CN115830436A - 一种基于深度学习的海洋生物智能检测方法 - Google Patents

Abstract

本发明属于海洋生物智能检测技术领域，公开了一种基于深度学习的海洋生物智能检测方法，本发明通过对海洋生物调查数据进行检核方法从数据的齐全性、规范性及准确性对目标海洋生物调查数据进行检核，特别是实现了对目标海洋生物种名称的快速检核和批量修正，检核更加全面、准确性更高且速度快，由此看出本发明实施例的目标海洋生物调查数据快速检核方法及装置更能满足目标海洋生物调查数据后期数据使用的实际需求；同时，通过对海洋生物进行识别方法根据深度学习的方法进行特征自主学习过程，可以学习到数据内在的本质信息，有助于提高识别率和算法的鲁棒性，可对目标类别数据进行准确识别预测。

Description

一种基于深度学习的海洋生物智能检测方法

技术领域

本发明属于海洋生物智能检测技术领域，尤其涉及一种基于深度学习的海洋生物智能检测方法。

背景技术

海洋生物，生物学术语，是指海洋里有生命的物种，包括海洋动物、海洋植物、微生物及病毒等，其中海洋动物包括无脊椎动物和脊椎动物。无脊椎动物包括各种螺类和贝类。脊椎动物包括各种鱼类和大型海洋动物，如鲸鱼，鲨鱼等。海洋生物，按照分布情况大致可以分为水域海洋生物和滩涂海洋生物两大类。在水域海洋生物中，鱼类、头足类(例如我们常吃的乌贼，也叫墨鱼)和虾、蟹类是最主要的海洋生物。其中以鱼类的品种最多，数量最大，构成了水域海洋生物的主体；然而，现有基于深度学习的海洋生物智能检测方法对目标海洋生物调查数据采用经验检核方式，而经验检核与技术人员的经验积累程度息息相关，没有统一的步骤方法，不同的技术人员对目标海洋生物调查数据的检核会有不同的方法、不同的标准及不同的步骤，无法形成统一的结果；同时，不能对目标海洋生物进行准确识别。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有基于深度学习的海洋生物智能检测方法对目标海洋生物调查数据采用经验检核方式，而经验检核与技术人员的经验积累程度息息相关，没有统一的步骤方法，不同的技术人员对目标海洋生物调查数据的检核会有不同的方法、不同的标准及不同的步骤，无法形成统一的结果。

(2)不能对目标海洋生物进行准确识别。

发明内容

针对现有技术存在的问题，本发明提供了一种基于深度学习的海洋生物智能检测方法。

本发明是这样实现的，一种基于深度学习的海洋生物智能检测方法包括：

步骤一，对若干种海洋生物图像的数据进行预设，并对目标物种类的海洋生物图像进行标注，并对标注图像进行强化；

步骤二，利用数据收集模块对采集的水下环境中的海洋生物数据和海洋生物图像进行获取，并将采集的数据划分为ImageNet数据集、海洋生物细粒度图像分类数据集和海洋生物数据集；

步骤三，对各个数据集进行预处理和数据增广，对海洋生物调查数据进行检核；

步骤四，构建使用可变形卷积改进的YOLOV3检测器；

步骤五，利用标注后的目标物种类的海洋生物图像对YOLOV3检测器进行训练，部署训练好的模型用于海洋生物目标的检测任务；

步骤六，选取部分初始ImageNet数据集、海洋生物细粒度图像分类数据集和海洋生物数据集对海洋生物进行识别。

进一步，所述步骤一对标注图像进行强化的具体步骤包括：

对标注图像进行图像增强处理，获取增强图像，然后将多张增强图像按照预设规则进行任意的裁剪，将裁剪后的图像进行拼接，融合成一张图像。

进一步，所述步骤三对各个数据集进行预处理和数据增广的具体步骤包括：

(1)将需要预处理的数据集中的原始图像进行灰度处理，转换为灰度图像序列，利用直方图均衡化对转换后的灰度图像进行低照度图像增强，并对增强后的图像进行基于小波阈值的图像降噪处理；

(2)降噪处理后对原始图像进行增广处理，对目标图像进行锐化处理，输入目标图像时对目标图像的各个波段采用高通滤波的方式进行锐化处理；

(3)将锐化处理后的目标图像、灰度处理后得到的灰度图像序列以及图像降噪处理后得到的原始图像作为训练集；

(4)将进行图像变换、图像裁剪、色彩抖动以及噪声扰动处理后得到的目标图像进行归一化处理，归一化至至[0,1]范围内，作为数据集，并去除数据集中的类不平衡现象，并利用小波变换去除数据集中的冗余。

进一步，步骤(2)中的增广处理包括进行高斯模糊、改变亮度和对比度、仿射变换、透视变和动态模糊处理、图像变换、图像裁剪、色彩抖动以及噪声扰动处理，得到一个目标图像。

进一步，所述步骤四中的YOLOV3检测器的网络结构包括：CSPDarkNet53骨干特征提取网络、空间金字塔池化网络和路径聚合网络、并行注意力机制部分和采用BBoxVoting方法的目标框后处理网络；

空间金字塔池化网络掺杂在CSPDarkNet53最后一个卷积层中，路径聚合网络用于实现对特征的反复提取，实现特征融合从浅到深和从深到浅的过程；

通过SPP与PANet所获得的P1、P2、P3在经过并行注意力机制后分别对应目标框后处理网络中13×13×18、26×26×18、52×52×18三种不同尺寸的预测结果，实现对大、中、小海洋生物目标的检测。

进一步，所述空间金字塔池化网络分别利用四个不同尺度的最大池化Maxpool进行处理；最大池化的池化核大小分别为13×13、9×9、5×5、1×1。

进一步，所述步骤五利用标注后的目标物种类的海洋生物图像对YOLOV3检测器进行训练的具体步骤包括：

读取参数文件，加载在大规模图像分类数据集上预训练的模型权重；

从处理生成的数据集中读取图像，划分训练集和验证集；

通过采样后再卷积的方式，融合三张不同尺度下的特征图上所包含的信息，供后续执行预测；

使用两分支的头部网络，在三张特征图上的每一个网格处各预测出三个目标框，并给出它们的位置信息和类别信息；

采用BBoxVoting的方法对目标框进行后处理，得到最终的预测结果。

进一步，所述划分训练集和验证集后，将训练数据分批次输入到骨干特征提取网络中，经过连续的卷积处理，生成三张尺度分别为13*13、26*26和52*52的特征图，供后续特征融合。

进一步，所述步骤三对海洋生物调查数据进行检核的具体方法包括：

(1)构建海洋生物数据库，根据目标海洋生物调查要素的类型，对目标海洋生物调查数据分类；将获取的海洋数据存入海洋数据库中；

(2)对所述分类后的每类目标海洋生物调查数据进行齐全性检核、规范性检核及准确性检核，实现物种名称的一站式批量质控，并生成检核结果；

(3)根据所述检核结果统一目标海洋生物调查数据格式、规范物种名称、修改错误数据、提高数据质量，为海洋生态环境状况研究、预测海洋生态环境变化趋势提供高质量数据支持。

进一步，所述齐全性检核包括：根据按照目标海洋生物调查数据的类型设置的关键字参数，通过检索所述关键字参数所对应的目标海洋生物调查数据是否填写完整，检核所述目标海洋生物调查数据的齐全性；

所述规范性检核包括：参数名称规范性检核、参数数据的格式检核及数据补齐规范性检核。

结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：

第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：

本发明通过对海洋生物调查数据进行检核方法从数据的齐全性、规范性及准确性对目标海洋生物调查数据进行检核，特别是实现了对目标海洋生物种名称的快速检核和批量修正，检核更加全面、准确性更高且速度快，由此看出本发明实施例的目标海洋生物调查数据快速检核方法及装置更能满足目标海洋生物调查数据后期数据使用的实际需求；同时，通过对海洋生物进行识别方法根据深度学习的方法进行特征自主学习过程，可以学习到数据内在的本质信息，有助于提高识别率和算法的鲁棒性，可对目标类别数据进行准确识别预测。

