基于水色图像的水质分析

基于水色图像的水质分析2016.6目录CONTENTE背景介绍01数据挖掘目标02分析方法与过程03建模及代码展示04污水处理01背景介绍环境监测02水产养殖03生产生活中的水质识别在渔业生产中，从业者可以通过观察水色变化调控水质，以达到维持养殖生态系统中浮游植物、浮游动物，微生物类、等动态平衡的目的。但由于这些多是通过肉眼和经验观察进行判断，存在主观性引起的观察性偏差，使观察结果的可比性、可重复性降低，且受工作时间限制，不易推广应用。背景介绍以水产养殖为例通过多年来对水质环境数据的采集和处理，建立环境数据库，得出水产养殖较为完善的生长发育参数和健康养殖量化指标。根据这些量化指标和水产养殖专业知识，基于环境数据库建立起水产健康养殖专家决策系统，对实现水产健康养殖、智能控制和计算机管理具有重要的意义。我们的目标是在水质监测方面，通过计算机视觉处理技术，以专家经验为基础，对池塘水色进行优劣分级，实现对池塘水色的准确快速判别。数据挖掘目标数据挖掘目标健康养殖系统养殖生物养殖模式饲料投喂疾病防治水质管理系统氮磷控制Ph值调控饲料精准投喂疾病早期预警环境库水色判别系统水质评价系统知识库规则库图像库环境数据导入水色图像处理专家样本管理分析方法与过程选择性抽取水质评价构建模型构建专家样本数据预处理样本数据采集拍摄水样图像图像切割提取颜色矩特征图像切割提取颜色矩特征专家样本水样分类模型训练模型验证模型评价模型优化模型实时抽取水质评价结果水质评价流程水色分类分析方法与过程水色浅绿色（清水或浊水）灰蓝色黄褐色茶褐色（姜黄、茶褐、红褐、褐中带绿等）绿色（黄绿、油绿、蓝绿、墨绿、绿中带褐等）水质类别12345一定条件下拍摄的水样图像分析方法与过程图像切割分析方法与过程基于颜色矩提取图像颜色分布分析方法与过程颜色矩：一幅图像的色彩分布可以认为是一种概率分布，图像中任何颜色的分布均可以用它的矩来表示。颜色矩包含各个颜色通道的一阶矩、二阶矩、三阶矩，对于一幅RGB颜色空间图像，具有R、G和B三个颜色通道，所以共具有9个分量。一阶矩：反应图像的整体明暗度𝐸𝑖=1𝑁𝑝𝑖𝑗𝑁𝑗=1二阶矩：反应图像颜色的分布范围𝜎𝑖=1𝑁𝑝𝑖𝑗−𝐸𝑖2𝑁𝑗=1三阶矩：反映图像颜色分布的对称性𝑆𝑖=1𝑁𝑝𝑖𝑗−𝐸𝑖3𝑁𝑗=13水色图像特征与相应水色类别的部分数据分析方法与过程类别序号R通道一阶矩G通道一阶矩B通道一阶矩R通道二阶矩G通道二阶矩B通道二阶矩R通道三阶矩G通道三阶矩B通道三阶矩110.58282290.54377370.25282870.0141920.01614390.04107525-0.0126431-0.0160904-0.0415362210.5551720.57106930.31629810.00758970.00496970.008795930.00096125-0.00203460.00652788210.55557610.57922270.33121470.00659460.00507120.01071972-0.0016704-0.00241160.00675625310.53666980.52054990.19139570.00753940.00562390.01267093-0.00273570.0031078-0.0024782310.52579160.52234290.25701360.00782350.00521860.011448440.004886710.0010884-0.0083357320.59956020.53967260.15725490.00928010.00724110.010366410.00638896-0.0038906-0.0043773120.58555470.5655620.25592450.0079220.0053040.01058632-0.00408330.00213290.00532096120.58209290.57147340.28030320.00689920.00494660.01011564-0.0040232-0.00237220.0056939220.55271470.5527390.32714750.01044130.00834280.01466284-0.0063701-0.00410570.00960346220.4919160.54636740.4258710.01034350.00829320.012260.009284920.0096630.01154853530.21156710.33553730.11196940.0120560.01329560.008379750.007304810.00750340.00365034430.43775330.43121570.18960540.01144360.00915930.01149126-0.0033359-0.00501380.0047221430.46186010.46271280.2400980.00815450.0063650.01198156-0.0048741-0.0023075-0.0071941530.40896340.4869530.17811290.01266220.00975190.01449667-0.00672080.00216760.00999232530.44117360.51517060.19544950.01227220.0085990.01574276-0.0069344-0.00490380.00898545预测模型的输入变量分析方法与过程序号变量名称变量描述取值范围1R通道一阶矩水样图像在R颜色通道的一阶矩0～12G通道一阶矩水样图像在G颜色通道的一阶矩0～13B通道一阶矩水样图像在B颜色通道的一阶矩0～14R通道二阶矩水样图像在R颜色通道的二阶矩0～15G通道二阶矩水样图像在G颜色通道的二阶矩0～16B通道二阶矩水样图像在B颜色通道的二阶矩0～17R通道三阶矩水样图像在R颜色通道的三阶矩-1～18G通道三阶矩水样图像在G颜色通道的三阶矩-1～19B通道三阶矩水样图像在B颜色通道的三阶矩-1～110水质类别不同类别表示水中浮游植物的种类多少1，2，3，4，5综合输入变量维度较高，样本量较少，再结合支持向量机具备较高泛化能力的特点，选定支持向量机作为建模算法。对数据采取随机抽取80%作为训练样本，20%作为测试样本的交叉验证方法，以防止模型欠拟合。建模及代码展示选择支持向量机建立模型建模及代码展示结果分析预测值实际值123451411100203400030059004001200501013预测值实际值1234517010020100003001900400030500010训练集混淆矩阵分类准确率：96.91%测试集混淆矩阵分类准确率：95.12%建模及代码展示Python代码展示THANKSFORWATCHING基于水色图像的水质分析