[发明专利]一种基于深度学习技术的污染源废水排放实时视频分析系统

说明书

本发明公开了一种基于深度学习技术的污染源废水排放实时视频分析系统，视频分析系统至少包括图像采集单元和数据处理单元，图像采集单元设置于待监测区域各监测点，用于完成各监测点废水图像采集；数据处理单元基于图像采集单元采集的若干图像信息数据和包含二维空间域和一维时间域的3D CNNs，完成对各监测点废水中违法排污情况的识别。本系统通过图像提取模块能够完成整个图像全场景分析，并通过目标检测算法定位排放口位置，无需人为勾选特定区域。同时，在目标监测模块中通过3D卷积神经网络，完成了分析视频图像时间域上的连续多帧图像，可分析排口污染物的流动性特征，从而提高了废水违法排污识别的准确性。

技术领域

本发明属于污染源排放监测技术领域，尤其涉及一种基于深度学习技术的污染源废水排放实时视频分析系统。

背景技术

随着经济和社会的快速发展，我国城镇化建设步伐日益加快，大量的人口聚集到城市生活，给城市周边的环境和生态造成了严重的影响，许多饮水水源、城市内河、周边湖泊、水库等水面上出现大量的污染物，这些污染物大多是工业排污引起，其中包含大量对水质有害的物质。

如果不能得到及时清理，势必会破坏生态环境，威胁人类的生存和发展，为了社会可持续发展和人类健康，必须加强对污染源企业违法排污情况的监管，如污染源企业偷排漏排、排口废水带有异常颜色、大量泡沫和液位高度异常突变等。于是，对污染源企业违法排污情况的监测成了一个迫切需要解决的问题，需要投入大量的人力和物力资源。

并且，目前污染源废水违法排污情况监测方法主要通过分析单帧图像实现，该方案仅分析单帧2维图像，而污染物和监测环境在颜色和形态方面具有非常复杂多样性特点，现有的单帧图像深度学习方法并不具有普适性，使用效果不佳。

发明内容

本发明的目的在于，为克服现有技术缺陷，提供了一种基于深度学习技术的污染源废水排放实时视频分析系统，本系统通过引入时间维度的卷积神经网络算法，实现了通过若干连续帧图像完成对废水或污染物的运动特性分析，从而克服了传统的单帧图像识别算法无论在训练样本和目标识别方面存在巨大的困难的问题。

本发明目的通过下述技术方案来实现：

一种基于深度学习技术的污染源废水排放实时视频分析系统，所述视频分析系统至少包括图像采集单元和数据处理单元，所述图像采集单元设置于待监测区域各监测点，用于完成各监测点废水图像采集；所述数据处理单元基于图像采集单元采集的若干图像信息数据和包含二维空间域和一维时间域的3D CNNs，完成对各监测点废水中违法排污情况的识别。

根据一个优选的实施方式，所述数据处理单元至少包括图像提取模块，所述图像提取模块基于目标检测方法完成对图像采集单元采集的图像信息数据进行废水排口识别；并基于图像中废水排口的位置信息，完成排口区废水图像提取。

根据一个优选的实施方式，所述图像提取模块采用Faster RCNN进行目标检测，从而识别和定位图像中的废水排口区域。

根据一个优选的实施方式，所述数据处理单元还包括水质分类模块，所述水质分类模块对提取的排口的图像采用卷积神经网络CNN构造分类器，对排口废水进行水质分类。

根据一个优选的实施方式，所述卷积神经网络CNN的数据输入层采用局部感知和权值共享方式对污染源实时图像数据进行接入。

根据一个优选的实施方式，所述卷积神经网络CNN的数据输出层采用全连接神经网络、交叉熵评分函数对污染源废水进行分类。

根据一个优选的实施方式，所述数据处理单元还包括目标监测模块，所述目标监测模块对排污口的废水监测图像采用3D卷积神经网络实现水质识别。

根据一个优选的实施方式，所述3D卷积神经网络对连续视频帧污水监测图像信息进行分析和识别，最终输出污水的颜色、纹理、以及运动特征。