CN116342595A - 基于ai技术的管道冲洗水质透明度识别方法和设备 - Google Patents
基于ai技术的管道冲洗水质透明度识别方法和设备 Download PDFInfo
- Publication number
- CN116342595A CN116342595A CN202310609307.0A CN202310609307A CN116342595A CN 116342595 A CN116342595 A CN 116342595A CN 202310609307 A CN202310609307 A CN 202310609307A CN 116342595 A CN116342595 A CN 116342595A
- Authority
- CN
- China
- Prior art keywords
- water quality
- sampling bottle
- infrared light
- transparent sampling
- dimensional image
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 232
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000011010 flushing procedure Methods 0.000 title claims abstract description 64
- 238000005516 engineering process Methods 0.000 title claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 144
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000001914 filtration Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 20
- 239000010432 diamond Substances 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000005352 clarification Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 27
- 238000012549 training Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 229910003460 diamond Inorganic materials 0.000 description 3
- 238000009428 plumbing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005242 forging Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供一种基于AI技术的管道冲洗水质透明度识别方法和设备,涉及图像识别领域,该方法包括:红外光发射器向透明采样瓶发射红外光发射图案;红外光摄像头接收红外光反射图案;图像处理模块根据红外光发射图案和红外光反射图案确定透明采样瓶的三维形状;可见光摄像头采集透明采样瓶的二维图像;图像处理模块根据二维图像和三维形状确定透明采样瓶的三维图像;图像处理模块对三维图像中的反光进行滤除;图像处理模块利用经过训练的水质透明度识别模型对三维图像进行识别,以确定透明采样瓶中的水样的水质透明度。该方法能够准确判断水样的水质透明度是否满足标准,使得冲洗后的管道符合要求。
Description
技术领域
本发明涉及图像识别领域,具体而言,涉及一种基于AI技术的管道冲洗水质透明度识别方法和设备。
背景技术
管道冲洗是指利用液体对管道进行冲洗,使管道内恢复干净。具体来说,在施工的过程中,新安装的管道内部通常有许多的污垢,需要将管道冲洗干净后才能够使用。另外,对于长期使用的管道,管内的污垢会导致管径变小甚至堵塞,因此也需要定期对管道进行冲洗,以清除其中的异物,恢复管道的畅通。
目前,主要采用高压水流冲洗以及气压脉冲冲洗等方法来去除管道内壁的污垢和杂质。在冲洗过程中,工作人员需要不断地采集管道出口所流出的水样,并判断水样的水质透明度是否满足透明度标准。但是,这样的人工判断过程并不准确,会导致水样在不满足透明度标准的情况下便结束管道冲洗过程,进而导致管道冲洗不到位,不满足冲洗要求。
发明内容
有鉴于此,本发明的目的在于提供一种基于AI技术的管道冲洗水质透明度识别方法和设备,通过AI技术对水样进行水质透明度识别,能够准确判断水样的水质透明度是否满足标准,使得冲洗后的管道符合要求,从而减少水体在输送过程中的污染。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明提供一种基于AI技术的管道冲洗水质透明度识别方法,应用于水质透明度识别设备,所述水质透明度识别设备包括图像采集模块和图像处理模块,所述图像采集模块包括红外光发射器、红外光摄像头和可见光摄像头。其中,第一方面所述的基于AI技术的管道冲洗水质透明度识别方法包括:所述红外光发射器向透明采样瓶发射红外光发射图案;其中,所述透明采样瓶中装有待进行水质透明度识别的水样;所述红外光摄像头接收红外光反射图案;其中,所述红外光反射图案为所述红外光发射图案经过所述透明采样瓶反射后的图案;所述图像处理模块根据所述红外光发射图案和所述红外光反射图案确定所述透明采样瓶的三维形状;所述可见光摄像头采集所述透明采样瓶的二维图像;所述图像处理模块根据所述二维图像和所述三维形状确定所述透明采样瓶的三维图像;所述图像处理模块对所述三维图像中的反光进行滤除;所述图像处理模块利用经过训练的水质透明度识别模型对所述三维图像进行识别,以确定所述透明采样瓶中的所述水样的水质透明度。
