基于图像识别与光学透射融合的浊度检测方法与流程

本发明涉及水体检测技术领域，特别涉及一种基于图像识别与光学透射融合的浊度检测方法。

背景技术：

浊度反映的是水样的一种光学性质。溶液中的悬浮颗粒物阻碍或使通过水样的光线发生散射和透射现象，通过检测透射或散射光强就可以反映出溶液中悬浮物的含量，从而表征浊度。

目前广泛采用的是光学浊度仪，按照散射光强接收角度的不同可以分为透射光法、散射光法。传统的光学浊度仪设备内部精密，价格较高，受制于光源，检测范围受到一定的限制，不能同时满足低浊度和高浊度的测量要求。

技术实现要素：

本发明提供了一种基于图像识别与光学透射融合的浊度检测方法，其目的是为了解决浊度检测成本高、且检测范围受限的问题。

为了达到上述目的，本发明的实施例提供了一种基于图像识别与光学透射融合的浊度检测方法，包括：

在检测到进入水箱内的待测液体的液面高度达到预设值时，开启设置于所述水箱内的复合式光源的可见光led，并关闭所述复合式光源的红外发光二极管；

通过设置于所述水箱内的第一高速摄像机对所述水箱内的待测液体进行连续拍摄，得到第一预设数量的照片；

关闭所述可见光led，并开启所述红外发光二极管；

通过设置于所述水箱内的第二高速摄像机对所述水箱内的待测液体进行连续拍摄，得到第二预设数量的照片；所述第二高速摄像机与所述水箱底部之间的距离小于所述第一高速摄像机与所述水箱底部之间的距离；

将所述第一预设数量的照片输入第一卷积神经网络进行浊度预测，得到第一浊度；

将所述第二预设数量的照片输入第二卷积神经网络进行浊度预测，得到第二浊度；

根据ds证据规则，对所述第一浊度和所述第二浊度进行融合，得到融合后的浊度，并将融合后的浊度作为所述待测液体的浊度。

其中，所述浊度检测方法还包括：

通过设置于所述水箱内的液位传感器，检测进入水箱内的待测液体的液面高度。

其中，所述水箱与一液体入口管道相连通，所述待测液体通过所述液体入口管道进入所述水箱。

其中，所述液体入口管道上设有第一管道阀门；

在检测到进入水箱内的待测液体的液面高度达到预设值时，所述浊度检测方法还包括：

关闭所述第一管道阀门。

其中，所述液体入口管道上设有第一流量传感器。

其中，所述水箱与一液体出口管道相连通，所述待测液体通过所述液体出口管道流出所述水箱。

其中，所述液体出口管道上设有第二管道阀门；

在所述将融合后的浊度作为所述待测液体的浊度的步骤之后，所述浊度检测方法还包括：

开启所述第二管道阀门。

其中，所述液体出口管道上设有第二流量传感器。

本发明的上述方案至少有如下的有益效果：

在本发明的实施例中，通过在检测到进入水箱内的待测液体的液面高度达到预设值时，开启水箱内的复合式光源的可见光led，并通过水箱内的第一高速摄像机对待测液体进行拍摄，得到第一预设数量的照片；然后关闭可见光led，开启复合式光源的红外发光二极管，并通过水箱内的第二高速摄像机对待测液体进行拍摄，得到第二预设数量的照片，接着将第一预设数量的照片输入预先训练好的第一卷积神经网络进行浊度预测，得到可见光下的第一浊度，并将第二预设数量的照片输入预先训练好的第二卷积神经网络进行浊度预测，得到散射红外光下的第二浊度；最后根据ds证据规则，对两种光源下的浊度进行融合，得到待测液体的浊度，从而提高了浊度的检测范围。同时由于采用两台高速摄像机、复合式光源和卷积神经网络运算平台就可以实现浊度检测，从而大大降低了浊度检测成本。

附图说明

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，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地介绍，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示出的结构获得其他的附图。

图1是本发明实施例的基于图像识别与光学透射融合的浊度检测方法的流程图；

图2是本发明实施例的用于检测浊度的检测设备的结构示意图；

图3是本发明实施例的复合式光源的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

如图1所示，本发明的实施例提供了一种基于图像识别与光学透射融合的浊度检测方法，该浊度检测方法包括如下步骤：

步骤11，在检测到进入水箱内的待测液体的液面高度达到预设值时，开启设置于所述水箱内的复合式光源的可见光led，并关闭所述复合式光源的红外发光二极管。

其中，在本发明的实施例中，如图2所示，上述水箱201内设置有液位传感器202、第一高速摄像机203、第二高速摄像机204和复合式光源205；水箱201与一液体入口管道206相连通，所述待测液体通过所述液体入口管道206进入所述水箱201，该液体入口管道206上设有第一管道阀门207和第一流量传感器208；水箱201还与一液体出口管道209相连通，所述待测液体通过所述液体出口管道209流出所述水箱201，该液体出口管道209上设有第二管道阀门210和第二流量传感器211。

