CN116110045A - 一种图像标注方法及*** - Google Patents
一种图像标注方法及*** Download PDFInfo
- Publication number
- CN116110045A CN116110045A CN202211605752.1A CN202211605752A CN116110045A CN 116110045 A CN116110045 A CN 116110045A CN 202211605752 A CN202211605752 A CN 202211605752A CN 116110045 A CN116110045 A CN 116110045A
- Authority
- CN
- China
- Prior art keywords
- information
- water area
- current
- invasive species
- image
- 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.)
- Withdrawn
Links
- 238000002372 labelling Methods 0.000 title claims abstract description 59
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 274
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 241000894007 species Species 0.000 claims description 216
- 230000009545 invasion Effects 0.000 claims description 42
- 238000004458 analytical method Methods 0.000 claims description 39
- 230000000694 effects Effects 0.000 claims description 39
- 241000282414 Homo sapiens Species 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000009432 framing Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000001850 reproductive effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000007717 exclusion Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 13
- 230000006378 damage Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000009792 diffusion process Methods 0.000 description 4
- 230000004083 survival effect Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000003796 beauty Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000009982 effect on human Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000001617 migratory effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000012620 biological material Substances 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/40—Monitoring or fighting invasive species
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明属于人工智能技术领域,涉及一种图像标注方法及***。所述方法包括以下步骤:基于稀疏计算算法对扩充分类数据信息进行多分支自适应特征提取以及融合,从而获得神经网络中的自适应特征处理模块;利用自适应特征处理模块将输入的小样本训练集将特征转化为语义信息,输入到度量坐标系中;对度量坐标系中的语义信息进行相似性阈值距离比较,从而完成非标签化分类,获得未标记生物结果;利用水域水生生物分类信息以及相同特征生物互斥标注比较阈值,以进行水域水生生物信息标注,从而获得水域水生生物特征分类神经网络;以获取更加精确的水下图像标注结果以及水域安全等级信息。本发明能够有效提升当前图像标注的精确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种图像标注方法及***。
背景技术
在日常的生活中有不少的人选择在附近的水域进行游泳甚至是潜泳,但是如果没有对附近的水域内的生物有个了解的话,可能会对我们人身安全产生威胁,同时如果是存在入侵生物的话,还会周围的环境产生影响,从而当我们或有人再次在该水域进行活动时,也会有潜在的危险。同时在水下生物或目标进行标注时,常常会因水下的折射率以及水下的光照条件导致水下的物体或者生物呈现出来的颜色与水面的颜色有明显的差别,并且在进行水下图像标注时,需要面临生物繁多,训练集小的问题。
随着互联网技术的飞速发展和广泛应用,人们可以接收到不同来源的大量信息,大数据时代的到来引领了数据的全方位应用,使数据在生活中起到了不可或缺的作用。然而我们接触到的大部分数据都是类似于视频、图像、文本形式的非结构化数据,不仅数量庞大,且没有固定结构,如何从复杂繁重的数据中获得简明有效的精确信息成为了人们在信息时代的迫切需求。
综上所述,当前迫切需要高精度的水下图像以及当前水域标注方法,用于保护当前的水域环境的安全以及在该水域活动的生物的安全。
发明内容
本发明涉及人工智能领域,揭露了一种图像标注方法及***,以解决至少一个上述技术问题。
本发明提供了一种图像标注方法,包括以下步骤:
步骤S1:获取当前目标水域的地理位置信息,并构建能反应当前目标水域的水生生物特征分类神经网络;
步骤S2:通过水下摄像机获取原始水下视频信息,并通过水深温度测量仪获取当前所在位置的水深和温度;
步骤S3:对原始水下视频信息进行分帧处理,并筛选分帧处理后的图像,以获得水下图像信息;
步骤S4:对水下图像信息进行优化,获得水生生物特征图像;
步骤S5:利用水生生物特征图像以及当前水域生物的特征信息,进行水生生物识别结果的标注和分类,分别记为水域原生生物结果信息以及初级水域入侵生物结果信息;
步骤S6:利用初级水域入侵生物结果信息进行初级入侵物种安全等级划分,确认当前入侵生物对当前水域生物的威胁,获得初级入侵物种安全结果信息;
步骤S7:根据初级入侵物种安全威胁分析结果,利用云端服务器进行终极入侵物种安全等级划分,以最终确认入侵物种对当前水域生物的影响,获得终极入侵物种安全结果信息;
步骤S8:利用终极入侵物种安全威胁分析结果以及水域原生生物结果信息,进行当前水域的安全等级标注,获得当前水域的安全等级标注结果;
步骤S9:利用当前水域的安全等级标注结果,对云端服务器中当前水域安全等级信息进行更新。
本实施例通过对水下生物进行标注,从而对当前水域的安全进行标注,能在一定的程度上,可以预防外来物种对当前水域环境以及水域内物种的影响,以便普通的用户也可以及时通知相关的部门或者采用力所能及的措施防止外来物种的进一步扩散,防止对当前水域的环境以及扩散至邻近水域,加大后期治理的难度以及成本,同时外来入侵物种对进入到当前水域范围内的人类有一点的预警作用,能有效防止因此导致的意外的发生,从而保障野外工作者以及游玩者的人身安全,另一方面,对水下的濒危物种进行特别的标注,也能对濒危物种的保护起到一定的作用,防止人为活动干预或者外来入侵物种对濒危物种的危害,同时也可以帮助渔夫等快速识别濒危物种,从而避免濒危物种的减少。
在本说明书的一个实施例中,步骤S1还包括以下步骤:
获取当前目标水域的地理信息;
根据地理信息获取包含水域水生生物信息以及终极入侵物种安全威胁分析结果在内的当前水域安全等级信息;
本实施例通过获取水域安全等级信息,以便用户及时对当前的水域安全进行预警,对水下的生物有大致的了解,从而在活动时,避免其中有毒或者大型肉食水生生物带来的危害,以及避免对当前水域中的濒危物种进行捕捉或者造成伤害,同时也可以对水下生物的多样性有大致的了解,防止后续过度捕捞等对当前水域的生物多样性产生影响的情况发生,同时后续在当前水域进行活动时,也可以采取一些力所能及的措施,对其中的入侵生物进行捉获;
通过水域水生生物信息提取包含外表特征、水深、温度以及生活习性在内的水域水生生物分类信息;
本实施例通过提取包含外表特征、水深、温度以及生活习性在内的水域水生生物分类信息,以在后续能生成更高质量的水生生物特征分类神经网络,从而能更好地对当前水域生物进行相应标注以及分类,防止对其中外表相似但生活地水深以及温度有着明显差别地生物地错误标注,从而导致分类结果不够精确地情况地出现,无法保障在后期标注结果的精确性,从而进一步影响当前水域的安全等级标注结果;此外标记的结果准确时,还会影响用户的体验,从而影响用户的再次使用以及产品的进一步的推广,从而无法对当前水域信息进行实时更新,无法保障当前信息的准确性,进一步影响当前用户的体验;
根据提取的水域水生生物分类信息进行小样本神经网络训练,获得水生生物特征分类神经网络;
本实施例通过生成水生生物特征分类神经网络,在确保了神经网络的精确性以及快速反应的特点,从而保障了标注的质量和准确性,进而能提升用户体验以及相应产品的推广,同时因为基于小样本进行神经网络训练,确保了该训练集可以运用到更多的运用场景,确保当前的神经网络不会出现难以对物体进行精确识别的情况出现,不会对相似度接近的生物难以区分或者是错误区分情况的出现,减少进行再次检测的时间以及提升标注分类的准确性,使得后续步骤的时间成本以及容错成本大大降低,使得最终的结果更加的可靠以及精确,保证了进行水下生物检测的目的以及初衷,更加好地保护当前水域的生态环境以及做到可持续发展,防止外来入侵物种对当前水域生态的破坏,进而入侵到领近适合该入侵生物的水域,对当期的生态环境产生影响,从而影响人类的活动以及环境的治理成本;
在本说明书的一个实施例中,根据提取的水域水生生物分类信息进行小样本神经网络训练,获得水生生物特征分类神经网络包括以下步骤:
步骤S31:利用数据增强使得水域水生生物分类信息进行数据样本扩充后,从而得到扩充分类数据信息;
本实施例通过进行数据样本扩充得到扩充分类数据信息,从而使得当前的数据得到数量上的扩充,使得后续训练出来的水生生物特征分类神经网络更加可靠以及实用,具有高精确性以及高效性,能快速并准确地对水下生物图像做出标记,便于后期对水域进行快速地标注,从而使得用户能快速对当前水域环境进行判断,判断当前水域是否有潜在的风险,以便及时做出相应的规避技术或者相应的紧急措施预警,甚至减少前往该区水域的可能性,同时小样本学习还可以提升当前神经网络学习的时间成本,从而能快速运用到不同的场景中,以及减少用户在训练过程中所用等待时间,提升用户的使用过程中的体验,还可以降低一些想参与到入侵物种识别的人员的学习成本,方便更多的人;
步骤S32:基于稀疏计算算法对扩充分类数据信息进行多分支自适应特征提取以及融合,从而获得神经网络中的自适应特征处理模块;
步骤S33:利用自适应特征处理模块将输入的小样本训练集的特征转化为语义信息,输入到度量坐标系中;
步骤S34:对度量坐标系中的语义信息进行相似性阈值距离比较,从而完成非标签化分类,获得未标记生物结果;
步骤S35:利用水域水生生物分类信息以及相同特征生物互斥标注比较阈值,以进行水域水生生物信息标注,从而获得水生生物特征分类神经网络;
在本说明书的一个实施例中,获得水生生物特征图像的具体步骤为:
步骤S41:利用二维旋转高斯函数将水下视频图像外接旋转转化为二维高斯分布图像,并将得到的二维高斯图像分布生成热力图像标签;
本实施例通过热力图像标签,便于后期在计算权重的过程中,可以快速得到待检测目标的温度,从而实现对水中生物与非生物的初步区别,减少了图像中非生物对标注结果的干扰,提升后期标注结果的质量,防止错误将非生物或者在该区域中无法生存导致死亡的入侵物种进行标注,从而导致当前水域的安全等级标注结果的错误;可理解的是,也可以进行运用至后期相应的水下环境标注,防止水下的环境不利于当前生物的进一步发展,从而影响到前水域的安全等级标注结果,从而对该水域进行重点的保护或者治理工作,使得该水域可以适宜一些非入侵生物的生存繁衍,可以有效防止当前水域的荒废,起到一定的观赏价值以及因此带来的经济价值,同时可以降低治理过程中的成本;并且可以快速得到当前活体的生物,减少非活体生物的干扰,从而进一步可以对当前水域环境起到有利的支撑作用;
步骤S42:利用热力像素点权重计算公式对生成的热力图像标签进行热力像素点权重计算,以进行复杂背景和被检测目标的分割,获得热力图像标签中的待检测目标图像,热力像素点权重计算公式如下:
其中,w为热力像素点权重值,f为当前的水温,t为当前待检测目标的温度,p为当前的水压,h为根据当前水压以及水域推算出来的水深,l为当前的光照强度,m为热力图像标签中待检测目标的数量,n为当前待检测目标在热力图像标签中的占比;
本实施例通过当前待检测目标的温度t以及当前的水温f,是因为水生生物虽然大部分都是冷血动物,其温度会随环境发生而发生相应的变化,但是始终不会和环境一致,会存在一定的偏差,从而可以对非生物、活体生物以及非活体生物进行一定的区分,大大减少了后期图像优化的工作量,减少图像优化对应的时间,防止计算量过大而导致的***不稳定的情况发生,提升最终的分类结果的质量,从而提升用户的使用体验,防止因错误分类给用户带来的不便以及一些不必要的困扰,同时对减少因对非活体的入侵物种对后续步骤的干扰,提升入侵物种安全等级信息的精确度,防止当入侵物种已经真是不适合当前的环境生长繁殖,而***依然将其定义为入侵物种情况的出现,从而实现了对入侵物种对当前环境的适应程度的初步分析和判断,大大提升了入侵物种适应当前环境结果的分析判断结果的可靠性;
本实施例通过当前待检测目标在热力图像标签中的占比n以及热力图像标签中待检测目标的数量m,能有效对其中较小的待检测图像进行挑选,可以有效提升当前检测结果的可靠性以及准确性,同时也能防止因检测图像过小或者过大导致无法在后续提取关键特性情况的出现,需理解的是,部分生物可能存在一定的相似性,需要从整体进行判断究竟是哪一种生物,但是如果当前的图像只是显示部分特征,就会发生错误分类判断或者无法具体判断的情况,从而无法保障分类的结果的高精确;同时也有部分的生物可能存在本身体积过小的情况,此时可以通过设置相应的阈值,防止在标注的过程中对小体积生物有遗漏标注情况的发生,能提升用户的使用体验,也可以帮助用户提供更加准确、详细的生物标注,可以让用户发现以前意识不到的一些生物的美丽;
步骤S43:利用神经网络对待检测目标图像进行边缘检测,并使用高斯滤波器进行平滑处理,获得边缘优化待检测目标图像;
本实施例通过对待检测目标图像进行边缘检测,并使用高斯滤波器进行平滑处理,获得边缘优化待检测目标图像,能有效对图像边缘的特征信息进行优化,从而进一步提升了后续***进行图像特征提取的能力,提升图像标注分类的质量以及速度,同时防止边缘特征错误导致分类结果不够精确的概率;
步骤S44:将边缘优化待检测目标图像转化为无色彩偏差的待优化雾化水下转化图像;
本实施例通过获取无色彩偏差的待优化雾化水下转化图像,需理解的是,因为水下光线以及光照等一系列因素导致可能水下图像的色彩呈现会与水面的色彩不同,而在进行神经网络训练的过程中,采用了水上图像信息以及特征信息进行训练,因此需要对水下图像进行相应色彩转化;从而使得获得的特征信息更加准确,以便能更加精确地进行图像标注以及分类工作,有利于提升用户的体验;
步骤S45:将待优化雾化水下转化图像进行去雾处理得到去雾处理待检测目标图像;
本实施例通过对待优化雾化水下转化图像进行去雾处理得到去雾处理待检测目标图像,使得图像更加清晰,使得特征信息更加明显,有效避免了因图像清晰度而导致无法有效对图像非边缘处的特征进行提取,从而使得标注分类结果更加准确;
步骤S46:将去雾处理待检测目标图像进行矫正处理,从而获得水生生物特征图像。
在本说明书的一个实施例中,获得初级入侵物种安全结果信息的步骤具体为:
步骤S61:对初级水域入侵生物结果信息对应的水生生物特征图像进行再次的特征信息提取,从而获得详细化待检测生物信息;
步骤S62:利用水域水生生物特征分类神经网络对详细化待检测生物信息进行二次标注,并将初级水域入侵生物结果信息中错误检测分类导致的结果修改为水域原生生物结果信息,从而得到终极水域入侵生物结果信息;
在本发明实施例中通过对详细化待检测生物信息进行二次标注,使得对错误标注结果可以得到及时的修改,进一步提升了当前标注结果的准确性;
步骤S63:对当前的初级水域入侵生物结果信息进行生物种类的划分,从而得到对应的入侵生物类型;
在本发明实施例中通过进行生物种类的划分,从而得到对应的入侵生物类型,从而能更加快速地进行后续入侵物种等级信息的获取,以及使得结果更加精确;
步骤S64:根据当前的入侵生物类型结合水域原生生物结果信息对应的生活习性进行初级入侵物种安全等级划分,从而获得当前的入侵物种等级信息;
步骤S65:根据入侵物种等级信息,确认当前入侵物种对水域以及其他生物的威胁,获得含详细化待检测生物信息在内的初级入侵物种安全结果信息。
在本说明书的一个实施例中,获得终极入侵物种安全结果信息的步骤具体为:
步骤S71:利用初级入侵物种安全威胁分析结果信息以及云端服务器,并进行分类以及对初级水域入侵生物结果信息中标注和分类错误的结果信息进行重新标注,从而获取得到详细入侵物种信息;
步骤S72:获取当前水域的环境信息,利用入侵物种安全等级计算公式,计算得到入侵物种安全值,并利用预设的入侵物种安全等级值,对详细入侵物种信息进行终极入侵物种安全等级划分,获得入侵物种安全等级信息,其中入侵物种安全等级计算公式如下:
其中,L为入侵物种安全等级,T0为当前水域环境的往年最低温度的均值,Ti为当前水域环境的往年最高温度的均值,T1为入侵物种生存的极限温度,Y为当前水域环境资源与入侵物种所需的匹配度,D为当前入侵生物种群密度,R为当前水域环境受干扰强度等级,G为当前水域中出现濒危物种的概率;
在本发明实施例中通过引用当前水域中出现濒危物种的概率G,能有效防止入侵物种以及原生生物对濒危物种的影响,从而实现对濒危物种的保护,能确保濒危物种不因该物种的入侵收到进一步的伤害,有利于濒危物种的生存繁殖;
步骤S73:根据入侵物种安全等级信息进行安全威胁分析,确认入侵物种对当前水域生物的影响,获得终极入侵物种安全结果信息。
在本说明书的一个实施例中,获得终极入侵物种安全威胁分析结果的步骤具体包括以下步骤:
步骤S731:利用入侵物种安全等级信息分析得到入侵物种的入侵方式信息;
在本发明实施例中得到入侵物种的入侵方式信息,能在后续该入侵生物不仅会对当前水域产生影响,还能防止入侵生物通过同样的方式对邻近的水域产生影响,从而无法加大治理的难度以及时间成本,同时提升了对当前水域的安全等级标注结果的精确性;
步骤S732:利用入侵物种安全等级信息以及水域原生生物结果信息,进行外来入侵物种与原生物种共存能力分析,得到当前水域的生物多样化信息;
在本发明实施例中得到当前水域的生物多样化信息,对外来入侵物种与原生物种共存能力分析,防止外来入侵物种能与当前生物共存,且对其他生物无明显影响时,但最终的当前水域安全等级标注结果偏高的情况的发生,能有效提升当前水域安全等级标注结果的精确度;
步骤S733:利用入侵物种安全等级信息以及当前目标水域的地理位置信息进行入侵物种环境影响力以及当前环境繁殖能力分析,得到入侵物种影响无机环境信息;
步骤S734:对入侵物种的入侵方式信息、生物多样化信息以及入侵物种影响无机环境信息进行融合,从而确认入侵物种对当前水域的影响,获得终极入侵物种安全威胁分析结果;
在本说明书的一个实施例中,获得当前水域的安全等级标注结果的步骤具体为:
步骤S81:利用终极入侵物种安全威胁分析结果进行当前水域入侵生物人类活动危险等级阈值划分,从而获得入侵生物人类活动危险等级信息;
步骤S82:利用水域原生生物结果,进行水域原生生物人类活动危险等级阈值划分以及水域原生生物生态***等级阈值划分,从而获得原生生物人类活动危险等级信息以及水域原生生物生态***信息;
步骤S83:利用水域原生生物生态***信息进行生态***可持续分析,并利用分析结果对原生生物人类活动危险等级信息进行更新;
步骤S84:对入侵生物人类活动危险等级信息以及原生生物人类活动危险等级信息进行融合,以进行当前水域的安全等级标注,获得当前水域的安全等级标注结果;
在本发明实施例中通过对人类活动进行重点预测,能有效提升安全等级标注结果的精确度,同时又凸显了本发明对人以及生态共同关注的特点,在保护水域生态的同时,也考虑了人类的重要性,需理解的是,当一个生态***可能对当前生态内的生物没有影响,但对人类活动可能产生巨大的影响,也可以适当提升当前的安全等级标注结果,防止人类活动误入该区域收到相应的伤害;
在本说明书的一个实施例中,一种图像标注***,具体包括:
图像获取终端;
环境检测终端;
至少一个图像获取终端和环境检测终端通信连接的中央处理器;
与至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行如上述一种图像标注方法;
在本发明实施例中图像标注***实现了对水下生物的标注,能有效对水下的生物进行区分,同时因对图像进行优化以及后续进行了二次检测,能有效提升当前图像标注的精确度,从而实现对当前水域的安全等级高精度标注,为用户带来更好的使用体验。
附图说明
图1以及图2为一实施例图像标注方法的流程示意图;
图3为一实施例获得水域水生生物特征分类神经网络的流程示意图;
图4为一实施例获得水生生物特征图像的流程示意图;
图5为一实施例获得初级入侵物种安全结果信息的流程示意图;
图6为一实施例获得终极入侵物种安全威胁分析结果的流程示意图;
图7为一实施例获得当前水域的安全等级标注结果的流程示意图。
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。
本申请实施提供了一种图像标注方法。所述图像标注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设备中的至少一种。
换言之,所述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。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1及图2所示,为本发明一实施例提供的图像标注方法的流程示意图。在本实施例中,所述图像标注方法包括以下步骤:
步骤S1:获取当前目标水域的地理位置信息,并构建能反应当前目标水域的水生生物特征分类神经网络;
步骤S2:通过水下摄像机获取原始水下视频信息,并通过水深温度测量仪获取当前所在位置的水深和温度;
步骤S3:对原始水下视频信息进行分帧处理,并筛选分帧处理后的图像,以获得水下图像信息;
步骤S4:对水下图像信息进行优化,获得水生生物特征图像;
步骤S5:利用水生生物特征图像以及当前水域生物的特征信息,进行水生生物识别结果的标注和分类,分别记为水域原生生物结果信息以及初级水域入侵生物结果信息;
步骤S6:利用初级水域入侵生物结果信息进行初级入侵物种安全等级划分,确认当前入侵生物对当前水域生物的威胁,获得初级入侵物种安全结果信息;
步骤S7:根据初级入侵物种安全威胁分析结果,利用云端服务器进行终极入侵物种安全等级划分,以最终确认入侵物种对当前水域生物的影响,获得终极入侵物种安全结果信息;
步骤S8:利用终极入侵物种安全威胁分析结果以及水域原生生物结果信息,进行当前水域的安全等级标注,获得当前水域的安全等级标注结果;
步骤S9:利用当前水域的安全等级标注结果,对云端服务器中当前水域安全等级信息进行更新。
本实施例通过对水下生物进行标注,从而对当前水域的安全进行标注,能在一定的程度上,可以预防外来物种对当前水域环境以及水域内物种的影响,以便普通的用户也可以及时通知相关的部门或者采用力所能及的措施防止外来物种的进一步扩散,防止对当前水域的环境以及扩散至邻近水域,加大后期治理的难度以及成本,同时外来入侵物种对进入到当前水域范围内的人类有一点的预警作用,能有效防止因此导致的意外的发生,从而保障野外工作者以及游玩者的人身安全,另一方面,对水下的濒危物种进行特别的标注,也能对濒危物种的保护起到一定的作用,防止人为活动干预或者外来入侵物种对濒危物种的危害,同时也可以帮助渔夫等快速识别濒危物种,从而避免濒危物种的减少。
在本说明书的一个实施例中,步骤S1还包括以下步骤:
获取当前目标水域的地理信息;
根据地理信息获取包含水域水生生物信息以及终极入侵物种安全威胁分析结果在内的当前水域安全等级信息;
本实施例通过获取水域安全等级信息,以便用户及时对当前的水域安全进行预警,对水下的生物有大致的了解,从而在活动时,避免其中有毒或者大型肉食水生生物带来的危害,以及避免对当前水域中的濒危物种进行捕捉或者造成伤害,同时也可以对水下生物的多样性有大致的了解,防止后续过度捕捞等对当前水域的生物多样性产生影响的情况发生,同时后续在当前水域进行活动时,也可以采取一些力所能及的措施,对其中的入侵生物进行捉获;
通过水域水生生物信息提取包含外表特征、水深、温度以及生活习性在内的水域水生生物分类信息;
本实施例通过提取包含外表特征、水深、温度以及生活习性在内的水域水生生物分类信息,以在后续能生成更高质量的水生生物特征分类神经网络,从而能更好地对当前水域生物进行相应标注以及分类,防止对其中外表相似但生活地水深以及温度有着明显差别地生物地错误标注,从而导致分类结果不够精确地情况地出现,无法保障在后期标注结果的精确性,从而进一步影响当前水域的安全等级标注结果;此外标记的结果准确时,还会影响用户的体验,从而影响用户的再次使用以及产品的进一步的推广,从而无法对当前水域信息进行实时更新,无法保障当前信息的准确性,进一步影响当前用户的体验;
根据提取的水域水生生物分类信息进行小样本神经网络训练,获得水生生物特征分类神经网络;
本实施例通过生成水生生物特征分类神经网络,在确保了神经网络的精确性以及快速反应的特点,从而保障了标注的质量和准确性,进而能提升用户体验以及相应产品的推广,同时因为基于小样本进行神经网络训练,确保了该训练集可以运用到更多的运用场景,确保当前的神经网络不会出现难以对物体进行精确识别的情况出现,不会对相似度接近的生物难以区分或者是错误区分情况的出现,减少进行再次检测的时间以及提升标注分类的准确性,使得后续步骤的时间成本以及容错成本大大降低,使得最终的结果更加的可靠以及精确,保证了进行水下生物检测的目的以及初衷,更加好地保护当前水域的生态环境以及做到可持续发展,防止外来入侵物种对当前水域生态的破坏,进而入侵到领近适合该入侵生物的水域,对当期的生态环境产生影响,从而影响人类的活动以及环境的治理成本;
参照图3所示,在本说明书的一个实施例中,根据提取的水域水生生物分类信息进行小样本神经网络训练,获得水生生物特征分类神经网络包括以下步骤:
步骤S31:利用数据增强使得水域水生生物分类信息进行数据样本扩充后,从而得到扩充分类数据信息;
本实施例通过进行数据样本扩充得到扩充分类数据信息,从而使得当前的数据得到数量上的扩充,使得后续训练出来的水生生物特征分类神经网络更加可靠以及实用,具有高精确性以及高效性,能快速并准确地对水下生物图像做出标记,便于后期对水域进行快速地标注,从而使得用户能快速对当前水域环境进行判断,判断当前水域是否有潜在的风险,以便及时做出相应的规避技术或者相应的紧急措施预警,甚至减少前往该区水域的可能性,同时小样本学习还可以提升当前神经网络学习的时间成本,从而能快速运用到不同的场景中,以及减少用户在训练过程中所用等待时间,提升用户的使用过程中的体验,还可以降低一些想参与到入侵物种识别的人员的学习成本,方便更多的人;
步骤S32:基于稀疏计算算法对扩充分类数据信息进行多分支自适应特征提取以及融合,从而获得神经网络中的自适应特征处理模块;
步骤S33:利用自适应特征处理模块将输入的小样本训练集的特征转化为语义信息,输入到度量坐标系中;
步骤S34:对度量坐标系中的语义信息进行相似性阈值距离比较,从而完成非标签化分类,获得未标记生物结果;
步骤S35:利用水域水生生物分类信息以及相同特征生物互斥标注比较阈值,以进行水域水生生物信息标注,从而获得水生生物特征分类神经网络;
参照图4所示,在本说明书的一个实施例中,获得水生生物特征图像的具体步骤为:
步骤S41:利用二维旋转高斯函数将水下视频图像外接旋转转化为二维高斯分布图像,并将得到的二维高斯图像分布生成热力图像标签;
本实施例通过热力图像标签,便于后期在计算权重的过程中,可以快速得到待检测目标的温度,从而实现对水中生物与非生物的初步区别,减少了图像中非生物对标注结果的干扰,提升后期标注结果的质量,防止错误将非生物或者在该区域中无法生存导致死亡的入侵物种进行标注,从而导致当前水域的安全等级标注结果的错误;可理解的是,也可以进行运用至后期相应的水下环境标注,防止水下的环境不利于当前生物的进一步发展,从而影响到前水域的安全等级标注结果,从而对该水域进行重点的保护或者治理工作,使得该水域可以适宜一些非入侵生物的生存繁衍,可以有效防止当前水域的荒废,起到一定的观赏价值以及因此带来的经济价值,同时可以降低治理过程中的成本;并且可以快速得到当前活体的生物,减少非活体生物的干扰,从而进一步可以对当前水域环境起到有利的支撑作用;
步骤S42:利用热力像素点权重计算公式对生成的热力图像标签进行热力像素点权重计算,以进行复杂背景和被检测目标的分割,获得热力图像标签中的待检测目标图像,热力像素点权重计算公式如下:
其中,w为热力像素点权重值,f为当前的水温,t为当前待检测目标的温度,p为当前的水压,h为根据当前水压以及水域推算出来的水深,l为当前的光照强度,m为热力图像标签中待检测目标的数量,n为当前待检测目标在热力图像标签中的占比;
本实施例通过当前待检测目标的温度t以及当前的水温f,是因为水生生物虽然大部分都是冷血动物,其温度会随环境发生而发生相应的变化,但是始终不会和环境一致,会存在一定的偏差,从而可以对非生物、活体生物以及非活体生物进行一定的区分,大大减少了后期图像优化的工作量,减少图像优化对应的时间,防止计算量过大而导致的***不稳定的情况发生,提升最终的分类结果的质量,从而提升用户的使用体验,防止因错误分类给用户带来的不便以及一些不必要的困扰,同时对减少因对非活体的入侵物种对后续步骤的干扰,提升入侵物种安全等级信息的精确度,防止当入侵物种已经真是不适合当前的环境生长繁殖,而***依然将其定义为入侵物种情况的出现,从而实现了对入侵物种对当前环境的适应程度的初步分析和判断,大大提升了入侵物种适应当前环境结果的分析判断结果的可靠性;
本实施例通过当前待检测目标在热力图像标签中的占比n以及热力图像标签中待检测目标的数量m,能有效对其中较小的待检测图像进行挑选,可以有效提升当前检测结果的可靠性以及准确性,同时也能防止因检测图像过小或者过大导致无法在后续提取关键特性情况的出现,需理解的是,部分生物可能存在一定的相似性,需要从整体进行判断究竟是哪一种生物,但是如果当前的图像只是显示部分特征,就会发生错误分类判断或者无法具体判断的情况,从而无法保障分类的结果的高精确;同时也有部分的生物可能存在本身体积过小的情况,此时可以通过设置相应的阈值,防止在标注的过程中对小体积生物有遗漏标注情况的发生,能提升用户的使用体验,也可以帮助用户提供更加准确、详细的生物标注,可以让用户发现以前意识不到的一些生物的美丽;
步骤S43:利用神经网络对待检测目标图像进行边缘检测,并使用高斯滤波器进行平滑处理,获得边缘优化待检测目标图像;
本实施例通过对待检测目标图像进行边缘检测,并使用高斯滤波器进行平滑处理,获得边缘优化待检测目标图像,能有效对图像边缘的特征信息进行优化,从而进一步提升了后续***进行图像特征提取的能力,提升图像标注分类的质量以及速度,同时防止边缘特征错误导致分类结果不够精确的概率;
步骤S44:将边缘优化待检测目标图像转化为无色彩偏差的待优化雾化水下转化图像;
本实施例通过获取无色彩偏差的待优化雾化水下转化图像,需理解的是,因为水下光线以及光照等一系列因素导致可能水下图像的色彩呈现会与水面的色彩不同,而在进行神经网络训练的过程中,采用了水上图像信息以及特征信息进行训练,因此需要对水下图像进行相应色彩转化;从而使得获得的特征信息更加准确,以便能更加精确地进行图像标注以及分类工作,有利于提升用户的体验;
步骤S45:将待优化雾化水下转化图像进行去雾处理得到去雾处理待检测目标图像;
本实施例通过对待优化雾化水下转化图像进行去雾处理得到去雾处理待检测目标图像,使得图像更加清晰,使得特征信息更加明显,有效避免了因图像清晰度而导致无法有效对图像非边缘处的特征进行提取,从而使得标注分类结果更加准确;
步骤S46:将去雾处理待检测目标图像进行矫正处理,从而获得水生生物特征图像。
参照图5所示,在本说明书的一个实施例中,获得初级入侵物种安全结果信息的步骤具体为:
步骤S61:对初级水域入侵生物结果信息对应的水生生物特征图像进行再次的特征信息提取,从而获得详细化待检测生物信息;
步骤S62:利用水域水生生物特征分类神经网络对详细化待检测生物信息进行二次标注,并将初级水域入侵生物结果信息中错误检测分类导致的结果修改为水域原生生物结果信息,从而得到终极水域入侵生物结果信息;
在本发明实施例中通过对详细化待检测生物信息进行二次标注,使得对错误标注结果可以得到及时的修改,进一步提升了当前标注结果的准确性;
步骤S63:对当前的初级水域入侵生物结果信息进行生物种类的划分,从而得到对应的入侵生物类型;
在本发明实施例中通过进行生物种类的划分,从而得到对应的入侵生物类型,从而能更加快速地进行后续入侵物种等级信息的获取,以及使得结果更加精确;
步骤S64:根据当前的入侵生物类型结合水域原生生物结果信息对应的生活习性进行初级入侵物种安全等级划分,从而获得当前的入侵物种等级信息;
步骤S65:根据入侵物种等级信息,确认当前入侵物种对水域以及其他生物的威胁,获得含详细化待检测生物信息在内的初级入侵物种安全结果信息;
需理解的是,入侵物种指在一个特定的生态***中,具有种子、卵、孢子或者其他繁殖能力的生物物质的任何物种,但它却不属于本地生态***。在生物入侵中外来物种扮演着入侵者的角色,其对本地物种施加影响,以竞争等方式对本地物种造成威胁;原生生物可以认为是自然起源于特定的地域或地区的物种,既非随意也不是有意引入的。可以看出,本地物种不是受人类活动或自然条件的影响而产生的迁徙种,即使是迁徙种,也是经过长期定居归化,与之前本地物种已建立相应的联系,存在于该地区食物链中;生物入侵的概念就在于由于外来物种中的一些物种由于自身的某些特征在侵入地区存在优势,凭借自身存在的优势大量繁殖,从而对某些本地物种的生存造成影响,以及由此造成的对当地生物群落结构的影响及生态多样性的影响;
在本说明书的一个实施例中,获得终极入侵物种安全结果信息的步骤具体为:
步骤S71:利用初级入侵物种安全威胁分析结果信息以及云端服务器,并进行分类以及对初级水域入侵生物结果信息中标注和分类错误的结果信息进行重新标注,从而获取得到详细入侵物种信息;
步骤S72:获取当前水域的环境信息,利用入侵物种安全等级计算公式,计算得到入侵物种安全值,并利用预设的入侵物种安全等级值,对详细入侵物种信息进行终极入侵物种安全等级划分,获得入侵物种安全等级信息,其中入侵物种安全等级计算公式如下:
其中,L为入侵物种安全等级,T0为当前水域环境的往年最低温度的均值,Ti为当前水域环境的往年最高温度的均值,T1为入侵物种生存的极限温度,Y为当前水域环境资源与入侵物种所需的匹配度,D为当前入侵生物种群密度,R为当前水域环境受干扰强度等级,G为当前水域中出现濒危物种的概率;
在本发明实施例中通过引用当前水域中出现濒危物种的概率G,能有效防止入侵物种以及原生生物对濒危物种的影响,从而实现对濒危物种的保护,能确保濒危物种不因该物种的入侵收到进一步的伤害,有利于濒危物种的生存繁殖;
步骤S73:根据入侵物种安全等级信息进行安全威胁分析,确认入侵物种对当前水域生物的影响,获得终极入侵物种安全结果信息;
参照图6所示,在本说明书的一个实施例中,获得终极入侵物种安全威胁分析结果的步骤具体包括以下步骤:
步骤S731:利用入侵物种安全等级信息分析得到入侵物种的入侵方式信息;
在本发明实施例中得到入侵物种的入侵方式信息,能在后续该入侵生物不仅会对当前水域产生影响,还能防止入侵生物通过同样的方式对邻近的水域产生影响,从而无法加大治理的难度以及时间成本,同时提升了对当前水域的安全等级标注结果的精确性;
步骤S732:利用入侵物种安全等级信息以及水域原生生物结果信息,进行外来入侵物种与原生物种共存能力分析,得到当前水域的生物多样化信息;
在本发明实施例中得到当前水域的生物多样化信息,对外来入侵物种与原生物种共存能力分析,防止外来入侵物种能与当前生物共存,且对其他生物无明显影响时,但最终的当前水域安全等级标注结果偏高的情况的发生,能有效提升当前水域安全等级标注结果的精确度;
步骤S733:利用入侵物种安全等级信息以及当前目标水域的地理位置信息进行入侵物种环境影响力以及当前环境繁殖能力分析,得到入侵物种影响无机环境信息;
步骤S734:对入侵物种的入侵方式信息、生物多样化信息以及入侵物种影响无机环境信息进行融合,从而确认入侵物种对当前水域的影响,获得终极入侵物种安全威胁分析结果;
可举例地,生物入侵的模式大致可分为以下2种:自然入侵:完全没有人为影响的自然分布区域的扩展。自然界中的植物通过自身的生长繁殖慢慢侵入其他生态***。有的通过根、茎、叶的繁殖,有的通过种子的传播.这种自然状态下的传播是极为缓慢的,往往须以地理地质年代来加以计算,而在又有自然媒介传播和通过生物媒介传播两种传播方式;人为途径:人类出现后,特别是在大航海时代后,人类的活动范围大大加剧,伴随着人类的商业活动和军事动作,植物有着更多的途径传播开来,在植物侵入中,其方式又可分为人类无意识的引入和有意识的引入;
参照图7所示,在本说明书的一个实施例中,获得当前水域的安全等级标注结果的步骤具体为:
步骤S81:利用终极入侵物种安全威胁分析结果进行当前水域入侵生物人类活动危险等级阈值划分,从而获得入侵生物人类活动危险等级信息;
步骤S82:利用水域原生生物结果,进行水域原生生物人类活动危险等级阈值划分以及水域原生生物生态***等级阈值划分,从而获得原生生物人类活动危险等级信息以及水域原生生物生态***信息;
步骤S83:利用水域原生生物生态***信息进行生态***可持续分析,并利用分析结果对原生生物人类活动危险等级信息进行更新;
步骤S84:对入侵生物人类活动危险等级信息以及原生生物人类活动危险等级信息进行融合,以进行当前水域的安全等级标注,获得当前水域的安全等级标注结果;
在本发明实施例中通过对人类活动进行重点预测,能有效提升安全等级标注结果的精确度,同时又凸显了本发明对人以及生态共同关注的特点,在保护水域生态的同时,也考虑了人类的重要性,需理解的是,当一个生态***可能对当前生态内的生物没有影响,但对人类活动可能产生巨大的影响,也可以适当提升当前的安全等级标注结果,防止人类活动误入该区域收到相应的伤害;
在本说明书的一个实施例中,一种图像标注***,具体包括:
图像获取终端;
环境检测终端;
至少一个图像获取终端和环境检测终端通信连接的中央处理器;
与至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行如上述一种图像标注方法;
在本发明实施例中图像标注***实现了对水下生物的标注,能有效对水下的生物进行区分,同时因对图像进行优化以及后续进行了二次检测,能有效提升当前图像标注的精确,从而实现对当前水域的安全等级高精度标注,为用户带来更好的使用体验。
上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施方式仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种图像标注方法,其特征在于,所述方法包括以下步骤:
步骤S1:获取当前目标水域的地理位置信息,并构建能反应当前目标水域的水生生物特征分类神经网络;
步骤S2:通过水下摄像机获取原始水下视频信息,并通过水深温度测量仪获取当前所在位置的水深和温度;
步骤S3:对原始水下视频信息进行分帧处理,并筛选分帧处理后的图像,以获得水下图像信息;
步骤S4:对水下图像信息进行优化,获得水生生物特征图像;
步骤S5:利用水生生物特征图像以及当前水域生物的特征信息,进行水生生物识别结果的标注和分类,分别记为水域原生生物结果信息以及初级水域入侵生物结果信息;
步骤S6:对初级水域入侵生物结果信息进行初级入侵物种安全等级划分,确认当前入侵生物对当前水域生物的威胁,获得初级入侵物种安全威胁分析结果信息;
步骤S7:根据初级入侵物种安全威胁分析结果信息,利用云端服务器进行终极入侵物种安全等级划分,以最终确认入侵物种对当前水域生物的影响,获得终极入侵物种安全威胁分析结果;
步骤S8:利用终极入侵物种安全威胁分析结果以及水域原生生物结果信息,进行当前水域的安全等级标注,获得当前水域的安全等级标注结果;
步骤S9:利用当前水域的安全等级标注结果,对云端服务器中当前水域安全等级信息进行更新。
2.根据权利要求1所述的方法,其特征在于,步骤S1还包括以下步骤:
获取当前目标水域的地理信息;
根据地理信息获取包含水域水生生物信息以及终极入侵物种安全威胁分析结果在内的当前水域安全等级信息;
从水域水生生物信息中提取包含外表特征、水深、温度以及生活习性在内的水域水生生物分类信息;
根据提取的水域水生生物分类信息进行小样本神经网络训练,获得水生生物特征分类神经网络。
3.根据权利要求2所述的方法,其特征在于,根据提取的水域水生生物分类信息进行小样本神经网络训练,获得水生生物特征分类神经网络包括以下步骤:
步骤S31:利用数据增强对水域水生生物分类信息进行数据样本扩充,从而得到扩充分类数据信息;
步骤S32:基于稀疏计算算法对扩充分类数据信息进行多分支自适应特征提取以及融合,从而获得神经网络中的自适应特征处理模块;
步骤S33:利用自适应特征处理模块将输入的小样本训练集的特征转化为语义信息,输入到度量坐标系中;
步骤S34:对度量坐标系中的语义信息进行相似性阈值距离比较,从而完成非标签化分类,获得未标记生物结果;
步骤S35:利用水域水生生物分类信息以及相同特征生物互斥标注阈值比较,以进行水域水生生物信息标注,从而获得水域水生生物特征分类神经网络。
4.根据权利要求1所述的方法,其特征在于,步骤S4具体为:
步骤S41:利用二维旋转高斯函数将水下视频图像外接旋转转化为二维高斯分布图像,并基于二维高斯分布图像生成热力图像标签;
步骤S42:利用热力像素点权重计算公式对热力图像标签进行热力像素点权重计算,以进行复杂背景和被检测目标的分割,获得热力图像标签中的待检测目标图像,其中热力像素点权重计算公式如下:
其中,w为热力像素点权重值,f为当前的水温,t为当前待检测目标的温度,p为当前的水压,h为根据当前水压以及水域推算出来的水深,l为当前的光照强度,m为热力图像标签中待检测目标的数量,n为当前待检测目标在热力图像标签中的占比;
步骤S43:利用神经网络对待检测目标图像进行边缘检测,并使用高斯滤波器进行平滑处理,获得边缘优化待检测目标图像;
步骤S44:将边缘优化待检测目标图像转化为无色彩偏差的待优化雾化水下转化图像;
步骤S45:将待优化雾化水下转化图像进行去雾处理得到去雾处理待检测目标图像;
步骤S46:将去雾处理待检测目标图像进行矫正处理,从而获得水生生物特征图像。
5.根据权利要求4所述的方法,其特征在于,步骤S6具体为:
步骤S61:对初级水域入侵生物结果信息对应的水生生物特征图像进行再次的特征信息提取,从而获得详细化待检测生物信息;
步骤S62:利用水域水生生物特征分类神经网络对详细化待检测生物信息进行二次标注,从而得到终极水域入侵生物结果信息,并将初级水域入侵生物结果信息中错误检测分类导致的结果修改为水域原生生物结果信息,;
步骤S63:对当前的初级水域入侵生物结果信息进行生物种类的划分,从而得到对应的入侵生物类型;
步骤S64:根据当前的入侵生物类型结合水域原生生物结果信息对应的生活习性进行初级入侵物种安全等级划分,从而获得当前的入侵物种等级信息;
步骤S65:根据入侵物种等级信息,确认当前入侵物种对水域以及其他生物的威胁,获得含详细化待检测生物信息在内的初级入侵物种安全结果信息。
6.根据权利要求1所述的方法,其特征在于,步骤S7具体为:
步骤S71:利用初级入侵物种安全威胁分析结果信息以及云端服务器,并进行分类以及对初级水域入侵生物结果信息中标注和分类错误的结果信息进行重新标注,从而获取得到详细入侵物种信息;
步骤S72:获取当前水域的环境信息,利用入侵物种安全等级计算公式,计算得到入侵物种安全值,并利用预设的入侵物种安全等级值,对详细入侵物种信息进行终极入侵物种安全等级划分,获得入侵物种安全等级信息,其中入侵物种安全等级计算公式如下:
其中,L为入侵物种安全等级,T0为当前水域环境的往年最低温度的均值,Ti为当前水域环境的往年最高温度的均值,T1为入侵物种生存的极限温度,Y为当前水域环境资源与入侵物种所需的匹配度,D为当前入侵生物种群密度,R为当前水域环境受干扰强度等级,G为当前水域中出现濒危物种的概率;
步骤S73:根据入侵物种安全等级信息进行安全威胁分析,确认入侵物种对当前水域生物的影响,获得终极入侵物种安全结果信息。
7.根据权利要求6所述的方法,其特征在于,获得终极入侵物种安全威胁分析结果的步骤具体包括以下步骤:
步骤S731:利用入侵物种安全等级信息分析得到入侵物种的入侵方式信息;
步骤S732:利用入侵物种安全等级信息以及水域原生生物结果信息,进行外来入侵物种与原生物种共存能力分析,得到当前水域的生物多样化信息;
步骤S733:利用入侵物种安全等级信息以及当前目标水域的地理位置信息进行入侵物种环境影响力以及当前环境繁殖能力分析,得到入侵物种影响无机环境信息;
步骤S734:对入侵物种的入侵方式信息、生物多样化信息以及入侵物种影响无机环境信息进行融合,从而确认入侵物种对当前水域的影响,获得终极入侵物种安全威胁分析结果。
8.根据权利要求1所述的方法,其特征在于,步骤S8具体为:
步骤S81:利用终极入侵物种安全威胁分析结果进行当前水域入侵生物人类活动危险等级阈值划分,从而获得入侵生物人类活动危险等级信息;
步骤S82:利用水域原生生物结果,进行水域原生生物人类活动危险等级阈值划分以及水域原生生物生态***等级阈值划分,从而获得原生生物人类活动危险等级信息以及水域原生生物生态***信息;
步骤S83:利用水域原生生物生态***信息进行生态***可持续分析,并利用分析结果对原生生物人类活动危险等级信息进行更新;
步骤S84:对入侵生物人类活动危险等级信息以及原生生物人类活动危险等级信息进行融合,以进行当前水域的安全等级标注,获得当前水域的安全等级标注结果。
9.一种图像标注***,其特征在于,包括:
图像获取终端;
环境检测终端;
至少一个图像获取终端和环境检测终端通信连接的中央处理器;
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至8任一项所述的一种图像标注方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211605752.1A CN116110045A (zh) | 2022-12-14 | 2022-12-14 | 一种图像标注方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211605752.1A CN116110045A (zh) | 2022-12-14 | 2022-12-14 | 一种图像标注方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116110045A true CN116110045A (zh) | 2023-05-12 |
Family
ID=86264798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211605752.1A Withdrawn CN116110045A (zh) | 2022-12-14 | 2022-12-14 | 一种图像标注方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116110045A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893559A (zh) * | 2024-03-14 | 2024-04-16 | 华南师范大学 | 基于对象成像网络的水域标注方法、装置和电子设备 |
-
2022
- 2022-12-14 CN CN202211605752.1A patent/CN116110045A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893559A (zh) * | 2024-03-14 | 2024-04-16 | 华南师范大学 | 基于对象成像网络的水域标注方法、装置和电子设备 |
CN117893559B (zh) * | 2024-03-14 | 2024-06-04 | 华南师范大学 | 基于对象成像网络的水域标注方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boom et al. | A research tool for long-term and continuous analysis of fish assemblage in coral-reefs using underwater camera footage | |
Frizzi et al. | Convolutional neural network for smoke and fire semantic segmentation | |
Patra et al. | Histogram thresholding for unsupervised change detection of remote sensing images | |
Schoening et al. | Semi-automated image analysis for the assessment of megafaunal densities at the Arctic deep-sea observatory HAUSGARTEN | |
Ko et al. | Spatiotemporal bag-of-features for early wildfire smoke detection | |
US20140212055A1 (en) | Automated Mapping of Land Cover Using Sequences of Aerial Imagery | |
Matabos et al. | Expert, Crowd, Students or Algorithm: who holds the key to deep‐sea imagery ‘big data’processing? | |
CN112989989A (zh) | 一种安检方法、装置、设备及存储介质 | |
Silva et al. | A semi-supervised genetic programming method for dealing with noisy labels and hidden overfitting | |
CN115691034A (zh) | 一种智能家居异常情况告警方法、***及存储介质 | |
CN116110045A (zh) | 一种图像标注方法及*** | |
Allken et al. | A real‐world dataset and data simulation algorithm for automated fish species identification | |
He et al. | Object‐Based Distinction between Building Shadow and Water in High‐Resolution Imagery Using Fuzzy‐Rule Classification and Artificial Bee Colony Optimization | |
Urbina‐Barreto et al. | Underwater photogrammetry reveals new links between coral reefscape traits and fishes that ensure key functions | |
Durban et al. | Multisite mark‐recapture for cetaceans: Population estimates with Bayesian model averaging | |
Layek et al. | Detection of flood images posted on online social media for disaster response | |
Abraham et al. | Classification and detection of natural disasters using machine learning and deep learning techniques: A review | |
Sanei et al. | Countrywide distribution modelling of the persian leopard potential habitats on a regional basis in Iran | |
CN116884192A (zh) | 一种电力生产作业风险预警方法、***和设备 | |
Hamilton et al. | Evaluation of Image Spatial Resolution for Machine Learning Mapping of Wildland Fire Effects | |
KR102432675B1 (ko) | Cctv 영상을 이용한 수영장 입수자의 이상징후 및 익사사고 모니터링 및 안전경보 시스템 | |
CN112651996B (zh) | 目标检测跟踪方法、装置、电子设备和存储介质 | |
CN114860903A (zh) | 一种面向网络安全领域的事件抽取、分类和融合方法 | |
Venugopal et al. | Machine Learning Based Early Fire Detection System | |
CN112507912A (zh) | 一种识别违规图片的方法及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230512 |