CN116958503B - 一种基于图像处理的污泥干化等级识别方法及系统 - Google Patents
一种基于图像处理的污泥干化等级识别方法及系统 Download PDFInfo
- Publication number
- CN116958503B CN116958503B CN202311203169.2A CN202311203169A CN116958503B CN 116958503 B CN116958503 B CN 116958503B CN 202311203169 A CN202311203169 A CN 202311203169A CN 116958503 B CN116958503 B CN 116958503B
- Authority
- CN
- China
- Prior art keywords
- image
- sludge
- grade
- feature data
- drying
- 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
- 238000001035 drying Methods 0.000 title claims abstract description 399
- 239000010802 sludge Substances 0.000 title claims abstract description 348
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 title claims abstract description 48
- 238000013145 classification model Methods 0.000 claims abstract description 113
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000012790 confirmation Methods 0.000 claims description 10
- 239000004568 cement Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000002910 solid waste Substances 0.000 claims description 5
- 238000004056 waste incineration Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 239000010865 sewage Substances 0.000 description 7
- 238000001914 filtration Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的污泥干化等级识别方法及系统,通过对污泥的第一图像进行图像预处理,得到第二图像;对第二图像进行特征提取,得到颜色特征数据、纹理特征数据和形状特征数据;将颜色特征数据输入到第一特征分类模型中,输出第一干化等级分类结果,将纹理特征数据输入到预训练的第二特征分类模型中,输出第二干化等级分类结果,将形状特征数据输入到预训练的第三特征分类模型中,输出第三干化等级分类结果;基于预构建的线性加权融合模型,对第一干化等级分类结果、第二干化等级分类结果和第三干化等级分类结果进行加权融合处理,得到污泥干化等级;与现有技术相比,本发明的技术方案能提高污泥干化等级识别的可靠性和准确性。
Description
技术领域
本发明涉及图像处理的技术领域,特别是涉及一种基于图像处理的污泥干化等级识别方法及系统。
背景技术
市政污水处理厂在对污水进行处理时,通常需要将污水中的污泥沉淀出来,且由于刚沉淀处理出来的污泥湿度过大,不利于后续的运输和污泥处理,且在未经处理的情况下由污泥中散发的恶臭和未被控制的渗漏问题,容易对周围环境产生的负面影响,因此,现有中从污水中沉淀出污泥后,通常会对污泥进行干化处理。
目前,污泥的干化处理包括自然干化处理、机械干化处理、水泥固化处理和热气干燥处理等,但现有的污泥干化处理都无法保证污泥的干化等级能达到预设的干化等级,会存在污泥经过干化处理后其湿度仍然较高的情况,此时则需要再次对污泥进行干化处理;但现在技术中,对于污泥干化处理后的污泥的干化等级的判断,普遍都是基于人工经验去判断,缺乏科学有效的评判标准,容易出现判断错误,且无法基于当前污泥的干化情况给出合适的干化处理建议。
发明内容
本发明要解决的技术问题是:提供一种基于图像处理的污泥干化等级识别方法及系统,提高污泥干化等级识别的可靠性和准确性。
为了解决上述技术问题,本发明提供了一种基于图像处理的污泥干化等级识别方法及系统,包括:
采集经干化处理后的污泥的第一图像,对所述第一图像进行图像预处理,得到第二图像;
对所述第二图像进行特征提取,得到颜色特征数据、纹理特征数据和形状特征数据;
将所述颜色特征数据输入到预训练的第一特征分类模型中,以使所述第一特征分类模型输出第一干化等级分类结果,将所述纹理特征数据输入到预训练的第二特征分类模型中,以使所述第二特征分类模型输出第二干化等级分类结果,将所述形状特征数据输入到预训练的第三特征分类模型中,以使所述第三特征分类模型输出第三干化等级分类结果;
基于预构建的线性加权融合模型,对所述第一干化等级分类结果、所述第二干化等级分类结果和所述第三干化等级分类结果进行加权融合处理,得到污泥干化等级,并基于预设的污泥干化处理规则,对所述污泥干化等级匹配对应的污泥干化处理建议,其中,所述污泥干化处理规则包括所述污泥干化等级和所述污泥干化处理建议。
在一种可能的实现方式中,所述采集经干化处理后的污泥的第一图像,对所述第一图像进行图像预处理,得到第二图像的步骤,具体包括:
对所述第一图像进行网格化处理,确定每一个网格所对应的图像亮度值并将所述亮度值超过预设亮度阈值的网格定义为目标网格;
在所述目标网格中选择亮度值最大的网格作为坐标原点,建立空间直角坐标系并确定每一个目标网格的坐标系数;
根据每一个目标网格的坐标系数,分别计算每一个目标网格与坐标原点之间的空间距离;
将所述空间距离在预设距离阈值之内的目标网格进行删除,过滤因水分残留在污泥表面而形成的图像噪声点,得到第二图像。
在一种可能的实现方式中,对所述污泥干化等级匹配对应的污泥干化处理建议,具体包括:
当所述污泥干化等级为第一污泥干化等级时,对所述第一污泥干化等级匹配第一污泥干化处理建议,其中,所述第一污泥干化处理建议为对污泥进行自然干化处理或机械干化处理;
当所述污泥干化等级为第二污泥干化等级时,对所述第二污泥干化等级匹配第二污泥干化处理建议,其中,所述第二污泥干化处理建议为对污泥进行水泥固化处理或热气干燥处理;
当所述污泥干化等级为第三污泥干化等级时,对所述第三污泥干化等级匹配第三污泥干化处理建议,其中,所述第三污泥干化处理建议为对污泥进行无害化填埋或固体废物焚烧处理。
在一种可能的实现方式中,对所述第二图像进行特征提取,得到颜色特征数据,具体包括:
获取所述第二图像中每个像素值对应的RGB值,将所述RGB值代入到预设的颜色空间转换公式,计算所述第二图像的亮度值和饱和度值,并将所述亮度值和所述饱和度值,得到所述第二图像的颜色特征数据。
在一种可能的实现方式中,对所述第二图像进行特征提取,得到纹理特征数据,具体包括:
将所述第二图像划分为多个子图像,获取每个子图像中所有像素点对应的第一LBP值,基于所述第一LBP值计算每个子图像对应的直方图,对所述直方图进行归一化处理,得到归一化直方图;