需要说明的是，上述液位传感器202、第一高速摄像机203、第二高速摄像机204、复合式光源205、第一管道阀门207、第一流量传感器208、第二管道阀门210和第二流量传感器211均与一嵌入式控制平台212连接。其中，上述液位传感器202用于采集水箱201内待测液体的液面高度，并将采集到的液面高度输出给嵌入式控制平台212(即，嵌入式控制平台212可通过设置于水箱201内的液位传感器202，检测进入水箱201内的待测液体的液面高度)，以便嵌入式控制平台212在检测到进入水箱201内的待测液体的液面高度达到预设值(该预设值的具体数值可根据实际情况进行设定)时，关闭所述第一管道阀门207(其中，液体入口管道206上的第一流量传感器208能采集液体入口管道206上待测液体的流量，并将采集到的流量信息输出给嵌入式控制平台212，以便用户液体入口管道206上待测液体的流量)，并对第一高速摄像机203、第二高速摄像机204和复合式光源205进行控制。

具体的，在本发明的实施例中，嵌入式控制平台212可通过脉冲宽度调制电路213对复合式光源205进行控制，如开启可见光led(或者红外发光二极管)、关闭可见光led(或者红外发光二极管)等。其中，复合式光源的结构如图3所示，该复合式光源包括可见光led31和红外发光二极管32。作为一个优选的示例，红外发光二极管可以为波长为850纳米的红外发光二极管。

步骤12，通过设置于所述水箱内的第一高速摄像机对所述水箱内的待测液体进行连续拍摄，得到第一预设数量的照片。

其中，在本发明的实施例中，上述第一预设数量可通过上述嵌入式控制平台进行设定，且该第一预设数量的具体数值可根据实际需要进行设定。作为一个优选的示例，上述第一高速摄像机可以为一高速连拍摄像机。

步骤13，关闭所述可见光led，并开启所述红外发光二极管。

其中，在本发明的实施例中，在第一高速摄像机拍摄到第一预设数量的照片后，即可关闭复合式光源的可见光led，开启红外发光二极管，以便第二高速摄像机对待测液体进行拍摄。

步骤14，通过设置于所述水箱内的第二高速摄像机对所述水箱内的待测液体进行连续拍摄，得到第二预设数量的照片。

其中，上述第二高速摄像机与所述水箱底部之间的距离小于所述第一高速摄像机与所述水箱底部之间的距离。需要说明的是，上述第二预设数量可通过上述嵌入式控制平台进行设定，且该第二预设数量的具体数值可根据实际需要进行设定。作为一个优选的示例，上述第二高速摄像机可以为一高速连拍摄像机。

步骤15，将所述第一预设数量的照片输入第一卷积神经网络进行浊度预测，得到第一浊度。

其中，在本发明的实施例中，上述第一卷积神经网络是提前训练好的，具体的，可通过第一高速摄像机拍摄数张不同液体的浊度照片，对这些浊度照片进行浊度值标定，并将这些照片以及每个照片对应的浊度值输入第一卷积神经网络，即可完成对第一卷积神经网络的训练。因此，在将第一预设数量的照片输入第一卷积神经网络后，第一卷积神经网络能预测该第一预设数量的照片对应的浊度，该浊度为待测液体在可见光下的浊度。

步骤16，将所述第二预设数量的照片输入第二卷积神经网络进行浊度预测，得到第二浊度。

其中，在本发明的实施例中，上述第二卷积神经网络是提前训练好的，具体的，可通过第二高速摄像机拍摄数张不同液体的浊度照片，对这些浊度照片进行浊度值标定，并将这些照片以及每个照片对应的浊度值输入第二卷积神经网络，即可完成对第二卷积神经网络的训练。因此，在将第二预设数量的照片输入第二卷积神经网络后，第二卷积神经网络能预测该第二预设数量的照片对应的浊度，该浊度为待测液体在散射红外光下的浊度。

步骤17，根据ds证据规则，对所述第一浊度和所述第二浊度进行融合，得到融合后的浊度，并将融合后的浊度作为所述待测液体的浊度。

其中，在本发明的实施例中，在得到待测液体的浊度后，嵌入式控制平台会开启所述第二管道阀门，以使水箱内的待测液体流出水箱。其中，液体出口管道上的第二流量传感器能采集液体出口管道上待测液体的流量，并将采集到的流量信息输出给嵌入式控制平台，以便用户清楚液体出口管道上待测液体的流量。

