涉水检测方法、装置、服务器及计算机可读存储介质与流程

本发明涉及图像处理技术领域，具体而言，涉及一种涉水检测方法、装置、服务器及计算机可读存储介质。

背景技术：

在安全监管领域中，行人涉水是公共安全领域中需要关注的一个焦点。随着环境状况的改善，越来越多的人喜欢到河流、水库和湖泊等水域地区嬉水玩耍。人员在水域玩耍的同时，也伴随着游玩的风险。比如，游玩的人员因意外而溺水。目前，水域的安全监管通常由人工巡逻值守，而巡逻人员的精力有限，无法时刻对需要监管的水域进行监管，使得监管的效率低。

技术实现要素：

本申请提供一种涉水检测方法、装置、服务器及计算机可读存储介质，能够改善对水域监管的效率低的问题。

为了实现上述目的，本申请实施例所提供的技术方案如下所示：

第一方面，本申请实施例提供一种涉水检测方法，所述方法包括：

获取待处理图像，所述待处理图像为采集包括水域的场景得到的图像；从所述待处理图像中确定水域所在区域的图像以作为目标图像；通过完成训练后的深度学习模型检测所述目标图像，得到表示所述水域是否存在涉水事件的检测结果。

在上述实施方式中，方法可以通过服务器自动对水域是否存在涉水事件进行检测，有利于时刻对水域是否存在涉水事件进行检测，提高对水域监管的效率，另外，无需人工巡逻的方式对水域进行检测，从而有利于减少水域检测所需的人力资源。

结合第一方面，在一些可选的实施方式中，通过完成训练后的深度学习模型检测所述目标图像，得到表示所述水域是否存在涉水事件的检测结果，包括：

通过所述深度学习模型确定所述目标图像中是否存在目标对象；当所述目标图像中存在所述目标对象时，确定所述水域存在所述涉水事件；当所述目标图像中不存在所述目标对象时，确定所述水域不存在所述涉水事件。

在上述实施方式中，因为目标图像为水域的场景图像，所以通过检测目标图像中是否存在目标对象，即可判断水域中是否存在涉水事件。基于此，有利于准确地对涉水事件进行检测。

结合第一方面，在一些可选的实施方式中，通过所述深度学习模型确定所述目标图像中是否存在目标对象，包括：

通过所述深度学习模型提取所述目标图像中的对象的第一图像特征；将所述第一图像特征与预存的第二图像特征进行匹配，所述第二图像特征为利用所述深度学习模型从包含指定对象的训练图像集中提取所述指定对象的图像特征；当所述第一图像特征与所述第二图像特征匹配，确定所述目标图像中存在所述目标对象。

在上述实施方式中，由于第二图像特征为指定对象的特征，指定对象可理解为指定的需要进行识别的目标对象，因此，通过将第一图像特征与第二图像特征进行匹配便可以用于判断目标图像中是否存在目标对象。

结合第一方面，在一些可选的实施方式中，所述指定对象包括涉水人员。

在上述实施方式中，在指定对象为涉水人员时，方法便可以对水域中是否存在人物涉水进行检测，从而有利于对人物涉水进行安全监管。

结合第一方面，在一些可选的实施方式中，从所述待处理图像中确定水域所在区域的图像以作为目标图像，包括：

通过所述深度学习模型识别所述待处理图像中的水域；将所述待处理图像中的所述水域所在的区域的图像确定为所述目标图像。

在上述实施方式中，通过深度学习模型进行图像的分割，有利于快速准确地从待处理图像中分割出目标图像。

结合第一方面，在一些可选的实施方式中，在通过完成训练后的深度学习模型检测所述目标图像之前，所述方法还包括：

获取包括指定对象的训练图像集，所述训练图像集包括多个训练图像，每个所述训练图像包括指定对象及与所述指定对象对应的标签；根据所述训练图像集、预设深度学习算法，训练预设深度学习模型，得到完成训练后的所述深度学习模型。

