1.本发明涉及供水技术领域，尤其涉及一种基于图像识别的水箱监测方法。
背景技术：2.二次供水是指单位或个人将城市公共供水或自建设施供水经储存、加压，通过管道再供给用户使用或自用的形式；国内绝大部分市政供水水压只能输送到3～6楼，7楼以上的小区需要二次加压，所以说二次供水设施主要为弥补市政供水管线压力不足，保证居住、生活在高层人群用水而设立的。由此可见，二次供水是高层供水的唯一选择方式，与千家万户息息相关。
3.在自来水二次供水的过程中，会带来许多二次污染的隐患，如管道污染和水箱污染，尤其是高层水箱的污染，这是许多地区存在的问题。针对水箱污染的问题，现有技术中提出了诸多监测及解决方案，最常见的方案是通过余氯仪实时监测水箱中自来水的余氯浓度，并在余氯浓度低于设定值时通过补加消毒液提升自来水中的余氯浓度，以防止细菌污染，具体技术有公开号为cn214360436u的专利文献所公开的二次供水泵房自动加药消毒装置。
4.但实际上，由于水箱体积较大，除了细菌污染外还存在其他污染，例如，水箱内部还会沉积包括污垢、泥沙、青苔、沉淀物在内的杂质。有些高层水箱因封闭不合理，更是有各种动物（老鼠、鸟类、蟑螂等）进入并被淹死在内的突发状况。而上述现有技术并不能很好的监测这些状况，因而同样存在着供水安全的隐患。虽然国家也有水箱需要至少每半年清洗、消毒1次的规定，但这个清洗时间的人为因素较大，具体清洗时间也难以有效控制。
技术实现要素：5.本发明的目的在于提供一种基于图像识别的水箱监测方法，该方法能够以实际图像的方式实时监测水箱的内部状况，并能在水箱内部状况未达标时及时发出报警，从而有效解决供水安全的技术问题。
6.为实现上述目的，本发明采用的技术方案如下：一种基于图像识别的水箱监测方法，其特征在于包括以下步骤：步骤一：选择多个正在使用的参考水箱，各参考水箱内部均沉积有杂质；步骤二：分别采集若干张各参考水箱的内部图像，并将内部图像分为训练集和测试集；步骤三：构建用于识别杂质的初始神经网络模型，将训练集输入初始神经网络模型中进入训练，直至初始神经网络模型收敛，再将测试集输入收敛后的初始神经网络模型中进行测试，直至得到识别准确率满足设定阈值的标准神经网络模型；步骤四：间隔采集待监测水箱的内部实时图像，基于标准神经网络模型对内部实时图像进行识别，并输出及存储识别结果，所述的识别结果包括内部实时图像中杂质的种类及含量；
步骤五：基于识别结果判断待监测水箱内部各种杂质的含量是否超过设定值，若超过则上报上位机并触发声光报警。
7.所述的监测方法中，基于控制终端构建并训练神经网络模型，基于高清红外摄像头采集图像，基于存储模块存储识别结果，基于对比模块判断待监测水箱内部各种杂质的含量是否超过设定值，基于通讯模块上报上位机并触发声光报警，基于供电模块为高清红外摄像头和控制终端供电。
8.所述存储模块、对比模块、通讯模块和供电模块均集成在控制终端上，所述控制终端通过防水壳体安装在待监测水箱的侧壁。
9.所述高清红外摄像头通过电动伸缩组件和底座安装在待监测水箱顶部的一端，电动伸缩组件分别与控制终端和供电模块连接，控制终端通过电动伸缩组件可控制高清红外摄像头上下移动。
10.所述电动伸缩组件为电动伸缩杆或电动伸缩架。
11.所述高清红外摄像头的拍摄方向为向下倾斜45度。
12.所述控制终端还与待监测水箱内部的水位计连接，控制终端根据水位计检测的水位高度控制高清红外摄像头的高度；当水位计检测到水位高度下降时，控制终端通过电动伸缩组件控制高清红外摄像头随之下降；当水位计检测到水位高度上升时，控制终端通过电动伸缩组件控制高清红外摄像头随之上升。
13.步骤一中参考水箱的数量为10-50个。
14.步骤二中分别从参考水箱的不同位置及高度采集参考水箱的内部图像，且各参考水箱采集的内部图像不少于20张。
15.采用本发明的优点在于：1、本发明所述的水箱监测方法先通过采集若干参考水箱的内部图像建立能够识别杂质的标准神经网络模型，再根据建立的标准神经网络模型识别待监测水箱的内部状况。采用该特定构建的标准神经网络模型能够有效而准确地识别出待监测水箱中的杂质情况，例如，不仅能够识别出待监测水箱中污垢、泥沙、青苔、沉淀物等杂质的种类及含量，还能够识别出水箱中是否有老鼠、鸟类、蟑螂等动物尸体。相较于现有技术而言，本发明能够以实际图像的方式实时监测水箱的内部状况，并能在水箱内部状况未达标时及时发出报警，从而有效解决供水安全的技术问题。
