基于深度学习的悬浮固体总度分类流水表面图像,由手机捕获
Kemal Hacıefendioğlu1, Osman Tuğrul Baki2, Hasan Basri Başağa3
1Department of Civil Engineering, Faculty of Engineering, Karadeniz Technical University, 61080, Trabzon, Turkey. kemalhaciefendioglu@ktu.edu.tr.
Environmental monitoring and assessment
|November 20, 2023
概括
在溪流中监测总悬浮固体 (TSS) 对水资源管理和污染控制至关重要. 这项研究使用手机图像和深度学习来快速经济地对TSS度进行分类.
科学领域:
- 环境科学 环境科学
- 水文学的水文学
- 计算机科学 计算机科学
背景情况:
- 对总悬浮固体 (TSS) 的持续监测对于水文管理和河流污染控制至关重要.
- 传统的TSS确定方法昂贵且耗时,需要更快,更简单,更经济的方法.
- 使用手机等现有技术对TSS度进行分类提供了一个有希望的替代方案.
研究的目的:
- 开发和评估一种方法来分类流水总悬浮固体 (TSS) 度,使用手机图像.
- 评估深度学习模型在将TSS级别分类为清晰,模糊,非常模糊和极其模糊等级方面的有效性.
- 为实时TSS监控提供快速,经济高效和可靠的工具.
主要方法:
- 收集了5500多张溪流水面图像和相应的TSS度数据,这些数据来自Değirmendere河流下游流域.
- 利用深度学习,特别是使用八个卷积神经网络 (CNN) 模型 (包括自定义和预先存在的架构,如VGG-16,Inception-V3,MobileNet).
- 训练和测试模型使用70%的数据进行训练,其余的数据用于测试,评估组合策略,如堆叠,加权平均,平均和多数投票.
主要成果:
- 该研究成功地使用手机图像和深度学习将TSS度分为四个不同的组.
- 在TSS分类中,集体模型堆叠实现了最高的87%的精度.
- 其他组合方法,如加权平均,平均和多数投票,也显示出有效性.
结论:
- 通过深度学习处理的手机摄像头图像,可以准确地立即分类流中的当前总悬浮固体 (TSS) 度.
- 这种方法为水资源管理中的快速,经济和可靠的TSS监测提供了重大进展.
- 这些发现支持了基于智能手机的水质评估工具的广泛采用潜力.
