CN111582139A - 一种排污口识别方法、装置、电子设备和存储介质 - Google Patents
一种排污口识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111582139A CN111582139A CN202010365896.9A CN202010365896A CN111582139A CN 111582139 A CN111582139 A CN 111582139A CN 202010365896 A CN202010365896 A CN 202010365896A CN 111582139 A CN111582139 A CN 111582139A
- Authority
- CN
- China
- Prior art keywords
- model
- image
- water body
- training
- drain
- 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.)
- Granted
Links
- 239000010865 sewage Substances 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 49
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 151
- 238000012549 training Methods 0.000 claims description 110
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 20
- 238000013526 transfer learning Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 17
- 238000000611 regression analysis Methods 0.000 claims description 11
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种排污口识别方法、装置、电子设备和存储介质，涉及计算机视觉领域。具体实现方案为：获取待识别的目标水体图像；根据所述目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特征之间的关联关系，对所述目标水体图像进行排污口识别；其中，标准水体图像中预先标注有排污口信息，排污口信息包括：排污口类型，以及排污口在标准水体图像中的位置。本申请实施例提高了排污口的识别效率以及识别准确度。
Description
技术领域
本申请涉及图像处理技术，具体涉及计算机视觉技术，尤其涉及一种排污口识别方法、装置、电子设备和存储介质。
背景技术
排污口识别对于精准定位污染源，科学精细化管控和智能执法具有重要意义。目前的排污口识别方法主要由执法人员实地寻访考察与人工观看拍摄图像判断。
由于一些河流周围的环境较为恶劣，增加了实地考察的难度，同时如果河流排污口数量较多，实地考察会耗费大量的人力物力。通过人工观看拍摄图像的方式可以使执法人员免于到处奔波，但人工观察几十万甚至几百万张图像需要消耗大量时间，降低工作效率和准确度。
发明内容
本申请实施例提供了一种排污口识别方法、装置、电子设备和存储介质，以提供一种排污口识别的新方式，提高排污口的识别效率以及识别准确性。
根据第一方面，本申请实施例提供了一种排污口识别方法，包括：
获取待识别的目标水体图像；
根据所述目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特征之间的关联关系，对所述目标水体图像进行排污口识别；
其中，标准水体图像中预先标注有排污口信息，排污口信息包括：排污口类型，以及排污口在标准水体图像中的位置。
可选的，根据所述目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特征之间的关联关系，对所述目标水体图像进行排污口识别，包括：
将所述目标水体图像输入至预先训练的排污口识别模型中，并获取所述排污口识别模型输出的排污口信息；
所述排污口识别模型通过所述标准水体图像集中的标准水体图像进行预先训练得到。
可选的，在获取待识别的目标水体图像之前，还包括：
构建多个基础识别模型，其中，不同的基础识别模型对应不同的超参数设置方式；
将标准水体图像集划分为训练图像集以及测试图像集；
使用所述训练图像集中的各训练图像，对各所述基础识别模型进行训练，得到多个备选识别模型；
使用所述测试图像集中的各测试图像，对各所述备选识别模型进行模型性能的验证；
根据验证结果，在多个备选识别模型中，选取排污口识别模型。
可选的，所述基础识别模型包括：依次相连的迁移学习网络、区域生成网络以及目标分析网络；所述迁移学习网络，通过对预训练的卷积网络模型进行迁移学习得到；所述目标分析网络包括依次相连的目标分类子网络以及回归分析子网络；
其中，在迁移学习网络中，按照从浅层到深层的顺序包括第一数量的第一类卷积层以及第二数量的第二类卷积层；
所述第一类卷积层的模型参数直接迁移所述卷积网络模型的模型参数，所述第二类卷积层的模型参数使用所述训练图像集训练得到。
可选的，使用所述训练图像集中的各训练图像，对所述基础识别模型进行训练，包括：
使用各所述训练图像对所述基础识别模型的区域生成网络中的第一类参数进行训练，第一类参数包括卷积层参数以及其他参数；
使用各所述训练图像对目标分析网络中的第二类参数进行训练，第二类参数包括卷积层参数以及其他参数；
