CN115331166A - 一种格栅智能监控预警方法和*** - Google Patents
一种格栅智能监控预警方法和*** Download PDFInfo
- Publication number
- CN115331166A CN115331166A CN202210969479.4A CN202210969479A CN115331166A CN 115331166 A CN115331166 A CN 115331166A CN 202210969479 A CN202210969479 A CN 202210969479A CN 115331166 A CN115331166 A CN 115331166A
- Authority
- CN
- China
- Prior art keywords
- garbage
- scraper
- layer
- sub
- convolution layer
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000010813 municipal solid waste Substances 0.000 claims abstract description 349
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 20
- 230000004913 activation Effects 0.000 claims description 62
- 238000001514 detection method Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 14
- 230000006870 function Effects 0.000 description 89
- 238000012545 processing Methods 0.000 description 27
- 230000009466 transformation Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 13
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000001914 filtration Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000010865 sewage Substances 0.000 description 9
- 238000003709 image segmentation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000001788 irregular Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 101100248200 Arabidopsis thaliana RGGB gene Proteins 0.000 description 1
- 241001292396 Cirrhitidae Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Incineration Of Waste (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种格栅智能监控预警方法和***,包括:首先获取监测图像,再从监测图像识别并提取出感兴趣区域;然后根据预设的垃圾识别模型,从感兴趣区域中识别出垃圾;最后根据识别出的垃圾,计算垃圾占比,若垃圾占比大于预设阈值,则进行前池垃圾异常告警;根据识别垃圾,筛选出大件垃圾,若大件垃圾长度大于预设长度阈值,则进行垃圾异常告警;本发明公开的一种格栅智能监控预警方法和***通过对水池、耙斗内的垃圾情况进行识别,当耙斗内的垃圾情况超过阈值,则进行异常告警实现自动监测和预警,同时实现格栅清污机自动启动或自动停机,以节约人力资源。
Description
技术领域
本发明涉及一种格栅智能监控预警方法和***,属于净水厂设备技术技术领域。
背景技术
随着我国经济的发展和社会的进步,污水处理越来越收到重视。污水处理为使污水达到排入某一水体或再次使用的水质要求对其进行净化的过程,污水处理被广泛应用于建筑、农业、交通、能源、石化、环保、城市景观、医疗、餐饮等各个领域,也越来越多地走进寻常百姓的日常生活;而每年各类废水污水排放量不断增加,呈指数趋势发展递增,对各个净水厂造成的压力也不断提升。
目前净水厂中大量采用格栅清污机来进行清理垃圾,格栅清污机是一种可以连续自动拦截并清除流体中各种形状杂物的水处理专用设备,可广泛地应用于城市污水处理。自来水行业、电厂进水口,以防止阀门、管道、水泵等及其他后续处理设备堵塞或损坏,格栅清污机是由一种独特的耙齿厂装配成一组回转格栅链。在电机减速器的驱动下,耙齿链进行逆水流方向回转运动。耙齿链运转到设备的上部时,由于槽轮和弯轨的导向,使每组耙齿之间产生相对自清运动,绝大部分固体物质靠重力落下。另一部分则依靠清扫器的反向运动把粘在耙齿上的杂物清扫干净。按水流方向耙齿链类同于格栅,在耙齿链轴上装配的耙齿间隙可以根据使用条件进行选择。当耙齿把流体中的固态悬浮物分离后可以保证水流畅通流过。整个工作过程是连续的,也可以是间歇的。
格栅清污机在日常运行过程中,常因例如栅条被垃圾卡死、耙斗被垃圾顶歪、电动机因卡死而过载发热等情形,造成设备损伤甚至故障停运,故障情况会影响净水厂的日常生产。目前净水厂在设备日常运行过程中,利用人工定时巡逻,监测污水提升泵集水池中垃圾的情况,决定是否启动格栅清污机。同时需要监测设备运行状况,如有异常情况,对设备进行停机处理,但这种方式对人力资源的浪费较高,同时可能由于注意力不集中导致漏检的情况,而影响格栅清污机的运转。
发明内容
针对上述存在的技术问题,本发明提供了一种格栅智能监控预警方法和***。该方法和***对水池、耙斗内的垃圾情况和格栅清污机异常情况进行识别,实现自动监测和预警,最终实现格栅清污机自动启动或自动停机。
一种格栅智能监控预警方法,方法包括:
获取前池监测图像、第一耙斗监测图像以及第二耙斗监测图像;
分别从前池监测图像、第一耙斗监测图像以及第二耙斗监测图像中识别并提取出感兴趣区域;
根据预设的垃圾识别模型,从前池监测图像的感兴趣区域中识别出前池垃圾、从第一耙斗监测图像的感兴趣区域中识别出耙斗内垃圾、从第二耙斗监测图像的感兴趣区域中识别出耙斗下方垃圾;
根据识别出的前池垃圾,计算出前池垃圾占比,若前池垃圾占比大于预设第一垃圾占比阈值,进行前池垃圾异常告警;
根据识别出的耙斗内垃圾,筛选出耙斗内大件垃圾,若耙斗内大件垃圾长度大于预设长度阈值,进行耙斗内垃圾异常告警;
