一种图像标注方法及系统技术方案

本发明专利技术属于人工智能技术领域，涉及一种图像标注方法及系统。所述方法包括以下步骤：基于稀疏计算算法对扩充分类数据信息进行多分支自适应特征提取以及融合，从而获得神经网络中的自适应特征处理模块；利用自适应特征处理模块将输入的小样本训练集将特征转化为语义信息，输入到度量坐标系中；对度量坐标系中的语义信息进行相似性阈值距离比较，从而完成非标签化分类，获得未标记生物结果；利用水域水生生物分类信息以及相同特征生物互斥标注比较阈值，以进行水域水生生物信息标注，从而获得水域水生生物特征分类神经网络；以获取更加精确的水下图像标注结果以及水域安全等级信息。本发明专利技术能够有效提升当前图像标注的精确度。度。度。

【技术实现步骤摘要】
一种图像标注方法及系统


[0001]本专利技术涉及人工智能
，尤其涉及一种图像标注方法及系统。

技术介绍

[0002]在日常的生活中有不少的人选择在附近的水域进行游泳甚至是潜泳，但是如果没有对附近的水域内的生物有个了解的话，可能会对我们人身安全产生威胁，同时如果是存在入侵生物的话，还会周围的环境产生影响，从而当我们或有人再次在该水域进行活动时，也会有潜在的危险。同时在水下生物或目标进行标注时，常常会因水下的折射率以及水下的光照条件导致水下的物体或者生物呈现出来的颜色与水面的颜色有明显的差别，并且在进行水下图像标注时，需要面临生物繁多，训练集小的问题。
[0003]随着互联网技术的飞速发展和广泛应用，人们可以接收到不同来源的大量信息，大数据时代的到来引领了数据的全方位应用，使数据在生活中起到了不可或缺的作用。然而我们接触到的大部分数据都是类似于视频、图像、文本形式的非结构化数据，不仅数量庞大，且没有固定结构，如何从复杂繁重的数据中获得简明有效的精确信息成为了人们在信息时代的迫切需求。
[0004]综上所述，当前迫切需要高精度的水下图像以及当前水域标注方法，用于保护当前的水域环境的安全以及在该水域活动的生物的安全。