使用第二类参数中的卷积层参数替换所述第一类参数中的卷积层参数后，固定所述区域生成网络中的卷积层参数，并使用各所述训练图像重新对所述区域生成网络中的其他参数进行训练；
固定所述区域生成网络以及所述目标分析网络的卷积层后，将各所述训练图像输入至所述基础识别模型中，以实现对所述基础识别模型的训练。
可选的，所述迁移学习网络，具体用于：形成与输入的训练图像匹配的图像特征，并将所述图像特征传输至相连的区域生成网络；
所述区域生成网络，具体用于：形成与输入的图像特征匹配的多个候选区域，并将各所述候选区域传输至相连的目标分析模型中；
所述目标分类子网络，具体用于：形成与输入的各所述候选区域分别对应的排污口存在概率，并根据预设的排污口识别门限概率以及所述排污口存在概率，确定各所述候选区域的排污口类型；
所述回归分析子网络，用于根据输入的训练图像，确定排污口识别位置，并对所述排污口识别位置进行位置校正，以得到与各所述候选区域分别对应排污口信息。
可选的，根据验证结果，在多个备选识别模型中，选取排污口识别模型，包括：
根据所述验证结果中包括的识别准确度以及召回率，计算与各所述备选识别模型分别对应的模型得分；
选取模型得分最大的备选识别模型，作为所述排污口识别模型。
可选的，基础识别模型中的超参数包括：排污口识别门限概率。
可选的，所述排污口识别模型预先打包生成lib库，并预运行于设定设备中；
将所述目标水体图像输入至预先训练的排污口识别模型中，并获取所述排污口识别模型输出的所述排污口信息，具体包括：
通过接口调用的方式，将所述目标水体图像提供给所述设备中的所述排污口识别模型，并获取所述接口反馈的所述排污口识别模型输出的所述排污口信息。
根据第二方面，本申请实施例还提供了一种排污口识别装置，包括：
图像获取模块，用于获取待识别的目标水体图像；
排污口识别模块，用于根据所述目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特征之间的关联关系，对所述目标水体图像进行排污口识别；
其中，标准水体图像中预先标注有排污口信息，排污口信息包括：排污口类型，以及排污口在标准水体图像中的位置。
根据第三方面，本申请实施例还提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本申请实施例中任一所述的排污口识别方法。
根据第四方面，本申请实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如本申请实施例中任一所述的排污口识别方法。
本申请实施例的技术方案，通过获取待识别的目标水体图像；并根据所述目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特征之间的关联关系，以及标准水体图像中预先标注的排污口信息，对所述目标水体图像进行排污口识别，提高了排污口的识别效率以及识别准确度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请实施例公开的一种排污口识别方法的流程示意图；
图2是根据本申请实施例公开的另一种排污口识别方法的流程示意图；
图3是根据本申请实施例公开的一种排污口识别装置的结构示意图；
图4用来实现本申请实施例的排污口识别方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请实施例公开的一种排污口识别方法的流程示意图，本实施例可以适用于对排污口进行识别的情况，典型的，本实施例可以适用于根据水体图像进行排污口识别的情况。本实施例方法可以由排污口识别装置执行，该装置可采用软件和/或硬件的方式实现，并一般可集成在电子设备中。参见图1，本实施例公开的排污口识别方法可以包括：
S101、获取待识别的目标水体图像。
其中，目标水体图像为图像中可能存在排污口的水体图像。目标水体图像可以通过无人机或者无人车等设备拍摄设定水域内的水面图像获取，本实施例对此不作限制。
S102、根据所述目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特征之间的关联关系，对所述目标水体图像进行排污口识别。
其中，标准水体图像中预先标注有排污口信息，排污口信息包括：排污口类型，以及排污口在标准水体图像中的位置。排污口类型为是否为排污口；在标准水体图像中的位置具体可以为排污口在该标准水体图像的位置坐标，本实施例对此不作限制。
图像特征为图像的颜色特征、纹理特征、形状特征和空间关系特征等用于描述图像的性质。目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特征之间的关联关系可以为图像特征相似度的大小，本实施例对此不作限制，若目标水体图像中某区域的图像特征与标准水体图像集中的各水体图像的图像特征的关联关系满足预设条件，则识别目标水体图像中存在排污口，且标注出识别出的排污口的具体位置。
例如，可以将标准水体图像集中的各水体图像的图像特征，聚类为多个类别，不同类别对应不同的排污口信息，进而可以根据目标水体图像的图像特征所属的类别，使用与该类别对应的排污口信息作为与目标水体图像对应的排污口识别结果。
本申请实施例的技术方案，通过获取待识别的目标水体图像；并根据所述目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特征之间的关联关系，以及标准水体图像中预先标注的排污口信息，实现了使用预先标注的排污口信息的标准水体图像对所述目标水体图像进行排污口识别，提高了排污口的识别效率以及识别准确度。
可选的，根据所述目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特征之间的关联关系，对所述目标水体图像进行排污口识别，可以包括：
