技术摘要：
本申请公开了一种排污口识别方法、装置、电子设备和存储介质，涉及计算机视觉领域。具体实现方案为：获取待识别的目标水体图像；根据所述目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特征之间的关联关系，对所述目标水体图像进行排污口识别；其中，标  全部
背景技术：
排污口识别对于精准定位污染源，科学精细化管控和智能执法具有重要意义。目 前的排污口识别方法主要由执法人员实地寻访考察与人工观看拍摄图像判断。 由于一些河流周围的环境较为恶劣，增加了实地考察的难度，同时如果河流排污 口数量较多，实地考察会耗费大量的人力物力。通过人工观看拍摄图像的方式可以使执法 人员免于到处奔波，但人工观察几十万甚至几百万张图像需要消耗大量时间，降低工作效 率和准确度。
技术实现要素：
本申请实施例提供了一种排污口识别方法、装置、电子设备和存储介质，以提供一 种排污口识别的新方式，提高排污口的识别效率以及识别准确性。 根据第一方面，本申请实施例提供了一种排污口识别方法，包括： 获取待识别的目标水体图像； 根据所述目标水体图像的图像特征与标准水体图像集中的各水体图像的图像特 征之间的关联关系，对所述目标水体图像进行排污口识别； 其中，标准水体图像中预先标注有排污口信息，排污口信息包括：排污口类型，以 及排污口在标准水体图像中的位置。 可选的，根据所述目标水体图像的图像特征与标准水体图像集中的各水体图像的 图像特征之间的关联关系，对所述目标水体图像进行排污口识别，包括： 将所述目标水体图像输入至预先训练的排污口识别模型中，并获取所述排污口识 别模型输出的排污口信息； 所述排污口识别模型通过所述标准水体图像集中的标准水体图像进行预先训练 得到。 可选的，在获取待识别的目标水体图像之前，还包括： 构建多个基础识别模型，其中，不同的基础识别模型对应不同的超参数设置方式； 将标准水体图像集划分为训练图像集以及测试图像集； 使用所述训练图像集中的各训练图像，对各所述基础识别模型进行训练，得到多 个备选识别模型； 使用所述测试图像集中的各测试图像，对各所述备选识别模型进行模型性能的验 证； 根据验证结果，在多个备选识别模型中，选取排污口识别模型。 可选的，所述基础识别模型包括：依次相连的迁移学习网络、区域生成网络以及目 5 CN 111582139 A 说　明　书 2/11 页 标分析网络；所述迁移学习网络，通过对预训练的卷积网络模型进行迁移学习得到；所述目 标分析网络包括依次相连的目标分类子网络以及回归分析子网络； 其中，在迁移学习网络中，按照从浅层到深层的顺序包括第一数量的第一类卷积 层以及第二数量的第二类卷积层； 所述第一类卷积层的模型参数直接迁移所述卷积网络模型的模型参数，所述第二 类卷积层的模型参数使用所述训练图像集训练得到。 可选的，使用所述训练图像集中的各训练图像，对所述基础识别模型进行训练，包 括： 使用各所述训练图像对所述基础识别模型的区域生成网络中的第一类参数进行 训练，第一类参数包括卷积层参数以及其他参数； 使用各所述训练图像对目标分析网络中的第二类参数进行训练，第二类参数包括 卷积层参数以及其他参数； 使用第二类参数中的卷积层参数替换所述第一类参数中的卷积层参数后，固定所 述区域生成网络中的卷积层参数，并使用各所述训练图像重新对所述区域生成网络中的其 他参数进行训练； 固定所述区域生成网络以及所述目标分析网络的卷积层后，将各所述训练图像输 入至所述基础识别模型中，以实现对所述基础识别模型的训练。 可选的，所述迁移学习网络，具体用于：形成与输入的训练图像匹配的图像特征， 并将所述图像特征传输至相连的区域生成网络； 所述区域生成网络，具体用于：形成与输入的图像特征匹配的多个候选区域，并将 各所述候选区域传输至相连的目标分析模型中； 所述目标分类子网络，具体用于：形成与输入的各所述候选区域分别对应的排污 口存在概率，并根据预设的排污口识别门限概率以及所述排污口存在概率，确定各所述候 选区域的排污口类型； 所述回归分析子网络，用于根据输入的训练图像，确定排污口识别位置，并对所述 排污口识别位置进行位置校正，以得到与各所述候选区域分别对应排污口信息。 可选的，根据验证结果，在多个备选识别模型中，选取排污口识别模型，包括： 根据所述验证结果中包括的识别准确度以及召回率，计算与各所述备选识别模型 分别对应的模型得分； 选取模型得分最大的备选识别模型，作为所述排污口识别模型。 可选的，基础识别模型中的超参数包括：排污口识别门限概率。 可选的，所述排污口识别模型预先打包生成lib库，并预运行于设定设备中； 将所述目标水体图像输入至预先训练的排污口识别模型中，并获取所述排污口识 别模型输出的所述排污口信息，具体包括： 通过接口调用的方式，将所述目标水体图像提供给所述设备中的所述排污口识别 模型，并获取所述接口反馈的所述排污口识别模型输出的所述排污口信息。 根据第二方面，本申请实施例还提供了一种排污口识别装置，包括： 图像获取模块，用于获取待识别的目标水体图像； 排污口识别模块，用于根据所述目标水体图像的图像特征与标准水体图像集中的 6 CN 111582139 A 说　明　书 3/11 页 各水体图像的图像特征之间的关联关系，对所述目标水体图像进行排污口识别； 其中，标准水体图像中预先标注有排污口信息，排污口信息包括：排污口类型，以 及排污口在标准水体图像中的位置。 根据第三方面，本申请实施例还提供了一种电子设备，包括： 至少一个处理器；以及 与所述至少一个处理器通信连接的存储器；其中， 所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一 个处理器执行，以使所述至少一个处理器能够执行如本申请实施例中任一所述的排污口识 别方法。 根据第四方面，本申请实施例还提供了一种存储有计算机指令的非瞬时计算机可 读存储介质，所述计算机指令用于使所述计算机执行如本申请实施例中任一所述的排污口 识别方法。 本申请实施例的技术方案，通过获取待识别的目标水体图像；并根据所述目标水 体图像的图像特征与标准水体图像集中的各水体图像的图像特征之间的关联关系，以及标 准水体图像中预先标注的排污口信息，对所述目标水体图像进行排污口识别，提高了排污 口的识别效率以及识别准确度。 应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特 征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。 附图说明 附图用于更好地理解本方案，不构成对本申请的限定。其中： 图1是根据本申请实施例公开的一种排污口识别方法的流程示意图； 图2是根据本申请实施例公开的另一种排污口识别方法的流程示意图； 图3是根据本申请实施例公开的一种排污口识别装置的结构示意图； 图4用来实现本申请实施例的排污口识别方法的电子设备的框图。