(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211043217.1 (22)申请日 2022.08.29 (71)申请人 深圳市华 傲数据技 术有限公司 地址 518000 广东省深圳市龙华区民治街 道北站社区汇德大厦1号楼 2203/2204 (72)发明人 陈立　隋晓峰　唐野　龚健　 姚晓峰　 (74)专利代理 机构 深圳众邦专利代理有限公司 44545 专利代理师 王红 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/26(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06V 10/24(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种水面油污识别和污染面积测算方法 (57)摘要 本发明公开了一种水面油污识别和污染面 积测算方法， 包括以下步骤： 步骤S1： 数据采集， 步骤S2： 数据标注， 步骤S3： 模型构建， 步骤S4： 模 型训练， 为提高识别模型的泛化性减少过拟合， 在图像进入网络进行前对进行随机的数据增强 操作， 数据增强操作为50％的概率进行垂直翻 转， 50％的概率进行水平镜像， 25％的概率进行 随机裁剪， 50％的概率进行随机亮度调节， 50％ 的概率进行随机对比度调节， 50％的概率进行随 机旋转、 50％的概率进行随机放大、 50％的概率 进行随机变形以及50％的概率进行随机遮挡， 解 决了现有水面油污识别及污染面积计算准确度 不高， 设备结构复杂建设维护成本高、 场景适应 性不好等问题， 为基于视频的实时水体质量监控 提供了重要技术支撑。 权利要求书1页 说明书4页 附图1页 CN 115375945 A 2022.11.22 CN 115375945 A 1.一种水面油污识别和污染面积测算方法， 其特征在于， 包括以下步骤： 步骤S1： 数据 采集， 通过水体质量监控视频、 抓拍图像和网络抓取相结合方式， 建立水面油污污染数据 集； 步骤S2： 数据标注， 采用Labelme作为标注工具， 对2500张水体监控图像进行标注， 将每 张标注图像通过中心裁剪方式调整为正方形， 通过大小缩放将图像分辨率统一调整为 1000x1000， 根据图像中是否存在油污污染特征将图像中的每个像素标记为3种类型， 分别 为非水体、 洁净 水体以及存在明显油污的水体； 步骤S3： 模型构建， 通过VGG16模块 中3x3的卷积核， 对图像中不同尺度及位置的特征进 行提取合并， 实现对图像局部和全局特征的理解， 卷积操作技术后继续执行最大池化， 并将 所有子层的输出被级 联起来， 传送至下一个VGG16模块， 形成模块的级 联， 在原来VGG16模块 之间的短连接基础上加入了相 邻模块的特征图， 通过A lign模块进 行分辨率对齐后融合， 再 输入解码器进行输出， 不同解码器之间通过一个反卷积模块Conv  Transpose输出显著图， 分别与真值图计算损失， 在编 码器的最后加入两个全连接层输出是否有油污的分类指标并 加入到了最后输出中； 步骤S4： 模型训练， 采用迁移学习技术， 分为两个阶段的进行模型训练， 第一阶段， 将 VOC预训练网络模型的权重加载， 作为特征提取网络参数， 只训练最后的特征对齐融合及解 码模块， 冻结其他层参数， 第二阶段， 冻结的VGG16模块中提取图像通用特征的层， 采用小 学 习率重新训练网络中用于图像高层特征提取的结构， 促使网络模型提取到水体油污的图像 特征， 对油污产生更好的识别效果。 2.根据权利要求1所述的一种水面油污识别和污染面积测算方法， 其特征在于， 步骤 S4， 模型训练中， 初始学习率等于0.0001， 学习率衰减采用分段常数衰减， 衰减率为0.1， 衰 减点为训练过程的60％和80％， 为提高识别模型的泛化性减少过拟合， 在图像进入网络进 行前对进行随机的数据增强操作。 3.根据权利要求1所述的一种水面油污识别和污染面积测算方法， 其特征在于， 步骤 S4， 模型训练采用基于Unet架构的全卷积神经网络模型， 整个架构分为编码器和解码器两 个部分， 编码器部分由1个VGG16卷积再加上一个maxpooling层组成一个下采样的模块， 解 码器部分由一个Al ign的特征对齐融合及一个上采样的反卷积模块构成。 4.根据权利要求1所述的一种水面油污识别和污染面积测算方法， 其特征在于， 步骤 S1， 数据采集为保证标本拍摄数据的代表 性和多样性， 针对选取上百个不同场景， 在多种环 境下进行拍摄， 提高数据集中图像样本的多样性。 5.根据权利要求1所述的一种水面油污识别和污染面积测算方法， 其特征在于， 步骤 S4， 模型训练中的数据增强操作为50％的概率进行垂直翻转、 50％的概率进行水平镜像、 25％的概率进行随机裁剪、 50％的概率进行随机亮度调节、 50％的概率进行随机对比度调 节、 50％的概率进行随机旋转、 50％的概率进行随机放大、 50％的概率进行随机变形以及 50％的概率进行随机遮挡。权　利　要　求　书 1/1 页 2 CN 115375945 A 2一种水面油污识别和污染面积测算方 法 技术领域 [0001]本发明涉及水面污染面积测算技术领域， 具体为一种水面油污识别和污染面积测 算方法。 背景技术 [0002]水面污染是严重影响水体质量的重要方面， 严重威胁水体中动植物的生存， 污染 土壤和水源， 危害 人体健康， 必须要对油污进行实时检测， 传统的油污检测通常采用传感器 方法， 但这种 方法设备结构复杂， 要求部署点位多， 建设及维护的成本较高， 而且对于污染 面积无法进行准确评估； [0003]传统技术中， 基于图像的油污识别方法需要深入研究水面油 污的特点， 寻找水面 油污不随光照、 角度、 范围等变化的鲁棒特征， 利用边缘提取、 二值化、 空间变换等进 行油污 区域检测识别， 然而这种方式在复杂自然场景下容易受到光线、 拍摄角度、 水体及油污颜 色、 漂浮物、 倒影等多种因素影响， 场景适应性极差， 无法对 水面油污进 行精准识别， 并且对 水面油污的污染面积 计算准确度不高， 因此亟需设计一种能够 对复杂自然场景下水面油污 进行精准识别， 且 对污染面积进行精确 测算的系统。 发明内容 [0004]为了克服现有技术方案的不足， 本发明提供一种水面油污识别和污染面积测算方 法。 [0005]本发明解决其技术问题所采用的技术方案是： 一种水面油污识别和污染面积测算 方法， 包括以下步骤： 步骤S1： 数据采集， 通过水体质量监控视频、 抓拍图像和网络抓取相结 合方式， 建立水面油污 污染数据集； [0006]步骤S2： 数据标注， 采用Labelme作为标注工具， 对2500张水体监控图像进行标注， 将每张标注图像通过中心裁剪方式调整为正方形， 通过大小缩放将图像分辨率统一调整为 1000x1000， 根据图像中是否存在油污污染特征将图像中的每个像素标记为3种类型， 分别 为非水体、 洁净 水体以及存在明显油污的水体； [0007]步骤S3： 模型构建， 通过VGG16模块中3x3的卷积核， 对图像中不同尺度及位置的特 征进行提取合并， 实现对图像局部和全局特征的理解， 卷积操作技术后继续执行最大池化， 并将所有子层的输出被级联起来， 传送至下一个VGG16模块， 形成模块的级 联， 在原来VGG16 模块之间的短连接基础上加入了相邻模块的特征图， 通过Align模块进行分辨率对齐后融 合， 再输入解码器进行输出， 不同解码器之间通过一个反卷积模块Conv  Transpose输出显 著图， 分别与真值图计算损失， 在编码器的最后加入两个全连接层输出是否有油污的分类 指标并加入到 了最后输出中； [0008]步骤S4： 模型训练， 采用迁移 学习技术， 分为两个阶段的进行模型训练， 第一阶段， 将VOC预训练网络模型的权重加载， 作为特征提取网络参数， 只训练最后的特征对齐融合及 解码模块， 冻结其他层参数， 第二阶段， 冻结的VGG16模块中提取图像通用特征的层， 采用小说　明　书 1/4 页 3 CN 115375945 A 3