本申请涉及计算机，尤其涉及一种声纳图像的异常识别模型训练方法和异常识别方法、介质。
背景技术：
1、在水下目标识别与侧扫声纳数据分析领域，侧扫声纳图像处理技术在面对复杂的海底地形和多种声纳噪声时，往往难以检测和分类海底的小型异常目标，这降低了识别的可靠性和准确性。相关技术中的方案，在处理有限标记数据的情形时，海底地形多变，负样本种类多，尤其是当无法获取足够的标记正负样本时，效果并不理想，限制了模型的适应性和鲁棒性。
技术实现思路
1、本申请实施例的主要目的在于提出一种高效的声纳图像的异常识别模型训练方法和异常识别方法、介质。
2、为实现上述目的，本申请实施例的一方面提出了一种声纳图像的异常识别模型训练方法，所述方法包括：获取声纳图像样本和海底地形样本；对所述声纳图像样本和所述海底地形样本进行融合处理，确定融合样本；所述融合样本包括标记样本、背景样本和异常识别的真实结果；将所述融合样本输入分类模型，得到第一分类结果；所述异常识别模型包括所述分类模型；所述第一分类结果用于表征属于正样本的概率；根据所述第一分类结果和预设常值，确定第二分类结果；所述第二分类结果用于表征基于标记样本的分类结果，所述预设常值用于表征有标记的正样本数量与总正样本数量之比；根据所述第二分类结果与真实结果采用目标损失函数计算损失值，根据所述损失值更新所述预设常值和所述分类模型的参数，得到训练好的所述异常识别模型。本申请实施例通过对样本的融合处理，提供更加全面的海底地图，有助于提高对小型异常目标特征的表示能力；本申请实施例通过第一分类结果和预设常值，得到第二分类结果，进而根据第二分类结果进行损失值计算和模型参数的更新，提升了模型的适应性和鲁棒性，进而提升异常识别的准确度。
3、在一些实施例中，本申请实施例提供的方法，所述目标损失函数通过下列步骤确定：
4、根据所述第二分类结果与所述真实结果，基于最大似然估计构建第一损失函数；
5、根据所述第一分类结果与所述第二分类结果的关联关系，更新所述第一损失函数，得到第二损失函数；
6、将所述第二损失函数进行正则化处理，确定目标损失函数。
7、在一些实施例中，本申请实施例提供的方法，所述关联关系通过下列步骤确定：
8、确定1与所述预设常值的差为第一数值；
9、确定所述第一数值与所述预设常值的商为第二数值；
10、确定所述第二数值与所述第一分类结果的和为第三数值；
11、确定所述第一分类结果与所述第三数值的商为所述第二分类结果。
12、在一些实施例中，本申请实施例提供的方法，还包括：
13、对所述融合样本进行下采样，确定基础层；所述基础层包括若干节点；
14、对所述基础层中的每个节点进行上采样，确定下一层节点，直至最后一层；
15、将当前层级的第一节点与基础层中的第二节点进行跳跃连接，构建分类模型；所述第二节点与所述第一节点处于同阶段，所述当前层级用于表征除所述基础层之外的其它层级。
16、在一些实施例中，本申请实施例提供的方法，还包括：
17、初始化所述预设常值；
18、根据所述第二分类结果与真实结果采用目标损失函数计算当前损失值，若所述当前损失值大于或等于上一次的损失值，且损失值不下降的次数大于或等于预设连续次数，更新所述预设常值和所述分类模型的参数；
19、或者，根据所述第二分类结果与真实结果采用目标损失函数计算当前损失值，若所述当前损失值小于上一次的损失值，保持所述预设常值和所述分类模型的参数不变；
20、或者，若当前训练迭代次数大于或等于预设迭代次数，得到训练好的所述异常识别模型。
21、在一些实施例中，本申请实施例提供的方法，所述对所述声纳图像样本和所述海底地形样本进行融合处理，确定融合样本，包括：
22、若所述声纳图像样本和所述海底地形样本不存在空间分辨率差异，将所述声纳图像样本覆盖在所述海底地形样本上，确定融合样本；
23、或者，若所述声纳图像样本和所述海底地形样本存在空间分辨率差异，对所述声纳图像样本和所述海底地形样本进行插值处理，确定融合样本。
24、为实现上述目的，本申请实施例的另一方面提出了一种声纳图像的异常识别方法，包括：
25、获取声纳图像数据和海底地形数据；
26、对所述声纳图像数据和所述海底地形数据进行融合处理，确定融合数据；
27、将所述融合数据输入异常识别模型，得到异常识别结果；所述异常识别模型通过上述的方法训练得到。
28、为实现上述目的，本申请实施例的另一方面提出了一种声纳图像的异常识别系统，所述系统包括：
29、第一模块，用于获取声纳图像数据和海底地形数据；
30、第二模块，用于对所述声纳图像数据和所述海底地形数据进行融合处理，确定融合数据；
31、第三模块，用于将所述融合数据输入异常识别模型，得到异常识别结果。
32、为实现上述目的，本申请实施例的另一方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
33、为实现上述目的，本申请实施例的另一方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
34、本申请实施例至少包括以下有益效果：本申请实施例提供的方法包括：获取声纳图像样本和海底地形样本；对所述声纳图像样本和所述海底地形样本进行融合处理，确定融合样本；所述融合样本包括标记样本、背景样本和异常识别的真实结果；将所述融合样本输入分类模型，得到第一分类结果；所述异常识别模型包括所述分类模型；所述第一分类结果用于表征属于正样本的概率；根据所述第一分类结果和预设常值，确定第二分类结果；所述第二分类结果用于表征基于标记样本的分类结果，所述预设常值用于表征有标记的正样本数量与总正样本数量之比；根据所述第二分类结果与真实结果采用目标损失函数计算损失值，根据所述损失值更新所述预设常值和所述分类模型的参数，得到训练好的所述异常识别模型。本申请实施例通过对样本的融合处理，提供更加全面的海底地图，有助于提高对小型异常目标特征的表示能力；本申请实施例通过第一分类结果和预设常值，得到第二分类结果，进而根据第二分类结果进行损失值计算和模型参数的更新，提升了模型的适应性和鲁棒性，进而提升异常识别的准确度。
1.一种声纳图像的异常识别模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述目标损失函数通过下列步骤确定：
3.根据权利要求2所述的方法，其特征在于，所述关联关系通过下列步骤确定：
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述对所述声纳图像样本和所述海底地形样本进行融合处理，确定融合样本，包括：
7.一种声纳图像的异常识别方法，其特征在于，所述方法包括：
8.一种声纳图像的异常识别系统，其特征在于，所述系统包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求7所述的声纳图像的异常识别方法或者如权利要求1至6任一项所述的声纳图像的异常识别模型训练方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求7所述的声纳图像的异常识别方法或者如权利要求1至6任一项所述的声纳图像的异常识别模型训练方法。
