水域智能分析算法模型設(shè)計(jì)及優(yōu)化訓(xùn)練

孟凡龍

上海優(yōu)景智能科技股份有限公司 上海 200438

引言

什么是算法？算法理論上是一套復(fù)雜的數(shù)學(xué)公式，是有限且確定的一套解決方案或解決步驟，算法是需要通過學(xué)習(xí)來提升準(zhǔn)確率，算法效果好壞很大程度上取決于業(yè)務(wù)問題的抽象和轉(zhuǎn)化，對(duì)業(yè)務(wù)場景和需求的梳理，即將業(yè)務(wù)問題有效地轉(zhuǎn)為算法問題，設(shè)計(jì)最合適最高效的算法模型和框架實(shí)現(xiàn)業(yè)務(wù)目標(biāo)的應(yīng)用分析。針對(duì)水域圖像感知智能分析系統(tǒng)，建立算法倉庫，實(shí)現(xiàn)各類算法包的管理和存儲(chǔ)，支撐水域圖像感知智能分析，算法倉庫中算法的豐富多樣，是挖掘圖像感知蘊(yùn)含價(jià)值的關(guān)鍵點(diǎn)，結(jié)合水域業(yè)務(wù)應(yīng)用，針對(duì)水面漂浮物、侵占構(gòu)筑物、水體表征變化等事件采用集中分析模式，視頻智能分析軟件部署在云計(jì)算平臺(tái)。

1 算法應(yīng)用分析

水域智能分析智能算法整體采用GraphCut圖像分割經(jīng)典算法，GraphCut算法普遍應(yīng)用于前背景分割（Image segmentation）、立體視覺（stereo vision）、摳圖（Image matting）、圖像平滑（image smoothing）等。

在實(shí)際水域智能分析應(yīng)用中，采用了GraphCut算法的改進(jìn)版迭代GrabCut算法，該算法只需要極少量的用戶交互操作就可以得到理想的分割效果，在目標(biāo)位置畫一個(gè)框，即可分割提取目標(biāo)特征；同時(shí)因水域環(huán)境的很多目標(biāo)物是連接在一起的，如水質(zhì)惡化、污水等圖形分割較困難，一般結(jié)合分水嶺分割算法來處理，分水嶺分割算法就是把抓取的圖形看成一幅“地形圖”，其中亮度比較強(qiáng)的區(qū)域像素值較大，而比較暗的區(qū)域像素值較小，通過尋找“匯水盆地”和“分水嶺界限”，對(duì)圖像進(jìn)行分割，兩種算法相互結(jié)合可以實(shí)現(xiàn)更好的目標(biāo)提取分割效果。

基本步驟如下：第一，獲取水域彩色圖像，轉(zhuǎn)換為灰度圖像，把梯度幅值作為分割函數(shù)并進(jìn)行計(jì)算，圖像黑暗區(qū)域是要分割的目標(biāo)，一般用梯度模值進(jìn)行分水嶺算法得到的結(jié)果會(huì)有過度分割的情況，先用Grab Cut算法分別對(duì)前景對(duì)象和背景對(duì)象進(jìn)行標(biāo)記，分割效果會(huì)更好。第二，標(biāo)記前景對(duì)象，實(shí)現(xiàn)每個(gè)對(duì)象內(nèi)部連接的斑點(diǎn)像素標(biāo)記；計(jì)算前景標(biāo)志，常用開運(yùn)算、閉運(yùn)算剔除比結(jié)構(gòu)元素小的特定圖像細(xì)節(jié)，同時(shí)保證不產(chǎn)生全局幾何失真。第三，標(biāo)記背景對(duì)象，是指不屬于任何目標(biāo)的像素，一般清理后的圖像暗像素屬于背景，計(jì)算背景標(biāo)志可以從閥值操作開始，背景像素在黑色區(qū)域，一般通過計(jì)算“骨架影響范圍”來“細(xì)化”背景，通過計(jì)算BW（黑白）的距離變換的分水嶺變換來實(shí)現(xiàn)，然后尋找結(jié)果的分水嶺脊線。第四，計(jì)算分割函數(shù)的分水嶺變換，通過修改梯度幅值圖像，使其僅在前景和后景標(biāo)記位置有極小值，然后做基于分水嶺的圖像分割計(jì)算；第五，顯著目標(biāo)獲取與特征提取，像素分割計(jì)算后的圖像以區(qū)域?yàn)閱挝环謩e計(jì)算獨(dú)特性與空間分布兩個(gè)特征，將二者結(jié)合并為每個(gè)像素分配顯著性值得到最終的顯著圖，結(jié)合超像素分割方法進(jìn)行顯著性目標(biāo)提取。第六，實(shí)現(xiàn)結(jié)果可視化，疊加前景標(biāo)記、背景標(biāo)記、分割對(duì)象邊界到初始圖像，以及對(duì)目標(biāo)特征提取進(jìn)行顯示。最后可以通過人機(jī)交互進(jìn)行迭代，人為固定一些像素是目標(biāo)或背景像素，執(zhí)行上述步驟，重復(fù)整個(gè)迭代算法，實(shí)現(xiàn)算法迭代優(yōu)化[1]。

2 分析識(shí)別模型設(shè)計(jì)

水域涉及的識(shí)別物在圖像監(jiān)控畫面中清晰可見時(shí)，主要涉及的分析識(shí)別模型如下：

2.1 水面漂浮物識(shí)別模型

識(shí)別視頻圖像中的浮藻、水葫蘆、生活垃圾等水面漂浮物，標(biāo)注和統(tǒng)計(jì)圖像中漂浮物數(shù)量，結(jié)合監(jiān)控錄像跟蹤分析水面漂浮物的擴(kuò)散和去向。

2.2 水位線識(shí)別模型

水位線識(shí)別模型自動(dòng)識(shí)別堤防、水庫、水閘、岸線邊坡等目標(biāo)水工建筑物與水的位置關(guān)系或交匯關(guān)系，對(duì)水位警戒線進(jìn)行標(biāo)記，一旦發(fā)現(xiàn)水位上漲超過水位警戒線則觸發(fā)告警，防范出現(xiàn)漫壩漫堤的險(xiǎn)情險(xiǎn)況。

2.3 水質(zhì)惡化識(shí)別模型

水質(zhì)惡化識(shí)別通過圖像識(shí)別出的水體表征變化信息，包括水體發(fā)黑、水體發(fā)綠、水體由清澈變渾濁等水體表征變化情況，可查看識(shí)別的圖像畫面，同時(shí)可顯示標(biāo)注、進(jìn)行自動(dòng)預(yù)警、統(tǒng)計(jì)的水體表征變化點(diǎn)數(shù)量。

2.4 拋投垃圾識(shí)別模型

構(gòu)建拋投垃圾識(shí)別模型，識(shí)別人群岸邊拋物的行為，一旦發(fā)現(xiàn)違禁行為立即觸發(fā)告警，同時(shí)云端支持錄制現(xiàn)場實(shí)況，作為違禁行為的問責(zé)依據(jù)。

2.5 傾倒污水識(shí)別模型

構(gòu)建傾倒污水識(shí)別模型，識(shí)別人群向河道傾倒污水的行為，一旦發(fā)現(xiàn)違禁行為立即觸發(fā)告警，同時(shí)云端支持錄制現(xiàn)場實(shí)況，作為違禁行為的問責(zé)依據(jù)。

2.6 違章構(gòu)筑物識(shí)別模型

構(gòu)件違章構(gòu)筑物識(shí)別明，對(duì)水域附近違章構(gòu)筑物進(jìn)行識(shí)別，主要包括彩板房、玻璃房、磚混結(jié)構(gòu)、磚瓦房等，標(biāo)注和統(tǒng)計(jì)侵占情況，一旦發(fā)現(xiàn)并確認(rèn)為違章構(gòu)筑物即觸發(fā)告警，同步將報(bào)警信息發(fā)送相關(guān)管理者[2]。

3 算法模型優(yōu)化訓(xùn)練

針對(duì)已經(jīng)建設(shè)的睡眠漂浮物識(shí)別模型、水位線識(shí)別模型、水質(zhì)惡化識(shí)別模型、拋投垃圾識(shí)別模型、傾倒污水識(shí)別模型等算法等進(jìn)行優(yōu)化訓(xùn)練。

3.1 水面漂浮物識(shí)別模型算法優(yōu)化訓(xùn)練

針對(duì)指定圖像感知位置情況，以及模型運(yùn)行期間的誤報(bào)及漏報(bào)情況，對(duì)水面漂浮物識(shí)別分析模型進(jìn)行優(yōu)化訓(xùn)練，提升模型準(zhǔn)確率。算法優(yōu)化訓(xùn)練的關(guān)鍵步驟：第一，收集水面漂浮物視頻拍攝素材，通過擴(kuò)增樣本和樣本泛化技術(shù)進(jìn)行水面漂浮物識(shí)別；第二，進(jìn)行樣本均衡處理，初期的素材往往負(fù)樣本（沒有異情場景的照片）數(shù)量遠(yuǎn)遠(yuǎn)大于正樣本（有異情場景照片）數(shù)量，需要算法以保證訓(xùn)練樣本相對(duì)均衡且樣本分布均勻；第三，進(jìn)行圖像預(yù)處理，采用圖像標(biāo)準(zhǔn)化及主要區(qū)域分割技術(shù)，識(shí)別有水面漂浮物的區(qū)域；第四，遠(yuǎn)景小目標(biāo)強(qiáng)化訓(xùn)練技術(shù)，高空監(jiān)控場景中，1～2公里處的水面漂浮物目標(biāo)往往較小，不易區(qū)分；需要通過小目標(biāo)專用強(qiáng)化訓(xùn)練算法提高遠(yuǎn)景小目標(biāo)識(shí)別能力；第五，遠(yuǎn)景小目標(biāo)甄別技術(shù)訓(xùn)練，高空監(jiān)控場景中，遠(yuǎn)景的水面漂浮物目標(biāo)的確和異情很像，需要訓(xùn)練局部圖像語義算法以提高后期目標(biāo)甄別準(zhǔn)確度；第六，常見易誤報(bào)場景特征分離技術(shù)，如果不包含語義分析，僅僅從局部圖像特征看，容易誤報(bào)，需要通過強(qiáng)化訓(xùn)練網(wǎng)絡(luò)來區(qū)別各種常見誤報(bào)場景；第七，最終通過算法優(yōu)化，本模型涉及的識(shí)別物在圖像感知畫面中清晰可見時(shí)，實(shí)現(xiàn)水面漂浮物識(shí)別；第八，樣本集：3000 個(gè)（一張里面可能有多個(gè)），準(zhǔn)確率>90%，漏檢率≤10%， 誤檢：≤2次/小時(shí)，結(jié)果類型為圖片。

3.2 水位線識(shí)別模型算法優(yōu)化訓(xùn)練

針對(duì)指定圖像感知位置情況，以及模型運(yùn)行期間的誤報(bào)及漏報(bào)情況，對(duì)水位線識(shí)別模 型進(jìn)行優(yōu)化，提升模型準(zhǔn)確率。

算法優(yōu)化訓(xùn)練的關(guān)鍵步驟：第一，收集水位線識(shí)別視頻拍攝素材，通過擴(kuò)增樣本和樣本泛化技術(shù)進(jìn)行水位線識(shí)別；第二，第二至第六同水面漂浮物識(shí)別模型算法優(yōu)化訓(xùn)練步驟；第三，最終通過算法優(yōu)化，本模型涉及的水位識(shí)別物在視頻監(jiān)控畫面中清晰可見時(shí)，實(shí)現(xiàn)水尺水位識(shí)別。第四，水尺水位刻度讀數(shù)識(shí)別在1cm內(nèi)，河岸虛擬水尺水位線識(shí)別在5cm內(nèi)；結(jié)果：讀數(shù)；樣本量：水尺，1000張，水面2000張[3]。

3.3 水質(zhì)惡化識(shí)別模型算法優(yōu)化訓(xùn)練

針對(duì)指定圖像感知位置情況，以及模型運(yùn)行期間的誤報(bào)及漏報(bào)情況，對(duì)水質(zhì)惡化識(shí)別分析模型進(jìn)行優(yōu)化，提升模型準(zhǔn)確率。主要是識(shí)別水質(zhì)惡化后產(chǎn)生的水葫蘆、藍(lán)藻。算法優(yōu)化訓(xùn)練的關(guān)鍵步驟：第一，收集水質(zhì)惡化的視頻拍攝素材，通過擴(kuò)增樣本和樣本泛化技術(shù)進(jìn)行水質(zhì)惡化識(shí)別；第二，第二至第六同水面漂浮物識(shí)別模型算法優(yōu)化訓(xùn)練步驟；第三，最終通過算法優(yōu)化訓(xùn)練，本模型涉及的識(shí)別物在視頻監(jiān)控畫面中清晰可見時(shí)，實(shí)現(xiàn)水質(zhì)惡化區(qū)域的識(shí)別；第四，樣本集：5000個(gè)，準(zhǔn)確率>80%，漏檢率：≤20%，誤檢率：≤2次/天，結(jié)果類型：圖片。

3.4 拋投垃圾識(shí)別模型算法優(yōu)化訓(xùn)練

針對(duì)指定圖像感知位置情況，以及模型運(yùn)行期間的誤報(bào)及漏報(bào)情況，對(duì)拋投垃圾識(shí)別分析模型進(jìn)行優(yōu)化，提升模型準(zhǔn)確率。算法優(yōu)化訓(xùn)練的關(guān)鍵步驟：第一，收集拋投垃圾的視頻拍攝素材，通過擴(kuò)增樣本和樣本泛化技術(shù)進(jìn)行拋投垃圾識(shí)別；第二，第二至第六同水面漂浮物識(shí)別模型算法優(yōu)化訓(xùn)練步驟；第三，最終通過算法優(yōu)化，本模型涉及的識(shí)別物在視頻監(jiān)控畫面中清晰可見時(shí)，實(shí)現(xiàn)拋投垃圾識(shí)別；第四，樣本集：2000個(gè)，準(zhǔn)確率>80%，漏檢率：≤20%，誤檢率：≤8次/天，有效距離：30米，結(jié)果類型：2秒短視頻。

3.5 傾倒污水識(shí)別模型算法優(yōu)化

針對(duì)指定圖像感知位置情況，以及模型運(yùn)行期間的誤報(bào)及漏報(bào)情況，對(duì)傾倒污水識(shí)別分析模型進(jìn)行優(yōu)化，提升模型準(zhǔn)確率[4]。算法優(yōu)化訓(xùn)練的關(guān)鍵步驟：第一，收集傾倒污水的視頻拍攝素材，通過擴(kuò)增樣本和樣本泛化技術(shù)進(jìn)行傾倒污水識(shí)別；第二，第二至第六同水面漂浮物識(shí)別模型算法優(yōu)化訓(xùn)練步驟；第三，終通過算法優(yōu)化，本模型涉及的識(shí)別物在視頻監(jiān)控畫面中清晰可見時(shí)，實(shí)現(xiàn)傾倒污水識(shí)別；第四，樣本集：2000個(gè)，準(zhǔn)確率>85%，漏檢率：≤15%，誤檢率：≤6次/天，有效距離：30米，結(jié)果類型：2秒短視頻。

3.6 違章構(gòu)筑物識(shí)別模型算法優(yōu)化

針對(duì)指定圖像感知現(xiàn)場情況，以及模型運(yùn)行期間的誤報(bào)及漏報(bào)情況，對(duì)違章構(gòu)筑物識(shí)別分析模型進(jìn)行優(yōu)化，提升模型準(zhǔn)確率。算法優(yōu)化訓(xùn)練的關(guān)鍵步驟：第一，收集違章構(gòu)筑物視頻拍攝素材，通過擴(kuò)增樣本和樣本泛化技術(shù)進(jìn)行傾倒污水識(shí)別；第二，第二至第六同水面漂浮物識(shí)別模型算法優(yōu)化訓(xùn)練步驟；第三，終通過算法優(yōu)化，本模型涉及的識(shí)別物在視頻監(jiān)控畫面中清晰可見時(shí)，實(shí)現(xiàn)違章構(gòu)筑物識(shí)別；第四，樣本集：3000個(gè)，準(zhǔn)確率>80%，漏檢率：≤15%，誤檢率：≤3次/天，有效距離：無，結(jié)果類型：圖片對(duì)比[5]。

4 結(jié)束語

通過AI訓(xùn)練平臺(tái)建立針對(duì)水域的水面漂浮物、水位線、水質(zhì)惡化、拋投垃圾、傾倒污水、違章構(gòu)筑物等現(xiàn)象的相對(duì)應(yīng)的分析模型，人工標(biāo)注被檢物，不斷進(jìn)行模型訓(xùn)練學(xué)習(xí)最后能夠動(dòng)態(tài)識(shí)別被檢物體，并產(chǎn)生告警信息，在不需要人為干預(yù)的情況下對(duì)圖像感知場景進(jìn)行自動(dòng)分析，及時(shí)做出信息提醒，為水域管理提供強(qiáng)有力的智能化手段。