一种浮游藻类检测方法、系统及电子设备技术方案

本发明专利技术公开一种浮游藻类检测方法、系统及电子设备，涉及计算机视觉技术领域。本发明专利技术通过采用河道浮游藻类检测模型能够基于待检测河道不同区域、不同河段的影像数据，精确、快速的得到逐像素的浮游藻类检测结果。并且，本发明专利技术在河道浮游藻类检测模型中设置多个域自适应特征提取模块，能够提高对影像数据中目标与背景差异的区分能力，设置多个边界对齐模块能够增强目标特征提取能力，能够显著提高浮游藻类检测的精确度，进而有效降低浮游藻类治理的经济、生态成本。生态成本。生态成本。

【技术实现步骤摘要】
一种浮游藻类检测方法、系统及电子设备


[0001]本专利技术涉及计算机视觉
，特别是涉及一种浮游藻类检测方法、系统及电子设备。

技术介绍

[0002]近年来，随着城市化进程的加快，大量工业、农业和生活废弃物被排放到河流中，导致水体富营养化严重，河道浮游藻类大量繁殖，消耗水中氧气挤压其他水生动植物生存空间，最终形成黑臭水体，生态环境遭到破坏。
[0003]对浮游藻类的检测可以有效预防、预警该现象的发生。现有对河道浮游藻类检测方法，在数据源上采用视频监控，设备成本高，难以普及布设于广大细小河流，在图像解译上采用帧间差分法、背景差分法等传统方法，检测精度低且速度慢，无法应用于城市大范围大规模检测中。

技术实现思路

[0004]为解决现有技术存在的上述问题，本专利技术提供了一种浮游藻类检测方法、系统及电子设备。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种浮游藻类检测方法，包括：
[0007]获取待检测河道不同区域、不同河段的影像数据，并对所述影像数据进行预处理得到目标影像数据；
[0008]构建河道浮游藻类检测模型；所述河道浮游藻类检测模型包括：多个域自适应特征提取模块、多个边界对齐模块、多个反卷积模块、多个特征累加模块和一个激活函数层；
[0009]将所述目标影像数据输入所述河道浮游藻类检测模型中，得到逐像素的浮游藻类检测结果。
[0010]可选地，将所述目标影像数据输入所述河道浮游藻类检测模型中，得到逐像素的浮游藻类检测结果，具体包括：
[0011]目标影像数据输入第一个域自适应特征提取模块，第一个域自适应特征提取模块输出的特征分别输入第二个域自适应特征提取模块和第一个边界对齐模块，第二个域自适应特征提取模块输出的特征分别输入第三个域自适应特征提取模块和第二个边界对齐模块，第三个域自适应特征提取模块输出的特征分别输入第四个域自适应特征提取模块和第三个边界对齐模块，第四个域自适应特征提取模块输出的特征分别输入第五个域自适应特征提取模块和第四个边界对齐模块，第五个域自适应特征提取模块输出的特征输入第五个边界对齐模块，第五个边界对齐模块输出的特征输入第五个反卷积模块，第五个反卷积模块输出的特征和第四个边界对齐模块输出的特征均输入第四个特征累加模块，第四个特征累加模块输出的特征输入第九个边界对齐模块，第九个边界对齐模块输出的特征输入第四个反卷积模块，第四个反卷积模块输出的特征和第三个边界对齐模块输出的特征均输入第
三个特征累加模块，第三个特征累加模块输出的特征输入第八个边界对齐模块，第八个边界对齐模块输出的特征输入第三个反卷积模块，第三个反卷积模块输出的特征和第二个边界对齐模块输出的特征均输入第二个特征累加模块，第二个特征累加模块输出的特征输入第七个边界对齐模块，第七个边界对齐模块输出的特征输入第二个反卷积模块，第二个反卷积模块输出的特征和第一个边界对齐模块输出的特征均输入至第一个特征累加模块，第一个特征累加模块输出的特征输入至第六个边界对齐模块，第六个边界对齐模块输出的特征输入至第一个反卷积模块，第一个反卷积模块输出的特征输入激活函数层，激活函数层输出的数据作为浮游藻类检测结果。
[0012]可选地，所述域自适应特征提取模块包括依次级联的第一特征提取单元、第二特征提取单元、第三特征提取单元、特征累加单元和特征处理单元；
[0013]所述特征累加单元用于融合输入所述第一特征提取单元的特征和所述第三特征提取单元输出的特征。
[0014]可选地，所述第一特征提取单元包括依次级联的1
×
1卷积层、BN层和GELU激活函数层；所述第二特征提取单元包括依次级联的3
×
3卷积层、BN层和GELU激活函数层；所述第三特征提取单元包括依次级联的1
×
1卷积层和BN层；所述特征处理单元包括依次级联的IN层和GELU激活函数层。
[0015]可选地，所述第一特征提取单元中1
×
1卷积层的通道数以及第二特征提取单元中3
×
3卷积层的通道数均为96；所述第三特征提取中1
×
1卷积层的通道数为32。
[0016]可选地，所述边界对齐模块包括特征点的邻域修正和特征值修正。
[0017]可选地，构建河道浮游藻类检测模型，包括：
[0018]获取深度学习训练样本集；
[0019]构建初始检测模型；
[0020]采用所述深度学习训练样本集训练所述初始检测模型得到训练好的模型；将所述训练好的模型作为所述河道浮游藻类检测模型。
[0021]可选地，采用设备NVIDIAA40，在基于python的深度学习框架Pytorch1.11上实现所述初始检测模型的训练。
[0022]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0023]本专利技术提供的浮游藻类检测方法，通过采用河道浮游藻类检测模型能够基于待检测河道不同区域、不同河段的影像数据，精确、快速的得到逐像素的浮游藻类检测结果。并且，本专利技术在河道浮游藻类检测模型中设置多个域自适应特征提取模块，能够提高对影像数据中目标与背景差异的区分能力，设置多个边界对齐模块能够增强目标特征提取能力，能够显著提高浮游藻类检测的精确度，进而有效降低浮游藻类治理的经济、生态成本。
[0024]此外，本专利技术还提供了以下两种实施结构：
[0025]一种浮游藻类检测系统，应用于上述提供的浮游藻类检测方法；所述系统包括：
[0026]数据获取模块，用于获取待检测河道不同区域、不同河段的影像数据，并对所述影像数据进行预处理得到目标影像数据；
[0027]模型构建模块，用于构建河道浮游藻类检测模型；所述河道浮游藻类检测模型包括：多个域自适应特征提取模块、多个边界对齐模块、多个反卷积模块、多个特征累加模块和一个激活函数层；
[0028]结果检测模块，用于将所述目标影像数据输入所述河道浮游藻类检测模型中，得到逐像素的浮游藻类检测结果。
[0029]一种电子设备，包括：
[0030]存储器，用于存储计算机程序；
[0031]处理器，与所述存储器连接，用于调取并执行所述计算机程序，以实施上述提供的浮游藻类检测方法。
[0032]因本专利技术提供的这两种实施结构实现的技术效果与本专利技术上述提供的浮游藻类检测方法实现的技术效果相同，故在此不再进行赘述。
附图说明
[0033]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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的附图。
[0034]图1为本专利技术提供的浮游藻类检测方法的流程图；
[0035]图2为本专利技术提供的河道浮游藻类检测模型结构示意图；
[0036]图3为本专利技术提供的域自适应特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种浮游藻类检测方法，其特征在于，包括：获取待检测河道不同区域、不同河段的影像数据，并对所述影像数据进行预处理得到目标影像数据；构建河道浮游藻类检测模型；所述河道浮游藻类检测模型包括：多个域自适应特征提取模块、多个边界对齐模块、多个反卷积模块、多个特征累加模块和一个激活函数层；将所述目标影像数据输入所述河道浮游藻类检测模型中，得到逐像素的浮游藻类检测结果。2.根据权利要求1所述的浮游藻类检测方法，其特征在于，将所述目标影像数据输入所述河道浮游藻类检测模型中，得到逐像素的浮游藻类检测结果，具体包括：目标影像数据输入第一个域自适应特征提取模块，第一个域自适应特征提取模块输出的特征分别输入第二个域自适应特征提取模块和第一个边界对齐模块，第二个域自适应特征提取模块输出的特征分别输入第三个域自适应特征提取模块和第二个边界对齐模块，第三个域自适应特征提取模块输出的特征分别输入第四个域自适应特征提取模块和第三个边界对齐模块，第四个域自适应特征提取模块输出的特征分别输入第五个域自适应特征提取模块和第四个边界对齐模块，第五个域自适应特征提取模块输出的特征输入第五个边界对齐模块，第五个边界对齐模块输出的特征输入第五个反卷积模块，第五个反卷积模块输出的特征和第四个边界对齐模块输出的特征均输入第四个特征累加模块，第四个特征累加模块输出的特征输入第九个边界对齐模块，第九个边界对齐模块输出的特征输入第四个反卷积模块，第四个反卷积模块输出的特征和第三个边界对齐模块输出的特征均输入第三个特征累加模块，第三个特征累加模块输出的特征输入第八个边界对齐模块，第八个边界对齐模块输出的特征输入第三个反卷积模块，第三个反卷积模块输出的特征和第二个边界对齐模块输出的特征均输入第二个特征累加模块，第二个特征累加模块输出的特征输入第七个边界对齐模块，第七个边界对齐模块输出的特征输入第二个反卷积模块，第二个反卷积模块输出的特征和第一个边界对齐模块输出的特征均输入至第一个特征累加模块，第一个特征累加模块输出的特征输入至第六个边界对齐模块，第六个边界对齐模块输出的特征输入至第一个反卷积模块，第一个反卷积模块输出的特征输入激活函数层，激活函数层输出的数据作为浮游藻类检测结果。3.根据权利要求1所述的浮游藻类检测方法，其特征在于，所述域自适应特征提取模块包括依次级联的第一特征提取单元、第二特征提取单元、第三特征提取单元、特征累加单元和特征处理...

【专利技术属性】
技术研发人员：刘洋，王朋，勾鹏，聂维，张学鹏，王坤鑫，欧阳宁雷，赵博，王思瑜，周天宇，王峰，
申请(专利权)人：南湖实验室，
类型：发明
国别省市：