一种基于人工智能的水体浑浊度预测方法及系统

摘要

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的水体浑浊度预测方法及系统。该方法包括以下步骤：采集进行气密性检测的检测池的水体图像序列；对每帧水体图像进行预处理获取水体图像的感兴趣区域的二值图像；根据二值图像和水体图像序列获取感兴趣区域的ROI图像序列；获得ROI图像序列的所有特征向量，计算每一个对比向量与标准向量之间的相似性度量值，得到一个相似性度量值序列，并将其分类；根据以相似性度量值序列构建的隐马尔可夫预测模型获得预测相似性度量值序列；计算从进行预测的初始帧达到预测浑浊度所需的时间，对浑浊度进行预测。本发明实施例能够消除气密性检测过程中水体浑浊带来的误差，使气密性检测结果更加准确。

说明书

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的水体浑浊度预测方法及系统。

背景技术

在工业生产中，对气缸等工件的气密性检测是保证产品质量的必要环节，而目前对气缸气密性检测的方式主要采用简单有效的水浸法。水浸法气密性检测是指将工件浸入水中后，在稳定压强下对工件冲入气体，通过观察水中是否有持续性气泡出现来判断工件的气密性是否良好。

随着科技的发展，越来越多气密性检测都通过人工智能来完成，发明人在实践中，发现上述现有技术存在以下缺陷：

测试工件表面附着灰尘、油污等，会导致检测池内的水体变浑浊，影响气泡的观察和检测，而在水体浑浊的情况下，为了节约水体的使用以及便于观察工件气密性不良产生的气泡，一般通过增强光照的方式增强浑浊水体中的气泡信息。此时，现有技术不能在气密性检测过程中及时调节光强以及换水，会使气密性检测出现误差，不能准确检测工件的质量。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的水体浑浊度预测方法及系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于人工智能的水体浑浊度预测方法，该方法包括以下步骤：

利用高速相机采集进行气密性检测的检测池的水体图像序列，水体图像序列由多帧水体图像组成；

对每帧水体图像进行预处理，通过语义分割网络获取水体图像的感兴趣区域的二值图像；

根据二值图像和水体图像序列获取感兴趣区域的ROI图像序列；

通过训练孪生网络获得ROI图像序列的所有特征向量，将ROI图像序列的第一帧图像的特征向量作为标准向量，剩余特征向量作为对比向量，计算每一个对比向量与标准向量之间的相似性度量值，得到一个相似性度量值序列，并将相似性度量值序列进行分类；

根据以相似性度量值序列构建的隐马尔可夫预测模型获得预测相似性度量值序列；

对预测相似性度量值序列进行分类，根据高速相机的采样帧率和预测相似性度量值序列的类别计算从进行预测的初始帧达到预测浑浊等级所需的时间，对浑浊度进行预测。

优选的，ROI图像序列的获取步骤包括：

对二值图像采用r次迭代形态学腐蚀和膨胀操作去除噪声，并随着水体浑浊度的增加，增加迭代次数r，迭代次数r由以下公式得到：

其中，α为缩放系数，d

将去噪后的二值图像与水体图像序列相乘得到ROI图像序列。

优选的，相似性度量值的计算方式为：

d

其中，x

优选的，将相似性度量值序列进行分类的步骤包括：

通过聚类算法将相似性度量值序列分成k个类别，根据k个类别将所述ROI图像序列分成k个浑浊等级。

优选的，计算时间的步骤包括：

根据相似性度量值序列分成的k个类别将预测相似性度量值序列进行浑浊等级分类；

计算从进行预测的初始帧图像达到预测的第q段浑浊等级的第一帧图像的时间

其中，N表示相机的采集速率，i表示第q段浑浊等级的第一帧图像在预测图像序列中的帧数。

优选的，预测浑浊度的步骤包括：

将到达每段浑浊等级的第一帧图像的时间作为阈值进行分段,每个分段区间对应相应的浑浊度。

第二方面，本发明另一个实施例提供了一种基于人工智能的水体浑浊度预测系统，该系统包括以下模块：

图像采集模块，用于利用高速相机采集进行气密性检测的检测池的水体图像序列，水体图像序列由多帧水体图像组成；

图像处理模块，用于对每帧水体图像进行预处理，通过语义分割网络获取水体图像的感兴趣区域的二值图像；

ROI图像序列获取模块，用于根据二值图像和水体图像序列获取感兴趣区域的ROI图像序列；

相似对比模块，用于通过训练孪生网络获得ROI图像序列的所有特征向量，将ROI图像序列的第一帧图像的特征向量作为标准向量，剩余特征向量作为对比向量，计算每一个对比向量与标准向量之间的相似性度量值，得到一个相似性度量值序列，并将相似性度量值序列进行分类；

模型预测模块，用于根据以相似性度量值序列构建的隐马尔可夫预测模型获得预测相似性度量值序列；

浑浊度预测模块，用于对预测相似性度量值序列进行分类，根据高速相机的采样帧率和预测相似性度量值序列的类别计算从进行预测的初始帧达到预测浑浊等级所需的时间，对浑浊度进行预测。

优选的，ROI图像序列获取模块还包括：

二值图像去噪模块，用于对二值图像采用r次迭代形态学腐蚀和膨胀操作去除噪声，并随着水体浑浊度的增加，增加迭代次数r，迭代次数r由以下公式得到：

其中，α为缩放系数，d

ROI图像序列计算模块，用于将去噪后的二值图像与水体图像序列相乘得到ROI图像序列。

优选的，相似对比模块还包括相似性度量值计算模块，用于计算相似性度量值：

d

其中，x

优选的，浑浊度预测模块还包括：

浑浊度分类模块，用于根据相似性度量值序列分成的k个类别将预测相似性度量值序列进行浑浊等级分类；

预测时间计算模块，用于计算从进行预测的初始帧图像达到预测的第q段所述浑浊等级的第一帧图像的时间

其中，N表示相机的采集速率，i表示所述第q段浑浊等级的第一帧图像在所述预测图像序列中的帧数。本发明实施例具有如下有益效果：

1.本发明实施例通过图像序列的特征相似性度量值建立马尔可夫模型，可以准确预测未来时刻水体浑浊等级的变化，以便及时调节光照或者换水。

2.本发明实施例根据水体的浑浊等级调节对深度神经网络感知的ROI区域腐蚀和膨胀的次数，减小水体浑浊度增加导致的感知误差。

3.本发明实施例利用预训练的孪生网络提取图像序列ROI内特征，提高计算效率，并减少工件等背景的影响。利用马氏距离计算水体浑浊图像序列与清晰水体图像的相似性度量值，并通过无监督学习聚类算法对其分类，清晰准确地得到水体浑浊等级。

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。

图1为本发明一个实施例所提供的一种基于人工智能的水体浑浊度预测方法及系统的框架图；

图2为本发明一个实施例所提供的一种基于人工智能的水体浑浊度预测方法的方法流程图；

图3为本发明一个实施例所提供的一种基于人工智能的水体浑浊度预测系统的系统结构图。

具体实施方式

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效，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人工智能的水体浑浊度预测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

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。

下面结合附图具体的说明本发明所提供的一种基于人工智能的水体浑浊度预测方法及系统的具体方案。

请参阅图1和图2，图1示出了本发明一个实施例所提供的一种基于人工智能的水体浑浊度预测方法及系统的框架图，图2示出了本发明一个实施例提供的一种基于人工智能的水体浑浊度预测方法的方法流程图，该方法包括以下步骤：

