(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211157737.5 (22)申请日 2022.09.22 (71)申请人 海南浙江大学研究院 地址 572000 海南省三 亚市崖州区崖州湾 科技城标准厂房二期三楼C 310区 (72)发明人 黄慧　李龙宇　刘韬　郭明皓　 曲景邦　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 贾玉霞 (51)Int.Cl. G06V 20/05(2022.01) G06N 3/04(2006.01) G06Q 10/06(2012.01) G06K 9/62(2022.01)G06Q 50/02(2012.01) G06V 10/82(2022.01) G06V 40/10(2022.01) G08B 21/18(2006.01) (54)发明名称 一种海星灾害预警方法及系统 (57)摘要 本发明公开一种海星灾害预警方法及系统， 采用海星灾害预警模型， 根据实时获取的现场同 步观测数据， 对目标海域未来是否会发生海星灾 害事件进行预测， 其中， 海星灾害预警模型是根 据历史海星灾害现场观测数据集与所述相关性 较高的水质参数数据训练得到的， 海星灾害预警 模型考虑多种具有较高相关性水质参数数据的 因素， 其是基于多种因素构成的多维数据构建 的。 本发明能对海星灾害多发海域的海星灾害爆 发事件进行预测预警， 使 得管理人员可以缩短响 应时间甚至提前制止海星灾害的发生， 极大限度 的减小海星灾害爆发造成的海洋牧场的经济损 失或珊瑚礁的生态损失。 权利要求书3页 说明书10页 附图2页 CN 115240060 A 2022.10.25 CN 115240060 A 1.一种海星灾害预警方法， 其特 征在于， 包括如下步骤： 步骤一： 获取现场同步观测数据； 所述现场同步观测数据为目标海域的现场长期原位观测的海星视频数据集和目标海 域的水质参数数据； 所述水质参数数据为多维数据； 一种水质参数对应单维数据； 每一个单 维数据对应一个时间序列； 步骤二： 预处 理现场同步观测数据； 将所述海星视频数据集使用预训练好的基于深度学习的目标检测模型处理成海星数 量数据集； 对所述目标海域的水质参数 数据进行缺失值 填充和归一 化处理； 步骤三： 将所述海星数量数据集与处理后的所述目标海域的水质参数数据输入预警确 立模型中得到预警模型； 所述预警确立模型的建立方法如下： 水质参数相关性分析： 对处理后的目标海域的水质参数数据与 所述目标海域的历史海 星数量数据集进行相关性分析， 挑选出相关性较高的水质参数 数据； 爆发标准建立： 基于所述目标海域的历史海星数量数据集， 使用聚类算法建立爆发标 准； 基于历史海星灾害现场观测数据集与所述相关性较 高的水质参数数据， 结合所述爆发 标准， 使用神经网络模型建立预警模型； 步骤四： 使用预警模型对目标海域未来海星灾害爆发风险进行 预警。 2.根据权利要求1所述的海星灾害预警方法， 其特征在于， 所述预训练好的基于深度 学 习的目标检测模型的建立过程如下： 从目标海域的现场长期原位观测的海星视频数据集中挑选出部分子集并标注， 将所述 子集划分为训练集和测试集， 训练集用于训练所述基于深度学习的目标检测模型， 测试集 用于测试训练后的所述基于深度学习的目标检测模型， 取测试集精确度最高的模型为所述 预训练好的基于深度学习的目标检测模型； 其中， 所述部分子集 为图像数据集， 其挑选方法如下： 以相同的间隔从视频数据中每个视频中抽取若干帧作为抽帧结果； 从所述抽帧结果中 挑选出的图像符合如下条件： （1） 光照条件好， 以保证标注工作的顺利进行； （2） 来自每个月 份的图像数量接 近， 以保证图像数据集的平衡。 3.根据权利要求1所述的海星灾害预警方法， 其特征在于， 所述爆发标准建立的过程如 下： 基于所述海星数量数据集， 以固定间隔s为单位划分为M个部分， 其中每一部分单独计 算统计量， 得到多维点 集 其中， 表示第j部分第i种统计量的数据， i=1,2, …,d， j=1,2, …,M；权　利　要　求　书 1/3 页 2 CN 115240060 A 2以所述多维点集的每一行为输入， 使用聚类算法聚为k类[r1 r2  … rj  … rk]； 其中， k 为风险等级划分数量， rj为第j类的风险等级； 所述聚类算法为风险等级生成模型； 每一类 聚类结果所覆盖的聚类范围为 不同风险等级的爆发标准。 4.根据权利要求3所述的海星灾害预警方法， 其特征在于， 所述聚类算法为k ‑means算 法； 以所述多维点 集的每一行为输入， 使用聚类算法聚为 k类的具体过程如下： a .从 多 维 点 集 随 机 初 始 化 k 个 聚 类 中 心 ，其 中 ， 且1≤k≤ M； b. 计算每一个对象 到每一个聚类中心 的距离， 距离公式如下： c. 依次比较每一个对象到每一个聚类中心的距离， 将对象分配到距离最近的聚类中 心的类簇中， 得到k个 类簇； d.根据每个类簇内的所有点， 重新计算该类簇的中心点， 中心点就是类簇内所有对象 在各个维度的均值； e.重复步骤c和步骤d， 直到新的中心点与上一轮中心点 一致。 5.根据权利要求3所述的海星灾害预警方法， 其特征在于， 所述预警模型的建立过程如 下： 以同一时间段的所述海星数量数据集与 所述相关性较高的水质参数数据为输入， 以下 一时间段海星数量数据集对应的风险等级为输出， 使用神经网络模型建立预警模型； 同一时间段海星数量数据集输入的数据格式为[n1 n2  …  nj  …  nk]； 同一时间段相关性较高的水质参数 数据输入的数据格式为： 以下一时间段海星数量数据集[nk+1 nk+2  … nk+j  … nk+m]为输入， 使用所述风险等级 生成模型生成对应风险等级rm； 所述神经网络模型包括输入层、 3个全连接层、 输出层； 所述输入层的输入维度为  [N+ 1,k]， 其中k为海星数量数据集的输入 数量， N为相关性较高的水质参数数据的维数； 所述全 连接层表述为Y=f(WX+B)， 其中， Y为全连接层的输出， f为激活函数， 3个全连接层均 设置为 relu函数， X为前一全连接层的输出或输入层的输入， W 为可学习的权 重参数， B为偏置参数。 6.根据权利要求5所述的海星灾害预警方法， 其特征在于， 所述步骤四， 使用预警模型 对目标海域未来海星灾害爆发风险进行 预警， 具体包括：权　利　要　求　书 2/3 页 3 CN 115240060 A 3