根据识别出的耙斗下方垃圾,筛选出耙斗下方大件垃圾,若耙斗下方大件垃圾占比大于预设第二垃圾占比阈值,进行耙斗下方垃圾异常告警。
对上述技术方案的进一步改进为:方法还包括:
若前池垃圾占比大于预设第一垃圾占比阈值,且格栅清污机未启动,控制格栅清污机启动;
若耙斗内大件垃圾长度大于预设长度阈值,控制格栅清污机停机;
若耙斗下方大件垃圾占比大于预设第二垃圾占比阈值,控制格栅清污机停机。
进一步的,方法还包括:
获取第三耙斗监测图像,从第三耙斗监测图像中识别并提取出感兴趣区域;
将第三耙斗监测图像中的感兴趣区域输入至预设的耙斗倾斜检测模型,获得耙斗水平倾斜角度;
若耙斗水平倾斜角度大于预设角度阈值,进行耙斗倾斜异常告警。
进一步的,方法还包括:
若耙斗水平倾斜角度大于预设角度阈值,控制格栅清污机停机。
进一步的,预设的垃圾识别模型由输入层input、四个卷积层、拼接层concat、输出层output组成;
其中,输入层input分别通过第一卷积层、第二卷积层、第三卷积层、第四卷积层与拼接层concat连接,拼接层concat与输出层output连接;
第一卷积层包括第一子卷积层,第一子卷积层的卷积核为3*3,激活函数为ReLU函数;
第二卷积层由依次连接的第二子卷积层、第三子卷积层、第四子卷积层组成,第二子卷积层的卷积核为3*3,激活函数为Sigmoid函数;第三子卷积层的卷积核为1*7,激活函数为Sigmoid函数;第四子卷积层的卷积核为7*1,激活函数为Sigmoid函数;
第三卷积层由依次连接的第五子卷积层、第六子卷积层、第七子卷积层、第八子卷积层、第九子卷积层组成;第五子卷积层的卷积核为5*5,激活函数为ReLU函数;第六子卷积层的卷积核为7*1,激活函数为ReLU函数;第七子卷积层的卷积核为1*7,激活函数为ReLU函数;第八子卷积层的卷积核为7*1,激活函数为ReLU函数;第九子卷积层的卷积核为1*7,激活函数为ReLU函数;
第四卷积层包括第十子卷积层,第十子卷积层的卷积核为5*5,激活函数为Sigmoid函数。
一种格栅智能监控预警***,***包括:
图像获取模块,用于获取前池监测图像、第一耙斗监测图像以及第二耙斗监测图像;
区域提取模块,与图像获取模块连接,用于分别从前池监测图像、第一耙斗监测图像以及第二耙斗监测图像中识别并提取出感兴趣区域;
垃圾识别模块,与区域提取模块连接,用于根据预设的垃圾识别模型,从前池监测图像的感兴趣区域中识别出前池垃圾、从第一耙斗监测图像的感兴趣区域中识别出耙斗内垃圾、从第二耙斗监测图像的感兴趣区域中识别出耙斗下方垃圾;
前池垃圾告警模块,与垃圾识别模块连接,用于根据识别出的前池垃圾,计算出前池垃圾占比,若前池垃圾占比大于预设第一垃圾占比阈值,进行前池垃圾异常告警;
耙斗内垃圾告警模块,与垃圾识别模块连接,用于根据识别出的耙斗内垃圾,筛选出耙斗内大件垃圾,若耙斗内大件垃圾长度大于预设长度阈值,进行耙斗内垃圾异常告警;
耙斗下方垃圾告警模块,与垃圾识别模块连接,根据识别出的耙斗下方垃圾,筛选出耙斗下方大件垃圾,若耙斗下方大件垃圾占比大于预设第二垃圾占比阈值,进行耙斗下方垃圾异常告警。
进一步的,前池垃圾告警模块,还用于当前池垃圾占比大于预设第一垃圾占比阈值,且格栅清污机未启动,控制格栅清污机启动;
耙斗内垃圾告警模块,还用于当耙斗内大件垃圾长度大于预设长度阈值,控制格栅清污机停机;
耙斗下方垃圾告警模块,还用于当耙斗下方大件垃圾占比大于预设第二垃圾占比阈值,控制格栅清污机停机。
进一步的,还包括耙斗倾斜告警模块和耙斗角度检测模块;
图像获取模块,还用于获取第三耙斗监测图像;
区域提取模块,还用于从第三耙斗监测图像中识别并提取出感兴趣区域;
耙斗角度检测模块,与区域提取模块连接,还用于将第三耙斗监测图像中的感兴趣区域输入至预设的耙斗倾斜检测模型,获得耙斗水平倾斜角度;
耙斗倾斜告警模块,与耙斗角度检测模块连接,用于当耙斗水平倾斜角度大于预设角度阈值,进行耙斗倾斜异常告警。
进一步的,耙斗倾斜告警模块还用于当耙斗水平倾斜角度大于预设角度阈值,控制格栅清污机停机。
进一步的,预设的垃圾识别模型由输入层input、四个卷积层、拼接层concat、输出层output组成;
其中,输入层input分别通过第一卷积层、第二卷积层、第三卷积层、第四卷积层与拼接层concat连接,拼接层concat与输出层output连接;
第一卷积层包括第一子卷积层,第一子卷积层的卷积核为3*3,激活函数为ReLU函数;
第二卷积层由依次连接的第二子卷积层、第三子卷积层、第四子卷积层组成,第二子卷积层的卷积核为3*3,激活函数为Sigmoid函数;第三子卷积层的卷积核为1*7,激活函数为Sigmoid函数;第四子卷积层的卷积核为7*1,激活函数为Sigmoid函数;
第三卷积层由依次连接的第五子卷积层、第六子卷积层、第七子卷积层、第八子卷积层、第九子卷积层组成;第五子卷积层的卷积核为5*5,激活函数为ReLU函数;第六子卷积层的卷积核为7*1,激活函数为ReLU函数;第七子卷积层的卷积核为1*7,激活函数为ReLU函数;第八子卷积层的卷积核为7*1,激活函数为ReLU函数;第九子卷积层的卷积核为1*7,激活函数为ReLU函数;
第四卷积层包括第十子卷积层,第十子卷积层的卷积核为5*5,激活函数为Sigmoid函数。
由上述技术方案可知,本发明至少包括以下有益效果:
(1)本发明提供的格栅智能监控预警方法和***通过获取前池监测图像、第一耙斗监测图像以及第二耙斗监测图像;分别从前池监测图像、第一耙斗监测图像以及第二耙斗监测图像中识别并提取出感兴趣区域;根据预设的垃圾识别模型,从前池监测图像的感兴趣区域中识别出前池垃圾、从第一耙斗监测图像的感兴趣区域中识别出耙斗内垃圾、从第二耙斗监测图像的感兴趣区域中识别出耙斗下方垃圾;根据识别出的前池垃圾,计算出前池垃圾占比,若前池垃圾占比大于预设第一垃圾占比阈值,进行前池垃圾异常告警;根据识别出的耙斗内垃圾,筛选出耙斗内大件垃圾,若耙斗内大件垃圾长度大于预设长度阈值,进行耙斗内垃圾异常告警;根据识别出的耙斗下方垃圾,筛选出耙斗下方大件垃圾,若耙斗下方大件垃圾占比大于预设第二垃圾占比阈值,进行耙斗下方垃圾异常告警。对水池、耙斗内的垃圾情况进行自动识别,当耙斗内的垃圾情况超过阈值,则进行异常告警,实现对垃圾异常情况的自动实时监测和预警,无需人工定时巡逻,节约人力资源。
(2)本发明提供的格栅智能监控预警方法和***,在前池垃圾占比大于预设第一垃圾占比阈值,且格栅清污机未启动时,控制格栅清污机启动;在耙斗内大件垃圾长度大于预设长度阈值,控制格栅清污机停机;若耙斗下方大件垃圾占比大于预设第二垃圾占比阈值,控制格栅清污机停机,来实现格栅清污机自动启动或自动停机。通过对前池垃圾占比进行实时监测,可及时发现前池垃圾的情况,并根据需要随时启动格栅清污机进行垃圾清除,可实现全天候无间断的自动监测;通过对格栅清污机耙斗内大件垃圾、耙斗下方大件垃圾的实时监测,可及时发现格栅清污机的异常情况,及时对格栅清污机进行停机处理,可做到对格栅清污机的及时,准确的监控,进一步提升格栅清污机的精细化,自动化管理,避免出现因停机不及时而导致的设备损坏问题;同时格栅清污机无需人工启停也进一步节约了人力资源。
附图说明
为了更清楚的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的介绍,显而易见的,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它附图。
图1为本发明提供的格栅智能监控预警方法的流程示意图;
图2为本发明提供的另一种格栅智能监控预警方法的流程示意图;
图3为本发明提供的又一种格栅智能监控预警方法的流程示意图;
图4为本发明提供的又一种格栅智能监控预警方法的流程示意图;
图5为本发明提供的格栅智能监控预警方法中垃圾识别模型的示意图;
图6为本发明提供的格栅智能监控预警***的流程示意图;
图中:201、图像获取模块;202、区域提取模块;203、垃圾识别模块;204、前池垃圾告警模块;205、耙斗内垃圾告警模块;206、耙斗下方垃圾告警模块;207、耙斗倾斜告警模块;208、耙斗角度检测模块。
具体实施方式
下面将结合本发明中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,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,本领域普通的技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本发明的保护范围。
参考图1、一种格栅智能监控预警方法,方法包括:
步骤101:获取前池监测图像、第一耙斗监测图像以及第二耙斗监测图像。
在实际的使用过程中,利用安装在格栅机正上方支柱上,并朝向前池的摄像头对前池进行监控,获取前池监控视频,其中前池监控视频中的每一帧图像为前池监测图像;同理,利用安装在格栅机正上方支柱上,并朝向耙斗内部的摄像头对耙斗内部进行监控,获取的耙斗内部监控视频,其中耙斗内部监控视频中的每一帧图像为第一耙斗监测图像;利用安装在格栅机正对面支柱上,并朝向耙斗下方的摄像头对耙斗进行监控,获取耙斗下方监控视频,其中耙斗下方监控视频中的每一帧图像为第二耙斗监测图像。
步骤102:分别从前池监测图像、第一耙斗监测图像以及第二耙斗监测图像中识别并提取出感兴趣区域。
感兴趣区域简称ROI;在机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域,ROI。在Halcon、OpenCV、Matlab等机器视觉软件上常用到各种算子(Operator)和函数来求得感兴趣区域ROI,并进行图像的下一步处理。
在实际的使用过程中,感兴趣区域为包含前池或耙斗内部或耙斗下方以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。
在另一些实施例中,在识别并提取出感兴趣区域之前,先对前池监测图像、第一耙斗监测图像以及第二耙斗监测图像进行预处理,预处理的目的是改善图像质量。具体的,预处理包括:将前池监测图像、第一耙斗监测图像以及第二耙斗监测图像进行灰度变换;再将灰度变换后的前池监测图像、第一耙斗监测图像以及第二耙斗监测图像进行仿射变换和去噪滤波。
由于监控图像是24小时抓取,没有外部稳定的光源,取到的图像对比度不一,对图像进行灰度变换可以提高图像的对比度,改善图像的质量,使图像能够显示更多的细节,且显示效果更加清晰。由于摄像头固有的畸变,通过摄像头获取到的图像会存在一定的变形,对图像进行仿射变换,能够对存在变形的图像进行矫正。由于通过摄像头获取到的图像,包括了周围环境的各种干扰,对图像进行去噪滤波,可以消除环境中的各种干扰。
更具体的,灰度变换是指根据某种目标条件按一定变换关系逐点改变源图像中每一个像素灰度值的方法。图像的灰度变换处理是图像增强处理技术中的一种非常基础、直接的空间域图像处理方法,也是图像数字化软件和图像显示软件的一个重要组成部分。
仿射变换,又称仿射映射,是指在几何中,一个向量空间进行一次线性变换并接上一个平移,变换为另一个向量空间。仿射变换是在几何上定义为两个向量空间之间的一个仿射变换或者仿射映射(来自拉丁语,affine,“和…相关”)由一个非奇异的线性变换(运用一次函数进行的变换)接上一个平移变换组成。在有限维的情况,每个仿射变换可以由一个矩阵A和一个向量b给出,它可以写作A和一个附加的列b。一个仿射变换对应于一个矩阵和一个向量的乘法,而仿射变换的复合对应于普通的矩阵乘法,只要加入一个额外的行到矩阵的底下,这一行全部是0除了最右边是一个1,而列向量的底下要加上一个1。
在图像处理领域中,在真正的应用过程前,通常需要对图像进行预先处理,达到去除干扰项的目的。滤波去噪就是其中的一项图像预处理工作。
在.NET下常用OpenCV进行图像处理工作,常用的.NET下的OpenCV库有Emgu CV和OpenCVSharp。EmguCV是.NET平台下对OpenCV图像处理库的封装,也就是.NET版的OpenCV。由于OpenCV是用C和C++编写的,Emgu用C#对其进行封装,允许用.Net语言来调用OpenCV函数,如C#、VB、VC++等。OpenCvSharp是一个OpenCV的.Net wrapper,应用最新的OpenCV库开发,使用习惯比EmguCV更接近原始的OpenCV,有详细的使用样例供参考。使用OpenCvSharp,可用C#,VB.NET等语言实现多种流行的图像处理(image processing)与计算机视觉(computer vision)算法。
步骤103:根据预设的垃圾识别模型,从前池监测图像的感兴趣区域中识别出前池垃圾、从第一耙斗监测图像的感兴趣区域中识别出耙斗内垃圾、从第二耙斗监测图像的感兴趣区域中识别出耙斗下方垃圾。
参考图5,预设的垃圾识别模型由输入层input、四个卷积层、拼接层concat、输出层output组成;
其中,输入层input分别通过第一卷积层、第二卷积层、第三卷积层、第四卷积层与拼接层concat连接,拼接层concat与输出层output连接;
第一卷积层包括第一子卷积层,第一子卷积层的卷积核为3*3,激活函数为ReLU函数;
第二卷积层由依次连接的第二子卷积层、第三子卷积层、第四子卷积层组成,第二子卷积层的卷积核为3*3,激活函数为Sigmoid函数;第三子卷积层的卷积核为1*7,激活函数为Sigmoid函数;第四子卷积层的卷积核为7*1,激活函数为Sigmoid函数;
第三卷积层由依次连接的第五子卷积层、第六子卷积层、第七子卷积层、第八子卷积层、第九子卷积层组成;第五子卷积层的卷积核为5*5,激活函数为ReLU函数;第六子卷积层的卷积核为7*1,激活函数为ReLU函数;第七子卷积层的卷积核为1*7,激活函数为ReLU函数;第八子卷积层的卷积核为7*1,激活函数为ReLU函数;第九子卷积层的卷积核为1*7,激活函数为ReLU函数;
第四卷积层包括第十子卷积层,第十子卷积层的卷积核为5*5,激活函数为Sigmoid函数。
卷积层的功能是对输入数据进行特征提取,其内部包含多个卷积核,组成卷积核的每个元素都对应一个权重系数和一个偏差量(bias vector),类似于一个前馈神经网络的神经元(neuron)。卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连,区域的大小取决于卷积核的大小,在文献中被称为“感受野(receptive field)”,其含义可类比视觉皮层细胞的感受野。卷积核在工作时,会有规律地扫过输入特征,在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量。
本发明提供的垃圾识别模型,具体以下优点
1)采用不同大小的卷积核,包括2个3*3和2个5*5卷积核,使得存在不同大小的感受野,最后实现拼接达到不同尺度特征的融合;
2)采用两种不同的激活函数,ReLU和Sigmoid,融合两个不同激活函数的特性,使得网络更加灵活,能适应不同的场景;
3)利用1x7的卷积和7x1的卷积代替7x7的卷积,可大大减少计算的开销,提高识别速度;
4)将靠前若干层的某一层数据输出直接跳过多层引入到后面数据层的输入部分,例如第一卷积层和第四卷积层,使得后面的特征层的内容会有一部分由其前面的某一层线性贡献,使网络更容易优化,有利于提高准确率。
步骤104:根据识别出的前池垃圾,计算出前池垃圾占比,若前池垃圾占比大于预设第一垃圾占比阈值,进行前池垃圾异常告警;根据识别出的耙斗内垃圾,筛选出耙斗内大件垃圾,若耙斗内大件垃圾长度大于预设长度阈值,进行耙斗内垃圾异常告警;根据识别出的耙斗下方垃圾,筛选出耙斗下方大件垃圾,若耙斗下方大件垃圾占比大于预设第二垃圾占比阈值,进行耙斗下方垃圾异常告警。
其中,根据识别出的前池垃圾,计算出前池垃圾占比的具体步骤为:
利用图像处理算法对前池垃圾进行特征处理和特征筛选,来得到前池垃圾的宽高,进而计算出前池垃圾面积,最终输出前池垃圾面积在前池面积中的占比,作为前池垃圾占比。
图像处理算法包括颜色滤波,blob分析,图像分割;
前池有些垃圾是有颜色的,通过颜色滤波,可以提取这些有颜色的垃圾;blob分析用于提取图像中的垃圾区域;图像分割是将目标区域从背景图像中分离出来,也就是将垃圾从前池中分离出来。垃圾从背景中分离出来后,通过特征处理,例如通过垃圾的最小外接矩形,可以求得垃圾的宽和高,进而计算出前池垃圾面积,最终得到前池垃圾占比。
颜色滤波又称为色彩滤波,英文名Color Filter Array或Color Filter Mosaic,简称CFA或CFM,是像素传感器上方的一层马赛克覆层,用于采集图像的色彩信息。一般的光电传感器只能感应光的强度,不能区分光的波长(色彩),因此图像传感器需要通过色彩滤波(Colon Filter)以获取像素点的色彩信息。
Color Filter根据波长对光线进行滤波,特定的Color Filter只允许特定波长的光通过,例如,最常见的Baver Filter.又称RGGB Filter图像传感器通过Baver Filter获得像素点上红色(Red)绿色(Green)和蓝色(Blue)光的强度信息,再据此通过色彩还原算法(DemosaicinaAlaorithm)推算像素点的色值。CFA的光谱滤波特性和色彩还原算法决定了CFA色彩采集能力。通常图像传感器的光子通带和CFA的光谱响应范围会大于可见光频谱范围,因此保证图像传感器能够捕获可见光范围内所有颜色信息。
计算机视觉中的Blob是指图像中的一块连通区域,Blob分析就是对前景/背景分离后的二值图像,进行连通域提取和标记。标记完成的每一个Blob都代表一个前景目标,然后就可以计算Blob的一些相关特征,如:面积、质心、外接矩形等几何特征,还可以计算Blob的颜色、纹理特征,这些特征都可以作为跟踪的依据。
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看,图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程,即把属于同一区域的像素赋予相同的编号。
根据识别出的耙斗内垃圾,筛选出耙斗内大件垃圾的具体步骤为:利用图像处理算法对耙斗内垃圾进行特征处理和特征筛选,进而计算出耙斗内大件垃圾的长度。
其中,此处的图像处理算法与上文提到的图像处理算法一致,此处不再赘述。同样的,大件垃圾的长度,可以通过特征处理获得大件垃圾的最小外接矩形,将大件垃圾的最小外接矩形的长作为大件垃圾的长度。
进一步的,本实施例中的大件垃圾是指面积达到预设面积阈值的垃圾,预设面积阈值由技术人员根据实际需要自行设定,本发明对此不做限定。应当可以理解的,在一种实现方式中,当大件垃圾有多个时,需要分别计算出每个大件垃圾的长度,并将每个大件垃圾的长度分别与长度阈值进行比较,只要其中一个大件垃圾长度超过预设长度阈值,则进行告警。
根据识别出的耙斗下方垃圾,筛选出耙斗下方大件垃圾的具体步骤为:用图像处理算法对耙斗下方垃圾进行特征处理和特征筛选,进而计算出耙斗下方大件垃圾的占比;
同样的,此处的图像处理算法与上文提到的图像处理算法一致,此处不再赘述。大件垃圾是指面积达到预设面积阈值的垃圾,预设面积阈值由技术人员根据实际需要自行设定,本发明对此不做限定。
大件垃圾的占比是指大件垃圾的总面积占耙斗下方区域总面积的比例,其中耙斗下方区域总面积是已知的,大件垃圾的总面积,可以通过获取每个大件垃圾的最小外接矩形,将最小外接矩形的面积作为大件垃圾的面积,将全部大件垃圾的面积相加,即为大件垃圾的总面积,进而能够计算出大件垃圾的占比。进一步的,第一垃圾占比阈值、第二垃圾占比阈值、长度阈值的具体数值是技术人员根据实际需要预先自行设置的,本发明对此不作限制。
因此本发明提供的格栅智能监控预警方法可以对水池、耙斗内的垃圾情况进行识别,当耙斗内的垃圾情况超过阈值,则进行异常告警实现自动监测和预警,无需人工巡逻,节省人力资源。
参考图2,在另一些实施例中,还包括步骤105;若前池垃圾占比大于预设第一垃圾占比阈值,且格栅清污机未启动,控制格栅清污机启动;若耙斗内大件垃圾长度大于预设长度阈值,控制格栅清污机停机;若耙斗下方大件垃圾占比大于预设第二垃圾占比阈值,控制格栅清污机停机。
因此本发明提供的格栅智能监控预警方法,在前池垃圾占比大于预设第一垃圾占比阈值,且格栅清污机未启动时,控制格栅清污机启动;在耙斗内大件垃圾长度大于预设长度阈值,控制格栅清污机停机;若耙斗下方大件垃圾占比大于预设第二垃圾占比阈值,控制格栅清污机停机,来实现格栅清污机自动启动或自动停机。通过对前池垃圾占比进行实时监测,可及时发现前池垃圾的情况,并根据需要随时启动格栅清污机进行垃圾清除,可实现全天候无间断的自动监测;通过对格栅清污机耙斗内大件垃圾、耙斗下方大件垃圾的实时监测,可及时发现格栅清污机的异常情况,及时对格栅清污机进行停机处理,可做到对格栅清污机的及时,准确的监控,进一步提升格栅清污机的精细化,自动化管理,避免出现因停机不及时而导致的设备损坏问题;同时格栅清污机无需人工启停也进一步节约了人力资源。
参考图3,在另一些实施例中,还包括步骤106;获取第三耙斗监测图像,从第三耙斗监测图像中识别并提取出感兴趣区域;
在实际的使用过程中,利用安装在格栅机正对面支柱上,并朝向格栅机耙斗的摄像头,获取耙斗监控视频,其中耙斗监控视频中的每一帧图像为第三耙斗监测图像;
感兴趣区域为包含格栅机耙斗以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域;
步骤107;将第三耙斗监测图像中的感兴趣区域输入至预设的耙斗倾斜检测模型,获得耙斗水平倾斜角度;
本实施例中的耙斗倾斜检测模型在图像中的感兴趣区域,通过骨架化技术,提取出骨架化的耙斗,再通过直线拟合技术,拟合出耙斗的水平线,最后通过计算出耙斗水平线的角度即为耙斗水平倾斜角度;
本实施例中所提及的耙斗的水平线,既耙斗的横杠,为了便于识别,可以预先将耙斗的横杠用红色油漆刷成红色,图像处理时识别出这个横杠,并拟合成一条线,求出其角度。
骨架化技术是模式识别中很重要的一个技术,指的是将原本"臃肿"的像素简化为单像素相连接的二值图像(即类似骨架的概念),细化的好坏直接影响到后面识别匹配的效率。细化就是经过一层层的剥离,从原来的图中去掉一些点,但仍要保持原来的形状,直到得到图像的骨架。骨架,可以理解为图象的中轴,例如一个长方形的骨架是它的长方向上的中轴线:正方形的骨架是它的中心点:圆的骨架是它的圆心,直线的骨架是它自身,孤立点的骨架也是自身。
例如设p1点的八邻域为:
【p9p2p3
p8p1p4
p7p6p5】
(其中p1为白点,如果以下四个条件同时满足,则删除p1,即令p1=0)
其中迭代分为两个子过程:
过程1细化删除条件为:(1)、2<=N(p1)<=6.N(x)为x的8邻域中黑点的数目
(2)、A(p1)=1,A(x)指的是将p2-p8之间按序前后分别为0、1的对数(背景色:0)
(3)、p2*p4*p6=0
(4)、p4*p6*p8=0
如果同时满足以上四个条件则该点可以删除(赋值为0)。
过程2细化删除条件为:(1)、2<=N(p1)<=6.N(x)为x的8邻域中黑点的数目
(2)、A(p1)=1,A(x)指的是将p2-p8之间按序前后分别为0、1的对数(背景色:0)
(3)、p2*p4*p8=0
(4)、p2*p6*p8=0
如果同时满足以上四个条件则该点可以删除。
直线拟合是指用连续曲线近似地刻画或比拟平面上离散点组所表示的坐标之间的函数关系。更广泛地说,空间或高维空间中的相应问题亦属此范畴。在数值分析中,直线拟合就是用解析表达式逼近离散数据,即离散数据的公式化。
例如直线拟合常用的三种方法:
一、最小二乘法进行直线拟合;
二、梯度下降法进行直线拟合;
三、高斯牛顿,列-马算法进行直线拟合。
步骤108;若耙斗水平倾斜角度大于预设角度阈值,进行耙斗倾斜异常告警。
同样的,本步骤中的角度阈值的具体数值也是技术人员根据实际需要预先自行设置的,本发明对此不作限制。
参考图4,在另一些实施例中,还包括步骤109;若耙斗水平倾斜角度大于预设角度阈值,控制格栅清污机停机。
因此本发明提供的格栅智能监控预警方法可以有效避免耙斗被垃圾顶歪这一特殊情况对格栅清污机损坏。
在另一些实施例中,步骤S106中从第三耙斗监测图像中识别并提取出感兴趣区域之前,还包括对第三耙斗监测图像进行预处理,并在预处理后利用颜色滤波器进行颜色滤波,之后再从第三耙斗监测图像中识别并提取出感兴趣区域。其中预处理包括;同理将第三耙斗监测图像进行灰度变换;再将灰度变换后的第三耙斗监测图像进行仿射变换和去噪滤波。
参考图6,一种格栅智能监控预警***,***包括:
图像获取模块201,用于获取前池监测图像、第一耙斗监测图像以及第二耙斗监测图像;
区域提取模块202,与图像获取模块201连接,用于分别从前池监测图像、第一耙斗监测图像以及第二耙斗监测图像中识别并提取出感兴趣区域;
垃圾识别模块203,与区域提取模块202连接,用于根据预设的垃圾识别模型,从前池监测图像的感兴趣区域中识别出前池垃圾、从第一耙斗监测图像的感兴趣区域中识别出耙斗内垃圾、从第二耙斗监测图像的感兴趣区域中识别出耙斗下方垃圾;
前池垃圾告警模块204,与垃圾识别模块203连接,用于根据识别出的前池垃圾,计算出前池垃圾占比,若前池垃圾占比大于预设第一垃圾占比阈值,进行前池垃圾异常告警;
耙斗内垃圾告警模块205,与垃圾识别模块203连接,用于根据识别出的耙斗内垃圾,筛选出耙斗内大件垃圾,若耙斗内大件垃圾长度大于预设长度阈值,进行耙斗内垃圾异常告警;
耙斗下方垃圾告警模块206,与垃圾识别模块203连接,根据识别出的耙斗下方垃圾,筛选出耙斗下方大件垃圾,若耙斗下方大件垃圾占比大于预设第二垃圾占比阈值,进行耙斗下方垃圾异常告警。
进一步的,前池垃圾告警模块204,还用于当前池垃圾占比大于预设第一垃圾占比阈值,且格栅清污机未启动,控制格栅清污机启动;
耙斗内垃圾告警模块205,还用于当耙斗内大件垃圾长度大于预设长度阈值,控制格栅清污机停机;
耙斗下方垃圾告警模块206,还用于当耙斗下方大件垃圾占比大于预设第二垃圾占比阈值,控制格栅清污机停机。
在另一些实施例中,还包括耙斗倾斜告警模块207和耙斗角度检测模块208;
图像获取模块201,还用于获取第三耙斗监测图像;
区域提取模块202,还用于从第三耙斗监测图像中识别并提取出感兴趣区域;
耙斗角度检测模块208,与区域提取模块202连接,还用于将第三耙斗监测图像中的感兴趣区域输入至预设的耙斗倾斜检测模型,获得耙斗水平倾斜角度;
耙斗倾斜告警模块207,与耙斗角度检测模块208连接,用于当耙斗水平倾斜角度大于预设角度阈值,进行耙斗倾斜异常告警。
在另一些实施例中,耙斗倾斜告警模块208还用于当耙斗水平倾斜角度大于预设角度阈值,控制格栅清污机停机。
在另一些实施例中,预设的垃圾识别模型由输入层input、四个卷积层、拼接层concat、输出层output组成;
其中,输入层input分别通过第一卷积层、第二卷积层、第三卷积层、第四卷积层与拼接层concat连接,拼接层concat与输出层output连接;
第一卷积层包括第一子卷积层,第一子卷积层的卷积核为3*3,激活函数为ReLU函数;
第二卷积层由依次连接的第二子卷积层、第三子卷积层、第四子卷积层组成,第二子卷积层的卷积核为3*3,激活函数为Sigmoid函数;第三子卷积层的卷积核为1*7,激活函数为Sigmoid函数;第四子卷积层的卷积核为7*1,激活函数为Sigmoid函数;
第三卷积层由依次连接的第五子卷积层、第六子卷积层、第七子卷积层、第八子卷积层、第九子卷积层组成;第五子卷积层的卷积核为5*5,激活函数为ReLU函数;第六子卷积层的卷积核为7*1,激活函数为ReLU函数;第七子卷积层的卷积核为1*7,激活函数为ReLU函数;第八子卷积层的卷积核为7*1,激活函数为ReLU函数;第九子卷积层的卷积核为1*7,激活函数为ReLU函数;
第四卷积层包括第十子卷积层,第十子卷积层的卷积核为5*5,激活函数为Sigmoid函数。本申请实施例提供了一种计算机程序产品,计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,计算机程序包括程序指令,当程序指令被计算机执行时,使计算机执行上述任一一项运行方法。
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。
以上借助具体实施例对本发明做了进一步描述,但是应该理解的是,这里具体的描述,不应理解为对本发明的实质和范围的限定,本领域内的普通技术人员在阅读本说明书后对上述实施例做出的各种修改,都属于本发明所保护的范围。
Claims (10)
1.一种格栅智能监控预警方法,其特征在于,方法包括:
获取前池监测图像、第一耙斗监测图像以及第二耙斗监测图像;
分别从所述前池监测图像、第一耙斗监测图像以及第二耙斗监测图像中识别并提取出感兴趣区域;
根据预设的垃圾识别模型,从所述前池监测图像的感兴趣区域中识别出前池垃圾、从所述第一耙斗监测图像的感兴趣区域中识别出耙斗内垃圾、从所述第二耙斗监测图像的感兴趣区域中识别出耙斗下方垃圾;
根据识别出的前池垃圾,计算出前池垃圾占比,若所述前池垃圾占比大于预设第一垃圾占比阈值,进行前池垃圾异常告警;
根据识别出的耙斗内垃圾,筛选出耙斗内大件垃圾,若所述耙斗内大件垃圾长度大于预设长度阈值,进行耙斗内垃圾异常告警;
根据识别出的耙斗下方垃圾,筛选出耙斗下方大件垃圾,若所述耙斗下方大件垃圾占比大于预设第二垃圾占比阈值,进行耙斗下方垃圾异常告警。
2.根据权利要求1所述的格栅智能监控预警方法,其特征在于,所述方法还包括:
若所述前池垃圾占比大于预设第一垃圾占比阈值,且格栅清污机未启动,控制所述格栅清污机启动;
若所述耙斗内大件垃圾长度大于预设长度阈值,控制所述格栅清污机停机;
若所述耙斗下方大件垃圾占比大于预设第二垃圾占比阈值,控制所述格栅清污机停机。
3.根据权利要求1所述的格栅智能监控预警方法,其特征在于,所述方法还包括:
获取第三耙斗监测图像,从所述第三耙斗监测图像中识别并提取出感兴趣区域;
将所述第三耙斗监测图像中的感兴趣区域输入至预设的耙斗倾斜检测模型,获得耙斗水平倾斜角度;
若耙斗水平倾斜角度大于预设角度阈值,进行耙斗倾斜异常告警。
4.根据权利要求3所述的格栅智能监控预警方法,其特征在于,所述方法还包括:
若耙斗水平倾斜角度大于预设角度阈值,控制所述格栅清污机停机。
5.根据权利要求1所述的格栅智能监控预警方法,其特征在于:所述预设的垃圾识别模型由输入层input、四个卷积层、拼接层concat、输出层output组成;
其中,所述输入层input分别通过第一卷积层、第二卷积层、第三卷积层、第四卷积层与所述拼接层concat连接,所述拼接层concat与所述输出层output连接;
所述第一卷积层包括第一子卷积层,所述第一子卷积层的卷积核为3*3,激活函数为ReLU函数;
所述第二卷积层由依次连接的第二子卷积层、第三子卷积层、第四子卷积层组成,所述第二子卷积层的卷积核为3*3,激活函数为Sigmoid函数;所述第三子卷积层的卷积核为1*7,激活函数为Sigmoid函数;所述第四子卷积层的卷积核为7*1,激活函数为Sigmoid函数;
所述第三卷积层由依次连接的第五子卷积层、第六子卷积层、第七子卷积层、第八子卷积层、第九子卷积层组成;所述第五子卷积层的卷积核为5*5,激活函数为ReLU函数;所述第六子卷积层的卷积核为7*1,激活函数为ReLU函数;所述第七子卷积层的卷积核为1*7,激活函数为ReLU函数;所述第八子卷积层的卷积核为7*1,激活函数为ReLU函数;所述第九子卷积层的卷积核为1*7,激活函数为ReLU函数;
所述第四卷积层包括第十子卷积层,所述第十子卷积层的卷积核为5*5,激活函数为Sigmoid函数。
6.一种格栅智能监控预警***,其特征在于,***包括:
图像获取模块,用于获取前池监测图像、第一耙斗监测图像以及第二耙斗监测图像;
区域提取模块,与所述图像获取模块连接,用于分别从所述前池监测图像、第一耙斗监测图像以及第二耙斗监测图像中识别并提取出感兴趣区域;
垃圾识别模块,与所述区域提取模块连接,用于根据预设的垃圾识别模型,从所述前池监测图像的感兴趣区域中识别出前池垃圾、从所述第一耙斗监测图像的感兴趣区域中识别出耙斗内垃圾、从所述第二耙斗监测图像的感兴趣区域中识别出耙斗下方垃圾;
前池垃圾告警模块,与所述垃圾识别模块连接,用于根据识别出的前池垃圾,计算出前池垃圾占比,若所述前池垃圾占比大于预设第一垃圾占比阈值,进行前池垃圾异常告警;
耙斗内垃圾告警模块,与所述垃圾识别模块连接,用于根据识别出的耙斗内垃圾,筛选出耙斗内大件垃圾,若所述耙斗内大件垃圾长度大于预设长度阈值,进行耙斗内垃圾异常告警;
耙斗下方垃圾告警模块,与所述垃圾识别模块连接,根据识别出的耙斗下方垃圾,筛选出耙斗下方大件垃圾,若所述耙斗下方大件垃圾占比大于预设第二垃圾占比阈值,进行耙斗下方垃圾异常告警。
7.根据权利要求6所述的格栅智能监控预警***,其特征在于:
所述前池垃圾告警模块,还用于当所述前池垃圾占比大于预设第一垃圾占比阈值,且格栅清污机未启动,控制所述格栅清污机启动;
所述耙斗内垃圾告警模块,还用于当所述耙斗内大件垃圾长度大于预设长度阈值,控制所述格栅清污机停机;
所述耙斗下方垃圾告警模块,还用于当所述耙斗下方大件垃圾占比大于预设第二垃圾占比阈值,控制所述格栅清污机停机。
8.根据权利要求6所述的格栅智能监控预警***,其特征在于:还包括耙斗倾斜告警模块和耙斗角度检测模块;
所述图像获取模块,还用于获取第三耙斗监测图像;
所述区域提取模块,还用于从所述第三耙斗监测图像中识别并提取出感兴趣区域;
所述耙斗角度检测模块,与所述区域提取模块连接,还用于将所述第三耙斗监测图像中的感兴趣区域输入至预设的耙斗倾斜检测模型,获得耙斗水平倾斜角度;
所述耙斗倾斜告警模块,与所述耙斗角度检测模块连接,用于当耙斗水平倾斜角度大于预设角度阈值,进行耙斗倾斜异常告警。
9.根据权利要求8所述的格栅智能监控预警***,其特征在于:所述耙斗倾斜告警模块还用于当耙斗水平倾斜角度大于预设角度阈值,控制所述格栅清污机停机。
10.根据权利要求6所述的格栅智能监控预警***,其特征在于:所述预设的垃圾识别模型由输入层input、四个卷积层、拼接层concat、输出层output组成;
其中,所述输入层input分别通过第一卷积层、第二卷积层、第三卷积层、第四卷积层与所述拼接层concat连接,所述拼接层concat与所述输出层output连接;
所述第一卷积层包括第一子卷积层,所述第一子卷积层的卷积核为3*3,激活函数为ReLU函数;
所述第二卷积层由依次连接的第二子卷积层、第三子卷积层、第四子卷积层组成,所述第二子卷积层的卷积核为3*3,激活函数为Sigmoid函数;所述第三子卷积层的卷积核为1*7,激活函数为Sigmoid函数;所述第四子卷积层的卷积核为7*1,激活函数为Sigmoid函数;
所述第三卷积层由依次连接的第五子卷积层、第六子卷积层、第七子卷积层、第八子卷积层、第九子卷积层组成;所述第五子卷积层的卷积核为5*5,激活函数为ReLU函数;所述第六子卷积层的卷积核为7*1,激活函数为ReLU函数;所述第七子卷积层的卷积核为1*7,激活函数为ReLU函数;所述第八子卷积层的卷积核为7*1,激活函数为ReLU函数;所述第九子卷积层的卷积核为1*7,激活函数为ReLU函数;
所述第四卷积层包括第十子卷积层,所述第十子卷积层的卷积核为5*5,激活函数为Sigmoid函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210969479.4A CN115331166B (zh) | 2022-08-12 | 2022-08-12 | 一种格栅清污机智能监控预警方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210969479.4A CN115331166B (zh) | 2022-08-12 | 2022-08-12 | 一种格栅清污机智能监控预警方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115331166A true CN115331166A (zh) | 2022-11-11 |
CN115331166B CN115331166B (zh) | 2023-10-27 |
Family
ID=83924892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210969479.4A Active CN115331166B (zh) | 2022-08-12 | 2022-08-12 | 一种格栅清污机智能监控预警方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115331166B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116893644A (zh) * | 2023-09-07 | 2023-10-17 | 东平鑫通浮桥有限公司 | 一种水利闸门的远程智能控制方法及*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005349311A (ja) * | 2004-06-10 | 2005-12-22 | Izumi Products Co | 生ゴミ処理機およびその制御プログラム |
CN106228332A (zh) * | 2016-08-11 | 2016-12-14 | 电信科学技术第四研究所 | 一种基于物联网的危险化工原料物流仓储管理***和方法 |
CN109474671A (zh) * | 2018-10-23 | 2019-03-15 | 深圳市体数科科技有限公司 | 一种智能车载设备及其通信方法 |
CN109703957A (zh) * | 2019-03-07 | 2019-05-03 | 布谷之声科技(杭州)有限责任公司 | 一种生活垃圾的移动分类工厂 |
CN110344495A (zh) * | 2019-06-20 | 2019-10-18 | 中水淮河规划设计研究有限公司 | 泵站视频识别污物智能化清污***及智能化清污方法 |
CN110411533A (zh) * | 2019-08-12 | 2019-11-05 | 南昌亿君祥科技有限公司 | 一种基于机器视觉的铁路积水监测报警装置及方法 |
CN111305176A (zh) * | 2020-03-19 | 2020-06-19 | 南平市延平区鑫四海机电自动化有限公司 | 一种智能清污机设备的控制方法、装置及*** |
CN111319889A (zh) * | 2020-03-06 | 2020-06-23 | 绍兴文理学院 | 一种基于数据平台下的垃圾清运***及方法 |
CN112323755A (zh) * | 2020-11-10 | 2021-02-05 | 安徽省六安恒源机械有限公司 | 一种抓臂式清污机器人控制方法 |
US20210178432A1 (en) * | 2017-06-30 | 2021-06-17 | Boe Technology Group Co., Ltd. | Trash sorting and recycling method, trash sorting device, and trash sorting and recycling system |
CN113673298A (zh) * | 2021-06-11 | 2021-11-19 | 温州大学 | 一种基于时序门控循环单元模型的溢出监测方法 |
CN114548862A (zh) * | 2022-02-08 | 2022-05-27 | 深圳市金阳盛城市服务集团有限公司 | 基于智能垃圾箱的管理方法、装置、设备及存储介质 |
CN216973345U (zh) * | 2022-01-04 | 2022-07-15 | 中交(天津)生态环保设计研究院有限公司 | 河道垃圾清漂机及河道垃圾清漂*** |
US20220234505A1 (en) * | 2021-01-27 | 2022-07-28 | The Heil Co. | Video Display for Refuse Collection |
-
2022
- 2022-08-12 CN CN202210969479.4A patent/CN115331166B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005349311A (ja) * | 2004-06-10 | 2005-12-22 | Izumi Products Co | 生ゴミ処理機およびその制御プログラム |
CN106228332A (zh) * | 2016-08-11 | 2016-12-14 | 电信科学技术第四研究所 | 一种基于物联网的危险化工原料物流仓储管理***和方法 |
US20210178432A1 (en) * | 2017-06-30 | 2021-06-17 | Boe Technology Group Co., Ltd. | Trash sorting and recycling method, trash sorting device, and trash sorting and recycling system |
CN109474671A (zh) * | 2018-10-23 | 2019-03-15 | 深圳市体数科科技有限公司 | 一种智能车载设备及其通信方法 |
CN109703957A (zh) * | 2019-03-07 | 2019-05-03 | 布谷之声科技(杭州)有限责任公司 | 一种生活垃圾的移动分类工厂 |
CN110344495A (zh) * | 2019-06-20 | 2019-10-18 | 中水淮河规划设计研究有限公司 | 泵站视频识别污物智能化清污***及智能化清污方法 |
CN110411533A (zh) * | 2019-08-12 | 2019-11-05 | 南昌亿君祥科技有限公司 | 一种基于机器视觉的铁路积水监测报警装置及方法 |
CN111319889A (zh) * | 2020-03-06 | 2020-06-23 | 绍兴文理学院 | 一种基于数据平台下的垃圾清运***及方法 |
CN111305176A (zh) * | 2020-03-19 | 2020-06-19 | 南平市延平区鑫四海机电自动化有限公司 | 一种智能清污机设备的控制方法、装置及*** |
CN112323755A (zh) * | 2020-11-10 | 2021-02-05 | 安徽省六安恒源机械有限公司 | 一种抓臂式清污机器人控制方法 |
US20220234505A1 (en) * | 2021-01-27 | 2022-07-28 | The Heil Co. | Video Display for Refuse Collection |
CN113673298A (zh) * | 2021-06-11 | 2021-11-19 | 温州大学 | 一种基于时序门控循环单元模型的溢出监测方法 |
CN216973345U (zh) * | 2022-01-04 | 2022-07-15 | 中交(天津)生态环保设计研究院有限公司 | 河道垃圾清漂机及河道垃圾清漂*** |
CN114548862A (zh) * | 2022-02-08 | 2022-05-27 | 深圳市金阳盛城市服务集团有限公司 | 基于智能垃圾箱的管理方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116893644A (zh) * | 2023-09-07 | 2023-10-17 | 东平鑫通浮桥有限公司 | 一种水利闸门的远程智能控制方法及*** |
CN116893644B (zh) * | 2023-09-07 | 2023-12-19 | 东平鑫通浮桥有限公司 | 一种水利闸门的远程智能控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115331166B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107045629B (zh) | 一种多车道线检测方法 | |
US5774177A (en) | Textile fabric inspection system | |
Strothmann et al. | Plant classification with in-field-labeling for crop/weed discrimination using spectral features and 3d surface features from a multi-wavelength laser line profile system | |
CN111046880A (zh) | 一种红外目标图像分割方法、***、电子设备及存储介质 | |
CN109886155B (zh) | 基于深度学习的单株水稻检测定位方法、***、设备及介质 | |
EP2353146B1 (de) | Vermessung des wachstums von blattscheiben von pflanzen | |
CN110751075A (zh) | 一种基于实例分割的遥感影像养殖塘检测方法 | |
CN110930357A (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与*** | |
GB2478593A (en) | Segmentation of cell nuclei in histological sections | |
CN111881816B (zh) | 一种长时序的河湖围埂养殖区域监测方法 | |
CN113409362B (zh) | 高空抛物检测方法和装置、设备及计算机存储介质 | |
CN115331166B (zh) | 一种格栅清污机智能监控预警方法和*** | |
CN111199195B (zh) | 一种基于遥感图像的池塘状态全自动监测方法和装置 | |
CN113706566B (zh) | 一种基于边缘检测的加香喷雾性能检测方法 | |
CN113313692B (zh) | 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法 | |
CN113487538A (zh) | 一种多目标分割缺陷检测方法、装置及其计算机存储介质 | |
CN107464232B (zh) | 一种无人插秧机栽插质量的图像检测方法 | |
Guo et al. | Monitoring the spatiotemporal change of Dongting Lake wetland by integrating Landsat and MODIS images, from 2001 to 2020 | |
CN115690089A (zh) | 一种微弱缺陷检测用的图像增强前处理方法及*** | |
JPH05263411A (ja) | 物体の観察方法および装置 | |
CN115311623A (zh) | 一种基于红外热成像的设备漏油检测方法及*** | |
CN110298856B (zh) | 一种鱼体长度非接触式估算方法 | |
Zhang et al. | Automated fatigue crack detection in steel box girder of bridges based on ensemble deep neural network | |
CN106485287A (zh) | 扫描区域的获取方法、数字切片的获取方法及装置 | |
Bairwa et al. | Counting of flowers using image processing |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |