基于深度学习的复杂异物检测系统及方法技术方案

本申请实施例提供一种基于深度学习的复杂异物检测系统及方法，基于训练完成的形态学矢量编码模型，对前景图像分块后生成的各个水体图像分块数据进行区域形态学矢量编码，生成区域形态学矢量，并基于区域形态学矢量和预置复杂异物模板特征库中的各个预置复杂异物的模板区域形态学矢量，对各个水体图像分块数据进行复杂异物预测，生成分块复杂异物预测数据，通过具有粗粒度形态学矢量编码单元和细粒度形态学矢量编码单元构成的形态学矢量编码模型对各个水体图像分块数据进行区域形态学矢量编码，由此可以提取到准确的水体图像分块数据的区域形态学矢量，进而依据区域形态学矢量能够对目标水体采集图像数据进行精准复杂异物预测

【技术实现步骤摘要】
基于深度学习的复杂异物检测系统及方法


[0001]本申请实施例涉及图像分析
，具体而言，涉及一种基于深度学习的复杂异物检测系统及方法
。

技术介绍

[0002]水体污染是由有害污染物造成水的使用价值降低或丧失，污染环境的水
。
例如，人类环境中产生的各种异物均可以构成水体污染物，因此，需要对水体区域中所存在的各种复杂异物构成的污染物进行汇总分析，从而针对性地根据污染物类别进行后续的水体改善工厂
。
然而，目前针对复杂异物污染物的检测方式仍旧依赖于人工对采集图像进行分析，或者简单异物的机器特征比对，难以实现对水体区域进行精准复杂异物检测
。

技术实现思路

[0003]为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种基于深度学习的复杂异物检测系统及方法
。
[0004]依据本申请实施例的一个方面，提供了一种基于深度学习的复杂异物检测方法，包括：对目标水体采集图像数据进行前景图像分块，生成多个水体图像分块数据；基于训练完成的形态学矢量编码模型，对各个水体图像分块数据进行区域形态学矢量编码，生成区域形态学矢量，所述形态学矢量编码模型包括粗粒度形态学矢量编码单元和细粒度形态学矢量编码单元；所述粗粒度形态学矢量编码单元用于对所述水体图像分块数据进行粗粒度形态学矢量编码；所述细粒度形态学矢量编码单元用于依据所述粗粒度形态学矢量编码时生成的粗粒度区域形态学矢量，对所述水体图像分块数据进行细粒度形态学矢量编码，所述细粒度形态学矢量编码的编码深度小于所述粗粒度形态学矢量编码的编码深度；获取预置复杂异物模板特征库中的各个预置复杂异物的模板区域形态学矢量；基于所述区域形态学矢量和所述各个预置复杂异物的模板区域形态学矢量，对各个所述水体图像分块数据进行复杂异物预测，生成分块复杂异物预测数据；基于所述多个水体图像分块数据的分块复杂异物预测数据，确定所述目标水体采集图像数据对应的复杂异物预测数据，其中，所述复杂异物用于表示水体区域中形状不规则的污染物
。
[0005]在第一方面的一种可能的实施方式中，所述对目标水体采集图像数据进行前景图像分块，生成多个水体图像分块数据，包括：基于设定检测区间的前景图像检测框，对所述目标水体采集图像数据进行图像分块，生成多个水体图像分块数据，所述多个水体图像分块数据对应相同的分块检测框参数
。
[0006]在第一方面的一种可能的实施方式中，所述方法还包括：获取局部自适应二值化算法；
基于所述局部自适应二值化算法对各个所述水体图像分块数据进行局部自适应二值化处理，获得多个局部自适应二值化处理后的水体图像分块数据；所述对各个水体图像分块数据进行区域形态学矢量编码，生成区域形态学矢量，包括：对各个局部自适应二值化处理后的水体图像分块数据进行区域形态学矢量编码，生成所述区域形态学矢量
。
[0007]在第一方面的一种可能的实施方式中，所述基于训练完成的形态学矢量编码模型，对各个水体图像分块数据进行区域形态学矢量编码，生成区域形态学矢量，包括：将各个所述水体图像分块数据加载到所述粗粒度形态学矢量编码单元中，依据所述粗粒度形态学矢量编码单元，对所述水体图像分块数据进行粗粒度形态学矢量编码，生成具有第一编码深度的模板区域形态学矢量；将所述具有第一编码深度的模板区域形态学矢量，加载到所述细粒度形态学矢量编码单元中，依据所述细粒度形态学矢量编码单元，对所述水体图像分块数据进行细粒度形态学矢量编码，生成具有第二编码深度的模板区域形态学矢量；所述第一编码深度小于所述第二编码深度
。
[0008]在第一方面的一种可能的实施方式中，所述基于所述区域形态学矢量和所述各个预置复杂异物的模板区域形态学矢量，对各个所述水体图像分块数据进行复杂异物预测，生成分块复杂异物预测数据，包括：确定所述区域形态学矢量与所述各个预置复杂异物的模板区域形态学矢量之间的特征距离；当所述区域形态学矢量与任一预置复杂异物的模板区域形态学矢量之间的特征距离小于门限特征距离时，确定所述水体图像分块数据的分块复杂异物预测数据为复杂异物存在结果；所述复杂异物存在结果用于表示所述水体图像分块数据对应的水体区域中含有与所述预置复杂异物模板特征库中的预置复杂异物具有相同类型的复杂异物；所述基于所述多个水体图像分块数据的分块复杂异物预测数据，确定所述目标水体采集图像数据对应的复杂异物预测数据，包括：当任一水体图像分块数据的分块复杂异物预测数据为所述复杂异物存在结果时，确定所述目标水体采集图像数据对应的复杂异物预测数据为所述复杂异物存在结果
。
[0009]在第一方面的一种可能的实施方式中，所述预置复杂异物模板特征库中包括各个所述预置复杂异物的异物图像数据；所述获取预置复杂异物模板特征库中的各个预置复杂异物的模板区域形态学矢量，包括：依据所述训练完成的形态学矢量编码模型，对各个所述预置复杂异物的异物图像数据进行区域形态学矢量编码，生成各个所述预置复杂异物的模板区域形态学矢量
。
[0010]在第一方面的一种可能的实施方式中，所述形态学矢量编码模型的训练步骤，包括：将样本水体采集图像数据序列中的第一样本水体采集图像数据加载到所述粗粒度形态学矢量编码单元中，通过无监督区分训练策略对所述粗粒度形态学矢量编码单元进行权重参数更新，生成更新后的粗粒度形态学矢量编码单元；将单异物元素的样本水体图像数据序列中的第二样本水体采集图像数据加载到
所述更新后的粗粒度形态学矢量编码单元中，依据所述更新后的粗粒度形态学矢量编码单元对所述第二样本水体采集图像数据进行粗粒度形态学矢量编码，生成具有第三编码深度的预测模板区域形态学矢量；将所述具有第三编码深度的预测模板区域形态学矢量加载到所述细粒度形态学矢量编码单元中，依据所述细粒度形态学矢量编码单元对所述第二样本水体采集图像数据进行细粒度形态学矢量编码，生成具有第四编码深度的预测模板区域形态学矢量；所述第三编码深度小于所述第四编码深度；基于初始化神经网络模型依据所述具有第四编码深度的预测模板区域形态学矢量，对所述第二样本水体采集图像数据进行复杂异物预测，生成复杂异物预测学习数据；将所述复杂异物预测学习数据与所述第二样本水体采集图像数据的复杂异物标注数据加载到模型训练误差参数层中，依据所述模型训练误差参数层输出模型训练误差值；依据所述模型训练误差值对所述细粒度形态学矢量编码单元中的网络权重信息进行更新，生成更新后的形态学矢量编码模型；所述粗粒度形态学矢量编码单元包括自编码神经子单元和连通域搜索子单元；所述将样本水体采集图像数据序列中的第一样本水体采集图像数据加载到所述粗粒度形态学矢量编码单元中，通过无监督区分训练策略对所述粗粒度形态学矢量编码单元进行权重参数更新，生成更新后的粗粒度形态学矢量编码单元，包括：将样本水体采集图像数据序列中的第一样本水体采集图像数据加载到所述粗粒度形态学矢量编码单元中；依据所述自编码神经子单元对所述第一样本水体采集图像数据进行第一图像语义特征提取，生成图像轮廓语本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的复杂异物检测方法，其特征在于，通过基于深度学习的复杂异物检测系统实现，所述方法包括：对目标水体采集图像数据进行前景图像分块，生成多个水体图像分块数据；基于训练完成的形态学矢量编码模型，对各个水体图像分块数据进行区域形态学矢量编码，生成区域形态学矢量，所述形态学矢量编码模型包括粗粒度形态学矢量编码单元和细粒度形态学矢量编码单元；所述粗粒度形态学矢量编码单元用于对所述水体图像分块数据进行粗粒度形态学矢量编码；所述细粒度形态学矢量编码单元用于依据所述粗粒度形态学矢量编码时生成的粗粒度区域形态学矢量，对所述水体图像分块数据进行细粒度形态学矢量编码，所述细粒度形态学矢量编码的编码深度小于所述粗粒度形态学矢量编码的编码深度；获取预置复杂异物模板特征库中的各个预置复杂异物的模板区域形态学矢量；基于所述区域形态学矢量和所述各个预置复杂异物的模板区域形态学矢量，对各个所述水体图像分块数据进行复杂异物预测，生成分块复杂异物预测数据；基于所述多个水体图像分块数据的分块复杂异物预测数据，确定所述目标水体采集图像数据对应的复杂异物预测数据，其中，所述复杂异物用于表示水体区域中形状不规则的污染物
。2.
根据权利要求1所述的基于深度学习的复杂异物检测方法，其特征在于，所述对目标水体采集图像数据进行前景图像分块，生成多个水体图像分块数据，包括：基于设定检测区间的前景图像检测框，对所述目标水体采集图像数据进行图像分块，生成多个水体图像分块数据，所述多个水体图像分块数据对应相同的分块检测框参数
。3.
根据权利要求2所述的基于深度学习的复杂异物检测方法，其特征在于，所述方法还包括：获取局部自适应二值化算法；基于所述局部自适应二值化算法对各个所述水体图像分块数据进行局部自适应二值化处理，获得多个局部自适应二值化处理后的水体图像分块数据；所述对各个水体图像分块数据进行区域形态学矢量编码，生成区域形态学矢量，包括：对各个局部自适应二值化处理后的水体图像分块数据进行区域形态学矢量编码，生成所述区域形态学矢量
。4.
根据权利要求1所述的基于深度学习的复杂异物检测方法，其特征在于，所述基于训练完成的形态学矢量编码模型，对各个水体图像分块数据进行区域形态学矢量编码，生成区域形态学矢量，包括：将各个所述水体图像分块数据加载到所述粗粒度形态学矢量编码单元中，依据所述粗粒度形态学矢量编码单元，对所述水体图像分块数据进行粗粒度形态学矢量编码，生成具有第一编码深度的模板区域形态学矢量；将所述具有第一编码深度的模板区域形态学矢量，加载到所述细粒度形态学矢量编码单元中，依据所述细粒度形态学矢量编码单元，对所述水体图像分块数据进行细粒度形态学矢量编码，生成具有第二编码深度的模板区域形态学矢量；所述第一编码深度小于所述第二编码深度
。5.
根据权利要求1所述的基于深度学习的复杂异物检测方法，其特征在于，所述基于所
述区域形态学矢量和所述各个预置复杂异物的模板区域形态学矢量，对各个所述水体图像分块数据进行复杂异物预测，生成分块复杂异物预测数据，包括：确定所述区域形态学矢量与所述各个预置复杂异物的模板区域形态学矢量之间的特征距离；当所述区域形态学矢量与任一预置复杂异物的模板区域形态学矢量之间的特征距离小于门限特征距离时，确定所述水体图像分块数据的分块复杂异物预测数据为复杂异物存在结果；所述复杂异物存在结果用于表示所述水体图像分块数据对应的水体区域中含有与所述预置复杂异物模板特征库中的预置复杂异物具有相同类型的复杂异物；所述基于所述多个水体图像分块数据的分块复杂异物预测数据，确定所述目标水体采集图像数据对应的复杂异物预测数据，包括：当任一水体图像分块数据的分块复杂异物预测数据为所述复杂异物存在结果时，确定所述目标水体采集图像数据对应的复杂异物预测数据为所述复杂异物存在结果
。6.
根据权利要求1所述的基于深度学习的复杂异物检测方法，其特征在于，所述预置复杂异物模板特征库中包括各个所述预置复杂异物的异物图像数据；所述获取预置复杂异物模板特征库中的各个预置复杂异物的模板区域形态学矢量，包括：依据所述训练完成的形态学矢量编码模型，对各个所述预置复杂异物的异物图像数据进行区域形态学矢量编码，生成各个所述预置复杂异物的模板区域形态学矢量
。7.
根据权利要求1‑6中任意一项所述的基于深度学习的复杂异物检测方法，其特征在于，所述形态学矢量编码模型的训练步骤，...

【专利技术属性】
技术研发人员：张健，张爱民，廖建国，李欢欢，赵栗笠，
申请(专利权)人：四川发展环境科学技术研究院有限公司，
类型：发明
国别省市：