一种生态环保类案件的证据要素识别方法及相关设备

本发明涉及人工智能和司法，特别涉及一种生态环保类案件的证据要素识别方法及相关设备。

背景技术：

1、近年来，由于全球气候异常、土壤和水体严重污染等导致的整个生态系统失衡，严重威胁着人类生存和发展。随着人们对环境的保护意识越来越强烈，污染环境等违法行为更多的被大众注意到，生态环境保护作为一个全球性的问题越来越受到世界各国政府的重视。而生态环保类案件具有更为复杂的案件要素，其案情一般错综复杂，不同因素之间的因果关系相互关联，因此证据的准确性和充分性对于案件的胜诉至关重要。目前，传统的证据获取方法主要有以下几种：

2、(1)基于人工劳动力的证据采集方法：这种方法依赖于人工收集和筛选证据数据，比较繁琐且耗费人力和时间，准确度和效率都存在不足；

3、(2)基于机器学习的自动图像分析技术：这种技术利用计算机视觉和机器学习算法，将采集的图片进行自动分析和识别，但是同样会存在准确度和识别率不高的问题，无法覆盖更广泛的证据范围；

4、(3)监控和采集系统或工具：现有的一些监控和采集系统或工具，如业务监管系统和智能硬件设备，能够收集环保案件的相关信息和证据材料，但仍需要人工对数据进行分析和研判，无法实现证据自动分类和分析。

技术实现思路

1、本发明提供了一种生态环保类案件的证据要素识别方法及相关设备，其目的是为了提高获取生态环保类案件证据的效率和准确性。

2、为了达到上述目的，本发明提供了一种生态环保类案件的证据要素识别方法，包括：

3、步骤1，采集与目标生态环保类案件相关的物理信息数据和数字信息数据，物理信息数据包括利用监测设备获取的与目标生态环保类案件相关的环境监测数据，数字信息数据包括与目标生态环保案件相关的文本信息数据、图像信息数据和视频信息数据；

4、步骤2，基于马尔科夫链蒙特卡洛算法建立包括敏感性分析模块的自适应采样模型，将物理信息数据和数字信息数据输入自适应采样模型，通过敏感性分析模块分析物理信息数据和数字信息数据的重要性和敏感度，并依据重要性和敏感度对物理信息数据和数字信息数据进行自适应采样，得到关键证据数据；

5、步骤3，将关键证据数据输入引入有自监督学习机制的注意力分布模型进行特征提取，得到关键证据数据的空间特征、关键证据数据中的全局空间关系和时间关系，并将关键证据数据的空间特征、关键证据数据中的全局空间关系和时间关系进行整合得到关键证据要素特征向量；关键证据数据的局部空间特征包括生态环境的纹理特征、形状特征、污染特征和结构特征；全局空间关系和时间关系为关键证据数据中上下文信息的关系和时序关系；

6、步骤4，将关键证据要素特征向量输入证据要素识别模型进行识别，得到目标生态环保类案件的证据要素识别结果；

7、注意力分布模型包括：嵌入模块、长短期记忆模块、卷积神经网络模块和融合模块；嵌入模块的输入端与长短期记忆模块的输入端连接，长短期记忆模块的输出端与卷积神经网络模块的输入端连接，卷积神经网络模块的输出端、长短期记忆模块的输出端均与融合模块的输入端连接，融合模块的输出端与证据要素识别模型的输入端连接。

8、进一步来说，在步骤2之前，还包括：

9、将物理信息数据和数字信息数据进行预处理，得到预处理后的物理信息数据和数字信息数据；

10、将预处理后的物理信息数据和预处理后的数字信息数据输入自适应采样模型进行自适应采样。

11、进一步来说，自适应采样模型包括：

12、依次连接的马尔科夫链蒙特卡洛模块、敏感性分析模块和自适应采样模块；

13、将预处理后的物理信息数据和预处理后的数字信息数据输入马尔科夫链蒙特卡洛算法进行采样，得到满足预设概率分布的物理信息数据和数字信息数据；

14、将满足预设概率的物理输信息数据和数字信息数据输入敏感性分析模块，通过敏感性分析模块对满足预设概率分布的物理信息数据和数字信息数据的重要性和敏感度进行分析，得到物理信息数据和数字信息数据的重要性和敏感度以及采样权重；

15、将物理信息数据和数字信息数据的重要性和敏感度以及采样权重输入自适应采样模块，通过自适应采样模块自适应调整物理信息数据和数字信息数据的采样概率，得到关键证据数据。

16、进一步来说，注意力分布模型还包括：

17、卷积模块和池化模块；

18、卷积模块的输入端与长短期记忆模块的输出端连接，卷积层的输出端与池化模块的输入端连接，池化模块的输出端与卷积神经网络模块的输入端连接。

19、进一步来说，步骤3包括：

20、将关键证据数据输入注意力分布模型的嵌入模块进行转换，得到关键证据数据的向量；

21、通过长短期记忆模块中对向量进行特征提取，得到序列数据特征；

22、将序列数据特征输入卷积模块进行第一次特征提取，得到局部空间特征并生成特征映射；

23、将特征映射输入池化模块进行第二次特征提取，得到结构特征；

24、将局部空间特征和结构特征输入卷积神经网络模块进行特征提取，得到关键证据数据中的全局空间关系和时间关系；

25、将局部空间特征、结构特征和关键证据数据中的全局空间关系和时间关系输入融合模块进行加权融合，得到关键证据要素特征向量。

26、进一步来说，在将关键证据要素特征向量输入证据要素识别模型进行识别之前，还包括：

27、通过分类器将关键证据要素特征向量进行分类，得到文本特征向量、图像特征向量和视频特征向量；

28、将文本特征向量、图像特征向量和视频特征向量输入证据要素识别模型进行识别。

29、进一步来说，证据要素识别模型包括：

30、第一转换模块、第二转换模块、第三转换模块、多任务学习模块和注意力模块；

31、第一转换模块的输入端、第二转换模块的输入端和第三转换模块的输入端均与分类器的输出端连接，第一转换模块的输出端、第二转换模块的输出端、第三转换模块的输出端均与多任务学习模块的输入端连接，多任务学习模块的输出端与注意力模块的输入端连接；

32、将文本特征向量、图像特征向量和视频特征向量分别输入第一转换模块、第二转换模块和第三转换模块进行转换，得到文本数据、图像数据和关键帧图像；

33、将文本数据、图像数据和关键帧图像均输入多任务学习模块进行多任务学习，得到学习后的文本数据、学习后的图像数据和学习后关键帧图像；

34、将学习后的文本数据、学习后的图像数据和学习后关键帧图像输入注意力模块进行识别，得到目标生态环保类案件的证据要素识别结果，证据要素识别结果包括：学习后的文本数据的类别预测概率分布、学习后的图像数据和类别标签和学习后的关键帧图像的关键帧。

35、进一步来说，在步骤4之后，还包括：

36、采用图神经网络对证据要素识别结果中各证据要素之间的关系进行抽取，得到各证据要素之间的关联关系；

37、对各证据要素之间的关联关系进行分类整理，得到分类结果；

38、基于分类结果，通过关联规则学习算法查找各证据要素之间的频繁模式，得到重点事件；

39、根据关联关系和重点事件，得到目标生态环保类案件的疑点及其证明方向；

40、根据疑点及其证明方向提取关联信息和线索，用于构建目标生态环保类案件的证据链。

41、本发明还提供了一种计算机存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现生态环保类案件的证据要素识别方法。

42、本发明还提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现生态环保类案件的证据要素识别方法。

43、本发明的上述方案有如下的有益效果：

44、本发明与现有技术相比，通过自适应采样模型对采集与目标生态环保类案件相关的物理信息数据和数字信息数据进行自适应采样，得到关键证据数据，极大地提高了数据获取的效率；将关键证据数据输入注意力分布模型进行特征提取，得到关键证据要素特征向量；将关键证据要素特征向量输入证据要素识别模型进行识别，得到目标生态环保类案件的证据要素识别结果，能够更准确的筛选出关键证据要素的特征，提高了证据的准确性和充分性，帮助解决生态环境的法律纠纷问题，有利于帮助实现关于生态环保类案件的司法公正。

45、本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。