开云优惠体育网页版入口

专利名称：一种水下珊瑚礁白化程度确定方法及系统

专利类型：发明专利

专利申请号：CN202411224535.7

专利申请（专利权）人：广东海洋大学
权利人地址：广东省湛江市麻章区海大路1号

专利发明（设计）人：张会领,陶士臣,黄忠洲

专利摘要：本发明公开了一种水下珊瑚礁白化程度确定方法及系统，获取珊瑚礁所处区域的环境数据和珊瑚种类；根据温度峰值、温度持续时间和珊瑚种类，确定珊瑚礁所处区域的珊瑚预测白化程度；在珊瑚预测白化程度大于预测白化阈值时，基于光照强度，生成水下无人摄像机的控制参数；基于珊瑚拍摄距离，对珊瑚礁所处区域进行分区规划，获得若干珊瑚礁子拍摄区域，并控制水下无人摄像机在每一珊瑚礁子拍摄区域中基于光圈参数、快门参数和补光光照强度进行拍摄，获得每一珊瑚礁子拍摄区域对应的珊瑚灰度图像；对每一珊瑚灰度图像进行白化识别，获得珊瑚礁所处区域的珊瑚礁白化程度。本发明大大提高了水下珊瑚礁的白化勘测效率。

主权利要求：
1.一种水下珊瑚礁白化程度确定方法，其特征在于，包括：
获取珊瑚礁所处区域的环境数据和珊瑚种类；其中，所述环境数据包括：光照强度、温度峰值和温度持续时间；
根据所述温度峰值、所述温度持续时间和所述珊瑚种类，确定所述珊瑚礁所处区域的珊瑚预测白化程度；
在珊瑚预测白化程度大于预测白化阈值时，基于所述光照强度，生成水下无人摄像机的控制参数；其中，所述控制参数包括：光圈参数、快门参数、补光光照强度和珊瑚拍摄距离；
基于所述珊瑚拍摄距离，对珊瑚礁所处区域进行分区规划，获得若干珊瑚礁子拍摄区域，并控制所述水下无人摄像机在每一珊瑚礁子拍摄区域中基于所述光圈参数、所述快门参数和所述补光光照强度进行拍摄，获得每一珊瑚礁子拍摄区域对应的珊瑚灰度图像；其中，在每一珊瑚礁子拍摄区域内，对拍摄获得的珊瑚图像进行边缘切割以及灰度处理，获得珊瑚灰度图像；
对每一所述珊瑚灰度图像进行白化识别，获得珊瑚礁所处区域的珊瑚礁白化程度，包括：根据所述珊瑚预测白化程度，确定分割参数；在每一珊瑚灰度图像中，基于所述分割参数对珊瑚灰度图像进行分割，获得珊瑚灰度图像对应的若干珊瑚灰度子图像，将平均灰度值小于灰度阈值的珊瑚灰度子图像选取为珊瑚白化图像，计算珊瑚白化图像的数量与珊瑚灰度子图像的总数量之间的白化比值；基于每一珊瑚灰度图像对应的白化比值，确定珊瑚礁所处区域的珊瑚礁白化程度；
其中，所述根据所述珊瑚预测白化程度，确定分割参数，包括：调取与所述珊瑚预测白化程度对应的珊瑚白化灰度图像样本；将所述珊瑚白化灰度图像样本分割成若干个同样大小的珊瑚白化子灰度图像样本，计算每一珊瑚白化子灰度图像样本的平均灰度值；按预设的尺寸步长，对每一珊瑚白化子灰度图像样本的分割尺寸进行缩。⒓扑忝恳环指畛叽缦碌纳汉靼谆踊叶韧枷裱镜钠骄叶戎，在平均灰度值保持不变时，确定最小分割尺寸；基于所述最小分割尺寸，确定分割参数。
2.根据权利要求1所述的水下珊瑚礁白化程度确定方法，其特征在于，所述基于所述光照强度，生成水下无人摄像机的控制参数，包括：将所述光照强度和水下无人摄像机的平均移动速度，代入快门参数计算公式，确定水下无人摄像机的快门参数；其中，快门参数计算公式具体为：；
式中， 为光照强度，为平均移动速度，为快门参数；
基于所述光照强度确定预设的光圈参数；
将珊瑚礁所处区域的光线衰减系数、珊瑚礁所处区域的水深和所述光照强度，代入光衰减公式，获得补光光照强度；其中，所述光衰减公式具体为：；
式中，为光线衰减系数，为水深， 为补光光照强度；
将水下无人摄像机的最小对焦距离、珊瑚礁所处区域的水下清晰度和所述光照强度，代入拍摄距离计算公式，获得珊瑚拍摄距离；其中，所述拍摄距离计算公式具体为：；
式中， 为最小对焦距离，为水下清晰度， 为水下清晰距离， 为珊瑚拍摄距离。
3.根据权利要求2所述的水下珊瑚礁白化程度确定方法，其特征在于，所述基于所述珊瑚拍摄距离，对珊瑚礁所处区域进行分区规划，获得若干珊瑚礁子拍摄区域，包括：根据所述珊瑚拍摄距离，确定水下无人摄像机的矩形拍摄面积；
根据所述珊瑚礁所处区域，对珊瑚礁所包括的珊瑚进行定位，生成矩形珊瑚面积；其中，所述矩形珊瑚面积远大于所述矩形拍摄面积；
