CN113808088A - 一种污染检测方法及*** - Google Patents

一种污染检测方法及*** Download PDF

Info

Publication number
CN113808088A
CN113808088A CN202111031338.XA CN202111031338A CN113808088A CN 113808088 A CN113808088 A CN 113808088A CN 202111031338 A CN202111031338 A CN 202111031338A CN 113808088 A CN113808088 A CN 113808088A
Authority
CN
China
Prior art keywords
pollution detection
detection
pollution
target
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202111031338.XA
Other languages
English (en)
Inventor
何蔚珊
张毅
张江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202111031338.XA priority Critical patent/CN113808088A/zh
Publication of CN113808088A publication Critical patent/CN113808088A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供的一种污染检测方法及***，涉及污染检测技术领域。在本发明中，获取污染检测设备对目标监测区域进行图像采集得到的多帧污染检测图像，其中，污染检测设备设置于目标监测区域；基于预先设置的图像筛选规则对多帧污染检测图像进行筛选处理，得到多帧污染检测图像对应的至少一帧目标污染检测图像；基于预先训练得到的污染检测模型对至少一帧目标污染检测图像进行识别处理，得到目标监测区域是否存在空气污染的污染检测结果，其中，污染检测模型为一种神经网络模型。基于上述方法，可以改善现有技术中污染检测的成本较高的问题。

