CN114332668A - 污水检测识别方法、装置和系统、服务器和存储介质 - Google Patents

Abstract

本公开涉及一种污水检测识别方法、装置和系统、服务器和存储介质。该污水检测识别方法包括：根据待训练污水图像训练得到污水检测识别模型；获取待检测污水图像；将待检测污水图像输入训练好的污水检测识别模型，得到待检测污水的污水位置及污水种类。本公开可以通过改进的目标检测算法，帮助环保部门对现实污水口排污进行监督，确认排放污染物是否超标。

Description

污水检测识别方法、装置和系统、服务器和存储介质

技术领域

本公开涉及计算机视觉领域，特别涉及一种污水检测识别方法、装置和系统、服务器和存储介质。

背景技术

近些年，国家开始加大对环境保护、治理的力度，而污水排放就是环保中很重要的一项。发明人知晓：尽管政府已经出台了很多相应的政策，但是很多工厂运行效率不高，运行管理不规范，影响了城镇污水处理厂正常功能的发挥，影响了国家环境保护目标的实现。加强监管，保证城镇污水处理厂的正常运行，不仅关系到公共财政资金投入的效益，而且直接影响到城镇的生态环境，关系到广大人民群众的切身利益，关系到城镇的可持续发展。

发明内容

鉴于以上技术问题中的至少一项，本公开提供了一种污水检测识别方法、装置和系统、服务器和存储介质，可以通过改进的目标检测算法，帮助环保部门对现实污水口排污进行监督，确认排放污染物是否超标。

根据本公开的一个方面，提供一种污水检测识别方法，包括：

根据待训练污水图像训练得到污水检测识别模型；

获取待检测污水图像；

将待检测污水图像输入训练好的污水检测识别模型，得到待检测污水的污水位置及污水种类。

在本公开的一些实施例中，所述污水图像包括污水口排污图像。

在本公开的一些实施例中，所述根据待训练污水图像训练得到污水检测识别模型包括：

对待训练污水图像进行预处理并设置对应标签；

将预处理后的污水数据集输入卷积神经网络模型进行迭代训练。

在本公开的一些实施例中，所述根据待训练污水图像训练得到污水检测识别模型还包括：

基于开源大规模数据训练的模型参数初始化当前卷积神经网络模型，之后执行将预处理后的污水数据集输入卷积神经网络模型进行迭代训练的步骤。

在本公开的一些实施例中，所述将预处理后的污水数据集输入卷积神经网络模型进行迭代训练包括：

随机修剪预定比例的迭代过程中产生的卷积核。

在本公开的一些实施例中，所述将预处理后的污水数据集输入卷积神经网络模型进行迭代训练包括：

在卷积神经网络输出到全连接层之前，加入挤压和激励结构，调整卷积神经网络模型的权重分布。

在本公开的一些实施例中，所述将预处理后的污水数据集输入卷积神经网络模型进行迭代训练包括：

采用元学习随机梯度下降算法作为优化函数，使得整个训练过程中学习率会随着损失函数值的变化而变化。

在本公开的一些实施例中，所述卷积神经网络模型为改进的RePr网络结构。

在本公开的一些实施例中，所述卷积神经网络模型包括卷积层、全连接层、挤压和激励层和输出层。

在本公开的一些实施例中，所述卷积神经网络模型的分类器输出维度为污水在图像中的位置及种类。

在本公开的一些实施例中，所述卷积神经网络模型的损失函数是交叉熵损失函数，以欧式距离作为度量方式。

根据本公开的另一方面，提供一种服务器，包括：

模型训练模块，用于根据待训练污水图像训练得到污水检测识别模型；

待检测图像获取模块，用于获取待检测污水图像；

污水检测识别模块，用于将待检测污水图像输入训练好的污水检测识别模型，得到待检测污水的污水位置及污水种类。

在本公开的一些实施例中，所述污水检测识别装置用于执行实现如上述任一实施例所述的污水检测识别方法的操作。

根据本公开的另一方面，提供一种计算机装置，包括：

存储器，用于存储指令；

处理器，用于执行所述指令，使得所述计算机装置执行实现如上述任一实施例所述的污水检测识别方法的操作。

根据本公开的另一方面，提供一种污水检测识别系统，包括：

终端设备，用于拍摄待检测污水视频，并将待检测污水视频转化为待检测污水图像，并发送给服务器处理，其中，待检测污水视频包括污水口排污视频；

服务器，为如上述任一实施例的服务器，或如上述任一实施例的计算机装置。

根据本公开的另一方面，提供一种非瞬时性计算机可读存储介质，其中，所述非瞬时性计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上述任一实施例所述的污水检测识别方法。

本公开可以通过改进的目标检测算法，帮助环保部门对现实污水口排污进行监督，确认排放污染物是否超标。

附图说明

为了更清楚地说明本公开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公开的一些实施例，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为本公开污水检测识别方法一些实施例的示意图。

图2为本公开卷积神经网络模型一些实施例的示意图。

图3为本公开污水检测识别方法另一些实施例的示意图。

图4为本公开服务器一些实施例的示意图。

图5为本公开计算机装置一些实施例的示意图。

图6为本公开污水检测识别系统一些实施例的示意图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

图1为本公开污水检测识别方法一些实施例的示意图。优选的，本实施例可由本公开服务器、计算机装置或污水检测识别系统执行。该方法可以包括步骤11-步骤13，其中：

步骤11，服务器根据待训练污水图像训练得到污水检测识别模型。

在本公开的一些实施例中，本公开污水检测识别模型可以为目标检测模型。

目标检测可以理解为是物体识别和物体定位的结合，不仅仅要识别出物体属于哪个分类，更重要的是得到物体在图片中的具体位置。

为了完成这两个任务，目标检测模型分为两类。一类是two-stage(两步实现)，将物体识别和物体定位分为两个步骤，分别完成，这一类的典型代表是R-CNN(Region-Convolutional Neural Networks，区域卷积神经网络)，fast R-CNN(fast Region-Convolutional Neural Networks，快速区域卷积神经网络)，faster-RCNN(fasterRegion-Convolutional Neural Networks，更快区域卷积神经网络)家族。发明人通过研究发现：two-stage目标检测模型识别错误率低，漏识别率也较低，但速度较慢，不能满足实时检测场景。

另一类目标检测模型方式称为One-stage(一步到位)，典型代表是Yolo(You OnlyLook Once，你只需要看一遍)，SSD(Single Shot MultiBox Detector，多分类单杆检测器)，YoloV2(Yolo第二版)等。One-stage目标检测模型方式识别速度很快，可以达到实时性要求，而且准确率也基本能达到faster R-CNN的水平。

在本公开的一些实施例中，本公开污水检测识别模型可以为One-stage目标检测模型。

在本公开的一些实施例中，所述污水图像可以包括污水口排污图像。

在本公开的一些实施例中，步骤11可以包括步骤111-步骤113，

其中：

步骤111，对待训练污水图像进行预处理并设置对应标签。

步骤112，基于开源大规模数据训练的模型参数初始化当前卷积神经网络模型。

步骤113，将预处理后的污水数据集输入当前卷积神经网络模型进行迭代训练。

在本公开的一些实施例中，本公开目标检测模型可以为卷积神经网络模型。

在本公开的一些实施例中，本公开卷积神经网络模型可以为改进的RePr(Improved Training of Convolutional Filters，卷积核改进训练方式)网络结构(RePr+)。

图2为本公开卷积神经网络模型一些实施例的示意图。如图2所示，本公开卷积神经网络模型可以包括卷积层、全连接层FC、挤压和激励层SE和输出层Softmax，其中卷积层包括卷积函数CONV(X)和激活函数RELU，Img为输入图像。

在本公开的一些实施例中，所述卷积神经网络模型的分类器输出维度可以为污水在图像中的位置及种类。

在本公开的一些实施例中，所述卷积神经网络模型的损失函数可以是交叉熵损失函数，以欧式距离作为度量方式。

在本公开的一些实施例中，步骤113可以包括：随机修剪预定比例的迭代过程中产生的卷积核(Filter)。

在本公开的一些实施例中，预定比例可以为20％。

在本公开的一些实施例中，步骤113可以包括：在卷积神经网络输出到全连接层之前，加入SE(Squeeze-and-Excitation，挤压和激励)结构，调整卷积神经网络模型的权重分布。

在本公开的一些实施例中，步骤113可以包括：采用Meta-SGD()元学习随机梯度下降算法作为优化函数，使得整个训练过程中学习率会随着损失函数值的变化而变化。

步骤12，服务器获取待检测污水图像。

在本公开的一些实施例中，步骤12可以包括：终端设备，用于拍摄待检测污水视频，并将待检测污水视频转化为待检测污水图像，并发送给服务器处理，其中，待检测污水视频包括污水口排污视频；服务器接收待检测污水图像。

步骤13，服务器将待检测污水图像输入训练好的污水检测识别模型，得到待检测污水的污水位置及污水种类。

基于本公开上述实施例提供的污水检测识别方法，是一种基于卷积核修剪算法的污水检测和识别方法。本公开上述实施例过改进RePr目标检测算法，对训练过程中的卷积核进行修剪，降低了特征之间的相关性，提升最终模型的泛化能力。

本公开上述实施例旨在对排水口污水进行检测及识别，帮助环保部门对污水排放进行监督，减少人力投入，提升环保部门工作效率。本公开上述实施例可用于城市污水排放和工厂污水排放监管，帮助环保部门有效监管城市和工厂污水排放，明确是否存在高危、违禁排放物的情况，同时便于环保部门更好的指定环保策略。

图3为本公开污水检测识别方法另一些实施例的示意图。优选的，本实施例可由本公开服务器、计算机装置或污水检测识别系统执行。该方法可以包括步骤S101-步骤S106，其中：

S101，图像采集及预处理。

在本公开的一些实施例中，步骤S101可以包括：利用排污污水口完整清晰图像，对图像进行预处理并设置对应标签。所述终端设备可以通过现场明暗程度进行补光，采集完成后利用http协议传输至服务器。所述完整清晰图像主要为排水口排污清晰图像。所述清晰图像表示达到神经网络识别的图片质量。

在本公开的一些实施例中，步骤S101可以包括：终端设备利用摄像头采集排水口排污水视频，并将拍摄视频转成图像，传送至后端服务器。

在本公开的一些实施例中，终端设备包括设备视频采集摄像头，并依据环境条件自动补光，利用Http协议将数据实时传输至服务器。所述完整清晰图像主要包括污水口排污清晰图像。所述清晰图像表示达到神经网络识别的图片质量。

在本公开的一些实施例中，拍摄期间摄像头可以自动调节视频清晰度，确保传回后台的数据可用。

S102，服务器将污水数据集输入卷积神经网络迭代训练。

在本公开的一些实施例中，所述卷积神经网络是改进的RePr算法，分类器输出维度为污水在图像中的位置及种类，所述损失函数是交叉熵损失函数，以欧式距离作为度量方式，通过Meta-SGD算法来优化所述神经网络的参数。

在本公开的一些实施例中，如图2所示，本公开上述实施例中RePr+算法改进结构包括：卷积层、全连接层、SE层，对原有的结构算法进行改进，使其在算法训练过程中随机修剪百分之二十的卷积核，并在全连接层FC1层之前加入SE方法，改变对应网络权重分布。同时，本公开上述实施例最后的优化函数采用了Meta-SGD来替换之前的SGD，使得学习率可根据损失函数loss值进行调整，加快收敛速度。

S103，迁移学习。所述迁移学习表示利用基于开源大规模数据训练的模型参数初始化改进后的模型结构。

在本公开的一些实施例中，步骤S103可以包括：将已有模型作为我们训练的起点，让神经网络得以继承在旧任务中所学到的参数。迁移学习可以弥补数据集不充足的问题。

S104，终端设备的监控摄像头捕捉拍摄到的污水口排污视频。

S105，终端设备将拍摄到的视频转为待检测污水图像。然后，将图片上传到服务器。

S106，服务器的后台模型对待检测污水图像进行检测、分类，以获取图像中污水位置及对应污水种类。

本公开上述实施例对原有的RePr算法进行改进，将训练中产生的卷积核随机剔除掉百分之二十，同时，在FC1层前加入SE方法，从而了训练中产生的冗余参数，提升了训练效率。

本公开上述实施例通过结合Meta-SGD算法，使得学习率在训练过程中随着损失值不断优化，提高了模型训练速度及准确度。

图4为本公开服务器一些实施例的示意图。如图4所示，本公开服务器可以包括模型训练模块41、待检测图像获取模块42和污水检测识别模块43，其中：

模型训练模块41，用于根据待训练污水图像训练得到污水检测识别模型。

在本公开的一些实施例中，所述污水图像可以包括污水口排污图像。

在本公开的一些实施例中，模型训练模块41可以用于对待训练污水图像进行预处理并设置对应标签；将预处理后的污水数据集输入卷积神经网络模型进行迭代训练。

在本公开的一些实施例中，模型训练模块41还可以用于基于开源大规模数据训练的模型参数初始化当前卷积神经网络模型，之后执行将预处理后的污水数据集输入卷积神经网络模型进行迭代训练的操作。

本公开上述实施例在基于迁移学习的训练的过程中，用已有的预训练好模型作为始发点，输出维度为所述图中排污口污水的位置及类型，基于损失函数监督，迁移学习，训练得到一个检测识别模型，基于所述模型对待识别排谁口污水图像进检测识别。

在本公开的一些实施例中，模型训练模块41在将预处理后的污水数据集输入卷积神经网络模型进行迭代训练的情况下，可以用于随机修剪预定比例的迭代过程中产生的卷积核；在卷积神经网络输出到全连接层之前，加入挤压和激励结构，调整卷积神经网络模型的权重分布；采用元学习随机梯度下降算法作为优化函数，使得整个训练过程中学习率会随着损失函数值的变化而变化。

在本公开的一些实施例中，所述卷积神经网络模型可以为改进的RePr网络结构。

在本公开的一些实施例中，所述卷积神经网络模型可以包括卷积层、全连接层、挤压和激励层和输出层。

在本公开的一些实施例中，所述卷积神经网络模型的分类器输出维度为污水在图像中的位置及种类。

在本公开的一些实施例中，所述卷积神经网络模型的损失函数是交叉熵损失函数，以欧式距离作为度量方式。

待检测图像获取模块42，用于获取待检测污水图像。

污水检测识别模块43，用于将待检测污水图像输入训练好的污水检测识别模型，得到待检测污水的污水位置及污水种类。

在本公开的一些实施例中，所述服务器可以用于执行实现如上述任一实施例(例如图1-图3任一实施例)所述的污水检测识别方法的操作。

基于本公开上述实施例提供的服务器，建立模型输出维度为污水位置、种类的神经网络。所述神经网络是改进的RePr网络结构，在原本的网络结构中，随机修剪百分之二十的迭代过程产生的卷积核，降低了特征之间的相关性。同时，在网络输出到Fc1层之前，加入SE结构，调整模型权重分布。最后，在模型的优化器中，我们用Meta-SGD替换掉传统的SGD，使得整个训练过程中学习率会随着损失函数值的变化而变化。在这种改进中，便可以提升训练的效率、准确度以及泛化性。

本公开上述实施例将传回后台的数据进行预处理后，结合迁移学习，迭代训练得到一个检测、识别模型。所述迁移学习表示利用开源大规模数据初期训练的模型参数初始化改进的模型结构，用于特征提取。

本公开上述实施例基于所述训练模型对工厂排污污水口排污进行检测、识别。

图5为本公开计算机装置一些实施例的示意图。如图5所示，本公开计算机装置可以包括存储器51和处理器52，其中：

存储器51，用于存储指令。

处理器52，用于执行所述指令，使得所述计算机装置执行实现如上述任一实施例(例如图1-图3任一实施例)所述的污水检测识别方法的操作。

基于本公开上述实施例提供的计算机装置，建立模型输出维度为污水位置、种类的神经网络。所述神经网络是改进的RePr网络结构，在原本的网络结构中，随机修剪百分之二十的迭代过程产生的卷积核，降低了特征之间的相关性。同时，在网络输出到Fc1层之前，加入SE结构，调整模型权重分布。最后，在模型的优化器中，我们用Meta-SGD替换掉传统的SGD，使得整个训练过程中学习率会随着损失函数值的变化而变化。在这种改进中，便可以提升训练的效率、准确度以及泛化性。

本公开上述实施例针对污水口排污种类检测、识别，使用新的网络结构RePr+，相较于相关技术，对训练过程中产生的卷积核进行随机修剪，通过结合SE方法，使得改进网络模型具有更强的泛化性。借助上述技术并改进，可以有效地针对污水进行检测、识别，节省环保部门人力开支，提高污水排放监管效率。

本公开上述实施例在基于迁移学习的训练的过程中，用已有的预训练好模型作为始发点，输出维度为所述图中排污口污水的位置及类型，基于损失函数监督，迁移学习，训练得到一个检测识别模型，基于所述模型对待识别排谁口污水图像进检测识别。

图6为本公开污水检测识别系统一些实施例的示意图。如图6所示，本公开污水检测识别系统可以包括终端设备61和服务器62，其中：

终端设备61，用于拍摄待检测污水视频，并将待检测污水视频转化为待检测污水图像，并发送给服务器处理，其中，待检测污水视频包括污水口排污视频。

服务器62，用于将待检测污水图像输入训练好的污水检测识别模型，得到待检测污水的污水位置及污水种类。

在本公开的一些实施例中，服务器62可以用于随机修剪预定比例的迭代过程中产生的卷积核；在卷积神经网络输出到全连接层之前，加入挤压和激励结构，调整卷积神经网络模型的权重分布；采用元学习随机梯度下降算法作为优化函数，使得整个训练过程中学习率会随着损失函数值的变化而变化。

在本公开的一些实施例中，所述服务器可以为如上述任一实施例(例如图4实施例)的服务器，或如上述任一实施例(例如图5实施例)的计算机装置。

基于本公开上述实施例提供的污水检测识别系统，是一种基于卷积核修剪算法的污水检测识别系统，是一种基于改进Repr+的污水检测识别系统。具体地，本公开上述实施例利用摄像头采集高清排水口排污视频并转化为图像。本公开上述实施例将清洗后的数据集输入到改进的网络，训练得到一个检测识别模型，基于训练模型对待检测污水进行位置和种类确认。更进一步地，本公开上述实施例的采集摄像头能够在拍摄期间自动根据环境调节光清晰度。

本公开上述实施例的改进Repr+网络，在将训练中产生的filter随机修剪百分之二十，同时，在Fc1层前加入SE方法，从而降低了训练中产生的冗余参数，提升了训练效率。同时，本公开上述实施例通过结合Meta-SGD算法，使得学习率在训练过程中随着损失值不断优化，提高了模型训练速度及准确度。

根据本公开的另一方面，提供一种非瞬时性计算机可读存储介质，其中，所述非瞬时性计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上述任一实施例(例如图1-图3任一实施例)所述的污水检测识别方法。

基于本公开上述实施例提供的非瞬时性计算机可读存储介质，针对污水口排污种类检测、识别，使用新的网络结构RePr+，相较于相关技术，对训练过程中产生的卷积核进行随机修剪，通过结合SE方法，使得改进网络模型具有更强的泛化性。本公开上述实施例可以有效地针对污水进行检测、识别，从而节省了环保部门人力开支，提高了污水排放监管效率。

本公开上述实施例所属计算机视觉人工智能领域，尤其涉及一种基于卷积核修剪算法的污水检测识别方法，从而解决了环保部门对于污水排放监管的需求，提高了环保部门的工作效率。

本公开上述实施例提出一种基于卷积核修剪算法的污水检测和识别方法。本公开上述实施例通过改进RePr目标检测算法，对训练过程中的卷积核进行修剪，降低了特征之间的相关性，提升最终模型的泛化能力。本公开上述实施例旨在对排水口污水进行检测及识别，帮助环保部门对污水排放进行监督，减少人力投入，提升环保部门工作效率。本公开上述实施例可用于城市污水排放和工厂污水排放监管，帮助环保部门有效监管城市和工厂污水排放，明确是否存在高危、违禁排放物的情况，同时便于环保部门更好的指定环保策略。

在上面所描述的服务器和计算机装置可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。

至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指示相关的硬件完成，所述的程序可以存储于一种非瞬时性计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。

Claims (13)

1.一种污水检测识别方法，其特征在于，包括：

根据待训练污水图像训练得到污水检测识别模型；

获取待检测污水图像；

将待检测污水图像输入训练好的污水检测识别模型，得到待检测污水的污水位置及污水种类。

2.根据权利要求1所述的污水检测识别方法，其特征在于，

所述污水图像包括污水口排污图像。

3.根据权利要求1或2所述的污水检测识别方法，其特征在于，所述根据待训练污水图像训练得到污水检测识别模型包括：

对待训练污水图像进行预处理并设置对应标签；

将预处理后的污水数据集输入卷积神经网络模型进行迭代训练。

4.根据权利要求3所述的污水检测识别方法，其特征在于，所述根据待训练污水图像训练得到污水检测识别模型还包括：

基于开源大规模数据训练的模型参数初始化当前卷积神经网络模型，之后执行将预处理后的污水数据集输入卷积神经网络模型进行迭代训练的步骤。

5.根据权利要求3所述的污水检测识别方法，其特征在于，所述将预处理后的污水数据集输入卷积神经网络模型进行迭代训练包括：

随机修剪预定比例的迭代过程中产生的卷积核。

6.根据权利要求3所述的污水检测识别方法，其特征在于，所述将预处理后的污水数据集输入卷积神经网络模型进行迭代训练包括：

在卷积神经网络输出到全连接层之前，加入挤压和激励结构，调整卷积神经网络模型的权重分布。

7.根据权利要求3所述的污水检测识别方法，其特征在于，所述将预处理后的污水数据集输入卷积神经网络模型进行迭代训练包括：

采用元学习随机梯度下降算法作为优化函数，使得整个训练过程中学习率会随着损失函数值的变化而变化。

8.根据权利要求3所述的污水检测识别方法，其特征在于，

所述卷积神经网络模型为改进的RePr网络结构；

和/或，

所述卷积神经网络模型包括卷积层、全连接层、挤压和激励层和输出层；

和/或，

所述卷积神经网络模型的分类器输出维度为污水在图像中的位置及种类；

和/或，

所述卷积神经网络模型的损失函数是交叉熵损失函数，以欧式距离作为度量方式。

9.一种服务器，其特征在于，包括：

模型训练模块，用于根据待训练污水图像训练得到污水检测识别模型；

待检测图像获取模块，用于获取待检测污水图像；

污水检测识别模块，用于将待检测污水图像输入训练好的污水检测识别模型，得到待检测污水的污水位置及污水种类。

10.根据权利要求9所述的服务器，其特征在于，所述污水检测识别装置用于执行实现如权利要求1-8中任一项所述的污水检测识别方法的操作。

11.一种计算机装置，其特征在于，包括：

存储器，用于存储指令；

处理器，用于执行所述指令，使得所述计算机装置执行实现如权利要求1-8中任一项所述的污水检测识别方法的操作。

12.一种污水检测识别系统，其特征在于，包括：

终端设备，用于拍摄待检测污水视频，并将待检测污水视频转化为待检测污水图像，并发送给服务器处理，其中，待检测污水视频包括污水口排污视频；

服务器，为如权利要求9或10的服务器，或如权利要求11的计算机装置。

13.一种非瞬时性计算机可读存储介质，其特征在于，所述非瞬时性计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如权利要求1-8中任一项所述的污水检测识别方法。

Images