CN117557583B - 基于图像处理的电泳线废水处理效果视觉检测方法 - Google Patents
基于图像处理的电泳线废水处理效果视觉检测方法 Download PDFInfo
- Publication number
- CN117557583B CN117557583B CN202410032246.0A CN202410032246A CN117557583B CN 117557583 B CN117557583 B CN 117557583B CN 202410032246 A CN202410032246 A CN 202410032246A CN 117557583 B CN117557583 B CN 117557583B
- Authority
- CN
- China
- Prior art keywords
- result
- division
- segmentation
- segmentation result
- difference
- 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
- 238000001962 electrophoresis Methods 0.000 title claims abstract description 78
- 230000000694 effects Effects 0.000 title claims abstract description 37
- 238000004065 wastewater treatment Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 230000000007 visual effect Effects 0.000 title claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 126
- 239000002351 wastewater Substances 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000011179 visual inspection Methods 0.000 claims 7
- 238000003709 image segmentation Methods 0.000 abstract 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 230000002776 aggregation Effects 0.000 description 8
- 238000004220 aggregation Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/10—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
- G06T7/0002—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于图像处理的电泳线废水处理效果视觉检测方法,包括:根据电泳线废水图像,获取初始阈值;获取每次分割的阈值;获取每次分割结果的各个目标区域以及各个目标区域的局部范围,进而得到每次分割结果与理想分割结果的差异;根据每次分割结果与理想分割结果的差异以及每次分割结果的各个目标区域在各个颜色通道上的像素值差异,获取每次分割结果与理想分割结果的真实差异;根据每次分割结果与理想分割结果的真实差异与每次分割的阈值,获取每次分割的最终阈值;根据初始阈值以及每次分割的最终阈值,对油膜区域进行分割;根据油膜区域的面积占比,判断电泳线废水的处理效果,本发明提高了图像分割的速率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于图像处理的电泳线废水处理效果视觉检测方法。
背景技术
电泳线废水是指在电泳过程中产生的废水,其中包含有机物、重金属、悬浮物等污染物。为了保护环境和水资源,对电泳线废水进行有效处理是必要的。在实际废水处理中,需要实时了解废水处理,此时需要借助视觉检测技术进行废水处理效果检测,而一般废水处理中有机物会形成油膜,所以在视觉检测中可以通过分析油膜区域大小,进行废水处理效果判断。
对于电泳线废水图像中的油膜区域的识别时,根据油膜区域具有反光导致油膜区域的灰度值较大,因此可以直接利用现有的迭代阈值分割算法对电泳线废水图像中的油膜区域进行分割,但是现有的迭代阈值分割算法具有较多的迭代过程,导致其分割过程减慢,不利于油膜区域的快速分割。
发明内容
为了解决上述问题,本发明提供基于图像处理的电泳线废水处理效果视觉检测方法。
本发明的基于图像处理的电泳线废水处理效果视觉检测方法采用如下技术方案:
本发明一个实施例提供了基于图像处理的电泳线废水处理效果视觉检测方法,该方法包括以下步骤:
获取电泳线废水图像;
根据电泳线废水图像,获取初始阈值;根据初始阈值对电泳线废水图像进行迭代分割,获取每次分割的阈值;根据每次分割结果获取每次分割结果的各个目标区域;根据目标区域获取每次分割结果的每个目标区域的局部范围;根据每次分割结果的各个目标区域以及各个目标区域的局部范围,获取每次分割结果与理想分割结果的差异;
根据每次分割结果与理想分割结果的差异以及每次分割结果的各个目标区域在各个颜色通道上的像素值差异,获取每次分割结果与理想分割结果的真实差异;
根据每次分割结果与理想分割结果的真实差异与每次分割的阈值,获取每次分割的最终阈值;
根据初始阈值以及每次分割的最终阈值,对油膜区域进行分割;根据油膜区域的面积占比,判断电泳线废水的处理效果。
优选的,所述根据电泳线废水图像,获取初始阈值,包括的具体步骤如下:
获取电泳线废水图像中的最大灰度值以及最小灰度值,将最大灰度值与最小灰度值的均值作为初始阈值。
优选的,所述获取每次分割的阈值,包括的具体步骤如下:
式中,代表第/>次分割的阈值;/>代表第/>次分割结果中第一类像素点的灰度均值;/>代表第/>次分割结果中第二类像素点的灰度均值。
优选的,所述获取每次分割结果的各个目标区域,包括的具体步骤如下:
对每次分割结果中灰度值均值最大的一类像素点进行连通域分析,得到若干连通域,记为每次分割结果的各个目标区域。
优选的,所述获取每次分割结果的每个目标区域的局部范围,包括的具体步骤如下:
以每次分割结果中的任一目标区域的质心为中心,以为邻域半径绘制圆,将圆的范围作为该目标区域的局部范围。
优选的,所述根据每次分割结果的各个目标区域以及各个目标区域的局部范围,获取每次分割结果与理想分割结果的差异,包括的具体步骤如下:
式中,代表第/>次分割结果与理想分割结果的差异;/>代表第/>次分割结果中所有目标区域面积的标准差;/>代表第/>次分割结果中的目标区域个数;/>表示第/>次分割结果中第/>个目标区域的质心与其局部范围中其他目标区域的质心之间的距离均值;/>代表第/>次分割结果中第/>个目标区域与其局部范围中其他目标区域之间的面积差值绝对值的均值。
优选的,所述根据每次分割结果与理想分割结果的差异以及每次分割结果的各个目标区域在各个颜色通道上的像素值差异,获取每次分割结果与理想分割结果的真实差异,包括的具体步骤如下:
获取任意一次分割结果中各个目标区域在任一颜色通道上的像素值均值,获取该次分割结果中两个目标区域在该颜色通道上的像素值均值的差异,将该次分割结果在该颜色通道上得到的所有差异之和作为该次分割结果的各个目标区域在该颜色通道上的像素值差异;
式中,代表第/>次分割结果与理想分割结果的真实差异;/>代表第/>次分割结果与理想分割结果的差异;/>代表第/>次分割结果的各个目标区域在/>通道上的像素值差异;/>代表第/>次分割结果的各个目标区域在/>通道上的像素值差异;/>代表第/>次分割结果的各个目标区域在/>通道上的像素值差异。
优选的,所述根据每次分割结果与理想分割结果的真实差异与每次分割的阈值,获取每次分割的最终阈值,包括的具体步骤如下:
式中,代表第/>次分割的最终阈值;/>代表第/>次分割的阈值;/>代表第/>次分割结果与理想分割结果的真实差异;/>为归一化函数。
优选的,所述根据初始阈值以及每次分割的最终阈值,对油膜区域进行分割,包括的具体步骤如下:
预设差异阈值,将初始阈值以及每次分割的最终阈值应用到迭代阈值分割算法中,对电泳线废水图像中的油膜区域进行分割,直至相邻的两次分割的最终阈值差异小于差异阈值/>时停止分割,得到最终的分割结果,最终的分割结果中灰度值均值最大的一类像素点构成的区域为最终的油膜区域。
优选的,所述根据油膜区域的面积占比,判断电泳线废水的处理效果,包括的具体步骤如下:
预设面积阈值,当最终的油膜区域与电泳线废水图像的面积之比大于面积阈值/>时,电泳线废水的处理效果合格。
本发明的技术方案的有益效果是:本发明首先根据电泳线废水图像,获取初始阈值以及每次分割的阈值,再基于每个分割结果中的油膜区域在电泳线废水表面的局部聚集特征,获取每次分割结果与理想分割结果的差异,再基于油膜区域颜色表现与水面波动区域的颜色表现的差异,对每次分割结果与理想分割结果的差异进行修正,避免水面波动所引起的高亮对每次分割效果判断的影响,得到了每次分割结果与理想分割结果的真实差异,根据每次分割结果与理想分割结果的真实差异对每次分割的阈值进行修正,提高了修正后的阈值的正确性,得到了每次分割的最终阈值,将初始阈值以及每次分割的最终阈值应用到现有的迭代阈值分割算法中,对电泳线废水图像中的油膜区域进行分割,能够使得迭代分割算法的迭代过程加速收敛,提高了电泳线废水图像的分割效率,能快速分割出油膜区域。
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,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为本发明的基于图像处理的电泳线废水处理效果视觉检测方法的步骤流程图。
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基于图像处理的电泳线废水处理效果视觉检测方法,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基于图像处理的电泳线废水处理效果视觉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基于图像处理的电泳线废水处理效果视觉检测方法的步骤流程图,该方法包括以下步骤:
S001.获取电泳线废水图像。
需要说明的是,对于电泳线的废水处理一般需要专业的设备,即具有对应的反应池,而在利用视觉技术进行废水处理效果检测时,首先需要获得处理过程中的废水图像,因此在本发明实施例中,在反应池上方安装相机,对处理过的电泳线废水进行拍摄,得到电泳线废水的RGB图像,为了便于后续处理,将电泳线废水的RGB图像进行灰度化处理后,记为电泳线废水图像。
S002.获取初始阈值以及每次分割的阈值。
需要说明的是,在对电泳线废水处理的过程中,电泳线废水中的有机物会形成油膜,因此在视觉检测中可以通过分析电泳线废水图像中的油膜区域大小,进行电泳线废水处理效果判断,而油膜区域在电泳线废水图像中具有较高的灰度值,因此在本发明实施例中,使用迭代阈值分割算法,对油膜区域进行提取,而迭代阈值分割算法首先需要确定一个初始阈值对电泳线废水图像进行分割。
在本发明实施例中,获取电泳线废水图像中的最大灰度值以及最小灰度值,将最大灰度值与最小灰度值的均值作为初始阈值。
需要说明的是,迭代阈值分割算法首先是根据获取的初始阈值对电泳线废水图像进行一次分割,得到分割结果,而后分根据割结果来确定下一次分割的阈值,以此类推直到达到所需的分割效果后停止分割,已知使用迭代阈值分割算法对电泳线废水图像进行分割时,得到的分割结果是将电泳线废水图像根据阈值分割为两类像素点,因此在本发明实施例中,根据上一次分割结果所获取的两类像素点,获取当前次分割的阈值。
因此在本发明实施例中,获取每次分割的阈值:
式中,代表第/>次分割的阈值;/>代表第/>次分割结果中第一类像素点的灰度均值;/>代表第/>次分割结果中第二类像素点的灰度均值。
至此,根据电泳线废水图像,获取了迭代阈值分割算法中的初始阈值以及每次分割的阈值。
S003.获取每次分割结果与理想分割结果的差异。
需要说明的是,已知使用迭代阈值分割算法对电泳线废水图像进行分割时,得到的分割结果是将电泳线废水图像分割为两类像素点,已知油膜区域容易形成反光导致其具有较高的灰度值表现,因此分割结果中灰度值较大的一类像素点更可能为油膜区域,即为目标区域。
在本发明实施例中,获取每次分割结果中的目标区域:对每次分割结果中灰度值均值最大的一类像素点进行连通域分析,得到若干连通域,记为每次分割结果的各个目标区域。
需要说明的是,使用现有的迭代阈值分割算法对电泳线废水图像中的油膜区域进行识别时,由于现有的迭代阈值分割算法具有较多的迭代过程,导致其分割速率较慢,不利于油膜区域的快速分割,因此本发明提出一种基于每次分割结果对下一次分割的阈值进行改正,减少不必要的阈值更新,提高分割速度。由于电泳线废水中的油膜具有聚集性,因此电泳线废水图像中的油膜区域表现为较大的连通区域,而在实际分割中可能会存在一些分散的,且面积较小的干扰区域,因此当分割结果中目标区域之间的面积差异越大时,说明此次分割结果与理想分割结果的差异越大,又由于电泳线废水中的有机物形成的油膜具有互相吸附作用,导致电泳线废水图像中的油膜区域呈现局部聚集特征,因此当分割结果中的任一目标区域与其局部范围中其他目标区域之间的距离越远时,此时该目标区域与其局部范围中其他目标区域之间越分散,说明本次分割结果与理想分割结果差异越大,所以对于下一次分割的阈值更新的步长越大,可以便于快速达到最佳阈值,因此在本发明实施例中,根据每次分割结果中目标区域的面积差异以及局部聚集特征,获取每次分割结果与理想分割结果的差异,便于后续根据每次分割结果与理想分割结果的差异对下一次分割的阈值进行修正。
需要进一步说明的是,根据任一目标区域与其局部范围中其他目标区域之间的距离可以来反应该目标区域的局部聚集特征,又由于当两个目标区域之间的面积差异越小时,该两个目标区域同时属于油膜区域的可能性越大,此时该两个目标区域之间的距离对目标区域的局部聚集特征表现程度越大,因此可以根据目标区域之间的面积差异对目标区域之间的距离进行修正,来反应目标区域的局部聚集特征。
在本发明实施例中,获取每次分割结果的每个目标区域的局部范围:以每次分割结果中的任一目标区域的质心为中心,以为邻域半径绘制圆,将圆的范围作为该目标区域的局部范围,在本发明实施例中,预设邻域半径/>,在其他实施例中,实施人员可根据具体实施情况设置/>的值。
在本发明实施例中,获取每次分割结果与理想分割结果的差异:
式中,代表第/>次分割结果与理想分割结果的差异;/>代表第/>次分割结果中所有目标区域面积的标准差,当第/>次分割结果中目标区域之间的面积差异越大时,/>的值越大,说明此次分割结果与理想分割结果的差异越大;/>代表第/>次分割结果中的目标区域个数;/>表示第/>次分割结果中第/>个目标区域的质心与其局部范围中其他目标区域的质心之间的距离均值;/>代表第/>次分割结果中第/>个目标区域与其局部范围中其他目标区域之间的面积差值绝对值的均值,需要说明的是,其他目标区域的质心在第/>个目标区域的局部范围中,即视为其他目标区域在第/>个目标区域的局部范围中;/>反应了第/>次分割结果中所有目标区域的局部聚集特征,其值越大时,说明第/>次分割结果中的所有目标区域之间越分散,则第/>次分割结果与理想分割结果的差异越大;/>值越大时,说明第/>次分割结果与理想分割结果的差异越大。
至此,获取了每次分割结果与理想分割结果的差异。
S004.根据水面波动区域的影响对每次分割结果与理想分割结果的差异进行修正,得到每次分割结果与理想分割结果的真实差异。
需要说明的是,由于反应池中的电泳线废水水面可能会存在波动,使得电泳线废水图像中存在着水面波动区域,而水面波动区域在电泳线废水图像中的灰度值较高,从而容易将水面波动区域被误分割为油膜区域,影响了油膜区域之间的聚集特征,使得上述步骤S003中获取的每次分割结果与理想分割结果的差异不准确,但是由于油膜区域的反光具有颜色的表现,而水面波动的反光仅仅具有高亮表现,因此可以根据每次分割结果中的油膜区域在各个颜色通道中的差异,来判断每次分割结果中的油膜区域中是否存在被误分割的水面波动区域,当任意一次分割结果中的油膜区域在各个颜色通道中的像素值差异越大时,说明该次分割结果中的油膜区域中存在被误分割的水面波动区域,则该次分割结果与理想分割结果的差异不准确。因此在本发明实施例中,根据分割结果中的各个目标区域在各个颜色通道中的像素值差异,对分割结果与理想分割结果的差异进行修正。
在本发明实施例中,获取每次分割结果的各个目标区域在任一颜色通道上的像素值差异:获取任意一次分割结果中各个目标区域在任一颜色通道上的像素值均值,获取该次分割结果中两个目标区域在该颜色通道上的像素值均值的差异,将该次分割结果在该颜色通道上得到的所有差异之和作为该次分割结果的各个目标区域在该颜色通道上的像素值差异。
在本发明实施例中,获取每次分割结果与理想分割结果的真实差异:
式中,代表第/>次分割结果与理想分割结果的真实差异;/>代表第/>次分割结果与理想分割结果的差异;/>代表第/>次分割结果的各个目标区域在/>通道上的像素值差异;/>代表第/>次分割结果的各个目标区域在/>通道上的像素值差异;/>代表第/>次分割结果的各个目标区域在/>通道上的像素值差异,当第/>次分割结果中的各个目标区域在各个颜色通道中的像素值差异越大时,则第/>次分割结果与理想分割结果的差异不准确,应该将其值进行降低。
S005.根据每次分割结果与理想分割结果的真实差异对每次分割的阈值进行修正,获取每次分割的最终阈值。
需要说明的是,对于当前次分割来说,当分割结果与理想分割效果之间的真实差异越大时,说明此时对电泳线废水图像过分割的可能性越小,因此需要对下一次分割的阈值的更新步长越大。
在本发明实施例中,获取每次分割的最终阈值:
式中,代表第/>次分割的最终阈值;/>代表第/>次分割的阈值;/>代表第/>次分割结果与理想分割结果的真实差异;/>为归一化函数,本实施例采用sigmoid函数进行归一化处理,实施者可根据实际情况设置其他归一化函数;当第/>次分割结果与理想分割结果的真实差异越大时,对第/>次分割的阈值的更新步长越长。
S006.根据初始阈值以及每次分割的最终阈值,对油膜区域进行分割,判断电泳线废水的处理效果。
在本发明实施例中,将初始阈值以及每次分割的最终阈值应用到迭代阈值分割算法中,对电泳线废水图像中的油膜区域进行分割,直至相邻的两次分割的最终阈值差异小于差异阈值时停止分割,得到最终的分割结果,最终的分割结果中灰度值均值最大的一类像素点构成的区域为最终的油膜区域,当最终的油膜区域与电泳线废水图像的面积之比大于面积阈值/>时,此时电泳线废水的处理合格,在本发明实施例中,设置差异阈值/>,面积阈值/>,在其他实施例中,实施人员可根据具体实施情况设置/>以及/>的值。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,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 (8)
1.基于图像处理的电泳线废水处理效果视觉检测方法,其特征在于,该方法包括以下步骤:
获取电泳线废水图像;
根据电泳线废水图像,获取初始阈值;根据初始阈值对电泳线废水图像进行迭代分割,获取每次分割的阈值;根据每次分割结果获取每次分割结果的各个目标区域;根据目标区域获取每次分割结果的每个目标区域的局部范围;根据每次分割结果的各个目标区域以及各个目标区域的局部范围,获取每次分割结果与理想分割结果的差异;
根据每次分割结果与理想分割结果的差异以及每次分割结果的各个目标区域在各个颜色通道上的像素值差异,获取每次分割结果与理想分割结果的真实差异;
根据每次分割结果与理想分割结果的真实差异与每次分割的阈值,获取每次分割的最终阈值;
