CN115546624A - 造礁石珊瑚的种类识别与盖度模型建立方法及其系统 - Google Patents
造礁石珊瑚的种类识别与盖度模型建立方法及其系统 Download PDFInfo
- Publication number
- CN115546624A CN115546624A CN202211205176.1A CN202211205176A CN115546624A CN 115546624 A CN115546624 A CN 115546624A CN 202211205176 A CN202211205176 A CN 202211205176A CN 115546624 A CN115546624 A CN 115546624A
- Authority
- CN
- China
- Prior art keywords
- coral
- image
- hermatypic
- species
- definition
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明涉及物种识别技术领域,尤其涉及造礁石珊瑚的种类识别与盖度模型建立方法,其包括:S1、建立造礁石珊瑚数据库,基于建立造礁石珊瑚数据库完成AI的识别学习;S2、获得至少一张水螅体的高清微距图像;S3、完成对初始图像中造礁石珊瑚种类的识别;S4、完成指定海域内所有造礁的种类识别,基于所述高清全景图像完成指定海域造礁珊瑚分布的盖度模型建立;以及造礁石珊瑚的种类识别与盖度模型建立系统,通过本发明能够准确对指定海域内的造礁珊瑚种类进行识别,建立指定海域造礁珊瑚分布的盖度模型,对于了解、保护造礁珊瑚的生存状况及分布具备重要意义。
Description
技术领域
本发明涉及物种识别技术领域,尤其涉及造礁石珊瑚的种类识别与盖度模型建立方法及其系统。
背景技术
根据《珊瑚礁生态监测技术规程》中的定义,珊瑚水螅体为珊瑚上每一个独立生活的个体,由石灰质骨骼和珊瑚虫所组成。珊瑚是由许多同种(属)珊瑚水螅体所形成的独立的集合体。珊瑚礁是由活珊瑚和已经死亡的珊瑚骨骼所构成的特殊海底生境。造礁石珊瑚是指六放珊瑚亚纲石珊瑚目下有共生虫黄藻、碳酸钙骨骼和造礁能力的珊瑚种类的统称。
珊瑚虫一般以群体生活,每个个体之间以一种叫共肉的结构彼此相连,珊瑚虫在生长过程中能吸收海水中的钙和二氧化碳,然后分泌出石灰石,共肉部分能分泌角质或石灰质的外骨骼,珊瑚是珊瑚虫的分泌物,构成珊瑚虫的支撑结构。
珊瑚虫纲下属的不同种类珊瑚虫,其分泌物形成的珊瑚也不同,珊瑚的颜色、颜色排布及轮廓特征为民间识别造礁石珊瑚种类的方法,但同一种珊瑚虫分泌形成的珊瑚,其颜色、颜色排布及轮廓特征多种多样;不同种类珊瑚虫分泌形成的珊瑚在颜色、颜色排布及轮廓特征方面也可能存在高度相似,而识别珊瑚水螅体、珊瑚杯形态及珊瑚虫的种类是分析鉴定造礁石珊瑚种类的主要依据。
在对珊瑚礁进行监测时,通常是对造礁石珊瑚进行监测,其中重点是确定珊瑚礁(珊瑚水螅体、珊瑚)的种类及其在海底的覆盖率。珊瑚礁的种类判断需要通过根据珊瑚礁的整体外形、珊瑚杯形态以及珊瑚虫形态进行综合判断,因此采用微距拍摄,近距离识别珊瑚水螅体、珊瑚杯形态及珊瑚虫的种类是形态分类学上鉴定珊瑚种类正确的方法。
而覆盖率是指某种生物或基质垂直投影长度或面积占断面线长度或样方面积的比例。针对珊瑚礁的覆盖率,主要是通过判断图片中的珊瑚礁占海底的面积的比例来进行计算。
因此,如何辨别造礁石珊瑚种类以及获取准确的珊瑚礁的覆盖率,并建立基于珊瑚种类及盖度的建立全景模型,对于了解、保护造礁石珊瑚的生存状况及分布具备重要意义。
发明内容
针对上述造礁石珊瑚种类难以辨别,造礁石珊瑚盖度全景模型难以建立的问题,本发明提供基于AI学习,针对珊瑚水螅体高清图像进行识别,并建立全景模型的造礁石珊瑚种类及盖度的识别方法及其系统。
造礁石珊瑚的种类识别与盖度模型建立方法,包括以下步骤:
S1、建立造礁石珊瑚数据库,所述珊瑚数据库包括水螅体群体形态数据库、珊瑚杯形态数据库及珊瑚虫种类数据库,基于所述珊瑚数据库完成AI的识别学习;
S2、获取指定海域待识别珊瑚水螅体的高清微距图像及其海域的高清全景图像;AI通过筛选,获得至少一张具有珊瑚水螅体的高清微距图像;
S3、将一张具有水螅体的高清微距图像作为初始图像,对初始图像中的水螅体群体形态、珊瑚杯形态及珊瑚虫种类进行识别,确定初始图像中造礁石珊瑚的种类;
S4、完成指定海域内所有造礁石珊瑚种类的识别,获取所有珊瑚种类对应的覆盖度数据,计算获得指定海域内每种造礁石珊瑚对应的盖度数据及指定海域内所有种类造礁石珊瑚的盖度数据,并基于所述高清全景图像完成指定海域造礁石珊瑚分布的盖度模型建立。
