CN111339907A - 一种基于图像识别技术的排污识别方法及装置 - Google Patents
一种基于图像识别技术的排污识别方法及装置 Download PDFInfo
- Publication number
- CN111339907A CN111339907A CN202010110999.0A CN202010110999A CN111339907A CN 111339907 A CN111339907 A CN 111339907A CN 202010110999 A CN202010110999 A CN 202010110999A CN 111339907 A CN111339907 A CN 111339907A
- Authority
- CN
- China
- Prior art keywords
- sewage
- image
- outlet
- discharge
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于图像识别技术的排污识别方法及装置,包括:获取排污口周边的视频图像;利用预先构建的排污口目标检测网络模型识别排污口在视频图像中的位置坐标,以获得排污口的图像;根据排污口的图像进行排污口排污动态识别。本申请实现了基于实时视频图像的自动化排污口排污检测,提高了工作效率的同时降低了维护成本。同时,这种方法(装置)可以实时监测和传回排污口的排污图像,一旦发现异常,能够及时报警非法行为并且可以存储保留排污图像作为非法排污的证据,相比现有技术中的人工督查和处罚,更具有及时性,并且更容易留存证据作为后期使用。
Description
技术领域
本申请属于污水处理技术领域,具体地讲,涉及一种基于图像识别技术的排污识别方法及装置。
背景技术
污水排放一直是水资源污染的重要原因。针对污水排放的人工监测需要耗费大量的人力物力,并且,污水偷排通常存在较大的空间隐蔽性和时间上的无序性,使用人工测量的方式,无法在24小时内及时的响应和监测,因此,这些因素给污水排放的监管带来了较大的难度。
发明内容
本申请提供了一种基于图像识别技术的排污识别方法及装置,以至少解决现有技术中针对污水排放的监管主要依赖人工,从而导致无法进行24小时监管以及无法及时响应和监测的问题。
根据本申请的一个方面,提供了一种基于图像识别技术的排污识别方法,包括:
获取排污口周边的视频图像;
利用预先构建的排污口目标检测网络模型识别排污口在视频图像中的位置坐标,以获得排污口的图像;
根据排污口的图像进行排污口排污动态识别。
在一实施例中,预先构建排污口目标检测网络模型的步骤包括:
获取目标检测网络模型所采用的网络以及训练参数;
将标注后的目标检测样本数据训练根据训练参数目标检测网络模型。
在一实施例中,根据排污口的图像进行排污口排污动态识别,包括:
根据排污口的图像获得对应的差值图像;
根据差值图像识别排污口是否在排污;
根据排污口的图像进行颜色区域分割;
根据分割的颜色区域进行污水判断。
在一实施例中,根据差值图像识别排污口是否在排污,包括:
计算排污口的图像中颜色变化区域的像素面积;
比较颜色变化区域的像素面积与预设的第一阈值的大小,如果颜色变化区域的像素面积大于预设的第一阈值,则排污口正在排污。
在一实施例中,根据分割的颜色区域进行污水判断,包括:
计算排污区域的像素面积;
比较排污区域的像素面积与预设的第二阈值的大小,如果大于第二阈值,则排污口排出的是污水。
根据本申请的另一个方面,还提供了一种基于图像识别技术的排污识别装置,包括:
视频获取单元,用于获取排污口周边的视频图像;
位置坐标识别单元,用于利用预先构建的排污口目标检测网络模型识别排污口在视频图像中的位置坐标,以获得排污口的图像;
排污动态识别单元,用于根据排污口的图像进行排污口排污动态识别。
在一实施例中,预先构建排污口目标检测网络模型的步骤包括:
获取目标检测网络模型所采用的网络以及训练参数;
将标注后的目标检测样本数据训练根据训练参数目标检测网络模型。
在一实施例中,排污动态识别单元,包括:
差值图像获取模块,用于根据排污口的图像获得对应的差值图像;
排污判断模块,用于根据差值图像识别排污口是否在排污;
颜色分割模块,用于根据排污口的图像进行颜色区域分割;
污水判断模块,用于根据分割的颜色区域进行污水判断。
在一实施例中,排污判断模块包括:
第一计算模块,用于计算排污口的图像中颜色变化区域的像素面积;
第一比较模块,用于比较颜色变化区域的像素面积与预设的第一阈值的大小,如果颜色变化区域的像素面积大于预设的第一阈值,则排污口正在排污。
在一实施例中,污水判断模块包括:
第二计算模块,用于计算排污区域的像素面积;
第二比较模块,用于比较排污区域的像素面积与预设的第二阈值的大小,如果大于第二阈值,则排污口排出的是污水。
本申请将基于深度学习技术的图像识别模型应用于污水监管场景中,基于深度学习技术的图像识别模型具有较高的识别准确率和更好的鲁棒性,能够在真实的场景中稳定地工作,弥补了用人工进行污水监控的不足,能够进行24小时不间断监控并能够自动识别污水排放状态从而进行实时报警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请提供的一种基于图像识别技术的排污识别方法的流程图。
图2为本申请实施例中预先构建排污口目标检测网络模型的步骤流程图。
图3为本申请实施例中根据排污口的图像进行排污口排污动态识别的流程图。
图4为本申请实施例中根据差值图像识别排污口是否在排污的流程图。
图5为本申请实施例中根据分割的颜色区域进行污水判断的流程图。
图6为本申请提供的一种基于图像识别技术的排污识别装置的结构框图。
图7为本申请实施例中排污动态识别单元的结构框图。
图8为本申请实施例中排污判断模块的结构框图。
图9为本申请实施例中污水判断模块的结构框图。
图10为本申请实施例中提供的一种电子设备的具体实施方式;
图11为本申请中排污口目标检测结果图;
图12为本申请中裁剪后的排污口图像;
图13为本申请帧间差分法查找变化区域示例图;
图14为本申请HSV颜色转换图;
图15为本申请HSV颜色空间范围表。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
污水排放一直是水资源污染的重要原因。针对污水排放的人工监测需要耗费大量的人力物力,并且,污水偷排通常存在较大的空间隐蔽性和时间上的无序性,使用人工测量的方式,无法在24小时内及时的响应和监测,因此,这些因素给污水排放的监管带来了较大的难度。现今,人工智能技术不断发展,使得基于深度学习技术的图像识别模型得以被应用。深度学习技术利用海量的现有数据进行特征提取,然后构建识别模型,并将识别模型应用于实际场景中。基于深度学习技术的图像识别模型具有较高的识别准确率和较好的鲁棒性,使得模型能够在真实场景中稳定地工作。
为了解决上述人工检测污水排放的弊端,本申请基于深度学习技术和图像识别技术,提出了一种排污识别方法,如图1所示,包括:
S101:获取排污口周边的视频图像。
在排污口周边安装摄像头,对排污口进行24小时不间断录像,获取排污口周边的视频图像。
S102:利用预先构建的排污口目标检测网络模型识别排污口在视频图像中的位置坐标,以获得排污口的图像。
在S101中获取了排污口周边的视频图像后将视频图像输入预先构建完成的排污口目标检测网络模型,通过排污口目标检测网络模型识别出排污口的具***置坐标,并根据排污口的具***置坐标获得排污口的具体图像。
S103:根据排污口的图像进行排污口排污动态识别。
在S102中获得了排污口的具体图像后,利用图像处理算法对排污口的图像进行处理和计算,获得排污口当下的排量并判断当前排污口排出的液体的颜色。
图1所示的方法的执行主体可以为PC、服务器等,通过智能模型替代人工识别污水排放并对污水排放进行监管,实现了连续无间断化、及时准确地报告并预警排污情况的功能。
在一实施例中,如图2所示,预先构建排污口目标检测网络模型的步骤包括:
S201:获取目标检测网络模型所采用的网络以及训练参数。
在一具体实施例中,在进行污水识别监控之前,需要预先建立目标检测网络模型并以此自动识别排污口,构建目标检测网络模型采用基于深度学习技术的faster-rcnn网络,然后获取大量的排污口周边的视频图像的样本数据并对模型训练所需要的视频图像(样本数据)进行标注。然后设置目标检测网络模型的训练参数,将目标检测网络模型的训练学习率设置为0.01,动量设置为0.9,权重衰减参数设置为0.0001,模型训练迭代周期设置为20个。
S202:将标注后的目标检测样本数据训练根据训练参数目标检测网络模型。
将标注后的样本数据输入到已经完成参数设置的目标检测网络模型中,对目标检测网络模型进行训练,直到完成设置的迭代周期。
在一实施例中,如图3所示,根据排污口的图像进行排污口排污动态识别,包括:
S301:根据排污口的图像获得对应的差值图像。
在一具体实施例中,将排污口的视频图像输入已经训练完成的目标检测网络模型中,如图11所示,目标检测网络模型自动识别排污口并因此获得排污口在视频图像中的位置坐标,然后根据排污口的位置坐标,目标检测网络模型将排污口从视频图像中单独剪裁出来,如图12所示,得到排污口的图像。在获得排污口的图像后,利用帧间差值的图像处理算法得到排污口的差值图像。
S302:根据差值图像识别排污口是否在排污。
在一具体实施例中,从S301中利用帧间差值图像处理算法获得排污口的差值图像(如图13所示)后,对排污口的差值图像进行计算,计算差值图像中,发生变化区域的像素面积,如果某一区域发生变化,说明该区域为流动的水流,因此通过计算变化区域的像素面积即可知道水流(污水)的大小/流量。
S303:根据排污口的图像进行颜色区域分割。
在一具体实施例中,如图14所示将得到的排污口的图像利用HSV颜色分割算法进行处理,将排污口的图像转换到HSV颜色空间,然后根据预设的颜色范围(如图15所示)对排污口的图像进行颜色分割。
S304:根据分割的颜色区域进行污水判断。
在一具体实施例中,污水的颜色有别于清水,利用HSV颜色分割算法将排污口的图像中指定颜色的区域分割出来,该区域即为指定颜色的污水,从而判断从排污口中排出的是否为污水。
在一实施例中,如图4所示,根据差值图像识别排污口是否在排污,包括:
S401:计算排污口的图像中颜色变化区域的像素面积。
在一具体实施例中,利用图像处理软件计算排污口的图像中颜色发生变化区域的像素面积。
S402:比较颜色变化区域的像素面积与预设的第一阈值的大小,如果颜色变化区域的像素面积大于预设的第一阈值,则排污口正在排污。
在一具体实施例中,在S401中通过计算得到的颜色发生变化的区域的像素面积,将颜色发生变化的区域的像素面积与设置的阈值进行比较,如果超过了阈值,那么可认定该排污口正在有液体排出(排污);如果没有超过阈值,则不认定该排污口正在排污(因为排出的水量过小,可忽略不计)。同时,根据颜色发生变化的区域的像素面积还可以判断排出水量的大小,区域的像素面积越大,说明水量越大,区域的像素面积越小,说明水量越小,并可以结合实际,建立颜色发生变化的区域的像素面积与排污口实际排水量之间的映射关系。
在一实施例中,如图5所示,根据分割的颜色区域进行污水判断,包括:
S501:计算排污区域的像素面积。
利用HSV颜色分割算法将设定的颜色区域从排污口图像中划分出来后,该设定的颜色区域即为排污区域(指定颜色的污水),计算所述排污区域的像素面积,即可得知排出的是否为指定颜色的污水以及排出的指定颜色的污水是否超过了警戒值。
S502:比较排污区域的像素面积与预设的第二阈值的大小,如果大于第二阈值,则排污口排出的是污水。
在一具体实施例中,通过计算变化区域的HSV图像,根据表格查找指定颜色的区域大小判断是否为污水。即如果排污口图像中存在指定颜色区域,那么可认定排污口排出的液体中存在指定颜色的污水,如果排污口图像中的指定颜色的污水的像素面积超过了预设值(阈值)那么则可以认定该排污口存在非法排污、偷排污的情况。
一旦识别出某一排污口存在偷排污或非法排污的情况,立刻启动报警装置,并将存在问题的排污口的位置以及排污情况通知相关部门的相关人员。
本申请基于图像识别技术和深度学习技术,建立了一种面向污水排放监测的自动化识别方法,通过利用图像识别模型和针对排污图像进行处理的相关方法,实现了判断排污口以及排污口的排水量,并进而通过颜色判断排污口排出的是否为指定颜色污水并进行报警的功能。该方法可以通过摄像头获取实时的监控视频并可以实现全天不间断的自动化污水排放识别和预警,该方法可以代替人工观测污水排放,降低污水排放监测的实现难度,提高污水排放的监管效率。
基于同一发明构思,本申请实施例还提供了一种基于图像识别技术的排污识别装置,可以用于实现上述实施例中所描述的方法,如下面实施例所述。由于该基于图像识别技术的排污识别装置解决问题的原理与基于图像识别技术的排污识别方法相似,因此基于图像识别技术的排污识别装置的实施可以参见基于图像识别技术的排污识别方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的***较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
根据本申请的另一个方面,还提供了一种基于图像识别技术的排污识别装置,如图6所示,包括:
视频获取单元601,用于获取排污口周边的视频图像;
位置坐标识别单元602,用于利用预先构建的排污口目标检测网络模型识别排污口在视频图像中的位置坐标,以获得排污口的图像;
排污动态识别单元603,用于根据排污口的图像进行排污口排污动态识别。
在一实施例中,预先构建排污口目标检测网络模型的步骤包括:
获取目标检测网络模型所采用的网络以及训练参数;
将标注后的目标检测样本数据训练根据训练参数目标检测网络模型。
在一实施例中,如图7所示,排污动态识别单元603,包括:
差值图像获取模块701,用于根据排污口的图像获得对应的差值图像;
排污判断模块702,用于根据差值图像识别排污口是否在排污;
颜色分割模块703,用于根据排污口的图像进行颜色区域分割;
污水判断模块704,用于根据分割的颜色区域进行污水判断。
在一实施例中,如图8所示,排污判断模块702包括:
第一计算模块801,用于计算排污口的图像中颜色变化区域的像素面积;
第一比较模块802,用于比较颜色变化区域的像素面积与预设的第一阈值的大小,如果颜色变化区域的像素面积大于预设的第一阈值,则排污口正在排污。
在一实施例中,如图9所示,污水判断模块704包括:
第二计算模块901,用于计算排污区域的像素面积;
第二比较模块902,用于比较排污区域的像素面积与预设的第二阈值的大小,如果大于第二阈值,则排污口排出的是污水。
通过本申请提供的排污识别装置,实现了基于实时视频图像的自动化排污口排污检测,提高了工作效率的同时降低了维护成本。同时,这种方法(装置)可以实时监测和传回排污口的派无图像,一旦发现异常,能够及时报警非法行为并且可以存储保留排污图像作为非法排污的证据,相比现有技术中的人工督查和处罚,更具有及时性,并且更容易留存证据作为后期使用。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式,参见图10,所述电子设备具体包括如下内容:
处理器(processor)1001、内存1002、通信接口(Communications Interface)1003、总线1004和非易失性存储器1005;
其中,所述处理器1001、内存1002、通信接口1003通过所述总线1004完成相互间的通信;
所述处理器1001用于调用所述内存1002和非易失性存储器1005中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S101:获取排污口周边的视频图像。
S102:利用预先构建的排污口目标检测网络模型识别排污口在视频图像中的位置坐标,以获得排污口的图像。
S103:根据排污口的图像进行排污口排污动态识别。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S101:获取排污口周边的视频图像。
S102:利用预先构建的排污口目标检测网络模型识别排污口在视频图像中的位置坐标,以获得排污口的图像。
S103:根据排污口的图像进行排污口排污动态识别。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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。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。以上所述仅为本说明书实施例的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的权利要求范围之内。
Claims (10)
1.一种基于图像识别技术的排污识别方法,其特征在于,包括:
获取排污口周边的视频图像;
利用预先构建的排污口目标检测网络模型识别排污口在所述视频图像中的位置坐标,以获得排污口的图像;
根据所述排污口的图像进行排污口排污动态识别。
2.根据权利要求1所述的排污识别方法,其特征在于,预先构建排污口目标检测网络模型的步骤包括:
获取所述目标检测网络模型所采用的网络以及训练参数;
将标注后的目标检测样本数据训练根据所述训练参数所述目标检测网络模型。
3.根据权利要求1所述的排污识别方法,其特征在于,所述根据所述排污口的图像进行排污口排污动态识别,包括:
根据所述排污口的图像获得对应的差值图像;
根据所述差值图像识别所述排污口是否在排污;
根据所述排污口的图像进行颜色区域分割;
根据分割的颜色区域进行污水判断;
所述根据所述差值图像识别所述排污口是否在排污,包括:
计算所述排污口的图像中颜色变化区域的像素面积;
比较所述颜色变化区域的像素面积与预设的第一阈值的大小,如果所述颜色变化区域的像素面积大于预设的第一阈值,则所述排污口正在排污。
4.根据权利要求3所述的排污识别方法,其特征在于,所述根据分割的颜色区域进行污水判断,包括:
计算所述排污区域的像素面积;
比较所述排污区域的像素面积与预设的第二阈值的大小,如果大于第二阈值,则所述排污口排出的是污水。
5.一种基于图像识别技术的排污识别装置,其特征在于,包括:
视频获取单元,用于获取排污口周边的视频图像;
位置坐标识别单元,用于利用预先构建的排污口目标检测网络模型识别排污口在所述视频图像中的位置坐标,以获得排污口的图像;
排污动态识别单元,用于根据所述排污口的图像进行排污口排污动态识别。
6.根据权利要求5所述的排污识别装置,其特征在于,预先构建排污口目标检测网络模型的步骤包括:
获取所述目标检测网络模型所采用的网络以及训练参数;
将标注后的目标检测样本数据训练根据所述训练参数所述目标检测网络模型。
7.根据权利要求5所述的排污识别装置,其特征在于,所述排污动态识别单元,包括:
差值图像获取模块,用于根据所述排污口的图像获得对应的差值图像;
排污判断模块,用于根据所述差值图像识别所述排污口是否在排污;
颜色分割模块,用于根据所述排污口的图像进行颜色区域分割;
污水判断模块,用于根据分割的颜色区域进行污水判断;
所述排污判断模块包括:
第一计算模块,用于计算所述排污口的图像中颜色变化区域的像素面积;
第一比较模块,用于比较所述颜色变化区域的像素面积与预设的第一阈值的大小,如果所述颜色变化区域的像素面积大于预设的第一阈值,则所述排污口正在排污。
8.根据权利要求7所述的排污识别装置,其特征在于,所述污水判断模块包括:
第二计算模块,用于计算所述排污区域的像素面积;
第二比较模块,用于比较所述排污区域的像素面积与预设的第二阈值的大小,如果大于第二阈值,则所述排污口排出的是污水。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4中任一项所述基于图像识别技术的排污识别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至4中任一项所述基于图像识别技术的排污识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010110999.0A CN111339907A (zh) | 2020-02-24 | 2020-02-24 | 一种基于图像识别技术的排污识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010110999.0A CN111339907A (zh) | 2020-02-24 | 2020-02-24 | 一种基于图像识别技术的排污识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111339907A true CN111339907A (zh) | 2020-06-26 |
Family
ID=71186967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010110999.0A Pending CN111339907A (zh) | 2020-02-24 | 2020-02-24 | 一种基于图像识别技术的排污识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339907A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016486A (zh) * | 2020-08-31 | 2020-12-01 | 深圳前海微众银行股份有限公司 | 污水池监测方法、装置、设备及计算机可读存储介质 |
CN112364918A (zh) * | 2020-11-10 | 2021-02-12 | 深圳力维智联技术有限公司 | 异常识别方法、终端和计算机可读存储介质 |
CN112560574A (zh) * | 2020-10-30 | 2021-03-26 | 广东柯内特环境科技有限公司 | 河流黑水排放检测方法及应用其的识别*** |
CN113344879A (zh) * | 2021-06-09 | 2021-09-03 | 成都之维安科技股份有限公司 | 基于污染源排口的图像目标分割与颜色异常检测方法 |
CN113887412A (zh) * | 2021-09-30 | 2022-01-04 | 中国科学院过程工程研究所 | 污染排放的检测方法、检测终端、监控***及存储介质 |
CN113920471A (zh) * | 2021-10-13 | 2022-01-11 | 平安国际智慧城市科技股份有限公司 | 生产废物的远程监控方法、装置、计算机设备及存储介质 |
CN113965731A (zh) * | 2021-11-25 | 2022-01-21 | 北京京诚嘉宇环境科技有限公司 | 雨水排放口管控方法、装置及*** |
CN115661695A (zh) * | 2022-12-26 | 2023-01-31 | 深圳联和智慧科技有限公司 | 基于无人机的河道排污口监控预警方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105675623A (zh) * | 2016-01-29 | 2016-06-15 | 重庆扬讯软件技术有限公司 | 一种基于污水口视频的污水颜色与流量检测的实时分析方法 |
CN107403183A (zh) * | 2017-07-21 | 2017-11-28 | 桂林电子科技大学 | 整合目标检测和图像分割为一体的智能分割方法 |
CN108881857A (zh) * | 2018-08-04 | 2018-11-23 | 肖恒念 | 基于实时视频的排污智能监控方法 |
CN109325403A (zh) * | 2018-08-07 | 2019-02-12 | 广州粤建三和软件股份有限公司 | 一种基于图像识别的水域污染识别治理方法和*** |
US20190102604A1 (en) * | 2017-09-30 | 2019-04-04 | Beijing Kingsoft Internet Security Software Co., Ltd. | Method of determining image background, device and medium |
-
2020
- 2020-02-24 CN CN202010110999.0A patent/CN111339907A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105675623A (zh) * | 2016-01-29 | 2016-06-15 | 重庆扬讯软件技术有限公司 | 一种基于污水口视频的污水颜色与流量检测的实时分析方法 |
CN107403183A (zh) * | 2017-07-21 | 2017-11-28 | 桂林电子科技大学 | 整合目标检测和图像分割为一体的智能分割方法 |
US20190102604A1 (en) * | 2017-09-30 | 2019-04-04 | Beijing Kingsoft Internet Security Software Co., Ltd. | Method of determining image background, device and medium |
CN108881857A (zh) * | 2018-08-04 | 2018-11-23 | 肖恒念 | 基于实时视频的排污智能监控方法 |
CN109325403A (zh) * | 2018-08-07 | 2019-02-12 | 广州粤建三和软件股份有限公司 | 一种基于图像识别的水域污染识别治理方法和*** |
Non-Patent Citations (1)
Title |
---|
徐晶 等: "《计算机视觉中的运动检测与跟踪》", 30 September 2012, 国防工业出版社 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016486A (zh) * | 2020-08-31 | 2020-12-01 | 深圳前海微众银行股份有限公司 | 污水池监测方法、装置、设备及计算机可读存储介质 |
CN112560574A (zh) * | 2020-10-30 | 2021-03-26 | 广东柯内特环境科技有限公司 | 河流黑水排放检测方法及应用其的识别*** |
CN112364918A (zh) * | 2020-11-10 | 2021-02-12 | 深圳力维智联技术有限公司 | 异常识别方法、终端和计算机可读存储介质 |
CN112364918B (zh) * | 2020-11-10 | 2024-04-02 | 深圳力维智联技术有限公司 | 异常识别方法、终端和计算机可读存储介质 |
CN113344879A (zh) * | 2021-06-09 | 2021-09-03 | 成都之维安科技股份有限公司 | 基于污染源排口的图像目标分割与颜色异常检测方法 |
CN113887412A (zh) * | 2021-09-30 | 2022-01-04 | 中国科学院过程工程研究所 | 污染排放的检测方法、检测终端、监控***及存储介质 |
CN113920471A (zh) * | 2021-10-13 | 2022-01-11 | 平安国际智慧城市科技股份有限公司 | 生产废物的远程监控方法、装置、计算机设备及存储介质 |
CN113965731A (zh) * | 2021-11-25 | 2022-01-21 | 北京京诚嘉宇环境科技有限公司 | 雨水排放口管控方法、装置及*** |
CN113965731B (zh) * | 2021-11-25 | 2024-02-02 | 北京京诚嘉宇环境科技有限公司 | 雨水排放口管控方法、装置及*** |
CN115661695A (zh) * | 2022-12-26 | 2023-01-31 | 深圳联和智慧科技有限公司 | 基于无人机的河道排污口监控预警方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339907A (zh) | 一种基于图像识别技术的排污识别方法及装置 | |
Yang et al. | Vision-based tower crane tracking for understanding construction activity | |
LU502731B1 (en) | Method for monitoring abnormality of power production, apparatus, computer device, and storage medium therefor | |
CN109858367B (zh) | 工人通过支撑不安全行为的视觉自动化检测方法及*** | |
CN110650316A (zh) | 智能巡逻及预警处理方法、装置、电子设备及存储介质 | |
CN109085174A (zh) | 显示屏***电路检测方法、装置、电子设备及存储介质 | |
CN104282011A (zh) | 一种检测视频图像中干扰条纹的方法及装置 | |
CN108921840A (zh) | 显示屏***电路检测方法、装置、电子设备及存储介质 | |
CN113449703B (zh) | 环境在线监测数据的质控方法、装置、存储介质及设备 | |
CN112799826A (zh) | 智能分析算法选取方法、装置、***及电子设备 | |
CN115880598B (zh) | 一种基于无人机的地面图像检测方法及相关装置 | |
CN108629310B (zh) | 一种工程管理监督方法及装置 | |
CN114140684A (zh) | 堵煤漏煤检测方法、装置、设备及存储介质 | |
CN110704313B (zh) | Java虚拟机内存泄漏检测方法及装置 | |
CN117851817B (zh) | 一种用于潮湿空气的智能过滤分析方法、***及存储介质 | |
CN113674322A (zh) | 一种运动状态检测方法及相关装置 | |
CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
CN116523475B (zh) | 基于bim的水务工程设备管理方法和*** | |
CN102866158B (zh) | 面向隧道巡检的输配电线缆检测方法 | |
CN111738259A (zh) | 一种杆塔状态检测方法及装置 | |
CN112861681B (zh) | 一种基于云端处理的管廊视频智能分析方法及*** | |
CN110634124A (zh) | 一种区域检测的方法及设备 | |
CN114241400A (zh) | 电网***的监控方法及其装置、计算机可读存储介质 | |
KR20220107540A (ko) | 3차원 모델을 통한 인공지능 기반 안전진단 장치 및 그 방법 | |
CN111047550A (zh) | 一种基于机器视觉的产品异常检测方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |
|
RJ01 | Rejection of invention patent application after publication |