根据初始阈值以及每次分割的最终阈值,对油膜区域进行分割;根据油膜区域的面积占比,判断电泳线废水的处理效果;
所述根据每次分割结果的各个目标区域以及各个目标区域的局部范围,获取每次分割结果与理想分割结果的差异,包括的具体步骤如下:
式中,代表第/>次分割结果与理想分割结果的差异;/>代表第/>次分割结果中所有目标区域面积的标准差;/>代表第/>次分割结果中的目标区域个数;/>表示第/>次分割结果中第/>个目标区域的质心与其局部范围中其他目标区域的质心之间的距离均值;/>代表第次分割结果中第/>个目标区域与其局部范围中其他目标区域之间的面积差值绝对值的均值;
所述根据每次分割结果与理想分割结果的差异以及每次分割结果的各个目标区域在各个颜色通道上的像素值差异,获取每次分割结果与理想分割结果的真实差异,包括的具体步骤如下:
获取任意一次分割结果中各个目标区域在任一颜色通道上的像素值均值,获取该次分割结果中两个目标区域在该颜色通道上的像素值均值的差异,将该次分割结果在该颜色通道上得到的所有差异之和作为该次分割结果的各个目标区域在该颜色通道上的像素值差异;
式中,代表第/>次分割结果与理想分割结果的真实差异;/>代表第/>次分割结果与理想分割结果的差异;/>代表第/>次分割结果的各个目标区域在/>通道上的像素值差异;/>代表第/>次分割结果的各个目标区域在/>通道上的像素值差异;/>代表第/>次分割结果的各个目标区域在/>通道上的像素值差异。
2.根据权利要求1所述的基于图像处理的电泳线废水处理效果视觉检测方法,其特征在于,所述根据电泳线废水图像,获取初始阈值,包括的具体步骤如下:
获取电泳线废水图像中的最大灰度值以及最小灰度值,将最大灰度值与最小灰度值的均值作为初始阈值。
3.根据权利要求1所述的基于图像处理的电泳线废水处理效果视觉检测方法,其特征在于,所述获取每次分割的阈值,包括的具体步骤如下:
式中,代表第/>次分割的阈值;/>代表第/>次分割结果中第一类像素点的灰度均值;/>代表第/>次分割结果中第二类像素点的灰度均值。
4.根据权利要求1所述的基于图像处理的电泳线废水处理效果视觉检测方法,其特征在于,所述获取每次分割结果的各个目标区域,包括的具体步骤如下:
对每次分割结果中灰度值均值最大的一类像素点进行连通域分析,得到若干连通域,记为每次分割结果的各个目标区域。
5.根据权利要求1所述的基于图像处理的电泳线废水处理效果视觉检测方法,其特征在于,所述获取每次分割结果的每个目标区域的局部范围,包括的具体步骤如下:
以每次分割结果中的任一目标区域的质心为中心,以为邻域半径绘制圆,将圆的范围作为该目标区域的局部范围。
6.根据权利要求1所述的基于图像处理的电泳线废水处理效果视觉检测方法,其特征在于,所述根据每次分割结果与理想分割结果的真实差异与每次分割的阈值,获取每次分割的最终阈值,包括的具体步骤如下:
式中,代表第/>次分割的最终阈值;/>代表第/>次分割的阈值;/>代表第/>次分割结果与理想分割结果的真实差异;/>为归一化函数。
7.根据权利要求1所述的基于图像处理的电泳线废水处理效果视觉检测方法,其特征在于,所述根据初始阈值以及每次分割的最终阈值,对油膜区域进行分割,包括的具体步骤如下:
预设差异阈值,将初始阈值以及每次分割的最终阈值应用到迭代阈值分割算法中,对电泳线废水图像中的油膜区域进行分割,直至相邻的两次分割的最终阈值差异小于差异阈值/>时停止分割,得到最终的分割结果,最终的分割结果中灰度值均值最大的一类像素点构成的区域为最终的油膜区域。
8.根据权利要求1所述的基于图像处理的电泳线废水处理效果视觉检测方法,其特征在于,所述根据油膜区域的面积占比,判断电泳线废水的处理效果,包括的具体步骤如下:
预设面积阈值,当最终的油膜区域与电泳线废水图像的面积之比大于面积阈值/>时,电泳线废水的处理效果合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410032246.0A CN117557583B (zh) | 2024-01-10 | 2024-01-10 | 基于图像处理的电泳线废水处理效果视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410032246.0A CN117557583B (zh) | 2024-01-10 | 2024-01-10 | 基于图像处理的电泳线废水处理效果视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117557583A CN117557583A (zh) | 2024-02-13 |
CN117557583B true CN117557583B (zh) | 2024-03-15 |
Family
ID=89814994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410032246.0A Active CN117557583B (zh) | 2024-01-10 | 2024-01-10 | 基于图像处理的电泳线废水处理效果视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557583B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018041900A1 (en) * | 2016-09-02 | 2018-03-08 | bioMérieux | Method, system and computer program product for determining the presence of microorganisms and identifying said microorganisms |
CN110706235A (zh) * | 2019-08-30 | 2020-01-17 | 华南农业大学 | 一种基于双级级联分割的远红外行人检测方法 |
-
2024
- 2024-01-10 CN CN202410032246.0A patent/CN117557583B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018041900A1 (en) * | 2016-09-02 | 2018-03-08 | bioMérieux | Method, system and computer program product for determining the presence of microorganisms and identifying said microorganisms |
CN110706235A (zh) * | 2019-08-30 | 2020-01-17 | 华南农业大学 | 一种基于双级级联分割的远红外行人检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117557583A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN109035195B (zh) | 一种织物疵点检测方法 | |
CN111223115B (zh) | 一种图像分割方法、装置、设备及介质 | |
CN114972326A (zh) | 热收缩管扩管工艺的次品识别方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
US20170309017A1 (en) | Device and method for finding cell nucleus of target cell from cell image | |
CN111738256B (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
CN115689948B (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
CN116740054B (zh) | 一种基于图像处理的舌象齿痕检测方法 | |
CN114648511A (zh) | 一种大肠杆菌轮廓的精确提取及识别方法 | |
CN115035518B (zh) | 细胞核图像中荧光染色信号点的识别方法和装置 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN116664457B (zh) | 一种用于增强去噪的图像处理方法 | |
CN117132602A (zh) | 一种离心泵叶轮缺陷视觉检测方法 | |
CN112215865A (zh) | 一种荧光显微图像下的微液滴自动检测方法 | |
CN114943744A (zh) | 基于局部Otsu阈值化的边缘检测方法 | |
CN115330796A (zh) | 一种铜线镀锡缺陷识别方法 | |
CN117557583B (zh) | 基于图像处理的电泳线废水处理效果视觉检测方法 | |
CN109461171B (zh) | 基于多通道改进DoG滤波的红外弱小目标检测算法 | |
CN117351017A (zh) | 一种光伏钢结构组件缺陷视觉检测方法 | |
CN114419533A (zh) | 深水网衣破损识别方法、装置、设备及存储介质 | |
CN113870264A (zh) | 一种基于图像处理的管状零件端口异常检测方法及系统 | |
CN110930358B (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
CN116703894A (zh) | 一种锂电池隔膜质量检测系统 | |
CN116862871A (zh) | 一种基于混合特征的木材计数方法 |
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 |