CN109187534A - 水质检测方法及其水样图像识别装置 - Google Patents

Abstract

本发明实施例提供了一种水质检测方法及其水样图像识别装置。所述方法包括：获取若干水样图像样本；以所述水样图像样本为基础，构建对应的神经网络模型；采集获取当前水样图像；根据所述神经网络模型，确定当前水样图像的识别结果；将所述识别结果传送至远程终端，实时检测水质。该方法通过对水样图像的识别来提供水样检测结果。该水样检测结果的反应速度较快，能够解决水处理***水质突变无法及时发现的问题。另外，该水质检测方法还可以为环保提供实时的检测数据，确保能够及时的发现排污超标的问题。

Description

水质检测方法及其水样图像识别装置

技术领域

本发明涉及水质检测技术领域，尤其涉及一种水质检测方法及其水样图像识别装置。

背景技术

在水处理行业中，水质的实时检测结果是非常重要的控制指标，对于水质检测结果的实时性和准确性要求较高。现有的水质检测(或检测)方法都是基于化学原理，以各种不同的传感器为硬件基础的化学分析方法。

该化学分析方法得到的结果虽然全面和准确，但是由于化学反应发生需要一定的时间，这样的化学分析方法具有一定的滞后性，无法及时掌握水质的突变，水质检测结果会存在一定时延，导致特殊情况下，一些水处理设备无法实现快速的运行调整，造成设备污染以及水处理无法达标等的问题。

另外，由于水质检测结果的实时性不佳，企业和环保部门都无法实时掌握废水排放情况，经常会出现废水超标排放污染环境的现象。

因此，现有技术还有待发展。

发明内容

鉴于上述现有技术的不足之处，本发明的目的在于提供水质检测方法及其水样图像识别装置，旨在解决现有技术中化学分析法提供的检测结果实时性不佳的问题。

为了达到上述目的，本发明采取了以下技术方案：

一种水质检测方法，所述方法包括：获取若干水样图像样本；以所述水样图像样本为基础，构建对应的神经网络模型；采集获取当前水样图像；根据所述神经网络模型，确定当前水样图像的识别结果；将所述识别结果传送至远程终端，实时检测水质。

所述的水质检测方法，其中，所述以所述水样图像样本为基础，构建对应的神经网络模型，具体包括：生成与所述水样图像样本相对应的多尺度训练样本数据；使用所述多尺度训练样本数据对神经网络进行训练，获得对应的神经网络模型。

所述的水质检测方法，其中，所述根据所述神经网络模型，确定当前水样图像的识别结果，具体包括：提取所述当前水样图像的关键点数据；通过所述神经网络模型，对所述关键点数据进行一致性匹配，获得匹配结果；根据所述匹配结果，确定当前水样图像的识别结果。

所述的水质检测方法，其中，所述关键点数据包括：水样图像的水样颜色、浊度、漂浮物以及水花。

所述的水质检测方法，其中，所述生成与所述水样图像样本相对应的多尺度训练样本数据，具体包括：提取每一个所述水样图像样本的关键点数据；所述水样图像样本为不同行业或者同一行业不同水质的水样图像样本；对所述水样图像样板的关键点数据进行归一化处理。

一种水样图像识别装置，其中，该图像识别装置包括：在线图像采集模块以及图像识别模块；所述在线图像采集模块用于采集若干水样图像样本以及当前水样图像；

所述图像识别模块包括：样本获取单元，用于获取若干水样图像样本；模型生成单元，用于以所述水样图像样本为基础，构建对应的神经网络模型；采样单元，用于采集获取当前水样图像；图像分析单元，用于根据所述神经网络模型，确定当前水样图像的识别结果；以及远程检测单元，用于接收所述识别结果，实时检测水质。

所述的水样图像识别装置，其中，所述模型生成单元，具体包括：判定样本子单元，用于生成与所述水样图像样本相对应的多尺度训练样本数据；训练子单元，用于使用所述多尺度训练样本数据对神经网络进行训练，获得对应的神经网络模型。

所述的水样图像识别装置，其中，所述采样单元还用于，提取所述当前水样图像的关键点数据；所述图像分析单元具体用于：通过所述神经网络模型，对所述关键点数据进行一致性匹配，获得匹配结果；根据所述匹配结果，确定当前水样图像的识别结果。

所述的水样图像识别装置，其中，所述关键点数据包括：水样图像的水样颜色、浊度、漂浮物以及水花。

所述的水样图像识别装置，其中，所述样本获取单元还用于，提取每一个所述水样图像样本的关键点数据；所述水样图像样本为不同行业或者同一行业不同水质的水样图像样本；所述训练子单元具体用于，对所述水样图像样板的关键点数据进行归一化处理。

有益效果：本发明提供的水质检测方法及其水样图像识别装置，结合基于神经网络的图像分析方法，通过对水样图像的识别来提供水样检测结果。该水样检测结果的反应速度较快，能够解决水处理***水质突变无法及时发现的问题。另外，该水质检测方法还可以为环保提供实时的检测数据，确保能够及时的发现排污超标的问题。

附图说明

图1为本发明具体实施例的水质检测方法的方法流程图。

图2为本发明具体实施例的水质检测方法水样图像识别装置的功能框图。

具体实施方式

本发明提供一种水质检测方法及其水样图像识别装置。为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

图1为本发明实施例提供的水质检测方法的方法流程图。如图1所示，该水质检测方法包括如下步骤：

110、获取若干水样图像样本。

该水样图像样本可以是来自不同行业，例如火电厂水处理的给水处理的原水水样图像、脱硫处理***的出水水样图像、钢铁行业废水出水水样图像、污水处理厂排放口水样图像和/或同一行业中，不同污染物含量的水样图像。

具体的，在获取水样图像样本以后，可以从中提取关键点数据，用以实现神经网络模型的训练。

在本实施例中，该关键点数据是指水样中可以进行目测的感官指标，包括颜色、浊度、漂浮物、水花等。在获得大量的关键点数据以后，可以进一步根据颜色梯度分布，水花形态、数量情况等等，将这些水样样本分为水质合格、水质超标、水质严重超滤三个档次，并以人工或者机械等方式对应标注数据界限。

在一些实施例中，该关键点数据还可以包括对于水样图像宽度的识别过程。例如，可以采用Hough变换方法处理图片中水样宽度，然后进一步根据常压水流状态、不同管道直径等参数计算水流速度和瞬间流量。

120、以所述水样图像样本为基础，构建对应的神经网络模型。

大量的水样图像样本可以作为训练数据，用以训练神经网络模型以实现后续的在线判断过程。

具体的，基于对水样图像样本的一些预处理以后(如提取关键点数据)，可以生成与所述水样图像样本相对应的多尺度训练样本数据。

在一些实施例中，该多尺度训练样本数据组成的数据库可以通过归一化处理以及多尺度判定方法等从关键点数据中提取生成，例如可以根据水样图像的关键点数据对图像进行归一化处理，得到标准水样图像。该标准水样图像是指水样图像所具有的各个关键点参数值与该水样图像之间具有唯一的映射关系。在另一些实施例中，也可以采用人工手动输入的方式输入生成。

然后，将这些多尺度训练样本数据作为训练数据集合，对神经网络进行训练，获得对应的神经网络模型。

基于关键点数据和输出结果的一致性原则，可以采用多尺度训练样本水样图像关键点数据。在一些实施例中，多尺度训练样本水样图像的关键点数据可以包括在不同尺度所观测到的样本图像的颜色梯度数据、水花形态数据和不同的分辨率下的样本数据，并且这些数据带有人工标注的水质污染数据。

具体的，为了实现待测水样在神经网络模型中高度匹配的目的，对应的神经网络模型可以包括水样图像水质分类、所述行业、污染程度等基本信息。

130、采集获取当前水样图像。

当前水样图像是通过高清摄像机或者其它类型的图像采集设备对当前的水样进行实时在线采集获得。当然，在高清摄像机进行图像采集过程中，需要采用合适的方式来保证图像的亮度、清晰度，减少来自水蒸气、光线的影响，保证采样图像的一致性，取得准确的识别判断结果。

140、根据所述神经网络模型，确定当前水样图像的识别结果。

具体的，为了实现对当前水样图像的识别，还需要执行相类似的关键点数据提取操作。在本实施例中，与上述关键点提取相对应的，所述关键点数据还可以包括：水样图像的水样颜色、浊度、漂浮物以及水花。

在关键点数据提取完成以后，通过所述神经网络模型，对所述关键点数据进行一致性匹配，获得匹配结果。最后，根据所述匹配结果，确定当前水样图像的识别结果。

150、将所述识别结果传送至远程终端，实时检测水质。

远程终端是位于后台的远程终端平台。其可以通过无线通讯技术，在远程终端收取实时检测结果，为检测人员提供预警和水样定性分析结果。

在本实施例提供的水质检测方法中，使用预先获得的来自不同行业以及不同污染程度的水样图像作为训练数据库，对神经网络模型进行训练。训练完成以后的神经网络模型用于对当前水样图像中提取的关键点数据进行高度匹配，结合输出结果提供当前水样图像的水质特点或者污染物含量的定性结果。

该水质检测方法采用了基于神经网络模型的图像识别来实现对于水样质量的检测，具有极快的反应速度，能够及时的反馈水质变化的情况，具有良好的应用前景。

图2为本发明实施例提供的一种水样图像识别装置。如图2所示，该图像识别装置包括图像采集模块210以及图像识别模块220两个模块。

其中，所述图像采集模块210用于采集若干水样图像样本以及当前水样图像。

具体的，为了确保神经网络模型的训练以及识别效果。该图像采集模块210可以通过图像归一化处理等机器算法，获取水样图像的关键点参数，所述关键点包括水样的目测感官指标，如颜色、浊度、漂浮物、水花等特征参数。

所述图像识别模块220包括：样本获取单元221，模型生成单元222，采样单元223，图像分析单元224以及远程检测单元225。

其中，样本获取单元221用于获取若干水样图像样本。模型生成单元222用于以所述水样图像样本为基础，构建对应的神经网络模型。

在一些实施例中，所述样本获取单元221还用于提取每一个所述水样图像样本的关键点数据。具体的，所述水样图像样本为不同行业或者同一行业不同水质的水样图像样本。

基于获得的关键点数据，所述训练子单元222具体用于对所述水样图像样板的关键点数据进行归一化处理，生成多尺度训练样本数据。

具体的，所述模型生成单元具体包括判定样本子单元和训练子单元。所述判定样本子单元用于生成与所述水样图像样本相对应的多尺度训练样本数据。所述训练子单元用于使用所述多尺度训练样本数据对神经网络进行训练，获得对应的神经网络模型。

通过上述训练的步骤，可以基于训练数据建立水质图像的监测和预警数据库，并据此对待测水样图像数据进行识别。

在识别匹配过程中，采样单元223用于采集获取当前水样图像。图像分析单元224用于根据所述神经网络模型，确定当前水样图像的识别结果。

在一些实施例中，所述采样单元223还用于，提取所述当前水样图像的关键点数据。确定关键点数据以后，所述图像分析单元224用于通过所述神经网络模型，对所述关键点数据进行一致性匹配，获得匹配结果，并且根据所述匹配结果，输出判定水样污染程度的最终识别结果。

具体的，所述关键点数据可以包括水样图像的水样颜色、浊度、漂浮物以及水花等目视检测参数。

远程检测单元225用于接收所述识别结果，实时检测水质。在本实施例中，该远程检测单元225可以通过无线通信连接的方式与图像分析单元连接，设置在一个额外的远程平台上。

在另一些实施例中，图像采集模块210以及图像识别模块220也可以通过无线通信的方式连接，从而将图像采集模块210设置在被检测场地，而将图像识别模块220设置在远程平台中。

可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及本发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种水质检测方法，其特征在于，所述方法包括：

获取若干水样图像样本；

以所述水样图像样本为基础，构建对应的神经网络模型；

采集获取当前水样图像；

根据所述神经网络模型，确定当前水样图像的识别结果；

将所述识别结果传送至远程终端，实时检测水质。

2.根据权利要求1所述的水质检测方法，其特征在于，所述以所述水样图像样本为基础，构建对应的神经网络模型，具体包括：

生成与所述水样图像样本相对应的多尺度训练样本数据；

使用所述多尺度训练样本数据对神经网络进行训练，获得对应的神经网络模型。

3.根据权利要求2所述的水质检测方法，其特征在于，所述根据所述神经网络模型，确定当前水样图像的识别结果，具体包括：

提取所述当前水样图像的关键点数据；

通过所述神经网络模型，对所述关键点数据进行一致性匹配，获得匹配结果；

根据所述匹配结果，确定当前水样图像的识别结果。

4.根据权利要求3所述的水质检测方法，其特征在于，所述关键点数据包括：水样图像的水样颜色、浊度、漂浮物以及水花。

5.根据权利要求4所述的水质检测方法，其特征在于，所述生成与所述水样图像样本相对应的多尺度训练样本数据，具体包括：

提取每一个所述水样图像样本的关键点数据；所述水样图像样本为不同行业或者同一行业不同水质的水样图像样本；

对所述水样图像样板的关键点数据进行归一化处理。

6.一种水样图像识别装置，其特征在于，包括：在线图像采集模块以及图像识别模块；所述在线图像采集模块用于采集若干水样图像样本以及当前水样图像；

所述图像识别模块包括：样本获取单元，用于获取若干水样图像样本；模型生成单元，用于以所述水样图像样本为基础，构建对应的神经网络模型；采样单元，用于采集获取当前水样图像；图像分析单元，用于根据所述神经网络模型，确定当前水样图像的识别结果；以及远程检测单元，用于接收所述识别结果，实时检测水质。

7.根据权利要求6所述的水样图像识别装置，其特征在于，所述模型生成单元，具体包括：

判定样本子单元，用于生成与所述水样图像样本相对应的多尺度训练样本数据；

训练子单元，用于使用所述多尺度训练样本数据对神经网络进行训练，获得对应的神经网络模型。

8.根据权利要求7所述的水样图像识别装置，其特征在于，

所述采样单元还用于，提取所述当前水样图像的关键点数据；所述图像分析单元具体用于：通过所述神经网络模型，对所述关键点数据进行一致性匹配，获得匹配结果；根据所述匹配结果，确定当前水样图像的识别结果。

9.根据权利要求8所述的水样图像识别装置，其特征在于，所述关键点数据包括：水样图像的水样颜色、浊度、漂浮物以及水花。

10.根据权利要求9所述的水样图像识别装置，其特征在于，

所述样本获取单元还用于，提取每一个所述水样图像样本的关键点数据；所述水样图像样本为不同行业或者同一行业不同水质的水样图像样本；

所述训练子单元具体用于，对所述水样图像样板的关键点数据进行归一化处理。