面向边缘设备的基于深度神经网络的水质检测方法与流程

本发明涉及水质检测，具体涉及一种面向边缘设备的基于深度神经网络的水质检测方法。

背景技术：

1、水资源，尤其是淡水资源，作为生命之本的淡水资源一直是包括人类在内的各类生命赖以生存的必须条件，水质的健康与否也直接影响着各类生命的生命安全。

2、随着全球经济的快速发展，包括水污染、大气污染等在内的各类污染也日益严峻，水质安全也随之处于快速变化中，而基于中国的地理地貌，淡水资源在空间分布上呈现着散乱的状态，鉴于此，如何快速且全面实现对这些淡水资源水质的监测成为了亟待解决的问题。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足，本发明提供了一种面向边缘设备的基于深度神经网络的水质检测方法，解决了现有技术无法快速且全面实现对空间分布上呈现着散乱状态的淡水资源进行水质监测的技术问题。

3、(二)技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：

5、第一方面，本发明提供一种面向边缘设备的基于深度神经网络的水质检测方法，所述水质检测方法通过预先构建的神经网络模型对水质进行检测，所述神经网络模型包括骨干网络、颈部网络、悬浮物检测网络和水质预测网络，其中，所述骨干网络的输出输入到颈部网络中，颈部网络的输出分别输入到悬浮物检测网络与水质预测网络；所述水质检测方法包括：

6、获取待检测水样图像；

7、基于预设的神经网络模型对所述待检测水样图像进行处理，所述悬浮物检测网络输出水体图像样本中所存在的悬浮物的类别信息以及位置信息；所述水质预测网络输出水质预测得分、重点关注指标预测值。

8、优选的，所述神经网络模型的构建包括：

9、获取一定量的水样图像，并对所获取的水样图像按比例随机进行标注，得到的全部无标注图像以及90％的标注图像作为训练集，剩余10％的标注图像作为验证集；

10、所述训练集输入至所述神经网络模型中进行模型训练及模型参数调优，并保存训练好的神经网络模型；

11、其中，所述水质预测网络中的水质得分回归损失以及重点关注指标的回归损失均采取改进的余弦相似度回归损失度量函数：

12、设g∈rn*1表示原始的真实标注，设p∈rn*1表示模型直接输出的指标预测值，则有余弦相似度损失为lcs_reg＝1-cossim(g*gt,p*pt)；

13、式中，n表示待检测指标个数，cossim表示余弦相似度函数，*表示矩阵乘法，t表示矩阵转置。

14、优选的，在将所述训练集输入到神经网络模型之前，所述水质检测方法还包括：

15、对训练集中的任意标注图像通过强数据增强策略a得到增强样本集xl；

16、优选的，所述训练集中的任意标注图像输入至所述神经网络模型中进行模型训练及模型参数调优，包括：所述增强样本集xl通过骨干网络提取出水体图像的多尺度图像特征

17、其中，i表示多尺度特征的个数；

18、所述fl通过颈部网络进行多尺度特征融合得到混合特征fl；

19、所述悬浮物检测网络与水质预测网络分别接收到混合特征fl；

20、所述悬浮物检测网络输出水体图像样本中所存在的悬浮物的类别信息以及位置信息，并与标注的真值信息分别计算分类损失lcls与位置回归损失lreg；

21、所述水质预测网络将输出水质预测得分、重点关注指标预测值，并与标注的真值信息分别计算水质得分回归损失重点关注指标的回归损失

22、

23、其中，j表示第j个水质指标；

24、在完成各损失的计算后，通过求和各损失函数得到训练集中标注数据的最终损失ll；

25、

26、并通过标注数据的最终损失ll分别对标注过的悬浮物检测网络以及水质预测网络的参数进行更新。

27、优选的，在将所述训练集输入到神经网络模型之前，所述水质检测方法还包括：

28、对训练集中的任意无标注图像xu将分别经过强、弱数据增强得到强数据增强样本集与弱数据增强样本集

29、其中，强数据增强采用强数据增强策略a。

30、优选的，所述训练集中的任意无标注图像xu输入至所述神经网络模型中进行模型训练及模型参数调优，包括：

31、所述弱数据增强样本集依次通过骨干网络、颈部网络得到增强样本集所对应的混合特征，所述混合特征分别输入到悬浮物检测分支并得到悬浮物的分类信息与位置信息，以及水质预测分支中并得到水质得分与各重点指标预测值，并作为强数据增强样本集的伪标签；

32、其中，所述强数据增强样本集依次通过骨干网络、颈部网络得到弱数据增强样本集所对应的混合特征，所述混合特征将进一步输入到悬浮物检测网络与水质预测网络中得到相应的预测结果，所述预测结果分别与悬浮物的类别信息与位置信息计算分类损失与位置回归损失与水质得分与重点指标预测值计算与

33、

34、最终将得到无标注数据的最终损失并通过无标注数据的最终损失lu分别对未标注过的悬浮物检测网络以及水质预测网络的参数进行更新；

35、结合两部分损失函数得l＝ll+λlu，采用随机梯度下降法对l进行参数调优；

36、其中，λ为一个常数项，用于控制无标签数据对模型整体训练的强度。

37、优选的，获取的所述标注图像和无标注图像的比例为1:100。

38、优选的，所述强数据增强策略a包括以下至少一个：

39、基于opencv实现的传感器噪声模拟；

40、运动模糊模拟；

41、基于hsv颜色空间实现的光照环境变化模拟；

42、随机裁剪策略，设{x1,y1,x2,y2}表示为悬浮物的外接框的左上角坐标与右下角坐标，设δ∈[0,h]为一个随机值，则有裁剪区域表示为：{x1-δ,y1-δ,x2+δ,y2+δ}；

43、针对无悬浮物的图像样本，则进行随机裁剪；

44、其中，h为图像的长或宽。

45、第二方面，本发明提供一种计算机可读存储介质，其存储用于基于深度神经网络的水质检测的计算机程序，其中，所述计算机程序使得计算机执行基于深度神经网络的水质检测方法。

46、第三方面，本发明提供一种电子设备，包括：

47、一个或多个处理器，存储器，以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行基于深度神经网络的水质检测。

48、(三)有益效果

49、本发明提供了一种面向边缘设备的基于深度神经网络的水质检测方法。与现有技术相比，具备以下有益效果：

50、本发明通过将计算机视觉技术部署在边缘设备上完成对水样质量的快速筛查，输出预测的水样悬浮物位置及相关信息、水质得分评价、水质重点关注指标等信息，帮助实验人员快速发现并定位水样的质量问题，解决了现有技术无法快速且全面实现对空间分布上呈现着散乱状态的淡水资源进行水质监测的技术问题。