【技术实现步骤摘要】
本专利技术涉及图像识别，具体涉及一种污水处理方法及系统。
技术介绍
1、随着工业化和城市化的快速发展，塑料制品广泛应用于各个领域，从而导致了大量塑料废弃物的产生。这些塑料废弃物在自然环境中难以降解，形成了塑料污染物，对环境和生态系统造成了严重威胁。塑料污染物是指直径小于5mm的塑料颗粒，特别是含有塑料的污水，对生物多样性和人类健康造成了潜在风险。
2、目前，污水中的塑料污染物的检测主要依赖于采样和实验室分析的方法。这些方法通常需要耗时的样品采集、预处理和仪器分析过程，难以实现快速、实时的监测。此外，现有的检测方法往往依赖于专业人员的操作和判断，存在一定的主观性和误差。
3、因此，开发一种高效、准确的塑料污染物智能检测方法具有重要意义。基于图像识别的塑料污染物智能检测方法利用计算机视觉技术和深度学习算法，通过对水面图像进行分析和处理，实现对塑料颗粒的自动识别和计数。然而，现有的图像识别方法在处理复杂环境下的塑料颗粒时仍存在一定挑战。
技术实现思路
1、本专利技术的目的在于提供一种污水处理方法及系统，解决以下技术问题：
2、塑料污染物的检测主要依赖于采样和实验室分析的方法。这些方法通常需要耗时的样品采集、预处理和仪器分析过程，难以实现快速、实时的监测。
3、本专利技术的目的可以通过以下技术方案实现：
4、一种污水处理方法，包括以下步骤：
5、将不同数量的塑料颗粒依次投放入水池中，待塑料颗粒分散均匀后，采集不同数量的
6、基于深度学习分类算法convnext联合注意力机制，构建塑料识别模型，将水面图像经过降噪后输入所述塑料识别模型中，提取水面图像中的塑料特征，训练所述塑料识别模型；
7、将实时采集的水面图像输入训练后的塑料识别模型，联合元学习策略，提取水面图像中的塑料特征，再次训练所述塑料识别模型，根据训练结果反向传播更新模型，直至损失函数收敛；
8、将实时水体图像经过预处理后输入至所述塑料识别模型中，识别实时水体图像中包含的杂质类型，根据水体样本的检测数据判断对应区域的杂质和杂质类型。
9、作为本专利技术进一步的方案：所述环境光照强度用于对反光度进行校正，获取测试时的环境光照强度与实时采集的光照强度，将光照强度进行归一化处理，并计算等效的反光度。
10、作为本专利技术进一步的方案：再次训练所述塑料识别模型的过程为：
11、将每个数量级的水面图像划分为验证集和测试集，在任一分类中随机抽取5张泛化图片作为该分类的验证集，在任一分类的剩余泛化图片中随机抽取15张作为该分类的测试集；
12、s2：对于任一分类的验证集，通过特征表示f(θ)计算得到5张照片对应的5个向量，分别计算三个分类对应的5个向量的平均向量li，i∈0,1,2，将li标记为该分类的向量表示；
13、s3：对于任一分类的测试集，通过特征表示f(θ)计算得到所有图片的向量表示，标记为wj，j∈1,...,45，通过下述公式计算测试集中的任一图片与每个分类向量表示的相似度p；
14、
15、其中x表示测试集中的任一图片，y表示分类，τ表示相似度缩放因子，<li，wj>表示li和wj的cosine距离；
16、s4：根据测试集中的任一图片与每个分类的相似度p，以及该图片已标注的分类，按分类模型损失计算交叉熵作为损失函数，反向调节塑料识别模型的参数，不断进行训练，直到测试集的损失不再降低或测试集的准确率不再提高为止。
17、作为本专利技术进一步的方案：将测试集中任一泛化图片计算得出的相似度p最大值所对应的分类作为该泛化图片对应的分类结果。
18、作为本专利技术进一步的方案：测试集中单个图片的损失函数公式为：
19、l(y,y')＝-∑yc*log(p(y＝c|x))；
20、其中l表示单个图片的损失值，yc表示测试集中任一图片的已标注分类，c∈1,2,3，p(y＝c|x)表示图片为任一分类c的概率；
21、测试集中所有图片的损失函数公式为：
22、
23、其中，l’表示测试集中所有图片损失的平均值，n表示测试集中所有图片的数量，j∈1,...,45。
24、作为本专利技术进一步的方案：所述降噪的过程为：
25、将所述水面图像分割为若干个重叠的图像块，对于每一个所述图像块，取该图像块周围的图像块，计算它们之间的范数并保存，随后进行非支配排序，将非支配排序中靠前的k个图像块组成矩阵，k为正整数，使用不同的λ值对矩阵的奇异值进行软阈值收缩，得到低秩矩阵，获取所述低秩矩阵的奇异值，将所述奇异值中较小的数值过滤掉，将得到的降噪图像块合并为降噪后的水面图像。
26、作为本专利技术进一步的方案：所述塑料识别模型包括信息抽取层和分类层。
27、一种污水处理系统，包括：
28、数据采集模块，用于将不同数量的塑料颗粒依次投放入水池中，待塑料颗粒分散均匀后，采集不同数量的塑料颗粒的水面图像，并计算对应的水面反光度，为水面图像标注对应的塑料数量、水面反光度和环境光照强度；
29、模型初始模块，用于基于深度学习分类算法convnext联合注意力机制，构建塑料识别模型，将水面图像经过降噪后输入所述塑料识别模型中，提取水面图像中的塑料特征，训练所述塑料识别模型；
30、模型优化模块，用于将实时采集的水面图像输入训练后的塑料识别模型，联合元学习策略，提取水面图像中的塑料特征，再次训练所述塑料识别模型，根据训练结果反向传播更新模型，直至损失函数收敛；
31、数据输出模块，用于将实时水体图像经过预处理后输入至所述塑料识别模型中，识别实时水体图像中包含的杂质类型，根据水体样本的检测数据判断对应区域的杂质和杂质类型。
32、本专利技术的有益效果：
33、本专利技术通过深度学习分类算法convnext联合注意力机制构建塑料识别模型，能够准确提取水面图像中的塑料特征，实现对塑料颗粒的高精度识别；利用环境光照强度对反光度进行校正，获取测试时的环境光照强度与实时采集的光照强度，将光照强度进行归一化处理，并计算等效的反光度，提高检测准确性；结合元学习策略，将实时采集的水面图像输入训练后的塑料识别模型，再次训练所述塑料识别模型，根据训练结果反向传播更新模型，直至损失函数收敛，使模型能够适应不同的环境和条件；通过对验证集和测试集的划分以及相似度计算，使得模型具有较强的泛化能力，能够应对不同数量级的塑料颗粒。
本文档来自技高网...【技术保护点】
1.一种污水处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种污水处理方法，其特征在于，所述环境光照强度用于对反光度进行校正，获取测试时的环境光照强度与实时采集的光照强度，将光照强度进行归一化处理，并计算等效的反光度。
3.根据权利要求1所述的一种污水处理方法，其特征在于，再次训练所述塑料识别模型的过程为：
4.根据权利要求3所述的一种污水处理方法，其特征在于，将测试集中任一泛化图片计算得出的相似度p最大值所对应的分类作为该泛化图片对应的分类结果。
5.根据权利要求4所述的一种污水处理方法，其特征在于，测试集中单个图片的损失函数公式为：
6.根据权利要求1所述的一种污水处理方法，其特征在于，所述降噪的过程为：
7.根据权利要求1所述的一种污水处理方法，其特征在于，所述塑料识别模型包括信息抽取层和分类层。
8.一种污水处理系统，其特征在于，包括：
【技术特征摘要】
1.一种污水处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种污水处理方法，其特征在于，所述环境光照强度用于对反光度进行校正，获取测试时的环境光照强度与实时采集的光照强度，将光照强度进行归一化处理，并计算等效的反光度。
3.根据权利要求1所述的一种污水处理方法，其特征在于，再次训练所述塑料识别模型的过程为：
4.根据权利要求3所述的一种污水处理方法，其特征在于，将测试集中任...
【专利技术属性】
技术研发人员：陈序仲，余庆彬，张书博，林汉涛，
申请(专利权)人：广东源生态环保工程有限公司，
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。