一种基于图像识别的水污染判断方法及系统与流程

1.本发明涉及水污染检测技术领域，特别是涉及一种基于图像识别的水污染判断方法及系 统。


背景技术：

2.水污染是由有害化学物质造成水的使用价值降低或丧失，从而污染环境中的水资源。污 水中的酸、碱、氧化剂，以及铜、镉、汞、砷等化合物，苯、二氯乙烷、乙二醇等有机毒物， 会毒死水生生物，影响饮用水源、风景区景观。污水中的有机物被微生物分解时消耗水中的 氧，影响水生生物的生命，水中溶解氧耗尽后，有机物进行厌氧分解，产生硫化氢、硫醇等 难闻气体，使水质进一步恶化。
3.目前，对于一些靠近化工厂的湖泊或池塘，由于某些化工厂排放的废水中可能含有大量 磷，导致水体中磷含量过大，从而引起水体富营养化，造成藻类及其它浮游生物迅速繁殖。 例如水体中磷含量过大会造成湖泊或池塘中的水葫芦或浮萍等大量繁殖生产，让水体溶解氧 量下降，恶化水质，造成鱼类及其它生物大量死亡。因此，为了避免出现水质恶化，目前的 解决方案是由巡检员实际去湖泊或池塘进行实地查看，观察湖泊或池塘中的水葫芦或浮萍在 的面积，然后判断水体是否出现磷含量过大。但是，由于某些湖泊或池塘较为偏远，巡检员 单次巡检所花费的时间长，并且巡检成本也较高；而且在恶劣天气下(例如暴雨)，巡检员 在湖泊和池塘等地方进行实地巡检时，危险系数也比较高。


技术实现要素：

4.鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于图像识别的水污染判断 方法及系统，用于解决现有技术中检测水污染巡检时间长、巡检成本高以及危险系数高的问 题。
5.为实现上述目的及其他相关目的，本发明提供一种基于图像识别的水污染判断方法，所 述方法包括以下步骤：
6.从图像拍摄装置中提取出目标时间段内的视频流；所述图像拍摄装置预先靠近目标水域 设置，且所述图像拍摄装置用于拍摄所述目标水域，并形成对应的视频流；
7.对提取出的视频流进行分帧，并将分帧后的每个单帧图像作为目标图像；
8.对所述目标图像进行灰度化处理，并获取所述目标图像中每个像素点所对应的灰度值；
9.将每个像素点所对应的灰度值与预设灰度值进行比较，并筛选出灰度值大于等于所述预 设灰度值的像素点，记为目标像素点；
10.获取每个目标像素点在所述目标图像中的图像坐标，并根据所获取的图像坐标在所述目 标图像上映射出对应的图像区域；
11.计算所述图像区域的面积，并将计算出的面积结果与预设面积值进行比较，以及在所述 图像区域的面积大于等于所述预设面积值时，从所述目标图像中裁剪出所述图像
区域，作为 待识别图像；
12.将所述待识别图像输入训练后的图像识别模型中，利用所述图像识别模型对所述待识别 图像进行图像识别，并根据图像识别结果确定所述目标水域是否存在水污染。
13.可选地，所述图像识别模型的训练过程包括：
14.获取多张包含水污染的图像以及多张不包含水污染的图像作为训练图像；
15.按照预设污染物类别对每张水污染训练图像进行污染物类别标注，以及对每张非水污染 训练图像进行非污染物类别标注，并在完成标注后，将标注后的所有训练图像同时输入至 resnet网络结构中进行分类训练；
16.计算当前时刻resnet网络结构中的真正例率和假正例率，并在所述真正例率大于第一目 标值，以及所述假正例率小于第二目标值时，将当前时刻的resnext网络结构和对应的网络 参数进行结合输出，生成用于识别所述待识别图像中是否存在水污染的图像识别模型。
17.可选地，利用所述图像识别模型对所述待识别图像进行图像识别，并根据图像识别结果 确定所述目标水域是否存在水污染的过程包括：
18.利用所述图像识别模型对所述待识别图像进行污染物类别分类，获取所述待识别图像被 分类至每个预设污染物类别上的分类概率；
19.对所有分类概率进行归一化处理，将归一化概率值与预设概率值进行比较，判断是否存 在大于等于预设概率值的归一化概率值；若存在，则将归一化概率值中最大值所对应的污染 物类别作为所述待识别图像的污染物类别，并判定所述目标水域存在水污染；若不存在，则 判定所述待识别图像以及所述目标水域不存在水污染。
20.可选地，所述方法还包括：
21.在所述目标水域存在水污染时，判断所述待识别图像所对应的水域是否存在入境断面与 出境断面；
22.若存在入境断面和出境断面，则获取在所述入境断面水域内的污染浓度数据值，记为入 境断面值浓度值；以及获取在所述出境断面水域内的污染浓度数据值，记为出境断面值浓度 值
23.计算所述入境断面值浓度值与所述出境断面值浓度值的差值，若所述差值大于零，则判 定所述目标水域的入境污染大于出境污染；若所述差值小于零，则判定所述目标水域的出境 污染大于入境污染；若所述差值等于零，则判定所述目标水域的出境污染与入境污染相同。
24.可选地，所述方法还包括：
25.在所述目标水域存在水污染时，判断所述待识别图像所对应的水域是否存在上游断面与 下游断面；
26.若存在上游断面和下游断面，则获取在所述上游断面水域内的污染浓度数据值，记为上 游断面值浓度值；以及获取在所述下游断面水域内的污染浓度数据值，记为下游断面值浓度 值
27.计算所述上游断面值浓度值与所述下游断面值浓度值的差值，若所述差值大于零，则判 定所述目标水域的上游污染大于下游污染；若所述差值小于零，则判定所述目标水域的下游 污染大于上游污染；若所述差值等于零，则判定所述目标水域的下游污染与上
游污染相同。
28.可选地，对所述目标图像进行灰度化处理，并获取所述目标图像中每个像素点所对应的 灰度值的过程包括：
29.获取每个像素点分别在红通道、绿通道和蓝通道下的灰度值；
30.对每个像素点的红通道、绿通道和蓝通道的灰度值进行加权计算，获取每个像素点的灰 度值，有：
31.gray(x，y)＝0.30*r(x，y) 0.59*g(x，y) 0.11*b(x，y)；
32.式中，gray(x，y)表示图像坐标为(x，y)的像素点的灰度值；
33.r(x，y)表示图像坐标为(x，y)的像素点在红通道下的灰度值；
34.g(x，y)表示图像坐标为(x，y)的像素点在绿通道下的灰度值；
35.b(x，y)表示图像坐标为(x，y)的像素点在蓝通道下的灰度值。
36.可选地，在所述目标水域存在水污染时，所述方法还包括：
37.利用一光源产生一入射光；
38.利用所述入射光照射目标水样，并生成对应的投射光；其中，所述目标水样为预先从所 述目标水域随机获取的一定容量的水样；
39.获取所述入射光在所述目标水样中的光程以及所述投射光的光源强度，并结合所述入射 光的光源强度计算所述目标水样的浊度，有：
[0040][0041]
式中，d为所述目标水样的浊度；
[0042]
i0为所述入射光的光源强度；
[0043]
i为所述投射光的光源强度；
[0044]
l为所述入射光在所述目标水样的光程；
[0045]
k为常数。
[0046]
本发明还提供一种基于图像识别的水污染判断系统，所述系统包括有：
[0047]
视频流获取模块，用于从图像拍摄装置中提取出目标时间段内的视频流；所述图像拍摄 装置预先靠近目标水域设置，且所述图像拍摄装置用于拍摄所述目标水域，并形成对应的视 频流；
[0048]
分帧模块，用于对提取出的视频流进行分帧，并将分帧后的每个单帧图像作为目标图像；
[0049]
灰度处理模块，用于对所述目标图像进行灰度化处理，并获取所述目标图像中每个像素 点所对应的灰度值；
[0050]
灰度比较模块，用于将每个像素点所对应的灰度值与预设灰度值进行比较，并筛选出灰 度值大于等于所述预设灰度值的像素点，记为目标像素点；
[0051]
图像映射模块，用于获取每个目标像素点在所述目标图像中的图像坐标，并根据所获取 的图像坐标在所述目标图像上映射出对应的图像区域；
[0052]
图像裁剪模块，用于计算所述图像区域的面积，并将计算出的面积结果与预设面积值进 行比较，以及在所述图像区域的面积大于等于所述预设面积值时，从所述目标图像中裁剪出 所述图像区域，作为待识别图像；
[0053]
水污染识别模块，用于将所述待识别图像输入训练后的图像识别模型中，利用所述图像 识别模型对所述待识别图像进行图像识别，并根据图像识别结果确定所述目标水域是否存在 水污染。
[0054]
可选地，所述水污染识别模块中的图像识别模型的训练过程包括：
[0055]
获取多张包含水污染的图像以及多张不包含水污染的图像作为训练图像；
[0056]
按照预设污染物类别对每张水污染训练图像进行污染物类别标注，以及对每张非水污染 训练图像进行非污染物类别标注，并在完成标注后，将标注后的所有训练图像同时输入至 resnet网络结构中进行分类训练；
[0057]
计算当前时刻resnet网络结构中的真正例率和假正例率，并在所述真正例率大于第一目 标值，以及所述假正例率小于第二目标值时，将当前时刻的resnext网络结构和对应的网络 参数进行结合输出，生成用于识别所述待识别图像中是否存在水污染的图像识别模型。
[0058]
可选地，所述水污染识别模块利用所述图像识别模型对所述待识别图像进行图像识别， 并根据图像识别结果确定所述目标水域是否存在水污染的过程包括：
[0059]
利用所述图像识别模型对所述待识别图像进行污染物类别分类，获取所述待识别图像被 分类至每个预设污染物类别上的分类概率；
[0060]
对所有分类概率进行归一化处理，将归一化概率值与预设概率值进行比较，判断是否存 在大于等于预设概率值的归一化概率值；若存在，则将归一化概率值中最大值所对应的污染 物类别作为所述待识别图像的污染物类别，并判定所述目标水域存在水污染；若不存在，则 判定所述待识别图像以及所述目标水域不存在水污染。
[0061]
如上所述，本发明提供一种基于图像识别的水污染判断方法及系统，具有以下有益效果：
[0062]
本发明首先从图像拍摄装置中提取出目标时间段内的视频流；然后对提取出的视频流进 行分帧，并将分帧后的每个单帧图像作为目标图像；再对所述目标图像进行灰度化处理，并 获取所述目标图像中每个像素点所对应的灰度值；将每个像素点所对应的灰度值与预设灰度 值进行比较，并筛选出灰度值大于等于所述预设灰度值的像素点，记为目标像素点；再获取 每个目标像素点在所述目标图像中的图像坐标，并根据所获取的图像坐标在所述目标图像上 映射出对应的图像区域；计算所述图像区域的面积，并将计算出的面积结果与预设面积值进 行比较，以及在所述图像区域的面积大于等于所述预设面积值时，从所述目标图像中裁剪出 所述图像区域，作为待识别图像；最后将所述待识别图像输入训练后的图像识别模型中，利 用所述图像识别模型对所述待识别图像进行图像识别，并根据图像识别结果确定所述目标水 域是否存在水污染。由此可知，本发明可以首先获取在目标水域位置设置的图像拍摄装置中 的视频流，然后对视频流进行分帧可以得到多个单帧图像，再通过对每个单帧图像进行图像 识别，从而可以判断目标水域是否存在水污染。所以，本发明只需要通过获取目标水域位置 拍摄的视频流就可以判断出目标水域是否存在水污染，不仅不需要人工实际去目标水域进行 实际查看，而且本发明可以保持全天巡检，从而能够以低风险的监测手段来实现对目标水域 的水污染判断。所以，本发明不仅能够降低水污染巡检危险程度，而且还能够精确地判断出 目标水域是否存在水污染。
附图说明
[0063]
图1为一实施例提供的基于图像识别的水污染判断方法的流程示意图；
[0064]
图2为一实施例提供的resnet网络结构示意图；
[0065]
图3为一实施例提供的入射光照射某水域的示意图；
[0066]
图4为一实施例提供的基于图像识别的水污染判断系统的硬件结构示意图。
具体实施方式
[0067]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露 的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加 以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精 神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征 可以相互组合。
[0068]
需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式 中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际 实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0069]
请参阅图1所示，本实施例提供一种基于图像识别的水污染判断方法，所述方法包括以 下步骤：
[0070]
s100，从图像拍摄装置中提取出目标时间段内的视频流；所述图像拍摄装置预先靠近目 标水域设置，且所述图像拍摄装置用于拍摄所述目标水域，并形成对应的视频流。作为示例， 本实施例中的图像拍摄装置可以是网络摄像机，目标水域可以是需要进行水污染检测的湖泊、 池塘等，目标时间段可以预先进行自定义，例如定义每天的0点到6点、8点至12点、14点 至18点、20点至24点等；也可以直接定义每天的0点至24点。
[0071]
s200，对提取出的视频流进行分帧，并将分帧后的每个单帧图像作为目标图像。作为示 例，本实施例可以利用opencv来对提取出的视频流进行分帧，然后得到多个单帧图像。
[0072]
s300，对所述目标图像进行灰度化处理，并获取所述目标图像中每个像素点所对应的灰 度值。作为示例，本实施例对所述目标图像进行灰度化处理，并获取所述目标图像中每个像 素点所对应的灰度值的过程包括：获取每个像素点分别在红通道、绿通道和蓝通道下的灰度 值；对每个像素点的红通道、绿通道和蓝通道的灰度值进行加权计算，获取每个像素点的灰 度值，有：gray(x，y)＝0.30*r(x，y) 0.59*g(x，y) 0.11*b(x，y)；式中， gray(x，y)表示图像坐标为(x，y)的像素点的灰度值；r(x，y)表示图像坐标为(x，y)的像 素点在红通道下的灰度值；g(x，y)表示图像坐标为(x，y)的像素点在绿通道下的灰度值； b(x，y)表示图像坐标为(x，y)的像素点在蓝通道下的灰度值。
[0073]
s400，将每个像素点所对应的灰度值与预设灰度值进行比较，并筛选出灰度值大于等于 所述预设灰度值的像素点，记为目标像素点。其中，本实施例中的预设灰度值可以根据实际 情况进行设定，本实施例不做具体数值限定。
[0074]
s500，获取每个目标像素点在所述目标图像中的图像坐标，并根据所获取的图像坐标在 所述目标图像上映射出对应的图像区域；
[0075]
s600，计算所述图像区域的面积，并将计算出的面积结果与预设面积值进行比较，以及 在所述图像区域的面积大于等于所述预设面积值时，从所述目标图像中裁剪出所述图像区域， 作为待识别图像。其中，本实施例中的预设面积值可以根据实际情况进行设定，本实施例不 做具体数值限定。例如，对于某湖泊而言，预设面积值可以是该湖泊面积值的百分之十。
[0076]
s700，将所述待识别图像输入训练后的图像识别模型中，利用所述图像识别模型对所述 待识别图像进行图像识别，并根据图像识别结果确定所述目标水域是否存在水污染。
[0077]
根据上述记载，在一示例性实施例中，所述图像识别模型的训练过程包括：获取多张包 含水污染的图像以及多张不包含水污染的图像作为训练图像；按照预设污染物类别对每张水 污染训练图像进行污染物类别标注，以及对每张非水污染训练图像进行非污染物类别标注， 并在完成标注后，将标注后的所有训练图像同时输入至resnet网络结构中进行分类训练；计 算当前时刻resnet网络结构中的真正例率和假正例率，并在所述真正例率大于第一目标值， 以及所述假正例率小于第二目标值时，将当前时刻的resnext网络结构和对应的网络参数进 行结合输出，生成用于识别所述待识别图像中是否存在水污染的图像识别模型。如图2所示， 本实施例提供一种34层的resnext网络结构。在图2中，对于实线的connection部分，表示 通道相同，例如对于第2层网络结构和第4层网络结构而言，其中每层网络结构都是3x3x64 的特征图，由于这两层网络结构的通道相同，所以采用计算方式为h(x)＝f(x) x。对于虚线的 connection部分，表示通道不同，例如对第8层网络结构和第10层网络结构而言，其中第8 层网络结构表示3x3x64的特征图，第10层网络结构表示3x3x128的特征图，由于这两层网 络结构的通道不同，采用的计算方式为h(x)＝f(x) wx，其中w是卷积操作，用来调整x维 度的。
[0078]
作为示例，本实施例在训练图像识别模型时，可以将存在水污染的训练图像记为正例、 不存在水污染的训练图像记为反例；若在训练过程中，resnext网络结构将存在水污染的训 练图像分类为正例，则将当次分类结果记为真正例tp；若resnext网络结构将不存在水污染 的训练图像分类为正例，则将当次分类结果记为假正例fp；若resnext网络结构将不存在水 污染的训练图像分类为反例，则将当次分类结果记为真反例tn，若resnext网络结构将存在 水污染的训练图像分类为反例，则将当次分类结果记为假反例fn。计算当前时刻的假正例率 fpr值和真正例率tpr值，有：tpr＝tp/(tp fn)；fpr＝fp/(tn fp)。当fpr值小 于0.00945，且tpr值大于0.9364时，将当前时刻的resnext网络结构和对应的参数进行结 合输出，生成用于识别所述待识别图像中是否存在水污染的图像识别模型。若fpr值大于等 于0.00932，和/或tpr值小于0.9467时，则调整resnext网络结构的网络参数后，继续利用 原始的训练图像或重新输入新的训练图像进行分类训练。其中，resnext网络结构的网络参 数包括拓扑结构堆叠的个数以及每个拓扑结构中的卷积核尺寸。即本实施例中的第一目标值 为0.9467，第二目标值为0.00932。
[0079]
根据上述记载，在一示例性实施例中，利用所述图像识别模型对所述待识别图像进行图 像识别，并根据图像识别结果确定所述目标水域是否存在水污染的过程包括：利用所述图像 识别模型对所述待识别图像进行污染物类别分类，获取所述待识别图像被分类至每个预设污 染物类别上的分类概率；对所有分类概率进行归一化处理，将归一化概率值
与预设概率值进 行比较，判断是否存在大于等于预设概率值的归一化概率值；若存在，则将归一化概率值中 最大值所对应的污染物类别作为所述待识别图像的污染物类别，并判定所述目标水域存在水 污染；若不存在，则判定所述待识别图像以及所述目标水域不存在水污染。作为示例，预设 的污染物类别可以是：水葫芦污染、浮萍污染等，具体的污染物类别可以根据实际情况进行 设定，本实施例不作具体限制。具体地，若利用图像识别模型对某待识别图像a进行分类识 别后，待识别图像a被分类至水葫芦污染的概率值为0.86，被分类至浮萍污染的概率值为0.24， 则对所有分类概率进行归一化处理后；待识别图像a被分类至水葫芦污染的归一化概率值为 0.86
÷
(0.86 0.24)＝0.782；待识别图像a被分类至浮萍污染的归一化概率值为0.24
÷ꢀ
(0.86 0.24)＝0.218。获取预先设定的概率值0.7，由此可知，待识别图像a被分类至水葫芦 污染的归一化概率值大于等于预先设定的概率值0.7，则表示待识别图像a存在水葫芦污染。 由于待识别图像a是从原始图像中裁剪得到，而原始图像是从拍摄目标水域的视频流中分帧 得到，则相当于目标水域中存在的水葫芦超过了预先设定的面积，表明对应的目标水域可能 磷含量过高。
[0080]
在一示例性实施例中，本方法还包括：在所述目标水域存在水污染时，判断所述待识别 图像所对应的水域是否存在入境断面与出境断面；若存在入境断面和出境断面，则获取在所 述入境断面水域内的污染浓度数据值，记为入境断面值浓度值；以及获取在所述出境断面水 域内的污染浓度数据值，记为出境断面值浓度值计算所述入境断面值浓度值与所述出境断面 值浓度值的差值，若所述差值大于零，则判定所述目标水域的入境污染大于出境污染；若所 述差值小于零，则判定所述目标水域的出境污染大于入境污染；若所述差值等于零，则判定 所述目标水域的出境污染与入境污染相同。具体地，在本实施例中，针对一个流域，若其存 在入境断面和出境断面的情况时，则将流域视为一个整体，并用出入境断面的监测浓度差来 反映本流域的内外源占比情况。若差值为正数，表明流域内部产生的污染大于流域的水环境 容量，流域内污染情况较差；若差值为负数，表明流域内部产生的污染小于流域的水环境容 量，流域内污染情况较好。所以，通过本实施例可以对目标水域进行内外源污染分析。
[0081]
在另一示例性实施例中，本方法还包括：在所述目标水域存在水污染时，判断所述待识 别图像所对应的水域是否存在上游断面与下游断面；若存在上游断面和下游断面，则获取在 所述上游断面水域内的污染浓度数据值，记为上游断面值浓度值；以及获取在所述下游断面 水域内的污染浓度数据值，记为下游断面值浓度值计算所述上游断面值浓度值与所述下游断 面值浓度值的差值，若所述差值大于零，则判定所述目标水域的上游污染大于下游污染；若 所述差值小于零，则判定所述目标水域的下游污染大于上游污染；若所述差值等于零，则判 定所述目标水域的下游污染与上游污染相同。具体地，在本实施例中，针对一个流域，若其 存在上游断面和下游断面的情况时，则将流域视为一个整体，并用出上下游断面的监测浓度 差来反映本流域的内外源占比情况。若差值为正数，表明上游河段产生的污染大于河段的水 环境容量，河段的污染情况较差；若差值为负数，表明上游河段产生的污染小于河段的水环 境容量，河段的污染情况较好。所以，通过本实施例可以对目标水域进行上下游污染分析。
[0082]
根据上述记载，在一示例性实施例中，在所述目标水域存在水污染时，本方法还包括： 从所述目标水域随机获取一定容量的水作为目标水样；利用一光源产生一入射光；利
用所述 入射光照射目标水样，并生成对应的投射光；获取所述入射光在所述目标水样中的光程以及 所述投射光的光源强度，并结合所述入射光的光源强度计算所述目标水样的浊度，有： 式中，d为所述目标水样的浊度；i0为所述入射光的光源强度；i为所述投射光的 光源强度；l为所述入射光在所述目标水样的光程；k为常数。在目标水域存在水污染后，本 实施例通过从目标水域获取一定容量的水作为目标水样，然后通过透射方法检测目标水样中 的浊度，然后根据浊度检测结果判断当前目标水域的污染程度，从而方便管理人员在后期根 据目标水域的污染程度来降解对应的杂质污染浓度。其中，通过透射方法检测目标水样中的 浊度的示意图如图3所示。
[0083]
