本發(fā)明涉及圖像處理，具體而言，涉及一種水面污染預測方法、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，會嚴重影響水環(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，耗時較長，所需人工成本較高，且范圍有限。

技術(shù)實現(xiàn)思路

1、本發(fā)明解決旨在解決上述問題中的至少一個。

2、為解決上述問題，本發(fā)明提供一種水面污染預測方法、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測方法，包括：

4、獲取圖像分割訓練集、第一初始分割模型、第二初始分割模型以及目標區(qū)域的水面原始圖像，其中，所述圖像分割訓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)的分割標簽；

5、基于所述分割標簽，對所述第一樣本圖像進行樣本擴充，生成樣本擴充圖像集；根據(jù)所述樣本擴充圖像集對所述第一初始分割模型進行訓練，得到訓練好的第一初始分割模型，并將所述訓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，生成偽分割標簽，并構(gòu)建圖像分割偽訓練集；通過所述樣本擴充圖像集和所述圖像分割偽訓練集，訓練所述參數(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；采用訓練好的圖像識別模型識別所述水面區(qū)域圖像中的污染物，生成污染物數(shù)據(jù)；采用訓練好的支持向量機識別所述水面區(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)，生成污染預警信息。

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

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

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

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

12、將所述水面區(qū)域圖像進行灰度變換，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個像素的所述引力幅值，為所述水面灰度圖像中第 i個像素的所述引力方向角，為所述水面灰度圖像中第 i個像素在 x軸方向上的引力分量，為所述水面灰度圖像中第 i個像素在 y軸方向上的引力分量，為引力常量，為第 i個像素的灰度值，為第 i個像素的第 j個鄰域像素的灰度值，第 i個像素共有 s個鄰域像素，為第 i個像素與第 j個鄰域像素的歐式距離，為第 i個像素與第 j個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個像素的所述方向角向量，為第 i個像素鄰域內(nèi)第1個像素的所述引力方向角，為第 i個像素鄰域內(nèi)第2個像素的所述引力方向角，為第 i個像素鄰域內(nèi)第 s個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，確定每個像素的紋理值，并根據(jù)每個像素的所述紋理值，生成所述水面區(qū)域圖像的紋理特征目標向量，所述紋理值公式包括：

22、；

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

24、融合所述顏色特征目標向量和所述紋理特征目標向量并進行歸一化處理，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練好的支持向量機，生成所述清澈度數(shù)據(jù)。

25、可選地，所述訓練好的圖像識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；

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

34、可選地，所述基于所述分割標簽，對所述第一樣本圖像進行樣本擴充，生成樣本擴充圖像集，包括：

35、對所述第一樣本圖像分別進行鏡像、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)建所述樣本擴充圖像集。

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

39、將所述樣本擴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行特征相加，生成樣本特征圖像，對所述樣本特征圖像進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行上采樣操作，生成樣本采樣圖像，并進行卷積激活操作，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)的所述分割標簽進行偏差性評價，對所述第一初始分割模型進行循環(huán)訓練優(yōu)化，直至所述樣本分割圖像和所述分割標簽的偏差性評價結(jié)果位于預設(shè)閾值范圍內(nèi)時，得到所述訓練好的第一初始分割模型。

42、可選地，所述偏差性評價結(jié)果包括正確性偏差評價參數(shù)、分割偏差評價參數(shù)和漏檢評價參數(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)的所述分割標簽進行偏差性評價，對所述第一初始分割模型進行循環(huán)訓練優(yōu)化，直至所述樣本分割圖像和所述分割標簽的偏差性評價結(jié)果位于預設(shè)閾值范圍內(nèi)時，得到所述訓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簽，確定所述樣本分割圖像中的正確分割像素點數(shù)量和錯誤分割像素點數(shù)量，并基于正確性評價公式，生成所述正確性偏差評價參數(shù)，所述正確性評價公式包括：

44、；

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

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

47、；

48、其中，為所述分割偏差評價參數(shù)，和均為所述錯誤分割像素點數(shù)量，且為所述樣本分割圖像中將屬于第 i個區(qū)域的像素點分割為第 j個區(qū)域像素點的數(shù)量，為所述樣本分割圖像中將屬于第 j個區(qū)域的像素點分割為第 i個區(qū)域像素點的數(shù)量；

49、根據(jù)所述錯誤分割像素點數(shù)量，基于漏檢評價公式，生成所述漏檢評價參數(shù)，所述漏檢評價公式包括：

50、；

51、其中，為所述漏檢評價參數(shù)；

52、在所述正確性偏差評價參數(shù)、所述分割偏差評價參數(shù)和所述漏檢評價參數(shù)超出所述預設(shè)閾值范圍內(nèi)時，基于所述第一初始分割模型的操作過程對所述分割標簽進行反推，獲取樣本標簽處理圖像集；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行模型參數(shù)優(yōu)化；

53、在所述正確性偏差評價參數(shù)、所述分割偏差評價參數(shù)和所述漏檢評價參數(shù)位于所述預設(shè)閾值范圍內(nèi)時，得到所述訓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)置動態(tài)權(quán)重，確定所述目標區(qū)域?qū)?yīng)的預警參數(shù)；

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

58、第二方面，本發(fā)明提供了一種水面污染預測裝置，包括：

59、獲取模塊，用于獲取圖像分割訓練集、第一初始分割模型、第二初始分割模型以及目標區(qū)域的水面原始圖像，其中，所述圖像分割訓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)的分割標簽；

60、訓練模塊，用于基于所述分割標簽，對所述第一樣本圖像進行樣本擴充，生成樣本擴充圖像集；根據(jù)所述樣本擴充圖像集對所述第一初始分割模型進行訓練，得到訓練好的第一初始分割模型，并將所述訓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，生成偽分割標簽，并構(gòu)建圖像分割偽訓練集；通過所述樣本擴充圖像集和所述圖像分割偽訓練集，訓練所述參數(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；采用訓練好的圖像識別模型識別所述水面區(qū)域圖像中的污染物，生成污染物數(shù)據(jù)；采用訓練好的支持向量機識別所述水面區(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，包括存儲器和處理器；

64、所述存儲器，用于存儲計算機程序；

65、所述處理器，用于當執(zhí)行所述計算機程序時，實現(xiàn)如第一方面所述的水面污染預測方法。

66、第四方面，本發(fā)明提供了一種計算機可讀存儲介質(zhì)，所述存儲介質(zhì)上存儲有計算機程序，當所述計算機程序被處理器執(zhí)行時，實現(xiàn)如第一方面所述的水面污染預測方法。

67、本發(fā)明的水面污染預測方法、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練集、第一初始分割模型、第二初始分割模型以及目標區(qū)域的水面原始圖像，且圖像分割訓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)的分割標簽，為后續(xù)自動化處理提供了基礎(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，基于分割標簽對第一樣本圖像進行樣本擴充，并利用擴充后的圖像集訓練第一初始分割模型，再將訓練好的模型參數(shù)遷移到第二初始分割模型，不僅提高了模型的泛化能力，還顯著減少了訓練時間，同時不需要大量的訓練數(shù)據(jù)，大大減少了訓練模型的成本，然后，使用訓練好的第一初始分割模型生成偽分割標簽并構(gòu)建圖像分割偽訓練集，結(jié)合之前生成的樣本擴充圖像集進一步優(yōu)化第二初始分割模型，增強了模型對復雜場景的適應(yīng)性，解決了因樣本不足導致的模型性能低下問題，再通過訓練好的圖像分割模型進行水面原始圖像中水面區(qū)域的分割處理，以在復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，進而提高對污染物識別的準確性，通過訓練好的圖像識別模型識別水面區(qū)域中的污染物，并采用訓練好的支持向量機識別水面清澈度，再根據(jù)分析結(jié)果生成污染預警信息，以提醒工作人員做出相應(yīng)的污染治理措施，實現(xiàn)了對目標區(qū)域水質(zhì)的精準預警，克服了相關(guān)技術(shù)無法對全流域進行有效監(jiān)測的局限性，且通過算法自動計算，解決了傳統(tǒng)方法耗時長的問題。本發(fā)明不僅大幅降低了人工成本，還通過算法自動化計算替代了人工標注和檢測，使得整個過程更加高效和準確，適用于大規(guī)模水域的全面監(jiān)測。