基于图像的池塘和水库的水质检测方法及系统技术方案

本发明专利技术提供了一种基于图像的池塘和水库的水质检测方法及系统，包括：步骤1，采集需要检测的池塘和水库图像，将采集的池塘和水库的图像进行标记制作为标签图像集，将标签图像集分为训练数据集和测试数据集。本发明专利技术通过ResNet

【技术实现步骤摘要】
基于图像的池塘和水库的水质检测方法及系统


[0001]本专利技术涉及图像处理
，特别涉及一种基于图像的池塘和水库的水质检测方法及系统。

技术介绍

[0002]目前，生态环境问题跟人民的健康生活密不可分，池塘和水库作为最普遍的水域，常常被用于养殖和饮用水，水域的水质直接影响着人们的日常生活，普通民众对池塘和水库的水质状况一般不太了解，恶劣的水质环境不仅危害人们的身体，同时在养殖经济上会造成严重的经济损失，而全国存在成千上万的池塘和水库，专家不可能对所有水域进行亲自勘探，而且许多水域地理位置十分偏僻，难以检测。因此，为了能更有效方便地对所有池塘和水库进行合理地检测，提供一种池塘和水库的水质检测方法和系统十分有必要，普通民众也能随时通过系统检测水质，免去了大量的人力和物力资源浪费。目前，一种池塘和水库的水质检测大多数是基于传统的人力检测方法，通过计算机的深度学习领域对水质检测还处于空白阶段，一般情况判断水质情况是通过观察水域环境及其周边环境，使用计算机视觉的技术代替人眼去识别水质是一项重要的研究。通过深度学习中的神经网络替代人的视觉神经去感知图像，利用机器学习的决策树算法根据经验去模拟人的决策经验，结合深度学习和机器学习去模拟专家检测池塘和水库的水质。因此，现需提供一种能很好的检测全国各地的池塘和水库的水质问题，且检测速度快，准确率高，可用性高的池塘和水库的水质检测方法和系统。

技术实现思路

[0003]本专利技术提供了一种基于图像的池塘和水库的水质检测方法及系统，其目的是为了传统的水质检测方法和系统费时费力，对许多位置偏僻的水域难以进行水质检测，检测速度慢，准确率低，可用性不强的问题。
[0004]为了达到上述目的，本专利技术的实施例提供了一种基于图像的池塘和水库的水质检测方法，包括：
[0005]步骤1，采集需要检测的池塘和水库图像，将采集的池塘和水库的图像进行标记制作为标签图像集，将标签图像集分为训练数据集和测试数据集；
[0006]步骤2，通过数据增强技术对标签图像集进行数据预处理；
[0007]步骤3，将预处理后的标签图像集输入到ResNet
‑
101卷积神经网络，通过ResNet
‑
101卷积神经网络和联合金字塔上采样策略对预处理后的标签图像集进行图像特征提取，得到第一特征图像集；
[0008]步骤4，通过嵌套注意力机制网络对第一特征图像集进行图像特征提取，得到第二特征图像集；
[0009]步骤5，通过双线性插值法对第二特征图像集进行图像上采样，得到分割图像数据集；
[0010]步骤6，对分割图像数据集中的分割图像的对象类别进行计算，将分割图像中的特征转换为特征向量并输出，得到特征向量数据集；
[0011]步骤7，对特征向量数据集的特征采用ID3算法构造决策树模型，通过决策树模型对特征向量数据集进行训练，得到训练结果。
[0012]其中，所述步骤1具体包括：
[0013]步骤11，对需要检测的水库和池塘进行池塘和水库图像采集；
[0014]步骤12，对采集到的池塘和水库图像进行手动标注，对池塘和水库图像中对象类别的边缘进行多边形的点线标注；
[0015]步骤13，通过labelme软件对所有池塘和水库图像的进行分割对象类别标记，得到所有图像对应的JSON格式标签文件；
[0016]步骤14，对JSON格式标签文件进行解析并通过openCV制作标签图像，得到标签图像集；
[0017]步骤15，生成与原池塘和水库图像相对应的标签灰度图像，标签灰度图像的图像值为0到11，其中0为背景类别，1到11为分割对象类别；
[0018]步骤16，将标签图像集划分为训练数据集和测试数据集，划分比例为10:1。
[0019]其中，所述步骤2具体包括：
[0020]步骤21，对标签数据集中的每一张池塘和水库图像进行随机翻转、随机缩放和随机旋转处理；
[0021]步骤22，将标签数据集中的池塘和水库图像的尺寸裁剪为480x480；
[0022]步骤23，采用Normalize变换对裁剪后的标签数据集中的池塘和水库图像进行归一化处理，如下所示：
[0023]image＝(image
‑
mean)/std (1)
[0024]其中，image表示图像数据，mean表示标准均值，mean的取值为[0.485，0.456，0.406]，std表示标准方差，std的取值为[0.229，0.224，0.225]。
[0025]其中，所述步骤3具体包括：
[0026]步骤31，采用在ImageNet开源数据集上经过预先训练的ResNet
‑
101卷积神经网络和联合金字塔上采样策略对归一化处理后的标签数据集中的池塘和水库图像进行图像特征提取，得到第一特征图像集；
[0027]通过以下公式对归一化处理后的标签数据集中的池塘和水库图像进行特征处理：
[0028]y＝F(x,Wi)+x (2)
[0029]其中，x表示输入特征图，Wi表示残差结构的权重层，Wi由多个卷积层、BN层和ReLU层组成，函数F表示输入特征图x经过Wi权重层的计算结果，y表示残差结构的输出特征图。
[0030]其中，所述步骤4具体包括：
[0031]步骤41，将非对称空间金字塔池化模块作为嵌套注意力机制网络的主干，非对称空间金字塔池化模块通过4个内核大小非对称的卷积核对第一特征图像集进行并行卷积计算，获取4个不同大小尺度的图像特征，将得到的4个不同大小尺度的图像特征进行特征相加操作，得到输出特征图，其中，非对称空间金字塔池化模块为包括3
×
3卷积、3
×
5卷积、5
×
3卷积和5
×
5卷积的一个非对称卷积块，非对称空间金字塔池化模块的输出特征图是输入图像的八分之一；
[0032]步骤42，将全局通道平均池化注意力模块作为嵌套注意力机制网络的内层注意力分支，全局通道平均池化注意力模块利用注意力机制获取注意力信息；
[0033]步骤43，将全局通道平均池化注意力模块获取的注意力信息与1
×
1卷积相加，并将全局通道平均池化注意力模块获取的注意力信息与1
×
1卷积相加的结果作为缩放因子应用到非对称空间金字塔池化模块的输出特征图中，得到最终特征图，其中，全局通道平均池化注意力模块使用一个内核尺寸为1
×
1、输出通道为C/8的卷积核和一个全局通道平均池化，全局通道平均池化的输出通道为1，其中C表示通道数；
[0034]步骤44，将全局像素平均池化模块提取的全局信息融合到最终特征图中，得到第二特征图像集。
[0035]其中，所述步骤4还包括：
[0036]1×
1卷积采用以下公式输出特征图：
[0037][0038]其中，O
f
表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像的池塘和水库的水质检测方法，其特征在于，包括：步骤1，采集需要检测的池塘和水库图像，将采集的池塘和水库的图像进行标记制作为标签图像集，将标签图像集分为训练数据集和测试数据集；步骤2，通过数据增强技术对标签图像集进行数据预处理；步骤3，将预处理后的标签图像集输入到ResNet
‑
101卷积神经网络，通过ResNet
‑
101卷积神经网络和联合金字塔上采样策略对预处理后的标签图像集进行图像特征提取，得到第一特征图像集；步骤4，通过嵌套注意力机制网络对第一特征图像集进行图像特征提取，得到第二特征图像集；步骤5，通过双线性插值法对第二特征图像集进行图像上采样，得到分割图像数据集；步骤6，对分割图像数据集中的分割图像的对象类别进行计算，将分割图像中的特征转换为特征向量并输出，得到特征向量数据集；步骤7，对特征向量数据集的特征采用ID3算法构造决策树模型，通过决策树模型对特征向量数据集进行训练，得到训练结果。2.根据权利要求1所述的基于图像的池塘和水库的水质检测方法，其特征在于，所述步骤1具体包括：步骤11，对需要检测的水库和池塘进行池塘和水库图像采集；步骤12，对采集到的池塘和水库图像进行手动标注，对池塘和水库图像中对象类别的边缘进行多边形的点线标注；步骤13，通过labelme软件对所有池塘和水库图像的进行分割对象类别标记，得到所有图像对应的JSON格式标签文件；步骤14，对JSON格式标签文件进行解析并通过openCV制作标签图像，得到标签图像集；步骤15，生成与原池塘和水库图像相对应的标签灰度图像，标签灰度图像的图像值为0到11，其中0为背景类别，1到11为分割对象类别；步骤16，将标签图像集划分为训练数据集和测试数据集，划分比例为10:1。3.根据权利要求2所述的基于图像的池塘和水库的水质检测方法，其特征在于，所述步骤2具体包括：步骤21，对标签数据集中的每一张池塘和水库图像进行随机翻转、随机缩放和随机旋转处理；步骤22，将标签数据集中的池塘和水库图像的尺寸裁剪为480x480；步骤23，采用Normalize变换对裁剪后的标签数据集中的池塘和水库图像进行归一化处理，如下所示：image＝(image
‑
mean)/std
ꢀꢀꢀꢀ
(1)其中，image表示图像数据，mean表示标准均值，mean的取值为[0.485，0.456，0.406]，std表示标准方差，std的取值为[0.229，0.224，0.225]。4.根据权利要求3所述的基于图像的池塘和水库的水质检测方法，其特征在于，所述步骤3具体包括：步骤31，采用在ImageNet开源数据集上经过预先训练的ResNet
‑
101卷积神经网络和联合金字塔上采样策略对归一化处理后的标签数据集中的池塘和水库图像进行图像特征提
取，得到第一特征图像集；通过以下公式对归一化处理后的标签数据集中的池塘和水库图像进行特征处理：y＝F(x,Wi)+x
ꢀꢀꢀꢀ
(2)其中，x表示输入特征图，Wi表示残差结构的权重层，Wi由多个卷积层、BN层和ReLU层组成，函数F表示输入特征图x经过Wi权重层的计算结果，y表示残差结构的输出特征图。5.根据权利要求4所述的基于图像的池塘和水库的水质检测方法，其特征在于，所述步骤4具体包括：步骤41，将非对称空间金字塔池化模块作为嵌套注意力机制网络的主干，非对称空间金字塔池化模块通过4个内核大小非对称的卷积核对第一特征图像集进行并行卷积计算，获取4个不同大小尺度的图像特征，将得到的4个不同大小尺度的图像特征进行特征相加操作，得到输出特征图，其中，非对称空间金字塔池化模块为包括3
×
3卷积、3
×
5卷积、5
×
3卷积和5
×
5卷积的一个非对称卷积块，非对称空间金字塔池化模块的输出特征图是输入图像的八分之一；步骤42，将全局通道平均池化注意力模块作为嵌套注意力机制网络的内层注意力分支，全局通道平均池化注意力模块利用注意力机制获取注意力信息；步骤43，将全局通道平均池化注意力模块获取的注意力信息与1
×
1卷积相加，并将全局通道平均池化注意力模块获取的注意力信息与1
×
1卷积相加的结果作为缩放因子应用到非对称空间金字塔池化模块的输出特征图中，得到最终特征图，其中，全局通道平均池化注意力模块使用一个内核尺寸为1
×
1、输出通道为C/8的卷积核和一个全局通道平均池化，全局通道平均池化的输出通道为1，其中C表示通道数；步骤44，将全局像素平均池化模块提取的全局信息融合到最终特征图中，得到第二特征图像集。6.根据权利要求5所述的基于图像的池塘和水库的水质检测方法，其特征在于，所述步骤4还包括：1
×
1卷积采用以下公式输出特征图：其中，O
f
表示表示经过1
×
1卷积得到的通道为C/8的输出特征图，符号
·
表示2D卷积计算，M表示输入，M
:,:,k
表示输入的第k个通道，F表示滤波器...

【专利技术属性】
技术研发人员：邓磊，刘宸哲，
申请(专利权)人：中南大学，
类型：发明
国别省市：