水下矾花状态识别方法及监测装置、计算机设备和存储介质制造方法及图纸

本发明专利技术公开了一种能自动识别水下矾花并根据矾花状态来指导混凝剂投加量的水下矾花状态识别方法、监测装置、计算机设备和存储介质。该方法对水下矾花图像进行图像预处理，进行多次多尺度采样，依据不同特征描述因子对采样图进行特征提取，得到特征向量后,筛选高相关度的特征向量输入模糊层，获得矾花值，并根据浊度仪数据与矾花值的差值、水厂的工艺数据对矾花值作补偿，进行迭代训练直至获得准确的矾花值数据。还公开了一种矾花监测系统，包括采集模块、采样模块、特征提取模块、特征处理模块、结果处理模块、返回模块、检测模块。本发明专利技术通过机器视觉和人工智能的结合,实时客观的分析水下矾花的状态，并给出混凝剂投加量的指导依据。

【技术实现步骤摘要】
水下矾花状态识别方法及监测装置、计算机设备和存储介质
本专利技术属于自来水生产领域，具体涉及一种基于机器视觉识别水下矾花状态的方法、监测装置、计算机设备和存储介质。
技术介绍
自来水厂水处理工艺一般包括药物投放、混凝沉淀、过滤等环节，其中混凝沉淀环节是指投加混凝剂破坏水中胶体颗粒的稳定性，在一定条件下形成絮状体(即矾花)并利用重力作用使其沉淀从水中分离出来。目前，国内水厂主要依靠人工巡检方式来监控矾花的状态，主要通过人工观察反应池末端的矾花，根据矾花大小、形态、结构等要素来判断凝絮效果的好坏，但是这种方式要求工作人员具有多年的经验积累，并且容易受人为因素的影响。
技术实现思路
本专利技术的目的在于提供一种能自动识别水下矾花并根据水下矾花状态来指导混凝剂投放的水下矾花状态识别方法、监测装置、计算机设备和存储介质。本专利技术提供了一种水下矾花状态识别方法，包括如下步骤：对采集到的水下矾花图像进行图像预处理，获得感兴趣区域图；将该感兴趣区域图输入卷积神经网络，对该感兴趣区域图进行多次采样，获得多个尺度的采样图；选用特征描述因子对获得的多个采样图进行全局特征提取和/或局部特征提取，获得由各个特征描述因子对应的提取结果组成的特征向量；模糊神经网络根据该特征向量进行筛选获得高相关度的特征向量，将该高相关度的特征向量输入该模糊神经网络的模糊层，获得矾花值；参考浊度仪数据修正该矾花值，将修正后的矾花值与在该水体中的混凝剂投放量记录到合理匹配数据序列中，并更新该模糊神经网络的参数；采用更新后的模糊神经网络返回开始步骤重新开始，进行迭代训练，直至满足设定终止条件时，结束训练得到矾花状态判别网络；将采集的水体图像输入矾花状态判别网络，获得矾花值和混凝剂的投放量。在其中一个实施例中，所述对矾花值的修正方法为用浊度仪对该水体检测得到浊度仪数据，计算该浊度仪数据与所述矾花值之间的差值，依据水厂的工艺数据对所述矾花值作相应的补偿。在其中一个实施例中，所述对矾花值的修正方法采用的计算公式为：ynew＝y×(1+α×(NTU-y))，其中，y为修正补偿前的矾花值，a为工艺补偿参数，NTU为浊度仪数据，ynew为修正补偿后的矾花值。在其中一个实施例中，所述对特征向量进行筛选的方法为先筛选出高相关度的特征向量，然后调整该特征向量中各特征对应的权重。在其中一个实施例中，所述模糊神经网络的参数包含模糊层的隶属度函数参数、模糊规则、反模糊函数的参数。在其中一个实施例中，所述采样的方法为将所述感兴趣区域图依次经过卷积神经网络的卷积层、池化层来获得采样图。在其中一个实施例中，所述对各个特征描述因子提取特征结果的方法为采用局部二值模式计算图像中对应于特征描述因子的纹理信息，得到特征结果。本专利技术还提供了一种应用所述水下矾花状态识别方法的矾花监测装置，包括：采集模块，用于对采集到的水下矾花图像进行图像预处理，获得感兴趣区域图；采样模块，用于将感兴趣区域图输入卷积神经网络，对感兴趣区域图进行多次采样，获得多个尺度的采样图；特征提取模块，用于选用特征描述因子对获得的多个采样图进行全局特征提取和/或局部特征提取，获得由各个特征描述因子对应的提取结果组成的特征向量；特征处理模块，用于模糊神经网络根据特征向量进行筛选获得高相关度的特征向量，将该高相关度的特征向量输入该模糊神经网络的模糊层，获得矾花值；结果处理模块，用于修正矾花值，将修正后的矾花值与在该水体中的混凝剂投放量记录到合理匹配数据序列中，并更新模糊神经网络的参数；返回模块，用于采用更新后的模糊神经网络返回开始步骤重新开始，进行迭代训练，直至满足设定终止条件时，结束训练得到矾花状态判别网络；检测模块，用于将采集的水体图像输入矾花状态判别网络，获得矾花值和混凝剂的投放量。本专利技术还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述水下矾花状态识别方法的步骤。本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述水下矾花状态识别方法的步骤。本专利技术所提供的水下矾花状态识别方法具有以下的优点及效果：通过机器视觉和人工智能的结合,多尺度、多特征的处理拍摄的矾花图像,实时客观的分析水下矾花的状态得到矾花值，并给出混凝剂投加量的指导依据，使得投加混凝剂变得简单可行，不再需要依靠专业的知识和经验来判断投加量的多少。本专利技术所提供的矾花监测装置具有以下的优点及效果：采用这种监控系统能实时监测并自动分析处理得到水体中的矾花值，根据矾花值对混凝剂投加量是否合适进行判断并给出调整方向指导。采取机器视觉来代替人工巡检方式，较沉后浊度仪，能更早地预判沉后浊度，克服人工巡检不及时、判断滞后的问题。附图说明图1是本专利技术水下矾花状态识别方法第一种实施例流程图；图2是本专利技术水下矾花状态识别方法第二种实施例流程图；图3是本专利技术矾花监测系统实施例的结构图；图4是本专利技术水下矾花状态识别方法实施例的合理匹配曲线图；图5是实施例的计算机设备示意图；图6是本专利技术水下矾花状态识别方法实施例中模糊神经网络处理过程示意图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。本专利技术水下矾花状态识别方法可以应用于露天水厂的水下矾花状态检测系统，第一种实施例如图1所示，具体实施步骤如下：S201、通过水厂的图像采集装置连续采集水下矾花图像。本实施例的图像采集装置主要为可防水的工业级水下相机，水下相机固定在相机支架上，相机支架安装在相机杆上，该相机杆固定在水厂的反应池与沉淀池中间的通道处，如通过U型锁扣固定在通道的护栏栏杆上。S202、对采集到的水下矾花图像进行图像预处理，获得感兴趣区域图即ROI区域图像。该预处理包括采用均值滤波方法对图像进行去噪、使用直方图均衡化操作来调整图像明暗分布从而实现图像的增强、去掉图像边缘存在的由于变形和模糊而导致的畸变区域，如果拍摄的图像顶部和底部存在文字信息或者存在边框的话，也要一并去除这些区域，最终获得只包含有效水体信息区域的ROI区域图。其中，均值滤波方法的具体计算步骤为：计算窗口区域的像素均值，然后将均值赋值给窗口中心点处的像素，获得均值滤波操作后的的图像；本文档来自技高网...

【技术保护点】
1.水下矾花状态识别方法，其特征在于，包括如下步骤：/n对采集到的水下矾花图像进行图像预处理，获得感兴趣区域图；/n将该感兴趣区域图输入卷积神经网络，对该感兴趣区域图进行多次采样，获得多个尺度的采样图；/n选用特征描述因子对获得的多个采样图进行全局特征提取和/或局部特征提取，获得由各个特征描述因子对应的提取结果组成的特征向量；/n模糊神经网络根据该特征向量进行筛选获得高相关度的特征向量，将该高相关度的特征向量输入该模糊神经网络的模糊层，获得矾花值；/n参考浊度仪数据修正该矾花值，将修正后的矾花值与在该水体中的混凝剂投放量记录到合理匹配数据序列中，并更新该模糊神经网络的参数；/n采用更新后的模糊神经网络返回开始步骤重新开始，进行迭代训练，直至满足设定终止条件时，结束训练得到矾花状态判别网络；/n将采集的水体图像输入矾花状态判别网络，获得矾花值和混凝剂的投放量。/n

【技术特征摘要】
1.水下矾花状态识别方法，其特征在于，包括如下步骤：
对采集到的水下矾花图像进行图像预处理，获得感兴趣区域图；
将该感兴趣区域图输入卷积神经网络，对该感兴趣区域图进行多次采样，获得多个尺度的采样图；
选用特征描述因子对获得的多个采样图进行全局特征提取和/或局部特征提取，获得由各个特征描述因子对应的提取结果组成的特征向量；
模糊神经网络根据该特征向量进行筛选获得高相关度的特征向量，将该高相关度的特征向量输入该模糊神经网络的模糊层，获得矾花值；
参考浊度仪数据修正该矾花值，将修正后的矾花值与在该水体中的混凝剂投放量记录到合理匹配数据序列中，并更新该模糊神经网络的参数；
采用更新后的模糊神经网络返回开始步骤重新开始，进行迭代训练，直至满足设定终止条件时，结束训练得到矾花状态判别网络；
将采集的水体图像输入矾花状态判别网络，获得矾花值和混凝剂的投放量。


2.按照权利要求1所述的水下矾花状态识别方法，其特征在于，所述对矾花值的修正方法为用浊度仪对该水体检测得到浊度仪数据，计算该浊度仪数据与所述矾花值之间的差值，依据水厂的工艺数据对所述矾花值作相应的补偿。


3.按照权利要求2所述的水下矾花状态识别方法，其特征在于，所述对矾花值的修正方法采用的计算公式为：
ynew＝y×(1+α×(NTU-y))，
其中，y为修正补偿前的矾花值，α为工艺补偿参数，NTU为浊度仪数据，ynew为修正补偿后的矾花值。


4.按照权利要求1所述的水下矾花状态识别方法，其特征在于，所述对特征向量进行筛选的方法为先筛选出高相关度的特征向量，然后调整该特征向量中各特征对应的权重。


5.按照权利要求1所述的水下矾花状态识别方法，其特征在于，所述模糊神经网络的参数包含模糊层的隶属度函数参数、模糊规则、反模糊...

【专利技术属性】
技术研发人员：关振明，郭琴，于宏静，贾志超，
申请(专利权)人：广州深视未来智能科技有限责任公司，深圳市深水光明水务有限公司，
类型：发明
国别省市：广东;44