连接每个子图像对应的归一化直方图,得到所述第二图像的LBP纹理特征向量,并将所述LBP纹理特征向量作为纹理特征数据。
在一种可能的实现方式中,对所述第二图像进行特征提取,得到形状特征数据,具体包括:
对所述第二图像进行灰度化处理,得到第一灰度化图像,对所述第一灰度化图像进行污泥形状提取,得到第一污泥形状,计算所述第一污泥形状的第一周长和第一面积;
获取未干化处理前的第二污泥形状,计算所述第二污泥形状的第二周长和第二面积;
基于所述第一周长和所述第二周长,计算得到周长变化比值,基于所述第一面积和所述第二面积,计算得到面积变化比值,并将所述周长变化比值和所述面积变化比值作为所述第二图像的形状特征数据。
在一种可能的实现方式中,将所述颜色特征数据输入到预训练的第一特征分类模型中,以使所述第一特征分类模型输出第一干化等级分类结果,具体包括:
将所述颜色特征数据输入到预训练的第一特征分类模型中,以使所述第一特征分类模型分别计算所述颜色特征数据与颜色特征数据集中的每条颜色纹理特征数据的第一相似度,其中,所述颜色特征数据集包括目标颜色特征数据及其对应的第一干化等级分类标签;
基于所述第一相似度,选取所述颜色特征数据集中与所述颜色特征数据相似程度最高的第一目标颜色特征数据,并获取所述目标颜色特征数据对应第一干化等级分类标签,并将所述第一干化等级分类标签作为第一干化等级分类结果,输出所述第一干化等级分类结果。
在一种可能的实现方式中,所述预构建的线性加权融合模型如下所示:
;
;
式中, 为污泥干化等级,和是权重值,且满足,为第一干化等级分类结果, 为第二干化等级分类结果,为第三干化等级分类结果。
在一种可能的实现方式中,将所述纹理特征数据输入到预训练的第二特征分类模型中,以使所述第二特征分类模型输出第二干化等级分类结果,具体包括:
将所述纹理特征数据输入到预训练的第二特征分类模型中,以使所述第二特征分类模型分别计算所述纹理特征数据与纹理特征数据集中的每条目标纹理特征数据的第二相似度,其中,所述纹路特征数据集包括目标纹理特征数据及其对应的第二干化等级分类标签;
基于所述第二相似度,选取所述纹理特征数据集中与所述纹理特征数据相似程度最高的第一目标纹理特征数据,并获取所述目标纹理特征数据对应第二干化等级分类标签,并将所述第二干化等级分类标签作为第二干化等级分类结果,输出所述第二干化等级分类结果。
在一种可能的实现方式中,将所述形状特征数据输入到预训练的第三特征分类模型中,以使所述第三特征分类模型输出第三干化等级分类结果,具体包括:
将所述形状特征数据输入到预训练的第三特征分类模型中,以使所述第三特征分类模型分别计算所述形状特征数据与形状特征数据集中的每条目标形状特征数据的第三相似度,其中,所述形状特征数据集包括目标形状特征数据及其对应的第三干化等级分类标签;
基于所述第二相似度,选取所述形状特征数据集中与所述形状特征数据相似程度最高的第一目标形状特征数据,并获取所述目标形状特征数据对应第三干化等级分类标签,并将所述第三干化等级分类标签作为第三干化等级分类结果,输出所述第三干化等级分类结果。
本发明还公开了一种基于图像处理的污泥干化等级识别系统,包括:污泥图像采集模块、污泥特征提取模块、污泥干化等级分类模块和污泥干化等级确认模块;
其中,所述污泥图像采集模块,用于采集经干化处理后的污泥的第一图像,对所述第一图像进行图像预处理,得到第二图像;
所述污泥特征提取模块,用于对所述第二图像进行特征提取,得到颜色特征数据、纹理特征数据和形状特征数据;
所述污泥干化等级分类模块,用于将所述颜色特征数据输入到预训练的第一特征分类模型中,以使所述第一特征分类模型输出第一干化等级分类结果,将所述纹理特征数据输入到预训练的第二特征分类模型中,以使所述第二特征分类模型输出第二干化等级分类结果,将所述形状特征数据输入到预训练的第三特征分类模型中,以使所述第三特征分类模型输出第三干化等级分类结果;
所述污泥干化等级确认模块,用于基于预构建的线性加权融合模型,对所述第一干化等级分类结果、所述第二干化等级分类结果和所述第三干化等级分类结果进行加权融合处理,得到污泥干化等级,并基于预设的污泥干化处理规则,对所述污泥干化等级匹配对应的污泥干化处理建议,其中,所述污泥干化处理规则包括所述污泥干化等级和所述污泥干化处理建议。
在一种可能的实现方式中,所述污泥干化等级确认模块,用于对所述污泥干化等级匹配对应的污泥干化处理建议,具体包括:
当所述污泥干化等级为第一污泥干化等级时,对所述第一污泥干化等级匹配第一污泥干化处理建议,其中,所述第一污泥干化处理建议为对污泥进行自然干化处理或机械干化处理;
当所述污泥干化等级为第二污泥干化等级时,对所述第二污泥干化等级匹配第二污泥干化处理建议,其中,所述第二污泥干化处理建议为对污泥进行水泥固化处理或热气干燥处理;
当所述污泥干化等级为第三污泥干化等级时,对所述第三污泥干化等级匹配第三污泥干化处理建议,其中,所述第三污泥干化处理建议为对污泥进行无害化填埋或固体废物焚烧处理。
在一种可能的实现方式中,所述污泥特征提取模块,用于对所述第二图像进行特征提取,得到颜色特征数据,具体包括:
获取所述第二图像中每个像素值对应的RGB值,将所述RGB值代入到预设的颜色空间转换公式,计算所述第二图像的亮度值和饱和度值,并将所述亮度值和所述饱和度值,得到所述第二图像的颜色特征数据。
在一种可能的实现方式中,所述污泥特征提取模块,用于对所述第二图像进行特征提取,得到纹理特征数据,具体包括:
将所述第二图像划分为多个子图像,获取每个子图像中所有像素点对应的第一LBP值,基于所述第一LBP值计算每个子图像对应的直方图,对所述直方图进行归一化处理,得到归一化直方图;
连接每个子图像对应的归一化直方图,得到所述第二图像的LBP纹理特征向量,并将所述LBP纹理特征向量作为纹理特征数据。
在一种可能的实现方式中,所述污泥特征提取模块,用于对所述第二图像进行特征提取,得到形状特征数据,具体包括:
对所述第二图像进行灰度化处理,得到第一灰度化图像,对所述第一灰度化图像进行污泥形状提取,得到第一污泥形状,计算所述第一污泥形状的第一周长和第一面积;
获取未干化处理前的第二污泥形状,计算所述第二污泥形状的第二周长和第二面积;
基于所述第一周长和所述第二周长,计算得到周长变化比值,基于所述第一面积和所述第二面积,计算得到面积变化比值,并将所述周长变化比值和所述面积变化比值作为所述第二图像的形状特征数据。
在一种可能的实现方式中,所述污泥干化等级分类模块,用于将所述颜色特征数据输入到预训练的第一特征分类模型中,以使所述第一特征分类模型输出第一干化等级分类结果,具体包括:
将所述颜色特征数据输入到预训练的第一特征分类模型中,以使所述第一特征分类模型分别计算所述颜色特征数据与颜色特征数据集中的每条颜色纹理特征数据的第一相似度,其中,所述颜色特征数据集包括目标颜色特征数据及其对应的第一干化等级分类标签;
基于所述第一相似度,选取所述颜色特征数据集中与所述颜色特征数据相似程度最高的第一目标颜色特征数据,并获取所述目标颜色特征数据对应第一干化等级分类标签,并将所述第一干化等级分类标签作为第一干化等级分类结果,输出所述第一干化等级分类结果。
在一种可能的实现方式中,所述污泥干化等级确认模块中预构建的线性加权融合模型如下所示:
;
;
式中, 为污泥干化等级,和是权重值,且满足,为第一干化等级分类结果, 为第二干化等级分类结果,为第三干化等级分类结果。
在一种可能的实现方式中,所述污泥干化等级分类模块,用于将所述纹理特征数据输入到预训练的第二特征分类模型中,以使所述第二特征分类模型输出第二干化等级分类结果,具体包括:
将所述纹理特征数据输入到预训练的第二特征分类模型中,以使所述第二特征分类模型分别计算所述纹理特征数据与纹理特征数据集中的每条目标纹理特征数据的第二相似度,其中,所述纹路特征数据集包括目标纹理特征数据及其对应的第二干化等级分类标签;
基于所述第二相似度,选取所述纹理特征数据集中与所述纹理特征数据相似程度最高的第一目标纹理特征数据,并获取所述目标纹理特征数据对应第二干化等级分类标签,并将所述第二干化等级分类标签作为第二干化等级分类结果,输出所述第二干化等级分类结果。
在一种可能的实现方式中,所述污泥干化等级分类模块,用于将所述形状特征数据输入到预训练的第三特征分类模型中,以使所述第三特征分类模型输出第三干化等级分类结果,具体包括:
将所述形状特征数据输入到预训练的第三特征分类模型中,以使所述第三特征分类模型分别计算所述形状特征数据与形状特征数据集中的每条目标形状特征数据的第三相似度,其中,所述形状特征数据集包括目标形状特征数据及其对应的第三干化等级分类标签;
基于所述第二相似度,选取所述形状特征数据集中与所述形状特征数据相似程度最高的第一目标形状特征数据,并获取所述目标形状特征数据对应第三干化等级分类标签,并将所述第三干化等级分类标签作为第三干化等级分类结果,输出所述第三干化等级分类结果。
本发明还公开了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的基于图像处理的污泥干化等级识别方法。
本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的基于图像处理的污泥干化等级识别方法。
本发明实施例一种基于图像处理的污泥干化等级识别方法及系统,与现有技术相比,具有如下有益效果:
通过对污泥的第一图像进行图像预处理,得到第二图像;对第二图像进行特征提取,得到颜色特征数据、纹理特征数据和形状特征数据;将颜色特征数据输入到第一特征分类模型中,输出第一干化等级分类结果,将纹理特征数据输入到预训练的第二特征分类模型中,输出第二干化等级分类结果,将形状特征数据输入到预训练的第三特征分类模型中,输出第三干化等级分类结果;基于预构建的线性加权融合模型,对第一干化等级分类结果、第二干化等级分类结果和第三干化等级分类结果进行加权融合处理,得到污泥干化等级,并基于预设的污泥干化处理规则,对所述污泥干化等级匹配对应的污泥干化处理建议,其中,所述污泥干化处理规则包括所述污泥干化等级和所述污泥干化处理建议;与现有技术相比,本发明的技术方案通过选择合适的特征提取方式、使用不同的特征分类模型以及多模型输出结果融合的方式,可以进一步提高污泥干化等级识别的可靠性和准确性。
附图说明
图1是本发明提供的一种基于图像处理的污泥干化等级识别方法的一种实施例的流程示意图;
图2是本发明提供的一种基于图像处理的污泥干化等级识别系统的一种实施例的结构示意图。
具体实施方式
下面将结合本发明中的附图,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他实施例,都属于本发明保护的范围。
实施例1,参见图1,图1是本发明提供的一种基于图像处理的污泥干化等级识别方法的一种实施例的流程示意图,如图1所示,该方法包括步骤101-步骤104,具体如下:
步骤101:采集经干化处理后的污泥的第一图像,对所述第一图像进行图像预处理,得到第二图像。
一实施例中,生活污水处理厂在对污水进行沉淀时,会对沉淀出来的污泥进行污泥干化处理,得到经干化处理后的污泥;通过相机或其他图像采集设备采集经干化处理后的污泥的第一图像。
一实施例中,对所述第一图像进行图像预处理,得到第二图像,其中,图像预处理包括图像裁剪、调整图像大小和角度、增强对比度以及去除图像噪音等。
具体地,在进行图像预处理,得到第二图像的步骤中,为了进一步提高图像来源的准确性,降低污泥因前期处理导致水分残留表面而造成的噪声问题,在实际应用中可具体执行如下步骤:对所述第一图像进行网格化处理,确定每一个网格所对应的图像亮度值并将所述亮度值超过预设亮度阈值的网格定义为目标网格;在所述目标网格中选择亮度值最大的网格作为坐标原点,建立空间直角坐标系并确定每一个目标网格的坐标系数;根据每一个目标网格的坐标系数,分别计算每一个目标网格与坐标原点之间的空间距离;将所述空间距离在预设距离阈值之内的目标网格进行删除,过滤因水分残留在污泥表面而形成的图像噪声点,得到第二图像,以提高图像来源的准确性。
步骤102:对所述第二图像进行特征提取,得到颜色特征数据、纹理特征数据和形状特征数据。
一实施例中,对所述第二图像进行特征提取,得到颜色特征数据;具体的,获取所述第二图像中每个像素值对应的RGB值,将所述RGB值代入到预设的颜色空间转换公式,计算所述第二图像的亮度值和饱和度值,并将所述亮度值和所述饱和度值,得到所述第二图像的颜色特征数据。
一实施例中,获取所述第二图像在RGB颜色空间中各通道的像素值,得到R通道的R像素值、G通道的G像素值和B通道的B像素值;将所述R像素值、G像素值和B像素值代入到预设的颜色空间转换公式,计算并得到所述第二图像在HSI颜色空间中的亮度值和饱和度;其中,所述颜色空间转换公式如下所示:
;
;
;
;
式中,为RGB颜色空间中各通道像素值,为归一化后的像素值;表示为HSI颜色空间下的亮度值,表示为HSI颜色空间下的饱和度值。
一实施例中,对所述第二图像进行特征提取,得到纹理特征数据;具体的,将所述第二图像划分为多个子图像,获取每个子图像中所有像素点对应的第一LBP值,基于所述第一LBP值计算每个子图像对应的直方图,对所述直方图进行归一化处理,得到归一化直方图;连接每个子图像对应的归一化直方图,得到所述第二图像的LBP纹理特征向量,并将所述LBP纹理特征向量作为纹理特征数据。
一实施例中,将所述第二图像划分为预设大小的多个子图像后,对每个子图像进行LBP纹理特征提取,得到每个子图像中所有像素点对应的第一LBP值。
具体的,通过选取每个子图像中的一个第一像素点,基于所述第一像素点,获取与所述第一像素点相邻的8个像素点的第一灰度值,并分别将所述第一灰度值与第一像素点对应的第二灰度值进行比较,若第一灰度值大于第二灰度值,则该第一灰度值所对应的像素点的位置被标记为1,否则为0;基于上述操作,这样,将3*3邻域内除中心像素点外的8个像素点对应的二进制数,并基于8个像素点对应的二进制数,得到该窗口中心像素点的LBP值,即第一像素点对应的第一LBP值;重复上述操作,直至获取每个子图像中所有像素点对应的第一LBP值。
一实施例中,基于所述第一LBP值计算每个子图像对应的直方图。
具体的,基于每个子图像中的所有像素点对应的第一LBP值,统计每个第一LBP值出现的概率,基于所述概率,生成每个子图像对应的直方图。
一实施例中,对所述第二图像进行特征提取,得到形状特征数据;具体的,对所述第二图像进行灰度化处理,得到第一灰度化图像,对所述第一灰度化图像进行污泥形状提取,得到第一污泥形状,计算所述第一污泥形状的第一周长和第一面积;获取未干化处理前的第二污泥形状,计算所述第二污泥形状的第二周长和第二面积;基于所述第一周长和所述第二周长,计算得到周长变化比值,基于所述第一面积和所述第二面积,计算得到面积变化比值,并将所述周长变化比值和所述面积变化比值作为所述第二图像的形状特征数据。
一实施例中,对所述第一灰度化图像进行污泥形状提取,得到第一污泥形状时,根据Roberts算子对所述第一灰度化图像进行污泥边缘提取,得到污泥形状提取图像,并基于所述污泥形状提取图像得到第一污泥形状。具体的,根据Roberts算子检查第一灰度化图像中每个像素点的邻域的灰度值,并对每个像素点及其领域的灰度变化率进行量化以确定边缘点,基于边缘点,提取出污泥边缘区域,得到第一污泥形状。
一实施例中,对于第一污泥形状的第一周长和第一面积可通基于matlab中Regionprops函数来获取,其中,所述Regionprops函数为度量图像区域属性的函数;具体的,通过基于Regionprops函数中的Area参数计算第一污泥形状的第一面积,基于Regionprops函数中的Perimeter参数计算第一污泥形状的第一周长。
一实施例中,对于未干化处理前的第二污泥形状的获取;具体的,在污水沉淀出污泥后,采集未干化处理前的污泥的第三图像,对所述第三图像进行图像预处理,得到第四图像,对所述第四图像进行灰度化处理,得到第二灰度化图像,对所述第二灰度化图像进行污泥形状提取,得到未干化处理前的第二污泥形状。
一实施例中,基于与第一周长和第一面积同样的方式,得到所述第二污泥形状的第二周长和第二面积后,将所述第一周长除以所述第二周长,得到周长变化比值;将所述第一面积除以所述第二面积,得到面积变化比值。
一实施例中,形状特征数据如下所示:
;
式中,为形状特征数据,为周长变化比值,为面积变化比值,为第一周长,为第二周长,为第一面积,为第二面积。
步骤103:将所述颜色特征数据输入到预训练的第一特征分类模型中,以使所述第一特征分类模型输出第一干化等级分类结果,将所述纹理特征数据输入到预训练的第二特征分类模型中,以使所述第二特征分类模型输出第二干化等级分类结果,将所述形状特征数据输入到预训练的第三特征分类模型中,以使所述第三特征分类模型输出第三干化等级分类结果。
一实施例中,基于污泥的湿度,设置污泥的干化等级;具体的,当污泥的湿度为大于60度时,设置污泥的干化等级为第一污泥干化等级;当污泥的湿度大于40度,且污泥的湿度小于或等于60度时,设置污泥的干化等级为第二污泥干化等级,当污泥的湿度为小于或等于40度时,设置污泥的干化等级为第三污泥干化等级。
一实施例中,获取污泥在各个湿度时对应的样本图像,并对所有样本图像进行图像处理后,得到对应的第一样本图像,基于所述第一样本图像对应的湿度,对每个第一样本图像设置干化等级分类标签,生成第一样本图像集,其中,所述第一样本图像集包括第一样本图像和第一样本图像对应的干化等级分类标签。
一实施例中,基于所述第一样本图像集,获取所述第一样本图像集中每个第一样本图像对应的目标颜色特征数据,生成颜色特征数据集,其中,所述颜色特征数据集包括目标颜色特征数据和第一干化等级分类标签,所述第一干化等级分类标签包括第一污泥干化等级、第二污泥干化等级和第三污泥干化等级。
一实施例中,基于所述第一样本图像集,获取所述第一样本图像集中每个第一样本图像对应的目标纹理特征数据,生成纹理特征数据集,其中,所述纹理特征数据集包括目标纹理特征数据和第二干化等级分类标签,所述第二干化等级分类标签包括第一污泥干化等级、第二污泥干化等级和第三污泥干化等级。
一实施例中,基于所述第一样本图像集,获取所述第一样本图像集中每个第一样本图像对应的目标形状特征数据,生成形状特征数据集,其中,所述形状特征数据集包括目标形状特征数据和第二干化等级分类标签,所述第三干化等级分类标签包括第一污泥干化等级、第二污泥干化等级和第三污泥干化等级。
一实施例中,构建第一特征分类模型,将所述颜色特征数据集划分为颜色特征训练数据集和颜色特征测试数据集;基于所述颜色特征训练数据集对所述第一特征分类模型进行训练,并基于所述颜色特征测试数据集对所述第一特征分类模型进行测试,直至所述第一特征分类模型的分类准确性满足预设准确性阈值,停止对第一特征分类模型进行训练。
一实施例中,将所述颜色特征数据输入到训练好的第一特征分类模型中,以使所述第一特征分类模型分别计算所述颜色特征数据与颜色特征数据集中的每条颜色纹理特征数据的第一相似度,其中,所述颜色特征数据集包括目标颜色特征数据及其对应的第一干化等级分类标签;基于所述第一相似度,选取所述颜色特征数据集中与所述颜色特征数据相似程度最高的第一目标颜色特征数据,并获取所述目标颜色特征数据对应第一干化等级分类标签,并将所述第一干化等级分类标签作为第一干化等级分类结果,输出所述第一干化等级分类结果。
一实施例中,构建第二特征分类模型,将所述纹理特征数据集划分为纹理特征训练数据集和纹理特征测试数据集;基于所述纹理特征训练数据集对所述第二特征分类模型进行训练,并基于所述纹理特征测试数据集对所述第二特征分类模型进行测试,直至所述第二特征分类模型的分类准确性满足预设准确性阈值,停止对第二特征分类模型进行训练。
一实施例中,将所述纹理特征数据输入到训练好的第二特征分类模型中,以使所述第二特征分类模型分别计算所述纹理特征数据与纹理特征数据集中的每条目标纹理特征数据的第二相似度,其中,所述纹路特征数据集包括目标纹理特征数据及其对应的第二干化等级分类标签;基于所述第二相似度,选取所述纹理特征数据集中与所述纹理特征数据相似程度最高的第一目标纹理特征数据,并获取所述目标纹理特征数据对应第二干化等级分类标签,并将所述第二干化等级分类标签作为第二干化等级分类结果,输出所述第二干化等级分类结果。
一实施例中,构建第三特征分类模型,将所述形状特征数据集划分为形状特征训练数据集和形状特征测试数据集;基于所述形状特征训练数据集对所述第三特征分类模型进行训练,并基于所述形状特征测试数据集对所述第三特征分类模型进行测试,直至所述第三特征分类模型的分类准确性满足预设准确性阈值,停止对第三特征分类模型进行训练。
一实施例中,将所述形状特征数据输入到预训练的第三特征分类模型中,以使所述第三特征分类模型分别计算所述形状特征数据与形状特征数据集中的每条目标形状特征数据的第三相似度,其中,所述形状特征数据集包括目标形状特征数据及其对应的第三干化等级分类标签;基于所述第二相似度,选取所述形状特征数据集中与所述形状特征数据相似程度最高的第一目标形状特征数据,并获取所述目标形状特征数据对应第三干化等级分类标签,并将所述第三干化等级分类标签作为第三干化等级分类结果,输出所述第三干化等级分类结果。
一实施例中,在计算第一相似度、第二相似度和第三相似度时,可基于余弦相似性度进行计算。
一实施例中,还对第一干化等级分类结果、所述第二干化等级分类结果和所述第三干化等级分类结果设置对应的等级分值;其中,设置第一干化等级分类结果对应的第一等级分值为1分,设置第二干化等级分类结果对应的第二等级分值为2分,设置第三干化等级分类结果对应的第三等级分值为3分。
步骤104:基于预构建的线性加权融合模型,对所述第一干化等级分类结果、所述第二干化等级分类结果和所述第三干化等级分类结果进行加权融合处理,得到污泥干化等级,并基于预设的污泥干化处理规则,对所述污泥干化等级匹配对应的污泥干化处理建议,其中,所述污泥干化处理规则包括所述污泥干化等级和所述污泥干化处理建议。
一实施例中,所述预构建的线性加权融合模型如下所示:
;
;
式中, 为污泥干化等级,和是权重值,且满足,为第一干化等级分类结果, 为第二干化等级分类结果,为第三干化等级分类结果。
优选的,设置权重值为0.3,设置权重值为0.4,设置权重值为0.3。
一实施例中,对所述污泥干化等级匹配对应的污泥干化处理建议,具体的,当所述污泥干化等级为第一污泥干化等级时,对所述第一污泥干化等级匹配第一污泥干化处理建议,其中,所述第一污泥干化处理建议为对污泥进行自然干化处理或机械干化处理;当所述污泥干化等级为第二污泥干化等级时,对所述第二污泥干化等级匹配第二污泥干化处理建议,其中,所述第二污泥干化处理建议为对污泥进行水泥固化处理或热气干燥处理;当所述污泥干化等级为第三污泥干化等级时,对所述第三污泥干化等级匹配第三污泥干化处理建议,其中,所述第三污泥干化处理建议为对污泥进行无害化填埋或固体废物焚烧处理。
综上,本发明提供的一种基于图像处理的污泥干化等级识别方法,通过获取污泥图像的颜色特征、纹理特征和形状特征,并基于训练多个特征分类模型对获取的多维度特征进行分类,得到多个分类结果,在基于线性加权融合模型对多个分类结果进行融合,得到污泥的污泥干化等级;相比于现有技术,本发明通过选择合适的特征提取方式、使用不同的特征分类模型以及多模型输出结果融合的方式,可以进一步提高污泥干化等级识别的可靠性和准确性。
实施例2,参见图2,图2是本发明提供的一种基于图像处理的污泥干化等级识别系统的一种实施例的结构示意图,如图2所示,该系统包括污泥图像采集模块201、污泥特征提取模块202、污泥干化等级分类模块203和污泥干化等级确认模块204,具体如下:
所述污泥图像采集模块201,用于采集经干化处理后的污泥的第一图像,对所述第一图像进行图像预处理,得到第二图像。
所述污泥特征提取模块202,用于对所述第二图像进行特征提取,得到颜色特征数据、纹理特征数据和形状特征数据。
所述污泥干化等级分类模块203,用于将所述颜色特征数据输入到预训练的第一特征分类模型中,以使所述第一特征分类模型输出第一干化等级分类结果,将所述纹理特征数据输入到预训练的第二特征分类模型中,以使所述第二特征分类模型输出第二干化等级分类结果,将所述形状特征数据输入到预训练的第三特征分类模型中,以使所述第三特征分类模型输出第三干化等级分类结果。
所述污泥干化等级确认模块204,用于基于预构建的线性加权融合模型,对所述第一干化等级分类结果、所述第二干化等级分类结果和所述第三干化等级分类结果进行加权融合处理,得到污泥干化等级,并基于预设的污泥干化处理规则,对所述污泥干化等级匹配对应的污泥干化处理建议,其中,所述污泥干化处理规则包括所述污泥干化等级和所述污泥干化处理建议。
一实施例中,为了进一步提高图像来源的准确性,降低污泥因前期处理导致水分残留表面而造成的噪声问题,在实际应用中所述污泥图像采集模块201可具体执行如下步骤:对所述第一图像进行网格化处理,确定每一个网格所对应的图像亮度值并将所述亮度值超过预设亮度阈值的网格定义为目标网格;在所述目标网格中选择亮度值最大的网格作为坐标原点,建立空间直角坐标系并确定每一个目标网格的坐标系数;根据每一个目标网格的坐标系数,分别计算每一个目标网格与坐标原点之间的空间距离;将所述空间距离在预设距离阈值之内的目标网格进行删除,过滤因水分残留在污泥表面而形成的图像噪声点,得到第二图像,以提高图像来源的准确性。
一实施例中,所述污泥干化等级确认模块204,用于对所述污泥干化等级匹配对应的污泥干化处理建议,具体包括:当所述污泥干化等级为第一污泥干化等级时,对所述第一污泥干化等级匹配第一污泥干化处理建议,其中,所述第一污泥干化处理建议为对污泥进行自然干化处理或机械干化处理;当所述污泥干化等级为第二污泥干化等级时,对所述第二污泥干化等级匹配第二污泥干化处理建议,其中,所述第二污泥干化处理建议为对污泥进行水泥固化处理或热气干燥处理;当所述污泥干化等级为第三污泥干化等级时,对所述第三污泥干化等级匹配第三污泥干化处理建议,其中,所述第三污泥干化处理建议为对污泥进行无害化填埋或固体废物焚烧处理。
一实施例中,所述污泥特征提取模块202,用于对所述第二图像进行特征提取,得到颜色特征数据,具体包括:获取所述第二图像中每个像素值对应的RGB值,将所述RGB值代入到预设的颜色空间转换公式,计算所述第二图像的亮度值和饱和度值,并将所述亮度值和所述饱和度值,得到所述第二图像的颜色特征数据。
一实施例中,所述污泥特征提取模块202,用于对所述第二图像进行特征提取,得到纹理特征数据,具体包括:将所述第二图像划分为多个子图像,获取每个子图像中所有像素点对应的第一LBP值,基于所述第一LBP值计算每个子图像对应的直方图,对所述直方图进行归一化处理,得到归一化直方图;连接每个子图像对应的归一化直方图,得到所述第二图像的LBP纹理特征向量,并将所述LBP纹理特征向量作为纹理特征数据。
一实施例中,所述污泥特征提取模块202,用于对所述第二图像进行特征提取,得到形状特征数据,具体包括:对所述第二图像进行灰度化处理,得到第一灰度化图像,对所述第一灰度化图像进行污泥形状提取,得到第一污泥形状,计算所述第一污泥形状的第一周长和第一面积;获取未干化处理前的第二污泥形状,计算所述第二污泥形状的第二周长和第二面积;基于所述第一周长和所述第二周长,计算得到周长变化比值,基于所述第一面积和所述第二面积,计算得到面积变化比值,并将所述周长变化比值和所述面积变化比值作为所述第二图像的形状特征数据。
一实施例中,所述污泥干化等级分类模块203,用于将所述颜色特征数据输入到预训练的第一特征分类模型中,以使所述第一特征分类模型输出第一干化等级分类结果,具体包括:将所述颜色特征数据输入到预训练的第一特征分类模型中,以使所述第一特征分类模型分别计算所述颜色特征数据与颜色特征数据集中的每条颜色纹理特征数据的第一相似度,其中,所述颜色特征数据集包括目标颜色特征数据及其对应的第一干化等级分类标签;基于所述第一相似度,选取所述颜色特征数据集中与所述颜色特征数据相似程度最高的第一目标颜色特征数据,并获取所述目标颜色特征数据对应第一干化等级分类标签,并将所述第一干化等级分类标签作为第一干化等级分类结果,输出所述第一干化等级分类结果。
一实施例中,所述污泥干化等级确认模块204中预构建的线性加权融合模型如下所示:
;
;
式中, 为污泥干化等级,和是权重值,且满足,为第一干化等级分类结果, 为第二干化等级分类结果,为第三干化等级分类结果。
一实施例中,所述污泥干化等级分类模块203,用于将所述纹理特征数据输入到预训练的第二特征分类模型中,以使所述第二特征分类模型输出第二干化等级分类结果,具体包括:将所述纹理特征数据输入到预训练的第二特征分类模型中,以使所述第二特征分类模型分别计算所述纹理特征数据与纹理特征数据集中的每条目标纹理特征数据的第二相似度,其中,所述纹路特征数据集包括目标纹理特征数据及其对应的第二干化等级分类标签;基于所述第二相似度,选取所述纹理特征数据集中与所述纹理特征数据相似程度最高的第一目标纹理特征数据,并获取所述目标纹理特征数据对应第二干化等级分类标签,并将所述第二干化等级分类标签作为第二干化等级分类结果,输出所述第二干化等级分类结果。
一实施例中,所述污泥干化等级分类模块203,用于将所述形状特征数据输入到预训练的第三特征分类模型中,以使所述第三特征分类模型输出第三干化等级分类结果,具体包括:将所述形状特征数据输入到预训练的第三特征分类模型中,以使所述第三特征分类模型分别计算所述形状特征数据与形状特征数据集中的每条目标形状特征数据的第三相似度,其中,所述形状特征数据集包括目标形状特征数据及其对应的第三干化等级分类标签;基于所述第二相似度,选取所述形状特征数据集中与所述形状特征数据相似程度最高的第一目标形状特征数据,并获取所述目标形状特征数据对应第三干化等级分类标签,并将所述第三干化等级分类标签作为第三干化等级分类结果,输出所述第三干化等级分类结果。
所属领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的系统的具体工作过程,可以参考前述方法实施例中的对应过程,在此不在赘述。
需要说明的是,上述基于图像处理的污泥干化等级识别系统的实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
在上述的基于图像处理的污泥干化等级识别方法的实施例的基础上,本发明另一实施例提供了一种基于图像处理的污泥干化等级识别终端设备,该基于图像处理的污泥干化等级识别终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时,实现本发明任意一实施例的基于图像处理的污泥干化等级识别方法。
示例性的,在这一实施例中所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述基于图像处理的污泥干化等级识别终端设备中的执行过程。
所述基于图像处理的污泥干化等级识别终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于图像处理的污泥干化等级识别终端设备可包括,但不仅限于,处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述基于图像处理的污泥干化等级识别终端设备的控制中心,利用各种接口和线路连接整个基于图像处理的污泥干化等级识别终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于图像处理的污泥干化等级识别终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart MediaCard, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在上述基于图像处理的污泥干化等级识别方法的实施例的基础上,本发明另一实施例提供了一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时,控制所述存储介质所在的设备执行本发明任意一实施例的基于图像处理的污泥干化等级识别方法。
在这一实施例中,上述存储介质为计算机可读存储介质,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
综上,本发明一种基于图像处理的污泥干化等级识别方法及系统,通过对污泥的第一图像进行图像预处理,得到第二图像;对第二图像进行特征提取,得到颜色特征数据、纹理特征数据和形状特征数据;将颜色特征数据输入到第一特征分类模型中,输出第一干化等级分类结果,将纹理特征数据输入到预训练的第二特征分类模型中,输出第二干化等级分类结果,将形状特征数据输入到预训练的第三特征分类模型中,输出第三干化等级分类结果;基于预构建的线性加权融合模型,对第一干化等级分类结果、第二干化等级分类结果和第三干化等级分类结果进行加权融合处理,得到污泥干化等级,并基于预设的污泥干化处理规则,对所述污泥干化等级匹配对应的污泥干化处理建议,其中,所述污泥干化处理规则包括所述污泥干化等级和所述污泥干化处理建议;与现有技术相比,本发明的技术方案能提高污泥干化等级识别的可靠性和准确性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (5)
1.一种基于图像处理的污泥干化等级识别方法,其特征在于,包括:
采集经干化处理后的污泥的第一图像,对所述第一图像进行图像预处理,得到第二图像,其中,所述对所述第一图像进行图像预处理包括对所述第一图像进行网格化处理,确定每一个网格所对应的图像亮度值并将所述亮度值超过预设亮度阈值的网格定义为目标网格;在所述目标网格中选择亮度值最大的网格作为坐标原点,建立空间直角坐标系并确定每一个目标网格的坐标系数;根据每一个目标网格的坐标系数,分别计算每一个目标网格与坐标原点之间的空间距离;将所述空间距离在预设距离阈值之内的目标网格进行删除,得到第二图像;
对所述第二图像进行特征提取,得到颜色特征数据、纹理特征数据和形状特征数据,其中,所述形状特征数据是通过对所述第二图像进行灰度化处理,得到第一灰度化图像,对所述第一灰度化图像进行污泥形状提取,得到第一污泥形状,计算所述第一污泥形状的第一周长和第一面积;获取未干化处理前的第二污泥形状,计算所述第二污泥形状的第二周长和第二面积;基于所述第一周长和所述第二周长,计算得到周长变化比值,基于所述第一面积和所述第二面积,计算得到面积变化比值,并将所述周长变化比值和所述面积变化比值作为所述第二图像的形状特征数据而得到的;
对所述第二图像进行特征提取,得到颜色特征数据,具体包括:
获取所述第二图像中每个像素值对应的RGB值,将所述RGB值代入到预设的颜色空间转换公式,计算所述第二图像的亮度值和饱和度值,并将所述亮度值和所述饱和度值,得到所述第二图像的颜色特征数据,所述颜色空间转换公式如下所示:;;;;式中,R,G,B为RGB颜色空间中各通道像素值,R’,G’,B’ 为R,G,B归一化后的像素值;L表示为HSI颜色空间下的亮度值,S表示为HSI颜色空间下的饱和度值;
将所述颜色特征数据输入到预训练的第一特征分类模型中,以使所述第一特征分类模型输出第一干化等级分类结果,将所述纹理特征数据输入到预训练的第二特征分类模型中,以使所述第二特征分类模型输出第二干化等级分类结果,将所述形状特征数据输入到预训练的第三特征分类模型中,以使所述第三特征分类模型输出第三干化等级分类结果;
基于预构建的线性加权融合模型,对所述第一干化等级分类结果、所述第二干化等级分类结果和所述第三干化等级分类结果进行加权融合处理,得到污泥干化等级,并基于预设的污泥干化处理规则,对所述污泥干化等级匹配对应的污泥干化处理建议,其中,所述污泥干化处理规则包括所述污泥干化等级和所述污泥干化处理建议;
对所述第二图像进行特征提取,得到纹理特征数据,具体包括:
将所述第二图像划分为多个子图像,获取每个子图像中所有像素点对应的第一LBP值,基于所述第一LBP值计算每个子图像对应的直方图,对所述直方图进行归一化处理,得到归一化直方图;
连接每个子图像对应的归一化直方图,得到所述第二图像的LBP纹理特征向量,并将所述LBP纹理特征向量作为纹理特征数据;
将所述颜色特征数据输入到预训练的第一特征分类模型中,以使所述第一特征分类模型输出第一干化等级分类结果,具体包括:
将所述颜色特征数据输入到预训练的第一特征分类模型中,以使所述第一特征分类模型分别计算所述颜色特征数据与颜色特征数据集中的每条颜色纹理特征数据的第一相似度,其中,所述颜色特征数据集包括目标颜色特征数据及其对应的第一干化等级分类标签;
基于所述第一相似度,选取所述颜色特征数据集中与所述颜色特征数据相似程度最高的第一目标颜色特征数据,并获取所述目标颜色特征数据对应第一干化等级分类标签,并将所述第一干化等级分类标签作为第一干化等级分类结果,输出所述第一干化等级分类结果;
所述预构建的线性加权融合模型如下所示:
;
;
式中,为污泥干化等级,、和是权重值,且满足,为第一干化等级分类结果,为第二干化等级分类结果,为第三干化等级分类结果。
2.如权利要求1所述的一种基于图像处理的污泥干化等级识别方法,其特征在于,对所述污泥干化等级匹配对应的污泥干化处理建议,具体包括:
当所述污泥干化等级为第一污泥干化等级时,对所述第一污泥干化等级匹配第一污泥干化处理建议,其中,所述第一污泥干化处理建议为对污泥进行自然干化处理或机械干化处理;
当所述污泥干化等级为第二污泥干化等级时,对所述第二污泥干化等级匹配第二污泥干化处理建议,其中,所述第二污泥干化处理建议为对污泥进行水泥固化处理或热气干燥处理;
当所述污泥干化等级为第三污泥干化等级时,对所述第三污泥干化等级匹配第三污泥干化处理建议,其中,所述第三污泥干化处理建议为对污泥进行无害化填埋或固体废物焚烧处理。
3.一种基于图像处理的污泥干化等级识别系统,其特征在于,包括:污泥图像采集模块、污泥特征提取模块、污泥干化等级分类模块和污泥干化等级确认模块;
其中,所述污泥图像采集模块,用于采集经干化处理后的污泥的第一图像,对所述第一图像进行图像预处理,得到第二图像,其中,所述对所述第一图像进行图像预处理包括对所述第一图像进行网格化处理,确定每一个网格所对应的图像亮度值并将所述亮度值超过预设亮度阈值的网格定义为目标网格;在所述目标网格中选择亮度值最大的网格作为坐标原点,建立空间直角坐标系并确定每一个目标网格的坐标系数;根据每一个目标网格的坐标系数,分别计算每一个目标网格与坐标原点之间的空间距离;将所述空间距离在预设距离阈值之内的目标网格进行删除,得到第二图像;
所述污泥特征提取模块,用于对所述第二图像进行特征提取,得到颜色特征数据、纹理特征数据和形状特征数据,其中,所述形状特征数据是通过对所述第二图像进行灰度化处理,得到第一灰度化图像,对所述第一灰度化图像进行污泥形状提取,得到第一污泥形状,计算所述第一污泥形状的第一周长和第一面积;获取未干化处理前的第二污泥形状,计算所述第二污泥形状的第二周长和第二面积;基于所述第一周长和所述第二周长,计算得到周长变化比值,基于所述第一面积和所述第二面积,计算得到面积变化比值,并将所述周长变化比值和所述面积变化比值作为所述第二图像的形状特征数据而得到的;
对所述第二图像进行特征提取,得到颜色特征数据,具体包括:
获取所述第二图像中每个像素值对应的RGB值,将所述RGB值代入到预设的颜色空间转换公式,计算所述第二图像的亮度值和饱和度值,并将所述亮度值和所述饱和度值,得到所述第二图像的颜色特征数据,所述颜色空间转换公式如下所示:;;;;式中,R,G,B为RGB颜色空间中各通道像素值,R’,G’,B’ 为R,G,B归一化后的像素值;L表示为HSI颜色空间下的亮度值,S表示为HSI颜色空间下的饱和度值;
所述污泥干化等级分类模块,用于将所述颜色特征数据输入到预训练的第一特征分类模型中,以使所述第一特征分类模型输出第一干化等级分类结果,将所述纹理特征数据输入到预训练的第二特征分类模型中,以使所述第二特征分类模型输出第二干化等级分类结果,将所述形状特征数据输入到预训练的第三特征分类模型中,以使所述第三特征分类模型输出第三干化等级分类结果;
所述污泥干化等级确认模块,用于基于预构建的线性加权融合模型,对所述第一干化等级分类结果、所述第二干化等级分类结果和所述第三干化等级分类结果进行加权融合处理,得到污泥干化等级,并基于预设的污泥干化处理规则,对所述污泥干化等级匹配对应的污泥干化处理建议,其中,所述污泥干化处理规则包括所述污泥干化等级和所述污泥干化处理建议;
对所述第二图像进行特征提取,得到纹理特征数据,具体包括:
将所述第二图像划分为多个子图像,获取每个子图像中所有像素点对应的第一LBP值,基于所述第一LBP值计算每个子图像对应的直方图,对所述直方图进行归一化处理,得到归一化直方图;
连接每个子图像对应的归一化直方图,得到所述第二图像的LBP纹理特征向量,并将所述LBP纹理特征向量作为纹理特征数据;
将所述颜色特征数据输入到预训练的第一特征分类模型中,以使所述第一特征分类模型输出第一干化等级分类结果,具体包括:
将所述颜色特征数据输入到预训练的第一特征分类模型中,以使所述第一特征分类模型分别计算所述颜色特征数据与颜色特征数据集中的每条颜色纹理特征数据的第一相似度,其中,所述颜色特征数据集包括目标颜色特征数据及其对应的第一干化等级分类标签;
基于所述第一相似度,选取所述颜色特征数据集中与所述颜色特征数据相似程度最高的第一目标颜色特征数据,并获取所述目标颜色特征数据对应第一干化等级分类标签,并将所述第一干化等级分类标签作为第一干化等级分类结果,输出所述第一干化等级分类结果;
所述预构建的线性加权融合模型如下所示:
;
;
式中,为污泥干化等级,、和是权重值,且满足,为第一干化等级分类结果,为第二干化等级分类结果,为第三干化等级分类结果。
4.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至2任意一项所述的基于图像处理的污泥干化等级识别方法。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至2中任意一项所述的基于图像处理的污泥干化等级识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311203169.2A CN116958503B (zh) | 2023-09-19 | 2023-09-19 | 一种基于图像处理的污泥干化等级识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311203169.2A CN116958503B (zh) | 2023-09-19 | 2023-09-19 | 一种基于图像处理的污泥干化等级识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116958503A CN116958503A (zh) | 2023-10-27 |
CN116958503B true CN116958503B (zh) | 2024-03-12 |
Family
ID=88462339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311203169.2A Active CN116958503B (zh) | 2023-09-19 | 2023-09-19 | 一种基于图像处理的污泥干化等级识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958503B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495722B (zh) * | 2023-12-25 | 2024-03-29 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印光刻的图像处理方法 |
CN118228146B (zh) * | 2024-05-23 | 2024-08-09 | 湖南华力工程建设有限责任公司 | 一种水利工程用淤泥清除量计算方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855640A (zh) * | 2012-08-10 | 2013-01-02 | 上海电机学院 | 基于神经网络的水果等级分类系统 |
CN110490194A (zh) * | 2019-07-24 | 2019-11-22 | 广东工业大学 | 一种自适应权值的多特征分块融合交通标志的识别方法 |
CN112070164A (zh) * | 2020-09-09 | 2020-12-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 干湿污泥分类方法和装置 |
CN112464942A (zh) * | 2020-10-27 | 2021-03-09 | 南京理工大学 | 基于计算机视觉的重叠烟叶智能化分级方法 |
CN113076805A (zh) * | 2021-03-10 | 2021-07-06 | 巩海超 | 一种基于机器人的垃圾处理方法及系统 |
CN113297925A (zh) * | 2021-04-30 | 2021-08-24 | 华中农业大学 | 一种果蔬全链条质量智能预警方法及系统 |
CN113743399A (zh) * | 2021-07-16 | 2021-12-03 | 中国烟草总公司四川省公司 | 一种基于集成技术的烤烟烟叶等级识别方法 |
CN114723636A (zh) * | 2022-04-25 | 2022-07-08 | 平安普惠企业管理有限公司 | 基于多特征融合的模型生成方法、装置、设备及存储介质 |
WO2022247005A1 (zh) * | 2021-05-27 | 2022-12-01 | 平安科技(深圳)有限公司 | 图像中目标物识别方法、装置、电子设备及存储介质 |
CN115526882A (zh) * | 2022-10-18 | 2022-12-27 | 电子科技大学长三角研究院(衢州) | 一种医学图像的分类方法、装置、设备及存储介质 |
CN115661151A (zh) * | 2022-12-27 | 2023-01-31 | 长江勘测规划设计研究有限责任公司 | 基于机器视觉高精度识别制加氢气系统泄露的方法 |
CN116693163A (zh) * | 2023-07-21 | 2023-09-05 | 耀昶嵘相变材料科技(广东)有限公司 | 污泥干化系统的控制方法、终端及系统 |
-
2023
- 2023-09-19 CN CN202311203169.2A patent/CN116958503B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855640A (zh) * | 2012-08-10 | 2013-01-02 | 上海电机学院 | 基于神经网络的水果等级分类系统 |
CN110490194A (zh) * | 2019-07-24 | 2019-11-22 | 广东工业大学 | 一种自适应权值的多特征分块融合交通标志的识别方法 |
CN112070164A (zh) * | 2020-09-09 | 2020-12-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 干湿污泥分类方法和装置 |
CN112464942A (zh) * | 2020-10-27 | 2021-03-09 | 南京理工大学 | 基于计算机视觉的重叠烟叶智能化分级方法 |
CN113076805A (zh) * | 2021-03-10 | 2021-07-06 | 巩海超 | 一种基于机器人的垃圾处理方法及系统 |
CN113297925A (zh) * | 2021-04-30 | 2021-08-24 | 华中农业大学 | 一种果蔬全链条质量智能预警方法及系统 |
WO2022247005A1 (zh) * | 2021-05-27 | 2022-12-01 | 平安科技(深圳)有限公司 | 图像中目标物识别方法、装置、电子设备及存储介质 |
CN113743399A (zh) * | 2021-07-16 | 2021-12-03 | 中国烟草总公司四川省公司 | 一种基于集成技术的烤烟烟叶等级识别方法 |
CN114723636A (zh) * | 2022-04-25 | 2022-07-08 | 平安普惠企业管理有限公司 | 基于多特征融合的模型生成方法、装置、设备及存储介质 |
CN115526882A (zh) * | 2022-10-18 | 2022-12-27 | 电子科技大学长三角研究院(衢州) | 一种医学图像的分类方法、装置、设备及存储介质 |
CN115661151A (zh) * | 2022-12-27 | 2023-01-31 | 长江勘测规划设计研究有限责任公司 | 基于机器视觉高精度识别制加氢气系统泄露的方法 |
CN116693163A (zh) * | 2023-07-21 | 2023-09-05 | 耀昶嵘相变材料科技(广东)有限公司 | 污泥干化系统的控制方法、终端及系统 |
Non-Patent Citations (2)
Title |
---|
李江波 等.《图谱分析技术在农产品质量和安全评估中的应用》.武汉:武汉大学出版社,2020,第83-88页. * |
解仑 等.《智能机器人技术丛书 智能机器人人工心理方法与应用》.北京:国防工业出版社,2022,第167-172页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116958503A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116958503B (zh) | 一种基于图像处理的污泥干化等级识别方法及系统 | |
CN107944020B (zh) | 人脸图像查找方法及装置、计算机装置和存储介质 | |
CN108268867B (zh) | 一种车牌定位方法及装置 | |
US20200134382A1 (en) | Neural network training utilizing specialized loss functions | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN111986183B (zh) | 一种染色体散型图像自动分割识别系统及装置 | |
CN110148117B (zh) | 基于电力图像的电力设备缺陷识别方法、装置与存储介质 | |
CN110232318A (zh) | 穴位识别方法、装置、电子设备及存储介质 | |
CN105335760A (zh) | 一种图像数字字符识别方法 | |
US11715288B2 (en) | Optical character recognition using specialized confidence functions | |
CN111860496A (zh) | 车牌识别方法、装置、设备及计算机可读存储介质 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111340831A (zh) | 点云边缘检测方法和装置 | |
CN116543325A (zh) | 基于无人机影像的农作物人工智能自动识别方法和系统 | |
CN112784754A (zh) | 一种车辆再识别方法、装置、设备及存储介质 | |
CN111144425A (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN118262388A (zh) | 一种指纹识别方法、装置、电子设备以及存储介质 | |
CN110991454A (zh) | 一种叶片图像识别方法、装置、电子设备及存储介质 | |
CN113172002A (zh) | 一种基于图像识别的输煤线矸石识别方法及分选系统 | |
CN107729863B (zh) | 人体指静脉识别方法 | |
CN111199228B (zh) | 一种车牌定位的方法及装置 | |
CN110210425B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN112818983A (zh) | 一种利用图片相识度判断字符倒置的方法 | |
US10115195B2 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
Akther et al. | Detection of Vehicle's Number Plate at Nighttime using Iterative Threshold Segmentation (ITS) Algorithm |
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 |