CN117237773A - 一种基于多模态的污水净化分析方法及系统 - Google Patents
一种基于多模态的污水净化分析方法及系统 Download PDFInfo
- Publication number
- CN117237773A CN117237773A CN202311199067.8A CN202311199067A CN117237773A CN 117237773 A CN117237773 A CN 117237773A CN 202311199067 A CN202311199067 A CN 202311199067A CN 117237773 A CN117237773 A CN 117237773A
- Authority
- CN
- China
- Prior art keywords
- water quality
- sewage
- area
- target
- purification
- 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
- 239000010865 sewage Substances 0.000 title claims abstract description 398
- 238000000746 purification Methods 0.000 title claims abstract description 245
- 238000004458 analytical method Methods 0.000 title claims abstract description 43
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 256
- 239000013598 vector Substances 0.000 claims abstract description 109
- 230000004927 fusion Effects 0.000 claims abstract description 83
- 230000000007 visual effect Effects 0.000 claims abstract description 43
- 238000010586 diagram Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 239000002351 wastewater Substances 0.000 claims description 23
- 238000011403 purification operation Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 15
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 229910052698 phosphorus Inorganic materials 0.000 description 4
- 239000011574 phosphorus Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000013505 freshwater Substances 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 239000008235 industrial water Substances 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000002957 persistent organic pollutant Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000001223 reverse osmosis Methods 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000001179 sorption measurement Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000000108 ultra-filtration Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000701 coagulant Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000033116 oxidation-reduction process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及污水处理技术领域,揭露了一种基于多模态的污水净化分析方法及系统,包括:提取目标污水区域的图像特征,提取水质数据的水质统计特征,提取时序数据的时序特征;将图像特征、水质统计特征及时序特征进行特征融合,构建向量回归模型,利用向量回归模型根据多模态融合特征计算目标污水区域的水质值;根据水质值生成目标污水区域的污水净化策略,按照污水净化策略对目标污水区域进行净化,得到目标污水净化区域;提取目标污水净化区域的净化特征,根据净化特征生成目标污水净化区域的可视化特征图,根据可视化特征图确定目标污水区域的污水净化状态。本发明可以提高污水净化分析时的精确度。
Description
技术领域
本发明涉及污水处理技术领域,尤其涉及一种基于多模态的污水净化分析方法及系统。
背景技术
随着城市化和工业化的快速发展,废水的排放问题日益突出,未经处理的污水会带来诸多环境和健康问题,如水体污染、土壤污染等,因此,污水处理变得越来越重要,但为了提高污水净化的精准性,需要基于污水区域的多种水域特征进行分析,以进行污水净化分析。
现有的污水净化分析技术通过多参数传感器实时监测关键指标,如溶解氧、悬浮物浓度、浊度、温度等,以进行污水净化分析,实际应用中,仅考虑单一的监测指标,导致对污水净化分析过于单一,从而对进行污水净化分析时的准确度较低。
发明内容
