一种基于计算机视觉的水污染检测方法及系统与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于计算机视觉的水污染检测方法及系统。


背景技术：

2.随着我国经济的发展，有效利用能源、减少环境污染的重要性日益凸显。制定并执行环保政策和措施，致在保护环境的同时改善人民的生活质量，已经成为我国民生工程的关注点。而工业发展和日常生活产生污水量的激增，预示着污水处理在环境保护领域的重要性日益显著。
3.对于水污染检测主要依赖于生化技术分析，成本高昂且门槛较高。需要经过专业技术人员对传感器的数据进行分析来判断水污染情况。现有技术中可通过神经网络对水体图像进行分析，获得污染程度，但是神经网络的构建复杂，需要大量数据集，无法快速便捷的分析出水体水质情况。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种基于计算机视觉的水污染检测方法及系统，所采用的技术方案具体如下：
5.本发明提出了一种基于计算机视觉的水污染检测方法，所述方法包括：
6.在水下设置自然图像；所述自然图像包括丰富的色彩信息及纹理信息；通过水下相机获得所述自然图像的rgb图像；
7.获得每个所述rgb图像的像素点的r通道像素值和g通道像素值和；以每个所述rgb图像的像素点的b通道像素值与所述像素值和的比值作为分割参考比；根据所述分割参考比将像素点分类，获得反射像素点；
8.根据所述rgb图像每个通道的像素值获得每个通道的子高斯模型；将所有通道的所述子高斯模型的参数进行融合，获得所述rgb图像的全局光照强度；
9.获取所述自然图像在没有污水遮挡情况下的暗通道图像；根据所述暗通道图像像素值和所述全局光照强度获得所述rgb图像上每个像素点的污水透射率；
10.根据所述污水透射率和所述反射像素点在所述rgb图像中的数量占比，获得污染程度指标。
11.进一步地，所述根据所述分割参考比将像素点分类包括：
12.根据分割参考比利用超像素分割算法将像素点分为两类；以所述分割参考比小的类别作为反射像素点。
13.进一步地，所述根据所述rgb图像每个通道的像素值获得每个通道的子高斯模型包括：
14.随机化设置每个所述子高斯模型的初始参数；通过em算法根据所述rgb图像上每个通道的像素值对所述初始参数进行迭代优化，直至满足预设迭代条件，获得最优模型参
数；根据所述最优模型参数获得所述子高斯模型。
15.进一步地，所述将所有通道的所述子高斯模型的参数进行融合，获得所述rgb图像的全局光照强度包括：
16.获得所述子高斯模型中的模型均值和模型权重；将所述子高斯模型的所述模型权重与所述模型权重相乘后累加，获得所述全局光照强度。
17.进一步地，所述根据所述暗通道图像像素值和所述全局光照强度获得所述rgb图像上每个像素点的污水透射率包括：根据光散射模型获得所述污水透射率；所述光散射模型包括：
[0018][0019]
其中，t
x,y
为所述rgb图像在(x,y)处像素点的所述污水透射率，为所述暗通道图像上(x,y)处像素点的像素值，a为所述全局光照强度。
[0020]
进一步地，所述根据所述污水透射率和所述反射像素点在所述rgb图像中的数量占比，获得污染程度指标包括：根据污染程度指标计算公式获得所述污染程度指标；所述污染程度指标计算公式为：
[0021][0022]
其中，m为所述污染程度指标，n为所述rgb图像像素点数量，ti为所述rgb图像上第i个像素点的所述污水透射率，n
rg
为所述反射像素点的数量。
[0023]
本发明还提出了一种基于计算机视觉的水污染检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现任意一项所述一种基于计算机视觉的水污染检测方法的步骤。
[0024]
本发明具有如下有益效果：
[0025]
1.本发明实施例通过光线在水体散射和反射的特点，利用b通道内的像素信息对像素点进行分类，获得反射像素点。根据rgb图像在每个通道上的像素信息获得水体全局光照强度，结合利用了自然图像的暗通道图像获得每个像素点的污水透射率。反映了当前水体每个位置的光线投射信息。根据污水透射率和反射像素点在rgb图像中的数量占比获得参考性强的污染物指标。实现了快速便捷的水污染检测。
附图说明
[0026]
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和优点，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它附图。
[0027]
图1为本发明一个实施例所提供的一种基于计算机视觉的水污染检测方法流程图。
具体实施方式
[0028]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于计算机视觉的水污染检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0029]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0030]
下面结合附图具体的说明本发明所提供的一种基于计算机视觉的水污染检测方法及系统的具体方案。
[0031]
请参阅图1，其示出了本发明一个实施例提供的一种基于计算机视觉的水污染检测方法流程图，该方法包括：
[0032]
步骤s1：在水下设置自然图像；自然图像包括丰富的色彩信息及纹理信息；通过水下监控获得自然图像的rgb图像。
[0033]
在本发明实施例中，在检测池的水下以正俯视视角部署相机，在检测池内设置或者喷涂自然图像，自然图像为拥有丰富色彩信息及纹理信息的常见图像。通过水下相机获得rgb图像。
[0034]
因为光线进入浑浊的水体后，根据水体内包含的粒子大小和数量会产生程度不同的丁达尔效应。丁达尔效应通过光在水下的反射和散射进行表示。因此通过水下相机拍摄的rgb图像中的亮度信息，即各通道的像素值大小可以分析当前水体内反射和散射信息，进而判断水体污染程度。
[0035]
在本发明实施例中，获得rgb图像后，为了加强图像内部特征，利用hdrnet对rgb图像进行增强。
[0036]
步骤s2：获得每个rgb图像的像素点的r通道像素值和g通道像素值和；以每个rgb图像的像素点的b通道像素值与像素值和的比值作为分割参考比；根据分割参考比将像素点分类，获得反射像素点。
[0037]
水体内发生的丁达尔效应是根据水体内分布着不均匀且大小不同的颗粒造成的。分布不均匀且包含大小不同的颗粒的水体可视为胶体。胶体收到外部光照的影响，在其内部会出现可见光束。由光的散射定理可知，胶体粒子直径小于光的波长则产生散射，波长越短的光，散射效应越强。因此散射光在水下通常偏蓝色，因为蓝色的波长为400-500纳米，即在rgb图像内，蓝色通道即b通道内包含散射信息。
[0038]
对于水体内的反射而言，通常由粗分散系统粒子造成。粗分散系统粒子为直径在1000纳米以上，体现在视觉上的效果就是水体较为浑浊。
[0039]
浑浊水体水下对光照的影响仅包括散射和反射，散射像素点在b通道内的信息明显，因此在b通道内筛选出散射像素点后其他像素点即为反射像素点，具体包括：
[0040]
获得每个rgb图像的像素点的r通道像素值和g通道像素值和。以每个rgb图像的像素点的b通道像素值与像素值和的比值作为分割参考比。根据分割参考比利用超像素分割算法将像素点分为两类。同一类别中的像素点的分割参考比相似性较大，分割参考比大的像素点说明散信息大，粒子尺寸小，因此以分割参考比小的类别作为反射像素点。超像素分
割算法为常规技术，在此不多赘述。
[0041]
反射像素点越多，说明水体内该区域的反射的粒子越多，尺寸大的粒子丰富，水体更浑浊，即水污染越严重。
[0042]
步骤s3：根据rgb图像每个通道的像素值获得每个通道的子高斯模型；将所有通道的子高斯模型的参数进行融合，获得rgb图像的全局光照强度。
[0043]
因为rgb图像可视为自然图像的模糊图像，因此可通过自然图像在没有污水遮挡下的暗通道图像信息和水下的全局光照强度反映出rgb图像内每个像素点的污水透射率。污水透射率与暗通道信息和光照信息的关系为公知技术在此不多赘述。获取全局光照强度的方法包括：
[0044]
因为水下的光照强度是由光的散射和反射共同决定的，散射光线偏蓝色，强度低，在b通道内特征明显；反射光线在rgb图像整体内分布均匀，且强度高。因此需要对rgb图像每个通道的信息进行全局分析。因为高斯分布作为自然界中常见且适用范围最广的分布模型，因此可通过高斯分布模型表示光照强度的分布。根据rgb图像上每个通道的像素值获得每个通道的子高斯模型，具体包括：
[0045]
随机化设置每个子高斯模型的初始参数；通过em算法根据rgb图像上每个通道的像素值对初始参数进行迭代优化，直至满足预设迭代条件，获得最优模型参数；根据最优模型参数获得子高斯模型。在本发明实施例中，迭代条件设置为：当参数变化小于0.1时，满足迭代条件。
[0046]
最优模型参数包括子高斯模型的模型均值和模型权重，将子高斯模型的所述模型权重与所述模型权重相乘后累加，获得所述全局光照强度，实现三个子高斯模型的参数融合。即：
[0047][0048]
其中，a为全局光照强度，αc为第c类通道的子高斯模型的模型权重，μc为第c类通道的子高斯模型的模型均值。
[0049]
步骤s4：获取自然图像在没有污水遮挡情况下的暗通道图像；根据暗通道图像像素值和全局光照强度获得rgb图像上每个像素点的污水透射率。
[0050]
暗通道图像的获取方法为公知技术，在此不多赘述，仅简要概括获取方法：
[0051]
在没有污水遮挡的情况下，自然图像某个通道的值必定最小，取该通道值作为像素点的值，重构出单通道灰度图。对单通道灰度图进行最小值滤波，去除噪声点，获得暗通道图像。在暗通道图像内，每个像素点的值都无暇接近与0。通过光散射模型获得污水透射率，光散射模型包括：
[0052][0053]
其中，t
x,y
为rgb图像在(x,y)处像素点的污水透射率，为暗通道图像上(x,y)处像素点的像素值，a为全局光照强度。
[0054]
步骤s5：根据污水透射率和反射像素点在rgb图像中的数量占比，获得污染程度指标。
[0055]
因为污水透射率标示了外部光照在水体的透射程度，即水体越清晰，污水透射率越大，因此污水透射率与水体的污染程度成反比例关系；反射像素点在rgb图像中的数量占比表示了粗分散系统粒子在水体的分布的浓度，粗分散系统粒子在水体内越多，反射像素点在rgb图像中的数量占比越大，水体越浑浊，即水体的污染程度与反射像素点在rgb图像中的数量占比成正比例关系。根据污水透射率和数量占比与污染程度的关系通过数学建模方法拟合污染程度指标计算公式，根据污染程度指标计算公式获得污染程度指标。污染程度指标计算公式为：
[0056][0057]
其中，m为污染程度指标，n为rgb图像像素点数量，ti为rgb图像上第i个像素点的污水透射率，n
rg
为反射像素点的数量。
[0058]
污染程度指标越大说明水体越浑浊，即污染程度越高。
[0059]
综上所述，本发明实施例采集水下自然图像的rgb图像。根据rgb图像b通道内的信息筛选出反射像素点，根据每个通道的像素信息获得每个通道的子高斯模型，通过将所有子高斯模型的参数融合，获得全局光照强度。根据没有污水遮挡情况下的暗通道图像和全局光照强度获得每个像素点的污水透射率。根据反射像素点的数量和污水透射率获得污染程度指标。本发明实施例通过图像的b通道信息获得水下的散射信息，通过所有通道的信息结合自然图像的暗通道图像获得污水透射率，根据反射像素点的数量和污水透射率考虑到了水体内光线的反射与散射，充分的根据水体特征分析了污染程度指标，通过图像上的直观信息实现了快速便捷的获取水污染情况。
[0060]
本发明还提出了一种基于计算机视觉的水污染检测系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现任意一项一种基于计算机视觉的水污染检测方法的步骤。
[0061]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0062]
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。
[0063]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。