CN115620243A - 基于人工智能的污染源监测方法、系统及云平台 - Google Patents

Abstract

本发明提供的基于人工智能的污染源监测方法、系统及云平台，涉及人工智能技术领域。在本发明中，对目标监测区域包括的多个目标污染源分别进行监控，以输出对应的多个目标污染源监控视频。对于每一个目标污染源监控视频，利用目标污染程度识别神经网络，分别对该目标污染源监控视频包括的每一帧目标污染源监控视频帧进行识别，以输出该目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果。对每一个目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果进行融合，以形成目标监测区域对应的目标污染源识别结果。基于上述方法，可以在一定程度上提高污染源监测的效率。

Description

基于人工智能的污染源监测方法、系统及云平台

技术领域

本发明涉及人工智能技术领域，具体而言，涉及一种基于人工智能的污染源监测方法、系统及云平台。

背景技术

人工智能(Artificial Intelligence，简称AI)，是利用数字计算机或者数字计算机控制的计算模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。

其中，在现有的污染源监测技术中，一般是基于专业的检测设备对污染源进行资源采集，如水资源、空气资源等的采集，然后，对采集的资源进行检验，如成分分析等，以确定出对应的监测结果，即污染的严重程度等。如此，就可能在一定程度上导致监测效率不高的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于人工智能的污染源监测方法、系统及云平台，以在一定程度上提高污染源监测的效率。

为实现上述目的，本发明实施例采用如下技术方案：

一种基于人工智能的污染源监测方法，应用于污染源监测云平台，所述基于人工智能的污染源监测方法包括：

对目标监测区域包括的多个目标污染源分别进行监控，以输出所述多个目标污染源对应的多个目标污染源监控视频，每一个所述目标污染源监控视频包括至少一帧目标污染源监控视频帧；

对于所述多个目标污染源监控视频中的每一个目标污染源监控视频，利用目标污染程度识别神经网络，分别对该目标污染源监控视频包括的每一帧目标污染源监控视频帧进行识别，以输出该目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果；

对每一个目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果进行融合，以形成所述目标监测区域对应的目标污染源识别结果，所述目标污染源识别结果用于反映对应的污染程度。

在一些优选的实施例中，在上述基于人工智能的污染源监测方法中，所述对目标监测区域包括的多个目标污染源分别进行监控，以输出所述多个目标污染源对应的多个目标污染源监控视频的步骤，包括：

分别对目标监测区域包括的多个目标污染源对应的历史数据进行提取处理，以输出每一个目标污染源对应的历史初始污染源识别结果；

依据每一个目标污染源对应的历史初始污染源识别结果反映出的污染程度，分别确定出每一个目标污染源对应的监控参数；

依据每一个目标污染源对应的监控参数，分别对所述目标污染源进行监控，以输出所述多个目标污染源对应的多个目标污染源监控视频。

在一些优选的实施例中，在上述基于人工智能的污染源监测方法中，所述对于所述多个目标污染源监控视频中的每一个目标污染源监控视频，利用目标污染程度识别神经网络，分别对该目标污染源监控视频包括的每一帧目标污染源监控视频帧进行识别，以输出该目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果的步骤，包括：

对所述目标污染源监控视频帧进行分解处理，以形成所述目标污染源监控视频帧对应的多个目标视频帧子区域，再对所述多个目标视频帧子区域进行排序，以形成对应的目标子区域序列；

分别对所述多个目标视频帧子区域中的每一个目标视频帧子区域进行数据信息挖掘，以形成每一个所述目标视频帧子区域对应的子区域信息特征分布；

利用目标污染程度识别神经网络，基于所述多个目标视频帧子区域对应的多个子区域信息特征分布，分别解析出所述多个目标视频帧子区域中的每一个目标视频帧子区域对应的污染源识别结果；

基于所述多个目标视频帧子区域对应的多个污染源识别结果，解析出所述目标子区域序列对应的污染源识别结果，再将所述目标子区域序列对应的污染源识别结果标记为对应的初始污染源识别结。

在一些优选的实施例中，在上述基于人工智能的污染源监测方法中，所述利用目标污染程度识别神经网络，基于所述多个目标视频帧子区域对应的多个子区域信息特征分布，分别解析出所述多个目标视频帧子区域中的每一个目标视频帧子区域对应的污染源识别结果的步骤，包括：

将所述多个目标视频帧子区域中的第一目标视频帧子区域对应的子区域信息特征分布，加载至目标污染程度识别神经网络，以解析出所述第一目标视频帧子区域的相关子区域数据特征，所述第一目标视频帧子区域属于任意一个所述目标视频帧子区域；提取到所述第一目标视频帧子区域的相邻目标视频帧子区域对应的污染源识别结果；基于解析出所述相关子区域数据特征的第一目标视频帧子区域，分析出所述第一目标视频帧子区域对应的待处理污染源识别结果；基于所述相邻目标视频帧子区域对应的污染源识别结果，对所述待处理污染源识别结果进行更新，以输出所述第一目标视频帧子区域对应的中间污染源识别结果；基于解析出所述相关子区域数据特征的第一目标视频帧子区域和所述中间污染源识别结果，分析出所述第一目标视频帧子区域对应的污染源识别结果集合；

所述基于所述多个目标视频帧子区域对应的多个污染源识别结果，解析出所述目标子区域序列对应的污染源识别结果的步骤，包括：

对所述多个目标视频帧子区域中的每一个目标视频帧子区域对应的污染源识别结果集合的结果影响力分别进行解析确定；基于每一个所述污染源识别结果集合对应的所述结果影响力，对所述多个目标视频帧子区域中的每一个所述目标视频帧子区域对应的污染源识别结果集合进行融合处理，以输出所述目标子区域序列对应的污染源识别结果。

在一些优选的实施例中，在上述基于人工智能的污染源监测方法中，所述分别对所述多个目标视频帧子区域中的每一个目标视频帧子区域进行数据信息挖掘，以形成每一个所述目标视频帧子区域对应的子区域信息特征分布的步骤，包括：

对所述多个目标视频帧子区域中的第一目标视频帧子区域进行像素单元拆分处理，以形成所述第一目标视频帧子区域对应的多个像素单元，所述第一目标视频帧子区域属于任意一个所述目标视频帧子区域，每一个所述像素单元包括至少一个像素点，对于包括多个像素点的任意一个像素单元，该像素单元包括的多个像素点之间的像素值差异小于差异阈值，该像素单元中的任意一个像素点至少与该像素单元中的一个其它像素点邻接；

对所述多个像素单元和预先配置的参考像素单元集合进行像素匹配处理，以输出每一个所述像素单元对应的像素单元匹配结果；

基于所述多个像素单元和所述多个像素单元对应的多个像素单元匹配结果，解析出所述第一目标视频帧子区域对应的子区域信息特征分布。

在一些优选的实施例中，在上述基于人工智能的污染源监测方法中，所述基于所述多个像素单元和所述多个像素单元对应的多个像素单元匹配结果，解析出所述第一目标视频帧子区域对应的子区域信息特征分布的步骤，包括：

对所述多个像素单元中的第一像素单元进行像素信息挖掘处理，以输出所述第一像素单元对应的像素单元信息特征分布，所述第一像素单元属于所述多个像素单元中的任意一个像素单元；

基于所述第一像素单元对应的像素单元匹配结果，解析出所述第一像素单元对应的像素单元匹配结果特征分布；

融合所述第一像素单元对应的像素单元信息特征分布和所述第一像素单元对应的像素单元匹配结果特征分布，以形成所述第一像素单元对应的像素单元信息融合特征分布；

分别对所述多个像素单元中的每一个像素单元对应的像素单元影响力进行解析确定，再基于每一个像素单元对应的所述像素单元影响力，对所述多个像素单元中的每一个像素单元对应的像素单元信息融合特征分布进行融合处理，再基于融合处理后的像素单元信息融合特征分布，分析输出所述第一目标视频帧子区域的子区域信息特征分布。

在一些优选的实施例中，在上述基于人工智能的污染源监测方法中，所述基于人工智能的污染源监测方法还包括对初始污染程度识别神经网络进行更新以形成所述目标污染程度识别神经网络的步骤，该步骤包括：

将示例性污染源监控视频帧加载至预先构建的初始污染程度识别神经网络中，以利用所述初始污染程度识别神经网络包括的像素信息挖掘模块进行信息挖掘处理，以输出所述示例性污染源监控视频帧包括的多个示例性目标视频帧子区域中的每一个示例性目标视频帧区域对应的示例性子区域信息特征分布和示例性像素单元信息特征分布；

针对所述多个示例性目标视频帧子区域中的第一示例性目标视频帧子区域，将该第一示例性目标视频帧子区域对应的示例性像素单元信息特征分布加载至所述像素信息挖掘模块包括的像素信息识别子模块中，以利用所述像素信息识别子模块对该第一示例性目标视频帧子区域包括的示例性像素单元对应的示例性像素单元匹配结果进行确定，所述第一示例性目标视频帧子区域属于任意一个所述示例性目标视频帧子区域；

基于所述第一示例性目标视频帧子区域包括的示例性像素单元对应的示例性像素单元匹配结果，对所述像素信息挖掘模块进行更新处理；

分别将所述多个示例性目标视频帧子区域中的每一个示例性目标视频帧子区域对应的示例性子区域信息特征分布加载至所述初始污染程度识别神经网络包括的像素单元识别模块中，以利用所述像素单元识别模块对所述示例性子区域信息特征分布进行特征识别处理，以输出每一个所述示例性目标视频帧子区域对应的示例性污染源识别结果；

将每一个所述示例性目标视频帧子区域对应的示例性污染源识别结果加载至所述初始污染程度识别神经网络包括的像素区域识别模块中，以利用所述像素区域识别模块对该示例性污染源识别结果进行识别处理，以形成所述示例性污染源监控视频帧对应的示例性污染源识别结果；

基于所述示例性污染源监控视频帧对应的示例性污染源识别结果，对所述初始污染程度识别神经网络进行更新处理，以形成所述初始污染程度识别神经网络对应的目标污染程度识别神经网络。

在一些优选的实施例中，在上述基于人工智能的污染源监测方法中，所述对每一个目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果进行融合，以形成所述目标监测区域对应的目标污染源识别结果的步骤，包括：

对于每一个所述目标污染源监控视频，对该目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果进行第一融合，以输出该目标污染源监控视频对应的初始污染源识别结果；

对每一个所述目标污染源监控视频对应的初始污染源识别结果进行第二融合，以形成所述目标监测区域对应的目标污染源识别结果。

本发明实施例还提供一种基于人工智能的污染源监测系统，应用于污染源监测云平台，所述基于人工智能的污染源监测系统包括：

污染源监控模块，用于对目标监测区域包括的多个目标污染源分别进行监控，以输出所述多个目标污染源对应的多个目标污染源监控视频，每一个所述目标污染源监控视频包括至少一帧目标污染源监控视频帧；