步骤S001，利用高速相机采集进行气密性检测的检测池的水体图像序列，该水体图像序列由多帧水体图像组成。

在本发明实施例中，采用高速相机在检测池的侧面玻璃板上以60帧/s速率采集水体图像序列{f

步骤S002，对步骤S001中采集的每帧水体图像进行预处理，通过语义分割网络获取所采集水体图像的感兴趣区域的二值图像。

在本发明实施例中，语义分割模型采用Encoder-Decoder结构的PSPNet，在其他实施例中，该语义分割模型还可以采用其他能够实现相同功能的网络模型。

获取二值图像的具体步骤包括：

1)设定感兴趣区域为工件表面和水面之间的区域；

2)使用标注工具将工件表面与水面之间区域标注为1，其它区域标注为0，标注工具生成的二值图像作为图像的标签；

3)将图像和标签输入语义分割网络进行端到端的训练；

4)输出为图像序列中工件表面和水面之间区域的二值图像，即所需感知感兴趣区域(region of interest，ROI)的二值图像mask。

在本发明实施例中，标注工具使用labelme。

步骤S003，根据二值图像和水体图像序列获取感兴趣区域的ROI图像序列。

具体步骤包括：

1)对二值图像进行r次迭代形态学腐蚀和膨胀操作去除噪声，并随着水体浑浊度的增加，增加对mask腐蚀和膨胀操作的迭代次数r，迭代次数r由以下公式得到：

其中，α为缩放系数，[]表示取整运算，d

作为一个示例，在本发明实施例中，α＝4。

2)将去噪后的二值图像与图像序列相乘得到ROI图像序列：

f′

其中，f′

步骤S004，通过训练孪生网络提取ROI图像序列的所有特征向量，将ROI图像序列的第一帧图像的特征向量作为标准向量，剩余特征向量作为对比向量，计算每一个对比向量与标准向量之间的相似性度量值，得到一个相似性度量值序列，并将得到的相似性度量值序列进行分类。

具体步骤包括：

1)通过预训练孪生网络提取图像序列的特征。

孪生网络由两个相同的卷积神经网络构成，并且这两个卷积神经网络在训练过程中是共享权值的，用于提取图像特征。

在本发明实施例中使用MobileNet来建立孪生网络。在其他实施例中，也可以采用其他能达到相同效果的轻量级的卷积神经网络。

2)利用预训练的孪生网络的第一编码器Encoder1用来提取ROI图像序列的第一帧图像f′

3)计算第一帧图像的特征向量x

本发明实施例采用马式距离计算得到第一帧图像f′

d

其中，x

d

4)通过对相似性度量值序列分类，得到k-means聚类模型。

通过k-means聚类算法将相似性度量值{d

k-means对相似性度量值的分类步骤为：

a)随机地从相似性度量值中选择k个预测相似性度量值作为初始中心；

b)计算每个相似性度量值到各个初始中心的距离，将预测相似性度量值划分到距离最近的初始中心所对应的簇中；

c)然后重新计算每个簇中所有相似性度量值的平均值，作为新的簇中心。

d)重复步骤b)与c)直到中心的位置变化小于阈值0.0001或达到最大迭代次数100。

根据所需设定类别k，k值应小于图像帧数n-1，并且k值越大，表示对检测池水体浑浊程度的分级越多。

在本发明实施例中，将其分为3个类别，即将水体的浑浊度分成1级浑浊E1，2级浑浊E2和3级浑浊E3。

步骤S005，根据以相似性度量值序列构建的隐马尔可夫预测模型获得预测相似性度量值序列。

具体步骤包括：

1)构建隐马尔可夫预测模型。

构建的模型为λ＝(A,B,π)，A为状态转移矩阵，B为观测概率矩阵，π为初始状态概率分布。具体过程为：

a)将检测池水体的浑浊图像相似性度量值{d

b)将第u帧时的图像f

a

通过计算得到水体浑浊图像相似性度量值的转移矩阵为

c)确定观测概率矩阵

d)构建初始状态概率向量π＝(π

2)训练隐马尔可夫预测模型。

将气密性检测过程中获取的水体浑浊图像的相似性度量{d

本发明实施例采用Baum-Welch算法对构建的模型λ进行训练得到模型的参数λ，训练模型的输入为水体浑浊图像的相似性度量值{d

3)通过训练完成的隐马尔可夫训练模型，获得预测相似性度量值及其对应的预测图像序列。

利用训练好的隐马尔可夫模型，以相机实时采集的当前帧图像f

步骤S006，对预测相似性度量值序列进行分类，根据高速相机的采样帧率和预测相似性度量值序列的类别计算从进行预测的初始帧达到预测浑浊等级所需的时间，对浑浊度进行预测。