在上述实施方式中，通过利用训练图像集来训练预设深度学习模型，有助于提高深度学习模型对目标对象检测的准确度。

结合第一方面，在一些可选的实施方式中，所述方法还包括：

当所述检测结果表示所述水域存在涉水事件时，向指定的用户终端发送提示信息。

在上述实施方式中，通过用户终端发出的提示信息，有利于管理人员及时发现水域存在涉水事件，方便管理人员对水域进行安全监管。

第二方面，本申请实施例还提供一种涉水检测装置，所述装置包括：

图像获取单元，用于获取待处理图像，所述待处理图像为采集包括水域的场景得到的图像；

图像分割单元，用于从所述待处理图像中确定水域所在区域的图像以作为目标图像；

检测单元，用于通过完成训练后的深度学习模型检测所述目标图像，得到表示所述水域是否存在涉水事件的检测结果。

第三方面，本申请实施例还提供一种服务器，包括相互耦合的存储器、处理器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述服务器执行上述的方法。

第四方面，本申请实施例还提供一种计算机可读存储介质，所述可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的监控设备、用户终端、服务器的通信连接示意图。

图2为本申请实施例提供的服务器的方框示意图。

图3为本申请实施例提供的涉水检测方法的流程示意图。

图4a为本申请实施例提供的待处理图像的示意图。

图4b为图4a所示的待处理图像分割为目标图像的示意图

图5为本申请实施例提供的涉水检测装置的功能框图。

图标：10-服务器；11-处理模块；12-存储模块；13-通信模块；20-监控设备；30-用户终端；100-涉水检测装置；110-图像获取单元；120-图像分割单元；130-检测单元。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。需要说明的是，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参照图1，本实施例提供一种服务器10，该服务器10可以与监控设备20、用户终端30通过网络建立通信连接，以进行数据交互。监控设备20与用户终端30可以通过网络建立通信连接以进行数据交互。与服务器10通信连接的监控设备20的数量可以为一个，也可以为多个。与服务器10通信连接的用户终端30的数量可以为一个，也可以为多个。

可理解地，上述网络可以是，但不限于，有线网络或无线网络。与服务器10通信连接的监控设备20及用户终端30的数量均可以根据实际情况进行设置，这里不作具体限定。

服务器10可以用于执行或实现下述的涉水检测方法。例如，服务器10可以用于对监控设备20采集的图像进行涉水检测，通过检测该图像以判断图像对应的实际场景是否存在涉水事件。涉水事件可理解为图像对应的实际场景中的水域中有人或其他对象进入水域中，其他对象包括但不限于动物及垃圾等。动物包括但不限于狗、猫、鸭等，垃圾包括但不限于塑料泡沫、橡胶等。服务器10可以是但不限于集群服务器10、分布式服务器10、云服务器10等，这里不作具体限定。

监控设备20包括至少一个用于采集图像的摄像头，当然，监控设备20还可以包括用于将采集的图像发送至用户终端30或服务器10的通信模块。其中，摄像头用于对水域环境进行监控。可理解地，摄像头采集的图像所包括的场景存在水域。

例如，在布设摄像头时，可以在需要进行监管的水域的边缘间隔地布设多个摄像头。比如，监控涉水事件的对象为人，可理解地，若人员要涉水，通常是从水域的边缘进入水域中。因此，每个摄像头采集的监控画面(图像)可以为水域的边缘(比如为湖边、河边、水库边缘等)，摄像头可以无需采集水域其他区域的图像，以减少采集环境的图像的数量，从而降低对图像处理的运算量。

监控设备20所包括的摄像头的数量可以根据实际情况进行设置，可以为一个或多个，这里不作具体限定。

用户终端30可以用于显示监控设备20采集的图像，以供管理人员查看。另外，用户终端30还可以用于接收服务器10发送的提示信息，该提示信息可以为服务器10在检测监控设备20采集的图像后，确定出该图像对应的实际场景存在涉水事件时发出的提示信息。

用户终端30可以是，但不限于，智能手机、个人电脑(personalcomputer，pc)、平板电脑、个人数字助理(personaldigitalassistant，pda)、移动上网设备(mobileinternetdevice，mid)等。可理解地，当监控设备20具有信息提示的功能或者用户终端30具有图像采集的功能时，监控设备20与用户终端30可以为同一个设备，也可以分别为两个独立的设备。

请参照图2，在本实施例中，服务器10可以包括处理模块11及存储模块12。当然，服务器10还可以包括通信模块13以及涉水检测装置100，处理模块11、通信模块13、存储模块12以及涉水检测装置100各个元件之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。

