本發(fā)明涉及河道污染識別與預(yù)警，特別是一種基于計(jì)算機(jī)視覺的河道污染識別與預(yù)警方法。

背景技術(shù)：

1、當(dāng)前，河道污染監(jiān)測主要依賴于兩種方法：人工采樣和傳感器實(shí)時(shí)監(jiān)測。人工采樣方法需要專業(yè)人員定期到現(xiàn)場采集水樣，然后帶回實(shí)驗(yàn)室進(jìn)行分析，這種方法雖然能夠獲取準(zhǔn)確的數(shù)據(jù)，但成本高昂、時(shí)效性差，且受限于采樣點(diǎn)位的數(shù)量和分布影響，無法全面覆蓋整個(gè)水體，可能遺漏重要污染源。而傳感器實(shí)時(shí)監(jiān)測方法雖然能夠?qū)崟r(shí)反映河道水質(zhì)的變化，但傳感器的部署和維護(hù)成本較高，且對于一些復(fù)雜的污染物難以有效識別。

2、隨著計(jì)算機(jī)視覺技術(shù)的飛速發(fā)展，其在圖像處理、目標(biāo)識別、模式識別等領(lǐng)域展現(xiàn)出強(qiáng)大的能力。計(jì)算機(jī)視覺技術(shù)可以通過對圖像或視頻數(shù)據(jù)的分析，提取出有用的信息，實(shí)現(xiàn)對目標(biāo)的自動識別和監(jiān)測。因此，將計(jì)算機(jī)視覺技術(shù)應(yīng)用于河道污染監(jiān)測領(lǐng)域，具有巨大的潛力和優(yōu)勢，為亟待解決的技術(shù)難題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于克服上述不足，提供一種基于計(jì)算機(jī)視覺的河道污染識別與預(yù)警方法，以解決背景技術(shù)中提出的問題。

2、為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：一種基于計(jì)算機(jī)視覺的河道污染識別與預(yù)警方法，包括以下步驟：

3、步驟1，制作河道水質(zhì)圖像數(shù)據(jù)集；

4、步驟2，構(gòu)建基于注意力機(jī)制的改進(jìn)resnet-18模型；

5、步驟3，構(gòu)建訓(xùn)練集、驗(yàn)證集和測試集；其中訓(xùn)練集用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，驗(yàn)證集用于調(diào)整模型超參數(shù)，測試集用于測試模型性能；

6、步驟4，利用訓(xùn)練集訓(xùn)練構(gòu)建好的改進(jìn)resnet-18模型，再利用驗(yàn)證集調(diào)整模型的超參數(shù)后，將測試集輸入到訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)中進(jìn)行性能評估；

7、步驟5，保存模型并進(jìn)行模型部署，使用訓(xùn)練好的改進(jìn)resnet-18模型進(jìn)行河道水質(zhì)污染檢測，當(dāng)將讀取的河道圖像判別為污染水質(zhì)時(shí)，觸發(fā)報(bào)警信號。

8、進(jìn)一步地，所述步驟1具體包括以下步驟：

9、步驟1.1，采集觀測點(diǎn)視頻監(jiān)控?cái)?shù)據(jù)：在觀測點(diǎn)河道邊上安裝黑光攝像頭；之后，在監(jiān)控服務(wù)器的數(shù)據(jù)庫中，選取白天和黑夜兩種情景下晴天、雨天、霧天和雪天四種場景中的多個(gè)視頻片段；

10、步驟1.2，視頻分幀處理：利用opencv擴(kuò)展庫cv2中videocapture函數(shù)對采集的觀測點(diǎn)河道監(jiān)控視頻片段進(jìn)行分幀處理得到觀測點(diǎn)河道水質(zhì)圖像；

11、步驟1.3，收集河道污染圖片：鑒于觀測點(diǎn)河道污染的水質(zhì)圖像較少，因此通過網(wǎng)絡(luò)渠道收集公開的河道污染水質(zhì)圖像；

12、步驟1.4，圖像預(yù)處理：對于河道污染水質(zhì)圖像：利用圖像裁剪工具將圖像中污染區(qū)域裁剪出來，并利用padding函數(shù)調(diào)整裁剪后的圖片為方形尺寸，然后等比縮放至224像素×224像素的圖像；對于觀測點(diǎn)河道水質(zhì)圖像：利用函數(shù)自動裁剪出圖像中心224像素×224像素的圖像。

13、進(jìn)一步地，所述步驟2具體包括以下步驟：

14、步驟2.1，搭建經(jīng)典resnet-18模型，包括初始卷積層、殘差塊、過渡層、全連接層；

15、步驟2.2，在resnet-18的殘差塊中嵌入混合注意力機(jī)制。

16、更進(jìn)一步地，所述步驟2.1中搭建的經(jīng)典resnet-18模型具體如下：

17、在輸入層后為初始卷積層，用于提取圖像的初始特征；初始層后為堆疊的殘差塊，每個(gè)殘差塊包含兩個(gè)3×3的卷積層，并且每個(gè)卷積層后面都跟著一個(gè)批量歸一化層和relu激活函數(shù)；其次，殘差連接通過將輸入直接加到殘差塊的輸出上，使得網(wǎng)絡(luò)能夠?qū)W習(xí)到恒等映射以外的特征表示；為了改變特征圖的尺寸和通道數(shù)，在堆疊的殘差塊之間插入過渡層，過渡層包含一個(gè)1×1的卷積層，用于增加通道數(shù)，以及一個(gè)步長為2的3×3卷積層或平均池化層，用于減小特征圖的尺寸；在模型的最后有一個(gè)全連接層，用于將卷積層提取的特征映射到輸出空間。

18、更進(jìn)一步地，所述步驟2.2具體如下：

19、混合注意力機(jī)制由通道注意力模塊mc和空間注意力模塊ms組成，分別從特征和空間兩個(gè)維度來關(guān)注重要信息；通過將通道注意力模塊mc和空間注意力模塊ms分別替換resnet-18殘差塊中的兩個(gè)卷積層的方式實(shí)現(xiàn)在resnet-18的殘差塊中嵌入混合注意力機(jī)制。

20、更進(jìn)一步地，所述在resnet-18的殘差塊中嵌入混合注意力機(jī)制后的結(jié)構(gòu)具體如下：

21、用表示該結(jié)構(gòu)的輸入，其中h表示輸入特征圖的高，w表示輸入特征圖的寬，c表示輸入特征圖的通道數(shù)；

22、將f作為通道注意力模塊mc的輸入，進(jìn)而得到通道注意力模塊輸出mc(f)，再乘以輸入f得到通道注意力映射f'；f'繼而作為空間注意力模塊ms的輸入，進(jìn)而得到空間注意力模塊輸出ms(f′)，再乘以f'得到混合注意力機(jī)制的輸出f″；函數(shù)如下：

23、

24、其中，表示對應(yīng)元素相乘操作；

25、

26、其中，σ表示sigmoid激活函數(shù)，mlp(·)表示多層感知機(jī)網(wǎng)絡(luò)，avgpool(·)表示平均池化操作，maxpool(·)表示最大池化操作，w0和w1分別表示多層感知機(jī)輸入層到隱含層間以及隱含層到輸出層間的權(quán)重，表示平均池化的輸出，表示最大池化的輸出；

27、

28、其中，f7×7(·)表示卷積核大小為7×7的卷積操作，表示平均池化的輸出，表示經(jīng)過最大池化的輸出，表示將平均池化和最大池化的輸出進(jìn)行維度拼接得到的特征圖作為卷積的輸入。

29、進(jìn)一步地，步驟3中所述構(gòu)建訓(xùn)練集、驗(yàn)證集和測試集具體如下：

30、對于收集的m個(gè)觀測點(diǎn)河道圖像、n個(gè)水質(zhì)污染圖像；以隨機(jī)劃分的方式按7:2:1的比例將兩類圖像樣本劃分為訓(xùn)練集、驗(yàn)證集和測試集；

31、則訓(xùn)練集樣本數(shù)量為：0.7×m+0.7×n；

32、驗(yàn)證集樣本數(shù)量為：0.2×m+0.2×n；

33、測試集樣本數(shù)量為：0.1×m+0.1×n。

34、進(jìn)一步地，步驟4中所述訓(xùn)練構(gòu)建好的改進(jìn)resnet-18模型包括如下步驟：

35、步驟4.1，設(shè)置訓(xùn)練所需超參數(shù)，包括epoch、batch_size、學(xué)習(xí)率、訓(xùn)練優(yōu)化器、損失函數(shù)；其中所構(gòu)建的改進(jìn)resnet-18模型的損失函數(shù)選用交叉熵?fù)p失函數(shù)；

36、步驟4.2，設(shè)置模型評價(jià)指標(biāo)：評價(jià)指標(biāo)選用四個(gè)使用于分類任務(wù)的評價(jià)指標(biāo)，即準(zhǔn)確率、精確率、召回率和f1-score；其中，將被污染的水質(zhì)圖像看成是正樣本，將沒有被污染的水質(zhì)圖像看作負(fù)樣本，則有：

37、

38、其中，tp表示把正樣本成功預(yù)測為正樣本，tn表示把負(fù)樣本成功預(yù)測為負(fù)樣本，fp表示把負(fù)樣本錯(cuò)誤地預(yù)測為正樣本，fn表示把正樣本錯(cuò)誤地預(yù)測為負(fù)樣本；

39、步驟4.3，初始化網(wǎng)絡(luò)參數(shù)，并將訓(xùn)練集輸入到構(gòu)建好的改進(jìn)resnet-18模型中，開始訓(xùn)練過程，依據(jù)計(jì)算出的損失，通過梯度下降算法更新模型參數(shù)，直至訓(xùn)練結(jié)束條件；之后凍結(jié)模型參數(shù)，將驗(yàn)證集輸入到模型訓(xùn)練好的改進(jìn)resnet-18模型中，通過評價(jià)指標(biāo)對模型進(jìn)行優(yōu)化和調(diào)整，最后，將測試集輸入到優(yōu)化后的改進(jìn)resnet-18模型中，以評估模型的性能。

40、進(jìn)一步地，所述步驟5包括如下步驟：

41、步驟5.1，保存驗(yàn)證過程中評價(jià)指標(biāo)最優(yōu)時(shí)的模型，模型包括模型架構(gòu)和參數(shù)；

42、步驟5.2，在河道監(jiān)控系統(tǒng)中，編寫實(shí)時(shí)視頻數(shù)據(jù)讀取腳本實(shí)現(xiàn)視頻數(shù)據(jù)的不間斷讀取，并對視頻數(shù)據(jù)進(jìn)行預(yù)處理；

43、步驟5.3，調(diào)用保存的改進(jìn)resnet-18模型進(jìn)行河道水質(zhì)污染監(jiān)測，并返回當(dāng)前水質(zhì)狀態(tài)。

44、本發(fā)明有益效果如下：

45、本發(fā)明方法利用高清晰度攝像頭對河道進(jìn)行實(shí)時(shí)拍攝，通過圖像處理技術(shù)和機(jī)器學(xué)習(xí)算法對采集到的圖像進(jìn)行分析和處理，實(shí)現(xiàn)對河道污染狀況的自動識別和預(yù)警；相比傳統(tǒng)方法，本發(fā)明能夠?qū)崿F(xiàn)對河道水質(zhì)的高效、經(jīng)濟(jì)、實(shí)時(shí)監(jiān)測，有效識別和預(yù)警污染事件，為河道水質(zhì)治理和保護(hù)提供強(qiáng)有力的技術(shù)支持。

46、2、本發(fā)明設(shè)計(jì)基于注意力機(jī)制的改進(jìn)resnet-18模型實(shí)現(xiàn)水質(zhì)污染檢測。

47、3、本發(fā)明方法借助河道監(jiān)控系統(tǒng)和計(jì)算機(jī)視覺技術(shù)，可以實(shí)現(xiàn)河道污染的實(shí)時(shí)監(jiān)測與早期告警；具有非接觸、可監(jiān)測整個(gè)河道、成本低等優(yōu)點(diǎn)，能第一時(shí)間發(fā)現(xiàn)偷排行為。