基于深度学习的水质污染判断方法技术

本发明专利技术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。本发明专利技术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。概率。概率。

【技术实现步骤摘要】
基于深度学习的水质污染判断方法


[0001]本专利技术涉及水质污染判断
，尤其涉及基于深度学习的水质污染判断方法。

技术介绍

[0002]随着工业发展、人类活动、地质地形变迁等因素的影响，水环境系统成为受到生物、化学、物理、人为等多种因素影响的动态开放复杂系统，水体污染呈现复合污染的显著趋势，多种污染共存并联合作用；多种人污染过程同时发生；多种污染效应表现出协同或拮抗作用；污染物在环境中的行为涉及多介质、多界面；同时发生物理、化学和生物过程，致使水体污染问题更加复杂化；漂浮物是依赖于浮力漂浮在水体表面的固体废弃物，包括原木、树枝、稻草、桔杆、塑料制品和人畜尸体等。漂浮物的存在，对水体水质，水面景观，供水，水产，航运等构成不利影响，不仅破坏生态环境，还会威胁饮水安全。尤其是在具有发电功能的水库区域，漂浮物顺流而下，易于聚集在河道凹岸、拦河坝前，不仅影响发电水头，减小水电枢纽的发电效益，对枢纽运行安全构成威胁。漂浮物的存在对水体正常功能的发挥造成了极大的影响，因此，对水质中漂浮污染物的判断尤其重要。

技术实现思路

[0003]基于
技术介绍
存在的技术问题，本专利技术提出了基于深度学习的水质污染判断方法。
[0004]本专利技术提出的基于深度学习的水质污染判断方法，包括如下步骤：
[0005]S1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；
[0006]S2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；
[0007]S3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；
[0008]S4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；
[0009]S5获取各景物的特征轮廓信息；
[0010]S6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；
[0011]S7提取特征数据库中对比的污染物特征轮廓信息，并获取关联污染物特征图像的描述信息，展现对比识别结果，判断水质污染概率。
[0012]优选的，所述步骤S3包括有基于深度学习的图片识别模块，图片识别模块用于对获取水面原始图片进行识别处理。
[0013]优选的，所述步骤S4对原始图片做颜色校正处理后，采用混合滤波方法对原始图片做降噪处理，降噪处理：通过利用色调映射方法并采用16比特浮点数据表征各帧原始图像中的每一个像素点，从而准确显示所融合后的高动态范围图像。
[0014]优选的，所述步骤S3采用亮度调节方式或饱和度调节方式或对比度调节方式或细
节调节方式的图像质量调节方式，以调节原始图片的质量。
[0015]优选的，所述步骤S2水质传感器网络包括多个主监控点，主监控点用于每间隔时间对需要监控的水体进行图像采集。
[0016]优选的，所述步骤S6对具有个景物图像进行精确的分割提取，对分割提取的污染物图像进行特征切分。
[0017]优选的，所述水质传感器网络中还设置有预监控敏感行为发生时对应设置冗余监控点，以辅助对应的主监控点进行监控污染物判断。
[0018]优选的，所述步骤S3对原始图片进行形态学腐蚀处理，解决水面波纹的干扰，消除前景中的斑点噪声，生成前景二值图像。
[0019]本专利技术中，所述基于深度学习的水质污染判断方法，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。
附图说明
[0020]图1为本专利技术提出的基于深度学习的水质污染判断方法的流程图。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0022]参照图1，基于深度学习的水质污染判断方法，包括如下步骤：
[0023]S1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；
[0024]S2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；
[0025]S3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；
[0026]S4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；
[0027]S5获取各景物的特征轮廓信息；
[0028]S6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；
[0029]S7提取特征数据库中对比的污染物特征轮廓信息，并获取关联污染物特征图像的描述信息，展现对比识别结果，判断水质污染概率。
[0030]本专利技术中，步骤S3包括有基于深度学习的图片识别模块，图片识别模块用于对获取水面原始图片进行识别处理。
[0031]本专利技术中，步骤S4对原始图片做颜色校正处理后，采用混合滤波方法对原始图片做降噪处理，降噪处理：通过利用色调映射方法并采用16比特浮点数据表征各帧原始图像中的每一个像素点，从而准确显示所融合后的高动态范围图像。
[0032]本专利技术中，步骤S3采用亮度调节方式或饱和度调节方式或对比度调节方式或细节调节方式的图像质量调节方式，以调节原始图片的质量。
[0033]本专利技术中，步骤S2水质传感器网络包括多个主监控点，主监控点用于每间隔时间对需要监控的水体进行图像采集。
[0034]本专利技术中，步骤S6对具有个景物图像进行精确的分割提取，对分割提取的污染物图像进行特征切分。
[0035]本专利技术中，水质传感器网络中还设置有预监控敏感行为发生时对应设置冗余监控点，以辅助对应的主监控点进行监控污染物判断。
[0036]本专利技术中，步骤S3对原始图片进行形态学腐蚀处理，解决水面波纹的干扰，消除前景中的斑点噪声，生成前景二值图像。
[0037]本专利技术：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；提取特征数据库中对比的污染物特征轮廓信息，并获取关联污染物特征图像的描述信息，展现对比识别结果，判断水质污染概率。
[0038]以上所述，仅为本专利技术较佳的具体实施方式，但本专利技术的保护范围并不局限于此，任何熟悉本
的技术人员在本专利技术揭露的技术范围内，根据本专利技术的技术方案及其专利技术构思加以等同替换或改变，都应涵盖在本专利技术的保护范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的水质污染判断方法，其特征在于，包括如下步骤：S1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；S2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；S3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；S4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；S5获取各景物的特征轮廓信息；S6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；S7提取特征数据库中对比的污染物特征轮廓信息，并获取关联污染物特征图像的描述信息，展现对比识别结果，判断水质污染概率。2.根据权利要求1所述的基于深度学习的水质污染判断方法，其特征在于，所述步骤S3包括有基于深度学习的图片识别模块，图片识别模块用于对获取水面原始图片进行识别处理。3.根据权利要求1所述的基于深度学习的水质污染判断方法，其特征在于，所述步骤S4对原始图片做颜色校正处理后，采用混合滤波方法对原始图片做降噪处理，降噪处理：通过利用色调映射方法并采用16比...

【专利技术属性】
技术研发人员：任南琪，王爱杰，王旭，路璐，冯骁驰，
申请(专利权)人：澜途集思生态科技集团有限公司，
类型：发明
国别省市：