JP7424112B2 - Water quality determination device - Google Patents
Water quality determination device Download PDFInfo
- Publication number
- JP7424112B2 JP7424112B2 JP2020038477A JP2020038477A JP7424112B2 JP 7424112 B2 JP7424112 B2 JP 7424112B2 JP 2020038477 A JP2020038477 A JP 2020038477A JP 2020038477 A JP2020038477 A JP 2020038477A JP 7424112 B2 JP7424112 B2 JP 7424112B2
- Authority
- JP
- Japan
- Prior art keywords
- image data
- water quality
- quality determination
- unit
- data
- 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 description 103
- 230000002159 abnormal effect Effects 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 27
- 238000013500 data storage Methods 0.000 claims description 17
- 238000012731 temporal analysis Methods 0.000 claims description 13
- 238000000700 time series analysis Methods 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 8
- 238000000034 method Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 3
- 239000010865 sewage Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Description
本発明は、水質判定装置に関する。 The present invention relates to a water quality determination device.
近年、下水処理場においても労働力が不足しており、下水道処理施設の維持及び管理の効率化が求められている。
そのため、職員の業務の一部を人工知能(AI:Artificial Intelligence)により代替することが検討されている。
In recent years, there has been a shortage of labor at sewage treatment plants, and there is a need for more efficient maintenance and management of sewage treatment facilities.
For this reason, consideration is being given to replacing some of the staff's work with artificial intelligence (AI).
従来技術の一例である特許文献1には、オートエンコーダで画像データの特徴抽出を行い、One-Class SVM(Support Vector Machine)等の1クラス分類器を用いて正常値と外れ値とを識別して異常判定を行う技術が開示されている。 Patent Document 1, which is an example of the conventional technology, extracts features from image data using an autoencoder and identifies normal values and outliers using a one-class classifier such as a One-Class SVM (Support Vector Machine). A technique has been disclosed for determining an abnormality.
しかしながら、上記の従来技術では、単一の1クラス分類器により判定を行うため、色、スカム及びフロックといった、水質の多様な特徴に対応することが困難であり、未知の異常状態を検知することも困難である、という問題があった。 However, in the above-mentioned conventional technology, since the judgment is made using a single one-class classifier, it is difficult to deal with various characteristics of water quality such as color, scum, and floc, and it is difficult to detect unknown abnormal conditions. The problem was that it was also difficult.
本発明は、上記に鑑みてなされたものであって、未知の異常状態が生じても水質を判定することができる技術を提供することを目的とする。 The present invention has been made in view of the above, and an object of the present invention is to provide a technique that can determine water quality even if an unknown abnormal condition occurs.
上述の課題を解決して目的を達成する本発明は、水質判定対象から取得した画像データを記憶する画像データ記憶部と、前記画像データ記憶部に記憶された前記画像データに加工処理を行って加工済画像データを出力する画像加工部と、前記水質判定対象の水質が正常状態である時の画像データが加工された正常時加工済画像データを教師データとして学習し、学習済パラメータを出力する畳み込みAE(Auto Encoder)学習部と、前記畳み込みAE学習部が出力した前記学習済パラメータを記憶する畳み込みAEパラメータ記憶部と、前記畳み込みAEパラメータ記憶部に記憶された前記学習済パラメータを用いて畳み込みAEを構築し、前記水質判定対象の判定時における判定時加工済画像データを再現するように復元画像データを生成して出力する畳み込みAE推定部と、前記判定時加工済画像データと前記復元画像データとを比較することで水質判定を行う水質判定部とを備える水質判定装置である。 The present invention, which solves the above-mentioned problems and achieves the object, comprises: an image data storage unit that stores image data acquired from a target for water quality determination; and a processing process performed on the image data stored in the image data storage unit. an image processing unit that outputs processed image data; and a normal-time processed image data obtained by processing image data when the water quality to be determined is in a normal state, which is trained as training data, and outputs learned parameters. Convolution is performed using a convolution AE (Auto Encoder) learning unit, a convolution AE parameter storage unit that stores the learned parameters outputted by the convolution AE learning unit, and the learned parameters stored in the convolution AE parameter storage unit. a convolution AE estimator that constructs an AE and generates and outputs restored image data to reproduce the image data processed at the time of judgment of the water quality determination target; and the processed image data at the time of judgment and the restored image. This water quality determination device includes a water quality determination section that determines water quality by comparing data.
