本發(fā)明涉及圖像處理，具體而言，涉及一種水面污染預(yù)測方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)：

1、隨著城鎮(zhèn)化建設(shè)的加速，給環(huán)境和生態(tài)造成了一定的影響，許多河流的水面上出現(xiàn)大量的污染物，這些污染物由各種自然和人工廢棄物組成，在水面堆積腐爛，會(huì)嚴(yán)重影響水環(huán)境和水資源安全。

2、在相關(guān)技術(shù)中，對于水面區(qū)域的污染監(jiān)測需要工作人員前往水面區(qū)域附近進(jìn)行現(xiàn)場檢測，雖然能夠?qū)崿F(xiàn)對現(xiàn)場水面區(qū)域的水質(zhì)檢測，但是監(jiān)測效率較低，耗時(shí)較長，所需人工成本較高，且范圍有限。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明解決旨在解決上述問題中的至少一個(gè)。

2、為解決上述問題，本發(fā)明提供一種水面污染預(yù)測方法、裝置、設(shè)備及介質(zhì)。

3、第一方面，本發(fā)明提供了一種水面污染預(yù)測方法，包括：

4、獲取圖像分割訓(xùn)練集、第一初始分割模型、第二初始分割模型以及目標(biāo)區(qū)域的水面原始圖像，其中，所述圖像分割訓(xùn)練集包括第一樣本圖像、第二樣本圖像以及與所述第一樣本圖像對應(yīng)的分割標(biāo)簽；

5、基于所述分割標(biāo)簽，對所述第一樣本圖像進(jìn)行樣本擴(kuò)充，生成樣本擴(kuò)充圖像集；根據(jù)所述樣本擴(kuò)充圖像集對所述第一初始分割模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的第一初始分割模型，并將所述訓(xùn)練好的第一初始分割模型的模型參數(shù)遷移至所述第二初始分割模型，得到參數(shù)遷移的第二初始分割模型；通過所述訓(xùn)練好的第一初始分割模型分割所述第二樣本圖像，生成偽分割標(biāo)簽，并構(gòu)建圖像分割偽訓(xùn)練集；通過所述樣本擴(kuò)充圖像集和所述圖像分割偽訓(xùn)練集，訓(xùn)練所述參數(shù)遷移的第二初始分割模型，生成圖像分割模型；

6、通過所述圖像分割模型分割所述水面原始圖像，生成水面區(qū)域圖像；采用訓(xùn)練好的圖像識(shí)別模型識(shí)別所述水面區(qū)域圖像中的污染物，生成污染物數(shù)據(jù)；采用訓(xùn)練好的支持向量機(jī)識(shí)別所述水面區(qū)域圖像的清澈度，生成清澈度數(shù)據(jù)；

7、根據(jù)所述污染物數(shù)據(jù)和所述清澈度數(shù)據(jù)，生成污染預(yù)警信息。

8、可選地，所述采用訓(xùn)練好的支持向量機(jī)識(shí)別所述水面區(qū)域圖像的清澈度，生成清澈度數(shù)據(jù)，包括：

9、獲取圖像分類訓(xùn)練集和初始支持向量機(jī)，其中，所述圖像分類訓(xùn)練集包括水域圖像樣本以及對應(yīng)的清澈度分類標(biāo)簽；

10、分別提取并融合所述水域圖像樣本的顏色特征訓(xùn)練向量和紋理特征訓(xùn)練向量，生成訓(xùn)練特征融合信息；根據(jù)所述訓(xùn)練特征融合信息與所述清澈度分類標(biāo)簽訓(xùn)練所述初始支持向量機(jī)，生成所述訓(xùn)練好的支持向量機(jī)；

11、將所述水面區(qū)域圖像輸入到顏色空間，計(jì)算各顏色分量的二階矩，提取對應(yīng)的顏色特征目標(biāo)向量；

12、將所述水面區(qū)域圖像進(jìn)行灰度變換，生成水面灰度圖像，并根據(jù)引力公式組，分別確定所述水面灰度圖像中每個(gè)像素的引力幅值和引力方向角，所述引力公式組包括：

13、；

14、；

15、；

16、；

17、其中，為所述水面灰度圖像中第 i個(gè)像素的所述引力幅值，為所述水面灰度圖像中第 i個(gè)像素的所述引力方向角，為所述水面灰度圖像中第 i個(gè)像素在 x軸方向上的引力分量，為所述水面灰度圖像中第 i個(gè)像素在 y軸方向上的引力分量，為引力常量，為第 i個(gè)像素的灰度值，為第 i個(gè)像素的第 j個(gè)鄰域像素的灰度值，第 i個(gè)像素共有 s個(gè)鄰域像素，為第 i個(gè)像素與第 j個(gè)鄰域像素的歐式距離，為第 i個(gè)像素與第 j個(gè)鄰域像素在水平方向的夾角；

18、根據(jù)所述引力方向角和方向角向量公式，確定每個(gè)像素的方向角向量，所述方向角向量公式包括：

19、；

20、其中，為第 i個(gè)像素的所述方向角向量，為第 i個(gè)像素鄰域內(nèi)第1個(gè)像素的所述引力方向角，為第 i個(gè)像素鄰域內(nèi)第2個(gè)像素的所述引力方向角，為第 i個(gè)像素鄰域內(nèi)第 s個(gè)像素的所述引力方向角；

21、根據(jù)所述方向角向量和紋理值公式，確定每個(gè)像素的紋理值，并根據(jù)每個(gè)像素的所述紋理值，生成所述水面區(qū)域圖像的紋理特征目標(biāo)向量，所述紋理值公式包括：

22、；

23、其中，為第 i個(gè)像素的所述紋理值，為所述方向角向量的第 j個(gè)分量，為基于預(yù)設(shè)閾值對根據(jù)分量的判斷值；

24、融合所述顏色特征目標(biāo)向量和所述紋理特征目標(biāo)向量并進(jìn)行歸一化處理，生成水面特征融合信息，將所述水面特征融合信息輸入至所述訓(xùn)練好的支持向量機(jī)，生成所述清澈度數(shù)據(jù)。

25、可選地，所述訓(xùn)練好的圖像識(shí)別模型包括順次連接的主干網(wǎng)絡(luò)層、頸部網(wǎng)絡(luò)層、自適應(yīng)注意力機(jī)制層、全連接層、特征融合層以及檢測層；

26、所述主干網(wǎng)絡(luò)層用于提取所述水面區(qū)域圖像中不同維度的特征信息圖，并構(gòu)建區(qū)域特征圖像集；

27、所述頸部網(wǎng)絡(luò)層用于對所述區(qū)域特征圖像集中的所述特征信息圖進(jìn)行平均池化操作，生成與所述特征信息圖對應(yīng)的平均池化值；

28、所述自適應(yīng)注意力機(jī)制層用于根據(jù)卷積核和卷積核公式對所述平均池化值進(jìn)行卷積操作，并通過激活函數(shù)獲取對應(yīng)的特征權(quán)重，所述卷積核公式包括：

29、；

30、其中， k為所述卷積核的尺寸， l為所述全連接層連接所述特征融合層的通道數(shù)量，和均為超參數(shù)，為絕對值求奇數(shù)符號(hào)；

31、所述全連接層用于將所述特征信息圖基于不同通道連接至所述特征融合層；

32、所述特征融合層用于根據(jù)所述特征權(quán)重甲醛融合所述特征信息圖，生成區(qū)域特征融合圖像；

33、所述檢測層用于識(shí)別所述區(qū)域特征融合圖像中的所述污染物并標(biāo)記，生成所述污染物數(shù)據(jù)。

34、可選地，所述基于所述分割標(biāo)簽，對所述第一樣本圖像進(jìn)行樣本擴(kuò)充，生成樣本擴(kuò)充圖像集，包括：

35、對所述第一樣本圖像分別進(jìn)行鏡像、旋轉(zhuǎn)變換和灰度調(diào)整，生成對應(yīng)的樣本鏡像圖像、樣本旋轉(zhuǎn)圖像和樣本灰度圖像；

36、分別對所述第一樣本圖像、所述樣本鏡像圖像、所述樣本旋轉(zhuǎn)圖像和所述樣本灰度圖像添加水紋噪聲和光照噪聲，生成對應(yīng)的第一樣本噪聲圖像、樣本噪聲鏡像圖像、樣本噪聲旋轉(zhuǎn)圖像和樣本噪聲灰度圖像；

37、基于所述分割標(biāo)簽，根據(jù)所述第一樣本噪聲圖像、所述樣本噪聲鏡像圖像、所述樣本噪聲旋轉(zhuǎn)圖像和所述樣本噪聲灰度圖像，構(gòu)建所述樣本擴(kuò)充圖像集。

38、可選地，所述根據(jù)所述樣本擴(kuò)充圖像集對第一初始分割模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的第一初始分割模型，包括：

39、將所述樣本擴(kuò)充圖像集中的樣本輸入圖像輸入到所述第一初始分割模型；

40、通過所述第一初始分割模型對所述樣本輸入圖像進(jìn)行卷積操作，獲取樣本第一卷積圖像，并對所述樣本第一卷積圖像進(jìn)行卷積操作和非線性激活處理，生成樣本第二卷積圖像，分別對所述樣本第一卷積圖像和所述樣本第二卷積圖像進(jìn)行最大池化操作，生成樣本第一池化圖像和樣本第二池化圖像，對所述樣本第一池化圖像與所述樣本第二池化圖像進(jìn)行特征相加，生成樣本特征圖像，對所述樣本特征圖像進(jìn)行卷積操作和非線性激活處理，生成樣本卷積圖像，跳躍連接所述樣本卷積圖像與所述樣本第一池化圖像，并進(jìn)行卷積激活操作，生成樣本第三卷積圖像，對所述樣本第三卷積圖像進(jìn)行上采樣操作，生成樣本采樣圖像，并進(jìn)行卷積激活操作，生成樣本第四卷積圖像；跳躍連接所述樣本第四卷積圖像與所述樣本第一卷積圖像，并進(jìn)行卷積激活操作，生成樣本分割圖像；

41、通過對所述樣本分割圖像與所述樣本輸入圖像對應(yīng)的所述分割標(biāo)簽進(jìn)行偏差性評價(jià)，對所述第一初始分割模型進(jìn)行循環(huán)訓(xùn)練優(yōu)化，直至所述樣本分割圖像和所述分割標(biāo)簽的偏差性評價(jià)結(jié)果位于預(yù)設(shè)閾值范圍內(nèi)時(shí)，得到所述訓(xùn)練好的第一初始分割模型。

42、可選地，所述偏差性評價(jià)結(jié)果包括正確性偏差評價(jià)參數(shù)、分割偏差評價(jià)參數(shù)和漏檢評價(jià)參數(shù)，所述通過對所述樣本分割圖像與所述樣本輸入圖像對應(yīng)的所述分割標(biāo)簽進(jìn)行偏差性評價(jià)，對所述第一初始分割模型進(jìn)行循環(huán)訓(xùn)練優(yōu)化，直至所述樣本分割圖像和所述分割標(biāo)簽的偏差性評價(jià)結(jié)果位于預(yù)設(shè)閾值范圍內(nèi)時(shí)，得到所述訓(xùn)練好的第一初始分割模型，包括：

43、根據(jù)所述樣本分割圖像與所述分割標(biāo)簽，確定所述樣本分割圖像中的正確分割像素點(diǎn)數(shù)量和錯(cuò)誤分割像素點(diǎn)數(shù)量，并基于正確性評價(jià)公式，生成所述正確性偏差評價(jià)參數(shù)，所述正確性評價(jià)公式包括：

44、；

45、其中，為所述正確性偏差評價(jià)參數(shù)， n為所述樣本分割圖像中劃分為 n個(gè)區(qū)域，為所述樣本分割圖像第 i個(gè)區(qū)域的所述正確分割像素點(diǎn)數(shù)量， m為所述樣本分割圖像中的所有像素點(diǎn)的數(shù)量；

46、根據(jù)所述正確分割像素點(diǎn)數(shù)量和所述錯(cuò)誤分割像素點(diǎn)數(shù)量，基于分割偏差評價(jià)公式，生成所述分割偏差評價(jià)參數(shù)，所述分割偏差評價(jià)公式包括：

47、；

48、其中，為所述分割偏差評價(jià)參數(shù)，和均為所述錯(cuò)誤分割像素點(diǎn)數(shù)量，且為所述樣本分割圖像中將屬于第 i個(gè)區(qū)域的像素點(diǎn)分割為第 j個(gè)區(qū)域像素點(diǎn)的數(shù)量，為所述樣本分割圖像中將屬于第 j個(gè)區(qū)域的像素點(diǎn)分割為第 i個(gè)區(qū)域像素點(diǎn)的數(shù)量；

49、根據(jù)所述錯(cuò)誤分割像素點(diǎn)數(shù)量，基于漏檢評價(jià)公式，生成所述漏檢評價(jià)參數(shù)，所述漏檢評價(jià)公式包括：

50、；

51、其中，為所述漏檢評價(jià)參數(shù)；

52、在所述正確性偏差評價(jià)參數(shù)、所述分割偏差評價(jià)參數(shù)和所述漏檢評價(jià)參數(shù)超出所述預(yù)設(shè)閾值范圍內(nèi)時(shí)，基于所述第一初始分割模型的操作過程對所述分割標(biāo)簽進(jìn)行反推，獲取樣本標(biāo)簽處理圖像集；根據(jù)所述樣本第一卷積圖像、所述樣本第二卷積圖像、所述樣本第一池化圖像、所述樣本第二池化圖像、所述樣本特征圖像、所述樣本卷積圖像、所述樣本第三卷積圖像、所述樣本采樣圖像、所述樣本第四卷積圖像和所述樣本分割圖像構(gòu)建樣本處理圖像集；根據(jù)所述樣本標(biāo)簽處理圖像集和所述樣本處理圖像集，對所述第一初始分割模型中的卷積操作、池化操作和上采樣操作進(jìn)行模型參數(shù)優(yōu)化；

53、在所述正確性偏差評價(jià)參數(shù)、所述分割偏差評價(jià)參數(shù)和所述漏檢評價(jià)參數(shù)位于所述預(yù)設(shè)閾值范圍內(nèi)時(shí)，得到所述訓(xùn)練好的第一分割模型。

54、可選地，所述根據(jù)所述污染物數(shù)據(jù)和所述清澈度數(shù)據(jù)，生成污染預(yù)警信息，包括：

55、根據(jù)所述污染物數(shù)據(jù)，確定所述污染物在所述目標(biāo)區(qū)域的覆蓋面積占比；

56、通過對所述覆蓋面積占比和所述清澈度數(shù)據(jù)設(shè)置動(dòng)態(tài)權(quán)重，確定所述目標(biāo)區(qū)域?qū)?yīng)的預(yù)警參數(shù)；

57、在所述預(yù)警參數(shù)超過預(yù)警閾值時(shí)，生成所述污染預(yù)警信息，并發(fā)送至后臺(tái)工作人員。

58、第二方面，本發(fā)明提供了一種水面污染預(yù)測裝置，包括：

59、獲取模塊，用于獲取圖像分割訓(xùn)練集、第一初始分割模型、第二初始分割模型以及目標(biāo)區(qū)域的水面原始圖像，其中，所述圖像分割訓(xùn)練集包括第一樣本圖像、第二樣本圖像以及與所述第一樣本圖像對應(yīng)的分割標(biāo)簽；

60、訓(xùn)練模塊，用于基于所述分割標(biāo)簽，對所述第一樣本圖像進(jìn)行樣本擴(kuò)充，生成樣本擴(kuò)充圖像集；根據(jù)所述樣本擴(kuò)充圖像集對所述第一初始分割模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的第一初始分割模型，并將所述訓(xùn)練好的第一初始分割模型的模型參數(shù)遷移至所述第二初始分割模型，得到參數(shù)遷移的第二初始分割模型；通過所述訓(xùn)練好的第一初始分割模型分割所述第二樣本圖像，生成偽分割標(biāo)簽，并構(gòu)建圖像分割偽訓(xùn)練集；通過所述樣本擴(kuò)充圖像集和所述圖像分割偽訓(xùn)練集，訓(xùn)練所述參數(shù)遷移的第二初始分割模型，生成圖像分割模型；

61、識(shí)別模塊，用于通過所述圖像分割模型分割所述水面原始圖像，生成水面區(qū)域圖像；采用訓(xùn)練好的圖像識(shí)別模型識(shí)別所述水面區(qū)域圖像中的污染物，生成污染物數(shù)據(jù)；采用訓(xùn)練好的支持向量機(jī)識(shí)別所述水面區(qū)域圖像的清澈度，生成清澈度數(shù)據(jù)；

62、預(yù)警模塊，用于根據(jù)所述污染物數(shù)據(jù)和所述清澈度數(shù)據(jù)，生成污染預(yù)警信息。

63、第三方面，本發(fā)明提供了一種電子設(shè)備，包括存儲(chǔ)器和處理器；

64、所述存儲(chǔ)器，用于存儲(chǔ)計(jì)算機(jī)程序；

65、所述處理器，用于當(dāng)執(zhí)行所述計(jì)算機(jī)程序時(shí)，實(shí)現(xiàn)如第一方面所述的水面污染預(yù)測方法。

66、第四方面，本發(fā)明提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，當(dāng)所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如第一方面所述的水面污染預(yù)測方法。

67、本發(fā)明的水面污染預(yù)測方法、裝置、設(shè)備及介質(zhì)的有益效果是：

68、通過獲取圖像分割訓(xùn)練集、第一初始分割模型、第二初始分割模型以及目標(biāo)區(qū)域的水面原始圖像，且圖像分割訓(xùn)練集包括第一樣本圖像、第二樣本圖像以及與所述第一樣本圖像對應(yīng)的分割標(biāo)簽，為后續(xù)自動(dòng)化處理提供了基礎(chǔ)數(shù)據(jù)，從而避免了相關(guān)技術(shù)中人工現(xiàn)場檢測的需求，基于分割標(biāo)簽對第一樣本圖像進(jìn)行樣本擴(kuò)充，并利用擴(kuò)充后的圖像集訓(xùn)練第一初始分割模型，再將訓(xùn)練好的模型參數(shù)遷移到第二初始分割模型，不僅提高了模型的泛化能力，還顯著減少了訓(xùn)練時(shí)間，同時(shí)不需要大量的訓(xùn)練數(shù)據(jù)，大大減少了訓(xùn)練模型的成本，然后，使用訓(xùn)練好的第一初始分割模型生成偽分割標(biāo)簽并構(gòu)建圖像分割偽訓(xùn)練集，結(jié)合之前生成的樣本擴(kuò)充圖像集進(jìn)一步優(yōu)化第二初始分割模型，增強(qiáng)了模型對復(fù)雜場景的適應(yīng)性，解決了因樣本不足導(dǎo)致的模型性能低下問題，再通過訓(xùn)練好的圖像分割模型進(jìn)行水面原始圖像中水面區(qū)域的分割處理，以在復(fù)雜背景的水面原始圖像中提取出水面區(qū)域圖像，從而使得后續(xù)的分析過程可以專注于水面部分，進(jìn)而提高對污染物識(shí)別的準(zhǔn)確性，通過訓(xùn)練好的圖像識(shí)別模型識(shí)別水面區(qū)域中的污染物，并采用訓(xùn)練好的支持向量機(jī)識(shí)別水面清澈度，再根據(jù)分析結(jié)果生成污染預(yù)警信息，以提醒工作人員做出相應(yīng)的污染治理措施，實(shí)現(xiàn)了對目標(biāo)區(qū)域水質(zhì)的精準(zhǔn)預(yù)警，克服了相關(guān)技術(shù)無法對全流域進(jìn)行有效監(jiān)測的局限性，且通過算法自動(dòng)計(jì)算，解決了傳統(tǒng)方法耗時(shí)長的問題。本發(fā)明不僅大幅降低了人工成本，還通過算法自動(dòng)化計(jì)算替代了人工標(biāo)注和檢測，使得整個(gè)過程更加高效和準(zhǔn)確，適用于大規(guī)模水域的全面監(jiān)測。