一种扬尘降低方法、装置、电子设备及存储介质与流程

1.本技术涉及深度学习、图像检测和扬尘降低的技术领域，具体而言，涉及一种扬尘降低方法、装置、电子设备及存储介质。


背景技术：

2.目前，在建筑工地、煤场、采石场、混凝土搅拌站、垃圾填埋场等等容易产生扬尘的环境中，通常是通过人工地方式来对扬尘浓度进行降低的，具体例如：在建筑工地的围挡上安装喷淋系统，喷淋系统包括很多不同位置安装的喷淋设备，在需要降低扬尘浓度时，建筑工地的施工人员将喷淋系统中的多个喷淋设备手动打开，以使喷淋设备将纯净水以水雾的方式喷洒到扬尘环境中。然而，在具体的实施过程中发现，由于不同位置安装的喷淋设备一旦打开，可能存在喷淋设备向没有扬尘的区域喷洒水雾，或者施工人员忘记关闭喷淋设备等等情况导致水资源浪费，且需要施工人员在现场手动参与降尘过程，因此，目前通过人工地方式来对扬尘浓度进行降低的效率较低。


技术实现要素：

3.本技术实施例的目的在于提供一种扬尘降低方法、装置、电子设备及存储介质，用于改善对扬尘浓度进行降低的效率较低的问题。
4.本技术实施例提供了一种扬尘降低方法，包括：使用训练后的神经网络模型对待检测图像进行扬尘检测，获得多个连续坐标点和多个连续坐标点对应围成区域的扬尘浓度类别，多个连续坐标点对应围成区域是识别出的扬尘在空间中的位置范围；根据扬尘浓度类别对多个连续坐标点对应围成区域进行降低扬尘处理。在上述方案的实现过程中，通过使用训练后的神经网络模型对待检测图像进行扬尘检测，获得多个连续坐标点和多个连续坐标点对应围成区域的扬尘浓度类别，并对多个连续坐标点对应围成区域的进行降低扬尘处理，有效地避免了喷淋设备向没有扬尘的区域喷洒水雾，或者施工人员忘记关闭喷淋设备等等情况，且不需要施工人员在现场手动参与降尘过程，从而提高了对扬尘浓度进行降低的效率。
5.可选地，在本技术实施例中，神经网络模型包括：特征提取网络和卷积神经网络；使用训练后的神经网络模型对待检测图像进行扬尘检测，包括：使用特征提取网络对待检测图像进行特征提取，获得图像特征；使用卷积神经网络对图像特征进行扬尘检测。在上述方案的实现过程中，通过使用特征提取网络对待检测图像进行特征提取，获得图像特征，并使用卷积神经网络对图像特征进行扬尘检测，从而避免了采用全连接层的标准输出扬尘所在的位置范围时需要穷举每个候选框的问题，从而节约更多的计算资源，提高了扬尘检测的速度。
6.可选地，在本技术实施例中，使用卷积神经网络对图像特征进行扬尘检测，包括：使用卷积神经网络对图像特征进行卷积计算，获得多个特征向量；将多个特征向量中预设位置的特征向量确定为扬尘浓度类别，并将多个特征向量中除预设位置之外的特征向量确
定为多个连续坐标点。在上述方案的实现过程中，通过使用卷积神经网络对图像特征进行卷积计算，获得多个特征向量，并将多个特征向量中预设位置的特征向量确定为扬尘浓度类别，从而避免了采用全连接层的标准输出扬尘所在的位置范围时需要穷举每个候选框的问题，从而节约更多的计算资源，提高了扬尘检测的速度。
7.可选地，在本技术实施例中，根据扬尘浓度类别对多个连续坐标点对应围成区域进行降低扬尘处理，包括：判断扬尘浓度类别是否是预设类别；若是，则向喷淋设备发送控制信号，以使喷淋设备向多个连续坐标点对应围成区域喷洒液体。在上述方案的实现过程中，通过在检测出扬尘浓度类别是预设类别(例如高浓度类别)，就向喷淋设备发送控制信号，以使喷淋设备向多个连续坐标点对应围成区域喷洒液体，从而级联(又称串联)的方式提高了对扬尘浓度进行降低的效率，此处的级联是指在进行喷淋设备进行降尘处理的同时，也在同时进行扬尘检测过程。
8.可选地，在本技术实施例中，在向喷淋设备发送控制信号之后，还包括：判断扬尘浓度类别是预设类别的持续时长是否大于预设时长；若是，则输出喷淋设备的检修信息。在上述方案的实现过程中，通过在扬尘浓度类别是预设类别(例如高浓度类别)的持续时长是否大于预设时长，就输出喷淋设备的检修信息，从而避免了需要人为地观测确定喷淋设备是否在工作并获取检修信息的问题，有效地提高了获得喷淋设备的检修信息的效率。
9.可选地，在本技术实施例中，在使用训练后的神经网络模型对待检测图像进行扬尘检测之前，还包括：获取多个样本图像和多个样本标签，样本标签是样本图像中的扬尘所在区域的多个连续坐标点和扬尘浓度类别；以多个样本图像为训练数据，以多个样本标签为训练标签，对检测神经网络进行训练，获得神经网络模型。
