CN117333484B - 一种基于图像处理的丙烯酸乳液生产废水检测方法 - Google Patents
一种基于图像处理的丙烯酸乳液生产废水检测方法 Download PDFInfo
- Publication number
- CN117333484B CN117333484B CN202311618758.7A CN202311618758A CN117333484B CN 117333484 B CN117333484 B CN 117333484B CN 202311618758 A CN202311618758 A CN 202311618758A CN 117333484 B CN117333484 B CN 117333484B
- Authority
- CN
- China
- Prior art keywords
- area
- neighborhood
- algae
- target
- wastewater
- 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
- 239000002351 wastewater Substances 0.000 title claims abstract description 97
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 title claims abstract description 20
- 239000000839 emulsion Substances 0.000 title claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims description 18
- 241000195493 Cryptophyta Species 0.000 claims abstract description 132
- 238000009826 distribution Methods 0.000 claims abstract description 32
- 238000003709 image segmentation Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000012512 characterization method Methods 0.000 claims description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000004220 aggregation Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 6
- 208000034699 Vitreous floaters Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000005791 algae growth Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013064 chemical raw material Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004753 textile Substances 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
- 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
- G06T7/136—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
- 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及图像分割技术领域,具体涉及一种基于图像处理的丙烯酸乳液生产废水检测方法;对废水池图像进行图像分割获得目标区域;根据目标区域的面积特征和分布特征获得初始藻类概率;根据目标区域和预设邻域内其他目标区域的距离特征获得区域近邻程度;根据目标区域与预设邻域内其他目标区域的距离特征和预设邻域内其他目标区域的面积特征获得邻域区域密度占比;根据初始藻类概率、区域近邻程度和邻域区域密度占比获得目标区域的最终藻类概率。本发明根据最终藻类概率判断废水藻类区域和废水污染程度,提高了藻类区域和污染程度的分析准确性。
Description
技术领域
本发明涉及图像分割技术领域,具体涉及一种基于图像处理的丙烯酸乳液生产废水检测方法。
背景技术
丙烯酸乳液是一种广泛应用于涂料、胶粘剂和纺织品的化工原料,丙烯酸乳液的生产过程中会产生大量废水,其中含有大量有机物。废水在排放之前需要检测分析污染程度,避免对环境造成破坏;因废水中的有机物越多意味着污染程度越高,进而越多的有机物越容易促进藻类生物的生长,故可通过废水池表面的藻类面积简单快速地分析废水的污染程度。