本发明提供一种基于多模态的污水净化分析方法及系统,其主要目的在于解决进行污水净化分析时的精确度较低的问题。
为实现上述目的,本发明提供的一种基于多模态的污水净化分析方法,包括:
S1、获取目标污水区域的图像数据、水质数据及时序数据,提取所述图像数据的图像特征,提取所述水质数据的水质统计特征,以及提取所述时序数据的时序特征;
S2、通过预设的主成分多维特征融合算法将所述图像特征、所述水质统计特征及所述时序特征进行特征融合,得到多模态融合特征;
S3、利用预设的污水区域数据集构建向量回归模型,利用所述向量回归模型根据所述多模态融合特征计算所述目标污水区域的水质值,其中,所述利用预设的污水区域数据集构建向量回归模型,包括:
S31、对所述污水区域数据集进行数据增强处理,得到污水区域增强数据;
S32、提取所述污水区域增强数据的多维数据特征;
S33、根据所述多维数据特征及预设的支持向量系数生成向量回归模型,其中所述向量回归模型为:
其中,Y为目标水质参数,b为偏置项,γ为水质优化因子,αi为第i个特征的支持向量系数,exp为指数函数,g为核函数参数,T为所述多维数据特征的特征均值,Ti为所述多维数据特征向量中第i个特征的向量值,n为特征的数量;
S4、根据所述水质值生成所述目标污水区域的污水净化策略,按照所述污水净化策略对所述目标污水区域进行净化,得到目标污水净化区域;
S5、提取所述目标污水净化区域的净化特征,根据所述净化特征生成所述目标污水净化区域的可视化特征图,根据所述可视化特征图确定所述目标污水区域的污水净化状态。
可选地,所述提取所述图像数据的图像特征,包括:
根据所述图像数据的像素生成颜色直方图,根据所述颜色直方图确定所述目标污水区域的颜色特征;
通过预设的局部二值模式根据所述图像数据提取所述目标污水区域的纹理特征;
提取所述图像数据中的边界轮廓,根据所述边界轮廓确定所述目标污水区域的形状特征;
将所述颜色特征、所述纹理特征及所述形状特征融合为图像特征。
可选地,所述提取所述水质数据的水质统计特征,包括:
根据预设的水质类别指标对所述水质数据进行划分,得到水质类别数据;
统计所述水质类别数据中的水质最大值及水质最小值,根据所述水质最大值及所述水质最小值确定所述水质数据的基本统计特征;
根据所述水质数据的变异系数确定所述目标污水区域的波动性特征;
将所述基本统计特征及所述波动性特征融合为水质统计特征。
可选地,所述通过预设的主成分多维特征融合算法将所述图像特征、所述水质统计特征及所述时序特征进行特征融合,得到多模态融合特征,包括:
将所述图像特征进行特征尺度标准化,得到标准化图像特征,将所述水质统计特征进行特征尺度标准化,得到标准化水质统计特征,将所述时序特征进行特征尺度标准化,得到标准化时序特征;
通过预设的主成分权重算法计算所述标准化图像特征的图像权重,计算所述标准化水质统计特征的水质统计权重,计算所述标准化时序特征的时序权重;
将所述图像权重、所述水质统计权重及所述时序权重生成权重向量;
将所述标准化图像特征、所述标准化水质统计特征及所述标准化时序特征生成标准化特征向量;
利用如下所述主成分多维特征融合算法将所述权重向量及所述标准化特征向量进行特征融合,得到多模态融合特征:
P=W·X
其中,P为所述多模态融合特征,X为所述标准化特征向量,W为所述权重向量。
可选地,所述通过预设的主成分权重算法计算所述标准化图像特征的图像权重,包括:
对所述标准化图像特征进行主成分降维,得到降维图像特征;
计算所述降维图像特征的主成分方差;
通过如下所述主成分权重算法根据所述主成分方差计算所述标准图像特征的图像权重:
其中,W1为所述图像权重,Z1为所述主成分方差,Zi为第i个特征的主成分方差,n为特征的向量。
可选地,所述利用所述向量回归模型根据所述多模态融合特征计算所述目标污水区域的水质值,包括:
将所述多模态融合特征输入至所述向量回归模型中,得到所述目标污水区域的初始水质值;
按照预设的水质参数优化函数计算所述初始水质值对应的优化值;
按照所述优化值对所述多模态融合特征进行优化,得到多模态融合优化特征,并返回至所述将所述多模态融合特征输入至所述向量回归模型中的步骤,直至所述优化值大于预设的优化阈值时,输出所述目标污水区域的水质值。
可选地,所述根据所述水质值生成所述目标污水区域的污水净化策略,包括:
按照所述水质值确定所述目标污水区域的水质区域等级;
根据所述水质区域等级生成所述目标污水区域的污水净化因子及污水净化操作;
根据所述污水净化因子及所述污水净化操作生成所述目标污水区域的污水净化策略。
可选地,所述按照所述污水净化策略对所述目标污水区域进行净化,得到目标污水净化区域,包括:
将所述污水净化策略中的污水净化因子及污水净化操作施加至所述目标污水区域中,得到初步污水净化区域;
利用预设的向量回归模型计算所述初步污水净化区域的初步水质值;
根据所述初步水质值对所述污水净化策略进行优化,得到污水净化优化策略;
将所述污水净化优化策略中的污水净化因子及污水净化操作施加至所述目标污水区域中,得到目标污水净化区域。
可选地,所述根据所述净化特征生成所述目标污水净化区域的可视化特征图,包括:
对所述净化特征进行分类,得到净化特征类别;
按照预设的均等分值确定所述净化特征类别的可视化占比;
根据所述可视化占比生成所述目标污水净化区域的占比饼图;
根据所述占比饼图生成所述目标污水净化区域的可视化特征图。
为了解决上述问题,本发明还提供一种基于多模态的污水净化分析系统,所述系统包括:
污水区域特征提取模块,用于获取目标污水区域的图像数据、水质数据及时序数据,提取所述图像数据的图像特征,提取所述水质数据的水质统计特征,以及提取所述时序数据的时序特征;
特征融合模块,用于通过预设的主成分多维特征融合算法将所述图像特征、所述水质统计特征及所述时序特征进行特征融合,得到多模态融合特征;
水质值计算模块,用于利用预设的污水区域数据集构建向量回归模型,利用所述向量回归模型根据所述多模态融合特征计算所述目标污水区域的水质值;
污水净化策略生成模块,用于根据所述水质值生成所述目标污水区域的污水净化策略,按照所述污水净化策略对所述目标污水区域进行净化,得到目标污水净化区域;
