[發明專利]一種冷泉區海底生物識別方法及處理終端

有效

• 申請號: 202010008208.3
• 申請日: 2020-01-03
• 公開（公告）號: CN111209961B
• 公開（公告）日: 2020-10-09
• 發明（設計）人: 吳婷婷;關永賢;尉建功;劉勝旋;馮震宇;張寶金;張如偉;吳艷芳;戴振宇;馬金鳳
• 申請（專利權）人: 廣州海洋地質調查局
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 廣州君咨知識產權代理有限公司 44437
• 代理人: 譚啟斌

本發明涉及一種冷泉區海底生物識別方法及處理終端，所述方法包括如下步驟：步驟1：獲得冷泉區海底生物圖片，并接收對冷泉區海底生物照片上的冷泉生物進行標記；步驟2：將所述圖像數據輸入卷積神經網絡，卷積神經網絡輸出結果為圖像數據的視覺特征，將標簽數據輸入嵌入神經網絡，嵌入神經網絡輸出結果為標簽數據的文本特征；步驟3：將視覺特征和文本特征輸入循環神經網絡進行特征融合；步驟4：將每一次的輸出特征輸入深度神經網絡進行標簽預測，從開始標記開始預測，直至結束標記結束預測，深度神經網絡輸出的預測結果為對冷泉生物的識別結果。本發明能夠冷泉區的冷泉生物進行多標簽標記，并識別出冷泉生物，識別結果準確性高。

技術領域

本發明涉及海底生物識別技術領域，具體涉及一種冷泉區海底生物識別方法及處理終端。

背景技術

冷泉區域海底水合物的形成有密切關系，冷泉區提供的甲烷等烴類氣體不僅可作為合成海底水合物的材料，同時還為冷泉區的海底生物提供能量。依賴于海底冷泉區滲漏的氣體為生的生物，通常被叫作冷泉生物，冷泉生物主要包括白瓜貝，貽貝，細菌席等生物。而這些冷泉生物的出現、分布與密度能夠表征所在地冷泉的活躍程度，進而還可以根據冷泉的活躍程度判斷海底是否存在水合物。因此，對冷泉區海底生物識別具有重要的現實意義。

目前，深度學習在視頻圖像、語音識別、自然語言處理等相關領域得到了廣泛應用。卷積神經網絡(CNN)作為深度學習的一個重要分支，由于其超強的擬合能力以及端到端的全局優化能力，使得視頻圖像分類任務在應用卷積神經網絡之后，預測精度大幅提升。因此，可以通過卷積神經網絡對冷泉去海底生物照片進行標記并輸出標簽，每一個標簽對應一個生物，從而識別出冷泉生物。但目前卷積神經網絡僅能對一個輸入的數據給出一個標簽，而無法給出多標簽。然而在真實的應用場景中，一般對冷泉去海底生物的圖片通常包括多個物體，相應的，期望能夠對輸入數據給出多個分類結果。而且，對于冷泉去海底生物識別的場景中，很多冷泉生物之間存在伴生依賴關系，也即，很多冷泉生物可能會同時出現或者同時不出現，單純的多標簽分類方法很難捕捉到標簽之間的相關性。因此，需要一種能夠對冷泉區海底生物進行多標簽標記以達到識別冷泉生物的目的。

發明內容

針對現有技術的不足，本發明的目的之一提供一種冷泉區海底生物識別方法，其能夠解決冷泉區海底生物識別的問題；

本發明的目的之二提供一種處理終端，其能夠解決冷泉區海底生物識別的問題。

實現本發明的目的之一的技術方案為：一種冷泉區海底生物識別方法，包括如下步驟：

步驟1：獲得冷泉區海底生物圖片，并接收對冷泉區海底生物照片上的冷泉生物進行標記，所述標記至少包括表征開始標記的開始標記start和表征結束標記的結束標記end，標記后的冷泉區海底生物圖片為包括圖像數據和標簽數據的樣本數據；

步驟2：將所述圖像數據輸入卷積神經網絡，卷積神經網絡輸出結果為圖像數據的視覺特征，視覺特征記為feature_image，

將標簽數據輸入嵌入神經網絡，嵌入神經網絡輸出結果為標簽數據的文本特征，其中，第i個標簽對應的文本特征記為i為正整數；

步驟3：將視覺特征和文本特征輸入循環神經網絡進行特征融合，對于循環神經網絡的第i次循環，對應的輸入特征為對應的輸出特征為每一次循環按公式①進行特征融合：

其中，輸出特征的初始值，即設置全為1。

步驟4：將每一次的輸出特征輸入深度神經網絡進行標簽預測，從表征開始標記的開始標記start開始預測，直至遇到表征結束標記的結束標記end結束預測，深度神經網絡輸出的預測結果為對冷泉生物的識別結果。

進一步地，所述卷積神經網絡為采用任意的網絡結構。