一种絮体沉降速率检测方法、系统、电子设备及介质技术方案

本发明专利技术公开了一种絮体沉降速率检测方法、系统、电子设备及介质，涉及水处理领域，所述方法，包括：获取目标凝絮视频；目标凝絮视频包括T+k帧凝絮图像；将T帧目标图像对分别输入絮体特征编码网络中，得到目标水体的T帧絮体单帧特征；第t帧目标图像对，包括：目标凝絮视频中的第t帧凝絮图像和对应的第t+k帧凝絮图像；1≤t≤T；絮体特征编码网络，包括：由多个依次连接的残差模块构成的卷积神经网络；将目标水体的T帧絮体单帧特征输入速率检测模型中，得到目标凝絮视频中前T帧凝絮图像的絮体沉降速率；速率检测模型是基于时序长短时记忆网络构建的。本发明专利技术能实现对水体全局的絮体沉降速率的准确检测。的准确检测。的准确检测。

【技术实现步骤摘要】
一种絮体沉降速率检测方法、系统、电子设备及介质


[0001]本专利技术涉及水处理领域，特别是涉及一种絮体沉降速率检测方法、系统、电子设备及介质。

技术介绍

[0002]目前，饮用水处理工艺主要包括混凝、沉淀、过滤和消毒等阶段。其中，混凝投加的用量和时间直接影响混凝的效果，如果投加量过多，混凝效果下降的同时费用成本提高；如果投加量过少，则无法满足最终的水质处理要求。然而，如何判断当前水体是否应该进行混凝投加仍是当前水处理的研究难点。
[0003]絮体沉降速率是判断当前水体状态的重要指标，可以作为混凝投加的强力依据。然而，水体单位絮体数量多、体积小，且存在重叠、遮挡、交叉等状况，使得图像处理技术很难对单个絮体进行跟踪，并准确计算其沉降速率。
[0004]传统基于视频的絮体特征检测方法通常采用多目标跟踪算法，对每个运动沉降的絮体建立目标链，进行帧与帧之前的匹配，达到跟踪的效果。针对帧与帧之前的跟踪和匹配，计算单位时间内絮体的沉降速度。然而，传统的跟踪算法如Kalman滤波、粒子滤波等算法，很难处理絮体视频中目标物体小而杂的点，使得跟踪结果存在大量的漏报、虚报以及错误匹配的状况。虚假错误的跟踪轨迹最终导致沉降速率计算错误，影响混凝投加量的判断。同时，单位水体中絮体数量不定，且不同絮体的沉降速率不一，微观上的沉降速率检测往往只能反应局部情况，而无法针对全局进行沉降速率的估计，进而影响混凝投加量的判断。

技术实现思路

[0005]基于此，本专利技术实施例提供一种絮体沉降速率检测方法、系统、电子设备及介质，以实现对水体全局的絮体沉降速率的准确检测，从而准确判断混凝投加量。
[0006]为实现上述目的，本专利技术实施例提供了如下方案：
[0007]一种絮体沉降速率检测方法，包括：
[0008]获取目标凝絮视频；所述目标凝絮视频为对目标水体进行水处理时的凝絮视频；所述目标凝絮视频包括T+k帧凝絮图像；
[0009]将T帧目标图像对分别输入絮体特征编码网络中，得到所述目标水体的T帧絮体单帧特征；所述絮体特征编码网络，包括：由多个依次连接的残差模块构成的卷积神经网络；第t帧目标图像对，包括：所述目标凝絮视频中的第t帧凝絮图像和对应的第t+k帧凝絮图像；1≤t≤T；所述目标水体的一帧絮体单帧特征表征一帧目标图像对中两幅凝絮图像的差异；一个时刻对应一帧絮体单帧特征；
[0010]将所述目标水体的T帧絮体单帧特征输入速率检测模型中，得到所述目标凝絮视频中前T帧凝絮图像的絮体沉降速率；
[0011]其中，所述速率检测模型是基于时序长短时记忆网络构建的。
[0012]可选地，所述速率检测模型的确定方法为：
[0013]获取训练数据；所述训练数据，包括：训练凝絮视频和对应的真实絮体沉降速率；所述训练凝絮视频，包括：对训练水体进行多次水处理时的凝絮视频；所述训练凝絮视频包括T+k帧凝絮图像；
[0014]将T帧训练图像对分别输入絮体特征编码网络中，得到训练水体的T帧絮体单帧特征；第t帧训练图像对，包括：所述训练凝絮视频中的第t帧凝絮图像和对应的第t+k帧凝絮图像；1≤t≤T；
[0015]构建时序长短时记忆网络；所述时序长短时记忆网络，包括：依次连接的第一记忆层、第二记忆层和多层感知机层；所述第一记忆层和所述第二记忆层均包括：T个记忆元组；T个所述记忆元组依次串联；一个时刻对应一个记忆元组；
[0016]将训练水体的T帧絮体单帧特征和对应的真实絮体沉降速率输入所述时序长短时记忆网络，以沉降速率误差最小为目标进行训练，并将训练好的时序长短时记忆网络确定为速率检测模型；训练水体的一帧絮体单帧特征对应输入所述第一记忆层的一个记忆元组中。
[0017]可选地，所述絮体特征编码网络，包括：九个依次连接的残差模块和一个尺度归一化模块；九个残差模块均与所述尺度归一化模块连接；
[0018]第一个残差模块输入一帧图像对；每个所述残差模块用于提取一种维度的特征图；所述尺度归一化模块用于将不同维度的特征图进行统一，并对统一后的特征图进行拼接，得到一帧絮体单帧特征。
[0019]可选地，所述残差模块包括通过短连接构成的恒等映射。
[0020]本专利技术还提供了一种絮体沉降速率检测系统，包括：
[0021]视频获取模块，用于获取目标凝絮视频；所述目标凝絮视频为对目标水体进行水处理时的凝絮视频；所述目标凝絮视频包括T+k帧凝絮图像；
[0022]特征提取模块，用于将T帧目标图像对分别输入絮体特征编码网络中，得到所述目标水体的T帧絮体单帧特征；所述絮体特征编码网络，包括：由多个依次连接的残差模块构成的卷积神经网络；第t帧目标图像对，包括：所述目标凝絮视频中的第t帧凝絮图像和对应的第t+k帧凝絮图像；1≤t≤T；所述目标水体的一帧絮体单帧特征表征一帧目标图像对中两幅凝絮图像的差异；一个时刻对应一帧絮体单帧特征；
[0023]絮体沉降速率检测模块，用于将所述目标水体的T帧絮体单帧特征输入速率检测模型中，得到所述目标凝絮视频中前T帧凝絮图像的絮体沉降速率；
[0024]其中，所述速率检测模型是基于时序长短时记忆网络构建的。
[0025]本专利技术还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的絮体沉降速率检测方法。
[0026]本专利技术还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的絮体沉降速率检测方法。
[0027]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0028]本专利技术实施例提出了一种絮体沉降速率检测方法、系统、电子设备及介质，设计面向帧内的絮体特征编码网络，高效提取单帧内的絮体单帧特征，并基于复杂高效的时序长短时记忆网络构建速率检测模型，考虑到絮体在时间上的长短时记忆关系，能准确预测絮
体沉降速率，因此，本专利技术能实现对水体全局的絮体沉降速率的准确检测，从而准确判断混凝投加量。
附图说明
[0029]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0030]图1为本专利技术实施例提供的絮体沉降速率检测方法的流程图；
[0031]图2为本专利技术实施例提供的絮体特征编码网络的结构图；
[0032]图3为本专利技术实施例提供的残差模块的结构图；
[0033]图4为本专利技术实施例提供的时序长短时记忆网络的结构图；
[0034]图5为本专利技术实施例提供的单个记忆元组的逻辑结构图；
[0035]图6为本专利技术实施例提供的絮体沉降速率检测系统的结构图。
具体实施方式
[0036]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种絮体沉降速率检测方法，其特征在于，包括：获取目标凝絮视频；所述目标凝絮视频为对目标水体进行水处理时的凝絮视频；所述目标凝絮视频包括T+k帧凝絮图像；将T帧目标图像对分别输入絮体特征编码网络中，得到所述目标水体的T帧絮体单帧特征；所述絮体特征编码网络，包括：由多个依次连接的残差模块构成的卷积神经网络；第t帧目标图像对，包括：所述目标凝絮视频中的第t帧凝絮图像和对应的第t+k帧凝絮图像；1≤t≤T；所述目标水体的一帧絮体单帧特征表征一帧目标图像对中两幅凝絮图像的差异；一个时刻对应一帧絮体单帧特征；将所述目标水体的T帧絮体单帧特征输入速率检测模型中，得到所述目标凝絮视频中前T帧凝絮图像的絮体沉降速率；其中，所述速率检测模型是基于时序长短时记忆网络构建的。2.根据权利要求1所述的一种絮体沉降速率检测方法，其特征在于，所述速率检测模型的确定方法为：获取训练数据；所述训练数据，包括：训练凝絮视频和对应的真实絮体沉降速率；所述训练凝絮视频，包括：对训练水体进行多次水处理时的凝絮视频；所述训练凝絮视频包括T+k帧凝絮图像；将T帧训练图像对分别输入絮体特征编码网络中，得到训练水体的T帧絮体单帧特征；第t帧训练图像对，包括：所述训练凝絮视频中的第t帧凝絮图像和对应的第t+k帧凝絮图像；1≤t≤T；构建时序长短时记忆网络；所述时序长短时记忆网络，包括：依次连接的第一记忆层、第二记忆层和多层感知机层；所述第一记忆层和所述第二记忆层均包括：T个记忆元组；T个所述记忆元组依次串联；一个时刻对应一个记忆元组；将训练水体的T帧絮体单帧特征和对应的真实絮体沉降速率输入所述时序长短时记忆网络，以沉降速率误差最小为目标进行训练，并将训练好的时序长短时记忆网络确定为速率检测模型；训练水体的一帧絮体单帧特征对应输入所述第一记忆层的一个记忆元...

【专利技术属性】
技术研发人员：陈锋，蒋惠忠，蒋铼，
申请(专利权)人：浙江天行健水务有限公司，
类型：发明
国别省市：