技术实现思路

[0005]本专利技术涉及人工智能领域，揭露了一种图像标注方法及系统，以解决至少一个上述技术问题。
[0006]本专利技术提供了一种图像标注方法，包括以下步骤：
[0007]步骤S1：获取当前目标水域的地理位置信息，并构建能反应当前目标水域的水生生物特征分类神经网络；
[0008]步骤S2：通过水下摄像机获取原始水下视频信息，并通过水深温度测量仪获取当前所在位置的水深和温度；
[0009]步骤S3：对原始水下视频信息进行分帧处理，并筛选分帧处理后的图像，以获得水下图像信息；
[0010]步骤S4：对水下图像信息进行优化，获得水生生物特征图像；
[0011]步骤S5：利用水生生物特征图像以及当前水域生物的特征信息，进行水生生物识别结果的标注和分类，分别记为水域原生生物结果信息以及初级水域入侵生物结果信息；
[0012]步骤S6：利用初级水域入侵生物结果信息进行初级入侵物种安全等级划分，确认当前入侵生物对当前水域生物的威胁，获得初级入侵物种安全结果信息；
[0013]步骤S7：根据初级入侵物种安全威胁分析结果，利用云端服务器进行终极入侵物种安全等级划分，以最终确认入侵物种对当前水域生物的影响，获得终极入侵物种安全结果信息；
[0014]步骤S8：利用终极入侵物种安全威胁分析结果以及水域原生生物结果信息，进行当前水域的安全等级标注，获得当前水域的安全等级标注结果；
[0015]步骤S9：利用当前水域的安全等级标注结果，对云端服务器中当前水域安全等级信息进行更新。
[0016]本实施例通过对水下生物进行标注，从而对当前水域的安全进行标注，能在一定的程度上，可以预防外来物种对当前水域环境以及水域内物种的影响，以便普通的用户也可以及时通知相关的部门或者采用力所能及的措施防止外来物种的进一步扩散，防止对当前水域的环境以及扩散至邻近水域，加大后期治理的难度以及成本，同时外来入侵物种对进入到当前水域范围内的人类有一点的预警作用，能有效防止因此导致的意外的发生，从而保障野外工作者以及游玩者的人身安全，另一方面，对水下的濒危物种进行特别的标注，也能对濒危物种的保护起到一定的作用，防止人为活动干预或者外来入侵物种对濒危物种的危害，同时也可以帮助渔夫等快速识别濒危物种，从而避免濒危物种的减少。
[0017]在本说明书的一个实施例中，步骤S1还包括以下步骤：
[0018]获取当前目标水域的地理信息；
[0019]根据地理信息获取包含水域水生生物信息以及终极入侵物种安全威胁分析结果在内的当前水域安全等级信息；
[0020]本实施例通过获取水域安全等级信息，以便用户及时对当前的水域安全进行预警，对水下的生物有大致的了解，从而在活动时，避免其中有毒或者大型肉食水生生物带来的危害，以及避免对当前水域中的濒危物种进行捕捉或者造成伤害，同时也可以对水下生物的多样性有大致的了解，防止后续过度捕捞等对当前水域的生物多样性产生影响的情况发生，同时后续在当前水域进行活动时，也可以采取一些力所能及的措施，对其中的入侵生物进行捉获；
[0021]通过水域水生生物信息提取包含外表特征、水深、温度以及生活习性在内的水域水生生物分类信息；
[0022]本实施例通过提取包含外表特征、水深、温度以及生活习性在内的水域水生生物分类信息，以在后续能生成更高质量的水生生物特征分类神经网络，从而能更好地对当前水域生物进行相应标注以及分类，防止对其中外表相似但生活地水深以及温度有着明显差别地生物地错误标注，从而导致分类结果不够精确地情况地出现，无法保障在后期标注结果的精确性，从而进一步影响当前水域的安全等级标注结果；此外标记的结果准确时，还会影响用户的体验，从而影响用户的再次使用以及产品的进一步的推广，从而无法对当前水域信息进行实时更新，无法保障当前信息的准确性，进一步影响当前用户的体验；
[0023]根据提取的水域水生生物分类信息进行小样本神经网络训练，获得水生生物特征分类神经网络；
[0024]本实施例通过生成水生生物特征分类神经网络，在确保了神经网络的精确性以及快速反应的特点，从而保障了标注的质量和准确性，进而能提升用户体验以及相应产品的推广，同时因为基于小样本进行神经网络训练，确保了该训练集可以运用到更多的运用场景，确保当前的神经网络不会出现难以对物体进行精确识别的情况出现，不会对相似度接近的生物难以区分或者是错误区分情况的出现，减少进行再次检测的时间以及提升标注分类的准确性，使得后续步骤的时间成本以及容错成本大大降低，使得最终的结果更加的可
靠以及精确，保证了进行水下生物检测的目的以及初衷，更加好地保护当前水域的生态环境以及做到可持续发展，防止外来入侵物种对当前水域生态的破坏，进而入侵到领近适合该入侵生物的水域，对当期的生态环境产生影响，从而影响人类的活动以及环境的治理成本；
[0025]在本说明书的一个实施例中，根据提取的水域水生生物分类信息进行小样本神经网络训练，获得水生生物特征分类神经网络包括以下步骤：
[0026]步骤S31：利用数据增强使得水域水生生物分类信息进行数据样本扩充后，从而得到扩充分类数据信息；
[0027]本实施例通过进行数据样本扩充得到扩充分类数据信息，从而使得当前的数据得到数量上的扩充，使得后续训练出来的水生生物特征分类神经网络更加可靠以及实用，具有高精确性以及高效性，能快速并准确地对水下生物图像做出标记，便于后期对水域进行快速地标注，从而使得用户能快速对当前水域环境进行判断，判断当前水域是否有潜在的风险，以便及时做出相应的规避技术或者相应的紧急措施预警，甚至减少前往该区水域的可能性，同时小样本学习还可以提升当前神经网络学习的时间成本，从而能快速运用到不同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像标注方法，其特征在于，所述方法包括以下步骤：步骤S1：获取当前目标水域的地理位置信息，并构建能反应当前目标水域的水生生物特征分类神经网络；步骤S2：通过水下摄像机获取原始水下视频信息，并通过水深温度测量仪获取当前所在位置的水深和温度；步骤S3：对原始水下视频信息进行分帧处理，并筛选分帧处理后的图像，以获得水下图像信息；步骤S4：对水下图像信息进行优化，获得水生生物特征图像；步骤S5：利用水生生物特征图像以及当前水域生物的特征信息，进行水生生物识别结果的标注和分类，分别记为水域原生生物结果信息以及初级水域入侵生物结果信息；步骤S6：对初级水域入侵生物结果信息进行初级入侵物种安全等级划分，确认当前入侵生物对当前水域生物的威胁，获得初级入侵物种安全威胁分析结果信息；步骤S7：根据初级入侵物种安全威胁分析结果信息，利用云端服务器进行终极入侵物种安全等级划分，以最终确认入侵物种对当前水域生物的影响，获得终极入侵物种安全威胁分析结果；步骤S8：利用终极入侵物种安全威胁分析结果以及水域原生生物结果信息，进行当前水域的安全等级标注，获得当前水域的安全等级标注结果；步骤S9：利用当前水域的安全等级标注结果，对云端服务器中当前水域安全等级信息进行更新。2.根据权利要求1所述的方法，其特征在于，步骤S1还包括以下步骤：获取当前目标水域的地理信息；根据地理信息获取包含水域水生生物信息以及终极入侵物种安全威胁分析结果在内的当前水域安全等级信息；从水域水生生物信息中提取包含外表特征、水深、温度以及生活习性在内的水域水生生物分类信息；根据提取的水域水生生物分类信息进行小样本神经网络训练，获得水生生物特征分类神经网络。3.根据权利要求2所述的方法，其特征在于，根据提取的水域水生生物分类信息进行小样本神经网络训练，获得水生生物特征分类神经网络包括以下步骤：步骤S31：利用数据增强对水域水生生物分类信息进行数据样本扩充，从而得到扩充分类数据信息；步骤S32：基于稀疏计算算法对扩充分类数据信息进行多分支自适应特征提取以及融合，从而获得神经网络中的自适应特征处理模块；步骤S33：利用自适应特征处理模块将输入的小样本训练集的特征转化为语义信息，输入到度量坐标系中；步骤S34：对度量坐标系中的语义信息进行相似性阈值距离比较，从而完成非标签化分类，获得未标记生物结果；步骤S35：利用水域水生生物分类信息以及相同特征生物互斥标注阈值比较，以进行水域水生生物信息标注，从而获得水域水生生物特征分类神经网络。
4.根据权利要求1所述的方法，其特征在于，步骤S4具体为：步骤S41：利用二维旋转高斯函数将水下视频图像外接旋转转化为二维高斯分布图像，并基于二维高斯分布图像生成热力图像标签；步骤S42：利用热力像素点权重计算公式对热力图像标签进行热力像素点权重计算，以进行复杂背景和被检测目标的分割，获得热力图像标签中的待检测目标图像，其中热力像素点权重计算公式如下：其中，w为热力像素点权重值，f为当前的水温，t为当前待检测目标的温度，p为当前的水压，h为根据当前水压以及水域推算出来的水深，l为当前的光照强度，m为热力图像标签中待检测目标的数量，n为当前待检测目标在热力图像标签中的占比；步骤S43：利用神经网络对待检测目标图像进行边缘检测，并使用高斯滤波器进行平滑处理，获得边缘优化待检测目标图像；步骤S44：将边缘优化待检测目标图像转化为无色彩偏差的待优化雾化水下转化图像；步骤S45：将待优化雾化水下转化图像进行去雾处理得到去雾处理待检测目标图像；步骤S46：将去雾处理待检测目标图像进行矫正处理，从而获得水生生物特征图像。5.根据权利要求4所述的方法，其特征在于，步骤S6具体为：步骤S61：对初级水域入侵生物...

【专利技术属性】
技术研发人员：黄伟，张绍华，
申请(专利权)人：黄伟，
类型：发明
国别省市：