处理模块11可以是一种集成电路芯片，具有信号的处理能力。上述处理模块11可以是通用处理器。例如，该处理器可以是中央处理器(centralprocessingunit，cpu)、图形处理器(graphicsprocessingunit，gpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。

存储模块12可以是，但不限于，随机存取存储器，只读存储器，可编程只读存储器，可擦除可编程只读存储器，电可擦除可编程只读存储器等。在本实施例中，存储模块12可以用于存储深度学习模型、待处理图像等。当然，存储模块12还可以用于存储程序，处理模块11在接收到执行指令后，执行该程序。

通信模块13用于通过网络建立服务器10与监控设备20、用户终端30的通信连接，并通过网络收发数据。

涉水检测装置100包括至少一个可以软件或固件(firmware)的形式存储于存储模块12中或固化在服务器10操作系统(operatingsystem，os)中的软件功能模块。处理模块11用于执行存储模块12中存储的可执行模块，例如涉水检测装置100所包括的软件功能模块及计算机程序等。

可以理解的是，图2所示的结构仅为服务器10的一种结构示意图，服务器10还可以包括比图2所示更多的组件。图2中所示的各组件可以采用硬件、软件或其组合实现。

请参照图3，本申请实施例还提供一种涉水检测方法，方法可以应用于上述的服务器10中，由服务器10执行或实现涉水检测方法的各步骤。

在本实施例中，涉水检测方法可以包括以下步骤：

步骤s210，获取待处理图像，所述待处理图像为采集包括水域的场景得到的图像；

步骤s220，从所述待处理图像中确定水域所在区域的图像以作为目标图像；

步骤s230，通过完成训练后的深度学习模型检测所述目标图像，得到表示所述水域是否存在涉水事件的检测结果。

在上述实施方式中，方法通过从待处理图像中分割出水域所在区域的图像以作为目标图像，然后对目标图像检测是否存在涉水事件。方法通过服务器10自动对水域是否存在涉水事件进行检测，有利于时刻对水域是否存在涉水事件进行检测，提高对水域监管的效率，减少人力资源。

另外，因为待测图像中通常包括水域场景及非水域场景，通过对分割出的水域所对应的图像区域进行检测处理，而无需对非水域所对应的图像区域进行检测处理，可以减少对图像的识别面积，降低图像处理的运算量。再者，方法还可以避免非水域图像中的景物干扰对涉水事件的检测，有助于提高涉水检测的准确性。

下面将对图3中所示的涉水检测方法的各步骤进行详细阐述：

步骤s210，获取待处理图像，所述待处理图像为采集包括水域的场景得到的图像。

在本实施例中，服务器10可以直接或间接地从监控设备20获取到待处理图像。例如，监控设备20可以将采集水域场景的图像直接发送给服务器10，也可以是监控设备20将采集水域场景的图像发送至用户终端30，然后由用户终端30将该图像发送至服务器10，以使服务器10获取到待处理图像。

步骤s220，从所述待处理图像中确定水域所在区域的图像以作为目标图像。

在本实施例中，方法可以从待处理图像中分割出水域所在区域的图像，并将水域所在区域的图像作为目标图像。

例如，服务器10可以从待处理图像中分割出待处理图像中的水域所在区域的图像，并将分割出的水域所在区域的图像作为目标图像，以便于后续对目标图像进行检测。

请结合参照图4a和图4b，其中，图4a可以理解为服务器10获取的待处理图像，待处理图像中包括水域所在区域及非水域所在区域。图4b可理解为图4a中的待处理图像经过图像分割后所留下的目标图像。该目标图像即为待处理图像中水域所在区域的图像。

可理解地，从待处理图像中分割目标图像后，服务器10需要检测的图像的面积减少，从而有利于降低服务器10对图像进行检测处理的计算量，提升对图像检测的效率。另外，从待处理图像中移除非水域区域的图像后，可以避免非水域区域中的景物干扰服务器10检测水域中是否存在涉水事件的检测结果，从而有利于提高对涉水事件检测的准确度。

在本实施例中，步骤s220可以包括：通过所述深度学习模型识别所述待处理图像中的水域；将所述待处理图像中的所述水域所在的区域的图像确定为所述目标图像。

在本实施例中，服务器10可以通过完成训练后的深度学习模型来对待处理图像进行分割，以得到目标图像。其中，在步骤s220之前，方法可以包括对预设深度学习模型进行训练，以得到完成训练后的深度学习模型。

对预设深度学习模型进行训练的原理可以为：首先，准备标注好水域分割的训练图像集。训练图像集中包括多张训练图像。每个训练图像包括水域、非水域及水域与非水域的分割线。其中，水域与非水域标注有不同的类别信息以进行区分。然后，利用预设深度学习模型，训练标注好的训练图像。比如，预设深度学习模型可以包括deeplab网络，利用deeplab网络对待处理图像进行语义分割，比较输入图像(待处理图像)和输出矩阵，得到两者之间的差别；deeplab网络可以根据两者之间的差别不断调整，直到输出的图像越来越接近的实际结果，从而完成对模型的训练。

在完成对模型的训练后，对完成训练的深度学习模型输入待处理图像，便可以自动对待处理图像中的水域和非水域进行分割，从而输出水域所在的区域的图像以作为目标图像。

在上述实施方式中，通过深度学习模型进行图像的分割，有助于快速准确地从待处理图像中分割出目标图像，从而有利于提高对图像进行检测的效率。

作为一种可选的实施方式，步骤s220中，可以由人工方式从待处理图像中分割出目标图像。

步骤s230，通过完成训练后的深度学习模型检测所述目标图像，得到表示所述水域是否存在涉水事件的检测结果。

在本实施例中，用于分割待处理图像的深度学习模型(为便于区分描述，这里可以称为第一深度学习模型)与对目标图像进行检测的深度学习模型(为便于区分描述，这里可以称为第二深度学习模型)，即，第一深度学习模型与第二深度学习模型，可以为同一个深度学习模型，也可以为两个相互独立的深度学习模型。

可理解地，若第一深度学习模型与第二深度学习模型为同一个深度学习模型，该深度学习模型可以用于对待处理图像进行分割处理，以得到目标图像；另外，该深度学习模型还可以用于对目标图像进行检测。在进行模型训练时，需要训练对待处理图像的分割处理，还需要训练对目标图像的检测处理。

若第一深度学习模型与第二深度学习模型不是同一个深度学习模型，在使用模型时，第一深度学习模型用于分割待处理图像，第二深度学习模型用于检测目标图像。在模型训练时，也可以是分别进行训练。

其中，得到的检测结果可以为表示水域存在涉水事件的第一结果，或者为表示水域不存在涉水事件的第二结果。

在本实施例中，步骤s230可以包括：通过所述深度学习模型确定所述目标图像中是否存在目标对象；当所述目标图像中存在所述目标对象时，确定所述水域存在所述涉水事件；当所述目标图像中不存在所述目标对象时，确定所述水域不存在所述涉水事件。

在本实施例中，目标对象可以为人、其他动物、垃圾等。例如，目标对象为人，深度学习模型可以在目标图像中检测是否存在人像，当检测出目标图像中存在人像时，可理解为水域中出现了人，即，确定水域中存在涉水事件。若检测出水域中没有人像，可理解为水域中没有人员出现，即，确定水域中不存在涉水事件。当然，目标对象还可以是狗、鸭等动物以及上述的垃圾等，这里对目标对象的具体类型不作限定。

在上述实施方式中，因为目标图像为水域的场景图像，所以通过检测目标图像中是否存在目标对象，即可判断水域中是否存在涉水事件。基于此，有利于准确地对涉水事件进行检测，从而提高涉水检测的可靠性。

作为一种可选的实施方式，通过所述深度学习模型确定所述目标图像中是否存在目标对象，包括：通过所述深度学习模型提取所述目标图像中的对象的第一图像特征；将所述第一图像特征与预存的第二图像特征进行匹配，所述第二图像特征为利用所述深度学习模型从包含指定对象的训练图像集中提取所述指定对象的图像特征；当所述第一图像特征与所述第二图像特征匹配，确定所述目标图像中存在所述目标对象。其中，指定对象可理解为预先设定的需要识别的目标对象。

在本实施例中，深度学习模型可以通过深度学习算法对目标图像进行特征提取，以得到目标图像中的对象的第一图像特征。例如，深度学习模型可以包括单点多盒探测器(singleshotmultiboxdetector，ssd)。利用ssd便可以提取出目标图像中的对象的第一图像特征。其中，第一图像特征包括但不限于对象的轮廓形状、对象的标签类型等。另外，利用ssd可以快速准确地提取出目标图像中的对象的图像特征，从而有助于提高对涉水事件检测的效率和准确度。

