【技术实现步骤摘要】
本专利技术涉及智慧城市技术，尤其涉及一种基于多模态深度学习的城市水污染检测方法、装置、设备及介质。
技术介绍
1、随着城市化的推进和经济的逐步发展，水资源的需求也随之日益增大，而伴随而来的由于工业三废和居民生活垃圾废弃物带来的水污染现象，也成为一个越来越值得重视的问题。尤其是在居民用水，农业灌溉和养殖，精细化化工业的用水的领域对水质要求质量日益提升的情况下，实现对水源区水质的检测和对水污染事件的及时预测显得愈加重要。
2、现有的方案为在被监测水域放置污染监测传感器，通过污染监测传感器监测到的被监测物质的浓度来判定被监测水域是否存在污染。该方法受偶然因素影响较大，导致检测结果不准确。
技术实现思路
1、本专利技术提供一种基于多模态深度学习的城市水污染检测方法、装置、设备及介质，以降低监测水域图像中其他无关特征对检测结果的影响，提高检测精度。
2、第一方面，本专利技术提供了一种基于多模态深度学习的城市水污染检测方法，包括：
3、获取各污染监测传感器负责的水域...
【技术保护点】
1.一种基于多模态深度学习的城市水污染检测方法，其特征在于，包括：
2.根据权利要求1所述的基于多模态深度学习的城市水污染检测方法，其特征在于，构建以所述污染监测传感器为节点，所述监测数据为节点数据，任意两个所述污染监测传感器之间的污染物扩散速度和扩散半径为节点之间的连线的拓扑图数据，包括：
3.根据权利要求2所述的基于多模态深度学习的城市水污染检测方法，其特征在于，所述第一图卷积神经网络包括第一图卷积层和第二图卷积层，对于每一所述节点，以所述节点为拓扑中心，采用第一图卷积神经网络对图数据进行处理，得到图结构特征，包括：
4.根据权...
【技术特征摘要】
1.一种基于多模态深度学习的城市水污染检测方法，其特征在于，包括：
2.根据权利要求1所述的基于多模态深度学习的城市水污染检测方法，其特征在于，构建以所述污染监测传感器为节点，所述监测数据为节点数据，任意两个所述污染监测传感器之间的污染物扩散速度和扩散半径为节点之间的连线的拓扑图数据，包括：
3.根据权利要求2所述的基于多模态深度学习的城市水污染检测方法，其特征在于，所述第一图卷积神经网络包括第一图卷积层和第二图卷积层，对于每一所述节点，以所述节点为拓扑中心，采用第一图卷积神经网络对图数据进行处理，得到图结构特征，包括：
4.根据权利要求1-3任一所述的基于多模态深度学习的城市水污染检测方法，其特征在于，计算各所述监测水域图像的相似度矩阵，包括：
5.根据权利要求4所述的基于多模态深度学习的城市水污染检测方法，其...
【专利技术属性】
技术研发人员：陈俊杨，谢碧莹，蒋文健，陈值祺，唐勇，
申请(专利权)人：广东信拓网络科技有限公司，
类型：发明
国别省市：
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。