[发明专利]基于深度学习的水质图像分析方法、系统、设备及介质

说明书

本发明公开了一种基于深度学习的水质图像分析方法、系统、设备及介质，采用训练好的受限玻尔兹曼机模型获取动态的权重值，再根据该权重值和加权平均法来进行灰度化处理，提高了动态图像与实际环境的适应性，提高了动态图像信息的准确性；再经过图像异常判断，消除了其他因素造成图像异常而对水质分析结果的影响，提高了水质分析的准确度；通过噪声检测和滤波处理大大提高了图像的抗干扰能力，提高了图像分析速度，进一步提高了水质分析的准确度；对正常图像的所有像素点进行归一化处理，进一步提高了动态图像信息的准确性，进一步提高了水质分析的准确度。

技术领域

本发明属于水质分析技术领域，尤其涉及一种基于深度学习的水质图像分析方法、系统、设备及介质。

背景技术

随着我国工业化进程的不断加快，水环境问题已成为生态环境治理的重要课题。而处理水环境问题的重要一环就是进行水质监测。水质监测，是监视和测定水体中污染物的种类、各类污染物的浓度及变化趋势，评价水质状况的过程。监测范围十分广泛，主要包括工业企业及河道、湖泊流域排放口等领域的水体污染/状态监测。

目前，水体污染监测主要有两种形式：一是通过水质成分检测，确定是否存在污染或水质的特定状态，监测系统造价高，系统复杂，使用成本高；二是通过静态取样图像分析被测对象的颜色、杂质或缺陷等状态来判断是否存在异常状况，这种判断方法无法进行动态图像分析，图像分析抗干扰能力弱，从而导致检测结果不准确、速度慢、效率低等问题。

发明内容

本发明的目的在于，针对现有技术中水质图像分析方法无法进行动态图像分析，抗干扰能力弱，导致检测结果不准确、速度慢、效率低的问题，提供一种基于深度学习的水质图像分析方法、系统、设备及介质。

本发明是通过如下的技术方案来解决上述技术问题的：一种基于深度学习的水质图像分析方法，包括以下步骤：

步骤1：获取多张历史水体彩色图像，由多张所述历史水体彩色图像得到数据集{θ|R,G,B,W_R,W_B,W_G}，其中，R、G和B分别表示历史水体彩色图像中每个像素点的三个颜色分量值，W_R、W_G、W_B分别表示对应像素点三个颜色分量值R、G、B对应的权重值；

步骤2：建立受限玻尔兹曼机模型，以所述数据集{θ|R,G,B,W_R,W_B,W_G}作为所述受限玻尔兹曼机模型的训练样本对其进行训练，其中，以{R,G,B}作为训练输入样本，以{W_R,W_B,W_G}作为训练输出样本，得到训练好的受限玻尔兹曼机模型；

步骤3：获取多张连续水体彩色图像；

步骤4：将所述步骤3中每张所述水体彩色图像每个像素点的三个颜色分量值R’、G’和B’输入至训练好的受限玻尔兹曼机模型中，得到对应像素点三个颜色分量值R’、G’、B’对应的权重值W_R’,W_B’,W_G’；

步骤5：根据所述步骤4中每个像素点三个颜色分量值R’、G’、B’对应的权重值W_R’,W_B’,W_G’，采用加权平均法计算每张水体图像每个像素点的灰度值P’，对每张所述水体彩色图像进行灰度化处理；

步骤6：对灰度化处理后的水体图像进行噪声检测和滤波处理；

步骤7：对滤波处理后的水体图像进行异常判断，以消除水体图像本身缺陷对水质分析产生的影响；

步骤8：根据污染物的沉降速度确定时间区间，判断时间区间内无异常水体图像中每个像素点的灰度值是否超出对应均值±△δ，如果超出，则将该对应均值赋给该像素点，实现时间区间内所有无异常水体图像每个像素点的归一化处理；