视频帧识别模块，用于对于所述多个目标污染源监控视频中的每一个目标污染源监控视频，利用目标污染程度识别神经网络，分别对该目标污染源监控视频包括的每一帧目标污染源监控视频帧进行识别，以输出该目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果；

初始识别结果融合模块，用于对每一个目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果进行融合，以形成所述目标监测区域对应的目标污染源识别结果，所述目标污染源识别结果用于反映对应的污染程度。

本发明实施例还提供一种污染源监测云平台，所述污染源监测云平台包括处理器，所述处理器用于执行预先配置的基于人工智能的污染源监测方法，所述基于人工智能的污染源监测方法包括：

对目标监测区域包括的多个目标污染源分别进行监控，以输出所述多个目标污染源对应的多个目标污染源监控视频，每一个所述目标污染源监控视频包括至少一帧目标污染源监控视频帧；

对于所述多个目标污染源监控视频中的每一个目标污染源监控视频，利用目标污染程度识别神经网络，分别对该目标污染源监控视频包括的每一帧目标污染源监控视频帧进行识别，以输出该目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果；

对每一个目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果进行融合，以形成所述目标监测区域对应的目标污染源识别结果，所述目标污染源识别结果用于反映对应的污染程度。

本发明实施例提供的一种基于人工智能的污染源监测方法、系统及云平台，可以对目标监测区域包括的多个目标污染源分别进行监控，以输出对应的多个目标污染源监控视频。对于每一个目标污染源监控视频，利用目标污染程度识别神经网络，分别对该目标污染源监控视频包括的每一帧目标污染源监控视频帧进行识别，以输出该目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果。对每一个目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果进行融合，以形成目标监测区域对应的目标污染源识别结果。基于前述的内容，可以利用神经网络对视频帧进行高效的识别处理，使得在一定程度上提高污染源监测的效率，改善现有技术中存在的效率不高的问题。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

图1为本发明实施例提供的污染源监测云平台的结构框图。

图2为本发明实施例提供的基于人工智能的污染源监测方法包括的各步骤的流程示意图。

图3为本发明实施例提供的基于人工智能的污染源监测系统包括的各模块的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1所示，本发明实施例提供了一种污染源监测云平台。其中，所述污染源监测云平台可以包括存储器和处理器。

可以理解的是，在一些可以实现的实施方式中，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的基于人工智能的污染源监测方法。

可以理解的是，在一些可以实现的实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（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。

可以理解的是，在一些可以实现的实施方式中，图1所示的结构仅为示意，所述污染源监测云平台还可包括比图1中所示更多或者更少的组件，或具有与图1所示不同的配置，例如，可以包括用于与其它设备（可以是视频监控设备或者数据服务器等）进行信息交互的通信单元。

可以理解的是，在一些可以实现的实施方式中，所述污染源监测云平台可以由具备数据处理能力的一个或多个服务器组成。

结合图2，本发明实施例还提供一种基于人工智能的污染源监测方法，可应用于上述污染源监测云平台。其中，所述基于人工智能的污染源监测方法有关的流程所定义的方法步骤，可以由所述污染源监测云平台实现。

下面将对图2所示的具体流程，进行详细阐述。

步骤S110，对目标监测区域包括的多个目标污染源分别进行监控，以输出所述多个目标污染源对应的多个目标污染源监控视频。

在本发明实施例中，所述污染源监测云平台可以（如通过其它图像采集设备等）对目标监测区域包括的多个目标污染源分别进行监控，以输出所述多个目标污染源对应的多个目标污染源监控视频。每一个所述目标污染源监控视频包括至少一帧目标污染源监控视频帧。

步骤S120，对于所述多个目标污染源监控视频中的每一个目标污染源监控视频，利用目标污染程度识别神经网络，分别对该目标污染源监控视频包括的每一帧目标污染源监控视频帧进行识别，以输出该目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果。

在本发明实施例中，所述污染源监测云平台可以对于所述多个目标污染源监控视频中的每一个目标污染源监控视频，利用目标污染程度识别神经网络，分别对该目标污染源监控视频包括的每一帧目标污染源监控视频帧进行识别，以输出该目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果。

步骤S130，对每一个目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果进行融合，以形成所述目标监测区域对应的目标污染源识别结果。

在本发明实施例中，所述污染源监测云平台可以对每一个目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果进行融合，以形成所述目标监测区域对应的目标污染源识别结果。所述目标污染源识别结果用于反映对应的（目标监测区域的）污染程度。

基于前述的内容（如步骤S110、步骤S120和步骤S130包括的具体内容），可以利用神经网络对视频帧进行高效的识别处理，使得在一定程度上提高污染源监测的效率，改善现有技术中存在的效率不高的问题。

可以理解的是，在一些可以实现的实施方式中，前述内容中的步骤S110，可以进一步包括以下内容：

分别对目标监测区域包括的多个目标污染源对应的历史数据进行提取处理，以输出每一个目标污染源对应的历史初始污染源识别结果（所述目标污染源对应的历史污染源监控视频帧对应的历史初始污染源识别结果）；

依据每一个目标污染源对应的历史初始污染源识别结果反映出的污染程度，分别确定出每一个目标污染源对应的监控参数（例如，所述监控参数可以包括视频帧率，所述视频帧率与该污染程度正相关）；

依据每一个目标污染源对应的监控参数，分别对所述目标污染源进行监控，以输出所述多个目标污染源对应的多个目标污染源监控视频。

可以理解的是，在一些可以实现的实施方式中，可以先依据每一个目标污染源对应的监控参数，分别对所述目标污染源进行监控，以输出所述多个目标污染源对应的多个原始污染源监控视频，再分别依据每一个原始污染源监控视频包括的多帧原始污染源监控视频帧之间的相似度，对原始污染源监控视频进行去重处理，以形成对应的目标污染源监控视频。

其中，计算原始污染源监控视频帧之间的相似度，可以包括（以对第一原始污染源监控视频帧和第二原始污染源监控视频帧进行计算为例，所述第一原始污染源监控视频帧和所述第二原始污染源监控视频帧可以是所述原始污染源监控视频包括的多帧原始污染源监控视频帧中的任意两帧）：

对所述第一原始污染源监控视频帧中像素位置距离小于预先配置的像素位置距离参考值的每两个第一视频帧像素点进行像素差值的计算，以输出每两个第一视频帧像素点之间的第一像素差值；

对所述第二原始污染源监控视频帧中像素位置距离小于所述像素位置距离参考值的每两个第二视频帧像素点进行像素差值的计算，以输出每两个第二视频帧像素点之间的第二像素差值；

依据每两个第一视频帧像素点之间的第一像素差值，对所述第一原始污染源监控视频帧进行区域划分处理，以形成所述第一原始污染源监控视频帧对应的多个第一视频帧区域，每一个所述第一视频帧区域中的任意两个第一视频帧像素点之间的第一像素差值小于预先配置的像素差值参考值，每一个所述第一视频帧区域中的任意两个第一视频帧像素点之间的像素位置距离小于所述像素位置距离参考值（所述像素差值参考值的具体值不受限制，可以根据实际应用进行配置，如5、10、15等；所述像素位置距离参考值的具体值不受限制，可以根据实际应用进行配置，如5、8、11）；

依据每两个第二视频帧像素点之间的第二像素差值，对所述第二原始污染源监控视频帧进行区域划分处理，以形成所述第二原始污染源监控视频帧对应的多个第二视频帧区域，每一个所述第二视频帧区域中的任意两个第二视频帧像素点之间的第二像素差值小于所述像素差值参考值，每一个所述第二视频帧区域中的任意两个第二视频帧像素点之间的像素位置距离小于所述像素位置距离参考值；

分别对每一个所述第一视频帧区域和每一个所述第二视频帧区域进行区域重合度计算，以输出每一个所述第一视频帧区域和每一个所述第二视频帧区域之间的区域重合度，所述区域重合度用于反映对应的所述第一视频帧区域和所述第二视频帧区域之间的像素位置的重合程度，再依据每一个所述第一视频帧区域和每一个所述第二视频帧区域之间的区域重合度，并依据区域重合度的均值最大的原则，对所述多个第一视频帧区域和所述多个第二视频帧区域进行关联处理，使得每一个所述第一视频帧区域与至少一个第二视频帧区域关联（并且，若一个第一视频帧区域与多个第二视频帧区域关联，则该多个第二视频帧区域中的每一个分别仅与该第一视频帧区域关联，若一个第二视频帧区域与多个第一视频帧区域关联，则该多个第一视频帧区域中的每一个分别仅与该第二视频帧区域关联，例如，第一区域A可以与第二区域B和第二区域C分别关联，但是，第二区域B和第二区域C都只能与第一区域A关联）；

分别对每一个所述第一视频帧区域包括的第一像素点的像素值进行序列化处理，以形成每一个所述第一视频帧区域对应的第一像素值序列，再分别对每一个所述第二视频帧区域包括的第二像素点的像素值进行序列化处理，以形成每一个所述第二视频帧区域对应的第二像素值序列，以及，依据所述第一视频帧区域和所述第二视频帧区域之间关联关系，将关联的每一个第一像素值序列和每一个第二像素值序列进行序列相似度的计算（如计算两个像素值序列之间的编辑相似度等，即编辑距离的负相关值），以输出对应的序列相似度，再将各序列相似度进行融合（如均值计算或加权均值计算，加权系数可以与对应的序列长度正相关），以输出所述第一原始污染源监控视频帧和所述第二原始污染源监控视频帧之间的相似度。

可以理解的是，在一些可以实现的实施方式中，前述内容中的步骤S120，可以进一步包括以下内容：

对所述目标污染源监控视频帧进行分解处理（可以理解为是进行分割处理，以分割形成多个部分，其中，分割处理的原则不受限制，例如，可以是等尺寸分割，也可以先进行连通域识别，再基于识别结果进行分割），以形成所述目标污染源监控视频帧对应的多个目标视频帧子区域，再对所述多个目标视频帧子区域进行排序（例如，可以按照在所述目标污染源监控视频帧中的相对位置进行排序），以形成对应的目标子区域序列；

分别对所述多个目标视频帧子区域中的每一个目标视频帧子区域进行数据信息挖掘，以形成每一个所述目标视频帧子区域对应的子区域信息特征分布；

利用目标污染程度识别神经网络，基于所述多个目标视频帧子区域对应的多个子区域信息特征分布，分别解析出所述多个目标视频帧子区域中的每一个目标视频帧子区域对应的污染源识别结果；

基于所述多个目标视频帧子区域对应的多个污染源识别结果，解析出所述目标子区域序列对应的污染源识别结果，再将所述目标子区域序列对应的污染源识别结果标记为对应的初始污染源识别结果。

可以理解的是，在一些可以实现的实施方式中，前述内容中的所述分别对所述多个目标视频帧子区域中的每一个目标视频帧子区域进行数据信息挖掘，以形成每一个所述目标视频帧子区域对应的子区域信息特征分布的步骤，可以进一步包括以下内容：

对所述多个目标视频帧子区域中的第一目标视频帧子区域进行像素单元拆分处理，以形成所述第一目标视频帧子区域对应的多个像素单元，所述第一目标视频帧子区域属于任意一个所述目标视频帧子区域，每一个所述像素单元包括至少一个像素点，对于包括多个像素点的任意一个像素单元，该像素单元包括的多个像素点之间的像素值差异小于差异阈值（也就是说，一个像素单元中的各像素点之间的像素值差异应该较小，该像素值差异可以是各像素点之间的像素值差值的累加值，所述差异阈值可以根据实际应用需求进行配置，如15、10、5等），该像素单元中的任意一个像素点至少与该像素单元中的一个其它像素点邻接；

对所述多个像素单元和预先配置的参考像素单元集合进行像素匹配处理，以输出每一个所述像素单元对应的像素单元匹配结果（所述参考像素单元集合可以包括多个参考像素单元，每一个所述参考像素单元可以是对在历史上采集的污染程度较高的视频帧截取形成，如此，所述像素单元匹配结果可以反映所述像素单元与所述参考像素单元之间的像素相关度，另外，所述参考像素单元集合的使用可以确定出各像素单元的像素单元匹配结果，并且可以将有关像素单元的像素单元匹配结果的信息补充到子区域信息特征分布中，使得可以将像素单元的像素单元匹配结果作为先验信息附加至对应的子区域信息特征分布中，可以提高子区域的识别可靠性）；

基于所述多个像素单元和所述多个像素单元对应的多个像素单元匹配结果，解析出所述第一目标视频帧子区域对应的子区域信息特征分布。

可以理解的是，在一些可以实现的实施方式中，前述内容中的所述基于所述多个像素单元和所述多个像素单元对应的多个像素单元匹配结果，解析出所述第一目标视频帧子区域对应的子区域信息特征分布的步骤，可以进一步包括以下内容：

对所述多个像素单元中的第一像素单元进行像素信息挖掘处理（可以通过卷积网络实现），以输出所述第一像素单元对应的像素单元信息特征分布，所述第一像素单元属于所述多个像素单元中的任意一个像素单元；

基于所述第一像素单元对应的像素单元匹配结果，解析出所述第一像素单元对应的像素单元匹配结果特征分布（也可以通过卷积网络实现）；

融合（例如，可以对特征分布进行拼接）所述第一像素单元对应的像素单元信息特征分布和所述第一像素单元对应的像素单元匹配结果特征分布，以形成所述第一像素单元对应的像素单元信息融合特征分布；

分别对所述多个像素单元中的每一个像素单元对应的像素单元影响力进行解析确定（例如，可以通过注意力网络实现），再基于每一个像素单元对应的所述像素单元影响力，对所述多个像素单元中的每一个像素单元对应的像素单元信息融合特征分布进行融合处理（例如，可以将所述像素单元影响力作为加权值以对所述像素单元信息融合特征分布进行加权求和计算），再基于融合处理后的像素单元信息融合特征分布，分析输出所述第一目标视频帧子区域的子区域信息特征分布（示例性地，可以直接将融合处理后的像素单元信息融合特征分布，作为子区域信息特征分布）。

可以理解的是，在一些可以实现的实施方式中，前述内容中的所述利用目标污染程度识别神经网络，基于所述多个目标视频帧子区域对应的多个子区域信息特征分布，分别解析出所述多个目标视频帧子区域中的每一个目标视频帧子区域对应的污染源识别结果的步骤，进一步包括以下内容：

将所述多个目标视频帧子区域中的第一目标视频帧子区域对应的子区域信息特征分布，加载至目标污染程度识别神经网络，以解析出所述第一目标视频帧子区域的相关子区域数据特征（所述相关子区域数据特征可以用于反映所述第一目标视频帧子区域与其它目标视频帧子区域之间的像素相关数据），所述第一目标视频帧子区域属于任意一个所述目标视频帧子区域；提取到所述第一目标视频帧子区域的相邻目标视频帧子区域（视频帧子区域之间是否具有相邻关系，可以依据在所述目标子区域序列中的序列位置关系确定）对应的污染源识别结果（所述污染源识别结果可以是通过对所述相邻目标视频帧子区域的子区域信息特征分布进行识别输出）；基于解析出所述相关子区域数据特征的第一目标视频帧子区域，分析（也就是说，在进行分析识别时，不仅需要考虑所述第一目标视频帧子区域的子区域信息，还需要考虑对应的相关子区域数据特征，即考虑相关像素信息）出所述第一目标视频帧子区域对应的待处理污染源识别结果；基于所述相邻目标视频帧子区域对应的污染源识别结果，对所述待处理污染源识别结果进行更新（例如，可以对所述相邻目标视频帧子区域对应的污染源识别结果和所述待处理污染源识别结果进行加权求和计算等），以输出所述第一目标视频帧子区域对应的中间污染源识别结果；基于解析出所述相关子区域数据特征的第一目标视频帧子区域和所述中间污染源识别结果，分析（例如，可以是如上所述的分析识别）出所述第一目标视频帧子区域对应的污染源识别结果集合（所述污染源识别结果集合可以包括各种污染程度的概率值，如污染程度为0.8的概率值、0.9的概率值等）。

可以理解的是，在一些可以实现的实施方式中，前述内容中的所述基于所述多个目标视频帧子区域对应的多个污染源识别结果，解析出所述目标子区域序列对应的污染源识别结果的步骤，可以进一步包括以下内容：

对所述多个目标视频帧子区域中的每一个目标视频帧子区域对应的污染源识别结果集合的结果影响力分别进行解析确定（如上所述）；基于每一个所述污染源识别结果集合对应的所述结果影响力，对所述多个目标视频帧子区域中的每一个所述目标视频帧子区域对应的污染源识别结果集合进行融合处理（示例性地，可以先从每一个所述污染源识别结果集合中选择出具有最大概率值的污染程度，再依据所述结果影响力对该污染程度进行加权求和计算），以输出所述目标子区域序列对应的污染源识别结果。

可以理解的是，在一些可以实现的实施方式中，所述基于人工智能的污染源监测方法还包括对初始污染程度识别神经网络进行更新以形成所述目标污染程度识别神经网络的步骤，该步骤可以进一步包括以下内容：

将示例性污染源监控视频帧加载至预先构建的初始污染程度识别神经网络中，以利用所述初始污染程度识别神经网络包括的像素信息挖掘模块进行信息挖掘处理，以输出所述示例性污染源监控视频帧包括的多个示例性目标视频帧子区域中的每一个示例性目标视频帧区域对应的示例性子区域信息特征分布和示例性像素单元信息特征分布；

针对所述多个示例性目标视频帧子区域中的第一示例性目标视频帧子区域，将该第一示例性目标视频帧子区域对应的示例性像素单元信息特征分布加载至所述像素信息挖掘模块包括的像素信息识别子模块中，以利用所述像素信息识别子模块对该第一示例性目标视频帧子区域包括的示例性像素单元对应的示例性像素单元匹配结果进行确定，所述第一示例性目标视频帧子区域属于任意一个所述示例性目标视频帧子区域；

基于所述第一示例性目标视频帧子区域包括的示例性像素单元对应的示例性像素单元匹配结果（并结合对应的真实像素单元匹配结果可以计算出对应的损失，以进行更新），对所述像素信息挖掘模块进行更新处理（所述更新处理可以是指对其中的权重值进行更新，以使得误差收敛）；

分别将所述多个示例性目标视频帧子区域中的每一个示例性目标视频帧子区域对应的示例性子区域信息特征分布加载至所述初始污染程度识别神经网络包括的像素单元识别模块中，以利用所述像素单元识别模块对所述示例性子区域信息特征分布进行特征识别处理，以输出每一个所述示例性目标视频帧子区域对应的示例性污染源识别结果；

将每一个所述示例性目标视频帧子区域对应的示例性污染源识别结果加载至所述初始污染程度识别神经网络包括的像素区域识别模块中，以利用所述像素区域识别模块对该示例性污染源识别结果进行识别处理，以形成所述示例性污染源监控视频帧对应的示例性污染源识别结果（也就是说，所述像素单元识别模块和所述像素区域识别模块分布用于对单元级的像素信息和区域级的像素信息进行识别处理，即通过层级的设置，可以在一定程度上提高进行识别处理的精度）；

基于所述示例性污染源监控视频帧对应的示例性污染源识别结果（并结合对应的真实污染源识别结果，进行损失计算，使得更新之后损失收敛至目标条件），对所述初始污染程度识别神经网络进行更新处理，以形成所述初始污染程度识别神经网络对应的目标污染程度识别神经网络。

可以理解的是，在一些可以实现的实施方式中，前述内容中的步骤S130，可以进一步包括以下内容：

对于每一个所述目标污染源监控视频，对该目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果进行第一融合（例如，有对所述初始污染源识别结果进行均值计算），以输出该目标污染源监控视频对应的初始污染源识别结果；

对每一个所述目标污染源监控视频对应的初始污染源识别结果进行第二融合（例如，可以根据对应的目标污染源的权重系数，对对应的初始污染源识别结果进行加权均值计算，该权重系数可以依据历史上确定的初始污染源识别结果反映的污染程度确定，如污染程度越高，对应的权重系数越大），以形成所述目标监测区域对应的目标污染源识别结果。

结合图3，本发明实施例还提供一种基于人工智能的污染源监测系统，可应用于上述污染源监测云平台。其中，所述基于人工智能的污染源监测系统可以包括以下模块（软件功能模块），如污染源监控模块、视频帧识别模块和初始识别结果融合模块。

可以理解的是，在一些可以实现的实施方式中，所述污染源监控模块，用于对目标监测区域包括的多个目标污染源分别进行监控，以输出所述多个目标污染源对应的多个目标污染源监控视频，每一个所述目标污染源监控视频包括至少一帧目标污染源监控视频帧。

可以理解的是，在一些可以实现的实施方式中，所述视频帧识别模块，用于对于所述多个目标污染源监控视频中的每一个目标污染源监控视频，利用目标污染程度识别神经网络，分别对该目标污染源监控视频包括的每一帧目标污染源监控视频帧进行识别，以输出该目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果。

可以理解的是，在一些可以实现的实施方式中，所述初始识别结果融合模块，用于对每一个目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果进行融合，以形成所述目标监测区域对应的目标污染源识别结果，所述目标污染源识别结果反映对应的污染程度。

综上所述，本发明提供的一种基于人工智能的污染源监测方法、系统及云平台，可以对目标监测区域包括的多个目标污染源分别进行监控，以输出对应的多个目标污染源监控视频。对于每一个目标污染源监控视频，利用目标污染程度识别神经网络，分别对该目标污染源监控视频包括的每一帧目标污染源监控视频帧进行识别，以输出该目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果。对每一个目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果进行融合，以形成目标监测区域对应的目标污染源识别结果。基于前述的内容，可以利用神经网络对视频帧进行高效的识别，使得在一定程度上提高污染源监测的效率，改善现有技术中存在的效率不高的问题。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的污染源监测方法，其特征在于，应用于污染源监测云平台，所述基于人工智能的污染源监测方法包括：

对目标监测区域包括的多个目标污染源分别进行监控，以输出所述多个目标污染源对应的多个目标污染源监控视频，每一个所述目标污染源监控视频包括至少一帧目标污染源监控视频帧；

对于所述多个目标污染源监控视频中的每一个目标污染源监控视频，利用目标污染程度识别神经网络，分别对该目标污染源监控视频包括的每一帧目标污染源监控视频帧进行识别，以输出该目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果；

对每一个目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果进行融合，以形成所述目标监测区域对应的目标污染源识别结果，所述目标污染源识别结果用于反映对应的污染程度。

2.如权利要求1所述的基于人工智能的污染源监测方法，其特征在于，所述对目标监测区域包括的多个目标污染源分别进行监控，以输出所述多个目标污染源对应的多个目标污染源监控视频的步骤，包括：

分别对目标监测区域包括的多个目标污染源对应的历史数据进行提取处理，以输出每一个目标污染源对应的历史初始污染源识别结果；

依据每一个目标污染源对应的历史初始污染源识别结果反映出的污染程度，分别确定出每一个目标污染源对应的监控参数；

依据每一个目标污染源对应的监控参数，分别对所述目标污染源进行监控，以输出所述多个目标污染源对应的多个目标污染源监控视频。

3.如权利要求1所述的基于人工智能的污染源监测方法，其特征在于，所述对于所述多个目标污染源监控视频中的每一个目标污染源监控视频，利用目标污染程度识别神经网络，分别对该目标污染源监控视频包括的每一帧目标污染源监控视频帧进行识别，以输出该目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果的步骤，包括：

对所述目标污染源监控视频帧进行分解处理，以形成所述目标污染源监控视频帧对应的多个目标视频帧子区域，再对所述多个目标视频帧子区域进行排序，以形成对应的目标子区域序列；

分别对所述多个目标视频帧子区域中的每一个目标视频帧子区域进行数据信息挖掘，以形成每一个所述目标视频帧子区域对应的子区域信息特征分布；

利用目标污染程度识别神经网络，基于所述多个目标视频帧子区域对应的多个子区域信息特征分布，分别解析出所述多个目标视频帧子区域中的每一个目标视频帧子区域对应的污染源识别结果；

基于所述多个目标视频帧子区域对应的多个污染源识别结果，解析出所述目标子区域序列对应的污染源识别结果，再将所述目标子区域序列对应的污染源识别结果标记为对应的初始污染源识别结果。

4.如权利要求3所述的基于人工智能的污染源监测方法，其特征在于，所述利用目标污染程度识别神经网络，基于所述多个目标视频帧子区域对应的多个子区域信息特征分布，分别解析出所述多个目标视频帧子区域中的每一个目标视频帧子区域对应的污染源识别结果的步骤，包括：

将所述多个目标视频帧子区域中的第一目标视频帧子区域对应的子区域信息特征分布，加载至目标污染程度识别神经网络，以解析出所述第一目标视频帧子区域的相关子区域数据特征，所述第一目标视频帧子区域属于任意一个所述目标视频帧子区域；提取到所述第一目标视频帧子区域的相邻目标视频帧子区域对应的污染源识别结果；基于解析出所述相关子区域数据特征的第一目标视频帧子区域，分析出所述第一目标视频帧子区域对应的待处理污染源识别结果；基于所述相邻目标视频帧子区域对应的污染源识别结果，对所述待处理污染源识别结果进行更新，以输出所述第一目标视频帧子区域对应的中间污染源识别结果；基于解析出所述相关子区域数据特征的第一目标视频帧子区域和所述中间污染源识别结果，分析出所述第一目标视频帧子区域对应的污染源识别结果集合；

所述基于所述多个目标视频帧子区域对应的多个污染源识别结果，解析出所述目标子区域序列对应的污染源识别结果的步骤，包括：

对所述多个目标视频帧子区域中的每一个目标视频帧子区域对应的污染源识别结果集合的结果影响力分别进行解析确定；基于每一个所述污染源识别结果集合对应的所述结果影响力，对所述多个目标视频帧子区域中的每一个所述目标视频帧子区域对应的污染源识别结果集合进行融合处理，以输出所述目标子区域序列对应的污染源识别结果。

5.如权利要求3所述的基于人工智能的污染源监测方法，其特征在于，所述分别对所述多个目标视频帧子区域中的每一个目标视频帧子区域进行数据信息挖掘，以形成每一个所述目标视频帧子区域对应的子区域信息特征分布的步骤，包括：

对所述多个目标视频帧子区域中的第一目标视频帧子区域进行像素单元拆分处理，以形成所述第一目标视频帧子区域对应的多个像素单元，所述第一目标视频帧子区域属于任意一个所述目标视频帧子区域，每一个所述像素单元包括至少一个像素点，对于包括多个像素点的任意一个像素单元，该像素单元包括的多个像素点之间的像素值差异小于差异阈值，该像素单元中的任意一个像素点至少与该像素单元中的一个其它像素点邻接；

对所述多个像素单元和预先配置的参考像素单元集合进行像素匹配处理，以输出每一个所述像素单元对应的像素单元匹配结果；

基于所述多个像素单元和所述多个像素单元对应的多个像素单元匹配结果，解析出所述第一目标视频帧子区域对应的子区域信息特征分布。

6.如权利要求5所述的基于人工智能的污染源监测方法，其特征在于，所述基于所述多个像素单元和所述多个像素单元对应的多个像素单元匹配结果，解析出所述第一目标视频帧子区域对应的子区域信息特征分布的步骤，包括：

对所述多个像素单元中的第一像素单元进行像素信息挖掘处理，以输出所述第一像素单元对应的像素单元信息特征分布，所述第一像素单元属于所述多个像素单元中的任意一个像素单元；

基于所述第一像素单元对应的像素单元匹配结果，解析出所述第一像素单元对应的像素单元匹配结果特征分布；

融合所述第一像素单元对应的像素单元信息特征分布和所述第一像素单元对应的像素单元匹配结果特征分布，以形成所述第一像素单元对应的像素单元信息融合特征分布；

分别对所述多个像素单元中的每一个像素单元对应的像素单元影响力进行解析确定，再基于每一个像素单元对应的所述像素单元影响力，对所述多个像素单元中的每一个像素单元对应的像素单元信息融合特征分布进行融合处理，再基于融合处理后的像素单元信息融合特征分布，分析输出所述第一目标视频帧子区域的子区域信息特征分布。

7.如权利要求3所述的基于人工智能的污染源监测方法，其特征在于，所述基于人工智能的污染源监测方法还包括对初始污染程度识别神经网络进行更新以形成所述目标污染程度识别神经网络的步骤，该步骤包括：

将示例性污染源监控视频帧加载至预先构建的初始污染程度识别神经网络中，以利用所述初始污染程度识别神经网络包括的像素信息挖掘模块进行信息挖掘处理，以输出所述示例性污染源监控视频帧包括的多个示例性目标视频帧子区域中的每一个示例性目标视频帧区域对应的示例性子区域信息特征分布和示例性像素单元信息特征分布；

针对所述多个示例性目标视频帧子区域中的第一示例性目标视频帧子区域，将该第一示例性目标视频帧子区域对应的示例性像素单元信息特征分布加载至所述像素信息挖掘模块包括的像素信息识别子模块中，以利用所述像素信息识别子模块对该第一示例性目标视频帧子区域包括的示例性像素单元对应的示例性像素单元匹配结果进行确定，所述第一示例性目标视频帧子区域属于任意一个所述示例性目标视频帧子区域；

基于所述第一示例性目标视频帧子区域包括的示例性像素单元对应的示例性像素单元匹配结果，对所述像素信息挖掘模块进行更新处理；

分别将所述多个示例性目标视频帧子区域中的每一个示例性目标视频帧子区域对应的示例性子区域信息特征分布加载至所述初始污染程度识别神经网络包括的像素单元识别模块中，以利用所述像素单元识别模块对所述示例性子区域信息特征分布进行特征识别处理，以输出每一个所述示例性目标视频帧子区域对应的示例性污染源识别结果；

将每一个所述示例性目标视频帧子区域对应的示例性污染源识别结果加载至所述初始污染程度识别神经网络包括的像素区域识别模块中，以利用所述像素区域识别模块对该示例性污染源识别结果进行识别处理，以形成所述示例性污染源监控视频帧对应的示例性污染源识别结果；

基于所述示例性污染源监控视频帧对应的示例性污染源识别结果，对所述初始污染程度识别神经网络进行更新处理，以形成所述初始污染程度识别神经网络对应的目标污染程度识别神经网络。

8.如权利要求1-7任意一项所述的基于人工智能的污染源监测方法，其特征在于，所述对每一个目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果进行融合，以形成所述目标监测区域对应的目标污染源识别结果的步骤，包括：

对于每一个所述目标污染源监控视频，对该目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果进行第一融合，以输出该目标污染源监控视频对应的初始污染源识别结果；

对每一个所述目标污染源监控视频对应的初始污染源识别结果进行第二融合，以形成所述目标监测区域对应的目标污染源识别结果。

9.一种基于人工智能的污染源监测系统，其特征在于，应用于污染源监测云平台，所述基于人工智能的污染源监测系统包括：

污染源监控模块，用于对目标监测区域包括的多个目标污染源分别进行监控，以输出所述多个目标污染源对应的多个目标污染源监控视频，每一个所述目标污染源监控视频包括至少一帧目标污染源监控视频帧；

视频帧识别模块，用于对于所述多个目标污染源监控视频中的每一个目标污染源监控视频，利用目标污染程度识别神经网络，分别对该目标污染源监控视频包括的每一帧目标污染源监控视频帧进行识别，以输出该目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果；

初始识别结果融合模块，用于对每一个目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果进行融合，以形成所述目标监测区域对应的目标污染源识别结果，所述目标污染源识别结果用于反映对应的污染程度。

10.一种污染源监测云平台，其特征在于，所述污染源监测云平台包括处理器，所述处理器用于执行预先配置的基于人工智能的污染源监测方法，所述基于人工智能的污染源监测方法包括：

对目标监测区域包括的多个目标污染源分别进行监控，以输出所述多个目标污染源对应的多个目标污染源监控视频，每一个所述目标污染源监控视频包括至少一帧目标污染源监控视频帧；

对于所述多个目标污染源监控视频中的每一个目标污染源监控视频，利用目标污染程度识别神经网络，分别对该目标污染源监控视频包括的每一帧目标污染源监控视频帧进行识别，以输出该目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果；

对每一个目标污染源监控视频包括的每一帧目标污染源监控视频帧对应的初始污染源识别结果进行融合，以形成所述目标监测区域对应的目标污染源识别结果，所述目标污染源识别结果用于反映对应的污染程度。

Images