CN115984269B - 一种非侵入式局部水生态安全检测方法与*** - Google Patents

一种非侵入式局部水生态安全检测方法与*** Download PDF

Info

Publication number
CN115984269B
CN115984269B CN202310265357.1A CN202310265357A CN115984269B CN 115984269 B CN115984269 B CN 115984269B CN 202310265357 A CN202310265357 A CN 202310265357A CN 115984269 B CN115984269 B CN 115984269B
Authority
CN
China
Prior art keywords
underwater
biological
probability distribution
image
images
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310265357.1A
Other languages
English (en)
Other versions
CN115984269A (zh
Inventor
王陈浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Changli Shangyang Technology Co ltd
Original Assignee
Hunan Changli Shangyang Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan Changli Shangyang Technology Co ltd filed Critical Hunan Changli Shangyang Technology Co ltd
Priority to CN202310265357.1A priority Critical patent/CN115984269B/zh
Publication of CN115984269A publication Critical patent/CN115984269A/zh
Application granted granted Critical
Publication of CN115984269B publication Critical patent/CN115984269B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Image Processing (AREA)

Abstract

本发明涉及生态安全检测的技术领域，公开了一种非侵入式局部水生态安全检测方法与***，所述方法包括：将水下机器人所采集到的水下生物图像输入到水下生物识别模型中得到水下生物识别结果，并对不同类别的水下生物进行数目统计，得到水下生物实时概率分布；获取***部水生态环境下的水下生物安全概率分布，实时计算得到水下生物分布差异值；若水下生物分布差异值大于指定阈值则说明当前水下生物分布发生较大变化，存在生态安全隐患风险。本发明通过对水下图像进行水下生物识别得到水下生物实时概率分布，并计算水下生物实时概率分布与水下生物安全概率分布的差异值检测生态安全，实现基于水下图像的非侵入式局部水生态安全检测。

Description

一种非侵入式局部水生态安全检测方法与***
技术领域
本发明涉及生态安全检测的技术领域，尤其涉及一种非侵入式局部水生态安全检测方法与***。
背景技术
随着生态环保意识的普及和增强，越来越多人关注局部水生态安全。例如鳄雀鳝等外来物种对湖泊等局部水生态物种多样性产生巨大威胁，严重影响水生态安全。现有针对水生态安全检测的方法主要通过抽干湖水等方式，存在费时耗力、侵入性强等问题，严重影响原生生物的生存环境。针对该问题，本发明提出一种非侵入式局部水生态安全检测方法与***，通过智能感知局部水生态内生物波动情况分析水生态安全，实现非侵入式检测。
发明内容
有鉴于此，本发明提供一种非侵入式局部水生态安全检测方法，目的在于1）通过结合卷积模块、残差单元以及SE注意力模块构建水下生物识别模型，利用SE注意力模块过滤水下环境的冗余信息，使得模型更加集中在水下生物特征，利用残差单元充分融合水下生物图像的浅层特征以及深层特征，增强对水下生物特征的提取，并在全连接层引入参数
Figure SMS_1
对全连接层的输出结果进行平滑处理，能够有效使得模型不再局限训练集，在其他测试集上也有着不错的表现，经过平滑处理后能够有效减少模型过度地对训练标签的依赖，提升水下生物类别预测的准确率；2）根据水下生物识别模型的水下生物识别结果，对不同类别的水下生物进行数目统计，得到水下生物实时概率分布，基于水下生物实时概率分布以及水下生物安全概率分布计算水下生物分布差异值，若水下生物分布差异值大于指定阈值，则表示水下生物实时概率分布与水下生物安全概率分布存在较大差异，说明当前水下生物分布发生较大变化，存在生态安全隐患风险。
为实现上述目的，本发明提供的一种非侵入式局部水生态安全检测方法，包括以下步骤：
S1：构建水下生物识别模型，所述水下生物识别模型以水下生物图像为输入，以水下生物识别结果为输出；
S2：水下机器人在局部水生态进行巡游并实时采集水下生物图像，将所采集到的水下生物图像输入到水下生物识别模型中得到水下生物识别结果，并对不同类别的水下生物进行数目统计，得到水下生物实时概率分布；
S3：获取***部水生态环境下的水下生物安全概率分布，基于水下生物实时概率分布以及水下生物安全概率分布计算水下生物分布差异值；
S4：若水下生物分布差异值大于指定阈值则说明当前水下生物分布发生较大变化，存在生态安全隐患风险。
作为本发明的进一步改进方法：
可选地，所述S1步骤中构建水下生物识别模型，包括：构建水下生物识别模型，所述水下生物识别模型包括输入层、特征提取层以及识别结果输出层，其中输入层用于接收水下生物图像，并将水下生物图像输入到特征提取层中，特征提取层由8个卷积残差单元组成，每个卷积残差单元包括卷积模块、残差单元以及SE注意力模块，输入特征提取层的水下生物图像依次经过8个卷积残差单元，得到过滤无关信息的水下生物特征图，并将水下生物特征图输入到识别结果输出层，得到对应的水下生物识别结果，所述水下生物识别结果为水下生物图像中水下生物的所属类别；
基于水下生物识别模型的水下生物识别流程为：
输入层接收水下生物图像x，并将水下生物图像x传输到特征提取层；
特征提取层中的8个卷积残差单元依次对接收的内容进行特征提取处理，其中第一个卷积残差单元所接收的内容为水下生物图像x，其余卷积残差单元所接收的内容为前一个卷积残差单元的输出结果，最后一个卷积残差单元输出的结果为水下生物图像x所对应的水下生物特征图
Figure SMS_2
，所述第/>
Figure SMS_3
个卷积残差单元的计算公式为：
Figure SMS_4
；
其中：
Figure SMS_7
表示第/>
Figure SMS_9
个卷积残差单元的输出结果，/>
Figure SMS_11
表示水下生物图像x，/>
Figure SMS_6
表示水下生物图像x所对应的水下生物特征图/>
Figure SMS_10
；/>
Figure SMS_12
表示利用/>
Figure SMS_13
像素大小的卷积核进行卷积处理，/>
Figure SMS_5
表示利用/>
Figure SMS_8
像素大小的卷积核进行卷积处理；
Figure SMS_14
表示将卷积处理结果进行归一化处理；
Figure SMS_15
表示ReLU激活函数；
在本发明实施例中，卷积模块用于进行卷积处理操作，残差单元用于将卷积处理结果与上一卷积残差单元输出结果进行融合，SE注意力模块用于进行归一化处理的Squeeze操作，以及关联其余通道的激活函数处理，实现Excitation操作；特征提取层将水下生物特征图
Figure SMS_17
输入到识别结果输出层，所述识别结果输出层的结构为全连接层，基于识别结果输出层的水下生物识别结果为/>
Figure SMS_21
，其中/>
Figure SMS_24
表示识别结果输出层中的权重矩阵，/>
Figure SMS_18
表示水下生物图像x中识别到的水下生物类别，其中/>
Figure SMS_19
的计算结果为/>
Figure SMS_22
之间的编号，每一种编号对应一种水下生物，N表示水下生物的类别总数，/>
Figure SMS_25
表示较小的正数，/>
Figure SMS_16
表示四舍五入处理。在本发明实施例中，本方案通过引入参数/>
Figure SMS_20
对全连接层的输出结果进行平滑处理，能够有效使得模型不再局限训练集，在对/>
Figure SMS_23
函数进行调整后，模型在其他测试集上也有着不错的表现，经过平滑处理后能够有效减少模型过度地对编号的依赖，提升编号预测的准确率。
可选地，所述水下生物识别模型的训练流程，包括：
构建水下生物类别集合
Figure SMS_26
，其中/>
Figure SMS_27
表示第n种水下生物，并将第n种水下生物的编号设置为n，N表示水下生物的类别总数；在本发明实施例中，所述水下生物包括各种鱼类、海葵、海蜇、珊瑚虫、乌贼、螺、章鱼、甲壳动物类、海豚和鲸等，且同属于一类属的水下生物的编号相近；
采集包含不同类别水下生物的图像构成训练集data，并构建训练损失函数Loss，基于所构建的训练集以及损失函数对水下生物识别模型进行参数优化，其中水下生物识别模型中待优化参数
Figure SMS_28
包括卷积核权重参数以及识别结果输出层中的权重矩阵；所述训练损失函数Loss为：
Figure SMS_29
其中：
Figure SMS_32
表示训练集data中的任意图像，/>
Figure SMS_35
表示图像/>
Figure SMS_37
的真实编号，对应着图像/>
Figure SMS_31
中水下生物的类别；/>
Figure SMS_34
表示将图像/>
Figure SMS_36
输入到基于参数/>
Figure SMS_38
的水下生物识别模型中，模型输出的水下生物类别；/>
Figure SMS_30
表示基于参数/>
Figure SMS_33
的水下生物识别模型的损失；
对训练损失函数进行求解，得到最优参数
Figure SMS_39
，并基于最优参数/>
Figure SMS_40
构建得到水下生物识别模型，则所述基于最优参数/>
Figure SMS_41
的水下生物识别模型即为训练得到的模型，所述训练损失函数的求解流程为：S11：设置训练损失函数的迭代求解次数t的初始值为1，并随机生成水下生物识别模型的初始参数/>
Figure SMS_42
；S12：计算第t次迭代时训练损失函数/>
Figure SMS_43
的梯度：
Figure SMS_44
；
其中：
Figure SMS_46
表示第t次迭代时损失函数/>
Figure SMS_49
的梯度；/>
Figure SMS_52
表示第t-1次迭代时水下生物识别模型的参数；若/>
Figure SMS_47
小于预设置的梯度阈值，则表示参数/>
Figure SMS_48
稳定，并将参数/>
Figure SMS_51
作为最优参数/>
Figure SMS_53
，终止训练损失函数的迭代求解流程，否则转向步骤S13；S13：计算第t次迭代时梯度的指数移动平均指数/>
Figure SMS_45
：/>
Figure SMS_50
；
其中：
Figure SMS_54
表示第t次迭代时梯度/>
Figure SMS_55
的指数移动平均指数，/>
Figure SMS_56
；/>
Figure SMS_57
表示指数衰减率，将其设置为0.91；其中：
Figure SMS_58
表示第t次迭代时梯度平方的指数移动平均指数，/>
Figure SMS_59
；/>
Figure SMS_60
表示指数衰减率，将其设置为0.99；
S15：更新第t次迭代求解得到的水下生物识别模型参数
Figure SMS_61
：
Figure SMS_62
；
其中：
Figure SMS_63
学习率，将其设置为0.01；
S16：令
Figure SMS_64
，返回步骤S12。
可选地，所述S2步骤中水下机器人在局部水生态进行巡游并实时采集水下生物图像，包括：
设置水下机器人的巡航路线，水下机器人按照所设置的巡航路线在局部水生态进行巡游，并实时拍摄水下图像，其中相邻两幅水下图像的拍摄时间间隔为0.3秒；利用相邻图像间的运动差分算法判断水下图像中是否存在水下生物，对存在水下生物的水下图像进行进行采集，采集得到水下生物图像，其中所述利用相邻图像间的运动差分算法判断水下图像中是否存在水下生物的流程为：
S21：获取不存在水下生物的水下背景图像，构建水下背景模型，其中水下背景模型表示水下背景图像中任意m个 像素点的集合，m>30；S22：计算任意水下图像中像素点与水下背景模型中m个像素点的像素值差值，若水下背景模型中存在12个像素点与水下图像中像素点的像素值差值小于预设定的阈值，则将该像素点标记为背景像素点，且该像素点有概率
Figure SMS_65
被加入到水下背景模型中，重复当前步骤，直到标记完成所有水下图像中的所有背景像素点；
S23：以水下机器人所拍摄的任意水下图像中的任意非背景像素点p为中心，构建半径为 3 的圆形区域，将p点的像素值与选取的圆形邻域上16 个像素点的像素值依次进行比较，若邻域上有10个像素点以上的像素值与p点的像素值差值超过设定的阈值，则将p标记为该水下图像的特征点；
S24：连接水下图像中的相邻特征点，得到封闭的特征区域图像，并计算得到相邻水下图像的特征区域差分图像，所述特征区域差分图像即为相邻水下图像中特征区域图像的差值，若特征区域差分图像小于阈值，则表示两幅相邻水下图像中的特征区域图像像素分布类似，有较大可能存在水下生物，并将较大的特征区域图像作为采集到的水下生物图像。
可选地，所述S2步骤中将所采集到的水下生物图像输入到水下生物识别模型中得到水下生物识别结果，并对不同类别的水下生物进行数目统计，得到水下生物实时概率分布，包括：
将所采集到的水下生物图像输入到水下生物识别模型中，得到该水下生物图像中识别得到的水下生物类别，并统计时间范围T内不同类别的水下生物数目，得到水下生物实时概率分布
Figure SMS_66
：
Figure SMS_67
；
其中：
Figure SMS_68
表示第n种水下生物/>
Figure SMS_69
在时间范围T内的概率分布，N种水下生物的概率分布构成水下生物实时概率分布/>
Figure SMS_70
，/>
Figure SMS_71
表示在时间范围T内识别得到的水下生物数目总数，/>
Figure SMS_72
表示在时间范围T内识别得到的第n种水下生物/>
Figure SMS_73
的数目；所述时间范围T表示以当前时刻time为参照的时间范围/>
Figure SMS_74
。
可选地，所述S3步骤中基于水下生物实时概率分布以及水下生物安全概率分布计算水下生物分布差异值，包括：
获取***部水生态环境下的水下生物安全概率分布，其中所述水下生物安全概率分布为
Figure SMS_75
，/>
Figure SMS_76
表示在***部水生态环境下的时间范围T内识别得到的第n种水下生物/>
Figure SMS_77
的数目，/>
Figure SMS_78
表示在***部水生态环境下的时间范围T内识别得到的水下生物数目总数，/>
Figure SMS_79
表示第n种水下生物/>
Figure SMS_80
在***部水生态环境下的概率分布；
基于水下生物实时概率分布以及水下生物安全概率分布计算水下生物分布差异值，所述水下生物分布差异值的计算公式为：
Figure SMS_81
；
其中：
Figure SMS_82
表示水下生物实时概率分布/>
Figure SMS_83
与水下生物安全概率分布/>
Figure SMS_84
的水下生物分布差异值。可选地，所述S4步骤中若水下生物分布差异值大于指定阈值则说明当前水下生物分布发生较大变化，包括：
若水下生物分布差异值
大于指定阈值，则表示水下生物实时概率分布
Figure SMS_85
与水下生物安全概率分布/>
Figure SMS_86
存在较大差异，说明当前水下生物分布发生较大变化，存在生态安全隐患风险，并进行告警处理。为了解决上述问题，本发明提供一种非侵入式局部水生态安全检测***，所述***包括：
水下生物识别模块，用于控制水下机器人在局部水生态进行巡游并实时采集水下生物图像，将所采集到的水下生物图像输入到水下生物识别模型中得到水下生物识别结果；
水下生物分布确定装置，用于对不同类别的水下生物进行数目统计，得到水下生物实时概率分布；
生态安全检测模块，用于获取***部水生态环境下的水下生物安全概率分布，基于水下生物实时概率分布以及水下生物安全概率分布计算水下生物分布差异值，若水下生物分布差异值大于指定阈值则说明当前水下生物分布发生较大变化，存在生态安全隐患风险。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的非侵入式局部水生态安全检测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的非侵入式局部水生态安全检测方法。
相对于现有技术，本发明提出一种非侵入式局部水生态安全检测方法，该技术具有以下优势：首先，本方案提出一种水下生物识别模型，所述水下生物识别模型包括输入层、特征提取层以及识别结果输出层，其中输入层用于接收水下生物图像，并将水下生物图像输入到特征提取层中，特征提取层由8个卷积残差单元组成，每个卷积残差单元包括卷积模块、残差单元以及SE注意力模块，输入特征提取层的水下生物图像依次经过8个卷积残差单元，得到过滤无关信息的水下生物特征图，并将水下生物特征图输入到识别结果输出层，得到对应的水下生物识别结果，所述水下生物识别结果为水下生物图像中水下生物的所属类别；基于水下生物识别模型的水下生物识别流程为：输入层接收水下生物图像x，并将水下生物图像x传输到特征提取层；特征提取层中的8个卷积残差单元依次对接收的内容进行特征提取处理，其中第一个卷积残差单元所接收的内容为水下生物图像x，其余卷积残差单元所接收的内容为前一个卷积残差单元的输出结果，最后一个卷积残差单元输出的结果为水下生物图像x所对应的水下生物特征图
Figure SMS_95
，所述第/>
Figure SMS_100
个卷积残差单元的计算公式为：
Figure SMS_115
其中：/>
Figure SMS_90
表示第/>
Figure SMS_110
个卷积残差单元的输出结果，/>
Figure SMS_96
表示水下生物图像x，/>
Figure SMS_114
表示水下生物图像x所对应的水下生物特征图/>
Figure SMS_97
；
Figure SMS_108
表示利用/>
Figure SMS_92
像素大小的卷积核进行卷积处理，/>
Figure SMS_112
表示利用/>
Figure SMS_91
像素大小的卷积核进行卷积处理；/>
Figure SMS_109
表示将卷积处理结果进行归一化处理；/>
Figure SMS_98
表示ReLU激活函数；特征提取层将水下生物特征图/>
Figure SMS_117
输入到识别结果输出层，所述识别结果输出层的结构为全连接层，基于识别结果输出层的水下生物识别结果为/>
Figure SMS_89
，其中/>
Figure SMS_106
表示识别结果输出层中的权重矩阵，/>
Figure SMS_99
表示水下生物图像x中识别到的水下生物类别，其中/>
Figure SMS_107
的计算结果为/>
Figure SMS_87
之间的编号，每一种编号对应一种水下生物，N表示水下生物的类别总数，/>
Figure SMS_103
表示较小的正数，/>
Figure SMS_102
表示四舍五入处理。本方案通过结合卷积模块、残差单元以及SE注意力模块构建水下生物识别模型，利用SE注意力模块过滤水下环境的冗余信息，使得模型更加集中在水下生物特征，利用残差单元充分融合水下生物图像的浅层特征以及深层特征，增强对水下生物特征的提取，并在全连接层引入参数对全连接层的输出结果进行平滑处理，能够有效使得模型不再局限训练集，在其他测试集上也有着不错的表现，经过平滑处理后能够有效减少模型过度地对训练标签的依赖，提升水下生物类别预测的准确率。因此，本方案提出一种水下生态安全检测方法，将所采集到的水下生物图像输入到水下生物识别模型中，得到该水下生物图像中识别得到的水下生物类别，并统计时间范围T内不同类别的水下生物数目，得到水下生物实时概率分布/>
Figure SMS_118
：/>
Figure SMS_101
其中：/>
Figure SMS_113
表示第n种水下生物/>
Figure SMS_94
在时间范围T内的概率分布，N种水下生物的概率分布构成水下生物实时概率分布/>
Figure SMS_116
，/>
Figure SMS_93
表示在时间范围T内识别得到的水下生物数目总数，/>
Figure SMS_111
表示在时间范围T内识别得到的第n种水下生物/>
Figure SMS_123
的数目；所述时间范围T表示以当前时刻time为参照的时间范围/>
Figure SMS_125
。获取***部水生态环境下的水下生物安全概率分布，其中所述水下生物安全概率分布为
Figure SMS_120
，/>
Figure SMS_126
表示在***部水生态环境下的时间范围T内识别得到的第n种水下生物/>
Figure SMS_105
的数目，/>
Figure SMS_121
表示在***部水生态环境下的时间范围T内识别得到的水下生物数目总数，/>
Figure SMS_119
表示第n种水下生物/>
Figure SMS_124
在***部水生态环境下的概率分布；基于水下生物实时概率分布以及水下生物安全概率分布计算水下生物分布差异值，所述水下生物分布差异值的计算公式为：
Figure SMS_122
其中：/>
Figure SMS_127
表示水下生物实时概率分布/>
Figure SMS_88
与水下生物安全概率分布/>
Figure SMS_104
的水下生物分布差异值。本方案根据水下生物识别模型的水下生物识别结果，对不同类别的水下生物进行数目统计，得到水下生物实时概率分布，基于水下生物实时概率分布以及水下生物安全概率分布计算水下生物分布差异值，若水下生物分布差异值大于指定阈值，则表示水下生物实时概率分布与水下生物安全概率分布存在较大差异，说明当前水下生物分布发生较大变化，存在生态安全隐患风险，实现基于水下图像的非侵入式局部水生态安全检测，不需要添加额外的生态安全检测设备。
附图说明
图1为本发明一实施例提供的一种非侵入式局部水生态安全检测方法的流程示意图；
图2为本发明一实施例提供的非侵入式局部水生态安全检测***的功能模块图；图3为本发明一实施例提供的实现非侵入式局部水生态安全检测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种非侵入式局部水生态安全检测方法。所述非侵入式局部水生态安全检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述非侵入式局部水生态安全检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1
S1：构建水下生物识别模型，所述水下生物识别模型以水下生物图像为输入，以水下生物识别结果为输出。
所述S1步骤中构建水下生物识别模型，包括：
构建水下生物识别模型，所述水下生物识别模型包括输入层、特征提取层以及识别结果输出层，其中输入层用于接收水下生物图像，并将水下生物图像输入到特征提取层中，特征提取层由8个卷积残差单元组成，每个卷积残差单元包括卷积模块、残差单元以及SE注意力模块，输入特征提取层的水下生物图像依次经过8个卷积残差单元，得到过滤无关信息的水下生物特征图，并将水下生物特征图输入到识别结果输出层，得到对应的水下生物识别结果，所述水下生物识别结果为水下生物图像中水下生物的所属类别；
基于水下生物识别模型的水下生物识别流程为：
输入层接收水下生物图像x，并将水下生物图像x传输到特征提取层；
特征提取层中的8个卷积残差单元依次对接收的内容进行特征提取处理，其中第一个卷积残差单元所接收的内容为水下生物图像x，其余卷积残差单元所接收的内容为前一个卷积残差单元的输出结果，最后一个卷积残差单元输出的结果为水下生物图像x所对应的水下生物特征图
Figure SMS_128
，所述第/>
Figure SMS_129
个卷积残差单元的计算公式为：
Figure SMS_130
；
其中：
Figure SMS_131
表示第/>
Figure SMS_132
个卷积残差单元的输出结果，/>
Figure SMS_133
表示水下生物图像x，/>
Figure SMS_134
表示水下生物图像x所对应的水下生物特征图/>
Figure SMS_135
；
Figure SMS_136
表示利用/>
Figure SMS_137
像素大小的卷积核进行卷积处理，/>
Figure SMS_138
表示利用
Figure SMS_139
像素大小的卷积核进行卷积处理；
Figure SMS_140
表示将卷积处理结果进行归一化处理；
Figure SMS_141
表示ReLU激活函数；
在本发明实施例中，卷积模块用于进行卷积处理操作，残差单元用于将卷积处理结果与上一卷积残差单元输出结果进行融合，SE注意力模块用于进行归一化处理的Squeeze操作，以及关联其余通道的激活函数处理，实现Excitation操作；特征提取层将水下生物特征图
Figure SMS_144
输入到识别结果输出层，所述识别结果输出层的结构为全连接层，基于识别结果输出层的水下生物识别结果为/>
Figure SMS_145
，其中/>
Figure SMS_148
表示识别结果输出层中的权重矩阵，/>
Figure SMS_143
表示水下生物图像x中识别到的水下生物类别，其中/>
Figure SMS_146
的计算结果为/>
Figure SMS_147
之间的编号，每一种编号对应一种水下生物，N表示水下生物的类别总数，/>
Figure SMS_149
表示较小的正数，/>
Figure SMS_142
表示四舍五入处理。所述水下生物识别模型的训练流程，包括：
构建水下生物类别集合
Figure SMS_150
，其中/>
Figure SMS_151
表示第n种水下生物，并将第n种水下生物的编号设置为n，N表示水下生物的类别总数；在本发明实施例中，所述水下生物包括各种鱼类、海葵、海蜇、珊瑚虫、乌贼、螺、章鱼、甲壳动物类、海豚和鲸等，且同属于一类属的水下生物的编号相近；
采集包含不同类别水下生物的图像构成训练集data，并构建训练损失函数Loss，基于所构建的训练集以及损失函数对水下生物识别模型进行参数优化，其中水下生物识别模型中待优化参数
Figure SMS_152
包括卷积核权重参数以及识别结果输出层中的权重矩阵；
所述训练损失函数Loss为：
Figure SMS_153
其中：
Figure SMS_154
表示训练集data中的任意图像，/>
Figure SMS_155
表示图像/>
Figure SMS_156
的真实编号，对应着图像/>
Figure SMS_157
中水下生物的类别；
Figure SMS_158
表示将图像/>
Figure SMS_159
输入到基于参数/>
Figure SMS_160
的水下生物识别模型中，模型输出的水下生物类别；
Figure SMS_163
表示基于参数/>
Figure SMS_165
的水下生物识别模型的损失；对训练损失函数进行求解，得到最优参数/>
Figure SMS_167
，并基于最优参数/>
Figure SMS_162
构建得到水下生物识别模型，则所述基于最优参数/>
Figure SMS_164
的水下生物识别模型即为训练得到的模型，所述训练损失函数的求解流程为：S11：设置训练损失函数的迭代求解次数t的初始值为1，并随机生成水下生物识别模型的初始参数/>
Figure SMS_166
；S12：计算第t次迭代时训练损失函数/>
Figure SMS_168
的梯度：/>
Figure SMS_161
；
其中：
Figure SMS_169
表示第t次迭代时损失函数/>
Figure SMS_170
的梯度；/>
Figure SMS_171
表示第t-1次迭代时水下生物识别模型的参数；若/>
Figure SMS_172
小于预设置的梯度阈值，则表示参数/>
Figure SMS_173
稳定，并将参数/>
Figure SMS_174
作为最优参数/>
Figure SMS_175
，终止训练损失函数的迭代求解流程，否则转向步骤S13；
S13：计算第t次迭代时梯度的指数移动平均指数
Figure SMS_176
：/>
Figure SMS_177
；
其中：
Figure SMS_178
表示第t次迭代时梯度/>
Figure SMS_179
的指数移动平均指数，/>
Figure SMS_180
；/>
Figure SMS_181
表示指数衰减率，将其设置为0.91；
S14：计算第t次迭代时梯度平方的指数移动平均指数
Figure SMS_182
：/>
Figure SMS_183
；
其中：
Figure SMS_184
表示第t次迭代时梯度平方的指数移动平均指数，/>
Figure SMS_185
；
Figure SMS_186
表示指数衰减率，将其设置为0.99；
S15：更新第t次迭代求解得到的水下生物识别模型参数
Figure SMS_187
：/>
Figure SMS_188
；
其中：
Figure SMS_189
为学习率，将其设置为0.01；S16：令/>
Figure SMS_190
，返回步骤S12。S2：水下机器人在局部水生态进行巡游并实时采集水下生物图像，将所采集到的水下生物图像输入到水下生物识别模型中得到水下生物识别结果，并对不同类别的水下生物进行数目统计，得到水下生物实时概率分布。
所述S2步骤中水下机器人在局部水生态进行巡游并实时采集水下生物图像，包括：
设置水下机器人的巡航路线，水下机器人按照所设置的巡航路线在局部水生态进行巡游，并实时拍摄水下图像，其中相邻两幅水下图像的拍摄时间间隔为0.3秒；利用相邻图像间的运动差分算法判断水下图像中是否存在水下生物，对存在水下生物的水下图像进行进行采集，采集得到水下生物图像，其中所述利用相邻图像间的运动差分算法判断水下图像中是否存在水下生物的流程为：
S21：获取不存在水下生物的水下背景图像，构建水下背景模型，其中水下背景模型表示水下背景图像中任意m个 像素点的集合，m>30；
S22：计算任意水下图像中像素点与水下背景模型中m个像素点的像素值差值，若水下背景模型中存在12个像素点与水下图像中像素点的像素值差值小于预设定的阈值，则将该像素点标记为背景像素点，且该像素点有概率
Figure SMS_191
被加入到水下背景模型中，重复当前步骤，直到标记完成所有水下图像中的所有背景像素点；S23：以水下机器人所拍摄的任意水下图像中的任意非背景像素点p为中心，构建半径为 3 的圆形区域，将p点的像素值与选取的圆形邻域上16 个像素点的像素值依次进行比较，若邻域上有10个像素点以上的像素值与p点的像素值差值超过设定的阈值，则将p标记为该水下图像的特征点；
S23：以水下机器人所拍摄的任意水下图像中的任意非背景像素点p为中心，构建半径为 3 的圆形区域，将p点的像素值与选取的圆形邻域上16 个像素点的像素值依次进行比较，若邻域上有10个像素点以上的像素值与p点的像素值差值超过设定的阈值，则将p标记为该水下图像的特征点；S24：连接水下图像中的相邻特征点，得到封闭的特征区域图像，并计算得到相邻水下图像的特征区域差分图像，所述特征区域差分图像即为相邻水下图像中特征区域图像的差值，若特征区域差分图像小于阈值，则表示两幅相邻水下图像中的特征区域图像像素分布类似，有较大可能存在水下生物，并将较大的特征区域图像作为采集到的水下生物图像。
所述S2步骤中将所采集到的水下生物图像输入到水下生物识别模型中得到水下生物识别结果，并对不同类别的水下生物进行数目统计，得到水下生物实时概率分布，包括：
将所采集到的水下生物图像输入到水下生物识别模型中，得到该水下生物图像中识别得到的水下生物类别，并统计时间范围T内不同类别的水下生物数目，得到水下生物实时概率分布
Figure SMS_192
：/>
Figure SMS_193
；
其中：
Figure SMS_194
表示第n种水下生物/>
Figure SMS_195
在时间范围T内的概率分布，N种水下生物的概率分布构成水下生物实时概率分布/>
Figure SMS_196
，/>
Figure SMS_197
表示在时间范围T内识别得到的水下生物数目总数，/>
Figure SMS_198
表示在时间范围T内识别得到的第n种水下生物/>
Figure SMS_199
的数目；所述时间范围T表示以当前时刻time为参照的时间范围/>
Figure SMS_200
。3：获取***部水生态环境下的水下生物安全概率分布，基于水下生物实时概率分布以及水下生物安全概率分布计算水下生物分布差异值。
所述S3步骤中基于水下生物实时概率分布以及水下生物安全概率分布计算水下生物分布差异值，包括：
获取***部水生态环境下的水下生物安全概率分布，其中所述水下生物安全概率分布为
Figure SMS_201
，/>
Figure SMS_202
表示在***部水生态环境下的时间范围T内识别得到的第n种水下生物/>
Figure SMS_203
的数目，/>
Figure SMS_204
表示在***部水生态环境下的时间范围T内识别得到的水下生物数目总数，/>
Figure SMS_205
表示第n种水下生物/>
Figure SMS_206
在***部水生态环境下的概率分布；
基于水下生物实时概率分布以及水下生物安全概率分布计算水下生物分布差异值，所述水下生物分布差异值的计算公式为：
Figure SMS_207
；
其中：
Figure SMS_208
表示水下生物实时概率分布/>
Figure SMS_209
与水下生物安全概率分布
Figure SMS_210
的水下生物分布差异值。
S4：若水下生物分布差异值大于指定阈值则说明当前水下生物分布发生较大变化，存在生态安全隐患风险。所述S4步骤中若水下生物分布差异值大于指定阈值则说明当前水下生物分布发生较大变化，包括：
若水下生物分布差异值
Figure SMS_211
大于指定阈值，则表示水下生物实时概率分布/>
Figure SMS_212
与水下生物安全概率分布/>
Figure SMS_213
存在较大差异，说明当前水下生物分布发生较大变化，存在生态安全隐患风险，并进行告警处理。
实施例2
如图2所示，是本发明一实施例提供的非侵入式局部水生态安全检测***的功能模块图，其可以实现实施例1中的非侵入式局部水生态安全检测方法。
本发明所述非侵入式局部水生态安全检测***100可以安装于电子设备中。根据实现的功能，所述非侵入式局部水生态安全检测***可以包括水下生物识别模块101、水下生物分布确定装置102及生态安全检测模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
水下生物识别模块101，用于控制水下机器人在局部水生态进行巡游并实时采集水下生物图像，将所采集到的水下生物图像输入到水下生物识别模型中得到水下生物识别结果；
水下生物分布确定装置102，用于对不同类别的水下生物进行数目统计，得到水下生物实时概率分布；
生态安全检测模块103，用于获取***部水生态环境下的水下生物安全概率分布，基于水下生物实时概率分布以及水下生物安全概率分布计算水下生物分布差异值，若水下生物分布差异值大于指定阈值则说明当前水下生物分布发生较大变化，存在生态安全隐患风险。
详细地，本发明实施例中所述非侵入式局部水生态安全检测***100中的所述各模块在使用时采用与上述的图1中所述的非侵入式局部水生态安全检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3
如图3所示，是本发明一实施例提供的实现非侵入式局部水生态安全检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现生态安全检测的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种非侵入式局部水生态安全检测方法，其特征在于，所述方法包括：
S1：构建水下生物识别模型，所述水下生物识别模型以水下生物图像为输入，以水下生物识别结果为输出；
S2：水下机器人在局部水生态进行巡游并实时采集水下生物图像，将所采集到的水下生物图像输入到水下生物识别模型中得到水下生物识别结果，并对不同类别的水下生物进行数目统计，得到水下生物实时概率分布；
S3：获取***部水生态环境下的水下生物安全概率分布，基于水下生物实时概率分布以及水下生物安全概率分布计算水下生物分布差异值；
所述基于水下生物实时概率分布以及水下生物安全概率分布计算水下生物分布差异值，包括：
获取***部水生态环境下的水下生物安全概率分布，其中所述水下生物安全概率分布为
Figure QLYQS_1
，/>
Figure QLYQS_2
表示在***部水生态环境下的时间范围T内识别得到的第n种水下生物/>
Figure QLYQS_3
的数目，/>
Figure QLYQS_4
表示在***部水生态环境下的时间范围T内识别得到的水下生物数目总数，/>
Figure QLYQS_5
表示第n种水下生物/>
Figure QLYQS_6
在***部水生态环境下的概率分布；/>
Figure QLYQS_7
表示第n种水下生物；
基于水下生物实时概率分布以及水下生物安全概率分布计算水下生物分布差异值，所述水下生物分布差异值的计算公式为：
Figure QLYQS_8
；
其中：
Figure QLYQS_9
表示水下生物实时概率分布/>
Figure QLYQS_10
与水下生物安全概率分布/>
Figure QLYQS_11
的水下生物分布差异值；/>
Figure QLYQS_12
表示第n种水下生物/>
Figure QLYQS_13
在时间范围T内的概率分布；
S4：若水下生物分布差异值大于指定阈值则说明当前水下生物分布发生较大变化，存在生态安全隐患风险；
所述若水下生物分布差异值大于指定阈值则说明当前水下生物分布发生较大变化，包括：
若水下生物分布差异值
Figure QLYQS_14
大于指定阈值，则表示水下生物实时概率分布
Figure QLYQS_15
与水下生物安全概率分布/>
Figure QLYQS_16
存在较大差异，说明当前水下生物分布发生较大变化，存在生态安全隐患风险，并进行告警处理。
2.如权利要求1所述的一种非侵入式局部水生态安全检测方法，其特征在于，所述S1步骤中构建水下生物识别模型，包括：
构建水下生物识别模型，所述水下生物识别模型包括输入层、特征提取层以及识别结果输出层，其中输入层用于接收水下生物图像，并将水下生物图像输入到特征提取层中，特征提取层由8个卷积残差单元组成，每个卷积残差单元包括卷积模块、残差单元，输入特征提取层的水下生物图像依次经过8个卷积残差单元，得到过滤无关信息的水下生物特征图，并将水下生物特征图输入到识别结果输出层，得到对应的水下生物识别结果，所述水下生物识别结果为水下生物图像中水下生物的所属类别；
基于水下生物识别模型的水下生物识别流程为：
输入层接收水下生物图像x，并将水下生物图像x传输到特征提取层；
特征提取层中的8个卷积残差单元依次对接收的内容进行特征提取处理，其中第一个卷积残差单元所接收的内容为水下生物图像x，其余卷积残差单元所接收的内容为前一个卷积残差单元的输出结果，最后一个卷积残差单元输出的结果为水下生物图像x所对应的水下生物特征图
Figure QLYQS_17
，所述第/>
Figure QLYQS_18
个卷积残差单元的计算公式为：
Figure QLYQS_19
；
其中：
Figure QLYQS_20
表示第/>
Figure QLYQS_21
个卷积残差单元的输出结果，/>
Figure QLYQS_22
表示水下生物图像x，/>
Figure QLYQS_23
表示水下生物图像x所对应的水下生物特征图/>
Figure QLYQS_24
；
Figure QLYQS_25
表示利用/>
Figure QLYQS_26
像素大小的卷积核进行卷积处理，/>
Figure QLYQS_27
表示利用
Figure QLYQS_28
像素大小的卷积核进行卷积处理；
Figure QLYQS_29
表示将卷积处理结果进行归一化处理；
Figure QLYQS_30
表示ReLU激活函数；
特征提取层将水下生物特征图
Figure QLYQS_33
输入到识别结果输出层，所述识别结果输出层的结构为全连接层，基于识别结果输出层的水下生物识别结果为/>
Figure QLYQS_35
，其中/>
Figure QLYQS_37
表示识别结果输出层中的权重矩阵，/>
Figure QLYQS_32
表示水下生物图像x中识别到的水下生物类别，其中/>
Figure QLYQS_34
的计算结果为/>
Figure QLYQS_36
之间的编号，每一种编号对应一种水下生物，N表示水下生物的类别总数，/>
Figure QLYQS_38
表示较小的正数，/>
Figure QLYQS_31
表示四舍五入处理。
3.如权利要求2所述的一种非侵入式局部水生态安全检测方法，其特征在于，所述水下生物识别模型的训练流程，包括：
构建水下生物类别集合，其中/>
Figure QLYQS_40
表示第n种水下生物，并将第n种水下生物的编号设置为n，N表示水下生物的类别总数；
采集包含不同类别水下生物的图像构成训练集data，并构建训练损失函数Loss，基于所构建的训练集以及损失函数对水下生物识别模型进行参数优化，其中水下生物识别模型中待优化参数
Figure QLYQS_41
包括卷积核权重参数以及识别结果输出层中的权重矩阵；
所述训练损失函数Loss为：
Figure QLYQS_42
；
其中：
Figure QLYQS_43
表示训练集data中的任意图像，/>
Figure QLYQS_44
表示图像/>
Figure QLYQS_45
的真实编号，对应着图像/>
Figure QLYQS_46
中水下生物的类别；
Figure QLYQS_47
表示将图像/>
Figure QLYQS_48
输入到基于参数/>
Figure QLYQS_49
的水下生物识别模型中，模型输出的水下生物类别；
Figure QLYQS_50
表示基于参数/>
Figure QLYQS_51
的水下生物识别模型的损失；
对训练损失函数进行求解，得到最优参数
Figure QLYQS_52
，并基于最优参数/>
Figure QLYQS_53
构建得到水下生物识别模型，则所述基于最优参数/>
Figure QLYQS_54
的水下生物识别模型即为训练得到的模型，所述训练损失函数的求解流程为：
S11：设置训练损失函数的迭代求解次数t的初始值为1，并随机生成水下生物识别模型的初始参数
Figure QLYQS_55
；
S12：计算第t次迭代时训练损失函数
Figure QLYQS_56
的梯度：
Figure QLYQS_57
；
其中：
Figure QLYQS_58
表示第t次迭代时损失函数/>
Figure QLYQS_59
的梯度；
Figure QLYQS_60
表示第t-1次迭代时水下生物识别模型的参数；
若
Figure QLYQS_61
小于预设置的梯度阈值，则表示参数/>
Figure QLYQS_62
稳定，并将参数/>
Figure QLYQS_63
作为最优参数/>
Figure QLYQS_64
，终止训练损失函数的迭代求解流程，否则转向步骤S13；
S13：计算第t次迭代时梯度的指数移动平均指数
Figure QLYQS_65
：
Figure QLYQS_66
；
其中：
Figure QLYQS_67
表示第t次迭代时梯度/>
Figure QLYQS_68
的指数移动平均指数，/>
Figure QLYQS_69
；
Figure QLYQS_70
表示指数衰减率，将其设置为0.91；
S14：计算第t次迭代时梯度平方的指数移动平均指数
Figure QLYQS_71
：
Figure QLYQS_72
；
其中：
Figure QLYQS_73
表示第t次迭代时梯度平方的指数移动平均指数，/>
Figure QLYQS_74
；
Figure QLYQS_75
表示指数衰减率，将其设置为0.99；
S15：更新第t次迭代求解得到的水下生物识别模型参数
Figure QLYQS_76
：
Figure QLYQS_77
；
其中：
Figure QLYQS_78
为学习率，将其设置为0.01；
S16：令
Figure QLYQS_79
，返回步骤S12。
4.如权利要求1所述的一种非侵入式局部水生态安全检测方法，其特征在于，所述S2步骤中水下机器人在局部水生态进行巡游并实时采集水下生物图像，包括：
设置水下机器人的巡航路线，水下机器人按照所设置的巡航路线在局部水生态进行巡游，并实时拍摄水下图像，其中相邻两幅水下图像的拍摄时间间隔为0.3秒；利用相邻图像间的运动差分算法判断水下图像中是否存在水下生物，对存在水下生物的水下图像进行进行采集，采集得到水下生物图像，其中所述利用相邻图像间的运动差分算法判断水下图像中是否存在水下生物的流程为：
S21：获取不存在水下生物的水下背景图像，构建水下背景模型，其中水下背景模型表示水下背景图像中任意m个 像素点的集合，m>30；
S22：计算任意水下图像中像素点与水下背景模型中m个像素点的像素值差值，若水下背景模型中存在12个像素点与水下图像中像素点的像素值差值小于预设定的阈值，则将该像素点标记为背景像素点，且该像素点有概率
Figure QLYQS_80
被加入到水下背景模型中，重复当前步骤，直到标记完成所有水下图像中的所有背景像素点；
S23：以水下机器人所拍摄的任意水下图像中的任意非背景像素点p为中心，构建半径为 3 的圆形区域，将p点的像素值与选取的圆形邻域上16 个像素点的像素值依次进行比较，若邻域上有10个像素点以上的像素值与p点的像素值差值超过设定的阈值，则将p标记为该水下图像的特征点；
S24：连接水下图像中的相邻特征点，得到封闭的特征区域图像，并计算得到相邻水下图像的特征区域差分图像，所述特征区域差分图像即为相邻水下图像中特征区域图像的差值，若特征区域差分图像小于阈值，则表示两幅相邻水下图像中的特征区域图像像素分布类似，有较大可能存在水下生物，并将特征区域图像作为采集到的水下生物图像。
5.如权利要求4所述的一种非侵入式局部水生态安全检测方法，其特征在于，所述S2步骤中将所采集到的水下生物图像输入到水下生物识别模型中得到水下生物识别结果，并对不同类别的水下生物进行数目统计，得到水下生物实时概率分布，包括：
将所采集到的水下生物图像输入到水下生物识别模型中，得到该水下生物图像中识别得到的水下生物类别，并统计时间范围T内不同类别的水下生物数目，得到水下生物实时概率分布
Figure QLYQS_81
：
Figure QLYQS_82
；
其中：
Figure QLYQS_83
表示第n种水下生物/>
Figure QLYQS_84
在时间范围T内的概率分布，N种水下生物的概率分布构成水下生物实时概率分布/>
Figure QLYQS_85
，/>
Figure QLYQS_86
表示在时间范围T内识别得到的水下生物数目总数，/>
Figure QLYQS_87
表示在时间范围T内识别得到的第n种水下生物/>
Figure QLYQS_88
的数目；所述时间范围T表示以当前时刻time为参照的时间范围/>
Figure QLYQS_89
。
6.一种非侵入式局部水生态安全检测***，其特征在于，所述***包括：
水下生物识别模块，用于控制水下机器人在局部水生态进行巡游并实时采集水下生物图像，将所采集到的水下生物图像输入到水下生物识别模型中得到水下生物识别结果；
水下生物分布确定装置，用于对不同类别的水下生物进行数目统计，得到水下生物实时概率分布；
生态安全检测模块，用于获取***部水生态环境下的水下生物安全概率分布，基于水下生物实时概率分布以及水下生物安全概率分布计算水下生物分布差异值，若水下生物分布差异值大于指定阈值则说明当前水下生物分布发生较大变化，存在生态安全隐患风险，以实现一种如权利要求1-5任一项所述的非侵入式局部水生态安全检测方法。
CN202310265357.1A 2023-03-20 2023-03-20 一种非侵入式局部水生态安全检测方法与*** Active CN115984269B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310265357.1A CN115984269B (zh) 2023-03-20 2023-03-20 一种非侵入式局部水生态安全检测方法与***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310265357.1A CN115984269B (zh) 2023-03-20 2023-03-20 一种非侵入式局部水生态安全检测方法与***

Publications (2)

Publication Number Publication Date
CN115984269A CN115984269A (zh) 2023-04-18
CN115984269B true CN115984269B (zh) 2023-07-14

Family

ID=85972532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310265357.1A Active CN115984269B (zh) 2023-03-20 2023-03-20 一种非侵入式局部水生态安全检测方法与***

Country Status (1)

Country Link
CN (1) CN115984269B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116973922B (zh) * 2023-08-29 2024-04-16 中国水产科学研究院珠江水产研究所 一种基于水声信号探测的水下生物分布特征分析方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932482A (zh) * 2020-09-25 2020-11-13 平安科技（深圳）有限公司 图像中目标物的检测方法、装置、电子设备及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363176B (zh) * 2019-07-23 2021-12-21 中国科学院西北生态环境资源研究院 一种图像分析方法及装置
CN111932555A (zh) * 2020-07-31 2020-11-13 商汤集团有限公司 一种图像处理方法及装置、计算机可读存储介质
CN112215223B (zh) * 2020-10-16 2024-03-19 清华大学 基于多元注意力机制的多方向场景文字识别方法及***
US20220245381A1 (en) * 2021-01-29 2022-08-04 Iunu, Inc. Pest infestation detection for horticultural grow operations
CN114092793B (zh) * 2021-11-12 2024-05-17 杭州电子科技大学 适用于复杂水下环境的端到端生物目标检测方法
CN114299332A (zh) * 2021-12-22 2022-04-08 苏州热工研究院有限公司 核电厂冷源海生物智能探测方法及***
CN115170529A (zh) * 2022-07-20 2022-10-11 西安电子科技大学广州研究院 基于注意力机制的多尺度微小瑕疵检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932482A (zh) * 2020-09-25 2020-11-13 平安科技（深圳）有限公司 图像中目标物的检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN115984269A (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN113159147B (zh) 基于神经网络的图像识别方法、装置、电子设备
CN112465748A (zh) 基于神经网络的裂缝识别方法、装置、设备及存储介质
CN112395978A (zh) 行为检测方法、装置及计算机可读存储介质
CN115984269B (zh) 一种非侵入式局部水生态安全检测方法与***
CN111274937B (zh) 摔倒检测方法、装置、电子设备及计算机可读存储介质
CN111310671B (zh) 基于深度学习的加热炉底部积水坑异常识别方法、***及设备
CN114998838B (zh) 一种危化品智能存储柜实时监测方法与装置
CN113095475A (zh) 一种神经网络的训练方法、图像处理方法以及相关设备
CN109543744B (zh) 一种基于龙芯派的多类别深度学习图像识别方法及其应用
CN112766229A (zh) 基于注意力机制的人脸点云图像智能识别***及方法
CN112347526A (zh) 基于防摄屏的信息安全保护方法、装置、电子设备及介质
CN114821096A (zh) 一种图像处理方法、神经网络的训练方法以及相关设备
CN112784754A (zh) 一种车辆再识别方法、装置、设备及存储介质
CN115206040B (zh) 核电取水口的生物入侵预警方法、装置及终端
CN115147618A (zh) 一种生成显著图的方法、异常对象检测的方法以及装置
CN116704324A (zh) 基于水下图像的目标检测方法、***、设备以及存储介质
CN116580326A (zh) 一种航空环境安全风险防控检测及预警***
CN116012659A (zh) 一种红外目标检测方法、装置、电子设备及存储介质
CN112507903B (zh) 假脸检测方法、装置、电子设备及计算机可读存储介质
CN115147405A (zh) 一种快速新能源电池无损检测方法
CN113920590A (zh) 活体检测方法、装置、设备及可读存储介质
CN112561893A (zh) 图片匹配方法、装置、电子设备及存储介质
CN116824579B (zh) 基于直接免疫荧光染色的耶氏肺孢子菌检测方法及装置
Wei et al. Foreign object detection of transmission line based on improved Yolov5
CN113408424B (zh) 用品识别方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant