1.一种基于深度学习的深海矿物识别方法，其特征在于，包括如下步骤：

(1)采集数据，准备水下勘探AUV小车，在小车的四个角分别安装一个水下摄像机，负责拍摄水下矿物分布的视频；同时在AUV小车内部搭载北斗卫星定位系统和长基线定位传感器，用于记录矿物分布的地理位置坐标，在每个水下摄像机的上方都安装照明设备；

(2)处理数据，对采集的水下矿物分布的视频数据按一帧的时间长度读取，生成的图片数量少于3000张、大于500张，并从图片中筛选出和矿物分布有关的图片，作为训练所用的数据集；用标注工具labelme标注海底矿物的外边框，作为识别矿物分布的检测框，对每个标注的检测框都添加类别标签；把数据集划分为训练集，测试集和验证集，所划分的训练集，测试集和验证集是相互独立的，不能有重复的图片；

(3)深度学习训练，把训练集的图片放入深度学习网络模型中进行训练，深度学习网络模型采用yolov8网络模型进行训练，设置训练的迭代次数，训练结束会输出损失函数变化图和训练精度变化图；当输出损失函数和训练精度的曲线收敛，说明训练的结果稳定，结束训练，获得训练后的深度学习网络模型；

(4)深度学习验证，把验证集的图片放入训练后的深度学习网络模型中进行验证，计算平均精度均值mAP、平均精度AP、每秒传输帧数FPS、准确率P和召回率R，当平均精度均值mAP大于0.9，平均精度AP大于0.9，每秒传输帧数FPS大于120，准确率P大于0.8，召回率R大于

0.8时，表明深度学习网络模型验证合格；

当平均精度均值mAP小于0.9，平均精度AP小于0.9，每秒传输帧数FPS小于120，准确率P小于0.8，召回率R小于0.8时，返回步骤(3)，增加训练的迭代次数，再进行深度学习训练，得到迭代后的深度学习训练模型，直至验证合格；

(5)将验证集的图片输出成热力图形式，采用GradCam方法产生的激活类热力图；首先在深度学习网络模型中，验证集的图片和生成热力图的程序放在同一路径下；然后在深度学习网络模型中，设置权重文件的路径和GradCam方法的参数；最后输出矿物分布的热力图形式；

(6)采矿车作业，根据步骤(1)北斗卫星定位系统中存储的矿物地理位置坐标，确定矿物分布区间；通过北斗卫星定位系统，在给定区间的中心点投放采矿车；通过无线传输控制采矿车作业，输出热力图引导采矿车到达矿物分布区域。

2.根据权利要求1所述的一种基于深度学习的深海矿物识别方法，其特征在于：所述步骤(2)中图片筛选标准为：矿物超过3块的图片保留，少于3块矿物的图片剔除，图片分辨率高于640*640的保留。

3.根据权利要求2所述的一种基于深度学习的深海矿物识别方法，其特征在于：所述步骤(3)中采用的损失函数是交叉熵损失函数，交叉熵损失函数的公式如下：其中x表示样本，∑表示在样本x上求和，y表示标签，a表示预测的输出，Ina表示以e为底数、以a为真数的对数值，n表示样本总量，C表示交叉熵损失函数值。

4.根据权利要求3所述的一种基于深度学习的深海矿物识别方法，其特征在于：所述步骤(4)中平均精度均值mAP表示所有类别目标识别精度的均值，计算公式为：平均精度AP表示某一类别目标识别的精度，计算公式为：

P表示准确率，dr表示P对r的微分， 表示r的取值范围是0到1；

准确率P：表示预测为正样本的样本中真正为正样本的比例，计算公式为：

P＝TP/(TP+FP)

召回率R：表示真正的正样本中被识别出来的比例，计算公式为：

R＝TP/(TP+FN)

其中TP表示真正的正样本数量，FP表示误判为正样本的负样本数量，FN表示未识别到的正样本数量；

每秒传输帧数FPS是用来评估目标识别的速度，即每秒内可以处理的图片数量或者处理一张图片所需时间，计算公式为：time(pre‑process+inference+NMS)表示yolov8网络模型的识别时间，yolov8网络模型的识别时间分为三个部分，图像预处理pre‑process、推理inference、非极大值抑制处理NMS。

5.根据权利要求4所述的一种基于深度学习的深海矿物识别方法，其特征在于：所述步骤(5)中GradCam方法是基于梯度的激活类热力图，计算过程如下：首先计算c类别的的模型得分对于某个卷积层的梯度，同时在对于上述过程得到的梯度信息，在每个通道维度上对各像素值取平均，得到神经元重要性权重，计算公式为：c

其中Z代表特征图的像素个数，Aij代表第k个特征图的i，j位置的像素值，y表示c类别c的模型得分， 表示c类别模型的第k个特征图的神经元重要性权重， 表示y 对 偏导数；

然后，利用上述得到的神经元重要性权重对选定的卷积层的特征进行加权；最后，加权后输出的粗糙热力图经过ReLU(激活函数)操作得到热力图，计算公式为：k

其中A表示第k个特征图的像素值，ReLU表示一种激活函数。

6.一种基于深度学习的深海矿物识别系统，其特征在于，包括：

采集数据模块，用于拍摄水下矿物分布的视频并记录矿物分布的地理位置坐标；

处理数据模块，用于对采集的水下矿物分布的视频数据按一帧的时间长度读取，生成的图片数量少于3000张、大于500张，并从图片中筛选出和矿物分布有关的图片，作为训练所用的数据集；用标注工具labelme标注海底矿物的外边框，作为识别矿物分布的检测框，对每个标注的检测框都添加类别标签；把数据集划分为训练集，测试集和验证集，所划分的训练集，测试集和验证集是相互独立的，不能有重复的图片；

深度学习训练模块，用于把训练集的图片放入深度学习网络模型中进行训练，深度学习网络模型采用yolov8网络模型进行训练，设置训练的迭代次数，训练结束会输出损失函数变化图和训练精度变化图；当输出损失函数和训练精度的曲线收敛，说明训练的结果稳定，结束训练，获得训练后的深度学习网络模型；

深度学习验证模块，用于把验证集的图片放入训练后的深度学习网络模型中进行验证，计算平均精度均值mAP、平均精度AP、每秒传输帧数FPS、准确率P和召回率R，当平均精度均值mAP大于0.9，平均精度AP大于0.9，每秒传输帧数FPS大于120，准确率P大于0.8，召回率R大于0.8时，表明深度学习网络模型验证合格；

当平均精度均值mAP小于0.9，平均精度AP小于0.9，每秒传输帧数FPS小于120，准确率P小于0.8，召回率R小于0.8时，返回步骤(3)，增加训练的迭代次数，再进行深度学习训练，得到迭代后的深度学习训练模型，直至验证合格；

输出热力图模块，用于将验证集的图片输出成热力图形式，采用GradCam方法产生的激活类热力图；首先在深度学习网络模型中，验证集的图片和生成热力图的程序放在同一路径下；然后在深度学习网络模型中，设置权重文件的路径和GradCam方法的参数；最后输出矿物分布的热力图形式；

采矿作业模块，用于根据存储的矿物地理位置坐标，确定矿物分布区间；通过北斗卫星定位系统，在给定区间的中心点投放采矿车；通过无线传输控制采矿车作业，输出热力图引导采矿车到达矿物分布区域。

7.根据权利要求6所述的一种基于深度学习的深海矿物识别系统，其特征在于：所述处理数据模块中图片筛选标准为：矿物超过3块的图片保留，少于3块矿物的图片剔除，图片分辨率高于640*640的保留。

8.根据权利要求7所述的一种基于深度学习的深海矿物识别系统，其特征在于：所述深度学习训练模块中采用的损失函数是交叉熵损失函数，交叉熵损失函数的公式如下：其中x表示样本，∑表示在样本x上求和，y表示标签，a表示预测的输出，Ina表示以e为底数、以a为真数的对数值，n表示样本总量，C表示交叉熵损失函数值。

9.根据权利要求8所述的一种基于深度学习的深海矿物识别系统，其特征在于：所述深度学习验证模块中平均精度均值mAP表示所有类别目标识别精度的均值，计算公式为：平均精度AP表示某一类别目标识别的精度，计算公式为：

P表示准确率，dr表示P对r的微分， 表示r的取值范围是0到1；

准确率P：表示预测为正样本的样本中真正为正样本的比例，计算公式为：

P＝TP/(TP+FP)

召回率R：表示真正的正样本中被识别出来的比例，计算公式为：

R＝TP/(TP+FN)

其中TP表示真正的正样本数量，FP表示误判为正样本的负样本数量，FN表示未识别到的正样本数量；

每秒传输帧数FPS是用来评估目标识别的速度，即每秒内可以处理的图片数量或者处理一张图片所需时间，计算公式为：time(pre‑process+inference+NMS)表示yolov8网络模型的识别时间，yolov8网络模型的识别时间分为三个部分，图像预处理pre‑process、推理inference、非极大值抑制处理NMS。

10.根据权利要求9所述的一种基于深度学习的深海矿物识别系统，其特征在于：所述输出热力图模块中GradCam方法是基于梯度的激活类热力图，计算过程如下：首先计算c类别的的模型得分对于某个卷积层的梯度，同时在对于上述过程得到的梯度信息，在每个通道维度上对各像素值取平均，得到神经元重要性权重，计算公式为：c

其中Z代表特征图的像素个数，Aij代表第k个特征图的i，j位置的像素值，y表示c类别c的模型得分， 表示c类别模型的第k个特征图的神经元重要性权重， 表示y 对 偏导数；

然后，利用上述得到的神经元重要性权重对选定的卷积层的特征进行加权；最后，加权后输出的粗糙热力图经过ReLU(激活函数)操作得到热力图，计算公式为：k

其中A表示第k个特征图的像素值，ReLU表示一种激活函数。