一种海洋异常区域的智能检测方法与流程

技术特征：
1.一种海洋异常区域的智能检测方法，其特征在于，包括：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；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；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；获取指定区域内的拍摄图片；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；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；提取所述复原图片中的生物数量以及生物信息；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。2.如权利要求1所述的海洋异常区域的智能检测方法，其特征在于，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：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；将所述第一特征输入至lstm单元中，利用以下公式：将所述第一特征输入至lstm单元中，利用以下公式：c
t
＝f
t
⊙
c
t-1
i
t
⊙
tanh(w
xc
*x
t
w
hc
*h
t-1
b
c
)；h
t
＝o
t
⊙
tanh(c
t
)；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，w
n
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，b
i
、b
f
、b
c
以及b
o
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；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。3.如权利要求1所述的海洋异常区域的智能检测方法，其特征在于，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：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；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；训练完成后得到所述季节生物模型。4.如权利要求1所述的海洋异常区域的智能检测方法，其特征在于，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：获取设定时间内的生物历史记录信息；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；根据所述相似度值判断所述指定区域是否为异常区域。5.如权利要求1所述的海洋异常区域的智能检测方法，其特征在于，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：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；将所述化学检测信息输入至预设的分类模型中；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；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；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；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。6.如权利要求1所述的海洋异常区域的智能检测方法，其特征在于，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：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p
j
(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，w
j
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；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；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。7.一种海洋异常区域的智能检测装置，其特征在于，包括：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；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；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；第二获取模块，用于获取指定区域内的拍摄图片；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；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；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；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。8.如权利要求7所述的海洋异常区域的智能检测装置，其特征在于，所述分割模块，包括：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；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：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：c
t
＝f
t
⊙
c
t-1
i
t
⊙
tanh(w
xc
*x
t
w
hc
*h
t-1
b
c
)；h
t
＝o
t
⊙
tanh(c
t
)；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，w
n
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，b
i
、b
f
、b
c
以及b
o
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。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结
本发明提供了一种海洋异常区域的智能检测方法，包括：获取海洋生物的特征数据信息，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；获取指定区域内的拍摄图片；将所述拍摄图片输入至预先训练的感知生成网络中，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；提取所述复原图片中的生物数量以及生物信息，计算所述指定区域的异常情况。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。就可以实现对海洋区域的监控。就可以实现对海洋区域的监控。


技术研发人员：莫敏玲 王刚 何志云 王景朗
受保护的技术使用者：广东蓝鲲海洋科技有限公司
技术研发日：2021.12.24
技术公布日：2022/4/1