本發明屬于機器視覺的目標檢測，尤其涉及基于多任務深度學習與自適應背景去除的藍藻檢測方法。

背景技術：

1、藍藻水華的發生對水質、生態環境，甚至人類健康構成了重大威脅。傳統的藍藻檢測方法，包括顯微鏡檢查、化學分析以及傳感器技術，雖然能提供較為準確的檢測結果，但都存在采樣周期長、檢測區域局限性大、操作繁瑣等缺點。因此，利用遙感影像及圖像處理技術進行自動化藍藻檢測，成為近年來廣泛研究的熱點。遙感數據中藍藻的光譜反射特性（如葉綠素a濃度等）具有獨特性，但由于水體中常存在諸如藻類、浮游植物、懸浮物等干擾物，導致藍藻的識別任務具有挑戰性。為了解決這些問題，研究者們借助了深度學習等智能算法，結合圖像分析、目標檢測和背景去除等技術，取得了顯著的進展。

2、現有的深度學習藍藻識別方法可以大致分為兩類：

3、第一類：基于圖像識別的主要集中在通過水體圖像進行藍藻的目標檢測、分類和分割方法，基于圖像識別的方法的缺點在于：一方面，不同的水域環境和藍藻種類可能會導致模型的泛化能力受限；在新的環境或面對未見過的藍藻類型時，模型的識別準確率可能會下降；另一方面，由于水體中存在多種物質，如浮游植物、懸浮物等，它們的光譜特征可能與藍藻相似，這使得現有的單獨目標檢測方法容易產生誤檢或漏檢，尤其是在藍藻與其他生物物質之間的光譜差異不明顯時。

4、第二類：基于遙感數據的利用衛星、多光譜或高光譜遙感圖像來大范圍監測和預測藍藻的動態方法，基于遙感數據的方法的缺點在于：一方面，遙感數據通常具有高維度和大容量的特點，處理和分析這些數據需要專業的技術和工具；此外，遙感數據的獲取和處理可能會受到衛星軌道、云層遮擋等因素的影響，導致數據的不完整性和不準確性；另一方面，衛星圖像的空間分辨率有限，且影像獲取的周期性限制了對藍藻變化的及時監測。

技術實現思路

1、本發明實施例的目的在于提供基于多任務深度學習與自適應背景去除的藍藻檢測方法，旨在解決現有方法在復雜水體環境中背景干擾處理能力不足、適應性差，以及傳統方法如基于光學傳感器的檢測和簡單的圖像處理算法，難以應對水體環境的動態變化，導致檢測精度和魯棒性不足的技術問題。

2、為實現上述目的，本發明提供了如下的技術方案。

3、本發明一實施例提供了基于多任務深度學習與自適應背景去除的藍藻檢測方法，該藍藻檢測方法包括以下步驟：

4、構建檢測模型，檢測模型包括多模態自適應圖注意力網絡magan和多任務深度學習框架；

5、在多模態自適應圖注意力網絡magan中，通過圖卷積網絡gcn提取圖像的局部特征，結合圖注意力機制，自適應調整增強圖像中各個區域的關注程度，得到背景去除后輸出的特征；

6、對背景去除后輸出的特征通過共享卷積層提取通用特征，生成特征圖；在多任務深度學習框架中，利用卷積層和全連接層對藍藻進行分類或分割，生成檢測結果，判斷圖像中是否包含藍藻，并定位藍藻區域；以及通過卷積層和全連接層重建圖像背景，生成去除背景后的圖像；設計多任務損失函數，結合藍藻檢測損失和背景去除任務損失，通過加權組合進行聯合優化；

7、訓練并優化模型參數，將水面圖像作為模型的輸入，輸出水面圖像中藍藻的檢測結果。

8、進一步的，通過圖卷積網絡gcn提取圖像的局部特征的步驟，包括：

9、對于輸入圖像，利用超像素劃分算法slic將圖像劃分為多個具有相似特征的區域，通過多模態特征提取得到向量fi，fi=[ci,ti,si,li]，ci表示顏色特征向量，ti表示紋理特征向量，si表示形狀特征向量，li表示光照特征向量。

10、進一步的，結合圖注意力機制，自適應調整增強圖像中各個區域的關注程度，得到背景去除后輸出的特征的步驟，包括：

11、使用圖注意力機制對圖像特征進行自適應加權，計算節點間的注意力權重以動態調整圖像中每個區域的關注程度；

12、注意力權重會對節點的特征進行加權求和，得到更新后的節點特征；

13、每個節點的特征在圖卷積操作中通過與鄰域節點的特征進行加權求和進行更新；

14、通過計算前景和背景之間的對比損失強化區域間的差異，去除背景得到輸出的特征。

15、進一步的，在圖注意力機制中，模型為每個節點計算一個注意力權重αij，注意力權重αij表示節點與其他節點之間的相關性；

16、注意力機制的計算公式表示如下：

17、；

18、其中：qi是節點i的查詢向量，kj是節點j的鍵向量，k表示節點?i的鄰居節點集合，αij是節點i對節點j的注意力權重；wq表示查詢向量q的權重矩陣；t表示轉置操作；表示節點k的鍵向量；通過計算來度量節點i和節點j之間的相似性，通過leakyrelu激活函數引入非線性變換；注意力系數通過softmax歸一化，使每個節點的注意力權重總和為1；

19、最終，節點i的特征將通過以下加權聚合過程得到：，其中,hj是節點j的特征。

20、進一步的，在圖卷積網絡gcn中，每個超像素區域的特征向量在圖卷積層中通過其鄰域的像素特征進行更新得到；圖卷積層的更新如下所示：

21、；

22、其中，是節點i在第l層的特征表示；n（i）表示節點i的鄰居節點集合；aij是節點i和j之間的鄰接矩陣元素，反映它們的相似度；w（l）是圖卷積層的學習權重矩陣；σ是relu激活函數；cij表示歸一化系數，其中，，其中，deg（i）表示節點i的度；deg（j）表示節點j的度。

23、進一步的，所述通過計算前景和背景之間的對比損失強化區域間的差異，去除背景得到輸出的特征的步驟，包括：

24、在經過圖卷積和自注意力機制處理后，得到的節點特征包含前景信息和背景信息；

25、引入一個背景去除模塊，將提取到的特征進行差異化處理，該模塊通過對比損失lcontrastiv來區分藍藻與背景之間的差異性，表示如下：

26、；

27、其中，和分別表示前景和背景區域的特征，n是樣本數；

28、輸出層進行前景和背景的分離，使用全連接層將圖像的每個像素或區域特征映射到背景與前景的類別標簽，表示為：yi=softmax（wouthi）；其中，hi表示節點i的特征向量，yi表示節點i的分類結果，分類結構為前景或背景；wout是全連接層的權重矩陣。

29、進一步的，所述對背景去除后輸出的特征通過共享卷積層提取通用特征，生成特征圖的步驟，包括：

30、將背景去除后輸出的特征輸入到一個共享的卷積層fshared，表示如下：

31、fshared（x）=relu（conv（hmagan））；

32、其中，fshared提取的是通用的視覺特征，適用于后續所有任務；通過relu激活函數來增強非線性;每一層卷積層提取圖像的不同層次的特征；hmagan表示處理輸入圖像后得到的節點特征矩陣。

33、進一步的，所述利用卷積層和全連接層對藍藻進行分類或分割，生成檢測結果，判斷圖像中是否包含藍藻，并定位藍藻區域的步驟，包括：

34、在提取完所有卷積特征之后，特征圖被展平并傳遞到全連接層進行最終的藍藻分割；

35、利用全連接層falgae_fc對藍藻進行分割，判斷圖像中是否包含藍藻，并精確定位藍藻區域，表示如下：

36、falgae（x）=relu（falgae_fc(flatten(fshared(x)))）；

37、falgae_fc(x)=wi·x+bi；

38、其中，i為全連接層次數，i取1、2、3時相應得到的[w1,w2,w3]和[b1,b2,b3]分別為相應全連接層的權重矩陣和偏置項；

39、輸出層是一個sigmoid層，用于分割任務，輸出每個像素是否屬于藍藻區域的概率。

40、進一步的，所述通過卷積層和全連接層重建圖像背景，生成去除背景后的圖像的步驟，包括：

41、采用轉置卷積來對特征圖進行上采樣并重建背景；其中，輸入特征圖fin的尺寸是h′×w′×cin，通過轉置卷積將其上采樣到h×w×cout，轉置卷積操作表示如下：fout=deconv(fin,kdeconv,stride,padding)；其中：fin是尺寸為h′×w′×cin的輸入特征圖；kdeconv是大小為3×3的轉置卷積的卷積核，用于學習圖像中的空間關系；stride表示步幅；padding表示填充；fout是尺寸為h×w×cout的輸出特征圖。

42、進一步的，所述設計多任務損失函數，結合藍藻檢測損失和背景去除任務損失，通過加權組合進行聯合優化的步驟，包括：

43、設計多任務損失函數，結合藍藻檢測和背景去除任務的損失，通過加權組合進行聯合優化，其中，藍藻檢測損失lalgae采用交叉熵損失，表示為：

44、;

45、其中，表示實際的藻類值,為預測的藻類值；

46、背景去除損失lbg使用均方誤差mse損失，表示如下：

47、；

48、其中，ybgijk表示輸入圖像中相應的真實像素值；ybg?adjustedijk表示去除背景后的圖像的像素值；h和w分別是輸出圖像的高和寬，c是輸出圖像的通道數；總損失ltotal表示如下：ltotal=λalgaelalgae+λbglbg；

49、其中，λalgae和λbg均表示權重系數，用于平衡藍藻檢測任務和背景去除任務的損失。

50、與現有技術相比，本發明基于多任務深度學習與自適應背景去除的藍藻檢測方法的有益效果是：

51、第一，本發明magan模型架構的圖卷積網絡能夠在圖結構中處理圖像的空間信息，將水體圖像轉化為圖結構，通過對圖中節點之間關系的學習，提取局部特征，這使得模型在處理藍藻的復雜形態及其與背景的相互關系時，具備了更強的空間感知能力；

52、第二，本發明magan模型架構自注意力機制則通過對圖像中各個區域的全局上下文信息的關注，進一步增強了模型在復雜環境下對藍藻與背景之間的精確區分能力，能夠有效地抑制背景噪聲，提高對藍藻的識別準確性；

53、第三，本發明還采用了自適應背景去除機制，這使得模型能夠根據不同水域環境的特點，動態調整背景的處理方式，確保背景去除的效果不會影響藍藻檢測的精度。通過這種自適應調節，背景去除模塊能夠有效避免在復雜場景中背景干擾的過度消除或不充分去除的問題。

54、第四，本發明結合多任務深度學習框架，使得藍藻檢測任務與背景去除任務可以共享部分特征并協同優化，從而進一步提高了整體性能，這種多任務協同優化機制確保了藍藻檢測任務與背景去除任務之間的有效信息傳遞與互補，增強了模型的適應性和魯棒性，使得該方法在復雜動態水域環境中表現出了優越的檢測精度和可靠性。