将所述矩形珊瑚面积除以所述矩形拍摄面积，获得区域数；
基于区域数获得若干珊瑚礁子拍摄区域；其中，所述基于区域数获得若干珊瑚礁子拍摄区域，具体为：对所述区域数进行识别；若为整数，则基于区域数对矩形珊瑚面积进行平均分区，获得若干珊瑚礁子拍摄区域；若不为整数，则对所述矩形珊瑚面积进行补面积操作，直至区域数为整数。
4.根据权利要求3所述的水下珊瑚礁白化程度确定方法，其特征在于，所述根据所述温度峰值、所述温度持续时间和所述珊瑚种类，确定所述珊瑚礁所处区域的珊瑚预测白化程度，包括：将所述珊瑚礁所处区域的所述温度峰值、所述温度持续时间和所述珊瑚种类输入至珊瑚礁白化预测模型，输出所述珊瑚礁所处区域的珊瑚预测白化程度；其中，以所述珊瑚礁白化预测模型为输出，以珊瑚礁白化历史样本为输入，对CNN与RNN融合神经网络模型进行训练。
5.根据权利要求4所述的水下珊瑚礁白化程度确定方法，其特征在于，所述以所述珊瑚礁白化预测模型为输出，以珊瑚礁白化历史样本为输入，对CNN与RNN融合神经网络模型进行训练，具体为：获取若干珊瑚礁白化历史数据；其中，每一所述珊瑚礁白化历史数据包括：珊瑚礁白化区域、珊瑚礁白化区域对应的历史温度峰值、珊瑚礁白化区域对应的历史温度持续时间和珊瑚礁白化区域对应的历史珊瑚种类；
对每一所述珊瑚礁白化历史数据进行数据清洗，并对数据清洗后的珊瑚礁白化历史数据进行已知白化程度的标记，获得珊瑚礁白化历史样本；
将所述珊瑚礁白化历史样本输入至CNN与RNN融合神经网络模型中进行训练，获得珊瑚礁白化预测模型。
6.一种水下珊瑚礁白化程度确定系统，其特征在于，包括：数据获取模块、数据预测模块、控制参数生成模块、拍摄模块和白化识别模块；
所述数据获取模块，用于获取珊瑚礁所处区域的环境数据和珊瑚种类；其中，所述环境数据包括：光照强度、温度峰值和温度持续时间；
所述数据预测模块，用于根据所述温度峰值、所述温度持续时间和所述珊瑚种类，确定所述珊瑚礁所处区域的珊瑚预测白化程度；
所述控制参数生成模块，用于在珊瑚预测白化程度大于预测白化阈值时，基于所述光照强度，生成水下无人摄像机的控制参数；其中，所述控制参数包括：光圈参数、快门参数、补光光照强度和珊瑚拍摄距离；
所述拍摄模块，用于基于所述珊瑚拍摄距离，对珊瑚礁所处区域进行分区规划，获得若干珊瑚礁子拍摄区域，并控制所述水下无人摄像机在每一珊瑚礁子拍摄区域中基于所述光圈参数、所述快门参数和所述补光光照强度进行拍摄，获得每一珊瑚礁子拍摄区域对应的珊瑚灰度图像；其中，在每一珊瑚礁子拍摄区域内，对拍摄获得的珊瑚图像进行边缘切割以及灰度处理，获得珊瑚灰度图像；
所述白化识别模块，用于对每一所述珊瑚灰度图像进行白化识别，获得珊瑚礁所处区域的珊瑚礁白化程度，包括：根据所述珊瑚预测白化程度，确定分割参数；在每一珊瑚灰度图像中，基于所述分割参数对珊瑚灰度图像进行分割，获得珊瑚灰度图像对应的若干珊瑚灰度子图像，将平均灰度值小于灰度阈值的珊瑚灰度子图像选取为珊瑚白化图像，计算珊瑚白化图像的数量与珊瑚灰度子图像的总数量之间的白化比值；基于每一珊瑚灰度图像对应的白化比值，确定珊瑚礁所处区域的珊瑚礁白化程度；
其中，所述根据所述珊瑚预测白化程度，确定分割参数，包括：调取与所述珊瑚预测白化程度对应的珊瑚白化灰度图像样本；将所述珊瑚白化灰度图像样本分割成若干个同样大小的珊瑚白化子灰度图像样本，计算每一珊瑚白化子灰度图像样本的平均灰度值；按预设的尺寸步长，对每一珊瑚白化子灰度图像样本的分割尺寸进行缩。⒓扑忝恳环指畛叽缦碌纳汉靼谆踊叶韧枷裱镜钠骄叶戎，在平均灰度值保持不变时，确定最小分割尺寸；基于所述最小分割尺寸，确定分割参数。