值得一提的是，在本发明的实施例中，通过在检测到进入水箱内的待测液体的液面高度达到预设值时，开启水箱内的复合式光源的可见光led，并通过水箱内的第一高速摄像机对待测液体进行拍摄，得到第一预设数量的照片；然后关闭可见光led，开启复合式光源的红外发光二极管，并通过水箱内的第二高速摄像机对待测液体进行拍摄，得到第二预设数量的照片，接着将第一预设数量的照片输入预先训练好的第一卷积神经网络进行浊度预测，得到可见光下的第一浊度，并将第二预设数量的照片输入预先训练好的第二卷积神经网络进行浊度预测，得到散射红外光下的第二浊度；最后根据ds证据规则，对两种光源下的浊度进行融合，得到待测液体的浊度，将透射、散射、图像识别的优点充分结合起来，从而提高了浊度的检测范围，提高了测量精度。同时由于采用两台高速摄像机、复合式光源和卷积神经网络运算平台就可以实现浊度检测，从而大大降低了浊度检测成本。

另外，需要说明的是，上述浊度检测方法可针对处于流动状态下的液体进行浊度检测，流动的液体通过液体入口管道进入水箱，浊度检测过程在液体流动过程中完成，不需要人工制样，即可在线完成浊度的检测，同时在检测过程中，两个高速摄像机的整个拍摄过程仅需数秒，第一卷积神经网络和第二卷积神经网络也只需数秒便可预测出上述第一浊度和第二浊度，因而本发明实施例的浊度检测方法能大大提高浊度检测的效率。且该浊度检测方法对于不同种类的浊度液体具有普遍的适应性，可迁移性高。

接下来，对上述步骤17的实现过程作进一步说明。

先对ds证据规则的融合算法中的基本流程进行解释。首先介绍mass函数，在一个判决问题中，对于该问题的所有可能答案的集合用识别框架θ来表示，任一时刻的问题答案只能取θ中的某一子集，识别框架可表示为θ＝{θ1，θ2，…θn}，其中，θi为识别框架的一个元素或事件，n表示识别框架中元素或事件的数量，i为大于等于1且小于等于n的整数。

mass函数是2^θ向[0,1]的映射，a为2^θ的任一子集，记作且满足：

mass融合规则：

对于识别框架θ上的有限个mass函数m1，m2，...，mn，融合规则为：

其中，

接下来介绍融合算法流程：

假设浊度的检测量程为1～1000ntu，分辨率为10ntu，即系统(执行上述浊度检测方法的系统)可以输出的浊度为10ntu、20ntu、30ntu、…、1000ntu。第一卷积神经网络为d1，第二卷积神经网络为d2，每个卷积神经网络的识别框架均为ω＝{ω1，ω2，ω3，...ω100}，定义两张灰度图像x和y的相似度为rxy，其中，m和n代表输入图像的长和宽，i和k分别代表两张测试图片的对应像素。可以看出，rxy的范围介于[0,1]之间，rxy＝1时说明两张图像完全相似，rxy小于1的时候则不太相似。假设卷积神经网络d1预测样本y1的浊度为u1＝ωs，当y1和训练集(即用于训练卷积神经网络d1的数据)中浊度为ωs的图片相似度较高时，说明此时的xs预测相对可靠。

定义训练分布矩阵t为：

可以看出，训练分布矩阵t是一个100×100的矩阵，定义t1、t2分别为卷积神经网络为d1、d2的训练分布矩阵，矩阵中的每一行i(1≤i≤100)代表了真实浊度为ωi的测试样本的数目，每一列j(1≤j≤100)代表了神经网络预测为浊度ωj的测试样本数目。以卷积神经网络为d1为例，当d1的预测浊度为uk＝ωs时，根据训练分布矩阵t1可以得到当前预测下的条件概率向量pk：

pk＝{pk(uk|ω1)，pk(uk|ω2)，...，pk(uk|ω100)}

之后利用前面求得的相似度rk，对前面的每一个条件概率进行修正得到100个条件mass函数：

mk，i(uk|ωi)＝rpk(uk|ωi)，1≤i≤100

mk，i(uk|ω)＝1-rpk(uk|ωi)，1≤i≤100

至此，对于卷积神经网络为d1预测浊度为uk＝ωs这种情况下，通过条件概率向量pk和相似度得到了100个条件mass函数{massk，1，massk，2，...massk，100}。通过ds证据融合规则将这100个条件mass函数进行融合得到d1的mass函数massd1。同理可以得到d2的mass函数massd2。最后利用ds证据规则将两个函数融合成最终mass函数，即可得到融合后的预测浊度。

需要说明的是，由于本发明实施例的浊度检测方法采用融合算法，通过透射可见光和散射红外光下浊度信息的决策级融合，提高了检测的精度。同时融合算法下建立训练分布矩阵、可信度等概念，可用于对卷积神经网络的预测值(即上述第一浊度、第二浊度)进行修正。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。