基于图像的池塘和水库的水质检测方法及系统与流程

1.本发明涉及图像处理技术领域，特别涉及一种基于图像的池塘和水库的水质检测方法及系统。


背景技术：

2.目前，生态环境问题跟人民的健康生活密不可分，池塘和水库作为最普遍的水域，常常被用于养殖和饮用水，水域的水质直接影响着人们的日常生活，普通民众对池塘和水库的水质状况一般不太了解，恶劣的水质环境不仅危害人们的身体，同时在养殖经济上会造成严重的经济损失，而全国存在成千上万的池塘和水库，专家不可能对所有水域进行亲自勘探，而且许多水域地理位置十分偏僻，难以检测。因此，为了能更有效方便地对所有池塘和水库进行合理地检测，提供一种池塘和水库的水质检测方法和系统十分有必要，普通民众也能随时通过系统检测水质，免去了大量的人力和物力资源浪费。目前，一种池塘和水库的水质检测大多数是基于传统的人力检测方法，通过计算机的深度学习领域对水质检测还处于空白阶段，一般情况判断水质情况是通过观察水域环境及其周边环境，使用计算机视觉的技术代替人眼去识别水质是一项重要的研究。通过深度学习中的神经网络替代人的视觉神经去感知图像，利用机器学习的决策树算法根据经验去模拟人的决策经验，结合深度学习和机器学习去模拟专家检测池塘和水库的水质。因此，现需提供一种能很好的检测全国各地的池塘和水库的水质问题，且检测速度快，准确率高，可用性高的池塘和水库的水质检测方法和系统。


技术实现要素：

3.本发明提供了一种基于图像的池塘和水库的水质检测方法及系统，其目的是为了传统的水质检测方法和系统费时费力，对许多位置偏僻的水域难以进行水质检测，检测速度慢，准确率低，可用性不强的问题。
4.为了达到上述目的，本发明的实施例提供了一种基于图像的池塘和水库的水质检测方法，包括：
5.步骤1，采集需要检测的池塘和水库图像，将采集的池塘和水库的图像进行标记制作为标签图像集，将标签图像集分为训练数据集和测试数据集；
6.步骤2，通过数据增强技术对标签图像集进行数据预处理；
7.步骤3，将预处理后的标签图像集输入到resnet
‑
101卷积神经网络，通过resnet
‑
101卷积神经网络和联合金字塔上采样策略对预处理后的标签图像集进行图像特征提取，得到第一特征图像集；
8.步骤4，通过嵌套注意力机制网络对第一特征图像集进行图像特征提取，得到第二特征图像集；
9.步骤5，通过双线性插值法对第二特征图像集进行图像上采样，得到分割图像数据集；
10.步骤6，对分割图像数据集中的分割图像的对象类别进行计算，将分割图像中的特征转换为特征向量并输出，得到特征向量数据集；
11.步骤7，对特征向量数据集的特征采用id3算法构造决策树模型，通过决策树模型对特征向量数据集进行训练，得到训练结果。
12.其中，所述步骤1具体包括：
13.步骤11，对需要检测的水库和池塘进行池塘和水库图像采集；
14.步骤12，对采集到的池塘和水库图像进行手动标注，对池塘和水库图像中对象类别的边缘进行多边形的点线标注；
15.步骤13，通过labelme软件对所有池塘和水库图像的进行分割对象类别标记，得到所有图像对应的json格式标签文件；
16.步骤14，对json格式标签文件进行解析并通过opencv制作标签图像，得到标签图像集；
17.步骤15，生成与原池塘和水库图像相对应的标签灰度图像，标签灰度图像的图像值为0到11，其中0为背景类别，1到11为分割对象类别；
18.步骤16，将标签图像集划分为训练数据集和测试数据集，划分比例为10:1。
19.其中，所述步骤2具体包括：
20.步骤21，对标签数据集中的每一张池塘和水库图像进行随机翻转、随机缩放和随机旋转处理；
21.步骤22，将标签数据集中的池塘和水库图像的尺寸裁剪为480x480；
22.步骤23，采用normalize变换对裁剪后的标签数据集中的池塘和水库图像进行归一化处理，如下所示：
23.image＝(image
‑
mean)/std (1)
24.其中，image表示图像数据，mean表示标准均值，mean的取值为[0.485，0.456，0.406]，std表示标准方差，std的取值为[0.229，0.224，0.225]。
[0025]
其中，所述步骤3具体包括：
[0026]
步骤31，采用在imagenet开源数据集上经过预先训练的resnet
‑
101卷积神经网络和联合金字塔上采样策略对归一化处理后的标签数据集中的池塘和水库图像进行图像特征提取，得到第一特征图像集；
[0027]
通过以下公式对归一化处理后的标签数据集中的池塘和水库图像进行特征处理：
[0028]
y＝f(x,wi)+x (2)
[0029]
其中，x表示输入特征图，wi表示残差结构的权重层，wi由多个卷积层、bn层和relu层组成，函数f表示输入特征图x经过wi权重层的计算结果，y表示残差结构的输出特征图。
[0030]
其中，所述步骤4具体包括：
[0031]
步骤41，将非对称空间金字塔池化模块作为嵌套注意力机制网络的主干，非对称空间金字塔池化模块通过4个内核大小非对称的卷积核对第一特征图像集进行并行卷积计算，获取4个不同大小尺度的图像特征，将得到的4个不同大小尺度的图像特征进行特征相加操作，得到输出特征图，其中，非对称空间金字塔池化模块为包括3
×
3卷积、3
×
5卷积、5
×
3卷积和5
×
5卷积的一个非对称卷积块，非对称空间金字塔池化模块的输出特征图是输入图像的八分之一；
[0032]
步骤42，将全局通道平均池化注意力模块作为嵌套注意力机制网络的内层注意力分支，全局通道平均池化注意力模块利用注意力机制获取注意力信息；
[0033]
步骤43，将全局通道平均池化注意力模块获取的注意力信息与1
×
1卷积相加，并将全局通道平均池化注意力模块获取的注意力信息与1
×
1卷积相加的结果作为缩放因子应用到非对称空间金字塔池化模块的输出特征图中，得到最终特征图，其中，全局通道平均池化注意力模块使用一个内核尺寸为1
×
1、输出通道为c/8的卷积核和一个全局通道平均池化，全局通道平均池化的输出通道为1，其中c表示通道数；
[0034]
步骤44，将全局像素平均池化模块提取的全局信息融合到最终特征图中，得到第二特征图像集。
[0035]
其中，所述步骤4还包括：
[0036]1×
1卷积采用以下公式输出特征图：
[0037][0038]
其中，o
f
表示表示经过1
×
1卷积得到的通道为c/8的输出特征图，符号
·
表示2d卷积计算，m表示输入，m
:,:,k
表示输入的第k个通道，f表示滤波器的3d卷积内核，f
(j)1,1,k
表示f
(j)
的第k个输入通道，即1
×
1的2d卷积内核；
[0039]
全局通道平均池化注意力模块采用以下公式输出特征图：
[0040][0041]
其中，o
p
为具有1通道的全局通道平均池化注意力模块输出特征图，符号
··
表示1
×
1池化计算，即求均值，m
:,:,k
表示输入的第k个通道，p表示全局通道平均池化层，p
1,1,k
表示对应m
:,:,k
的第k个输入通道的池化内核为1
×
1的池化层；
[0042]
最终特征图为o
p
和o
f
的组合，采用以下公式计算1
×
1卷积的输出特征图和全局通道平均池化注意力模块输出特征图之和：
[0043][0044]
其中，o表示具有1
×
1卷积的输出和全局通道平均池输出之和，符号+表示逐个像素添加o
p
和o
f
的每个通道的特征图，表示o
f
的第k个通道，o
p:,:,1
表示o
p
的输入通道。
[0045]
其中，所述步骤5具体包括：
[0046]
步骤51，采用双线性插值法对第二特征图像集进行图像上采样；
[0047]
步骤52，使用跳跃连接的方式，对第二特征图像集进行两次上采样操作，每一次上采样操作将第二特征图像集中的特征图放大4倍；
[0048]
步骤53，将第二特征图像集中的图像尺寸恢复到预处理后的标签图像集中的图像尺寸大小，得到分割图像数据集。
[0049]
其中，所述步骤6具体包括：
[0050]
步骤61，对分割图像数据集中的所有分割图像的对象类别进行计算，得到分割图像数据集的预测对象类别；
[0051]
步骤62，对分割图像数据集的预测对象类别进行提取，将每一张分割图像的预测
对象类别作为一组数据，将每一个预测对象类别的值设置为1或0，其中，1代表分割图像中存在该对象类别，0代表分割图像中不存在该对象类别；
[0052]
步骤63，对分割图像数据集中的所有图像进行计算，将分割图像数据集中的所有分割图像的特征转换为特征向量，得到所有图像的特征向量数据集，其中，特征向量数据集的特征包括背景、天空、池塘、水库、房屋、浮游生物、农田、森林、人、养鱼装置、渔船和菜园。
[0053]
其中，所述步骤7具体包括：
[0054]
步骤71，对特征向量数据集的特征采用id3算法构造决策树模型；
[0055]
步骤72，通过决策树模型对特征向量数据集进行训练；
[0056]
步骤721，计算特征向量数据集中每个对象类别的不同值的信息熵，如下所示：
[0057][0058]
其中，ent(d)表示当前样本集合d的信息熵，d表示当前样本集合，k表示第k类样本，p
k
表示当前样本集合d中第k类样本所占的比例，y表示样本中类别数量；
[0059]
步骤722，根据计算出的特征向量数据集中每个对象类别的不同值的信息熵，对特征向量数据集中每个对象类别的信息增益进行计算，如下所示：
[0060][0061]
其中，d表示当前样本集合，a表示当前属性的取值，v表示当前的分支结点，d
v
表示第v个分支结点包含了d中所有在属性a上取值为a
v
的样本；
[0062]
步骤723，根据计算出的每个对象类别的信息增益的大小对特征向量数据集进行特征选择；
[0063]
步骤724，在下一次对特征向量数据集进行特征选择之前对特征向量数据集的特征进行预剪枝处理；
[0064]
步骤73，判断构造出的决策树模型是否欠拟合或过拟合，当决策树模型为欠拟合或过拟合时去除决策树模型中的冗余特征，进而确定决策树的最优模型结构；
[0065]
步骤74，决策树模型输出训练结果，训练结果输出为1或
‑
1，其中，训练结果输出为1时代表水质正常，训练结果输出为
‑
1时代表水质异常。
[0066]
本发明的实施例还提供了一种基于图像的池塘和水库的水质检测系统，包括：
[0067]
图像采集和标记模块，用于采集需要检测的池塘和水库图像，将采集的池塘和水库的图像进行标记制作为标签图像集，将标签图像集分为训练数据集和测试数据集；
[0068]
数据预处理模块，通过数据增强技术对标签图像集进行数据预处理；
[0069]
第一图像特征提取模块，将预处理后的标签图像集输入到resnet
‑
101卷积神经网络，通过resnet
‑
101卷积神经网络和联合金字塔上采样策略对预处理后的标签图像集进行图像特征提取，得到第一特征图像集；
[0070]
第二图像特征提取模块，通过嵌套注意力机制网络对第一特征图像集进行图像特征提取，得到第二特征图像集；
[0071]
图像采样模块，通过双线性插值法对第二特征图像集进行图像上采样，得到分割图像数据集；
[0072]
类别计算和特征转换模块，对分割图像数据集中的分割图像的对象类别进行计
算，将分割图像中的特征转换为特征向量并输出，得到特征向量数据集；
[0073]
决策树训练模块，对特征向量数据集的特征采用id3算法构造决策树模型，通过决策树模型对特征向量数据集进行训练，得到训练结果。
[0074]
本发明的上述方案有如下的有益效果：
[0075]
本发明的上述实施例所述的基于图像的池塘和水库的水质检测方法及系统，通过resnet
‑