具体步骤包括：

1)将预测相似性度量值序列进行分类。

将预测相似性度量值序列输入到步骤S004得到的k-means聚类模型中进行分类，得到对应的预测帧图像中水浑浊度的级别。

2)根据高速相机的采样帧率和预测相似性度量值序列的类别计算从进行预测的初始帧达到预测浑浊等级所需的时间。

将初始帧记为第g帧图像f

其中，N表示相机的采集速率，i表示所述第q段浑浊等级的第一帧图像在所述预测图像序列中的帧数。

在本发明实施例中，N＝60。

3)预测浑浊度。

具体步骤包括：

将到达每段预测图像序列第一帧图像的时间作为阀值进行分段,每个分段区间对应相应的浑浊度等级。

作为一个示例，当初始帧f

作为另一个示例，当初始帧f

综上所述，本发明实施例提出一种基于人工智能的水体浑浊度预测方法。首先利用高速相机固定在检测池侧面的玻璃板上采集图像；对采集的图像先采用深度神经网络自动感知检测图像序列ROI以去除图像背景的影响，然后使用预训练孪生网络提取去除背景后的图像序列的特征，并经过全连接层得到特征向量，利用马氏距离计算图像序列的对比特征向量与第一帧清晰水体图像的标准特征向量的相似性度量值来表示水体浑浊的程度，并通过无监督学习中的聚类算法根据特征向量之间的距离，将水体浑浊度分成k类。继而，基于图像序列特征向量的相似性度量值建立马尔可夫预测模型，预测检测池内水体浑浊度的变化，最终预测水体的浑浊度。能够消除气密性检测过程中水体浑浊带来的误差，使气密性检测结果更加准确。

基于与上述方法相同的发明构思，本发明另一个实施例还提供了一种基于人工智能的水体浑浊度预测系统，该系统包括以下模块：

图像采集模块101、图像处理模块102、ROI图像序列获取模块103、相似对比模块104、模型预测模块105以及浑浊度预测模块106。

具体的，图像采集模块101，用于利用高速相机采集进行气密性检测的检测池的水体图像序列，水体图像序列由多帧水体图像组成；图像处理模块102，用于对每帧水体图像进行预处理，通过语义分割网络获取水体图像的感兴趣区域的二值图像；ROI图像序列获取模块103，用于根据二值图像和水体图像序列获取感兴趣区域的ROI图像序列；相似对比模块104，用于通过训练孪生网络获得ROI图像序列的所有特征向量，将ROI图像序列的第一帧图像的特征向量作为标准向量，剩余特征向量作为对比向量，计算每一个对比向量与标准向量之间的相似性度量值，得到一个相似性度量值序列，并将相似性度量值序列进行分类；模型预测模块105，用于根据以相似性度量值序列构建的隐马尔可夫预测模型获得预测相似性度量值序列；浑浊度预测模块106，用于对预测相似性度量值序列进行分类，根据高速相机的采样帧率和预测相似性度量值序列的类别计算从进行预测的初始帧达到预测浑浊度所需的时间，对浑浊度进行预测。

优选的，ROI图像序列获取模块还包括：

二值图像去噪模块，用于对二值图像采用r次迭代形态学腐蚀和膨胀操作去除噪声，并随着水体浑浊度的增加，增加迭代次数r，迭代次数r由以下公式得到：

其中，α为缩放系数，d

ROI图像序列计算模块，用于将去噪后的二值图像与水体图像序列相乘得到ROI图像序列。

优选的，相似对比模块还包括相似性度量值计算模块，用于计算相似性度量值：

d

其中，x

优选的，浑浊度预测模块还包括：

浑浊度分类模块，用于将预测相似性度量值序列进行浑浊度分类，分为k个类别，相对应的，将预测图像序列对应浑浊度分类分为k段序列，即为k段浑浊阶段；

预测时间计算模块，用于计算从进行预测的初始帧第g帧图像f

其中，N表示相机的采集速率，

综上所述，本发明实施例提出一种基于人工智能的水体浑浊度预测系统。首先通过图像采集模块利用高速相机固定在检测池侧面的玻璃板上采集图像；然后通过图像处理模块和ROI图像序列获取模块对采集的图像先采用深度神经网络自动感知检测图像序列ROI以去除图像背景的影响，通过相似对比模块使用预训练孪生网络提取去除背景后的图像序列的特征，并经过全连接层得到特征向量，利用马氏距离计算图像序列的对比特征向量与第一帧清晰水体图像的标准特征向量的相似性度量值来表示水体浑浊的程度，并通过无监督学习中的聚类算法根据特征向量之间的距离，将水体浑浊度分成k类。继而，通过模型预测模块基于图像序列特征向量的相似性度量值建立马尔可夫预测模型，预测检测池内水体浑浊度的变化，最终通过浑浊度预测模块预测水体的浑浊度。能够消除气密性检测过程中水体浑浊带来的误差，使气密性检测结果更加准确。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

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。