一种基于深度学习技术的污染源废水排放实时视频分析系统的制作方法

本发明属于污染源排放监测技术领域，尤其涉及一种基于深度学习技术的污染源废水排放实时视频分析系统。

背景技术：

随着经济和社会的快速发展，我国城镇化建设步伐日益加快，大量的人口聚集到城市生活，给城市周边的环境和生态造成了严重的影响，许多饮水水源、城市内河、周边湖泊、水库等水面上出现大量的污染物，这些污染物大多是工业排污引起，其中包含大量对水质有害的物质。

如果不能得到及时清理，势必会破坏生态环境，威胁人类的生存和发展，为了社会可持续发展和人类健康，必须加强对污染源企业违法排污情况的监管，如污染源企业偷排漏排、排口废水带有异常颜色、大量泡沫和液位高度异常突变等。于是，对污染源企业违法排污情况的监测成了一个迫切需要解决的问题，需要投入大量的人力和物力资源。

并且，目前污染源废水违法排污情况监测方法主要通过分析单帧图像实现，该方案仅分析单帧2维图像，而污染物和监测环境在颜色和形态方面具有非常复杂多样性特点，现有的单帧图像深度学习方法并不具有普适性，使用效果不佳。

技术实现要素：

本发明的目的在于，为克服现有技术缺陷，提供了一种基于深度学习技术的污染源废水排放实时视频分析系统，本系统通过引入时间维度的卷积神经网络算法，实现了通过若干连续帧图像完成对废水或污染物的运动特性分析，从而克服了传统的单帧图像识别算法无论在训练样本和目标识别方面存在巨大的困难的问题。

本发明目的通过下述技术方案来实现：

一种基于深度学习技术的污染源废水排放实时视频分析系统，所述视频分析系统至少包括图像采集单元和数据处理单元，所述图像采集单元设置于待监测区域各监测点，用于完成各监测点废水图像采集；所述数据处理单元基于图像采集单元采集的若干图像信息数据和包含二维空间域和一维时间域的3dcnns，完成对各监测点废水中违法排污情况的识别。

根据一个优选的实施方式，所述数据处理单元至少包括图像提取模块，所述图像提取模块基于目标检测方法完成对图像采集单元采集的图像信息数据进行废水排口识别；并基于图像中废水排口的位置信息，完成排口区废水图像提取。

根据一个优选的实施方式，所述图像提取模块采用fasterrcnn进行目标检测，从而识别和定位图像中的废水排口区域。

根据一个优选的实施方式，所述数据处理单元还包括水质分类模块，所述水质分类模块对提取的排口的图像采用卷积神经网络cnn构造分类器，对排口废水进行水质分类。

根据一个优选的实施方式，所述卷积神经网络cnn的数据输入层采用局部感知和权值共享方式对污染源实时图像数据进行接入。

根据一个优选的实施方式，所述卷积神经网络cnn的数据输出层采用全连接神经网络、交叉熵评分函数对污染源废水进行分类。

根据一个优选的实施方式，所述数据处理单元还包括目标监测模块，所述目标监测模块对排污口的废水监测图像采用3d卷积神经网络实现水质识别。

根据一个优选的实施方式，所述3d卷积神经网络对连续视频帧污水监测图像信息进行分析和识别，最终输出污水的颜色、纹理、以及运动特征。

前述本发明主方案及其各进一步选择方案可以自由组合以形成多个方案，均为本发明可采用并要求保护的方案；且本发明，(各非冲突选择)选择之间以及和其他选择之间也可以自由组合。本领域技术人员在了解本发明方案后根据现有技术和公知常识可明了有多种组合，均为本发明所要保护的技术方案，在此不做穷举。

本发明的有益效果：通过本发明系统中功能模块的设置，使得本系统通过图像提取模块能够完成整个图像全场景分析，并通过目标检测算法定位排放口位置，无需人为勾选特定区域。同时，在目标监测模块中通过3d卷积神经网络，完成了分析视频图像时间域上的连续多帧图像，可分析排口污染物的流动性特征，从而提高了污染源识别的准确性。

附图说明

图1是本发明的分析系统的结构示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

另外，本发明要指出的是，本发明中，如未特别写出具体涉及的结构、连接关系、位置关系、动力来源关系等，则本发明涉及的结构、连接关系、位置关系、动力来源关系等均为本领域技术人员在现有技术的基础上，可以不经过创造性劳动可以得知的。

实施例1：

参考图1所示，图中公开了本发明的一种基于深度学习技术的污染源废水排放实时视频分析系统。

优选地，所述视频分析系统至少包括图像采集单元和数据处理单元。所述图像采集单元设置于待监测区域各监测点，用于完成各监测点废水图像采集。所述数据处理单元基于图像采集单元采集的若干图像信息数据和包含二维空间域和一维时间域的3dcnns，完成对各监测点废水中违法排污情况的识别。

优选地，所述图像采集单元包括设置于各个监测点的实时图像采集装置。

优选地，所述数据处理单元至少包括图像提取模块、水质分类模块和目标监测模块。通过所述图像提取模块完成对图像采集单元采集的图像信息进行感兴趣区域提取。通过水质分类模块完成对感应区区域图像的分类。并由所述目标监测模块完成对感应区区域废水的识别分类。

优选地，所述图像提取模块基于目标检测方法完成对图像采集单元采集的图像信息数据进行废水排口识别。并基于图像中废水排口的位置信息，完成排口区废水图像提取。

进一步地，所述图像提取模块采用fasterrcnn进行目标检测，从而识别和定位图像中的废水排口区域。

优选地，所述水质分类模块对提取的排口的图像采用卷积神经网络cnn构造分类器，对排口废水进行水质分类。

进一步地，所述卷积神经网络cnn的数据输入层采用局部感知和权值共享方式进行数据接入。

进一步地，所述卷积神经网络cnn的数据输出层采用全连接神经网络、交叉熵评分函数进行分类。

优选地，所述目标监测模块对排污口的废水监测图像采用3d卷积神经网络实现水质识别。

进一步地，所述3d卷积神经网络对连续视频帧污水监测图像信息进行分析和识别，最终输出污水的颜色、纹理、以及运动特征。

本发明系统，通过图像提取模块完成整个图像全场景分析，并通过目标检测算法定位排放口位置，无需人为勾选特定区域。同时，在目标监测模块中通过3d卷积神经网络，完成了分析视频图像时间域上的连续多帧图像，可分析排口污染物的流动性特征，从而提高了污染源识别的准确性。同时，基于废水排放口进行专门识别，能有效识别排放口下的液体、气体以及液体泡沫的运动过程，并结合色彩分析识别出污染物，可得到多维度的分析结果。同时，通过多维度进行实时图像分析，具有明显的抗外界干扰性，如受外界反光、气候条件等不利条件影响，大大提升了系统的识别准确性。

前述本发明基本例及其各进一步选择例可以自由组合以形成多个实施例，均为本发明可采用并要求保护的实施例。本发明方案中，各选择例，与其他任何基本例和选择例都可以进行任意组合。本领域技术人员可知有众多组合。

以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。