一种基于图像识别的水处理过程监控方法与流程

技术特征：
1.一种基于图像识别的水处理过程监控方法，其特征在于：包括以下步骤：步骤1、获取一段水处理过程的监控视频；步骤2、对所述监控视频做分帧处理，得到n帧连续的监控图像；步骤3、基于混合高斯模型，识别每帧监控图像中的运动目标，所述运动目标为疑似絮状物的图像；步骤4、采用卷积神经网络提取第n帧监控图像中的每个运动目标的图像特征；步骤5、将步骤4获取的若干图像特征，输入svm分类器，获得多个絮状物的图像特征；步骤6、采用bp神经网络将多个絮状物的图像特征进行特征融合，获得絮状物图像的融合特征；步骤7、基于融合特征，判断是否有预定量的絮状物产生，若有，则获取下一段水处理过程的监控视频，然后进入步骤2；若无，则进行报警操作。2.按照权利要求1所述的一种基于图像识别的水处理过程监控方法，其特征在于：所述步骤2，还包括对分帧处理后的每帧监控图像进行图像预处理；图像预处理时，利用加权平均灰度处理，对获取的监控图像进行颜色规范化处理。3.按照权利要求2所述的一种基于图像识别的水处理过程监控方法，其特征在于：所述步骤2，还包括对颜色规范化处理后的监控图像进行中值滤波去噪处理。4.按照权利要求1所述的一种基于图像识别的水处理过程监控方法，其特征在于：所述步骤3中，基于混合高斯模型，识别每帧监控图像中的运动目标时，利用背景减除法建立混合高斯模型，用每帧监控图像中的每个像素点与混合高斯模型匹配,如果匹配成功则判定该像素点为背景点,否则该像素点为运动目标中的图像。5.按照权利要求4所述的一种基于图像识别的水处理过程监控方法，其特征在于：所述混合高斯模型建立时，需要对混合高斯模型中方差和均值两个参数实时更新，更新时，均值和方差的更新采用不同的更新率。6.按照权利要求1所述的一种基于图像识别的水处理过程监控方法，其特征在于：所述步骤4中，采用卷积神经网络提取每帧监控图像中的运动目标的图像特征时，经过一个卷积核的卷积操作后，得到了一个特定特征。7.按照权利要求1所述的一种基于图像识别的水处理过程监控方法，其特征在于：所述svm分类器为预先采用k-means lbp pca svm算法，多次训练模型获得。8.按照权利要求1所述的一种基于图像识别的水处理过程监控方法，其特征在于：所述融合特征为所述絮状物的图像面积。

技术总结
本发明公开了一种基于图像识别的水处理过程监控方法，包括以下步骤：获取一段水处理过程的监控视频；对所述监控视频做分帧处理，得到n帧连续的监控图像；基于混合高斯模型，识别每帧监控图像中的运动目标，所述运动目标为疑似絮状物的图像；采用卷积神经网络提取第n帧监控图像中的每个运动目标的图像特征；将获取的若干图像特征，输入SVM分类器，获得多个絮状物的图像特征；采用BP神经网络将多个絮状物的图像特征进行特征融合，获得絮状物图像的融合特征；基于融合特征，判断是否有预定量的絮状物产生；若无，则进行报警操作。本发明采用图像识别技术代替人眼，精确监控絮状物的产生量，据此可为工作人员提供加药量参考。据此可为工作人员提供加药量参考。据此可为工作人员提供加药量参考。


技术研发人员：钱韫辉 高巍
受保护的技术使用者：上海擎测机电工程技术有限公司
技术研发日：2022.03.24
技术公布日：2022/8/5