[发明专利]基于卷积神经网络的河面污染信息检测处理方法及系统

说明书

本发明属于河面污染检测技术领域，具体涉及基于卷积神经网络的河面污染信息检测处理方法及系统。包括如下步骤：S1，对河道漂浮物和有色废水排放的图片进行采集，形成数据集；S2，数据标记，得到矩形框的坐标信息和矩形框中所包含的漂浮物和有色废水；S3，对数据集进行扩增；S4，对改进后的YOLOv4‑tiny神经网络模型进行训练；S5，将表现最优的改进后的YOLOv4‑tiny神经网络模型嵌入到MCU中，并对监控的河道或湖泊进行视频检测；S6，将MCU安装在无人机上，根据被检测到的漂浮物和有色废水数量，对待检测的河道或湖泊的污染程度进行判断。本发明具有能有效的对污染源进行分析，并具有实时性强和准确率高特点。

技术领域

本发明属于河面污染检测技术领域，具体涉及基于卷积神经网络的河面污染信息检测处理方法及系统。

背景技术

目前，我国十分重视生态环境的保护,尤其是对水环境资源的保护。常见的河道污染主要是以漂浮物和有色废水的排放为主，人工河道污染巡检耗时耗力，无人机、无人船河道巡检成为主要方式。目前的河面污染检测技术，通常采用河道污染物图像人工判读或简单计算机目标检测，缺乏对污染物的自动识别检测，并进行后续的预警以及信息处理和发送，存在滞后性以及检测准确率低的问题。

因此，设计一种能有效的对污染源进行分析，并具有实时性强和准确率高特点的基于卷积神经网络的河面污染信息检测处理方法及系统，就显得十分必要。

例如，申请号为CN201910059153.6的中国专利文献描述的一种检测水上漂浮物的方法，步骤如下：步骤1，采集数据；步骤2，数据增强；对数据集A进行数据增强。步骤3，标记图片；将数据集B中的水上漂浮物区域用矩形框进行标记，步骤4，训练模块；将数据集B分成三部分的目的是能够选出效果最好的、泛化能力最佳的权重模型。步骤5，检测模块；利用训练好的权重模型对监控的河道或湖泊视频进行检测。虽然取代了传统的基于人工的检测方法，节省了人力和物力，还对河道或湖泊的污染程度进行判断，能够随机将数据集分为训练集、测试集、验证集，通过数据增强的方法扩充了样本，防止图像样本过少导致的过拟合问题，但是其缺点在于，只能对河面的漂浮物进行检测，而无法对有色废水的排放情况进行检测计算。

发明内容

本发明是为了克服现有技术中，现有的河面污染检测技术，通常采用河道污染物图像人工判读或简单计算机目标检测，缺乏对污染物的自动识别检测，并进行后续的预警以及信息处理和发送，存在滞后性以及检测准确率低的问题，提供了一种具有实时性强和准确率高特点的基于卷积神经网络的河面污染信息检测处理方法及系统。

为了达到上述发明目的，本发明采用以下技术方案：

基于卷积神经网络的河面污染信息检测处理方法，包括如下步骤：

S1，对河道漂浮物和有色废水排放的图片进行采集，形成数据集，并将数据集进行分类，分为漂浮物集和有色废水集；

S2，将步骤S1中获取的两份数据集中的水上漂浮物和有色废水排放区域用矩形框进行标记，得到矩形框的坐标信息和矩形框中所包含的漂浮物和有色废水；

S3，对数据集进行扩增，增加数据集中的图片数量；

S4，将漂浮物集和有色废水集均分成训练集，验证集和测试集；使用训练集对改进后的YOLOv4-tiny神经网络模型进行训练；使用验证集对改进后的YOLOv4-tiny神经网络模型参数进行调整；使用测试集选出最优的改进后的YOLOv4-tiny神经网络模型；

S5，将步骤S4中表现最优的改进后的YOLOv4-tiny神经网络模型嵌入到MCU中，并对监控的河道或湖泊进行视频检测，实时检测待测水面上是否有漂浮物和有色废水排放；