CN114120094A - 一种基于人工智能的水污染识别方法及*** - Google Patents
一种基于人工智能的水污染识别方法及*** Download PDFInfo
- Publication number
- CN114120094A CN114120094A CN202111410121.XA CN202111410121A CN114120094A CN 114120094 A CN114120094 A CN 114120094A CN 202111410121 A CN202111410121 A CN 202111410121A CN 114120094 A CN114120094 A CN 114120094A
- Authority
- CN
- China
- Prior art keywords
- image
- data set
- floater
- module
- identification
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人工智能的水污染识别方法及***，方法包括构建水域图像数据库，依据水域图像数据库生成时间描述特征、漂浮物特征和区别于漂浮物的干扰特征，将时间描述特征、漂浮物特征和区别于漂浮物的干扰特征输入卷积神经网络进行训练，得到漂浮物识别模型，实时采集水域图像输入至漂浮物识别模型中进行识别，从而实现水污染的识别；通过采用卷积神经网络训练出漂浮物识别模型，从而实现实时智能检测水上漂浮物的效果，节省了人力和物力，此外，通过采用时间描述特征、漂浮物特征和区别于漂浮物的干扰特征作为训练数据，使得漂浮物识别模型不仅能够检测出漂浮物的种类，还能够识别出漂浮物的数量，提高了水污染识别的可靠性和时效性。
Description
技术领域
本发明涉及水污染识别技术领域，尤其涉及一种基于人工智能的水污染识别方法及***。
背景技术
目前，随着环保理念深入人心，污染防治工作不断开展，尤其在水域污染防治领域，如何快速实时的识别水域污染状态，是水域污染防治工作的关键，现有的水域污染状态识别方法大多采用人工检测的方式，通过人工比对水体中污染物的含量得到水污染状态分析结果，这种水污染识别方式耗时耗力，得到的结果可靠性不高，且时效性难以保证，并不能为水域污染防治工作提供高效、准确的水域污染状态识别数据。
发明内容
有鉴于此，本发明提出一种基于人工智能的水污染识别方法及***，可以解决现有水污染识别方式所存在的可靠性不高和时效性难以保证的缺陷。
本发明的技术方案是这样实现的：
一种基于人工智能的水污染识别方法，具体包括以下步骤：
步骤S1，构建水域图像数据库，所述水域图像数据库包括水上包含漂浮物的第一图像数据集和水上不含漂浮物的第二图像数据集；
步骤S2，依据所述第一图像数据集，生成时间描述特征和漂浮物特征；
步骤S3，依据所述第二图像数据集，生成区别于漂浮物的干扰特征；
步骤S4，将时间描述特征、漂浮物特征和区别于漂浮物的干扰特征输入卷积神经网络进行训练，得到漂浮物识别模型；
步骤S5，实时采集水域图像，并将水域图像输入至漂浮物识别模型中进行识别，漂浮物识别模型输出识别结果，从而实现水污染的识别。
作为所述基于人工智能的水污染识别方法的进一步可选方案，所述步骤S1和步骤S2之间还包括数据增强处理，所述数据增强处理包括图像旋转、图像反射变换、图像翻转变换、图像缩放变换、图像平移变换、图像尺度变换、图像对比度变换、图像噪声扰动和图像颜色变换。
作为所述基于人工智能的水污染识别方法的进一步可选方案，所述步骤S2具体包括以下步骤：
步骤S21，对所述第一图像数据库中图像的漂浮物区域使用矩形框进行标记，得到矩形框的坐标信息和矩形框中所包含漂浮物种类的第三图像数据集；
步骤S22，依据所述第三图像数据集进行时间序列提取，得到时间描述特征；
步骤S23，对所述第三图像数据集和第二图像数据集进行训练，得到漂浮物特征。
作为所述基于人工智能的水污染识别方法的进一步可选方案，所述卷积神经网络采用CNN神经网络。
一种人工智能的水污染识别***，所述***包括：
构建模块，用于构建水域图像数据库，所述水域图像数据库包括水上包含漂浮物的第一图像数据集和水上不含漂浮物的第二图像数据集；
第一生成模块，用于依据所述第一图像数据集，生成时间描述特征和漂浮物特征；
第二生成模块，用于依据所述第二图像数据集，生成区别于漂浮物的干扰特征；
训练模块，用于将时间描述特征、漂浮物特征和区别于漂浮物的干扰特征输入卷积神经网络进行训练，得到漂浮物识别模型；
识别模块，用于实时采集水域图像，并将水域图像输入至漂浮物识别模型中进行识别，漂浮物识别模型输出识别结果，从而实现水污染的识别。
作为所述人工智能的水污染识别***的进一步可选方案，***还包括数据增强处理模块，所述数据增强处理模块包括图像旋转模块、图像反射变换模块、图像翻转变换模块、图像缩放变换模块、图像平移变换模块、图像尺度变换模块、图像对比度变换模块、图像噪声扰动模块和图像颜色变换模块。
作为所述人工智能的水污染识别***的进一步可选方案，所述第一生成模块包括：
数据标记模块，用于对所述第一图像数据库中图像的漂浮物区域使用矩形框进行标记，得到矩形框的坐标信息和矩形框中所包含漂浮物种类的第三图像数据集；
时间序列提取模块，用于依据所述第三图像数据集进行时间序列提取，得到时间描述特征；
漂浮物特征生成模块，用于对所述第三图像数据集和第二图像数据集进行训练，得到漂浮物特征。
作为所述人工智能的水污染识别***的进一步可选方案，所述卷积神经网络采用CNN神经网络。
本发明的有益效果是：通过采用卷积神经网络训练出漂浮物识别模型，从而实现实时智能检测水上漂浮物的效果，进而取代了传统的基于人工的检测方法，节省了人力和物力，此外，通过采用时间描述特征、漂浮物特征和区别于漂浮物的干扰特征作为训练数据，使得漂浮物识别模型不仅能够检测出漂浮物的种类，还能够识别出漂浮物的数量，进而提高了水污染识别的可靠性和时效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明一种基于人工智能的水污染识别方法的流程示意图；
图2为本发明一种基于人工智能的水污染识别***的组成图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
参考图1-2，一种基于人工智能的水污染识别方法，具体包括以下步骤：
步骤S1，构建水域图像数据库，所述水域图像数据库包括水上包含漂浮物的第一图像数据集和水上不含漂浮物的第二图像数据集；
步骤S2，依据所述第一图像数据集，生成时间描述特征和漂浮物特征；
步骤S3，依据所述第二图像数据集，生成区别于漂浮物的干扰特征；
步骤S4，将时间描述特征、漂浮物特征和区别于漂浮物的干扰特征输入卷积神经网络进行训练，得到漂浮物识别模型；
步骤S5，实时采集水域图像，并将水域图像输入至漂浮物识别模型中进行识别，漂浮物识别模型输出识别结果，从而实现水污染的识别。
在本实施例中，通过采用卷积神经网络训练出漂浮物识别模型，从而实现实时智能检测水上漂浮物的效果，进而取代了传统的基于人工的检测方法，节省了人力和物力，此外，通过采用时间描述特征、漂浮物特征和区别于漂浮物的干扰特征作为训练数据，使得漂浮物识别模型不仅能够检测出漂浮物的种类，还能够识别出漂浮物的数量，进而提高了水污染识别的可靠性和时效性。
优选的，所述步骤S1和步骤S2之间还包括数据增强处理，所述数据增强处理包括图像旋转、图像反射变换、图像翻转变换、图像缩放变换、图像平移变换、图像尺度变换、图像对比度变换、图像噪声扰动和图像颜色变换。
在本实施例中，由于同一物体在不同的背景和不同的角度下观察，得到的图像可能完全不同，从而有可能导致无法正确识别这些图像，因此为了增加训练集中图片的个数，可以采用数据增强的方法来实现，通过对第一图像数据集和第二图像数据集进行数据增强，通过增加第一图像数据集和第二图像数据集中图片的个数，从而提高识别性能和泛化能力。
优选的，所述步骤S2具体包括以下步骤：
步骤S21，对所述第一图像数据库中图像的漂浮物区域使用矩形框进行标记，得到矩形框的坐标信息和矩形框中所包含漂浮物种类的第三图像数据集；
步骤S22，依据所述第三图像数据集进行时间序列提取，得到时间描述特征；
步骤S23，对所述第三图像数据集和第二图像数据集进行训练，得到漂浮物特征。
在本实施例中，将采集到的图片及数据增强后得到的图中的水上漂浮物用矩形框进行标注，获取矩形框的坐标与矩形框所包含漂浮物的种类，同时获取漂浮物在图像上的坐标信息(x，y，w，h)，具体是获取每个矩形框的五个参数，包括:矩形框的中心点坐标、矩形框的宽度与高度，以及矩形框所包含漂浮物的种类，对第三图像数据集进行时间序列提取，从而得到时间描述特征，通过CNN神经网络对第三图像数据集和第二图像数据集进行训练，第三图像数据集中的标记框里面的图像信息会生成漂浮物目标的特征信息，第二图像数据集中的图片信息会被认为是区别于漂浮物干扰特征信息。
优选的，所述卷积神经网络采用CNN神经网络。
一种人工智能的水污染识别***，所述***包括：
构建模块，用于构建水域图像数据库，所述水域图像数据库包括水上包含漂浮物的第一图像数据集和水上不含漂浮物的第二图像数据集；
第一生成模块，用于依据所述第一图像数据集，生成时间描述特征和漂浮物特征；
第二生成模块，用于依据所述第二图像数据集，生成区别于漂浮物的干扰特征；
训练模块，用于将时间描述特征、漂浮物特征和区别于漂浮物的干扰特征输入卷积神经网络进行训练，得到漂浮物识别模型；
识别模块，用于实时采集水域图像，并将水域图像输入至漂浮物识别模型中进行识别，漂浮物识别模型输出识别结果，从而实现水污染的识别。
在本实施例中，通过采用卷积神经网络训练出漂浮物识别模型，从而实现实时智能检测水上漂浮物的效果，进而取代了传统的基于人工的检测方法，节省了人力和物力，此外，通过采用时间描述特征、漂浮物特征和区别于漂浮物的干扰特征作为训练数据，使得漂浮物识别模型不仅能够检测出漂浮物的种类，还能够识别出漂浮物的数量，进而提高了水污染识别的可靠性和时效性。
优选的，***还包括数据增强处理模块，所述数据增强处理模块包括图像旋转模块、图像反射变换模块、图像翻转变换模块、图像缩放变换模块、图像平移变换模块、图像尺度变换模块、图像对比度变换模块、图像噪声扰动模块和图像颜色变换模块。
在本实施例中，由于同一物体在不同的背景和不同的角度下观察，得到的图像可能完全不同，从而有可能导致无法正确识别这些图像，因此为了增加训练集中图片的个数，可以采用数据增强的方法来实现，通过对第一图像数据集和第二图像数据集进行数据增强，通过增加第一图像数据集和第二图像数据集中图片的个数，从而提高识别性能和泛化能力。
优选的，所述第一生成模块包括：
数据标记模块，用于对所述第一图像数据库中图像的漂浮物区域使用矩形框进行标记，得到矩形框的坐标信息和矩形框中所包含漂浮物种类的第三图像数据集；
时间序列提取模块，用于依据所述第三图像数据集进行时间序列提取，得到时间描述特征；
漂浮物特征生成模块，用于对所述第三图像数据集和第二图像数据集进行训练，得到漂浮物特征。
在本实施例中，将采集到的图片及数据增强后得到的图中的水上漂浮物用矩形框进行标注，获取矩形框的坐标与矩形框所包含漂浮物的种类，同时获取漂浮物在图像上的坐标信息(x，y，w，h)，具体是获取每个矩形框的五个参数，包括:矩形框的中心点坐标、矩形框的宽度与高度，以及矩形框所包含漂浮物的种类，对第三图像数据集进行时间序列提取，从而得到时间描述特征，通过CNN神经网络对第三图像数据集和第二图像数据集进行训练，第三图像数据集中的标记框里面的图像信息会生成漂浮物目标的特征信息，第二图像数据集中的图片信息会被认为是区别于漂浮物干扰特征信息。
优选的，所述卷积神经网络采用CNN神经网络。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，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 (8)
1.一种基于人工智能的水污染识别方法，其特征在于，具体包括以下步骤：
步骤S1，构建水域图像数据库，所述水域图像数据库包括水上包含漂浮物的第一图像数据集和水上不含漂浮物的第二图像数据集；
步骤S2，依据所述第一图像数据集，生成时间描述特征和漂浮物特征；
步骤S3，依据所述第二图像数据集，生成区别于漂浮物的干扰特征；
步骤S4，将时间描述特征、漂浮物特征和区别于漂浮物的干扰特征输入卷积神经网络进行训练，得到漂浮物识别模型；
步骤S5，实时采集水域图像，并将水域图像输入至漂浮物识别模型中进行识别，漂浮物识别模型输出识别结果，从而实现水污染的识别。
2.根据权利要求1所述的一种基于人工智能的水污染识别方法，其特征在于，所述步骤S1和步骤S2之间还包括数据增强处理，所述数据增强处理包括图像旋转、图像反射变换、图像翻转变换、图像缩放变换、图像平移变换、图像尺度变换、图像对比度变换、图像噪声扰动和图像颜色变换。
3.根据权利要求2所述的一种基于人工智能的水污染识别方法，其特征在于，所述步骤S2具体包括以下步骤：
步骤S21，对所述第一图像数据库中图像的漂浮物区域使用矩形框进行标记，得到矩形框的坐标信息和矩形框中所包含漂浮物种类的第三图像数据集；
步骤S22，依据所述第三图像数据集进行时间序列提取，得到时间描述特征；
步骤S23，对所述第三图像数据集和第二图像数据集进行训练，得到漂浮物特征。
4.根据权利要求3所述的一种基于人工智能的水污染识别方法，其特征在于，所述卷积神经网络采用CNN神经网络。
5.一种基于人工智能的水污染识别***，其特征在于，所述***包括：
构建模块，用于构建水域图像数据库，所述水域图像数据库包括水上包含漂浮物的第一图像数据集和水上不含漂浮物的第二图像数据集；
第一生成模块，用于依据所述第一图像数据集，生成时间描述特征和漂浮物特征；
第二生成模块，用于依据所述第二图像数据集，生成区别于漂浮物的干扰特征；
训练模块，用于将时间描述特征、漂浮物特征和区别于漂浮物的干扰特征输入卷积神经网络进行训练，得到漂浮物识别模型；
识别模块，用于实时采集水域图像，并将水域图像输入至漂浮物识别模型中进行识别，漂浮物识别模型输出识别结果，从而实现水污染的识别。
6.根据权利要求5所述的一种基于人工智能的水污染识别***，其特征在于，***还包括数据增强处理模块，所述数据增强处理模块包括图像旋转模块、图像反射变换模块、图像翻转变换模块、图像缩放变换模块、图像平移变换模块、图像尺度变换模块、图像对比度变换模块、图像噪声扰动模块和图像颜色变换模块。
7.根据权利要求6所述的一种基于人工智能的水污染识别***，其特征在于，所述第一生成模块包括：
数据标记模块，用于对所述第一图像数据库中图像的漂浮物区域使用矩形框进行标记，得到矩形框的坐标信息和矩形框中所包含漂浮物种类的第三图像数据集；
时间序列提取模块，用于依据所述第三图像数据集进行时间序列提取，得到时间描述特征；
漂浮物特征生成模块，用于对所述第三图像数据集和第二图像数据集进行训练，得到漂浮物特征。
8.根据权利要求7所述的一种基于人工智能的水污染识别***，其特征在于，所述卷积神经网络采用CNN神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111410121.XA CN114120094A (zh) | 2021-11-19 | 2021-11-19 | 一种基于人工智能的水污染识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111410121.XA CN114120094A (zh) | 2021-11-19 | 2021-11-19 | 一种基于人工智能的水污染识别方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114120094A true CN114120094A (zh) | 2022-03-01 |
Family
ID=80372683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111410121.XA Pending CN114120094A (zh) | 2021-11-19 | 2021-11-19 | 一种基于人工智能的水污染识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114120094A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115223162A (zh) * | 2022-08-22 | 2022-10-21 | 北京海舶无人船科技有限公司 | 一种漂浮物识别方法及*** |
| CN116310893A (zh) * | 2023-02-22 | 2023-06-23 | 中关村科学城城市大脑股份有限公司 | 一种基于无人机的水域污染采集识别方法及*** |
| WO2023231644A1 (zh) * | 2022-06-01 | 2023-12-07 | 杭州睿胜软件有限公司 | 对象识别模型的训练方法、对象识别方法和对象识别设备 |
-
2021
- 2021-11-19 CN CN202111410121.XA patent/CN114120094A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023231644A1 (zh) * | 2022-06-01 | 2023-12-07 | 杭州睿胜软件有限公司 | 对象识别模型的训练方法、对象识别方法和对象识别设备 |
| CN115223162A (zh) * | 2022-08-22 | 2022-10-21 | 北京海舶无人船科技有限公司 | 一种漂浮物识别方法及*** |
| CN116310893A (zh) * | 2023-02-22 | 2023-06-23 | 中关村科学城城市大脑股份有限公司 | 一种基于无人机的水域污染采集识别方法及*** |
| CN116310893B (zh) * | 2023-02-22 | 2023-09-19 | 中关村科学城城市大脑股份有限公司 | 一种基于无人机的水域污染采集识别方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
| CN114120094A (zh) | 一种基于人工智能的水污染识别方法及*** | |
| CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
| CN103065134B (zh) | 一种具有提示信息的指纹识别装置和方法 | |
| CN109146892A (zh) | 一种基于美学的图像裁剪方法及装置 | |
| CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| CN109858480A (zh) | 一种数字式仪表识别方法 | |
| CN106682629A (zh) | 一种复杂背景下身份证号识别算法 | |
| CN108537222A (zh) | 一种用于电力仪表的图像识别方法及*** | |
| CN112837290A (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
| CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
| CN114549993B (zh) | 实验中线段图像的评分方法、***、设备及可读存储介质 | |
| CN110533026A (zh) | 基于计算机视觉的电竞图像数字与图标信息获取方法 | |
| CN116052222A (zh) | 自然采集牛脸图像的牛脸识别方法 | |
| CN112084860A (zh) | 目标对象检测、火力发电厂检测方法和装置 | |
| CN103295238B (zh) | 安卓平台上基于roi运动检测的视频实时定位方法 | |
| CN112801109A (zh) | 一种基于多尺度特征融合的遥感图像分割方法及*** | |
| CN111414855A (zh) | 基于端到端回归模型的电线杆标牌目标检测及识别方法 | |
| CN115937492B (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
| Kezia et al. | A color-texture based segmentation method to extract object from background | |
| CN116343205A (zh) | 一种浮游藻类细胞荧光-明场显微图像自动标注方法 | |
| CN116091933A (zh) | 基于遥感技术的水域地形的地质分析方法及装置 | |
| CN113192108B (zh) | 一种针对视觉跟踪模型的人在回路训练方法及相关装置 | |
| CN110570437B (zh) | 一种基于边界识别的电力通道自动化巡检数据处理方法 | |
| CN113569835A (zh) | 一种基于目标检测和分割识别的水表数值读取方法 |
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 |