基于图像识别技术的排污识别方法及装置.pdf

《基于图像识别技术的排污识别方法及装置.pdf》由会员分享，可在线阅读，更多相关《基于图像识别技术的排污识别方法及装置.pdf（17页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010110999.0 (22)申请日 2020.02.24 (71)申请人 江河瑞通 （北京） 技术有限公司 地址 100097 北京市海淀区蓝靛厂东路2号 院2号楼 （金源时代商务中心2号楼） 9 层2单元 （B座） 10E (72)发明人 陈鹏飞周威田丁邹煜 聂一亮林作永舒伟梁珂 (74)专利代理机构 北京三友知识产权代理有限 公司 11127 代理人 孙乳笋周永君 (51)Int.Cl. G06K 9/00(2006.01) G06K 9/62(2006.01) G。

2、06T 7/11(2017.01) G06T 7/62(2017.01) G06T 7/73(2017.01) (54)发明名称 一种基于图像识别技术的排污识别方法及 装置 (57)摘要 本发明提供了一种基于图像识别技术的排 污识别方法及装置， 包括： 获取排污口周边的视 频图像； 利用预先构建的排污口目标检测网络模 型识别排污口在视频图像中的位置坐标， 以获得 排污口的图像； 根据排污口的图像进行排污口排 污动态识别。 本申请实现了基于实时视频图像的 自动化排污口排污检测， 提高了工作效率的同时 降低了维护成本。 同时， 这种方法(装置)可以实 时监测和传回排污口的排污图像， 一旦发现异 常。

3、， 能够及时报警非法行为并且可以存储保留排 污图像作为非法排污的证据， 相比现有技术中的 人工督查和处罚， 更具有及时性， 并且更容易留 存证据作为后期使用。 权利要求书2页 说明书8页 附图6页 CN 111339907 A 2020.06.26 CN 111339907 A 1.一种基于图像识别技术的排污识别方法， 其特征在于， 包括： 获取排污口周边的视频图像； 利用预先构建的排污口目标检测网络模型识别排污口在所述视频图像中的位置坐标， 以获得排污口的图像； 根据所述排污口的图像进行排污口排污动态识别。 2.根据权利要求1所述的排污识别方法， 其特征在于， 预先构建排污口目标检测网络模 。

4、型的步骤包括： 获取所述目标检测网络模型所采用的网络以及训练参数； 将标注后的目标检测样本数据训练根据所述训练参数所述目标检测网络模型。 3.根据权利要求1所述的排污识别方法， 其特征在于， 所述根据所述排污口的图像进行 排污口排污动态识别， 包括： 根据所述排污口的图像获得对应的差值图像； 根据所述差值图像识别所述排污口是否在排污； 根据所述排污口的图像进行颜色区域分割； 根据分割的颜色区域进行污水判断； 所述根据所述差值图像识别所述排污口是否在排污， 包括： 计算所述排污口的图像中颜色变化区域的像素面积； 比较所述颜色变化区域的像素面积与预设的第一阈值的大小， 如果所述颜色变化区域 的像素。

5、面积大于预设的第一阈值， 则所述排污口正在排污。 4.根据权利要求3所述的排污识别方法， 其特征在于， 所述根据分割的颜色区域进行污 水判断， 包括： 计算所述排污区域的像素面积； 比较所述排污区域的像素面积与预设的第二阈值的大小， 如果大于第二阈值， 则所述 排污口排出的是污水。 5.一种基于图像识别技术的排污识别装置， 其特征在于， 包括： 视频获取单元， 用于获取排污口周边的视频图像； 位置坐标识别单元， 用于利用预先构建的排污口目标检测网络模型识别排污口在所述 视频图像中的位置坐标， 以获得排污口的图像； 排污动态识别单元， 用于根据所述排污口的图像进行排污口排污动态识别。 6.根据权。

6、利要求5所述的排污识别装置， 其特征在于， 预先构建排污口目标检测网络模 型的步骤包括： 获取所述目标检测网络模型所采用的网络以及训练参数； 将标注后的目标检测样本数据训练根据所述训练参数所述目标检测网络模型。 7.根据权利要求5所述的排污识别装置， 其特征在于， 所述排污动态识别单元， 包括： 差值图像获取模块， 用于根据所述排污口的图像获得对应的差值图像； 排污判断模块， 用于根据所述差值图像识别所述排污口是否在排污； 颜色分割模块， 用于根据所述排污口的图像进行颜色区域分割； 污水判断模块， 用于根据分割的颜色区域进行污水判断； 所述排污判断模块包括： 权利要求书 1/2 页 2 CN 。

7、111339907 A 2 第一计算模块， 用于计算所述排污口的图像中颜色变化区域的像素面积； 第一比较模块， 用于比较所述颜色变化区域的像素面积与预设的第一阈值的大小， 如 果所述颜色变化区域的像素面积大于预设的第一阈值， 则所述排污口正在排污。 8.根据权利要求7所述的排污识别装置， 其特征在于， 所述污水判断模块包括： 第二计算模块， 用于计算所述排污区域的像素面积； 第二比较模块， 用于比较所述排污区域的像素面积与预设的第二阈值的大小， 如果大 于第二阈值， 则所述排污口排出的是污水。 9.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在。

8、于， 所述处理器执行所述程序时实现权利要求1至4中任一项所述基于图 像识别技术的排污识别方法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该计算机程序被 处理器执行时实现权利要求1至4中任一项所述基于图像识别技术的排污识别方法。 权利要求书 2/2 页 3 CN 111339907 A 3 一种基于图像识别技术的排污识别方法及装置 技术领域 0001 本申请属于污水处理技术领域， 具体地讲， 涉及一种基于图像识别技术的排污识 别方法及装置。 背景技术 0002 污水排放一直是水资源污染的重要原因。 针对污水排放的人工监测需要耗费大量 的人力物力， 并且， 污水偷排通。

9、常存在较大的空间隐蔽性和时间上的无序性， 使用人工测量 的方式， 无法在24小时内及时的响应和监测， 因此， 这些因素给污水排放的监管带来了较大 的难度。 发明内容 0003 本申请提供了一种基于图像识别技术的排污识别方法及装置， 以至少解决现有技 术中针对污水排放的监管主要依赖人工， 从而导致无法进行24小时监管以及无法及时响应 和监测的问题。 0004 根据本申请的一个方面， 提供了一种基于图像识别技术的排污识别方法， 包括： 0005 获取排污口周边的视频图像； 0006 利用预先构建的排污口目标检测网络模型识别排污口在视频图像中的位置坐标， 以获得排污口的图像； 0007 根据排污口的。

10、图像进行排污口排污动态识别。 0008 在一实施例中， 预先构建排污口目标检测网络模型的步骤包括： 0009 获取目标检测网络模型所采用的网络以及训练参数； 0010 将标注后的目标检测样本数据训练根据训练参数目标检测网络模型。 0011 在一实施例中， 根据排污口的图像进行排污口排污动态识别， 包括： 0012 根据排污口的图像获得对应的差值图像； 0013 根据差值图像识别排污口是否在排污； 0014 根据排污口的图像进行颜色区域分割； 0015 根据分割的颜色区域进行污水判断。 0016 在一实施例中， 根据差值图像识别排污口是否在排污， 包括： 0017 计算排污口的图像中颜色变化区域。

11、的像素面积； 0018 比较颜色变化区域的像素面积与预设的第一阈值的大小， 如果颜色变化区域的像 素面积大于预设的第一阈值， 则排污口正在排污。 0019 在一实施例中， 根据分割的颜色区域进行污水判断， 包括： 0020 计算排污区域的像素面积； 0021 比较排污区域的像素面积与预设的第二阈值的大小， 如果大于第二阈值， 则排污 口排出的是污水。 0022 根据本申请的另一个方面， 还提供了一种基于图像识别技术的排污识别装置， 包 说明书 1/8 页 4 CN 111339907 A 4 括： 0023 视频获取单元， 用于获取排污口周边的视频图像； 0024 位置坐标识别单元， 用于利用。

12、预先构建的排污口目标检测网络模型识别排污口在 视频图像中的位置坐标， 以获得排污口的图像； 0025 排污动态识别单元， 用于根据排污口的图像进行排污口排污动态识别。 0026 在一实施例中， 预先构建排污口目标检测网络模型的步骤包括： 0027 获取目标检测网络模型所采用的网络以及训练参数； 0028 将标注后的目标检测样本数据训练根据训练参数目标检测网络模型。 0029 在一实施例中， 排污动态识别单元， 包括： 0030 差值图像获取模块， 用于根据排污口的图像获得对应的差值图像； 0031 排污判断模块， 用于根据差值图像识别排污口是否在排污； 0032 颜色分割模块， 用于根据排污口。

13、的图像进行颜色区域分割； 0033 污水判断模块， 用于根据分割的颜色区域进行污水判断。 0034 在一实施例中， 排污判断模块包括： 0035 第一计算模块， 用于计算排污口的图像中颜色变化区域的像素面积； 0036 第一比较模块， 用于比较颜色变化区域的像素面积与预设的第一阈值的大小， 如 果颜色变化区域的像素面积大于预设的第一阈值， 则排污口正在排污。 0037 在一实施例中， 污水判断模块包括： 0038 第二计算模块， 用于计算排污区域的像素面积； 0039 第二比较模块， 用于比较排污区域的像素面积与预设的第二阈值的大小， 如果大 于第二阈值， 则排污口排出的是污水。 0040 本。

14、申请将基于深度学习技术的图像识别模型应用于污水监管场景中， 基于深度学 习技术的图像识别模型具有较高的识别准确率和更好的鲁棒性， 能够在真实的场景中稳定 地工作， 弥补了用人工进行污水监控的不足， 能够进行24小时不间断监控并能够自动识别 污水排放状态从而进行实时报警。 附图说明 0041 为了更清楚地说明本发明实施例或现有技术中的技术方案， 下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍， 显而易见地， 下面描述中的附图仅仅是本 发明的一些实施例， 对于本领域普通技术人员来讲， 在不付出创造性劳动的前提下， 还可以 根据这些附图获得其他的附图。 0042 图1为本申请提供的一种。

15、基于图像识别技术的排污识别方法的流程图。 0043 图2为本申请实施例中预先构建排污口目标检测网络模型的步骤流程图。 0044 图3为本申请实施例中根据排污口的图像进行排污口排污动态识别的流程图。 0045 图4为本申请实施例中根据差值图像识别排污口是否在排污的流程图。 0046 图5为本申请实施例中根据分割的颜色区域进行污水判断的流程图。 0047 图6为本申请提供的一种基于图像识别技术的排污识别装置的结构框图。 0048 图7为本申请实施例中排污动态识别单元的结构框图。 0049 图8为本申请实施例中排污判断模块的结构框图。 说明书 2/8 页 5 CN 111339907 A 5 005。

16、0 图9为本申请实施例中污水判断模块的结构框图。 0051 图10为本申请实施例中提供的一种电子设备的具体实施方式； 0052 图11为本申请中排污口目标检测结果图； 0053 图12为本申请中裁剪后的排污口图像； 0054 图13为本申请帧间差分法查找变化区域示例图； 0055 图14为本申请HSV颜色转换图； 0056 图15为本申请HSV颜色空间范围表。 具体实施方式 0057 下面将结合本发明实施例中的附图， 对本发明实施例中的技术方案进行清楚、 完 整地描述， 显然， 所描述的实施例仅仅是本发明一部分实施例， 而不是全部的实施例。 基于 本发明中的实施例， 本领域普通技术人员在没有做。

17、出创造性劳动前提下所获得的所有其他 实施例， 都属于本发明保护的范围。 0058 污水排放一直是水资源污染的重要原因。 针对污水排放的人工监测需要耗费大量 的人力物力， 并且， 污水偷排通常存在较大的空间隐蔽性和时间上的无序性， 使用人工测量 的方式， 无法在24小时内及时的响应和监测， 因此， 这些因素给污水排放的监管带来了较大 的难度。 现今， 人工智能技术不断发展， 使得基于深度学习技术的图像识别模型得以被应 用。 深度学习技术利用海量的现有数据进行特征提取， 然后构建识别模型， 并将识别模型应 用于实际场景中。 基于深度学习技术的图像识别模型具有较高的识别准确率和较好的鲁棒 性， 使得。

18、模型能够在真实场景中稳定地工作。 0059 为了解决上述人工检测污水排放的弊端， 本申请基于深度学习技术和图像识别技 术， 提出了一种排污识别方法， 如图1所示， 包括： 0060 S101： 获取排污口周边的视频图像。 0061 在排污口周边安装摄像头， 对排污口进行24小时不间断录像， 获取排污口周边的 视频图像。 0062 S102： 利用预先构建的排污口目标检测网络模型识别排污口在视频图像中的位置 坐标， 以获得排污口的图像。 0063 在S101中获取了排污口周边的视频图像后将视频图像输入预先构建完成的排污 口目标检测网络模型， 通过排污口目标检测网络模型识别出排污口的具体位置坐标，。

19、 并根 据排污口的具体位置坐标获得排污口的具体图像。 0064 S103： 根据排污口的图像进行排污口排污动态识别。 0065 在S102中获得了排污口的具体图像后， 利用图像处理算法对排污口的图像进行处 理和计算， 获得排污口当下的排量并判断当前排污口排出的液体的颜色。 0066 图1所示的方法的执行主体可以为PC、 服务器等， 通过智能模型替代人工识别污水 排放并对污水排放进行监管， 实现了连续无间断化、 及时准确地报告并预警排污情况的功 能。 0067 在一实施例中， 如图2所示， 预先构建排污口目标检测网络模型的步骤包括： 0068 S201： 获取目标检测网络模型所采用的网络以及训练。

20、参数。 0069 在一具体实施例中， 在进行污水识别监控之前， 需要预先建立目标检测网络模型 说明书 3/8 页 6 CN 111339907 A 6 并以此自动识别排污口， 构建目标检测网络模型采用基于深度学习技术的faster-rcnn网 络， 然后获取大量的排污口周边的视频图像的样本数据并对模型训练所需要的视频图像 (样本数据)进行标注。 然后设置目标检测网络模型的训练参数， 将目标检测网络模型的训 练学习率设置为0.01， 动量设置为0.9， 权重衰减参数设置为0.0001， 模型训练迭代周期设 置为20个。 0070 S202： 将标注后的目标检测样本数据训练根据训练参数目标检测网络。

21、模型。 0071 将标注后的样本数据输入到已经完成参数设置的目标检测网络模型中， 对目标检 测网络模型进行训练， 直到完成设置的迭代周期。 0072 在一实施例中， 如图3所示， 根据排污口的图像进行排污口排污动态识别， 包括： 0073 S301： 根据排污口的图像获得对应的差值图像。 0074 在一具体实施例中， 将排污口的视频图像输入已经训练完成的目标检测网络模型 中， 如图11所示， 目标检测网络模型自动识别排污口并因此获得排污口在视频图像中的位 置坐标， 然后根据排污口的位置坐标， 目标检测网络模型将排污口从视频图像中单独剪裁 出来， 如图12所示， 得到排污口的图像。 在获得排污口。

22、的图像后， 利用帧间差值的图像处理 算法得到排污口的差值图像。 0075 S302： 根据差值图像识别排污口是否在排污。 0076 在一具体实施例中， 从S301中利用帧间差值图像处理算法获得排污口的差值图像 (如图13所示)后， 对排污口的差值图像进行计算， 计算差值图像中， 发生变化区域的像素面 积， 如果某一区域发生变化， 说明该区域为流动的水流， 因此通过计算变化区域的像素面积 即可知道水流(污水)的大小/流量。 0077 S303： 根据排污口的图像进行颜色区域分割。 0078 在一具体实施例中， 如图14所示将得到的排污口的图像利用HSV颜色分割算法进 行处理， 将排污口的图像转换。

23、到HSV颜色空间， 然后根据预设的颜色范围(如图15所示)对排 污口的图像进行颜色分割。 0079 S304： 根据分割的颜色区域进行污水判断。 0080 在一具体实施例中， 污水的颜色有别于清水， 利用HSV颜色分割算法将排污口的图 像中指定颜色的区域分割出来， 该区域即为指定颜色的污水， 从而判断从排污口中排出的 是否为污水。 0081 在一实施例中， 如图4所示， 根据差值图像识别排污口是否在排污， 包括： 0082 S401： 计算排污口的图像中颜色变化区域的像素面积。 0083 在一具体实施例中， 利用图像处理软件计算排污口的图像中颜色发生变化区域的 像素面积。 0084 S402：。

24、 比较颜色变化区域的像素面积与预设的第一阈值的大小， 如果颜色变化区 域的像素面积大于预设的第一阈值， 则排污口正在排污。 0085 在一具体实施例中， 在S401中通过计算得到的颜色发生变化的区域的像素面积， 将颜色发生变化的区域的像素面积与设置的阈值进行比较， 如果超过了阈值， 那么可认定 该排污口正在有液体排出(排污)； 如果没有超过阈值， 则不认定该排污口正在排污(因为排 出的水量过小， 可忽略不计)。 同时， 根据颜色发生变化的区域的像素面积还可以判断排出 水量的大小， 区域的像素面积越大， 说明水量越大， 区域的像素面积越小， 说明水量越小， 并 说明书 4/8 页 7 CN 11。

25、1339907 A 7 可以结合实际， 建立颜色发生变化的区域的像素面积与排污口实际排水量之间的映射关 系。 0086 在一实施例中， 如图5所示， 根据分割的颜色区域进行污水判断， 包括： 0087 S501： 计算排污区域的像素面积。 0088 利用HSV颜色分割算法将设定的颜色区域从排污口图像中划分出来后， 该设定的 颜色区域即为排污区域(指定颜色的污水)， 计算所述排污区域的像素面积， 即可得知排出 的是否为指定颜色的污水以及排出的指定颜色的污水是否超过了警戒值。 0089 S502： 比较排污区域的像素面积与预设的第二阈值的大小， 如果大于第二阈值， 则 排污口排出的是污水。 009。

26、0 在一具体实施例中， 通过计算变化区域的HSV图像， 根据表格查找指定颜色的区域 大小判断是否为污水。 即如果排污口图像中存在指定颜色区域， 那么可认定排污口排出的 液体中存在指定颜色的污水， 如果排污口图像中的指定颜色的污水的像素面积超过了预设 值(阈值)那么则可以认定该排污口存在非法排污、 偷排污的情况。 0091 一旦识别出某一排污口存在偷排污或非法排污的情况， 立刻启动报警装置， 并将 存在问题的排污口的位置以及排污情况通知相关部门的相关人员。 0092 本申请基于图像识别技术和深度学习技术， 建立了一种面向污水排放监测的自动 化识别方法， 通过利用图像识别模型和针对排污图像进行处理。

27、的相关方法， 实现了判断排 污口以及排污口的排水量， 并进而通过颜色判断排污口排出的是否为指定颜色污水并进行 报警的功能。 该方法可以通过摄像头获取实时的监控视频并可以实现全天不间断的自动化 污水排放识别和预警， 该方法可以代替人工观测污水排放， 降低污水排放监测的实现难度， 提高污水排放的监管效率。 0093 基于同一发明构思， 本申请实施例还提供了一种基于图像识别技术的排污识别装 置， 可以用于实现上述实施例中所描述的方法， 如下面实施例所述。 由于该基于图像识别技 术的排污识别装置解决问题的原理与基于图像识别技术的排污识别方法相似， 因此基于图 像识别技术的排污识别装置的实施可以参见基于。

28、图像识别技术的排污识别方法的实施， 重 复之处不再赘述。 以下所使用的， 术语 “单元” 或者 “模块” 可以实现预定功能的软件和/或硬 件的组合。 尽管以下实施例所描述的系统较佳地以软件来实现， 但是硬件， 或者软件和硬件 的组合的实现也是可能并被构想的。 0094 根据本申请的另一个方面， 还提供了一种基于图像识别技术的排污识别装置， 如 图6所示， 包括： 0095 视频获取单元601， 用于获取排污口周边的视频图像； 0096 位置坐标识别单元602， 用于利用预先构建的排污口目标检测网络模型识别排污 口在视频图像中的位置坐标， 以获得排污口的图像； 0097 排污动态识别单元603，。

29、 用于根据排污口的图像进行排污口排污动态识别。 0098 在一实施例中， 预先构建排污口目标检测网络模型的步骤包括： 0099 获取目标检测网络模型所采用的网络以及训练参数； 0100 将标注后的目标检测样本数据训练根据训练参数目标检测网络模型。 0101 在一实施例中， 如图7所示， 排污动态识别单元603， 包括： 0102 差值图像获取模块701， 用于根据排污口的图像获得对应的差值图像； 说明书 5/8 页 8 CN 111339907 A 8 0103 排污判断模块702， 用于根据差值图像识别排污口是否在排污； 0104 颜色分割模块703， 用于根据排污口的图像进行颜色区域分割；。

30、 0105 污水判断模块704， 用于根据分割的颜色区域进行污水判断。 0106 在一实施例中， 如图8所示， 排污判断模块702包括： 0107 第一计算模块801， 用于计算排污口的图像中颜色变化区域的像素面积； 0108 第一比较模块802， 用于比较颜色变化区域的像素面积与预设的第一阈值的大小， 如果颜色变化区域的像素面积大于预设的第一阈值， 则排污口正在排污。 0109 在一实施例中， 如图9所示， 污水判断模块704包括： 0110 第二计算模块901， 用于计算排污区域的像素面积； 0111 第二比较模块902， 用于比较排污区域的像素面积与预设的第二阈值的大小， 如果 大于第二。

31、阈值， 则排污口排出的是污水。 0112 通过本申请提供的排污识别装置， 实现了基于实时视频图像的自动化排污口排污 检测， 提高了工作效率的同时降低了维护成本。 同时， 这种方法(装置)可以实时监测和传回 排污口的派无图像， 一旦发现异常， 能够及时报警非法行为并且可以存储保留排污图像作 为非法排污的证据， 相比现有技术中的人工督查和处罚， 更具有及时性， 并且更容易留存证 据作为后期使用。 0113 本领域内的技术人员应明白， 本发明的实施例可提供为方法、 系统、 或计算机程序 产品。 因此， 本发明可采用完全硬件实施例、 完全软件实施例、 或结合软件和硬件方面的实 施例的形式。 而且， 本。

32、发明可采用在一个或多个其中包含有计算机可用程序代码的计算机 可用存储介质(包括但不限于磁盘存储器、 CD-ROM、 光学存储器等)上实施的计算机程序产 品的形式。 0114 本发明是参照根据本发明实施例的方法、 设备(系统)、 和计算机程序产品的流程 图和/或方框图来描述的。 应理解可由计算机程序指令实现流程图和/或方框图中的每一流 程和/或方框、 以及流程图和/或方框图中的流程和/或方框的结合。 可提供这些计算机程序 指令到通用计算机、 专用计算机、 嵌入式处理机或其他可编程数据处理设备的处理器以产 生一个机器， 使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实 现在流程图。

33、一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。 0115 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特 定方式工作的计算机可读存储器中， 使得存储在该计算机可读存储器中的指令产生包括指 令装置的制造品， 该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或 多个方框中指定的功能。 0116 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上， 使得在计 算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理， 从而在计算机或 其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一 个方框或多个方框。

34、中指定的功能的步骤。 0117 本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述， 以上实施例 的说明只是用于帮助理解本发明的方法及其核心思想； 同时， 对于本领域的一般技术人员， 依据本发明的思想， 在具体实施方式及应用范围上均会有改变之处， 综上所述， 本说明书内 容不应理解为对本发明的限制。 说明书 6/8 页 9 CN 111339907 A 9 0118 本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设 备的具体实施方式， 参见图10， 所述电子设备具体包括如下内容： 0119 处理器(processor)1001、 内存1002、 通信接口(Commu。

35、nications Interface) 1003、 总线1004和非易失性存储器1005； 0120 其中， 所述处理器1001、 内存1002、 通信接口1003通过所述总线1004完成相互间的 通信； 0121 所述处理器1001用于调用所述内存1002和非易失性存储器1005中的计算机程序， 所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤， 例如， 所述处 理器执行所述计算机程序时实现下述步骤： 0122 S101： 获取排污口周边的视频图像。 0123 S102： 利用预先构建的排污口目标检测网络模型识别排污口在视频图像中的位置 坐标， 以获得排污口的图像。 012。

36、4 S103： 根据排污口的图像进行排污口排污动态识别。 0125 本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机 可读存储介质， 所述计算机可读存储介质上存储有计算机程序， 该计算机程序被处理器执 行时实现上述实施例中的方法的全部步骤， 例如， 所述处理器执行所述计算机程序时实现 下述步骤： 0126 S101： 获取排污口周边的视频图像。 0127 S102： 利用预先构建的排污口目标检测网络模型识别排污口在视频图像中的位置 坐标， 以获得排污口的图像。 0128 S103： 根据排污口的图像进行排污口排污动态识别。 0129 本说明书中的各个实施例均采用递进的方式描。

37、述， 各个实施例之间相同相似的部 分互相参见即可， 每个实施例重点说明的都是与其他实施例的不同之处。 尤其， 对于硬件+ 程序类实施例而言， 由于其基本相似于方法实施例， 所以描述的比较简单， 相关之处参见方 法实施例的部分说明即可。 虽然本说明书实施例提供了如实施例或流程图所述的方法操作 步骤， 但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。 实施例中列举 的步骤顺序仅仅为众多步骤执行顺序中的一种方式， 不代表唯一的执行顺序。 在实际中的 装置或终端产品执行时， 可以按照实施例或者附图所示的方法顺序执行或者并行执行(例 如并行处理器或者多线程处理的环境， 甚至为分布式数据处理环。

38、境)。 术语 “包括” 、“包含” 或者其任何其他变体意在涵盖非排他性的包含， 从而使得包括一系列要素的过程、 方法、 产 品或者设备不仅包括那些要素， 而且还包括没有明确列出的其他要素， 或者是还包括为这 种过程、 方法、 产品或者设备所固有的要素。 在没有更多限制的情况下， 并不排除在包括所 述要素的过程、 方法、 产品或者设备中还存在另外的相同或等同要素。 为了描述的方便， 描 述以上装置时以功能分为各种模块分别描述。 当然， 在实施本说明书实施例时可以把各模 块的功能在同一个或多个软件和/或硬件中实现， 也可以将实现同一功能的模块由多个子 模块或子单元的组合实现等。 以上所描述的装置实。

39、施例仅仅是示意性的， 例如， 所述单元的 划分， 仅仅为一种逻辑功能划分， 实际实现时可以有另外的划分方式， 例如多个单元或组件 可以结合或者可以集成到另一个系统， 或一些特征可以忽略， 或不执行。 另一点， 所显示或 讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口， 装置或单元的间接耦 说明书 7/8 页 10 CN 111339907 A 10 合或通信连接， 可以是电性， 机械或其它的形式。 本发明是参照根据本发明实施例的方法、 设备(系统)、 和计算机程序产品的流程图和/或方框图来描述的。 应理解可由计算机程序指 令实现流程图和/或方框图中的每一流程和/或方框、 以及流程图。

40、和/或方框图中的流程和/ 或方框的结合。 可提供这些计算机程序指令到通用计算机、 专用计算机、 嵌入式处理机或其 他可编程数据处理设备的处理器以产生一个机器， 使得通过计算机或其他可编程数据处理 设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方 框或多个方框中指定的功能的装置。 0130 本领域技术人员应明白， 本说明书的实施例可提供为方法、 系统或计算机程序产 品。 因此， 本说明书实施例可采用完全硬件实施例、 完全软件实施例或结合软件和硬件方面 的实施例的形式。 而且， 本说明书实施例可采用在一个或多个其中包含有计算机可用程序 代码的计算机可用存储介质(包括但。

41、不限于磁盘存储器、 CD-ROM、 光学存储器等)上实施的 计算机程序产品的形式。 本说明书中的各个实施例均采用递进的方式描述， 各个实施例之 间相同相似的部分互相参见即可， 每个实施例重点说明的都是与其他实施例的不同之处。 尤其， 对于系统实施例而言， 由于其基本相似于方法实施例， 所以描述的比较简单， 相关之 处参见方法实施例的部分说明即可。 0131 在本说明书中， 对上述术语的示意性表述不必须针对的是相同的实施例或示例。 此外， 在不相互矛盾的情况下， 本领域的技术人员可以将本说明书中描述的不同实施例或 示例以及不同实施例或示例的特征进行结合和组合。 以上所述仅为本说明书实施例的实施 。

42、例而已， 并不用于限制本说明书实施例。 对于本领域技术人员来说， 本说明书实施例可以有 各种更改和变化。 凡在本说明书实施例的精神和原理之内所作的任何修改、 等同替换、 改进 等， 均应包含在本说明书实施例的权利要求范围之内。 说明书 8/8 页 11 CN 111339907 A 11 图1 图2 说明书附图 1/6 页 12 CN 111339907 A 12 图3 图4 说明书附图 2/6 页 13 CN 111339907 A 13 图5 图6 说明书附图 3/6 页 14 CN 111339907 A 14 图7 图8 说明书附图 4/6 页 15 CN 111339907 A 15 图9 图10 图11 说明书附图 5/6 页 16 CN 111339907 A 16 图12 图13 图14 图15 说明书附图 6/6 页 17 CN 111339907 A 17 。