本发明的方法通过AI深度学习,在长期的训练后使识别造礁石珊瑚的水螅体群体形态、珊瑚杯形态以及珊瑚虫种类的准确率提升,通过初步筛选,将大量不存在珊瑚水螅体的高清微距图像排除,对剩余高清微距图像进行精确识别,通过AI基于造礁石珊瑚数据库中相关造礁石珊瑚种类的图像及视频,确认初始图像中的造礁石珊瑚的种类,并完成所有高清微距图像的识别。
通常来说,通过指定海域的高清全景图像对造礁石珊瑚的水螅体群体形态进行识别,获得一个大概的范围。然后通过对该海域待识别珊瑚水螅体的高清微距图像,进一步对珊瑚杯形态以及珊瑚虫种类进行识别。通常来说,高清微距图像能够较为准确的识别出珊瑚杯的形态,但是珊瑚虫的种类照片在拍摄时,存在一定的概率性,因此放在最后进行识别。
获取指定海域所有造礁石珊瑚的种类及其覆盖度数据,基于高清全景图像完成盖度模型的建立。
进一步的,所述造礁石珊瑚数据库中包括所有已知的造礁石珊瑚的水螅体群体形态、珊瑚杯形态以及珊瑚虫种类的高清图像及视频文件。
每一种造礁石珊瑚的水螅体群体形态、珊瑚杯形态以及珊瑚虫种类相关的高清图像及视频数量在300件以上,AI识别时,采用逐级深入的方式,首先对水螅体群体形态识别,再对珊瑚杯形态识别,最后对珊瑚虫种类识别,既能加快识别效率,也能在识别同时覆盖到相同科类或属类中生物特征相识度较高的种类,降低遗漏概率。
进一步的,AI对至少一张造礁石珊瑚的高清微距图像进行筛选,将不存在水螅体的高清微距图像排除,获得至少一张珊瑚水螅体的高清微距图像。
AI的筛选以造礁石珊瑚水螅体的必备特征作为筛选依据,快速且大范围排除不具备造礁石珊瑚水螅体的高清微距图像,为后续的识别降低工作量,提供整体识别效率。
进一步的,步骤S3还包括:AI对初始图像中的水螅体群体形态、珊瑚杯形态及珊瑚虫种类依次进行识别,其中,若珊瑚杯形态及珊瑚虫种类中的一项或两项不满足识别条件时,仅对满足识别条件的一项及水螅体群体形态进行识别,或仅对水螅体群体形态进行识别,确定造礁石珊瑚的种类。
由于不同种类的造礁石珊瑚的水螅体大小不同,现有的高清微距图像并不能将所有种类的水螅体拍摄出可识别的程度,对于结构较小的水螅体仅能识别其形态,并不能更加深入识别其中的珊瑚杯及珊瑚虫;同时,水螅体中并不一定能够识别到珊瑚虫,其中的珊瑚虫可能已经死亡,或在珊瑚杯中无法被观测到;同时,由于珊瑚杯本身或以损坏,无法进行形态识别,因此,在实际应用中,珊瑚虫或珊瑚杯中的一项或两项不能识别的,仅对能够识别的与水螅体形态进行识别,确定造礁石珊瑚的种类。
进一步的,所述步骤S3中,所述珊瑚虫的种类识别包括:AI通过对所述初始图像进行单一角度识别,获得一级结果数据;基于一级结果数据,AI通过多角度对所述初始图像识别,获得二级结果数据;AI基于所述珊瑚水螅体群体形态数据库及二级结果数据构建3D模型;通过所述3D模型与所述初始图像进行对比,完成对初始图像中珊瑚虫种类的识别;
其中,所述一级结果数据包括:与初始图像中珊瑚虫近似度超过预设百分比的,至少一种珊瑚虫的名称及其高清图像。
为了识别工作的高效率,通常将近视度的百分比设定为85%以上,尽可能多的排除相似度较低的珊瑚虫种类,但若遇到一级结果数据中包含的珊瑚虫种类在构建3D模型后识别结果均为不正确后,可将近视度的百分比设定至降低,例如50%、65%、72%、82%。
进一步的,所述步骤S3中,AI选取与初始图像拍摄时间在预设范围内的至少一个高清微距图像进行多角度识别,获得二级结果数据,
其中,所述二级结果数据包括与所述初始图像近似度最高的一种珊瑚虫的名称及其高清图像。
通过高清微距图像的拍摄时间,可获得例如初始图像拍摄时间前后时间段最接近的高清微距图像,该多个拍摄时间接近的高清微距图像与初始图像所呈现的较大几率为同一拍摄对象的不同角度,AI通过多角度对拍摄对象的珊瑚虫进行生物特征识别,获得二级结果数据。
进一步的,所述步骤S3还包括:通过所述3D模型与所述初始图像进行生物结构及拍摄角度对比,若对比结果为不一致,则调取一级结果数据中其他珊瑚虫名称及其高清图像,构建对应的3D模型,直至对比结果为一致。
通过高清微距图像的拍摄时间,可获得例如初始图像拍摄时间前后时间段最接近的高清微距图像,该多个拍摄时间接近的高清微距图像与初始图像所呈现的较大几率为同一拍摄对象的不同角度,AI通过多角度对拍摄对象的珊瑚虫进行生物特征识别,获得二级结果数据。
进一步的,所述步骤S3还包括:通过对初始图像中的水螅体群体形态、珊瑚杯形态及珊瑚虫种类进行识别后,无法判断初始图像中的造礁石珊瑚种类,对该初始图像进行标记,并结束该初始图像的识别工作。
由于造礁石珊瑚数据库中仅对全球已知的造礁石珊瑚相关数据进行整理及存储,并不代表其包含了全球所有造礁石珊瑚的资料,对于未发现的造礁石珊瑚种类,AI通过上述方法并不能进行识别,这代表着有较大可能发现了新的造礁石珊瑚种类,需要人工对初始图像进行进一步识别判断,因此对于该初始图像识别工作直接结束,开始进行下一轮的图像识别工作。
进一步,所述步骤S4中某一种类造礁石珊瑚在指定海域的盖度的计算逻辑为:对高清全景图像进行识别,获取每个像素点的第一RGB值,然后根据具有珊瑚水螅体的高清微距图像,筛选出珊瑚水螅体的图像,并利用像素聚类算法描绘出珊瑚水螅体的图像的轮廓,通过对比轮廓内外获得轮廓内的珊瑚水螅体图像与背景图像的对比关系,然后对高清全景图像进行网格化处理,若网格内的第一RGB值存在对比文件,则确定该网格为边缘网格,对边缘网格的相邻网格进行延伸,边缘网格若能够沿延伸形成唯一路径回到初始的边缘网格,则进行盖度计算,fc=S1/S2,所述S1为边缘网格形成的闭合图案的网格的数量,S2为网格的总数量;边缘网格若不能够沿延伸形成唯一路径回到初始的边缘网格,则重新替换高清全景图像或者重新选取具有珊瑚水螅体的高清微距图像。
能够获取更为准确的珊瑚盖度信息。
进一步的,所述步骤S4中,某一种类造礁石珊瑚在指定海域的盖度的表达式为
其中,fc代表某一种类造礁石珊瑚的盖度;NDVI代表某一种类造礁石珊瑚覆盖指数;NDVIs代表指定海域内不存在某一造礁石珊瑚的NDVI值;NDVIv代表指定海域内分布的所有某一种类造礁石珊瑚的NDVI值;
所有种类造礁石珊瑚在指定海域的盖度的表达式为
其中,fCa代表所有类造礁石珊瑚的盖度;NDVIa代表所有类造礁石珊瑚覆盖指数;NDVIsa为指定海域内不存在造礁石珊瑚的NDVIa值,NDVIva代表指定海域内分布的所有种类造礁石珊瑚的NDVIa值。
AI通过上述表达式获取具体某一种类及所有种类造礁石珊瑚在指定海域的盖度,并根据高清微距图像拍摄的精确经纬坐标,基于指定海域的高清全景图像,还原造礁石珊瑚种类分布的具体情况,完成指定海域造礁石珊瑚的盖度模型建立。
造礁石珊瑚的种类识别与盖度模型建立方系统,包括:
造礁石珊瑚数据库,所述造礁石珊瑚数据库用于储存所有已知的造礁石珊瑚的水螅体群体形态、珊瑚杯形态以及珊瑚虫种类的高清图像及视频文件;
图像拍摄装置,所述图像拍摄装置用于获取待识别造礁石珊瑚的高清微距图像及指定海域高清全景图像;所述图像拍摄装置包括水下高清微距拍摄装置及海域广角高清拍摄装置;
处理器,所述处理器用于将一张具有水螅体的高清微距图像作为初始图像,对初始图像中的水螅体群体形态、珊瑚杯形态及珊瑚虫种类进行识别,确定初始图像中造礁石珊瑚的种类;完成指定海域内所有造礁石珊瑚种类的识别,计算获得指定海域内每种造礁石珊瑚对应的盖度数据及指定海域内所有种类造礁石珊瑚的盖度数据,并基于所述高清全景图像完成指定海域造礁石珊瑚分布的盖度模型建立。
相比于现有技术,本发明的优点及有益效果在于:通过本发明的技术方案,准确对指定海域内的造礁石珊瑚种类进行识别,并完成相关种类的盖度计算,建立指定海域造礁石珊瑚分布的盖度模型,对于了解、保护造礁石珊瑚的生存状况及分布具备重要意义。
附图说明
图1为本发明方法的流程示意简图;
图2为本发明系统的结构示意框图;
图3为珊瑚水螅体组成的珊瑚实拍图;
图4为珊瑚虫的实拍图;
图5为珊瑚虫及其外围珊瑚杯的实拍图;
图6为两种不同的珊瑚杯形态示例图;
图7为多种不同的水螅体形态示例图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
如图1所示,造礁石珊瑚的种类识别与盖度模型建立方法,包括以下步骤:
S1、建立造礁石珊瑚数据库,珊瑚数据库包括水螅体群体形态数据库、珊瑚杯形态数据库及珊瑚虫种类数据库,基于珊瑚数据库完成AI的识别学习;
造礁石珊瑚数据库中包括所有已知的造礁石珊瑚的水螅体群体形态、珊瑚杯形态以及珊瑚虫种类的高清图像及视频文件。
每一种造礁石珊瑚的水螅体群体形态、珊瑚杯形态以及珊瑚虫种类相关的高清图像及视频数量在300件以上,AI识别时,采用逐级深入的方式,首先对水螅体群体形态识别,再对珊瑚杯形态识别,最后对珊瑚虫种类识别,既能加快识别效率,也能在识别同时覆盖到相同科类或属类中生物特征相识度较高的种类,降低遗漏概率。
S2、获取指定海域待识别珊瑚水螅体的高清微距图像及其海域的高清全景图像;AI通过筛选,获得至少一张具有珊瑚水螅体的高清微距图像;
AI对至少一张造礁石珊瑚的高清微距图像进行筛选,将不存在水螅体的高清微距图像排除,获得至少一张珊瑚水螅体的高清微距图像。
AI的筛选以造礁石珊瑚水螅体的必备特征作为筛选依据,快速且大范围排除不具备造礁石珊瑚水螅体的高清微距图像,为后续的识别降低工作量,提供整体识别效率。
S3、将一张具有水螅体的高清微距图像作为初始图像,对初始图像中的水螅体群体形态、珊瑚杯形态及珊瑚虫种类进行识别,确定初始图像中造礁石珊瑚的种类;
步骤S3还包括:AI对初始图像中的水螅体群体形态、珊瑚杯形态及珊瑚虫种类依次进行识别,其中,若珊瑚杯形态及珊瑚虫种类中的一项或两项不满足识别条件时,仅对满足识别条件的一项及水螅体群体形态进行识别,或仅对水螅体群体形态进行识别,确定造礁石珊瑚的种类。
由于不同种类的造礁石珊瑚的水螅体大小不同,现有的高清微距图像并不能将所有种类的水螅体拍摄出可识别的程度,例如:
鹿角杯形珊瑚的珊瑚杯在分枝基部呈圆形,直径约1.Omm,杯间距离大,共骨上长有尖刺;小枝上的珊瑚杯呈长卵圆形,杯间距离小,共骨上少刺或光滑。珊瑚杯中有两轮不完全隔片,呈细齿状,轴柱无或微突瘤。
灰黑滨珊瑚的珊瑚杯直径1.2mm,杯壁厚约0.75mm,杯壁上有结节状裂片。二轮隔片,背直接隔片1个,复直接隔片三联式,4对侧隔片。6个结节状围栅瓣,侧隔片上的围栅瓣大。隔片两则有小颗粒。轴柱由大小不一的结节小梁组成。
澄黄滨珊瑚的珊瑚骼为节瘤脑状,拳形,肾形,表面近乎光滑或稍微突,甚至乳头突出等等形状,还形成或浅或深的谷,皮壳于死珊瑚骼上。珊瑚杯浅,网眼状,杯间共骨薄,多边形,直径1-1.5mm,合隔桁壁薄片状,或多刺状。围栅瓣5-8个,4对侧隔片各有一个大的,复直接隔片是三联式,或不联,联者只有一个大的,不联可就有三个或二个,甚至没有。隔片光滑或多刺,与合隔桁连结在一起。轴柱有扁平柱状,短柱状,或针状,带刺或不带刺。有的杯里缺少轴柱。生活时为紫色、棕黄色、灰色。
对于结构较小的水螅体仅能识别其形态,并不能更加深入识别其中的珊瑚杯及珊瑚虫;同时,水螅体中并不一定能够识别到珊瑚虫,其中的珊瑚虫可能已经死亡,或在珊瑚杯中无法被观测到;同时,由于珊瑚杯本身或以损坏,无法进行形态识别,因此,在实际应用中,珊瑚虫或珊瑚杯中的一项或两项不能识别的,仅对能够识别的与水螅体形态进行识别,确定造礁石珊瑚的种类。
步骤S3中,珊瑚虫的种类识别包括:AI通过对初始图像进行单一角度识别,获得一级结果数据;基于一级结果数据,AI通过多角度对初始图像识别,获得二级结果数据;AI基于珊瑚水螅体群体形态数据库及二级结果数据构建3D模型;通过3D模型与初始图像进行对比,完成对初始图像中珊瑚虫种类的识别;
其中,一级结果数据包括:与初始图像中珊瑚虫近似度超过预设百分比的,至少一种珊瑚虫的名称及其高清图像。
为了识别工作的高效率,通常将近视度的百分比设定为85%以上,尽可能多的排除相似度较低的珊瑚虫种类,但若遇到一级结果数据中包含的珊瑚虫种类在构建3D模型后识别结果均为不正确后,可将近视度的百分比设定至降低,例如50%、65%、72%、82%。
步骤S3中,AI选取与初始图像拍摄时间在预设范围内的至少一个高清微距图像进行多角度识别,获得二级结果数据,
其中,二级结果数据包括与初始图像近似度最高的一种珊瑚虫的名称及其高清图像。
通过高清微距图像的拍摄时间,可获得例如初始图像拍摄时间前后时间段最接近的高清微距图像,该多个拍摄时间接近的高清微距图像与初始图像所呈现的较大几率为同一拍摄对象的不同角度,AI通过多角度对拍摄对象的珊瑚虫进行生物特征识别,获得二级结果数据。
步骤S3还包括:通过3D模型与初始图像进行生物结构及拍摄角度对比,若对比结果为不一致,则调取一级结果数据中其他珊瑚虫名称及其高清图像,构建对应的3D模型,直至对比结果为一致。
通过高清微距图像的拍摄时间,可获得例如初始图像拍摄时间前后时间段最接近的高清微距图像,该多个拍摄时间接近的高清微距图像与初始图像所呈现的较大几率为同一拍摄对象的不同角度,AI通过多角度对拍摄对象的珊瑚虫进行生物特征识别,获得二级结果数据。
步骤S3还包括:通过对初始图像中的水螅体群体形态、珊瑚杯形态及珊瑚虫种类进行识别后,无法判断初始图像中的造礁石珊瑚种类,对该初始图像进行标记,并结束该初始图像的识别工作。
由于造礁石珊瑚数据库中仅对全球已知的造礁石珊瑚相关数据进行整理及存储,并不代表其包含了全球所有造礁石珊瑚的资料,对于未发现的造礁石珊瑚种类,AI通过上述方法并不能进行识别,这代表着有较大可能发现了新的造礁石珊瑚种类,需要人工对初始图像进行进一步识别判断,因此对于该初始图像识别工作直接结束,后续可通过调取出未识别的初始图像的拍摄坐标信息,确定该未知种类珊瑚的位置,为进一步科考工作奠定基础,同时开始进行下一轮的图像识别工作。
S4、完成指定海域内所有造礁石珊瑚种类的识别,获取所有珊瑚种类对应的覆盖度数据,计算获得指定海域内每种珊瑚对应的盖度数据及指定海域内所有种类珊瑚的盖度数据,并基于高清全景图像完成指定海域珊瑚分布的盖度模型建立。
所述步骤S4中某一种类造礁石珊瑚在指定海域的盖度的计算逻辑为:对高清全景图像进行识别,获取每个像素点的第一RGB值,然后根据具有珊瑚水螅体的高清微距图像,筛选出珊瑚水螅体的图像,并利用像素聚类算法描绘出珊瑚水螅体的图像的轮廓,通过对比轮廓内外获得轮廓内的珊瑚水螅体图像与背景图像的对比关系,然后对高清全景图像进行网格化处理,若网格内的第一RGB值存在对比文件,则确定该网格为边缘网格,对边缘网格的相邻网格进行延伸,边缘网格若能够沿延伸形成唯一路径回到初始的边缘网格,则进行盖度计算,fc=S1/S2,所述S1为边缘网格形成的闭合图案的网格的数量,S2为网格的总数量;边缘网格若不能够沿延伸形成唯一路径回到初始的边缘网格,则重新替换高清全景图像或者重新选取具有珊瑚水螅体的高清微距图像。
在又一实施例中,步骤S4中,某一种类造礁石珊瑚在指定海域的盖度的表达式为
其中,fc代表某一种类造礁石珊瑚的盖度;NDVI代表某一种类造礁石珊瑚覆盖指数;NDVIs代表指定海域内不存在某一造礁石珊瑚的NDVI值;NDVIv代表指定海域内分布的所有某一种类造礁石珊瑚的NDVI值;
所有种类造礁石珊瑚在指定海域的盖度的表达式为
其中,fca代表所有类造礁石珊瑚的盖度;NDVIa代表所有类造礁石珊瑚覆盖指数;NDVIsa为指定海域内不存在造礁石珊瑚的NDVIa值,NDVIva代表指定海域内分布的所有种类造礁石珊瑚的NDVIa值。
AI通过上述表达式获取具体某一种类及所有种类造礁石珊瑚在指定海域的盖度,并根据高清微距图像拍摄的精确经纬坐标,基于指定海域的高清全景图像,还原造礁石珊瑚种类分布的具体情况,完成指定海域造礁石珊瑚的盖度模型建立。
本发明的方法通过AI深度学习,在长期的训练后使识别造礁石珊瑚的水螅体群体形态、珊瑚杯形态以及珊瑚虫种类的准确率提升,通过初步筛选,将大量不存在珊瑚水螅体的高清微距图像排除,对剩余高清微距图像进行精确识别,通过AI基于造礁石珊瑚数据库中相关造礁石珊瑚种类的图像及视频,确认初始图像中的造礁石珊瑚的种类,并完成所有高清微距图像的识别;获取指定海域所有造礁石珊瑚的种类及其覆盖度数据,基于高清全景图像完成盖度模型的建立。
需要说明的是,在珊瑚作为外骨骼的结构中,珊瑚虫死亡后也将作为珊瑚的一部分,对于死亡状态下的珊瑚虫识别,现有技术中已具有准确的参考特征及相关识别方法,本发明中不做过多赘述,依据该参考特征及方法,AI将死亡状态下的珊瑚虫的高清微距图像一并进行过滤,剩下的高清微距图像呈现的将是存活状态下的珊瑚杯与珊瑚虫构成的水螅体,对于了解当前珊瑚的分布及生存状态更为准确。
但在调查造礁石珊瑚分布历史工作中,即便是珊瑚虫死亡状态下,珊瑚水螅体中并无存活的珊瑚虫,可对该仅有珊瑚杯的高清微距图像中的珊瑚杯根据形态学进行识别,并通过寻找与该拍摄地最近的高清微距图像,找到与该仅有珊瑚杯的高清微距图像中珊瑚杯形态一致的珊瑚水螅体,进一步识别该仅有珊瑚杯的高清微距图像中死亡的珊瑚虫种类。
如图2所示,造礁石珊瑚的种类识别与盖度模型建立方系统,包括:
造礁石珊瑚数据库,造礁石珊瑚数据库用于储存所有已知的造礁石珊瑚的水螅体群体形态、珊瑚杯形态以及珊瑚虫种类的高清图像及视频文件;
图像拍摄装置,图像拍摄装置用于获取待识别造礁石珊瑚的高清微距图像及指定海域高清全景图像;图像拍摄装置包括水下高清微距拍摄装置及海域广角高清拍摄装置;
处理器,处理器用于将一张具有水螅体的高清微距图像作为初始图像,对初始图像中的水螅体群体形态、珊瑚杯形态及珊瑚虫种类进行识别,确定初始图像中造礁石珊瑚的种类;完成指定海域内所有造礁石珊瑚种类的识别,计算获得指定海域内每种造礁石珊瑚对应的盖度数据及指定海域内所有种类造礁石珊瑚的盖度数据,并基于高清全景图像完成指定海域造礁石珊瑚分布的盖度模型建立。
实施例2
与实施例1相比,不同之处仅在于,在步骤S3中,通过对初始图像中的水螅体群体形态、珊瑚杯形态及珊瑚虫种类进行识别后,无法判断初始图像中的造礁石珊瑚种类,对该初始图像进行标记,并结束该初始图像的识别工作,并发送至临近的科研人员终端(本实施例中科研人员终端是指具有防水性能的智能手机,当然也可以采用其他的拍摄设备)。科研人员对珊瑚水螅体群体进行现场取样,将取样后的珊瑚水螅体群体带回实验室中,并放入类似水族箱中进行留存。
为采集珊瑚虫的具体形态,可通过水流对珊瑚礁进行冲刷。单体珊瑚虫只有米粒那样大小,体型为中空而底部密封的圆筒状,内部有骨骼片。珊瑚虫身体中央是腔肠,起消化和吸收作用。珊瑚虫腔肠上方有个口,腔肠和口之间是口道。口的四周有触手,呈辐射对称,触手中有刺丝囊,囊中有含毒液的刺细胞,作为防御和捕食的武器。
要获知珊瑚虫的类别,需要珊瑚虫的触手展开。而水流的缓慢冲刷能够模拟捕食环境,使得珊瑚虫的触手张开(目前还未见相关文献公开,为本发明人独立发现,目前是实验室环境中,采用循环水流的出水口浸没在水面以下的方式实现,当然在其他实施例中亦可是通过水流从侧壁缓慢留下实现),因此能够获知更准确、全面的珊瑚虫的图像信息,便于对珊瑚的种类识别。即,能够将珊瑚虫诱导出来,方便在实验室环境下利用显微镜等设备进行镜检,通过辅助鉴定珊瑚虫种类的辅助方法,从而可以鉴定珊瑚。
除了用水流缓慢冲刷外,还可以大流量高流速的水流直接进行冲刷,这种是被动的,逼迫珊瑚虫出来,即通过大流量高流速的水流冲刷逼迫珊瑚虫从珊瑚杯中出来(目前是实验室环境中,采用循环水流的出水口高于水面,通过重力加速度实现)。
本实施例中,是通过减慢水流的速度,即减缓缸体(培养珊瑚虫的培养容器)内水的流量流速,诱导珊瑚虫从珊瑚杯中出来。
实施例3
与实施例1相比,不同之处仅在于,图像拍摄装置还包括水流喷射模块,水流喷射模块包括固定架、储水瓶、微型水泵、控制器、进水管和出水管,储水瓶、水下高清微距拍摄装置、海域广角高清拍摄装置和微型水泵均固定在固定架上,进水管的一端与储水瓶连通,进水管的另一端与微型水泵的进水口连通,出水管的一端与微型水泵的出水口连通,出水管的另一端固定在水下高清微距拍摄装置的下方,出水管的水流方向与水下高清微距拍摄装置的拍摄方向相同,储水瓶内装有透明度高的海水,控制器与处理器信号连接,控制器用于在接收到启动信号后控制微型水泵;处理器还用于在获取到待识别造礁石珊瑚的高清微距图像后判断其中的珊瑚虫的高清图像是否可识别,若识别成功率超过阈值,则直接输出识别结果;若识别成功率低于阈值,则生成启动信号并发送至控制器;并重新采集高清微距图像。
具体使用过程中:在(实验室环境下)对珊瑚虫的进行拍摄时,如果能够直接拍摄到珊瑚虫的高清微距图像,则直接拍摄。可通过水流冲射,诱导出珊瑚虫并进行拍照鉴定。并且由于海水的透明度低,水中微小的无机物和有机物颗粒含量高。在这种浑浊的海底拍摄时,由于这些微小颗粒对光线的散射作用,使得无论是水下照相或是水下摄像,拍摄的影像效果都像是“雾里看花”一样,模糊不清。尤其是珊瑚虫本身也存活在浮游生物较多的海域。在进行微距拍摄时,如果在高清微距拍摄装置与珊瑚虫之间存在一些不透明的浮游生物,还会在高清微距图像上留影,严重影响拍摄质量。
但是,在本实施例中,由于储水瓶内装有透明度高的海水,在水流作用下,既能够给到珊瑚虫“错误”的捕食信号,又能够对高清微距拍摄装置与珊瑚虫之间的成像区域进行“清除”,提升拍摄质量。
当然在其他实施例中,即可通过显微镜进行观察。
Claims (10)
1.造礁石珊瑚的种类识别与盖度模型建立方法,其特征在于,包括以下步骤:
S1、建立造礁石珊瑚数据库,所述珊瑚数据库包括水螅体群体形态数据库、珊瑚杯形态数据库及珊瑚虫种类数据库,基于所述珊瑚数据库完成AI的识别学习;
S2、获取指定海域待识别珊瑚水螅体的高清微距图像及其海域的高清全景图像;AI通过筛选,获得至少一张具有珊瑚水螅体的高清微距图像和高清全景图像;
S3、将一张具有水螅体的高清微距图像和高清全景图像作为初始图像,对初始图像中的水螅体群体形态、珊瑚杯形态及珊瑚虫种类进行识别,确定初始图像中造礁石珊瑚的种类;
S4、完成指定海域内所有造礁石珊瑚种类的识别,获取所有珊瑚种类对应的覆盖度数据,计算获得指定海域内每种造礁石珊瑚对应的盖度数据及指定海域内所有种类造礁石珊瑚的盖度数据,并基于所述高清全景图像完成指定海域造礁石珊瑚分布的盖度模型建立。
2.根据权利要求1所述的造礁石珊瑚的种类识别与盖度模型建立方法,其特征在于,所述步骤S1中,所述造礁石珊瑚数据库中包括所有已知的造礁石珊瑚的水螅体群体形态、珊瑚杯形态以及珊瑚虫种类的高清图像及视频文件。
3.根据权利要求1所述的造礁石珊瑚的种类识别与盖度模型建立方法,其特征在于,所述步骤S2中,AI对至少一张造礁石珊瑚的高清微距图像进行筛选,将不存在水螅体的高清微距图像排除,获得至少一张珊瑚水螅体的高清微距图像。
4.根据权利要求1所述的造礁石珊瑚的种类识别与盖度模型建立方法,其特征在于,所述步骤S3还包括:AI对初始图像中的水螅体群体形态、珊瑚杯形态及珊瑚虫种类依次进行识别,其中,若珊瑚杯形态及珊瑚虫种类中的一项或两项不满足识别条件时,仅对满足识别条件的一项及水螅体群体形态进行识别,或仅对水螅体群体形态进行识别,确定造礁石珊瑚的种类。
5.根据权利要求1所述的造礁石珊瑚的种类识别与盖度模型建立方法,其特征在于,所述步骤S3中,所述珊瑚虫的种类识别包括:AI通过对所述初始图像进行单一角度识别,获得一级结果数据;基于一级结果数据,AI通过多角度对所述初始图像识别,获得二级结果数据;AI基于所述珊瑚水螅体群体形态数据库及二级结果数据构建3D模型;通过所述3D模型与所述初始图像进行对比,完成对初始图像中珊瑚虫种类的识别;
其中,所述一级结果数据包括:与初始图像中珊瑚虫近似度超过预设百分比的,至少一种珊瑚虫的名称及其高清图像。
6.根据权利要求5所述的造礁石珊瑚的种类识别与盖度模型建立方法,其特征在于,所述步骤S3中,AI选取与初始图像拍摄时间在预设范围内的至少一个高清微距图像进行多角度识别,获得二级结果数据,
其中,所述二级结果数据包括与所述初始图像近似度最高的一种珊瑚虫的名称及其高清图像。
7.根据权利要求5所述的造礁石珊瑚的种类识别与盖度模型建立方法,其特征在于,所述步骤S3还包括:通过所述3D模型与所述初始图像进行生物结构及拍摄角度对比,若对比结果为不一致,则调取一级结果数据中其他珊瑚虫名称及其高清图像,构建对应的3D模型,直至对比结果为一致;通过对初始图像中的水螅体群体形态、珊瑚杯形态及珊瑚虫种类进行识别后,无法判断初始图像中的造礁石珊瑚种类,对该初始图像进行标记,并结束该初始图像的识别工作。
8.根据权利要求1所述的造礁石珊瑚的种类识别与盖度模型建立方法,其特征在于,所述步骤S4中某一种类造礁石珊瑚在指定海域的盖度的计算逻辑为:对高清全景图像进行识别,获取每个像素点的第一RGB值,然后根据具有珊瑚水蟪体的高清微距图像,筛选出珊瑚水螅体的图像,并利用像素聚类算法描绘出珊瑚水螅体的图像的轮廓,通过对比轮廓内外获得轮廓内的珊瑚水螅体图像与背景图像的对比关系,然后对高清全景图像进行网格化处理,若网格内的第一RGB值存在对比文件,则确定该网格为边缘网格,对边缘网格的相邻网格进行延伸,边缘网格若能够沿延伸形成唯一路径回到初始的边缘网格,则进行盖度计算,fc=S1/S2,所述S1为边缘网格形成的闭合图案的网格的数量,S2为网格的总数量;边缘网格若不能够沿延伸形成唯一路径回到初始的边缘网格,则重新替换高清全景图像或者重新选取具有珊瑚水螅体的高清微距图像。
10.如权要1-9所述造礁石珊瑚的种类识别与盖度模型建立方法的系统,其特征在于,包括:
造礁石珊瑚数据库,所述造礁石珊瑚数据库用于储存所有已知的造礁石珊瑚的水螅体群体形态、珊瑚杯形态以及珊瑚虫种类的高清图像及视频文件;
图像拍摄装置,所述图像拍摄装置用于获取待识别造礁石珊瑚的高清微距图像及指定海域高清全景图像;所述图像拍摄装置包括水下高清微距拍摄装置及海域广角高清拍摄装置;
处理器,所述处理器用于将一张具有水螅体的高清微距图像作为初始图像,对初始图像中的水螅体群体形态、珊瑚杯形态及珊瑚虫种类进行识别,确定初始图像中造礁石珊瑚的种类;完成指定海域内所有造礁石珊瑚种类的识别,计算获得指定海域内每种造礁石珊瑚对应的盖度数据及指定海域内所有种类造礁石珊瑚的盖度数据,并基于所述高清全景图像完成指定海域造礁石珊瑚分布的盖度模型建立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205176.1A CN115546624A (zh) | 2022-09-29 | 2022-09-29 | 造礁石珊瑚的种类识别与盖度模型建立方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205176.1A CN115546624A (zh) | 2022-09-29 | 2022-09-29 | 造礁石珊瑚的种类识别与盖度模型建立方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115546624A true CN115546624A (zh) | 2022-12-30 |
Family
ID=84732368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211205176.1A Pending CN115546624A (zh) | 2022-09-29 | 2022-09-29 | 造礁石珊瑚的种类识别与盖度模型建立方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546624A (zh) |
-
2022
- 2022-09-29 CN CN202211205176.1A patent/CN115546624A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Reis-Filho et al. | Coastal fish assemblages reflect marine habitat connectivity and ontogenetic shifts in an estuary-bay-continental shelf gradient | |
CN110751075A (zh) | 一种基于实例分割的遥感影像养殖塘检测方法 | |
Benayahu et al. | Octocorals of the indo-Pacific | |
CN111406693A (zh) | 基于仿生海鳗的海洋牧场渔业资源养护效果评价方法 | |
Liao et al. | Research on intelligent damage detection of far-sea cage based on machine vision and deep learning | |
Pyle et al. | Fishes: biodiversity | |
CN116012700A (zh) | 一种基于YOLO-v5的鱼病实时检测系统 | |
CN115797844A (zh) | 一种基于神经网络的鱼体鱼病检测方法及系统 | |
Abangan et al. | Artificial intelligence for fish behavior recognition may unlock fishing gear selectivity | |
Ranjan et al. | Effects of image data quality on a convolutional neural network trained in-tank fish detection model for recirculating aquaculture systems | |
Rum et al. | FishDeTec: a fish identification application using image recognition approach | |
CN114202563A (zh) | 一种基于平衡性联合网络的鱼类多目标跟踪方法 | |
CN114299332A (zh) | 核电厂冷源海生物智能探测方法及系统 | |
Chen et al. | Visual-adaptation-mechanism based underwater object extraction | |
CN115546624A (zh) | 造礁石珊瑚的种类识别与盖度模型建立方法及其系统 | |
NO347281B1 (en) | Generating three dimensional skeleton representations of aquatic animals using machine learning | |
CN116824454A (zh) | 基于空间金字塔注意的鱼类行为识别方法及系统 | |
US20230169662A1 (en) | System and method for generating a morphological atlas of an embryo | |
CN115147650A (zh) | 一种基于SKNet和YOLOv5的海洋目标识别方法 | |
La Mesa et al. | Assessment of coastal fish assemblages before the establishment of a new marine protected area in central Mediterranean: its role in formulating zoning proposal | |
CN112783180A (zh) | 一种多视角伪装式水下生物识别系统及方法 | |
CN114184627A (zh) | 一种深海沉积物中微塑料和宏塑料的无损探测分析方法 | |
JP2006271333A (ja) | 付着生物調査装置及び付着生物調査方法 | |
Soltanzadeh et al. | A prototype system for real-time monitoring of Arctic char in indoor aquaculture operations: possibilities & challenges | |
Longo et al. | Inter-and intra-specific variation in movement behaviour of benthic macroinvertebrates from a transitional habitat: a laboratory experiment |
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 |