深海冷泉生态系统典型物种的识别统计方法及系统

本发明涉及深海冷泉物种统计，特别涉及一种深海冷泉生态系统典型物种的识别统计方法及系统。

背景技术：

1、深海冷泉区域中由于在深海复杂特殊环境中对光学图像本身获取、压缩和传输过程中容易遭不可避免的损失，现阶段常见海洋生物识别方法对深海区域生物和非生物的图像识别无法通过迁移学习的方式使用。图像损失因素包括：成像设备限制、相机抖动、有损压缩、传输信号衰减等；深海环境中湍流、悬浮物等复杂环境因素还会引起光照散射、衰减与相机散焦等问题；这些因素使得水下光学图像质量更低，产生严重的颜色失真、细节缺失、对比度下降与模糊等多种退化问题，对图像分类、目标检测等高层(high level)任务带来诸多困难，限制了无人设备水下自主识别与探测的性能与应用，尤其是小目标检测精度。因此浅水海域的海洋生物图像识别模型在深海冷泉区域并无法适用。

2、同时深海冷泉区域生态系统具有大尺度多密度的特殊背景，传统的生物检测与图像识别并不适合在该背景下的运用。这类因素包括：深海海底地理条件导致的不规则海底地理环境使得生物分布分散、深海冷泉区域生态系统伴随着冷泉发育阶段具有阶段性分布使得不同种生物呈群落密集堆叠等。这些因素造成了深海冷泉区域大尺度多密度环境下生物测算的难点。

技术实现思路

1、本发明的为了解决背景技术中提到的技术问题之一，而提供一种深深海冷泉生态系统典型物种的识别统计方法及识别统计系统，利用搭建多个处理模型，将深海冷泉图像中物种按照密度区分处理再进行识别统计。

2、为了达到上述目的，本发明的技术方案有：

3、作为本技术的一方面，提供一种深海冷泉生态系统典型物种的识别统计方法，包括以下步骤：

4、获取包含物种信息的目标图像；

5、构建图像检测网络模型，在图像检测网络模型中设定物种密度特征，将所述目标图像输入第一神经网络模型中，按照物种密度特征进行图像分割，从目标图像中提取低密度小图和高密度小图；

6、构建语义分割模型，接收由图像检测网络模型输出的低密度小图，基于低密度小图进行获取各个物种按照色块区分标识的第一物种分布图，并根据第一物种分布图获取第一物种识别统计结果；

7、构建卷积神经网络模型，接收由图像检测网络模型输出的高密度小图，将获取的多个高密度小图进行卷积处理，而获得第二物种分布图，并根据第二物种分布获取第二物种识别统计结果；

8、结合第一物种识别统计结果和第二物种识别统计结果获得当前深海冷泉区域的典型物种识别统计数据。

9、进一步的，所述构建图像检测网络模型，在图像检测网络模型中设定物种密度特征，将所述目标图像输入第一神经网络模型中，按照物种密度阈值进行图像分割，从目标图像中提取低密度小图和高密度小图，具体包括：

10、构建yolov5网络结构模型，其中yolov5网络结构模型包括backbone层、neck层以及head层；

11、将所述目标图像输入backbone层中处理，并将目标图像分割成多个小图；

12、通过将分割成的多个小图中获取物种分布的密度特征，按照各个小图的密度特征进行区分为低密度小图和高密度小图。

13、进一步的，在所述构建图像检测网络模型，在图像检测网络模型中设定物种密度特征，将所述目标图像输入第一神经网络模型中，按照物种密度阈值进行图像分割，从目标图像中提取低密度小图和高密度小图之后，还包括：

14、向neck层输入获取的低密度小图，对低密度小图进行卷积层通道数扩充，并获得处理后的低密度小图；

15、将处理后的低密度小图输入至head层，由head层进行输出。

16、进一步的，所述构建语义分割模型，接收由图像检测网络模型输出的低密度小图，基于低密度小图进行获取各个物种按照色块区分标识的第一物种分布图，并根据第一物种分布图获取第一物种识别统计结果，具体包括：

17、构建包括encoder模块和decoder模块的语义分割模型，其中，encoder模块用于用于将低密度小图中的包含的各个物种进行特征标识，decoder模块用于将具有各个物种特征标识的低密度小图进行图像像素恢复；

18、对输入的低密度小图进行图像特征提取，通过encoder模块将不同种类物种的特征识别并记录，并进行物种分类并标注，以获得低密度小图对应的包含色块标注的特征图；

19、通过decoder模块将encoder获得的特征图进行多个上采样操作，获得第一物种分布图，并根据第一物种分布图获取第一物种识别结果。

20、进一步的，所述构建卷积神经网络模型，接收由图像检测网络模型输出的高密度小图，将获取的多个高密度小图进行卷积处理，而获得第二物种分布图，并根据第二物种分布图获取第二物种识别统计结果，具体包括：

21、构建包括有多个卷积神经网络通道的卷积神经网络模型；

22、获取由图像检测网络模型输出的高密度小图，将获取的多个高密度小图依次通过多个卷积神经网络通道，并按次序获取对应的特征层；

23、将多个特征层合并叠加获得多个基于高密度小图进行分割的小图像，由多个小图像基于目标图像的拼接契合位置拼接形成第二物种分布图，并根据第二物种分布图获得第二物种识别统计结果。

24、作为本技术的第二方面，一种识别统计系统，包括：

25、图像获取单元，用于获取包含物种信息的目标图像；

26、图像分类处理单元，用于构建图像检测网络模型，在图像检测网络模型中设定物种密度特征，将所述目标图像输入第一神经网络模型中，按照物种密度特征进行图像分割，从目标图像中提取低密度小图和高密度小图；

27、第一识别统计结果获取单元，用于构建语义分割模型，接收由图像检测网络模型输出的低密度小图，基于低密度小图进行获取各个物种按照色块区分标识的第一物种分布图，并根据第一物种分布图获取第一物种识别统计结果；；

28、第二识别统计结果获取单元，用于构建卷积神经网络模型，接收由图像检测网络模型输出的高密度小图，将获取的多个高密度小图进行卷积处理，而获得第二物种分布图，并根据第二物种分布获取第二物种识别统计结果；

29、图像识别统计单元，用于结合第一物种识别统计结果和第二物种识别统计结果获得当前深海冷泉区域的典型物种识别统计数据。

30、进一步的，所述图像分类处理单元包括：

31、第一模型子单元，用于构建yolov5网络结构模型，其中yolov5网络结构模型包括backbone层、neck层以及head层；

32、第一处理子单元，用于将所述目标图像输入backbone层中处理，并将目标图像分割成多个小图；

33、第二处理子单元，通过将分割成的多个小图中获取物种分布的密度特征，按照各个小图的密度特征进行区分为低密度小图和高密度小图。

34、进一步的，所述图像分类处理单元还包括：

35、第三处理子单元，用于向neck层输入获取的低密度小图，对低密度小图进行卷积层通道数扩充，并获得处理后的低密度小图，将处理后的低密度小图输入至head层，由head层进行输出。

36、进一步的，所述第一识别统计结果获取单元包括：

37、第二模型子单元，用于构建包括encoder模块和decoder模块的语义分割模型，其中，encoder模块用于用于将低密度小图中的包含的各个物种进行特征标识，decoder模块用于将具有各个物种特征标识的低密度小图进行图像像素恢复；

38、第四处理子单元，用于对输入的低密度小图进行图像特征提取，通过encoder模块将不同种类物种的特征识别并记录，并进行物种分类并标注，以获得低密度小图对应的包含色块标注的特征图；

39、第一结果获取子单元，用于通过decoder模块将encoder获得的特征图进行多个上采样操作，获得第一物种分布图，并根据第一物种分布图获取第一物种识别结果。

40、进一步的，所述第二识别统计结果获取单元包括：

41、第三模型子单元，用于构建包括有多个卷积神经网络通道的卷积神经网络模型；

42、第五处理子单元，用于获取由图像检测网络模型输出的高密度小图，将获取的多个高密度小图依次通过多个卷积神经网络通道，并按次序获取对应的特征层；

43、第二结果获取子单元，用于将多个特征层合并叠加获得多个基于高密度小图进行分割的小图像，由多个小图像基于目标图像的拼接契合位置拼接形成第二物种分布图，并根据第二物种分布图获得第二物种识别统计结果。

44、为了更好地理解和实施，下面结合附图详细说明本发明。