7.一种计算机终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的一种水下珊瑚礁白化程度确定方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的一种水下珊瑚礁白化程度确定方法。 说明书 : 一种水下珊瑚礁白化程度确定方法及系统技术领域[0001] 本发明涉及图像识别技术领域，尤其涉及一种水下珊瑚礁白化程度确定方法及系统。背景技术[0002] 由于全球气温升高，导致水下珊瑚发生大面积的白化。现有技术通常以人工的方式对水下珊瑚的白化进行勘测，但由于水下珊瑚所处海域远离人类居住的地方，且水下珊瑚礁所包含的水下珊瑚面积很大，因此水下珊瑚礁的白化勘测存在效率问题。[0003] 因此，亟需一种水下珊瑚礁白化程度确定策略，从而解决水下珊瑚礁的白化勘测效率低的问题。发明内容[0004] 本发明实施例提供一种水下珊瑚礁白化程度确定方法及系统，以解决水下珊瑚礁的白化勘测效率低的问题。[0005] 为了解决上述问题，本发明一实施例提供一种水下珊瑚礁白化程度确定方法，包括：[0006] 获取珊瑚礁所处区域的环境数据和珊瑚种类；其中，所述环境数据包括：光照强度、温度峰值和温度持续时间；[0007] 根据所述温度峰值、所述温度持续时间和所述珊瑚种类，确定所述珊瑚礁所处区域的珊瑚预测白化程度；[0008] 在珊瑚预测白化程度大于预测白化阈值时，基于所述光照强度，生成水下无人摄像机的控制参数；其中，所述控制参数包括：光圈参数、快门参数、补光光照强度和珊瑚拍摄距离；[0009] 基于所述珊瑚拍摄距离，对珊瑚礁所处区域进行分区规划，获得若干珊瑚礁子拍摄区域，并控制所述水下无人摄像机在每一珊瑚礁子拍摄区域中基于所述光圈参数、所述快门参数和所述补光光照强度进行拍摄，获得每一珊瑚礁子拍摄区域对应的珊瑚灰度图像；其中，在每一珊瑚礁子拍摄区域内，对拍摄获得的珊瑚图像进行边缘切割以及灰度处理，获得珊瑚灰度图像；[0010] 对每一所述珊瑚灰度图像进行白化识别，获得珊瑚礁所处区域的珊瑚礁白化程度。[0011] 作为上述方案的改进，所述对每一所述珊瑚灰度图像进行白化识别，获得珊瑚礁所处区域的珊瑚礁白化程度，包括：[0012] 根据所述珊瑚预测白化程度，确定分割参数；[0013] 在每一珊瑚灰度图像中，基于所述分割参数对珊瑚灰度图像进行分割，获得珊瑚灰度图像对应的若干珊瑚灰度子图像，将平均灰度值小于灰度阈值的珊瑚灰度子图像选取为珊瑚白化图像，计算珊瑚白化图像的数量与珊瑚灰度子图像的总数量之间的白化比值；[0014] 基于每一珊瑚灰度图像对应的白化比值，确定珊瑚礁所处区域的珊瑚礁白化程度。[0015] 作为上述方案的改进，所述根据所述珊瑚预测白化程度，确定分割参数，包括：[0016] 调取与所述珊瑚预测白化程度对应的珊瑚白化灰度图像样本；[0017] 将所述珊瑚白化灰度图像样本分割成若干个同样大小的珊瑚白化子灰度图像样本，计算每一珊瑚白化子灰度图像样本的平均灰度值；[0018] 按预设的尺寸步长，对每一珊瑚白化子灰度图像样本的分割尺寸进行缩。⒓扑忝恳环指畛叽缦碌纳汉靼谆踊叶韧枷裱镜钠骄叶戎，在平均灰度值保持不变时，确定最小分割尺寸；[0019] 基于所述最小分割尺寸，确定分割参数。[0020] 作为上述方案的改进，所述基于所述光照强度，生成水下无人摄像机的控制参数，包括：[0021] 将所述光照强度和水下无人摄像机的平均移动速度，代入快门参数计算公式，确定水下无人摄像机的快门参数；其中，快门参数计算公式具体为：[0022] ；[0023] 式中， 为光照强度，为平均移动速度，为快门参数；[0024] 基于所述光照强度确定预设的光圈参数；[0025] 将珊瑚礁所处区域的光线衰减系数、珊瑚礁所处区域的水深和所述光照强度，代入光衰减公式，获得补光光照强度；其中，所述光衰减公式具体为：[0026] ；[0027] 式中，为光线衰减系数，为水深， 为补光光照强度；[0028] 将水下无人摄像机的最小对焦距离、珊瑚礁所处区域的水下清晰度和所述光照强度，代入拍摄距离计算公式，获得珊瑚拍摄距离；其中，所述拍摄距离计算公式具体为：[0029] ；[0030] 式中， 为最小对焦距离，为水下清晰度， 为水下清晰距离， 为珊瑚拍摄距离。[0031] 作为上述方案的改进，所述基于所述珊瑚拍摄距离，对珊瑚礁所处区域进行分区规划，获得若干珊瑚礁子拍摄区域，包括：[0032] 根据所述珊瑚拍摄距离，确定水下无人摄像机的矩形拍摄面积；[0033] 根据所述珊瑚礁所处区域，对珊瑚礁所包括的珊瑚进行定位，生成矩形珊瑚面积；其中，所述矩形珊瑚面积远大于所述矩形拍摄面积；[0034] 将所述矩形珊瑚面积除以所述矩形拍摄面积，获得区域数；[0035] 基于区域数获得若干珊瑚礁子拍摄区域；其中，所述基于区域数获得若干珊瑚礁子拍摄区域，具体为：对所述区域数进行识别；若为整数，则基于区域数对矩形珊瑚面积进行平均分区，获得若干珊瑚礁子拍摄区域；若不为整数，则对所述矩形珊瑚面积进行补面积操作，直至区域数为整数。[0036] 作为上述方案的改进，所述根据所述温度峰值、所述温度持续时间和所述珊瑚种类，确定所述珊瑚礁所处区域的珊瑚预测白化程度，包括：[0037] 将所述珊瑚礁所处区域的所述温度峰值、所述温度持续时间和所述珊瑚种类输入至珊瑚礁白化预测模型，输出所述珊瑚礁所处区域的珊瑚预测白化程度；其中，以所述珊瑚礁白化预测模型为输出，以珊瑚礁白化历史样本为输入，对CNN与RNN融合神经网络模型进行训练。[0038] 作为上述方案的改进，所述以所述珊瑚礁白化预测模型为输出，以珊瑚礁白化历史样本为输入，对CNN与RNN融合神经网络模型进行训练，具体为：[0039] 获取若干珊瑚礁白化历史数据；其中，每一所述珊瑚礁白化历史数据包括：珊瑚礁白化区域、珊瑚礁白化区域对应的历史温度峰值、珊瑚礁白化区域对应的历史温度持续时间和珊瑚礁白化区域对应的历史珊瑚种类；[0040] 对每一所述珊瑚礁白化历史数据进行数据清洗，并对数据清洗后的珊瑚礁白化历史数据进行已知白化程度的标记，获得珊瑚礁白化历史样本；[0041] 将所述珊瑚礁白化历史样本输入至CNN与RNN融合神经网络模型中进行训练，获得珊瑚礁白化预测模型。[0042] 相应的，本发明一实施例还提供了一种水下珊瑚礁白化程度确定系统，包括：数据获取模块、数据预测模块、控制参数生成模块、拍摄模块和白化识别模块；[0043] 所述数据获取模块，用于获取珊瑚礁所处区域的环境数据和珊瑚种类；其中，所述环境数据包括：光照强度、温度峰值和温度持续时间；[0044] 所述数据预测模块，用于根据所述温度峰值、所述温度持续时间和所述珊瑚种类，确定所述珊瑚礁所处区域的珊瑚预测白化程度；[0045] 所述控制参数生成模块，用于在珊瑚预测白化程度大于预测白化阈值时，基于所述光照强度，生成水下无人摄像机的控制参数；其中，所述控制参数包括：光圈参数、快门参数、补光光照强度和珊瑚拍摄距离；[0046] 所述拍摄模块，用于基于所述珊瑚拍摄距离，对珊瑚礁所处区域进行分区规划，获得若干珊瑚礁子拍摄区域，并控制所述水下无人摄像机在每一珊瑚礁子拍摄区域中基于所述光圈参数、所述快门参数和所述补光光照强度进行拍摄，获得每一珊瑚礁子拍摄区域对应的珊瑚灰度图像；其中，在每一珊瑚礁子拍摄区域内，对拍摄获得的珊瑚图像进行边缘切割以及灰度处理，获得珊瑚灰度图像；[0047] 所述白化识别模块，用于对每一所述珊瑚灰度图像进行白化识别，获得珊瑚礁所处区域的珊瑚礁白化程度。[0048] 相应的，本发明一实施例还提供了一种计算机终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如本发明所述的一种水下珊瑚礁白化程度确定方法。[0049] 相应的，本发明一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如本发明所述的一种水下珊瑚礁白化程度确定方法。[0050] 由上可见，本发明具有如下有益效果：[0051] 本发明提供了一种水下珊瑚礁白化程度确定方法，获取珊瑚礁所处区域的环境数据和珊瑚种类；根据温度峰值、温度持续时间和珊瑚种类，确定珊瑚礁所处区域的珊瑚预测白化程度；在珊瑚预测白化程度大于预测白化阈值时，基于光照强度，生成水下无人摄像机的控制参数；基于珊瑚拍摄距离，对珊瑚礁所处区域进行分区规划，获得若干珊瑚礁子拍摄区域，并控制水下无人摄像机在每一珊瑚礁子拍摄区域中基于光圈参数、快门参数和补光光照强度进行拍摄，获得每一珊瑚礁子拍摄区域对应的珊瑚灰度图像；其中，在每一珊瑚礁子拍摄区域内，对拍摄获得的珊瑚图像进行边缘切割以及灰度处理，获得珊瑚灰度图像；对每一珊瑚灰度图像进行白化识别，获得珊瑚礁所处区域的珊瑚礁白化程度。