CN104809350B - 海洋垃圾和生物个体的区分方法 - Google Patents

Abstract

本发明提供一种海洋垃圾和生物个体的区分方法包括：建立学习样例；基于学习样例进行马尔科夫模型学习；以学习获得的马尔科夫模型对探测物体进行海洋垃圾和生物个体的分类判断。其中，以学习获得的马尔科夫模型对探测物体进行海洋垃圾和生物个体的分类判断具体包括：对探测物体进行初步定位；在一段时间内跟踪探测物体的位置，获得各监测时刻探测物体的移动参数，并形成移动参数变化序列；计算获得的移动参数变化序列与学习所获得马尔科夫模型的吻合程度；当计算所得吻合程度大于或等于设定阈值时，判断探测物体为海洋垃圾。

Description

海洋垃圾和生物个体的区分方法

技术领域

本发明涉及海洋生态环境检测技术领域，且特别涉及一种海洋垃圾和生物个体的区分方法。

背景技术

目前评估漂浮垃圾的数量、种类和分布的三种技术：来自期刊《海洋环境科学》第16卷第2期的文章《海洋环境中漂浮垃圾的监测方法》介绍了以下三种技术：

1.统计人员通过调查过往船只来估算漂浮垃圾的种类及数量。该方法根据统计人员日均抛投的垃圾数量，进行相关的数理统计后，得出某海域年均漂浮垃圾的数量。由于该方法需要收集足够的信息和专业的统计人员，由于统计人员的个体存在差异，因此统计出来的结论有较大的差异。

2.通过现场调查来确定漂浮垃圾的密度和类型。(1)使用飞机对某一海域漂浮垃圾进行调查观测，收集有关漂浮垃圾分布和数量的资料；(2)借助其它海上监测船、游船或货船共同进行，根据船只的航线进行有限观测。两种方式均要求有合适的海况(<3级)和良好的能见度，前者置信水平高而后者费用低。

3.人工海滩观测监测漂浮垃圾的状况。由于海洋中的部分漂浮垃圾受风向和海流的影响，不一定完全漂浮到岸边，该方法使总估计量偏低。

综上，漂浮垃圾的检测还缺乏经济、有效的方法；而海面下悬浮垃圾和海底垃圾的检测亟需进行相关的研究和实践。

发明内容

本发明为了克服现有的海洋垃圾检测技术存在检测精度和经济费用难平衡的问题，提供一种经济、有效的海洋垃圾和生物个体的区分方法。

为了实现上述目的，本发明提供一种海洋垃圾和生物个体的区分方法包括：

建立学习样例；

基于学习样例进行马尔科夫模型学习；

以学习获得的马尔科夫模型对探测物体进行海洋垃圾和生物个体的分类判断，具体包括：

对探测物体进行初步定位；

在一段时间内跟踪探测物体的位置，获得各监测时刻探测物体的移动参数，并形成移动参数变化序列；

计算获得的移动参数变化序列与学习所获得马尔科夫模型的吻合程度；

当计算所得吻合程度大于或等于设定阈值时，判断探测物体为海洋垃圾。

于本发明一实施例中，建立学习样例的步骤包括：

对监测海域范围内的多个样本物体进行初步定位；

在一段时间内跟踪探测各个样本物体的位置，获得各监测时刻物体的移动参数，并形成移动参数变化序列样例；

对监测海域范围内的多个样本物体进行人工标注，识别的多个样本物体是海洋垃圾还是生物个体。

于本发明一实施例中，移动参数为移动速度和移动方向变化。

于本发明一实施例中，移动参数的获得步骤包括：

在一段时间内跟踪被初步定为后的探测物体或样本物体的位置，测量探测物体或样本物体单位时间内的移动速度；

计算各监测时刻的探测物体或样本物体的移动方向变化。

于本发明一实施例中，基于学习样例进行马尔科夫模型学习，包括计算各监测时刻探测物体移动速度的转换概率和移动方向变化的转换概率。

于本发明一实施例中，对探测物体的初步定位或样本物体的初步定位为根据探测物体或样本物体信号波，通过立体区域定位方法进行定位。

于本发明一实施例中，立体区域定位方法为基于“椭球腔”模型的立体区域定位方法。

于本发明一实施例中，基于“椭球腔”模型的立体区域定位方法包括：

超声波传感器任意一节点发射超声波信号，其它节点接收直接发射的超声波以及探测物体或样本物体反射回来的超声波；

分别包含有探测物体或样本物体距发射点最近点和最远点且绕发射点与任意接收点连线旋转形成的两个椭球面，交集形成“椭球腔”；

改变接收点取得更多的“椭球腔”，“椭球腔”之间进行交集得出质心；

所得的质心形成质心群，求出质心群的质心，所述质心为探测物体或样本物体的位置。

综上所述，本发明提供的海洋垃圾和生物个体的区分方法与现有技术相比，具有以下优点：

由于海洋中的生物具有自主移动性，因此它们的状态变化是没有规律可循的。然而，海洋中垃圾是不具自主移动性的，因此它们的状态变化是具有一定规律可循的。本发明通过在特定海域的水文特征下，通过不断测量采样，记录海洋中各个样本物体在不同时刻下的移动参数，形成移动参数变化序列样例，多个样本的移动参数变化序列样例形成了学习样例，进而基于学习样例进行马尔科夫模型学习。在后续检测中，通过测量各个时刻探测物体的移动参数，并形成移动参数变化序列，通过计算形成的移动参数变化序列于马尔科夫模型的吻合程度来判断探测物体为海洋垃圾或是生物个体。

本发明提供的海洋垃圾和生物个体的区分方法是一种基于马尔科夫模型的区分方法，具有很高的区分精度。同时，区分方法可借助于计算机来完成，不仅具有很高的区分效率，同时具有极低的区分成本，有效解决现有海洋垃圾检测方法检测精度和经费难平衡的问题。

为让本发明的上述和其它目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合附图，作详细说明如下。

附图说明

图1所示为本发明一实施例提供的海洋垃圾和生物个体区分方法的流程图。

图2所示为图1中建立学习样例的流程图。

图3所示为图1中以学习获得的马尔科夫模型对探测物体进行海洋垃圾和生物个体的分类判断的流程图。

具体实施方式

如图1所示，本实施例提供的海洋垃圾和生物个体的区分方法包括：

步骤S10、建立学习样例，包括：

步骤S11、对监测海域范围内的多个样本物体进行初步定位。

于本实施例中，采用基于“椭球腔”模型的立体区域定位方法对样本物体进行初步定位。然而，本发明对此不作任何限定。于其它实施例中，可采用无线传感器网络节点定位技术等其它定位方式进行定位。

“椭球腔”模型的定位原理为：

以3×3阵列为例：以海岸水平线为Z轴正方向，竖直向 下为Y轴正方向垂直于发射阵列的法向量方向为X轴正方向。以I点发射 为例，首先取I(x₁,y₁,z₁,)，J(x₂,y₂,z₂)，K(x₃,y₃,z₃)，B(x₄,y₄,z₄)为参考点，O(x,y,z)为待 测物体距发射点I(x₁,y₁,z₁,)最近点，P(x′,y′,z′)为发射点I(x₁,y₁,z₁,)最远可达点，J点 接收到I点发射的信号时刻和O点反射回来的信号时刻分别为t₁和t₁′，K点接收到I点发射的 信号时刻和O点反射回来的信号时刻分别为t₂和t₂′，B点接收到I点发射的信号时刻和O点反 射回来的信号时刻分别为t₃和t₃′；则：

d_ioj＝v·(t₁′-t₁)+d_ij，

d_iok＝v·(t₂′-t₂)+d_ik (1-1)

d_iob＝v·(t₃′-t₃)+d_ib

则以I，J为焦点，O为椭球上任意一点可得椭球TQ_IOJ方程为:

同理椭球TQ_IOK和椭球TQ_IOB方程分别为：

联立方程(1-2)、(1-3)、(1-4)可得O(x,y,z)坐标。

同理，对于点I(x₁,y₁,z₁,)，J(x₂,y₂,z₂)，K(x₃,y₃,z₃)，B(x₄,y₄,z₄)为参考点，最远可达点P(x′,y′,z′)为椭球上一点，J点接收到I点发射的信号时刻和P点反射回来的信号时刻分别为t₄和t₄′，K点接收到I点发射的信号时刻和P点反射回来的信号时刻分别为t₅和t₅′，B点接收到I点发射的信号时刻和P点反射回来的信号时刻分别为t₆和t₆′，则可得反射路径长度分别为：

d_ipj＝v·(t₄′-t₄)+d_ij

d_ipk＝v·(t₅′-t₅)+d_ik (1-5)

d_ipb＝v·(t₆′-t₆)+d_ib

基于三点的椭球TQ_IPJ、TQ_IPK和TQ_IPB方程分别为：

联立方程(1-6)、(1-7)、(1-8)可得P(x′,y′,z′)坐标。

任意焦点相同，以O,P表面一点所形成的两个椭球表面作为内外椭球面,即形成一个“椭球腔”，如上述方程即可得到三个“椭球腔”分别为：(TQ_IOJ，TQ_IPJ)、 (TQ_IOK，TQ_IPK)和(TQ_IOB，TQ_IPB)，则可得三个“椭球腔”的交集，并求出质心，记为Q(X₁,Y₁,Z₁)。

Q(X₁,Y₁,Z₁)即为样本物体的位置。

步骤S12、在一段时间内跟踪探测各个样本物体的位置，获得各监测时刻物体的移动参数，并形成移动参数变化序列样例。于本实施例中，移动参数为样本物体的移动速度和移动方向变化。得到该移动参数的步骤为：

设某一样本物体在不同时刻的三维坐标为Q(x,y,z)。如T₀时刻该样本物体的坐标是Q(x₀,y₀,z₀)，T_i时刻的坐标是Q(x_i,y_i,z_i)。在一段时间内跟踪被初步定为后的样本物体的位置，测量样本物体单位时间内的移动速度。具体而言，在T_i-1到T_i时间物体的移动距离为：

T_i-1到T_i时间物体O的平均移动速度：

V_i-1,i＝D_i-1,i/(T_i-T_i-1) (2)

已知样本物体在不同时间段的平均速度v₀,v₁,v₂，……。已知T₀，T₁和T₂时刻样本物体的坐标，则可以用向量来表示样本物体的移动方向：

两个向量的夹角为：

则单位时间内样本物体的移动方向的变化情况可以用以下公式表达：

其中t₀＝(T₂-T₀)/2 (5)

步骤S13、对监测海域范围内的多个样本物体进行人工标注，识别的多个样本物体是海洋垃圾还是生物个体。每个样本物体形成移动参数变化序列样例<(V₁，V₂，…,V_n)，(M₁，M₂，…,M_n)>，建立学习样例。其中V_i为第i时刻样本物体的移动速度，M_i为第i时刻样本物体的移动方向变化。

步骤S20、基于学习样例进行马尔科夫模型学习。具体而言：

首先，设V_max为最大的速度，V_min为最小的速度，V_avg为平均速度。计状态α₁为高速区α₂为中速区α₃为低速区根据每个 海洋垃圾的记录，计算各状态转换的概率矩阵其中a_ij为状态α_i转移为 α_j的概率，如a₁₂为状态α₁转移到状态α₂的概率。本实施例划分三个速度区域。然而，本发明对 此不作限定。

接着，设M_max为最大的方向变化，M_min为最小的方向变化，M_avg为平均方向变化。计状 态β₁为快速变化区β₂为中速变化区 β₃为 低速变化区根据每个海洋垃圾的记录，计算各状态转换的概率矩阵其中b_ij为状态β_i转移为β_j的概率。本实施例划分三个方向变化区域。然 而，本发明对此不作限定。

最后，计算样本物体速度序列吻合程度阈值P_S1和方向变化序列吻合程度阈值P_S2。

P_S1的计算方式如下：

设V_i∈α_k,V_j∈α_l,则PV(V_i,V_j)＝a_kl。 (6)

速度序列吻合程度阈值

其中，k，l＝1,2,3；PV(V_i,V_j)为V_i所属状态α_k转移到V_j所属状态α_l的概率。

P_S2的计算方式如下：

设M_i∈β_k,M_j∈β_l,则PM(M_i,M_j)＝b_kl。 (8)

方向变化序列吻合程度阈值

其中，k，l＝1,2,3；PM(M_i,M_j)为M_i所属状态β_k转移到M_j所属状态β_l的概率。

步骤S30、以学习获得的马尔科夫模型对探测物体进行海洋垃圾和生物个体的分类判断，具体包括：

步骤S31、对探测物体进行初步定位。该步骤与步骤S11相同，采用基于“椭球腔”模型的立体区域定位方法对探测物体进行定位，获得Q_T(X₁,Y₁,Z₁)。

步骤S32、在一段时间内跟踪探测物体的位置，获得各监测时刻探测物体的移动参数，并形成移动参数变化序列。该步骤与步骤S12相同，经公式(1)-(2)-(3)-(4)-(5)计算后形成的移动参数变化序列为<(V_T1，V_T2，…,V_Tn)，(M_T1，M_T2，…,M_Tn)〉。其中V_Ti为探测物体T在第i时刻的移动速度，M_Ti为探测物体T在第i时刻移动方向变化。

步骤S33、计算获得的移动参数变化序列<(V_T1，V_T2，…,V_Tn)，(M_T1，M_T2，…,M_Tn)〉与学习所获得马尔科夫模型的吻合程度，包括速度序列吻合程度P_速度吻合和P_{方向变化吻合}。其中P_速度吻合是将序列(V_T1，V_T2，…,V_Tn)代入公式(6)和(7)后获得；P _{方向变化吻合}是将序列(M_T1，M_T2，…,M_Tn)代入公式(8)和(9)后获得。

步骤S34、当计算所得吻合程度大于或等于设定阈值时，判断探测物体为海洋垃圾。具体而言，当P_速度吻合>＝P_S1且P_{方向变化吻合}>＝P_S2，则该物体被判断为是海洋垃圾。

综上所述，本发明提供的海洋垃圾和生物个体的区分方法与现有技术相比，具有以下优点：

由于海洋中的生物具有自主移动性，因此它们的状态变化是没有规律可循的。然而，海洋中垃圾是不具自主移动性的，因此它们的状态变化是具有一定 规律可循的。本发明通过在特定海域的水文特征下，通过不断测量采样，记录海洋中各个样本物体在不同时刻下的移动参数，形成移动参数变化序列样例，多个样本的移动参数变化序列样例形成了学习样例，进而基于学习样例进行马尔科夫模型学习。在后续检测中，通过测量各个时刻探测物体的移动参数，并形成移动参数变化序列，通过计算形成的移动参数变化序列于马尔科夫模型的吻合程度来判断探测物体为海洋垃圾或是生物个体。

本发明提供的海洋垃圾和生物个体的区分方法是一种基于马尔科夫模型的区分方法，具有很高的区分精度。同时，区分方法可借助于计算机来完成，不仅具有很高的区分效率，同时具有极低的区分成本，有效解决现有海洋垃圾检测方法检测精度和经费难平衡的问题。

虽然本发明已由较佳实施例揭露如上，然而并非用以限定本发明，任何熟知此技艺者，在不脱离本发明的精神和范围内，可作些许的更动与润饰，因此本发明的保护范围当视权利要求书所要求保护的范围为准。

Claims (7)

1.一种海洋垃圾和生物个体的区分方法，其特征在于，包括：

建立学习样例；

基于学习样例进行马尔科夫模型学习；

以学习获得的马尔科夫模型对探测物体进行海洋垃圾和生物个体的分类判断，具体包括：

对探测物体进行初步定位；

在一段时间内跟踪探测物体的位置，获得各监测时刻探测物体的移动参数，并形成移动参数变化序列；

计算获得的移动参数变化序列与学习所获得马尔科夫模型的吻合程度；

当计算所得吻合程度大于或等于设定阈值时，判断探测物体为海洋垃圾；

所述移动参数为移动速度和移动方向变化。

2.根据权利要求1所述的海洋垃圾和生物个体的区分方法，其特征在于，所述建立学习样例的步骤包括：

对监测海域范围内的多个样本物体进行初步定位；

在一段时间内跟踪探测各个样本物体的位置，获得各监测时刻物体的移动参数，并形成移动参数变化序列样例；

对监测海域范围内的多个样本物体进行人工标注，识别所述的多个样本物体是海洋垃圾还是生物个体。

3.根据权利要求1或2所述的海洋垃圾和生物个体的区分方法，其特征在于，所述移动参数的获得步骤包括：

在一段时间内跟踪被初步定为后的探测物体或样本物体的位置，测量探测物体或样本物体单位时间内的移动速度；

计算各监测时刻的探测物体或样本物体的移动方向变化。

4.根据权利要求1或2所述的海洋垃圾和生物个体的区分方法，其特征在于，所述基于学习样例进行马尔科夫模型学习，包括计算各监测时刻探测物体移动速度的转换概率和移动方向变化的转换概率。

5.根据权利要求1或2所述的海洋垃圾和生物个体的区分方法，其特征在于，对探测物体的初步定位或样本物体的初步定位为根据探测物体或样本物体信号波，通过立体区域定位方法进行定位。

6.根据权利要求5所述的海洋垃圾和生物个体的区分方法，其特征在于，所述立体区域定位方法为基于“椭球腔”模型的立体区域定位方法。

7.根据权利要求6所述的海洋垃圾和生物个体的区分方法，其特征在于，所述基于“椭球腔”模型的立体区域定位方法包括：

超声波传感器任意一节点发射超声波信号，其它节点接收直接发射的超声波以及探测物体或样本物体反射回来的超声波；

分别包含有探测物体或样本物体距发射点最近点和最远点且绕发射点与任意接收点连线旋转形成的两个椭球面，交集形成“椭球腔”；

改变接收点取得更多的“椭球腔”，“椭球腔”之间进行交集得出质心；

所得的质心形成质心群，求出质心群的质心，所述质心为探测物体或样本物体的位置。