101卷积神经网络和联合金字塔上采样策略自动学习池塘和水库图像特征，对池塘和水库的图像进行精准的图像分割，避免了人工选取特征的局限性，通过引入注意力机制和特定计算公式对卷积计算进行了特征加强处理，根据预测的对象类别判断水质情况，提高了数据的准确率，使通过resnet
‑
101卷积神经网络加快收敛，提高了分类的有效性，增加了系统的鲁棒性，水质检测方法检测速度快，准确率高，可用性高。
附图说明
[0076]
图1为本发明的流程图；
[0077]
图2为本发明的水质检测流程图；
[0078]
图3为本发明构建的采用联合金字塔上采样策略的resnet
‑
101网络结构示意图；
[0079]
图4为本发明构建的嵌套注意力机制网络结构示意图；
[0080]
图5(a)、(b)和(c)分别为本发明的分割图像结果实例示意图。
具体实施方式
[0081]
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
[0082]
本发明针对现有的水质检测方法和系统费时费力，对许多位置偏僻的水域难以进行水质检测，检测速度慢，准确率低，可用性不强的问题，提供了一种基于图像的池塘和水库的水质检测方法及系统。
[0083]
如图1至图5所示，本发明的实施例提供了一种基于图像的池塘和水库的水质检测方法，包括：步骤1，采集需要检测的池塘和水库图像，将采集的池塘和水库的图像进行标记制作为标签图像集，将标签图像集分为训练数据集和测试数据集；步骤2，通过数据增强技术对标签图像集进行数据预处理；步骤3，将预处理后的标签图像集输入到resnet
‑
101卷积神经网络，通过resnet
‑
101卷积神经网络和联合金字塔上采样策略对预处理后的标签图像集进行图像特征提取，得到第一特征图像集；步骤4，通过嵌套注意力机制网络对第一特征图像集进行图像特征提取，得到第二特征图像集；步骤5，通过双线性插值法对第二特征图像集进行图像上采样，得到分割图像数据集；步骤6，对分割图像数据集中的分割图像的对象类别进行计算，将分割图像中的特征转换为特征向量并输出，得到特征向量数据集；步骤7，对特征向量数据集的特征采用id3算法构造决策树模型，通过决策树模型对特征向量数据集进行训练，得到训练结果。
[0084]
其中，所述步骤1具体包括：步骤11，对需要检测的水库和池塘进行池塘和水库图像采集；步骤12，对采集到的池塘和水库图像进行手动标注，对池塘和水库图像中对象类别的边缘进行多边形的点线标注；步骤13，通过labelme软件对所有池塘和水库图像的进行分割对象类别标记，得到所有图像对应的json格式标签文件；步骤14，对json格式标签文件进
行解析并通过opencv制作标签图像，得到标签图像集；步骤15，生成与原池塘和水库图像相对应的标签灰度图像，标签灰度图像的图像值为0到11，其中0为背景类别，1到11为分割对象类别；步骤16，将标签图像集划分为训练数据集和测试数据集，划分比例为10:1。
[0085]
其中，所述步骤2具体包括：步骤21，对标签数据集中的每一张池塘和水库图像进行随机翻转、随机缩放和随机旋转处理；步骤22，将标签数据集中的池塘和水库图像的尺寸裁剪为480x480；步骤23，采用normalize变换对裁剪后的标签数据集中的池塘和水库图像进行归一化处理，如下所示：
[0086]
image＝(image
‑
mean)/std (1)
[0087]
其中，image表示图像数据，mean表示标准均值，mean的取值为[0.485，0.456，0.406]，std表示标准方差，std的取值为[0.229，0.224，0.225]。
[0088]
本发明的上述实施例所述的基于图像的池塘和水库的水质检测方法及系统，不同大小的输入图像对非对称空间金字塔池化模块的最终结果有不同的影响，一般尺寸越大的图像包含的特征信息越多，但是占用内存高，训练速度慢，考虑gpu硬件的承受能力，可选择适合的输入图像尺寸大小。对池塘和水库图像进行预处理操作，通过数据增加技术增加数据量，对于小数据集有很好的效果，即增加了训练的数据量，提高了非对称空间金字塔池化模块的泛化能力，又增加了噪声数据，提高了非对称空间金字塔池化模块的鲁棒性。
[0089]
其中，所述步骤3具体包括：步骤31，采用在imagenet开源数据集上经过预先训练的resnet
‑
101卷积神经网络和联合金字塔上采样策略对归一化处理后的标签数据集中的池塘和水库图像进行图像特征提取，得到第一特征图像集；
[0090]
通过以下公式对归一化处理后的标签数据集中的池塘和水库图像进行特征处理：
[0091]
y＝f(x,wi)+x (2)
[0092]
其中，x表示输入特征图，wi表示残差结构的权重层，wi由多个卷积层、bn层和relu层组成，函数f表示输入特征图x经过wi权重层的计算结果，y表示残差结构的输出特征图。
[0093]
本发明的上述实施例所述的基于图像的池塘和水库的水质检测方法及系统，resnet
‑
101卷积神经网络采用残差结构，采用联合金字塔上采样策略修改了resnet
‑
101卷积神经网络的最后两层layer结构，将resnet
‑
101卷积神经网络的layer 4、layer 5、layer 6的特征图合并，并输出layer 4、layer 5、layer 6的特征映射；将预处理后的池塘和水库图像作为预先训练的resnet
‑
101卷积神经网络的输入，采用联合金字塔上采样策略来提取高维特征图，其中，所述resnet
‑
101卷积神经网络提取图像特征并以数据形式输出，并通过公式(2)对数据进行特征处理；但仅仅使用上述公式(2)对resnet
‑
101卷积神经网络卷积层的输出数据作特征提取，在使用空洞卷积时会造成内部数据结构的丢失和空间层级信息丢失，同时对于小物体信息无法重构，通过联合金字塔上采样策略可以解决这个问题，并且能有效地减少resnet
‑
101卷积神经网络参数。
[0094]
图3中的联合金字塔上采样策略可以分为(a)、(b)和(c)三个阶段，其中，(a)阶段输入特征图数据，经过卷积计算提取特征，并将其转换为具有缩减尺寸的嵌入空间，有助于融合和降低计算复杂度；(b)阶段对(a)阶段的输入进行上采样和联合，得到联合上采样特征，再利用四个不同的空洞卷积并行地对联合上采样特征提取特征；联合金字塔上采样策略可以在多层特征图上提取多尺度文本信息，与空洞空间金字塔池化(在单层上提取多尺度信息)不同。(c)阶段对提取到的特征进行一次卷积计算，最后得到分割图；联合金字塔上
采样策略解决了两个紧密层之间联合上采样问题，也就是解决了基于conv3上采样conv4，根据采样之后的conv4对conv5进行上采样的问题。
[0095]
其中，所述步骤4具体包括：步骤41，将非对称空间金字塔池化模块作为嵌套注意力机制网络的主干，非对称空间金字塔池化模块通过4个内核大小非对称的卷积核对第一特征图像集进行并行卷积计算，获取4个不同大小尺度的图像特征，将得到的4个不同大小尺度的图像特征进行特征相加操作，得到输出特征图，其中，非对称空间金字塔池化模块为包括3
×
3卷积、3
×
5卷积、5
×
3卷积和5
×
5卷积的一个非对称卷积块，非对称空间金字塔池化模块的输出特征图是输入图像的八分之一；步骤42，将全局通道平均池化注意力模块作为嵌套注意力机制网络的内层注意力分支，全局通道平均池化注意力模块利用注意力机制获取注意力信息；步骤43，将全局通道平均池化注意力模块获取的注意力信息与1
×
1卷积相加，并将全局通道平均池化注意力模块获取的注意力信息与1
×
1卷积相加的结果作为缩放因子应用到非对称空间金字塔池化模块的输出特征图中，得到最终特征图，其中，全局通道平均池化注意力模块使用一个内核尺寸为1
×
1、输出通道为c/8的卷积核和一个全局通道平均池化，全局通道平均池化的输出通道为1，其中c表示通道数；步骤44，将全局像素平均池化模块提取的全局信息融合到最终特征图中，得到第二特征图像集。
[0096]
其中，所述步骤4还包括：1
×
1卷积采用以下公式输出特征图：
[0097][0098]
其中，o
f
表示表示经过1
×
1卷积得到的通道为c/8的输出特征图，符号
·
表示2d卷积计算，m表示输入，m
:,:,k
表示输入的第k个通道，f表示滤波器的3d卷积内核，f
(j)1,1,k
表示f
(j)
的第k个输入通道，即1
×
1的2d卷积内核；
[0099]
全局通道平均池化注意力模块采用以下公式输出特征图：
[0100][0101]
其中，o
p
为具有1通道的全局通道平均池化注意力模块输出特征图，符号
··
表示1
×
1池化计算，即求均值，m
:,:,k
表示输入的第k个通道，p表示全局通道平均池化层，p
1,1,k
表示对应m
:,:,k
的第k个输入通道的池化内核为1
×
1的池化层；
[0102]
最终特征图为o
p
和o
f
的组合，采用以下公式计算1
×
1卷积的输出特征图和全局通道平均池化注意力模块输出特征图之和：
[0103][0104]
其中，o表示具有1
×
1卷积的输出和全局通道平均池输出之和，符号+表示逐个像素添加o
p
和o
f
的每个通道的特征图，表示o
f
的第k个通道，o
p:,:,1
表示o
p
的输入通道。
[0105]
本发明的上述实施例所述的基于图像的池塘和水库的水质检测方法及系统，图4中的非对称空间金字塔池化模块通过4个内核大小非对称的卷积核并行卷积计算，获取不同大小尺度的图像特征，将4个卷积计算的输出做特征相加操作，能将4个不同尺度的特征进行融合，得到的融合特征能更好地表达图像特征；利用注意力机制将全局通道平均池作用在1
×
1卷积上，并将其输出作为缩放因子作用在非对称空间金字塔池化模块上，形成嵌
套注意力机制网络。
[0106]
其中，所述步骤5具体包括：步骤51，采用双线性插值法对第二特征图像集进行图像上采样；步骤52，使用跳跃连接的方式，对第二特征图像集进行两次上采样操作，每一次上采样操作将第二特征图像集中的特征图放大4倍；步骤53，将第二特征图像集中的图像尺寸恢复到预处理后的标签图像集中的图像尺寸大小，得到分割图像数据集。
[0107]
本发明的上述实施例所述的基于图像的池塘和水库的水质检测方法及系统，在使用双线性插值法时，第一次上采样操作将特征图恢复到原始池塘与水库图像的1/4，将恢复后的特征图与resnet
‑
101卷积神经网络中的layer2特征图相加得到第一次解码特征图，layer2特征图即通过卷积计算得到原始池塘与水库图像的1/4大小的特征图；第二次上采样操作直接对第一次上采样的输出特征图进行放大到原始池塘与水库图像大小，得到最终的分割图像。
[0108]
其中，所述步骤6具体包括：步骤61，对分割图像数据集中的所有分割图像的对象类别进行计算，得到分割图像数据集的预测对象类别；步骤62，对分割图像数据集的预测对象类别进行提取，将每一张分割图像的预测对象类别作为一组数据，将每一个预测对象类别的值设置为1或0，其中，1代表分割图像中存在该对象类别，0代表分割图像中不存在该对象类别；步骤63，对分割图像数据集中的所有图像进行计算，将分割图像数据集中的所有分割图像的特征转换为特征向量，得到所有图像的特征向量数据集，其中，特征向量数据集的特征包括背景、天空、池塘、水库、房屋、浮游生物、农田、森林、人、养鱼装置、渔船和菜园。
[0109]
其中，所述步骤7具体包括：步骤71，对特征向量数据集的特征采用id3算法构造决策树模型；步骤72，通过决策树模型对特征向量数据集进行训练；步骤721，计算特征向量数据集中每个对象类别的不同值的信息熵，如下所示：
[0110][0111]
其中，ent(d)表示当前样本集合d的信息熵，d表示当前样本集合，k表示第k类样本，p
k
表示当前样本集合d中第k类样本所占的比例，y表示样本中类别数量；
[0112]
步骤722，根据计算出的特征向量数据集中每个对象类别的不同值的信息熵，对特征向量数据集中每个对象类别的信息增益进行计算，如下所示：
[0113][0114]
其中，d表示当前样本集合，a表示当前属性的取值，v表示当前的分支结点，d
v
表示第v个分支结点包含了d中所有在属性a上取值为a
v
的样本；步骤723，根据计算出的每个对象类别的信息增益的大小对特征向量数据集进行特征选择；步骤724，在下一次对特征向量数据集进行特征选择之前对特征向量数据集的特征进行预剪枝处理；步骤73，判断构造出的决策树模型是否欠拟合或过拟合，当决策树模型为欠拟合或过拟合时去除决策树模型中的冗余特征，进而确定决策树的最优模型结构；
[0115]
步骤74，决策树模型输出训练结果，训练结果输出为1或
‑
1，其中，训练结果输出为1时代表水质正常，训练结果输出为
‑
1时代表水质异常。
[0116]
本发明的实施例还提供了一种基于图像的池塘和水库的水质检测系统，包括：图像采集和标记模块，用于采集需要检测的池塘和水库图像，将采集的池塘和水库的图像进
行标记制作为标签图像集，将标签图像集分为训练数据集和测试数据集；数据预处理模块，通过数据增强技术对标签图像集进行数据预处理；第一图像特征提取模块，将预处理后的标签图像集输入到resnet
‑
101卷积神经网络，通过resnet
‑
101卷积神经网络和联合金字塔上采样策略对预处理后的标签图像集进行图像特征提取，得到第一特征图像集；第二图像特征提取模块，通过嵌套注意力机制网络对第一特征图像集进行图像特征提取，得到第二特征图像集；图像采样模块，通过双线性插值法对第二特征图像集进行图像上采样，得到分割图像数据集；类别计算和特征转换模块，对分割图像数据集中的分割图像的对象类别进行计算，将分割图像中的特征转换为特征向量并输出，得到特征向量数据集；决策树训练模块，对特征向量数据集的特征采用id3算法构造决策树模型，通过决策树模型对特征向量数据集进行训练，得到训练结果。
[0117]
本发明的上述实施例所述的基于图像的池塘和水库的水质检测方法及系统，采用数据增强技术对需要检测的池塘和水库图像进行预处理，将预处理后的标签图像集输入到resnet
‑
101卷积神经网络，通过resnet
‑
101卷积神经网络和联合金字塔上采样策略对预处理后的标签图像集进行图像特征提取，得到第一特征图像集，并通过采用嵌套注意力机制网络对第一特征图像集进行特征提取得到第二特征图像集，采用双线性插值法对第二特征图像集进行图像上采样；将第二特征图像集中的图像恢复到原始池塘和水库图像的大小，得到分割图像数据集，对分割图像数据集中的分割图像的对象类别进行计算，将分割图像中的特征转换为特征向量并输出，得到所有图像的特征向量数据集，对特征向量数据集的特征采用id3算法构造决策树模型，通过决策树模型对特征向量数据集进行训练，得到训练结果，决策树模型训练结果输出1或
‑
1，决策树模型输出为1时代表水质正常，决策树模型输出为
‑
1时代表水质异常。所述基于图像的池塘和水库的水质检测方法及系统通过resnet
‑
101卷积神经网络和联合金字塔上采样策略自动学习池塘和水库图像特征，对池塘和水库的图像进行精准的图像分割，避免了人工选取特征的局限性，通过引入注意力机制和特定计算公式对卷积计算进行了特征加强处理，根据预测的对象类别判断水质情况，提高了数据的准确率，使通过resnet
‑
101卷积神经网络加快收敛，提高了分类的有效性，增加了系统的鲁棒性，水质检测方法检测速度快，准确率高，可用性高。
[0118]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。