本发明基于温度对珊瑚礁的影响，对存在有珊瑚礁的高温地区进行珊瑚白化的初步确定，并针对初步确定的珊瑚礁进行拍摄，基于拍摄获得的珊瑚灰度图像进行珊瑚白化分析，实现了水下珊瑚礁的白化勘测的自动化，大大提高了水下珊瑚礁的白化勘测效率。附图说明[0052] 图1是本发明一实施例提供的水下珊瑚礁白化程度确定方法的流程示意图；[0053] 图2是本发明一实施例提供的水下珊瑚礁白化程度确定系统的结构示意图；[0054] 图3是本发明一实施例提供的一种终端设备结构示意图。具体实施方式[0055] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0056] 实施例一[0057] 参见图1，图1是本发明一实施例提供的一种水下珊瑚礁白化程度确定方法的流程示意图，如图1所示，本实施例包括步骤101至步骤105，各步骤具体如下：[0058] 步骤101：获取珊瑚礁所处区域的环境数据和珊瑚种类；其中，所述环境数据包括：光照强度、温度峰值和温度持续时间。[0059] 在本实施例中，在一具体的实施例中，珊瑚礁所处区域的环境数据在气象局官方发布的气象数据或权威机构发布的气象数据中进行数据调取而获得，而珊瑚种类为提前获得的信息。[0060] 在一具体的实施例中，气温升高为导致珊瑚礁白化的主要因素，而温度峰值和温度持续时间对珊瑚白化程度有着不同的影响。[0061] 步骤102：根据所述温度峰值、所述温度持续时间和所述珊瑚种类，确定所述珊瑚礁所处区域的珊瑚预测白化程度。[0062] 在本实施例中，所述根据所述温度峰值、所述温度持续时间和所述珊瑚种类，确定所述珊瑚礁所处区域的珊瑚预测白化程度，包括：[0063] 将所述珊瑚礁所处区域的所述温度峰值、所述温度持续时间和所述珊瑚种类输入至珊瑚礁白化预测模型，输出所述珊瑚礁所处区域的珊瑚预测白化程度；其中，以所述珊瑚礁白化预测模型为输出，以珊瑚礁白化历史样本为输入，对CNN与RNN融合神经网络模型进行训练。[0064] 在本实施例中，所述以所述珊瑚礁白化预测模型为输出，以珊瑚礁白化历史样本为输入，对CNN与RNN融合神经网络模型进行训练，具体为：[0065] 获取若干珊瑚礁白化历史数据；其中，每一所述珊瑚礁白化历史数据包括：珊瑚礁白化区域、珊瑚礁白化区域对应的历史温度峰值、珊瑚礁白化区域对应的历史温度持续时间和珊瑚礁白化区域对应的历史珊瑚种类；[0066] 对每一所述珊瑚礁白化历史数据进行数据清洗，并对数据清洗后的珊瑚礁白化历史数据进行已知白化程度的标记，获得珊瑚礁白化历史样本；[0067] 将所述珊瑚礁白化历史样本输入至CNN与RNN融合神经网络模型中进行训练，获得珊瑚礁白化预测模型。[0068] 在一具体的实施例中，通过CNN与RNN融合神经网络模型（如：CNN?LSTM模型）能够很好地挖掘历史温度峰值、历史温度持续时间和历史珊瑚种类与白化程度的关联，CNN模块更有利于挖掘历史珊瑚种类与白化程度的关联，RNN模块更有利于挖掘历史温度峰值和历史温度持续时间这种时序数据的关联。[0069] 可以理解的是，白化程度可基于白化覆盖比例来确定，通过计算珊瑚白化面积与珊瑚原面积之间的比值确定白化程度，可为具体数值。[0070] 步骤103：在珊瑚预测白化程度大于预测白化阈值时，基于所述光照强度，生成水下无人摄像机的控制参数；其中，所述控制参数包括：光圈参数、快门参数、补光光照强度和珊瑚拍摄距离。[0071] 在一具体的实施例中，预测白化阈值可根据用户的需求自适应调整。[0072] 在本实施例中，所述基于所述光照强度，生成水下无人摄像机的控制参数，包括：[0073] 将所述光照强度和水下无人摄像机的平均移动速度，代入快门参数计算公式，确定水下无人摄像机的快门参数；其中，快门参数计算公式具体为：[0074] ；[0075] 式中， 为光照强度，为平均移动速度，为快门参数；[0076] 基于所述光照强度确定预设的光圈参数；[0077] 将珊瑚礁所处区域的光线衰减系数、珊瑚礁所处区域的水深和所述光照强度，代入光衰减公式，获得补光光照强度；其中，所述光衰减公式具体为：[0078] ；[0079] 式中，为光线衰减系数，为水深， 为补光光照强度；[0080] 将水下无人摄像机的最小对焦距离、珊瑚礁所处区域的水下清晰度和所述光照强度，代入拍摄距离计算公式，获得珊瑚拍摄距离；其中，所述拍摄距离计算公式具体为：[0081] ；[0082] 式中， 为最小对焦距离，为水下清晰度， 为水下清晰距离， 为珊瑚拍摄距离。[0083] 在一具体的实施例中，通过对环境的感知进行补光光照强度的确定，能够使得水下无人摄像机能够保持恒定的光照强度进行拍摄；通过珊瑚礁所处区域的光照强度确定光圈参数和快门参数，能够保证水下无人相机能够以稳定且清楚的方式进行珊瑚的拍摄；通过珊瑚拍摄距离的确定，能够保证水下无人摄像机能够时刻处于成像清晰的状态。通过以上几种参数的确定，确保了水下无人摄像机输出的照片是清晰的。[0084] 步骤104：基于所述珊瑚拍摄距离，对珊瑚礁所处区域进行分区规划，获得若干珊瑚礁子拍摄区域，并控制所述水下无人摄像机在每一珊瑚礁子拍摄区域中基于所述光圈参数、所述快门参数和所述补光光照强度进行拍摄，获得每一珊瑚礁子拍摄区域对应的珊瑚灰度图像；其中，在每一珊瑚礁子拍摄区域内，对拍摄获得的珊瑚图像进行边缘切割以及灰度处理，获得珊瑚灰度图像。[0085] 在一具体的实施例中，对于获得的珊瑚灰度图像，首先使用图像处理算法，如Canny边缘检测算法，来提取珊瑚图像中的边缘信息。这个算法会根据图像的亮度变化来确定边缘的位置，并将其标记出来。通过边缘切割，我们可以得到一个只包含珊瑚边缘的图像；再将只包含珊瑚边缘的图像转化为灰度图像。灰度图像是一种只包含黑白灰三个色调的图像，其中黑色表示较低的灰度值，白色表示较高的灰度值。我们可以使用灰度处理算法，如灰度转换或者基于亮度的算法，将彩色图像转化为灰度图像。[0086] 可以理解的是，由于珊瑚礁白化部分的珊瑚比较光滑且颜色偏灰白，在灰度图像上呈现比较均匀的灰度值，而珊瑚礁正常部分的珊瑚则有很多纹路，在灰度图像上呈现不均匀的灰度值。[0087] 在本实施例中，所述基于所述珊瑚拍摄距离，对珊瑚礁所处区域进行分区规划，获得若干珊瑚礁子拍摄区域，包括：[0088] 根据所述珊瑚拍摄距离，确定水下无人摄像机的矩形拍摄面积；[0089] 根据所述珊瑚礁所处区域，对珊瑚礁所包括的珊瑚进行定位，生成矩形珊瑚面积；其中，所述矩形珊瑚面积远大于所述矩形拍摄面积；[0090] 将所述矩形珊瑚面积除以所述矩形拍摄面积，获得区域数；[0091] 基于区域数获得若干珊瑚礁子拍摄区域；其中，所述基于区域数获得若干珊瑚礁子拍摄区域，具体为：对所述区域数进行识别；若为整数，则基于区域数对矩形珊瑚面积进行平均分区，获得若干珊瑚礁子拍摄区域；若不为整数，则对所述矩形珊瑚面积进行补面积操作，直至区域数为整数。[0092] 在一具体的实施例中，先确定摄像机的拍摄距离。根据拍摄距离，本实施例可以确定摄像机能够拍摄到的矩形区域，这个区域就是摄像机的拍摄面积，在确定了摄像机的拍摄面积后，本实施例需要根据珊瑚礁所处的区域来定位珊瑚的位置。通过对珊瑚进行定位，本实施例可以计算出珊瑚所占据的矩形面积；将珊瑚的矩形面积除以摄像机的拍摄面积，本实施例可以得到一个区域数。这个区域数表示珊瑚的面积相对于摄像机拍摄面积的比例；据区域数，本实施例可以确定需要拍摄的珊瑚礁子区域的数量。如果区域数是一个整数，我们可以将珊瑚的矩形面积平均分成若干个区域，每个区域对应一个珊瑚礁子的拍摄区域。如果区域数不是一个整数，本实施例可以对珊瑚的矩形面积进行补充，直到区域数成为一个整数为止。[0093] 步骤105：对每一所述珊瑚灰度图像进行白化识别，获得珊瑚礁所处区域的珊瑚礁白化程度。[0094] 在本实施例中，所述对每一所述珊瑚灰度图像进行白化识别，获得珊瑚礁所处区域的珊瑚礁白化程度，包括：[0095] 根据所述珊瑚预测白化程度，确定分割参数；[0096] 在每一珊瑚灰度图像中，基于所述分割参数对珊瑚灰度图像进行分割，获得珊瑚灰度图像对应的若干珊瑚灰度子图像，将平均灰度值小于灰度阈值的珊瑚灰度子图像选取为珊瑚白化图像，计算珊瑚白化图像的数量与珊瑚灰度子图像的总数量之间的白化比值；[0097] 基于每一珊瑚灰度图像对应的白化比值，确定珊瑚礁所处区域的珊瑚礁白化程度。[0098] 在一具体的实施例中，基于获得的分割参数，以便在珊瑚灰度图像中分割不同的珊瑚区域，对珊瑚灰度图像进行处理，将整张图像分割成多个小块（珊瑚灰度子图像）。假设最终分割后得到10个珊瑚灰度子图像，对于每个子图像，计算它们的平均灰度值。如果某个子图像的平均灰度值低于一个设定的灰度阈值（比如低于100，可由用户自定义设置），那么这个子图像就被标记为珊瑚白化图像。假设有3个子图像符合这个标准，计算白化图像的数量（3个）与总子图像数量（10个）之间的比值。这个比值是3除以10=0.3。最后，基于每一张珊瑚灰度图像的白化比值（在本例中是0.3），能够判断出该珊瑚礁所处区域的整体珊瑚白化程度。如果比值较高，说明白化现象较严重；如果比值较低，则说明珊瑚较健康。[0099] 在本实施例中，所述根据所述珊瑚预测白化程度，确定分割参数，包括：[0100] 调取与所述珊瑚预测白化程度对应的珊瑚白化灰度图像样本；[0101] 将所述珊瑚白化灰度图像样本分割成若干个同样大小的珊瑚白化子灰度图像样本，计算每一珊瑚白化子灰度图像样本的平均灰度值；[0102] 按预设的尺寸步长，对每一珊瑚白化子灰度图像样本的分割尺寸进行缩。⒓扑忝恳环指畛叽缦碌纳汉靼谆踊叶韧枷裱镜钠骄叶戎，在平均灰度值保持不变时，确定最小分割尺寸；[0103] 基于所述最小分割尺寸，确定分割参数。[0104] 在一具体的实施例中，将珊瑚白化灰度图像样本分割成若干个小块，假设每一块的大小为每个子图像的10x10像素。这样，如果原图是100x100像素，就会得到100个小块的“珊瑚白化子灰度图像样本”；计算每个珊瑚白化子灰度图像样本的平均灰度值；例如，某个10x10的小块的平均灰度值可能是80，这意味着这个区域的珊瑚可能比较白化。按预设的尺寸步长（比如每次缩小5像素，可以自适应调整）来逐渐缩小每个子图像的分割尺寸；例如，原来是10x10的子图像，可以先尝试分割成5x5的子图像。对于每个缩小后的子图像样本，再次计算它们的平均灰度值。例如，5x5的某个小块的平均灰度值可能变成了85。重复这个过程，继续缩小尺寸，计算每个新子图像的平均灰度值，直到发现某个分割尺寸下，平均灰度值保持不变；例如，当分割到3x3的尺寸时，某个小块的平均灰度值依然是80，那么这个尺寸就被认为是稳定的。一旦找到了平均灰度值保持不变的最小分割尺寸，比如3x3的子图像，科学家就会确定这个尺寸作为后续分析的基。蛔詈，基于找到的最小分割尺寸（如3x3），科学家设定一个分割参数，以便在后续的图像处理中使用。这一参数将帮助他们在分析其他珊瑚图像时，有效地识别和评估白化情况。[0105] 可以理解的是，若本发明应用于白色珊瑚，则需要对灰度值高的区域进行检测，先确定正常区域，在基于正常区域的面积反推白化区域面积，进而首先白色珊瑚的白化程度的确定。[0106] 参见图2，图2是本发明一实施例提供的一种水下珊瑚礁白化程度确定系统的结构示意图，包括：数据获取模块201、数据预测模块202、控制参数生成模块203、拍摄模块204和白化识别模块205；[0107] 所述数据获取模块，用于获取珊瑚礁所处区域的环境数据和珊瑚种类；其中，所述环境数据包括：光照强度、温度峰值和温度持续时间；[0108] 所述数据预测模块，用于根据所述温度峰值、所述温度持续时间和所述珊瑚种类，确定所述珊瑚礁所处区域的珊瑚预测白化程度；[0109] 所述控制参数生成模块，用于在珊瑚预测白化程度大于预测白化阈值时，基于所述光照强度，生成水下无人摄像机的控制参数；其中，所述控制参数包括：光圈参数、快门参数、补光光照强度和珊瑚拍摄距离；[0110] 所述拍摄模块，用于基于所述珊瑚拍摄距离，对珊瑚礁所处区域进行分区规划，获得若干珊瑚礁子拍摄区域，并控制所述水下无人摄像机在每一珊瑚礁子拍摄区域中基于所述光圈参数、所述快门参数和所述补光光照强度进行拍摄，获得每一珊瑚礁子拍摄区域对应的珊瑚灰度图像；其中，在每一珊瑚礁子拍摄区域内，对拍摄获得的珊瑚图像进行边缘切割以及灰度处理，获得珊瑚灰度图像；[0111] 所述白化识别模块，用于对每一所述珊瑚灰度图像进行白化识别，获得珊瑚礁所处区域的珊瑚礁白化程度。[0112] 可以理解的是，上述系统项实施例是与本发明方法项实施例相对应的，其可以实现本发明上述任意一项方法项实施例提供的水下珊瑚礁白化程度确定方法。[0113] 本实施例通过获取珊瑚礁所处区域的环境数据和珊瑚种类；根据温度峰值、温度持续时间和珊瑚种类，确定珊瑚礁所处区域的珊瑚预测白化程度；在珊瑚预测白化程度大于预测白化阈值时，基于光照强度，生成水下无人摄像机的控制参数；基于珊瑚拍摄距离，对珊瑚礁所处区域进行分区规划，获得若干珊瑚礁子拍摄区域，并控制水下无人摄像机在每一珊瑚礁子拍摄区域中基于光圈参数、快门参数和补光光照强度进行拍摄，获得每一珊瑚礁子拍摄区域对应的珊瑚灰度图像；其中，在每一珊瑚礁子拍摄区域内，对拍摄获得的珊瑚图像进行边缘切割以及灰度处理，获得珊瑚灰度图像；对每一珊瑚灰度图像进行白化识别，获得珊瑚礁所处区域的珊瑚礁白化程度。本发明基于温度对珊瑚礁的影响，对存在有珊瑚礁的高温地区进行珊瑚白化的初步确定，并针对初步确定的珊瑚礁进行拍摄，基于拍摄获得的珊瑚灰度图像进行珊瑚白化分析，实现了水下珊瑚礁的白化勘测的自动化，大大提高了水下珊瑚礁的白化勘测效率。[0114] 实施例二[0115] 参见图3，图3是本发明一实施例提供的终端设备结构示意图。[0116] 该实施例的一种终端设备包括：处理器301、存储器302以及存储在所述存储器302中并可在所述处理器301上运行的计算机程序。所述处理器301执行所述计算机程序时实现上述各个水下珊瑚礁白化程度确定方法在实施例中的步骤，例如图1所示的水下珊瑚礁白化程度确定方法的所有步骤。或者，所述处理器执行所述计算机程序时实现上述各系统实施例中各模块的功能，例如：图2所示的水下珊瑚礁白化程度确定系统的所有模块。[0117] 另外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施例所述的水下珊瑚礁白化程度确定方法。[0118] 本领域技术人员可以理解，所述示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。[0119] 所称处理器301可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器 (DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field?ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器301是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。[0120] 所述存储器302可用于存储所述计算机程序和/或模块，所述处理器301通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器302内的数据，实现所述终端设备的各种功能。所述存储器302可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（SmartMediaCard,SMC），安全数字（SecureDigital,SD）卡，闪存卡（FlashCard）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。[0121] 其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read?OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、电载波信号、电信信号以及软件分发介质等。[0122] 需说明的是，以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的系统实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。[0123] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

专利地区：广东

专利申请日期：2024-09-03

专利公开日期：2024-11-29

专利公告号：CN118762299B