Description

一种污染检测方法及***
技术领域
本发明涉及污染检测技术领域，具体而言，涉及一种污染检测方法及***。
背景技术
空气污染作为一种重点关注污染对象，以及随着人们对生产、生活的需求逐步提升而越来越关注。例如，在现有技术中，一般会基于空气污染对人们的出行进行相应的提示，或及时地进行污染处理。
但是，经发明人研究发现，在现有技术中，一般是基于专业的污染检测设备以对空气污染进行检测，如对空气中的可吸入颗粒物的含量进行测量等，以确定是否存在空气污染(如含量超标)，基于此，将导致检测过程中必须依赖相应的高精度设备，使得存在设备成本较高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种污染检测方法及***，以改善现有技术中污染检测的成本较高的问题。
为实现上述目的，本发明实施例采用如下技术方案：
一种污染检测方法，应用于污染检测后台服务器，所述污染检测后台服务器通信连接有污染检测设备，所述污染检测方法包括：
获取所述污染检测设备对目标监测区域进行图像采集得到的多帧污染检测图像，其中，所述污染检测设备设置于所述目标监测区域；
基于预先设置的图像筛选规则对所述多帧污染检测图像进行筛选处理，得到所述多帧污染检测图像对应的至少一帧目标污染检测图像；
基于预先训练得到的污染检测模型对所述至少一帧目标污染检测图像进行识别处理，得到所述目标监测区域是否存在空气污染的污染检测结果，其中，所述污染检测模型为一种神经网络模型。
在一些优选的实施例中，在上述污染检测方法中，所述污染检测设备为多个，多个所述污染检测设备分别设置于所述目标监测区域的不同位置，所述获取所述污染检测设备对目标监测区域进行图像采集得到的多帧污染检测图像的步骤，包括：
在多个所述污染检测设备中确定出至少一个污染检测设备，作为对应的目标污染检测设备，以得到至少一个目标污染检测设备；
生成污染检测通知信息，并将所述污染检测通知信息分别发送给所述至少一个目标污染检测设备中的每一个所述目标污染检测设备，其中，每一个所述目标污染检测设备用于在接收到所述污染检测通知信息之后，基于所述污染检测通知信息对所在的区域进行图像采集，得到对应的至少一帧污染检测图像，且每一个所述目标污染检测设备采集的所述污染检测图像的帧数相同；
分别获取每一个所述目标污染检测设备基于所述污染检测通知信息发送的所述至少一帧污染检测图像。
在一些优选的实施例中，在上述污染检测方法中，所述在多个所述污染检测设备中确定出至少一个污染检测设备，作为对应的目标污染检测设备，以得到至少一个目标污染检测设备的步骤，包括：
获取预先针对每一个污染检测周期设置的周期时长信息，并确定在当前的污染检测周期内历史上每一次确定出的历史污染检测设备；
针对每一个所述污染检测设备，计算该污染检测设备与每一个其它污染检测设备之间的位置距离信息，并基于该位置距离信息确定对应的两个污染检测设备之间的空间关联关系信息；
在多个所述污染检测设备中，基于每两个所述污染检测设备之间的空间关联关系信息确定出多个污染检测设备集合，其中，属于同一个所述污染检测设备集合中的任意两个所述污染检测设备之间的空间关联关系信息满足预先设置的空间关联条件；
针对每一个所述污染检测设备集合，分别计算历史上每一次确定出的所述历史污染检测设备与该污染检测设备集合中的污染检测设备之间的设备重合度，得到该污染检测设备集合对应的至少一个设备重合度信息；
确定是否存在对应的每一个所述设备重合度信息都小于或等于预先设置的第一设备重合度阈值信息的污染检测设备集合，并在存在对应的每一个所述设备重合度信息都小于或等于所述第一设备重合度阈值信息的污染检测设备集合时，将该污染检测设备集合包括的污染检测设备作为对应的目标污染检测设备，以得到至少一个目标污染检测设备。
在一些优选的实施例中，在上述污染检测方法中，所述在多个所述污染检测设备中确定出至少一个污染检测设备，作为对应的目标污染检测设备，以得到至少一个目标污染检测设备的步骤，还包括：
在不存在对应的每一个所述设备重合度信息都小于或等于所述第一设备重合度阈值信息的污染检测设备集合时，确定是否存在对应的每一个所述设备重合度信息都小于预先设置的第二设备重合度阈值信息的污染检测设备集合，其中，所述第二设备重合度阈值信息大于所述第一设备重合度阈值信息；
在不存在对应的每一个所述设备重合度信息都小于预先设置的第二设备重合度阈值信息的污染检测设备集合时，确定进入下一个污染检测周期，并将所述多个污染检测设备集合中随机确定出一个的污染检测设备集合包括的污染检测设备作为对应的目标污染检测设备，以得到至少一个目标污染检测设备。
在一些优选的实施例中，在上述污染检测方法中，所述在多个所述污染检测设备中确定出至少一个污染检测设备，作为对应的目标污染检测设备，以得到至少一个目标污染检测设备的步骤，还包括：
在存在对应的每一个所述设备重合度信息都小于预先设置的第二设备重合度阈值信息的污染检测设备集合时，若该污染检测设备集合为一个，则将该污染检测设备集合包括的污染检测设备作为对应的目标污染检测设备，以得到至少一个目标污染检测设备，若该污染检测设备集合为多个，则基于每一个该污染检测设备集合对应的所述对应的至少一个设备重合度信息，将其中一个污染检测设备集合包括的污染检测设备作为对应的目标污染检测设备，以得到至少一个目标污染检测设备。
在一些优选的实施例中，在上述污染检测方法中，所述污染检测设备为多个，多个所述污染检测设备分别设置于所述目标监测区域的不同位置，分别用于对所在的区域进行图像采集，所述基于预先设置的图像筛选规则对所述多帧污染检测图像进行筛选处理，得到所述多帧污染检测图像对应的至少一帧目标污染检测图像的步骤，包括：
基于多个所述污染检测设备分别采集得到的多帧污染检测图像的采集时序进行分类，得到对应的多个检测图像集合，其中，属于同一个所述检测图像集合中的任意两帧污染检测图像对应的采集时序相同，属于不同所述检测图像集合中的任意两帧污染检测图像对应的采集时序不同；
