CN117805109A - 一种基于纹理特征识别的水质检测方法、系统 - Google Patents
一种基于纹理特征识别的水质检测方法、系统 Download PDFInfo
- Publication number
- CN117805109A CN117805109A CN202311840297.8A CN202311840297A CN117805109A CN 117805109 A CN117805109 A CN 117805109A CN 202311840297 A CN202311840297 A CN 202311840297A CN 117805109 A CN117805109 A CN 117805109A
- Authority
- CN
- China
- Prior art keywords
- river
- lake
- image
- image data
- module
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 159
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 95
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000036541 health Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 5
- 230000003862 health status Effects 0.000 claims description 4
- 239000007921 spray Substances 0.000 claims description 3
- 239000012535 impurity Substances 0.000 description 6
- 239000003651 drinking water Substances 0.000 description 5
- 235000020188 drinking water Nutrition 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000006872 improvement 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
- 230000000737 periodic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及水质检测技术领域,具体涉及一种基于纹理特征识别的水质检测方法、系统,包括采集层、分析层及判定层;河流湖泊的图像数据通过采集层采集,采集层在采集河流湖泊图像数据后,同步确定河流湖泊边界,并基于确定的河流湖泊边界确认河流湖泊检测点位,分析层基于河流湖泊检测点位于采集的河流湖泊图像数据中,本发明以采集的河流湖泊图像数据进行检测点位的设计,最终以设计的检测点位确认检测区域,再以检测区域进行图像纹理特征分析,最终以图像的纹理特征分析结果来表示河流湖泊的水质健康状态,且系统运行期间人工参与需求较少,采集数据较为全面,输出结果更加精确。
Description
技术领域
本发明涉及水质检测技术领域,具体涉及一种基于纹理特征识别的水质检测方法、系统。
背景技术
水是生命之源,人类在生活和生产活动中都离不开水,生活饮用水水质的优劣与人类健康密切相关。随着社会经济发展、科学进步和人民生活水平的提高,人们对生活饮用水的水质要求不断提高,饮用水水质标准也相应地不断发展和完善。由于生活饮用水水质标准的制定与人们的生活习惯、文化、经济条件、科学技术发展水平、水资源及其水质现状等多种因素有关,不仅各国之间,而且同一国家的不同地区之间,对饮用水水质的要求都存在着差异。
申请号201910704237.0的发明专利中公开了一种水质检测方法,其特征在于,所述水质检测方法应用于水质检测系统中,所述水质检测系统包括N套检测装置,其中,每套检测装置所设置的方向是不相同的,每套检测装置均包括一个发射板和接收检测板,检测时各套所述检测装置的发射板发射的第一紫外光的强度相同,且N等于2,所述N套检测装置包括第一套检测装置和第二套检测装置;所述水质检测方法包括以下步骤:控制所述N套检测装置中的各套检测装置的发射板分别向检测腔体发射第一紫外光;通过各套检测装置的接收检测板,分别接收各套检测装置的发射板所发射出的且经过所述检测腔体的第二紫外光;根据各套检测装置的发射板所发射出的第一紫外光强度,以及各套检测装置的接收检测板所接收到的第二紫外光强度,确定所述N套检测装置所对应的N个不同方向中各个方向上的紫外光变化量;根据所述N个不同方向中各个方向上的紫外光变化量,确定所述检测腔体水中的杂质浓度;所述第一套检测装置包括第一发射板和第一接收检测板,所述第二套检测装置包括第二发射板和第二接收检测板,所述根据所述N个不同方向中各个方向上的紫外光变化量,确定所述检测腔体水中的杂质浓度。
该申请在于解决:“由于水中的杂质会粘附在流水的管壁上,这其中就包括光的检测通道,当这个检测通道的管壁上粘附有杂质的时候,检测的光路中,这些粘附的杂质对光也是吸收的,这样,本来是对水中的杂质进行的检测就会变得不准确,而且,随着时间的推移,检测会越来误差越大,”的问题。
针对于市政供水而言,其供水水源大都以优质的河流湖泊作为水库,在进行对河流湖泊中水进行净化处理后,送至居民家中,供居民使用,但这类被当作水库的河流湖泊的日常水质检测,目前往往采用人工定期检测的方式来监测河流湖泊的水质变化,由于采用人工检测的方式,河流湖泊水质变化的监测耗用了一定的人工成本且存在检测结果不准、检测结果不全面的风险。
发明内容
针对现有技术所存在的上述缺点,本发明提供了一种基于纹理特征识别的水质检测方法、系统,解决了上述背景技术中提出的技术问题。
为实现以上目的,本发明通过以下技术方案予以实现:
第一方面,一种基于纹理特征识别的水质检测系统,包括采集层、分析层及判定层;
河流湖泊的图像数据通过采集层采集,采集层在采集河流湖泊图像数据后,同步确定河流湖泊边界,并基于确定的河流湖泊边界确认河流湖泊检测点位,分析层基于河流湖泊检测点位于采集的河流湖泊图像数据中,获取河流湖泊检测点位对应河流湖泊图像数据中区域图像,分析河流湖泊图像数据中区域图像的纹理特征参数,判定层接收纹理特征参数,应用纹理特征参数判定河流湖泊水质健康状态;
所述分析层包括接收模块、设定模块及分析模块,接收模块用于接收采集层中采集的河流湖泊图像数据,及于河流湖泊图像数据中获取的河流湖泊检测点位,设定模块用于在河流湖泊图像数据中应用河流湖泊检测点位设定区域图像,分析模块用于接收设定模块中设定的区域图像,基于区域图像分析河流湖泊图像数据的纹理特征参数;
所述河流湖泊图像数据的纹理特征参数分析逻辑表示为:
IDM=sum[(I(x,y)-I(x0,y0))(x-x0)(y-y0)] (2)
式中:CON为河流湖泊图像对比度;IDM为河流湖泊图像逆差矩;H为河流湖泊图像熵;N为河流湖泊图像中图像块的集合;为第i组图像块中像素块的最大灰度;/>为第i组图像块中像素块的最小灰度;sum为表示对河流湖泊图像中所有像素点进行求和;I(x,y)为河流湖泊图像在像素点(x,y)处的灰度值;I(x0,y0)为河流湖泊图像中基准点(x0,y0)的灰度值;M为河流湖泊图像的灰度级总数;p(xq)为河流湖泊图像中第q个像素的灰度值出现的概率;
其中,每一检测点位对应的区域图像均通过上式求取河流湖泊图像数据的纹理特征参数,河流湖泊图像数据的纹理特征参数分析结果表现形式为:CON∶IDM∶H。
更进一步地,所述采集层包括采集模组、识别模块及选择模块,采集模组用于采集河流湖泊的图像数据,识别模块用于接收采集模组采集的河流湖泊图像数据,基于河流湖泊图像数据识别河流湖泊边界,以河流湖泊边界确认河流湖泊轮廓图像,选择模块用于接收识别模块中识别到的河流湖泊轮廓图像,于河流湖泊轮廓图像中选择检测点位,基于检测点位确认河流湖泊图像数据中对应的区域图像;
其中,采集模组由无人机、摄像头及气泵组成,采集模组运行采集河流湖泊图像数据阶段,通过系统端用户手动编辑空间坐标,采集模组基于空间坐标确认河流湖泊图像数据采集区域,于河流湖泊图像数据采集区域中对河流湖泊图像数据进行连续的采集,采集模组运行过程中由无人机携带摄像头及气泵于采集区域中河流湖泊的上空上下飞行,无人机向下飞行时,气泵持续运行,气泵的输出端喷出气体冲击河流湖泊的水面,使水面产生涟漪,无人机向上飞行时,采集河流湖泊存在涟漪的图像数据。
更进一步地,所述采集模块运行阶段系统端用户手动编辑的空间坐标数量为八组,八组空间坐标围成采集区域为长方体结构,且采集模组在采集河流湖泊图像数据时,采集的河流湖泊图像数据不少于两组,所述识别模块运行时,接收采集模组采集的河流湖泊图像数据后,通过下述逻辑求取河流湖泊图像数据中相似区域,逻辑公式为:
式中:SSIM为图像x与图像y的相似度;μx为图像x的平均值;μy为图像y的平均值;C1、C2为常数;σxy为图像x与图像y的协方差;为图像x的方差;/>为图像y的方差;
其中,C1=(K1·L)2、C2=(K2·L)2,K1=0.01、K2=0.03,L为图像的灰度级,河流湖泊图像数据在通过识别模块识别河流湖泊边界阶段,对河流湖泊图像数据进行相等大小图像块的分割,分割所得的图像块被应用于上式的相似度计算,在对各图像块进行相似度计算后,对相似度不小于95%的图像块进行区分,使区分结果中,各区分图像块群中,图像块数量最多的一组图像块群,被判定为河流湖泊图像数据中河流湖泊所在区域对应的图像块群。
更进一步地,所述选择模块运行时,接收识别模块对各河流湖泊图像数据的河流湖泊所在区域对应的图像块群判定结果,以图像块群中图像块数量最多的一组图像块群作为选择模块运行应用目标;
其中,被作为应用目标的图像块群在基于图像块分割操作来源河流湖泊图像数据中对应分割位置进行重组后,组成的图像即识别河流湖泊边界后确认的河流湖泊轮廓图像,河流湖泊图像数据的图像块分割阶段,单个图像块越小,则表示河流湖泊轮廓图像精度越高,反之,则表示河流湖泊轮廓图像精度越低。
更进一步地,所述选择模块在河流湖泊轮廓图像中选择检测点位时,服从:检测点位不少于四组,且四组所述检测点位围成区域不小于河流湖泊轮廓图像的3/5。
更进一步地,所述接收模块在接收河流湖泊图像数据后,进一步获取河流湖泊图像数据的河流湖泊轮廓图像,设定模块基于河流湖泊检测点位设定河流湖泊图像数据中区域图像时,以河流湖泊轮廓图像代替河流湖泊图像数据,完成河流湖泊检测点位对应区域图像的设定;
其中,所述河流湖泊检测点位对应区域图像的设定逻辑为:以检测点位为圆心,以指定数值为半径,河流湖泊轮廓图像中求取圆形区域,求取的圆形区域即检测点位对应的区域图像。
更进一步地,所述判定层包括储存模块及判定模块,储存模块用于接收分析层中分析模块分析到的河流湖泊图像数据的纹理特征参数,对河流湖泊图像数据的纹理特征参数进行储存,判定模块用于遍历储存模块中储存的河流湖泊图像数据的纹理特征参数,基于河流湖泊图像数据的纹理特征参数判定河流湖泊水质健康状态;
其中,所述判定层中储存模块实时监测分析层中设定模块运行状态,以每次设定模块运行结束作为一组运行周期,储存模块基于运行周期对接收的河流湖泊纹理特征参数进行区分储存。
更进一步地,所述判定模块中河流湖泊水质健康状态判定逻辑为:
式中:f为河流湖泊水质健康状态表现值;CON1为第一组检测点位对应区域图像的对比度;IDM1为第一组检测点位对应区域图像的逆差矩;H1为第一组检测点位对应区域图像的熵;
其中,河流湖泊水质健康状态表现值f越接近1,则表示河流湖泊水质健康状态越佳,反之,则表示河流湖泊水质健康状态越差。
更进一步地,所述接收模块通过介质电性连接有设定模块及分析模块,所述接收模块通过介质电性连接有选择模块,所述选择模块通过介质电性连接有识别模块及采集模组,所述分析模块通过介质电性连接有储存模块,所述储存模块通过介质电性连接有判定模块。
第二方面,一种基于纹理特征识别的水质检测方法,包括以下步骤:
步骤1:采集河流湖泊图像数据,基于河流湖泊图像数据确定河流湖泊边界;
步骤11:河流湖泊边界确定逻辑的设定阶段;
步骤2:应用河流湖泊边界进一步确认河流湖泊轮廓图像;
步骤21:河流湖泊轮廓图像确认逻辑的设定阶段;
步骤3:在河流湖泊轮廓图像中设定用于纹理特征参数分析的检测点位,应用检测点位进一步设定检测区域图像;
步骤31:检测点位数量的限定及检测区域图像设定逻辑的设定阶段;
步骤4:基于检测区域图像分析河流湖泊图像数据的纹理特征参数,应用纹理特征参数分析结果判定河流湖泊的水质健康状态。
采用本发明提供的技术方案,与已知的公有技术相比,具有如下有益效果:
1、本发明提供一种基于纹理特征识别的水质检测系统,该系统在运行过程中能够对河流湖泊的图像数据进行采集,进而以采集的河流湖泊图像数据进行检测点位的设计,最终以设计的检测点位确认检测区域,再以检测区域进行图像纹理特征分析,最终以图像的纹理特征分析结果来表示河流湖泊的水质健康状态,且系统运行期间人工参与需求较少,采集数据较为全面,输出结果更加精确。
2、本发明中系统在运行过程中,能够通过对河流湖泊图像数据的分割,以获得河流湖泊图像块,进而采用各河流湖泊图像块的相似度比较,为河流湖泊图像数据中河流湖泊轮廓图像的确认提供数据支持,使系统以精准的河流湖泊轮廓图像来晚一步完成水质健康状态的判定,确保系统输出结果更趋于河流湖泊水质的真实情况。
3、本发明提供一种基于纹理特征识别的水质检测方法,通过该方法中的步骤执行能够进一步维护系统运行的稳定,且在该方法的步骤执行过程中,还能够提供系统准确的运行逻辑支持,确保由该系统及方法所组成的技术方案,能稳定实施,为河流湖泊带来智能化的水质健康状态判定。
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为一种基于纹理特征识别的水质检测系统的结构示意图;
图2为一种基于纹理特征识别的水质检测方法的流程示意图;
图3为本发明中系统检测点位及检测点位对应区域求取逻辑示意图;
图中的标号分别代表:1、河流湖泊图像数据;2、河流湖泊图像数据中河流湖泊所在区域;3、河流湖泊轮廓图像;4、检测点位对应区域图像;5、采集模组中气泵运行冲击河流湖泊液面泛起波纹逻辑。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
下面结合实施例对本发明作进一步的描述。
实施例1
本实施例的一种基于纹理特征识别的水质检测系统,如图1所示,包括采集层、分析层及判定层;
河流湖泊的图像数据通过采集层采集,采集层在采集河流湖泊图像数据后,同步确定河流湖泊边界,并基于确定的河流湖泊边界确认河流湖泊检测点位,分析层基于河流湖泊检测点位于采集的河流湖泊图像数据中,获取河流湖泊检测点位对应河流湖泊图像数据中区域图像,分析河流湖泊图像数据中区域图像的纹理特征参数,判定层接收纹理特征参数,应用纹理特征参数判定河流湖泊水质健康状态;
分析层包括接收模块、设定模块及分析模块,接收模块用于接收采集层中采集的河流湖泊图像数据,及于河流湖泊图像数据中获取的河流湖泊检测点位,设定模块用于在河流湖泊图像数据中应用河流湖泊检测点位设定区域图像,分析模块用于接收设定模块中设定的区域图像,基于区域图像分析河流湖泊图像数据的纹理特征参数;
河流湖泊图像数据的纹理特征参数分析逻辑表示为:
IDM=sum[(I(x,y)-I(x0,y0))(x-x0)(y-y0)] (2)
式中:CON为河流湖泊图像对比度;IDM为河流湖泊图像逆差矩;H为河流湖泊图像熵;N为河流湖泊图像中图像块的集合;为第i组图像块中像素块的最大灰度;/>为第i组图像块中像素块的最小灰度;sum为表示对河流湖泊图像中所有像素点进行求和;I(x,y)为河流湖泊图像在像素点(x,y)处的灰度值;I(x0,y0)为河流湖泊图像中基准点(x0,y0)的灰度值;M为河流湖泊图像的灰度级总数;p(xq)为河流湖泊图像中第q个像素的灰度值出现的概率;
其中,每一检测点位对应的区域图像均通过上式求取河流湖泊图像数据的纹理特征参数,河流湖泊图像数据的纹理特征参数分析结果表现形式为:CON∶IDM∶H;
采集层包括采集模组、识别模块及选择模块,采集模组用于采集河流湖泊的图像数据,识别模块用于接收采集模组采集的河流湖泊图像数据,基于河流湖泊图像数据识别河流湖泊边界,以河流湖泊边界确认河流湖泊轮廓图像,选择模块用于接收识别模块中识别到的河流湖泊轮廓图像,于河流湖泊轮廓图像中选择检测点位,基于检测点位确认河流湖泊图像数据中对应的区域图像;
其中,采集模组由无人机、摄像头及气泵组成,采集模组运行采集河流湖泊图像数据阶段,通过系统端用户手动编辑空间坐标,采集模组基于空间坐标确认河流湖泊图像数据采集区域,于河流湖泊图像数据采集区域中对河流湖泊图像数据进行连续的采集,采集模组运行过程中由无人机携带摄像头及气泵于采集区域中河流湖泊的上空上下飞行,无人机向下飞行时,气泵持续运行,气泵的输出端喷出气体冲击河流湖泊的水面,使水面产生涟漪,无人机向上飞行时,采集河流湖泊存在涟漪的图像数据;
判定层包括储存模块及判定模块,储存模块用于接收分析层中分析模块分析到的河流湖泊图像数据的纹理特征参数,对河流湖泊图像数据的纹理特征参数进行储存,判定模块用于遍历储存模块中储存的河流湖泊图像数据的纹理特征参数,基于河流湖泊图像数据的纹理特征参数判定河流湖泊水质健康状态;
其中,判定层中储存模块实时监测分析层中设定模块运行状态,以每次设定模块运行结束作为一组运行周期,储存模块基于运行周期对接收的河流湖泊纹理特征参数进行区分储存;
判定模块中河流湖泊水质健康状态判定逻辑为:
式中:f为河流湖泊水质健康状态表现值;CON1为第一组检测点位对应区域图像的对比度;IDM1为第一组检测点位对应区域图像的逆差矩;H1为第一组检测点位对应区域图像的熵;
其中,河流湖泊水质健康状态表现值f越接近1,则表示河流湖泊水质健康状态越佳,反之,则表示河流湖泊水质健康状态越差;
接收模块通过介质电性连接有设定模块及分析模块,接收模块通过介质电性连接有选择模块,选择模块通过介质电性连接有识别模块及采集模组,分析模块通过介质电性连接有储存模块,储存模块通过介质电性连接有判定模块。
在本实施例中,采集模组运行采集河流湖泊的图像数据,识别模块同步接收采集模组采集的河流湖泊图像数据,基于河流湖泊图像数据识别河流湖泊边界,以河流湖泊边界确认河流湖泊轮廓图像,选择模块后置运行接收识别模块中识别到的河流湖泊轮廓图像,于河流湖泊轮廓图像中选择检测点位,基于检测点位确认河流湖泊图像数据中对应的区域图像,接收模块同步接收采集层中采集的河流湖泊图像数据,及于河流湖泊图像数据中获取的河流湖泊检测点位,设定模块进一步在河流湖泊图像数据中应用河流湖泊检测点位设定区域图像,再由分析模块运行接收设定模块中设定的区域图像,基于区域图像分析河流湖泊图像数据的纹理特征参数,最后通过储存模块接收分析层中分析模块分析到的河流湖泊图像数据的纹理特征参数,对河流湖泊图像数据的纹理特征参数进行储存,判定模块进一步遍历储存模块中储存的河流湖泊图像数据的纹理特征参数,基于河流湖泊图像数据的纹理特征参数判定河流湖泊水质健康状态;
且通过上述记载的河流湖泊图像数据的纹理特征参数分析逻辑及河流湖泊水质健康状态判定逻辑,为系统中运行输出的纹理特征及水质健康状态判定结果,以数字化的形式进行输出,以便于系统端用户的读取;
参见图3所示,图中标号分别表示,河流湖泊图像数据1、河流湖泊图像数据中河流湖泊所在区域2、河流湖泊轮廓图像3、检测点位对应区域图像4、采集模组中气泵运行冲击河流湖泊液面泛起波纹逻辑5,进一步的根据该图中箭头指示,进一步体现了系统基于河流湖泊图像数据分析,由河流湖泊边界确定到河流湖泊轮廓图像,由河流湖泊轮廓图像到检测点位,再由检测点位到检测区域求取的过程。
实施例2
在具体实施层面,在实施例1的基础上,本实施例参照图1对实施例1中一种基于纹理特征识别的水质检测系统做进一步具体说明:
采集模块运行阶段系统端用户手动编辑的空间坐标数量为八组,八组空间坐标围成采集区域为长方体结构,且采集模组在采集河流湖泊图像数据时,采集的河流湖泊图像数据不少于两组,识别模块运行时,接收采集模组采集的河流湖泊图像数据后,通过下述逻辑求取河流湖泊图像数据中相似区域,逻辑公式为:
式中:SSIM为图像x与图像y的相似度;μx为图像x的平均值;μy为图像y的平均值;C1、C2为常数;σxy为图像x与图像y的协方差;为图像x的方差;/>为图像y的方差;
其中,C1=(K1·L)2、C2=(K2·L)2,K1=0.01、K2=0.03,L为图像的灰度级,河流湖泊图像数据在通过识别模块识别河流湖泊边界阶段,对河流湖泊图像数据进行相等大小图像块的分割,分割所得的图像块被应用于上式的相似度计算,在对各图像块进行相似度计算后,对相似度不小于95%的图像块进行区分,使区分结果中,各区分图像块群中,图像块数量最多的一组图像块群,被判定为河流湖泊图像数据中河流湖泊所在区域对应的图像块群;
选择模块运行时,接收识别模块对各河流湖泊图像数据的河流湖泊所在区域对应的图像块群判定结果,以图像块群中图像块数量最多的一组图像块群作为选择模块运行应用目标;
其中,被作为应用目标的图像块群在基于图像块分割操作来源河流湖泊图像数据中对应分割位置进行重组后,组成的图像即识别河流湖泊边界后确认的河流湖泊轮廓图像,河流湖泊图像数据的图像块分割阶段,单个图像块越小,则表示河流湖泊轮廓图像精度越高,反之,则表示河流湖泊轮廓图像精度越低。
通过上述公式计算,能够基于采集模组中气泵吹击河流湖泊产生的波纹来为河流湖泊图像数据中相似区域的求取提供必要的数据支持,进而以此使得系统具备一定的河流湖泊图像数据中河流湖泊区域确定的能力。
如图1所示,选择模块在河流湖泊轮廓图像中选择检测点位时,服从:检测点位不少于四组,且四组检测点位围成区域不小于河流湖泊轮廓图像的3/5;
接收模块在接收河流湖泊图像数据后,进一步获取河流湖泊图像数据的河流湖泊轮廓图像,设定模块基于河流湖泊检测点位设定河流湖泊图像数据中区域图像时,以河流湖泊轮廓图像代替河流湖泊图像数据,完成河流湖泊检测点位对应区域图像的设定;
其中,河流湖泊检测点位对应区域图像的设定逻辑为:以检测点位为圆心,以指定数值为半径,河流湖泊轮廓图像中求取圆形区域,求取的圆形区域即检测点位对应的区域图像。
通过上述设置,进一步限定了河流湖泊轮廓图像中检测点位在选择时的逻辑,确保选择模块选择的检测点位能够更加真实的反映出河流湖泊的水质健康状态。
实施例3
在具体实施层面,在实施例1的基础上,本实施例参照图2对实施例1中一种基于纹理特征识别的水质检测系统做进一步具体说明:
一种基于纹理特征识别的水质检测方法,包括以下步骤:
步骤1:采集河流湖泊图像数据,基于河流湖泊图像数据确定河流湖泊边界;
步骤11:河流湖泊边界确定逻辑的设定阶段;
步骤2:应用河流湖泊边界进一步确认河流湖泊轮廓图像;
步骤21:河流湖泊轮廓图像确认逻辑的设定阶段;
步骤3:在河流湖泊轮廓图像中设定用于纹理特征参数分析的检测点位,应用检测点位进一步设定检测区域图像;
步骤31:检测点位数量的限定及检测区域图像设定逻辑的设定阶段;
步骤4:基于检测区域图像分析河流湖泊图像数据的纹理特征参数,应用纹理特征参数分析结果判定河流湖泊的水质健康状态。
综上而言,上述实施例中系统在运行过程中能够对河流湖泊的图像数据进行采集,进而以采集的河流湖泊图像数据进行检测点位的设计,最终以设计的检测点位确认检测区域,再以检测区域进行图像纹理特征分析,最终以图像的纹理特征分析结果来表示河流湖泊的水质健康状态,且系统运行期间人工参与需求较少,采集数据较为全面,输出结果更加精确;且本系统在运行过程中,能够通过对河流湖泊图像数据的分割,以获得河流湖泊图像块,进而采用各河流湖泊图像块的相似度比较,为河流湖泊图像数据中河流湖泊轮廓图像的确认提供数据支持,使系统以精准的河流湖泊轮廓图像来晚一步完成水质健康状态的判定,确保系统输出结果更趋于河流湖泊水质的真实情况;同时,实施例中方法能够进一步维护系统运行的稳定,且在该方法的步骤执行过程中,还能够提供系统准确的运行逻辑支持,确保由该系统及方法所组成的技术方案,能稳定实施,为河流湖泊带来智能化的水质健康状态判定。
以上实施例仅用以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;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于纹理特征识别的水质检测系统,其特征在于,包括采集层、分析层及判定层;
河流湖泊的图像数据通过采集层采集,采集层在采集河流湖泊图像数据后,同步确定河流湖泊边界,并基于确定的河流湖泊边界确认河流湖泊检测点位,分析层基于河流湖泊检测点位于采集的河流湖泊图像数据中,获取河流湖泊检测点位对应河流湖泊图像数据中区域图像,分析河流湖泊图像数据中区域图像的纹理特征参数,判定层接收纹理特征参数,应用纹理特征参数判定河流湖泊水质健康状态;
所述分析层包括接收模块、设定模块及分析模块,接收模块用于接收采集层中采集的河流湖泊图像数据,及于河流湖泊图像数据中获取的河流湖泊检测点位,设定模块用于在河流湖泊图像数据中应用河流湖泊检测点位设定区域图像,分析模块用于接收设定模块中设定的区域图像,基于区域图像分析河流湖泊图像数据的纹理特征参数;
所述河流湖泊图像数据的纹理特征参数分析逻辑表示为:
式中:CON为河流湖泊图像对比度;IDM为河流湖泊图像逆差矩;H为河流湖泊图像熵;N为河流湖泊图像中图像块的集合;为第i组图像块中像素块的最大灰度;/>为第i组图像块中像素块的最小灰度;sum为表示对河流湖泊图像中所有像素点进行求和;I(x,y)为河流湖泊图像在像素点(x,y)处的灰度值;I(x0,y0)为河流湖泊图像中基准点(x0,y0)的灰度值;M为河流湖泊图像的灰度级总数;p(xq)为河流湖泊图像中第q个像素的灰度值出现的概率;
其中,每一检测点位对应的区域图像均通过上式求取河流湖泊图像数据的纹理特征参数,河流湖泊图像数据的纹理特征参数分析结果表现形式为:CON∶IDM∶H。
2.根据权利要求1所述的一种基于纹理特征识别的水质检测系统,其特征在于,所述采集层包括采集模组、识别模块及选择模块,采集模组用于采集河流湖泊的图像数据,识别模块用于接收采集模组采集的河流湖泊图像数据,基于河流湖泊图像数据识别河流湖泊边界,以河流湖泊边界确认河流湖泊轮廓图像,选择模块用于接收识别模块中识别到的河流湖泊轮廓图像,于河流湖泊轮廓图像中选择检测点位,基于检测点位确认河流湖泊图像数据中对应的区域图像;
其中,采集模组由无人机、摄像头及气泵组成,采集模组运行采集河流湖泊图像数据阶段,通过系统端用户手动编辑空间坐标,采集模组基于空间坐标确认河流湖泊图像数据采集区域,于河流湖泊图像数据采集区域中对河流湖泊图像数据进行连续的采集,采集模组运行过程中由无人机携带摄像头及气泵于采集区域中河流湖泊的上空上下飞行,无人机向下飞行时,气泵持续运行,气泵的输出端喷出气体冲击河流湖泊的水面,使水面产生涟漪,无人机向上飞行时,采集河流湖泊存在涟漪的图像数据。
3.根据权利要求2所述的一种基于纹理特征识别的水质检测系统,其特征在于,所述采集模块运行阶段系统端用户手动编辑的空间坐标数量为八组,八组空间坐标围成采集区域为长方体结构,且采集模组在采集河流湖泊图像数据时,采集的河流湖泊图像数据不少于两组,所述识别模块运行时,接收采集模组采集的河流湖泊图像数据后,通过下述逻辑求取河流湖泊图像数据中相似区域,逻辑公式为:
式中:SSIM为图像x与图像y的相似度;μx为图像x的平均值;μy为图像y的平均值;C1、C2为常数;σxy为图像x与图像y的协方差;为图像x的方差;/>为图像y的方差;
其中,C1=(K1·L)2、C2=(K2·L)2,K1=0.01、K2=0.03,L为图像的灰度级,河流湖泊图像数据在通过识别模块识别河流湖泊边界阶段,对河流湖泊图像数据进行相等大小图像块的分割,分割所得的图像块被应用于上式的相似度计算,在对各图像块进行相似度计算后,对相似度不小于95%的图像块进行区分,使区分结果中,各区分图像块群中,图像块数量最多的一组图像块群,被判定为河流湖泊图像数据中河流湖泊所在区域对应的图像块群。
4.根据权利要求2所述的一种基于纹理特征识别的水质检测系统,其特征在于,所述选择模块运行时,接收识别模块对各河流湖泊图像数据的河流湖泊所在区域对应的图像块群判定结果,以图像块群中图像块数量最多的一组图像块群作为选择模块运行应用目标;
其中,被作为应用目标的图像块群在基于图像块分割操作来源河流湖泊图像数据中对应分割位置进行重组后,组成的图像即识别河流湖泊边界后确认的河流湖泊轮廓图像,河流湖泊图像数据的图像块分割阶段,单个图像块越小,则表示河流湖泊轮廓图像精度越高,反之,则表示河流湖泊轮廓图像精度越低。
5.根据权利要求2所述的一种基于纹理特征识别的水质检测系统,其特征在于,所述选择模块在河流湖泊轮廓图像中选择检测点位时,服从:检测点位不少于四组,且四组所述检测点位围成区域不小于河流湖泊轮廓图像的3/5。
6.根据权利要求1所述的一种基于纹理特征识别的水质检测系统,其特征在于,所述接收模块在接收河流湖泊图像数据后,进一步获取河流湖泊图像数据的河流湖泊轮廓图像,设定模块基于河流湖泊检测点位设定河流湖泊图像数据中区域图像时,以河流湖泊轮廓图像代替河流湖泊图像数据,完成河流湖泊检测点位对应区域图像的设定;
其中,所述河流湖泊检测点位对应区域图像的设定逻辑为:以检测点位为圆心,以指定数值为半径,河流湖泊轮廓图像中求取圆形区域,求取的圆形区域即检测点位对应的区域图像。
7.根据权利要求1所述的一种基于纹理特征识别的水质检测系统,其特征在于,所述判定层包括储存模块及判定模块,储存模块用于接收分析层中分析模块分析到的河流湖泊图像数据的纹理特征参数,对河流湖泊图像数据的纹理特征参数进行储存,判定模块用于遍历储存模块中储存的河流湖泊图像数据的纹理特征参数,基于河流湖泊图像数据的纹理特征参数判定河流湖泊水质健康状态;
其中,所述判定层中储存模块实时监测分析层中设定模块运行状态,以每次设定模块运行结束作为一组运行周期,储存模块基于运行周期对接收的河流湖泊纹理特征参数进行区分储存。
8.根据权利要求7所述的一种基于纹理特征识别的水质检测系统,其特征在于,所述判定模块中河流湖泊水质健康状态判定逻辑为:
式中:f为河流湖泊水质健康状态表现值;CON1为第一组检测点位对应区域图像的对比度;IDM1为第一组检测点位对应区域图像的逆差矩;H1为第一组检测点位对应区域图像的熵;
其中,河流湖泊水质健康状态表现值f越接近1,则表示河流湖泊水质健康状态越佳,反之,则表示河流湖泊水质健康状态越差。
9.根据权利要求2所述的一种基于纹理特征识别的水质检测系统,其特征在于,所述接收模块通过介质电性连接有设定模块及分析模块,所述接收模块通过介质电性连接有选择模块,所述选择模块通过介质电性连接有识别模块及采集模组,所述分析模块通过介质电性连接有储存模块,所述储存模块通过介质电性连接有判定模块。
10.一种基于纹理特征识别的水质检测方法,所述方法是对如权利要求1-9中任意一项所述一种基于纹理特征识别的水质检测系统的实施方法,其特征在于,包括以下步骤:
步骤1:采集河流湖泊图像数据,基于河流湖泊图像数据确定河流湖泊边界;
步骤11:河流湖泊边界确定逻辑的设定阶段;
步骤2:应用河流湖泊边界进一步确认河流湖泊轮廓图像;
步骤21:河流湖泊轮廓图像确认逻辑的设定阶段;
步骤3:在河流湖泊轮廓图像中设定用于纹理特征参数分析的检测点位,应用检测点位进一步设定检测区域图像;
步骤31:检测点位数量的限定及检测区域图像设定逻辑的设定阶段;
步骤4:基于检测区域图像分析河流湖泊图像数据的纹理特征参数,应用纹理特征参数分析结果判定河流湖泊的水质健康状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311840297.8A CN117805109A (zh) | 2023-12-29 | 2023-12-29 | 一种基于纹理特征识别的水质检测方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311840297.8A CN117805109A (zh) | 2023-12-29 | 2023-12-29 | 一种基于纹理特征识别的水质检测方法、系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117805109A true CN117805109A (zh) | 2024-04-02 |
Family
ID=90434386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311840297.8A Pending CN117805109A (zh) | 2023-12-29 | 2023-12-29 | 一种基于纹理特征识别的水质检测方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117805109A (zh) |
Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4931657A (en) * | 1989-04-13 | 1990-06-05 | Macmillan Bloedel Limited | On-line texture sensing |
US20050013486A1 (en) * | 2003-07-18 | 2005-01-20 | Lockheed Martin Corporation | Method and apparatus for automatic object identification |
US20080310692A1 (en) * | 2007-01-16 | 2008-12-18 | Robinson J Paul | System and method of organism identification |
CN105675623A (zh) * | 2016-01-29 | 2016-06-15 | 重庆扬讯软件技术有限公司 | 一种基于污水口视频的污水颜色与流量检测的实时分析方法 |
CN107449780A (zh) * | 2017-06-30 | 2017-12-08 | 南京理工大学 | 基于无人机的水面污染物监测预警方法及系统 |
CN108474742A (zh) * | 2015-12-23 | 2018-08-31 | 凯米罗总公司 | 用于监测和控制沉积物形成的方法和装置 |
CN108805920A (zh) * | 2018-06-01 | 2018-11-13 | 环境保护部卫星环境应用中心 | 未利用地上土壤污染风险区域的识别方法和装置 |
US20190088026A1 (en) * | 2017-09-21 | 2019-03-21 | Becton, Dickinson And Company | Augmented reality devices for hazardous contaminant testing |
EP3489664A1 (en) * | 2017-11-28 | 2019-05-29 | Henkel IP & Holding GmbH | Systems and methods for analyzing stained fabric articles |
CN110749576A (zh) * | 2019-11-19 | 2020-02-04 | 无锡漫途科技有限公司 | 基于计算机视觉的水质透明度测定系统及方法 |
US20200049633A1 (en) * | 2018-08-07 | 2020-02-13 | Britescan, Llc | Portable scanning device for ascertaining attributes of sample materials |
CN110956101A (zh) * | 2019-11-19 | 2020-04-03 | 广东省城乡规划设计研究院 | 一种基于随机森林算法的遥感影像黄河冰凌检测方法 |
KR20200099633A (ko) * | 2019-02-14 | 2020-08-25 | 재단법인 아산사회복지재단 | 영상의 질감 분석 방법 및 컴퓨터 프로그램 |
CN211644963U (zh) * | 2019-12-04 | 2020-10-09 | 江苏腾丰环保科技有限公司 | 一种污水处理池 |
CN112304888A (zh) * | 2019-07-31 | 2021-02-02 | Tcl集团股份有限公司 | 一种水质检测方法、系统及存储介质 |
US20210045658A1 (en) * | 2019-08-12 | 2021-02-18 | Essenlix Corporation | Assay with textured surface |
CN113947570A (zh) * | 2021-09-30 | 2022-01-18 | 西安交通大学 | 一种基于机器学习算法和计算机视觉的裂纹辨识方法 |
CN115100439A (zh) * | 2022-07-15 | 2022-09-23 | 广东瑞恩科技有限公司 | 一种用于水产养殖的水体异常检测方法 |
CN115112662A (zh) * | 2022-06-07 | 2022-09-27 | 成都理工大学 | 一种低功耗污水节点监测系统 |
CN115420753A (zh) * | 2022-08-25 | 2022-12-02 | 哈尔滨工业大学 | 基于路面纹理测量的污染物分布状况测量方法 |
CN115524294A (zh) * | 2022-09-19 | 2022-12-27 | 南京中科深瞳科技研究院有限公司 | 一种离水式实时智能遥感水质监测方法 |
CN115684156A (zh) * | 2022-10-27 | 2023-02-03 | 重庆大学 | 一种基于絮体识别的混凝单元制水状态预警方法 |
CN115984778A (zh) * | 2023-01-09 | 2023-04-18 | 北京深蓝空间遥感技术有限公司 | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 |
CN116183525A (zh) * | 2022-11-28 | 2023-05-30 | 中国科学院长春光学精密机械与物理研究所 | 立体化湖泊蓝藻生物量光谱检测系统 |
CN117132799A (zh) * | 2023-09-07 | 2023-11-28 | 中国民航大学 | 一种助航灯具发光口污染物种类自适应聚类识别方法 |
CN117233762A (zh) * | 2023-11-14 | 2023-12-15 | 广东广宇科技发展有限公司 | 一种基于gb-sar的水库监测方法 |
-
2023
- 2023-12-29 CN CN202311840297.8A patent/CN117805109A/zh active Pending
Patent Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4931657A (en) * | 1989-04-13 | 1990-06-05 | Macmillan Bloedel Limited | On-line texture sensing |
US20050013486A1 (en) * | 2003-07-18 | 2005-01-20 | Lockheed Martin Corporation | Method and apparatus for automatic object identification |
US20080310692A1 (en) * | 2007-01-16 | 2008-12-18 | Robinson J Paul | System and method of organism identification |
CN108474742A (zh) * | 2015-12-23 | 2018-08-31 | 凯米罗总公司 | 用于监测和控制沉积物形成的方法和装置 |
CN105675623A (zh) * | 2016-01-29 | 2016-06-15 | 重庆扬讯软件技术有限公司 | 一种基于污水口视频的污水颜色与流量检测的实时分析方法 |
CN107449780A (zh) * | 2017-06-30 | 2017-12-08 | 南京理工大学 | 基于无人机的水面污染物监测预警方法及系统 |
US20190088026A1 (en) * | 2017-09-21 | 2019-03-21 | Becton, Dickinson And Company | Augmented reality devices for hazardous contaminant testing |
EP3489664A1 (en) * | 2017-11-28 | 2019-05-29 | Henkel IP & Holding GmbH | Systems and methods for analyzing stained fabric articles |
CN108805920A (zh) * | 2018-06-01 | 2018-11-13 | 环境保护部卫星环境应用中心 | 未利用地上土壤污染风险区域的识别方法和装置 |
US20200049633A1 (en) * | 2018-08-07 | 2020-02-13 | Britescan, Llc | Portable scanning device for ascertaining attributes of sample materials |
KR20200099633A (ko) * | 2019-02-14 | 2020-08-25 | 재단법인 아산사회복지재단 | 영상의 질감 분석 방법 및 컴퓨터 프로그램 |
CN112304888A (zh) * | 2019-07-31 | 2021-02-02 | Tcl集团股份有限公司 | 一种水质检测方法、系统及存储介质 |
US20210045658A1 (en) * | 2019-08-12 | 2021-02-18 | Essenlix Corporation | Assay with textured surface |
CN110749576A (zh) * | 2019-11-19 | 2020-02-04 | 无锡漫途科技有限公司 | 基于计算机视觉的水质透明度测定系统及方法 |
CN110956101A (zh) * | 2019-11-19 | 2020-04-03 | 广东省城乡规划设计研究院 | 一种基于随机森林算法的遥感影像黄河冰凌检测方法 |
CN211644963U (zh) * | 2019-12-04 | 2020-10-09 | 江苏腾丰环保科技有限公司 | 一种污水处理池 |
CN113947570A (zh) * | 2021-09-30 | 2022-01-18 | 西安交通大学 | 一种基于机器学习算法和计算机视觉的裂纹辨识方法 |
CN115112662A (zh) * | 2022-06-07 | 2022-09-27 | 成都理工大学 | 一种低功耗污水节点监测系统 |
CN115100439A (zh) * | 2022-07-15 | 2022-09-23 | 广东瑞恩科技有限公司 | 一种用于水产养殖的水体异常检测方法 |
CN115420753A (zh) * | 2022-08-25 | 2022-12-02 | 哈尔滨工业大学 | 基于路面纹理测量的污染物分布状况测量方法 |
CN115524294A (zh) * | 2022-09-19 | 2022-12-27 | 南京中科深瞳科技研究院有限公司 | 一种离水式实时智能遥感水质监测方法 |
CN115684156A (zh) * | 2022-10-27 | 2023-02-03 | 重庆大学 | 一种基于絮体识别的混凝单元制水状态预警方法 |
CN116183525A (zh) * | 2022-11-28 | 2023-05-30 | 中国科学院长春光学精密机械与物理研究所 | 立体化湖泊蓝藻生物量光谱检测系统 |
CN115984778A (zh) * | 2023-01-09 | 2023-04-18 | 北京深蓝空间遥感技术有限公司 | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 |
CN117132799A (zh) * | 2023-09-07 | 2023-11-28 | 中国民航大学 | 一种助航灯具发光口污染物种类自适应聚类识别方法 |
CN117233762A (zh) * | 2023-11-14 | 2023-12-15 | 广东广宇科技发展有限公司 | 一种基于gb-sar的水库监测方法 |
Non-Patent Citations (4)
Title |
---|
DAVID A CLAUSI: "An analysis of co-occurrence texture statistics as a function of grey level quantization", 《CANADIAN JOURNAL OF REMOTE SENSING》, vol. 28, no. 01, 2 June 2014 (2014-06-02), pages 45 - 62 * |
卢洪欢 等: "蠡湖水生态环境影响分析与管理建议", 《江苏水利》, 15 August 2013 (2013-08-15), pages 41 - 42 * |
梁力文: "图像识别在水质检测中的应用", 《电子制作》, 15 July 2018 (2018-07-15), pages 30 - 31 * |
韩九强 等: "《数字图像处理 基于XAVIS组态软件》", 30 September 2018, 西安交通大学出版社, pages: 294 - 296 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959466B (zh) | 基于bcs-dbscan的出租车载客热点可视化方法及系统 | |
CN109145708B (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
CN109255350A (zh) | 一种基于视频监控的新能源车牌检测方法 | |
CN106934455B (zh) | 基于cnn的遥感影像光学适配结构选取方法及系统 | |
CN107463931A (zh) | 一种基于arm平台的实时指针仪表识读方法及装置 | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN109492596A (zh) | 一种基于K-means聚类和区域推荐网络的行人检测方法及系统 | |
CN111767874B (zh) | 一种基于深度学习的路面病害检测方法 | |
CN117351702A (zh) | 一种基于车流量进行调节的智慧交通管理方法 | |
CN116977937A (zh) | 一种行人重识别的方法及系统 | |
CN112949517A (zh) | 基于深度迁移学习的植物气孔密度和开度识别方法及系统 | |
CN111767826A (zh) | 一种定时定点场景异常检测方法 | |
CN117805109A (zh) | 一种基于纹理特征识别的水质检测方法、系统 | |
CN116052110B (zh) | 一种路面标线缺损智能定位方法及系统 | |
CN110765900B (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN111241941A (zh) | 一种基于人工智能的公共节水控制方法和系统 | |
CN114612787A (zh) | 一种尺度变化策略支持的城市绿地深度学习提取方法 | |
CN114155428A (zh) | 基于Yolo-v3算法的水下声呐侧扫图像小目标检测方法 | |
CN113793069A (zh) | 深度残差网络的城市内涝积水智能识别方法 | |
CN111192264A (zh) | 一种基于改进非局部均值Faster-RCNN算法的纸张缺陷自动检测方法 | |
CN112001359A (zh) | 基于模式识别和最优分配的启发式多叉线修补方法 | |
CN112396629A (zh) | 一种基于红外可见光协同的河道巡检跟踪方法 | |
CN117351034B (zh) | 一种钙钛矿电池激光划线方法及系统 | |
CN116777895B (zh) | 基于可解释深度学习的混凝土桥梁表观病害智能检测方法 | |
CN117496745B (zh) | 一种基于人工智能的车位引导数据分析系统及方法 |
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 |