基于计算机视觉的污水处理智能监控方法与流程

1.本发明涉及图像处理技术领域，具体涉及基于计算机视觉的污水处理智能监控方法。


背景技术：

2.目前污水处理的方法主要包括：沉淀法、过滤法等物理法，活性污泥法、生物膜法等生物法，混凝法、离子交换法等化学法；其中絮凝沉淀法的应用最为广泛；在使用絮凝沉降法的过程中，若絮凝剂添加不足，则无法达到良好的絮凝沉淀效果，若絮凝剂添加过量，则会影响水质，同时造成絮凝剂的浪费，所以需要添加合适的用量。影响絮凝剂投入量的因素较多，例如水温、水的ph值、水的碱度、水中杂质成分的性质和浓度等等，因此恰到好处地控制絮凝剂的投入量是一个很困难的问题。
3.目前常用的判断絮凝剂投入量的方法主要有三种：经验判断，电脉法和浊度计测量法；经验判断仅凭肉眼观察絮凝剂与水形成的矾花量受人工经验影响较大，精度不稳定；电脉法受流速、温度、成分等因素影响较大，分辨率较低；浊度计测量法检测精度较高，但其检测范围有限且反应速度较慢，同时设备较昂贵；因此如何以较低的成本更加快速准确的检测絮凝剂的添加情况是需要解决的问题。


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污水处理智能监控方法，所采用的技术方案具体如下：本发明提供了一种基于计算机视觉的污水处理智能监控方法包括以下步骤：获取待检测矾花图像和矾花灰度图像，所述待检测矾花图像为rgb图像，所述矾花灰度图像为对待检测矾花图像对应的灰度图像进行预处理后的灰度图像；对矾花灰度图像中的边缘进行提取，得到对应的边缘图像；根据所述边缘图像将待检测矾花图像进行区域划分，得到待检测矾花图像中的各第一区域；获取各第一区域对应的相邻区域集合，所述相邻区域集合包括与对应的第一区域相邻的第一区域；将相邻区域集合不为空的第一区域记为第一待测定区域；根据各第一待测定区域内各像素点对应的r、g、b三个通道的值，得到各第一待测定区域对应的透光度；根据各第一待测定区域对应的透光度，得到各第一待测定区域对应的联系离散度和对应的匹配区域；对各第一待测定区域的边缘进行角点检测，得到各第一待测定区域对应的各角点；根据各第一待测定区域对应的各角点，得到各第一待测定区域对应的丝状边缘均匀度和丝状边缘紧密度；根据各第一待测定区域对应的丝状边缘均匀度、丝状边缘紧密度和联系离散度，得到各第一待测定区域对应的合并度；根据各第一待测定区域对应的合并度和匹配区域，得到目标矾花图像；根据待检测矾花图像、目标矾花图像和训练好的目标网络，得到对应位置处的絮凝剂需求状态。
5.优选的，根据所述边缘图像将待检测矾花图像进行区域划分，得到待检测矾花图像中的各第一区域，包括：获取边缘图像中的每个闭合边缘，将每个闭合边缘内的区域记为第一区域；将边缘图像中的各第一区域映射到待检测矾花图像中，得到待检测矾花图像中的各第一区域。
6.优选的，获取各第一区域对应的相邻区域集合，所述相邻区域集合包括与对应的第一区域相邻的第一区域；将相邻区域集合不为空的第一区域记为第一待测定区域，包括：对于任一第一区域：将该第一区域包含的像素点的八邻域内的像素点所在的其他第一区域记为该第一区域对应的第一相邻区域，将该第一区域对应的所有第一相邻区域构成的集合记为该第一区域对应的相邻区域集合；将相邻区域集合为空的第一区域记为目标矾花区域，所述目标矾花区域为一个完整的矾花对应的区域；将相邻区域集合不为空的第一区域记为第一待测定区域。
7.优选的，根据各第一待测定区域内各像素点对应的r、g、b三个通道的值，得到各第一待测定区域对应的透光度，包括：对于任一第一待测定区域：根据该第一待测定区域内各像素点对应的r通道的值，得到该第一待测定区域对应的r通道的一阶颜色矩；根据该第一待测定区域内各像素点对应的g通道的值，得到该第一待测定区域对应的g通道的一阶颜色矩；根据该第一待测定区域内各像素点对应的b通道的值，得到该第一待测定区域对应的b通道的一阶颜色矩；根据该第一待测定区域对应的r通道的一阶颜色矩、g通道的一阶颜色矩、b通道的一阶颜色矩和对应的像素点的灰度值，得到该第一待测定区域对应的透光度；所述得到该第一待测定区域对应的透光度的公式如下：其中，为该第一待测定区域对应的透光度，为该第一待测定区域对应的r通道的一阶颜色矩，为该第一待测定区域对应的g通道的一阶颜色矩，为该第一待测定区域对应的b通道的一阶颜色矩，为该第一待测定区域中所有像素点的灰度值的平均值，为该第一待测定区域中的最大灰度值，为该第一待测定区域中的最小灰度值，为第一调节参数。
8.优选的，根据各第一待测定区域对应的透光度，得到各第一待测定区域对应的联系离散度和对应的匹配区域，包括：对于任一第一待测定区域：分别计算该第一待测定区域对应的透光度与对应的相邻区域集合中每个第一相邻区域的透光度的差值的绝对值；将该第一待测定区域对应的透光度与对应的相邻区域集合中每个第一相邻区域的透光度的差值的绝对值中的最小值作为该第一待测定区域对应的联系离散度；将与该第一待测定区域的透光度的差值的绝对值最小的第一相邻区域作为该第一待测定区域对应
的匹配区域。
9.优选的，所述第一待测定区域对应的丝状边缘均匀度的获取方法，包括：对于任一第一待测定区域：使用dbscan聚类算法对该第一待测定区域对应的各角点进行聚类，得到该第一待测定区域对应的多个簇；对于该第一待测定区域对应的任意一个簇：对该簇内的各角点进行直线拟合，得到该簇对应的直线以及直线对应的倾斜角；将倾斜角的范围等分成预设数量个子范围，所述倾斜角的范围为；将每个簇对应的直线划分到对应的子范围内，并统计每个子范围包含的该第一待测定区域对应的直线的数量；根据每个子范围包含的该第一待测定区域对应的直线的数量，得到该第一待测定区域对应的丝状边缘均匀度；所述得到该第一待测定区域对应的丝状边缘均匀度的公式如下：其中，为该第一待测定区域对应的丝状边缘均匀度，为第i个子范围包含的该第一待测定区域对应的直线的数量，为所有子范围包含的该第一待测定区域对应的直线的数量的平均值，a为子范围的数量，为第二调节参数，为每个子范围包含的该第一待测定区域对应的直线的数量的乘积。
10.优选的，第一待测定区域对应的丝状边缘紧密度的获取方法，包括：对于任一第一待测定区域：获取直线数量小于的各子范围，将小于的各子范围对应的各直线记为目标直线；获取所有目标直线对应的簇内的所有角点，记为目标角点；将该第一待测定区域的边缘上的所有目标角点按照位置进行排序，得到目标角点序列；将目标角点序列中的第一个目标角点记为第一目标角点，将目标角点序列中的最后一个目标角点记为第二目标角点；将该第一待测定区域的边缘中第一目标角点和第二目标角点之间的边缘线记为目标边缘线，所述目标边缘线上包括所有的目标角点；将目标边缘线上的所有像素点进行圆拟合，得到对应的拟合优度，记为该第一待测定区域对应的拟合优度；计算该第一待测区域对应的簇的数量和各角点的数量的乘积，计算所述乘积与所述拟合优度的比值，作为该第一待测区域对应的丝状边缘紧密度。
11.优选的，根据各第一待测定区域对应的丝状边缘均匀度、丝状边缘紧密度和联系离散度，得到各第一待测定区域对应的合并度，包括：对于任一第一待测定区域：计算该第一待测定区域对应的丝状边缘均匀度和丝状边缘紧密度的乘积，作为该
第一待测定区域对应的边缘完整度；计算该第一待测定区域对应的边缘完整度和联系离散度的比值，将所述比值作为该第一待测定区域对应的合并度。
12.优选的，根据各第一待测定区域对应的合并度和匹配区域，得到目标矾花图像，包括：对待检测矾花图像中各第一待测定区域进行遍历，将待检测矾花图像中合并度大于等于判断阈值的第一待测定区域与对应的匹配区域进行融合，遍历完成后得到各第二区域，所述第二区域是由数量大于等于1的第一待测定区域构成；获取各第二区域对应的第二相邻区域集合，所述第二相邻区域集合包括与对应的第二区域相邻的各第二区域；将第二相邻区域集合为空的第二区域记为目标矾花区域，将第二相邻区域集合不为空的第二区域记为第二待测定区域；得到各第二待测定区域对应的匹配区域以及对应的合并度；若各第二待测定区域对应的合并度均小于判断阈值，则将各第二待测定区域记为目标矾花区域；若存在合并度大于等于判断阈值的第二待测定区域，则将合并度大于等于判断阈值的第二待测定区域与对应的匹配区域融合，得到各第三区域，所述第三区域是由数量大于等于1的第二待测定区域构成；以此类推，直到待检测矾花图像中不存在除目标矾花区域以外的其他待测定区域，得到待检测矾花图像中的各目标矾花区域；将待检测矾花图像中的各目标矾花区域划分出来，将划分好的待检测矾花图像记为目标矾花图像。
13.优选的，所述絮凝剂需求状态包括：需额外添加絮凝剂，需少量添加絮凝剂，絮凝剂量不需改变，絮凝剂添加过多。
14.本发明具有如下有益效果：本发明考虑到不同深度对应的不同矾花在图像中可能会产生重叠，因此在对图像中的矾花进行检测时，可能会导致识别出的矾花较大，因此为了对获取的待检测矾花图像中不同的矾花进行划分，本发明首先根据对应的边缘图像划分出待检测矾花图像中的各第一区域，并将相邻区域集合不为空的第一区域记为第一待测定区域；本发明基于矾花透光度、丝状边缘的特征来判断哪些第一待测定区域是属于同一个矾花，本发明根据各第一待测定区域内各像素点对应的r、g、b三个通道的值，得到各第一待测定区域对应的透光度、联系离散度和对应的匹配区域；然后对各第一待测定区域的边缘进行角点检测，根据各第一待测定区域对应的各角点，得到各第一待测定区域对应的丝状边缘均匀度和丝状边缘紧密度；接着根据各第一待测定区域对应的丝状边缘均匀度、丝状边缘紧密度和联系离散度，得到各第一待测定区域对应的合并度；所述合并度用于判断第一待测定区域与对应的匹配区域是否为同一矾花，因此根据各第一待测定区域对应的合并度和匹配区域，划分出待检测矾花图像中的各目标矾花区域，得到目标矾花图像，所述目标矾花区域为一个完整的矾花对应的区域；本发明对待检测矾花图像中的目标矾花区域进行划分，能够提高后续对絮凝剂添加情况判断的准确性。最后根据待检测矾花图像、目标矾花图像和训练好的目标网络，得到对应位置处的絮凝剂需求状态。本发明根据矾花的透光度、丝状边缘的特征对图像中不同的矾花进行划分，进而根据划分后的图像更加快速准确地判断絮凝剂的添加情况，避免了絮凝池内流速、温度、成分等因素的影响，实现了以较低的成本更加快速准确地对絮凝剂的添加情况进行检测。
附图说明
15.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。
16.图1为本发明提供的一种基于计算机视觉的污水处理智能监控方法的流程图；图2为第一待测定区域示意图。
具体实施方式
17.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能效果，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污水处理智能监控方法进行详细说明如下。
18.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。
19.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污水处理智能监控方法的具体方案。
20.基于计算机视觉的污水处理智能监控方法实施例：如图1所示，本实施例的一种基于计算机视觉的污水处理智能监控方法包括以下步骤：步骤s1，获取待检测矾花图像和矾花灰度图像，所述待检测矾花图像为rgb图像，所述矾花灰度图像为对待检测矾花图像对应的灰度图像进行预处理后的灰度图像。
21.随着时代的发展和科技的进步，工业用水、生活用水和农业用水的用水量呈爆发式增长，与此同时，工业废水、生活废水和农业废水的排放也随之增加。为了保护我们的生活环境，这些废水都需要经过处理达到国家规定的排放标准后才能进行排放。絮凝沉淀法是目前处理污水最为广泛的方法，在使用絮凝沉降法的过程中，若絮凝剂添加不足，则无法达到良好的絮凝沉淀效果，若絮凝剂添加过量，则会影响水质，同时造成絮凝剂的浪费，所以需要添加合适的用量；为了判断絮凝剂添加量是否合适，本实施例提供了一种基于计算机视觉的污水处理智能监控方法，该方法基于矾花的特点对的图像中的矾花进行划分，进而判断絮凝剂的添加情况。
22.由于絮凝池比较大，所以在添加絮凝剂时需要在不同位置分别进行添加，并且后续也分别对不同位置处的絮凝剂添加量进行监测。本实施例首先对絮凝池内任意位置的待处理的废水中加入最小量的絮凝剂进行絮凝，在出现较为稳定的矾花后，使用固定在絮凝池上方的ccd相机对对应位置进行拍照，得到该位置处包含矾花的水体图像，记为待检测矾花图像，所述待检测矾花图像为rgb图像。所述最小量的絮凝剂为絮凝剂推荐范围内的最小量。
23.接着，本实施例将待检测矾花图像转换为对应的灰度图像，本实施例中转换为灰度图像的方法是现有的，在此就不再赘述。然后对对应的灰度图像进行预处理，得到矾花灰度图像，具体的：为了避免环境等的干扰，使用中值滤波对灰度图像进行去噪处理；然后为了对灰度图像进行图像增强，使图像中的细节更加清晰，使用拉普拉斯算子对去噪后的灰
度图像进行卷积，得到增强后的灰度图像，记为矾花灰度图像；所述矾花灰度图像和待检测矾花图像中的像素点是一一对应的。本实施例中值滤波和拉普拉斯算子是公知的，就不再赘述。
24.步骤s2，对矾花灰度图像中的边缘进行提取，得到对应的边缘图像；根据所述边缘图像将待检测矾花图像进行区域划分，得到待检测矾花图像中的各第一区域；获取各第一区域对应的相邻区域集合，所述相邻区域集合包括与对应的第一区域相邻的第一区域；将相邻区域集合不为空的第一区域记为第一待测定区域。
25.矾花为絮凝剂与待处理废水中的杂质吸附在一起形成的絮状物，所以矾花出现后水质会变得较为清澈，矾花与水的边缘较为清晰。为了对图像中的矾花进行分析，本实施例使用canny边缘检测算子对矾花灰度图像进行边缘提取，得到对应的边缘图像，所述边缘图像为二值图像。本实施例中canny边缘检测算子为现有技术，在此就不再赘述。
26.当矾花的大小偏小且数量偏少时，说明此时絮凝剂加入过少，沉淀不充分；而当矾花的大小偏大且数量较多时，说明此时絮凝剂加入过量，所以本实施例可以根据图像中矾花的大小来判断絮凝剂的添加情况。由于矾花刚形成时会漂浮在水中，随着时间的推移，会逐渐下落；而本实施例得到的待检测矾花图像，仅仅是水面上方的视角，所以不同深度对应的不同矾花在图像中可能会产生重叠，进而被识别为同一个矾花，导致识别出的矾花对应的大小偏大；因此本实施例先将待检测矾花图像进行划分，得到多个小的区域，再根据矾花的特征判断哪些小区域属于同一个矾花，并将属于同一矾花的小区域进行拼接，最后得到每个矾花对应的完整图像。
27.首先基于边缘图像，获取边缘图像中的每个闭合边缘，并将每个闭合边缘内的区域记为第一区域；然后将边缘图像中的各第一区域映射到待检测矾花图像中，得到待检测矾花图像中的各第一区域，所述第一区域为构成矾花的区域；同一个矾花可能会由多个第一区域组合而成；如图2所示，图中是一块矾花区域，这个矾花区域由三个第一区域组合而成。
28.图像中有些第一区域是孤立的，这些第一区域自身便是完整的矾花区域；而有些第一区域存在与其相邻的第一区域（两个相邻的第一区域之间存在共同的边缘），那么相邻的两个第一区域可能是属于同一矾花，也可能是不同的矾花；接下来，本实施例对各第一区域进行分析，确定哪些第一区域属于同一个矾花。
29.本实施例首先获取各第一区域对应的相邻区域集合，所述相邻区域集合包括与对应的第一区域相邻的第一区域；对于任一第一区域：将该第一区域包含的像素点的八邻域内的像素点所在的其他第一区域记为该第一区域对应的第一相邻区域，将该第一区域对应的所有第一相邻区域构成的集合记为该第一区域对应的相邻区域集合。如图2所示，图中1、2、3为三个第一区域，其中1对应的相邻区域集合中包括2和3。
30.至此能够得到各第一区域对应的相邻区域集合。
31.对于相邻区域集合为空的第一区域，这些第一区域不与其他第一区域相邻，其本身就构成了一个完整的矾花，因此本实施例将相邻区域集合为空的第一区域记为目标矾花区域，所述目标矾花区域即为一个完整的矾花对应的区域；将相邻区域集合不为空的第一区域记为第一待测定区域。
32.步骤s3，根据各第一待测定区域内各像素点对应的r、g、b三个通道的值，得到各第
一待测定区域对应的透光度；根据各第一待测定区域对应的透光度，得到各第一待测定区域对应的联系离散度和对应的匹配区域。
33.本实施例根据步骤s2划分出了待检测矾花图像中的部分目标矾花区域，接下来，本实施例对各第一待测定区域进行分析，将属于同一矾花的第一待测定区域进行合并，以划分出图像中的所有目标矾花区域。
34.考虑到矾花所处的水层的深浅和位置不同，对光的散射和吸收程度也不相同，因此不同的矾花呈现出的明暗度也会有所区别；其次，生长的较大的矾花会更加密实，丝状边缘更加细小而细腻，透光度较差，较难再与其他吸附物架桥；而生长的较小的矾花则较为脆弱，容易与其余矾花或絮凝杂质吸附架桥，透光度较好。基于此，本实施例根据各第一待测定区域内各像素点的像素值，得到各第一待测定区域对应的透光度，具体的：对于任一第一待测定区域：考虑到一阶颜色矩可以反映该区域总体的明暗程度，而不同的透光度所反映出的明暗程度是不同的，因此本实施例根据该第一待测定区域内各像素点对应的r通道的值，得到该第一待测定区域对应的r通道的一阶颜色矩；根据该第一待测定区域内各像素点对应的g通道的值，得到该第一待测定区域对应的g通道的一阶颜色矩；根据该第一待测定区域内各像素点对应的b通道的值，得到该第一待测定区域对应的b通道的一阶颜色矩；接着本实施例根据该第一待测定区域对应的r通道的一阶颜色矩、g通道的一阶颜色矩、b通道的一阶颜色矩以及对应的像素点的灰度值，得到该第一待测定区域对应的透光度；所述该第一待测定区域对应的透光度的计算公式如下：其中，为该第一待测定区域对应的透光度，为该第一待测定区域对应的r通道的一阶颜色矩，为该第一待测定区域对应的g通道的一阶颜色矩，为该第一待测定区域对应的b通道的一阶颜色矩，为该第一待测定区域中所有像素点的灰度值的平均值（即平均灰度值），为该第一待测定区域中的最大灰度值，为该第一待测定区域中的最小灰度值，为第一调节参数，所述第一调节参数用于防止分母为0，因此的值应当尽可能小，但不能为0，具体可根据实际需要进行设置。
35.当该第一待测定区域内的最大灰度值和最小灰度值之间的差异越小、三个通道的一阶颜色矩的值越大且平均灰度值越大时，说明该第一待测定区域越明亮、透光度越好，则对应的透光度越大；当该第一待测定区域对应的透光度越大时，说明该第一待测定区域与其对应的第一相邻区域越可能属于同一矾花。
36.至此，本实施例根据上述过程能够得到各第一待测定区域对应的透光度。
37.接着根据各第一待测定区域对应的透光度与对应的相邻区域集合中的第一相邻区域的透光度，选择一个最有可能与对应的第一待测定区域为同一矾花的第一相邻区域，并得到一个联系度，具体的：对于任一第一待测定区域：分别计算该第一待测定区域对应的透光度与对应的相邻区域集合中每个第一相
邻区域的透光度的差值的绝对值；然后将该第一待测定区域对应的透光度与对应的每个第一相邻区域的透光度的差值的绝对值中的最小值作为该第一待测定区域对应的联系离散度；将与该第一待测定区域的透光度的差值的绝对值最小的第一相邻区域作为该第一待测定区域对应的匹配区域；本实施例中该第一待测定区域对应的联系离散度的计算公式如下：其中，为该第一待测定区域对应的联系离散度，为该第一待测定区域对应的第1个第一相邻区域的透光度，为该第一待测定区域对应的第2个第一相邻区域的透光度，为该第一待测定区域对应的第b个第一相邻区域的透光度（b为该第一待测定区域对应的第一相邻区域的数量），min{ }为取最小值函数。
38.当该第一待测定区域与对应的第一相邻区域的透光度越相近时，则该第一待测定区域对应的联系离散度越小，说明该第一待测定区域与对应的匹配区域越可能属于同一矾花。
39.至此，本实施例根据上述过程能够得到各第一待测定区域对应的联系离散度和对应的匹配区域。
40.步骤s4，对各第一待测定区域的边缘进行角点检测，得到各第一待测定区域对应的各角点；根据各第一待测定区域对应的各角点，得到各第一待测定区域对应的丝状边缘均匀度和丝状边缘紧密度；根据各第一待测定区域对应的丝状边缘均匀度、丝状边缘紧密度和联系离散度，得到各第一待测定区域对应的合并度。
41.矾花为水中的杂质经过水解吸附形成的絮状物结合成的团簇，所以矾花的边缘应呈现出细密的丝状，而非边缘部分并没有这样细密的特征；同时，由于矾花是静置后絮状物自然结合而成的，因此不同丝状边缘的方向应较为分散、均匀，不会出现方向一致的情况。基于此，本实施例分别对每个第一待测定区域的边缘进行分析，得到第一待测定区域对应的丝状边缘均匀度和丝状边缘紧密度，进而反映出每个第一待测定区域的丝状边缘分布的均匀度以及紧密度，具体的：对于任一第一待测定区域：本实施例首先对该第一待测定区域的边缘进行角点检测，得到该第一待测定区域对应的各角点，将检测到的角点的数量记为，角点所在的位置是边缘上不规则的丝状部分；由于边缘中同一个丝状物上的角点分布的比较集中，而不同的丝状物上的角点之间存在一定的距离，因此本实施例使用dbscan聚类算法（密度聚类算法）对该第一待测定区域对应的各角点进行聚类，得到个簇（为得到的簇的数量，即该第一待测定区域对应的簇的数量），每个簇都对应边缘上的一个丝状物；本实施例中dbscan聚类算法的邻域半径为10，最小点数目为4，具体可根据实际需要进行调整；dbscan聚类算法为现有技术，在此就不再赘述。接下来，本实施例根据该第一待测定区域对应的每个簇内的角点对该第一待测定区域对应的边缘上的丝状物的分布情况进行分析，具体的：对于该第一待测定区域对应的任意一个簇：对该簇内的各角点进行直线拟合，得
到该簇对应的直线以及直线对应的倾斜角，所述倾斜角为该簇对应的丝状物边缘的方向。
42.本实施例根据上述方法能够得到该第一待测定区域对应的每个簇对应的直线以及对应的直线的倾斜角。本实施例中直线拟合的方法是现有的，在此就不再赘述。倾斜角的范围为，本实施例将倾斜角的范围等分成a份，即划分成a个子范围（本实施例中a值为6，具体可根据实际需要进行设置）；基于该第一待测定区域对应的每个簇对应的直线的倾斜角，将每个簇对应的直线划分到对应的子范围内，并统计出每个子范围包含的直线的数量。
43.接着，本实施例根据每个子范围包含的该第一待测定区域对应的直线的数量，对该第一待测定区域的边缘上丝状物分布的均匀度进行分析，得到该第一待测定区域对应的丝状边缘均匀度，具体公式如下：其中，为该第一待测定区域对应的丝状边缘均匀度，为第i个子范围包含的该第一待测定区域对应的直线的数量，为所有子范围包含的该第一待测定区域对应的直线的数量的平均值，a为子范围的数量，为第二调节参数，所述第二调节参数用于防止分母为0，因此的值应当尽可能小，但不能为0，具体可根据实际需要进行设置；为每个子范围包含的该第一待测定区域对应的直线的数量的乘积。
44.当每个子范围内包含的第一待测定区域对应的直线的数量越接近且对应的乘积越大时，说明该第一待测定区域的边缘上丝状物分布的越均匀，则该第一待测定区域对应的丝状边缘均匀度越大，说明该第一待测定区域越可能是一个完整的矾花。
45.考虑到矾花的边缘应呈现出细密的丝状，因此其对应的边缘应该是粗糙的，且对应的簇和角点的数量也应该越多；本实施例获取直线数量小于的各子范围，将小于的各子范围对应的各直线记为目标直线，获取所有目标直线对应的簇内的所有角点，记为目标角点；将该第一待测定区域的边缘上的所有目标角点按照位置进行排序，得到目标角点序列（位置上相邻的目标角点，在目标角点序列中也相邻），将目标角点序列中的第一个目标角点记为第一目标角点，将目标角点序列中的最后一个目标角点记为第二目标角点；将该第一待测定区域的边缘中第一目标角点和第二目标角点之间的边缘线记为目标边缘线，所述目标边缘线上包括所有的目标角点。将目标边缘线上的所有像素点进行圆拟合，并得到对应的拟合优度，记为该第一待测定区域对应的拟合优度。
46.由于角点较为稀疏的部分对应着第一待测区域的边缘较为光滑的部分，而矾花边缘应不规则且较为粗糙，因此本实施例选取直线数量小于的各子范围，并对这部分边缘单独进行分析；当这部分边缘较为平滑，与圆越接近时，说明该部分边缘呈现的丝状边缘特征越不明显。接着，本实施例根据该第一待测区域对应的簇的数量、角点的数量以及拟合优度，得到该第一待测区域对应的丝状边缘紧密度，具体公式为：
其中，为该第一待测区域对应的丝状边缘紧密度，为该第一待测定区域对应的拟合优度，为该第一待测定区域对应的各角点的数量，为该第一待测定区域对应的簇的数量。当越小，和越大时，说明该第一待测定区域的边缘越粗糙、检测到的角点数量越多，聚类得到的簇越多，说明该第一待测定区域对应的丝状边缘紧密度越大，即该第一待测定区域越可能是一个完整的矾花区域。
47.接着本实施例将该第一待测定区域对应的丝状边缘均匀度和丝状边缘紧密度相结合，得到该第一待测定区域对应的边缘完整度，具体的：计算该第一待测定区域对应的丝状边缘均匀度和丝状边缘紧密度的乘积，作为该第一待测定区域对应的边缘完整度；当丝状边缘均匀度越大，丝状边缘紧密度越大时，说明该第一待测定区域的边缘越完整，越符合矾花的边缘特点，该第一待测定区域越可能是一个完整的矾花，即对应的边缘完整度越大。
48.至此，本实施例根据上述过程能够得到各第一待测定区域对应的边缘完整度。
49.本实施例中联系离散度从透光度的角度衡量了第一待测定区域与匹配区域之间的透光度的相近度，边缘完整度从矾花边缘的丝状特征和丝间紧密度衡量了第一待测定区域的边缘特征，二者均可以反映对应的第一待测定区域为完整的矾花的可能性；因此对于任一第一待测定区域：计算该第一待测定区域对应的边缘完整度和联系离散度的比值，将所述比值作为该第一待测定区域对应的合并度。当联系离散度越小，边缘完整度越大时，说明该第一待测定区域与对应的匹配区域越可能属于同一矾花，则该第一待测定区域对应的合并度越大。
50.至此，本实施例根据上述过程能够得到各第一待测定区域对应的合并度。
51.步骤s5，根据各第一待测定区域对应的合并度和匹配区域，得到目标矾花图像；根据待检测矾花图像、目标矾花图像和训练好的目标网络，得到对应位置处的絮凝剂需求状态。
52.为了判断哪些第一待测定区域属于同一矾花，本实施例首先设置一个判断阈值，然后基于判断阈值和合并度判断哪些第一待测定区域可以与对应的匹配区域进行合并；具体的：本实施例首先按照上述条件获取多张矾花图像（本实施例中获取100张矾花图像，具体可根据实际需要进行获取），记为样本矾花图像，这些样本矾花图像包含絮凝剂不足、适中和过量三种情况。按照上述过程获取每张样本矾花图像中的各第一待测定区域，并计算得到各第一待测定区域对应的合并度；人工将各样本矾花图像中属于同一矾花的第一待测定区域进行标记。对于任一样本矾花图像中的任一第一待测定区域：若该第一待测定区域与对应的匹配区域对应的是同一矾花，则记下该第一待测区合并度，并将两个区域融合为一个区域；以此类推对每个样本矾花图像中的每个待测定区域进行判断，记录可以与对应的匹配区域进行融合的各第一待测定区域对应的合并度，构成合并度集合；本实施例将合并度集合中的最小值作为判断阈值，所述判断阈值用于判断待测定区域是否能与对应的匹配区域相融合。当第一待测定区域对应的合并度大于等于t时，则判定第一待测定区域
与对应的匹配区域属于同一矾花，即将两个区域融合；反之判定第一待测定区域与对应的匹配区域不是同一矾花，两个区域不能融合。
53.对待检测矾花图像中各第一待测定区域进行遍历，将待检测矾花图像中合并度大于等于判断阈值的第一待测定区域与对应的匹配区域进行融合，遍历完成后得到各第二区域，所述第二区域可能是由一个第一待测定区域构成，也可能是由两个或多个第一待测定区域融合而成；同样的获取各第二区域对应的第二相邻区域集合，所述第二相邻区域集合包括与对应的第二区域相邻的各第二区域；将第二相邻区域集合为空的第二区域记为目标矾花区域，将第二相邻区域集合不为空的第二区域记为第二待测定区域；根据上述过程得到各第二待测定区域对应的匹配区域以及对应的合并度；若各第二待测定区域对应的合并度均小于判断阈值，则将各第二待测定区域记为目标矾花区域，若存在合并度大于等于判断阈值的第二待测定区域，则将合并度大于等于判断阈值的第二待测定区域与对应的匹配区域融合，得到各第三区域，所述第三区域可能是由一个第二待测定区域构成，也可能是由两个或多个第二待测定区域融合而成；以此类推，直到待检测矾花图像中不存在除目标矾花区域以外的其他待测定区域，至此得到了待检测矾花图像中的各目标矾花区域。本实施例将待检测矾花图像中的各目标矾花区域划分出来，将划分好的待检测矾花图像记为目标矾花图像。
54.为了对该位置处絮凝剂的添加情况进行判断，本实施例构建了一个目标网络，所述目标网络的输入为待检测矾花图像和目标矾花图像，输出的结果为对应的絮凝剂需求状态，所述絮凝剂需求状态包括：需额外添加絮凝剂，需少量添加絮凝剂，絮凝剂量不需改变，絮凝剂添加过多；所述目标网络为卷积神经网络，如senet，训练目标网络的损失函数为交叉熵损失函数，优化算法为adam算法，网络的标签数据通过人为标注，分别为需额外添加絮凝剂，需少量添加絮凝剂，絮凝剂量不需改变，絮凝剂添加过多，具体需根据实际情况进行调整。本实施例中目标网络的训练方法为现有的，在此就不再赘述。
55.接下来，本实施例将待检测矾花图像和目标矾花图像输入到训练好的目标网络中，输出得到该位置的絮凝剂需求状态。最后根据絮凝剂需求状态在絮凝池对应位置处进行相应的处理。
56.本实施例考虑到不同深度对应的不同矾花在图像中可能会产生重叠，因此在对图像中的矾花进行检测时，可能会导致识别出的矾花较大，因此为了对获取的待检测矾花图像中不同的矾花进行划分，本实施例首先根据对应的边缘图像划分出待检测矾花图像中的各第一区域，并将相邻区域集合不为空的第一区域记为第一待测定区域；本实施例基于矾花透光度、丝状边缘的特征来判断哪些第一待测定区域是属于同一个矾花，本实施例根据各第一待测定区域内各像素点对应的r、g、b三个通道的值，得到各第一待测定区域对应的透光度、联系离散度和对应的匹配区域；然后对各第一待测定区域的边缘进行角点检测，根据各第一待测定区域对应的各角点，得到各第一待测定区域对应的丝状边缘均匀度和丝状边缘紧密度；接着根据各第一待测定区域对应的丝状边缘均匀度、丝状边缘紧密度和联系离散度，得到各第一待测定区域对应的合并度；所述合并度用于判断第一待测定区域与对应的匹配区域是否为同一矾花，因此根据各第一待测定区域对应的合并度和匹配区域，划分出待检测矾花图像中的各目标矾花区域，得到目标矾花图像，所述目标矾花区域为一个完整的矾花对应的区域；本实施例对待检测矾花图像中的目标矾花区域进行划分，能够提
高后续对絮凝剂添加情况判断的准确性。最后根据待检测矾花图像、目标矾花图像和训练好的目标网络，得到对应位置处的絮凝剂需求状态。本实施例根据矾花的透光度、丝状边缘的特征对图像中不同的矾花进行划分，进而根据划分后的图像更加快速准确地判断絮凝剂的添加情况，避免了絮凝池内流速、温度、成分等因素的影响，实现了以较低的成本更加快速准确地对絮凝剂的添加情况进行检测。
57.需要说明的是：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。