CN114782814A - 一种基于机器视觉的环境污染源识别方法和装置 - Google Patents
一种基于机器视觉的环境污染源识别方法和装置 Download PDFInfo
- Publication number
- CN114782814A CN114782814A CN202210434048.8A CN202210434048A CN114782814A CN 114782814 A CN114782814 A CN 114782814A CN 202210434048 A CN202210434048 A CN 202210434048A CN 114782814 A CN114782814 A CN 114782814A
- Authority
- CN
- China
- Prior art keywords
- pollution source
- remote sensing
- sensing image
- source identification
- environmental pollution
- 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.)
- Pending
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
- 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
Abstract
本发明公开了一种基于机器视觉的环境污染源识别方法和装置。其中，该方法包括：对获取到的遥感图像进行预处理；对预处理后的遥感图像进行图像增强操作；基于深度目标检测模型对增强后的遥感图像进行训练，以得到训练后的环境污染源识别模型；将待识别的目标污染源的图像输入环境污染源识别模型，以得到环境污染源识别模型输出的污染源识别结果。本实施例的技术方案，通过将深度目标检测网络引入遥感影像污染源识别任务，并利用递归特征空间金字塔以及可切换的空洞卷积结构，以及多阈值级联回归检测的方式对识别进行筛选以及重复利用，实现了多种类污染源的多尺度精确检测结果。
Description
技术领域
本发明实施例涉及环境大数据技术领域，尤其涉及一种基于机器视觉的环境污染源识别方法和装置。
背景技术
对污染源的有效识别能够为后续污染治理提供有效的依据。
然而，现有技术中的污染源识别方法还存在以下问题：（1）现有的污染源识别方法的特征选取依赖人工设计，难以适应海量遥感影像数据；（2）现有的污染源识别方法对于单幅图片中同时存在多种污染源的情况，现有技术的分类和定位准确率有待提高；（3）现有污染源识别方法的识别种类不够丰富，仅包含垃圾、工业储罐、烟囱等大类。
发明内容
为了解决现有技术中的问题，本发明提供一种基于机器视觉的环境污染源识别方法和装置，以实现各种污染源的精确地识别和定位。
第一方面，本发明实施例提供了一种基于机器视觉的环境污染源识别方法，包括：
S110、对获取到的遥感图像进行预处理，以得到预处理后的遥感图像；
S120、对所述预处理后的遥感图像进行图像增强操作，以得到增强后的遥感图像；
S130、基于深度目标检测模型对所述增强后的遥感图像进行训练，以得到训练后的环境污染源识别模型；
S140、将待识别的目标污染源的图像输入所述环境污染源识别模型，以得到所述环境污染源识别模型输出的目标污染物的污染源识别结果。
可选的，所述深度目标检测模型的网络架构采用递归特征空间金字塔和可切换的空洞卷积结构来提取并融合遥感图像中的浅层纹理信息及深层语义信息。
可选的，所述深度目标检测模型采用多阈值级联回归检测的方式对识别结果进行筛选以及重复利用。
可选的，所述S140中所述环境污染源识别模型输出目标污染物的污染源识别结果，包括：
通过非最大值抑制的方式对所述环境污染源识别模型输出的所有识别结果进行筛选，以得到筛选后的识别结果；
通过遥感影像的地理信息计算所述筛选后的识别结果的精确经纬度信息，输出目标污染物的污染源的地理位置及其附近的遥感影像信息。
第二方面，本发明实施例还提供一种基于机器视觉的环境污染源识别装置，包括：
预处理模块，用于对获取到的遥感图像进行预处理，以得到预处理后的遥感图像；
图像增强模块，用于对所述预处理后的遥感图像进行图像增强操作，以得到增强后的遥感图像；
模型训练模块，用于基于深度目标检测模型对所述增强后的遥感图像进行训练，以得到训练后的环境污染源识别模型；
识别模块，用于将待识别的目标污染源的图像输入所述环境污染源识别模型，以得到所述环境污染源识别模型输出的目标污染物的污染源识别结果。
本发明的有益效果：
本发明在现有图像识别技术的基础上，设计了一种基于深度神经网络的遥感影像污染源检测方法，提高了对大量遥感影像的处理效率；本发明通过引入递归特征金字塔框架以及多阈值级联回归检测结构设计污染源识别模型，增强了算法对多种背景下不同尺寸污染源的识别能力；此外，本发明丰富了可识别的污染源类别，实现对风扇、烟囱、烟气、冷却塔、工业储罐、固体废弃物堆场、沉淀池以及养殖场，一共8类污染源的同步识别，拓展了模型的应用前景。
附图说明
图1为本发明实施例提供的一种基于机器视觉的环境污染源识别的流程图；
图2为本发明实施例提供的递归特征空间金字塔结构图；
图3本发明实施例提供的可切换的空洞卷积结构图；
图4本发明实施例提供的多阈值级联回归检测结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例
图1为本发明实施例提供的一种基于机器视觉的环境污染源识别的流程图，本实施例可适用于对污染源进行识别的情况，具体包括如下步骤：
S110、对获取到的遥感图像进行预处理，以得到预处理后的遥感图像。
本实施例中，在大量收集遥感影像时，可以优先考虑分辨率精度优于0.5m的影像，以提高后续污染源识别的准确度。然后，对遥感影像进行切片、2%灰度值线性拉伸以及图像格式转换等预处理操作，使得预处理后遥感图像格式与后续的深度目标检测模型相适应。
S120、对所述预处理后的遥感图像进行图像增强操作，以得到增强后的遥感图像。
本实施例中，在对遥感图像进行预处理之后，进一步对预处理之后的遥感图像进行亮度及对比度调节、伽马及仿射变换、对比度受限的直方图均衡等增强处理，从而突出图像中关键特征，弱化图像中明暗色彩、角度变化、局部裁剪等因素的干扰，提高模型的泛化能力。
S130、基于深度目标检测模型对所述增强后的遥感图像进行训练，以得到训练后的环境污染源识别模型。
其中，本实施例中采用的深度目标检测模型采用递归特征空间金字塔以及可切换的空洞卷积结构，提取并融合图像中的浅层纹理信息及深层语义信息，同时采用多阈值级联回归检测的方式对模型识别进行筛选以及重复利用，最终输出多种类污染源的多尺度精确检测结果。
具体的，在宏观层面上，为了增强模型对不同尺度污染源的识别能力，本实施例中的深度目标检测模型在传统深度目标检测框架中引入了递归特征空间金字塔结构。递归空间金字塔结构如图2所示。首先，该结构在下采样路径之后增加上采样反馈路径，然后将两条路径中尺度相同的特征图相加，生成新的特征图。然后，该结构将生成的新特征图通过反馈连接传回下采样路径中重新利用，生成多尺度融合的特征表示。这种结构能够在保持较小额外开销的情况下，大幅度增强网络对不同尺度污染源目标的识别能力。
在微观层面上，如图3所示，在本实施例中的深度目标检测模型中加入了可切换的空洞卷积，利用切换函数合并不同空洞率的空洞卷积结果，调整卷积的感受野以进一步适应多种尺度的污染源目标。
在网络末端，本实施例中的深度目标检测模型采用了多阈值级联回归检测结构。如图4所示，该结构中每个阶段的输出阈值逐渐提高，将前一阶段筛选出的特征图输入下一阶段，寻找能够适应更高阈值的预测。这种重采样的工作方式能够在优化模型检测质量的同时适应多级目标分布，缓解单个高阈值检测器可能产生的过拟合问题。
进一步的，本实施例中的深度目标检测模型的训练过程如下：首先人工筛选增强后的遥感图像，对各种目标污染源的坐标进行标注；然后将含有目标污染源的图像以及对应的坐标标签输入网络，通过随机梯度下降算法训练网络中的参数；最后结合平均准确度、精确率、召回率等指标对训练结果进行量化评估。
训练完成后，结合评价结果，通过网络超参数调节、难负样本挖掘等方式对模型进行进一步优化。
S140、将待识别的目标污染源的图像输入所述环境污染源识别模型，以得到所述环境污染源识别模型输出的目标污染物的污染源识别结果。
其中，污染源识别结果中包括污染源的精确经纬度及其附近的遥感影像。
具体的，先通过非最大值抑制的方式对所有预测进行筛选，去除重复的以及置信度较低的预测目标，然后结合遥感影像的地理信息计算目标的精确经纬度，输出污染源的地理位置及其附近的遥感影像。
本实施例的技术方案，通过将深度目标检测模型引入遥感影像污染源识别任务，并利用递归特征空间金字塔以及可切换的空洞卷积结构，提取并融合图像中的浅层纹理信息及深层语义信息，以及利用多阈值级联回归检测的方式对预测进行筛选以及重复利用，最终输出多种类污染源的多尺度精确检测结果。
本发明实施例还提供一种基于机器视觉的环境污染源识别装置，包括：
预处理模块，用于对获取到的遥感图像进行预处理，以得到预处理后的遥感图像；
图像增强模块，用于对所述预处理后的遥感图像进行图像增强操作，以得到增强后的遥感图像；
模型训练模块，用于基于深度目标检测模型对所述增强后的遥感图像进行训练，以得到训练后的环境污染源识别模型；
识别模块，用于将待识别的目标污染源的图像输入所述环境污染源识别模型，以得到所述环境污染源识别模型输出的目标污染物的污染源识别结果。
其中，所述深度目标检测模型的网络架构采用递归特征空间金字塔和可切换的空洞卷积结构来提取并融合遥感图像中的浅层纹理信息及深层语义信息。
所述深度目标检测模型采用多阈值级联回归检测的方式对识别结果进行筛选以及重复利用。
进一步的，上述识别模块具体用于：通过非最大值抑制的方式对所述环境污染源识别模型输出的所有识别结果进行筛选，以得到筛选后的识别结果；
通过遥感影像的地理信息计算所述筛选后的识别结果的精确经纬度信息，输出目标污染物的污染源的地理位置及其附近的遥感影像信息。
本发明实施例所提供的一种基于机器视觉的环境污染源识别装置可执行本发明任意实施例所提供的一种基于机器视觉的环境污染源识别方法，具备执行方法相应的功能模块和有益效果。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (5)
1.一种基于机器视觉的环境污染源识别方法，其特征在于，包括：
S110、对获取到的遥感图像进行预处理，以得到预处理后的遥感图像；
S120、对所述预处理后的遥感图像进行图像增强操作，以得到增强后的遥感图像；
S130、基于深度目标检测模型对所述增强后的遥感图像进行训练，以得到训练后的环境污染源识别模型；
S140、将待识别的目标污染源的图像输入所述环境污染源识别模型，以得到所述环境污染源识别模型输出的目标污染物的污染源识别结果。
2.根据权利要求1所述的方法，其特征在于，所述深度目标检测模型的网络架构采用递归特征空间金字塔和可切换的空洞卷积结构来提取并融合遥感图像中的浅层纹理信息及深层语义信息。
3.根据权利要求1所述的方法，其特征在于，所述深度目标检测模型采用多阈值级联回归检测的方式对识别结果进行筛选以及重复利用。
4.根据权利要求1所述的方法，其特征在于，所述S140中所述环境污染源识别模型输出目标污染物的污染源识别结果，包括：
通过非最大值抑制的方式对所述环境污染源识别模型输出的所有识别结果进行筛选，以得到筛选后的识别结果；
通过遥感影像的地理信息计算所述筛选后的识别结果的精确经纬度信息，输出目标污染物的污染源的地理位置及其附近的遥感影像信息。
5.一种基于机器视觉的环境污染源识别装置，其特征在于，包括：
预处理模块，用于对获取到的遥感图像进行预处理，以得到预处理后的遥感图像；
图像增强模块，用于对所述预处理后的遥感图像进行图像增强操作，以得到增强后的遥感图像；
模型训练模块，用于基于深度目标检测模型对所述增强后的遥感图像进行训练，以得到训练后的环境污染源识别模型；
识别模块，用于将待识别的目标污染源的图像输入所述环境污染源识别模型，以得到所述环境污染源识别模型输出的目标污染物的污染源识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210434048.8A CN114782814A (zh) | 2022-04-24 | 2022-04-24 | 一种基于机器视觉的环境污染源识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210434048.8A CN114782814A (zh) | 2022-04-24 | 2022-04-24 | 一种基于机器视觉的环境污染源识别方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114782814A true CN114782814A (zh) | 2022-07-22 |
Family
ID=82432145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210434048.8A Pending CN114782814A (zh) | 2022-04-24 | 2022-04-24 | 一种基于机器视觉的环境污染源识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114782814A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116978052A (zh) * | 2023-07-21 | 2023-10-31 | 安徽省交通规划设计研究总院股份有限公司 | 基于改进YOLOv5的桥梁设计图的子图布局识别方法 |
-
2022
- 2022-04-24 CN CN202210434048.8A patent/CN114782814A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116978052A (zh) * | 2023-07-21 | 2023-10-31 | 安徽省交通规划设计研究总院股份有限公司 | 基于改进YOLOv5的桥梁设计图的子图布局识别方法 |
| CN116978052B (zh) * | 2023-07-21 | 2024-04-09 | 安徽省交通规划设计研究总院股份有限公司 | 基于改进YOLOv5的桥梁设计图的子图布局识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598609B (zh) | 一种基于显著性引导的弱监督目标检测方法 | |
| CN108830285B (zh) | 一种基于Faster-RCNN的加强学习的目标检测方法 | |
| CN112232349A (zh) | 模型训练方法、图像分割方法及装置 | |
| CN107909084B (zh) | 一种基于卷积-线性回归网络的雾霾浓度预测方法 | |
| CN112508975A (zh) | 一种图像识别方法、装置、设备及存储介质 | |
| Gyawali et al. | Comparative analysis of multiple deep CNN models for waste classification | |
| CN111126115A (zh) | 暴力分拣行为识别方法和装置 | |
| CN108734109B (zh) | 一种面向图像序列的视觉目标跟踪方法及系统 | |
| CN111368636A (zh) | 目标分类方法、装置、计算机设备和存储介质 | |
| CN112232371A (zh) | 一种基于YOLOv3与文本识别的美式车牌识别方法 | |
| CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
| CN115439458A (zh) | 基于深度图注意力的工业图像缺陷目标检测算法 | |
| CN116485709A (zh) | 一种基于YOLOv5改进算法的桥梁混凝土裂缝检测方法 | |
| CN114782814A (zh) | 一种基于机器视觉的环境污染源识别方法和装置 | |
| Han et al. | An enhanced image binarization method incorporating with Monte-Carlo simulation | |
| Shanthakumari et al. | Mask RCNN and Tesseract OCR for vehicle plate character recognition | |
| CN115082781A (zh) | 一种舰船图像检测方法、装置以及存储介质 | |
| CN113378642B (zh) | 一种对农村违法占地建筑物进行检测的方法 | |
| CN114359733A (zh) | 一种基于视觉的烟雾火情的检测方法及系统 | |
| CN114241332A (zh) | 一种基于深度学习的固废场识别方法、装置以及存储介质 | |
| CN113762396A (zh) | 一种二维图像语义分割方法 | |
| CN115294392B (zh) | 基于生成网络模型的可见光遥感图像云去除方法及系统 | |
| CN114663731A (zh) | 车牌检测模型的训练方法及系统、车牌检测方法及系统 | |
| Pan et al. | Adaptive ViBe background model for vehicle detection | |
| Das et al. | Object Detection on Scene Images: A Novel Approach |
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 |