本發(fā)明屬于圖像處理，涉及一種凈水設備狀態(tài)辨識方法，具體涉及一種基于水質(zhì)圖像識別技術(shù)的凈水設備狀態(tài)辨識方法。

背景技術(shù)：

1、隨著科學技術(shù)的發(fā)展，人們的生產(chǎn)活動也在日益增加，在經(jīng)濟發(fā)展和人民生活水平提高的同時，人類的工業(yè)生產(chǎn)、日常生活、所生產(chǎn)的機器設施也導致水體的污染，為避免隨意排放所引起的地下水、海水的污染，需要對其進行凈化處理。

2、凈水設備的每一種標準狀態(tài)都對應有不同的指示燈，當某個指示燈不滿足當前所處標準狀態(tài)時，說明設備處于異常狀態(tài)。目前主要采用人工查看和識別判斷凈水設備是否處于異常狀態(tài)，或者通過人工查看監(jiān)控畫面、報警燈判斷凈水設備是否運行正常。該方法存在工作效率較低以及人工操作可能出現(xiàn)的漏檢和誤檢等問題。

技術(shù)實現(xiàn)思路

1、為了解決背景技術(shù)中存在的上述問題，本發(fā)明提供了一種基于圖像識別技術(shù)的凈水設備狀態(tài)辨識方法。

2、本發(fā)明的目的是通過以下技術(shù)方案實現(xiàn)的：

3、一種基于圖像識別技術(shù)的凈水設備狀態(tài)辨識方法，包括如下步驟：

4、步驟s1、圖像的采集與處理：

5、步驟s101、水質(zhì)圖像與指示燈圖像采集：采用水質(zhì)圖像采集系統(tǒng)獲取凈水設備不同標準狀態(tài)下的水質(zhì)圖像，在指示燈附近安裝監(jiān)控器采集凈水設備不同標準狀態(tài)下指示燈圖像；

6、步驟s102、濾波去噪：運用銳化空間濾波器處理水質(zhì)圖像與指示燈圖像采集時的噪聲問題；

7、步驟s103、圖像灰度化：對降噪后的圖像采用加權(quán)平均值灰度化處理法將多通道的彩色圖像轉(zhuǎn)換為單通道的灰度圖像；

8、步驟s104、直方圖均衡化：將水質(zhì)灰度圖繼續(xù)執(zhí)行限制對比度直方圖均衡化處理，加強圖像對比度；

9、步驟s2、圖像的標記：

10、步驟s201、將所有采集的圖像按照7：3的比例分為兩組，水質(zhì)圖像第一組為水質(zhì)圖像訓練集a，第二組為水質(zhì)圖像測試組b；指示燈圖像第一組為指示燈圖像訓練集c，第二組為指示燈圖像測試組d；

11、步驟s202、對所有圖像進行標記，使每組圖像分別對應實際的凈水設備的不同標準工作狀態(tài)；

12、步驟s3、訓練模型：

13、步驟s301：基于深度學習技術(shù)將步驟s201中得到的水質(zhì)圖像訓練集a作為模型訓練數(shù)據(jù)，使用vgg-16卷積神經(jīng)網(wǎng)絡，構(gòu)建水質(zhì)圖像凈水設備狀態(tài)辨識模型w；

14、步驟s302：基于深度學習技術(shù)將步驟s201中得到的指示燈圖像訓練集c作為模型訓練數(shù)據(jù)，使用vgg-16卷積神經(jīng)網(wǎng)絡，構(gòu)建指示燈凈水設備狀態(tài)辨識模型l；

15、步驟s4、深度學習模型的驗證與調(diào)優(yōu)：

16、步驟s401、將步驟s201中得到的水質(zhì)圖像測試組b作為輸入?yún)?shù)，輸入步驟s302得到的水質(zhì)圖像凈水設備狀態(tài)辨識模型w中；

17、步驟s402、基于驗證結(jié)果，對水質(zhì)圖像凈水設備狀態(tài)辨識模型w的訓練權(quán)重參數(shù)與網(wǎng)絡拓撲參數(shù)進行優(yōu)化；

18、步驟s403、將步驟s201中得到的指示燈圖像測試組d作為輸入?yún)?shù)，輸入步驟s304得到的指示燈凈水設備狀態(tài)辨識模型l中；

19、步驟s404、基于驗證結(jié)果，對指示燈凈水設備狀態(tài)辨識模型l的訓練權(quán)重參數(shù)與網(wǎng)絡拓撲參數(shù)進行優(yōu)化；

20、步驟s5、凈水設備異常狀態(tài)辨識：

21、步驟s501、通過水質(zhì)圖像采集系統(tǒng)、監(jiān)控器分別獲得水質(zhì)圖像、指示燈圖像，利用步驟s402優(yōu)化后的水質(zhì)圖像凈水設備狀態(tài)辨識模型w對獲取的水質(zhì)圖像進行辨識，得到凈水設備狀態(tài)1；利用步驟s404優(yōu)化后的指示燈凈水設備狀態(tài)辨識模型r對獲取的水質(zhì)圖像進行辨識，得到凈水設備狀態(tài)2；

22、步驟s502、將凈水設備狀態(tài)1與凈水設備狀態(tài)2進行對比，若相同，則顯示凈水設備正常工作，若不同，則顯示凈水設備異常工作。

23、相比于現(xiàn)有技術(shù)，本發(fā)明具有如下優(yōu)點：

24、經(jīng)過水質(zhì)圖像算法的處理，本身特征并不明顯的微生物被加強顯示，而背景噪聲和干擾項則受到模糊處理，微生物和周圍背景的對比度更加顯著；同時，采用此凈水設備狀態(tài)辨識方法，可以大大提高辨識凈水設備運行狀態(tài)的工作效率與準確率。

技術(shù)特征：

1.一種基于圖像識別技術(shù)的凈水設備狀態(tài)辨識方法，其特征在于所述方法包括如下步驟：

2.根據(jù)權(quán)利要求1所述的基于圖像識別技術(shù)的凈水設備狀態(tài)辨識方法，其特征在于所述步驟s101中，水質(zhì)圖像采集系統(tǒng)包括水下補光燈、顯微鏡、光學ccd數(shù)碼相機與圖像采集卡，水質(zhì)圖像采集時，打開水下補光燈，光學ccd數(shù)碼相機對準顯微鏡進行拍照，再通過圖像采集卡將數(shù)據(jù)傳輸至電腦端。

3.根據(jù)權(quán)利要求1所述的基于圖像識別技術(shù)的凈水設備狀態(tài)辨識方法，其特征在于所述步驟s103中，加權(quán)平均值灰度化處理法對三通道分量r分量、g分量和b分量的權(quán)值分別取為0.299、0.587、0.144。

4.根據(jù)權(quán)利要求1所述的基于圖像識別技術(shù)的凈水設備狀態(tài)辨識方法，其特征在于所述步驟s301中，vgg-16卷積神經(jīng)網(wǎng)絡主要由13個卷積層和3個全連接層組成，輸入凈水設備的不同標準狀態(tài)的水質(zhì)圖像訓練集a，在前13個卷積層提取水質(zhì)圖像訓練集a特征，后3個全連接層將提取的特征映射到類別概率上，最后一個全連接層輸出水質(zhì)圖像凈水設備狀態(tài)辨識模型w的預測結(jié)果。

5.根據(jù)權(quán)利要求1所述的基于圖像識別技術(shù)的凈水設備狀態(tài)辨識方法，其特征在于所述s302中，vgg-16卷積神經(jīng)網(wǎng)絡主要由13個卷積層和3個全連接層組成，輸入凈水設備的不同標準狀態(tài)的指示燈圖像訓練集c，在前13個卷積層提取指示燈圖像訓練集c特征，后3個全連接層將提取的特征映射到類別概率上，最后一個全連接層輸出指示燈凈水設備狀態(tài)辨識模型l的預測結(jié)果。

技術(shù)總結(jié)
本發(fā)明公開了一種基于圖像識別技術(shù)的凈水設備狀態(tài)辨識方法，所述方法包括如下步驟：步驟S1、圖像的采集與處理；步驟S2、圖像的標記；步驟S3、訓練模型；步驟S4、深度學習模型的驗證與調(diào)優(yōu)；步驟S5、凈水設備異常狀態(tài)辨識。經(jīng)過水質(zhì)圖像算法的處理，本身特征并不明顯的微生物被加強顯示，而背景噪聲和干擾項則受到模糊處理，微生物和周圍背景的對比度更加顯著；同時，采用此凈水設備狀態(tài)辨識方法，可以大大提高辨識凈水設備運行狀態(tài)的工作效率與準確率。

技術(shù)研發(fā)人員：歐陽榮富,柯明勇,唐亮,孔祥勛,謝立海,吳偉,叢晟亦,吳奕理,許寶森,陳瑞琦
受保護的技術(shù)使用者：廈門市政環(huán)境科技股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2