN116128849A (zh) | 一种混凝土坝水下裂缝检测方法、装置、设备及存储介质 | |
CN111242051B (zh) | 一种车辆识别优化方法、装置及存储介质 | |
CN110765875B (zh) | 交通目标的边界检测方法、设备及装置 | |
CN109886991B (zh) | 一种基于邻域强度纹理编码的红外成像河道检测方法 | |
CN117011243A (zh) | 矶花图像对比分析方法 | |
CN115359449B (zh) | 一种转辙机道岔缺口图像的自动识别方法和系统 | |
CN112329674B (zh) | 基于多纹理特征融合的结冰湖泊检测方法和装置 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN116343002A (zh) | 一种图像分析污水处理污泥区域沉降速度预测方法 | |
CN115546799A (zh) | 照明条件不良情况下无背光水表液晶屏示数识别方法 |
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 |