【技术实现步骤摘要】
基于单独和连续信息熵加权的智能污染检测方法
本专利技术涉及智慧环保领域下的智能水体污染状况检测，且更为具体地，涉及一种基于单独和连续信息熵加权的智能污染检测方法、基于单独和连续信息熵加权的智能污染检测系统和电子设备。
技术介绍
河道污染是目前环境治理中的一种主要污染，目前的河道污染治理通常是对河道中水样进行取样，并基于取样的河水对污染成分进行具体分析，从而进行具体的对应治理。相对地，如果想要检测河道污染情况，也是通过对取样的河水进行分析来确定。然而，上述河道污染检测方案较为繁琐，必须对河水进行取样并进行理化分析。并且，这种检测方案的实时性较差，且无法持续地对河道污染进行监控因此，期望提供一种优化的用于河道污染检测的方案。目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为河道污染检测提供了新的解决思路和方案。专...
【技术保护点】
1.一种基于单独和连续信息熵加权的智能污染检测方法，其特征在于，包括：/n获取在河道上下游的不同位置采集到的多个河道水体图像并将所述多个河道水体图像按照上下游位置顺序排序，以获得一图像序列；/n将所述图像序列中每个河道水体图像分别通过卷积神经网络，以获得一特征图序列；/n计算所述特征图序列中每个特征图的单独样本的信息熵系数；/n将所述特征图序列中每两个相邻的特征图相乘以获得多个连续特征图并计算每个所述连续特征图的连续样本的信息熵系数；/n以所述单独样本的信息熵系数和所述连续样本的信息熵系数为加权系数，计算所有所述特征图和所有所述连续特征图之间的加权和，以获得分类特征图；以及...
【技术特征摘要】
1.一种基于单独和连续信息熵加权的智能污染检测方法，其特征在于，包括：
获取在河道上下游的不同位置采集到的多个河道水体图像并将所述多个河道水体图像按照上下游位置顺序排序，以获得一图像序列；
将所述图像序列中每个河道水体图像分别通过卷积神经网络，以获得一特征图序列；
计算所述特征图序列中每个特征图的单独样本的信息熵系数；
将所述特征图序列中每两个相邻的特征图相乘以获得多个连续特征图并计算每个所述连续特征图的连续样本的信息熵系数；
以所述单独样本的信息熵系数和所述连续样本的信息熵系数为加权系数，计算所有所述特征图和所有所述连续特征图之间的加权和，以获得分类特征图；以及
将所述分类特征图通过分类器，以获得分类结果，其中，所述分类结果用于表示河道污染是否符合预定标准。
2.根据权利要求1所述的基于单独和连续信息熵加权的智能污染检测方法，其中，其中，计算所述特征图序列中每个特征图的单独样本的信息熵系数，包括：
对所述特征图序列中每个特征图进行全局平均值池化以获得所述特征图对应的全局平均特征值；
将所述特征图通过具有以所述全局平均特征值为标签值的Softmax函数以获得所述特征图归属于该标签值的概率值；以及
将所述概率值的以二为底的对数乘以所述全局平均特征值以获得所述特征图对应的单独样本的信息熵系数。
3.根据权利要求1所述的基于单独和连续信息熵加权的智能污染检测方法，其中，将所述特征图序列中每两个相邻的特征图相乘以获得多个连续特征图，包括：
步骤1：将所述特征图序列中第一特征图和所述第二特征图相乘，以获得第一连续特征图；
步骤2：将所述特征图序列中第二特征图和所述第三特征图相乘，以获得第二连续特征图；以及
步骤3：以步骤1和步骤2的方式，计算所述特征图序列的其他连续特征图。
4.根据权利要求1所述的基于单独和连续信息熵加权的智能污染检测方法，其中，将所述特征图序列中每两个相邻的特征图相乘以获得多个连续特征图，包括：
步骤1：将所述特征图序列中第一特征图和所述第二特征图相乘，以获得第一连续特征图；
步骤2：将所述特征图序列中第三特征图和所述第四特征图相乘，以获得第二连续特征图；以及
步骤3：以步骤1和步骤2的方式，计算所述特征图序列的其他连续特征图。
5.根据权利要求3或4所述的基于单独和连续信息熵加权的智能污染检测方法，其中，计算每个所述连续特征图的连续样本的信息熵系数，包括：
对每个所述连续特征图进行全局平均值池化，以获得所述连续特征图对应的全局平均特征值；
将所述连续特征图通过具有以所述全局平均特征值为标签值的Softmax函数以获得所述连续特征图归属于该标签值的概率值；以及
将所述概率值的以二为底的对数乘以所述全局平均特征值以获...
【专利技术属性】
技术研发人员：李飘，
申请(专利权)人：广州高元信息科技有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。