CN109190640A - 一种基于大数据的浮游生物的拦截式采集方法及采集系统 - Google Patents
一种基于大数据的浮游生物的拦截式采集方法及采集系统 Download PDFInfo
- Publication number
- CN109190640A CN109190640A CN201810948060.4A CN201810948060A CN109190640A CN 109190640 A CN109190640 A CN 109190640A CN 201810948060 A CN201810948060 A CN 201810948060A CN 109190640 A CN109190640 A CN 109190640A
- Authority
- CN
- China
- Prior art keywords
- plankton
- module
- image
- data
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000004927 fusion Effects 0.000 claims abstract description 43
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 31
- 238000013508 migration Methods 0.000 claims abstract description 30
- 230000005012 migration Effects 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000004891 communication Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000000903 blocking effect Effects 0.000 claims abstract description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 40
- 238000001228 spectrum Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 14
- 238000012806 monitoring device Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 5
- 230000010365 information processing Effects 0.000 claims description 4
- 238000007493 shaping process Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- 239000007787 solid Substances 0.000 abstract description 2
- 230000007704 transition Effects 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009182 swimming Effects 0.000 description 2
- 238000003556 assay Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于生物技术领域，公开了一种基于大数据的浮游生物的拦截式采集方法及采集系统，基于大数据的浮游生物的拦截式采集系统包括：图像采集模块、流速检测模块、迁移监测模块、中央控制模块、无线通信模块、云服务器、图像分类模块、拦截模块、数量计算模块、显示模块。本发明通过迁移监测模块能够有效同步地获取水体垂向剖面的流速与浮游动物昼夜移动的数据，并且很好的记录浮游动物完整的迁移过程，能够更加全面立体的了解浮游生物的群落结构和变化；同时，通过图像分类模块有效减少了全局特征图像与局部特征图像融合所带来的误差，实现多特征的充分融合，提升浮游生物图像分类准确率。
Description
技术领域
本发明属于生物技术领域，尤其涉及一种基于大数据的浮游生物的拦截式采集方法及采集系统。
背景技术
浮游生物泛指生活于水中而缺乏有效移动能力的漂流生物，其中分有浮游植物及浮游动物。部分浮游生物具游动能力，但其游动速度往往比它自身所在的洋流流速来得缓慢，因而不能有效地在水中灵活游动。浮游生物(plankton)，在海洋、湖泊及河川等水域的生物中，自身完全没有移动能力，或者有也非常弱，因而不能逆水流而动，而是浮在水面生活，这类生物总称为浮游生物。然而，现有对浮游生物监测数据不准确，容易影响浮游生物生活环境；同时，传统的图像分类方法主要采用特征提取与分类器设计相结合的方法，但普通的特征提取方法并不适用于复杂的浮游生物图像，而特殊的特征提取方法需要耗费大量的时间与精力进行研究设计，且对于大规模多类别的浮游生物图像的分类并不能取得良好效果。
综上所述，现有技术存在的问题是：
现有对浮游生物迁移监测数据不准确，容易影响浮游生物生活环境；同时，传统的图像分类方法主要采用特征提取与分类器设计相结合的方法，但普通的特征提取方法并不适用于复杂的浮游生物图像，而特殊的特征提取方法需要耗费大量的时间与精力进行研究设计，且对于大规模多类别的浮游生物图像的分类并不能取得良好效果。
