CN115131657A - 海洋生态分析方法和系统 - Google Patents
海洋生态分析方法和系统 Download PDFInfo
- Publication number
- CN115131657A CN115131657A CN202110269560.7A CN202110269560A CN115131657A CN 115131657 A CN115131657 A CN 115131657A CN 202110269560 A CN202110269560 A CN 202110269560A CN 115131657 A CN115131657 A CN 115131657A
- Authority
- CN
- China
- Prior art keywords
- marine
- ecological
- image
- biological information
- analysis method
- 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.)
- Pending
Links
Images
Abstract
本发明提供一种海洋生态分析方法和系统,属于生态环境评价技术领域。所述方法包括:获取海洋生物的图像;根据所述图像,通过生物识别模型确定生物信息;根据所述生物信息间接判断所在海域生态健康状况。通过本申请的技术方案,可以准确地识别出造礁珊瑚、鱼类、大型底栖动物等海洋中的生物,提高了海洋生态监控能力,为海洋生态分析提供了依据。
Description
技术领域
本发明涉及生态环境评价的技术领域,具体地涉及一种海洋生态分析方法和系统。
背景技术
海洋生态监测是海洋综合管理的基础和重要组成部分,通过海洋生态监测可以预测海洋环境的质量,为有效地利用海洋资源和环境保护提供依据。
现有的海洋生态监测方法主要是人工监测,根据监控摄像头实时获取海底的视频信息,人工统计出视频中出现的海洋生物的种类与数量,但是,由于海洋生物环境复杂,人工监测容易将颜色、体型相近的海洋鱼及珊瑚礁混淆,导致海洋鱼类及珊瑚礁的误检、漏检率偏高,同时,人工监测容易用眼疲劳,进一步降低判断结果的准确可信程度,对海洋生态分析造成很大的影响。
发明内容
本发明实施例的目的是提供一种海洋生态分析方法和系统,通过采用该分析方法和系统,可以准确识别出造礁珊瑚、鱼类、大型底栖动物等海洋中的生物,提高海洋生态监控能力,为海洋生态分析提供依据。
为了实现上述目的,本发明实施例提供一种海洋生态分析方法,所述方法包括:获取海洋生物的图像;根据所述图像,通过生物识别模型确定生物信息;根据所述生物信息间接判断所在海域生态健康状况。
可选的,所述获取海洋生物的图像包括:利用Retinex水下图像增强算法对视频图像进行处理。
可选的,所述通过生物识别模型确定生物信息包括:将所述图像输入到所述生物识别模型中确定所述生物信息。
可选的,利用faster rcnn目标检测算法训练得到所述生物识别模型。
可选的,所述生物识别模型包括鱼类识别模型、造礁珊瑚识别模型和大型底栖动物识别模型,所述鱼类识别模型用于确定鱼类的生物信息,所述造礁珊瑚识别模型用于确定造礁珊瑚的生物信息,所述大型底栖动物识别模型用于确定大型底栖动物的生物信息。
可选的,所述生物信息包括生物的种类、位置和数量中的至少一种。
可选的,所述间接判断所在海域生态状况包括:根据健康评价公式计算出生态系统健康指数CHI。
所述一级指标包括:珊瑚、鱼类、大型底栖动物、环境;所述二级指标包括:珊瑚覆盖率、珊瑚种类数、鱼类种类数、鱼类密度、长棘海星个体数、温度、PH等。
相应的,本发明实施例还提供一种海洋生态分析系统,所述系统包括:获取模块:用于获取海洋生物的图像;识别模块:根据所述图像,通过生物识别模型确定生物信息;判断模块:用于根据所述生物信息间接判断所在海域生态状况。
可选的,所述系统用于执行本发明实施例提供的海洋生态分析方法。
通过上述技术方案,可以准确识别出造礁珊瑚、鱼类、大型底栖动物等海洋中的生物,提高了海洋生态监控能力,为海洋生态分析提供了依据。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明实施例提供的海洋生态分析方法的流程图。
图2是本发明实施例提供的水下图像增强效果图。
图3是本发明实施例提供的海洋生态分析系统的结构框图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
本发明实施例提供一种海洋生态分析方法,如图1所示,所述方法包括:
步骤S100:获取海洋生物的图像;
所述海洋生物的图像可以通过通讯设备拍摄获得,优选的,可以使用视频监控点的摄像头捕获视频图像。针对水下所述视频图像质量下降的表现,如对比度下降、偏色、图像模糊等,可以通过图像增强方法进行增强处理,优选的,利用Retinex水下图像增强算法对所述视频图像信息进行处理,具体的:
a.对输入图像S(i,j)进行分析,分解为RGB三个通道SR(i,j)、SG(i,j)、SB(i,j)的灰度图像,并将图像类型进行转换,等到从位图转换到双字节格式;
b.将输入图像S(i,j)放在对数域中处理,即S'(i,j)=log S(i,j)(式1)
c.将增强后的结果图像R(i,j)中的像素点的灰度值都初始化为constan t,即R(i,j)=constan t(式2);
d.水平方向上,令h=width/2,计算S'(i,j)与S'(i+h,j)之间的相对明暗关系Relation(i,j),并对R(i,j)进行修正;
e.垂直方向上,令l=height/2,计算S'(i,j)与S'(i,j+l)之间的相对明暗关系Relation(i,j),并对R(i,j)进行修正;f.令h=h/2,l=l/2,重复步骤4和步骤5,直到h=1且l=1;
g.对增强后的图像R(i,j)进行线性拉伸,将线性拉伸后的3幅图像按R、G、B顺序依次写入一个24位的彩色图像中输出。
如图2所示为利用增强算法得到的水下图像效果图,通过该优选实施方式,能够有效提高图像亮度、突出边缘细节和局部对比度,减小低照度情况下海洋鱼和珊瑚礁的漏检率。
步骤S200:根据所述图像,通过生物识别模型确定生物信息;
可选的,可以将所述图像输入到所述生物识别模型中确定生物信息,所述生物信息包括:生物的种类、位置和数量中的至少一种,需要说明的是,本发明所述的生物信息不限于此,可以根据需要,调整所述生物识别模型以及计算方式得到不同的生物信息。
可选的,可以利用基于深度学习的目标检测与识别算法训练得到所述生物识别模型,优选的,可以通过faster rcnn目标检测算法训练得到所述生物识别模型,具体的:
a:输入任意大小的图片进入主干网络resnet50进行卷积,输出FeatureMap;
b:Feature Map通过RPN模块生成多个anchor boxes,对anchor boxes进行裁剪后,通过softmax判断属于前景或者背景,再利用边框回归修正anchors,获得proposals;cd
c:Rol Pooling层利用RPN模块生成的proposals和之前获得的特征映射,得到固定大小的proposal feature maps;
d:Classification将建议框特征图进行分类,利用全连接层与softmax进行具体类别的分类;同时,利用L1 Loss完成边框回归操作获得物体的精确位置,计算损失函数,同时更新整个网络的参数,得到生物识别模型。
所述生物识别模型可以包括鱼类识别模型、造礁珊瑚识别模型和大型底栖动物识别模型,所述鱼类识别模型可以用于确定鱼类的生物信息,所述造礁珊瑚识别模型可以用于确定造礁珊瑚的生物信息,所述大型底栖动物识别模型可以用于确定大型底栖动物的生物信息,需要说明的是,根据监测的需要,可以训练得到不同的生物识别模型用于生物识别。
步骤S300:根据所述生物信息间接判断所在海域生态状况。
可选的,可以通过生态评价的任意方式分析海洋的生态状况,优选的,可以通过健康评价公式计算出生态系统健康指数CHI,所述健康评价公式为:其中,Wi表示第i个一级指标的权重,Yij表示第i个一级指标中第j个二级指标的赋值得分,Wij表示第i个一级指标中第j个二级指标的权重;
所述一级指标、二级指标以及各指标的权重如下表分级标注所示,所述一级指标包括:珊瑚、鱼类、大型底栖动物、环境;所述二级指标包括:珊瑚覆盖率、珊瑚种类数、鱼类种类数、鱼类密度、长棘海星个体数、温度、PH等,具体的,可以利用生物识别系统获得的所述生物信息计算所述二级指标。
所述各指标的权重采用德尔菲法(专家咨询法)进行赋值,模型一:一级指标中造礁珊瑚占0.3,鱼类占0.5,大型底栖动物占0.2;模型二:一级指标中造礁珊瑚占0.3,鱼类占0.5,环境站0.2;模型三:一级指标中造礁珊瑚占0.3,鱼类占0.5,大型底栖动物占0.1,环境占0.1。每项二级评价指标均有分级标准,如“I”、“II”、“III”级分别对应着“好”、“中”、“差”,赋值得分分别为100、50、10。目前,生态系统健康评价并没有公认的等级划分标准,我们根据健康程度定义75≤CHI<100为良好(good);35≤CHI<75为一般(general);0≤CHI<35为差(very poor)。
分级标注
模型一
模型二
模型三
评价“良好”表明生态系统保持其自然属性,生物多样性及生态系统结构基本稳定,生态系统主要服务功能正常发挥,病害或人为活动所产生的生态压力在生态系统的承载范围之内;评价“一般”表明生态系统基本保持其自然属性,生物多样性及生态系统结构发生一定程度的改变,生态系统主要服务功能不能完全正常发挥,病害或人为活动所产生的生态压力超出生态系统的承载能力,但生态系统在去除人为干预的情况下尚能自然修复;评价“差”表明生态系统自然属性明显改变,生物多样性及生态系统结构发生较大程度改变,生态系统主要服务功能严重退化或丧失,病害或人为活动所产生的生态压力超出生态系统的承载能力,生态系统在短期内难以恢复。
通过上述技术方案,可以准确识别出造礁珊瑚、鱼类、大型底栖动物等海洋中的生物,提高了海洋生态监控能力,为所在海域生态健康分析提供依据。
相应的,本发明实施例还提供一种海洋生态分析系统,如图3所示,所述系统包括:获取模块;识别模块;判断模块。
获取模块:用于获取海洋生物的图像;所述海洋生物的图像可以通过通讯设备拍摄获得,优选的,可以使用视频监控点的摄像头捕获视频图像。针对水下所述视频图像质量下降的表现,如对比度下降、偏色、图像模糊等,可以通过图像增强方法进行增强处理,优选的,利用Retinex水下图像增强算法对所述视频图像信息进行处理,如图2所示为利用增强算法得到的水下图像效果图,通过该优选实施方式,能够有效提高图像亮度、突出边缘细节和局部对比度,减小低照度情况下海洋鱼和珊瑚礁的漏检率。
识别模块:用于根据所述图像,通过生物识别模型确定生物信息;可选的,可以将所述图像输入到所述生物识别模型中确定生物信息,所述生物信息包括:生物的种类、位置和数量中的至少一种,需要说明的是,本发明所述的生物信息不限于此,可以根据需要,调整所述生物识别模型以及计算方式得到不同的生物信息。
可选的,可以利用基于深度学习的目标检测与识别算法训练得到所述生物识别模型,优选的,可以通过faster rcnn目标检测算法训练得到所述生物识别模型,所述生物识别模型可以包括鱼类识别模型、造礁珊瑚识别模型和大型底栖动物识别模型,所述鱼类识别模型可以用于确定鱼类的生物信息,所述造礁珊瑚识别模型可以用于确定造礁珊瑚的生物信息,所述大型底栖动物识别模型可以用于确定大型底栖动物的生物信息,需要说明的是,根据监测的需要,可以训练得到不同的生物识别模型用于生物识别。
判断模块:用于根据所述生物信息间接判断所在海域生态状况。可选的,可以通过生态评价的任意方式分析海洋的生态状况,优选的,可以通过健康评价公式计算出生态系统健康指数CHI,所述健康评价公式为:其中,Wi表示第i个一级指标的权重,Yij表示第i个一级指标中第j个二级指标的赋值得分,Wij表示第i个一级指标中第j个二级指标的权重;
评价“良好”表明生态系统保持其自然属性,生物多样性及生态系统结构基本稳定,生态系统主要服务功能正常发挥,病害或人为活动所产生的生态压力在生态系统的承载范围之内;评价“一般”表明生态系统基本保持其自然属性,生物多样性及生态系统结构发生一定程度的改变,生态系统主要服务功能不能完全正常发挥,病害或人为活动所产生的生态压力超出生态系统的承载能力,但生态系统在去除人为干预的情况下尚能自然修复;评价“差”表明生态系统自然属性明显改变,生物多样性及生态系统结构发生较大程度改变,生态系统主要服务功能严重退化或丧失,病害或人为活动所产生的生态压力超出生态系统的承载能力,生态系统在短期内难以恢复。
通过上述技术方案,可以准确识别出造礁珊瑚、鱼类、大型底栖动物等海洋中的生物,提高了海洋生态监控能力,为所在海域生态健康分析提供依据。
有关本发明提供的上述海洋生态分析系统的具体细节及益处,可参阅上述针对本发明提供的海洋生态分析方法的描述,于此不再赘述。
还需要说明的是,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、方法、商品或者设备不仅包括那些要素,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、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种海洋生态分析方法,其特征在于,所述方法包括:
获取海洋生物的图像;
根据所述图像,通过生物识别模型确定生物信息;
根据所述生物信息间接判断所在海域生态健康状况。
2.根据权利要求1所述的海洋生态分析方法,其特征在于,所述获取海洋生物的图像包括:
利用Retinex水下图像增强算法对视频图像进行处理。
3.根据权利要求1或2所述的海洋生态分析方法,其特征在于,所述通过生物识别模型确定生物信息包括:
将所述图像输入到所述生物识别模型中确定所述生物信息。
4.根据权利要求3所述的海洋生态分析方法,其特征在于,利用faster rcnn目标检测算法训练得到所述生物识别模型。
5.根据权利要求4所述的海洋生态分析方法,其特征在于,所述生物识别模型包括鱼类识别模型、造礁珊瑚识别模型和大型底栖动物识别模型,所述鱼类识别模型用于确定鱼类的生物信息,所述造礁珊瑚识别模型用于确定造礁珊瑚的生物信息,所述大型底栖动物识别模型用于确定大型底栖动物的生物信息。
6.根据权利要求5所述的海洋生态分析方法,其特征在于,所述生物信息包括生物的种类、位置和数量中的至少一种。
7.根据权利要求1所述的海洋生态分析方法,其特征在于,
所述间接判断所在海域生态状况包括:根据健康评价公式计算出生态系统健康指数CHI。
9.一种海洋生态分析系统,其特征在于,所述系统包括:
获取模块:用于获取海洋生物的图像;
识别模块:用于根据所述图像,通过生物识别模型确定生物信息;
判断模块:用于根据所述生物信息间接判断所在海域生态健康状况。
10.根据权利要求9所述的海洋生态分析系统,其特征在于,所述系统用于执行权利要求1-8中任一项所述的海洋生态分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110269560.7A CN115131657A (zh) | 2021-03-12 | 2021-03-12 | 海洋生态分析方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110269560.7A CN115131657A (zh) | 2021-03-12 | 2021-03-12 | 海洋生态分析方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115131657A true CN115131657A (zh) | 2022-09-30 |
Family
ID=83374728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110269560.7A Pending CN115131657A (zh) | 2021-03-12 | 2021-03-12 | 海洋生态分析方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115131657A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090859A (zh) * | 2022-11-09 | 2023-05-09 | 中国水产科学研究院南海水产研究所 | 一种近海岛礁渔业水域生态健康评价方法及系统 |
CN116503335A (zh) * | 2023-03-31 | 2023-07-28 | 江苏省秦淮河水利工程管理处 | 一种水生物监测系统、方法、装置和存储介质 |
-
2021
- 2021-03-12 CN CN202110269560.7A patent/CN115131657A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090859A (zh) * | 2022-11-09 | 2023-05-09 | 中国水产科学研究院南海水产研究所 | 一种近海岛礁渔业水域生态健康评价方法及系统 |
CN116090859B (zh) * | 2022-11-09 | 2023-11-03 | 中国水产科学研究院南海水产研究所 | 一种近海岛礁渔业水域生态健康评价方法及系统 |
CN116503335A (zh) * | 2023-03-31 | 2023-07-28 | 江苏省秦淮河水利工程管理处 | 一种水生物监测系统、方法、装置和存储介质 |
CN116503335B (zh) * | 2023-03-31 | 2024-02-20 | 江苏省秦淮河水利工程管理处 | 一种水生物监测系统、方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800736B (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN109754015B (zh) | 用于画作多标签识别的神经网络及相关方法、介质和设备 | |
CN111738064B (zh) | 一种雾霾图像的雾浓度识别方法 | |
CN115100512A (zh) | 一种海洋经济物种的监测识别捕捞方法、系统及存储介质 | |
CN115131657A (zh) | 海洋生态分析方法和系统 | |
CN112749654A (zh) | 一种用于视频大雾监测的深度神经网络模型构建方法、系统及装置 | |
CN111507227B (zh) | 基于深度学习的多学生个体分割及状态自主识别方法 | |
CN114266977A (zh) | 基于超分辨可选择网络的多auv的水下目标识别方法 | |
CN113052215A (zh) | 基于神经网络可视化的声呐图像自动目标识别方法 | |
CN114821778A (zh) | 一种水下鱼体姿态动态识别方法及装置 | |
CN115082781A (zh) | 一种舰船图像检测方法、装置以及存储介质 | |
CN112257730A (zh) | 植物害虫图像识别方法、装置、设备及存储介质 | |
CN109658405B (zh) | 一种农作物实景观测中图像数据质量控制方法及系统 | |
CN116977633A (zh) | 地物要素分割模型训练方法、地物要素分割方法及装置 | |
CN115311657B (zh) | 多源藻类图像目标检测方法、系统、电子设备及存储介质 | |
CN115471759A (zh) | 一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术 | |
CN115063602A (zh) | 基于改进yolox-s网络的农作物病虫害识别方法 | |
CN114299379A (zh) | 一种基于高动态影像的阴影区植被覆盖度提取方法 | |
CN112949630A (zh) | 基于边框分级筛选的弱监督目标检测方法 | |
CN113238014A (zh) | 一种基于鱼群行为的水质溶解氧预测方法及装置 | |
Dwikarsa et al. | Benthic habitat classification using multiscale GEOBIA on orthophoto images of Karimunjawa waters | |
CN116758401B (zh) | 基于深度学习和遥感图像的城市内河水质评估方法 | |
CN116503406B (zh) | 基于大数据的水利工程信息管理系统 | |
CN112926383B (zh) | 一种基于水下激光图像的目标自动识别系统 |
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 |