[发明专利]污水检测识别方法、装置和系统、服务器和存储介质

权利要求书

1.一种污水检测识别方法，其特征在于，包括：

根据待训练污水图像训练得到污水检测识别模型；

获取待检测污水图像；

将待检测污水图像输入训练好的污水检测识别模型，得到待检测污水的污水位置及污水种类。

2.根据权利要求1所述的污水检测识别方法，其特征在于，

所述污水图像包括污水口排污图像。

3.根据权利要求1或2所述的污水检测识别方法，其特征在于，所述根据待训练污水图像训练得到污水检测识别模型包括：

对待训练污水图像进行预处理并设置对应标签；

将预处理后的污水数据集输入卷积神经网络模型进行迭代训练。

4.根据权利要求3所述的污水检测识别方法，其特征在于，所述根据待训练污水图像训练得到污水检测识别模型还包括：

基于开源大规模数据训练的模型参数初始化当前卷积神经网络模型，之后执行将预处理后的污水数据集输入卷积神经网络模型进行迭代训练的步骤。

5.根据权利要求3所述的污水检测识别方法，其特征在于，所述将预处理后的污水数据集输入卷积神经网络模型进行迭代训练包括：

随机修剪预定比例的迭代过程中产生的卷积核。

6.根据权利要求3所述的污水检测识别方法，其特征在于，所述将预处理后的污水数据集输入卷积神经网络模型进行迭代训练包括：

在卷积神经网络输出到全连接层之前，加入挤压和激励结构，调整卷积神经网络模型的权重分布。

7.根据权利要求3所述的污水检测识别方法，其特征在于，所述将预处理后的污水数据集输入卷积神经网络模型进行迭代训练包括：

采用元学习随机梯度下降算法作为优化函数，使得整个训练过程中学习率会随着损失函数值的变化而变化。

8.根据权利要求3所述的污水检测识别方法，其特征在于，

所述卷积神经网络模型为改进的RePr网络结构；

和/或，

所述卷积神经网络模型包括卷积层、全连接层、挤压和激励层和输出层；

和/或，

所述卷积神经网络模型的分类器输出维度为污水在图像中的位置及种类；

和/或，

所述卷积神经网络模型的损失函数是交叉熵损失函数，以欧式距离作为度量方式。

9.一种服务器，其特征在于，包括：

模型训练模块，用于根据待训练污水图像训练得到污水检测识别模型；

待检测图像获取模块，用于获取待检测污水图像；

污水检测识别模块，用于将待检测污水图像输入训练好的污水检测识别模型，得到待检测污水的污水位置及污水种类。

10.根据权利要求9所述的服务器，其特征在于，所述污水检测识别装置用于执行实现如权利要求1-8中任一项所述的污水检测识别方法的操作。

11.一种计算机装置，其特征在于，包括：

存储器，用于存储指令；

处理器，用于执行所述指令，使得所述计算机装置执行实现如权利要求1-8中任一项所述的污水检测识别方法的操作。

12.一种污水检测识别系统，其特征在于，包括：

终端设备，用于拍摄待检测污水视频，并将待检测污水视频转化为待检测污水图像，并发送给服务器处理，其中，待检测污水视频包括污水口排污视频；

服务器，为如权利要求9或10的服务器，或如权利要求11的计算机装置。

13.一种非瞬时性计算机可读存储介质，其特征在于，所述非瞬时性计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如权利要求1-8中任一项所述的污水检测识别方法。