一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法技术

本发明专利技术涉及一种基于GoogLeNet‑SVM的污水曝气池泡沫识别方法，包括以下步骤：步骤S1：获得曝气池的图片；步骤S2：基于图片，获得扩充的样本；步骤S3：基于样本和openCV库，得到统一尺寸样本；步骤S4：基于统一尺寸样本，得到训练集和测试集；步骤S5：基于训练集、测试集、GoogLeNet和SVM，构建污水曝气池泡沫识别模型；步骤S6：基于污水曝气池泡沫识别模型，进行污水曝气池泡沫识别。与现有技术相比，只需输入待测曝气池的图片，即可得到泡沫识别结果，无需人工参与，减少了增加企业的人力成本，避免了对工人身体健康的影响，同时准确度更高。

A foam recognition method for sewage aeration tank based on GoogLeNet-SVM

【技术实现步骤摘要】
一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法
本专利技术涉及污水处理领域，尤其是涉及一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法。
技术介绍
污水处理企业目前对于曝气池泡沫识别还采用人工检测，人工检测依赖工作人员的经验和行业知识，人才难得，会增加企业的人力成本；同时人工检测中个人的主观决策，在复杂，相近的情况容易带有偏向性，会带来较大偏差。另外长期待在现场会影响工人的身体健康。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供无需人工参与、准确度更高的一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法。本专利技术的目的可以通过以下技术方案来实现：一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法，该方法包括以下步骤：步骤S1：获得曝气池的图片；步骤S2：基于图片，获得扩充的样本；步骤S3：基于样本和openCV库，得到统一尺寸样本；步骤S4：基于统一尺寸样本，得到训练集和测试集；步骤S5：基于训练集、测试集、GoogLeNet和SVM，构建污水曝气池泡沫识别模型；步骤S6：基于污水曝气池泡沫识别模型，进行污水曝气池泡沫识别。所述的步骤S2中的扩充过程包括将图片进行翻转、向图片加入椒盐噪声、将图片进行分割和向图片添加光照。所述的步骤S4对统一尺寸样本进行零均值化，得到训练集和测试集。所述的步骤S5污水曝气池泡沫识别模型的构建过程包括：步骤S51：基于GoogLeNet框架和SVM框架，得到初始模型；步骤S52：基于初始模型和训练集，利用优化算法训练得到初始污水曝气池泡沫识别模型；步骤S53：利用测试集对初始污水曝气池泡沫识别模型进行测试，若测试结果符合设定，则得到污水曝气池泡沫识别模型；若测试结果不符合设定，则改变GoogLeNet框架和SVM框架的参数，执行步骤S51。所述的优化算法为反向传播算法。所述的GoogLeNet包括六层结构，第一层结构、第二层结构和第六层结构为单层结构，第三层结构和低五层结构各包括两个子层结构，所述的第四层结构包括五个子层结构，将所述的第四层结构的第二子层结构的输出特征、第四层结构的第五子层结构的输出特征以及第六层结构的输出特征进行分类。所述的第四层结构的第二子层结构的输出特征、第四层结构的第五子层结构的输出特征以及第六层结构的输出特征的权重依次为0.3、0.5和1.0。所述的第四层结构的第二子层结构的输出特征和第四层结构的第五子层结构的输出特征通过softmaxActivation进行分类，所述的第六层结构的输出特征通过SVM进行分类。与现有技术相比，本专利技术具有以下优点：(1)使用GoogLeNet和SVM构建污水曝气池泡沫识别模型，只需输入待测曝气池的图片，即可得到泡沫识别结果，无需人工参与，减少了增加企业的人力成本，避免了对工人身体健康的影响，同时准确度更高。(2)GoogLeNet具有较深的深度和较少的参数，具有较好的性能和较小的计算量。附图说明图1为本专利技术的流程图；图2为本专利技术的结构框图；图3为本专利技术的参与特征分类的第四层结构的第二子层结构和第五子层结构示意图；图4为本专利技术的未参与特征分类的子层结构。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例本实施例提供一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法，步骤包括：1)采集曝气池的图片。2)鉴于图片数量少，采用扩充方法对图片进行扩充，得到扩充的样本；扩充方法主要有：a.图片翻转，将正图片左右翻转，数据增加1倍；b.加入椒盐噪声，在原始正图片中加入椒盐噪声，将数据增加1倍；c.分割图片，将目标区域分割出，其他区域置为0，将数据增加1倍；d.添加光照，图片旋转90°、180°、270°，将数据增加3倍。3)利用openCV库(提供Python、Ruby、MATLAB等语言的接口，实现图像处理和计算机视觉方面的通用算法)对图片统一修改尺寸为224*224，得到统一尺寸样本。4)对统一尺寸样本进行零均值化，划分得到训练集与测试集。5)基于训练集、测试集、GoogLeNet和SVM，构建污水曝气池泡沫识别模型，该步骤包括：设计卷积神经网络，建立初始模型：采用GoogleNet提出inception，使用1x1的卷积来进行升降维，并在多个尺寸上同时进行卷积再聚合。网络结构包括：a.第一层，使用7x7的卷积核(滑动步长2，padding为3，64通道，输出为[112x112x64]，卷积后进行ReLU操作，经过3x3的maxpooling(步长为2)，输出为((112-3+1)/2)+1＝56，即[56x56x64]，再进行ReLU操作；b.第二层，先做LRN处理(LRN一般是在激活、池化后进行的一中处理方法，对局部神经元的活动创建竞争机制，使得其中响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，增强了模型的泛化能力)，使用1x1的卷积核(滑动步长1)，192通道，输出为[56x56x192],卷积后进行ReLU操作,经过3x3的卷积(滑动步长1，padding为1)，输出为[56x56x192]，即56x56x192，再进行ReLU操作，接着做LRN处理，经过3x3的maxpooling(步长为2)，输出为((56-3+1)/2)+1＝28，即[28x28x192]，再进行ReLU操作；c.第三层I(Inception3a层)分为四个分支，采用不同尺度的卷积核来进行处理：(1)64个1x1的卷积核，然后RuLU，输出[28x28x64]；(2)96个1x1的卷积核，作为3x3卷积核之前的降维，变成[28x28x96]，然后进行ReLU计算，再进行128个3x3的卷积(padding为1)，输出[28x28x128]；(3)16个1x1的卷积核，作为5x5卷积核之前的降维，变成[28x28x16]，进行ReLU计算后，再进行32个5x5的卷积(padding为2)，输出[28x28x32]；(4)MAXPool层，使用3x3的核(padding为1)，输出[28x28x192]，然后进行32个1x1的卷积，输出[28x28x32]；将四个结果进行连接，对这四部分输出结果的第三维并联，即64+128+32+32＝256，最终输出[28x28x256]；第三层II(Inception3b层)(1)128个1x1的卷积核，然后RuLU，输出[28x28x128]；(2)128个1x1的卷积核，作为3x3卷积核之前的降维本文档来自技高网...

【技术保护点】
1.一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法，其特征在于，该方法包括以下步骤：/n步骤S1：获得曝气池的图片；/n步骤S2：基于图片，获得扩充的样本；/n步骤S3：基于样本和openCV库，得到统一尺寸样本；/n步骤S4：基于统一尺寸样本，得到训练集和测试集；/n步骤S5：基于训练集、测试集、GoogLeNet和SVM，构建污水曝气池泡沫识别模型；/n步骤S6：基于污水曝气池泡沫识别模型，进行污水曝气池泡沫识别。/n

【技术特征摘要】
1.一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法，其特征在于，该方法包括以下步骤：
步骤S1：获得曝气池的图片；
步骤S2：基于图片，获得扩充的样本；
步骤S3：基于样本和openCV库，得到统一尺寸样本；
步骤S4：基于统一尺寸样本，得到训练集和测试集；
步骤S5：基于训练集、测试集、GoogLeNet和SVM，构建污水曝气池泡沫识别模型；
步骤S6：基于污水曝气池泡沫识别模型，进行污水曝气池泡沫识别。


2.根据权利要求1所述的一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法，其特征在于，所述的步骤S2中的扩充过程包括将图片进行翻转、向图片加入椒盐噪声、将图片进行分割和向图片添加光照。


3.根据权利要求1所述的一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法，其特征在于，所述的步骤S4对统一尺寸样本进行零均值化，得到训练集和测试集。


4.根据权利要求1所述的一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法，其特征在于，所述的步骤S5污水曝气池泡沫识别模型的构建过程包括：
步骤S51：基于GoogLeNet框架和SVM框架，得到初始模型；
步骤S52：基于初始模型和训练集，利用优化算法训练得到初始污水曝气池泡沫识别模型；
步骤S53：利用测试集对初始污水曝气池泡...

【专利技术属性】
技术研发人员：杨志科，蒋秋明，
申请(专利权)人：上海上实龙创智慧能源科技股份有限公司，
类型：发明
国别省市：上海;31