CN115661695A - 基于无人机的河道排污口监控预警方法及系统 - Google Patents

Abstract

本发明公开了基于无人机的河道排污口监控预警方法及系统，包括：首先获取无人机河道排污口图像、关键河道区域水质图像、辅助河道区域水质图像关于河道排污预警结果的基础图像图向量；然后基于无人机河道排污口图像与关键河道区域水质图像以及与辅助河道区域水质图像的基础图像图向量，得到关键河道图像图向量和辅助河道图像图向量；最终根据关键河道图像图向量与辅助河道图像图向量生成的综合评估向量，基于综合评估向量确定河道排污预警结果，并基于河道排污预警结果执行对应策略，如此设计，利用了无人机河道排污口图像分别与关键河道区域水质图像以及辅助河道区域水质图像之间的关联关系，高效准确地获知了河道排污预警结果。

Description

基于无人机的河道排污口监控预警方法及系统

技术领域

本发明涉及无人机与监控预警技术领域，具体而言，涉及一种基于无人机的河道排污口监控预警方法及系统。

背景技术

针对河道排污口的监控预警一直是河流治理的重要环节。目前，主要还是采用专业技术人员直接到现场进行查看评估，或者通过长期架设在重要河道排污口的摄像设备回传图片以便专业技术人员评估的方式对河道排污口进行监控预警。然而随着河道排污口的增多以及河道排污口设位置的多变，利用传统的人员到场监控或者架设固定设备进行监控的方式不仅效率低下，会存在人员无法直观清楚知晓河道排污口涉及的河道区域全貌、固定设备架设困难、以及后期维护成本过高等问题。

发明内容

本发明的目的在于提供一种基于无人机的河道排污口监控预警方法及系统。

第一方面，本发明实施例提供基于无人机的河道排污口监控预警方法，包括：

分别获取无人机河道排污口图像、关键河道区域水质图像、辅助河道区域水质图像关于河道排污预警结果的基础图像图向量；无人机河道排污口图像与关键河道区域水质图像之间具有第一映射关系，无人机河道排污口图像与辅助河道区域水质图像之间具有第二映射关系；

将无人机河道排污口图像的基础图像图向量与关键河道区域水质图像的基础图像图向量进行第一特征融合操作，得到无人机河道排污口图像的关键河道图像图向量；

将无人机河道排污口图像的基础图像图向量与辅助河道区域水质图像的基础图像图向量、关键河道区域水质图像的基础图像图向量进行第二特征融合操作，得到无人机河道排污口图像的辅助河道图像图向量；

根据关键河道图像图向量与辅助河道图像图向量，生成无人机河道排污口图像的综合评估向量，根据综合评估向量为无人机河道排污口图像确定河道排污预警结果。

第二方面，本发明实施例提供一种基于无人机的河道排污口监控预警系统，包括：

获取模块，用于响应于河道排污口监控指示，分别获取无人机河道排污口图像、关键河道区域水质图像、辅助河道区域水质图像关于河道排污预警结果的基础图像图向量；无人机河道排污口图像与关键河道区域水质图像之间具有第一映射关系，无人机河道排污口图像与辅助河道区域水质图像之间具有第二映射关系；

提取模块，用于将无人机河道排污口图像的基础图像图向量与关键河道区域水质图像的基础图像图向量进行第一特征融合操作，得到无人机河道排污口图像的关键河道图像图向量；将无人机河道排污口图像的基础图像图向量与辅助河道区域水质图像的基础图像图向量、关键河道区域水质图像的基础图像图向量进行第二特征融合操作，得到无人机河道排污口图像的辅助河道图像图向量；

预警模块，用于根据关键河道图像图向量与辅助河道图像图向量，生成无人机河道排污口图像的综合评估向量，根据综合评估向量为无人机河道排污口图像确定河道排污预警结果；当河道排污预警结果表征为一级河道排污预警结果时，将无人机河道排污口图像存入河道排污口白名单；当河道排污预警结果表征为二级河道排污预警结果时，将无人机河道排污口图像存入河道排污口黑名单，并触发告警信息。

相比现有技术，本发明提供的有益效果包括：采用本发明公开的基于无人机的河道排污口监控预警方法及系统，通过获取无人机河道排污口图像、关键河道区域水质图像、辅助河道区域水质图像关于河道排污预警结果的基础图像图向量；然后基于无人机河道排污口图像与关键河道区域水质图像以及与辅助河道区域水质图像的基础图像图向量，得到关键河道图像图向量和辅助河道图像图向量；最终根据关键河道图像图向量与辅助河道图像图向量生成的综合评估向量，基于综合评估向量确定河道排污预警结果，并基于河道排污预警结果执行对应策略，如此设计，利用了无人机河道排污口图像分别与关键河道区域水质图像以及辅助河道区域水质图像之间的关联关系，准确地获知了河道排污预警结果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定。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相关的附图。

图1为本发明实施例提供的基于无人机的河道排污口监控预警方法的步骤流程示意图；

图2为本发明实施例提供的基于无人机的河道排污口监控预警系统结构示意框图；

图3为本发明实施例提供的计算机设备的结构示意框图。

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。

请参见图1，是本发明实施例提供的一种基于无人机的河道排污口监控预警方法。该方法可以由计算机设备作为执行主体，该基于无人机的河道排污口监控预警方法可以具体通过以下方式获取。

S101、计算机设备响应于河道排污口监控指示，分别获取无人机河道排污口图像、关键河道区域水质图像、辅助河道区域水质图像关于河道排污预警结果的基础图像图向量；该无人机河道排污口图像与该关键河道区域水质图像之间具有第一映射关系，该无人机河道排污口图像与该辅助河道区域水质图像之间具有第二映射关系。

本发明中，计算机设备可以获取无人机河道排污口图像的图像基础数据和历史图像数据，根据该无人机河道排污口图像的图像基础数据和历史图像数据生成该无人机河道排污口图像关于河道排污预警结果的基础图像图向量。该无人机河道排污口图像的基础图像图向量包括用于表征无人机河道排污口图像的基本属性信息的基本特征值，以及该无人机河道排污口图像的分类标识的特征元素值，无人机河道排污口图像的分类标识的标签值是根据无人机河道排污口图像的历史河道排污预警结果确定的，特征元素值为目标特征值的分类标识称为无人机河道排污口图像的具备影响分类标识，也就是说，无人机河道排污口图像的基础图像图向量用于表征无人机河道排污口图像的具备影响分类标识。其中，无人机河道排污口图像可以是由无人机在河道进行巡视后拍摄的包含河道排污口的图像。

同理，计算机设备可以获取关键河道区域水质图像的图像基础数据和历史图像数据，根据该关键河道区域水质图像的图像基础数据和历史图像数据生成该关键河道区域水质图像关于河道排污预警结果的基础图像图向量。该关键河道区域水质图像的基础图像图向量包括用于表征关键河道区域水质图像的基本属性信息的基本特征值，以及该关键河道区域水质图像的分类标识的特征元素值，关键河道区域水质图像的分类标识的标签值是根据关键河道区域水质图像的历史河道排污预警结果确定的，特征元素值为目标特征值的分类标识称为关键河道区域水质图像的具备影响分类标识，也就是说，关键河道区域水质图像的基础图像图向量用于表征关键河道区域水质图像的具备影响分类标识。计算机设备可以获取辅助河道区域水质图像的图像基础数据和历史图像数据，根据该辅助河道区域水质图像的图像基础数据和历史图像数据生成该辅助河道区域水质图像关于河道排污预警结果的基础图像图向量。该辅助河道区域水质图像的基础图像图向量包括用于表征辅助河道区域水质图像的基本属性信息的基本特征值，以及该辅助河道区域水质图像的分类标识的特征元素值，辅助河道区域水质图像的分类标识的标签值是根据辅助河道区域水质图像的历史河道排污预警结果确定的，特征元素值为目标特征值的分类标识称为辅助河道区域水质图像的具备影响分类标识，也就是说，辅助河道区域水质图像的基础图像图向量用于表征辅助河道区域水质图像的具备影响分类标识。

可选的，步骤S101包括：获取无人机河道排污口图像对应的河道整体图像，该河道整体图像包括用于表征该无人机河道排污口图像的基础图像图向量的第一图像区域，用于表征待定指标图像的基础图像图向量的第二图像区域；该无人机河道排污口图像与该待定指标图像为映射关系；按照以该第一图像区域为起点的图像检索索引，依次对该河道整体图像中第二图像区域进行图像识别操作，得到与该无人机河道排污口图像具有第一映射关系的关键河道区域水质图像，以及与该无人机河道排污口图像具有第二映射关系的辅助河道区域水质图像；从该河道整体图像中，分别获取该无人机河道排污口图像、该关键河道区域水质图像、该辅助河道区域水质图像关于河道排污预警结果的基础图像图向量。

上述待定指标图像中包括与无人机河道排污口图像具有第一映射关系的待定指标图像，以及与无人机河道排污口图像具有第二映射关系的待定指标图像，计算机设备可以将该河道整体图像中的所有或部分与无人机河道排污口图像具有第一映射关系的待定指标图像，作为关键河道区域水质图像，将该河道整体图像中所有或部分与无人机河道排污口图像具有第二映射关系的待定指标图像，作为辅助河道区域水质图像；从河道整体图像中分别获取无人机河道排污口图像、关键河道区域水质图像和辅助河道区域水质图像的基础图像图向量。

例如，该河道整体图像包括第一图像区域为图像区域A、第二图像区域为图像区域B、图像区域C、图像区域D、图像区域E、图像区域F、图像区域G、图像区域H，图像区域A用于表征无人机河道排污口图像的基础图像图向量，图像区域B、图像区域C、图像区域D分别用于表征与无人机河道排污口图像具有第一映射关系的第一候选关联媒体的基础图像图向量，图像区域E、图像区域F、图像区域G、图像区域H分别用于表征与无人机河道排污口图像具有第二映射关系的第二待定指标图像的基础图像图向量。计算机设备可以按照以该图像区域A为起点的图像检索索引，依次对该河道整体图像中第二图像区域进行遍历，得到与该无人机河道排污口图像具有第一映射关系的第一待定指标图像，以及与该无人机河道排污口图像具有第二映射关系的第二待定指标图像。进一步，从第一待定指标图像中分割出部分待定指标图像，作为与无人机河道排污口图像具有第一映射关系的关键河道区域水质图像，关键河道区域水质图像包括图像区域B、图像区域C分别对应的第一待定指标图像，此处的图像区域D对应的第一待定指标图像不满足分割条件。从第二待定指标图像中分割出部分待定指标图像，作为与无人机河道排污口图像具有第二映射关系的辅助河道区域水质图像，辅助河道区域水质图像包括图像区域E、图像区域F、图像区域G、图像区域H分别对应的第二待定指标图像，即此处的图像区域E、图像区域F、图像区域G、图像区域H分别对应的第二待定指标图像均满足分割条件。将河道整体图像中关键河道区域水质图像对应的待定指标图像的基础图像图向量，确定为关键河道区域水质图像的基础图像图向量，将河道整体图像中辅助河道区域水质图像对应的待定指标图像的基础图像图向量，确定为辅助河道区域水质图像的基础图像图向量，从该河道整体图像中获取无人机河道排污口图像的基础图像图向量。通过对与无人机河道排污口图像具有关联关系的待定指标图像进行图像识别操作，可以避免待定指标图像的图像数目过多，导致资源浪费的问题，还可以避免待定指标图像分布不平衡，导致无人机河道排污口图像的综合评估向量的准确度较低的问题。

可选的，该基础图像图向量包括第一个数量个分类标识对应的特征元素值，上述按照以第一图像区域为起点的图像检索索引，依次对河道整体图像中第二图像区域进行图像识别操作，得到与无人机河道排污口图像具有第一映射关系的关键河道区域水质图像，以及与无人机河道排污口图像具有第二映射关系的辅助河道区域水质图像，包括：按照以第一图像区域为起点的图像检索索引，依次对河道整体图像中的第二图像区域进行图像识别，得到与无人机河道排污口图像具有第一映射关系的第二数量个第一待定指标图像，以及与无人机河道排污口图像具有第二映射关系的第三数量个第二待定指标图像；获取第二数量个第一待定指标图像中第一个数量个分类标识对应的特征元素值均为无关元素值的第一待定指标图像的第一图像数目；获取第三数量个第二待定指标图像中，第一个数量个分类标识对应的特征元素值均为无关元素值的第二待定指标图像的第二图像数目；若第一图像数目小于第一预置图像数目阈值，则将第二数量个第一待定指标图像确定为与无人机河道排污口图像具有第一映射关系的关键河道区域水质图像；若第二图像数目小于第二预置图像数目阈值，则将第三数量个第二待定指标图像确定为与无人机河道排污口图像具有第一映射关系的关键河道区域水质图像。

该基础图像图向量包括第一个数量个分类标识对应的特征元素值，一个分类标识用于表征一类河道排污预警结果或一个河道排污预警结果的分类标识，特征元素值可以为相关元素值或无关元素值，具有相关元素值的分类标识用于表征无人机河道排污口图像具有该分类标识，具有无关元素值的分类标识用于表征无人机河道排污口图像不具有该分类标识。例如，该相关元素值可以为1，无关元素值可以为0，该分类标识为特定化工污染的分类标识，若无人机河道排污口图像关于特定化工污染的特征元素值为1，则表明无人机河道排污口图像与特定化工污染存在强关联，即无人机河道排污口图像具有特定化工污染的分类标识；若无人机河道排污口图像关于特定化工污染的特征元素值为0，则表明无人机河道排污口图像与特定化工污染不存在关联，即无人机河道排污口图像不具有特定化工污染的分类标识。其中，图像的基础图像图向量中第一个数量个分类标识对应的特征元素值均为无关元素值，可以称这类图像为不具有分类标识的图像，也可以称这类图像为无标签图像；图像的基础图像图向量中第一个数量个分类标识对应的特征元素值不完全为无关元素值，可以称这类图像为具有分类标识的图像，也可以称这类图像为有标签图像。

为了避免无人机河道排污口图像的关键河道区域水质图像和辅助河道区域水质图像中各种分类标识不平衡，计算机设备可以按照以该第一图像区域为起点的图像检索索引，依次对河道整体图像中的第二图像区域进行图像识别，得到与无人机河道排污口图像具有第一映射关系的第二数量个第一待定指标图像，以及与无人机河道排污口图像具有第二映射关系的第三数量个第二待定指标图像，也就是说，从河道整体图像中获取有限数量个关键河道区域水质图像和辅助河道区域水质图像，这样可以避免关键河道区域水质图像或辅助河道区域水质图像中的图像数目过多，导致资源浪费。进一步，可以获取第二数量个第一待定指标图像中第一个数量个分类标识对应的特征元素值均为无关元素值的第一待定指标图像的第一图像数目，获取第三数量个第二待定指标图像中，第一个数量个分类标识对应的特征元素值均为无关元素值的第二待定指标图像的第二图像数目；即第一图像数目用于表征第二数量个第一待定指标图像中的无标签图像对应的图像数目，第二图像数目用于表征第三数量个第二待定指标图像中的无标签图像对应的图像数目。

进一步，若第一图像数目小于第一预置图像数目阈值，表明第二数量个第一待定指标图像中无标签图像比较少，且有标签图像比较多，即第二数量个第一待定指标图像中有标签图像占多数，则将该第二数量个第一待定指标图像确定为与无人机河道排污口图像具有第一映射关系的关键河道区域水质图像。若第二图像数目小于第二预置图像数目阈值，表明第三数量个第二待定指标图像中无标签图像比较少，且有标签图像比较多，即第三数量个第二待定指标图像中有标签图像占多数，则将该第三数量个第二待定指标图像确定为与该无人机河道排污口图像具有第一映射关系的关键河道区域水质图像。此处的第一预置图像数目阈值可以是根据关键河道区域水质图像中的图像数目确定的，第二预置图像数目阈值可以是根据辅助河道区域水质图像中的图像数目确定的。通过对第一待定指标图像和第二待定指标图像进行图像识别操作，可以避免无标签图像占多数，导致不能准确地挖掘无人机河道排污口图像的未定分类标识，提高获取无人机河道排污口图像的综合评估向量的准确度。

S102、计算机设备将该无人机河道排污口图像的基础图像图向量与该关键河道区域水质图像的基础图像图向量进行第一特征融合操作，得到该无人机河道排污口图像的关键河道图像图向量。

本发明中，计算机设备可以将该无人机河道排污口图像的基础图像图向量与该关键河道区域水质图像的基础图像图向量进行第一特征融合操作，得到该无人机河道排污口图像的关键河道图像图向量；此处的第一特征融合操作是指根据无人机河道排污口图像的基础图像图向量和关键河道区域水质图像的基础图像图向量挖掘无人机河道排污口图像的未定图像图向量；即该关键河道图像图向量用于表征无人机河道排污口图像的具备影响河道图像图向量、未定图像图向量，以及该无人机河道排污口图像的基本属性信息。

可选的，步骤S102可以包括：调用河道图像特征提取模型的关键特征识别网络，对至少两个关键河道区域水质图像的基础图像图向量进行加权平均，得到第一待定图像图向量，根据第一待定图像图向量确定关于至少两个关键河道区域水质图像的第一属性参量，根据第一属性参量和无人机河道排污口图像的基础图像图向量，确定无人机河道排污口图像的关键河道图像图向量。

计算机设备可以调用河道图像特征提取模型的关键特征识别网络，根据无人机河道排污口图像分别与各个关键河道区域水质图像之间的联系程度，对至少两个关键河道区域水质图像的基础图像图向量进行加权平均，得到第一待定图像图向量。进一步，根据第一待定图像图向量确定关于至少两个关键河道区域水质图像的第一属性参量；该第一属性参量包括第一子属性参量、第二子属性参量以及每个分类标识的第四图像数目种的一项或多项，第一子属性参量用于表征关键河道区域水质图像的分类标识与基本属性信息之间的关联关系，第二子属性参量用于表征分类标识之间的关联关系，每个分类标识的第四图像数目用于表征具有该分类标识的关键河道区域水质图像对应的图像数目。因此，计算机设备可以通过如下三种方式中的任一种或多种组合方式确定关键河道图像图向量：

1）该第一属性参量包括第一子属性参量，根据第一子属性参量和无人机河道排污口图像的基础图像图向量挖掘无人机河道排污口图像的第一未定分类标识，将该无人机河道排污口图像的基础图像图向量中的该第一未定分类标识对应的特征元素值更新为相关元素值，得到关键河道图像图向量。例如，第一子属性参量表征所属河道标识A、所属采集时间戳B的基本属性信息与特定化工污染对应的分类标识关联，即河道标识为A对应的所属采集时间戳B采集的图像中的大多数图像具有特定化工污染对应的分类标识。如果根据无人机河道排污口图像的基础图像图向量确定该无人机河道排污口图像的所属河道标识、所属采集时间戳，则将特定化工污染对应的分类标识确定为无人机河道排污口图像的第一未定分类标识，将该无人机河道排污口图像的基础图像图向量中第一未定分类标识对应的特征元素值更新为目标特征值，得到无人机河道排污口图像的关键河道图像图向量。

2）该第一属性参量包括第二子属性参量，根据第二子属性参量和无人机河道排污口图像的基础图像图向量挖掘无人机河道排污口图像的第二未定分类标识，将该无人机河道排污口图像的基础图像图向量中的该第二未定分类标识对应的特征元素值更新为相关元素值，得到关键河道图像图向量。例如，第二子属性参量表征特定化工污染对应的分类标识与堵塞物对应的分类标识相关联，即具有特定化工污染对应分类标识的关键河道区域水质图像中的大多数图像也具有堵塞物对应的分类标识。如果根据该无人机河道排污口图像的基础图像图向量确定该无人机河道排污口图像具有特定化工污染对应的分类标识，则将堵塞物对应的分类标识确定为无人机河道排污口图像的第二未定分类标识，将该无人机河道排污口图像的基础图像图向量中的该第二未定分类标识对应的特征元素值更新为相关元素值，得到关键河道图像图向量。

3）该第一属性参量包括每个分类标识的第四图像数目，根据第四图像数目和无人机河道排污口图像的基础图像图向量挖掘无人机河道排污口图像的第三未定分类标识，将该无人机河道排污口图像的基础图像图向量中的该第三未定分类标识对应的特征元素值更新为相关元素值，得到关键河道图像图向量。例如，关键河道区域水质图像的总图像数目为12，关键河道区域水质图像中具有特定化工污染对应的分类标识的图像数目为10，将特定化工污染对应的分类标识确定为无人机河道排污口图像的第三未定分类标识，将该无人机河道排污口图像的基础图像图向量中的该第三未定分类标识对应的特征元素值更新为相关元素值，得到关键河道图像图向量。通过第一特征融合操作能够挖掘目标用户的未定分类标识，提高获取无人机河道排污口图像的综合评估向量的准确度。

S103、计算机设备将该无人机河道排污口图像的基础图像图向量与该辅助河道区域水质图像的基础图像图向量、该关键河道区域水质图像的基础图像图向量进行第二特征融合操作，得到该无人机河道排污口图像的辅助河道图像图向量。

本发明中，计算机设备可以将该无人机河道排污口图像的基础图像图向量与该辅助河道区域水质图像的基础图像图向量、该关键河道区域水质图像的基础图像图向量进行第二特征融合操作，得到该无人机河道排污口图像的辅助河道图像图向量，此处的第二特征融合操作是指根据无人机河道排污口图像的基础图像图向量和、关键河道区域水质图像的基础图像图向量、辅助河道区域水质图像的基础图像图向量挖掘无人机河道排污口图像的未定图像图向量；即该辅助河道图像图向量用于表征无人机河道排污口图像的具备影响河道图像图向量、未定图像图向量，以及该无人机河道排污口图像的基本属性信息。通过第二特征融合操作能够挖掘目标用户的未定分类标识，提高获取无人机河道排污口图像的综合评估向量的准确度。

可选的，计算机设备可以通过如下两种方式中的任一种方式，获取无人机河道排污口图像的辅助河道图像图向量：

方式一：计算机设备调用河道图像特征提取模型的辅助特征识别网络，对无人机河道排污口图像的基础图像图向量以及辅助河道区域水质图像的基础图像图向量进行加权平均，得到第二待定图像图向量，根据该第二待定图像图向量确定关于该无人机河道排污口图像、该辅助河道区域水质图像之间的第二属性参量；根据第二属性参量和该关键河道区域水质图像的基础图像图向量确定该无人机河道排污口图像的辅助河道图像图向量。

在方式一中：计算机设备可以调用河道图像特征提取模型的辅助特征识别网络，根据无人机河道排污口图像与辅助河道区域水质图像之间的联系程度对无人机河道排污口图像的基础图像图向量以及辅助河道区域水质图像的基础图像图向量进行加权平均，得到第二待定图像图向量。进一步，根据该第二待定图像图向量确定关于该无人机河道排污口图像、该辅助河道区域水质图像之间的第二属性参量，该第二属性参量包括第二第一属性参量、第二媒体关联关系以及每个分类标识的第五图像数目种的一项或多项，第二第一属性参量用于表征辅助河道区域水质图像、无人机河道排污口图像的分类标识与基本属性信息之间的关联关系，第二媒体关联关系用于表征分类标识之间的关联关系，每个分类标识对应的第五图像数目用于表征具有该分类标识的辅助河道区域水质图像和无人机河道排污口图像中对应的图像数目。计算机设备可以根据第二属性参量和该关键河道区域水质图像的基础图像图向量挖掘关键河道区域水质图像的未定图像图向量，将该关键河道区域水质图像的未定分类标识作为无人机河道排污口图像的未定分类标识，根据该无人机河道排污口图像的未定分类标识更新无人机河道排污口图像的基础图像图向量，得到该无人机河道排污口图像的辅助河道图像图向量。

方式二：计算机设备调用河道图像特征提取模型的辅助特征识别网络，对关键河道区域水质图像的基础图像图向量以及辅助河道区域水质图像的基础图像图向量进行加权平均，得到第四待定图像图向量，根据该第四待定图像图向量确定关于该关键河道区域水质图像、该辅助河道区域水质图像之间的第三属性参量，根据该第三属性参量和该无人机河道排污口图像的基础图像图向量确定该无人机河道排污口图像的辅助河道图像图向量。

在方式二中：计算机设备可以调用河道图像特征提取模型的辅助特征识别网络，根据无人机河道排污口图像分别与关键河道区域水质图像、辅助河道区域水质图像之间的联系程度对关键河道区域水质图像的基础图像图向量以及辅助河道区域水质图像的基础图像图向量进行加权平均，得到第四待定图像图向量。进一步，根据该第四待定图像图向量确定关于该关键河道区域水质图像、该辅助河道区域水质图像之间的第三属性参量，该第三属性参量包括第三第一属性参量、第三媒体关联关系以及每个分类标识对应的第六图像数目种的一项或多项；第三第一属性参量用于表征辅助河道区域水质图像、关键河道区域水质图像分别的分类标识与基本属性信息之间的关联关系，第三媒体关联关系用于表征分类标识之间的关联关系，每个分类标识的第六图像数目用于表征具有该分类标识的辅助河道区域水质图像和关键河道区域水质图像中对应的图像数目。计算机设备可以根据第三属性参量和该无人机河道排污口图像的基础图像图向量挖掘无人机河道排污口图像的未定分类标识，根据该无人机河道排污口图像的未定分类标识更新无人机河道排污口图像的基础图像图向量，得到无人机河道排污口图像的辅助河道图像图向量。

其中，第二特征融合操作挖掘无人机河道排污口图像的未定分类标识的实现过程，可以参考第一特征融合操作挖掘无人机河道排污口图像的未定分类标识的实现过程，重复之处不再赘述。

S104、计算机设备根据该关键河道图像图向量与该辅助河道图像图向量，生成该无人机河道排污口图像的综合评估向量，根据该综合评估向量为该无人机河道排污口图像确定河道排污预警结果。

本发明中，关键河道图像图向量用于表征无人机河道排污口图像的基本属性信息，无人机河道排污口图像的具备影响河道图像图向量和第一未定图像图向量，辅助河道图像图向量用于表征无人机河道排污口图像的基本属性信息，无人机河道排污口图像的具备影响河道图像图向量和第二未定图像图向量，或者，辅助河道图像图向量用于表征无人机河道排污口图像的基本属性信息，无人机河道排污口图像的具备影响河道图像图向量、第二未定图像图向量和第三未定图像图向量。进一步，计算机设备可以对关键河道图像图向量和辅助河道图像图向量进行拼接等处理，得到该无人机河道排污口图像的综合评估向量，该综合评估向量能够表征该无人机河道排污口图像丰富的河道图像图向量，因此，可以根据该综合评估向量为目标用户确定河道排污预警结果，提高确定河道排污预警结果的准确度。

可选的，步骤S104可以包括：调用河道图像特征提取模型的特征融合网络，对至少两个辅助河道区域水质图像分别对应的辅助河道图像图向量进行加权平均，得到第三待定图像图向量；对关键河道图像图向量和第三待定图像图向量进行拼接，得到无人机河道排污口图像的综合评估向量。

计算机设备可以调用河道图像特征提取模型的特征融合网络，对至少两个该辅助河道区域水质图像分别对应的辅助河道图像图向量进行加权平均，得到第三待定图像图向量，对该关键河道图像图向量和第三待定图像图向量进行融合，得到拼接后的河道图像图向量。此处的融合可以是指将该关键河道图像图向量中的特征值添加至该第三待定图像图向量中，得到融合后的河道图像图向量，例如，关键河道图像图向量和第三待定图像图向量均为4x3的向量，那么，融合后的河道图像图向量为4x6的向量。

进一步，对该拼接后的河道图像图向量进行归一化处理，得到无人机河道排污口图像的综合评估向量，该无人机河道排污口图像的综合评估向量能够表征无人机河道排污口图像丰富的河道图像图向量，提高获取无人机河道排污口图像的河道图像图向量的准确度。

本发明中，计算机设备可以分别获取无人机河道排污口图像、关键河道区域水质图像、辅助河道区域水质图像的基础图像图向量，该基础图像图向量用于表征图像的基本属性信息和具备影响分类标识。进一步，可以将无人机河道排污口图像的基础图像图向量与关键河道区域水质图像的基础图像图向量进行第一特征融合操作，得到关键河道图像图向量，并将无人机河道排污口图像的基础图像图向量与关键河道区域水质图像的基础图像图向量、辅助河道区域水质图像的基础图像图向量进行第二特征融合操作，得到辅助河道图像图向量。通过上述第一特征融合操作和第二特征融合操作能够挖掘出无人机河道排污口图像的未定分类标识，也就是说，关键河道图像图向量和辅助河道图像图向量不仅能够表征无人机河道排污口图像的图像基础数据和具备影响分类标识，还能够表征无人机河道排污口图像的未定分类标识。通过根据该关键河道图像图向量与该辅助河道图像图向量，生成该无人机河道排污口图像的综合评估向量，该综合评估向量能够表征该无人机河道排污口图像丰富的分类标识，因此，通过根据该综合评估向量为目标用户确定河道排污预警结果，能够提高河道排污预警结果的确定准确度，实现河道排污预警结果的精准确定，例如，能够知道河道排污口具体排污类型、排污合法性、排污影响范围等指标，在此不做限制。

S105、当河道排污预警结果表征为一级河道排污预警结果时，将无人机河道排污口图像存入河道排污口白名单；当河道排污预警结果表征为二级河道排污预警结果时，将无人机河道排污口图像存入河道排污口黑名单，并触发告警信息。

在本发明实施例中，当检测到河道排污预警结果表征为一级河道排污预警结果时，可以认为此时无人机河道排污口图像对应的河道排污口并没有出现异常，无需对其进行干预，可以将其放入白名单，并可以降低对该河道排污口的监控频率，以节约计算资源。但当河道排污预警结果表征为二级河道排污预警结果时，可以认为该无人机河道排污口图像对应的河道排污口出现异常，可以是堵塞、化工污染超标等事故，需要紧急处理，因此可以触发对应的告警信息，并将其加入河道排污口黑名单，加大对该河道排污口的监控频率，以便该该河道排污口后续在此出现问题时能够更加及时的反馈。

本发明实施例还提供以下示例。

S201、计算机设备分别获取河道排污口训练图像、关键水质训练图像、辅助水质训练图像关于河道排污预警结果的已标记图像图向量；河道排污口训练图像与关键水质训练图像之间具有第一映射关系，河道排污口训练图像与辅助水质训练图像具有第二映射关系。

本发明中，计算机设备可以分别获取河道排污口训练图像、关键水质训练图像、辅助水质训练图像关于河道排污预警结果的已标记图像图向量，河道排污口训练图像、关键水质训练图像、辅助水质训练图像关于河道排污预警结果的已标记图像图向量可以是多次人工标注并校验得到的，已标记图像图向量用于表征图像的真实分类标识。

可选的，上述步骤S201包括：获取辅助河道区域水质整体图像，该辅助河道区域水质整体图像包括用于表征待处理河道图像的已标记图像图向量的图像区域，该已标记图像图向量包括第一个数量个分类标识对应的特征元素值；按照该辅助河道区域水质整体图像中的图像检索索引，依次对该辅助河道区域水质整体图像中图像区域进行图像识别操作，得到该第一个数量个分类标识分别对应的第四数量个目标待处理河道图像；一个分类标识对应的目标待处理河道图像为该辅助河道区域水质整体图像中，该个分类标识对应的特征元素值为相关元素值的待处理河道图像；根据该第一个数量个分类标识分别对应的第四数量个目标待处理河道图像以及该辅助河道区域水质整体图像，确定出河道排污口训练图像、关键水质训练图像、辅助水质训练图像；从该辅助河道区域水质整体图像中，分别获取该河道排污口训练图像、该关键水质训练图像、该辅助水质训练图像分别关于河道排污预警结果的已标记图像图向量。

例如，计算机设备可以获取辅助河道区域水质整体图像，通过平衡分割方式，从辅助河道区域水质整体图像中获取河道排污口训练图像、关键水质训练图像和辅助水质训练图像；该平衡分割方式是指按照该辅助河道区域水质整体图像中的图像检索索引，依次对该辅助河道区域水质整体图像中图像区域进行图像识别操作，得到该第一个数量个分类标识分别对应的第四数量个目标待处理河道图像；也就是说，为每个分类标识分割第四数量个具有该分类标识的目标待处理河道图像，使每个分类标识对应的样本图像数目达到平衡。可以从该第一个数量个分类标识分别对应的第四数量个目标待处理河道图像选择部分目标待处理河道图像作为河道排污口训练图像，部分作为检验河道图像，然后，从辅助河道区域水质整体图像中确定与河道排污口训练图像具有第一映射关系的关键水质训练图像，以及与河道排污口训练图像具有第二映射关系的辅助水质训练图像。进一步，从该辅助河道区域水质整体图像中，分别获取该河道排污口训练图像、该关键水质训练图像、该辅助水质训练图像分别关于河道排污预警结果的已标记图像图向量。通过对河道整体图像进行平衡图像识别操作，使每个分类标识对应的图像数目达到平衡，提高河道图像特征提取模型的泛化能力，即提高河道图像特征提取模型的归纳学习能力。

辅助河道区域水质整体图像中的有些图像具有一个或多个分类标识，而有些用户不具有分类标识，实践中发现，存在某些分类标识的图像数目过多，如果直接采用这些图像的标注河道图像图向量对待训练特征提取模型进行训练，会使河道图像特征提取模型擅长识别这些分类标识，对其他分类标识的识别能力较差，导致河道图像特征提取模型的泛化能力较差。因此，计算机设备可以利用平衡分割方式，从由辅助河道区域水质整体图像中的待处理河道图像所构成的集合X中，分别为每个分类标识随机分割第四数量个包含该分类标识的目标待处理河道图像，最终取并集得到由目标待处理河道图像所构成的集合Y。

在获取到集合Y后，可以从按照比例划分出训练图像集和检验河道图像集合，训练图像集中的待处理河道图像用于对待训练特征提取模型进行训练，训练图像集中的待处理河道图像可以是指上述河道排污口训练图像；检验河道图像集合中的待处理河道图像验证待训练特征提取模型的训练效果，检验河道图像集合中的待处理河道图像可以是指下文的检验河道图像。

可选的，根据第一个数量个分类标识分别对应的第四数量个目标待处理河道图像以及辅助河道区域水质整体图像，确定出河道排污口训练图像、关键水质训练图像、辅助水质训练图像，包括：从辅助河道区域水质整体图像中，确定与第一目标待处理河道图像具有第一映射关系的第一匹配待处理河道图像；第一目标待处理河道图像属于第一个数量个分类标识分别对应的第四数量个目标待处理河道图像；从辅助河道区域水质整体图像中，确定与第一目标待处理河道图像具有第二映射关系的第二匹配待处理河道图像；将第一目标待处理河道图像作为河道排污口训练图像，从第一匹配待处理河道图像分割出第五数量个第一匹配待处理河道图像，作为关键水质训练图像；从第二匹配待处理河道图像分割出第六数量个第二匹配待处理河道图像，作为辅助水质训练图像。

计算机设备可以从该辅助河道区域水质整体图像中，确定与第一目标待处理河道图像具有第一映射关系的第一匹配待处理河道图像，并从辅助河道区域水质整体图像中，确定与该第一目标待处理河道图像具有第二映射关系的第二匹配待处理河道图像；可以从第一匹配待处理河道图像中分割出第五数量个第一匹配待处理河道图像，作为关键水质训练图像；从第二匹配待处理河道图像中分割出第六数量个第二匹配待处理河道图像，作为辅助水质训练图像；将该第一目标待处理河道图像作为河道排污口训练图像。通过图像识别操作，使第一目标待处理河道图像的第一匹配待处理河道图像和第二匹配待处理河道图像分别对应的图像数目均不会过多，避免出现待训练特征提取模型的训练过程中内存不足的问题。

其中，关键水质训练图像中具有分类标识的图像数目大于完全没有分类标识的图像数目，辅助水质训练图像中具有分类标识的图像数目大于不具有分类标识的图像数目；图像具有分类标识是指图像的已标记图像图向量的特征元素值部分为相关元素值，或者，图像具有分类标识是指图像的已标记图像图向量的特征元素值均为相关元素值，图像不具有分类标识是指图像的已标记图像图向量的特征元素值全为无关元素值，避免对待训练特征提取模型的训练过程中，完全被无标签的关联图像主导，从而失去借助其他关联图像的已标记图像图向量挖掘河道排污口训练图像的未定分类标识的能力。

也就是说，训练和验证过程中，为了加速对待训练特征提取模型的训练效率，以及进行归纳式的学习方式，并没有将河道排污口训练图像所有的第一匹配待处理河道图像和第二匹配待处理河道图像输入到待训练特征提取模型中，而是对第一匹配待处理河道图像和第二待处理河道图像也提前进行了分割。分割过程中，设置了每个河道排污口训练图像的最大的关键水质训练图像、辅助水质训练图像的数目，从而避免过大图像区域（即河道排污口训练图像的关联图像过多）导致训练过程中内存不足的问题。同时设定了每个图像的关键水质训练图像、辅助水质训练图像中，有标签的关联图像的图像数目不能少于完全没有标签的关联图像的图像数目，避免待训练特征提取模型的训练过程中完全被无标签关联图像主导，从而失去了借助关联图像的已标记图像图向量挖掘潜在河道排污口训练图像的未定分类标识的能力。

S202、计算机设备调用待训练特征提取模型，分别对该河道排污口训练图像、关键水质训练图像、辅助水质训练图像分别的已标记图像图向量进行调用MaskRcnn（掩码）网络处理，得到该河道排污口训练图像、关键水质训练图像、辅助水质训练图像分别对应的调用MaskRcnn网络处理后的已标记图像图向量。

本发明中，计算机设备可以分别对河道排污口训练图像的已标记图像图向量与辅助水质训练图像的已标记图像图向量、关键水质训练图像的已标记图像图向量进行调用MaskRcnn网络处理，得到河道排污口训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量、辅助水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量以及关键水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量。此处的调用MaskRcnn网络处理可以是指对已标记图像图向量中的特征元素值进行更新，该调用MaskRcnn网络处理可以称为降噪自编码处理中的编码过程，降噪自编码处理包括编码过程和解码过程。降噪自编码处理的编码过程是指：由待训练特征提取模型中的编码器在分别对河道排污口训练图像的已标记图像图向量与辅助水质训练图像的已标记图像图向量、关键水质训练图像的已标记图像图向量中引入噪声。降噪自编码处理的编码过程是指：由待训练特征提取模型中的解码器重构出各个图像对应的真实河道图像图向量（及已标记图像图向量）。通过已标记图像图向量进行调用MaskRcnn网络处理，有利于提高河道排污口训练图像的训练图像图向量的泛化能力，即提高河道图像特征提取模型的泛化能力，此处的泛化能力可以是指通过少量的真实分类标识挖掘图像更多的真实分类标识的能力。

可选的，步骤S202可以包括：计算机设备调用待训练特征提取模型，更新河道排污口训练图像的已标记图像图向量中的特征元素值，得到河道排污口训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量；更新关键水质训练图像的已标记图像图向量中的特征元素值，得到关键水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量；更新辅助水质训练图像的已标记图像图向量中的特征元素值，得到辅助水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量。

计算机设备可以调用待训练特征提取模型的编码器，按照目标概率随机将河道排污口训练图像的已标记图像图向量中的分类标识对应的相关元素值更新为无关元素值，得到河道排污口训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量，即按照目标概率随机丢弃该河道排污口训练图像的真实分类标识，相当于，按照目标概率随机在河道排污口训练图像的已标记图像图向量中引入噪声。同理，计算机设备可以调用待训练特征提取模型的编码器，按照目标概率随机将关键水质训练图像的已标记图像图向量中的分类标识对应的相关元素值更新为无关元素值，得到关键水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量，即按照第一关联概率随机丢弃该关键水质训练图像的真实分类标识，相当于，按照第一关联概率随机在关键水质训练图像的已标记图像图向量中引入噪声。计算机设备可以调用待训练特征提取模型的编码器，按照目标概率随机将辅助水质训练图像的已标记图像图向量中的分类标识对应的相关元素值更新为无关元素值，得到辅助水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量，即按照第一关联概率随机丢弃该辅助水质训练图像的真实分类标识，相当于，按照第一关联概率随机在辅助水质训练图像的已标记图像图向量中引入噪声。通过在已标记图像图向量中引入噪声，有利于提高河道排污口训练图像的训练图像图向量的泛化能力，即提高河道图像特征提取模型的泛化能力。

例如，该待训练特征提取模型可以为深度神经网络模型、图神经网络模型、逻辑回归网络模型或线性回归网络模型等等，以该待训练特征提取模型为图神经网络模型为例进行说明。该图神经网络模型的输入为辅助河道区域水质整体图像，该辅助河道区域水质整体图像包括河道排污口训练图像对应的图像区域，以及与河道排污口训练图像具有第一映射关系的第一关联图像对应的图像区域，以及与河道排污口训练图像具有第二映射关系的辅助水质训练图像对应的图像区域。辅助河道区域水质整体图像中的图像区域用于表征图像的已标记图像图向量，该标注河道图像图向量包括用于表征基本属性信息的基础特征值，以及用表征真实分类标识的河道图像图向量值。

S203、计算机设备将河道排污口训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量与辅助水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量、关键水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量进行训练，得到河道排污口训练图像的训练图像图向量。

本发明中，计算机设备可以将河道排污口训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量与关键水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量进行一阶训练，得到第一训练河道图像图向量；将河道排污口训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量与关键水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量、辅助水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量进行二阶训练，得到第二训练河道图像图向量，根据第一训练河道图像图向量和第二训练河道图像图向量确定该河道排污口训练图像的训练图像图向量。

可理解的是，此处的一阶训练与上述第一特征融合操作具有相似的含义，即一阶训练是指根据河道排污口训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量和关键水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量挖掘河道排污口训练图像的未定图像图向量。同理，此处的二阶训练与上述第二特征融合操作具有相似的含义，即二阶训练是指根据河道排污口训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量、关键水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量以及辅助水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量挖掘河道排污口训练图像的未定图像图向量。

S204、计算机设备根据河道排污口训练图像的已标记图像图向量和训练图像图向量，对待训练特征提取模型进行更新，得到河道图像特征提取模型。

本发明中，计算机设备可以获取训练图像图向量与河道排污口训练图像的已标记图像图向量之间的向量距离，根据该向量距离确定该待训练特征提取模型的河道图像图向量预测误差，该河道图像图向量预测误差用于表征待训练特征提取模型的河道图像图向量的预测准确度。也就是说，该向量距离越大，表明训练图像图向量与河道排污口训练图像的已标记图像图向量之间的差异较大，即该河道图像图向量预测误差也越大，也即待训练特征提取模型的河道图像图向量的预测准确度较低；反之，该向量距离越小，表明训练图像图向量与河道排污口训练图像的已标记图像图向量之间的差异较小，即该河道图像图向量预测误差也越小，也即待训练特征提取模型的河道图像图向量的预测准确度较高。因此，计算机设备可以根据该河道图像图向量预测误差对该待训练特征提取模型进行更新，得到该河道图像特征提取模型，可以提高河道图像特征提取模型的准确度。

可选的，计算机设备可以通过如下两种方式中的任一种方式，根据河道排污口训练图像的已标记图像图向量和训练图像图向量，对待训练特征提取模型进行更新，得到河道图像特征提取模型：

方式一：计算机设备根据河道排污口训练图像的已标记图像图向量和训练图像图向量，对待训练特征提取模型进行更新，得到更新后的待训练特征提取模型，统计对该待训练特征提取模型的更新次数，若该更新次数大于次数阈值，则将该更新后的待训练特征提取模型确定为河道图像特征提取模型。

在方式一中，计算机设备可以获取河道排污口训练图像的已标记图像图向量和训练图像图向量之间的向量距离，根据该向量距离确定该待训练特征提取模型的河道图像图向量预测误差，根据该河道图像图向量预测误差对该待训练特征提取模型进行更新，得到更新后的待训练特征提取模型。此处根据该河道图像图向量预测误差对待训练特征提取模型进行更新可以是指对候选识别模型的模型参数进行更新，例如，根据该河道图像图向量预测误差确定更新幅度，根据该更新幅度对候选识别模型的模型参数进行更新，更新幅度可以理解为更新步长，该河道图像图向量预测误差与更新幅度之间具有正相关关系，即该河道图像图向量预测误差越大，更新幅度越大；反之，该河道图像图向量预测误差越小，更新幅度越小。进一步，统计对该待训练特征提取模型的更新次数，若该更新次数大于次数阈值，则将该更新后的待训练特征提取模型确定为河道图像特征提取模型。若该更新次数小于或等于次数阈值，则执行方式二中根据第一个数量个分类标识分别对应的第四数量个目标待处理河道图像以及辅助河道区域水质整体图像，确定出检验河道图像集合的步骤；通过限制对待训练特征提取模型的更新次数，避免对待训练特征提取模型的更新次数过多，造成资源浪费。

方式二：根据河道排污口训练图像的已标记图像图向量和训练图像图向量，对待训练特征提取模型进行更新，得到更新后的待训练特征提取模型，根据第一个数量个分类标识分别对应的第四数量个目标待处理河道图像以及辅助河道区域水质整体图像，确定出检验河道图像集合；基于检验河道图像集合确定更新后的待训练特征提取模型的损失函数状态；根据损失函数状态以及更新后的待训练特征提取模型，确定河道图像特征提取模型。

在方式二中，计算机设备可以获取河道排污口训练图像的已标记图像图向量和训练图像图向量之间的向量距离，根据该向量距离确定该待训练特征提取模型的河道图像图向量预测误差，对该待训练特征提取模型进行更新，得到更新后的待训练特征提取模型。然后，从第一个数量个分类标识分别对应的第四数量个目标待处理河道图像中随机选择目标待处理河道图像，作为检验河道图像，该检验河道图像与河道排污口训练图像不同，从辅助河道区域水质整体图像中确定与检验河道图像具有第一映射关系的检验关键河道区域水质图像，以及与检验河道图像具有第二映射关系的检验辅助河道区域水质图像，将检验河道图像、检验关键河道区域水质图像、检验辅助河道区域水质图像确定为检验河道图像集合。接着，可以基于该检验河道图像集合确定更新后的待训练特征提取模型的损失函数状态，此处的损失函数状态用于表征该更新后的待训练特征提取模型的河道图像图向量预测能力是否达到最佳。因此，计算机设备可以根据损失函数状态以及更新后的待训练特征提取模型，确定河道图像特征提取模型。通过根据验证图像集基于该检验河道图像集合确定更新后的待训练特征提取模型的损失函数状态，即实现根据检验河道图像集合对更新后的待训练特征提取模型的河道图像图向量识别准确度进行验证，有利于提高河道图像特征提取模型的河道图像图向量识别准确度，提高河道图像特征提取模型的学习归纳能力。

可选的，检验河道图像集合包括检验河道图像，检验关键河道区域水质图像、检验辅助河道区域水质图像；检验河道图像与河道排污口训练图像不同，检验河道图像与检验关键河道区域水质图像之间具有第一映射关系，检验河道图像与检验辅助河道区域水质图像之间具有第二映射关系；上述基于检验河道图像集合确定更新后的待训练特征提取模型的损失函数状态，包括：调用更新后的待训练特征提取模型，对检验河道图像、检验关键河道区域水质图像以及检验辅助河道区域水质图像分别的已标记图像图向量进行调用MaskRcnn网络处理，得到检验河道图像、检验关键河道区域水质图像以及检验辅助河道区域水质图像分别对应处理后的已标记图像图向量。调用更新后的待训练特征提取模型，对检验河道图像对应的调用MaskRcnn网络处理后的已标记图像图向量、检验关键河道区域水质图像对应的调用MaskRcnn网络处理后的已标记图像图向量、检验辅助河道区域水质图像对应的调用MaskRcnn网络处理后的已标记图像图向量进行训练，得到检验河道图像的训练图像图向量。根据检验河道图像的训练图像图向量与检验河道图像的已标记图像图向量，确定更新后的待训练特征提取模型的输出置信度；根据输出置信度，确定更新后的待训练特征提取模型的损失函数状态。

计算机设备可以调用更新后的待训练特征提取模型的编码器，调用更新后的待训练特征提取模型，对检验河道图像的已标记图像图向量进行调用MaskRcnn网络处理，得到检验河道图像对应的调用MaskRcnn网络处理后的已标记图像图向量；对检验关键河道区域水质图像的已标记图像图向量进行调用MaskRcnn网络处理，得到检验关键河道区域水质图像对应的调用MaskRcnn网络处理后的已标记图像图向量；对检验辅助河道区域水质图像的已标记图像图向量进行调用MaskRcnn网络处理，得到检验辅助河道区域水质图像对应的调用MaskRcnn网络处理后的已标记图像图向量。进一步，调用更新后的待训练特征提取模型的解码器，对检验河道图像对应的调用MaskRcnn网络处理后的已标记图像图向量、检验关键河道区域水质图像对应的调用MaskRcnn网络处理后的已标记图像图向量、检验辅助河道区域水质图像对应的调用MaskRcnn网络处理后的已标记图像图向量进行训练，得到检验河道图像的训练图像图向量。根据检验河道图像的训练图像图向量与检验河道图像的已标记图像图向量，确定更新后的待训练特征提取模型的输出置信度；若输出置信度小于误差阈值，则确定更新后的待训练特征提取模型符合预设损失函数状态；若输出置信度大于或等于误差阈值，则确定更新后的待训练特征提取模型未符合预设损失函数状态。通过根据检验河道图像集合对更新后的待训练特征提取模型的河道图像图向量识别准确度进行验证，有利于提高河道图像特征提取模型的河道图像图向量识别准确度，提高河道图像特征提取模型的学习归纳能力。

可选的，上述检验河道图像的训练图像图向量与检验河道图像的已标记图像图向量中均包括第一个数量个分类标识对应的特征元素值；上述根据检验河道图像的训练图像图向量与检验河道图像的已标记图像图向量，确定更新后的待训练特征提取模型的输出置信度，包括：将目标概率与检验河道图像的已标记图像图向量中目标分类标识对应的特征元素值，输入至对数损失函数中，得到目标分类标识对应的待定置信度；目标概率为检验河道图像的训练图像图向量中目标分类标识对应的特征元素值为相关元素值的概率；对目标分类标识对应的待定置信度进行优化处理，得到目标分类标识对应的优化处理后的待定置信度；对第一个数量个分类标识分别对应的处理后的待定置信度进行叠加，得到更新后的待训练特征提取模型的输出置信度。通过计算每个分类标识对应输出置信度，有利于提高河道图像特征提取模型的准确度，并通过对每个分类标识对应输出置信度进行优化处理，避免分类标识分布不平衡，导致河道图像特征提取模型的准确度比较低。

可选的，对目标分类标识对应的待定置信度进行优化处理，得到目标分类标识对应的优化处理后的待定置信度，包括：获取检验河道图像集合中目标分类标识对应的特征元素值为相关元素值的图像的第三图像数目；根据第三图像数目生成优化参量，采用优化参量对目标分类标识对应待定置信度进行优化处理，得到目标分类标识对应的优化处理后的待定置信度。通过根据特征元素值为目标特征值的图像数目，确定优化参量，避免具有分类标识的图像数目过多，导致具有分类标识的图像与不具有分类标识的图像分布不平衡，导致河道图像特征提取模型的准确度比较低。

可选的，上述根据损失函数状态以及更新后的待训练特征提取模型，确定河道图像特征提取模型，包括：若更新后的待训练特征提取模型未符合预设损失函数状态，则根据河道排污口训练图像的已标记图像图向量和更新的训练图像图向量，对更新后的待训练特征提取模型进行更新，得到河道图像特征提取模型，更新的训练图像图向量是调用更新后的待训练特征提取模型对河道排污口训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量与辅助水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量、关键水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量进行训练得到的；若更新后的待训练特征提取模型符合预设损失函数状态，则将更新后的待训练特征提取模型确定为河道图像特征提取模型。

若更新后的待训练特征提取模型的损失函数状态未符合预设损失函数状态，表明更新后的待训练特征提取模型的输出置信度未达到最低，即表明更新后的待训练特征提取模型的预测识别准确度未达到最佳，因此，计算机设备可以根据河道排污口训练图像的已标记图像图向量和更新的训练图像图向量，对更新后的待训练特征提取模型继续更新，直到更新后的待训练特征提取模型符合预设损失函数状态，得到河道图像特征提取模型。若更新后的待训练特征提取模型的损失函数状态符合预设损失函数状态，表明更新后的待训练特征提取模型的输出置信度达到最低，即表明更新后的待训练特征提取模型的预测识别准确度达到最佳，因此，计算机设备可以将更新后的待训练特征提取模型确定为河道图像特征提取模型。

S205、计算机设备分别获取无人机河道排污口图像、关键河道区域水质图像、辅助河道区域水质图像关于河道排污预警结果的基础图像图向量；该无人机河道排污口图像与该关键河道区域水质图像之间具有第一映射关系，该无人机河道排污口图像与该辅助河道区域水质图像之间具有第二映射关系。

S206、计算机设备调用河道图像特征提取模型，将该无人机河道排污口图像的基础图像图向量与该关键河道区域水质图像的基础图像图向量进行第一特征融合操作，得到该无人机河道排污口图像的关键河道图像图向量。

S207、计算机设备调用河道图像特征提取模型，将该无人机河道排污口图像的基础图像图向量与该辅助河道区域水质图像的基础图像图向量、该关键河道区域水质图像的基础图像图向量进行第二特征融合操作，得到该无人机河道排污口图像的辅助河道图像图向量。

S208、计算机设备根据该关键河道图像图向量与该辅助河道图像图向量，生成该无人机河道排污口图像的综合评估向量，根据该综合评估向量为该无人机河道排污口图像确定河道排污预警结果。

本发明中，计算机设备可以分别获取无人机河道排污口图像、关键河道区域水质图像、辅助河道区域水质图像的基础图像图向量，该基础图像图向量用于表征图像的基本属性信息和具备影响分类标识。进一步，可以将无人机河道排污口图像的基础图像图向量与关键河道区域水质图像的基础图像图向量进行第一特征融合操作，得到关键河道图像图向量，并将无人机河道排污口图像的基础图像图向量与关键河道区域水质图像的基础图像图向量、辅助河道区域水质图像的基础图像图向量进行第二特征融合操作，得到辅助河道图像图向量。通过上述第一特征融合操作和第二特征融合操作能够挖掘出无人机河道排污口图像的未定分类标识，也就是说，关键河道图像图向量和辅助河道图像图向量不仅能够表征无人机河道排污口图像的图像基础数据和具备影响分类标识，还能够表征无人机河道排污口图像的未定分类标识。通过根据该关键河道图像图向量与该辅助河道图像图向量，生成该无人机河道排污口图像的综合评估向量，该综合评估向量能够表征该无人机河道排污口图像丰富的分类标识，因此，通过根据该综合评估向量为目标用户确定河道排污预警结果，能够提高河道排污预警结果的确定准确度，实现河道排污预警结果的精准确定。

请结合参阅图2，图2为本发明实施例提供的一种基于无人机的河道排污口监控预警系统110的结构示意框图，包括：

获取模块1101，用于响应于河道排污口监控指示，分别获取无人机河道排污口图像、关键河道区域水质图像、辅助河道区域水质图像关于河道排污预警结果的基础图像图向量；无人机河道排污口图像与关键河道区域水质图像之间具有第一映射关系，无人机河道排污口图像与辅助河道区域水质图像之间具有第二映射关系。

提取模块1102，用于将无人机河道排污口图像的基础图像图向量与关键河道区域水质图像的基础图像图向量进行第一特征融合操作，得到无人机河道排污口图像的关键河道图像图向量；将无人机河道排污口图像的基础图像图向量与辅助河道区域水质图像的基础图像图向量、关键河道区域水质图像的基础图像图向量进行第二特征融合操作，得到无人机河道排污口图像的辅助河道图像图向量。

预警模块1103，用于根据关键河道图像图向量与辅助河道图像图向量，生成无人机河道排污口图像的综合评估向量，根据综合评估向量为无人机河道排污口图像确定河道排污预警结果；当河道排污预警结果表征为一级河道排污预警结果时，将无人机河道排污口图像存入河道排污口白名单；当河道排污预警结果表征为二级河道排污预警结果时，将无人机河道排污口图像存入河道排污口黑名单，并触发告警信息。

需要说明的是，前述基于无人机的河道排污口监控预警系统110的实现原理可以参考前述基于无人机的河道排污口监控预警方法的实现原理，在此不再赘述。应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。

本发明实施例提供一种计算机设备100，计算机设备100包括处理器及存储有计算机指令的非易失性存储器，计算机指令被处理器执行时，计算机设备100执行前述的基于无人机的河道排污口监控预警系统110。如图3所示，图3为本发明实施例提供的计算机设备100的结构框图。计算机设备100包括基于无人机的河道排污口监控预警系统110、存储器111、处理器112及通信单元113。

本发明实施例提供一种可读存储介质，可读存储介质包括计算机程序，计算机程序运行时控制可读存储介质所在计算机设备执行前述的基于无人机的河道排污口监控预警方法。

出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。

Claims (10)

1.基于无人机的河道排污口监控预警方法，其特征在于，包括：

响应于河道排污口监控指示，分别获取无人机河道排污口图像、关键河道区域水质图像、辅助河道区域水质图像关于河道排污预警结果的基础图像图向量；所述无人机河道排污口图像与所述关键河道区域水质图像之间具有第一映射关系，所述无人机河道排污口图像与所述辅助河道区域水质图像之间具有第二映射关系；

将所述无人机河道排污口图像的基础图像图向量与所述关键河道区域水质图像的基础图像图向量进行第一特征融合操作，得到所述无人机河道排污口图像的关键河道图像图向量；

将所述无人机河道排污口图像的基础图像图向量与所述辅助河道区域水质图像的基础图像图向量、所述关键河道区域水质图像的基础图像图向量进行第二特征融合操作，得到所述无人机河道排污口图像的辅助河道图像图向量；

根据所述关键河道图像图向量与所述辅助河道图像图向量，生成所述无人机河道排污口图像的综合评估向量，根据所述综合评估向量为所述无人机河道排污口图像确定河道排污预警结果；

当所述河道排污预警结果表征为一级河道排污预警结果时，将所述无人机河道排污口图像存入河道排污口白名单；当所述河道排污预警结果表征为二级河道排污预警结果时，将所述无人机河道排污口图像存入河道排污口黑名单，并触发告警信息。

2.根据权利要求1所述的方法，其特征在于，所述分别获取无人机河道排污口图像、关键河道区域水质图像、辅助河道区域水质图像关于河道排污预警结果的基础图像图向量，包括：

获取无人机河道排污口图像对应的河道整体图像，所述河道整体图像包括用于表征所述无人机河道排污口图像的基础图像图向量的第一图像区域，用于表征待定指标图像的基础图像图向量的第二图像区域；所述无人机河道排污口图像与所述待定指标图像为映射关系，其中，所述基础图像图向量包括第一个数量个分类标识对应的特征；

按照以所述第一图像区域为起点的图像检索索引，依次对所述河道整体图像中的第二图像区域进行图像识别，得到与所述无人机河道排污口图像具有第一映射关系的第二数量个第一待定指标图像，以及与所述无人机河道排污口图像具有第二映射关系的第三数量个第二待定指标图像；

获取所述第二数量个第一待定指标图像的第一个数量个分类标识对应的特征元素值均为无关元素值的第一待定指标图像的第一图像数目；获取所述第三数量个第二待定指标图像中，第一个数量个分类标识对应的特征元素值均为无关元素值的第二待定指标图像的第二图像数目；

若所述第一图像数目小于第一预置图像数目阈值，则将所述第二数量个第一待定指标图像确定为与所述无人机河道排污口图像具有第一映射关系的关键河道区域水质图像；

若所述第二图像数目小于第二预置图像数目阈值，则将所述第三数量个第二待定指标图像确定为与所述无人机河道排污口图像具有第一映射关系的关键河道区域水质图像；

从所述河道整体图像中，分别获取所述无人机河道排污口图像、所述关键河道区域水质图像、所述辅助河道区域水质图像关于河道排污预警结果的基础图像图向量。

3.根据权利要求1所述的方法，其特征在于，所述辅助河道区域水质图像的数量为至少两个，所述根据所述关键河道图像图向量与所述辅助河道图像图向量，生成所述无人机河道排污口图像的综合评估向量，包括：

调用河道图像特征提取模型的特征融合网络，对至少两个所述辅助河道区域水质图像分别对应的辅助河道图像图向量进行加权平均，得到第三待定图像图向量；

将所述关键河道图像图向量和所述第三待定图像图向量进行融合，得到所述无人机河道排污口图像的综合评估向量。

4.根据权利要求3所述的方法，其特征在于，所述将所述无人机河道排污口图像的基础图像图向量与所述辅助河道区域水质图像的基础图像图向量、所述关键河道区域水质图像的基础图像图向量进行第二特征融合操作，得到所述无人机河道排污口图像的辅助河道图像图向量，包括：

调用河道图像特征提取模型的辅助特征识别网络，对所述无人机河道排污口图像的基础图像图向量以及所述辅助河道区域水质图像的基础图像图向量进行加权平均，得到第二待定图像图向量；

根据所述第二待定图像图向量确定关于所述无人机河道排污口图像、所述辅助河道区域水质图像之间的第二属性参量；

根据所述第二属性参量和所述关键河道区域水质图像的基础图像图向量确定所述无人机河道排污口图像的辅助河道图像图向量。

5.根据权利要求1所述的方法，其特征在于，所述关键河道区域水质图像的数量为至少两个，所述将所述无人机河道排污口图像的基础图像图向量与所述关键河道区域水质图像的基础图像图向量进行第一特征融合操作，得到所述无人机河道排污口图像的关键河道图像图向量，包括：

调用河道图像特征提取模型的关键特征识别网络，对至少两个所述关键河道区域水质图像的基础图像图向量进行加权平均，得到第一待定图像图向量；

根据所述第一待定图像图向量确定关于至少两个所述关键河道区域水质图像的第一属性参量；

根据所述第一属性参量和所述无人机河道排污口图像的基础图像图向量，确定所述无人机河道排污口图像的关键河道图像图向量。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

获取辅助河道区域水质整体图像；所述辅助河道区域水质整体图像包括用于表征待处理河道图像的已标记图像图向量的图像区域，所述已标记图像图向量包括第一个数量个分类标识对应的特征元素值；

按照所述辅助河道区域水质整体图像中的图像检索索引，依次对所述辅助河道区域水质整体图像中图像区域进行图像识别操作，得到所述第一个数量个分类标识分别对应的第四数量个目标待处理河道图像；一个分类标识对应的目标待处理河道图像为所述辅助河道区域水质整体图像中，所述一个分类标识对应的特征元素值为相关元素值的待处理河道图像；

从所述辅助河道区域水质整体图像中，确定与第一目标待处理河道图像具有第一映射关系的第一匹配待处理河道图像；所述第一目标待处理河道图像属于所述第一个数量个分类标识分别对应的第四数量个目标待处理河道图像；

从所述辅助河道区域水质整体图像中，确定与所述第一目标待处理河道图像具有第二映射关系的第二匹配待处理河道图像；

将所述第一目标待处理河道图像作为河道排污口训练图像，从所述第一匹配待处理河道图像分割出第五数量个第一匹配待处理河道图像，作为关键水质训练图像；

从所述第二匹配待处理河道图像分割出第六数量个第二匹配待处理河道图像，作为辅助水质训练图像；

从所述辅助河道区域水质整体图像中，分别获取所述河道排污口训练图像、所述关键水质训练图像、所述辅助水质训练图像分别关于河道排污预警结果的已标记图像图向量；所述河道排污口训练图像与所述关键水质训练图像之间具有第一映射关系，所述河道排污口训练图像与所述辅助水质训练图像具有第二映射关系；

调用待训练特征提取模型，更新所述河道排污口训练图像的已标记图像图向量中的特征元素值，得到所述河道排污口训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量；

更新所述关键水质训练图像的已标记图像图向量中的特征元素值，得到所述关键水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量；

更新所述辅助水质训练图像的已标记图像图向量中的特征元素值，得到所述辅助水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量；

将所述河道排污口训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量与所述辅助水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量、所述关键水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量进行训练，得到所述河道排污口训练图像的训练图像图向量；

根据所述河道排污口训练图像的已标记图像图向量和所述训练图像图向量，对所述待训练特征提取模型进行更新，得到更新后的待训练特征提取模型；

根据第一个数量个分类标识分别对应的第四数量个目标待处理河道图像以及所述辅助河道区域水质整体图像，确定出检验河道图像集合；

基于所述检验河道图像集合确定所述更新后的待训练特征提取模型的损失函数状态；

根据所述损失函数状态以及所述更新后的待训练特征提取模型，确定所述河道图像特征提取模型。

7.根据权利要求6所述的方法，其特征在于，所述检验河道图像集合包括检验河道图像，检验关键河道区域水质图像、检验辅助河道区域水质图像；所述检验河道图像与所述河道排污口训练图像不同，所述检验河道图像与所述检验关键河道区域水质图像之间具有第一映射关系，所述检验河道图像与所述检验辅助河道区域水质图像之间具有第二映射关系；

所述基于所述检验河道图像集合确定所述更新后的待训练特征提取模型的损失函数状态，包括：

调用所述更新后的待训练特征提取模型，对所述检验河道图像、所述检验关键河道区域水质图像以及检验辅助河道区域水质图像分别的已标记图像图向量进行调用MaskRcnn网络处理，得到所述检验河道图像、所述检验关键河道区域水质图像以及检验辅助河道区域水质图像分别对应调用MaskRcnn网络处理后的已标记图像图向量；

对所述检验河道图像对应的调用MaskRcnn网络处理后的已标记图像图向量、所述检验关键河道区域水质图像对应的调用MaskRcnn网络处理后的已标记图像图向量、所述检验辅助河道区域水质图像对应的调用MaskRcnn网络处理后的已标记图像图向量进行训练，得到所述检验河道图像的训练图像图向量；

根据所述检验河道图像的训练图像图向量与所述检验河道图像的已标记图像图向量，确定所述更新后的待训练特征提取模型的输出置信度；

根据所述输出置信度，确定所述更新后的待训练特征提取模型的损失函数状态。

8.根据权利要求7所述的方法，其特征在于，所述检验河道图像的训练图像图向量与所述检验河道图像的已标记图像图向量中均包括第一个数量个分类标识对应的特征元素值；

所述根据所述检验河道图像的训练图像图向量与所述检验河道图像的已标记图像图向量，确定所述更新后的待训练特征提取模型的输出置信度，包括：

将目标概率与所述检验河道图像的已标记图像图向量中目标分类标识对应的特征元素值，输入至对数损失函数中，得到所述目标分类标识对应的待定置信度；所述目标概率为所述检验河道图像的训练图像图向量中目标分类标识对应的特征元素值为相关元素值的概率；

获取所述检验河道图像集合中所述目标分类标识对应的特征元素值为所述相关元素值的图像的第三图像数目；

根据所述第三图像数目生成优化参量，采用所述优化参量对所述目标分类标识对应待定置信度进行优化处理，得到所述目标分类标识对应的优化处理后的待定置信度；

对所述第一个数量个分类标识分别对应的所述处理后的待定置信度进行叠加，得到所述更新后的待训练特征提取模型的输出置信度。

9.根据权利要求6所述的方法，其特征在于，所述根据所述损失函数状态以及所述更新后的待训练特征提取模型，确定所述河道图像特征提取模型，包括：

若所述更新后的待训练特征提取模型未符合预设损失函数状态，则根据所述河道排污口训练图像的已标记图像图向量和更新的训练图像图向量，对所述更新后的待训练特征提取模型继续更新，得到所述河道图像特征提取模型，所述更新的训练图像图向量是调用所述更新后的待训练特征提取模型对所述河道排污口训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量与所述辅助水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量、所述关键水质训练图像对应的调用MaskRcnn网络处理后的已标记图像图向量进行训练得到的；

若所述更新后的待训练特征提取模型符合预设损失函数状态，则将所述更新后的待训练特征提取模型确定为所述河道图像特征提取模型。

10.基于无人机的河道排污口监控预警系统，其特征在于，包括：

获取模块，用于响应于河道排污口监控指示，分别获取无人机河道排污口图像、关键河道区域水质图像、辅助河道区域水质图像关于河道排污预警结果的基础图像图向量；所述无人机河道排污口图像与所述关键河道区域水质图像之间具有第一映射关系，所述无人机河道排污口图像与所述辅助河道区域水质图像之间具有第二映射关系；

提取模块，用于将所述无人机河道排污口图像的基础图像图向量与所述关键河道区域水质图像的基础图像图向量进行第一特征融合操作，得到所述无人机河道排污口图像的关键河道图像图向量；将所述无人机河道排污口图像的基础图像图向量与所述辅助河道区域水质图像的基础图像图向量、所述关键河道区域水质图像的基础图像图向量进行第二特征融合操作，得到所述无人机河道排污口图像的辅助河道图像图向量；

预警模块，用于根据所述关键河道图像图向量与所述辅助河道图像图向量，生成所述无人机河道排污口图像的综合评估向量，根据所述综合评估向量为所述无人机河道排污口图像确定河道排污预警结果；当所述河道排污预警结果表征为一级河道排污预警结果时，将所述无人机河道排污口图像存入河道排污口白名单；当所述河道排污预警结果表征为二级河道排污预警结果时，将所述无人机河道排污口图像存入河道排污口黑名单，并触发告警信息。

Images