一种基于扫描图谱的浮游生物识别方法、系统及介质技术方案

本发明专利技术公开了一种基于扫描图谱的浮游生物识别方法、系统及介质，通过获取目标区域中的环境特征信息、位置特征信息和浮游生物高光谱图像信息，对目标区域中的环境特征信息、位置特征信息和浮游生物高光谱图像信息预处理后，分别输入预识别模型和特征提取模型，得到预识别信息和标准特征信息，将得到的预识别信息和标准特征信息输入至识别模型中，最后得到目标区域中适生的浮游生物基本种类信息、目标区域的气候特征信息和目标区域中的浮游生物的基本信息。本发明专利技术通过多种数据结合识别浮游生物的基本信息，提高了识别结果的准确性，同时得到目标区域的气候特征信息和适生的浮游生物基本种类信息，预测目标区域的浮游生物的未来生长趋势。未来生长趋势。未来生长趋势。

【技术实现步骤摘要】
一种基于扫描图谱的浮游生物识别方法、系统及介质


[0001]本专利技术涉及高光谱图像识别
，尤其涉及一种基于扫描图谱的浮游生物识别方法、系统及介质。

技术介绍

[0002]地球上的水域中包含了许多的种类的生物，浮游生物在地球上的水域中是一个数量极多种类极多的生物种群，浮游生物是指生活于水中而缺乏有效移动能力的漂流生物，包括浮游植物和浮游动物，极大多数时候都是悬浮在水面。因为浮游生物存货不仅受水体的基本营养物质影响，同时还会随气候的变换交替影响，所以识别出目标区域的气候特征也能成为识别浮游生物的一个依据，从而更加准确的识别浮游生物的基本信息。
[0003]随着科技的发展，浮游生物的识别技术大多都对采集的图像识别为主流，对采集的图像进行更加精确的识别处理，导致识别参考数据比较单一，结合其他的浮游生物特征信息一起判断识别可以更加精确的识别出目标区域浮游生物的基本信息。

技术实现思路

[0004]本专利技术克服了现有技术的缺陷，提出了一种基于扫描图谱的浮游生物识别方法、系统及介质，其主要目的在于提高浮游生物识别的准确性。
[0005]为实现上述目的，本专利技术第一方面提供了一种基于扫描图谱的浮游生物识别方法，包括：建立对比数据库，存储收集的各种用于识别对比的特征信息；构建神经网络模型，通过训练数据集对构建的神经网络模型进行深度的学习和训练，得到符合期望的神经网络模型；采集目标区域中的环境特征信息、位置特征信息和浮游生物高光谱图像信息，对所述环境特征信息、位置特征信息和浮游生物高光谱图像信息进行预处理；通过预识别模型将采集的环境特征信息和位置特征信息与数据库中历史各种浮游生物生存区域位置特征信息和环境特征信息进行比对，得到预识别信息；通过特征提取模型对预处理后的浮游生物高光谱图像信息数据进行再处理，得到浮游生物的标准特征信息数据；通过识别模型识别判断目标区域中浮游生物的种类信息、大小信息和数量信息；将预识别信息、识别信息及采集的环境特征信息、位置特征信息与对比数据库中影响浮游生物生长情况的环境特征信息和气候特征信息进行相似度计算，得到目标区域浮游生物的生长趋势预测信息。
[0006]本方案中，所述建立对比数据库，存储收集的各种用于识别对比的特征信息，具体为：收集历史出现的不同种类浮游生物生存的环境特征信息，包括温度、PH值、光照强度、盐度及水流速度；
收集历史出现的各种浮游生物生存位置特征信息；收集历史出现的各种浮游生物的特征信息，包括颜色特征信息、纹理特征信息、形态特征信息；收集历史上不同经纬度区域的气候特征信息；收集历史上影响浮游生物生长情况的环境特征信息和气候特征信息；根据以上收集的信息建立对比数据库，存储以上收集的信息。
[0007]本方案中，所述通过训练数据集对构建的神经网络模型进行深度的学习和训练，得到符合期望的神经网络模型，具体为：基于BP神经网络构建预识别模型，基于CNN神经网络构建特征提取模型和识别模型；通过不同种类浮游生物生存的环境特征信息和各种浮游生物生存位置特征信息构成预识别训练数据集；通过各种浮游生物的小波特征信息和颜色特征信息构成特征提取训练数据集；通过将小波特征信息、颜色特征信息和预识别信息构成识别训练数据集；分别使用以上所述的训练数据集对相应的神经网络模型进行深度学习和训练，得到符合期望的神经网络模型。
[0008]本方案中，所述对所述环境特征信息、位置特征信息和浮游生物高光谱图像信息进行预处理，具体为：通过高光谱遥感影像拍摄技术采集目标区域中浮游生物的高光谱图像信息；通过环境采集传感器采集目标区域的环境特征信息，包括温度、PH值、光照强度、盐度及水流速度；采集目标区域的经度信息和纬度信息作为目标区域的位置特征信息；对所述浮游生物高光谱图像信息进行预筛选处理，筛选含有浮游生物高光谱特征的图像信息；对以上采集的信息进行降噪、滤波处理。
[0009]本方案中，所述通过预识别模型将采集的环境特征信息和位置特征信息与数据库中历史各种浮游生物生存区域位置特征信息和环境特征信息进行比对，得到预识别信息，具体为：将采集的目标区域环境特征信息和位置特征信息输入至预识别模型；通过采集的环境特征信息和位置特征信息与数据库中历史各种浮游生物生存区域环境特征信息和位置特征信息进行比对计算；得到预识别信息，包括目标区域中适生的浮游生物种类信息和目标区域的气候特征信息。
[0010]本方案中，所述通过特征提取模型对预处理后的浮游生物高光谱图像信息数据进行再处理，得到浮游生物的标准特征信息数据，具体为：将所述预处理后的浮游生物高光谱图像信息输入至特征提取模型；对输入的预处理后的浮游生物高光谱图像信息进行多贝西小波变换，提取小波特征信息；对输入的预处理后的浮游生物高光谱图像信息进行颜色特征信提取，得到颜色特
征信息；将小波特征信息和颜色特征信息融合为标准特征信息数据。
[0011]本方案中，所述通过识别模型识别判断目标区域中浮游生物的种类信息、大小信息和数量信息，具体为：将预识别信息数据和标准特征信息数据输入至识别模型，得到识别计算值；将识别计算值与预设阈值进行判断，得到目标区域浮游生物的种类信息、大小信息和数量信息；若识别计算值大于预设阈值，得到目标区域浮游生物的种类；若识别计算值小于预设阈值，则继续识别目标区域浮游生物的种类；通过目标区域浮游生物的小波特征信息与预处理后的浮游生物高光谱图像信息占比关系，计算得到目标区域浮游生物的数量和大小。
[0012]本方案中，所述将预识别信息、识别信息及采集的环境特征信息、位置特征信息与对比数据库中影响浮游生物生长情况的环境特征信息和气候特征信息进行相似度计算，得到目标区域浮游生物的生长趋势预测信息，具体为：将预识别信息、识别信息及采集的环境特征信息、位置特征信息与对比数据库中影响浮游生物生长情况的环境特征信息和气候特征信息进行相似度计算，得到相似度值；将得到的相似度值与预设阈值进行判断，得到目标区域浮游生物的生长趋势预测信息；若相似度值大于预设阈值，则得到目标区域浮游生物未来生长趋势为骤增或骤减的其中一种生长趋势预测信息；若相似度值小于预设阈值，则得到目标区域浮游生物未来生长趋势稳定的生长趋势预测信息。
[0013]本专利技术第二方面还提供了一种基于扫描图谱的浮游生物识别系统，该系统包括：存储器和处理器，所述存储器中包括用于基于扫描图谱的浮游生物识别的方法程序，所述用于基于扫描图谱的浮游生物识别的方法程序被所述处理器执行时实现如下步骤：建立对比数据库，存储收集的各种用于识别对比的特征信息；构建神经网络模型，通过训练数据集对构建的神经网络模型进行深度的学习和训练，得到符合期望的神经网络模型；采集目标区域中的环境特征信息、位置特征信息和浮游生物高光谱图像信息，对所述环境特征信息、位置特征信息和浮游生物高光谱图像信息进行预处理；通过预识别模型将采集的环境特征信息和位置特征信息与数据库中历史各种浮游生物生存区域位置特征信息和环境特征信息进行比对，得到预识别信息；通过特征提取模型对预处理后的浮游生物高光谱图像信息数据进行再处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于扫描图谱的浮游生物识别方法，其特征在于，包括:建立对比数据库，存储收集的各种用于识别对比的特征信息；构建神经网络模型，通过训练数据集对构建的神经网络模型进行深度的学习和训练，得到符合期望的神经网络模型；采集目标区域中的环境特征信息、位置特征信息和浮游生物高光谱图像信息，对所述环境特征信息、位置特征信息和浮游生物高光谱图像信息进行预处理；通过预识别模型将采集的环境特征信息和位置特征信息与数据库中历史各种浮游生物生存区域位置特征信息和环境特征信息进行比对，得到预识别信息；通过特征提取模型对预处理后的浮游生物高光谱图像信息数据进行再处理，得到浮游生物的标准特征信息数据；通过识别模型识别判断目标区域中浮游生物的种类信息、大小信息和数量信息；将预识别信息、识别信息及采集的环境特征信息、位置特征信息与对比数据库中影响浮游生物生长情况的环境特征信息和气候特征信息进行相似度计算，得到目标区域浮游生物的生长趋势预测信息。2.根据权利要求1所述的一种基于扫描图谱的浮游生物识别方法，其特征在于，所述建立对比数据库，存储收集的各种用于识别对比的特征信息，具体包括：收集历史出现的不同种类浮游生物生存的环境特征信息，包括温度、PH值、光照强度、盐度及水流速度；收集历史出现的各种浮游生物生存位置特征信息；收集历史出现的各种浮游生物的特征信息，包括颜色特征信息、纹理特征信息、形态特征信息；收集历史上不同经纬度区域的气候特征信息；收集历史上影响浮游生物生长情况的环境特征信息和气候特征信息；根据以上收集的信息建立对比数据库，存储以上收集的信息。3.根据权利要求1所述的一种基于扫描图谱的浮游生物识别方法，其特征在于，所述通过训练数据集对构建的神经网络模型进行深度的学习和训练，得到符合期望的神经网络模型，具体包括：基于BP神经网络构建预识别模型，基于CNN神经网络构建特征提取模型和识别模型；通过不同种类浮游生物生存的环境特征信息和各种浮游生物生存位置特征信息构成预识别训练数据集；通过各种浮游生物的小波特征信息和颜色特征信息构成特征提取训练数据集；通过将小波特征信息、颜色特征信息和预识别信息构成识别训练数据集；通过训练数据集对相应的神经网络模型进行深度学习和训练，得到符合期望的神经网络模型。4.根据权利要求1所述的一种基于扫描图谱的浮游生物识别方法，其特征在于，所述对所述环境特征信息、位置特征信息和浮游生物高光谱图像信息进行预处理，具体包括：通过高光谱遥感影像拍摄技术采集目标区域中的浮游生物高光谱图像信息；通过环境采集传感器采集目标区域的环境特征信息，包括温度、PH值、光照强度、盐度及水流速度；
采集目标区域的经度信息和纬度信息作为目标区域的位置特征信息；对所述浮游生物高光谱图像信息进行预筛选处理，筛选含有浮游生物高光谱特征的图像信息；对以上采集的信息进行降噪、滤波处理。5.根据权利要求1所述的一种基于扫描图谱的浮游生物识别方法，其特征在于，所述通过预识别模型将采集的环境特征信息和位置特征信息与数据库中历史各种浮游生物生存区域位置特征信息和环境特征信息进行比对，得到预识别信息，具体包括;将采集的目标区域环境特征信息和位置特征信息输入至预识别模型；通过采集的环境特征信息和位置特征信息与数据库中历史各种浮游生物生存区域环境特征信息和位置特征信息进行比对计算；得到预识别信息，包括目标区域中适生的浮游生物种类信息和目标区域的气候特征信息。6.根据权利要求...

【专利技术属性】
技术研发人员：刘庆霞，黄洪辉，刘华雪，吴风霞，
申请(专利权)人：中国水产科学研究院南海水产研究所，
类型：发明
国别省市：