基于圖像檢測的節水智能控制系統

作者簡介：于婉婷（2000—），女，本科， 研究方向為計算機。

基金項目：國家自然科學基金（項目編號：U1504623）。

摘要：社會快速發展對水資源需求越來越大和水資源的相對短缺，使水資源保護已成為一個重要的時代課題。傳統飲水設備的使用不僅會由于開關不及時等原因造成水資源浪費，也經常給人體帶來燙傷的危險。人工智能技術的快速發展，使圖像檢測應用于解決生活中的問題更加有效。采用基于Faster R-CNN構建水位檢測模型，對水杯中的水位進行檢測，并取得了較好的檢測效果，訓練效果的平均精確度高達100%，測試效果的置信度均在93%以上。實驗結果表明：基于圖像檢測設計的智能節水系統可實現對出水量的精確控制，對減少水資源浪費有重要的意義。

關鍵詞：圖像檢測 節水智能控制系統 人工智能 Faster R-CNN

中圖分類號：TP273.5

Abstract： With the increasing demand for water resources and the relative shortage of water resources due to the rapid development of society， water resource protection has become an important issue of the times. The use of traditional drinking water equipment will not only cause the waste of water resources due to untimely switching and other reasons， but also often bring the risk of burns to the human body. The rapid development of artificial intelligence technology makes the application of image detection to solve problems in life more effective. In this paper， a water level detection model is built based on Faster R-CNN to detect water levels in water cups， and good detection results are achieved， with the average accuracy of the training effect being as high as 100% and the confidence of the test effect being above 93%. Experimental results show that the designed intelligent water-saving system based on image detection can realize the accurate control of water output， which is of great significance to reduce the waste of water resources.

Key Words： Image detection; Water-saving intelligent control system; Artificial intelligence; Faster R-CNN

飲水機是辦公室、學校、商場等公眾場所最常用到的生活必備設施。通過觀察發現，飲水機的進出水控制開關通過人為來操控經常會浪費很多水，甚至在接熱水時經常會由于關閉控制不夠及時或開關不夠靈敏等原因燙傷用戶。這種現象不僅會造成資源的浪費，還對人們生活造成一定的影響。在國家發展過程中，國家經濟體量的增長使各種污染物的排放量不斷增加，加劇了水資源的短缺，因此水資源的保護問題變得越來越重要[1]。近年來，隨著以計算機技術為基礎的各項智能技術不斷發展和廣泛使用[2]，可使用圖像檢測來對水杯中的水量進行檢測并實現對水位的控制，以更好地解決上述問題。

本文使用Faster R-CNN網絡進行模型的構建，首先對圖像中的特征進行提取，即整理出便于后面階段使用的數；然后在提取出的特征框架上運用RPN在輸入圖像上滑動一個小窗口來生成一系列候選框，對于每一個候選框，使用RoI Pooling層對其進行特征池化操作；將池化后的特征輸入到全連接層中進行分類和回歸，最后經過NMS處理，去除重復檢測結果，得到最終的物體檢測結果。將構建好的模型應用于實現節水[3]智能控制系統。

1 基于Faster R - CNN的模型構建

構建基于Faster R-CNN[4]的水位檢測模型，保證在輸入為盛有一定量水的水杯圖像時，能夠輸出結果表示水位是否達到規定的最高標準。

構建模型過程中，各個層所完成的工作任務為：用卷積神經網絡提取圖像的特征能夠提取出不同層次的特征，以更好的滿足圖像檢測的任務需求；RPN生成候選框的速度比傳統方法生成候選框的速度快[5]；RoI Pooling層能夠減輕模型的運算負擔，提高運行速度；非極大值抑制處理用來提高檢測的精度。該模型能夠在保持較高的檢測準確度的基礎上，加快檢測速度。基于Faster R-CNN構建模型的具體實現流程如圖1所示。

首先使用卷積神經網絡來提取圖像中的特征。該網絡包括13個conv層、13個relu、4個pooling。由計算公式（1）可知，每個conv層和relu層處理之后，Feature map的大小都不變；pooling層處理之后，Feature map的寬和高變為輸入該層前的一半，輸入feature map的大小可由計算公式（2）得出。其中，kernel_size為卷積核大小，卷積層通過卷積核對輸入的特征圖進行滑動卷積。Padding起填充作用，卷積操作后特征圖的尺寸會發生變化，padding用來指定在輸入的特征圖四個邊緣如何進行填充操作，以保證輸出的特征圖大小合適。stride為步長，stride指定卷積核每次在輸入特征圖上滑動的步長，即滑動的行數和列數。當stride越大時，計算速度越快，但卷積層的參數更新次數也會減少，對于較大的輸入矩陣，容易帶來信息丟失問題[6]。

在提取出的特征框架上運用區域提議網絡（RPN）在輸入圖像上滑動一個小窗口來生成一系列候選框（anchors），這些候選框是圖像檢測的初步結果，相比傳統生成候選框的辦法，使用RPN極大提高了生成候選框的速度。RPN訓練過程中，softmax分類器[7]用于提取positive anchors，positive anchors是與真實框重合度較高的候選框；bbox regression回歸positive anchors生成偏移量，回歸即通過不斷訓練使anchors與真實框越來越接近，最后生成Proposals。Reshape先對Feature Map進行維度變換，以便于Softmax進行處理，經過Softmax處理之后再Reshape將維度復原。RPN的具體結構如圖2所示。

對于每一個候選框，使用RoI Pooling層對其進行特征池化操作，將其形狀規范化為固定大小，方便后續處理。將池化后的特征輸入到全連接層中進行分類和回歸，用以判斷物體的類別和精確位置。

最后，經過非極大值抑制（NMS）處理[8]，去除重復檢測的結果，得到最終的物體檢測結果。分類器網絡將RPN生成的結果輸入，訓練網絡將杯子分類為1/5、2/5、3/5、4/5，這4個類別。網絡輸出分類得分和杯子周圍的邊界框。

2 數據集建立

為了使用戶有更加多樣化地選擇，在數據集中，包含水容量為五分之一、五分之二、五分之三、五分之四的圖像集用來進行訓練。通過規定水位達到五分之四即為水位的最高標準由此來實現智能節水，用戶還可以根據實際所需選擇用水量。對數據集中每個圖像進行標注處理的動作包括，標出水杯的位置和水的容量，對圖像進行標注處理的示例如圖3所示。部分實驗數據如圖4所示。

3 智能節水系統工作流程

采用圖像檢測[9]方法對水位進行自動檢測，需要對輸入圖像中水杯位置進行準確識別并檢測其水位高度。將杯子放置在出水口下方，系統自動識別水杯并檢測水位高度。為減少水資源浪費以及防止用戶燙傷等問題，通過系統設置當水位達到水杯容量的五分之四即為水位最高標準。如果水位過低，系統會自動加水，水位達到水杯容量的五分之四，系統會自動停止加水。在模型的訓練過程中，包含了水容量為五分之一、五分之二、五分之三、五分之四的標簽，使用戶也可以根據實際情況選擇所需飲水量，滿足用戶多樣化的需求。系統默認化設置為水容量達到五分之四即系統停止出水。

在實現過程中，在飲水機上安裝一個攝像頭，以捕捉杯子中水位情況的圖像。然后，對圖像進行分析以確定杯子中水位高度。如果分析結果為未超過系統規定的水位最高標準，則系統繼續出水；如果分析結果為超過系統規定的水位最高標準，則系統停止出水，以實現節水及對用戶進行安全保護的作用；如果在水位未達到系統規定的水位最高標準之前手動關閉開關，也能夠實現停止出水。由此實現系統自動控制水量和應用需求的多樣化。

該模型可以根據不同類型的杯子和容器進行訓練，以適應不同形狀和大小的杯子。智能節水系統實現流程如圖5所示。

4 實驗結果與分析

通過Faster R-CNN網絡實現水位檢測模型的構建，水位檢測模型訓練效果的數據測試統計如圖6所示。通過實驗結果數據統計可知，每個標簽訓練效果的平均精確度高達100%，訓練效果較好。

F1-Score被定義為精確率和召回率的調和平均數[10]。精確率（precision）為模型預測的正樣本中真正正樣本所占的比例，計算公式如公式（3）；召回率（recall）為模型預測出真正正樣本占實際正樣本的比例，計算公式如公式（4）。 F1-Score的數據取值計算公式如公式（5）所示。F1-Score是一種用來衡量模型精確度的一種指標，數據的取值在0和1之間，F1-Score的值越高模型的精確度越高。在不同閾值下，F1-Score的表現如圖7所示。由圖可知，閾值的取值大小與F1-Score之間不是簡單的正比關系，當閾值的取值為0.8時， F1-Score取值為1，模型精確度最高；當閾值再增加，F1-Score的取值將減小，即模型的精確度下降。

其中，TP（True Positive）表示真正正樣本數量，FP（False Positive）表示錯誤地將負樣本預測為正樣本的數量。TP與FP之和即為模型預測的正樣本數量。

其中，TP（True Positive）表示真正正樣本數量，FN（False Negative）表示錯誤地將正樣本預測為負樣本的數量。TP與FN之和即為實際正樣本的數量。

其中，F1-Score表示模型的精確度，取值范圍為0～1。

為了檢驗模型的訓練效果，選擇測試集圖片進行測試，將閾值置為0.8。分別選取大量的水容量為五分之一、五分之二、五分之三、五分之四的圖像集用來進行測試測試效果如圖8所示，測試輸出結果準確標注出了水杯的位置、標簽名稱以及置信度。

通過測試結果可知，模型能夠準確識別標注輸入圖像中杯子的位置，并且能夠對杯子中的水位進行準確檢測，標簽名稱為五分之一、五分之二、五分之三、五分之四的置信度分別為97.06%，98.23%，93.32%，97.59%，即置信度均在93%以上模型訓練效果較好。可以滿足系統所需的功能。

5 結語

本文對基于圖像檢測并實現節水智能控制這一系統設計進行了詳細介紹。該系統使用Faster R-CNN對水位檢測模型進行訓練，其中RPN網絡生成候選框比傳統獲取候選框的方法速度快，使用該算法進行訓練取得較好的訓練結果。從對訓練結果的分析來看，檢測的效果較好。該系統設計可以實現水杯中水位的檢測，并且通過對不同水位進行訓練可以滿足用戶的不同需求，具有一定的實際應用價值。將該設計應用于實現智能節水控制的實際場景中，能夠在實現節水的同時，為人們的生活化應用提供便利。這對國家推進可持續發展和構建美好社會生活具有重要的現實意義。

參考文獻

[1] 陳杰，許朗.基于面板三階段DEA-Malmquist模型的中國農業綠色水資源利用效率研究[J].地理科學，2023，43（4）：709-718.

[2] 房媛，王美航，趙秀巖，等.面向新文科的Python課程項目式學習教學研究[J/OL].軟件導刊：1-5[2023-07-05].http：//kns.cnki.net/kcms/detail/42.1671.TP.20230526.1111.050.html.

[3] 丁育林，汪俊瑛.南京市六合區大廠街道居民生活用水現狀及節水對策[J].科技資訊，2018，16（20）：103-104.

[4] 李殷昊，李瑩，王凱彬，等.基于改進Faster-RCNN的煙標缺陷檢測[J].軟件導刊，2023，22（3）：179-183.

[5] 曹磊，王強，史潤佳，等.基于改進RPN的Faster-RCNN網絡SAR圖像車輛目標檢測方法[J]. 東南大學學報（自然科學版），2021，51（1）：87-91.

[6] 管文白，房笑宇，夏彬.基于深度強化學習的故障硬盤預測與處理方法[J].軟件導刊，2023，22（3）：18-26.

[7] 殷芙萍，江秋語.基于神經網絡的大數據分析方法[J]. 軟件導刊，2020，19（9）：39-42.

[8] 趙文清，嚴海，邵緒強.改進的非極大值抑制算法的目標檢測[J]. 中國圖象圖形學報，2018，23（11）：1676-1685.

[9] 張慧敏.基于圖像智能分析的全天候危巖崩塌災害實時監測設備研究[J].科技資訊，2020，18（27）：44-46，9.

[10] 高美靜，李時雨，劉澤昊，等. 基于改進Faster R-CNN的水母檢測與識別算法[J].計量學報，2023，44（1）：54-61.