CN113469090A - 水质污染预警方法、装置及存储介质 - Google Patents
水质污染预警方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113469090A CN113469090A CN202110780484.6A CN202110780484A CN113469090A CN 113469090 A CN113469090 A CN 113469090A CN 202110780484 A CN202110780484 A CN 202110780484A CN 113469090 A CN113469090 A CN 113469090A
- Authority
- CN
- China
- Prior art keywords
- water quality
- classification model
- detected
- quality classification
- water
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种水质污染预警方法、装置及存储介质。其中,水质污染预警方法包括:基于至少一条待检测水流的图像数据,获取初始水质分类模型对各待检测水流进行水质分类得到的第一结果;若根据所述第一结果判断需要对所述初始水质分类模型进行增量训练,则基于所述图像数据中的增量样本数据对所述初始水质分类模型进行增量训练,并得到增量训练水质分类模型;将所述增量训练水质分类模型替换所述初始水质分类模型,以使得所述增量训练水质分类模型对待检测水流进行水质分类。本申请提供的水质污染预警方法解决了当前的水质污染预警结果不准确的问题。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种水质污染预警方法、装置及存储介质。
背景技术
随着人工智能的发展,现如今通常采用前馈神经网络进行水质预警分析,目前的进行水质污染预警分析的预警系统通常由输入层、多个隐藏层和输出层组成,当系统输入的是图像时,由于图像太多而会导致该模型不易找到最优参数,且忽视了图像局部性相关性的特点,导致水质污染预警的结果不准确。
发明内容
本申请实施例提供了一种水质污染预警方法、装置及存储介质,解决了当前的水质污染预警结果不准确的问题。
为解决以上技术问题,本申请包括以下技术方案:
第一方面,本申请实施例提供了一种水质污染预警方法,所述方法包括:
基于至少一条待检测水流的图像数据,获取初始水质分类模型对各待检测水流进行水质分类得到的第一结果;
若根据所述第一结果判断需要对所述初始水质分类模型进行增量训练,则基于所述图像数据中的增量样本数据对所述初始水质分类模型进行增量训练,并得到增量训练水质分类模型;
将所述增量训练水质分类模型替换所述初始水质分类模型,以使得所述增量训练水质分类模型对待检测水流进行水质分类。
第二方面,本申请实施例提供了一种水质污染预警装置,所述装置包括:
获取模块,用于基于至少一条待检测水流的图像数据,获取初始水质分类模型对各待检测水流进行水质分类得到的第一结果;
训练模块,用于若根据所述第一结果判断需要对所述初始水质分类模型进行增量训练,则基于所述图像数据中的增量样本数据对所述初始水质分类模型进行增量训练,并得到增量训练水质分类模型;
分类模块,用于将所述增量训练水质分类模型替换所述初始水质分类模型,以使得所述增量训练水质分类模型对待检测水流进行水质分类。
第三方面,本申请实施例提供了另一种水质污染预警装置,其特征在于,包括处理器、存储器以及通信接口:
所述处理器与所述存储器、所述通信接口相连;
所述存储器,用于存储可执行程序代码;
所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于执行:
基于至少一条待检测水流的图像数据,获取初始水质分类模型对各待检测水流进行水质分类得到的第一结果;
若根据所述第一结果判断需要对所述初始水质分类模型进行增量训练,则基于所述图像数据中的增量样本数据对所述初始水质分类模型进行增量训练,并得到增量训练水质分类模型;
将所述增量训练水质分类模型替换所述初始水质分类模型,以使得所述增量训练水质分类模型对待检测水流进行水质分类。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如上述第一方面所述的水质污染预警方法。
本申请提供的水质污染预警方法,首先利用初始水质分类模型对获取的待检测水流的视频数据或图像数据进行水质分类检测得到第一结果,判断第一结果中是否存在目标水质类别,若存在,则对待检测水流基于人工方式进行水质分类检测得到第二结果,在第一结果与第二结果之间的误差超过预设阈值的情况下,对初始水质分类模型进行增量训练,最终根据增量训练水质分类模型对待检测的水流进行水质分类,并在满足预设条件的情况下进行水质污染预警,本申请通过不断优化初始水质分类模型,不断提高了模型进行水质分类的准确性,以使进行水质污染预警的结果也更加准确,解决了当前的水质污染预警结果不准确的问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种水质污染预警方法的应用场景示意图;
图2是本申请实施例提供的一种水质污染预警方法的流程示意图;
图3是本申请实施例提供的另一种水质污染预警方法的流程示意图;
图4是本申请实施例提供的一种水质分类及获取增量训练水质分类模型的流程示意图;
图5是本申请实施例提供的一种电子设备进行水质污染预警时屏幕界面示意图;
图6是本申请实施例提供的一种水质污染预警装置的结构示意图;
图7是本申请实施例提供的另一种水质污染预警装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面将结合附图对本申请的具体实施方式做详细说明。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
请参考图1所示,图1出示了本申请实施例中提供的一种水质污染预警的应用场景示意图。其中包括电子设备10及摄像头20。
电子设备10可以包括但不限于是个人计算机、笔记本电脑、平板电脑、智能手机、单片机、便携式可穿戴设备等。在本申请实施例中,电子设备10可以与摄像头20建立通信连接可以接收摄像头20拍摄的视频数据和图像数据,电子设备20内部包括多个处理模块,每一个模块可以进行不同的处理操作,其中处理模块可以包括但不限于是视频判断模块、视频转图像模块、增量训练模块、增量训练水质分类模块、水质分类模块、预警水质判断模块、预警模块。其中,视频判断模块用于判断接收的是视频数据还是图像数据,视频判断模块可以是软件,还可以是例如现场可编程逻辑门阵列(Field Programmable Gate Array,FPJA)等具有视频判断功能的硬件;视频转图像模块用于将视频数据转换成图像数据;增量训练模块用于判断是否需要对初始水质分类模型进行增量训练;增量训练水质分类模块用于对初始水质分类模型进行增量训练得到增量训练水质分类模型,水质分类模块用于对待检测水流的图像数据进行水质分类,预警水质判断模块用于判断是否进行水质分类后的水质是否属于预警水质,预警模块用于对目标水质进行预警。
摄像头20可以包括但不限于是数字摄像头和模拟摄像头等,可以采集的数据包括但不限于是视频数据、图像数据等。在本申请实施例,摄像头10可以放置在待检测水流的附近,用于拍摄的待检测水流的视频数据或图像数据。摄像头20可以与电子设备10建立通信,将拍摄的视频数据或图像数据发送给电子设备10。
接下来将全部结合图1出示的应用场景示意图介绍本申请实施例提供的水质污染预警方法。
请参考图2所示,图2是本申请实施例中的一种水质污染预警方法的流程示意图,所述方法包括:
S201、基于至少一条待检测水流的图像数据,获取初始水质分类模型对各待检测水流进行水质分类得到的第一结果。
具体的,在进行水质污染预警前,将摄像头放置在待检测水流附近的目标位置,用于拍摄待检测水流的图像数据。电子设备根据与摄像头建立的通信连接,获取摄像头拍摄的至少一条待检测水流的图像数据,利用初始水质分类模型对各待检测水流进行水质分类检测,得到第一结果。
可以理解的是,在本申请实施例中,电子设备中可以存储多个水质分类模型。其中,利用水质分类模型对待检测的水流进行水质分类的具体方法可以包括:水质分类模型包括多个处理层,例如:DenseNet121、Xception、卷积层、池化层、全局池化层、Dropout层、Merge层、全连接层和Softmax层,当图像数据通过DenseNet121、Xception时,可以得到第一个图像特征和第二个图像特征,同时图像数据通过卷积层不同通道的像素进行线性求和,合并不同颜色的通道信息,再通过池化层和卷积层得到第三个图像特征,根据上述操作可以得到三个高级的图像特征,再利用Merge层对三个图像特征进行特征融合,得到新的图像特征,新的图像特征经过两次全连接层加Softmax层得到图像数据中水质分类类别的概率分布,最终根据概率分布确定待检测水流的水质。第一结果包括待检测水流的图像数据对应的预设水质类别及各预设水质类别对应的数量。其中,第一个图像特征和第二个图像特征分别经过全局池化层和Dropout层,第三个图像特征只经过全局池化层。得到第三个图像特征的方法可以包括:利用Inception设计方法得到第三个图像的初级特征,再通过池化层和卷积层根据初级特征得到第三个图像特征;其中,Inception设计方法可以采用但不限于是1×1滤波器,池化层和卷积层各自可以采用但不限于是2×2滤波器,本申请对Inception设计方法所采用的滤波器结构不做限定。
S202、若根据第一结果判断需要对初始水质分类模型进行增量训练,则基于图像数据中的增量样本数据对初始水质分类模型进行增量训练,并得到增量训练水质分类模型。
具体的,电子设备根据上述方法获取待检测水流的第一结果后,判断是否需要对初始水质分类模型进行增量训练,若需要进行增量训练,则基于图像数据中的增量样本数据对初始水质分类模型进行增量训练,得到增量训练水质分类模型。其中,判断是否需要对初始水质分类模型进行增量训练,包括:首先判断第一结果中是否存在目标水质类别,若存在目标水质类别,则基于人工方式对各待检测水流进行水质分类得到第二结果,当第一结果与第二结果中目标水质类别对应的数量的差值超过预设阈值时,则根据增量样本数据对初始水质分类模型进行增量训练。其中,增量样本数据包括第一结果和第二结果中目标水质类别不同的图像数据。
示例性的,若待检测的图像数据有100个,目标水质类别为污染水质,电子设备首先根据初始水质分类模型对这100个图像数据进行检测,得到第一结果,若第一结果为:待检测数据中包含90个未污染水质,10个污染水质。此时第一结果中包含污染水质,因此电子设备基于人工采样检测的方式对待检测水流进行水质分类检测得到第二结果,若第二结果为:待检测数据中包含100个未污染水质,0个污染水质。假设需要对初始水质分类模型进行增量训练的条件是第一结果与第二结果中污染水质的数量的差值超过5个,此时,本示例中的第一结果与第二结果之间的误差已满足预设条件,于是将第一结果和第二结果中不同的图像数据作为增量样本数据,将增量样本数据与训练得到初始水质分类模型所采用的初始样本数据进行合并,并作为新的样本数据对初始水质分类模型进行训练得到增量训练水质分类模型。
S203、将增量训练水质分类模型替换初始水质分类模型,以使得增量训练水质分类模型对待检测水流进行水质分类。
具体的,电子设备得到新的增量训练水质分类模型后,将增量训练水质分类模型替换初始水质分类模型,利用增量训练水质分类模型对待检测水流进行水质分类。
进一步的,将增量训练水质分类模型替换初始水质分类模型,以使得增量训练水质分类模型对待检测水流进行水质分类之后,还包括:生成待检测水流的图像数据对应的检测报告;其中,检测报告用于提供给用户进行水流图像数据与水质类别的相关性分析。举例来说,电子设备根据增量训练水质分类模型对待检测水流的图像数据进行水质分类后,可根据图像数据与水质类别的对应关系,生成检测报告,用户可根据检测报告内容,利用多个图像数据与水质类别之间对应关系,进行水流图像数据与水质类别之间的相关性分析,从而为后续模型优化及水质分类提供更好的数据支撑。
本申请提供的水质污染预警方法,首先利用初始水质分类模型对获取的待检测水流的视频数据或图像数据进行水质分类检测得到第一结果,判断第一结果中是否存在目标水质类别,若存在,则对待检测水流基于人工方式进行水质分类检测得到第二结果,在第一结果与第二结果之间的误差超过预设阈值的情况下,对初始水质分类模型进行增量训练,最终根据增量训练水质分类模型对待检测的水流进行水质分类,并在满足预设条件的情况下进行水质污染预警,本申请通过不断优化初始水质分类模型,不断提高了模型进行水质分类的准确性,以使进行水质污染预警的结果也更加准确,解决了当前的水质污染预警结果不准确的问题。
请参考图3所示,图3是本申请实施例中的另一种水质污染预警方法的流程示意图,所述方法包括:
S301、获取至少一条待检测水流的视频数据和/或图像数据,并将各待检测水流中的视频数据转换成图像数据。
具体的,在进行水质污染预警前,将摄像头放置在待检测水流附近的目标位置,用于拍摄待检测水流的图像数据。电子设备根据与摄像头建立的通信连接,获取摄像头拍摄的至少一条待检测水流的图像数据。其中,根据,获取至少一条待检测水流的视频数据和/或图像数据,并将各待检测水流中的视频数据转换成图像数据。
S302、基于初始水质分类模型对各待检测水流进行水质分类得到第一结果。
具体的,电子设备基于初始水质分类模型对各待检测水流进行水质分类,根据各待检测水流的水质类别确定第一结果。其中,第一结果包括各待检测水流的图像数据对应的预设水质类别以及各预设水质类别对应的数量。水质类别包括以下至少一项:Ⅰ类、Ⅱ类、Ⅲ类、Ⅳ类、Ⅴ类、劣Ⅴ类。预设水质类别包括以下至少一项:污染水质、未污染水质;污染水质包括以下至少一项:Ⅰ类、Ⅱ类、Ⅲ类,未污染水质包括以下至少一项:Ⅳ类、Ⅴ类、劣Ⅴ类。举例来说,当电子设备获取100个图像数据后,可根据初始水质分类模型对上述100个图像数据表征的水流进行水质分类检测,检测得到的第一结果包括上述100个图像数据各自对应的预设水质类别以及各预设水质类别对应的数量。例如第一结果可以是:100个图像数据中,预设水质类别包括未污染水质和污染水质,其中75个图像数据的水质为未污染水质,25个图像数据的水质为污染水质;第一结果还可以是:100个数据的水质均为未污染水质。
需要说明的是,初始水质分类模型可以包括任意一个可以根据视频数据或图像数据进行分析得到水质类别的模型,本申请对初始水质分析模型的类型不做限定。此外,本申请实施例对预设水质类别及水质类别的命名方式不做限定,上述水质类别对应的六个等级是根据水流污染程度进行划分的,在实际应用中,根据实际情况及水流污染程度的不同在本申请实施例的基础上进行适当调整的方案,均应落入本申请的保护范围中。
S303、判断第一结果中是否存在目标水质类别。若是,执行S304,若否,结束。
具体的,电子设备经分析得到第一结果后,判断第一结果中是否存在目标水质类别,若存在目标水质类别,执行S304,若不存在目标水质类别,结束。其中,可以理解的是,目标水质类别可以由用户根据实际应用情况自行设定,例如当目标水质类别为污染水质时,用户可对污染水质进行预警,当目标水质类别为未污染水质时,用户可根据未污染水质的各个水流图像数据与水质类别的对应关系进行后续相关分析,本申请对此不做限定。
S304、基于人工方式对各待检测水流进行水质分类得到第二结果。
具体的,若目标水质类别为污染水质时,电子设备判断第一结果中存在目标水质类别,则电子设备获取基于人工方式对各待检测水流进行水质分类得到第二结果。其中,第二结果包括基于人工方式检测得到的各待检测水流的图像数据对应的预设水质类别以及各预设水质类别对应的数量。举例来说,以步骤S302中的第一结果为例,同样的,基于人工方式获取上述步骤的100个图像数据对应的第二结果,例如第二结果是:预设水质类别包括未污染水质和污染水质,其中90个图像数据的水质为未污染水质,10个图像数据的水质为污染水质。
进一步地,若目标水质类别为污染水质;基于人工方式对各待检测水流进行水质分类得到第二结果之前,还包括:输出各待检测水流各自的水质类别信息及水质污染预警提示信息。其中,在目标水质为污染水质的情况下,当电子设备检测到污染水质,则输出各个待检测水流各自的水质类别信息及水质污染预警提示信息。水质污染预警提示信息的呈现形式可以声音、动画、文字,提示灯等形式,本申请对水质污染预警提示信息的呈现形式不做限定。
S305、判断第一结果与第二结果中目标水质类别对应的数量的差值是否超过预设阈值。若是,执行S306,若否,执行S308。
具体的,电子设备获取第一结果和第二结果后,判断第一结果和第二结果中污染水质类别对应的数量是否超过预设阈值,若超过预设阈值,则执行S306,若未超过预设阈值,则执行S308。其中,预设阈值可由用户自行设定,本申请实施例对此不做限定。
S306、基于增量样本数据对初始水质分类模型进行增量训练,得到增量训练水质分类模型。
具体的,电子设备将上述第一结果和第二结果中目标水质类别不同的图像数据作为增量样本数据对应的图像数据,将增量样本数据对应的图像数据与训练得到初始水质分类模型的初始样本数据进行合并,得到合并后的新的样本数据,根据合并后的新的样本数据对初始水质分类模型进行增量训练,得到增量训练水质分类模型。模型训练完成后,保存增量训练水质分析模型的模型文件,其中模型文件的格式可以是HDF5文件,即H5文件,H5文件是第5代层次数据格式文件(Hierarchical Data Format,HDF5),模型文件的格式还可以是其他合理的形式,本申请对此不做限定。
S307、将增量训练水质分类模型替换初始水质分类模型,以使得增量训练水质分类模型对待检测水流进行水质分类。
具体的,电子设备将存储的增量训练水质分类模型替换原有的初始水质分类模型,以使增量训练水质分类模型对待检测水流进行水质分类。
进一步地,电子设备将存储的增量训练水质分类模型替换原有的初始水质分类模型,以使增量训练水质分类模型对待检测水流进行水质分类之后,还包括:生成待检测水流的图像数据对应的检测报告;其中,检测报告用于提供给用户进行水流图像数据与水质类别的相关性分析。其中,检测报告及相关性分析的详细描述请参考上述实施例,本实施例不再赘述。
图4出示了一种水质分类及获取增量训练水质分类模型的流程示意图。如图4所示,电子设备获取100个待检测的图像数据,利用初始水质分类模型对这100个图像数据进行水质分类,得到第一结果,如图中所示,第一结果为:待检测图像数据的水质中包括90个未污染水质的图像数据,10个污染水质的图像数据。若目标水质类别为污染水质,此时第一结果中存在目标水质类别,再利用人工采样的方式获取第二结果,如图4所示,人工采样得到的第二结果为:75个未污染水质的图像数据,25个污染水质的图像数据。若第一结果与第二结果中目标水质类别对应的数量的预设误差阈值为5个,而本实施例中的第一结果与第二结果之间污染水质的对应的图像数据的数量差值为15,已超过预设阈值,此时,可将图像数据中第一结果与第二结果不一致的这15个图像数据作为增量样本数据对应的图像数据,将增量样本数据与训练初始水质分类模型的初始样本数据进行合并,得到新的样本数据,基于新的样本数据对初始水质分类模型进行增量训练得到增量训练水质分类模型。
图5出示了一种电子设备进行水质污染预警时屏幕界面示意图。如图5所示,当电子设备利用初始水质分类模型对待检测水流进行水质分类后,判断待检测水流的水质类别中是否存在目标水质类别,例如目标水质类别为污染水质,以图4出示的示意图为例,当前存在污染水质,此时电子设备输出如图5所示的预警提示信息显示在电子设备屏幕上。需要说明的是,当电子设备有屏幕时,可以将预警提示信息显示在屏幕上,当电子设备没有屏幕时,预警提示信息可以以提示音、提示灯等方式呈现给用户,本申请对此不做限定。
本申请实施例提供的水质污染预警方法,通过利用初始水质分类模型对待检测水流进行分析,判断待检测水流是否需要对初始水质分类模型进行增量训练,若需要,则对其进行增量训练得到增量训练水质分类模型,利用增量训练水质分类模型进行水质分类,本申请通过在满足条件的情况下不断对初始水质分类模型进行训练得到增量训练模型,提高了模型进行水质分类的准确性,以使进行水质污染预警的结果也更加准确,解决了当前的水质污染预警结果不准确的问题。
请参考图6所示,基于水质污染预警方法,图6是本申请提供的一种水质污染预警装置的结构示意图,包括:
获取模块601,用于基于至少一条待检测水流的图像数据,获取初始水质分类模型对各待检测水流进行水质分类得到的第一结果;
训练模块602,用于若根据所述第一结果判断需要对所述初始水质分类模型进行增量训练,则基于所述图像数据中的增量样本数据对所述初始水质分类模型进行增量训练,并得到增量训练水质分类模型;
分类模块603,用于将所述增量训练水质分类模型替换所述初始水质分类模型,以使得所述增量训练水质分类模型对待检测水流进行水质分类。
在一些实施例中,所述获取模块601包括:
第一分类单元,用于基于初始水质分类模型对各待检测水流进行水质分类,其中水质类别包括以下至少一项:Ⅰ类、Ⅱ类、Ⅲ类、Ⅳ类、Ⅴ类、劣Ⅴ类;
获取单元,用于根据各待检测水流的水质类别确定第一结果,所述第一结果包括各待检测水流的图像数据对应的预设水质类别以及各所述预设水质类别对应的数量,其中所述预设水质类别包括以下至少一项:污染水质、未污染水质,所述污染水质包括以下至少一项:Ⅰ类、Ⅱ类、Ⅲ类,所述未污染水质包括以下至少一项:Ⅳ类、Ⅴ类、劣Ⅴ类。
在一些实施例中,所述训练模块602包括:
判断单元,用于判断所述第一结果中是否存在目标水质类别;
第二分类单元,用于若存在所述目标水质类别,则基于人工方式对各待检测水流进行水质分类得到第二结果;所述第二结果包括基于人工方式检测得到的各待检测水流的图像数据对应的预设水质类别以及各所述预设水质类别对应的数量;
训练单元,用于若所述第一结果与所述第二结果中目标水质类别对应的数量的差值超过预设阈值,则对所述初始水质分类模型进行增量训练。
在一些实施例中,所述训练模块602具体用于:
将所述第一结果和所述第二结果中目标水质类别不同的图像数据,作为所述增量样本数据对应的图像数据;
基于所述增量样本数据对所述初始水质分类模型进行增量训练。
在一些实施例中,所述目标水质类别为所述污染水质;
所述装置还包括:
输出单元,用于在所述训练模块602基于人工方式对各待检测水流进行水质分类得到第二结果之前,输出各待检测水流各自的水质类别信息及水质污染预警提示信息。
在一些实施例中,所述装置还包括:
生成单元,用于在分类模块603将所述增量训练水质分类模型替换所述初始水质分类模型,以使得所述增量训练水质分类模型对待检测水流进行水质分类之后,生成所述待检测水流的图像数据对应的检测报告;其中,所述检测报告用于提供给用户进行水流图像数据与水质类别的相关性分析。
在一些实施例中,所述装置还包括:
转换模块,用于在获取模块601基于至少一条待检测水流的图像数据,获取初始水质分类模型对各待检测水流进行水质分类得到的第一结果之前,获取至少一条待检测水流的视频数据和/或图像数据,并将各待检测水流中的视频数据转换成图像数据。
请参考图7所示,本申请实施例中提供的另一种水质污染预警装置700的结构示意图。该水质污染预警装置700至少可以包括:至少一个处理器701,例如CPU,至少一个网络接口704,用户接口703,存储器705,至少一个通信总线702。其中,通信总线702用于实现这些组件之间的连接通信。用户接口703可以包括但不限于是显示器、摄像头、触摸屏、键盘、鼠标、摇杆等等。网络接口704可选的可以包括标准的有线接口、无线接口(如WIFI接口),通过网络接口704可以与服务器建立通信连接。存储器702可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。如图7所示,作为一种计算机存储介质的存储器705中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
需要说明的是,网络接口704可以连接获取器、发射器或其他通信模块,其他通信模块可以包括但不限于WiFi模块、运营商网络通信模块等,可以理解,本申请实施例中水质污染预警装置也可以包括获取器、发射器和其他通信模块等。
处理器701可以用于调用存储器705中存储的程序指令,可以执行以下方法:
基于至少一条待检测水流的图像数据,获取初始水质分类模型对各待检测水流进行水质分类得到的第一结果;
若根据所述第一结果判断需要对所述初始水质分类模型进行增量训练,则基于所述图像数据中的增量样本数据对所述初始水质分类模型进行增量训练,并得到增量训练水质分类模型;
将所述增量训练水质分类模型替换所述初始水质分类模型,以使得所述增量训练水质分类模型对待检测水流进行水质分类。
可能地,所述处理器701获取初始水质分类模型对各待检测水流进行水质分类得到的第一结果,具体执行:
基于初始水质分类模型对各待检测水流进行水质分类,其中水质类别包括以下至少一项:Ⅰ类、Ⅱ类、Ⅲ类、Ⅳ类、Ⅴ类、劣Ⅴ类;
根据各待检测水流的水质类别确定第一结果,所述第一结果包括各待检测水流的图像数据对应的预设水质类别以及各所述预设水质类别对应的数量,其中所述预设水质类别包括以下至少一项:污染水质、未污染水质,所述污染水质包括以下至少一项:Ⅰ类、Ⅱ类、Ⅲ类,所述未污染水质包括以下至少一项:Ⅳ类、Ⅴ类、劣Ⅴ类。
可能地,所述处理器701根据所述第一结果判断需要对所述初始水质分类模型进行增量训练,具体执行:
判断所述第一结果中是否存在目标水质类别;
若存在所述目标水质类别,则基于人工方式对各待检测水流进行水质分类得到第二结果;所述第二结果包括基于人工方式检测得到的各待检测水流的图像数据对应的预设水质类别以及各所述预设水质类别对应的数量;
若所述第一结果与所述第二结果中目标水质类别对应的数量的差值超过预设阈值,则对所述初始水质分类模型进行增量训练。
可能地,所述处理器701基于所述图像数据中的增量样本数据对所述初始水质分类模型进行增量训练,具体执行:
将所述第一结果和所述第二结果中目标水质类别不同的图像数据,作为所述增量样本数据对应的图像数据;
基于所述增量样本数据对所述初始水质分类模型进行增量训练。
可能地,目标水质类别为所述污染水质;
所述处理器701基于人工方式对各待检测水流进行水质分类得到第二结果之前,还用于执行:
输出各待检测水流各自的水质类别信息及水质污染预警提示信息。
可能地,所述处理器701将所述增量训练水质分类模型替换所述初始水质分类模型,以使得所述增量训练水质分类模型对待检测水流进行水质分类之后,还用于执行:
生成所述待检测水流的图像数据对应的检测报告;其中,所述检测报告用于提供给用户进行水流图像数据与水质类别的相关性分析。
可能地,所述处理器701基于至少一条待检测水流的图像数据,获取初始水质分类模型对各待检测水流进行水质分类得到的第一结果之前,还用于执行:
获取至少一条待检测水流的视频数据和/或图像数据,并将各待检测水流中的视频数据转换成图像数据。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机或处理器上运行时,使得计算机或处理器执行上述任一个方法中的一个或多个步骤。上述水质污染预警装置的各组成模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在所述计算机可读取存储介质中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital SubscriberLine,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字通用光盘(Digital Video Disc,DVD)、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。而前述的存储介质包括:只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的介质。在不冲突的情况下,本实施例和实施方案中的技术特征可以任意组合。
以上所述的实施例仅仅是本申请的优选实施例方式进行描述,并非对本申请的范围进行限定,在不脱离本申请的设计精神的前提下,本领域普通技术人员对本申请的技术方案作出的各种变形及改进,均应落入本申请的权利要求书确定的保护范围内。
Claims (10)
1.一种水质污染预警方法,其特征在于,所述方法包括:
基于至少一条待检测水流的图像数据,获取初始水质分类模型对各待检测水流进行水质分类得到的第一结果;
若根据所述第一结果判断需要对所述初始水质分类模型进行增量训练,则基于所述图像数据中的增量样本数据对所述初始水质分类模型进行增量训练,并得到增量训练水质分类模型;
将所述增量训练水质分类模型替换所述初始水质分类模型,以使得所述增量训练水质分类模型对待检测水流进行水质分类。
2.如权利要求1所述的方法,其特征在于,所述获取初始水质分类模型对各待检测水流进行水质分类得到的第一结果,包括:
基于初始水质分类模型对各待检测水流进行水质分类,其中水质类别包括以下至少一项:Ⅰ类、Ⅱ类、Ⅲ类、Ⅳ类、Ⅴ类、劣Ⅴ类;
根据各待检测水流的水质类别确定第一结果,所述第一结果包括各待检测水流的图像数据对应的预设水质类别以及各所述预设水质类别对应的数量,其中所述预设水质类别包括以下至少一项:污染水质、未污染水质,所述污染水质包括以下至少一项:Ⅰ类、Ⅱ类、Ⅲ类,所述未污染水质包括以下至少一项:Ⅳ类、Ⅴ类、劣Ⅴ类。
3.如权利要求2所述的方法,其特征在于,所述若根据所述第一结果判断需要对所述初始水质分类模型进行增量训练,包括:
判断所述第一结果中是否存在目标水质类别;
若存在所述目标水质类别,则基于人工方式对各待检测水流进行水质分类得到第二结果;所述第二结果包括基于人工方式检测得到的各待检测水流的图像数据对应的预设水质类别以及各所述预设水质类别对应的数量;
若所述第一结果与所述第二结果中目标水质类别对应的数量的差值超过预设阈值,则对所述初始水质分类模型进行增量训练。
4.如权利要求3所述的方法,其特征在于,所述基于所述图像数据中的增量样本数据对所述初始水质分类模型进行增量训练,包括:
将所述第一结果和所述第二结果中目标水质类别不同的图像数据,作为所述增量样本数据对应的图像数据;
基于所述增量样本数据对所述初始水质分类模型进行增量训练。
5.如权利要求3所述的方法,其特征在于,所述目标水质类别为所述污染水质;
所述基于人工方式对各待检测水流进行水质分类得到第二结果之前,还包括:
输出各待检测水流各自的水质类别信息及水质污染预警提示信息。
6.如权利要求1所述的方法,其特征在于,所述将所述增量训练水质分类模型替换所述初始水质分类模型,以使得所述增量训练水质分类模型对待检测水流进行水质分类之后,还包括:
生成所述待检测水流的图像数据对应的检测报告;其中,所述检测报告用于提供给用户进行水流图像数据与水质类别的相关性分析。
7.如权利要求1所述的方法,其特征在于,所述基于至少一条待检测水流的图像数据,获取初始水质分类模型对各待检测水流进行水质分类得到的第一结果之前,还包括:
获取至少一条待检测水流的视频数据和/或图像数据,并将各待检测水流中的视频数据转换成图像数据。
8.一种水质污染预警装置,其特征在于,所述装置包括:
获取模块,用于基于至少一条待检测水流的图像数据,获取初始水质分类模型对各待检测水流进行水质分类得到的第一结果;
训练模块,用于若根据所述第一结果判断需要对所述初始水质分类模型进行增量训练,则基于所述图像数据中的增量样本数据对所述初始水质分类模型进行增量训练,并得到增量训练水质分类模型;
分类模块,用于将所述增量训练水质分类模型替换所述初始水质分类模型,以使得所述增量训练水质分类模型对待检测水流进行水质分类。
9.一种水质污染预警装置,其特征在于,包括处理器、存储器以及通信接口:
所述处理器与所述存储器、所述通信接口相连;
所述存储器,用于存储可执行程序代码;
所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于执行如权利要求1-7任一项所述的水质污染预警方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的水质污染预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780484.6A CN113469090B (zh) | 2021-07-09 | 2021-07-09 | 水质污染预警方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780484.6A CN113469090B (zh) | 2021-07-09 | 2021-07-09 | 水质污染预警方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469090A true CN113469090A (zh) | 2021-10-01 |
CN113469090B CN113469090B (zh) | 2023-07-14 |
Family
ID=77879691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110780484.6A Active CN113469090B (zh) | 2021-07-09 | 2021-07-09 | 水质污染预警方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469090B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117457098A (zh) * | 2023-10-27 | 2024-01-26 | 生态环境部南京环境科学研究所 | 跨界区饮用水源地污染事故预警方法、装置、介质和设备 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295653A (zh) * | 2016-07-29 | 2017-01-04 | 宁波大学 | 一种水质图像分类方法 |
CN108830332A (zh) * | 2018-06-22 | 2018-11-16 | 安徽江淮汽车集团股份有限公司 | 一种视觉车辆检测方法及系统 |
CN109934805A (zh) * | 2019-03-04 | 2019-06-25 | 江南大学 | 一种基于低照度图像和神经网络的水污染检测方法 |
CN110162627A (zh) * | 2019-04-28 | 2019-08-23 | 平安科技(深圳)有限公司 | 数据增量方法、装置、计算机设备及存储介质 |
US20190303755A1 (en) * | 2018-04-02 | 2019-10-03 | International Business Machines Corporation | Water quality prediction |
CN110321928A (zh) * | 2019-06-03 | 2019-10-11 | 深圳中兴网信科技有限公司 | 环境检测模型的生成方法、计算机设备及可读存储介质 |
CN110672804A (zh) * | 2019-09-30 | 2020-01-10 | 华南师范大学 | 一种城市河涌水体典型有机污染物智能检测方法 |
US10657457B1 (en) * | 2013-12-23 | 2020-05-19 | Groupon, Inc. | Automatic selection of high quality training data using an adaptive oracle-trained learning framework |
US20200175384A1 (en) * | 2018-11-30 | 2020-06-04 | Samsung Electronics Co., Ltd. | System and method for incremental learning |
CN111368874A (zh) * | 2020-01-23 | 2020-07-03 | 天津大学 | 一种基于单分类技术的图像类别增量学习方法 |
CN111475804A (zh) * | 2020-03-05 | 2020-07-31 | 浙江省北大信息技术高等研究院 | 一种告警预测方法及系统 |
CN111798124A (zh) * | 2020-06-30 | 2020-10-20 | 平安国际智慧城市科技股份有限公司 | 基于图像识别的任务管理方法、装置、电子设备及介质 |
CN111950357A (zh) * | 2020-06-30 | 2020-11-17 | 北京航天控制仪器研究所 | 一种基于多特征yolov3的船用水面垃圾快速识别方法 |
CN112001520A (zh) * | 2020-06-05 | 2020-11-27 | 上海眼控科技股份有限公司 | 天气预报方法、装置、计算机设备及存储介质 |
CN112000809A (zh) * | 2020-09-29 | 2020-11-27 | 迪爱斯信息技术股份有限公司 | 一种文本类别的增量学习方法及装置、可读存储介质 |
US20210082150A1 (en) * | 2019-09-17 | 2021-03-18 | International Business Machines Corporation | Chemical detection system for water source |
CN112580734A (zh) * | 2020-12-25 | 2021-03-30 | 深圳市优必选科技股份有限公司 | 目标检测模型训练方法、系统、终端设备及存储介质 |
CN112906738A (zh) * | 2021-01-15 | 2021-06-04 | 宁波可为数据技术有限公司 | 一种水质检测及处理方法 |
CN112990280A (zh) * | 2021-03-01 | 2021-06-18 | 华南理工大学 | 面向图像大数据的类增量分类方法、系统、装置及介质 |
-
2021
- 2021-07-09 CN CN202110780484.6A patent/CN113469090B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10657457B1 (en) * | 2013-12-23 | 2020-05-19 | Groupon, Inc. | Automatic selection of high quality training data using an adaptive oracle-trained learning framework |
CN106295653A (zh) * | 2016-07-29 | 2017-01-04 | 宁波大学 | 一种水质图像分类方法 |
US20190303755A1 (en) * | 2018-04-02 | 2019-10-03 | International Business Machines Corporation | Water quality prediction |
CN108830332A (zh) * | 2018-06-22 | 2018-11-16 | 安徽江淮汽车集团股份有限公司 | 一种视觉车辆检测方法及系统 |
US20200175384A1 (en) * | 2018-11-30 | 2020-06-04 | Samsung Electronics Co., Ltd. | System and method for incremental learning |
CN109934805A (zh) * | 2019-03-04 | 2019-06-25 | 江南大学 | 一种基于低照度图像和神经网络的水污染检测方法 |
CN110162627A (zh) * | 2019-04-28 | 2019-08-23 | 平安科技(深圳)有限公司 | 数据增量方法、装置、计算机设备及存储介质 |
CN110321928A (zh) * | 2019-06-03 | 2019-10-11 | 深圳中兴网信科技有限公司 | 环境检测模型的生成方法、计算机设备及可读存储介质 |
US20210082150A1 (en) * | 2019-09-17 | 2021-03-18 | International Business Machines Corporation | Chemical detection system for water source |
CN110672804A (zh) * | 2019-09-30 | 2020-01-10 | 华南师范大学 | 一种城市河涌水体典型有机污染物智能检测方法 |
CN111368874A (zh) * | 2020-01-23 | 2020-07-03 | 天津大学 | 一种基于单分类技术的图像类别增量学习方法 |
CN111475804A (zh) * | 2020-03-05 | 2020-07-31 | 浙江省北大信息技术高等研究院 | 一种告警预测方法及系统 |
CN112001520A (zh) * | 2020-06-05 | 2020-11-27 | 上海眼控科技股份有限公司 | 天气预报方法、装置、计算机设备及存储介质 |
CN111798124A (zh) * | 2020-06-30 | 2020-10-20 | 平安国际智慧城市科技股份有限公司 | 基于图像识别的任务管理方法、装置、电子设备及介质 |
CN111950357A (zh) * | 2020-06-30 | 2020-11-17 | 北京航天控制仪器研究所 | 一种基于多特征yolov3的船用水面垃圾快速识别方法 |
CN112000809A (zh) * | 2020-09-29 | 2020-11-27 | 迪爱斯信息技术股份有限公司 | 一种文本类别的增量学习方法及装置、可读存储介质 |
CN112580734A (zh) * | 2020-12-25 | 2021-03-30 | 深圳市优必选科技股份有限公司 | 目标检测模型训练方法、系统、终端设备及存储介质 |
CN112906738A (zh) * | 2021-01-15 | 2021-06-04 | 宁波可为数据技术有限公司 | 一种水质检测及处理方法 |
CN112990280A (zh) * | 2021-03-01 | 2021-06-18 | 华南理工大学 | 面向图像大数据的类增量分类方法、系统、装置及介质 |
Non-Patent Citations (5)
Title |
---|
SARMAD DASHTI LATIF等: "Application of Artificial Neural Network for Forecasting Nitrate Concentration as a Water Quality Parameter: A Case Study of Feitsui Reservoir, Taiwan", 《INTERNATIONAL JOURNAL OF DESIGN & NATURE AND ECODYNAMICS》 * |
SONGJINGGE等: "A globally enhanced general regression neural network for on-line multiple emissions prediction of utility boiler", 《KNOWLEDGE-BASED SYSTEMS》 * |
侯迪波等: "基于RBF神经网络和小波分析的水质异常检测方法", 《传感器与微系统》 * |
程淑红等: "基于卷积神经网络的生物式水质监测方法", 《计量学报》 * |
赵文文: "基于在线增量LSSVM污水软测量建模研究与应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117457098A (zh) * | 2023-10-27 | 2024-01-26 | 生态环境部南京环境科学研究所 | 跨界区饮用水源地污染事故预警方法、装置、介质和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113469090B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913088A (zh) | 一种卡顿识别方法、装置及计算设备 | |
CN115129848B (zh) | 一种视觉问答任务的处理方法、装置、设备和介质 | |
CN114549993B (zh) | 实验中线段图像的评分方法、系统、设备及可读存储介质 | |
CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
CN111737479A (zh) | 数据获取方法、装置、电子设备及存储介质 | |
CN110569924A (zh) | 图标处理方法、装置、可读存储介质及计算机设备 | |
CN112052730A (zh) | 一种3d动态人像识别监控设备及方法 | |
CN112733785A (zh) | 基于层深度和感受野的信息化设备的稳定性检测方法 | |
CN110826619A (zh) | 电子卷宗的文件分类方法、装置及电子设备 | |
CN113821296B (zh) | 可视化界面生成方法、电子设备及存储介质 | |
CN113469090B (zh) | 水质污染预警方法、装置及存储介质 | |
CN109408659B (zh) | 基于小世界网络的图像检索方法、装置、计算设备及介质 | |
CN113420295A (zh) | 恶意软件的检测方法及装置 | |
CN116229188B (zh) | 图像处理显示方法、分类模型的生成方法及其设备 | |
CN116932735A (zh) | 一种文本比对方法、装置、介质和设备 | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
CN115170838A (zh) | 一种数据筛选方法及装置 | |
CN115018783A (zh) | 一种视频水印检测方法和装置、电子设备和存储介质 | |
CN114240928A (zh) | 板卡质量的分区检测方法、装置、设备及可读存储介质 | |
CN108696722B (zh) | 一种目标监测方法、系统及设备和存储介质 | |
CN113033500A (zh) | 动作片段检测方法、模型训练方法及装置 | |
CN112801960A (zh) | 图像处理方法及装置、存储介质、电子设备 | |
CN111382191A (zh) | 一种基于深度学习的机器学习识别方法 | |
CN111835830B (zh) | 一种数据感知系统、方法及装置 | |
CN110674348B (zh) | 视频分类方法、装置及电子设备 |
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 |