CN117036250A - 一种基于视觉算法的絮体沉降性能判断方法及装置 - Google Patents
一种基于视觉算法的絮体沉降性能判断方法及装置 Download PDFInfo
- Publication number
- CN117036250A CN117036250A CN202310868288.3A CN202310868288A CN117036250A CN 117036250 A CN117036250 A CN 117036250A CN 202310868288 A CN202310868288 A CN 202310868288A CN 117036250 A CN117036250 A CN 117036250A
- Authority
- CN
- China
- Prior art keywords
- image
- floc
- area
- processor chip
- visual algorithm
- 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
- 238000004062 sedimentation Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000000007 visual effect Effects 0.000 title claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 22
- 239000010865 sewage Substances 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000005189 flocculation Methods 0.000 description 7
- 230000016615 flocculation Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000005352 clarification Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 229920002401 polyacrylamide Polymers 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 229910021645 metal ion Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出了一种基于视觉算法的絮体沉降性能判断方法及装置,利用摄像头拍摄含有絮体的图像,并将图像传输到与摄像头相连接的处理器芯片设备进行图像识别和图像处理,从而通过视觉算法计算得出沉降性能衡量参数指标;计算后的数据通过处理器芯片设备的通讯模块传输到云端服务器或现场控制执行器,用作污水处理操作中加药量判断的依据。本发明解决了人工判断容易出现误差,导致絮体检测不准确的问题,避免大数据整理困难,降低了人工负担,保证了检测的准确性、稳定性及时效性。
Description
技术领域
本发明属于水处理技术领域,具体涉及一种基于视觉算法的絮体沉降性能判断方法及装置。
背景技术
目前,污水处理采用絮凝沉降法时通常会加入大量聚合氯化铝(PAC)或者聚丙烯酰胺(PAM)等作为絮凝剂使废水中的可沉物质在沉淀过程中相互豁结,结合成较大的絮凝体,从而通过沉降或浮选等方式将其从水中分离。因此,污水处理的沉降效果是极其重要的,特别是处理成分复杂且掺杂有难降解有机物、各种金属离子和大量盐类的工业废污水,当沉降效果不佳时会导致污水净化成本增加,出水水质不达标,影响水资源的循环利用,破坏生态环境,危害人体健康。
目前,传统的评估沉降效果的指标一般有沉降速度、澄清区高度、澄清区浓度和沉淀效率等,这些评估指标存在以下缺陷:时效性不强,无法实时衡量污水处理的沉降性能;过于依赖人力,导致人工划定澄清区界限难以定性,且成本投入大;参数考虑不全面:传统的评估指标只用到沉降絮体的高度,水质浓度等指标,而忽视了絮体的体积和数量对沉降性能的衡量意义。
发明内容
本发明的目的在于提出一种基于视觉算法的絮体沉降性能判断方法及装置,通过利用视觉算法对拍摄到的污水中的絮体图像进行识别和处理,以解决人工判断容易出现误差,时效性差,参数考虑不全面,絮体检测不准确等问题。
本发明所采用的技术方案是:一种基于视觉算法的絮体沉降性能判断方法,处理器芯片设备通过读取、识别及处理摄像头拍摄到的图像,对絮体沉降性能进行判断,其特征在于,包括如下步骤:
步骤一,摄像头连续拍摄污水处理管道中的RGB图像,并将拍摄好的RGB图像传输到处理器芯片设备中保存;
步骤二,处理器芯片设备对接收到的RGB图像进行灰度化处理,公式如下:
Gray(i,j)=0.299*R(i,j)+0.587*G(i,j)+0.114*B(i,j);
步骤三,使用Niblack算法将图像转化为二值图像,所述Niblack算法基于以下公式计算每个像素点的阈值T:
T=μ+k*σ
式中,T为阈值,μ为图像局部区域的平均灰度值,σ为图像局部区域的标准差,k为用户定义的常数;将像素值大于阈值的设置为1,小于等于阈值的设置为0;
步骤四,在二值图像中,像素值为1的像素点表示絮体,通过连通区域分析,为每个连通区域分配一个唯一的标签,生成标签矩阵;
步骤五,计算每帧图像中符合高斯分布的正半轴占比为P的絮体面积的均值Savg,具体步骤包括:
A、根据所述步骤四中生成的标签矩阵,计算各个连通区域的像素数量,即面积;
B、基于所述步骤A中絮体面积数据绘制直方图,所述直方图的x轴为面积,y轴为数量,利用高斯分布函数进行拟合,得到该数据的概率密度函数:
式中,f(x)为概率密度函数,μ为絮体面积的均值,σ为絮体面积的标准差;
C、根据概率密度函数,计算高斯分布占比为P的区间内的絮体面积平均值,公式如下:
式中,Φ为标准高斯分布的累积分布函数;
步骤六、对图像的上层和下层进行连通区域分析,分别计算两部分的连通区域数量,设上层的连通区域数量为nhigh,下层的连通区域数量为nlow,则絮体连通区域数量比值为:
步骤七、提出一个新参数FSP作为衡量沉降性能的指标,则该参数计算公式如下:
FSP=-Savg*lnη。
进一步地,所述步骤二中还包括对图像颜色进行反转,公式为:
img(i,j)=255-Gray(i,j)。
进一步地,所述步骤五中步骤A的连通区域面积计算采用格林公式:
进一步地,所述步骤五中步骤C中还包括根据概率密度函数,计算大于数学期望μ的占比为P的面积的均值:
本发明还提供了一种基于上述方法的絮体沉降性能判断装置,其特征在于,包括图像采集模块、所述处理器芯片设备中的图像保存模块及图像识别和处理模块,所述图像采集模块为摄像头模组,用于拍摄污水处理管道中的RGB图像,并传输至所述处理器芯片设备;所述图像保存模块用于储存所述摄像头模组采集到的RGB图像;所述图像识别和处理模块用于利用视觉算法对所述RGB图像进行识别和实时计算,以评估污水处理沉降性能。
进一步地,所述处理器芯片设备还包括通讯模块。
进一步地,该装置还包括现场控制执行器,所述处理器芯片设备通过所述通讯模块连接所述现场控制执行器。
采用了上述技术方案后,本发明具备如下有益效果:
1、准确性:本发明提出一种新的絮凝沉降性能评估指标(FSP),该指标综合上下层聚沉絮体数量的比值(η)和高斯分布占比为P的絮体面积平均值(Savg)来组合衡量污水处理絮体沉降性能。其中,η能避免澄清区的人工划定,采用数量比值能减少絮体形成以及沉淀过程对指标准确性的影响,而Savg的计算只取高斯分布占比为P的絮体面积计算,能有效地去除较大块面积的悬浮物和絮体,确保准确性,并且单个絮体的面积大小能衡量吸附和混凝沉淀的效果。
2、时效性:本发明在污水处理现场安装有摄像头模组,拍摄污水处理管道的纵向断面图片,并接入到处理器芯片设备中,其利用图像识别和图像处理算法可以实时计算评估污水处理沉降性能;而且该方法能够精准判断数据中的复杂模式,在应对复杂或者变化的絮凝反应环境时,同样能有准确的结果输出,而人工观察很难快速适应这些变化。
3、稳定性:通过利用设定好的判断方法,明显提高了絮体沉降性能判断的稳定性和标准化,完全不同于人工观察存在的主观臆测和不一致性,本方法和装置给出的结果稳定可靠。
4、低成本:本发明基于视觉算法的絮体沉降性能判断方法及装置实现了检测的自动化,且稳定可靠,准确性高,极大地降低了人力成本和时间成本,以及维护和更新成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述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他的附图。
图1是本发明的判断流程的具体步骤及信息交互示意图。
图2是利用本发明的方法基于絮体的面积数据绘制的絮体面积分布直方图。
附图标示:
1、图像采集模块;2、图像保存模块;3、图像识别和处理模块。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,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,都属于本公开保护的范围。
实施例一
如图1-2所示,本发明的基于视觉算法的絮体沉降性能判断方法,处理器芯片设备通过读取、识别及计算摄像头拍摄到的图像,对絮体沉降性能进行判断,其特征在于,包括如下步骤:
步骤一,摄像头连续拍摄污水处理管道中的RGB图像,并将拍摄好的RGB图像传输到处理器芯片设备中保存;
步骤二,处理器芯片设备对接收到的RGB图像进行灰度化处理,公式如下:
Gray(i,j)=0.299*R(i,j)+0.587*G(i,j)+0.114*B(i,j);
为了便于进行图像分割,对图像颜色进行反转,公式如下:
img(i,j)=255-Gray(i,j)。
步骤三,使用Niblack算法将图像转化为二值图像,所述Niblack算法基于以下公式计算每个像素点的阈值T:
T=μ+k*σ
式中,T为阈值,μ为图像局部区域的平均灰度值,σ为图像局部区域的标准差,k为用户定义的常数;将像素值大于阈值的设置为1,小于等于阈值的设置为0;
步骤四,在二值图像中,像素值为1的像素点表示絮体,通过连通区域分析,为每个连通区域分配一个唯一的标签,生成标签矩阵;
步骤五,计算每帧图像中符合高斯分布的正半轴占比为P的絮体面积的均值Savg,具体步骤包括:
A、根据所述步骤四中生成的标签矩阵,计算各个连通区域的像素数量,即面积;连通区域面积计算采用格林公式:
B、基于所述步骤A中絮体面积数据绘制直方图,所述直方图的x轴为絮体面积,y轴为数量,利用高斯分布函数进行拟合,得到该数据的概率密度函数:
式中,f(x)为概率密度函数,μ为絮体面积的均值,σ为絮体面积的标准差;
C、根据概率密度函数,计算高斯分布占比为P的区间内的絮体面积平均值,公式如下:
式中,Φ为标准高斯分布的累积分布函数;
步骤六、对图像的上层和下层进行连通区域分析,分别计算两部分的连通区域数量,设上层的连通区域数量为nhigh,下层的连通区域数量为nlow,则絮体连通区域数量比值为:
步骤七、提出一个新参数FSP作为衡量沉降性能的指标,则该参数计算公式如下:
FSP=-Savg*lnη。
本发明还提供了一种基于上述方法的絮体沉降性能判断装置,包括图像采集模块1、处理器芯片设备中的图像保存模块2及图像识别和处理模块3,以及通讯模块和现场控制执行器;图像采集模块1为摄像头模组,具体为若干个摄像头,以多方位、多角度地连续拍摄污水处理管道的纵向断面的RGB图像,并传输至处理器芯片设备;图像保存模块2用于储存摄像头模组采集到的RGB图像;图像识别和处理模块3用于利用视觉算法对RGB图像进行识别和实时计算,以评估污水处理沉降性能;通讯模块为4G或5G通讯模块;处理器芯片设备通过通讯模块将计算后的数据传输至云端服务器或现场控制执行器。
通过计算机视觉算法处理后,处理器芯片设备输出每帧图像中符合高斯分布的正半轴占比为P的絮体面积的均值Savg,和图像上层漂浮的连通区域絮体数量和图像下层沉降的连通区域絮体数量比值η,以及沉降性能衡量参数FSP,计算后的数据通过处理器芯片设备中的4G或5G通讯模块传输到云端服务器或现场控制执行器,用作污水处理操作中加药量判断的依据。
本发明通过上述方法和装置,解决了人工判断容易出现误差,导致絮体检测不准确的问题,避免大数据整理困难,降低了人工负担,保证了检测的准确性、稳定性及时效性。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接或彼此可通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
以上仅为说明本发明的实施方式,并不用于限制本发明,对于本领域的技术人员来说,凡在本发明的精神和原则之内,不经过创造性劳动所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于视觉算法的絮体沉降性能判断方法,处理器芯片设备通过读取、识别及处理摄像头拍摄到的图像,对絮体沉降性能进行判断,其特征在于,包括如下步骤:
步骤一,摄像头连续拍摄污水处理管道中的RGB图像,并将拍摄好的RGB图像传输到处理器芯片设备中保存;
步骤二,处理器芯片设备对接收到的RGB图像进行灰度化处理,公式如下:
Gray(i,j)=0.299*R(i,j)+0.587*G(i,j)+0.114*B(i,j);
步骤三,使用Niblack算法将图像转化为二值图像,所述Niblack算法基于以下公式计算每个像素点的阈值T:
T=μ+k*σ
式中,T为阈值,μ为图像局部区域的平均灰度值,σ为图像局部区域的标准差,k为用户定义的常数;将像素值大于阈值的设置为1,小于等于阈值的设置为0;
步骤四,在二值图像中,像素值为1的像素点表示絮体,通过连通区域分析,为每个连通区域分配一个唯一的标签,生成标签矩阵;
步骤五,计算每帧图像中符合高斯分布的正半轴占比为P的絮体面积的均值Savg,具体步骤包括:
A、根据步骤四中生成的标签矩阵,计算各个连通区域的像素数量,即面积;
B、基于所述步骤A中絮体面积数据绘制直方图,所述直方图的x轴为面积,
y轴为数量,利用高斯分布函数进行拟合,得到该数据的概率密度函数:
式中,f(x)为概率密度函数,μ为絮体面积的均值,σ为絮体面积的标准差;
C、根据概率密度函数,计算高斯分布占比为P的区间内的絮体面积平均值,
公式如下:
式中,Φ为标准高斯分布的累积分布函数;
步骤六、对图像的上层和下层进行连通区域分析,分别计算两部分的连通区域数量,设上层的连通区域数量为nhigh,下层的连通区域数量为nlow,则絮体连通区域数量比值为:
步骤七、提出一个新参数FSP作为衡量沉降性能的指标,则该参数计算公式如下:
FSP=-Savg*lnη。
2.根据权利要求1所述的基于视觉算法的絮体沉降性能判断方法,其特征在于,所述步骤二中还包括对图像颜色进行反转,公式为:
img(i,j)=255-Gray(i,j)。
3.根据权利要求1所述的基于视觉算法的絮体沉降性能判断方法,其特征在于,所述步骤五中步骤A的连通区域面积计算采用格林公式:
4.根据权利要求1所述的基于视觉算法的絮体沉降性能判断方法,其特征在于,所述步骤五中步骤C中还包括根据概率密度函数,计算大于数学期望μ的占比为P的面积的均值:
5.一种利用如权利要求1-4任一所述方法的基于视觉算法的絮体沉降性能判断装置,其特征在于,包括图像采集模块、所述处理器芯片设备中的图像保存模块及图像识别和处理模块,所述图像采集模块为摄像头模组,用于拍摄污水处理管道中的RGB图像,并传输至所述处理器芯片设备;所述图像保存模块用于储存所述摄像头模组采集到的RGB图像;所述图像识别和处理模块用于利用视觉算法对所述RGB图像进行识别和实时计算,以评估污水处理沉降性能。
6.根据权利要求5所述的基于视觉算法的絮体沉降性能判断装置,其特征在于,所述处理器芯片设备还包括通讯模块。
7.根据权利要求6所述的基于视觉算法的絮体沉降性能判断装置,其特征在于,该装置还包括现场控制执行器,所述处理器芯片设备通过所述通讯模块连接所述现场控制执行器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868288.3A CN117036250B (zh) | 2023-07-14 | 2023-07-14 | 一种基于视觉算法的絮体沉降性能判断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868288.3A CN117036250B (zh) | 2023-07-14 | 2023-07-14 | 一种基于视觉算法的絮体沉降性能判断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117036250A true CN117036250A (zh) | 2023-11-10 |
CN117036250B CN117036250B (zh) | 2023-12-26 |
Family
ID=88627121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310868288.3A Active CN117036250B (zh) | 2023-07-14 | 2023-07-14 | 一种基于视觉算法的絮体沉降性能判断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036250B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104931394A (zh) * | 2015-06-23 | 2015-09-23 | 北京工业大学 | 一种检测不同空间维度下水中絮体分形特性的方法及系统 |
CN112149543A (zh) * | 2020-09-16 | 2020-12-29 | 北京工业大学 | 一种基于计算机视觉的建筑扬尘识别系统与方法 |
CN113358534A (zh) * | 2021-06-30 | 2021-09-07 | 小鲲智能技术(广州)有限公司 | 一种基于物联网的流体悬浮物的视觉识别和处理装置 |
CN113628194A (zh) * | 2021-08-13 | 2021-11-09 | 北京环球中科水务科技有限公司 | 一种混凝絮体性状采集方法及采集系统 |
CN115950886A (zh) * | 2023-01-18 | 2023-04-11 | 西安建筑科技大学 | 一种基于纹理特征的絮体状态监测方法 |
KR20230085241A (ko) * | 2021-12-06 | 2023-06-14 | 한국과학기술연구원 | 인공 시각 장치 성능 향상을 위한 인공 시각 표현 파라미터 자동화 학습시스템 및 방법 |
-
2023
- 2023-07-14 CN CN202310868288.3A patent/CN117036250B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104931394A (zh) * | 2015-06-23 | 2015-09-23 | 北京工业大学 | 一种检测不同空间维度下水中絮体分形特性的方法及系统 |
CN112149543A (zh) * | 2020-09-16 | 2020-12-29 | 北京工业大学 | 一种基于计算机视觉的建筑扬尘识别系统与方法 |
CN113358534A (zh) * | 2021-06-30 | 2021-09-07 | 小鲲智能技术(广州)有限公司 | 一种基于物联网的流体悬浮物的视觉识别和处理装置 |
CN113628194A (zh) * | 2021-08-13 | 2021-11-09 | 北京环球中科水务科技有限公司 | 一种混凝絮体性状采集方法及采集系统 |
KR20230085241A (ko) * | 2021-12-06 | 2023-06-14 | 한국과학기술연구원 | 인공 시각 장치 성능 향상을 위한 인공 시각 표현 파라미터 자동화 학습시스템 및 방법 |
CN115950886A (zh) * | 2023-01-18 | 2023-04-11 | 西安建筑科技大学 | 一种基于纹理特征的絮体状态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117036250B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111233118A (zh) | 一种高密度沉淀池智能控制系统及控制方法 | |
CN115147617B (zh) | 基于计算机视觉的污水处理智能监控方法 | |
CN111966053A (zh) | 一种智能絮凝剂决策系统 | |
CN109187534A (zh) | 水质检测方法及其水样图像识别装置 | |
CN113487574A (zh) | 多源遥感大数据协同的资源管理与环境监测方法及应用 | |
CN114663684A (zh) | 一种絮凝反应实时智能分析的方法、系统及运算设备 | |
CN115546720A (zh) | 一种絮凝工况的图像型解析调控方法及装置 | |
CN105203475A (zh) | 测定含氯水样中化学需氧量的方法 | |
CN112919605A (zh) | 基于图像采集的污水处理系统及方法 | |
CN114169403A (zh) | 混凝图片的拍摄装置、拍摄方法及控制絮凝的加药方法 | |
CN117036250B (zh) | 一种基于视觉算法的絮体沉降性能判断方法及装置 | |
CN116310845A (zh) | 一种用于污水处理的智能监测系统 | |
CN114839343A (zh) | 一种便携式水质监测巡检仪装置及使用方法 | |
CN112505278B (zh) | 一种抽样式污水监控分析设备 | |
CN115728196A (zh) | 基于絮体沉降性能的絮凝沉淀在线监控分析系统及方法 | |
CN1300010C (zh) | 一种用于水处理的絮凝投药分形在线检测方法 | |
Sivchenko et al. | Floc sensor prototype tested in the municipal wastewater treatment plant | |
KR101334693B1 (ko) | 수질측정기와 회귀모델을 이용한 응집제 주입량 결정방법과 그를 이용한 정수처리시스템 | |
CN114863313A (zh) | 一种基于图像识别的水处理过程监控方法 | |
TWI407089B (zh) | 監測化學沉澱成效之方法 | |
CN114956287B (zh) | 一种污水除磷方法 | |
CN113582309A (zh) | 一种混凝剂投加量的确定方法和装置 | |
CN115266494B (zh) | 一种基于图像处理的污泥沉降比测量方法与系统 | |
CN105954482A (zh) | 换流站外冷水系统水质检测方法 | |
Nocoń et al. | Automatic batch sedimentation test based on histogram back-projection image analysis |
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 |