第二方面,本发明提供一种基于AI技术的管道冲洗水质透明度识别设备。该设备包括图像采集模块和图像处理模块,所述图像采集模块包括红外光发射器、红外光摄像头和可见光摄像头;其中,所述红外光发射器,用于向透明采样瓶发射红外光发射图案;其中,所述透明采样瓶中装有待进行水质透明度识别的水样;所述红外光摄像头,用于接收红外光反射图案;其中,所述红外光反射图案为所述红外光发射图案经过所述透明采样瓶反射后的图案;所述图像处理模块,用于根据所述红外光发射图案和所述红外光反射图案确定所述透明采样瓶的三维形状;所述可见光摄像头,用于采集所述透明采样瓶的二维图像;所述图像处理模块,还用于根据所述二维图像和所述三维形状确定所述透明采样瓶的三维图像;所述图像处理模块,还用于对所述三维图像中的反光进行滤除;所述图像处理模块,还用于利用经过训练的水质透明度识别模型对所述三维图像进行识别,以确定所述透明采样瓶中的所述水样的水质透明度。
在本发明的可选实施例中,所述经过训练的水质透明度识别模型包括经过训练的预分类神经网络模型和经过训练的透明度识别模型;其中,所述利用经过训练的水质透明度识别模型对所述三维图像进行识别,包括:利用所述预分类神经网络模型根据所述三维图像识别所述水样的水质类别,所述水质类别包括浑浊或澄清;当所述预分类神经网络模型识别出所述水样的水质类别为浑浊时,所述预分类神经网络模型输出所述水样的水质透明度不达标;以及当所述预分类神经网络模型识别出所述水样的水质类别为澄清时,利用所述透明度识别模型根据所述三维图像识别所述水样的水质透明度。
在本发明的可选实施例中,所述对所述三维图像中的反光进行滤除,包括:将所述三维图像输入经过训练的反光滤除模型,以对所述三维图像中的所述透明采样瓶的表面反光进行滤除。
在本发明的可选实施例中,所述对所述三维图像中的反光进行滤除,包括:确定所述三维图像中的所述透明采样瓶的整体平均亮度;确定所述三维图像中的所述透明采样瓶的预设标记区域的区域平均亮度;其中,所述预设标记区域根据所述透明采样瓶的高频反光点确定,所述高频反光点包括:多张透明采样瓶图像中出现次数超过预设次数阈值的反光点;以及当所述区域平均亮度大于所述整体平均亮度并且所述区域平均亮度与所述整体平均亮度的差值大于预设阈值时,将所述预设标记区域的亮度调整为所述整体平均亮度,以对所述三维图像中的反光进行滤除。
在本发明的可选实施例中,所述对所述三维图像中的反光进行滤除,还包括:获取所述三维图像中的所述透明采样瓶的高亮点;其中,所述高亮点包括所述三维图像中的所述透明采样瓶的亮度超过反光亮度阈值的像素点;根据所述高亮点确定所述三维图像中的所述透明采样瓶的高亮区域;其中,所述高亮区域包括所述高亮点以及所述高亮点周围满足预设条件的像素点,所述预设条件包括亮度与所述高亮点的亮度的差值小于预设差值;以及,将所述高亮区域的亮度调整为所述整体平均亮度。
在本发明的可选实施例中,所述向透明采样瓶发射红外光发射图案,包括:在第一时刻向所述透明采样瓶发射第一发射图案;以及,在第一时刻之后的第二时刻向所述透明采样瓶发射第二发射图案;其中,所述第一发射图案为轴对称图案,所述第二发射图案的形状根据所述第一发射图案经过90°旋转后得到的图案的形状确定。
在本发明的可选实施例中,所述第一发射图案的形状包括多个由小到大嵌套在一起的纺锤形,或者所述第一发射图案的形状包括多个由小到大嵌套在一起的菱形;其中,所述向透明采样瓶发射红外光发射图案,包括:判断所述第一发射图案的对称轴与所述透明采样瓶的高度延伸方向是否一致;当所述第一发射图案的对称轴与所述透明采样瓶的高度延伸方向不一致时,对所述红外光发射器进行旋转,以使得旋转后的所述红外光发射器发射的第一发射图案的对称轴与所述透明采样瓶的高度延伸方向一致。
在本发明的可选实施例中,当所述第一发射图案的形状包括多个由小到大嵌套在一起的纺锤形时,所述第一发射图案中最***的纺锤形的覆盖范围大于所述透明采样瓶的轮廓的覆盖范围;当所述第一发射图案的形状包括多个由小到大嵌套在一起的菱形时,所述第一发射图案中最***的菱形的覆盖范围大于所述透明采样瓶的轮廓的覆盖范围。
在本发明的可选实施例中,所述第二发射图案的形状与所述第一发射图案经90°旋转以及轴向压缩的图像的形状相同。
在本发明的可选实施例中,所述图像处理模块,还用于判断所述水样的水质透明度是否大于预设透明度阈值;所述图像处理模块,还用于当所述水样的水质透明度大于预设透明度阈值时,确定所述透明采样瓶中的水样符合管道冲洗水质标准。
根据上述各个方面提供的实施例,在基于AI技术的管道冲洗水质透明度识别方法中:红外光发射器向透明采样瓶发射红外光发射图案,红外光摄像头接收红外光反射图案,图像处理模块根据红外光发射图案和红外光反射图案确定透明采样瓶的三维形状,可见光摄像头采集透明采样瓶的二维图像,图像处理模块根据二维图像和三维形状确定透明采样瓶的三维图像,图像处理模块对三维图像中的反光进行滤除,图像处理模块利用经过训练的水质透明度识别模型对三维图像进行识别,以确定透明采样瓶中的水样的水质透明度。也即是说,本发明实施例能够采集透明采样瓶的三维图像,对三维图像中的反光进行滤除,以及利用水质透明度识别模型对三维图像进行识别,以鉴定水样的水质透明度。其中,对透明采样瓶的三维图像进行采集,可以避免工作人员伪造照片(例如,使用伪造的满足标准的透明采样瓶图片来进行洗水质透明度识别),确保管道冲洗的过程满足规范。并且,由于反光的明亮程度通常与透明水质的明亮程度接近,对透明采样瓶的三维图像的反光进行滤除,可以显著地减少水质透明度识别过程中反光对识别结果的干扰。因此,本发明提供的实施例能够准确判断水样的水质透明度是否满足标准,使得冲洗后的管道符合要求,从而减少水体在输送过程中的污染。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举本发明实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例所提供的基于AI技术的管道冲洗水质透明度识别设备的一种模块框图;