综上所述，本发明提供一种基于图像识别的水污染判断方法，首先从图像拍摄装置中提 取出目标时间段内的视频流；然后对提取出的视频流进行分帧，并将分帧后的每个单帧图像 作为目标图像；再对目标图像进行灰度化处理，并获取目标图像中每个像素点所对应的灰度 值；将每个像素点所对应的灰度值与预设灰度值进行比较，并筛选出灰度值大于等于预设灰 度值的像素点，记为目标像素点；再获取每个目标像素点在目标图像中的图像坐标，并根据 所获取的图像坐标在目标图像上映射出对应的图像区域；计算图像区域的面积，并将计算出 的面积结果与预设面积值进行比较，以及在图像区域的面积大于等于预设面积值时，从目标 图像中裁剪出图像区域，作为待识别图像；最后将待识别图像输入训练后的图像识别模型中， 利用图像识别模型对待识别图像进行图像识别，并根据图像识别结果确定目标水域是否存在 水污染。由此可知，本方法可以首先获取在目标水域位置设置的图像拍摄装置中的视频流， 然后对视频流进行分帧可以得到多个单帧图像，再通过对每个单帧图像进行图像识别，从而 可以判断目标水域是否存在水污染。所以，本方法只需要通过获取目标水域位置拍摄的视频 流就可以判断出目标水域是否存在水污染，不仅不需要人工实际去目标水域进行实际查看， 而且本方法可以保持全天巡检，从而能够以低风险的监测手段来实现对目标水域的水污染判 断。所以，本方法不仅能够降低水污染巡检危险程度，而且还能够精确地判断出目标水域是 否存在水污染。
[0084]
如图4所示，本发明还提供一种基于图像识别的水污染判断系统，所述系统包括有：
[0085]
视频流获取模块m10，用于从图像拍摄装置中提取出目标时间段内的视频流；所述图像 拍摄装置预先靠近目标水域设置，且所述图像拍摄装置用于拍摄所述目标水域，并形成对应 的视频流。作为示例，本实施例中的图像拍摄装置可以是网络摄像机，目标水域可以是需要 进行水污染检测的湖泊、池塘等，目标时间段可以预先进行自定义，例如定义每天的0点到 6点、8点至12点、14点至18点、20点至24点等；也可以直接定义每天的0点至24点。
[0086]
分帧模块m20，用于对提取出的视频流进行分帧，并将分帧后的每个单帧图像作为目标 图像。作为示例，本实施例可以利用opencv来对提取出的视频流进行分帧，然后得到多个 单帧图像。
[0087]
灰度处理模块m30，用于对所述目标图像进行灰度化处理，并获取所述目标图像中每个 像素点所对应的灰度值。作为示例，本实施例对所述目标图像进行灰度化处理，并获取所述 目标图像中每个像素点所对应的灰度值的过程包括：获取每个像素点分别在红通
道、绿通道 和蓝通道下的灰度值；对每个像素点的红通道、绿通道和蓝通道的灰度值进行加权计算，获 取每个像素点的灰度值，有：gray(x，y)＝0.30*r(x，y) 0.59*g(x，y) 0.11* b(x，y)；式中，gray(x，y)表示图像坐标为(x，y)的像素点的灰度值；r(x，y)表示图像坐 标为(x，y)的像素点在红通道下的灰度值；g(x，y)表示图像坐标为(x，y)的像素点在绿通 道下的灰度值；b(x，y)表示图像坐标为(x，y)的像素点在蓝通道下的灰度值。
[0088]
灰度比较模块m40，用于将每个像素点所对应的灰度值与预设灰度值进行比较，并筛选 出灰度值大于等于所述预设灰度值的像素点，记为目标像素点。其中，本实施例中的预设灰 度值可以根据实际情况进行设定，本实施例不做具体数值限定。
[0089]
图像映射模块m50，用于获取每个目标像素点在所述目标图像中的图像坐标，并根据所 获取的图像坐标在所述目标图像上映射出对应的图像区域；
[0090]
图像裁剪模块m60，用于计算所述图像区域的面积，并将计算出的面积结果与预设面积 值进行比较，以及在所述图像区域的面积大于等于所述预设面积值时，从所述目标图像中裁 剪出所述图像区域，作为待识别图像。其中，本实施例中的预设面积值可以根据实际情况进 行设定，本实施例不做具体数值限定。例如，对于某湖泊而言，预设面积值可以是该湖泊面 积值的百分之十。
[0091]
水污染识别模块m70，用于将所述待识别图像输入训练后的图像识别模型中，利用所述 图像识别模型对所述待识别图像进行图像识别，并根据图像识别结果确定所述目标水域是否 存在水污染。
[0092]
根据上述记载，在一示例性实施例中，所述水污染识别模块m70中的图像识别模型的训 练过程包括：获取多张包含水污染的图像以及多张不包含水污染的图像作为训练图像；按照 预设污染物类别对每张水污染训练图像进行污染物类别标注，以及对每张非水污染训练图像 进行非污染物类别标注，并在完成标注后，将标注后的所有训练图像同时输入至resnet网络 结构中进行分类训练；计算当前时刻resnet网络结构中的真正例率和假正例率，并在所述真 正例率大于第一目标值，以及所述假正例率小于第二目标值时，将当前时刻的resnext网络 结构和对应的网络参数进行结合输出，生成用于识别所述待识别图像中是否存在水污染的图 像识别模型。如图2所示，本实施例提供一种34层的resnext网络结构。在图2中，对于实 线的connection部分，表示通道相同，例如对于第2层网络结构和第4层网络结构而言，其 中每层网络结构都是3x3x64的特征图，由于这两层网络结构的通道相同，所以采用计算方式 为h(x)＝f(x) x。对于虚线的connection部分，表示通道不同，例如对第8层网络结构和第 10层网络结构而言，其中第8层网络结构表示3x3x64的特征图，第10层网络结构表示3x3x128 的特征图，由于这两层网络结构的通道不同，采用的计算方式为h(x)＝f(x) wx，其中w是 卷积操作，用来调整x维度的。
[0093]
作为示例，本实施例在训练图像识别模型时，可以将存在水污染的训练图像记为正例、 不存在水污染的训练图像记为反例；若在训练过程中，resnext网络结构将存在水污染的训 练图像分类为正例，则将当次分类结果记为真正例tp；若resnext网络结构将不存在水污染 的训练图像分类为正例，则将当次分类结果记为假正例fp；若resnext网络结构将不存在水 污染的训练图像分类为反例，则将当次分类结果记为真反例tn，若resnext网络结构将存在 水污染的训练图像分类为反例，则将当次分类结果记为假反例fn。计算当前时刻的假正例率 fpr值和真正例率tpr值，有：tpr＝tp/(tp fn)；fpr＝fp/(tn fp)。当fpr
值小 于0.00945，且tpr值大于0.9364时，将当前时刻的resnext网络结构和对应的参数进行结 合输出，生成用于识别所述待识别图像中是否存在水污染的图像识别模型。若fpr值大于等 于0.00932，和/或tpr值小于0.9467时，则调整resnext网络结构的网络参数后，继续利用 原始的训练图像或重新输入新的训练图像进行分类训练。其中，resnext网络结构的网络参 数包括拓扑结构堆叠的个数以及每个拓扑结构中的卷积核尺寸。即本实施例中的第一目标值 为0.9467，第二目标值为0.00932。
[0094]
根据上述记载，在一示例性实施例中，所述水污染识别模块利用所述图像识别模型对所 述待识别图像进行图像识别，并根据图像识别结果确定所述目标水域是否存在水污染的过程 包括：利用所述图像识别模型对所述待识别图像进行污染物类别分类，获取所述待识别图像 被分类至每个预设污染物类别上的分类概率；对所有分类概率进行归一化处理，将归一化概 率值与预设概率值进行比较，判断是否存在大于等于预设概率值的归一化概率值；若存在， 则将归一化概率值中最大值所对应的污染物类别作为所述待识别图像的污染物类别，并判定 所述目标水域存在水污染；若不存在，则判定所述待识别图像以及所述目标水域不存在水污 染。作为示例，预设的污染物类别可以是：水葫芦污染、浮萍污染等，具体的污染物类别可 以根据实际情况进行设定，本实施例不作具体限制。具体地，若利用图像识别模型对某待识 别图像a进行分类识别后，待识别图像a被分类至水葫芦污染的概率值为0.86，被分类至浮 萍污染的概率值为0.24，则对所有分类概率进行归一化处理后；待识别图像a被分类至水葫 芦污染的归一化概率值为0.86
÷
(0.86 0.24)＝0.782；待识别图像a被分类至浮萍污染的归 一化概率值为0.24
÷
(0.86 0.24)＝0.218。获取预先设定的概率值0.7，由此可知，待识别图 像a被分类至水葫芦污染的归一化概率值大于等于预先设定的概率值0.7，则表示待识别图 像a存在水葫芦污染。由于待识别图像a是从原始图像中裁剪得到，而原始图像是从拍摄目 标水域的视频流中分帧得到，则相当于目标水域中存在的水葫芦超过了预先设定的面积，表 明对应的目标水域可能磷含量过高。
[0095]
在一示例性实施例中，本系统还包括：在所述目标水域存在水污染时，判断所述待识别 图像所对应的水域是否存在入境断面与出境断面；若存在入境断面和出境断面，则获取在所 述入境断面水域内的污染浓度数据值，记为入境断面值浓度值；以及获取在所述出境断面水 域内的污染浓度数据值，记为出境断面值浓度值计算所述入境断面值浓度值与所述出境断面 值浓度值的差值，若所述差值大于零，则判定所述目标水域的入境污染大于出境污染；若所 述差值小于零，则判定所述目标水域的出境污染大于入境污染；若所述差值等于零，则判定 所述目标水域的出境污染与入境污染相同。具体地，在本实施例中，针对一个流域，若其存 在入境断面和出境断面的情况时，则将流域视为一个整体，并用出入境断面的监测浓度差来 反映本流域的内外源占比情况。若差值为正数，表明流域内部产生的污染大于流域的水环境 容量，流域内污染情况较差；若差值为负数，表明流域内部产生的污染小于流域的水环境容 量，流域内污染情况较好。所以，通过本实施例可以对目标水域进行内外源污染分析。
[0096]
在另一示例性实施例中，本系统还包括：在所述目标水域存在水污染时，判断所述待识 别图像所对应的水域是否存在上游断面与下游断面；若存在上游断面和下游断面，则获取在 所述上游断面水域内的污染浓度数据值，记为上游断面值浓度值；以及获取在所述下游断面 水域内的污染浓度数据值，记为下游断面值浓度值计算所述上游断面值浓度值
与所述下游断 面值浓度值的差值，若所述差值大于零，则判定所述目标水域的上游污染大于下游污染；若 所述差值小于零，则判定所述目标水域的下游污染大于上游污染；若所述差值等于零，则判 定所述目标水域的下游污染与上游污染相同。具体地，在本实施例中，针对一个流域，若其 存在上游断面和下游断面的情况时，则将流域视为一个整体，并用出上下游断面的监测浓度 差来反映本流域的内外源占比情况。若差值为正数，表明上游河段产生的污染大于河段的水 环境容量，河段的污染情况较差；若差值为负数，表明上游河段产生的污染小于河段的水环 境容量，河段的污染情况较好。所以，通过本实施例可以对目标水域进行上下游污染分析。
[0097]
根据上述记载，在一示例性实施例中，在所述目标水域存在水污染时，本系统还包括： 从所述目标水域随机获取一定容量的水作为目标水样；利用一光源产生一入射光；利用所述 入射光照射目标水样，并生成对应的投射光；获取所述入射光在所述目标水样中的光程以及 所述投射光的光源强度，并结合所述入射光的光源强度计算所述目标水样的浊度，有： 式中，d为所述目标水样的浊度；i0为所述入射光的光源强度；i为所述投射光的 光源强度；l为所述入射光在所述目标水样的光程；k为常数。在目标水域存在水污染后，本 实施例通过从目标水域获取一定容量的水作为目标水样，然后通过透射方法检测目标水样中 的浊度，然后根据浊度检测结果判断当前目标水域的污染程度，从而方便管理人员在后期根 据目标水域的污染程度来降解对应的杂质污染浓度。其中，通过透射方法检测目标水样中的 浊度的示意图如图3所示。
[0098]
综上所述，本发明提供一种基于图像识别的水污染判断系统，首先从图像拍摄装置中提 取出目标时间段内的视频流；然后对提取出的视频流进行分帧，并将分帧后的每个单帧图像 作为目标图像；再对目标图像进行灰度化处理，并获取目标图像中每个像素点所对应的灰度 值；将每个像素点所对应的灰度值与预设灰度值进行比较，并筛选出灰度值大于等于预设灰 度值的像素点，记为目标像素点；再获取每个目标像素点在目标图像中的图像坐标，并根据 所获取的图像坐标在目标图像上映射出对应的图像区域；计算图像区域的面积，并将计算出 的面积结果与预设面积值进行比较，以及在图像区域的面积大于等于预设面积值时，从目标 图像中裁剪出图像区域，作为待识别图像；最后将待识别图像输入训练后的图像识别模型中， 利用图像识别模型对待识别图像进行图像识别，并根据图像识别结果确定目标水域是否存在 水污染。由此可知，本系统可以首先获取在目标水域位置设置的图像拍摄装置中的视频流， 然后对视频流进行分帧可以得到多个单帧图像，再通过对每个单帧图像进行图像识别，从而 可以判断目标水域是否存在水污染。所以，本系统只需要通过获取目标水域位置拍摄的视频 流就可以判断出目标水域是否存在水污染，不仅不需要人工实际去目标水域进行实际查看， 而且本系统可以保持全天巡检，从而能够以低风险的监测手段来实现对目标水域的水污染判 断。所以，本系统不仅能够降低水污染巡检危险程度，而且还能够精确地判断出目标水域是 否存在水污染。
[0099]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技 术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡 所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等 效修饰或改变，仍应由本发明的权利要求所涵盖。