上記構成の水質判定装置において、異常領域特定部を更に備え、前記水質判定部が、前記判定時加工済画像データと前記復元画像データとを比較して差分画像データを生成し、前記異常領域特定部が、前記差分画像データに基づいて異常領域を特定することが好ましい。 The water quality determination device configured as described above further includes an abnormal area identifying section, wherein the water quality determining section compares the image data processed at the time of determination with the restored image data to generate difference image data, and identifies the abnormal area. It is preferable that the unit identifies the abnormal area based on the difference image data.
上記構成の水質判定装置において、前記水質判定部が出力する水質判定データ及び前記異常領域特定部が出力する異常領域データを記憶する水質判定データ及び異常領域データ記憶部と、前記水質判定データ及び前記異常領域データに対して時系列解析を行う時系列解析部とを更に備えることが好ましい。 In the water quality determination device having the above configuration, a water quality determination data and abnormal area data storage unit that stores water quality determination data outputted by the water quality determination unit and abnormal area data outputted by the abnormal area identification unit; Preferably, the apparatus further includes a time series analysis section that performs time series analysis on the abnormal region data.
本発明によれば、未知の異常状態が生じても水質を判定することができる、という効果を奏する。 According to the present invention, the water quality can be determined even if an unknown abnormal condition occurs.
本発明の実施形態について図面を参照して以下に説明する。
ただし、本発明は、以下の実施形態の記載によって限定解釈されるものではない。
Embodiments of the present invention will be described below with reference to the drawings.
However, the present invention is not limited to the description of the embodiments below.
<実施形態1>
図1は、本実施形態に係る水質判定装置100の構成を示すブロック図である。
図1に示す水質判定装置100は、画像データ記憶部101と、画像加工部102と、畳み込みAE学習部103と、畳み込みAEパラメータ記憶部104と、畳み込みAE推定部105と、水質判定部106とを備える。
<Embodiment 1>
FIG. 1 is a block diagram showing the configuration of a water
The water
画像データ記憶部101は、水質判定対象に設置された、図示しないカメラにより得られた画像データを入力とし、該画像データを記憶する。
水質判定対象としては、下水道処理施設等の沈殿池又は水槽を例示することができる。
画像データ記憶部101に記憶された画像データは、画像加工部102、畳み込みAE推定部105及び水質判定部106に出力される。
画像データ記憶部101は、半導体メモリ及び磁気ディスク等の記録媒体により実現することができる。
この画像データは、静止画又は複数の連続した静止画により構成される動画の双方を含む。
The image
Examples of water quality determination targets include sedimentation ponds or water tanks in sewage treatment facilities and the like.
The image data stored in the image
The image
This image data includes both still images and moving images composed of a plurality of consecutive still images.
画像加工部102は、画像データ記憶部101に記憶された画像データを入力とし、該画像データに加工処理を行い、加工済画像データを出力とする。
画像加工部102が行う加工処理は、畳み込みAE学習部103に入力可能となるように、画像データに対して行うトリミング処理、正規化処理又はフィルタ処理である。
画像加工部102は、MPU(Micro-Processing Unit)及びCPU(Central Processing Unit)等のプロセッサにより実現することができる。
なお、加工済画像データには、後述する正常時加工済画像データ及び判定時加工済画像データが含まれる。
The
The processing performed by the
The
Note that the processed image data includes normal-time processed image data and judgment-time processed image data, which will be described later.
畳み込みAE学習部103は、画像加工部102が出力する加工済画像データを入力とし、入力画像データである正常時加工済画像データを教師データとして学習を行い、学習済パラメータを生成して畳み込みAEパラメータ記憶部104に出力する。
ここで、学習は、入力された正常時加工済画像データの特徴を抽出し、入力された正常時加工済画像データを再現するように復元画像を生成することにより行われる。
畳み込みAE学習部103は、MPU及びCPU等のプロセッサにより実現することができる。
The convolution
Here, learning is performed by extracting features of the input normal-time processed image data and generating a restored image so as to reproduce the input normal-time processed image data.
