CN117475367A - 基于多规则协调的污水图像处理方法及系统 - Google Patents
基于多规则协调的污水图像处理方法及系统 Download PDFInfo
- Publication number
- CN117475367A CN117475367A CN202310884078.3A CN202310884078A CN117475367A CN 117475367 A CN117475367 A CN 117475367A CN 202310884078 A CN202310884078 A CN 202310884078A CN 117475367 A CN117475367 A CN 117475367A
- Authority
- CN
- China
- Prior art keywords
- image
- sewage
- data processing
- rule
- images
- 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 197
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 254
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000003911 water pollution Methods 0.000 claims abstract description 22
- 238000012806 monitoring device Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 62
- 238000003062 neural network model Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 12
- 239000002351 wastewater Substances 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 230000008439 repair process Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000008239 natural water Substances 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多规则协调的污水图像处理方法及系统,该方法包括:获取不同图像监控设备获取的目标区域的多个污水图像和对应的图像获取参数;根据所述图像获取参数,确定每一所述污水图像对应的数据处理规则;基于所述数据处理规则,以及预设的数据比对算法,对所述多个污水图像进行处理和比对,判断所述目标区域是否存在水质污染情况;在判断结果为是时,基于预设的图像溯源算法,以及所述多个污水图像,确定所述目标区域的水质污染源信息。可见,本发明可以根据多个图像监控设备获取的污水图像,以及数据处理比对算法,来对区域进行污染判断和溯源,从而能够实现更加智能和高效的污染识别和溯源,以及时采取治理措施,提高环保效果。
Description
技术领域
本发明涉及图像数据处理技术领域,尤其涉及一种基于多规则协调的污水图像处理方法及系统。
背景技术
随着环保意识的深入人心以及国家对于环境治理的日益重视,越来越多的环保相关企业开始引入信息技术来辅助环保工作的开展,其中,对于污水治理工作,图像处理技术已经被大量地应用。但现有的图像处理技术在解决污水治理方面的工作任务时,没有考虑到引入更加针对性的数据处理规则来提升图像质量,且没有考虑数据比对来提高识别结果的可靠性。可见,现有技术存在缺陷,亟需解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于多规则协调的污水图像处理方法及系统,能够实现更加智能和高效的污染识别和溯源,以及时采取治理措施,提高环保效果。
为了解决上述技术问题,本发明第一方面公开了一种基于多规则协调的污水图像处理方法,所述方法包括:
获取不同图像监控设备获取的目标区域的多个污水图像和对应的图像获取参数;
根据所述图像获取参数,确定每一所述污水图像对应的数据处理规则;
基于所述数据处理规则,以及预设的数据比对算法,对所述多个污水图像进行处理和比对,判断所述目标区域是否存在水质污染情况;
在判断结果为是时,基于预设的图像溯源算法,以及所述多个污水图像,确定所述目标区域的水质污染源信息。
作为一种可选的实施方式,在本发明第一方面中,所述图像获取参数包括设备参数和图像参数;所述图像参数包括图像获取位置、图像格式、图像质量参数中的至少一种;和/或,所述数据处理规则包括放大处理、聚焦处理、切割处理、插值还原处理、AI算法修复处理中的至少一种。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述图像获取参数,确定每一所述污水图像对应的数据处理规则,包括:
对于每一所述污水图像,将该污水图像的设备参数输入至预先训练好的第一神经网络算法模型,得到该污水图像对应的第一数据处理规则;所述第一神经网络算法模型通过包括有多个训练用的设备参数和对应的数据处理规则标注的训练数据集训练得到;
将该污水图像的图像参数输入至预先训练好的第二神经网络算法模型,得到该污水图像对应的第二数据处理规则;所述第二神经网络算法模型通过包括有多个训练用的图像参数和对应的数据处理规则标注的训练数据集训练得到;
根据所述第一数据处理规则和所述第二数据处理规则,确定该污水图像对应的数据处理规则。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述第一数据处理规则和所述第二数据处理规则,确定该污水图像对应的数据处理规则,包括:
确定出所述第一数据处理规则和所述第二数据处理规则之间的交集部分,得到第三数据处理规则;
将所述第一数据处理规则和所述第二数据处理规则除所述交集部分以外的规则,确定为候选数据处理规则;
确定所述候选数据处理规则中每一规则对应的在所述目标区域的历史图像处理记录中的出现次数,并计算所述候选数据处理规则中所有规则对应的所述出现次数的中位数值;
筛选出所述候选数据处理规则中所有所述出现次数与所述中位数值的差值大于预设的差值阈值的规则,确定为第四数据处理规则;
将所述第三数据处理规则和所述第四数据处理规则,确定为该污水图像对应的数据处理规则。
作为一种可选的实施方式,在本发明第一方面中,所述基于所述数据处理规则,以及预设的数据比对算法,对所述多个污水图像进行处理和比对,判断所述目标区域是否存在水质污染情况,包括:
根据每一所述污水图像对应的数据处理规则,对所述多个污水图像进行处理;
将处理后的每一所述污水图像输入至预先训练好的第三神经网络模型中,以得到每一所述污水图像对应的预测污染概率;所述第三神经网络模型通过包括有多个训练污水图像和对应的是否污染标注的训练数据集训练得到;
计算任意两个所述污水图像之间的加权概率差值;所述加权概率差值为该两个所述污水图像对应的所述预测污染概率的差值与对应的图像差异权重之间的乘积;
判断所有所述污水图像对应的所有所述加权概率差值的平均值是否小于预设的第一平均值阈值,以及所有所述污水图像对应的所有预测污染概率的平均值是否大于预设的第二平均值阈值。
作为一种可选的实施方式,在本发明第一方面中,所述图像权重包括第一权重和第二权重;所述第一权重与该两个所述污水图像对应的所述图像获取参数之间的差异度成反比;所述第二权重与该两个所述污水图像对应的数据处理规则对应的图像精确度的平均值成正比;所述图像精确度为根据所述数据处理规则和预设的规则-精确度对应关系确定得到。
作为一种可选的实施方式,在本发明第一方面中,所述基于预设的图像溯源算法,以及所述多个污水图像,确定所述目标区域的水质污染源信息,包括:
将所有所述污水图像对应的图像获取位置和所述预测污染概率,输入至第四神经网络模型,以得到输出的所述目标区域对应的水质污染源位置;所述第四神经网络模型通过包括有多个训练用的污水图像集合和对应的是否污染标注和污染源位置标注的训练数据集训练得到。
本发明第二方面公开了一种基于多规则协调的污水图像处理系统,所述系统包括:
获取模块,用于获取不同图像监控设备获取的目标区域的多个污水图像和对应的图像获取参数;
确定模块,用于根据所述图像获取参数,确定每一所述污水图像对应的数据处理规则;
判断模块,用于基于所述数据处理规则,以及预设的数据比对算法,对所述多个污水图像进行处理和比对,判断所述目标区域是否存在水质污染情况;
溯源模块,用于在所述判断模块的判断结果为是时,基于预设的图像溯源算法,以及所述多个污水图像,确定所述目标区域的水质污染源信息。
作为一种可选的实施方式,在本发明第二方面中,所述图像获取参数包括设备参数和图像参数;所述图像参数包括图像获取位置、图像格式、图像质量参数中的至少一种;和/或,所述数据处理规则包括放大处理、聚焦处理、切割处理、插值还原处理、AI算法修复处理中的至少一种。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块根据所述图像获取参数,确定每一所述污水图像对应的数据处理规则的具体方式,包括:
对于每一所述污水图像,将该污水图像的设备参数输入至预先训练好的第一神经网络算法模型,得到该污水图像对应的第一数据处理规则;所述第一神经网络算法模型通过包括有多个训练用的设备参数和对应的数据处理规则标注的训练数据集训练得到;
将该污水图像的图像参数输入至预先训练好的第二神经网络算法模型,得到该污水图像对应的第二数据处理规则;所述第二神经网络算法模型通过包括有多个训练用的图像参数和对应的数据处理规则标注的训练数据集训练得到;
根据所述第一数据处理规则和所述第二数据处理规则,确定该污水图像对应的数据处理规则。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块根据所述第一数据处理规则和所述第二数据处理规则,确定该污水图像对应的数据处理规则的具体方式,包括:
确定出所述第一数据处理规则和所述第二数据处理规则之间的交集部分,得到第三数据处理规则;
将所述第一数据处理规则和所述第二数据处理规则除所述交集部分以外的规则,确定为候选数据处理规则;
确定所述候选数据处理规则中每一规则对应的在所述目标区域的历史图像处理记录中的出现次数,并计算所述候选数据处理规则中所有规则对应的所述出现次数的中位数值;
筛选出所述候选数据处理规则中所有所述出现次数与所述中位数值的差值大于预设的差值阈值的规则,确定为第四数据处理规则;
将所述第三数据处理规则和所述第四数据处理规则,确定为该污水图像对应的数据处理规则。
作为一种可选的实施方式,在本发明第二方面中,所述判断模块基于所述数据处理规则,以及预设的数据比对算法,对所述多个污水图像进行处理和比对,判断所述目标区域是否存在水质污染情况的具体方式,包括:
根据每一所述污水图像对应的数据处理规则,对所述多个污水图像进行处理;
将处理后的每一所述污水图像输入至预先训练好的第三神经网络模型中,以得到每一所述污水图像对应的预测污染概率;所述第三神经网络模型通过包括有多个训练污水图像和对应的是否污染标注的训练数据集训练得到;
计算任意两个所述污水图像之间的加权概率差值;所述加权概率差值为该两个所述污水图像对应的所述预测污染概率的差值与对应的图像差异权重之间的乘积;
判断所有所述污水图像对应的所有所述加权概率差值的平均值是否小于预设的第一平均值阈值,以及所有所述污水图像对应的所有预测污染概率的平均值是否大于预设的第二平均值阈值。
作为一种可选的实施方式,在本发明第二方面中,所述图像权重包括第一权重和第二权重;所述第一权重与该两个所述污水图像对应的所述图像获取参数之间的差异度成反比;所述第二权重与该两个所述污水图像对应的数据处理规则对应的图像精确度的平均值成正比;所述图像精确度为根据所述数据处理规则和预设的规则-精确度对应关系确定得到。
作为一种可选的实施方式,在本发明第二方面中,所述溯源模块基于预设的图像溯源算法,以及所述多个污水图像,确定所述目标区域的水质污染源信息的具体方式,包括:
将所有所述污水图像对应的图像获取位置和所述预测污染概率,输入至第四神经网络模型,以得到输出的所述目标区域对应的水质污染源位置;所述第四神经网络模型通过包括有多个训练用的污水图像集合和对应的是否污染标注和污染源位置标注的训练数据集训练得到。
本发明第三方面公开了另一种基于多规则协调的污水图像处理系统,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于多规则协调的污水图像处理方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于多规则协调的污水图像处理方法中的部分或全部步骤。
与现有技术相比,本发明具有以下有益效果:
本发明可以根据多个图像监控设备获取的污水图像,以及数据处理比对算法,来对区域进行污染判断和溯源,从而能够实现更加智能和高效的污染识别和溯源,以及时采取治理措施,提高环保效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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他的附图。
图1是本发明实施例公开的一种基于多规则协调的污水图像处理方法的流程示意图;
图2是本发明实施例公开的一种基于多规则协调的污水图像处理系统的结构示意图;
图3是本发明实施例公开的另一种基于多规则协调的污水图像处理系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于多规则协调的污水图像处理方法及系统,可以根据多个图像监控设备获取的污水图像,以及数据处理比对算法,来对区域进行污染判断和溯源,从而能够实现更加智能和高效的污染识别和溯源,以及时采取治理措施,提高环保效果。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于多规则协调的污水图像处理方法的流程示意图。其中,图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定如图1所示,该基于多规则协调的污水图像处理方法可以包括以下操作:
101、获取不同图像监控设备获取的目标区域的多个污水图像和对应的图像获取参数。
可选的,目标区域可以为城市的特定供水或排水区域,也可以为户外的自然蓄水区域。
可选的,图像获取参数包括设备参数和图像参数。其中,设备参数可以包括对应的图像获取设备的设备类型、设备年限、设备型号、设备品牌中的一种或多种。可选的,图像参数可以包括图像获取位置、图像格式、图像质量参数中的至少一种。可选的,图像质量参数可以为图像的分辨率或压缩次数或其他与图像质量相关的参数。
102、根据图像获取参数,确定每一污水图像对应的数据处理规则。
可选的,数据处理规则包括放大处理、聚焦处理、切割处理、插值还原处理、AI算法修复处理中的至少一种。可选的,数据处理规则中还可以具体包括数据处理的参数,例如放大处理的倍数和放大区域,插值还原处理或AI算法修复处理所使用的算法模型的模型参数等。
103、基于数据处理规则,以及预设的数据比对算法,对多个污水图像进行处理和比对,判断目标区域是否存在水质污染情况。
104、在判断结果为是时,基于预设的图像溯源算法,以及多个污水图像,确定目标区域的水质污染源信息。
可见,实施本发明实施例所描述的方法可以根据多个图像监控设备获取的污水图像,以及数据处理比对算法,来对区域进行污染判断和溯源,从而能够实现更加智能和高效的污染识别和溯源,以及时采取治理措施,提高环保效果。
作为一种可选的实施例,上述步骤中的,根据图像获取参数,确定每一污水图像对应的数据处理规则,包括:
对于每一污水图像,将该污水图像的设备参数输入至预先训练好的第一神经网络算法模型,得到该污水图像对应的第一数据处理规则;第一神经网络算法模型通过包括有多个训练用的设备参数和对应的数据处理规则标注的训练数据集训练得到;
将该污水图像的图像参数输入至预先训练好的第二神经网络算法模型,得到该污水图像对应的第二数据处理规则;第二神经网络算法模型通过包括有多个训练用的图像参数和对应的数据处理规则标注的训练数据集训练得到;
根据第一数据处理规则和第二数据处理规则,确定该污水图像对应的数据处理规则。
可选的,本发明中所述的神经网络算法模型均可以为CNN结构、RNN结构或LTSM结构的神经网络模型,具体的,其模型的类型和结构参数设置等,可以由操作人员根据具体的应用场景来选择,本发明不做限定。
可见,实施该可选的实施例可以根据两个训练好的神经网络模型来分别根据设备参数和图像参数确定出污水图像对应的处理规则,再进一步综合确定出数据处理规则,从而能够充分结合图像的参数来确定出最合理和可靠的数据处理规则以提高图像的质量,以便于后续实现更加智能和高效的污染识别和溯源。
作为一种可选的实施例,上述步骤中的,根据第一数据处理规则和第二数据处理规则,确定该污水图像对应的数据处理规则,包括:
确定出第一数据处理规则和第二数据处理规则之间的交集部分,得到第三数据处理规则;
将第一数据处理规则和第二数据处理规则除交集部分以外的规则,确定为候选数据处理规则;
确定候选数据处理规则中每一规则对应的在目标区域的历史图像处理记录中的出现次数,并计算候选数据处理规则中所有规则对应的出现次数的中位数值;
筛选出候选数据处理规则中所有出现次数与中位数值的差值大于预设的差值阈值的规则,确定为第四数据处理规则;
将第三数据处理规则和第四数据处理规则,确定为该污水图像对应的数据处理规则。
具体的,差值阈值可以由操作人员根据经验值或实验值进行设定,并在具体实施后根据效果进行调整,其具体数值本发明不做限定。
可见,实施该可选的实施例可以根据规则对应的在目标区域的历史图像处理记录中的出现次数来筛选出候选的数据处理规则中可能被忽略掉的高频使用的数据处理规则,以最终确定出数据处理规则,从而能够充分结合区域对应的图像处理记录来确定出最合理和可靠的数据处理规则以提高图像的质量,以便于后续实现更加智能和高效的污染识别和溯源。
作为一种可选的实施例,上述步骤中的,基于数据处理规则,以及预设的数据比对算法,对多个污水图像进行处理和比对,判断目标区域是否存在水质污染情况,包括:
根据每一污水图像对应的数据处理规则,对多个污水图像进行处理;
将处理后的每一污水图像输入至预先训练好的第三神经网络模型中,以得到每一污水图像对应的预测污染概率;第三神经网络模型通过包括有多个训练污水图像和对应的是否污染标注的训练数据集训练得到;
计算任意两个污水图像之间的加权概率差值;加权概率差值为该两个污水图像对应的预测污染概率的差值与对应的图像差异权重之间的乘积;
判断所有污水图像对应的所有加权概率差值的平均值是否小于预设的第一平均值阈值,以及所有污水图像对应的所有预测污染概率的平均值是否大于预设的第二平均值阈值。
可选的,图像权重包括第一权重和第二权重;第一权重与该两个污水图像对应的图像获取参数之间的差异度成反比;第二权重与该两个污水图像对应的数据处理规则对应的图像精确度的平均值成正比;图像精确度为根据数据处理规则和预设的规则-精确度对应关系确定得到。
可选的,预设的规则-精确度对应关系可以由操作人员根据经验或实验值来确定,其用于限定不同的数据处理规则对应的图像处理后的精确度参数,这是由于不同的数据处理操作会导致的图像精确度的变化是不同的,因此需要对其影响进行考虑,可选的,可以通过多个数据处理规则对应的图像的处理后精确度评分,来构建规则-精确度对应关系的数学关系式模型,或是训练得到一个可以用于预测精确度的神经网络模型。
可见,实施该可选的实施例可以根据所有污水图像对应的所有加权概率差值的平均值是否过小,以及所有污水图像对应的所有预测污染概率的平均值是否过大,以最终判断目标区域是否存在水质污染情况,这是因为当该加权概率差值的平均值过小时说明所有污水图像的污水预测情况较为统一,不存在单个误差较大的污水图像的情况,而所有预测污染概率的平均值过大时则说明目标区域的所有污水图像在整体上显示这一区域存在污染,从而能够实现更加智能和高效的污染识别。
作为一种可选的实施例,上述步骤中的,基于预设的图像溯源算法,以及多个污水图像,确定目标区域的水质污染源信息,包括:
将所有污水图像对应的图像获取位置和预测污染概率,输入至第四神经网络模型,以得到输出的目标区域对应的水质污染源位置;第四神经网络模型通过包括有多个训练用的污水图像集合和对应的是否污染标注和污染源位置标注的训练数据集训练得到。
在一些可选的实施例中,第四神经网络模型输出的水质污染源位置可能在目标区域之外,这可以通过调整该模型的训练数据集中污染源位置标注的方式来实现,例如可以将污染源位置标注在目标区域外,则此时,可以进一步将目标区域的几何中心点朝向水质污染源位置的连线,确定为目标区域的污染源方向。
进一步的,在后续,可以对多个目标区域实施本发明中的上述方法步骤以确定出不同目标区域对应的污染源方向,再根据多个目标区域的污染源方向的交点或交汇区域,确定出多个目标区域对应的污染源位置或污染源区域。
可见,实施该可选的实施例可以通过第四神经网络模型输出目标区域对应的水质污染源位置,从而能够实现更加智能和高效的污染溯源。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于多规则协调的污水图像处理系统的结构示意图。其中,图2所描述的系统可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定。如图2所示,该系统可以包括:
获取模块201,用于获取不同图像监控设备获取的目标区域的多个污水图像和对应的图像获取参数。
可选的,目标区域可以为城市的特定供水或排水区域,也可以为户外的自然蓄水区域。
可选的,图像获取参数包括设备参数和图像参数。其中,设备参数可以包括对应的图像获取设备的设备类型、设备年限、设备型号、设备品牌中的一种或多种。可选的,图像参数可以包括图像获取位置、图像格式、图像质量参数中的至少一种。可选的,图像质量参数可以为图像的分辨率或压缩次数或其他与图像质量相关的参数。
确定模块202,用于根据图像获取参数,确定每一污水图像对应的数据处理规则。
可选的,数据处理规则包括放大处理、聚焦处理、切割处理、插值还原处理、AI算法修复处理中的至少一种。可选的,数据处理规则中还可以具体包括数据处理的参数,例如放大处理的倍数和放大区域,插值还原处理或AI算法修复处理所使用的算法模型的模型参数等。
判断模块203,用于基于数据处理规则,以及预设的数据比对算法,对多个污水图像进行处理和比对,判断目标区域是否存在水质污染情况。
溯源模块204,用于在判断模块203的判断结果为是时,基于预设的图像溯源算法,以及多个污水图像,确定目标区域的水质污染源信息。
可见,实施本发明实施例所描述的装置可以根据多个图像监控设备获取的污水图像,以及数据处理比对算法,来对区域进行污染判断和溯源,从而能够实现更加智能和高效的污染识别和溯源,以及时采取治理措施,提高环保效果。
作为一种可选的实施例,确定模块202根据图像获取参数,确定每一污水图像对应的数据处理规则的具体方式,包括:
对于每一污水图像,将该污水图像的设备参数输入至预先训练好的第一神经网络算法模型,得到该污水图像对应的第一数据处理规则;第一神经网络算法模型通过包括有多个训练用的设备参数和对应的数据处理规则标注的训练数据集训练得到;
将该污水图像的图像参数输入至预先训练好的第二神经网络算法模型,得到该污水图像对应的第二数据处理规则;第二神经网络算法模型通过包括有多个训练用的图像参数和对应的数据处理规则标注的训练数据集训练得到;
根据第一数据处理规则和第二数据处理规则,确定该污水图像对应的数据处理规则。
可选的,本发明中所述的神经网络算法模型均可以为CNN结构、RNN结构或LTSM结构的神经网络模型,具体的,其模型的类型和结构参数设置等,可以由操作人员根据具体的应用场景来选择,本发明不做限定。
可见,实施该可选的实施例可以根据两个训练好的神经网络模型来分别根据设备参数和图像参数确定出污水图像对应的处理规则,再进一步综合确定出数据处理规则,从而能够充分结合图像的参数来确定出最合理和可靠的数据处理规则以提高图像的质量,以便于后续实现更加智能和高效的污染识别和溯源。
作为一种可选的实施例,确定模块202根据第一数据处理规则和第二数据处理规则,确定该污水图像对应的数据处理规则的具体方式,包括:
确定出第一数据处理规则和第二数据处理规则之间的交集部分,得到第三数据处理规则;
将第一数据处理规则和第二数据处理规则除交集部分以外的规则,确定为候选数据处理规则;
确定候选数据处理规则中每一规则对应的在目标区域的历史图像处理记录中的出现次数,并计算候选数据处理规则中所有规则对应的出现次数的中位数值;
筛选出候选数据处理规则中所有出现次数与中位数值的差值大于预设的差值阈值的规则,确定为第四数据处理规则;
将第三数据处理规则和第四数据处理规则,确定为该污水图像对应的数据处理规则。
具体的,差值阈值可以由操作人员根据经验值或实验值进行设定,并在具体实施后根据效果进行调整,其具体数值本发明不做限定。
可见,实施该可选的实施例可以根据规则对应的在目标区域的历史图像处理记录中的出现次数来筛选出候选的数据处理规则中可能被忽略掉的高频使用的数据处理规则,以最终确定出数据处理规则,从而能够充分结合区域对应的图像处理记录来确定出最合理和可靠的数据处理规则以提高图像的质量,以便于后续实现更加智能和高效的污染识别和溯源。
作为一种可选的实施例,判断模块203基于数据处理规则,以及预设的数据比对算法,对多个污水图像进行处理和比对,判断目标区域是否存在水质污染情况的具体方式,包括:
根据每一污水图像对应的数据处理规则,对多个污水图像进行处理;
将处理后的每一污水图像输入至预先训练好的第三神经网络模型中,以得到每一污水图像对应的预测污染概率;第三神经网络模型通过包括有多个训练污水图像和对应的是否污染标注的训练数据集训练得到;
计算任意两个污水图像之间的加权概率差值;加权概率差值为该两个污水图像对应的预测污染概率的差值与对应的图像差异权重之间的乘积;
判断所有污水图像对应的所有加权概率差值的平均值是否小于预设的第一平均值阈值,以及所有污水图像对应的所有预测污染概率的平均值是否大于预设的第二平均值阈值。
可选的,图像权重包括第一权重和第二权重;第一权重与该两个污水图像对应的图像获取参数之间的差异度成反比;第二权重与该两个污水图像对应的数据处理规则对应的图像精确度的平均值成正比;图像精确度为根据数据处理规则和预设的规则-精确度对应关系确定得到。
可选的,预设的规则-精确度对应关系可以由操作人员根据经验或实验值来确定,其用于限定不同的数据处理规则对应的图像处理后的精确度参数,这是由于不同的数据处理操作会导致的图像精确度的变化是不同的,因此需要对其影响进行考虑,可选的,可以通过多个数据处理规则对应的图像的处理后精确度评分,来构建规则-精确度对应关系的数学关系式模型,或是训练得到一个可以用于预测精确度的神经网络模型。
可见,实施该可选的实施例可以根据所有污水图像对应的所有加权概率差值的平均值是否过小,以及所有污水图像对应的所有预测污染概率的平均值是否过大,以最终判断目标区域是否存在水质污染情况,这是因为当该加权概率差值的平均值过小时说明所有污水图像的污水预测情况较为统一,不存在单个误差较大的污水图像的情况,而所有预测污染概率的平均值过大时则说明目标区域的所有污水图像在整体上显示这一区域存在污染,从而能够实现更加智能和高效的污染识别。
作为一种可选的实施例,溯源模块204基于预设的图像溯源算法,以及多个污水图像,确定目标区域的水质污染源信息的具体方式,包括:
将所有污水图像对应的图像获取位置和预测污染概率,输入至第四神经网络模型,以得到输出的目标区域对应的水质污染源位置;第四神经网络模型通过包括有多个训练用的污水图像集合和对应的是否污染标注和污染源位置标注的训练数据集训练得到。
在一些可选的实施例中,第四神经网络模型输出的水质污染源位置可能在目标区域之外,这可以通过调整该模型的训练数据集中污染源位置标注的方式来实现,例如可以将污染源位置标注在目标区域外,则此时,溯源模块204可以进一步将目标区域的几何中心点朝向水质污染源位置的连线,确定为目标区域的污染源方向。
进一步的,在后续,可以对多个目标区域实施本发明中的上述模块以确定出不同目标区域对应的污染源方向,再根据多个目标区域的污染源方向的交点或交汇区域,确定出多个目标区域对应的污染源位置或污染源区域。
可见,实施该可选的实施例可以通过第四神经网络模型输出目标区域对应的水质污染源位置,从而能够实现更加智能和高效的污染溯源。
实施例三
请参阅图3,图3是本发明实施例公开的另一种基于多规则协调的污水图像处理系统的结构示意图。如图3所示,该系统可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的基于多规则协调的污水图像处理方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的基于多规则协调的污水图像处理方法中的部分或全部步骤。
以上所描述的系统实施例仅是示意性的,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模块,即可以位于一个地方,或者也可以分布到多个网络模块上。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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于多规则协调的污水图像处理方法及系统所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于多规则协调的污水图像处理方法,其特征在于,所述方法包括:
获取不同图像监控设备获取的目标区域的多个污水图像和对应的图像获取参数;
根据所述图像获取参数,确定每一所述污水图像对应的数据处理规则;
基于所述数据处理规则,以及预设的数据比对算法,对所述多个污水图像进行处理和比对,判断所述目标区域是否存在水质污染情况;
在判断结果为是时,基于预设的图像溯源算法,以及所述多个污水图像,确定所述目标区域的水质污染源信息。
2.根据权利要求1所述的基于多规则协调的污水图像处理方法,其特征在于,所述图像获取参数包括设备参数和图像参数;所述图像参数包括图像获取位置、图像格式、图像质量参数中的至少一种;和/或,所述数据处理规则包括放大处理、聚焦处理、切割处理、插值还原处理、AI算法修复处理中的至少一种。
3.根据权利要求2所述的基于多规则协调的污水图像处理方法,其特征在于,所述根据所述图像获取参数,确定每一所述污水图像对应的数据处理规则,包括:
对于每一所述污水图像,将该污水图像的设备参数输入至预先训练好的第一神经网络算法模型,得到该污水图像对应的第一数据处理规则;所述第一神经网络算法模型通过包括有多个训练用的设备参数和对应的数据处理规则标注的训练数据集训练得到;
将该污水图像的图像参数输入至预先训练好的第二神经网络算法模型,得到该污水图像对应的第二数据处理规则;所述第二神经网络算法模型通过包括有多个训练用的图像参数和对应的数据处理规则标注的训练数据集训练得到;
根据所述第一数据处理规则和所述第二数据处理规则,确定该污水图像对应的数据处理规则。
4.根据权利要求3所述的基于多规则协调的污水图像处理方法,其特征在于,所述根据所述第一数据处理规则和所述第二数据处理规则,确定该污水图像对应的数据处理规则,包括:
确定出所述第一数据处理规则和所述第二数据处理规则之间的交集部分,得到第三数据处理规则;
将所述第一数据处理规则和所述第二数据处理规则除所述交集部分以外的规则,确定为候选数据处理规则;
确定所述候选数据处理规则中每一规则对应的在所述目标区域的历史图像处理记录中的出现次数,并计算所述候选数据处理规则中所有规则对应的所述出现次数的中位数值;
筛选出所述候选数据处理规则中所有所述出现次数与所述中位数值的差值大于预设的差值阈值的规则,确定为第四数据处理规则;
将所述第三数据处理规则和所述第四数据处理规则,确定为该污水图像对应的数据处理规则。
5.根据权利要求1所述的基于多规则协调的污水图像处理方法,其特征在于,所述基于所述数据处理规则,以及预设的数据比对算法,对所述多个污水图像进行处理和比对,判断所述目标区域是否存在水质污染情况,包括:
根据每一所述污水图像对应的数据处理规则,对所述多个污水图像进行处理;
将处理后的每一所述污水图像输入至预先训练好的第三神经网络模型中,以得到每一所述污水图像对应的预测污染概率;所述第三神经网络模型通过包括有多个训练污水图像和对应的是否污染标注的训练数据集训练得到;
计算任意两个所述污水图像之间的加权概率差值;所述加权概率差值为该两个所述污水图像对应的所述预测污染概率的差值与对应的图像差异权重之间的乘积;
判断所有所述污水图像对应的所有所述加权概率差值的平均值是否小于预设的第一平均值阈值,以及所有所述污水图像对应的所有预测污染概率的平均值是否大于预设的第二平均值阈值。
6.根据权利要求5所述的基于多规则协调的污水图像处理方法,其特征在于,所述图像权重包括第一权重和第二权重;所述第一权重与该两个所述污水图像对应的所述图像获取参数之间的差异度成反比;所述第二权重与该两个所述污水图像对应的数据处理规则对应的图像精确度的平均值成正比;所述图像精确度为根据所述数据处理规则和预设的规则-精确度对应关系确定得到。
7.根据权利要求5所述的基于多规则协调的污水图像处理方法,其特征在于,所述基于预设的图像溯源算法,以及所述多个污水图像,确定所述目标区域的水质污染源信息,包括:
将所有所述污水图像对应的图像获取位置和所述预测污染概率,输入至第四神经网络模型,以得到输出的所述目标区域对应的水质污染源位置;所述第四神经网络模型通过包括有多个训练用的污水图像集合和对应的是否污染标注和污染源位置标注的训练数据集训练得到。
8.一种基于多规则协调的污水图像处理系统,其特征在于,所述系统包括:
获取模块,用于获取不同图像监控设备获取的目标区域的多个污水图像和对应的图像获取参数;
确定模块,用于根据所述图像获取参数,确定每一所述污水图像对应的数据处理规则;
判断模块,用于基于所述数据处理规则,以及预设的数据比对算法,对所述多个污水图像进行处理和比对,判断所述目标区域是否存在水质污染情况;
溯源模块,用于在所述判断模块的判断结果为是时,基于预设的图像溯源算法,以及所述多个污水图像,确定所述目标区域的水质污染源信息。
9.一种基于多规则协调的污水图像处理系统,其特征在于,所述系统适用于智能卡,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的基于多规则协调的污水图像处理方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-7任一项所述的基于多规则协调的污水图像处理方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310695444 | 2023-06-12 | ||
CN2023106954440 | 2023-06-12 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117475367A true CN117475367A (zh) | 2024-01-30 |
CN117475367B CN117475367B (zh) | 2024-05-07 |
Family
ID=89631842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310884078.3A Active CN117475367B (zh) | 2023-06-12 | 2023-07-18 | 基于多规则协调的污水图像处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117475367B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062316A (zh) * | 2019-12-16 | 2020-04-24 | 成都之维安科技股份有限公司 | 一种基于深度学习技术的污染源废水排放实时视频分析系统 |
CN113435738A (zh) * | 2021-06-24 | 2021-09-24 | 平安国际智慧城市科技股份有限公司 | 环境污染溯源方法、装置、设备及计算机可读存储介质 |
CN114387455A (zh) * | 2022-01-11 | 2022-04-22 | 广州市云景信息科技有限公司 | 一种基于人工智能的污水排放实时监测方法、系统及设备 |
CN114419679A (zh) * | 2022-04-01 | 2022-04-29 | 广东省通信产业服务有限公司 | 基于可穿戴设备数据的数据分析方法、装置及系统 |
US20220270207A1 (en) * | 2020-06-03 | 2022-08-25 | Tencent Technology (Shenzhen) Company Limited | Image processing method, apparatus, device, and computer-readable storage medium |
CN115100587A (zh) * | 2022-05-25 | 2022-09-23 | 水利部珠江水利委员会水文局 | 基于多元数据的区域乱采监测方法及装置 |
US20220319154A1 (en) * | 2019-12-19 | 2022-10-06 | Huawei Technologies Co., Ltd. | Neural network model update method, image processing method, and apparatus |
CN115439757A (zh) * | 2022-08-26 | 2022-12-06 | 南方海洋科学与工程广东省实验室(广州) | 一种基于遥感影像的水质污染源溯源方法、装置以及设备 |
CN116128674A (zh) * | 2023-04-14 | 2023-05-16 | 广州云硕科技发展有限公司 | 一种基于智能交通的能源数据处理方法及装置 |
-
2023
- 2023-07-18 CN CN202310884078.3A patent/CN117475367B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062316A (zh) * | 2019-12-16 | 2020-04-24 | 成都之维安科技股份有限公司 | 一种基于深度学习技术的污染源废水排放实时视频分析系统 |
US20220319154A1 (en) * | 2019-12-19 | 2022-10-06 | Huawei Technologies Co., Ltd. | Neural network model update method, image processing method, and apparatus |
US20220270207A1 (en) * | 2020-06-03 | 2022-08-25 | Tencent Technology (Shenzhen) Company Limited | Image processing method, apparatus, device, and computer-readable storage medium |
CN113435738A (zh) * | 2021-06-24 | 2021-09-24 | 平安国际智慧城市科技股份有限公司 | 环境污染溯源方法、装置、设备及计算机可读存储介质 |
CN114387455A (zh) * | 2022-01-11 | 2022-04-22 | 广州市云景信息科技有限公司 | 一种基于人工智能的污水排放实时监测方法、系统及设备 |
CN114419679A (zh) * | 2022-04-01 | 2022-04-29 | 广东省通信产业服务有限公司 | 基于可穿戴设备数据的数据分析方法、装置及系统 |
CN115100587A (zh) * | 2022-05-25 | 2022-09-23 | 水利部珠江水利委员会水文局 | 基于多元数据的区域乱采监测方法及装置 |
CN115439757A (zh) * | 2022-08-26 | 2022-12-06 | 南方海洋科学与工程广东省实验室(广州) | 一种基于遥感影像的水质污染源溯源方法、装置以及设备 |
CN116128674A (zh) * | 2023-04-14 | 2023-05-16 | 广州云硕科技发展有限公司 | 一种基于智能交通的能源数据处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117475367B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087667B (zh) | 语音流利度识别方法、装置、计算机设备及可读存储介质 | |
CN112052837A (zh) | 基于人工智能的目标检测方法以及装置 | |
CN115828112B (zh) | 一种故障事件的响应方法、装置、电子设备及存储介质 | |
CN112200081A (zh) | 异常行为识别方法、装置、电子设备及存储介质 | |
CN116612417A (zh) | 利用视频时序信息的特殊场景车道线检测方法及装置 | |
CN113963033B (zh) | 一种基于人工智能的电力设备异常检测方法和系统 | |
CN117251559B (zh) | 基于自然语言大模型的工程标准规范获取方法及系统 | |
CN116704197B (zh) | 一种河湖遥感图像的处理方法及系统 | |
CN114143734A (zh) | 一种用于5g物联网卡流量采集的数据处理方法及装置 | |
CN114238402A (zh) | 告警数据处理方法、装置、存储介质以及电子设备 | |
CN114005019A (zh) | 一种翻拍图像识别方法及其相关设备 | |
CN112565422B (zh) | 一种对电力物联网故障数据的识别方法、系统和存储介质 | |
CN116611006B (zh) | 基于用户反馈的电水壶的故障识别方法及装置 | |
CN117475367B (zh) | 基于多规则协调的污水图像处理方法及系统 | |
CN111539390A (zh) | 一种基于Yolov3的小目标图像识别方法、设备和系统 | |
CN115762059A (zh) | 智能防汛预警方法、装置、存储介质及电子设备 | |
CN115497152A (zh) | 基于图像识别的客户信息分析方法、装置、系统及介质 | |
CN114821806A (zh) | 作业人员行为确定方法、装置、电子设备及存储介质 | |
CN113420631A (zh) | 一种基于图像识别的安全报警方法及装置 | |
CN112001336A (zh) | 行人越界报警方法、装置、设备及系统 | |
CN116955592B (zh) | 基于可视化推理结果的数据处理方法及系统 | |
CN111967306B (zh) | 目标远程监控方法、装置、计算机设备及存储介质 | |
CN117558135B (zh) | 一种基于交通信息模拟的园区交通控制方法及系统 | |
CN113569771B (zh) | 视频分析方法及装置、电子设备和存储介质 | |
CN117252539A (zh) | 基于神经网络的工程标准规范获取方法及系统 |
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 | ||
GR01 | Patent grant |