10.可选地，在本技术实施例中，在对检测神经网络进行训练之前，还包括：获取预训练骨干网络，将预训练骨干网络的输出层修改为卷积神经网络，获得检测神经网络。在上述方案的实现过程中，通过获取预训练骨干网络，将预训练骨干网络的输出层修改为卷积神经网络，获得检测神经网络，从而避免了直接从头开始训练神经网络模型的问题，有效地提高了神经网络模型的训练效率。
11.本技术实施例还提供了一种扬尘降低装置，包括：图像扬尘检测模块，用于使用训练后的神经网络模型对待检测图像进行扬尘检测，获得多个连续坐标点和多个连续坐标点对应围成区域的扬尘浓度类别，多个连续坐标点对应围成区域是识别出的扬尘在空间中的位置范围；扬尘降低处理模块，用于根据扬尘浓度类别对多个连续坐标点对应围成区域进行降低扬尘处理。
12.可选地，在本技术实施例中，神经网络模型包括：特征提取网络和卷积神经网络；图像扬尘检测模块，包括：图像特征获得模块，用于使用特征提取网络对待检测图像进行特征提取，获得图像特征；特征扬尘检测模块，用于使用卷积神经网络对图像特征进行扬尘检测。
13.可选地，在本技术实施例中，特征扬尘检测模块，包括：图像卷积计算模块，用于使用卷积神经网络对图像特征进行卷积计算，获得多个特征向量；特征向量计算模块，用于将多个特征向量中预设位置的特征向量确定为扬尘浓度类别，并将多个特征向量中除预设位置之外的特征向量确定为多个连续坐标点。
14.可选地，在本技术实施例中，扬尘降低处理模块，包括：浓度类别判断模块，用于判
断扬尘浓度类别是否是预设类别；控制信号发送模块，用于若扬尘浓度类别是预设类别，则向喷淋设备发送控制信号，以使喷淋设备向多个连续坐标点对应围成区域喷洒液体。
15.可选地，在本技术实施例中，扬尘降低装置，还包括：扬尘浓度判断模块，用于判断扬尘浓度类别是预设类别的持续时长是否大于预设时长；检修信息输出模块，用于若扬尘浓度类别是预设类别的持续时长大于预设时长，则输出喷淋设备的检修信息。
16.可选地，在本技术实施例中，扬尘降低装置，还包括：图像标签获取模块，用于获取多个样本图像和多个样本标签，样本标签是样本图像中的扬尘所在区域的多个连续坐标点和扬尘浓度类别；神经网络训练模块，用于以多个样本图像为训练数据，以多个样本标签为训练标签，对检测神经网络进行训练，获得神经网络模型。
17.可选地，在本技术实施例中，扬尘降低装置，还包括：神经网络修改模块，用于获取预训练骨干网络，将预训练骨干网络的输出层修改为卷积神经网络，获得检测神经网络。
18.本技术实施例还提供了一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上面描述的方法。
19.本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上面描述的方法。
附图说明
20.为了更清楚地说明本技术实施例的技术方案，下面将对本技术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技术实施例中的某些实施例，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。
21.图1示出的本技术实施例提供的扬尘降低方法的流程示意图；
22.图2示出的本技术实施例提供的扬尘检测结果的示意图；
23.图3示出的本技术实施例提供的神经网络模型的网络结构示意图；
24.图4示出的本技术实施例提供的对mobilenetv3进行修改的示意图；
25.图5示出的本技术实施例提供的训练神经网络模型的流程示意图；
26.图6示出的本技术实施例提供的扬尘降低装置的结构示意图。
具体实施方式
27.下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术实施例中的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术实施例的详细描述并非旨在限制要求保护的本技术实施例的范围，而是仅仅表示本技术实施例中的选定实施例。基于本技术实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术实施例保护的范围。
28.可以理解的是，本技术实施例中的“第一”、“第二”用于区别类似的对象。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
29.在介绍本技术实施例提供的扬尘降低方法之前，先介绍本技术实施例中所涉及的一些概念：