因废水池中的藻类区域和其他水域具有明显的颜色差异,故可通过图像分割初步获取水面的藻类区域;但废水表面可能存在其他漂浮物,在图像分割时被误认为藻类区域,导致表面藻类区域的面积分析不准确;造成废水污染程度的分析误差程度增加。
发明内容
为了解决上述通过图像分割算法获得藻类区域面积不准确,导致废水污染程度的分析误差程度增加的技术问题,本发明的目的在于提供一种基于图像处理的丙烯酸乳液生产废水检测方法,所采用的技术方案具体如下:
获取废水池图像;对所述废水池图像进行图像分割获得目标区域;
根据所述目标区域的面积特征和分布特征获得初始藻类概率;根据所述目标区域和预设邻域内其他目标区域的距离特征获得区域近邻程度;根据所述目标区域与预设邻域内其他目标区域的距离特征和预设邻域内其他目标区域的面积特征获得邻域区域密度占比;
根据所述初始藻类概率、所述区域近邻程度和所述邻域区域密度占比获得所述目标区域的最终藻类概率;根据所述目标区域的所述最终藻类概率判断废水藻类区域;
根据所述废水藻类区域的面积特征检测废水污染程度。
进一步地,所述根据所述目标区域的面积特征和分布特征获得初始藻类概率的步骤包括:
计算所述目标区域距最近废水池边缘的欧氏距离与预设极小正数的和值,获得边缘距离表征值;计算所述目标区域距废水池进水口的欧氏距离与所述边缘距离表征值的比值;获得位置特征表征值;计算所述目标区域的面积与所述位置特征表征值的乘积并正相关映射,获得所述目标区域的所述初始藻类概率。
进一步地,所述根据所述目标区域和预设邻域内其他目标区域的距离特征获得区域近邻程度的步骤包括:
计算所述目标区域与预设邻域内任意其他目标区域的欧氏距离,获得邻域距离表征值;计算所述目标区域与所述任意其他目标区域的最短连线所经过的任意目标区域的连线长度,获得途经距离表征值;计算所述途经距离表征值与所述邻域距离表征值的比值,获得所述目标区域和预设邻域内任意其他目标区域的所述区域近邻程度。
进一步地,所述根据所述目标区域与预设邻域内其他目标区域的距离特征和预设邻域内其他目标区域的面积特征获得邻域区域密度占比的步骤包括:
计算所述目标区域的预设邻域内任意其他目标区域的面积与所述邻域距离表征值的比值并正相关映射,获得所述目标区域与预设邻域内任意其他目标区域的所述邻域区域密度占比。
进一步地,所述根据所述初始藻类概率、所述区域近邻程度和所述邻域区域密度占比获得所述目标区域的最终藻类概率的步骤包括:
计算所述目标区域的预设邻域内任意其他目标区域的所述初始藻类概率、所述区域近邻程度和所述邻域区域密度占比的乘积并正相关映射,获得邻域藻类分布程度;计算所述目标区域的预设邻域内所有其他目标区域的所述邻域藻类分布程度的平均值,获得邻域藻类分布程度均值;计算所述目标区域的所述初始藻类概率与所述邻域藻类分布程度均值的乘积并归一化,获得所述目标区域的所述最终藻类概率。
进一步地,所述根据所述目标区域的所述最终藻类概率判断废水藻类区域的步骤包括:
当所述目标区域的所述最终藻类概率超过预设概率阈值时,所述目标区域为废水藻类区域。
进一步地,所述预设概率阈值为0.8。
进一步地,所述根据所述废水藻类区域的面积特征检测废水污染程度的步骤包括:
计算所述废水池中所述废水藻类区域的总面积与所述废水池面积的比值,获得藻类面积占比;当所述藻类面积占比超过预设占比阈值,认为废水池受到污染。
进一步地,所述预设占比阈值为0.5。
进一步地,所述对所述废水池图像进行图像分割获得目标区域的步骤包括:
根据所述废水池图像的G通道图像通过迭代阈值分割算法进行分割获得不同的连通域,将连通域的灰度均值超过预设灰度阈值的连通域作为所述目标区域。
本发明具有如下有益效果:
在本发明实施例中,获得目标区域能够根据藻类区域的颜色特征对废水池表面分割;获得初始藻类概率能够根据目标区域的面积特征和分布特征初步确定目标区域的为藻类区域的概率;获得区域近邻程度和邻域区域密度占比能够根据藻类区域的分布聚集特征提高判断目标区域为藻类区域的准确性。获得最终藻类概率能够根据目标区域和预设邻域内其他目标区域的距离特征和面积特征准确地分析目标区域为藻类区域的准确性。最终根据最终藻类概率能够准确地获得废水池中的藻类面积,根据藻类面积提高了分析废水污染程度的准确性。
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为本发明一个实施例所提供的一种基于图像处理的丙烯酸乳液生产废水检测方法流程图。
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一种基于图像处理的丙烯酸乳液生产废水检测方法,其具体实施方式、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。
下面结合附图具体的说明本发明所提供的一种基于图像处理的丙烯酸乳液生产废水检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的丙烯酸乳液生产废水检测方法流程图,该方法包括以下步骤:
步骤S1,获取废水池图像;对废水池图像进行图像分割获得目标区域。
在本发明实施例中,实施场景为根据废水池中的藻类区域面积分析污染程度。首先获取废水池图像,通过相机拍摄废水池的整体水面区域。因废水池中的藻类面积特征能够反映废水的污染程度,故可对废水池图像进行图像分割获得目标区域,因藻类整体呈现绿色特征,可根据废水池图像的G通道图像通过迭代阈值分割算法进行分割获得不同的连通域,将连通域的灰度均值超过预设灰度阈值的连通域作为目标区域;需要说明的是,迭代阈值分割算法属于现有技术,预设灰度阈值在本发明实施例中为180,实施者可根据实施场景自行确定。因废水池中不仅有藻类,可能还包括其他的类似藻类颜色的漂浮物,因此获取的目标区域包括了藻类区域和漂浮物,若直接通过目标区域的面积分析污染程度会导致误差较大,故需要对目标区域为藻类区域的概率进行分析,提高污染程度的分析准确性。
步骤S2,根据目标区域的面积特征和分布特征获得初始藻类概率;根据目标区域和预设邻域内其他目标区域的距离特征获得区域近邻程度;根据目标区域与预设邻域内其他目标区域的距离特征和预设邻域内其他目标区域的面积特征获得邻域区域密度占比。
因废水池中水面的漂浮物形态较小,位置较为随机且独立;而藻类生长具有相互连接的特征,聚集形成较大的区域,并且位置较为固定在水面平稳的区域,主要表现在靠近废水池边缘,且远离进水口。故可根据目标区域的面积特征和分布特征获得初始藻类概率。
优选地,在本发明一个实施例中,获取初始藻类概率包括:计算目标区域距最近废水池边缘的欧氏距离与预设极小正数的和值,获得边缘距离表征值;该边缘距离表征值越小,意味着该目标区域距离边缘越近,越可能为藻类区域,在本发明实施例中预设极小正数为1。计算目标区域距废水池进水口的欧氏距离与边缘距离表征值的比值;获得位置特征表征值;当该目标区域距废水池进水口越远,且距边缘越近,位置特征表征值越大,意味着该目标区域为藻类区域的概率越大。计算目标区域的面积与位置特征表征值的乘积并正相关映射,获得该目标区域的初始藻类概率;当该目标区域的面积越大,且位置特征表征值越大,则初始藻类概率越大,该目标区域越可能为藻类区域;获取初始藻类概率包括:
式中,表示目标区域的初始藻类概率,表示该目标区域的面积,表示目标区域
距最近废水池边缘的欧氏距离,表示预设极小正数,表示边缘距离表征值,表示目
标区域距废水池进水口的距离,表示位置特征表征值,表示以自然常数为底的指
数函数。
因初始藻类概率只能反映每个目标区域可能为藻类区域的概率,而藻类区域之间存在聚集特征,漂浮物分布较为随机,故可根据该聚集特征提高确定藻类区域的准确性,首先根据目标区域和预设邻域内其他目标区域的距离特征获得区域近邻程度,具体包括:计算该目标区域与预设邻域内任意其他目标区域的欧氏距离,该欧氏距离为两个目标区域的中心位置之间的直线距离,获得邻域距离表征值;邻域距离表征值越小,意味着该目标区域距邻域的其他目标区域越近,越符合藻类聚集的特征;在本发明实施例中预设邻域为以目标区域为中心半径三米的圆形区域。计算该目标区域与该任意其他目标区域的最短连线所经过的任意目标区域的连线长度,获得途经距离表征值;该途经距离表征值越大,意味着连线上经过的目标区域越多,该目标区域的预设邻域内目标区域分布越密集。计算途经距离表征值与邻域距离表征值的比值,获得目标区域和预设邻域内任意其他目标区域的区域近邻程度;当区域近邻程度越大,意味着该目标区域的预设邻域内的其他目标区域越密集,越符合藻类分布聚集的特征。
进一步地,根据目标区域与预设邻域内其他目标区域的距离特征和预设邻域内其他目标区域的面积特征获得邻域区域密度占比,具体包括:计算目标区域的预设邻域内任意其他目标区域的面积与邻域距离表征值的比值并正相关映射,获得目标区域与预设邻域内任意其他目标区域的邻域区域密度占比;当邻域区域密度占比越大,意味着该目标区域的预设邻域内其他目标区域的面积越大,且距离越近,当其他目标区域的面积越大,越符合藻类区域的特征,在藻类聚集的特征中,若该目标区域的预设邻域内其他目标区域的面积越大且距离越近,则该目标区域为藻类区域的概率越大。
步骤S3,根据初始藻类概率、区域近邻程度和邻域区域密度占比获得目标区域的最终藻类概率;根据目标区域的最终藻类概率判断废水藻类区域。
获得目标区域的区域近邻程度和邻域区域密度占比后,可根据初始藻类概率、区域近邻程度和邻域区域密度占比获得目标区域的最终藻类概率,具体包括:计算该目标区域的预设邻域内任意其他目标区域的初始藻类概率、区域近邻程度和邻域区域密度占比的乘积并正相关映射,获得邻域藻类分布程度;当该邻域藻类分布程度越大,意味着该目标区域和该任意其他目标区域的分布越符合藻类分布的特征,目标区域和该任意其他目标区域为藻类区域的概率越大。计算目标区域的预设邻域内所有其他目标区域的邻域藻类分布程度的平均值,获得邻域藻类分布程度均值;该邻域藻类分布程度均值越大,意味着该目标区域周围的其他目标区域的藻类区域特征越明显。计算目标区域的初始藻类概率与邻域藻类分布程度均值的乘积并归一化,获得目标区域的最终藻类概率;当该目标区域的初始藻类概率和邻域藻类分布程度均值越大,该最终藻类概率越大,意味着该目标区域为藻类区域的概率越大;获取最终藻类概率的公式具体包括:
式中,表示目标区域的最终藻类概率,表示初始藻类概率,表示该目标区域的
预设邻域范围内其他目标区域的数量,表示第个其他目标区域的初始藻类概率,表
示第个其他目标区域的区域近邻程度,表示第个其他目标区域的邻域区域密度占比,表示以自然常数为底的指数函数,表示归一化函数,
表示邻域藻类分布程度,表示邻域藻类分布程度均值。
当目标区域的最终藻类概率越大,意味着该目标区域越可能为藻类区域,故可根据目标区域的最终藻类概率判断废水藻类区域,具体包括:当目标区域的最终藻类概率超过预设概率阈值时,目标区域为废水藻类区域,在本发明实施例中预设概率阈值为0.8,实施者可根据实施场景自行确定。
步骤S4,根据废水藻类区域的面积特征检测废水污染程度。
计算废水池中废水藻类区域的总面积与废水池面积的比值,获得藻类面积占比;当藻类面积占比超过预设占比阈值,认为废水池受到污染,在本发明实施例中预设占比阈值为0.5,实施者可根据场景自行确定。至此在图像分割的基础下获得目标区域,根据藻类区域的生长分布特征获得目标区域的最终藻类概率,提高了分析藻类区域的准确性,进而提高了废水污染程度的分析准确性。
综上所述,本发明实施例提供了一种基于图像处理的丙烯酸乳液生产废水检测方法;对废水池图像进行图像分割获得目标区域;根据目标区域的面积特征和分布特征获得初始藻类概率;根据目标区域和预设邻域内其他目标区域的距离特征获得区域近邻程度;根据目标区域与预设邻域内其他目标区域的距离特征和预设邻域内其他目标区域的面积特征获得邻域区域密度占比;根据初始藻类概率、区域近邻程度和邻域区域密度占比获得目标区域的最终藻类概率。本发明根据最终藻类概率判断废水藻类区域和废水污染程度,提高了藻类区域和污染程度的分析准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (7)
1.一种基于图像处理的丙烯酸乳液生产废水检测方法,其特征在于,所述方法包括以下步骤:
获取废水池图像;对所述废水池图像进行图像分割获得目标区域;
根据所述目标区域的面积特征和分布特征获得初始藻类概率;根据所述目标区域和预设邻域内其他目标区域的距离特征获得区域近邻程度;根据所述目标区域与预设邻域内其他目标区域的距离特征和预设邻域内其他目标区域的面积特征获得邻域区域密度占比;
根据所述初始藻类概率、所述区域近邻程度和所述邻域区域密度占比获得所述目标区域的最终藻类概率;根据所述目标区域的所述最终藻类概率判断废水藻类区域;
根据所述废水藻类区域的面积特征检测废水污染程度;
所述根据所述目标区域和预设邻域内其他目标区域的距离特征获得区域近邻程度的步骤包括:
计算所述目标区域与预设邻域内任意其他目标区域的欧氏距离,获得邻域距离表征值;计算所述目标区域与所述任意其他目标区域的最短连线所经过的任意目标区域的连线长度,获得途经距离表征值;计算所述途经距离表征值与所述邻域距离表征值的比值,获得所述目标区域和预设邻域内任意其他目标区域的所述区域近邻程度;
所述根据所述目标区域与预设邻域内其他目标区域的距离特征和预设邻域内其他目标区域的面积特征获得邻域区域密度占比的步骤包括:
计算所述目标区域的预设邻域内任意其他目标区域的面积与所述邻域距离表征值的比值并正相关映射,获得所述目标区域与预设邻域内任意其他目标区域的所述邻域区域密度占比;
所述根据所述初始藻类概率、所述区域近邻程度和所述邻域区域密度占比获得所述目标区域的最终藻类概率的步骤包括:
计算所述目标区域的预设邻域内任意其他目标区域的所述初始藻类概率、所述区域近邻程度和所述邻域区域密度占比的乘积并正相关映射,获得邻域藻类分布程度;计算所述目标区域的预设邻域内所有其他目标区域的所述邻域藻类分布程度的平均值,获得邻域藻类分布程度均值;计算所述目标区域的所述初始藻类概率与所述邻域藻类分布程度均值的乘积并归一化,获得所述目标区域的所述最终藻类概率。
2.根据权利要求1所述的一种基于图像处理的丙烯酸乳液生产废水检测方法,其特征在于,所述根据所述目标区域的面积特征和分布特征获得初始藻类概率的步骤包括:
计算所述目标区域距最近废水池边缘的欧氏距离与预设极小正数的和值,获得边缘距离表征值;计算所述目标区域距废水池进水口的欧氏距离与所述边缘距离表征值的比值;获得位置特征表征值;计算所述目标区域的面积与所述位置特征表征值的乘积并正相关映射,获得所述目标区域的所述初始藻类概率。
3.根据权利要求1所述的一种基于图像处理的丙烯酸乳液生产废水检测方法,其特征在于,所述根据所述目标区域的所述最终藻类概率判断废水藻类区域的步骤包括:
当所述目标区域的所述最终藻类概率超过预设概率阈值时,所述目标区域为废水藻类区域。
4.根据权利要求3所述的一种基于图像处理的丙烯酸乳液生产废水检测方法,其特征在于,所述预设概率阈值为0.8。
5.根据权利要求1所述的一种基于图像处理的丙烯酸乳液生产废水检测方法,其特征在于,所述根据所述废水藻类区域的面积特征检测废水污染程度的步骤包括:
计算所述废水池中所述废水藻类区域的总面积与所述废水池面积的比值,获得藻类面积占比;当所述藻类面积占比超过预设占比阈值,认为废水池受到污染。
6.根据权利要求5所述的一种基于图像处理的丙烯酸乳液生产废水检测方法,其特征在于,所述预设占比阈值为0.5。
7.根据权利要求1所述的一种基于图像处理的丙烯酸乳液生产废水检测方法,其特征在于,所述对所述废水池图像进行图像分割获得目标区域的步骤包括:
根据所述废水池图像的G通道图像通过迭代阈值分割算法进行分割获得不同的连通域,将连通域的灰度均值超过预设灰度阈值的连通域作为所述目标区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311618758.7A CN117333484B (zh) | 2023-11-30 | 2023-11-30 | 一种基于图像处理的丙烯酸乳液生产废水检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311618758.7A CN117333484B (zh) | 2023-11-30 | 2023-11-30 | 一种基于图像处理的丙烯酸乳液生产废水检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117333484A CN117333484A (zh) | 2024-01-02 |
CN117333484B true CN117333484B (zh) | 2024-02-20 |
Family
ID=89279584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311618758.7A Active CN117333484B (zh) | 2023-11-30 | 2023-11-30 | 一种基于图像处理的丙烯酸乳液生产废水检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117333484B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004005383A (ja) * | 2002-04-19 | 2004-01-08 | Sony Corp | 画像処理方法、画像処理装置、プログラム及び記録媒体、自動トリミング装置並びに肖像写真撮影装置 |
CN104794710A (zh) * | 2015-04-13 | 2015-07-22 | 上海泽煜实验设备有限公司 | 一种图像处理方法及装置 |
WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
CN111680266A (zh) * | 2020-05-12 | 2020-09-18 | 南京信息工程大学 | 一种测算海洋漂浮大型藻类等效分散密度的方法 |
CN112218720A (zh) * | 2017-06-12 | 2021-01-12 | Essenlix公司 | 均相测定 |
CN115193812A (zh) * | 2022-07-28 | 2022-10-18 | 南京仁迈生物科技有限公司 | 一种化学发光检测仪的清洗站系统 |
CN115205687A (zh) * | 2022-08-04 | 2022-10-18 | 上海莲立环境有限公司 | 用于污水处理的远程控制方法及系统 |
CN116309579A (zh) * | 2023-05-19 | 2023-06-23 | 惠州市宝惠电子科技有限公司 | 一种用图像处理的变压器焊缝质量检测方法 |
CN116664574A (zh) * | 2023-07-31 | 2023-08-29 | 山东罗斯夫新材料科技有限公司 | 一种丙烯酸乳液生产废水视觉检测方法 |
CN116823834A (zh) * | 2023-08-30 | 2023-09-29 | 济南玖通志恒信息技术有限公司 | 基于机器视觉电泳线排放的废水处理等级检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8507253B2 (en) * | 2002-05-13 | 2013-08-13 | Algae Systems, LLC | Photobioreactor cell culture systems, methods for preconditioning photosynthetic organisms, and cultures of photosynthetic organisms produced thereby |
-
2023
- 2023-11-30 CN CN202311618758.7A patent/CN117333484B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004005383A (ja) * | 2002-04-19 | 2004-01-08 | Sony Corp | 画像処理方法、画像処理装置、プログラム及び記録媒体、自動トリミング装置並びに肖像写真撮影装置 |
WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
CN104794710A (zh) * | 2015-04-13 | 2015-07-22 | 上海泽煜实验设备有限公司 | 一种图像处理方法及装置 |
CN112218720A (zh) * | 2017-06-12 | 2021-01-12 | Essenlix公司 | 均相测定 |
CN111680266A (zh) * | 2020-05-12 | 2020-09-18 | 南京信息工程大学 | 一种测算海洋漂浮大型藻类等效分散密度的方法 |
CN115193812A (zh) * | 2022-07-28 | 2022-10-18 | 南京仁迈生物科技有限公司 | 一种化学发光检测仪的清洗站系统 |
CN115205687A (zh) * | 2022-08-04 | 2022-10-18 | 上海莲立环境有限公司 | 用于污水处理的远程控制方法及系统 |
CN116309579A (zh) * | 2023-05-19 | 2023-06-23 | 惠州市宝惠电子科技有限公司 | 一种用图像处理的变压器焊缝质量检测方法 |
CN116664574A (zh) * | 2023-07-31 | 2023-08-29 | 山东罗斯夫新材料科技有限公司 | 一种丙烯酸乳液生产废水视觉检测方法 |
CN116823834A (zh) * | 2023-08-30 | 2023-09-29 | 济南玖通志恒信息技术有限公司 | 基于机器视觉电泳线排放的废水处理等级检测方法 |
Non-Patent Citations (3)
Title |
---|
A State-of-the-Art Survey for Microorganism Image Segmentation Methods and Future Potential;Frank Kulwa等;IEEE Access;第1-27页 * |
基于Agent的SAR图像海洋分布目标检测;胡希驰;朱敏慧;张永光;;现代雷达(第06期);全文 * |
基于内容的藻类图像分类检索算法;李伟伟;吉林大学学报 ( 信息科学版);第538-543页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117333484A (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169953B (zh) | 基于hog特征的桥梁混凝土表面裂缝检测方法 | |
CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
CN109740639B (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
CN102013102B (zh) | 一种图像中的粘连细胞分割方法 | |
CN110675410B (zh) | 基于选择性搜索算法的侧扫声呐沉船目标非监督探测方法 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN115018828A (zh) | 一种电子元器件的缺陷检测方法 | |
CN115457004B (zh) | 基于计算机视觉的锌膏的智能检测方法 | |
CN117095009B (zh) | 一种基于图像处理的pvc装饰板缺陷检测方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN114067114B (zh) | 一种基于藻类细胞形态的面积核分割计数方法 | |
CN114749342B (zh) | 一种锂电池极片涂布缺陷识别方法、装置及介质 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN116309599B (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN116758057A (zh) | 基于人工智能的通信设备缺陷检测方法 | |
CN114596551A (zh) | 一种车载前视图像裂缝检测的方法 | |
CN117291937B (zh) | 基于图像特征分析的自动抹灰效果视觉检测系统 | |
CN115115638A (zh) | 一种液压系统漏油检测及判定方法 | |
CN110866915A (zh) | 基于度量学习的圆形砚台质量检测方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN115641327A (zh) | 一种基于大数据的建筑工程质量监理和预警系统 | |
CN111611965B (zh) | 一种基于Sentinel-2影像的陆表水体提取方法 | |
CN116664574A (zh) | 一种丙烯酸乳液生产废水视觉检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |