申请/专利权人：上海科泽智慧环境科技有限公司

申请日：2024-02-22

公开（公告）日：2024-04-23

公开（公告）号：CN117764993B

主分类号：G06T7/00

分类号：G06T7/00;G06T5/60;G06T5/70;G06T5/73;G06T5/90;G06V10/764;G06V10/774;G06V10/82;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2024.04.12#实质审查的生效;2024.03.26#公开

摘要：本发明公开了一种基于图像分析的水质在线监测系统及方法，属于非专用于特定变量的测量技术领域，本发明采集待测水域图片进行清晰化处理后通过图片标准值计算策略计算图片标准值，将不符合监测标准的图片带入图片分类策略中进行图片分类指令输出，将获得雾天图像模糊指令的图片导入图片去雾模型输出去雾后的图片，将获得雨天图像模糊指令的图片导入图片去雨模型输出去雨后的图片，对处理后符合监测标准的图片计算水质监测评价分数，对不符合水质标准的水域进行报警处理。

主权项：1.一种基于图像分析的水质在线监测方法，其特征在于，包括以下具体步骤：S1、使用图像采集设备采集待测水域图片并进行清晰化处理，判断清晰化后的图片是否符合监测标准；S2、将判断为不符合监测标准的图片带入图片分类策略中进行图片分类指令输出，若输出为雾天图像模糊指令，则进行S3操作，若输出为雨天图片模糊指令，则进行S4操作；S3、根据历史能见度数据和历史雾天图片模糊数据构建图片去雾模型，采集实时能见度数据和雾天图像数据导入构建的图片去雾模型中输出去雾后的图片；S4、根据历史降雨数据和历史雨天图片模糊数据构建图片去雨模型，采集实时降雨数据和雨天图像数据导入图片去雨模型输出去雨后的图片；S5、将S1中判断为符合监测标准的图片、S3中去雾后的图片或S4中去雨后的图片带入水质监测评价策略中得到水质监测评价分数，并将水质监测评价分数与预设的水质监测评价分数阈值对比，根据对比结果进行水质污染报警；所述S1包括以下具体步骤：S11、根据监测指令确定待测水域范围，使用图像采集设备采集待测水域图片，将采集到的待测水域图片传输至图片处理模组，进行图像的亮度、对比度、锐化、色彩矫正和降噪处理，得到清晰化处理后的图像；S12、将清晰化处理后的图像和设定的标准图片代入图片标准值计算公式中计算清晰化处理后图像的图片标准值，所述图片标准值计算公式为：，其中，为清晰化处理后图像的第i个像素点的像素值，为设定的标准图片对应清晰化处理后图像的第i个像素点的像素值，为设定的标准图片的像素值个数；S13、根据预设的图片标准阈值和图片标准值的大小判断采集到的图片是否符合监测标准，若图片标准值小于等于预设的图片标准阈值，则将对应的图片判断为符合监测标准，进行S5操作，若图片标准值大于预设的图片标准阈值，则将对应的图片判断为不符合监测标准，进行S2操作；所述S2中的图片分类策略包括以下具体步骤：获取判断为不符合监测标准的图片，获取历史已判断出天气的图片的图片标准值，将获取的历史雨天的图片标准值代入平均值计算公式中计算历史雨天的图片标准平均值，将获取的历史雾天的图片标准值代入平均值计算公式中计算历史雾天的图片标准平均值，取历史雨天的图片标准平均值和历史雾天的图片标准平均值的中值设为标准平均阈值，将计算得到的实时图片的图片标准值与标准平均阈值进行对比，若图片标准值大于等于标准平均阈值的实时图片判定为雾天拍摄图片，输出雾天图像模糊指令，进行S3操作，若图片标准值小于标准平均阈值的实时图片判定为雨天拍摄图片，输出雨天图片模糊指令，进行S4操作；所述S3中根据历史能见度数据和历史雾天图片模糊数据构建图片去雾模型包括以下具体步骤：将采集历史雾气数据和历史雾天图片模糊数据分为作为80%的参数训练集和20%的参数测试集；将80%的参数训练集输入去雾神经网络模型进行训练，得到去雾初始神经网络模型；利用20%的参数测试集对去雾初始神经网络模型进行测试，输出满足设定的图片标准阈值的最优初始神经网络模型作为去雾神经网络模型，其中，去雾神经网络模型中的特定神经元的输出策略公式为：，其中为去雾神经网络模型的第p+1层w项神经元的输出，为去雾神经网络模型的第p层神经元v与p+1层w项神经元的连接权重，为去雾神经网络模型的第p层神经元v的输出，为去雾神经网络模型的第p层神经元v与p+1层m项神经元的线性关系的偏置，为Sigmoid激活函数；所述S4中根据历史降雨数据和历史雨天图片模糊数据构建图片去雨模型包括以下具体步骤：将采集历史降雨量和历史雨天图片模糊数据分为作为80%的参数训练集和20%的参数测试集；将80%的参数训练集输入去雨深度学习神经网络模型进行训练，得到去雨初始神经网络模型；利用20%的参数测试集对去雨初始神经网络模型进行测试，输出满足设定的图片标准阈值的最优初始神经网络模型作为去雨神经网络模型，其中，去雨神经网络模型中的特定神经元的输出策略公式为：，其中为去雨神经网络模型的n+1层m项神经元的输出，为去雨神经网络模型的第n层神经元i与n+1层m项神经元的连接权重，为去雨神经网络模型的第n层神经元i的输出，为去雨神经网络模型的第n层神经元i与n+1层m项神经元的线性关系的偏置，为Sigmoid激活函数；所述S5中水质监测评价策略包括以下具体步骤：S51、获取S1中判断为符合监测标准的图片、S3中去雾后的图片或S4中去雨后的图片，设为符合标准图片，将符合标准图片代入悬浮物污染程度计算公式计算待测水域的悬浮物污染程度，所述悬浮物污染程度计算公式为：，其中，为符合图片标准阈值的图片的第q个像素点的像素值，为设定的标准悬浮物污染图片对应符合图片标准阈值的图片的第q个像素点的像素值，为设定的标准悬浮物污染图片的像素值个数；S52、根据预先设定的传感器测量待测水域的水体污染物的浓度，通过水质污染程度计算公式和规定的水体污染物的安全浓度范围计算水质污染浓度，所述水质污染浓度计算公式为：，其中，为第e种水体污染物的测量浓度，为第e种水体污染物的安全浓度范围最大值，为水体污染物个数，为第e种水体污染物的占比系数，其中，；S53、将得到的悬浮物污染浓度和水质污染浓度带入水质监测评价公式得到水质监测评价分数，将得到的水质监测评价分数与预设的水质监测评价分数阈值对比，若水质监测评价分数大于预设的水质监测评价分数阈值则进行水质污染报警；所述水质监测评价公式为：，其中，a1为悬浮物污染浓度占比系数，a2为水质污染浓度占比系数，。

全文数据：

权利要求：

百度查询： 上海科泽智慧环境科技有限公司 一种基于图像分析的水质在线监测系统及方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD