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 PDFInfo
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 241000242759 Actiniaria Species 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 2
- 241000242757 Anthozoa Species 0.000 description 2
- 235000014653 Carica parviflora Nutrition 0.000 description 2
- 241000283153 Cetacea Species 0.000 description 2
- 241001125840 Coryphaenidae Species 0.000 description 2
- 241000238424 Crustacea Species 0.000 description 2
- 241000237858 Gastropoda Species 0.000 description 2
- 241000238413 Octopus Species 0.000 description 2
- 241000242583 Scyphozoa Species 0.000 description 2
- 241000238371 Sepiidae Species 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 241000270728 Alligator Species 0.000 description 1
- 241000252073 Anguilliformes Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
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,所述第/>个卷积残差单元的计算公式为:
其中:
表示第/>个卷积残差单元的输出结果,/>表示水下生物图像x,/>表示水下生物图像x所对应的水下生物特征图/>;/>表示利用/>像素大小的卷积核进行卷积处理,/>表示利用/>像素大小的卷积核进行卷积处理;
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/>,其中/>表示识别结果输出层中的权重矩阵,/>表示水下生物图像x中识别到的水下生物类别,其中/>的计算结果为/>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,/>表示较小的正数,/>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/>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/>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,其中/>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:
表示训练集data中的任意图像,/>表示图像/>的真实编号,对应着图像/>中水下生物的类别;/>表示将图像/>输入到基于参数/>的水下生物识别模型中,模型输出的水下生物类别;/>表示基于参数/>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,并基于最优参数/>构建得到水下生物识别模型,则所述基于最优参数/>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/>;S12:计算第t次迭代时训练损失函数/>的梯度:
其中:表示第t次迭代时损失函数/>的梯度;/>表示第t-1次迭代时水下生物识别模型的参数;若/>小于预设置的梯度阈值,则表示参数/>稳定,并将参数/>作为最优参数/>,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/>:/>;
其中:
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:
其中:表示第n种水下生物/>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/>,/>表示在时间范围T内识别得到的水下生物数目总数,/>表示在时间范围T内识别得到的第n种水下生物/>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/>。
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,/>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/>的数目,/>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,/>表示第n种水下生物/>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:
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,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,所述第/>个卷积残差单元的计算公式为:其中:/>表示第/>个卷积残差单元的输出结果,/>表示水下生物图像x,/>表示水下生物图像x所对应的水下生物特征图/>;表示利用/>像素大小的卷积核进行卷积处理,/>表示利用/>像素大小的卷积核进行卷积处理;/>表示将卷积处理结果进行归一化处理;/>表示ReLU激活函数;特征提取层将水下生物特征图/>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/>,其中/>表示识别结果输出层中的权重矩阵,/>表示水下生物图像x中识别到的水下生物类别,其中/>的计算结果为/>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,/>表示较小的正数,/>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/>:/>其中:/>表示第n种水下生物/>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/>,/>表示在时间范围T内识别得到的水下生物数目总数,/>表示在时间范围T内识别得到的第n种水下生物/>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/>。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,/>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/>的数目,/>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,/>表示第n种水下生物/>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:其中:/>表示水下生物实时概率分布/>与水下生物安全概率分布/>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,所述第/>个卷积残差单元的计算公式为:
其中:
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/>,其中/>表示识别结果输出层中的权重矩阵,/>表示水下生物图像x中识别到的水下生物类别,其中/>的计算结果为/>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,/>表示较小的正数,/>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,其中/>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包括卷积核权重参数以及识别结果输出层中的权重矩阵;
表示基于参数/>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/>,并基于最优参数/>构建得到水下生物识别模型,则所述基于最优参数/>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/>;S12:计算第t次迭代时训练损失函数/>的梯度:/>;
其中:表示第t次迭代时损失函数/>的梯度;/>表示第t-1次迭代时水下生物识别模型的参数;若/>小于预设置的梯度阈值,则表示参数/>稳定,并将参数/>作为最优参数/>,终止训练损失函数的迭代求解流程,否则转向步骤S13;
其中:为学习率,将其设置为0.01;S16:令/>,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:
其中:表示第n种水下生物/>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/>,/>表示在时间范围T内识别得到的水下生物数目总数,/>表示在时间范围T内识别得到的第n种水下生物/>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/>。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,/>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/>的数目,/>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,/>表示第n种水下生物/>在***部水生态环境下的概率分布;
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:
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,/>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/>的数目,/>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,/>表示第n种水下生物/>在***部水生态环境下的概率分布;/>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:
其中:
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:
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,所述第/>个卷积残差单元的计算公式为:
其中:
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:
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:
其中:
其中:
其中:
其中:
其中:
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:
其中:
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。
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)
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)
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)
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 |
-
2023
- 2023-03-20 CN CN202310265357.1A patent/CN115984269B/zh active Active
Patent Citations (1)
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 |