【技术实现步骤摘要】
本专利技术涉及化工污水管控领域，特别涉及水体目标检测方法、装置、设备和存储介质。
技术介绍
1、化工污水场中的污水井，在设计时为了便于观察污水情况，每个污水井都按照要求，建成标准的围堰。摄像头架设在围堰上方，以一定角度拍摄污水，利用相关算法可以估计当前的污水流量。
2、由于拍摄环境的限制，拍摄得到的水体区域呈梯形状。现有技术中针对水体区域检测的方法为基于霍夫变换的水体检测方法，该方法先将图像进行灰度处理，然后利用霍夫变换进行直线检测，检测得到的若干直线通过后期的斜率、距离等信息的筛选，最终得到水体区域，得到的水体区域计算连通域面积，然后通过线性映射得到当前的流量。
3、专利技术人经过研究发现，现有技术中的水体检测方法至少存在以下缺陷：
4、每个围堰拍摄的斜率和距离等先验信息不一致，因此每个围堰都需要独立建模，从而导致水体自动检测系统的部署时间较长，影响项目进度。
5、公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
1、本专利技术的目的在于提高基于深度学习的水体自动检测系统的部署效率。
2、本专利技术提供了一种水体目标检测方法，包括步骤：
3、s11、对原始梯形水体区域进行预处理，包括图像水平纠正；所述原始梯形水体区域的标签信息至少包括中心坐标、宽度、高度，左偏移量和右偏移量；
4、
5、s13、将不同特征提取模块得到的特征进行特征融合，所述特征融合包含特征的级联和拼接；
6、s14、检测输出模块将特征提取模块和特征融合模块得到的特征进行整合处理，得到7维三阶的能够用于检测输出的检测张量输出；所述张量输出的尺度为m*m*7；将所述张量输出中的任一7维向量用于位置形状回归和分类，其中，前6维分别用于回归中心坐标、宽度、高度，左偏移量和右偏移量，第7维用于回归分类；
7、s15、对所述梯形水体区域的中心坐标进行回归包括：将能包含所述梯形水体区域的最小矩形作为参考矩形；将根据所述7维向量中的前4维回归所述参考矩形的中心坐标、宽度和高度，等价为回归所述梯形水体区域的中心坐标、宽度和高度；根据所述7维向量中的第5维和第6维回归所述梯形水体区域的左偏移量和右偏移量。
8、优选的，在本专利技术中，还包括：
9、对损失函数进行优化，其中：损失函数包括定位误差和分类误差；其中，所述定位误差＝中心坐标位置误差+宽高误差+偏移量误差。
10、优选的，在本专利技术中，所述原始梯形水体区域进行预处理，还包括：
11、对图像进行压缩。
12、优选的，在本专利技术中，所述图像水平纠正包括：
13、s21、对水平倾斜角度在预设范围内的直线进行检测，将最长直线认定为水平面直线；
14、s22、将图像旋转为其水平面直线处于水平状态。
15、优选的，在本专利技术中，所述预设范围包括：
16、±10度之间。
17、优选的，在本专利技术中，所述特征提取模块的输入的格式包括：
18、m*n*3，其中，m为图像的宽，n为图像的高，3为rgb三通道，称为channel。
19、在本专利技术的另一面，还提供了水体目标检测装置，包括：
20、数据收集单元，用于收集图像数据；所述图像数据包括公开数据集中的公开预处理模块，用于对原始梯形水体区域进行预处理，包括图像水平纠正；所述原始梯形水体区域的标签信息至少包括中心坐标、宽度、高度，左偏移量和右偏移量；
21、特征提取模块，用于分别对预处理后的梯形水体区域进行特征提取；
22、特征融合模块，用于将不同特征提取模块得到的特征进行特征融合，所述特征融合包含特征的级联和拼接；
23、检测输出模块，用于将特征提取模块和特征融合模块得到的特征进行整合处理，得到7维三阶的能够用于检测输出的检测张量输出；所述张量输出的尺度为m*m*7；将所述张量输出中的任一7维向量用于位置形状回归和分类，其中，前6维分别用于回归中心坐标、宽度、高度，左偏移量和右偏移量，第7维用于回归分类；
24、回归模块，用于对所述梯形水体区域的中心坐标进行回归，包括：将能包含所述梯形水体区域的最小矩形作为参考矩形；将根据所述7维向量中的前4维回归所述参考矩形的中心坐标、宽度和高度，等价为回归所述梯形水体区域的中心坐标、宽度和高度；根据所述7维向量中的第5维和第6维回归所述梯形水体区域的左偏移量和右偏移量。
25、优选的，在本专利技术中，还包括：
26、损失函数优化模块，用于对损失函数进行优化，其中：损失函数包括定位误差和分类误差；其中，所述定位误差＝中心坐标位置误差+宽高误差+偏移量误差。
27、在本专利技术实施例的另一面，还提供了一种水体目标检测设备，包括：
28、存储器，用于存储计算机程序；
29、处理器，用于调用并执行所述计算机程序，以实现如上任一项所述的水体目标检测方法的各个步骤。
30、在本专利技术实施例的另一面，还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上任一项所述的水体目标检测方法的各个步骤。
31、所述水体目标检测设备包括存储在介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行以上各个方面所述的方法，并实现相同的技术效果。
32、与现有技术相比，本专利技术具有如下有益效果：
33、本专利技术中，针对图片中的检测对象(即，水体区域)的形状是梯形的特性，设定了包含梯形的最小矩形为参考矩形；这样，在生成标签信息时，根据参考矩形中心坐标和宽高来描述梯形水体区域的中心坐标和宽高；然后再以梯形水体区域中上底的两个端点与对应的参考矩形边的两个端点间的距离为偏移量(即，左偏移量和右偏移量)来描述出梯形水体区域的上底。接着，将特征提取模块和特征融合模块得到的特征进行整合处理，得到的是7维三阶的能够用于检测输出的检测张量输出；这样，通过张量输出中的任一7维向量进行位置形状回归和分类时，可以将根据7维向量中的前4维回归参考矩形的中心坐标、宽度和高度，等价为回归梯形水体区域的中心坐标、宽度和高度；然后再根据7维向量中的第5维和第6维回归梯形水体区域的上底的两个端点位置。
34、由于本专利技术利用了参考矩形，借助现有的常规深度学习目标检测方法中的矩形回归对梯形水体区域的中心坐标、宽度和高度进行回归；然后，再进一步的根据梯形水体区域的上底与矩形边的左右偏移量来对梯形水体区域上底的两个端点进行回归。这样就使得本专利技术也可以像常规深度学习目标检测方法那样，无需准备过多先验信息即可实现污水水体的自动检测，进而也就提高了基于深度学习的水体自动检测系统的部本文档来自技高网...
【技术保护点】
1.一种水体目标检测方法，其特征在于，包括步骤：
2.根据权利要求1中所述水体目标检测方法，其特征在于，还包括：
3.根据权利要求1中所述水体目标检测方法，其特征在于，所述原始梯形水体区域进行预处理，还包括：
4.根据权利要求1中所述水体目标检测方法，其特征在于，所述图像水平纠正包括：
5.根据权利要求1中所述水体目标检测方法，其特征在于，所述预设范围包括：
6.根据权利要求1中所述水体目标检测方法，其特征在于，所述特征提取模块的输入的格式包括：
7.一种水体目标检测装置，其特征在于，包括：
8.根据权利要求7中所述水体目标检测装置，其特征在于，还包括：
9.一种水体目标检测设备，其特征在于，包括：
10.一种存储介质，其特征在于，包括软件程序，所述软件程序适于由处理器执行如权利要求1至6中任一所述水体目标检测方法的步骤。
【技术特征摘要】
1.一种水体目标检测方法，其特征在于，包括步骤：
2.根据权利要求1中所述水体目标检测方法，其特征在于，还包括：
3.根据权利要求1中所述水体目标检测方法，其特征在于，所述原始梯形水体区域进行预处理，还包括：
4.根据权利要求1中所述水体目标检测方法，其特征在于，所述图像水平纠正包括：
5.根据权利要求1中所述水体目标检测方法，其特征在于，所述预设范围包括：
【专利技术属性】
技术研发人员：傅钰江，李雪，王若琳，隋顾磊，于子浩，
申请(专利权)人：中国石油化工股份有限公司，
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。