一种黑臭水体识别方法、装置及电子设备与流程

本发明涉及环境监测，特别是指一种黑臭水体识别方法、装置及电子设备。

背景技术：

1、黑臭水体是指呈现令人不悦的颜色和(或)散发令人不适气味的水体统称，随着城市居民生活水平的提高，城市生活污水的排放量呈急剧上升趋势，由于生活污水没有完全接污纳管及肆意排放等原因，一部分生活污水流入附近河道。生活污水中耗氧性有机物和氮磷进入水体后，无论其是否有充分的溶解氧，在适合的水温下都将受到好氧放线菌或厌氧微生物的降解，排放出不同种类发臭物质，加剧了城市水体黑臭程度，是群众身边的突出生态环境问题，直接影响群众健康和生产生活，为了提高黑臭水体的处理效率，在对黑臭水体处理前，需要准确识别到黑臭水体区域，而现有识别方法进行识别时，只是单纯进行像素点识别，不仅需要浪费大量时间处理，处理效率低。

技术实现思路

1、本发明提出一种黑臭水体识别方法、装置及电子设备，以解决上述背景技术中提出的问题。

2、为了实现上述目的，本发明提供如下技术方案：

3、一种黑臭水体识别方法，包括如下步骤：

4、s1：采集水域图片；

5、s2：对图片进行特征识别，采集不少于五个的图片特征；

6、s3：并获取每个所述图片特征中的像素点的波段信息，并计算每个波段信息的反射率；

7、s4：计算所述图片特征像素点对应的波段信息和反射率的差异值，若差异值大于阈值，将对应的图片特征像素点去除，保留差异值小于阈值的图片特征像素点；

8、s5：对每个图片特征像素点进行处理，生成多个训练样本；

9、s6：针对每个训练样本进行基于深度学习算法的图像识别训练，生成图像训练模型；

10、s7：实时采集待检测水域图片；

11、s8：对待检测水域图片进行特征识别，采集该待检测水域图片的图片特征；

12、s9：对每个待检测水域图片的图片特征中的像素点进行处理，生成多个对比样本；

13、s10：针对每个对比样本生成图像对比模型；

14、s11：将对比模型与图像训练模型进行对比，若相似度＜5％，则判定该图像训练模型对应水域为未污染区域，若5％≤相似度＜20％，则判定该图像训练模型对应水域为轻度黑臭水体区域，若20％≤相似度＜70％，则判定该图像训练模型对应水域为中度黑臭水体区域，若相似度≥70％，则判定该图像训练模型对应水域为重度黑臭水体区域。

15、在一种可能的实现方式中，所述的通过图片识别模块对图片进行特征识别，采集不少于五个的图片特征步骤之前包括：

16、s21：对图片进行降噪处理。

17、在一种可能的实现方式中，所述的对图片进行降噪处理步骤之后包括：

18、s22：对图片进行锐化处理，增加水体和其他位置处的对比度。

19、在一种可能的实现方式中，所述的对图片进行锐化处理，增加水体和其他位置处的对比度步骤之后包括：

20、s23：对非水体区域进行模糊处理。

21、在一种可能的实现方式中，所述的将对比模型与图像训练模型进行对比，若相似度＜5％，则判定该图像训练模型对应水域为未污染区域，若5％≤相似度＜20％，则判定该图像训练模型对应水域为轻度黑臭水体区域，若20％≤相似度＜70％，则判定该图像训练模型对应水域为中度黑臭水体区域，若相似度≥70％，则判定该图像训练模型对应水域为重度黑臭水体区域步骤之后包括：

22、s111：将判定后的区域在地图上通过不同颜色笔迹进行标记。

23、在一种可能的实现方式中，所述未污染区域通过绿色笔迹标记，所述轻度黑臭水体区域通过黄色笔迹标记，所述中度黑臭水体区域通过褐色笔迹标记，所述重度黑臭水体区域通过红色笔迹标记。

24、在一种可能的实现方式中，所述深度学习算法包括卷积神经网络算法。

25、一种黑臭水体识别装置，包括：

26、数据更新模块，用于采集水域图片；

27、图片识别模块，用于对图片进行特征识别；

28、图像实时采集模块，用于实时采集待检测水域图片；

29、监测探头，用于实时采集待检测水的溶解氧、臭氧浓度。

30、在一种可能的实现方式中，所述对比模块用于将对比模型与图像训练模型进行对比。

31、一种电子设备，包括储存器和处理器，所述储存器用于储存预设程序，所述处理器用于调用储存器中储存的预设程序。

32、在上述技术方案中，本发明提供的技术效果和优点：本发明通过将采集水域图片，并计算图片的特征，再基于图片的特征生成训练样本，随后将训练样本基于深度学习算法的图像识别训练生成图像训练模型，并将实时采集的待检测水域图片生成对比样本，通过对比样本生成图像对比模型，将图像训练模型和图像对比模型对比处理，即可知晓图片对应区域的黑臭水体污染程度，与单纯进行像素点识别，无需浪费大量时间处理，并且处理效率高。

技术特征：

1.一种黑臭水体识别方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的一种黑臭水体识别方法，其特征在于：所述的通过图片识别模块对图片进行特征识别，采集不少于五个的图片特征步骤之前包括：

3.根据权利要求1所述的一种黑臭水体识别方法，其特征在于：所述的对图片进行降噪处理步骤之后包括：

4.根据权利要求1所述的一种黑臭水体识别方法，其特征在于：所述的对图片进行锐化处理，增加水体和其他位置处的对比度步骤之后包括：

5.根据权利要求1所述的一种黑臭水体识别方法，其特征在于：所述的将对比模型与图像训练模型进行对比，若相似度＜5％，则判定该图像训练模型对应水域为未污染区域，若5％≤相似度＜20％，则判定该图像训练模型对应水域为轻度黑臭水体区域，若20％≤相似度＜70％，则判定该图像训练模型对应水域为中度黑臭水体区域，若相似度≥70％，则判定该图像训练模型对应水域为重度黑臭水体区域步骤之后包括：

6.根据权利要求1所述的一种黑臭水体识别方法，其特征在于：所述未污染区域通过绿色笔迹标记，所述轻度黑臭水体区域通过黄色笔迹标记，所述中度黑臭水体区域通过褐色笔迹标记，所述重度黑臭水体区域通过红色笔迹标记。

7.根据权利要求1所述的一种黑臭水体识别方法、装置及电子设备，其特征在于：所述深度学习算法包括卷积神经网络算法。

8.一种黑臭水体识别装置，其特征在于：包括：

9.根据权利要求8所述的一种黑臭水体识别装置，其特征在于：还包括对比模块，所述对比模块用于将对比模型与图像训练模型进行对比。

10.一种电子设备，其特征在于：包括储存器和处理器，所述储存器用于储存预设程序，所述处理器用于调用储存器中储存的预设程序。

技术总结
本发明涉及环境监测技术领域，且公开了一种黑臭水体识别方法，包括如下步骤：采集水域图片；对图片进行特征识别，采集不少于五个的图片特征，还公开了一种黑臭水体识别装置，包括：数据更新模块，用于采集水域图片；图片识别模块，用于对图片进行特征识别；还公开了一种电子设备，包括储存器和处理器，所述储存器用于储存预设程序，所述处理器用于调用储存器中储存的预设程序；本发明通过将采集水域图片并计算图片的特征，基于图片的特征生成训练样本，将训练样本基于深度学习算法的图像识别训练生成图像训练模型，即可知晓图片对应区域的黑臭水体污染程度，与单纯进行像素点识别，无需浪费大量时间处理，并且处理效率高。

技术研发人员：俞兆程,曹如星,达臻国
受保护的技术使用者：甘肃省武威生态环境监测中心
技术研发日：
技术公布日：2024/1/15