图2为本发明实施例所提供的基于AI技术的管道冲洗水质透明度识别方法的一种流程示意图;
图3为本发明实施例提供的第一发射图案和第二发射图案的时序示意图;
图4为本发明实施例提供的第一发射图案的形状示意图;
图5为本发明实施例提供的第二发射图案的形状示意图;
图6为本发明实施例提供的一种基于AI技术的管道冲洗水质透明度识别装置的功能模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
为了解决上文现有技术中存在的“人工判断过程并不准确,会导致水样在不满足透明度标准的情况下便结束管道冲洗过程,进而导致管道冲洗不到位,不满足冲洗要求”的问题。本发明实施例提出了一种技术方案,包括基于AI技术的管道冲洗水质透明度识别方法和设备。本发明实施例通过AI技术对水样进行水质透明度识别,能够准确判断水样的水质透明度是否满足标准,使得冲洗后的管道符合要求,从而减少水体在输送过程中的污染。
首先,结合附图对基于AI技术的管道冲洗水质透明度识别设备进行说明。
请参照图1,图1示出了本发明实施例提供的基于AI技术的管道冲洗水质透明度识别设备的一种模块框图。其中,基于AI技术的管道冲洗水质透明度识别设备100(以下简称管道冲洗水质透明度识别设备100)包括:图像采集模块110和图像处理模块120。
其中,图像采集模块110包括红外光发射器111、红外光摄像头112和可见光摄像头113。图像处理模块120可以包括图像处理芯片。图像采集模块110与图像处理模块120连接,也即是说,图像采集模块110可以与红外光发射器111、红外光摄像头112和可见光摄像头113直接或间接连接,并且可以与红外光发射器111、红外光摄像头112和可见光摄像头113之间进行数据信令和控制信令的交互。从而,图像采集模块110可以对红外光发射器111、红外光摄像头112和可见光摄像头113进行控制。
例如,图像采集模块110可以控制红外光发射器111发射红外光发射图案,控制红外光摄像头112接收红外光反射图案,以及控制可见光摄像头113进行二维图像的拍摄。
在可选的实施例中,红外光发射器111包括红外光发射元件以及光学衍射元件。其中,红外光发射元件可以包括激光器或红外LED灯组等可以发射红外光的元件。光学衍射元件可以包括衍射光栅(DiffractiveOptical Element,DOE)。红外光发射元件发射的红外光在经过光学衍射元件后,可以被衍射(或者称为散射)成具有一定图案形状的红外光。因此,通过对光学衍射元件进行设计以及定制,可以使得红外光发射器111发射满足需求的红外光发射图案。
在一些可能的实施例中,管道冲洗水质透明度识别设备100可以是一种便携式图像采集和处理设备,例如管道冲洗水质透明度识别设备100可以包括但不限于:手机、笔记本电脑、平板电脑等。
在其他可能的实施例中,管道冲洗水质透明度识别设备100包括多个相互连接的子设备。例如,管道冲洗水质透明度识别设备100可以包括图像处理服务器以及图像采集设备。图像采集设备可以实现上述图像采集模块110所能够执行的功能,图像处理服务器可以实现上述图像处理模块120所能够执行的功能。其中,图像处理服务器可以包括但不限于:服务器、主机、分布式服务器、云服务器等。图像采集设备可以但不限于:手机、平板电脑、手持式图像采集设备等。
下面给出一种基于AI技术的管道冲洗水质透明度识别方法的实现方式。请参阅图2,图2示出了本发明实施例提供的一种基于AI技术的管道冲洗水质透明度识别方法的流程示意图。该基于AI技术的管道冲洗水质透明度识别方法可以应用于管道冲洗水质透明度识别设备100,以对管道冲洗后采集的水样进行水质透明度的识别。
该基于AI技术的管道冲洗水质透明度识别方法可以应用于上述图1所示的管道冲洗水质透明度识别设备110。在一种可能的应用场景中,工作人员进行管道冲洗,并在进行管道冲洗的过程中使用透明采样瓶采集管道口流出的水样。在该过程中,工作人员可以在不同的时间点,先后利用多个透明采样瓶采集多份水样。然后,利用管道冲洗水质透明度识别设备110对每个透明采样瓶中的水样进行水质透明度识别。其中,本实施例提供的管道冲洗水质透明度识别方法以对多个透明采样瓶中的一个透明采样瓶中的水样进行水质透明度识别为例进行说明:
具体来说,该基于AI技术的管道冲洗水质透明度识别方法可以包括以下步骤S210~S270,下面依次进行说明。
S210,利用红外光发射器111向透明采样瓶发射红外光发射图案。
其中,透明采样瓶中装有待进行水质透明度识别的水样。
S220,利用红外光摄像头112接收红外光反射图案。
其中,红外光反射图案为红外光发射图案经过透明采样瓶反射后的图案。
在一些可能的实施例中,红外光发射器111可以响应于工作人员的拍摄操作,向透明采样瓶发射红外光发射图案。红外光摄像头112可以响应于红外光发射器111的发射红外光发射图案的操作,接收红外光反射图案。
S230,利用图像处理模块120根据红外光发射图案和红外光反射图案确定透明采样瓶的三维形状。
