(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211003040.2 (22)申请日 2022.08.22 (65)同一申请的已公布的文献号 申请公布号 CN 115082276 A (43)申请公布日 2022.09.20 (73)专利权人 水利部珠 江水利委员会水文局 地址 510000 广东省广州市天河区天寿路 80号 (72)发明人 王少波　高龙华　何力劲　张舒　 张晓琳　袁皖华　熊玉龙　张根　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 江银会 (51)Int.Cl. G06Q 50/26(2012.01)G06Q 10/04(2012.01) G06K 9/62(2022.01) (56)对比文件 CN 112422783 A,2021.02.26 CN 111062361 A,2020.04.24 CN 114373128 A,202 2.04.19 CN 114373129 A,2022.04.19 CN 114565493 A,202 2.05.31 审查员 付佳宁 (54)发明名称 基于模型交 互的河湖乱象监测方法及装置 (57)摘要 本发明公开了一种基于模型交互的河湖乱 象监测方法及装置， 其中该方法包括： 获取目标 河湖区域对应的多个不同类型的监测数据； 将所 述监测数据分别输入至乱采判断算法模型、 乱占 判断算法模 型、 乱堆判断算法模 型和乱建判断算 法模型， 以确定对应的乱采预测概率、 乱占预测 概率、 乱堆预测概率和乱建预测概率； 根据所述 目标河湖区域对应的乱采预测概率、 乱占预测概 率、 乱堆预测概率和乱建预测概率， 确定对应的 目标乱象情况； 将所述监测数据和对应的数据采 集位置信息， 输入至对应的训练好的乱象区域判 定算法模型， 以得到对应的乱象区域信息。 可见， 本发明能够提高对河湖区域乱象的监测准确度 和监测效率， 为后续针对乱象区域的环境治理工 作提供帮助。 权利要求书3页 说明书15页 附图2页 CN 115082276 B 2022.12.06 CN 115082276 B 1.一种基于模型交 互的河湖乱象监测方法， 其特 征在于， 所述方法包括： 获取目标河湖区域对应的多个不同类型的监测数据； 所述监测数据的类型包括有遥感 图像数据、 无 人机图像数据、 区域设备定位数据、 区域沙层深度传感数据中的至少两种； 将所述监测数据分别输入至乱采判断算法模型、 乱占判断算法模型、 乱堆判断算法模 型和乱建判断算法模 型， 以确定所述目标河湖区域对应的乱采 预测概率、 乱占预测概率、 乱 堆预测概 率和乱建预测概 率； 根据所述目标河湖区域对应的乱采预测概率、 乱占预测概率、 乱堆预测概率和乱建预 测概率， 以及预设的现象关联规则， 确定每一预测概 率对应的概 率权重； 将所述乱采预测概率、 所述乱占预测概率、 所述乱堆预测概率和所述乱建预测概率分 别乘以对应的概率权重， 得到加权乱采 预测概率、 加权乱占预测概率、 加权乱 堆预测概率和 加权乱建预测概 率； 根据所述加权乱采预测概率、 所述加权乱占预测概率、 所述加权乱堆预测概率和所述 加权乱建预测概 率， 确定所述目标河湖区域对应的目标乱象情况； 将所述监测数据和对应的数据采集位置信 息， 输入至所述目标乱象情况对应的训练好 的乱象区域判定算法模型， 以得到所述目标河湖区域对应的乱象区域信息； 其中， 所述根据 所述加权乱采预测概率、 所述加权乱占预测概率、 所述加权乱堆预测概 率和所述加权乱建预测概 率， 确定所述目标河湖区域对应的目标乱象情况， 包括： 将所述加权乱采预测概率、 所述加权乱占预测概率、 所述加权乱堆预测概率和所述加 权乱建预测概率中大于预设的加权概率阈值的预测概率所对应的乱象类型， 确定为所述目 标河湖区域对应的目标乱象情况； 和/或， 对所述加权乱采预测概率、 所述加权乱占预测概率、 所述加权乱堆预测概率和所述加 权乱建预测概 率按照从大到小 进行排列， 得到概 率序列； 将所述概率序列中的前预设数量个预测概率所对应的乱象类型， 确定为所述目标河湖 区域对应的目标乱象情况。 2.根据权利要求1所述的基于模型交互 的河湖乱象监测方法， 其特征在于， 所述目标乱 象情况包括乱采现象、 乱占现象、 乱 堆现象和乱建现象中的至少一种； 所述乱象区域判定算 法模型包括乱采区域判定算法模型、 乱占区域判定算法模型、 乱堆区域判定算法模型和乱 建区域判定算法模型中的至少一种； 所述乱象区域信息包括乱采区域信息、 乱占区域信息、 乱堆区域信息和乱建区域信息中的至少一种。 3.根据权利要求2所述的基于模型交互 的河湖乱象监测方法， 其特征在于， 所述乱象区 域判定算法模型根据包括有多个训练监测数据和对应的预测标注的训练数据集训练得到； 其中， 所述预测标注包括采集位置标注、 乱象区域信息标注和乱象类型标注； 所述训练数据 集同样用于训练与所述乱象区域判定算法模型的乱象类型对应的判断算法模型； 所述判断 算法模型为所述乱采判断算法模型、 所述乱占判断算法模型、 所述乱堆判断算法模型或所 述乱建判断算法模型。 4.根据权利要求3所述的基于模型交互 的河湖乱象监测方法， 其特征在于， 所述乱象区 域判定算法模型与对应的所述判断算法模型进 行联合训练， 所述联合训练所依照的损失函 数为第一损失函数、 第二损失函数和第三损失函数的加权求和；权　利　要　求　书 1/3 页 2 CN 115082276 B 2其中， 所述第 一损失函数为输入所述乱象区域判定算法模型的训练数据对应的乱象区 域信息标注和所述乱象区域判定算法模型输出的预测区域之间的交叉熵损失； 所述第二损 失函数为输入所述判断算法模型的训练数据对应的乱象类型标注和所述判断算法模型输 出的预测乱象类型之 间的L1损失； 所述第三损失函数为针对任一训练数据的所述乱象区域 判定算法模型输出 的第一预测置信度与所述判断算法模型输出的第二预测置信度之间的 概率差值； 其中， 所述第一损 失函数、 所述第二损 失函数和所述第三损 失函数对应的权重之和为 1； 所述第一损失函数与所述第二损失函数的权 重相等并均小于所述第三损失函数的权 重。 5.根据权利要求1所述的基于模型交互 的河湖乱象监测方法， 其特征在于， 所述根据 所 述目标河湖区域对应的乱采预测概率、 乱占预测概率、 乱 堆预测概率和乱建预测概率， 以及 预设的现象关联规则， 确定每一预测概 率对应的概 率权重， 包括： 判断所述目标河湖区域对应的乱占预测概率和乱建预测概率是否均 大于概率阈值， 得 到第一判断结果； 判断所述目标河湖区域对应的乱采预测概率和乱堆预测概率是否均大于所述概率阈 值， 得到第二判断结果； 在所述第一判断结果为是而所述第 二判断结果为否时， 设置所述乱占预测概率和所述 乱建预测概 率的概率权重大于所述乱采预测概 率和所述乱堆预测概 率的概率权重； 在所述第二判断结果为是而所述第 一判断结果为否时， 设置所述乱占预测概率和所述 乱建预测概 率的概率权重小于所述乱采预测概 率和所述乱堆预测概 率的概率权重； 在所述第一判断结果和所述第 二判断结果相同时， 判断所述乱堆预测概率是否大于所 述概率阈值且所述乱采预测概率、 所述乱占预测概率或所述乱建预测概率大于所述概率阈 值， 得到第三判断结果； 在所述第三判断结果为是时， 设置所述乱堆预测概率的概率权重大于所述乱采预测概 率、 所述乱占预测概 率或所述乱建预测概 率的概率权重； 在所述第 三判断结果为否时， 设置所述乱采预测概率、 所述乱占预测概率、 所述乱堆预 测概率和所述乱建预测概 率的概率权重相同。 6.根据权利要求1所述的基于模型交互 的河湖乱象监测方法， 其特征在于， 所述目标河 湖区域对应的乱象区域信息包括多个不同类型的乱象区域； 所述方法还 包括： 确定出所述多个不同类型的乱象区域中存在重 叠区域的至少两个交集乱象区域； 判断所述至少两个交集乱象区域中的任意两个交集乱象区域对应的乱象类型是否存 在类型冲突情况； 所述类型冲突情况包括乱占类型、 乱采类型和乱建类型中的任意两种同 时存在； 若判断结果为是， 将该两个交集乱象区域对应的乱象类型对应的预测概率中更高的区 域进行保留， 并将另一区域进 行删除； 所述预测概率为类型预测概率 或加权预测概率； 所述 类型预测 概率为所述乱采预测概率、 所述乱占预测概率、 所述乱堆预测 概率或所述乱建预 测概率； 所述加权预测概率为所述加权乱采预测概率、 所述加权乱占预测概率、 所述加权乱 堆预测概 率和所述加权乱建预测概 率； 若判断结果 为否， 将该两个交集乱象区域进行融合。 7.一种基于模型交 互的河湖乱象监测装置， 其特 征在于， 所述装置包括：权　利　要　求　书 2/3 页 3 CN 115082276 B 3