孟凡龙

上海优景智能科技股份有限公司 上海 200438

引言

什么是算法？算法理论上是一套复杂的数学公式，是有限且确定的一套解决方案或解决步骤，算法是需要通过学习来提升准确率，算法效果好坏很大程度上取决于业务问题的抽象和转化，对业务场景和需求的梳理，即将业务问题有效地转为算法问题，设计最合适最高效的算法模型和框架实现业务目标的应用分析。针对水域图像感知智能分析系统，建立算法仓库，实现各类算法包的管理和存储，支撑水域图像感知智能分析，算法仓库中算法的丰富多样，是挖掘图像感知蕴含价值的关键点，结合水域业务应用，针对水面漂浮物、侵占构筑物、水体表征变化等事件采用集中分析模式，视频智能分析软件部署在云计算平台。

1 算法应用分析

水域智能分析智能算法整体采用GraphCut图像分割经典算法，GraphCut算法普遍应用于前背景分割（Image segmentation）、立体视觉（stereo vision）、抠图（Image matting）、图像平滑（image smoothing）等。

在实际水域智能分析应用中，采用了GraphCut算法的改进版迭代GrabCut算法，该算法只需要极少量的用户交互操作就可以得到理想的分割效果，在目标位置画一个框，即可分割提取目标特征；同时因水域环境的很多目标物是连接在一起的，如水质恶化、污水等图形分割较困难，一般结合分水岭分割算法来处理，分水岭分割算法就是把抓取的图形看成一幅“地形图”，其中亮度比较强的区域像素值较大，而比较暗的区域像素值较小，通过寻找“汇水盆地”和“分水岭界限”，对图像进行分割，两种算法相互结合可以实现更好的目标提取分割效果。

基本步骤如下：第一，获取水域彩色图像，转换为灰度图像，把梯度幅值作为分割函数并进行计算，图像黑暗区域是要分割的目标，一般用梯度模值进行分水岭算法得到的结果会有过度分割的情况，先用Grab Cut算法分别对前景对象和背景对象进行标记，分割效果会更好。第二，标记前景对象，实现每个对象内部连接的斑点像素标记；计算前景标志，常用开运算、闭运算剔除比结构元素小的特定图像细节，同时保证不产生全局几何失真。第三，标记背景对象，是指不属于任何目标的像素，一般清理后的图像暗像素属于背景，计算背景标志可以从阀值操作开始，背景像素在黑色区域，一般通过计算“骨架影响范围”来“细化”背景，通过计算BW（黑白）的距离变换的分水岭变换来实现，然后寻找结果的分水岭脊线。第四，计算分割函数的分水岭变换，通过修改梯度幅值图像，使其仅在前景和后景标记位置有极小值，然后做基于分水岭的图像分割计算；第五，显著目标获取与特征提取，像素分割计算后的图像以区域为单位分别计算独特性与空间分布两个特征，将二者结合并为每个像素分配显著性值得到最终的显著图，结合超像素分割方法进行显著性目标提取。第六，实现结果可视化，叠加前景标记、背景标记、分割对象边界到初始图像，以及对目标特征提取进行显示。最后可以通过人机交互进行迭代，人为固定一些像素是目标或背景像素，执行上述步骤，重复整个迭代算法，实现算法迭代优化[1]。

2 分析识别模型设计

水域涉及的识别物在图像监控画面中清晰可见时，主要涉及的分析识别模型如下：

2.1 水面漂浮物识别模型

识别视频图像中的浮藻、水葫芦、生活垃圾等水面漂浮物，标注和统计图像中漂浮物数量，结合监控录像跟踪分析水面漂浮物的扩散和去向。

2.2 水位线识别模型

水位线识别模型自动识别堤防、水库、水闸、岸线边坡等目标水工建筑物与水的位置关系或交汇关系，对水位警戒线进行标记，一旦发现水位上涨超过水位警戒线则触发告警，防范出现漫坝漫堤的险情险况。

2.3 水质恶化识别模型

水质恶化识别通过图像识别出的水体表征变化信息，包括水体发黑、水体发绿、水体由清澈变浑浊等水体表征变化情况，可查看识别的图像画面，同时可显示标注、进行自动预警、统计的水体表征变化点数量。

2.4 抛投垃圾识别模型

构建抛投垃圾识别模型，识别人群岸边抛物的行为，一旦发现违禁行为立即触发告警，同时云端支持录制现场实况，作为违禁行为的问责依据。

2.5 倾倒污水识别模型

构建倾倒污水识别模型，识别人群向河道倾倒污水的行为，一旦发现违禁行为立即触发告警，同时云端支持录制现场实况，作为违禁行为的问责依据。

2.6 违章构筑物识别模型

构件违章构筑物识别明，对水域附近违章构筑物进行识别，主要包括彩板房、玻璃房、砖混结构、砖瓦房等，标注和统计侵占情况，一旦发现并确认为违章构筑物即触发告警，同步将报警信息发送相关管理者[2]。

3 算法模型优化训练

针对已经建设的睡眠漂浮物识别模型、水位线识别模型、水质恶化识别模型、抛投垃圾识别模型、倾倒污水识别模型等算法等进行优化训练。

3.1 水面漂浮物识别模型算法优化训练

针对指定图像感知位置情况，以及模型运行期间的误报及漏报情况，对水面漂浮物识别分析模型进行优化训练，提升模型准确率。算法优化训练的关键步骤：第一，收集水面漂浮物视频拍摄素材，通过扩增样本和样本泛化技术进行水面漂浮物识别；第二，进行样本均衡处理，初期的素材往往负样本（没有异情场景的照片）数量远远大于正样本（有异情场景照片）数量，需要算法以保证训练样本相对均衡且样本分布均匀；第三，进行图像预处理，采用图像标准化及主要区域分割技术，识别有水面漂浮物的区域；第四，远景小目标强化训练技术，高空监控场景中，1～2公里处的水面漂浮物目标往往较小，不易区分；需要通过小目标专用强化训练算法提高远景小目标识别能力；第五，远景小目标甄别技术训练，高空监控场景中，远景的水面漂浮物目标的确和异情很像，需要训练局部图像语义算法以提高后期目标甄别准确度；第六，常见易误报场景特征分离技术，如果不包含语义分析，仅仅从局部图像特征看，容易误报，需要通过强化训练网络来区别各种常见误报场景；第七，最终通过算法优化，本模型涉及的识别物在图像感知画面中清晰可见时，实现水面漂浮物识别；第八，样本集：3000 个（一张里面可能有多个），准确率>90%，漏检率≤10%， 误检：≤2次/小时，结果类型为图片。

3.2 水位线识别模型算法优化训练

针对指定图像感知位置情况，以及模型运行期间的误报及漏报情况，对水位线识别模 型进行优化，提升模型准确率。

算法优化训练的关键步骤：第一，收集水位线识别视频拍摄素材，通过扩增样本和样本泛化技术进行水位线识别；第二，第二至第六同水面漂浮物识别模型算法优化训练步骤；第三，最终通过算法优化，本模型涉及的水位识别物在视频监控画面中清晰可见时，实现水尺水位识别。第四，水尺水位刻度读数识别在1cm内，河岸虚拟水尺水位线识别在5cm内；结果：读数；样本量：水尺，1000张，水面2000张[3]。

3.3 水质恶化识别模型算法优化训练

针对指定图像感知位置情况，以及模型运行期间的误报及漏报情况，对水质恶化识别分析模型进行优化，提升模型准确率。主要是识别水质恶化后产生的水葫芦、蓝藻。算法优化训练的关键步骤：第一，收集水质恶化的视频拍摄素材，通过扩增样本和样本泛化技术进行水质恶化识别；第二，第二至第六同水面漂浮物识别模型算法优化训练步骤；第三，最终通过算法优化训练，本模型涉及的识别物在视频监控画面中清晰可见时，实现水质恶化区域的识别；第四，样本集：5000个，准确率>80%，漏检率：≤20%，误检率：≤2次/天，结果类型：图片。

3.4 抛投垃圾识别模型算法优化训练

针对指定图像感知位置情况，以及模型运行期间的误报及漏报情况，对抛投垃圾识别分析模型进行优化，提升模型准确率。算法优化训练的关键步骤：第一，收集抛投垃圾的视频拍摄素材，通过扩增样本和样本泛化技术进行抛投垃圾识别；第二，第二至第六同水面漂浮物识别模型算法优化训练步骤；第三，最终通过算法优化，本模型涉及的识别物在视频监控画面中清晰可见时，实现抛投垃圾识别；第四，样本集：2000个，准确率>80%，漏检率：≤20%，误检率：≤8次/天，有效距离：30米，结果类型：2秒短视频。

3.5 倾倒污水识别模型算法优化

针对指定图像感知位置情况，以及模型运行期间的误报及漏报情况，对倾倒污水识别分析模型进行优化，提升模型准确率[4]。算法优化训练的关键步骤：第一，收集倾倒污水的视频拍摄素材，通过扩增样本和样本泛化技术进行倾倒污水识别；第二，第二至第六同水面漂浮物识别模型算法优化训练步骤；第三，终通过算法优化，本模型涉及的识别物在视频监控画面中清晰可见时，实现倾倒污水识别；第四，样本集：2000个，准确率>85%，漏检率：≤15%，误检率：≤6次/天，有效距离：30米，结果类型：2秒短视频。

3.6 违章构筑物识别模型算法优化

针对指定图像感知现场情况，以及模型运行期间的误报及漏报情况，对违章构筑物识别分析模型进行优化，提升模型准确率。算法优化训练的关键步骤：第一，收集违章构筑物视频拍摄素材，通过扩增样本和样本泛化技术进行倾倒污水识别；第二，第二至第六同水面漂浮物识别模型算法优化训练步骤；第三，终通过算法优化，本模型涉及的识别物在视频监控画面中清晰可见时，实现违章构筑物识别；第四，样本集：3000个，准确率>80%，漏检率：≤15%，误检率：≤3次/天，有效距离：无，结果类型：图片对比[5]。

4 结束语

通过AI训练平台建立针对水域的水面漂浮物、水位线、水质恶化、抛投垃圾、倾倒污水、违章构筑物等现象的相对应的分析模型，人工标注被检物，不断进行模型训练学习最后能够动态识别被检物体，并产生告警信息，在不需要人为干预的情况下对图像感知场景进行自动分析，及时做出信息提醒，为水域管理提供强有力的智能化手段。