【技术实现步骤摘要】
本专利技术涉及水利工程，尤其涉及一种基于化工区域排放废水的水体检测方法及装置。
技术介绍
1、随着社会的不断发展，对生态环境也越来越重视，尤其是对化工区域中的污染需要更加重视，因此，为了能够及时对环境进行保护，需要对化工区域中的废水水体进行检测，以便根据不同水体类型实施不同的水体保护策略。
2、现有的化工区域的排放废水的水体检测多为通过遥感技术对水污染图像进行分类，进而实现水体类型检测。实际应用中，对整个水污染图像进行分析，而部分水污染图像没有检测的必要，从而对化工区域进行水体检测时的效率较低。
技术实现思路
1、本专利技术提供一种基于化工区域排放废水的水体检测方法及装置，其主要目的在于解决进行化工区域水体检测时的效率较低的问题。
2、为实现上述目的，本专利技术提供的一种基于化工区域排放废水的水体检测方法，包括：
3、s1、获取化工区域的水体可见光图像，对所述水体可见光图像进行图像分割，得到分割水体图像，提取所述分割水体图像的水体颜色特征及水体纹理特征；
4、s2、利用预设的神经网络对所述水体颜色特征及所述水体纹理特征进行训练，得到水体分类模型，通过所述水体分类模型对所述化工区域的水体区域进行分类，得到废水水体集中区域；
5、s3、利用预设的圆形滑动窗口提取所述废水水体集中区域中的废水水体因子，根据预设的化学性质对所述废水水体因子进行分类，得到化学水体因子；
6、s4、根据所述化学水体因子计算所述废水水体集中区
7、s41、对所述废水水体集中区域进行波段划分，得到波段废水水体；
8、s42、根据所述水体污染物含量提取所述波段废水水体中波段污染物含量；
9、s43、通过如下所述水体指数算法根据所述波段污染物含量计算所述废水水体集中区域的废水水体指数：
10、
11、其中，b为所述废水水体指数，ra为第a个波段废水水体中波段污染物含量，t为总污染物含量，n为波段废水水体波段数量；
12、s5、根据所述废水水体指数及预设的水质参数检测所述废水水体集中区域的水体类型。
13、可选地，所述对所述水体可见光图像进行图像分割，得到分割水体图像，包括：
14、对所述水体可见光图像进行中值滤波，得到滤波水体图像；
15、任一选取所述滤波水体图像中的像素点作为像素中心点；
16、利用如下的像素距离公式计算所述像素中心点与预设的目标像素点之间的像素点距离：
17、
18、其中，d为所述像素点距离，lk为所述像素中心点的亮度通道数值，ak为所述像素中心点的第一色彩通道数值，bk为所述像素中心点的第二色彩通道数值，li为所述目标像素点的亮度通道数值，ai为所述目标像素点的第一色彩通道数值，bi为所述目标像素点的第二色彩通道数值，m为像素点紧密因子，k为分割水体图像中的像素点数量，n为水体可见光图像的像素点数量，xk为所述像素中心点的横坐标，yk为所述像素中心点的纵坐标，xi为所述目标像素点的横坐标，yi为所述目标像素点的纵坐标；
19、根据所述像素点距离对所述像素中心点进行聚类，得到分割水体图像。
20、可选地，所述提取所述分割水体图像的水体颜色特征及水体纹理特征，包括：
21、将所述分割水体图像的第一颜色空间转换为第二颜色空间；
22、根据所述第二颜色空间中颜色通道生成颜色区间，根据所述颜色区间中的像素数量确定所述水体颜色特征；
23、将所述分割水体图像转换为分割水体灰度图像；
24、利用如下的概率密度计算公式根据所述分割水体灰度图像计算所述分割水体图像的灰度概率密度：
25、p＝{(u，v)|f(u，v)＝i，f(u+du，v+dv)＝j；u，v＝0，1，2，…，m-1}
26、其中，p为所述灰度概率密度，(u，v)为所述分割水体图像中每个像素的位置坐标，m为所述分割水体灰度图像中每个像素的灰度级，d为像素点距离，i为第一灰度值，j为第二灰度值，f为灰度值映射函数；
27、将所述灰度概率密度作为所述分割水体图像的水体纹理特征。
28、可选地，所述利用预设的神经网络对所述水体颜色特征及所述水体纹理特征进行训练，得到水体分类模型，包括：
29、将所述水体颜色特征及所述水体纹理特征输入至所述神经网络中进行训练，得到每个分割水体图像的水体浓度概率；
30、根据所述水体浓度概率及预设的损失函数计算所述神经网络的学习误差；
31、当所述学习误差小于预设的学习精度时，输出所述神经网络为所述水体分类模型。
32、可选地，所述通过所述水体分类模型对所述化工区域的水体区域进行分类，得到废水水体集中区域，包括：
33、利用所述水体分类模型计算所述化工区域的水体区域的水体浓度，其中所述水体分类模型为：
34、qt＝f(∑wthqh-θt)
35、其中，qt为所述水体分类模型中输出层中第t个神经元的连接权值，qh为所述水体分类模型中前一个输出层中第h个神经元的输出，wth为神经元t到神经元h的加权值，θt为第t个神经元的阈值，f为隐层激活函数；
36、选取所述水体浓度最大的水体区域作为所述废水水体集中区域。
37、可选地，所述利用预设的圆形滑动窗口提取所述废水水体集中区域中的废水水体因子，包括：
38、获取所述圆形滑动窗口的移动步长和水体因子浓度阈值；
39、按照所述移动步长通过所述圆形滑动窗口检测所述废水水体集中区域中的区域水体因子浓度；
40、当所述区域水体因子浓度大于所述水体因子浓度阈值时，将所述区域水体因子对应的水体因子作为所述废水水体集中区域中的废水水体因子。
41、可选地，所述根据预设的化学性质对所述废水水体因子进行分类，得到化学水体因子，包括：
42、逐一提取所述废水水体因子的水体因子含碳量；
43、当所述水体因子含碳量小于预设的含碳量阈值时，根据所述化学性质将所述废水水体因子分类为无机水体因子；
44、当所述水体因子含碳量大于或等于预设的含碳量阈值时，根据所述化学性质将所述废水水体因子分类为有机水体因子；
45、将所述无机水体因子及所述有机水体因子作为所述化学水体因子。
46、可选地，所述根据所述化学水体因子计算所述废水水体集中区域的水体污染物含量，包括：
47、获取所述化学水体因子中有机水体因子的总有机碳量；
48、根据所述总有机碳量确定所述废水水体集中区域的水体污染物含量。
【技术保护点】
1.一种基于化工区域排放废水的水体检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于化工区域排放废水的水体检测方法，其特征在于，所述对所述水体可见光图像进行图像分割，得到分割水体图像，包括：
3.如权利要求1所述的基于化工区域排放废水的水体检测方法，其特征在于，所述提取所述分割水体图像的水体颜色特征及水体纹理特征，包括：
4.如权利要求1所述的基于化工区域排放废水的水体检测方法，其特征在于，所述利用预设的神经网络对所述水体颜色特征及所述水体纹理特征进行训练，得到水体分类模型，包括：
5.如权利要求1所述的基于化工区域排放废水的水体检测方法，其特征在于，所述通过所述水体分类模型对所述化工区域的水体区域进行分类，得到废水水体集中区域，包括：
6.如权利要求1所述的基于化工区域排放废水的水体检测方法，其特征在于，所述利用预设的圆形滑动窗口提取所述废水水体集中区域中的废水水体因子，包括：
7.如权利要求1所述的基于化工区域排放废水的水体检测方法，其特征在于，所述根据预设的化学性质对所述废水水体因子进行分
8.如权利要求1所述的基于化工区域排放废水的水体检测方法，其特征在于，所述根据所述化学水体因子计算所述废水水体集中区域的水体污染物含量，包括：
9.如权利要求1所述的基于化工区域排放废水的水体检测方法，其特征在于，所述根据所述废水水体指数及预设的水质参数检测所述废水水体集中区域的水体类型，包括：
10.一种基于化工区域排放废水的水体检测装置，其特征在于，所述装置包括：
...【技术特征摘要】
1.一种基于化工区域排放废水的水体检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于化工区域排放废水的水体检测方法，其特征在于，所述对所述水体可见光图像进行图像分割，得到分割水体图像，包括：
3.如权利要求1所述的基于化工区域排放废水的水体检测方法，其特征在于，所述提取所述分割水体图像的水体颜色特征及水体纹理特征，包括：
4.如权利要求1所述的基于化工区域排放废水的水体检测方法，其特征在于，所述利用预设的神经网络对所述水体颜色特征及所述水体纹理特征进行训练，得到水体分类模型，包括：
5.如权利要求1所述的基于化工区域排放废水的水体检测方法，其特征在于，所述通过所述水体分类模型对所述化工区域的水体区域进行分类，得到废水水体集中区域，包括：
<...【专利技术属性】
技术研发人员：肖克，王理，刘星辰，宋扬，李娅，苏湘妹，张特乐，刘慧超，
申请(专利权)人：湖南省计量检测研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。