30.目标检测(object detection)，又被称为定位检测或者目标提取，是一种基于目标几何和统计特征的图像理解算法，目标检测是将目标的定位和识别合二为一，具体例如：基于计算机视觉算法，检测出图像中感兴趣的目标，即以矩形框标示出目标的位置，并识别出目标的类别。
31.需要说明的是，本技术实施例提供的扬尘降低方法可以被电子设备执行，这里的电子设备是指具有执行计算机程序功能的设备终端或者服务器，设备终端例如：智能手机、个人电脑、平板电脑、个人数字助理或者移动上网设备等。服务器是指通过网络提供计算服务的设备，服务器例如：x86服务器以及非x86服务器，非x86服务器包括：大型机、小型机和unix服务器。
32.下面介绍该扬尘降低方法适用的应用场景，这里的应用场景包括但不限于：使用该扬尘降低方法来减少建筑工地、煤场、采石场、混凝土搅拌站、垃圾填埋场和废物回收处理站等场所的粉尘污染，从而提高了扬尘浓度的降低效率。为了便于理解和说明，下面均以建筑工地为例进行说明，其它的地点环境与建筑工地是类似的。
33.本技术实施例提供的扬尘降低方法不同于传统的目标检测方式的标准输出，此处的标准输出包括：扬尘所在的位置范围和类别概率，其中，位置范围是以目标框(又被称为矩形框或检测框)的形式标注出来的，类别概率是指检测框中存在目标类别的概率，即检测框中存在扬尘的概率。可以理解的是，上述的目标框(又被称为矩形框或检测框)可以使用四个参数表示出来(x，y，w，h)，x和y分别表示该目标框的中心位置坐标，且w和h分别表示该目标框的长和宽。
34.请参见图1示出的本技术实施例提供的扬尘降低方法的流程示意图；该扬尘降低方法的主要思路是采用非标准输出，此处的非标准输出包括：多个连续坐标点和扬尘浓度类别(下面有详细的描述)，此处的连续是指视觉上看起来是连续的，实际上是一些密集相邻(有些是挨着一起)的坐标点。然后，根据扬尘浓度类别对多个连续坐标点对应围成区域进行降低扬尘处理，能够更好地检测识别出存在扬尘的位置坐标，而不仅仅是中心位置坐标或者所在区域的目标框。进一步地，由于该扬尘降低方法采用非标准输出的多个连续坐标点，只需要对多个连续坐标点进行分类即可，不必像传统的目标检测方法需要穷举每个候选框，并计算每个候选框中存在目标对象的概率，从而节约更多的计算资源，提高了扬尘检测的速度，因此，根据扬尘的位置坐标来降低扬尘浓度能够有效地提高降尘效率。上述扬尘降低方法的实施方式可以包括：
35.步骤s110：使用训练后的神经网络模型对待检测图像进行扬尘检测，获得多个连续坐标点和多个连续坐标点对应围成区域的扬尘浓度类别，多个连续坐标点对应围成区域是识别出的扬尘在空间中的位置范围。
36.待检测图像，是指需要进行扬尘检测的图像，此处的待检测图像可以是建筑工地、煤场、采石场、混凝土搅拌站、垃圾填埋场和废物回收处理站等场所的图像，此处以建筑工地为例进行说明，具体可以采用无人机从俯瞰下面拍照后获得的图像(或者拍摄的视频中的一帧图像)，也可以是安装在塔吊上的照相机拍照或拍摄获得的图像，也可以是塔吊上的工人拍照或拍摄的图像等等。
37.请参见图2示出的本技术实施例提供的扬尘检测结果的示意图；图中一共有10个喷淋设备，围绕整个建筑工地的楼盘而设置的，楼盘一共有8栋建筑。上述照相机拍照获得待检测图像之后，可以发送给电子设备，让电子设备来对待检测图像进行扬尘检测。电子设备在接收到照相机发送的待检测图像之后，就可以使用训练后的神经网络模型对待检测图像进行扬尘检测，获得的扬尘检测结果可以参照图2，其中，扬尘检测结果可以包括：多个连续坐标点和多个连续坐标点对应围成区域的扬尘浓度类别，其中，多个连续坐标点的数量可以是没有限制的，具体根据待检测的目标对象来设置，对于扬尘区域这种不规则的形状具有很大的适应性。多个连续坐标点对应围成区域是识别出的扬尘在空间中的位置范围，具体例如：图2中的第3和4个喷淋设备之间的高扬尘浓度区域，以及，第7和8个喷淋设备之间的低扬尘浓度区域。
38.步骤s120：根据扬尘浓度类别对多个连续坐标点对应围成区域进行降低扬尘处理。
39.可以理解的是，上述降低扬尘处理的实施方式有很多种，按照降尘设备的移动类型可以分为两类：移动降尘方式和固定降尘方式，移动降尘方式例如无人机搭载喷淋设备移动至上述的多个连续坐标点对应围成区域进行喷水或喷雾等等，固定降尘方式例如控制在多个连续坐标点对应围成区域内或者周围的喷淋设备进行喷水或喷雾。