针对所述多个检测图像集合中的每两个检测图像集合，计算该两个检测图像集合之间的相似度，得到对应的集合相似度；
基于每两个检测图像集合之间的集合相似度对所述多个检测图像集合进行筛选，得到至少一个检测图像集合，并将所述至少一个检测图像集合包括的每一帧污染检测图像确定为目标污染检测图像。
在一些优选的实施例中，在上述污染检测方法中，所述基于预先训练得到的污染检测模型对所述至少一帧目标污染检测图像进行识别处理，得到所述目标监测区域是否存在空气污染的污染检测结果的步骤，包括：
获取多帧第一样本检测图像和多帧第二样本检测图像，其中，所述多帧第一样本检测图像基于在所述目标监测区域中不存在空气污染时进行图像采集得到，所述多帧第二样本检测图像基于在所述目标监测区域中存在空气污染时进行图像采集得到；
基于所述多帧第一样本检测图像和所述多帧第二样本检测图像对目标神经网络模型进行训练，得到对应的污染检测模型，其中，所述污染检测模型为二分类神经网络模型；
基于所述污染检测模型对所述至少一帧目标污染检测图像进行识别处理，得到所述目标监测区域是否存在空气污染的污染检测结果。
本发明实施例还提供一种污染检测***，应用于污染检测后台服务器，所述污染检测后台服务器通信连接有污染检测设备，所述污染检测***包括：
污染检测图像获取模块，用于获取所述污染检测设备对目标监测区域进行图像采集得到的多帧污染检测图像，其中，所述污染检测设备设置于所述目标监测区域；
污染检测图像筛选模块，用于基于预先设置的图像筛选规则对所述多帧污染检测图像进行筛选处理，得到所述多帧污染检测图像对应的至少一帧目标污染检测图像；
污染检测图像识别模块，用于基于预先训练得到的污染检测模型对所述至少一帧目标污染检测图像进行识别处理，得到所述目标监测区域是否存在空气污染的污染检测结果，其中，所述污染检测模型为一种神经网络模型。
在一些优选的实施例中，在上述污染检测***中，所述污染检测图像筛选模块具体用于：
基于多个所述污染检测设备分别采集得到的多帧污染检测图像的采集时序进行分类，得到对应的多个检测图像集合，其中，属于同一个所述检测图像集合中的任意两帧污染检测图像对应的采集时序相同，属于不同所述检测图像集合中的任意两帧污染检测图像对应的采集时序不同；
针对所述多个检测图像集合中的每两个检测图像集合，计算该两个检测图像集合之间的相似度，得到对应的集合相似度；
基于每两个检测图像集合之间的集合相似度对所述多个检测图像集合进行筛选，得到至少一个检测图像集合，并将所述至少一个检测图像集合包括的每一帧污染检测图像确定为目标污染检测图像。
在一些优选的实施例中，在上述污染检测***中，所述污染检测图像识别模块具体用于：
获取多帧第一样本检测图像和多帧第二样本检测图像，其中，所述多帧第一样本检测图像基于在所述目标监测区域中不存在空气污染时进行图像采集得到，所述多帧第二样本检测图像基于在所述目标监测区域中存在空气污染时进行图像采集得到；
基于所述多帧第一样本检测图像和所述多帧第二样本检测图像对目标神经网络模型进行训练，得到对应的污染检测模型，其中，所述污染检测模型为二分类神经网络模型；
基于所述污染检测模型对所述至少一帧目标污染检测图像进行识别处理，得到所述目标监测区域是否存在空气污染的污染检测结果。
本发明实施例提供的一种污染检测方法及***，可以通过污染检测设备对目标监测区域进行图像采集得到多帧污染检测图像，并在对多帧污染检测图像进行筛选得到对应的至少一帧目标污染检测图像之后，基于预先训练得到的污染检测模型对目标污染检测图像进行识别处理，得到目标监测区域是否存在空气污染的污染检测结果，如此，由于空气污染的程度不同，会使得图像的信息不同，因而，可以基于污染检测模型对目标污染检测图像进行识别处理得到是否存在空气污染的污染检测结果，即得到的污染检测结果具有较高的可靠性，并且，不再依赖于高精度的检测设备，使得可以改善现有技术中污染检测的成本较高的问题。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的污染检测后台服务器的结构框图。
图2为本发明实施例提供的污染检测方法的流程示意图。
图3为本发明实施例提供的污染检测***的方框示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种污染检测后台服务器。其中，所述污染检测后台服务器可以包括存储器和处理器。
详细地，所述存储器和处理器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，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。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式，存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的污染检测方法。
可选地，在一种可能的实现方式中，所述存储器可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable ProgrammableRead-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory，EEPROM)等。所述处理器可以是一种通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)、片上***(System on Chip，SoC)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。
并且，图1所示的结构仅为示意，所述污染检测后台服务器还可包括比图1中所示更多或者更少的组件，或具有与图1所示不同的配置，例如，可以包括用于与其它设备进行信息交互的通信单元。
结合图2，本发明实施例还提供一种污染检测方法，可应用于上述污染检测后台服务器。其中，所述污染检测方法有关的流程所定义的方法步骤，可以由所述污染检测后台服务器实现，所述污染检测后台服务器通信连接有污染检测设备。下面将对图2所示的具体流程，进行详细阐述。
步骤S110，获取所述污染检测设备对目标监测区域进行图像采集得到的多帧污染检测图像。
在本发明实施例中，所述污染检测后台服务器可以先获取所述污染检测设备对目标监测区域进行图像采集得到的多帧污染检测图像。其中，所述污染检测设备设置于所述目标监测区域。
步骤S130，基于预先设置的图像筛选规则对所述多帧污染检测图像进行筛选处理，对应的至少一帧目标污染检测图像。
在本发明实施例中，所述污染检测后台服务器可以在获取到所述多帧污染检测图像之后，基于预先设置的图像筛选规则对所述多帧污染检测图像进行筛选处理，如此，可以筛选得到所述多帧污染检测图像对应的至少一帧目标污染检测图像。
步骤S150，基于预先训练得到的污染检测模型对所述至少一帧目标污染检测图像进行识别处理，得到是否存在空气污染的污染检测结果。
在本发明实施例中，所述污染检测后台服务器可以在筛选得到所述至少一帧目标污染检测图像之后，基于预先训练得到的污染检测模型对所述至少一帧目标污染检测图像进行识别处理，得到是否存在空气污染的污染检测结果。其中，所述污染检测模型为一种神经网络模型。
基于上述方法包括的步骤S110、步骤S130和步骤S150，可以通过污染检测设备对目标监测区域进行图像采集得到多帧污染检测图像，并在对多帧污染检测图像进行筛选得到对应的至少一帧目标污染检测图像之后，基于预先训练得到的污染检测模型对目标污染检测图像进行识别处理，得到目标监测区域是否存在空气污染的污染检测结果，如此，由于空气污染的程度不同，会使得图像的信息不同，因而，可以基于污染检测模型对目标污染检测图像进行识别处理得到是否存在空气污染的污染检测结果，即得到的污染检测结果具有较高的可靠性，并且，不再依赖于高精度的检测设备，使得可以改善现有技术中污染检测的成本较高的问题。
可选地，在一种可能的实现方式中,所述污染检测设备为多个，多个所述污染检测设备分别设置于所述目标监测区域的不同位置，所述获取所述污染检测设备对目标监测区域进行图像采集得到的多帧污染检测图像的步骤，即上述的步骤S110，可以包括以下步骤：
首先，在多个所述污染检测设备中确定出至少一个污染检测设备，作为对应的目标污染检测设备，以得到至少一个目标污染检测设备；
其次，生成污染检测通知信息，并将所述污染检测通知信息分别发送给所述至少一个目标污染检测设备中的每一个所述目标污染检测设备，其中，每一个所述目标污染检测设备用于在接收到所述污染检测通知信息之后，基于所述污染检测通知信息对所在的区域进行图像采集，得到对应的至少一帧污染检测图像，且每一个所述目标污染检测设备采集的所述污染检测图像的帧数相同；
然后，分别获取每一个所述目标污染检测设备基于所述污染检测通知信息发送的所述至少一帧污染检测图像。
可选地，在一种可能的实现方式中,所述在多个所述污染检测设备中确定出至少一个污染检测设备，作为对应的目标污染检测设备，以得到至少一个目标污染检测设备的步骤，可以包括以下子步骤：
首先，获取预先针对每一个污染检测周期设置的周期时长信息，并确定在当前的污染检测周期内历史上每一次确定出的历史污染检测设备；
其次，针对每一个所述污染检测设备，计算该污染检测设备与每一个其它污染检测设备之间的位置距离信息，并基于该位置距离信息确定对应的两个污染检测设备之间的空间关联关系信息(所述空间关联关系信息用于表征对应的两个污染检测设备之间的空间关联程度，与所述位置距离信息之间具有负相关关系)；
然后，在多个所述污染检测设备中，基于每两个所述污染检测设备之间的空间关联关系信息确定出多个污染检测设备集合，其中，属于同一个所述污染检测设备集合中的任意两个所述污染检测设备之间的空间关联关系信息满足预先设置的空间关联条件(如任意两个所述污染检测设备之间的空间关联程度小于设置的以关联程度阈值)；
之后，针对每一个所述污染检测设备集合，分别计算历史上每一次确定出的所述历史污染检测设备与该污染检测设备集合中的污染检测设备之间的设备重合度(如在历史上一次确定出的所述历史污染检测设备为4个，其中有一个与所述污染检测设备集合中的相同，对应的设备重合度可以为1/4)，得到该污染检测设备集合对应的至少一个设备重合度信息；
进一步，确定是否存在对应的每一个所述设备重合度信息都小于或等于预先设置的第一设备重合度阈值信息(如0)的污染检测设备集合，并在存在对应的每一个所述设备重合度信息都小于或等于所述第一设备重合度阈值信息的污染检测设备集合时，将该污染检测设备集合包括的污染检测设备作为对应的目标污染检测设备，以得到至少一个目标污染检测设备。
可选地，在一种可能的实现方式中,所述在多个所述污染检测设备中确定出至少一个污染检测设备，作为对应的目标污染检测设备，以得到至少一个目标污染检测设备的步骤，还可以包括以下子步骤：
首先，在不存在对应的每一个所述设备重合度信息都小于或等于所述第一设备重合度阈值信息的污染检测设备集合时，确定是否存在对应的每一个所述设备重合度信息都小于预先设置的第二设备重合度阈值信息(如100％)的污染检测设备集合，其中，所述第二设备重合度阈值信息大于所述第一设备重合度阈值信息；
其次，在不存在对应的每一个所述设备重合度信息都小于预先设置的第二设备重合度阈值信息的污染检测设备集合时，确定进入下一个污染检测周期，并将所述多个污染检测设备集合中随机确定出一个的污染检测设备集合包括的污染检测设备作为对应的目标污染检测设备，以得到至少一个目标污染检测设备。
可选地，在一种可能的实现方式中,所述在多个所述污染检测设备中确定出至少一个污染检测设备，作为对应的目标污染检测设备，以得到至少一个目标污染检测设备的步骤，还可以包括以下子步骤：
首先，在存在对应的每一个所述设备重合度信息都小于预先设置的第二设备重合度阈值信息的污染检测设备集合时，若该污染检测设备集合为一个，则将该污染检测设备集合包括的污染检测设备作为对应的目标污染检测设备，以得到至少一个目标污染检测设备，若该污染检测设备集合为多个，则基于每一个该污染检测设备集合对应的所述对应的至少一个设备重合度信息，将其中一个污染检测设备集合(如所述至少一个设备重合度信息的平均值最小的污染检测设备集合)包括的污染检测设备作为对应的目标污染检测设备，以得到至少一个目标污染检测设备。
可选地，在一种可能的实现方式中,所述污染检测设备为多个，多个所述污染检测设备分别设置于所述目标监测区域的不同位置，分别用于对所在的区域进行图像采集，所述基于预先设置的图像筛选规则对所述多帧污染检测图像进行筛选处理，得到所述多帧污染检测图像对应的至少一帧目标污染检测图像的步骤，即上述的步骤S130，包括以下步骤：
首先，基于多个所述污染检测设备分别采集得到的多帧污染检测图像的采集时序进行分类，得到对应的多个检测图像集合，其中，属于同一个所述检测图像集合中的任意两帧污染检测图像对应的采集时序相同，属于不同所述检测图像集合中的任意两帧污染检测图像对应的采集时序不同；
其次，针对所述多个检测图像集合中的每两个检测图像集合，计算该两个检测图像集合之间的相似度，得到对应的集合相似度；
然后，基于每两个检测图像集合之间的集合相似度对所述多个检测图像集合进行筛选(例如，若两个检测图像集合之间的集合相似度大于一阈值，可以保留其中一个，若两个检测图像集合之间的集合相似度不大于一阈值，可以保留该两个检测图像集合)，得到至少一个检测图像集合，并将所述至少一个检测图像集合包括的每一帧污染检测图像确定为目标污染检测图像，以得到多帧目标污染检测图像。
可选地，在一种可能的实现方式中,所述针对所述多个检测图像集合中的每两个检测图像集合，计算该两个检测图像集合之间的相似度，得到对应的集合相似度的步骤，可以包括以下子步骤：
针对所述多个检测图像集合中的每两个检测图像集合，对该两个检测图像执行目标计算操作，得到该两个检测图像集合之间的集合相似度信息。
其中，所述目标计算操作包括：
第一步，将所述两个检测图像集合中的一个检测图像集合确定为第一检测图像集合、另一个检测图像集合确定为第二检测图像集合，并基于所述两个检测图像集合之间对应的污染检测图像之间的图像相似度和每一个所述检测图像集合包括的污染检测图像的帧数，对所述两个检测图像集合包括的污染检测图像进行去重处理(例如，将两个污染检测图像集合中，将图像相似度最大的多组污染检测图像中每一组污染检测图像中的一帧筛除，一组污染检测图像包括两帧污染检测图像)，得到对应的第三检测图像集合，所述第三检测图像集合包括的污染检测图像的帧数与每一个所述检测图像集合包括的污染检测图像的帧数相同；
第二步，确定所述第一检测图像集合对应的第一检测图像子集合和第二检测图像子集合(任意分割)，并确定所述第二检测图像集合对应的第三检测图像子集合和第四检测图像子集合(任意分割，但第三检测图像子集合包括的污染检测图像的帧数与第一检测图像子集合包括的污染检测图像的帧数)，以及确定所述第三检测图像集合对应的第五检测图像子集合和第六检测图像子集合(任意分割，但第五检测图像子集合包括的污染检测图像的帧数与第一检测图像子集合包括的污染检测图像的帧数)，其中，所述第一检测图像子集合和所述第二检测图像子集合在所述第一检测图像集合中互为补集，所述第三检测图像子集合和所述第四检测图像子集合在所述第二检测图像集合中互为补集，所述第五检测图像子集合和所述第六检测图像子集合在所述第三检测图像集合中互为补集；
第三步，计算所述第一检测图像子集合与所述第五检测图像子集合之间关于所述污染检测图像的相似度(如先计算两个子集合之间每两帧污染检测图像之间的图像相似度，再计算所有图像相似度的平均值)，得到对应的第一子集合相似度，并计算所述第二检测图像子集合与所述第六检测图像子集合之间关于所述污染检测图像的相似度(如前所述)，得到对应的第二子集合相似度；
第四步，计算所述第三检测图像子集合与所述第五检测图像子集合之间关于所述污染检测图像的相似度(如先计算两个子集合之间每两帧污染检测图像之间的图像相似度，再计算所有图像相似度的平均值)，得到对应的第三子集合相似度，并计算所述第四检测图像子集合与所述第六检测图像子集合之间关于所述污染检测图像的相似度(如前所述)，得到对应的第四子集合相似度；
第七步，计算所述第一子集合相似度和所述第二子集合相似度之间的加权平均值(其中，所述第一检测图像子集合包括的污染检测图像的帧数和所述第二检测图像子集合包括的污染检测图像的帧数之间的大小关系，与所述第一子集合相似度和所述第二子集合相似度对应的加权系数之间的大小关系相同)，得到所述第一检测图像集合与所述第三检测图像集合之间的集合相似度，并计算所述第三子集合相似度和所述第四子集合相似度之间的加权平均值(其中，所述第三检测图像子集合包括的污染检测图像的帧数和所述第四检测图像子集合包括的污染检测图像的帧数之间的大小关系，与所述第三子集合相似度和所述第四子集合相似度对应的加权系数之间的大小关系相同)，得到所述第二检测图像集合与所述第四检测图像集合之间的集合相似度；
第八步，基于所述第一检测图像集合与所述第三检测图像集合之间的集合相似度和所述第二检测图像集合与所述第四检测图像集合之间的集合相似度进行相似度融合处理(如相乘处理)，得到所述两个检测图像集合之间的集合相似度信息。
可选地，在一种可能的实现方式中,所述基于预先训练得到的污染检测模型对所述至少一帧目标污染检测图像进行识别处理，得到所述目标监测区域是否存在空气污染的污染检测结果的步骤，即上述的步骤S150，可以包括以下步骤：
首先，获取多帧第一样本检测图像和多帧第二样本检测图像，其中，所述多帧第一样本检测图像基于在所述目标监测区域中不存在空气污染时进行图像采集得到，所述多帧第二样本检测图像基于在所述目标监测区域中存在空气污染时进行图像采集得到；
其次，基于所述多帧第一样本检测图像和所述多帧第二样本检测图像对目标神经网络模型进行训练，得到对应的污染检测模型，其中，所述污染检测模型为二分类神经网络模型(可以参照现有的相关技术)；
然后，基于所述污染检测模型对所述至少一帧目标污染检测图像进行识别处理，得到所述目标监测区域是否存在空气污染的污染检测结果。
结合图3，本发明实施例还提供一种污染检测***，可应用于上述污染检测后台服务器。其中，所述污染检测***可以包括污染检测图像获取模块、污染检测图像筛选模块和污染检测图像识别模块。
详细地，所述污染检测图像获取模块，用于获取所述污染检测设备对目标监测区域进行图像采集得到的多帧污染检测图像，其中，所述污染检测设备设置于所述目标监测区域。所述污染检测图像筛选模块，用于基于预先设置的图像筛选规则对所述多帧污染检测图像进行筛选处理，得到所述多帧污染检测图像对应的至少一帧目标污染检测图像。所述污染检测图像识别模块，用于基于预先训练得到的污染检测模型对所述至少一帧目标污染检测图像进行识别处理，得到所述目标监测区域是否存在空气污染的污染检测结果，其中，所述污染检测模型为一种神经网络模型。
可选地，在一种可能的实现方式中,所述污染检测图像筛选模块具体可以用于：基于多个所述污染检测设备分别采集得到的多帧污染检测图像的采集时序进行分类，得到对应的多个检测图像集合，其中，属于同一个所述检测图像集合中的任意两帧污染检测图像对应的采集时序相同，属于不同所述检测图像集合中的任意两帧污染检测图像对应的采集时序不同；针对所述多个检测图像集合中的每两个检测图像集合，计算该两个检测图像集合之间的相似度，得到对应的集合相似度；基于每两个检测图像集合之间的集合相似度对所述多个检测图像集合进行筛选，得到至少一个检测图像集合，并将所述至少一个检测图像集合包括的每一帧污染检测图像确定为目标污染检测图像。
可选地，在一种可能的实现方式中,所述污染检测图像识别模块具体可以用于：获取多帧第一样本检测图像和多帧第二样本检测图像，其中，所述多帧第一样本检测图像基于在所述目标监测区域中不存在空气污染时进行图像采集得到，所述多帧第二样本检测图像基于在所述目标监测区域中存在空气污染时进行图像采集得到；基于所述多帧第一样本检测图像和所述多帧第二样本检测图像对目标神经网络模型进行训练，得到对应的污染检测模型，其中，所述污染检测模型为二分类神经网络模型；基于所述污染检测模型对所述至少一帧目标污染检测图像进行识别处理，得到所述目标监测区域是否存在空气污染的污染检测结果。
综上所述，本发明提供的一种污染检测方法及***，可以通过污染检测设备对目标监测区域进行图像采集得到多帧污染检测图像，并在对多帧污染检测图像进行筛选得到对应的至少一帧目标污染检测图像之后，基于预先训练得到的污染检测模型对目标污染检测图像进行识别处理，得到目标监测区域是否存在空气污染的污染检测结果，如此，由于空气污染的程度不同，会使得图像的信息不同，因而，可以基于污染检测模型对目标污染检测图像进行识别处理得到是否存在空气污染的污染检测结果，即得到的污染检测结果具有较高的可靠性，并且，不再依赖于高精度的检测设备，使得可以改善现有技术中污染检测的成本较高的问题。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种污染检测方法，其特征在于，应用于污染检测后台服务器，所述污染检测后台服务器通信连接有污染检测设备，所述污染检测方法包括：
获取所述污染检测设备对目标监测区域进行图像采集得到的多帧污染检测图像，其中，所述污染检测设备设置于所述目标监测区域；
基于预先设置的图像筛选规则对所述多帧污染检测图像进行筛选处理，得到所述多帧污染检测图像对应的至少一帧目标污染检测图像；
基于预先训练得到的污染检测模型对所述至少一帧目标污染检测图像进行识别处理，得到所述目标监测区域是否存在空气污染的污染检测结果，其中，所述污染检测模型为一种神经网络模型。
2.如权利要求1所述的污染检测方法，其特征在于，所述污染检测设备为多个，多个所述污染检测设备分别设置于所述目标监测区域的不同位置，所述获取所述污染检测设备对目标监测区域进行图像采集得到的多帧污染检测图像的步骤，包括：
在多个所述污染检测设备中确定出至少一个污染检测设备，作为对应的目标污染检测设备，以得到至少一个目标污染检测设备；
生成污染检测通知信息，并将所述污染检测通知信息分别发送给所述至少一个目标污染检测设备中的每一个所述目标污染检测设备，其中，每一个所述目标污染检测设备用于在接收到所述污染检测通知信息之后，基于所述污染检测通知信息对所在的区域进行图像采集，得到对应的至少一帧污染检测图像，且每一个所述目标污染检测设备采集的所述污染检测图像的帧数相同；
分别获取每一个所述目标污染检测设备基于所述污染检测通知信息发送的所述至少一帧污染检测图像。
3.如权利要求2所述的污染检测方法，其特征在于，所述在多个所述污染检测设备中确定出至少一个污染检测设备，作为对应的目标污染检测设备，以得到至少一个目标污染检测设备的步骤，包括：
获取预先针对每一个污染检测周期设置的周期时长信息，并确定在当前的污染检测周期内历史上每一次确定出的历史污染检测设备；
针对每一个所述污染检测设备，计算该污染检测设备与每一个其它污染检测设备之间的位置距离信息，并基于该位置距离信息确定对应的两个污染检测设备之间的空间关联关系信息；
在多个所述污染检测设备中，基于每两个所述污染检测设备之间的空间关联关系信息确定出多个污染检测设备集合，其中，属于同一个所述污染检测设备集合中的任意两个所述污染检测设备之间的空间关联关系信息满足预先设置的空间关联条件；
针对每一个所述污染检测设备集合，分别计算历史上每一次确定出的所述历史污染检测设备与该污染检测设备集合中的污染检测设备之间的设备重合度，得到该污染检测设备集合对应的至少一个设备重合度信息；
确定是否存在对应的每一个所述设备重合度信息都小于或等于预先设置的第一设备重合度阈值信息的污染检测设备集合，并在存在对应的每一个所述设备重合度信息都小于或等于所述第一设备重合度阈值信息的污染检测设备集合时，将该污染检测设备集合包括的污染检测设备作为对应的目标污染检测设备，以得到至少一个目标污染检测设备。
4.如权利要求3所述的污染检测方法，其特征在于，所述在多个所述污染检测设备中确定出至少一个污染检测设备，作为对应的目标污染检测设备，以得到至少一个目标污染检测设备的步骤，还包括：
在不存在对应的每一个所述设备重合度信息都小于或等于所述第一设备重合度阈值信息的污染检测设备集合时，确定是否存在对应的每一个所述设备重合度信息都小于预先设置的第二设备重合度阈值信息的污染检测设备集合，其中，所述第二设备重合度阈值信息大于所述第一设备重合度阈值信息；
在不存在对应的每一个所述设备重合度信息都小于预先设置的第二设备重合度阈值信息的污染检测设备集合时，确定进入下一个污染检测周期，并将所述多个污染检测设备集合中随机确定出一个的污染检测设备集合包括的污染检测设备作为对应的目标污染检测设备，以得到至少一个目标污染检测设备。
5.如权利要求4所述的污染检测方法，其特征在于，所述在多个所述污染检测设备中确定出至少一个污染检测设备，作为对应的目标污染检测设备，以得到至少一个目标污染检测设备的步骤，还包括：
在存在对应的每一个所述设备重合度信息都小于预先设置的第二设备重合度阈值信息的污染检测设备集合时，若该污染检测设备集合为一个，则将该污染检测设备集合包括的污染检测设备作为对应的目标污染检测设备，以得到至少一个目标污染检测设备，若该污染检测设备集合为多个，则基于每一个该污染检测设备集合对应的所述对应的至少一个设备重合度信息，将其中一个污染检测设备集合包括的污染检测设备作为对应的目标污染检测设备，以得到至少一个目标污染检测设备。
6.如权利要求1所述的污染检测方法，其特征在于，所述污染检测设备为多个，多个所述污染检测设备分别设置于所述目标监测区域的不同位置，分别用于对所在的区域进行图像采集，所述基于预先设置的图像筛选规则对所述多帧污染检测图像进行筛选处理，得到所述多帧污染检测图像对应的至少一帧目标污染检测图像的步骤，包括：
基于多个所述污染检测设备分别采集得到的多帧污染检测图像的采集时序进行分类，得到对应的多个检测图像集合，其中，属于同一个所述检测图像集合中的任意两帧污染检测图像对应的采集时序相同，属于不同所述检测图像集合中的任意两帧污染检测图像对应的采集时序不同；
针对所述多个检测图像集合中的每两个检测图像集合，计算该两个检测图像集合之间的相似度，得到对应的集合相似度；
基于每两个检测图像集合之间的集合相似度对所述多个检测图像集合进行筛选，得到至少一个检测图像集合，并将所述至少一个检测图像集合包括的每一帧污染检测图像确定为目标污染检测图像。
7.如权利要求1-6任意一项所述的污染检测方法，其特征在于，所述基于预先训练得到的污染检测模型对所述至少一帧目标污染检测图像进行识别处理，得到所述目标监测区域是否存在空气污染的污染检测结果的步骤，包括：
获取多帧第一样本检测图像和多帧第二样本检测图像，其中，所述多帧第一样本检测图像基于在所述目标监测区域中不存在空气污染时进行图像采集得到，所述多帧第二样本检测图像基于在所述目标监测区域中存在空气污染时进行图像采集得到；
基于所述多帧第一样本检测图像和所述多帧第二样本检测图像对目标神经网络模型进行训练，得到对应的污染检测模型，其中，所述污染检测模型为二分类神经网络模型；
基于所述污染检测模型对所述至少一帧目标污染检测图像进行识别处理，得到所述目标监测区域是否存在空气污染的污染检测结果。
8.一种污染检测***，其特征在于，应用于污染检测后台服务器，所述污染检测后台服务器通信连接有污染检测设备，所述污染检测***包括：
污染检测图像获取模块，用于获取所述污染检测设备对目标监测区域进行图像采集得到的多帧污染检测图像，其中，所述污染检测设备设置于所述目标监测区域；
污染检测图像筛选模块，用于基于预先设置的图像筛选规则对所述多帧污染检测图像进行筛选处理，得到所述多帧污染检测图像对应的至少一帧目标污染检测图像；
污染检测图像识别模块，用于基于预先训练得到的污染检测模型对所述至少一帧目标污染检测图像进行识别处理，得到所述目标监测区域是否存在空气污染的污染检测结果，其中，所述污染检测模型为一种神经网络模型。
9.如权利要求8所述的污染检测***，其特征在于，所述污染检测图像筛选模块具体用于：
基于多个所述污染检测设备分别采集得到的多帧污染检测图像的采集时序进行分类，得到对应的多个检测图像集合，其中，属于同一个所述检测图像集合中的任意两帧污染检测图像对应的采集时序相同，属于不同所述检测图像集合中的任意两帧污染检测图像对应的采集时序不同；
针对所述多个检测图像集合中的每两个检测图像集合，计算该两个检测图像集合之间的相似度，得到对应的集合相似度；
基于每两个检测图像集合之间的集合相似度对所述多个检测图像集合进行筛选，得到至少一个检测图像集合，并将所述至少一个检测图像集合包括的每一帧污染检测图像确定为目标污染检测图像。
10.如权利要求8所述的污染检测***，其特征在于，所述污染检测图像识别模块具体用于：
获取多帧第一样本检测图像和多帧第二样本检测图像，其中，所述多帧第一样本检测图像基于在所述目标监测区域中不存在空气污染时进行图像采集得到，所述多帧第二样本检测图像基于在所述目标监测区域中存在空气污染时进行图像采集得到；
基于所述多帧第一样本检测图像和所述多帧第二样本检测图像对目标神经网络模型进行训练，得到对应的污染检测模型，其中，所述污染检测模型为二分类神经网络模型；
基于所述污染检测模型对所述至少一帧目标污染检测图像进行识别处理，得到所述目标监测区域是否存在空气污染的污染检测结果。
CN202111031338.XA 2021-09-03 2021-09-03 一种污染检测方法及*** Withdrawn CN113808088A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111031338.XA CN113808088A (zh) 2021-09-03 2021-09-03 一种污染检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111031338.XA CN113808088A (zh) 2021-09-03 2021-09-03 一种污染检测方法及***

Publications (1)

Publication Number Publication Date
CN113808088A true CN113808088A (zh) 2021-12-17

Family

ID=78942338

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111031338.XA Withdrawn CN113808088A (zh) 2021-09-03 2021-09-03 一种污染检测方法及***

Country Status (1)

Country Link
CN (1) CN113808088A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115620243A (zh) * 2022-12-20 2023-01-17 深圳联和智慧科技有限公司 基于人工智能的污染源监测方法、***及云平台

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115620243A (zh) * 2022-12-20 2023-01-17 深圳联和智慧科技有限公司 基于人工智能的污染源监测方法、***及云平台

Similar Documents

Publication Publication Date Title
CN110928862A (zh) 数据清洗方法、数据清洗设备以及计算机存储介质
CN111931548A (zh) 人脸识别***、建立人脸识别数据的方法及人脸识别方法
CN118094118A (zh) 数据集质量评估方法、***、电子设备及存储介质
CN113808088A (zh) 一种污染检测方法及***
CN113869327A (zh) 一种基于土壤元素含量检测的数据处理方法及***
CN113902993A (zh) 一种基于环境监测的环境状态分析方法及***
CN117373580B (zh) 基于时序网络实现钛合金产品的性能分析方法及***
CN114139016A (zh) 一种智慧小区的数据处理方法及***
CN114332058A (zh) 基于神经网络的血清质量识别方法、装置、设备及介质
CN113672782A (zh) 一种基于数据查询的物联网设备重要性匹配方法
CN111178347B (zh) 证件图像的模糊度检测方法、装置、设备及存储介质
CN115424193A (zh) 一种训练图像信息处理的方法及***
CN115375886A (zh) 一种基于云计算服务的数据采集方法及***
CN113837242A (zh) 一种土壤元素含量检测方法及***
CN112149546B (zh) 一种信息处理方法、装置、电子设备及存储介质
CN113867139A (zh) 一种基于污染检测数据的污染处理设备控制方法及***
CN114928467A (zh) 一种网络安全运维关联分析方法及***
CN113867140A (zh) 一种基于污染检测数据的设备控制指令传输方法及***
CN113625092A (zh) 一种电子元件性能数据检测方法
CN113672443A (zh) 一种基于芯片检测的用户行为分析方法及***
CN113902412A (zh) 一种基于数据处理的环境监测方法
CN113869375A (zh) 一种材料检测方法及材料检测***
CN114545167B (zh) 一种基于t-SNE算法的电缆终端局放脉冲分类方法
CN113848210A (zh) 一种基于材料检测数据的材料定性方法及定性***
CN114418036B (zh) 神经网络的性能测试和训练方法、设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20211217

WW01 Invention patent application withdrawn after publication