16.2、本发明基于控制终端构建并训练神经网络模型，基于高清红外摄像头采集图像，基于存储模块存储识别结果，基于对比模块判断待监测水箱内部各种杂质的含量是否超过设定值，基于通讯模块上报上位机并触发声光报警，基于供电模块为高清红外摄像头和控制终端供电。通过这些特定模块，使得本发明的实现变得更加简单方便，同时也便于设备的有效安装。
17.3、本发明将存储模块、对比模块、通讯模块和供电模块均集成在控制终端上，并将控制终端通过防水壳体安装在待监测水箱的侧壁。其优点在于使得设备的集成效果更好。
18.4、本发明通过电动伸缩组件可控制高清红外摄像头上下移动，进而在实际应用中可控制高清红外摄像头从不同高度采集待监测水箱的内部实时图像，有利于提高监测效果。
19.5、本发明可采用电动伸缩杆或电动伸缩架作为电动伸缩组件，具有结构简单、控
3小时采集一次，得到待监测水箱1的内部实时图像后，将内部实时图像输入至标准神经网络模型中，基于该标准神经网络模型对内部实时图像进行识别，并输出及存储识别结果，所述的识别结果包括内部实时图像中杂质的种类及含量。
30.步骤五：基于识别结果判断待监测水箱1内部各种杂质的含量是否超过设定值，若超过则上报上位机并触发声光报警。
31.本步骤关于基于识别结果判断待监测水箱1内部各种杂质的含量是否超过设定值需要说明的是，当根据识别结果得出待监测水箱1内仅有污垢、泥沙、青苔、沉淀物中的一种或几种杂质时，此时可根据各种杂质的含量判断其对水质的影响值，若影响值超过设定值，则表明水箱内的自来水已被污染，不安全，向上位机发送信息并触发声光报警，进而通知相关人员进行清洗，以保证用水安全。当根据识别结果得出待监测水箱1内有老鼠、鸟类、蟑螂等动物尸体时，直接判断影响值超过设定值并上报及触发声光报警。
32.综合而言，本发明采用上述特定方法后，能够以实际图像的方式实时监测水箱的内部状况，并能在水箱内部状况未达标时及时发出报警，从而有效解决供水安全的技术问题。
33.实施例2本发明是一种基于图像识别的水箱监测方法，具体包括以下步骤：步骤一：选择多个正在使用的参考水箱，各参考水箱内部均沉积有杂质。
34.步骤二：基于高清红外摄像头3分别采集若干张各参考水箱的内部图像，并将内部图像分为训练集和测试集。
35.步骤三：基于控制终端2构建用于识别杂质的初始神经网络模型，将训练集输入初始神经网络模型中进入训练，直至初始神经网络模型收敛，再将测试集输入收敛后的初始神经网络模型中进行测试，直至得到识别准确率满足设定阈值的标准神经网络模型。
36.步骤四：在控制终端2的控制下，先基于高清红外摄像头3间隔采集待监测水箱1的内部实时图像，再基于标准神经网络模型对内部实时图像进行识别，并输出识别结果及基于存储模块4存储识别结果，所述的识别结果包括内部实时图像中杂质的种类及含量。
37.步骤五：在对比模块5中基于识别结果判断待监测水箱1内部各种杂质的含量是否超过设定值，若超过则基于通讯模块6上报上位机并触发声光报警。
38.优选的，存储模块4、对比模块5、通讯模块6和供电模块7均集成在控制终端2上，而控制终端2又通过防水壳体11安装在待监测水箱1的侧壁。另外，为保证各模块的正常工作，还可在防水壳体11内设置散热风扇。
39.优选的，待监测水箱1顶部的一端固定有底座9，底座9上固定有电动伸缩组件8，该电动伸缩组件8可为电动伸缩杆或电动伸缩架，高清红外摄像头3通过该电动伸缩组件8和底座9安装在待监测水箱1顶部。另外，电动伸缩组件8分别与控制终端2和供电模块7连接，控制终端2可通过继电器控制电动伸缩组件8伸缩，进而控制高清红外摄像头3上下移动，以便于通过调节高清红外摄像头3的高度获取成像质量更佳的内部实时图像。
40.进一步的，为了能够获得更大的成像视野及成像效果，本实施例优选将高清红外摄像头3的拍摄方向设置为向下倾斜45度，由于高清红外摄像头3设置在待监测水箱1的一端，因此将高清红外摄像头3从一端至另一端向下倾斜45度，就能够增大图像采集范围，进而最大化的保证监测效果。