The convolutional
ここで、畳み込みAE学習部103が行う学習は、水質判定対象の水質が正常状態である時に行う。
正常状態とは、水質判定対象を含むシステムが不具合なく稼働している状態をいう。
畳み込みAE学習部103は、水質判定対象の水質が正常状態である時に画像データ記憶部101に入力され、画像加工部102によって加工処理が行われた入力画像データである正常時加工済画像データの特徴を自動で抽出し、該入力画像データを再現するように復元画像データを生成し、学習を行い、学習済パラメータを生成する。
Here, the learning performed by the convolutional
A normal state is a state in which the system including the water quality determination target is operating without any problems.
The convolution
畳み込みAEパラメータ記憶部104は、畳み込みAE学習部103が出力した学習済パラメータを入力とし、該学習済パラメータを記憶する。
畳み込みAEパラメータ記憶部104は、半導体メモリ及び磁気ディスク等の記録媒体により実現することができる。
The convolutional AE
The convolutional AE
畳み込みAE推定部105は、畳み込みAEパラメータ記憶部104に記憶された学習済パラメータと、判定時における画像加工部102からの判定時加工済画像データとを入力とし、学習済パラメータを用いて畳み込みAEを構築して、入力された判定時加工済画像データを再現するように復元画像データを生成する。
畳み込みAE推定部105は、MPU及びCPU等のプロセッサにより実現することができる。
The convolution
The convolutional
図2は、図1に示す畳み込みAE推定部105及び水質判定部106の入出力関係及び畳み込みAE推定の概要を示す図である。
図2に示すように、畳み込みAE推定部105は、次元を圧縮するエンコーダと次元を復元するデコーダとを含む。
畳み込みAE推定部105は、入力画像データから復元画像データを生成する。
そして、水質判定部106は、入力画像データと復元画像データとの差分から差分画像データを生成する。
このように、畳み込みAEでは設計に特別なチューニングを要さず、学習は画像データの入力のみで行われる。
FIG. 2 is a diagram illustrating the input/output relationship of the convolutional
As shown in FIG. 2, the convolutional
The convolution
Then, the water
In this way, convolutional AE does not require any special tuning in its design, and learning is performed only by inputting image data.
畳み込みAE推定部105には、水質判定対象の水質が正常状態である時のデータによって学習された学習済パラメータを用いて畳み込みAEが構築される。
そのため、水質判定対象において画像データを取得した際の水質が正常である場合には、入力された加工済画像データと生成された復元画像データとの間に大きな差は生じない。
水質判定対象において画像データを取得した際の水質が正常でない場合、すなわち異常である場合には、異常箇所において復元画像データの生成が正しく行われず、入力された加工済画像データと復元画像との間に差異が生じることになる。
The convolutional
Therefore, if the water quality is normal when the image data is acquired for the water quality determination target, there will not be a large difference between the input processed image data and the generated restored image data.
If the water quality is not normal when the image data is acquired for the water quality determination target, that is, if it is abnormal, the restored image data will not be generated correctly at the abnormal location, and the input processed image data and restored image will not be correctly generated. There will be a difference between the two.
水質判定部106は、画像加工部102が出力する入力画像データである判定時加工済画像データと、畳み込みAE推定部105が出力する復元画像データとを入力とし、入力画像データと復元画像データとを比較して差分画像を生成し、該差分画像に基づいて水質判定を行い、水質判定結果を示す水質判定データを出力する。
水質判定部106は、MPU及びCPU等のプロセッサにより実現することができる。
The water
The water
水質判定部106に入力された判定時加工済画像データ及び復元画像データは、縦、横及びチャネル数による三次元の行列データである。
水質判定部106は、各ピクセル値において、判定時加工済画像データと復元画像データとの差分をとって差分画像データを生成する。
この差分画像データにおいては、入力された判定時加工済画像データと復元画像との差分が大きい部分では各ピクセル値が大きくなる。
すなわち、異常箇所においては差分画像の平均輝度値が大きくなるため、差分画像データの平均輝度値の大きさにより差分を評価することが可能である。
そして、水質判定部106は、予め設定された差分画像の平均輝度値のしきい値を用いて、水質判定対象の水質が正常であるか異常であるかを判定する。
この平均輝度値のしきい値は、十分な量の画像を適用して得られた平均輝度値の分布を考慮して決定するとよい。
The image data processed at the time of determination and the restored image data input to the water
The water
In this difference image data, each pixel value becomes large in a portion where the difference between the input processed image data at the time of determination and the restored image is large.
That is, since the average brightness value of the difference image becomes large at an abnormal location, it is possible to evaluate the difference based on the magnitude of the average brightness value of the difference image data.
Then, the water
The threshold value of the average brightness value may be determined by considering the distribution of the average brightness values obtained by applying a sufficient amount of images.
以上説明したように、本実施形態によれば、水質判定対象の水質が正常状態である時の画像データによって学習を行うことで、水質判定対象の水質の異常を検知することができる。
本実施形態によれば、水質判定対象の水質の異常を予めクラスタとして定義することなく、また、異常時の画像データを取得することもなく、水質判定対象の水質の異常を検知することができる。
従って、本実施形態によれば、水質判定対象の水質に未知の異常が生じた場合であっても異常を検知することができ、水質を判定することができる。
As described above, according to the present embodiment, an abnormality in the water quality to be determined can be detected by performing learning using image data when the water quality to be determined is in a normal state.
According to this embodiment, an abnormality in the water quality to be determined can be detected without defining the abnormality in the water quality to be determined as a cluster in advance, and without acquiring image data at the time of the abnormality. .
Therefore, according to this embodiment, even if an unknown abnormality occurs in the water quality to be determined, the abnormality can be detected and the water quality can be determined.
<実施形態2>
実施形態1では、水質判定対象の水質に異常が生じた場合には、その異常が未知の異常であっても検知可能な水質判定装置100について説明したが、本実施形態では、異常の有無のみならず、異常の原因の位置及び形状の情報を得ることが可能な、実施形態1よりも確度の高い水質判定が可能な構成について説明する。
<Embodiment 2>
In Embodiment 1, the water
図3は、本実施形態に係る水質判定装置100Aの構成を示すブロック図である。
図3に示す水質判定装置100Aは、水質判定部106に代えて水質判定部106aを備え、更には異常領域特定部107を備える点が図1に示す水質判定装置100と異なり、その他の構成は同じである。
FIG. 3 is a block diagram showing the configuration of the water
The water
水質判定部106aは、水質判定データのみならず、生成した差分画像データを出力する点が水質判定部106と異なる。
The water
異常領域特定部107は、水質判定部106aが出力した差分画像データを入力とし、入力された差分画像データの各ピクセル値が大きい領域、すなわち差分画像の平均輝度値が大きい領域を異常領域として特定し、特定した異常領域を示す異常領域データを出力とする。
異常領域特定部107は、MPU及びCPU等のプロセッサにより実現することができる。
The abnormal
The abnormal
また、異常領域特定部107は、まず差分画像データに対して二値化処理を行い、二値化処理された差分画像データの複数領域への分割を繰り返すことで異常領域を特定していく。
異常領域特定部107は、まず、2×2メッシュで差分画像データの分割を行い、差分画像データ全体の平均輝度値と、分割された各領域の平均輝度値とを比較することで、メッシュで分割された各領域が正常であるか異常であるかを判定する。
ここでは、2×2メッシュで差分画像データの分割を行っているため、異常領域特定部107は、差分画像データの4つの領域の平均輝度値を比較して平均輝度値が大きい領域を異常領域であると特定する。
その後、異常領域特定部107は、2×2メッシュで特定した異常領域を対象として、4×4メッシュで分割を行い、2×2メッシュで差分画像データの分割を行った場合と同様に4×4メッシュで異常領域を特定する。
その後、異常領域特定部107は、8×8メッシュで同様に異常領域を特定する。
このように、差分画像データの分割を行うメッシュを細分化していくことで、異常領域を詳細に特定することが可能となる。
In addition, the abnormal
The abnormal
Here, since the difference image data is divided into 2×2 meshes, the abnormal
Thereafter, the abnormal
Thereafter, the abnormal
In this way, by subdividing the mesh that divides the differential image data, it becomes possible to specify the abnormal region in detail.
なお、異常領域がスカムのように粒子形状の浮遊物を含む場合には、異常領域特定部107は、粒子解析によってその粒子数を特定してもよい。
具体的には、差分画像データに二値化処理を行い、二値化処理を行ったデータに対して平滑フィルタリング、モルフォロジー処理及びラベリング処理を行うことで、差分画像データ中の粒子位置及び粒子個数の判定が可能になる。
このように、異常を生じさせている原因であるスカム等の形状、位置及び個数等を明らかにすることができる。
Note that when the abnormal area includes particle-shaped floating substances such as scum, the abnormal
Specifically, by performing binarization processing on the difference image data, and performing smoothing filtering, morphology processing, and labeling processing on the data that has been subjected to the binarization processing, the particle positions and number of particles in the difference image data can be determined. It becomes possible to judge.
In this way, it is possible to clarify the shape, position, number, etc. of scum etc. that are the cause of the abnormality.
以上説明したように、本実施形態によれば、実施形態1の効果に加えて、異常の検知のみならず、異常領域の特定も可能となる。
従って、本実施形態によれば、異常原因の詳細が明らかとなり、異常の有無のみならず異常原因の詳細な情報を得ることが可能となり、実施形態1よりも確度の高い水質判定が可能となる。
As explained above, according to this embodiment, in addition to the effects of Embodiment 1, it is possible not only to detect an abnormality but also to specify an abnormal region.
Therefore, according to the present embodiment, the details of the cause of the abnormality become clear, making it possible to obtain not only the presence or absence of an abnormality but also detailed information on the cause of the abnormality, making it possible to determine water quality with higher accuracy than in the first embodiment. .
<実施形態3>
実施形態1では、水質判定対象の水質に異常が生じた場合には、その異常が未知の異常であっても検知可能な水質判定装置100について説明し、実施形態2では、更に所定時点における異常原因の詳細な情報を得ることが可能な水質判定装置100Aについて説明したが、本実施形態では、異常原因の経時変化の情報を得ることが可能な、実施形態1,2よりも確度の高い水質判定が可能な構成について説明する。
<Embodiment 3>
Embodiment 1 describes a water
図4は、本実施形態に係る水質判定装置100Bの構成を示すブロック図である。
図4に示す水質判定装置100Bは、水質判定データ及び異常領域データ記憶部108と、時系列解析部109とを更に備える点が図3に示す水質判定装置100Aと異なり、その他の構成は同じである。
FIG. 4 is a block diagram showing the configuration of the water
The water
水質判定データ及び異常領域データ記憶部108は、水質判定部106aが出力した水質判定データと、異常領域特定部107が出力した異常領域データとを入力とし、水質判定データ及び異常領域データを記憶する。
なお、水質判定データ及び異常領域データには、水質判定対象において画像データを取得した取得時刻情報が含まれている。
水質判定データ及び異常領域データ記憶部108は、半導体メモリ及び磁気ディスク等の記録媒体により実現することができる。
The water quality determination data and abnormal area
Note that the water quality determination data and the abnormal area data include acquisition time information at which image data was acquired for the water quality determination target.
The water quality determination data and abnormal area
時系列解析部109は、水質判定データ及び異常領域データ記憶部108に時系列データとして記憶された水質判定データ及び異常領域データを入力とし、取得時刻情報に基づいて時系列解析を行い、時系列解析結果を示す時系列解析データを出力する。
時系列解析部109は、水質判定結果及び異常領域特定結果の時系列データに移動平均、カルマンフィルタ又はパーティクルフィルタ等の平滑化処理を行うことで時系列解析を行う。
時系列解析部109は、MPU及びCPU等のプロセッサにより実現することができる。
The time
The time
The time
以上説明したように、本実施形態によれば、実施形態2の効果に加えて、異常領域の特定のみならず、異常領域の経時変化の情報を得ることも可能となる。
従って、本実施形態によれば、異常原因の経時変化の情報も得ることが可能となり、実施形態2よりも更に確度の高い水質判定が可能となる。
As explained above, according to this embodiment, in addition to the effects of Embodiment 2, it is possible not only to specify an abnormal region but also to obtain information on changes over time in the abnormal region.
Therefore, according to the present embodiment, it is possible to obtain information on the change over time of the cause of the abnormality, and water quality can be determined with higher accuracy than in the second embodiment.
なお、実施形態1から3にて説明した水質判定装置によれば、具体的には水質判定対象の処理水上に浮上するスカム等の浮遊物量、及び活性汚泥沈殿率等に起因して変化する処理水の色等の異常を検知して水質を判定することが可能であるが、異常時において正常状態との差異が画像データに表れるものであれば、これらに限定されず、あらゆる異常を検知することができる。 According to the water quality determination apparatus described in Embodiments 1 to 3, specifically, the amount of suspended matter such as scum floating on the treated water that is subject to water quality determination, and the treatment that changes due to the activated sludge sedimentation rate, etc. It is possible to determine water quality by detecting abnormalities such as the color of water, but any abnormality can be detected, including but not limited to, as long as the image data shows a difference from the normal state at the time of abnormality. be able to.
100,100A,100B 水質判定装置
101 画像データ記憶部
102 画像加工部
103 畳み込みAE学習部
104 畳み込みAEパラメータ記憶部
105 畳み込みAE推定部
106,106a 水質判定部
107 異常領域特定部
108 水質判定データ及び異常領域データ記憶部
109 時系列解析部
100, 100A, 100B Water
Claims (3)
前記画像データ記憶部に記憶された前記画像データに加工処理を行って加工済画像データを出力する画像加工部と、
前記水質判定対象の水質が正常状態である時の画像データが加工された正常時加工済画像データを教師データとして学習し、学習済パラメータを出力する畳み込みAE学習部と、
前記畳み込みAE学習部が出力した前記学習済パラメータを記憶する畳み込みAEパラメータ記憶部と、
前記畳み込みAEパラメータ記憶部に記憶された前記学習済パラメータを用いて畳み込みAEを構築し、前記水質判定対象の判定時における判定時加工済画像データを再現するように復元画像データを生成して出力する畳み込みAE推定部と、
前記判定時加工済画像データと前記復元画像データとを予め設定された差分画像の平均輝度値のしきい値を用いて、比較することで水質判定を行う水質判定部とを備える水質判定装置。 an image data storage unit that stores image data acquired from the water quality determination target;
an image processing unit that performs processing on the image data stored in the image data storage unit and outputs processed image data;
a convolution AE learning unit that learns normal-time processed image data obtained by processing image data when the water quality to be determined is in a normal state as teacher data, and outputs learned parameters;
a convolutional AE parameter storage unit that stores the learned parameters output by the convolutional AE learning unit;
Constructing a convolutional AE using the learned parameters stored in the convolutional AE parameter storage unit, and generating and outputting restored image data so as to reproduce the judgment-processed image data at the time of judgment of the water quality judgment target. a convolutional AE estimation unit that performs
A water quality determination device comprising: a water quality determination unit that performs water quality determination by comparing the image data processed at the time of determination and the restored image data using a preset threshold of an average brightness value of a difference image .
前記水質判定部が、前記判定時加工済画像データと前記復元画像データとを比較して差分画像データを生成し、
前記異常領域特定部が、前記差分画像データに基づいて異常領域を特定し、粒子解析によって異常領域の粒子位置及び粒子個数を特定することを特徴とする請求項1に記載の水質判定装置。 It further includes an abnormal area identification section,
The water quality determination unit compares the image data processed at the time of determination and the restored image data to generate difference image data;
The water quality determination device according to claim 1, wherein the abnormal area specifying unit specifies the abnormal area based on the differential image data , and specifies the particle position and number of particles in the abnormal area by particle analysis .
前記水質判定データ及び前記異常領域データに対して時系列解析を行う時系列解析部とを更に備えることを特徴とする請求項2に記載の水質判定装置。 a water quality determination data and abnormal area data storage unit that stores water quality determination data output by the water quality determination unit and abnormal area data output by the abnormal area identification unit;
The water quality determination device according to claim 2, further comprising a time series analysis unit that performs time series analysis on the water quality determination data and the abnormal area data.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020038477A JP7424112B2 (en) | 2020-03-06 | 2020-03-06 | Water quality determination device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020038477A JP7424112B2 (en) | 2020-03-06 | 2020-03-06 | Water quality determination device |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021140522A JP2021140522A (en) | 2021-09-16 |
JP7424112B2 true JP7424112B2 (en) | 2024-01-30 |
Family
ID=77668704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020038477A Active JP7424112B2 (en) | 2020-03-06 | 2020-03-06 | Water quality determination device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7424112B2 (en) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018005773A (en) | 2016-07-07 | 2018-01-11 | 株式会社リコー | Abnormality determination device and abnormality determination method |
JP2019136664A (en) | 2018-02-13 | 2019-08-22 | 株式会社明電舎 | Water quality analyzer and water quality analysis method |
-
2020
- 2020-03-06 JP JP2020038477A patent/JP7424112B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018005773A (en) | 2016-07-07 | 2018-01-11 | 株式会社リコー | Abnormality determination device and abnormality determination method |
JP2019136664A (en) | 2018-02-13 | 2019-08-22 | 株式会社明電舎 | Water quality analyzer and water quality analysis method |
Also Published As
Publication number | Publication date |
---|---|
JP2021140522A (en) | 2021-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3176751B1 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
JP7043983B2 (en) | Water quality judgment device and water quality judgment method for sewage treatment facilities | |
JP7147933B2 (en) | Water quality analysis method | |
US9082190B2 (en) | Computationally efficient method for image segmentation with intensity and texture discrimination | |
CN107590512B (en) | The adaptive approach and system of parameter in a kind of template matching | |
Maere et al. | Membrane bioreactor fouling behaviour assessment through principal component analysis and fuzzy clustering | |
CN110930357A (en) | In-service steel wire rope surface defect detection method and system based on deep learning | |
CN112261403B (en) | Device and method for detecting dirt of vehicle-mounted camera | |
KR100889997B1 (en) | Apparatus and Method for Ship Ballast Water Examination using Image Processing | |
CN112508950B (en) | Anomaly detection method and device | |
KR101999696B1 (en) | Method for controlling water purification using real-time image analysis | |
Zhao et al. | Recognition of flooding and sinking conditions in flotation process using soft measurement of froth surface level and QTA | |
CN113688751A (en) | Method and device for analyzing alum blossom characteristics by using image recognition technology | |
CN117576104B (en) | Visual detection method for health state of ultrafiltration membrane in purification process | |
CN113689431B (en) | Industrial product appearance defect detection method and device | |
JP7424112B2 (en) | Water quality determination device | |
CN112507869B (en) | Underwater target behavior observation and water environment monitoring method based on machine vision | |
Aslam et al. | An Effective Surface Defect Detection Method Using Adaptive Thresholding Fused With PSO Algorithm. | |
Sivchenko et al. | Floc sensor prototype tested in the municipal wastewater treatment plant | |
CN110751618B (en) | Floater detection method and device and electronic equipment | |
Ganegedara et al. | Self organising map based region of interest labelling for automated defect identification in large sewer pipe image collections | |
JP7507034B2 (en) | Information processing device, water treatment system, information processing method and program | |
CN117876286B (en) | Intelligent ship cleaning system for underwater robot | |
JP2022025860A (en) | Water quality assessment device | |
Niwa et al. | Unsupervised light spot detection using background subtraction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220922 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230815 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231010 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231219 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240101 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7424112 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |