面向智慧水务的水体浊度深度学习识别方法和相关产品与流程
本技术涉及水务智能监测领域,特别涉及一种面向智慧水务的水体浊度深度学习识别方法和相关产品。
背景技术:
1、浊度是评价水体清澈程度和悬浮颗粒物含量的重要指标,能够反映水体中泥沙、胶体、有机物、微生物及其他悬浮杂质的综合影响。在智慧水务平台中,准确、连续、实时地识别水体浊度,对于水源污染预警、进水异常判断、加药控制、管网水质安全和城市内涝水质监控均具有重要意义。
2、现有水体浊度监测方法主要包括传统光学浊度计检测、人工取样实验检测以及基于图像的机器视觉识别方法。传统光学浊度计具有较好的工程应用基础,但长期运行时容易受到镜头污染、气泡附着、泥沙沉积和传感器漂移影响,需要定期清洗和校准;人工取样检测准确性较高,但实时性差,难以满足智慧水务系统的连续监控需求。近年来,随着深度学习目标检测模型的发展,基于图像的浊度识别方法逐渐被应用于水质在线监测,该类方法通过相机采集水体图像并利用yolo(you only look once,实时目标检测网络)等实时检测网络识别水体区域或浑浊异常区域,具有部署成本低、信息直观和易于与视频监控系统融合的优点。
3、然而,在户外或复杂管道环境下,现有的基于图像的浊度识别方法仍存在以下问题:1)水面反光和高光区域会遮蔽真实水体纹理,导致模型将反光区域误判为浑浊区域或异常漂浮物;2)阴影、逆光、夜间弱光和补光不均会改变水体表观颜色,导致同一浊度等级在不同采集条件下呈现明显差异;3)管壁、水草、漂浮物、气泡、泥沙沉积边缘等背景噪声会与水体浊度纹理发生耦合,造成深度模型关注错误区域;4)现有yolo类模型多直接使用通用骨干网络,对水体浊度的细微纹理、散射颜色变化和反光干扰没有专门建模,导致复杂环境下鲁棒性不足。
技术实现思路
1、基于此,有必要针对上述现有图像法水体浊度识别易受水面反光、光照不均和背景噪声干扰,导致复杂环境下识别鲁棒性不足,提出了一种面向智慧水务的水体浊度深度学习识别方法和相关产品。
2、第一方面,提供了一种面向智慧水务的水体浊度深度学习识别方法,所述方法包括:
3、在监测点部署带有特定角度偏振滤光片的图像采集装置,采集目标水域图像,并记录用于偏振约束的偏振参数、用于时序平滑的时间信息以及用于样本筛选的补光状态;
4、根据所述偏振参数,通过偏振约束的retinex反光分离增强网络,将采集到的图像分解为水体反射分量、环境照明分量和水面高光干扰分量,并基于所述高光干扰分量生成反光掩膜,以及基于所述水体反射分量和环境照明分量生成去反光增强图像;
5、基于所述去反光增强图像和所述反光掩膜构建水体纹理显著性图和反光抑制置信图,并获取水体候选区域掩膜;将所述去反光增强图像、所述反光掩膜、水体纹理显著性图、所述反光抑制置信图和所述水体候选区域掩膜输入至pria-yolo网络,所述pria-yolo网络通过抗干扰注意力模块在特征传播过程中动态抑制反光、管壁和背景噪声区域,并经由联合预测头同时输出用于水质分级的浊度等级、用于趋势分析的连续浊度估计值和用于评估可靠性的识别置信度;
6、根据所述时间信息,对连续视频帧输出的连续浊度估计值进行时序平滑,并根据平滑后的浊度值与预设阈值的比较结果生成浊度预警信息;
7、根据所述补光状态和时间信息,筛选低置信度样本,并结合人工复核样本对部署在边缘计算终端的pria-yolo模型进行周期性轻量更新。
8、第二方面,提供了一种面向智慧水务的水体浊度深度学习识别装置,所述装置包括:
9、采集模块,用于在监测点部署带有特定角度偏振滤光片的图像采集装置,采集目标水域图像,并记录用于偏振约束的偏振参数、用于时序平滑的时间信息以及用于样本筛选的补光状态;
10、分解模块,用于根据所述偏振参数,通过偏振约束的retinex反光分离增强网络,将采集到的图像分解为水体反射分量、环境照明分量和水面高光干扰分量,并基于所述高光干扰分量生成反光掩膜,以及基于所述水体反射分量和环境照明分量生成去反光增强图像;
11、处理模块,用于基于所述去反光增强图像和所述反光掩膜构建水体纹理显著性图和反光抑制置信图,并获取水体候选区域掩膜;将所述去反光增强图像、所述反光掩膜、水体纹理显著性图、所述反光抑制置信图和所述水体候选区域掩膜输入至pria-yolo网络,所述pria-yolo网络通过抗干扰注意力模块在特征传播过程中动态抑制反光、管壁和背景噪声区域,并经由联合预测头同时输出用于水质分级的浊度等级、用于趋势分析的连续浊度估计值和用于评估可靠性的识别置信度;
12、生成模块,用于根据所述时间信息,对连续视频帧输出的连续浊度估计值进行时序平滑,并根据平滑后的浊度值与预设阈值的比较结果生成浊度预警信息;
13、更新模块,用于根据所述补光状态和时间信息,筛选低置信度样本,并结合人工复核样本对部署在边缘计算终端的pria-yolo模型进行周期性轻量更新。
14、第三方面,提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述面向智慧水务的水体浊度深度学习识别方法的步骤。
15、第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述面向智慧水务的水体浊度深度学习识别方法的步骤。
16、从上述本技术提供的技术方案可知:一方面,根据偏振参数利用偏振约束的retinex反光分离增强网络,将图像分解为水体反射分量、环境照明分量和水面高光干扰分量,实现了算法层面的反光分离与去除,在此基础上,基于高光干扰分量生成反光掩膜,并基于水体反射分量和环境照明分量生成去反光增强图像,使得水面强反光区域被有效抑制,阴影和弱光区域得到补偿,而水体固有的浊度纹理和颜色变化得以保持,从而为后续的浊度识别提供了更加稳定和可靠的图像输入;另一方面,通过将去反光增强图像、反光掩膜和水体纹理显著性图共同输入pria-yolo网络,利用抗干扰注意力模块在特征传播过程中动态抑制反光、管壁和背景噪声区域,使模型能够聚焦于水体本身的颜色、散射和纹理特征,从而有效避免了背景噪声对浊度识别的干扰,同时,联合预测头同时输出浊度等级、连续浊度估计值和识别置信度,使得识别结果兼具分级能力和定量分析能力,便于智慧水务平台进行水质分级预警和趋势分析;第三方面,对连续视频帧输出的连续浊度估计值进行时序平滑,并根据平滑后的浊度值与预设阈值的比较结果生成浊度预警信息,有效抑制了单帧识别结果的随机波动,提高了可靠性,避免了因偶然误差导致的误报警,而根据补光状态和时间信息筛选低置信度样本,并结合人工复核样本对部署在边缘计算终端的pria-yolo模型进行周期性轻量更新,使得模型能够自适应地适应季节变化、光照变化、传感器老化以及水体背景变化,降低了模型长期部署后的维护成本,保障了系统在长期运行中的识别精度。综上,本技术的技术方案通过偏振采集、retinex增强和抗干扰注意力机制,实现复杂环境下稳定、准确的水体浊度识别。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com