第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：

本发明可以学习到数据内在的本质信息，有助于提高识别率和算法的鲁棒性，可对目标类别数据进行准确识别预测。

附图说明

图1是本发明实施例提供的基于深度学习的海洋生物智能检测方法的流程图；

图2是本发明实施例提供的对各个数据集进行预处理和数据增广的方法流程图；

图3是本发明实施例提供的对海洋生物调查数据进行检核方法流程图；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。

如图1所示，本发明实施例提供的基于深度学习的海洋生物智能检测方法包括以下步骤：

S101，对若干种海洋生物图像的数据进行预设，并对目标物种类的海洋生物图像进行标注，并对标注图像进行强化；

S102，利用数据收集模块对采集的水下环境中的海洋生物数据和海洋生物图像进行获取，并将采集的数据划分为ImageNet数据集、海洋生物细粒度图像分类数据集和海洋生物数据集；

S103，对各个数据集进行预处理和数据增广，对海洋生物调查数据进行检核；

S104，构建使用可变形卷积改进的YOLOV3检测器；

S105，利用标注后的目标物种类的海洋生物图像对YOLOV3检测器进行训练，部署训练好的模型用于海洋生物目标的检测任务；

S106，选取部分初始ImageNet数据集、海洋生物细粒度图像分类数据集和海洋生物数据集对海洋生物进行识别。

本发明通过对海洋生物调查数据进行检核方法从数据的齐全性、规范性及准确性对目标海洋生物调查数据进行检核，特别是实现了对目标海洋生物种名称的快速检核和批量修正，检核更加全面、准确性更高且速度快，由此看出本发明实施例的目标海洋生物调查数据快速检核方法及装置更能满足目标海洋生物调查数据后期数据使用的实际需求；同时，通过对海洋生物进行识别方法根据深度学习的方法进行特征自主学习过程，可以学习到数据内在的本质信息，有助于提高识别率和算法的鲁棒性，可对目标类别数据进行准确识别预测。

本发明实施例中的步骤S101对标注图像进行强化的具体步骤包括：

对标注图像进行图像增强处理，获取增强图像，然后将多张增强图像按照预设规则进行任意的裁剪，将裁剪后的图像进行拼接，融合成一张图像。

如图2所示，本发明实施例中的步骤S103对各个数据集进行预处理和数据增广的具体步骤包括：

S201，将需要预处理的数据集中的原始图像进行灰度处理，转换为灰度图像序列，利用直方图均衡化对转换后的灰度图像进行低照度图像增强，并对增强后的图像进行基于小波阈值的图像降噪处理；

S202，降噪处理后对原始图像进行增广处理，对目标图像进行锐化处理，输入目标图像时对目标图像的各个波段采用高通滤波的方式进行锐化处理；

S203，将锐化处理后的目标图像、灰度处理后得到的灰度图像序列以及图像降噪处理后得到的原始图像作为训练集；

S204，将进行图像变换、图像裁剪、色彩抖动以及噪声扰动处理后得到的目标图像进行归一化处理，归一化至至[0,1]范围内，作为数据集，并去除数据集中的类不平衡现象，并利用小波变换去除数据集中的冗余。

本发明实施例中的步骤S202中的增广处理包括进行高斯模糊、改变亮度和对比度、仿射变换、透视变和动态模糊处理、图像变换、图像裁剪、色彩抖动以及噪声扰动处理，得到一个目标图像。

本发明实施例中的步骤S104中的YOLOV3检测器的网络结构包括：CSPDarkNet53骨干特征提取网络、空间金字塔池化网络和路径聚合网络、并行注意力机制部分和采用BBoxVoting方法的目标框后处理网络；

空间金字塔池化网络掺杂在CSPDarkNet53最后一个卷积层中，路径聚合网络用于实现对特征的反复提取，实现特征融合从浅到深和从深到浅的过程；所述空间金字塔池化网络分别利用四个不同尺度的最大池化Maxpool进行处理；最大池化的池化核大小分别为13×13、9×9、5×5、1×1；

通过SPP与PANet所获得的P1、P2、P3在经过并行注意力机制后分别对应目标框后处理网络中13×13×18、26×26×18、52×52×18三种不同尺寸的预测结果，实现对大、中、小海洋生物目标的检测。

本发明提供的在形成的数据集上训练模型方法：

读取参数文件，加载在大规模图像分类数据集上预训练的模型权重；

从处理生成的数据集中读取图像，划分训练集和验证集；

将训练数据分批次输入到骨干网络中，经过连续的卷积处理，生成三张尺度分别为13*13、26*26和52*52的特征图，供后续特征融合；

通过上采样后再卷积的方式，融合三张不同尺度下的特征图上所包含的信息，供后续执行预测；

使用两分支的头部网络，在三张特征图上的每一个网格处各预测出三个目标框，并给出它们的位置信息和类别信息；

采用BBoxVoting的方法对目标框进行后处理，得到最终的预测结果。

如图3所示，本发明提供的对海洋生物调查数据进行检核方法如下：

S301，构建海洋生物数据库，根据目标海洋生物调查要素的类型，对目标海洋生物调查数据分类；将获取的海洋数据存入海洋数据库中；

S302，对所述分类后的每类目标海洋生物调查数据进行齐全性检核、规范性检核及准确性检核，实现物种名称的一站式批量质控，并生成检核结果；

S303，根据所述检核结果统一目标海洋生物调查数据格式、规范物种名称、修改错误数据、提高数据质量，为海洋生态环境状况研究、预测海洋生态环境变化趋势提供高质量数据支持；

本发明通过对海洋生物调查数据进行检核方法从数据的齐全性、规范性及准确性对目标海洋生物调查数据进行检核，特别是实现了对目标海洋生物种名称的快速检核和批量修正，检核更加全面、准确性更高且速度快，由此看出本发明实施例的目标海洋生物调查数据快速检核方法及装置更能满足目标海洋生物调查数据后期数据使用的实际需求。

所述齐全性检核包括：根据按照目标海洋生物调查数据的类型设置的关键字参数，通过检索所述关键字参数所对应的目标海洋生物调查数据是否填写完整，检核所述目标海洋生物调查数据的齐全性；

所述规范性检核包括：参数名称规范性检核、参数数据的格式检核及数据补齐规范性检核；

其中，上述方法中对分类后的每类目标海洋生物调查数据进行准确性检核，包括：补齐检核，以所述目标海洋生物调查数据中的每条数据记录为一个单元，通过比对每条记录站位、经度及纬度，输出同一站位不同经纬度、同一经纬度不同站位的记录；

站位着陆检核，以每条数据记录为单元，提取不相同的站位、经度、纬度数据生成空间数据，并把所述空间数据作为数据点显示在岸线图中，其中每个所述数据点均与原始数据关联；

数据排重，根据生物数据类型设置排重字段进行排重；

生物名称检核，将目标海洋生物调查数据中的物种名称与预先生成的目标海洋生物标准数据库和目标海洋生物名标准规范表中的物种名称进行匹配，其中包括：将所述目标海洋生物调查数据中的拉丁名与所述目标海洋生物标准数据库中的标准拉丁名进行匹配，如果相同，输出标准中文名及标准拉丁名，实现生物名称检核；否则将所述目标海洋生物调查数据中的中文名与所述目标海洋生物标准数据库中的标准中文名进行匹配，如果相同，输出标准中文名和标准拉丁名，实现生物名称检核；否则通过用户的匹配指令，实现生物名称检核，并将匹配结果作为一条记录储存到目标海洋生物名标准规范表中，次于目标海洋生物标准数据库用于物种名称检核；根据匹配的结果实现生物名称检核。

本发明提供的根据目标海洋生物调查要素的类型，对目标海洋生物调查数据分类，包括：

根据目标海洋生物调查要素的类型，将所述目标海洋生物调查数据分为：叶绿素调查数据、初级生产力调查数据、微生物调查数据、浮游植物调查数据、浮游动物调查数据、底栖生物调查数据、潮间带生物调查数据、鱼类浮游生物调查数据、游泳生物调查数据、红树林群落调查数据、海草床群落调查数据、珊瑚礁群落调查数据及珊瑚礁鱼类调查数据。

本发明提供的对分类后的每类目标海洋生物调查数据进行规范性检核中：

所述参数名称规范性检核，包括为欲检核的参数名称设置标准名称和别名，检索所述目标海洋生物调查数据，当检索到与设置的所述标准名称或所述别名一致的目标海洋生物调查数据时，均返回所述标准名称；

所述参数数据的格式检核，包括将所述目标海洋生物调查数据中的参数数据格式与预先设置的与其对应的标准格式进行比对是否一致，如果不一致，将所述参数数据格式转换为与所述标准格式一致的格式。

本发明提供的数据补齐规范性检核，包括根据用户指示选择补齐截止位置的字段名称，在所述字段名称所属的补齐单元内，按上一单元格的值填充所述上一单元格所在列的空单元格，若所述上一单元格为空，则所述上一单元格所在的列不填充，其中所述上一单元格为每列数据中与该列的首个空单元格相邻的单元格。

本发明提供的根据匹配的结果实现生物名称检核，包括：

根据匹配结果在原始的目标海洋生物调查数据中返回并新增检核输出的生物标准中文名、标准拉丁名及处理记录，所述处理记录中包括原始生物名及与其对应的修改后的标准生物名。

本发明提供的对海洋生物进行识别方法如下：

(1)采集声学信号S(n)，对采集的声学信号进行放大；对所采集的声学信号S(n)进行预处理；

(2)提取感知线性预测系数(PLP)特征参数与梅尔倒谱系数(MFCC)特征参数，将PLP特征参数与MFCC特征参数融合成新的特征参数；

所述提取PLP特征参数步骤在于：

将声学信号S(n)进行短时傅立叶变换，得到频谱x(ω)，计算频谱x(ω)的功率谱p(ω)；

对功率谱p(ω)进行临界频带分析：

Ω(ω)＝6ln{ω/1200π+[(ω/1200π)²+1]^1/2]

式中，ω为角频率，Ω为Bark域频率，

将功率谱p(ω)与模拟听觉频率临界曲线Ψ(Ω)进行卷积操作，获得临界带功率谱θ[Ωi]，其中临界带曲线的公式为：

进行等响度曲线预加重处理；

进行强度-响度转换；

进行傅里叶逆变换，得到信号短时自相关函数R(τ)，根据Durbin公式获得12阶线性预测系数，对所述12阶线性预测系数进行谱分析，获得12维PLP特征参数及其一阶差分特征参数，共24维PLP特征参数；

所述获得MFCC特征参数的步骤在于：

对声学信号S(n)进行分帧操作，并对每一帧声学信号S(n)进行高频预加重处理；

进行离散傅里叶变换运算，得到离散功率谱X(k)；

将X(k)通过多个带通滤波器的滤波器组Hm

(n)滤波，得到多个功率值pm；

将所述功率值pm进行对数运算，获得自然对数Lm；

将自然对数Lm经过离散余弦变换得到Dm，求取Dm的静态参数，通过静态参数求取差分系数，将所述静态参数与所述差分系数结合，即获得MFCC特征参数；

可获得12个维度的MFCC特征参数及其一阶差分特征参数，即总计24维MFCC特征参数；

融合成新的特征参数的具体方法为：设定特征向量V，将所述PLP特征参数与所述MFCC特征参数进行串联融合，V＝(αβ)，式中，α为PLP特征参数，β为MFCC特征参数；

