[发明专利]水体识别方法、装置、电子设备和存储介质

说明书

本发明提供一种水体识别方法、装置、电子设备和存储介质，其中方法包括：获取待检测可见光影像数据；将所述待检测可见光影像数据输入至水体识别模型中，得到所述水体识别模型输出的每个像素点为水体的置信度；基于每个所述像素点为水体的置信度确定所述待检测可见光影像数据中的目标水体区域；其中，所述水体识别模型是基于影像样本数据对初始网络模型进行训练得到的；所述初始网络模型包括多个预设路径的网络层连接。本发明提供的水体识别方法、装置、电子设备和存储介质，能够增加网络中的连接层数，连接层数的增加就意味着更多的卷积特征被保留，从而提高了水体识别的准确率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种水体识别方法、装置、电子设备和存储介质。

背景技术

水资源不仅与人类的生产、生活息息相关，更关乎城市经济的可持续和稳定发展。因此，对城市水体进行识别，动态分析城市水体状态变得尤为重要。

相关技术中，通常通过卷积神经网络(Convolution Neural Network，CNN)或者图像语义分割网络(SegNet)等深度学习模型对影像数据中的水体区域进行识别，但上述深度学习模型受网络层深度的限制，学习到的特征较少，这样就会降低深度学习模型对水体识别的准确率。

发明内容

针对现有技术存在的问题，本发明提供一种水体识别方法、装置、电子设备和存储介质。

本发明提供一种水体识别方法，包括：

获取待检测可见光影像数据；

将所述待检测可见光影像数据输入至水体识别模型中，得到所述水体识别模型输出的每个像素点为水体的置信度；

基于每个所述像素点为水体的置信度确定所述待检测可见光影像数据中的目标水体区域；

其中，所述水体识别模型是基于影像样本数据对初始网络模型进行训练得到的；所述初始网络模型包括多个预设路径的网络层连接。

根据本发明提供的一种水体识别方法，在所述将所述待检测可见光影像数据输入至水体识别模型中，得到所述水体识别模型输出的每个像素点为水体的置信度之前，所述方法还包括：

基于多个上采样层和多个池化层的交叉网络路径构建循环神经网络；

基于所述循环神经网络和多个卷积层构建所述初始网络模型。

根据本发明提供的一种水体识别方法，所述多个上采样层和多个池化层的交叉网络路径依次包括第一上采样层、第一池化层、第二池化层、第二上采样层、第三池化层、第三上采样层、第四上采样层和第四池化层；

所述基于多个上采样层和多个池化层的交叉网络路径构建循环神经网络，包括：

将所述第一上采样层、第一池化层、第二池化层、第二上采样层、第三池化层、第三上采样层、第四上采样层和第四池化层的组合确定为所述循环神经网络。

根据本发明提供的一种水体识别方法，所述基于所述循环神经网络和多个卷积层构建所述初始网络模型，包括：

在所述第一上采样层与网络输入层之间依次设置第一卷积层和第二卷积层；

在所述第一上采样层和所述第一池化层之间依次设置第三卷积层和第四卷积层；

在所述第一池化层与所述第二池化层之间依次设置第五卷积层和第六卷积层；

在所述第二池化层与所述第二上采样层之间依次设置第七卷积层和第八卷积层；

在所述第二上采样层与所述第三池化层之间依次设置第九卷积层和第十卷积层；

在所述第三池化层与所述第三上采样层之间依次设置第十一卷积层和第十二卷积层；