一种海洋异常区域的智能检测方法与流程

1.本发明涉及人工智能领域，特别涉及一种海洋异常区域的智能检测方法。


背景技术：

2.海洋是我国重要的国土资源，海洋环境对人类社会安全与经济发展具有重要影响，因此对海洋环境的动态变化的有效监测，对海洋资源管理、生态环境建设等工作具有重要意义。
3.目前检测海洋的方式主要是通过化学取样分析，以及通过遥感技术进行查询，然而这种监测方式较为缓慢，无法及时反应出海洋的情况，由于海洋生物的习性，可以体现出海洋区域的异常情况，但是由于海水中各种杂质会影响摄像头对海洋的拍摄画面，因此现有技术难以利用拍摄海洋的生物情况来对海洋区域是否异常进行预测。


技术实现要素：

4.本发明的主要目的为提供一种海洋异常区域的智能检测方法，旨在解决现有技术难以利用拍摄海洋的生物情况来对海洋区域是否异常进行预测的问题。
5.本发明提供了一种海洋异常区域的智能检测方法，包括：
6.从预先构建的海洋生物特征数据库中获取海洋生物的特征数据信息；其中，所述特征数据信息包括多个特征数据；
7.将所述海洋生物的特征数据信息进行编码压缩成隐变量集合z；
8.将所述隐变量输入预设的编码器中，根据公式p(x)＝∫p(x|z；θ)p(z)dz计算得到所述特征数据信息所对应的特征分布；其中所述特征分布遵循高斯分布；其中z为所述隐变量，θ为固定参数向量空间，p(x)表示所述特征分布，p(z)表示所述隐变量在隐变量集合中的概率，p(x|z；θ)表示在所述固定参数向量空间下参数x在隐变量z下的概率；
9.获取指定区域内的拍摄图片；
10.将所述拍摄图片输入至预先训练的感知生成网络中，分割所述拍摄图片中对应的遮挡子图片，并将分割结果记为掩膜；其中，所述感知生成网络包括残差卷积网络模块，lstm单元以及卷积网络模块；
11.将所述遮挡子图片和所述拍摄图片输入至预先训练的遮挡区域重建子网络中，得到复原图片；其中，所述遮挡区域重建子网络包括多个卷积层和多个激活层，所述卷积层和所述激活层一一对应，定义每个卷积层中对每个部位的卷积为w表示所述卷积层预设的权重，m表示所述掩膜对应的值，x表示当前结果在所述特征分布中的映射，
⊙
表示阿达玛乘积；
12.提取所述复原图片中的生物数量以及生物信息；
13.将所述生物数量、所述生物信息以及当前季节中的一个或者多个输入至季节生物模型中，计算所述指定区域的异常情况，并根据所述异常情况判断所述指定区域是否为异
常区域。
14.进一步地，所述将所述拍摄图片输入至预先训练的感知生成网络中，分割所述拍摄图片中对应的遮挡子图片，并将分割结果记为掩膜的步骤，包括：
15.根据所述残差卷积网络模块提取所述拍摄图片中的第一特征；
16.将所述第一特征输入至lstm单元中，利用以下公式：
[0017][0018][0019]ct
＝f
t
⊙ct-1
i
t
⊙
tanh(w
xc
*x
t
w
hc
*h
t-1
bc)；
[0020][0021]ht
＝o
t
⊙
tanh(c
t
)；
[0022]
卷积得到各个所述第一特征的注意力值；其中，所述lstm单元包括多个lstm子单元，x
t
表示所述第一特征的第t个维度值，wn表示数值n对应所述特征分布的权重值，σ表示所述特征分布的标准差，bi、bf、bc以及bo均为预设的常数，i
t
、f
t
、c
t
、o
t
以及h
t
分别表示第t个lstm子单元的输入门、遗忘门、中间门、输出门以及注意门对应的值，h
t-1
表示第t-1个注意门输出的值。
[0023]
进一步地，所述将所述生物数量、所述生物信息以及当前季节中的一个或者多个输入至季节生物模型中，计算所述指定区域的异常情况，并根据所述异常情况判断所述指定区域是否为异常区域的步骤之前，还包括：
[0024]
获取各个季节以及各个季节所对应的历史生物数量以及历史生物信息；
[0025]
将所述历史生物数量和所述历史生物信息季节生物原模型中作为所述季节生物原模型的输入，以及将历史季节和所述历史生物数量、所述历史生物信息之间的预设匹配度作为所述季节生物原模型输出进行训练；
[0026]
训练完成后得到所述季节生物模型。
[0027]
进一步地，所述将所述生物数量、所述生物信息以及当前季节中的一个或者多个输入至季节生物模型中，计算所述指定区域的异常情况，并根据所述异常情况判断所述指定区域是否为异常区域的步骤，还包括：
[0028]
获取设定时间内的生物历史记录信息；
[0029]
将所述生物历史记录信息和所述生物数量以及所述生物信息输入至所述季节生物模型中，得到所述生物数量以及所述生物信息与所述生物历史记录信息的相似度值；其中，所述季节生物模型根据两种不同的生物数据以及对应的相似度计算而成；
[0030]
根据所述相似度值判断所述指定区域是否为异常区域。
[0031]
进一步地，所述将所述生物数量、所述生物信息以及当前季节中的一个或者多个输入至季节生物模型中，计算所述指定区域的异常情况，并根据所述异常情况判断所述指定区域是否为异常区域的步骤之后，还包括：
[0032]
当所述指定区域为异常区域时，获取所述指定区域的化学检测信息；
[0033]
将所述化学检测信息输入至预设的分类模型中；
[0034]
将所述化学检测信息的每个特征按照预设的排列方式，构成所述化学检测信息对应的检测向量；
[0035]
在所述分类模型中根据预设的概率公式，计算每个预设类别出现所述检测向量中各个特征的目标概率；
[0036]
根据所述目标概率和贝叶斯公式计算各个所述预设类别的目标概率；
[0037]
取所述目标概率最大的预设类别作为所述异常区域的目标类别。
[0038]
进一步地，所述将所述拍摄图片输入至预先训练的感知生成网络中，分割所述拍摄图片中对应的遮挡子图片，并将分割结果记为掩膜的步骤，包括：
[0039]
根据公式计算所述特征集中第t个特征与第i个生物的特征高斯分布之间的特征相关值；其中，cv(i，t)表示所述特征相关值，所述pj(x
t
)表示第t个特征在第j个生物的特征高斯分布中所对应的概率值，wj表示第j个生物的特高斯分布对应的权重值，m表示生物的总个数；
[0040]
将所述特征相关值按照其数值大小进行比例缩放，得到各生物各自对应的特征的目标权重；
[0041]
将所述目标权重和所述拍摄图片输入至预先训练的感知生成网络中，分割所述拍摄图片中对应的遮挡子图片，并将分割结果记为掩膜。
[0042]
本发明还提供了一种海洋异常区域的智能检测装置，包括：
[0043]
第一获取模块，用于从预先构建的海洋生物特征数据库中获取海洋生物的特征数据信息；其中，所述特征数据信息包括多个特征数据；
[0044]
编码模块，用于将所述海洋生物的特征数据信息进行编码压缩成隐变量集合z；
[0045]
第一输入模块，用于将所述隐变量输入预设的编码器中，根据公式p(x)＝∫p(x|z；θ)p(z)dz计算得到所述特征数据信息所对应的特征分布；其中所述特征分布遵循高斯分布；其中z为所述隐变量，θ为固定参数向量空间，p(x)表示所述特征分布，p(z)表示所述隐变量在隐变量集合中的概率，p(x|z；θ)表示在所述固定参数向量空间下参数x在隐变量z下的概率；
[0046]
第二获取模块，用于获取指定区域内的拍摄图片；
[0047]
分割模块，用于将所述拍摄图片输入至预先训练的感知生成网络中，分割所述拍摄图片中对应的遮挡子图片，并将分割结果记为掩膜；其中，所述感知生成网络包括残差卷积网络模块，lstm单元以及卷积网络模块；
[0048]
第二输入模块，用于将所述遮挡子图片和所述拍摄图片输入至预先训练的遮挡区域重建子网络中，得到复原图片；其中，所述遮挡区域重建子网络包括多个卷积层和多个激活层，所述卷积层和所述激活层一一对应，定义每个卷积层中对每个部位的卷积为活层，所述卷积层和所述激活层一一对应，定义每个卷积层中对每个部位的卷积为w表示所述卷积层预设的权重，m表示所述掩膜对应的值，x表示当前结果在所述特征分布中的映射，
⊙
表示阿达玛乘积；
[0049]
提取模块，用于提取所述复原图片中的生物数量以及生物信息；
[0050]
计算模块，用于将所述生物数量、所述生物信息以及当前季节中的一个或者多个输入至季节生物模型中，计算所述指定区域的异常情况，并根据所述异常情况判断所述指定区域是否为异常区域。
[0051]
进一步地，所述分割模块，包括：
[0052]
第一特征提取子模块，用于根据所述残差卷积网络模块提取所述拍摄图片中的第一特征；
[0053]
第一特征输入子模块，用于将所述第一特征输入至lstm单元中，利用以下公式：
[0054][0055][0056]ct
＝f
t
⊙ct-1
i
t
⊙
tanh(w
xc
*x
t
w
hc
*h
t-1
bc)；
[0057][0058]ht
＝o
t
⊙
tanh(c
t
)；
[0059]
卷积得到各个所述第一特征的注意力值；其中，所述lstm单元包括多个lstm子单元，x
t
表示所述第一特征的第t个维度值，wn表示数值n对应所述特征分布的权重值，σ表示所述特征分布的标准差，bi、bf、bc以及bo均为预设的常数，i
t
、f
t
、c
t
、o
t
以及h
t
分别表示第t个lstm子单元的输入门、遗忘门、中间门、输出门以及注意门对应的值，h
t-1
表示第t-1个注意门输出的值。
[0060]
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
[0061]
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
[0062]
本发明的有益效果：通过获取海洋的拍摄图片，并对其进行复原，从而得到生物的生物数量以及生物信息，结合季节判断海洋生物是否异常，进而确定该区域是否为异常区域，不需要进行复杂的化学取样分析，就可以实现对海洋区域的监控。
附图说明
[0063]
图1是本发明一实施例的一种海洋异常区域的智能检测方法的流程示意图；
[0064]
图2是本发明一实施例的一种海洋异常区域的智能检装置的结构示意框图；
[0065]
图3为本技术一实施例的计算机设备的结构示意框图。
[0066]
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
[0067]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0068]
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变，所述的连接可以是直接连接，也可以是间接连接。
[0069]
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。
[0070]
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
[0071]
参照图1，本发明提出一种海洋异常区域的智能检测方法，包括：
[0072]
s1：从预先构建的海洋生物特征数据库中获取海洋生物的特征数据信息；其中，所述特征数据信息包括多个特征数据；
[0073]
s2：将所述海洋生物的特征数据信息进行编码压缩成隐变量集合z；
[0074]
s3：将所述隐变量输入预设的编码器中，根据公式p(x)＝∫p(x|z；θ)p(z)dz计算得到所述特征数据信息所对应的特征分布；其中所述特征分布遵循高斯分布；其中所述特征分布遵循高斯分布；其中z为所述隐变量，θ为固定参数向量空间，p(x)表示所述特征分布，p(z)表示所述隐变量在隐变量集合中的概率，p(x|z；θ)表示在所述固定参数向量空间下参数x在隐变量z下的概率；
[0075]
s4：获取指定区域内的拍摄图片；
[0076]
s5：将所述拍摄图片输入至预先训练的感知生成网络中，分割所述拍摄图片中对应的遮挡子图片，并将分割结果记为掩膜；其中，所述感知生成网络包括残差卷积网络模块，lstm单元以及卷积网络模块；
[0077]
s6：将所述遮挡子图片和所述拍摄图片输入至预先训练的遮挡区域重建子网络中，得到复原图片；其中，所述遮挡区域重建子网络包括多个卷积层和多个激活层，所述卷积层和所述激活层一一对应，定义每个卷积层中对每个部位的卷积为积层和所述激活层一一对应，定义每个卷积层中对每个部位的卷积为w表示所述卷积层预设的权重，m表示所述掩膜对应的值，x表示当前结果在所述特征分布中的映射，
⊙
表示阿达玛乘积；
[0078]
s7：提取所述复原图片中的生物数量以及生物信息；
[0079]
s8：将所述生物数量、所述生物信息以及当前季节中的一个或者多个输入至季节生物模型中，计算所述指定区域的异常情况，并根据所述异常情况判断所述指定区域是否为异常区域。
[0080]
如上述步骤s1所述，海洋生物特征数据库为预先构建的数据库，其可以从海洋生物图片进行获取，然后通过特征提取模型对海洋生物提取特征，从而可以得到特征数据信息，应当说明的是，一种海洋生物对应多个生物特征，因此获取到的海洋特征数据信息为该区域内出现过的海洋生物的特征，获取的方式可以根据之前拍摄的生物图片进行特征提取，也可以根据海洋生物局记载的图片进行获取。
[0081]
如上述步骤s2所述，将所述海洋生物的特征数据信息进行编码压缩成隐变量集合z，其中编码的方式可以是通过变分自编码机进行编码，其通过将数据经编码器映射成隐变量，与一般编码的方式不同点在于，本技术需要对编码的内容进行约束，使得到的隐变量集
合遵循高斯分布，具体地，先将特征数据信息输入至编码器中得到隐变量，每个特征对应一个隐变量。
[0082]
如上述步骤s3所述，将所述隐变量输入预设的编码器中，根据公式p(x)＝∫p(x|z；θ)p(z)dz计算得到所述特征数据信息所对应的特征分布。需要说明的是，该隐变量是一个高密度的向量，其包含有各种向量的表示，即对于一个特征而言，其具备有多种的向量表示，相当于一个特征可以有多种不同的表示，其中，特征分布应当遵循高斯分布，例如可以加上约束其中(x|μ(z；θ),σ2*i)表示x服从期望为μ(z；θ)，协方差为σ2*i的高斯分布，并调整期望函数μ(z；θ)使x的概率分布接近于高斯分布。
[0083]
如上述步骤s4所述，获取指定区域内的拍摄图片，获取的方式可为每隔一段距离在水面和水下都安装360度全景摄像机，实时监测指定区域范围内海洋生物的照片拍摄和视频上传。拍摄信息可以是视频信息和/或图片信息，拍摄的方式不做限定，例如可以设置摄像头每隔10s拍摄一张照片以及这段区间的视频，通过互联网http协议上传到后端服务器。后端服务器接收到前端的请求，将前端传过来的照片和视频以及时间分开进行存储，照片和视频按照日期分类存储在磁盘中。
[0084]
如上述步骤s5所述，将所述拍摄图片输入至预先训练的感知生成网络中，分割所述拍摄图片中对应的遮挡子图片，并将分割结果记为掩膜；其中，所述感知生成网络包括残差卷积网络模块，lstm单元以及卷积网络模块。由于海洋内其他杂质较多，因此会对拍摄的画面造成影响，因此，需要减轻杂质对图片的遮挡的影响，此处将其输入至预先训练的感知生成网络中，具体地，其将拍摄图片输入至感知生成网络的残差卷积网络模块中，提取特征并输入lstm单元，然后经卷积网络模块生成对于的遮挡子图片以及分割结构作为掩膜，其具体的生成方式后续有详细说明，此处不再赘述。
[0085]
如上述步骤s6所述，将所述遮挡子图片和所述拍摄图片输入至预先训练的遮挡区域重建子网络中，得到复原图片。即得到了掩膜后，则可以利用遮挡区域重建子网络中进行复原，具体地，将倍遮挡的区域像素值设置为0，将没有被遮挡的区域的像素值设置为1，定义每个像素点的部分卷积为在每次部分卷积之后，按照一下规则对掩膜进行更新其中，m表示更新后的掩膜的值，当具有一个有效的输入值时，则计算移除当前位置的掩膜的值，依次对各个掩膜所对应的值进行复原更新，从而实现对拍摄图片的复原。
[0086]
如上述步骤s7所述，提取所述复原图片中的生物数量以及生物信息。由于复原图片得到了复原，因此其具备了查看图片中的生物数量以及生物信息，具体的提取方式可以是根据预设的生物判断模型进行识别，例如可以通过人工智能生物识别ai模型进行识别。从而可以得到生物数量以及生物信息，该生物信息包括该生物的名称，所适宜的生活环境，生活习性等。
[0087]
如上述步骤s8所述，将所述生物数量、所述生物信息以及当前季节中的一个或者多个输入至季节生物模型中，计算所述指定区域的异常情况，并根据所述异常情况判断所
述指定区域是否为异常区域。通过将生物数量和生物信息输入至季节生物模型中，从而可以计算得到指定区域的异常情况，具体地计算方式不作限定，例如可以计算是否与以往相同季节的生物的种类是否相同，也可以是与上一次得到的生物信息进行比较，若当前的生物变化比较大，例如数量变化较大，或者种类变化较大，则可以认为该区域为异常区域，需要进一步调查，另外，通过上述的模型对指定区域进行监控，可以快速得到指定区域是否为异常区域的信息。具体而言，当该区域发生地震或者火山爆发时，其海洋生物会预先感知，因此其生物数量会呈现显著性下降的趋势，因此，根据生物数量生物信息都可以对数据进行判定，从而确定该区域是否为异常区域，不需要进行化学取样分析，就可以实现对海洋区域的监控。
[0088]
在一个实施例中，所述将所述拍摄图片输入至预先训练的感知生成网络中，分割所述拍摄图片中对应的遮挡子图片，并将分割结果记为掩膜的步骤s5，包括：
[0089]
s501：根据所述残差卷积网络模块提取所述拍摄图片中的第一特征；
[0090]
s502：将所述第一特征输入至lstm单元中，利用以下公式：
[0091][0092][0093]ct
＝f
t
⊙ct-1
i
t
⊙
tanh(w
xc
*x
t
w
hc
*h
t-1
bc)；
[0094][0095]ht
＝o
t
⊙
tanh(c
t
)；
[0096]
卷积得到各个所述第一特征的注意力值；其中，所述lstm单元包括多个lstm子单元，x
t
表示所述第一特征的第t个维度值，wn表示数值n对应所述特征分布的权重值，σ表示所述特征分布的标准差，bi、bf、bc以及bo均为预设的常数，i
t
、f
t
、c
t
、o
t
以及h
t
分别表示第t个lstm子单元的输入门、遗忘门、中间门、输出门以及注意门对应的值，h
t-1
表示第t-1个注意门输出的值；
[0097]
s503：将所述注意力值和所述拍摄图片输入至所述卷积网络模块中，分割所述拍摄图片中对应的遮挡子图片，并将分割结果记为掩膜。
[0098]
如上述步骤s501-s503所述，通过残差卷积网络模块提取拍摄图片中的第一特征，然后将第一特征输入至lstm单元中，该lstm单元可以生成注意力图，其生成的方式为递归生成，具体地，lstm单元包括多个lstm子单元，lstm子单元的输入为原始图片、上一个lstm子单元的注意门输出的值，以及上一个lstm子单元的隐状态输出，在前向传递过程中，输入图像后生成的注意力图。所有生成的注意力图都堆叠并与原图连接后，送入卷积网络模块中生成掩模和遮挡子图片。其中在训练过程中将卷积网络模块中多个可卷积的单元串联，掩膜拟合逼近，使网络学习出不同的置信分数即注意力图，每个单元输出的注意力图权重从输入到输出端依次增加。
[0099]
在一个实施例中，所述将所述生物数量、所述生物信息以及当前季节中的一个或者多个输入至季节生物模型中，计算所述指定区域的异常情况，并根据所述异常情况判断所述指定区域是否为异常区域的步骤s8之前，还包括：
[0100]
s701：获取各个季节以及各个季节所对应的历史生物数量以及历史生物信息；
[0101]
s702：将所述历史生物数量和所述历史生物信息季节生物原模型中作为所述季节生物原模型的输入，以及将历史季节和所述历史生物数量、所述历史生物信息之间的预设匹配度作为所述季节生物原模型输出进行训练；
[0102]
s703：训练完成后得到所述季节生物模型。
[0103]
如上述步骤s701-s703所述，实现了对季节生物模型的训练，具体为，先获取到各个季节所对应的历史生物数量以及历史生物信息作为训练数据，然后将其作为季节模型的输入，将历史季节和所述历史生物数量、所述历史生物信息之间的预设匹配度作为所述季节生物原模型输出进行训练，其中，需要说明的是，该季节模型为神经网络模型，各个季节出现的生物与对应的季节作为模型的输入，从而可以得到各种出现的生物与当前的季节是否相符合，若不符合，则说明该区域内发生了一定的事故，从而导致出现不在该季节就已经出现了该种生物的情形，从而可以从生物信息的角度来判定该指定区域是否为异常区域。
[0104]
在一个实施例中，所述将所述生物数量、所述生物信息以及当前季节中的一个或者多个输入至季节生物模型中，计算所述指定区域的异常情况，并根据所述异常情况判断所述指定区域是否为异常区域的步骤s8，还包括：
[0105]
s801：获取设定时间内的生物历史记录信息；
[0106]
s802：将所述生物历史记录信息和所述生物数量以及所述生物信息输入至所述季节生物模型中，得到所述生物数量以及所述生物信息与所述生物历史记录信息的相似度值；其中，所述季节生物模型根据两种不同的生物数据以及对应的相似度计算而成；
[0107]
s803：根据所述相似度值判断所述指定区域是否为异常区域。
[0108]
如上述步骤s801-s803所述，实现了根据生物信息判定指定区域是否为异常区域，即获取到了生物历史记录信息，该生物历史记录信息为设定时间内的生物信息，例如为一个星期前的生物信息，在这样的设定时间内(不考虑换季的情况)，其生物信息一般不会变化太多，因此，若检测到的生物数量和生物信息于生物历史记录信息的相似度值大于或等于预设的相似度阈值，则可以认为该指定区域为正常的区域，若小于该相似度阈值，则认为该指定区域发生了异常，将指定区域认定为异常区域。从而实现了根据生物数量和生物信息的变化情况来判定指定区域是否为异常区域。
[0109]
在一个实施例中，所述将所述生物数量、所述生物信息以及当前季节中的一个或者多个输入至季节生物模型中，计算所述指定区域的异常情况，并根据所述异常情况判断所述指定区域是否为异常区域的步骤s8之后，还包括：
[0110]
s901：当所述指定区域为异常区域时，获取所述指定区域的化学检测信息；
[0111]
s902：将所述化学检测信息输入至预设的分类模型中；
[0112]
s903：将所述化学检测信息的每个特征按照预设的排列方式，构成所述化学检测信息对应的检测向量；
[0113]
s904：在所述分类模型中根据预设的概率公式，计算每个预设类别出现所述检测向量中各个特征的目标概率；
[0114]
s905：根据所述目标概率和贝叶斯公式计算各个所述预设类别的目标概率；
[0115]
s906：取所述目标概率最大的预设类别作为所述异常区域的目标类别。
[0116]
如上述步骤s901-s906所述，实现了目标预设类别的确定。具体地，基于分类模型先获取到对应的类别集合以及检测向量，再计算目标概率，具体地，假设检测向量为x＝
{a1，a2，
…
，aj
…
，am}，类别集合c＝{y1，y2，
…
，yi，
…
，yn}，yi表示第i个预设类别，aj表示检测向量中第j个特征；该预设的概率公式为检测向量中第j个特征；该预设的概率公式为其中n为训练样本总数；分子计算的是在类别yk中出现特征aj的训练样本数量；m为所有训练样本中特征总数；mi为第i个训练样本中的特征数量；分母计算的是类别yk的训练样本数乘以对应的特征数之和；分子后面的 1和分母后面的 m是拉普拉斯平滑，防止出现概率为0的情况。先验概率为根据不同的训练数据集以及对应的公式得到，后续有详细说明，此处不再赘述。从而可以得到对应的目标概率，再基于贝叶斯公式计算各个所述预设类别的目标概率得到，取所述目标概率最大的预设类别作为所述目标预设类别。
[0117]
在一个实施例中，所述将所述拍摄图片输入至预先训练的感知生成网络中，分割所述拍摄图片中对应的遮挡子图片，并将分割结果记为掩膜的步骤s5，包括：
[0118]
s511：根据公式计算所述特征集中第t个特征与第i个生物的特征高斯分布之间的特征相关值；其中，cv(i，t)表示所述特征相关值，所述pj(x
t
)表示第t个特征在第j个生物的特征高斯分布中所对应的概率值，wj表示第j个生物的特高斯分布对应的权重值，m表示生物的总个数；
[0119]
s512：将所述特征相关值按照其数值大小进行比例缩放，得到各生物各自对应的特征的目标权重；
[0120]
s513：将所述目标权重和所述拍摄图片输入至预先训练的感知生成网络中，分割所述拍摄图片中对应的遮挡子图片，并将分割结果记为掩膜。
[0121]
如上述步骤s511所述，在构建海洋生物特征库时，一般会采集到生物的不同的特征，因此可以得到生物各个特征的出现次数，根据出现次数可以得到各个生物的特征高斯分布。
[0122]
如上述步骤s511-s513所述，其中，公式的计算方式为，将各个特征相关度的和值分别除以各特征对应的相关值，即当出现的次数越高，其所对应的特征相关值就越小，而出现的次数越低，其所对应的特征相关值就越大，应当理解的是，当一个特征出现在该生物中出现的次数越少，则说明该特征是该生物的独有特征，因此所需赋予的权重也应该最大，因此对应的特征相关值也就越大。因此将所述目标权重和所述拍摄图片输入至预先训练的感知生成网络中，分割所述拍摄图片中对应的遮挡子图片，并将分割结果记为掩膜。从而可以提高分割结果的分割精度。
[0123]
参照图2，本发明还提供了一种海洋异常区域的智能检测装置，包括：
[0124]
第一获取模块10，用于从预先构建的海洋生物特征数据库中获取海洋生物的特征数据信息；其中，所述特征数据信息包括多个特征数据；
[0125]
编码模块20，用于将所述海洋生物的特征数据信息进行编码压缩成隐变量集合z；
[0126]
第一输入模块30，用于将所述隐变量输入预设的编码器中，根据公式p(x)＝∫p(x|z；θ)p(z)dz计算得到所述特征数据信息所对应的特征分布；其中所述特征分布遵循高斯分布；其中z为所述隐变量，θ为固定参数向量空间，p(x)表示所述特征分布，p(z)表示所述隐变量在隐变量集合中的概率，p(x|z；θ)表示在所述固定参数向量空间下参数x在隐变量z下
的概率；
[0127]
第二获取模块40，用于获取指定区域内的拍摄图片；
[0128]
分割模块50，用于将所述拍摄图片输入至预先训练的感知生成网络中，分割所述拍摄图片中对应的遮挡子图片，并将分割结果记为掩膜；其中，所述感知生成网络包括残差卷积网络模块，lstm单元以及卷积网络模块；
[0129]
第二输入模块60，用于将所述遮挡子图片和所述拍摄图片输入至预先训练的遮挡区域重建子网络中，得到复原图片；其中，所述遮挡区域重建子网络包括多个卷积层和多个激活层，所述卷积层和所述激活层一一对应，定义每个卷积层中对每个部位的卷积为激活层，所述卷积层和所述激活层一一对应，定义每个卷积层中对每个部位的卷积为w表示所述卷积层预设的权重，m表示所述掩膜对应的值，x表示当前结果在所述特征分布中的映射，
⊙
表示阿达玛乘积；
[0130]
提取模块70，用于提取所述复原图片中的生物数量以及生物信息；
[0131]
计算模块80，用于将所述生物数量、所述生物信息以及当前季节中的一个或者多个输入至季节生物模型中，计算所述指定区域的异常情况，并根据所述异常情况判断所述指定区域是否为异常区域。
[0132]
在一个实施例中，所述分割模块50，包括：
[0133]
第一特征提取子模块，用于根据所述残差卷积网络模块提取所述拍摄图片中的第一特征；
[0134]
第一特征输入子模块，用于将所述第一特征输入至lstm单元中，利用以下公式：
[0135][0136][0137]ct
＝f
t
⊙ct-1
i
t
⊙
tanh(w
xc
*x
t
w
hc
*h
t-1
bc)；
[0138][0139]ht
＝o
t
⊙
tanh(c
t
)；
[0140]
卷积得到各个所述第一特征的注意力值；其中，所述lstm单元包括多个lstm子单元，x
t
表示所述第一特征的第t个维度值，wn表示数值n对应所述特征分布的权重值，σ表示所述特征分布的标准差，bi、bf、bc以及bo均为预设的常数，i
t
、f
t
、c
t
、o
t
以及h
t
分别表示第t个lstm子单元的输入门、遗忘门、中间门、输出门以及注意门对应的值，h
t-1
表示第t-1个注意门输出的值。
[0141]
本发明的有益效果：通过获取海洋的拍摄图片，并对其进行复原，从而得到生物的生物数量以及生物信息，结合季节判断海洋生物是否异常，进而确定该区域是否为异常区域，不需要进行复杂的化学取样分析，就可以实现对海洋区域的监控。
[0142]
参照图3，本技术实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该
计算机设备的数据库用于存储各种生物特征等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时可以实现上述任一实施例所述的海洋异常区域的智能检测方法。
[0143]
本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定。
[0144]
本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时可以实现上述任一实施例所述的海洋异常区域的智能检测方法。
[0145]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram一多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0146]
需要说明的是，在本文中，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。
[0147]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。