[发明专利]一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法

说明书

本发明涉及一种基于GoogLeNet‑SVM的污水曝气池泡沫识别方法，包括以下步骤：步骤S1：获得曝气池的图片；步骤S2：基于图片，获得扩充的样本；步骤S3：基于样本和openCV库，得到统一尺寸样本；步骤S4：基于统一尺寸样本，得到训练集和测试集；步骤S5：基于训练集、测试集、GoogLeNet和SVM，构建污水曝气池泡沫识别模型；步骤S6：基于污水曝气池泡沫识别模型，进行污水曝气池泡沫识别。与现有技术相比，只需输入待测曝气池的图片，即可得到泡沫识别结果，无需人工参与，减少了增加企业的人力成本，避免了对工人身体健康的影响，同时准确度更高。

技术领域

本发明涉及污水处理领域，尤其是涉及一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法。

背景技术

污水处理企业目前对于曝气池泡沫识别还采用人工检测，人工检测依赖工作人员的经验和行业知识，人才难得，会增加企业的人力成本；同时人工检测中个人的主观决策，在复杂，相近的情况容易带有偏向性，会带来较大偏差。另外长期待在现场会影响工人的身体健康。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供无需人工参与、准确度更高的一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法，该方法包括以下步骤：

步骤S1：获得曝气池的图片；

步骤S2：基于图片，获得扩充的样本；

步骤S3：基于样本和openCV库，得到统一尺寸样本；

步骤S4：基于统一尺寸样本，得到训练集和测试集；

步骤S5：基于训练集、测试集、GoogLeNet和SVM，构建污水曝气池泡沫识别模型；

步骤S6：基于污水曝气池泡沫识别模型，进行污水曝气池泡沫识别。

所述的步骤S2中的扩充过程包括将图片进行翻转、向图片加入椒盐噪声、将图片进行分割和向图片添加光照。

所述的步骤S4对统一尺寸样本进行零均值化，得到训练集和测试集。

所述的步骤S5污水曝气池泡沫识别模型的构建过程包括：

步骤S51：基于GoogLeNet框架和SVM框架，得到初始模型；

步骤S52：基于初始模型和训练集，利用优化算法训练得到初始污水曝气池泡沫识别模型；

步骤S53：利用测试集对初始污水曝气池泡沫识别模型进行测试，若测试结果符合设定，则得到污水曝气池泡沫识别模型；若测试结果不符合设定，则改变GoogLeNet框架和SVM框架的参数，执行步骤S51。

所述的优化算法为反向传播算法。

所述的GoogLeNet包括六层结构，第一层结构、第二层结构和第六层结构为单层结构，第三层结构和低五层结构各包括两个子层结构，所述的第四层结构包括五个子层结构，将所述的第四层结构的第二子层结构的输出特征、第四层结构的第五子层结构的输出特征以及第六层结构的输出特征进行分类。

所述的第四层结构的第二子层结构的输出特征、第四层结构的第五子层结构的输出特征以及第六层结构的输出特征的权重依次为0.3、0.5和1.0。

所述的第四层结构的第二子层结构的输出特征和第四层结构的第五子层结构的输出特征通过softmaxActivation进行分类，所述的第六层结构的输出特征通过SVM进行分类。

与现有技术相比，本发明具有以下优点：