具体来说,红外光反射图案与红外光发射图案之间的差异包含透明采样瓶的深度信息。因此,图像处理模块120可以根据红外光反射图案与红外光发射图案之间的差异以及预设的三维重建算法,计算出透明采样瓶的三维形状。
S240,利用可见光摄像头113采集透明采样瓶的二维图像。
该二维图像包括透明采样瓶的色彩信息。该色彩信息包括亮度信息以及颜色信息。需要说明的是,本实施例不对S240、S210-S230之间的执行顺序进行限制,也即是说,S240可以在S210-S230之前、之后执行,以及S240可以与S210-S230并行执行。
S250,利用图像处理模块120根据二维图像和三维形状确定透明采样瓶的三维图像。
该三维图像包括透明采样瓶的三维信息以及亮度信息。
其中,图像处理模块120还可以判断三维图像中的透明采样瓶多个不同位置的深度信息是否一致。当三维图像中的透明采样瓶多个不同位置的深度信息一致时,则表示工作人员在伪造照片(例如,采集提前准备好的满足标准的透明采样瓶图片,而非采集现场的透明采样瓶的图像),图像处理模块120可以输出警示信息并进行显示,以指示工作人员重新拍摄,确保管道冲洗的过程满足规范。当三维图像中的透明采样瓶多个不同位置的深度信息不一致时,则继续执行以下步骤。
S260,利用图像处理模块120对三维图像中的反光进行滤除。
S270,利用图像处理模块120利用经过训练的水质透明度识别模型对三维图像进行识别,以确定透明采样瓶中的水样的水质透明度。
可以理解,在上述S210-S270中,对透明采样瓶的三维图像进行采集,可以避免工作人员伪造照片,从而确保管道冲洗的过程满足规范。并且,由于反光的明亮程度通常与透明水质的明亮程度接近,对透明采样瓶的三维图像的反光进行滤除,可以显著地减少水质透明度识别过程中反光对识别结果的干扰。因此,图2所示方法实施例能够准确判断水样的水质透明度是否满足标准,使得冲洗后的管道符合要求,从而减少水体在输送过程中的污染。
在一些可能的实施例中,水质透明度识别模型的训练过程包括以下步骤1.1-1.2:
步骤1.1,获取数据集。
该数据集可以包括多组训练数据,每组训练数据包括:一张三维图像(包括装有不同透明度的水样的透明采样瓶)以及对应的水质透明度。
步骤1.2,利用所述数据集对水质透明度识别模型进行训练,以得到经过训练的水质透明度识别模型。
其中,训练数据中的三维图像被作为水质透明度识别模型的输入变量,水质透明度被作为水质透明度识别模型的输出变量。
上述的水质透明度识别模型的结构可以包括:输入层、隐藏层以及输出层。其中,输入层用于接收训练数据中的三维图像作为输入变量。隐藏层包括一系列的神经元,每个神经元都有一组权重和偏差。隐藏层能够根据输入变量计算出一系列的中间值,这些中间值可以被用于进一步计算输出变量。输出层用于将隐藏层的输出计算为预测值。上述的水质透明度识别模型的激活函数可以采用ReLU和线性函数,损失函数可以采用均方误差(MSE)。用于更新神经元的权重和偏差,以减小损失函数的值的优化算法可以采用梯度下降法。
具体来说,该水质透明度识别模型可以包括依次连接的3个分离卷积层、36个MBConv6卷积块、6个MBConv3卷积块、6个MBConv6卷积块和1个归一化指数函数分类器。
可以理解,根据上述步骤1.1和1.2,在对水质透明度识别模型进行训练后,该水质透明度识别模型能够识别出一张透明采样瓶的三维图像中的水样的水质透明度。
在一些其他可能的实施例中,经过训练的水质透明度识别模型包括经过训练的预分类神经网络模型和经过训练的透明度识别模型。在该实施例中,对于上述S270中的,利用经过训练的水质透明度识别模型对三维图像进行识别,可以包括如下步骤2.1-2.3:
步骤2.1,利用预分类神经网络模型根据三维图像识别水样的水质类别,水质类别包括浑浊或澄清。
步骤2.2,当预分类神经网络模型识别出水样的水质类别为浑浊时,预分类神经网络模型输出水样的水质透明度不达标。
步骤2.3,当预分类神经网络模型识别出水样的水质类别为澄清时,利用透明度识别模型根据三维图像识别水样的水质透明度。
具体来说,用于训练预分类神经网络模型的数据集可以包括多组训练数据,每组训练数据包括:一张三维图像(包括装有不同水质类别的水样的透明采样瓶)以及对应的水质类别的标签。用于训练透明度识别模型的数据集可以包括多组训练数据,每组训练数据包括:一张三维图像(包括装有水质类别为澄清的水样的透明采样瓶)以及对应的水质透明度。其中,预分类神经网络模型和透明度识别模型的具体训练过程可以参考上述水质透明度识别模型的训练过程,在此不再赘述。
在步骤2.1-2.3中,通过利用预分类神经网络模型对水样进行筛选,直接排除水质透明度不达标的浑浊的水样,并将澄清的水样送入透明度识别模型进行水质透明度识别,如此可以使得透明度识别模型专用于识别澄清的水样的透明程度,从而可以提高透明度识别模型对水质透明度的识别精度。另外,由于对模型进行了分工,预分类神经网络模型和透明度识别模型可以采用规模较小的神经网络模型,从而可以减少模型训练过程中的训练量以及模型识别过程的运算量。
在一些实施例中,S260,利用图像处理模块120对三维图像中的反光进行滤除,包括:将三维图像输入经过训练的反光滤除模型,以对三维图像中是透明采样瓶的表面反光进行滤除。
其中,用于训练反光滤除模型的数据集可以包括多组训练数据,每组训练数据包括:一张三维图像(包括装有不同水质类别的水样的透明采样瓶)以及对该三维图像进行反光滤除处理的图像。反光滤除模型的具体训练过程可以参考上述水质透明度识别模型的训练过程,在此不再赘述。
在一些其他的实施例中,对于S260中的,利用图像处理模块120对三维图像中的反光进行滤除,包括如下步骤3.1-3.3:
步骤3.1,确定三维图像中的透明采样瓶的整体平均亮度。
步骤3.2,确定三维图像中的透明采样瓶的预设标记区域的区域平均亮度。
其中,预设标记区域根据透明采样瓶的高频反光点确定。具体来说,该高频反光点表示透明采样瓶上出现反光概率超过一定概率阈值的点。例如,在一些实施例中,可以将大量(也即是多张)透明采样瓶图像中出现次数超过预设次数阈值的反光点确定为高频反光点,也即是说高频反光点包括:多张透明采样瓶图像中出现次数超过预设次数阈值的反光点。另外,高频反光点也可以由工作人员预先进行设置。
其中,预设标记区域可以包括:高频反光点以及高频反光点周围满足预设标记条件的像素点,预设标记条件包括亮度与高频反光点的亮度的差值小于预设差值。
步骤3.3,当区域平均亮度大于整体平均亮度并且区域平均亮度与整体平均亮度的差值大于预设阈值时,将预设标记区域的亮度调整为整体平均亮度,以对三维图像中的反光进行滤除。
可以理解,在步骤3.1-3.3中,通过对预设标记区域进行反光滤除的方式来对三维图像中的反光进行滤除,能够对透明采样瓶的反光进行针对性地滤除,既能够保证反光滤除效果,又能够简化反光滤除过程,运算量小。
进一步的,对于S260中的,利用图像处理模块120对三维图像中的反光进行滤除,还可以包括如下步骤3.4-3.6:
步骤3.4,获取三维图像中的透明采样瓶的高亮点。
其中,高亮点包括三维图像中的透明采样瓶的亮度超过反光亮度阈值的像素点。
步骤3.5,根据高亮点确定三维图像中的透明采样瓶的高亮区域。
其中,高亮区域包括高亮点以及高亮点周围满足预设条件的像素点,预设条件包括亮度与高亮点的亮度的差值小于预设差值。
步骤3.6,将高亮区域的亮度调整为整体平均亮度。
可以理解,在步骤3.1-3.3中,对高亮点所对应的高亮区域进行反光滤除,可以将前文利用预设标记区域进行反光滤除方式中遗漏的反光进行滤除,从而能够使得反光滤除更加彻底,以提升水质透明度的识别精度。
可选的,请参照图3,图3为本发明实施例提供的第一发射图案和第二发射图案的时序示意图。S210,红外光发射器111向透明采样瓶发射红外光发射图案,可以包括:在第一时刻(例如图3中T1)向透明采样瓶发射第一发射图案。以及,在第一时刻之后的第二时刻(例如图3中T2)向透明采样瓶发射第二发射图案。
在该实施例中,红外光发射图案包括第一发射图案和第二发射图案,对应的,红外光摄像头112接收的红外光反射图案包括第一发射图案对应的第一反射图案和第二发射图案对应的第二反射图案。从而,图像处理模块120根据红外光发射图案和红外光反射图案确定透明采样瓶的三维形状,可以包括:根据第一发射图案、第二发射图案、第一反射图案和第二反射图案确定透明采样瓶的三维形状。
其中,第一发射图案为轴对称图案,第二发射图案的形状根据第一发射图案经过90°旋转后得到的图案的形状确定。换句话说,第一发射图案和第二发射图案之间垂直相交。
可以理解,先后将第一发射图案和第二发射图案向透明采样瓶发射,可以减少两个发射图案对应的反射图案之间的干扰,从而提高三维图像的重建精度。并且,第一发射图案和第二发射图案之间垂直相交,能够使得第一发射图案和第二发射图案各自对应的反射图案之间的差异尽可能地大,从而使得两个反射图案能够尽可能采集到完整的透明采样瓶的三维图像,进一步提升透明采样瓶的三维图像的精度,并使得之后步骤中的三维图像的反光滤除更加彻底。
进一步的,请参照图4,图4为本发明实施例提供的第一发射图案的形状示意图。第一发射图案的形状包括多个由小到大嵌套在一起的纺锤形(如图4中的子图C),或者第一发射图案的形状包括多个由小到大嵌套在一起的菱形(如图4中的子图A)。另外,为了降低红外光发射器111中的光学衍射元件的设计难度,可以对光学衍射元件进行设计,以使得红外光发射器111发射散斑状态的纺锤形(如图4中的子图D)或菱形(如图4中的子图B)。
可选的,上述方法实施例还可以包括:根据透明采样瓶的二维图像对透明采样瓶的高度延伸方向进行识别,并判断第一发射图案的对称轴与透明采样瓶的高度延伸方向是否一致。当第一发射图案的对称轴与透明采样瓶的高度延伸方向不一致时,对红外光发射器111进行旋转,以使得旋转后的红外光发射器111发射的第一发射图案的对称轴与透明采样瓶的高度延伸方向一致,以及使得红外光发射器111发射的第二发射图案的对称轴与透明采样瓶的宽度延伸方向一致。如此一来,可以使得第一发射图案、第二发射图案分别与透明采样瓶的高度延伸方向和宽度延伸方向一致,从而一方面能够使得红外光发射图案尽可能地覆盖透明采用瓶,降低三维图像出现损失的概率,另一方面可以使得红外光反射图案与红外光发射图案之间的差异更加有规律,从而能够使得三维图像的重建算法更加简化,以及减少三维图像计算过程中的运算量。
进一步的,当第一发射图案的形状包括多个由小到大嵌套在一起的纺锤形时,第一发射图案中最***的纺锤形的覆盖范围大于透明采样瓶的轮廓的覆盖范围。当第一发射图案的形状包括多个由小到大嵌套在一起的菱形时,第一发射图案中最***的菱形的覆盖范围大于透明采样瓶的轮廓的覆盖范围。这样一来,可以确保能够采集到透明采样瓶完整的三维形状。
进一步的,请参照图5,图5为本发明实施例提供的第二发射图案的形状示意图。一个实施例中,第二发射图案的形状与第一发射图案经90°旋转的图像的形状相同(如图5中的子图A1)。另一个实施例中,第二发射图案的形状与第一发射图案经90°旋转以及轴向压缩的图像的形状相同(如图5中的子图A2),这样可以使得第二发射图案与透明采样瓶的宽度匹配,可以增加透明采样瓶的宽度方向的发射图案密度,提升三维图像的精度,提高发射图案的利用率。再一个实施例中,如图5中的子图A3,第二发射图案包括多个第二发射子图案,每个第二发射子图案的形状与第一发射图案经90°旋转以及轴向压缩的图像的形状相同,并且多个第二发射子图案之间间隔预设距离沿透明采样瓶的高度延伸方向排列设置,这样可以使得第二发射图案尽可能在宽度和高度方向对透明采样瓶进行覆盖,从而提升三维图像的精度。
在本发明的可选实施例中,图2所示的方法实施例中,图像处理模块120用于判断水样的水质透明度是否大于预设透明度阈值。以及,图像处理模块120用于当水样的水质透明度大于预设透明度阈值时,确定透明采样瓶中的水样符合管道冲洗水质标准。
在其他可能的实施例中,水样的水质透明度越大表示水样的水质越透明。图2所示的方法实施例中,图像处理模块120用于判断水样的水质透明度是否大于或等于进行管道冲洗的管道进水口的水样的水质透明度。以及,图像处理模块120用于当水样的水质透明度大于或等于进行管道冲洗的管道进水口的水样的水质透明度时,确定透明采样瓶中的水样符合管道冲洗水质标准。
为了执行上述实施例及各个可能的方式中的相应步骤,下面还给出一种基于AI技术的管道冲洗水质透明度识别装置的实现方式,请参阅图6,图6示出了本发明实施例提供的一种基于AI技术的管道冲洗水质透明度识别装置的功能模块图。该基于AI技术的管道冲洗水质透明度识别装置300可以应用于上述图1所示的管道冲洗水质透明度识别设备100,可以用于执行上述方法实施例中的各个步骤。需要说明的是,本实施例所提供的一种基于AI技术的管道冲洗水质透明度识别装置300,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可标准上述的实施例中相应内容。该基于AI技术的管道冲洗水质透明度识别装置300可以包括:收发模块310、处理模块320。
可选地,上述模块可以软件或固件(Firmware)的形式存储于存储器中或固化于本发明提供的图1所示的管道冲洗水质透明度识别设备100的操作***(Operating System,OS)中,并可由图1所示管道冲洗水质透明度识别设备100中的处理器执行。同时,执行上述模块所需的数据、程序的代码等可以存储在存储器中。
可以理解的是,收发模块310、处理模块320可以用于支持图1所示的管道冲洗水质透明度识别设备100执行上述方法实施例中相关的步骤,和/或用于本文所描述的技术的其他过程,比如上述图2所示的方法实施例以及上述记载的各个方法实施例,对此不作限定。
收发模块310用于向透明采样瓶发射红外光发射图案;其中,透明采样瓶中装有待进行水质透明度识别的水样;收发模块310用于接收红外光反射图案;其中,红外光反射图案为红外光发射图案经过透明采样瓶反射后的图案;处理模块320用于根据红外光发射图案和红外光反射图案确定透明采样瓶的三维形状;收发模块310用于采集透明采样瓶的二维图像;处理模块320还用于根据二维图像和三维形状确定透明采样瓶的三维图像;处理模块320还用于对三维图像中的反光进行滤除;处理模块320还用于利用经过训练的水质透明度识别模型对三维图像进行识别,以确定透明采样瓶中的水样的水质透明度。
基于上述实施例,本发明实施例还提供了一种计算机可读存储介质,该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运行时执行上述基于AI技术的管道冲洗水质透明度识别方法中的各个步骤。
具体地,该存储介质可以为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述实施例中的方法,从而解决现有技术中存在的“人工判断过程并不准确,会导致水样在不满足透明度标准的情况下便结束管道冲洗过程,进而导致管道冲洗不到位,不满足冲洗要求”问题。
在本发明所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。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,又例如,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通信接口,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。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本发明的实施例而已,并不用于限制本发明的保护范围,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于AI技术的管道冲洗水质透明度识别方法,其特征在于,应用于水质透明度识别设备,所述水质透明度识别设备包括图像采集模块和图像处理模块,所述图像采集模块包括红外光发射器、红外光摄像头和可见光摄像头;其中,
所述基于AI技术的管道冲洗水质透明度识别方法,包括:
所述红外光发射器向透明采样瓶发射红外光发射图案;其中,所述透明采样瓶中装有待进行水质透明度识别的水样;
所述红外光摄像头接收红外光反射图案;其中,所述红外光反射图案为所述红外光发射图案经过所述透明采样瓶反射后的图案;
所述图像处理模块根据所述红外光发射图案和所述红外光反射图案确定所述透明采样瓶的三维形状;
所述可见光摄像头采集所述透明采样瓶的二维图像;
所述图像处理模块根据所述二维图像和所述三维形状确定所述透明采样瓶的三维图像;
所述图像处理模块对所述三维图像中的反光进行滤除;以及,
所述图像处理模块利用经过训练的水质透明度识别模型对所述三维图像进行识别,以确定所述透明采样瓶中的所述水样的水质透明度。
2.根据权利要求1所述的基于AI技术的管道冲洗水质透明度识别方法,其特征在于,所述经过训练的水质透明度识别模型包括经过训练的预分类神经网络模型和经过训练的透明度识别模型;其中,
所述利用经过训练的水质透明度识别模型对所述三维图像进行识别,包括:
利用所述预分类神经网络模型根据所述三维图像识别所述水样的水质类别,所述水质类别包括浑浊或澄清;
当所述预分类神经网络模型识别出所述水样的水质类别为浑浊时,所述预分类神经网络模型输出所述水样的水质透明度不达标;以及
当所述预分类神经网络模型识别出所述水样的水质类别为澄清时,利用所述透明度识别模型根据所述三维图像识别所述水样的水质透明度。
3.根据权利要求1所述的基于AI技术的管道冲洗水质透明度识别方法,其特征在于,所述图像处理模块对所述三维图像中的反光进行滤除,包括:
将所述三维图像输入经过训练的反光滤除模型,以对所述三维图像中的所述透明采样瓶的表面反光进行滤除。
4.根据权利要求1所述的基于AI技术的管道冲洗水质透明度识别方法,其特征在于,所述图像处理模块对所述三维图像中的反光进行滤除,包括:
确定所述三维图像中的所述透明采样瓶的整体平均亮度;
确定所述三维图像中的所述透明采样瓶的预设标记区域的区域平均亮度;其中,所述预设标记区域根据所述透明采样瓶的高频反光点确定,所述高频反光点包括:多张透明采样瓶图像中出现次数超过预设次数阈值的反光点;以及
当所述区域平均亮度大于所述整体平均亮度并且所述区域平均亮度与所述整体平均亮度的差值大于预设阈值时,将所述预设标记区域的亮度调整为所述整体平均亮度,以对所述三维图像中的反光进行滤除。
5.根据权利要求4所述的基于AI技术的管道冲洗水质透明度识别方法,其特征在于,所述图像处理模块对所述三维图像中的反光进行滤除,还包括:
获取所述三维图像中的所述透明采样瓶的高亮点;其中,所述高亮点包括所述三维图像中的所述透明采样瓶的亮度超过反光亮度阈值的像素点;
根据所述高亮点确定所述三维图像中的所述透明采样瓶的高亮区域;其中,所述高亮区域包括所述高亮点以及所述高亮点周围满足预设条件的像素点,所述预设条件包括亮度与所述高亮点的亮度的差值小于预设差值;以及,
将所述高亮区域的亮度调整为所述整体平均亮度。
6.根据权利要求1所述的基于AI技术的管道冲洗水质透明度识别方法,其特征在于,所述红外光发射器向透明采样瓶发射红外光发射图案,包括:
在第一时刻向所述透明采样瓶发射第一发射图案;以及,
在第一时刻之后的第二时刻向所述透明采样瓶发射第二发射图案;
其中,所述第一发射图案为轴对称图案,所述第二发射图案的形状根据所述第一发射图案经过90°旋转后得到的图案的形状确定。
7. 根据权利要求6所述的基于AI技术的管道冲洗水质透明度识别方法,其特征在于,所述第一发射图案的形状包括多个由小到大嵌套在一起的纺锤形,或者所述第一发射图案的形状包括多个由小到大嵌套在一起的菱形;其中,所述红外光发射器向透明采样瓶发射红外光发射图案,包括:
判断所述第一发射图案的对称轴与所述透明采样瓶的高度延伸方向是否一致;以及
当所述第一发射图案的对称轴与所述透明采样瓶的高度延伸方向不一致时,对所述红外光发射器进行旋转,以使得旋转后的所述红外光发射器发射的第一发射图案的对称轴与所述透明采样瓶的高度延伸方向一致。
8.根据权利要求7所述的基于AI技术的管道冲洗水质透明度识别方法,其特征在于,当所述第一发射图案的形状包括多个由小到大嵌套在一起的纺锤形时,所述第一发射图案中最***的纺锤形的覆盖范围大于所述透明采样瓶的轮廓的覆盖范围;
当所述第一发射图案的形状包括多个由小到大嵌套在一起的菱形时,所述第一发射图案中最***的菱形的覆盖范围大于所述透明采样瓶的轮廓的覆盖范围。
9.根据权利要求8所述的基于AI技术的管道冲洗水质透明度识别方法,其特征在于,所述第二发射图案的形状与所述第一发射图案经90°旋转以及轴向压缩的图像的形状相同。
10.一种基于AI技术的管道冲洗水质透明度识别设备,其特征在于,包括图像采集模块和图像处理模块,所述图像采集模块包括红外光发射器、红外光摄像头和可见光摄像头;其中,
所述红外光发射器,用于向透明采样瓶发射红外光发射图案;其中,所述透明采样瓶中装有待进行水质透明度识别的水样;
所述红外光摄像头,用于接收红外光反射图案;其中,所述红外光反射图案为所述红外光发射图案经过所述透明采样瓶反射后的图案;
所述图像处理模块,用于根据所述红外光发射图案和所述红外光反射图案确定所述透明采样瓶的三维形状;
所述可见光摄像头,用于采集所述透明采样瓶的二维图像;
所述图像处理模块,还用于根据所述二维图像和所述三维形状确定所述透明采样瓶的三维图像;
所述图像处理模块,还用于对所述三维图像中的反光进行滤除;
所述图像处理模块,还用于利用经过训练的水质透明度识别模型对所述三维图像进行识别,以确定所述透明采样瓶中的所述水样的水质透明度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310609307.0A CN116342595B (zh) | 2023-05-29 | 2023-05-29 | 基于ai技术的管道冲洗水质透明度识别方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310609307.0A CN116342595B (zh) | 2023-05-29 | 2023-05-29 | 基于ai技术的管道冲洗水质透明度识别方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116342595A true CN116342595A (zh) | 2023-06-27 |
CN116342595B CN116342595B (zh) | 2023-08-04 |
Family