(3)对新的特征参数进行主成分分析；

具体步骤在于：将n条m维串联特征向量Vi构成矩阵X：

计算矩阵X每一行的均值：

计算矩阵X的协方差矩阵：

对协方差矩阵进行特征值分解，得到协方差矩阵的特征值和对应特征向量；

通过特征值的累积大小贡献率确定选取的特征值个数k，定义前k个主分量的累计贡献率为：

取

的前k行组成转换矩阵P，将矩阵X与转换矩阵P相乘，最终获得融合特征矩阵Y；

(4)构建深度置信网络；

具体步骤在于，利用受限玻尔兹曼机(RBM)来构建深度置信网络，引入丢弃法(dropout)、加入动量项(momentum)、权重衰减方法(weight decay)对深度置信网络进行优化，将融合特征矩阵Y输入深度置信网络进行学习训练；

(5)通过深度置信网络完成对目标海洋生物的识别。

本发明通过对海洋生物进行识别方法根据深度学习的方法进行特征自主学习过程，可以学习到数据内在的本质信息，有助于提高识别率和算法的鲁棒性，可对目标类别数据进行准确识别预测。

本发明提供的预处理方式包括预加重、分帧和加窗。

本发明提供的将所述Bark域采样步长设置为1，划分成24个临界带域，将所述临界带功率谱θ[Ωi]采样间隔设置为1。

二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。

本发明通过对海洋生物调查数据进行检核方法从数据的齐全性、规范性及准确性对目标海洋生物调查数据进行检核，特别是实现了对目标海洋生物种名称的快速检核和批量修正，检核更加全面、准确性更高且速度快，由此看出本发明实施例的目标海洋生物调查数据快速检核方法及装置更能满足目标海洋生物调查数据后期数据使用的实际需求；同时，通过对海洋生物进行识别方法根据深度学习的方法进行特征自主学习过程，可以学习到数据内在的本质信息，有助于提高识别率和算法的鲁棒性，可对目标类别数据进行准确识别预测。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的海洋生物智能检测方法，其特征在于，所述基于深度学习的海洋生物智能检测方法包括以下步骤：

步骤一，对若干种海洋生物图像的数据进行预设，并对目标物种类的海洋生物图像进行标注，并对标注图像进行强化；

步骤二，利用数据收集模块对采集的水下环境中的海洋生物数据和海洋生物图像进行获取，并将采集的数据划分为ImageNet数据集、海洋生物细粒度图像分类数据集和海洋生物数据集；

步骤三，对各个数据集进行预处理和数据增广，对海洋生物调查数据进行检核；

步骤四，构建使用可变形卷积改进的YOLOV3检测器；

步骤五，利用标注后的目标物种类的海洋生物图像对YOLOV3检测器进行训练，部署训练好的模型用于海洋生物目标的检测任务；

步骤六，选取部分初始ImageNet数据集、海洋生物细粒度图像分类数据集和海洋生物数据集对海洋生物进行识别。

2.如权利要求1所述基于深度学习的海洋生物智能检测方法，其特征在于，所述步骤一对标注图像进行强化的具体步骤包括：

对标注图像进行图像增强处理，获取增强图像，然后将多张增强图像按照预设规则进行任意的裁剪，将裁剪后的图像进行拼接，融合成一张图像。

3.如权利要求1所述基于深度学习的海洋生物智能检测方法，其特征在于，所述步骤三对各个数据集进行预处理和数据增广的具体步骤包括：

(1)将需要预处理的数据集中的原始图像进行灰度处理，转换为灰度图像序列，利用直方图均衡化对转换后的灰度图像进行低照度图像增强，并对增强后的图像进行基于小波阈值的图像降噪处理；

(2)降噪处理后对原始图像进行增广处理，对目标图像进行锐化处理，输入目标图像时对目标图像的各个波段采用高通滤波的方式进行锐化处理；

(3)将锐化处理后的目标图像、灰度处理后得到的灰度图像序列以及图像降噪处理后得到的原始图像作为训练集；

(4)将进行图像变换、图像裁剪、色彩抖动以及噪声扰动处理后得到的目标图像进行归一化处理，归一化至至[0,1]范围内，作为数据集，并去除数据集中的类不平衡现象，并利用小波变换去除数据集中的冗余。

4.如权利要求3所述基于深度学习的海洋生物智能检测方法，其特征在于，步骤(2)中的增广处理包括进行高斯模糊、改变亮度和对比度、仿射变换、透视变和动态模糊处理、图像变换、图像裁剪、色彩抖动以及噪声扰动处理，得到一个目标图像。

5.如权利要求1所述基于深度学习的海洋生物智能检测方法，其特征在于，所述步骤四中的YOLOV3检测器的网络结构包括：CSPDarkNet53骨干特征提取网络、空间金字塔池化网络和路径聚合网络、并行注意力机制部分和采用BBoxVoting方法的目标框后处理网络；

空间金字塔池化网络掺杂在CSPDarkNet53最后一个卷积层中，路径聚合网络用于实现对特征的反复提取，实现特征融合从浅到深和从深到浅的过程；

通过SPP与PANet所获得的P1、P2、P3在经过并行注意力机制后分别对应目标框后处理网络中13×13×18、26×26×18、52×52×18三种不同尺寸的预测结果，实现对大、中、小海洋生物目标的检测。

6.如权利要求5所述基于深度学习的海洋生物智能检测方法，其特征在于，所述空间金字塔池化网络分别利用四个不同尺度的最大池化Maxpool进行处理；最大池化的池化核大小分别为13×13、9×9、5×5、1×1。

7.如权利要求1所述基于深度学习的海洋生物智能检测方法，其特征在于，所述步骤五利用标注后的目标物种类的海洋生物图像对YOLOV3检测器进行训练的具体步骤包括：

读取参数文件，加载在大规模图像分类数据集上预训练的模型权重；

从处理生成的数据集中读取图像，划分训练集和验证集；

通过采样后再卷积的方式，融合三张不同尺度下的特征图上所包含的信息，供后续执行预测；

使用两分支的头部网络，在三张特征图上的每一个网格处各预测出三个目标框，并给出它们的位置信息和类别信息；

采用BBoxVoting的方法对目标框进行后处理，得到最终的预测结果。

8.如权利要求7所述基于深度学习的海洋生物智能检测方法，其特征在于，所述划分训练集和验证集后，将训练数据分批次输入到骨干特征提取网络中，经过连续的卷积处理，生成三张尺度分别为13*13、26*26和52*52的特征图，供后续特征融合。

9.如权利要求1所述基于深度学习的海洋生物智能检测方法，其特征在于，所述步骤三对海洋生物调查数据进行检核的具体方法包括：

(1)构建海洋生物数据库，根据目标海洋生物调查要素的类型，对目标海洋生物调查数据分类；将获取的海洋数据存入海洋数据库中；

(2)对所述分类后的每类目标海洋生物调查数据进行齐全性检核、规范性检核及准确性检核，实现物种名称的一站式批量质控，并生成检核结果；

(3)根据所述检核结果统一目标海洋生物调查数据格式、规范物种名称、修改错误数据、提高数据质量，为海洋生态环境状况研究、预测海洋生态环境变化趋势提供高质量数据支持。

10.如权利要求7所述基于深度学习的海洋生物智能检测方法，其特征在于，所述齐全性检核包括：根据按照目标海洋生物调查数据的类型设置的关键字参数，通过检索所述关键字参数所对应的目标海洋生物调查数据是否填写完整，检核所述目标海洋生物调查数据的齐全性；

所述规范性检核包括：参数名称规范性检核、参数数据的格式检核及数据补齐规范性检核。

Images