CN117764993B - 一种基于图像分析的水质在线监测系统及方法 - Google Patents
一种基于图像分析的水质在线监测系统及方法 Download PDFInfo
- Publication number
- CN117764993B CN117764993B CN202410196334.4A CN202410196334A CN117764993B CN 117764993 B CN117764993 B CN 117764993B CN 202410196334 A CN202410196334 A CN 202410196334A CN 117764993 B CN117764993 B CN 117764993B
- Authority
- CN
- China
- Prior art keywords
- picture
- standard
- water quality
- image
- monitoring
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 199
- 238000012544 monitoring process Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010191 image analysis Methods 0.000 title claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims description 60
- 210000002569 neuron Anatomy 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000003911 water pollution Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 239000003403 water pollutant Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 7
- 230000003213 activating effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000013209 evaluation strategy Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 2
- 239000000725 suspension Substances 0.000 description 14
- 239000003344 environmental pollutant Substances 0.000 description 9
- 231100000719 pollutant Toxicity 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 2
- 229910019142 PO4 Inorganic materials 0.000 description 2
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 2
- 239000010452 phosphate Substances 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像分析的水质在线监测系统及方法,属于非专用于特定变量的测量技术领域,本发明采集待测水域图片进行清晰化处理后通过图片标准值计算策略计算图片标准值,将不符合监测标准的图片带入图片分类策略中进行图片分类指令输出,将获得雾天图像模糊指令的图片导入图片去雾模型输出去雾后的图片,将获得雨天图像模糊指令的图片导入图片去雨模型输出去雨后的图片,对处理后符合监测标准的图片计算水质监测评价分数,对不符合水质标准的水域进行报警处理。
Description
技术领域
本发明属于非专用于特定变量的测量技术领域,具体的说是一种基于图像分析的水质在线监测系统及方法。
背景技术
水资源是人类社会发展不可或缺并且不可替代的重要资源之一,对社会经济的发展以及人们的日常生活与生产都发挥着保障的作用。越来越多的水污染事件牵动着整个社会的神经,现在水质分析的方法通常用化学分析方法,正在采用的新方法向连续化、自动化方向发展,但是现有技术仍存在图片并未进行清晰化处理,容易被天气因素影响导致模糊不清的问题,从而影响对水质的判断,降低水质检测的效率,增加水质监测的成本,因此,有必要在分析水质之前根据图片判断是否受天气影响导致图片模糊,并处理因天气影响的图片直至达到监测标准,再通过图片和传感器检测水质,对不满足水质标准的水域进行报警处理,从而提高图片的可用性和敏感度,提高处理水污染的效率。
例如在申请公布号为CN113033313A的中国专利中公开了基于深度学习的水质污染判断方法,包括如下步骤:构建不同种类污染物所代表的不同特征数据的特征数据库;初始化配置水中的水质传感器网络并等距设置传感器节点;实时的通过每个传感器节点监测获取水面原始图片,并将原始图片数据存储到分布式数据库中;对原始图片做颜色校正处理,并识别出原始图片中包含的各景物;获取各景物的特征轮廓信息;以特征数据库作为分类的依据,对各景物图像进行分类,然后利用聚类处理对分类结果进行分类后处理,得到污染物识别图片数据。该发明通过对间隔对水面进行图像采集,且对图像进行识别处理,分离出各景物图像,便于对污染物进行准确的识别,便于快速对比特征判断水质污染概率。
同时例如在申请公布号为CN114882130A的中国专利中公开了基于水色图像的水质评分方法、装置、设备及介质,揭露一种基于水色图像的水质评分方法,包括:获取水样图片,从所述水样图片中切割出目标水体图片;将所述目标水体图片根据RGB三颜色通道划分为R值水样图片、G值水样图片和B值水样图片;根据预设的颜色矩法分别获取所述R值水样图片、G值水样图片和B值水样图片的颜色矩,得到图像特征;根据所述图像特征利用预设的水质评分模型,计算得到所述水样图片的水质评分。该发明还提出一种基于水色图像的水质评分装置、设备及存储介质。该发明可以提升对水质进行评分的速度。
以上专利均存在本背景技术提出的问题:图片并未进行清晰化处理,容易被天气因素影响导致模糊不清,从而影响对水质的判断,降低水质检测的效率,增加水质监测的成本,需要在分析水质之前根据图片判断是否受天气影响导致图片模糊,并处理因天气影响的图片直至达到监测标准,再通过图片和传感器检测水质,对不满足水质标准的水域进行报警处理,从而提高图片的可用性和敏感度,提高处理水污染的效率,为了解决上述问题,本发明设计了一种基于图像分析的水质在线监测系统及方法。
发明内容
针对现有技术的不足,本发明提出了一种基于图像分析的水质在线监测系统及方法,本发明采集待测水域图片进行清晰化处理后通过图片标准值计算策略计算图片标准值,将不符合监测标准的图片带入图片分类策略中进行图片分类指令输出,将获得雾天图像模糊指令的图片导入图片去雾模型输出去雾后的图片,将获得雨天图像模糊指令的图片导入图片去雨模型输出去雨后的图片,对处理后符合监测标准的图片计算水质监测评价分数,对不符合水质标准的水域进行报警处理。
为实现上述目的,本发明提供如下技术方案:
一种基于图像分析的水质在线监测系统及方法,其包括以下具体步骤:
S1、确定待测水域范围,使用图像采集设备采集待测水域图片,将采集到的图片进行清晰化处理,将清晰化处理后的图片代入图片标准值计算策略中计算图片标准值,根据预设的图片标准阈值和图片标准值的大小判断采集到的图片是否符合监测标准,若图片标准值小于等于预设的图片标准阈值,则将对应的图片判断为符合监测标准,进行S5操作,若图片标准值大于预设的图片标准阈值,则将对应的图片判断为不符合监测标准,进行S2操作;
S2、将判断为不符合监测标准的图片带入图片分类策略中进行图片分类指令输出,若输出为雾天图像模糊指令,则进行S3操作,若输出为雨天图片模糊指令,则进行S4操作;
S3、根据得到的雾天图像模糊指令,天气获取模组获取实时能见度,根据历史能见度数据和历史雾天图片模糊数据构建图片去雾模型,采集实时能见度数据和雾天图像数据导入构建的图片去雾模型中输出去雾后的图片;
S4、根据得到的雨天图片模糊指令,天气获取模组获取实时降水数据,根据历史降雨数据和历史雨天图片模糊数据构建图片去雨模型,采集实时降雨数据和雨天图像数据导入图片去雨模型输出去雨后的图片;
S5、获取S1中判断为符合监测标准的图片、S3中去雾后的图片或S4中去雨后的图片,设为符合标准图片,将符合标准图片代入悬浮物污染程度计算公式计算出待测水域的悬浮物污染程度,根据预先设定的传感器测量待测水域的水质,通过水质污染浓度计算公式计算水质污染浓度污染浓度,将得到的悬浮物污染浓度和水质污染浓度带入水质监测评价公式得到水质监测评价分数,将得到的水质监测评价分数与预设的水质监测评价分数阈值对比,若水质监测评价分数大于预设的水质监测评价分数阈值则进行水质污染报警。
具体的,所述S1包括以下具体步骤:
S11、根据监测指令,确定待测水域范围,使用图像采集设备采集待测水域图片,将采集到的待测水域图片传输至图片处理模组,进行图像的亮度、对比度、锐化、色彩矫正和降噪处理,得到清晰化处理后的图像;
S12、将清晰化处理后的图像和设定的标准图片代入图片标准值计算公式中计算图片标准值,所述图片标准值计算公式为:,其中,/>为清晰化处理后图像的第i个像素点的像素值,/>为设定的标准图片对应清晰化处理后图像的第i个像素点的像素值,/>为设定的标准图片的像素值个数;
S13、根据预设的图片标准阈值和图片标准值的大小判断采集到的图片是否符合监测标准,若图片标准值小于等于预设的图片标准阈值,则将对应的图片判断为符合监测标准,进行S5操作,若图片标准值大于预设的图片标准阈值,则将对应的图片判断为不符合监测标准,进行S2操作;
具体的,所述S2中的图片分类策略包括以下具体步骤:
获取判断为不符合监测标准的图片,获取历史已判断出天气的图片的图片标准值,将获取的历史雨天的图片标准值代入平均值计算公式中计算历史雨天的图片标准平均值,将获取的历史雾天的图片标准值代入平均值计算公式中计算历史雾天的图片标准平均值,取历史雨天的图片标准平均值和历史雾天的图片标准平均值的中值设为标准平均阈值,将计算得到的实时图片的图片标准值与标准平均阈值进行对比,若图片标准值大于等于标准平均阈值的实时图片判定为雾天拍摄图片,输出雾天图像模糊指令,进行S3操作,若图片标准值小于标准平均阈值的实时图片判定为雨天拍摄图片,输出雨天图片模糊指令,进行S4操作;
具体的,所述S3中根据历史能见度数据和历史雾天图片模糊数据构建图片去雾模型包括以下具体步骤:
将采集历史雾气数据和历史雾天图片模糊数据分为作为80%的参数训练集和20%的参数测试集;将80%的参数训练集输入去雾神经网络模型进行训练,得到去雾初始神经网络模型;利用20%的参数测试集对去雾初始神经网络模型进行测试,输出满足设定的图片标准阈值的最优初始神经网络模型作为去雾神经网络模型,其中,去雾神经网络模型中的特定神经元的输出策略公式为:,其中/>为去雾神经网络模型的第p+1层w项神经元的输出,/>为去雾神经网络模型的第p层神经元v与p+1层w项神经元的连接权重,/>为去雾神经网络模型的第p层神经元v的输出,/>为去雾神经网络模型的第p层神经元v与p+1层m项神经元的线性关系的偏置,/>为Sigmoid激活函数;
具体的,所述S4中根据历史降雨数据和历史雨天图片模糊数据构建图片去雨模型包括以下具体步骤:
将采集历史降雨量和历史雨天图片模糊数据分为作为80%的参数训练集和20%的参数测试集;将80%的参数训练集输入去雨深度学习神经网络模型进行训练,得到去雨初始神经网络模型;利用20%的参数测试集对去雨初始神经网络模型进行测试,输出满足设定的图片标准阈值的最优初始神经网络模型作为去雨神经网络模型,其中,去雨神经网络模型中的特定神经元的输出策略公式为:,其中/>为去雨神经网络模型的n+1层m项神经元的输出,/>为去雨神经网络模型的第n层神经元i与n+1层m项神经元的连接权重,/>为去雨神经网络模型的第n层神经元i的输出,/>为去雨神经网络模型的第n层神经元i与n+1层m项神经元的线性关系的偏置,/>为Sigmoid激活函数;
具体的,所述S5中水质监测评价策略包括以下具体步骤:
S51、将判断为符合图片标准阈值的图片保存,根据悬浮物污染程度计算公式计算出待测水域的悬浮物污染程度,所述悬浮物污染程度计算公式为:,其中,为符合图片标准阈值的图片的第q个像素点的像素值,/>为设定的标准悬浮物污染图片对应符合图片标准阈值的图片的第q个像素点的像素值,/>为设定的标准悬浮物污染图片的像素值个数;
S52、根据预先设定的传感器测量待测水域的水体污染物的浓度,水体污染物包括重金属、亚硝酸盐、硫酸盐、磷酸盐等,通过水质污染程度计算公式和规定的水体污染物的安全浓度范围计算水质污染浓度,所述水质污染浓度计算公式为::,其中,/>为第e种水体污染物的测量浓度,/>为第e种水体污染物的安全浓度范围最大值,/>为水体污染物个数,/>为第e种水体污染物的占比系数,其中,/>;
S53、将得到的悬浮物污染浓度和水质污染浓度带入水质监测评价公式得到水质监测评价分数,将得到的水质监测评价分数与预设的水质监测评价分数阈值对比,若水质监测评价分数大于预设的水质监测评价分数阈值则进行水质污染报警;所述水质监测评价公式为:,其中,a1为悬浮物污染浓度占比系数,a2为水质污染浓度占比系数,/>,在此需要说明的是,这里的悬浮物污染浓度占比系数和水质污染浓度占比系数的取值方式为:取2000组历史悬浮物污染浓度和水质污染浓度数据,选取50位水质专家对悬浮物污染浓度和水质污染浓度数据进行计算评比得出十组悬浮物污染浓度占比系数和水质污染浓度占比系数,选取准确率最高的水质监测评价的最优悬浮物污染浓度占比系数和水质污染浓度占比系数。
一种基于图像分析的水质在线监测系统,基于上述的一种基于图像分析的水质在线监测方法实现,其包括控制模块、图片处理模块、图片分类模块、图片去雾模块、图片去雨模块、水质监测评价模块和水质污染报警模块,所述图片处理模块使用图像采集设备采集待测水域图片并进行清晰化处理,判断清晰化后的图片是否符合监测标准,所述图片分类模块用于将判断为不符合监测标准的图片带入图片分类策略中进行图片分类指令输出,所述图片去雾模块用于根据历史能见度数据和历史雾天图片模糊数据构建图片去雾模型,采集实时能见度数据和雾天图像数据导入构建的图片去雾模型中输出去雾后的图片。
具体的,所述图片去雨模块用于根据历史降雨数据和历史雨天图片模糊数据构建图片去雨模型,采集实时降雨数据和雨天图像数据导入图片去雨模型输出去雨后的图片,所述水质监测评价模块用于将图片带入水质监测评价策略中得到水质监测评价分数,所述水质污染报警模块用于将水质监测评价分数与预设的水质监测评价分数阈值对比,根据对比结果进行水质污染报警。
具体的,所述控制模块用于控制图片处理模块、图片分类模块、图片去雾模块、图片去雨模块、水质监测评价模块和水质污染报警模块的运行。
一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的一种基于图像分析的水质在线监测方法。
一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行如上述的一种基于图像分析的水质在线监测方法。
与现有技术相比,本发明的有益效果是:采集待测水域图片进行清晰化处理后通过图片标准值计算策略计算图片标准值,将不符合监测标准的图片带入图片分类策略中进行图片分类指令输出,将获得雾天图像模糊指令的图片导入图片去雾模型输出去雾后的图片,将获得雨天图像模糊指令的图片导入图片去雨模型输出去雨后的图片,对处理后符合监测标准的图片计算水质监测评价分数,对不符合水质标准的水域进行报警处理。
附图说明
图1为本发明基于图像分析的水质在线监测方法流程示意图;
图2为本发明基于图像分析的水质在线监测系统整体框架示意图。
具体实施方式
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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。
实施例1
请参阅图1,本发明提供的一种实施例:一种基于图像分析的水质在线监测系统及方法,其包括以下具体步骤:
S1、确定待测水域范围,使用图像采集设备采集待测水域图片,将采集到的图片进行清晰化处理,将清晰化处理后的图片代入图片标准值计算策略中计算图片标准值,根据预设的图片标准阈值和图片标准值的大小判断采集到的图片是否符合监测标准,若图片标准值小于等于预设的图片标准阈值,则将对应的图片判断为符合监测标准,进行S5操作,若图片标准值大于预设的图片标准阈值,则将对应的图片判断为不符合监测标准,进行S2操作;
在本实施例中,S1包括以下具体步骤:
S11、根据监测指令,确定待测水域范围,使用图像采集设备采集待测水域图片,将采集到的待测水域图片传输至图片处理模组,进行图像的亮度、对比度、锐化、色彩矫正和降噪处理,得到清晰化处理后的图像。
在此需要说明的是,图片亮度处理的步骤如下:打开原始图片,并调整图片的亮度和对比度;使用图像处理软件中的亮度调整工具,通过图像的明暗程度来确定最佳的亮度值;调整完成后,检查图像中是否存在明显的失真或异常值;图片对比度处理的步骤如下:打开原始图片,并使用图像处理软件中的对比度调整工具,通过图像的细节来确定最佳的对比度值;调整完成后,检查图像中是否存在明显的噪声或异常值;图片锐化处理的步骤如下:打开原始图片,并使用图像处理软件中的锐化功能;通过调整滤波器的大小和锐化增益来控制锐化的程度;调整完成后,检查图像中是否存在明显的噪声或异常值。图片色彩矫正处理的步骤如下:打开原始图片,使用图像处理软件中的色彩平衡或色温工具进行初步的色彩调整;选择色彩矫正工具,如色彩补偿器或色彩校准器,对图片的色彩进行更精确的调整;调整完成后,检查图像中是否存在明显的色偏或异常值;图片降噪处理的步骤如下:打开原始图片,在图像处理软件中选择降噪工具或滤波器;调整滤波器的参数,以使得图像中的噪声被有效减少;检查处理后的图像,检查是否还存在明显的噪点或伪影。
S12、将清晰化处理后的图像和设定的标准图片代入图片标准值计算公式中计算图片标准值,图片标准值计算公式为:,其中,/>为清晰化处理后图像的第i个像素点的像素值,/>为设定的标准图片对应清晰化处理后图像的第i个像素点的像素值,/>为设定的标准图片的像素值个数;
S13、根据预设的图片标准阈值和图片标准值的大小判断采集到的图片是否符合监测标准,若图片标准值小于等于预设的图片标准阈值,则将对应的图片判断为符合监测标准,进行S5操作,若图片标准值大于预设的图片标准阈值,则将对应的图片判断为不符合监测标准,进行S2操作。
S2、将判断为不符合监测标准的图片带入图片分类策略中进行图片分类指令输出,若输出为雾天图像模糊指令,则进行S3操作,若输出为雨天图片模糊指令,则进行S4操作;
在本实施例中,S2中的图片分类策略包括以下具体步骤:
获取判断为不符合监测标准的图片,获取历史已判断出天气的图片的图片标准值,将获取的历史雨天的图片标准值代入平均值计算公式中计算历史雨天的图片标准平均值,将获取的历史雾天的图片标准值代入平均值计算公式中计算历史雾天的图片标准平均值,取历史雨天的图片标准平均值和历史雾天的图片标准平均值的中值设为标准平均阈值,将计算得到的实时图片的图片标准值与标准平均阈值进行对比,若图片标准值大于等于标准平均阈值的实时图片判定为雾天拍摄图片,输出雾天图像模糊指令,进行S3操作,若图片标准值小于标准平均阈值的实时图片判定为雨天拍摄图片,输出雨天图片模糊指令,进行S4操作;
下面通过一个示例代码来说明:
# 获取历史已判断出天气的图片
historical_rain_images = get_historical_rain_images()
historical_fog_images = get_historical_fog_images()
# 计算历史雨天图片标准平均值
rain_image_values = []
for image in historical_rain_images:
value = calculate_image_standard_value(image)
rain_image_values.append(value)
rain_standard_average = np.mean(rain_image_values)
# 计算历史雾天图片标准平均值
fog_image_values = []
for image in historical_fog_images:
value = calculate_image_standard_value(image)
fog_image_values.append(value)
fog_standard_average = np.mean(fog_image_values)
# 计算标准平均阈值
threshold = np.median([rain_standard_average, fog_standard_average])
# 获取实时图片
realtime_image = get_realtime_image()
# 计算实时图片标准值
realtime_image_value = calculate_image_standard_value(realtime_image)
# 判断天气类型
if realtime_image_value>= threshold:
# 雾天图像
output_foggy_instruction()
perform_S3_operation()
else:
# 雨天图像
output_rainy_instruction()
perform_S4_operation()
S3、根据得到的雾天图像模糊指令,天气获取模组获取实时能见度,根据历史能见度数据和历史雾天图片模糊数据构建图片去雾模型,采集实时能见度数据和雾天图像数据导入构建的图片去雾模型中输出去雾后的图片;
在本实施例中,S3中根据历史能见度数据和历史雾天图片模糊数据构建图片去雾模型包括以下具体步骤:
将采集历史雾气数据和历史雾天图片模糊数据分为作为80%的参数训练集和20%的参数测试集;将80%的参数训练集输入去雾神经网络模型进行训练,得到去雾初始神经网络模型;利用20%的参数测试集对去雾初始神经网络模型进行测试,输出满足设定的图片标准阈值的最优初始神经网络模型作为去雾神经网络模型,其中,去雾神经网络模型中的特定神经元的输出策略公式为:,其中/>为去雾神经网络模型的第p+1层w项神经元的输出,/>为去雾神经网络模型的第p层神经元v与p+1层w项神经元的连接权重,/>为去雾神经网络模型的第p层神经元v的输出,/>为去雾神经网络模型的第p层神经元v与p+1层m项神经元的线性关系的偏置,/>为Sigmoid激活函数;
S4、根据得到的雨天图片模糊指令,天气获取模组获取实时降水数据,根据历史降雨数据和历史雨天图片模糊数据构建图片去雨模型,采集实时降雨数据和雨天图像数据导入图片去雨模型输出去雨后的图片;
在本实施例中,S4中根据历史降雨数据和历史雨天图片模糊数据构建图片去雨模型包括以下具体步骤:
将采集历史降雨量和历史雨天图片模糊数据分为作为80%的参数训练集和20%的参数测试集;将80%的参数训练集输入去雨深度学习神经网络模型进行训练,得到去雨初始神经网络模型;利用20%的参数测试集对去雨初始神经网络模型进行测试,输出满足设定的图片标准阈值的最优初始神经网络模型作为去雨神经网络模型,其中,去雨神经网络模型中的特定神经元的输出策略公式为:,其中/>为去雨神经网络模型的n+1层m项神经元的输出,/>为去雨神经网络模型的第n层神经元i与n+1层m项神经元的连接权重,/>为去雨神经网络模型的第n层神经元i的输出,/>为去雨神经网络模型的第n层神经元i与n+1层m项神经元的线性关系的偏置,/>为Sigmoid激活函数;
S5、获取S1中判断为符合监测标准的图片、S3中去雾后的图片或S4中去雨后的图片,设为符合标准图片,将符合标准图片代入悬浮物污染程度计算公式计算出待测水域的悬浮物污染程度,根据预先设定的传感器测量待测水域的水质,通过水质污染浓度计算公式计算水质污染浓度污染浓度,将得到的悬浮物污染浓度和水质污染浓度带入水质监测评价公式得到水质监测评价分数,将得到的水质监测评价分数与预设的水质监测评价分数阈值对比,若水质监测评价分数大于预设的水质监测评价分数阈值则进行水质污染报警。
在本实施例中,S5中水质监测评价策略包括以下具体步骤:
S51、将判断为符合图片标准阈值的图片保存,根据悬浮物污染程度计算公式计算出待测水域的悬浮物污染程度,悬浮物污染程度计算公式为:,其中,/>为符合图片标准阈值的图片的第q个像素点的像素值,/>为设定的标准悬浮物污染图片对应符合图片标准阈值的图片的第q个像素点的像素值,/>为设定的标准悬浮物污染图片的像素值个数;
S52、根据预先设定的传感器测量待测水域的水体污染物的浓度,水体污染物包括重金属、亚硝酸盐、硫酸盐、磷酸盐等,通过水质污染程度计算公式和规定的水体污染物的安全浓度范围计算水质污染浓度,水质污染浓度计算公式为::,其中,为第e种水体污染物的测量浓度,/>为第e种水体污染物的安全浓度范围最大值,/>为水体污染物个数,/>为第e种水体污染物的占比系数,其中,/>;
S53、将得到的悬浮物污染浓度和水质污染浓度带入水质监测评价公式得到水质监测评价分数,将得到的水质监测评价分数与预设的水质监测评价分数阈值对比,若水质监测评价分数大于预设的水质监测评价分数阈值则进行水质污染报警;水质监测评价公式为:,其中,a1为悬浮物污染浓度占比系数,a2为水质污染浓度占比系数,,在此需要说明的是,这里的悬浮物污染浓度占比系数和水质污染浓度占比系数的取值方式为:取2000组历史悬浮物污染浓度和水质污染浓度数据,选取50位水质专家对悬浮物污染浓度和水质污染浓度数据进行计算评比得出十组悬浮物污染浓度占比系数和水质污染浓度占比系数,选取准确率最高的水质监测评价的最优悬浮物污染浓度占比系数和水质污染浓度占比系数。
实施例2
请参阅图2,一种基于图像分析的水质在线监测系统,其基于上述一种基于图像分析的水质在线监测方法实现,其包括控制模块、图片处理模块、图片分类模块、图片去雾模块、图片去雨模块、水质监测评价模块和水质污染报警模块,图片处理模块使用图像采集设备采集待测水域图片并进行清晰化处理,判断清晰化后的图片是否符合监测标准,图片分类模块用于将判断为不符合监测标准的图片带入图片分类策略中进行图片分类指令输出,图片去雾模块用于根据历史能见度数据和历史雾天图片模糊数据构建图片去雾模型,采集实时能见度数据和雾天图像数据导入构建的图片去雾模型中输出去雾后的图片。
在本实施例中,图片去雨模块用于根据历史降雨数据和历史雨天图片模糊数据构建图片去雨模型,采集实时降雨数据和雨天图像数据导入图片去雨模型输出去雨后的图片,水质监测评价模块用于将图片带入水质监测评价策略中得到水质监测评价分数,水质污染报警模块用于将水质监测评价分数与预设的水质监测评价分数阈值对比,根据对比结果进行水质污染报警。
在本实施例中,控制模块用于控制图片处理模块、图片分类模块、图片去雾模块、图片去雨模块、水质监测评价模块和水质污染报警模块的运行。
实施例3
本实施例提供一种电子设备,包括:处理器和存储器,其中,存储器中存储有可供处理器调用的计算机程序;
处理器通过调用存储器中存储的计算机程序,执行上述的一种基于图像分析的水质在线监测方法。
该电子设备可因配置或性能不同而产生比较大的差异,能够包括一个或一个以上的处理器(Central Processing Units,CPU)和一个或一个以上的存储器,其中,该存储器中存储有至少一条计算机程序,该计算机程序由该处理器加载并执行以实现上述方法实施例提供的一种基于图像分析的水质在线监测方法。该电子设备还能够包括其他用于实现设备功能的部件,例如,该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件,以便进行数据的输入输出。本实施例在此不做赘述。
实施例4
本实施例提出一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当计算机程序在计算机设备上运行时,使得计算机设备执行上述的一种基于图像分析的水质在线监测方法。
例如,计算机可读存储介质能够是只读存储器(Read-Only Memory,简称:ROM)、随机存取存储器(Random Access Memory,简称:RAM)、只读光盘(Compact Disc Read-OnlyMemory,简称:CD-ROM)、磁带、软盘和光数据存储设备等。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
应理解,根据A确定B并不意味着仅仅根据A确定B,还能够根据A和/或其它信息确定B。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时,全部或部分地产生按照本发明实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或/和无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一 种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,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单元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单元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。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可做很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种基于图像分析的水质在线监测方法,其特征在于,包括以下具体步骤:
S1、使用图像采集设备采集待测水域图片并进行清晰化处理,判断清晰化后的图片是否符合监测标准;
S2、将判断为不符合监测标准的图片带入图片分类策略中进行图片分类指令输出,若输出为雾天图像模糊指令,则进行S3操作,若输出为雨天图片模糊指令,则进行S4操作;
S3、根据历史能见度数据和历史雾天图片模糊数据构建图片去雾模型,采集实时能见度数据和雾天图像数据导入构建的图片去雾模型中输出去雾后的图片;
S4、根据历史降雨数据和历史雨天图片模糊数据构建图片去雨模型,采集实时降雨数据和雨天图像数据导入图片去雨模型输出去雨后的图片;
S5、将S1中判断为符合监测标准的图片、S3中去雾后的图片或S4中去雨后的图片带入水质监测评价策略中得到水质监测评价分数,并将水质监测评价分数与预设的水质监测评价分数阈值对比,根据对比结果进行水质污染报警;
所述S1包括以下具体步骤:
S11、根据监测指令确定待测水域范围,使用图像采集设备采集待测水域图片,将采集到的待测水域图片传输至图片处理模组,进行图像的亮度、对比度、锐化、色彩矫正和降噪处理,得到清晰化处理后的图像;
S12、将清晰化处理后的图像和设定的标准图片代入图片标准值计算公式中计算清晰化处理后图像的图片标准值,所述图片标准值计算公式为:,其中,/>为清晰化处理后图像的第i个像素点的像素值,/>为设定的标准图片对应清晰化处理后图像的第i个像素点的像素值,/>为设定的标准图片的像素值个数;
S13、根据预设的图片标准阈值和图片标准值的大小判断采集到的图片是否符合监测标准,若图片标准值小于等于预设的图片标准阈值,则将对应的图片判断为符合监测标准,进行S5操作,若图片标准值大于预设的图片标准阈值,则将对应的图片判断为不符合监测标准,进行S2操作;
所述S2中的图片分类策略包括以下具体步骤:
获取判断为不符合监测标准的图片,获取历史已判断出天气的图片的图片标准值,将获取的历史雨天的图片标准值代入平均值计算公式中计算历史雨天的图片标准平均值,将获取的历史雾天的图片标准值代入平均值计算公式中计算历史雾天的图片标准平均值,取历史雨天的图片标准平均值和历史雾天的图片标准平均值的中值设为标准平均阈值,将计算得到的实时图片的图片标准值与标准平均阈值进行对比,若图片标准值大于等于标准平均阈值的实时图片判定为雾天拍摄图片,输出雾天图像模糊指令,进行S3操作,若图片标准值小于标准平均阈值的实时图片判定为雨天拍摄图片,输出雨天图片模糊指令,进行S4操作;
所述S3中根据历史能见度数据和历史雾天图片模糊数据构建图片去雾模型包括以下具体步骤:
将采集历史雾气数据和历史雾天图片模糊数据分为作为80%的参数训练集和20%的参数测试集;将80%的参数训练集输入去雾神经网络模型进行训练,得到去雾初始神经网络模型;利用20%的参数测试集对去雾初始神经网络模型进行测试,输出满足设定的图片标准阈值的最优初始神经网络模型作为去雾神经网络模型,其中,去雾神经网络模型中的特定神经元的输出策略公式为:,其中/>为去雾神经网络模型的第p+1层w项神经元的输出,/>为去雾神经网络模型的第p层神经元v与p+1层w项神经元的连接权重,/>为去雾神经网络模型的第p层神经元v的输出,/>为去雾神经网络模型的第p层神经元v与p+1层m项神经元的线性关系的偏置,/>为Sigmoid激活函数;
所述S4中根据历史降雨数据和历史雨天图片模糊数据构建图片去雨模型包括以下具体步骤:
将采集历史降雨量和历史雨天图片模糊数据分为作为80%的参数训练集和20%的参数测试集;将80%的参数训练集输入去雨深度学习神经网络模型进行训练,得到去雨初始神经网络模型;利用20%的参数测试集对去雨初始神经网络模型进行测试,输出满足设定的图片标准阈值的最优初始神经网络模型作为去雨神经网络模型,其中,去雨神经网络模型中的特定神经元的输出策略公式为:,其中/>为去雨神经网络模型的n+1层m项神经元的输出,/>为去雨神经网络模型的第n层神经元i与n+1层m项神经元的连接权重,/>为去雨神经网络模型的第n层神经元i的输出,/>为去雨神经网络模型的第n层神经元i与n+1层m项神经元的线性关系的偏置,/>为Sigmoid激活函数;
所述S5中水质监测评价策略包括以下具体步骤:
S51、获取S1中判断为符合监测标准的图片、S3中去雾后的图片或S4中去雨后的图片,设为符合标准图片,将符合标准图片代入悬浮物污染程度计算公式计算待测水域的悬浮物污染程度,所述悬浮物污染程度计算公式为:,其中,/>为符合图片标准阈值的图片的第q个像素点的像素值,/>为设定的标准悬浮物污染图片对应符合图片标准阈值的图片的第q个像素点的像素值,/>为设定的标准悬浮物污染图片的像素值个数;
S52、根据预先设定的传感器测量待测水域的水体污染物的浓度,通过水质污染程度计算公式和规定的水体污染物的安全浓度范围计算水质污染浓度,所述水质污染浓度计算公式为:,其中,/>为第e种水体污染物的测量浓度,/>为第e种水体污染物的安全浓度范围最大值,/>为水体污染物个数,/>为第e种水体污染物的占比系数,其中,;
S53、将得到的悬浮物污染浓度和水质污染浓度带入水质监测评价公式得到水质监测评价分数,将得到的水质监测评价分数与预设的水质监测评价分数阈值对比,若水质监测评价分数大于预设的水质监测评价分数阈值则进行水质污染报警;所述水质监测评价公式为:,其中,a1为悬浮物污染浓度占比系数,a2为水质污染浓度占比系数,。
2.一种基于图像分析的水质在线监测系统,其基于如权利要求1所述一种基于图像分析的水质在线监测方法实现,其特征在于,其包括控制模块、图片处理模块、图片分类模块、图片去雾模块、图片去雨模块、水质监测评价模块和水质污染报警模块,所述图片处理模块使用图像采集设备采集待测水域图片并进行清晰化处理,判断清晰化后的图片是否符合监测标准,所述图片分类模块用于将判断为不符合监测标准的图片带入图片分类策略中进行图片分类指令输出,所述图片去雾模块用于根据历史能见度数据和历史雾天图片模糊数据构建图片去雾模型,采集实时能见度数据和雾天图像数据导入构建的图片去雾模型中输出去雾后的图片。
3.如权利要求2所述的一种基于图像分析的水质在线监测系统,其特征在于,所述图片去雨模块用于根据历史降雨数据和历史雨天图片模糊数据构建图片去雨模型,采集实时降雨数据和雨天图像数据导入图片去雨模型输出去雨后的图片,所述水质监测评价模块用于将图片带入水质监测评价策略中得到水质监测评价分数,所述水质污染报警模块用于将水质监测评价分数与预设的水质监测评价分数阈值对比,根据对比结果进行水质污染报警。
4.如权利要求2所述的一种基于图像分析的水质在线监测系统,其特征在于,所述控制模块用于控制图片处理模块、图片分类模块、图片去雾模块、图片去雨模块、水质监测评价模块和水质污染报警模块的运行。
5.一种电子设备,其特征在于,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行权利要求1所述的一种基于图像分析的水质在线监测方法。
6.一种计算机可读存储介质,其特征在于:储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1所述的一种基于图像分析的水质在线监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410196334.4A CN117764993B (zh) | 2024-02-22 | 2024-02-22 | 一种基于图像分析的水质在线监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410196334.4A CN117764993B (zh) | 2024-02-22 | 2024-02-22 | 一种基于图像分析的水质在线监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117764993A CN117764993A (zh) | 2024-03-26 |
CN117764993B true CN117764993B (zh) | 2024-04-23 |
Family
ID=90318662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410196334.4A Active CN117764993B (zh) | 2024-02-22 | 2024-02-22 | 一种基于图像分析的水质在线监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117764993B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111324039A (zh) * | 2020-04-13 | 2020-06-23 | 湖南文理学院 | 一种用于屋顶花园浇灌的雨水循环系统及其控制方法 |
CN112308799A (zh) * | 2020-11-05 | 2021-02-02 | 山东交通学院 | 基于多传感器海上道路复杂环境能见度优化屏幕显示方法 |
CN116310892A (zh) * | 2023-02-22 | 2023-06-23 | 东华大学 | 一种基于改进yolov4目标检测的海上救援方法 |
CN116645628A (zh) * | 2023-05-22 | 2023-08-25 | 安徽新宇环保科技股份有限公司 | 一种恶劣天气下排污检测方法及系统 |
CN117475296A (zh) * | 2023-08-16 | 2024-01-30 | 中国铁塔股份有限公司重庆市分公司 | 一种农村违章建筑实时监测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120166363A1 (en) * | 2010-12-23 | 2012-06-28 | Hongbo He | Neural network fault detection system and associated methods |
-
2024
- 2024-02-22 CN CN202410196334.4A patent/CN117764993B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111324039A (zh) * | 2020-04-13 | 2020-06-23 | 湖南文理学院 | 一种用于屋顶花园浇灌的雨水循环系统及其控制方法 |
CN112308799A (zh) * | 2020-11-05 | 2021-02-02 | 山东交通学院 | 基于多传感器海上道路复杂环境能见度优化屏幕显示方法 |
CN116310892A (zh) * | 2023-02-22 | 2023-06-23 | 东华大学 | 一种基于改进yolov4目标检测的海上救援方法 |
CN116645628A (zh) * | 2023-05-22 | 2023-08-25 | 安徽新宇环保科技股份有限公司 | 一种恶劣天气下排污检测方法及系统 |
CN117475296A (zh) * | 2023-08-16 | 2024-01-30 | 中国铁塔股份有限公司重庆市分公司 | 一种农村违章建筑实时监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117764993A (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN110349153B (zh) | 基于多特征融合的图像法烟草含梗率检测方法 | |
CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN115294117A (zh) | Led灯珠的缺陷检测方法及相关装置 | |
CN114898261A (zh) | 一种基于视频和生理数据融合的睡眠质量评估方法及系统 | |
CN114972339B (zh) | 用于推土机结构件生产异常检测的数据增强系统 | |
CN113221759A (zh) | 基于异常检测模型的道路遗撒识别方法以及装置 | |
CN114463843A (zh) | 一种基于深度学习的多特征融合鱼类异常行为检测方法 | |
CN117115527A (zh) | 一种基于红外热成像的电力设备故障检测方法和系统 | |
CN117764993B (zh) | 一种基于图像分析的水质在线监测系统及方法 | |
CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
CN108362227A (zh) | 轮毂检测方法、装置、系统及控制设备 | |
CN116110006B (zh) | 一种用于智慧旅游系统的景区游客异常行为识别方法 | |
CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN110765900B (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
CN115631457A (zh) | 建筑施工监控视频中的人机协作异常检测方法及系统 | |
CN116933002A (zh) | 一种动作检测方法、装置、终端设备和存储介质 | |
CN115239663A (zh) | 隐形眼镜瑕疵检测方法及系统、电子设备、存储介质 | |
CN114648738A (zh) | 一种基于物联网与边缘计算的图像识别系统与方法 | |
CN112529845A (zh) | 图像质量值确定方法、装置、存储介质及电子装置 | |
CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及系统 | |
CN117636075B (zh) | 一种基于计算机视觉的特种设备仪表识别系统 | |
CN117474915B (zh) | 一种异常检测方法、电子设备及存储介质 |
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 |