40.在上述方案的实现过程中，通过使用训练后的神经网络模型对待检测图像进行扬尘检测，获得多个连续坐标点和多个连续坐标点对应围成区域的扬尘浓度类别，并对多个连续坐标点对应围成区域的进行降低扬尘处理，有效地避免了喷淋设备向没有扬尘的区域喷洒水雾，或者施工人员忘记关闭喷淋设备等等情况，且不需要施工人员在现场手动参与降尘过程，从而提高了对扬尘浓度进行降低的效率。
41.请参见图3示出的本技术实施例提供的神经网络模型的网络结构示意图；该神经网络模型可以是将预训练后的网络模型中的全连接层(fully connected layer，fc)修改替换为卷积神经网络获得的，也就是说，预训练后的网络模型包括：特征提取网络和全连接层，首先将预训练后的网络模型中的全连接层修改裁剪掉，然后，获取卷积神经网络，并将特征提取网络与获取的卷积神经网络连接，获得上述的神经网络模型。
42.作为步骤s110的一种可选实施方式，上述的神经网络模型可以包括：特征提取网络和卷积神经网络，上述的使用该神经网络模型对待检测图像进行扬尘检测的实施方式可以包括：
43.步骤s111：使用特征提取网络对待检测图像进行特征提取，获得图像特征。
44.步骤s112：使用卷积神经网络对图像特征进行扬尘检测，获得多个连续坐标点和多个连续坐标点对应围成区域的扬尘浓度类别。
45.请参见图4示出的本技术实施例提供的对mobilenetv3进行修改的示意图；该神经网络模型可以是对mobilenet进行修改后获得的，其中具体可以对mobilenetv1、mobilenetv2和mobilenetv3进行修改，获得该神经网络模型，此处以对mobilenetv3进行修改为例进行说明。mobilenetv3包括：特征提取网络和全连接层(fc)，首先将mobilenetv3中的全连接层修改裁剪掉，然后，获取卷积神经网络，并将特征提取网络与获取的卷积神经网络连接，获得上述的神经网络模型。其中，上述的神经网络模型中的特征提取网络可以包括：第一卷积模块(conv2d)、图中的多个基本模块(bneck1-11)和第二卷积模块(conv2d)。
46.上述步骤s111的实施方式例如：使用第一卷积模块(conv2d)对待检测图像进行卷积处理，获得第一卷积特征；使用图中的多个基本模块(bneck1-11)依次对第一卷积特征进行处理，获得处理后的基本特征，并使用第二卷积模块(conv2d)对处理后的基本特征再次进行卷积处理，获得图像特征。
47.作为步骤s112的一种可选实施方式，上述的卷积神经网络可以包括第一卷积层(convl1)和第二卷积层(convl2)。上述的使用卷积神经网络对图像特征进行扬尘检测的实施方式可以包括：
48.步骤s112a：使用卷积神经网络对图像特征进行卷积计算，获得多个特征向量。
49.上述步骤s112a的实施方式例如：使用卷积神经网络中的第一卷积层(convl1)和第二卷积层(convl2)依次对图像特征进行卷积计算，获得多个特征向量。
50.步骤s112b：将多个特征向量中预设位置的特征向量确定为扬尘浓度类别，并将多个特征向量中除预设位置之外的特征向量确定为多个连续坐标点。
51.预设位置是指多个特征向量中排列的固定位置，例如第一个位置或者最后一个位置，此处以第一个位置为例进行说明，那么多个特征向量中第一个位置的特征向量可以代表扬尘浓度类别，如果第一个位置的特征向量值为0，可以代表扬尘浓度类别为低浓度类别，相反地，如果第一个位置的特征向量值为1，可以代表扬尘浓度类别为高浓度类别。
52.上述步骤s112b的实施方式例如：将多个特征向量中第一个位置的特征向量确定为扬尘浓度类别，并将多个特征向量中除第一个位置之外的特征向量确定为多个连续坐标点。或者是，将多个特征向量中最后一个位置的特征向量确定为扬尘浓度类别，并将多个特征向量中除最后一个位置之外的特征向量确定为多个连续坐标点。
53.作为步骤s120的一种可选实施方式，根据扬尘浓度类别对多个连续坐标点对应围成区域进行降低扬尘处理的实施方式可以包括：
54.步骤s121：判断扬尘浓度类别是否是预设类别。
55.预设类别，是指需要对扬尘浓度进行降低的类别，一般来说是高浓度类别，例如：如果发现多个连续坐标点对应围成区域内的扬尘浓度类别是高浓度类别，那么需要对该多个连续坐标点对应围成区域进行降低扬尘处理。
56.上述步骤s121的实施方式例如：使用预设编程语言编译或者解释的可执行程序判断扬尘浓度类别是否是预设类别(例如高浓度类别)，可以使用的编程语言例如：c、c++、java、basic、javascript、lisp、shell、perl、ruby、python和php等等。
57.步骤s122：若扬尘浓度类别是预设类别，则向喷淋设备发送控制信号，以使喷淋设备向多个连续坐标点对应围成区域喷洒液体。
58.上述步骤s122的实施方式例如：若扬尘浓度类别是预设类别(例如高浓度类别)，则电子设备通过传输控制协议(transmission control protocol，tcp)或者用户数据报协议(user datagram protocol，udp)向喷淋设备发送控制信号，以使喷淋设备向多个连续坐标点对应围成区域喷洒液体。此外，除了喷水降尘的方式，可以通过吸尘方式来降尘，具体例如：无人机携带高压吸尘器移动至上述的围成区域进行吸尘，从而来降低上述围成区域之内的扬尘浓度。
59.作为步骤s120的一种可选实施方式，在向喷淋设备发送控制信号之后，还可以在确定扬尘浓度仍然持续一段时长后，就输出喷淋设备的检修信息，该实施方式可以包括：
60.步骤s123：判断扬尘浓度类别是预设类别的持续时长是否大于预设时长。
61.步骤s124：若扬尘浓度类别是预设类别的持续时长大于预设时长，则输出喷淋设备的检修信息。
62.上述步骤s123至步骤s124的实施方式例如：使用预设编程语言编译或者解释的可执行程序，判断扬尘浓度类别是预设类别(例如高浓度类别)的持续时长是否大于预设时长，若扬尘浓度类别是预设类别(例如高浓度类别)的持续时长大于预设时长，则说明该喷淋设备无法正常工作了，需要输出该喷淋设备的检修信息，从而让工作人员对该喷淋设备进行检修。
63.请参见图5示出的本技术实施例提供的训练神经网络模型的流程示意图；作为上述扬尘降低方法的一种可选实施方式，在使用神经网络模型进行扬尘检测之前或者之后，还可以训练神经网络模型，训练神经网络模型的过程可以包括：
64.步骤s210：获取多个样本图像和多个样本标签，样本标签是样本图像中的扬尘所在区域的多个连续坐标点和扬尘浓度类别。
65.步骤s220：以多个样本图像为训练数据，以多个样本标签为训练标签，对检测神经网络进行训练，获得神经网络模型。
66.上述步骤s210至步骤s220的实施方式例如：获取多个样本图像和多个样本标签，以多个样本图像为训练数据，以多个样本标签为训练标签，使用检测神经网络预测出样本图像对应的多个连续坐标点和扬尘浓度类别，并分别计算预测出的多个连续坐标点与样本标签中的多个连续坐标点之间的第一损失值，计算预测出的扬尘浓度类别与样本标签中的扬尘浓度类别之间的第二损失值，最后，根据第一损失值和第二损失值计算出总损失值，并根据总损失值对检测神经网络进行训练，直到神经网络的正确率不再升高或者迭代次数(epoch)数量大于预设阈值时，即可获得神经网络模型。其中，上述的损失值可以使用交叉熵损失(cross entropy loss，celoss或者celoss)函数来计算获得，上述的预设阈值也可以根据具体情况进行设置，例如设置为100或者1000等等。
67.作为上述扬尘降低方法的一种可选实施方式，在对检测神经网络进行训练之前，还可以修改预训练骨干网络来获得需要训练的检测神经网络，该实施方式可以包括：
68.步骤s221：获取预训练骨干网络。
69.步骤s222：将预训练骨干网络的输出层修改为卷积神经网络，获得检测神经网络。
70.上述步骤s221至步骤s222的实施方式例如：获取预训练骨干网络，并将预训练骨干网络的输出层修改为卷积神经网络，获得检测神经网络。其中，预训练骨干网络(pretraining backbone network)是指预训练的作为骨干的神经网络，此处的预训练骨干网络可以采用mobilenet，具体可以采用mobilenetv1、mobilenetv2和mobilenetv3等等。
71.在上述的实现过程中，相比于传统的二阶网络，通过采用端对端(end-to-end)的一阶网络mobilenetv3来进行扬尘检测，能够有效地提高对扬尘检测获得多个连续坐标点和多个连续坐标点对应围成区域的扬尘浓度类别的速度，从而提高了对扬尘浓度进行降低的效率。
72.请参见图6示出的本技术实施例提供的扬尘降低装置的结构示意图。本技术实施例提供了一种扬尘降低装置300，包括：
73.图像扬尘检测模块310，用于使用训练后的神经网络模型对待检测图像进行扬尘
检测，获得多个连续坐标点和多个连续坐标点对应围成区域的扬尘浓度类别，多个连续坐标点对应围成区域是识别出的扬尘在空间中的位置范围。
74.扬尘降低处理模块320，用于根据扬尘浓度类别对多个连续坐标点对应围成区域进行降低扬尘处理。
75.可选地，在本技术实施例中，神经网络模型包括：特征提取网络和卷积神经网络；图像扬尘检测模块，包括：
76.图像特征获得模块，用于使用特征提取网络对待检测图像进行特征提取，获得图像特征。
77.特征扬尘检测模块，用于使用卷积神经网络对图像特征进行扬尘检测。
78.可选地，在本技术实施例中，特征扬尘检测模块，包括：
79.图像卷积计算模块，用于使用卷积神经网络对图像特征进行卷积计算，获得多个特征向量。
80.特征向量计算模块，用于将多个特征向量中预设位置的特征向量确定为扬尘浓度类别，并将多个特征向量中除预设位置之外的特征向量确定为多个连续坐标点。
81.可选地，在本技术实施例中，扬尘降低处理模块，包括：
82.浓度类别判断模块，用于判断扬尘浓度类别是否是预设类别。
83.控制信号发送模块，用于若扬尘浓度类别是预设类别，则向喷淋设备发送控制信号，以使喷淋设备向多个连续坐标点对应围成区域喷洒液体。
84.可选地，在本技术实施例中，扬尘降低装置，还包括：
85.扬尘浓度判断模块，用于判断扬尘浓度类别是预设类别的持续时长是否大于预设时长。
86.检修信息输出模块，用于若扬尘浓度类别是预设类别的持续时长大于预设时长，则输出喷淋设备的检修信息。
87.可选地，在本技术实施例中，扬尘降低装置，还包括：
88.图像标签获取模块，用于获取多个样本图像和多个样本标签，样本标签是样本图像中的扬尘所在区域的多个连续坐标点和扬尘浓度类别。
89.神经网络训练模块，用于以多个样本图像为训练数据，以多个样本标签为训练标签，对检测神经网络进行训练，获得神经网络模型。
90.可选地，在本技术实施例中，扬尘降低装置，还包括：
91.神经网络修改模块，用于获取预训练骨干网络，将预训练骨干网络的输出层修改为卷积神经网络，获得检测神经网络。
92.应理解的是，该装置与上述的扬尘降低方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，os)中的软件功能模块。
93.本技术实施例提供的一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上的方法。
94.本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上的方法。其中，计算机可读存储介质
可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(static random access memory,简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory,简称eeprom)，可擦除可编程只读存储器(erasable programmable read only memory,简称eprom)，可编程只读存储器(programmable read-only memory,简称prom)，只读存储器(read-only memory,简称rom)，磁存储器，快闪存储器，磁盘或光盘。
95.需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
96.本技术实施例提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施例仅是示意性的，例如，附图中的流程图和框图显示了根据本技术实施例的多个实施例的装置、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，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现方式中，方框中所标注的功能也可以和附图中所标注的发生顺序不同。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，这主要根据所涉及的功能而定。
97.另外，在本技术实施例中的各个实施例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。此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
98.在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
99.以上的描述，仅为本技术实施例的可选实施方式，但本技术实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术实施例的保护范围之内。