ID=86889779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310609307.0A Active CN116342595B (zh) | 2023-05-29 | 2023-05-29 | 基于ai技术的管道冲洗水质透明度识别方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342595B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016117460A1 (ja) * | 2015-01-21 | 2016-07-28 | ウシオ電機株式会社 | 水質検査システム |
CN109187534A (zh) * | 2018-08-01 | 2019-01-11 | 江苏凯纳水处理技术有限公司 | 水质检测方法及其水样图像识别装置 |
CN110749576A (zh) * | 2019-11-19 | 2020-02-04 | 无锡漫途科技有限公司 | 基于计算机视觉的水质透明度测定***及方法 |
US20210295594A1 (en) * | 2016-10-08 | 2021-09-23 | Purdue Research Foundation | Method and Apparatus for Generating Two-Dimensional Image Data Describing a Three-Dimensional Image |
-
2023
- 2023-05-29 CN CN202310609307.0A patent/CN116342595B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016117460A1 (ja) * | 2015-01-21 | 2016-07-28 | ウシオ電機株式会社 | 水質検査システム |
US20210295594A1 (en) * | 2016-10-08 | 2021-09-23 | Purdue Research Foundation | Method and Apparatus for Generating Two-Dimensional Image Data Describing a Three-Dimensional Image |
CN109187534A (zh) * | 2018-08-01 | 2019-01-11 | 江苏凯纳水处理技术有限公司 | 水质检测方法及其水样图像识别装置 |
CN110749576A (zh) * | 2019-11-19 | 2020-02-04 | 无锡漫途科技有限公司 | 基于计算机视觉的水质透明度测定***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116342595B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829914B (zh) | 检测产品缺陷的方法和装置 | |
CN109241967B (zh) | 基于深度神经网络的甲状腺超声图像自动识别***、计算机设备、存储介质 | |
CN106557778A (zh) | 通用物体检测方法和装置、数据处理装置和终端设备 | |
CN113421230B (zh) | 基于目标检测网络的车载液晶屏导光板缺陷视觉检测方法 | |
CN109508664A (zh) | 一种基于深度学习的菜品识别计价方法 | |
CN111382785A (zh) | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 | |
CN111275705A (zh) | 智能验布方法、装置、电子设备及存储介质 | |
CN116109637B (zh) | 基于视觉的涡轮增压器叶轮外观缺陷检测的***及其方法 | |
CN113688709A (zh) | 一种安全帽佩戴智能检测方法、***、终端及介质 | |
CN112115898A (zh) | 多指针仪表检测方法、装置、计算机设备及存储介质 | |
CN112686206A (zh) | 一种智能斗齿监测*** | |
CN116385430A (zh) | 一种机器视觉瑕疵检测方法、装置、介质及设备 | |
CN113192013A (zh) | 一种反光表面缺陷检测方法、***及电子设备 | |
CN110287967B (zh) | 一种基于图像的数字及机械表数字识别方法 | |
CN113393438A (zh) | 一种基于卷积神经网络的树脂镜片缺陷检测方法 | |
CN116342595B (zh) | 基于ai技术的管道冲洗水质透明度识别方法和设备 | |
CN105957116A (zh) | 一种基于频率的动态编码点的设计与解码方法 | |
CN110728279A (zh) | 一种基于嵌入式平台机器视觉的水表数字识别方法 | |
CN113409271B (zh) | 一种镜头油污的检测方法、装置及设备 | |
CN114170487A (zh) | 一种基于视觉的水面油污检测方法 | |
CN113361487A (zh) | 异物检测方法、装置、设备及计算机可读存储介质 | |
CN113205511A (zh) | 基于深层神经网络的电子元器件批量信息检测方法及*** | |
CN117078651A (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN111027601A (zh) | 一种基于激光传感器的平面检测方法、装置 | |
CN115760808A (zh) | 平板玻璃尺寸测量方法、***、装置及可读存储介质 |
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 |