将所述目标水体图像输入至预先训练的排污口识别模型中，并获取所述排污口识别模型输出的排污口信息；
所述排污口识别模型通过所述标准水体图像集中的标准水体图像进行预先训练得到。
为了进一步提供识别效率以及识别准确度，可以预先根据标准水体图像训练得到一个排污口识别模型，进而可以直接使用该排污口识别模型对所述目标水体图像进行排污口识别。
其中，排污口识别模型可以使用卷积神经网络模型等机器学习模型，本实施例对此并不进行任何限制，卷积神经网络模型包括但不限于VGG16，Res152，Res101等。
将目标水体图像输入至排污口识别模型，由排污口识别模型对目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特征的关联关系进行分析，获取目标水体图像中的排污口信息。通过预先训练的排污口识别模型中获取目标水体图像的排污口信息，提高排污口识别的效率和准确度。
可选的，所述排污口识别模型预先打包生成lib库，并预运行于设定设备(例如，PC机或者服务器等)中；
相应的，将所述目标水体图像输入至预先训练的排污口识别模型中，并获取所述排污口识别模型输出的所述排污口信息，具体可以包括：
通过接口调用的方式，将所述目标水体图像提供给所述设备中的所述排污口识别模型，并获取所述接口反馈的所述排污口识别模型输出的所述排污口信息。
其中，lib库中存放的是排污口识别模型的调用信息，设定设备可以为服务器等可以运行排污口识别模型的设备，本实施例对此不作限制。
相应的，当需要识别目标水体图像时，可以通过接口调用的方式使用设定设备中运行的排污口识别模型。只需提供目标水体图像即可获取目标水体图像中的排污口信息，简化实际应用中排污口识别的过程，降低排污口识别的难度。
图2是根据本申请实施例公开的一种排污口识别方法的流程示意图，本申请实施例在上述实施例的基础上，为了进一步提高排污口的识别效率以及识别准确度，在获取待识别的目标水体图像之前，还包括：构建多个基础识别模型，其中，不同的基础识别模型对应不同的超参数设置方式；将标准水体图像集划分为训练图像集以及测试图像集；使用所述训练图像集中的各训练图像，对各所述基础识别模型进行训练，得到多个备选识别模型；使用所述测试图像集中的各测试图像，对各所述备选识别模型进行模型性能的验证；根据验证结果，在多个备选识别模型中，选取排污口识别模型。参见图2，该方法具体可以包括：
S201、构建多个基础识别模型，其中，不同的基础识别模型对应不同的超参数设置方式。
其中，不同的基础识别模型为结构相似，超参数设置方式不同的识别模型。超参数为学习过程之前需要用户人为设置的参数，通常根据经验进行设定，例如卷积神经网络模型中的迭代次数、隐藏层的层数、每层神经元的个数、学习速率等。
在一个具体的例子中，构建的基础识别模型共具有三个可配置的超参数，每个超参数共有2种可选的配置值，因此，共有2*2*2＝8种超参数设置方式，因而可以构建8个基础识别模型，并通过后续操作，选取一个训练结果最好的模型，作为排污口识别模型。
进一步的，所述基础识别模型可以具体包括：依次相连的迁移学习网络、区域生成网络以及目标分析网络；所述迁移学习网络，通过对预训练的卷积网络模型进行迁移学习得到；所述目标分析网络包括依次相连的目标分类子网络以及回归分析子网络；其中，在迁移学习网络中，按照从浅层到深层的顺序包括第一数量的第一类卷积层以及第二数量的第二类卷积层；所述第一类卷积层的模型参数直接迁移所述卷积网络模型的模型参数，所述第二类卷积层的模型参数使用所述训练图像集训练得到。
可选的，所述迁移学习网络，具体用于：形成与输入的训练图像匹配的图像特征，并将所述图像特征传输至相连的区域生成网络；
所述区域生成网络，具体用于：形成与输入的图像特征匹配的多个候选区域，并将各所述候选区域传输至相连的目标分析模型中；
所述目标分类子网络，具体用于：形成与输入的各所述候选区域分别对应的排污口存在概率，并根据预设的排污口识别门限概率以及所述排污口存在概率，确定各所述候选区域的排污口类型；
其中，排污口识别门限概率用于当候选图像区域中存在排污口的概率超过排污口识别门限时，确定该候选图像区域中存在排污口。
所述回归分析子网络，用于根据输入的训练图像，确定排污口识别位置，并对所述排污口识别位置进行位置校正，以得到与各所述候选区域分别对应排污口信息。
步骤202、将标准水体图像集划分为训练图像集以及测试图像集。
其中，划分训练图像集以及测试图像集时，可以将标准水体图像集中的图像分别标明进行模型训练和模型测试的图片编号，并将像素大小，层数等图片属性信息标注于图像中。
步骤203、使用所述训练图像集中的各训练图像，对各所述基础识别模型进行训练，得到多个备选识别模型。
其中，通过训练集对各基础识别模型进行训练，确定各基础识别模型中的模型参数，从而获取多个备选识别模型。
可选的，使用所述训练图像集中的各训练图像，对所述基础识别模型进行训练，包括：
使用各所述训练图像对所述基础识别模型的区域生成网络中的第一类参数进行训练，第一类参数包括卷积层参数以及其他参数；
使用各所述训练图像对目标分析网络中的第二类参数进行训练，第二类参数包括卷积层参数以及其他参数；
使用第二类参数中的卷积层参数替换所述第一类参数中的卷积层参数后，固定所述区域生成网络中的卷积层参数，并使用各所述训练图像重新对所述区域生成网络中的其他参数进行训练；
固定所述区域生成网络以及所述目标分析网络的卷积层后，将各所述训练图像输入至所述基础识别模型中，以实现对所述基础识别模型的训练。
具体的，区域生成网络中包括两个loss(损失函数)，分别为分类loss和回归loss；
区域生成网络在根据输入的训练图像得到多个候选区域后，可以确定每个候选区域内是否包含有排污口，正确识别出排污口的候选区域为正样本，没有正确识别出排污口的候选区域为负样本。基于上述识别结果，可以计算分类loss；同时，可以根据全部正样本中对排污口的识别位置与训练图像中所标注的排污口位置之间的差异，计算所述回归loss；通过对分类loss和回归loss进行加权求和，可以对应调整区域生成网络中的各项参数。
相类似的，目标分析网络中包括有与目标分类子网络对应的分类loss以及与回归分析子网络对应的回归loss；
在将各所述训练图像输入至所述基础识别模型中之后，可以根据目标分析网络中的分类loss和回归loss的加权求和结果，得到最终的损失函数，并根据该损失函数进行反向传播，对迁移学习网络、区域生成网络以及目标分析网络中包括的各项参数进行调整。
步骤204、使用所述测试图像集中的各测试图像，对各所述备选识别模型进行模型性能的验证。
通过测试图像集对各备选识别模型进行模型性能的验证，其中模型性能包括识别准确率和召回率等。
其中，识别准确率是指一个备选识别模型是否能正确识别出测试图像的排污口信息的概率，召回率具体是指一个备选识别模型能够通过正确识别出测试图像中包括有排污口的图像的概率。一般来说，当排污口识别门限设置的较低时，召回率会对应升高，识别准确率会对应降低；当排污口识别门限设置的较高时，召回率会对应降低，识别准确率会对应升高。
步骤205、根据验证结果，在多个备选识别模型中，选取排污口识别模型。
其中，验证结果为各备选识别模型对测试图像的识别结果的验证，示例性的，考虑各备选模型的识别结果，选取综合表现最优的排污口识别模型。
可选的，根据验证结果，在多个备选识别模型中，选取排污口识别模型，包括：
根据所述验证结果中包括的识别准确度以及召回率，计算与各所述备选识别模型分别对应的模型得分；
选取模型得分最大的备选识别模型，作为所述排污口识别模型。
其中，可以将识别准确度和召回率通过预设公式计算与各备选识别模型分别对应的模型得分，将模型得分最大的备选识别模型确定为最优模型，作为最终的排污口识别模型，以提高排污口识别的效率以及识别准确度。
具体的，可以通过经验参数，设置与识别准确度和召回率分别对应的打分权重，并将识别准确度和召回率与对应的打分权重的加权求和结果，作为与各所述备选识别模型分别对应的模型得分。
可选的，基础识别模型中的超参数包括：排污口识别门限概率。
可以通过手动调整排污口识别门限概率，例如50％-80％，以获取识别准确性和召回率的综合计算最优结果。
步骤206、获取待识别的目标水体图像。
步骤207、将所述目标水体图像输入至预先训练的排污口识别模型中，并获取所述排污口识别模型输出的排污口信息。
本申请实施例的技术方案，通过构建多个基础识别模型；并通过标准水体图像集划分为训练图像集以及测试图像集，对各所述备选识别模型进行模型性能的验证；根据验证结果，在多个备选识别模型中，选取最优的识别模型作为排污口识别模型，以提高排污口识别的效率以及识别准确度。
图3是根据本申请实施例公开的一种排污口识别装置的结构示意图，本实施例该装置可采用软件和/或硬件的方式实现，可以执行本申请任意实施例提供的排污口识别方法，具备执行方法相应的功能模块和有益效果。参见图3，本实施例公开的排污口识别装置300包括图像获取模块301、排污口识别模块302，其中：
图像获取模块301，用于获取待识别的目标水体图像；
排污口识别模块302，用于根据所述目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特征之间的关联关系，对所述目标水体图像进行排污口识别；
其中，标准水体图像中预先标注有排污口信息，排污口信息包括：排污口类型，以及排污口在标准水体图像中的位置。
本申请实施例的技术方案，通过获取待识别的目标水体图像；并根据所述目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特征之间的关联关系，以及标准水体图像中预先标注的排污口信息，对所述目标水体图像进行排污口识别，提高了排污口的识别效率以及识别准确度。
可选的，所述排污口识别模块，包括：
排污口信息获取单元，用于将所述目标水体图像输入至预先训练的排污口识别模型中，并获取所述排污口识别模型输出的排污口信息；
所述排污口识别模型通过所述标准水体图像集中的标准水体图像进行预先训练得到。
可选的，本实施例装置还包括：
模型构建模块，用于所述图像获取模块301之前，构建多个基础识别模型，其中，不同的基础识别模型对应不同的超参数设置方式；
图像集划分模块，用于将标准水体图像集划分为训练图像集以及测试图像集；
模型训练模块，用于使用所述训练图像集中的各训练图像，对各所述基础识别模型进行训练，得到多个备选识别模型；
模型性能验证模块，用于使用所述测试图像集中的各测试图像，对各所述备选识别模型进行模型性能的验证；
模型选取模块，用于根据验证结果，在多个备选识别模型中，选取排污口识别模型。
可选的，所述基础识别模型包括：依次相连的迁移学习网络、区域生成网络以及目标分析网络；所述迁移学习网络，通过对预训练的卷积网络模型进行迁移学习得到；所述目标分析网络包括依次相连的目标分类子网络以及回归分析子网络；
其中，在迁移学习网络中，按照从浅层到深层的顺序包括第一数量的第一类卷积层以及第二数量的第二类卷积层；
所述第一类卷积层的模型参数直接迁移所述卷积网络模型的模型参数，所述第二类卷积层的模型参数使用所述训练图像集训练得到。
可选的，所述模型训练模块，包括：
第一参数训练单元，用于使用各所述训练图像对所述基础识别模型的区域生成网络中的第一类参数进行训练，第一类参数包括卷积层参数以及其他参数；
第二参数训练单元，用于使用各所述训练图像对目标分析网络中的第二类参数进行训练，第二类参数包括卷积层参数以及其他参数；
第三参数训练单元，用于使用第二类参数中的卷积层参数替换所述第一类参数中的卷积层参数后，固定所述区域生成网络中的卷积层参数，并使用各所述训练图像重新对所述区域生成网络中的其他参数进行训练；
模型训练单元，用于固定所述区域生成网络以及所述目标分析网络的卷积层后，将各所述训练图像输入至所述基础识别模型中，以实现对所述基础识别模型的训练。
可选的，所述迁移学习网络，具体用于：形成与输入的训练图像匹配的图像特征，并将所述图像特征传输至相连的区域生成网络；
所述区域生成网络，具体用于：形成与输入的图像特征匹配的多个候选区域，并将各所述候选区域传输至相连的目标分析模型中；
所述目标分类子网络，具体用于：形成与输入的各所述候选区域分别对应的排污口存在概率，并根据预设的排污口识别门限概率以及所述排污口存在概率，确定各所述候选区域的排污口类型；
所述回归分析子网络，用于根据输入的训练图像，确定排污口识别位置，并对所述排污口识别位置进行位置校正，以得到与各所述候选区域分别对应排污口信息。
可选的，所述模型选取模块，包括：
模型得分计算单元，用于根据所述验证结果中包括的识别准确度以及召回率，计算与各所述备选识别模型分别对应的模型得分；
模型选取单元，用于选取模型得分最大的备选识别模型，作为所述排污口识别模型。
可选的，基础识别模型中的超参数包括：排污口识别门限概率。
可选的，所述排污口识别模型预先打包生成lib库，并预运行于设定设备中；
所述排污口信息获取单元，具体包括：
信息获取子单元，用于通过接口调用的方式，将所述目标水体图像提供给所述设备中的所述排污口识别模型，并获取所述接口反馈的所述排污口识别模型输出的所述排污口信息。
本申请实施例所公开的排污口识别装置可执行本申请实施例所公开的任意的排污口识别方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图4所示，是用来实现本申请实施例的排污口识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示，该电子设备包括：一个或多个处理器401、存储器402，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器401为例。
存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的排污口识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的排污口识别方法。
存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的排污口识别方法对应的程序指令/模块(例如，附图3所示的图像获取模块301和排污口识别模块302)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的排污口识别方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据排污口识别的电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至排污口识别的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
排污口识别方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息，以及产生与排污口识别电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本申请实施例的技术方案，通过获取待识别的目标水体图像；并根据所述目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特征之间的关联关系，以及标准水体图像中预先标注的排污口信息，对所述目标水体图像进行排污口识别，提高了排污口的识别效率以及识别准确度。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (17)
1.一种排污口识别方法，其特征在于，包括：
获取待识别的目标水体图像；
根据所述目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特征之间的关联关系，对所述目标水体图像进行排污口识别；
其中，标准水体图像中预先标注有排污口信息，排污口信息包括：排污口类型，以及排污口在标准水体图像中的位置。
2.根据权利要求1所述的方法，其特征在于，根据所述目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特征之间的关联关系，对所述目标水体图像进行排污口识别，包括：
将所述目标水体图像输入至预先训练的排污口识别模型中，并获取所述排污口识别模型输出的排污口信息；
所述排污口识别模型通过所述标准水体图像集中的标准水体图像进行预先训练得到。
3.根据权利要求2所述的方法，其特征在于，在获取待识别的目标水体图像之前，还包括：
构建多个基础识别模型，其中，不同的基础识别模型对应不同的超参数设置方式；
将标准水体图像集划分为训练图像集以及测试图像集；
使用所述训练图像集中的各训练图像，对各所述基础识别模型进行训练，得到多个备选识别模型；
使用所述测试图像集中的各测试图像，对各所述备选识别模型进行模型性能的验证；
根据验证结果，在多个备选识别模型中，选取排污口识别模型。
4.根据权利要求3所述的方法，其特征在于，所述基础识别模型包括：依次相连的迁移学习网络、区域生成网络以及目标分析网络；所述迁移学习网络，通过对预训练的卷积网络模型进行迁移学习得到；所述目标分析网络包括依次相连的目标分类子网络以及回归分析子网络；
其中，在迁移学习网络中，按照从浅层到深层的顺序包括第一数量的第一类卷积层以及第二数量的第二类卷积层；
所述第一类卷积层的模型参数直接迁移所述卷积网络模型的模型参数，所述第二类卷积层的模型参数使用所述训练图像集训练得到。
5.根据权利要求4所述的方法，其特征在于，使用所述训练图像集中的各训练图像，对所述基础识别模型进行训练，包括：
使用各所述训练图像对所述基础识别模型的区域生成网络中的第一类参数进行训练，第一类参数包括卷积层参数以及其他参数；
使用各所述训练图像对目标分析网络中的第二类参数进行训练，第二类参数包括卷积层参数以及其他参数；
使用第二类参数中的卷积层参数替换所述第一类参数中的卷积层参数后，固定所述区域生成网络中的卷积层参数，并使用各所述训练图像重新对所述区域生成网络中的其他参数进行训练；
固定所述区域生成网络以及所述目标分析网络的卷积层后，将各所述训练图像输入至所述基础识别模型中，以实现对所述基础识别模型的训练。
6.根据权利要求4所述的方法，其特征在于：
所述迁移学习网络，具体用于：形成与输入的训练图像匹配的图像特征，并将所述图像特征传输至相连的区域生成网络；
所述区域生成网络，具体用于：形成与输入的图像特征匹配的多个候选区域，并将各所述候选区域传输至相连的目标分析模型中；
所述目标分类子网络，具体用于：形成与输入的各所述候选区域分别对应的排污口存在概率，并根据预设的排污口识别门限概率以及所述排污口存在概率，确定各所述候选区域的排污口类型；
所述回归分析子网络，用于根据输入的训练图像，确定排污口识别位置，并对所述排污口识别位置进行位置校正，以得到与各所述候选区域分别对应排污口信息。
7.根据权利要求3所述的方法，其特征在于，根据验证结果，在多个备选识别模型中，选取排污口识别模型，包括：
根据所述验证结果中包括的识别准确度以及召回率，计算与各所述备选识别模型分别对应的模型得分；
选取模型得分最大的备选识别模型，作为所述排污口识别模型。
8.根据权利要求5所述的方法，其特征在于，基础识别模型中的超参数包括：排污口识别门限概率。
9.根据权利要求2-8任一项所述的方法，其特征在于，所述排污口识别模型预先打包生成lib库，并预运行于设定设备中；
将所述目标水体图像输入至预先训练的排污口识别模型中，并获取所述排污口识别模型输出的所述排污口信息，具体包括：
通过接口调用的方式，将所述目标水体图像提供给所述设备中的所述排污口识别模型，并获取所述接口反馈的所述排污口识别模型输出的所述排污口信息。
10.一种排污口识别装置，其特征在于，包括：
图像获取模块，用于获取待识别的目标水体图像；
排污口识别模块，用于根据所述目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特征之间的关联关系，对所述目标水体图像进行排污口识别；
其中，标准水体图像中预先标注有排污口信息，排污口信息包括：排污口类型，以及排污口在标准水体图像中的位置。
11.根据权利要求10所述的装置，其特征在于，所述排污口识别模块，包括：
排污口信息获取单元，用于将所述目标水体图像输入至预先训练的排污口识别模型中，并获取所述排污口识别模型输出的排污口信息；
所述排污口识别模型通过所述标准水体图像集中的标准水体图像进行预先训练得到。
12.根据权利要求11所述的装置，其特征在于，还包括：
模型构建模块，用于所述图像获取模块之前，构建多个基础识别模型，其中，不同的基础识别模型对应不同的超参数设置方式；
图像集划分模块，用于将标准水体图像集划分为训练图像集以及测试图像集；
模型训练模块，用于使用所述训练图像集中的各训练图像，对各所述基础识别模型进行训练，得到多个备选识别模型；
模型性能验证模块，用于使用所述测试图像集中的各测试图像，对各所述备选识别模型进行模型性能的验证；
模型选取模块，用于根据验证结果，在多个备选识别模型中，选取排污口识别模型。
13.根据权利要求12所述的装置，其特征在于，所述基础识别模型包括：依次相连的迁移学习网络、区域生成网络以及目标分析网络；所述迁移学习网络，通过对预训练的卷积网络模型进行迁移学习得到；所述目标分析网络包括依次相连的目标分类子网络以及回归分析子网络；
其中，在迁移学习网络中，按照从浅层到深层的顺序包括第一数量的第一类卷积层以及第二数量的第二类卷积层；
所述第一类卷积层的模型参数直接迁移所述卷积网络模型的模型参数，所述第二类卷积层的模型参数使用所述训练图像集训练得到。
14.根据权利要求13所述的装置，其特征在于，所述模型训练模块，包括：
第一参数训练单元，用于使用各所述训练图像对所述基础识别模型的区域生成网络中的第一类参数进行训练，第一类参数包括卷积层参数以及其他参数；
第二参数训练单元，用于使用各所述训练图像对目标分析网络中的第二类参数进行训练，第二类参数包括卷积层参数以及其他参数；
第三参数训练单元，用于使用第二类参数中的卷积层参数替换所述第一类参数中的卷积层参数后，固定所述区域生成网络中的卷积层参数，并使用各所述训练图像重新对所述区域生成网络中的其他参数进行训练；
模型训练单元，用于固定所述区域生成网络以及所述目标分析网络的卷积层后，将各所述训练图像输入至所述基础识别模型中，以实现对所述基础识别模型的训练。
15.根据权利要求13所述的装置，其特征在于：
所述迁移学习网络，具体用于：形成与输入的训练图像匹配的图像特征，并将所述图像特征传输至相连的区域生成网络；
所述区域生成网络，具体用于：形成与输入的图像特征匹配的多个候选区域，并将各所述候选区域传输至相连的目标分析模型中；
所述目标分类子网络，具体用于：形成与输入的各所述候选区域分别对应的排污口存在概率，并根据预设的排污口识别门限概率以及所述排污口存在概率，确定各所述候选区域的排污口类型；
所述回归分析子网络，用于根据输入的训练图像，确定排污口识别位置，并对所述排污口识别位置进行位置校正，以得到与各所述候选区域分别对应排污口信息。
16.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的排污口识别方法。
17.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的排污口识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010365896.9A CN111582139B (zh) | 2020-04-30 | 2020-04-30 | 一种排污口识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010365896.9A CN111582139B (zh) | 2020-04-30 | 2020-04-30 | 一种排污口识别方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111582139A true CN111582139A (zh) | 2020-08-25 |
| CN111582139B CN111582139B (zh) | 2023-08-04 |
Family
ID=72124638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010365896.9A Active CN111582139B (zh) | 2020-04-30 | 2020-04-30 | 一种排污口识别方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111582139B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112364918A (zh) * | 2020-11-10 | 2021-02-12 | 深圳力维智联技术有限公司 | 异常识别方法、终端和计算机可读存储介质 |
| CN115272885A (zh) * | 2022-06-10 | 2022-11-01 | 广州中科云图智能科技有限公司 | 排污口识别系统、方法、设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130094984A (ko) * | 2012-02-17 | 2013-08-27 | 광주과학기술원 | 막 오염도 측정 방법 및 장치 |
| CN204650230U (zh) * | 2015-06-11 | 2015-09-16 | 张迪 | 基于北斗的水质监管系统 |
| CN107421853A (zh) * | 2017-04-26 | 2017-12-01 | 青岛理工大学 | 一种河流横向扩散系数的等浓度线快速观测方法 |
| CN108647588A (zh) * | 2018-04-24 | 2018-10-12 | 广州绿怡信息科技有限公司 | 物品类别识别方法、装置、计算机设备和存储介质 |
| CN108764226A (zh) * | 2018-04-13 | 2018-11-06 | 顺丰科技有限公司 | 图像文本识别方法、装置、设备及其存储介质 |
| US10160274B1 (en) * | 2017-10-23 | 2018-12-25 | GM Global Technology Operations LLC | Method and apparatus that generate position indicators for towable object |
| CN109886139A (zh) * | 2019-01-28 | 2019-06-14 | 平安科技（深圳）有限公司 | 人体检测模型生成方法、排污口异常检测方法以及装置 |
| CN110244011A (zh) * | 2019-06-26 | 2019-09-17 | 熊颖郡 | 无人机的河流排污自动监测分析预警系统 |
| CN110503677A (zh) * | 2018-05-16 | 2019-11-26 | 邵曦 | 用于污水偷排检测的图像配准方法 |
| CN110503080A (zh) * | 2019-08-30 | 2019-11-26 | 中国电建集团西北勘测设计研究院有限公司 | 基于无人机倾斜摄影辅助排污口的调查方法 |
| CN110555481A (zh) * | 2019-09-06 | 2019-12-10 | 腾讯科技（深圳）有限公司 | 一种人像风格识别方法、装置和计算机可读存储介质 |
-
2020
- 2020-04-30 CN CN202010365896.9A patent/CN111582139B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130094984A (ko) * | 2012-02-17 | 2013-08-27 | 광주과학기술원 | 막 오염도 측정 방법 및 장치 |
| CN204650230U (zh) * | 2015-06-11 | 2015-09-16 | 张迪 | 基于北斗的水质监管系统 |
| CN107421853A (zh) * | 2017-04-26 | 2017-12-01 | 青岛理工大学 | 一种河流横向扩散系数的等浓度线快速观测方法 |
| US10160274B1 (en) * | 2017-10-23 | 2018-12-25 | GM Global Technology Operations LLC | Method and apparatus that generate position indicators for towable object |
| CN108764226A (zh) * | 2018-04-13 | 2018-11-06 | 顺丰科技有限公司 | 图像文本识别方法、装置、设备及其存储介质 |
| CN108647588A (zh) * | 2018-04-24 | 2018-10-12 | 广州绿怡信息科技有限公司 | 物品类别识别方法、装置、计算机设备和存储介质 |
| CN110503677A (zh) * | 2018-05-16 | 2019-11-26 | 邵曦 | 用于污水偷排检测的图像配准方法 |
| CN109886139A (zh) * | 2019-01-28 | 2019-06-14 | 平安科技（深圳）有限公司 | 人体检测模型生成方法、排污口异常检测方法以及装置 |
| CN110244011A (zh) * | 2019-06-26 | 2019-09-17 | 熊颖郡 | 无人机的河流排污自动监测分析预警系统 |
| CN110503080A (zh) * | 2019-08-30 | 2019-11-26 | 中国电建集团西北勘测设计研究院有限公司 | 基于无人机倾斜摄影辅助排污口的调查方法 |
| CN110555481A (zh) * | 2019-09-06 | 2019-12-10 | 腾讯科技（深圳）有限公司 | 一种人像风格识别方法、装置和计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张春桂等: "基于模糊评价的福建沿海水质卫星遥感监测模型", 《应用气象学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112364918A (zh) * | 2020-11-10 | 2021-02-12 | 深圳力维智联技术有限公司 | 异常识别方法、终端和计算机可读存储介质 |
| CN112364918B (zh) * | 2020-11-10 | 2024-04-02 | 深圳力维智联技术有限公司 | 异常识别方法、终端和计算机可读存储介质 |
| CN115272885A (zh) * | 2022-06-10 | 2022-11-01 | 广州中科云图智能科技有限公司 | 排污口识别系统、方法、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111582139B (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111582453B (zh) | 生成神经网络模型的方法和装置 | |
| CN110795569B (zh) | 知识图谱的向量表示生成方法、装置及设备 | |
| US20210264197A1 (en) | Point cloud data processing method, apparatus, electronic device and computer readable storage medium | |
| CN111639710A (zh) | 图像识别模型训练方法、装置、设备以及存储介质 | |
| CN111598164B (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
| CN112509690B (zh) | 用于控制质量的方法、装置、设备和存储介质 | |
| CN111767359B (zh) | 兴趣点分类方法、装置、设备以及存储介质 | |
| CN105303179A (zh) | 指纹识别方法、装置 | |
| CN111667056A (zh) | 用于搜索模型结构的方法和装置 | |
| CN111539347B (zh) | 用于检测目标的方法和装置 | |
| CN112241715A (zh) | 模型训练方法、表情识别方法、装置、设备及存储介质 | |
| CN112561056A (zh) | 神经网络模型的训练方法、装置、电子设备和存储介质 | |
| CN112329453B (zh) | 样本章节的生成方法、装置、设备以及存储介质 | |
| CN112241716B (zh) | 训练样本的生成方法和装置 | |
| CN112508004A (zh) | 一种文字识别方法、装置、电子设备及存储介质 | |
| CN112529180A (zh) | 模型蒸馏的方法和装置 | |
| CN110427524A (zh) | 知识图谱补全的方法、装置、电子设备及存储介质 | |
| CN112380392A (zh) | 用于分类视频的方法、装置、电子设备及可读存储介质 | |
| CN111582139B (zh) | 一种排污口识别方法、装置、电子设备和存储介质 | |
| CN112288699A (zh) | 图像相对清晰度的评估方法、装置、设备和介质 | |
| CN111241225B (zh) | 常驻区域变更的判断方法、装置、设备及存储介质 | |
| CN113157829A (zh) | 一种兴趣点名称比对方法、装置、电子设备和存储介质 | |
| CN112559715B (zh) | 态度的识别方法、装置、设备及存储介质 | |
| CN112232089B (zh) | 语义表示模型的预训练方法、设备和存储介质 | |
| CN112529181B (zh) | 用于模型蒸馏的方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |