一种基于图像识别的水域污染识别治理方法和系统与流程

本发明涉及图像处理领域，尤其是一种基于图像识别的水域污染识别治理方法和系统。

背景技术：

水是地球上所有生命赖以生存的基础，是生命的起源。随着我国城市经济的迅速发展和工业化进程的不断推进，城市的水污染问题也变得日益加重，它不仅影响了城市的发展，更严重的威胁了人们的身体健康。鉴于此，如何保护水资源、防治水污染已成为城市可持续发展所必须解决的问题。

水体污染造成的后果是非常严重的。因此，对水污染的治理就显得十分重要，而市民的反馈是水质的治理环节中非常重要的一个环节。市民的反馈能够使治理单位在水体污染扩大之前及时处理解决。现在许多城市建立了基于app或者微信端的在线水务投诉系统提供给热心市民方便快捷的反馈渠道，市民可以其上反馈信息，上传污染区域的照片，大大地提高了城市治理水污染的速度,并采用人工对图片进行分类，标注出污染类型，例如工业废水排放、垃圾堆积、河流沉淀物等，然而人工分类过程仍然需要大量人力投入，效率较低。

技术实现要素：

为了解决上述技术问题，本发明的目的是：提供一种应用于城市环境复杂场景的基于图像识别的水域污染识别治理方法。

为了解决上述技术问题，本发明的另一目的是：提供一种应用于城市环境复杂场景的基于图像识别的水域污染识别治理方法。

本发明所采用的技术方案是：一种基于图像识别的水域污染识别治理方法，包括有以下步骤：

获取待检测识别的水域所在环境的图像；

采用语义分割方法对图像进行区域检测；

根据语义分割方法得到的信息对图像中的水域部分进行单独提取；

对单独提取的水域部分的图像采用部分卷积方法构造分类网络，对水域进行水质分类；

采用神经网络对图像进行目标检测；

根据上述水质分类结果、目标检测结果和预设的污染治理分类数据，采用专家系统得到污染治理分类。

进一步，所述语义分割方法采用全卷积网络实现。

进一步，所述对单独提取的水域部分的图像采用部分卷积方法构造分类网络，对水域进行水质分类这一步骤中，所述分类网络为深度残差分类网络。

进一步，所述对水质分类的过程中采用的特征包括有水体颜色和水体清晰度。

进一步，所述采用神经网络对图像进行目标检测这一步骤中，所述神经网络为yolo目标检测深度网络。

本发明所采用的另一技术方案是：一种基于图像识别的水域污染识别治理系统，包括有

图像采集模块，用于获取待检测识别的水域所在环境的图像；

语义分割模块，用于采用语义分割方法对图像进行区域检测；

水域提取模块，用于根据语义分割方法得到的信息对图像中的水域部分进行单独提取；

水质分类模块，用于对单独提取的水域部分的图像采用部分卷积方法构造分类网络，对水域进行水质分类；

目标检测模块，用于采用神经网络对图像进行目标检测；

专家系统，用于根据上述水质分类结果、目标检测结果和预设的污染治理分类数据，采用专家系统得到污染治理分类。

进一步，所述语义分割模块采用全卷积网络实现。

进一步，所述水质分类模块中构造的分类网络为深度残差分类网络。

进一步，所述水质分类模块对水质分类采用的特征包括有水体颜色和水体清晰度。

进一步，所述目标检测模块采用yolo目标检测深度网络实现。

本发明的有益效果是：通过语义分割提取水域进行水质分类，并结合神经网络进行目标检测，根据上述水质分类结果、目标检测结果和预设的污染治理分类数据，采用专家系统得到污染治理分类，在分类过程中获取了更多的场景信息，从而优化了以往图像分类对于复杂场景识别准确度不高的问题。

附图说明

图1为本发明方法的步骤流程图。

具体实施方式

本发明方法采用的方案本质上属于图像分类问题，通常可采用深度神经网络进行建模，在神经网络的最后一层使用softmax层进行分类，然而水域污染的场景复杂多样，分类的定义也较为模糊，直接应用常规方法难以实现高准确度的识别结果。因此本发明中采用语义分割、目标检测与图片分类相结合来实现更高的识别准确度。

下面结合附图对本发明的具体实施方式作进一步说明：

参照图1，一种基于图像识别的水域污染识别治理方法，包括有以下步骤：

获取待检测识别的水域所在环境的图像；

采用语义分割方法对图像进行区域检测；

根据语义分割方法得到的信息对图像中的水域部分进行单独提取；

对单独提取的水域部分的图像采用部分卷积方法构造分类网络，对水域进行水质分类；

采用神经网络对图像进行目标检测；

根据上述水质分类结果、目标检测结果和预设的污染治理分类数据，采用专家系统得到污染治理分类。

进一步作为优选的实施方式，所述语义分割方法采用全卷积网络(fcn，fullyconvolutionalnetworks)实现，可对水域、植物、马路等进行区域的检测。

进一步作为优选的实施方式，所述对单独提取的水域部分的图像采用部分卷积(partialconvolutionallayer)方法构造分类网络，对水域进行水质分类这一步骤中，所述分类网络为深度残差分类网络。

进一步作为优选的实施方式，所述对水质分类的过程中采用的特征包括有水体颜色和水体清晰度。

例如在上一步骤中得到语义分割后的信息，通过对某张包含河水的图像单独提取其水域部分，对河水以外的像素进行掩盖处理，然后采用部分卷积(partialconvolutionallayer)方法构造分类网络，根据水体颜色的深浅、水体清晰度进行分类，若颜色为深黑、水体浑浊，则可分类为重度污染，具体的污染程度表征值可根据具体情况进行设定。

进一步作为优选的实施方式，所述采用神经网络对图像进行目标检测这一步骤中，所述神经网络为yolo(youonlylookonce)目标检测深度网络，检测目标包括垃圾堆、独栋建筑、排污口、鸡、猪、塑料袋等等。相比于faster-rcnn等其他目标检测方法，yolo目标检测深度网络具有同样的识别效果并且识别速度更快。

最后根据上述水质分类结果、目标检测结果和预设的污染治理分类数据，采用专家系统得到污染治理分类。例如yolo(youonlylookonce)目标检测深度网络检测到目标为垃圾堆时，可判断污染治理分类为“垃圾堆积”，即需要对堆积垃圾进行污染治理；若目标检测发现存在排污口，并且水质分类判断河水黑臭分类类型，则可判断污染治理分类为“工业废水排放”；若语义分割得到的信息包括大量植物区域，并且目标检测发现种植棚，则可判断污染治理分类为“违法围垦”。

对应上述的一种基于图像识别的水域污染识别治理方法，本发明还提供一种基于图像识别的水域污染识别治理系统，包括有

图像采集模块，用于获取待检测识别的水域所在环境的图像；

语义分割模块，用于采用语义分割方法对图像进行区域检测；

水域提取模块，用于根据语义分割方法得到的信息对图像中的水域部分进行单独提取；

水质分类模块，用于对单独提取的水域部分的图像采用部分卷积方法构造分类网络，对水域进行水质分类；

目标检测模块，用于采用神经网络对图像进行目标检测；

专家系统，用于根据上述水质分类结果、目标检测结果和预设的污染治理分类数据，采用专家系统得到污染治理分类。

进一步作为优选的实施方式，所述语义分割模块采用全卷积网络实现。

进一步作为优选的实施方式，所述水质分类模块中构造的分类网络为深度残差分类网络。

进一步作为优选的实施方式，所述水质分类模块对水质分类采用的特征包括有水体颜色和水体清晰度。

进一步作为优选的实施方式，所述目标检测模块采用yolo目标检测深度网络实现。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可以作出种种的等同变换或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。