污水净化状态确定模块,用于提取所述目标污水净化区域的净化特征,根据所述净化特征生成所述目标污水净化区域的可视化特征图,根据所述可视化特征图确定所述目标污水区域的污水净化状态。
本发明实施例通过提取目标污水区域的图像特征、水质统计特征及时序特征,有利于得到更加全面的污水区域数据,进而将图像特征、水质统计特征及时序特征进行特征融合,融合特征可以帮助更好地理解和描述目标污水区域的特征,可以更准确地对污水区域进行净化;通过预设的污水区域数据集构建向量回归模型,进而根据向量回归模型根据目标污水区域的多模态融合特征可以确定目标污水区域的水质值,进而根据水质值对目标污水区域进行高效率净化;根据水质值生成污水净化策略,可以有效改善污水区域,有针对性地进行污水净化;根据目标污水净化区域的净化特征,根据净化特征生成可视化特征图,根据可视化特征图确定污水区域的污水净化状态,有利于非常直观地观察目标污水区域的污水净化状态。因此本发明提出的基于多模态的污水净化分析方法及系统,可以解决进行污水净化分析时的精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于多模态的污水净化分析方法的流程示意图;
图2为本发明一实施例提供的提取水质统计特征的流程示意图;
图3为本发明一实施例提供的构建向量回归模型的流程示意图;
图4为本发明一实施例提供的基于多模态的污水净化分析系统的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于多模态的污水净化分析方法。所述基于多模态的污水净化分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于多模态的污水净化分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN),以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于多模态的污水净化分析方法的流程示意图。在本实施例中,所述基于多模态的污水净化分析方法包括:
S1、获取目标污水区域的图像数据、水质数据及时序数据,提取所述图像数据的图像特征,提取所述水质数据的水质统计特征,以及提取所述时序数据的时序特征。
本发明实施例中,所述图像数据是指目标污水区域的污水图像;所述水质数据包括浊度、pH值、溶解氧、电导率等;所述时序数据是指目标污水区域的污水流量数据、传感器数据等。
详细地,可通过具有数据抓取功能的计算机语句(如Java语句、Python语句等)从预先存储的存储区域获取目标污水区域的图像数据、水质数据及时序数据,其中存储区域包括但不限于数据库、区块链。
进一步地,为了减少数据的冗余性,并简化数据的处理和分析,从复杂的原始数据中提取有用的信息,则需要提取图像数据的图像特征,水质统计特征及时序数据对应的时序特征。
本发明实施例中,由于目标污水区域通常有与周围环境不同的颜色或者色调,可以通过提取颜色特征来区分目标污水区域;目标污水区域可能具有特殊的纹理特征,例如污渍、斑点、颗粒等,可以通过提取纹理特征来描述目标污水区域的纹理信息;目标污水区域的形状可能与周围环境不同,例如液体的波纹或漩涡,可以通过提取形状特征来描述目标污水区域的形状信息,由颜色特征、纹理特征及形状特征共同构成了图像数据的图像特征。
本发明实施例中,所述提取所述图像数据的图像特征,包括:
根据所述图像数据的像素生成颜色直方图,根据所述颜色直方图确定所述目标污水区域的颜色特征;
通过预设的局部二值模式根据所述图像数据提取所述目标污水区域的纹理特征;
提取所述图像数据中的边界轮廓,根据所述边界轮廓确定所述目标污水区域的形状特征;
将所述颜色特征、所述纹理特征及所述形状特征融合为图像特征。
详细地,将图像数据转换为像素矩阵,然后提取每个像素点的颜色信息,对于彩色图像,通过使用RGB颜色空间,将每个像素的红、绿、蓝分量提取出来,根据提取的颜色信息,构建颜色直方图,颜色直方图记录了图像中每种颜色的频率或数量,可以将颜色空间划分为离散的空间,并统计每个区间内颜色出现的次数或像素数量,通过分析颜色直方图中的峰值、分布形态和区域,可以确定目标污水区域的颜色特征,如主要为蓝色,浓度较高等;对于目标污水区域的纹理特征,将图像数据转换为灰度图像,并通过滑动窗口将灰度图像划分为多个局部领域,每个领域内包含若干像素,对于每个局部邻域中的像素,与其周围的像素进行比较。将周围像素的灰度值与中心像素的灰度值进行比较,将结果转化为二值编码。一般情况下,大于中心像素的像素记为1,小于等于中心像素的像素记为0,对于每个局部邻域中的像素,可以得到一个二进制编码序列。可以将这个序列转化为十进制数表示,并统计不同数值的出现次数,得到一个直方图,将所有局部直方图进行组合,得到包含整个图像纹理信息的最终纹理特征向量。
具体地,可通过边缘检测算法(如Canny边缘检测算法)来检测图像数据中的边缘,其中Canny边缘检测算法是基于图像梯度的变化来检测边界,进而根据边界轮廓可以确定形状特征来描述目标污水区域的形状,如边界轮廓为长方形,则目标污水区域的形状特征为长方形;如边界轮廓为不规则形状,则目标污水区域的形状特征为不规则形状。进而根据目标污水区域的颜色特征、纹理特征及形状特征都作为图像特征。
进一步地,为了可以更准确地进行污水净化,不仅要通过提取目标污水区域的图像特征,还需要根据水质数据提取水质统计特征,得到更加全面的数据。
本发明实施例中,所述水质统计特征是计算目标污水区域内水质数据的基本统计量,例如平均值、中位数、标准差、最大值、最小值等,则水质统计特征可以提供对水质数据的整体概括。
本发明实施例中,参照图2所示,所述提取所述水质数据的水质统计特征,包括:
S21、根据预设的水质类别指标对所述水质数据进行划分,得到水质类别数据;
S22、统计所述水质类别数据中的水质最大值及水质最小值,根据所述水质最大值及所述水质最小值确定所述水质数据的基本统计特征;
S23、根据所述水质数据的变异系数确定所述目标污水区域的波动性特征;
S24、将所述基本统计特征及所述波动性特征融合为水质统计特征。
详细地,所述水质类别指标包括描述水体的化学指标、生物学指标及物理指标,按照水质类别指标对水质数据进行划分,从而得到水质类别数据,如水质数据有测定生化需氧量(BOD)、化学需氧量(COD)、总悬浮固体(TSS)、总氮(TN)、总磷(TP)、pH值、重金属和有机污染物,则将生化需氧量(BOD)、化学需氧量(COD)、总悬浮固体(TSS)、总氮(TN)、总磷(TP)划分为生物指标,将pH值、重金属和有机污染物划分为化学指标,从而统计不同水质类别数据中的指标含量最大值及最小值,如在生物指标中,需统计生物指标中所有参数的最大值及最小值,进而将水质最大值及水质最小值确定为水质数据的基本统计特征。
具体地,所述变异系数是指不同水质类别数据中标准差与均值之比,根据变异系数可以反映水质的稳定性或变化程度,变异系数越大,水质变化程度越大,从而可以确定目标污水区域的波动性特征,则将基本统计特征及波动性特征确定为水质统计特征,如基本统计特征为Rmax和Rmin,波动性特征为Q,则将基本统计特征与波动性特征拼接为水质统计特征{Rmax,Rmin,Q}。
本发明实施例中,提取所述时序数据的时序特征,为了捕捉数据的动态变化和序列的特点,如计算时序数据序列的平均值,表示整个序列数据的中心趋势;计算时序数据序列在不同时间滞后下的相关性,反映数据的周期性和趋势性,则时序数据是指污水流量序列数据。
进一步地,不同模态的特征提供了不同方面的信息,通过特征融合可以综合利用各个模态的信息,获得更全面、更准确的特征表示。图像特征可以提供物体的形状、颜色等视觉信息,水质统计特征可以提供有关水质的统计指标,时序特征可以提供水质的动态变化信息,融合特征可以帮助更好地理解和描述目标污水区域的特征。
S2、通过预设的主成分多维特征融合算法将所述图像特征、所述水质统计特征及所述时序特征进行特征融合,得到多模态融合特征。
本发明实施例中,所述多模态融合特征是指来自不同模态的特征进行融合,以获得更全面、更丰富的特征表示,则将图像特征、水质统计特征及时序特征进行特征融合,以提供更全面、更准确的特征表示。
本发明实施例中,所述通过预设的主成分多维特征融合算法将所述图像特征、所述水质统计特征及所述时序特征进行特征融合,得到多模态融合特征,包括:
将所述图像特征进行特征尺度标准化,得到标准化图像特征,将所述水质统计特征进行特征尺度标准化,得到标准化水质统计特征,将所述时序特征进行特征尺度标准化,得到标准化时序特征;
通过预设的主成分权重算法计算所述标准化图像特征的图像权重,计算所述标准化水质统计特征的水质统计权重,计算所述标准化时序特征的时序权重;
将所述图像权重、所述水质统计权重及所述时序权重生成权重向量;
将所述标准化图像特征、所述标准化水质统计特征及所述标准化时序特征生成标准化特征向量;
利用如下所述主成分多维特征融合算法将所述权重向量及所述标准化特征向量进行特征融合,得到多模态融合特征:
P=W·X
其中,P为所述多模态融合特征,X为所述标准化特征向量,W为所述权重向量。
详细地,对图像特征、水质统计特征及时序特征进行标准化处理,以消除不同特征之间的尺度差异,从而得到标准化图像特征、标准化水质统计特征及标准化时序特征,使用主成分算法对标准化后的特征进行降维,主成分算法能够将高维特征转换为更低维度的特征,保留最重要的信息,以减少特征的冗余性;将经过主成分降维后的图像特征、水质统计特征和时序特征进行加权融合,因此,需要计算标准化图像特征、标准化水质统计特征及标准化时序特征的权重。
本发明实施例中,所述通过预设的主成分权重算法计算所述标准化图像特征的图像权重,包括:
对所述标准化图像特征进行主成分降维,得到降维图像特征;
计算所述降维图像特征的主成分方差;
通过如下所述主成分权重算法根据所述主成分方差计算所述标准图像特征的图像权重:
其中,W1为所述图像权重,Z1为所述主成分方差,Zi为第i个特征的主成分方差,n为特征的向量。
详细地,将标准化图像特征进行主成分降维,即主成分算法能够将高维特征转换为更低维度的特征,保留最重要的信息,以减少特征的冗余性,从而得到降维图像特征,进而计算降维图像特征的主成分方差,如降维图像特征为{e1,e2,e3},则根据降维图像特征中的特征值计算主成分方差,进而根据主成分方差及所有特征的主成分方差计算得到标准图像特征的图像权重,则所述图像权重表示图像特征在目标污水区域中的信息量,主成分方差较大的特征包含了更多的数据变异性,并且对数据的重要性更高。
具体地,所述计算所述标准化水质统计特征的水质统计权重与所述通过预设的主成分权重算法计算所述标准化图像特征的图像权重步骤一致,以及所述计算所述标准化时序特征的时序权重与所述通过预设的主成分权重算法计算所述标准化图像特征的图像权重步骤一致,在此不再赘述。
进一步地,将所述图像权重、所述水质统计权重及所述时序权重生成权重向量,即图像权重为W1,水质统计权重为W2,时序权重为W3,则权重向量为{W1,W2,W3},将所述标准化图像特征、所述标准化水质统计特征及所述标准化时序特征生成标准化特征向量,即标准化图像特征为{X11,X12,X13},标准化水质统计特征为{X21,X22,X23},标准化时序特征为{X31,X32,X33},则所述标准化特征向量为进而通过主成分多维特征融合算法将所述权重向量及所述标准化特征向量进行特征融合,得到多模态融合特征。
更进一步地,通过对目标污水区域的全面特征,可以对目标污水区域的水质指标进行分析,进而可以更准确地对污水区域进行净化,从而需要构建向量回国模型,对目标污水区域的水质指标进行分析。
S3、利用预设的污水区域数据集构建向量回归模型,利用所述向量回归模型根据所述多模态融合特征计算所述目标污水区域的水质值。
本发明实施例中,所述向量回归模型是基于目标污水区域的历史数据集进行训练,通过训练好的向量回归模型可得到目标污水区域的水质值,从而根据水质值对污水区域进行精准净化。
本发明实施例中,参照图3所示,所述利用预设的污水区域数据集构建向量回归模型,包括:
S31、对所述污水区域数据集进行数据增强处理,得到污水区域增强数据;
S32、提取所述污水区域增强数据的多维数据特征;
S33、根据所述多维数据特征及预设的支持向量系数生成向量回归模型,其中所述向量回归模型为:
其中,Y为目标水质参数,b为偏置项,γ为水质优化因子,αi为第i个特征的支持向量系数,exp为指数函数,g为核函数参数,T为所述多维数据特征的特征均值,Ti为所述多维数据特征向量中第i个特征的向量值,n为特征的数量。
详细地,对污水区域数据集中的数据进行数据增强处理,如数据清洗、缺失值处理、异常值处理等,确保数据的可靠性和一致性,从而得到污水区域增强数据,并提取污水区域增强数据的多维数据特征向量,其中所述多维数据特征向量包括污水区域增强数据中的图像特征、水质统计特征及时序特征,进而将污水区域增强数据中的图像特征、水质统计特征及时序特征融合为多维数据特征,从而得到多维数据特征向量,则通过多维数据特征向量及预设的支持向量系数生成向量回归模型。
具体地,所述向量回归模型中的支持向量系数表示支持向量的权重,对于非支持向量,其系数为0,它们对模型的影响较小,不参与决策边界的计算;对于支持向量,其系数大于0,它们对模型的决策边界具有重要贡献,其中支持向量是训练数据中位于分类决策边界上的样本点或离分类决策边界最近的样本点,决定了决策边界的位置和方向;所述水质优化因子是指用于评估和优化水体质量的影响因素,可以对水质优化因子γ进行自定义,根据多维数据特征对水质优化因子进行自定义,用多维数据特征中的每个特征的权重确定水质优化因子,如多维数据特征中图像权重为W1,水质统计权重为W2,时序权重为W3,则水质优化因子γ=W1+W2+W3;所述核函数参数是为了能够将非线性问题转化为线性可分或近似线性可分的问题,允许在高维特征空间中进行非线性映射,从而提高分类的准确性;所述偏置项b是线性模型中的一个重要参数,用于调整模型的输出使其与实际观测值更好地匹配,偏置项代表了在输入特征的线性组合上的平移量。
进一步地,基于构建的向量回归模型根据目标污水区域的多模态融合特征可以确定目标污水区域的水质值,进而根据水质值对目标污水区域进行高效率净化。
本发明实施例中,所述水质值是用于描述水体质量的指标,用于评估水体的污染程度和适用性,从而根据水质值进行高效净化。
本发明实施例中,所述利用所述向量回归模型根据所述多模态融合特征计算所述目标污水区域的水质值,包括:
将所述多模态融合特征输入至所述向量回归模型中,得到所述目标污水区域的初始水质值;
按照预设的水质参数优化函数计算所述初始水质值对应的优化值;
按照所述优化值对所述多模态融合特征进行优化,得到多模态融合优化特征,并返回至所述将所述多模态融合特征输入至所述向量回归模型中的步骤,直至所述优化值大于预设的优化阈值时,输出所述目标污水区域的水质值。
详细地,根据所述多模态融合特征对Ti进行赋值,可得到目标污水区域的初始水质值Y0,根据预设的水质参数优化参数对初始水质值进行优化,可得到初始水质参数的优化值,其中水质参数优化参数包括但不限于均方误差函数、绝对误差函数,将初始水质值与具有相似的污水区域的水质值进行对比,从而得到优化值,并基于优化值对多模态融合特征进行优化,即将多模态融合特征中每个特征都加上优化值,从而得到多模态融合优化特征,并返回至将所述多模态融合特征输入至所述向量回归模型中的步骤,重新计算目标污水区域的水质值,直至优化值大于预设的优化阈值,输出目标污水区域的最佳水质值。
进一步地,根据最佳水质值可以高效地进行污水净化,通过评估目标污水区域的水质值,可以根据实际情况有针对性地制定污水净化策略,可以避免资源浪费和不必要的净化过程,将净化措施集中在更需要改善的区域,提高净化效率。
S4、根据所述水质值生成所述目标污水区域的污水净化策略,按照所述污水净化策略对所述目标污水区域进行净化,得到目标污水净化区域。
本发明实施例中,所述污水净化策略是指为处理和净化污水而采取的一系列措施和方法,如用物理、化学和生物等多种处理工艺,如格栅、沉淀池、生物反应器等,以去除污水中的悬浮物、有机物、氮、磷等污染物;通过膜技术(如超滤、反渗透)可以有效去除微量污染物和微生物,活性炭吸附可以去除有机物和某些难降解污染物,紫外线辐射可以灭活细菌和病毒等,将经过适当处理的污水用于合理的目标,如农业灌溉、工业用水或城市景观绿化,可以有效节约淡水资源,并减少对环境的压力;将经过适当处理的污水用于合理的目标,如农业灌溉、工业用水或城市景观绿化,可以有效节约淡水资源,并减少对环境的压力。
本发明实施例中,所述根据所述水质值生成所述目标污水区域的污水净化策略,包括:
按照所述水质值确定所述目标污水区域的水质区域等级;
根据所述水质区域等级生成所述目标污水区域的污水净化因子及污水净化操作;
根据所述污水净化因子及所述污水净化操作生成所述目标污水区域的污水净化策略。
详细地,根据水质值将目标污水区域的水质等级进行划分,如水质值为(0,40],则表示水质等级为低级;水质值为(40,80],则表示水质等级为中级;水质值为(80,100],则表示水质等级为高级;进而根据不同水质区域等级生成目标污水区域的污水净化因子及污水净化操作,其中污水净化因子为物理、化学和生物等多种处理工艺,如物理净化因子包括粗格栅和细格栅,可以去除大颗粒物,悬浮物和漂浮物;化学净化因子包括活性碳吸附、混凝剂投加等;生物净化因子包括植物湿地等;污水净化操作包括PH监测与调节、氧化还原电位调控、氮、磷营养物监测与调控、残余氯去除等操作。
具体地,按照不同水质区域等级生成其对应的污水净化因子及污水净化操作,如低等级的水质区域等级,则污水净化因子的浓度和种类相对较低,选择其合适的污水净化操作;高等级的水质区域等级,则污水净化因子的浓度和种类相对较高,选择其合适的污水净化操作,则根据不同水质区域等级的污水净化因子及污水净化操作生成目标污水区域的污水净化策略,则所述污水净化策略中包括不同水质区域等级对应的污水净化因子及污水净化操作。
进一步地,可根据预先生成的污水净化策略对目标污水区域的污水进行净化,能有效改善污水区域,有针对性地进行污水净化,可以提高污水净化的效率。
本发明实施例中,所述目标污水净化区域是对目标污水区域进行污水处理之后的区域,从而保证对目标污水区域实现污水净化。
本发明实施例中,所述按照所述污水净化策略对所述目标污水区域进行净化,得到目标污水净化区域,包括:
将所述污水净化策略中的污水净化因子及污水净化操作施加至所述目标污水区域中,得到初步污水净化区域;
利用预设的向量回归模型计算所述初步污水净化区域的初步水质值;
根据所述初步水质值对所述污水净化策略进行优化,得到污水净化优化策略;
将所述污水净化优化策略中的污水净化因子及污水净化操作施加至所述目标污水区域中,得到目标污水净化区域。