例如，深度学习模型可以识别出目标图像中的对象的第一标签(第一图像特征)，然后将第一标签与指定对象的第二标签(第二图像特征)进行比对。若第一标签与第二标签相同，则认为目标图像中存在目标对象。若第一标签与第二标签不相同，则认为目标图像中不存在目标对象。

或者，深度学习模型可以识别出目标图像中对象的第一轮廓形状，然后将第一轮廓形状与指定对象的第二轮廓形状进行比对，若两者的相似度大于或等于预设阈值，则认为目标图像中存在目标对象。若两者的相似度小于预设阈值，则认为目标图像中不存在目标对象。其中，预设阈值可以根据实际情况进行设置，比如预设阈值可以为95％、90％等。

当然上述的图像特征(可以指第一图像特征或第二图像特征)还可以是其他特征，比如，为方向梯度直方图(histogramoforientedgradient,hog)特征，这里对图像特征的类型不作具体限定。

在上述实施方式中，由于第二图像特征为指定对象的特征，指定对象可理解为指定的需要进行识别的目标对象，因此，通过将第一图像特征与第二图像特征进行匹配便可以用于判断目标图像中是否存在目标对象。

作为一种可选的实施方式，指定对象包括涉水人员。当然，指定对象还可以为上述的动物、垃圾等。

可理解地，在指定对象为人物时，与指定对象匹配的目标对象也为人物。此时，服务器10可以对水域中是否存在人物涉水进行检测，从而有利于对人物涉水进行安全监管。若指定对象为动物或垃圾时，与指定对象匹配的目标对象便为相应的动物或垃圾，服务器10可以对进入水域中的动物、垃圾进行识别，并发出提示。

在步骤s230之前，方法还可以包括：

获取包括指定对象的训练图像集，所述训练图像集包括多个训练图像，每个所述训练图像包括指定对象及与所述指定对象对应的标签；根据所述训练图像集、预设深度学习算法，训练预设深度学习模型，得到完成训练后的所述深度学习模型。其中，预设深度学习算法包括但不限于r-cnn(region-convolutionalneuralnetworks，区域卷积神经网络)算法、fasterr-cnn(加速区域卷积神经网络)算法、ssd算法等。

在本实施例中，在使用深度学习模型来对目标对象进行检测之前(即在步骤s230之前)，需要确保所使用的深度学习模型为完成训练的模型。若该模型没有完成模型的训练，则可以无需在对模型进行训练。当然，对于训练完的模型也可以继续训练，以提高深度学习模型对涉水事件检测的准确度。若该模型没有完成模型的训练，便需要对深度学习模型进行训练。

其中，对深度学习模型训练检测目标对象的原理可以为：首先，准备训练图像集，该训练图像集中的每个训练图像包括指定对象及与指定对象对应的标签。然后将训练图像集输入需要进行训练的深度学习模型中，深度学习模型可以输出训练图像中存在的对象的标签，然后将输出的标签与该对象对应的实际标签进行比较，并根据差异调整输出结果，直至输出的标签与实际的标签越来越接近，便认为完成对深度学习模型的训练。可理解地，训练深度学习模型检测目标对象，与训练深度学习模型分割待处理图像的原理相类似。

在本实施例中，若指定图像为人时，每个训练图像中包含人像以及用于表示人像的标签。其中，人像可以为人的全身像，或部分身体图像(比如为头像、上半身图像、下半身图像等)。用户可以根据事件满足涉水事件的条件来对人像进行训练，以提高对涉水事件检测的准确度。

其中，认定事件是否满足涉水事件条件的方式可以包括：比如，当人的身体部位在水中(可以为人的足部、腿部等部位)时，便认为该人的行为为涉水事件，也就是水域存在涉水事件。人若在水域中乘船，可以根据实际情况认为该人的行为是否为涉水事件。比如，若水域内禁止船舶驶入，且人在水域中乘船，便认水域存在为涉水事件；若水域内允许船舶驶入，且人在水域中乘船，则可以确定该人的行为并为涉水，此时可以认为水域中不存在涉水事件。

若事件满足涉水事件条件为：人的足部浸泡在水域中时，便认为该人的行为为涉水事件。在模型训练时，训练图像中便包括人的足部浸泡在水域的场景图像，基于该训练图像进行训练，在完成训练后，深度学习模型便可以准确地对水域是否存在涉水事件进行检测。

作为一种可选的实施方式，在步骤s230之后，方法还可以包括：当所述检测结果表示所述水域存在涉水事件时，向指定的用户终端30发送提示信息。

在本实施例中，服务器10可以与指定的用户终端30建立通信连接。当检测出水域存在涉水事件时，服务器10便向用户终端30发送提示信息，用户终端30在接收到提醒信息后便发出提示。提示的方式包括但不限于网络电话提示、振动提示、灯光提示等，这里对提示方式不作具体限定。

可理解地，用户终端30发出的提示信息，有利于管理人员及时发现水域存在涉水事件，方便管理人员对水域进行安全监管。管理人员无需时刻查看监控画面，从而减轻管理人员的工作量。

请参照图5，本申请实施例还提供一种涉水检测装置100，可以应用于上述的服务器10中。该涉水检测装置100可以用于执行或实现上述的涉水检测方法的各步骤。其中，涉水检测装置100可以包括图像获取单元110、图像分割单元120及检测单元130。

图像获取单元110，用于获取待处理图像，所述待处理图像为采集包括水域的场景得到的图像。

图像分割单元120，用于从所述待处理图像中确定水域所在区域的图像以作为目标图像。

检测单元130，用于通过完成训练后的深度学习模型检测所述目标图像，得到表示所述水域是否存在涉水事件的检测结果。

可选地，检测单元130还可以用于：通过所述深度学习模型确定所述目标图像中是否存在目标对象；当所述目标图像中存在所述目标对象时，确定所述水域存在所述涉水事件；当所述目标图像中不存在所述目标对象时，确定所述水域不存在所述涉水事件。

可选地，检测单元130还可以用于：通过所述深度学习模型提取所述目标图像中的对象的第一图像特征；将所述第一图像特征与预存的第二图像特征进行匹配，所述第二图像特征为利用所述深度学习模型从包含指定对象的训练图像集中提取所述指定对象的图像特征；当所述第一图像特征与所述第二图像特征匹配，确定所述目标图像中存在所述目标对象。其中，指定对象可以包括人物。

可选地，图像分割单元120还可以用于：通过所述深度学习模型识别所述待处理图像中的水域；将所述待处理图像中的所述水域所在的区域的图像确定为所述目标图像。

可选地，涉水检测装置100还可以包括模型训练单元。在检测单元130通过完成训练后的深度学习模型检测所述目标图像之前，图像获取单元110还可以用于：获取包括指定对象的训练图像集，所述训练图像集包括多个训练图像，每个所述训练图像包括指定对象及与所述指定对象对应的标签。模型训练单元用于：根据所述训练图像集、预设深度学习算法，训练预设深度学习模型，得到完成训练后的所述深度学习模型。

可选地，涉水检测装置100还可以包括提示单元。提示单元用于：当所述检测结果表示所述水域存在涉水事件时，向指定的用户终端30发送提示信息。

需要说明的是，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的涉水检测装置100的具体工作过程，可以参考前述方法中的各步骤对应过程，在此不再过多赘述。

本申请实施例还提供一种计算机可读存储介质。可读存储介质中存储有计算机程序，当计算机程序在计算机上运行时，使得计算机执行如上述实施例中所述的涉水检测方法。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现，基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。

综上所述，本申请提供一种涉水检测方法、装置、服务器及计算机可读存储介质。该方法包括：获取待处理图像，待处理图像为采集包括水域的场景得到的图像；从待处理图像中确定水域所在区域的图像以作为目标图像；通过完成训练后的深度学习模型检测目标图像，得到表示水域是否存在涉水事件的检测结果。在本方案中，方法可以通过服务器自动对水域是否存在涉水事件进行检测，有利于时刻对水域是否存在涉水事件进行检测，提高对水域监管的效率，另外，无需人工巡逻的方式检测水域的情况，从而有利于减少水域检测所需的人力资源。

在本申请所提供的实施例中，应该理解到，所揭露的装置、系统和方法，也可以通过其它的方式实现。以上所描述的装置、系统和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实施方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。