41.优选的，控制终端2还与待监测水箱1内部的水位计10连接，控制终端2可根据水位计10检测的水位高度控制高清红外摄像头3的高度。具体的，当水位计10检测到水位高度下降时，控制终端2通过电动伸缩组件8控制高清红外摄像头3随之下降。当水位计10检测到水位高度上升时，控制终端2通过电动伸缩组件8控制高清红外摄像头3随之上升。该设置使得高清红外摄像头3始终与水面保持一定间距，进而能够得到待监测水箱1中更加真实、且效果更好的内部实际图像，有效地提升水箱内部状况的监测效果。
42.以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。
技术特征：1.一种基于图像识别的水箱监测方法，其特征在于包括以下步骤：步骤一：选择多个正在使用的参考水箱，各参考水箱内部均沉积有杂质；步骤二：分别采集若干张各参考水箱的内部图像，并将内部图像分为训练集和测试集；步骤三：构建用于识别杂质的初始神经网络模型，将训练集输入初始神经网络模型中进入训练，直至初始神经网络模型收敛，再将测试集输入收敛后的初始神经网络模型中进行测试，直至得到识别准确率满足设定阈值的标准神经网络模型；步骤四：间隔采集待监测水箱的内部实时图像，基于标准神经网络模型对内部实时图像进行识别，并输出及存储识别结果，所述的识别结果包括内部实时图像中杂质的种类及含量；步骤五：基于识别结果判断待监测水箱内部各种杂质的含量是否超过设定值，若超过则上报上位机并触发声光报警。2.根据权利要求1所述的一种基于图像识别的水箱监测方法，其特征在于：所述的监测方法中，基于控制终端构建并训练神经网络模型，基于高清红外摄像头采集图像，基于存储模块存储识别结果，基于对比模块判断待监测水箱内部各种杂质的含量是否超过设定值，基于通讯模块上报上位机并触发声光报警，基于供电模块为高清红外摄像头和控制终端供电。3.根据权利要求2所述的一种基于图像识别的水箱监测方法，其特征在于：所述存储模块、对比模块、通讯模块和供电模块均集成在控制终端上，所述控制终端通过防水壳体安装在待监测水箱的侧壁。4.根据权利要求2所述的一种基于图像识别的水箱监测方法，其特征在于：所述高清红外摄像头通过电动伸缩组件和底座安装在待监测水箱顶部的一端，电动伸缩组件分别与控制终端和供电模块连接，控制终端通过电动伸缩组件可控制高清红外摄像头上下移动。5.根据权利要求4所述的一种基于图像识别的水箱监测方法，其特征在于：所述电动伸缩组件为电动伸缩杆或电动伸缩架。6.根据权利要求4所述的一种基于图像识别的水箱监测方法，其特征在于：所述高清红外摄像头的拍摄方向为向下倾斜45度。7.根据权利要求2-6中任一项所述的一种基于图像识别的水箱监测方法，其特征在于：所述控制终端还与待监测水箱内部的水位计连接，控制终端根据水位计检测的水位高度控制高清红外摄像头的高度；当水位计检测到水位高度下降时，控制终端通过电动伸缩组件控制高清红外摄像头随之下降；当水位计检测到水位高度上升时，控制终端通过电动伸缩组件控制高清红外摄像头随之上升。8.根据权利要求1所述的一种基于图像识别的水箱监测方法，其特征在于：步骤一中参考水箱的数量为10-50个。9.根据权利要求1所述的一种基于图像识别的水箱监测方法，其特征在于：步骤二中分别从参考水箱的不同位置及高度采集参考水箱的内部图像，且各参考水箱采集的内部图像不少于20张。
技术总结本发明公开了一种基于图像识别的水箱监测方法，包括：一：选择参考水箱；二：采集参考水箱的内部图像并划分训练集和测试集；三：构建用于识别杂质的初始神经网络模型，并基于训练集和测试集得到识别准确率满足设定阈值的标准神经网络模型；步骤四：间隔采集待监测水箱的内部实时图像，基于标准神经网络模型对内部实时图像进行识别，并输出及存储识别结果；步骤五：基于识别结果判断待监测水箱内部各种杂质的含量是否超过设定值，若超过则上报上位机并触发声光报警。本发明能够以实际图像的方式实时监测水箱的内部状况，并能在水箱内部状况未达标时及时发出报警，从而有效解决供水安全的技术问题。的技术问题。的技术问题。
技术研发人员：程立 高晓昆 刘新贵
受保护的技术使用者：重庆昕晟环保科技有限公司
技术研发日：2022.07.05
技术公布日：2022/11/1