详细地,根据污水净化策略中的污水净化因子及污水净化操作对目标污水区域进行处理,得到初步污水净化区域,通过预先构建的向量回归模型计算初步污水净化区域的初步水质值,其中可对初步污水净化区域的区域图像特征,水质统计特征及时序特征进行提取,融合为多维数据特征,进而通过向量回归模型根据多维数据特征计算初步污水净化区域的初步水质值,从而根据初步水质值对污水净化策略中的污水净化因子的种类和浓度进行优化以及优化污水净化策略,如初步水质值较低,则需要提高污水净化因子中的净化浓度以及净化因子种类,并增加污水净化操作,如之间的污水净化操作只有粗格栅和细格栅和PH监测与调节,优化之后添加沉淀池、膜技术(如超滤、反渗透)等,并按照优化之后的污水净化策略中的污水净化因子和污水净化操作再对目标污水区域进行污水净化,直至目标污水区域对应的水质值大于预设的水质阈值时,输出此时的目标污水净化之后的目标污水净化区域。
进一步地,提取目标污水区域净化之后的目标污水净化区域,需要对目标污水净化区域的净化状态进行展示,以更加直观地方式观察污水净化情况。
S5、提取所述目标污水净化区域的净化特征,根据所述净化特征生成所述目标污水净化区域的可视化特征图,根据所述可视化特征图确定所述目标污水区域的污水净化状态。
本发明实施例中,所述净化特征包括目标污水净化区域的图像特征、水质统计特征及时序特征,进而将目标污水净化区域的图像特征、水质统计特征及时序特征融合为净化特征,其中提取图像特征、水质统计特征及时序特征S1中的提取特征步骤一致,在此不再赘述。
进一步地,为了能够更直观地了解目标污水净化区域的特征和情况,通过可视化,复杂的数据和关系可以以更简洁、易理解的方式呈现,方便人们对污水净化过程和效果进行观察和分析。
本发明实施例中,所述可视化特征图是一种通过图表、图形、色彩等方式呈现数据和信息,以便直观地展示特征和趋势的目标污水净化区域的特征。
本发明实施例中,所述根据所述净化特征生成所述目标污水净化区域的可视化特征图,包括:
对所述净化特征进行分类,得到净化特征类别;
按照预设的均等分值确定所述净化特征类别的可视化占比;
根据所述可视化占比生成所述目标污水净化区域的占比饼图;
根据所述占比饼图生成所述目标污水净化区域的可视化特征图。
详细地,所述净化特征类别包括图像特征、水质统计特征及时序特征,以均等分值将净化特征类别分为相等的可视化占比,如图像特征的可视化占比为33.3%,水质统计特征的可视化占比为33.3%,时序特征的可视化占比为33.3%,进而根据可视化占比生成目标污水净化区域的占比饼图,将占比饼图作为目标污水净化区域的可视化特征图,其中可视化特征图中的图像特征可以描述目标污水净化区域的区域颜色,水质统计特征可以描述目标污水净化区域的水质统计值,时序特征可以描述目标污水净化区域的水流量,污水区域的水流量慢。
进一步地,根据所述可视化特征图确定所述目标污水区域的污水净化状态,根据可视化特征图中的图像特征的颜色深浅、水质统计特征中的水质值数值以及时序特征的水流量可判断目标污水区域的污水净化状态,如可视化特征图中颜色深、水质值低、水流量慢,则目标污水区域的污水净化状态为低状态,污水净化效果差;可视化特征中颜色浅、水质值高、水流量快,则目标污水区域的污水净化状态为高状态,污水净化效果好。
本发明实施例通过提取目标污水区域的图像特征、水质统计特征及时序特征,有利于得到更加全面的污水区域数据,进而将图像特征、水质统计特征及时序特征进行特征融合,融合特征可以帮助更好地理解和描述目标污水区域的特征,可以更准确地对污水区域进行净化;通过预设的污水区域数据集构建向量回归模型,进而根据向量回归模型根据目标污水区域的多模态融合特征可以确定目标污水区域的水质值,进而根据水质值对目标污水区域进行高效率净化;根据水质值生成污水净化策略,可以有效改善污水区域,有针对性地进行污水净化;根据目标污水净化区域的净化特征,根据净化特征生成可视化特征图,根据可视化特征图确定污水区域的污水净化状态,有利于非常直观地观察目标污水区域的污水净化状态。因此本发明提出的基于多模态的污水净化分析方法及系统,可以解决进行污水净化分析时的精确度较低的问题。
如图4所示,是本发明一实施例提供的基于多模态的污水净化分析系统的功能模块图。
本发明所述基于多模态的污水净化分析系统100可以安装于电子设备中。根据实现的功能,所述基于多模态的污水净化分析系统100可以包括污水区域特征提取模块101、特征融合模块102、水质值计算模块103、污水净化策略生成模块104及污水净化状态确定模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述污水区域特征提取模块101,用于获取目标污水区域的图像数据、水质数据及时序数据,提取所述图像数据的图像特征,提取所述水质数据的水质统计特征,以及提取所述时序数据的时序特征;
所述特征融合模块102,用于通过预设的主成分多维特征融合算法将所述图像特征、所述水质统计特征及所述时序特征进行特征融合,得到多模态融合特征;
所述水质值计算模块103,用于利用预设的污水区域数据集构建向量回归模型,利用所述向量回归模型根据所述多模态融合特征计算所述目标污水区域的水质值;
所述污水净化策略生成模块104,用于根据所述水质值生成所述目标污水区域的污水净化策略,按照所述污水净化策略对所述目标污水区域进行净化,得到目标污水净化区域;
所述污水净化状态确定模块105,用于提取所述目标污水净化区域的净化特征,根据所述净化特征生成所述目标污水净化区域的可视化特征图,根据所述可视化特征图确定所述目标污水区域的污水净化状态。
详细地,本发明实施例中所述基于多模态的污水净化分析系统100中所述的各模块在使用时采用与上述图1至图3中所述的基于多模态的污水净化分析方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其他的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
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,既可以位于一个地方,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。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于多模态的污水净化分析方法,其特征在于,所述方法包括:
S1、获取目标污水区域的图像数据、水质数据及时序数据,提取所述图像数据的图像特征,提取所述水质数据的水质统计特征,以及提取所述时序数据的时序特征;
S2、通过预设的主成分多维特征融合算法将所述图像特征、所述水质统计特征及所述时序特征进行特征融合,得到多模态融合特征;
S3、利用预设的污水区域数据集构建向量回归模型,利用所述向量回归模型根据所述多模态融合特征计算所述目标污水区域的水质值,其中,所述利用预设的污水区域数据集构建向量回归模型,包括:
S31、对所述污水区域数据集进行数据增强处理,得到污水区域增强数据;
S32、提取所述污水区域增强数据的多维数据特征;
S33、根据所述多维数据特征及预设的支持向量系数生成向量回归模型,其中所述向量回归模型为:
其中,Y为目标水质参数,b为偏置项,γ为水质优化因子,αi为第i个特征的支持向量系数,exp为指数函数,g为核函数参数,T为所述多维数据特征的特征均值,Ti为所述多维数据特征向量中第i个特征的向量值,n为特征的数量;
S4、根据所述水质值生成所述目标污水区域的污水净化策略,按照所述污水净化策略对所述目标污水区域进行净化,得到目标污水净化区域;
S5、提取所述目标污水净化区域的净化特征,根据所述净化特征生成所述目标污水净化区域的可视化特征图,根据所述可视化特征图确定所述目标污水区域的污水净化状态。
2.如权利要求1所述的基于多模态的污水净化分析方法,其特征在于,所述提取所述图像数据的图像特征,包括:
根据所述图像数据的像素生成颜色直方图,根据所述颜色直方图确定所述目标污水区域的颜色特征;
通过预设的局部二值模式根据所述图像数据提取所述目标污水区域的纹理特征;
提取所述图像数据中的边界轮廓,根据所述边界轮廓确定所述目标污水区域的形状特征;
将所述颜色特征、所述纹理特征及所述形状特征融合为图像特征。
3.如权利要求1所述的基于多模态的污水净化分析方法,其特征在于,所述提取所述水质数据的水质统计特征,包括:
根据预设的水质类别指标对所述水质数据进行划分,得到水质类别数据;
统计所述水质类别数据中的水质最大值及水质最小值,根据所述水质最大值及所述水质最小值确定所述水质数据的基本统计特征;
根据所述水质数据的变异系数确定所述目标污水区域的波动性特征;
将所述基本统计特征及所述波动性特征融合为水质统计特征。
4.如权利要求1所述的基于多模态的污水净化分析方法,其特征在于,所述通过预设的主成分多维特征融合算法将所述图像特征、所述水质统计特征及所述时序特征进行特征融合,得到多模态融合特征,包括:
将所述图像特征进行特征尺度标准化,得到标准化图像特征,将所述水质统计特征进行特征尺度标准化,得到标准化水质统计特征,将所述时序特征进行特征尺度标准化,得到标准化时序特征;
通过预设的主成分权重算法计算所述标准化图像特征的图像权重,计算所述标准化水质统计特征的水质统计权重,计算所述标准化时序特征的时序权重;
将所述图像权重、所述水质统计权重及所述时序权重生成权重向量;
将所述标准化图像特征、所述标准化水质统计特征及所述标准化时序特征生成标准化特征向量;
利用如下所述主成分多维特征融合算法将所述权重向量及所述标准化特征向量进行特征融合,得到多模态融合特征:
P=W·X
其中,P为所述多模态融合特征,X为所述标准化特征向量,W为所述权重向量。
5.如权利要求4所述的基于多模态的污水净化分析方法,其特征在于,所述通过预设的主成分权重算法计算所述标准化图像特征的图像权重,包括:
对所述标准化图像特征进行主成分降维,得到降维图像特征;
计算所述降维图像特征的主成分方差;
通过如下所述主成分权重算法根据所述主成分方差计算所述标准图像特征的图像权重:
其中,W1为所述图像权重,Z1为所述主成分方差,Zi为第i个特征的主成分方差,n为特征的向量。
6.如权利要求1所述的基于多模态的污水净化分析方法,其特征在于,所述利用所述向量回归模型根据所述多模态融合特征计算所述目标污水区域的水质值,包括:
将所述多模态融合特征输入至所述向量回归模型中,得到所述目标污水区域的初始水质值;
按照预设的水质参数优化函数计算所述初始水质值对应的优化值;
按照所述优化值对所述多模态融合特征进行优化,得到多模态融合优化特征,并返回至所述将所述多模态融合特征输入至所述向量回归模型中的步骤,直至所述优化值大于预设的优化阈值时,输出所述目标污水区域的水质值。
7.如权利要求1所述的基于多模态的污水净化分析方法,其特征在于,所述根据所述水质值生成所述目标污水区域的污水净化策略,包括:
按照所述水质值确定所述目标污水区域的水质区域等级;
根据所述水质区域等级生成所述目标污水区域的污水净化因子及污水净化操作;
根据所述污水净化因子及所述污水净化操作生成所述目标污水区域的污水净化策略。
8.如权利要求1所述的基于多模态的污水净化分析方法,其特征在于,所述按照所述污水净化策略对所述目标污水区域进行净化,得到目标污水净化区域,包括:
将所述污水净化策略中的污水净化因子及污水净化操作施加至所述目标污水区域中,得到初步污水净化区域;
利用预设的向量回归模型计算所述初步污水净化区域的初步水质值;
根据所述初步水质值对所述污水净化策略进行优化,得到污水净化优化策略;
将所述污水净化优化策略中的污水净化因子及污水净化操作施加至所述目标污水区域中,得到目标污水净化区域。
9.如权利要求1所述的基于多模态的污水净化分析方法,其特征在于,所述根据所述净化特征生成所述目标污水净化区域的可视化特征图,包括:
对所述净化特征进行分类,得到净化特征类别;
按照预设的均等分值确定所述净化特征类别的可视化占比;
根据所述可视化占比生成所述目标污水净化区域的占比饼图;
根据所述占比饼图生成所述目标污水净化区域的可视化特征图。
10.一种基于多模态的污水净化分析系统,其特征在于,用于执行如权利要求1-9中任一项所述的基于多模态的污水净化分析方法,所述系统包括:
污水区域特征提取模块,用于获取目标污水区域的图像数据、水质数据及时序数据,提取所述图像数据的图像特征,提取所述水质数据的水质统计特征,以及提取所述时序数据的时序特征;
特征融合模块,用于通过预设的主成分多维特征融合算法将所述图像特征、所述水质统计特征及所述时序特征进行特征融合,得到多模态融合特征;
水质值计算模块,用于利用预设的污水区域数据集构建向量回归模型,利用所述向量回归模型根据所述多模态融合特征计算所述目标污水区域的水质值,其中,所述利用预设的污水区域数据集构建向量回归模型,包括:对所述污水区域数据集进行数据增强处理,得到污水区域增强数据;提取所述污水区域增强数据的多维数据特征;根据所述多维数据特征及预设的支持向量系数生成向量回归模型,其中所述向量回归模型为:
其中,Y为目标水质参数,b为偏置项,γ为水质优化因子,αi为第i个特征的支持向量系数,exp为指数函数,g为核函数参数,T为所述多维数据特征的特征均值,Ti为所述多维数据特征向量中第i个特征的向量值,n为特征的数量;
污水净化策略生成模块,用于根据所述水质值生成所述目标污水区域的污水净化策略,按照所述污水净化策略对所述目标污水区域进行净化,得到目标污水净化区域;
污水净化状态确定模块,用于提取所述目标污水净化区域的净化特征,根据所述净化特征生成所述目标污水净化区域的可视化特征图,根据所述可视化特征图确定所述目标污水区域的污水净化状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311199067.8A CN117237773B (zh) | 2023-09-18 | 一种基于多模态的污水净化分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311199067.8A CN117237773B (zh) | 2023-09-18 | 一种基于多模态的污水净化分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117237773A true CN117237773A (zh) | 2023-12-15 |
CN117237773B CN117237773B (zh) | 2024-06-07 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Amaral et al. | Activated sludge monitoring of a wastewater treatment plant using image analysis and partial least squares regression | |
Beyenal et al. | Quantifying biofilm structure: facts and fiction | |
CN106600509B (zh) | 一种基于基础数据分析判断企业兑水排污行为的方法 | |
CN111966053A (zh) | 一种智能絮凝剂决策系统 | |
CN117171661B (zh) | 一种化工厂污水处理监控方法及系统 | |
CN109919012A (zh) | 一种基于卷积神经网络的污水处理指示性微生物图像识别方法 | |
KR101237444B1 (ko) | 하폐수 처리장의 공정진단 시스템 및 방법 | |
CN114882040B (zh) | 一种基于模板匹配的污水处理检测方法 | |
Rustum et al. | Applying Kohonen self‐organizing map as a software sensor to predict biochemical oxygen demand | |
CN115308101A (zh) | 水质监测管理方法及系统 | |
Peleato et al. | Investigation of fluorescence methods for rapid detection of municipal wastewater impact on drinking water sources | |
KR20090078502A (ko) | 하수처리장 공정 운영 상태 진단을 위한 방법 및 장치 | |
CN111914166A (zh) | 应用于社区矫正人员的矫正策略个性化推荐系统 | |
Tomperi et al. | Modelling effluent quality based on a real-time optical monitoring of the wastewater treatment process | |
CN117172430B (zh) | 一种基于深度学习的水体环境评估与预测方法及系统 | |
Wang et al. | MBR membrane fouling diagnosis based on improved residual neural network | |
CN117237773B (zh) | 一种基于多模态的污水净化分析方法及系统 | |
Inbar et al. | Analyzing the secondary wastewater-treatment process using Faster R-CNN and YOLOv5 object detection algorithms | |
KR20140117959A (ko) | 하수처리장 유출수질의 상태에 대한 원인인자 제공장치 및 방법 | |
CN112766384A (zh) | 一种基于深度学习的藻类絮体去除率评估方法 | |
CN117237773A (zh) | 一种基于多模态的污水净化分析方法及系统 | |
CN112001436A (zh) | 一种基于改进的极限学习机的水质分类方法 | |
Tiwary et al. | Prediction of Algae Growth: A Machine Learning Perspective | |
KR20230038038A (ko) | 수처리 에너지지수 기반 하수처리장의 에너지 효율 평가 방법 및 에너지 절감 의사결정 시스템 | |
CN113702609A (zh) | 一种水质检测方法及系统 |
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 |