发明内容
针对现有技术存在的问题，本发明提供了一种基于大数据的浮游生物的拦截式采集方法。
本发明是这样实现的，一种基于大数据的浮游生物的拦截式采集方法，包括：
通过图像采集模块采集浮游生物图像数据信息；图像数据信息处理中，利用信号功率谱测量数据，采用非线性最小二乘法进行曲线拟合，得到功率谱模型中的参数初值，并编写正则方程组对参数进行修正，最终得到满足既定要求的参数；再根据信号功率谱与其相位噪声幂律模型的关系，将求得的参数代入相位噪声幂律模型中，进而得到被测图像信号的相位噪声测量结果；
所述采用非线性最小二乘法确定参数初值的方法具体包括：
依据式采用非线性最小二乘法，确定参数的初值，取(β＝0,1,2,3,4)，即需要选择aβ的初值，将式表示为如下的矩阵形式：
FA＝S；
其中：
A＝[a0 a1 … a4]T S＝[S0 S1 … S4]T；
矩阵F中所要用的数据点是从N个{(fi,Si)}i＝1,2,…,N中选取五个频率点，选取的数值应保证矩阵F是满秩可逆；
由此得表示参数aβ初值的矩阵A的初值为：
以为初始值进行迭代对矩阵A的值进行估计，l表示迭代次数，此时l＝0；
通过流速检测模块检测水流速度数据信息；水流速度数据信息检测中，流速检测模块对接收水流速度信号s(t)进行非线性变换，按如下公式进行：
其中A表示信号的幅度，a(m)表示信号的码元符号，p(t)表示成形函数，fc表示信号的载波频率，表示信号的相位，通过该非线性变换后得到：
通过迁移监测模块实时监测浮游生物垂直迁移数据信息；
中央控制模块通过无线通信模块连接云服务器集中大数据资源对采集的浮游生物数据信息进行处理；
通过图像分类模块基于多特征融合卷积神经网络技术对浮游生物图像进行分类；
通过拦截模块利用采集网拦截浮游生物；并通过数量计算模块计算采集的浮游生物的数量；
通过显示模块显示采集的图像信息。
进一步，所述参数估计的误差β＝0,1,…,4，由以下方程估算：
其中系数和为：
其中Sk表示频率fk处的功率谱测量值，表示频率fk处对应的功率谱的第l次迭代值，即：
所述噪声模型参数估计的判断方法为：
判断如不满足误差要求，令：
l＝l+1；
并将修正后的和对应的功率谱测量数据代入正则方程组进行求解，得到各参数的修正值β＝0,1,…4，重新判断直至误差满足测量要求或达到设定的迭代次数。
满足误差要求，则将参数值作为(β＝0,1,2,3,4)的值代入式中，即得到被测信号的相位噪声，并由此绘制相位噪声曲线。
进一步，非线性变换后得到的信号，还需进行：
构造n个信号的多径空间为：
Xref＝[Xref1 Xref2 ... Xrefn]；
其中，Q为采样点数，K为最大时延，由最大探测距离Rmax/c得到，其中xreci(t)为参考信号，Rmax为最大探测距离，c为光速；
然后利用最小二乘法原理抑制直达波及其多径，将求min||Ssur-Xref·α||2转化为求得出：
代入αestim，解得：
其中，Ssur为回波通道信号，α为自适应权值，αestim为α的估计值，为Xref的转置，Sother为回波通道中最终所剩的回波和噪声，得到准确的水流速度信息。
进一步，迁移监测方法包括：
首先，设置水底基监测装置、岸基接收装置和参数：水底基监测装置包括多普勒流速剖面仪、温盐深仪和声学数据机，岸基接收装置包括数传电台和水听器，参数包括采样模式、频率、工作起止时间；
其次，布设水底基监测装置：监测装置吊放至水底，其中：多普勒流速剖面仪与电池仓相连接,采用向上观测整个水柱剖面，声学仪器与各仪器相连接；
然后，获取原始数据：各监测仪器持续发射脉冲波进行测量，并将数据传输至声学数据机；
最后，数据读取和处理：对多普勒流速剖面仪的回声强度进行反演，根据得到的体积后向散射强度的周日变化研究浮游动物的的昼夜迁移规律。
进一步，图像分类方法包括：
(1)采集清晰的浮游生物图像，构建大规模多类别的浮游生物图像数据集，其中，该数据集中的浮游生物图像作为原始特征图像；
(2)处理原始特征图像，提取浮游生物的全局特征，得到全局特征图像，
利用图像分割Scharr算子对原始特征图像进行转换,转换后的图像包括全局特征和局部特征；利用双边滤波法移除转换图像中的局部特征；增强对比度来突出转换图像中的全局特征；
(3)通过计算机视觉的Canny边缘检测算法对原始特征图像进行处理，提取浮游生物的边缘纹理特征，即浮游生物的局部特征，得到局部特征图像；
(4)构建基于原始特征、全局特征及局部特征的多特征融合卷积神经网络模型，该多特征融合卷积神经网络包括三个相互独立的基础子网络，每个基础子网络分别训练原始特征图像、全局特征图像及局部特征图像，其中，该多特征融合卷积神经网络的1到5层为卷积层，6到8层为全连接层；
(5)将步骤(1)、步骤(2)及步骤(3)得到的全部的原始特征图像、全局特征图像及局部特征图像输入到该多特征融合卷积神经网络中进行训练，最终得到优化后的多特征融合卷积神经网络模型：
首先设置初始状态信息，包括迭代次数、学习率及初始化方式；对该多特征融合卷积神经网络模型进行前向传输与后向反馈，使该多特征融合卷积神经网络模型根据输入的浮游生物图像进行训练和学习；输出损失函数值及准确率；通过降低损失函数值来提升该多特征融合卷积神经网络模型的性能；判断是否达到设置的迭代次数，如果是，则训练完毕，得到优化后的多特征融合卷积神经网络模型；
(6)将待分类的浮游生物图像输入到优化后的多特征融合卷积神经网络模型中，根据最终输出的概率分数，判断浮游生物图像所对应的类别。
本发明的另一目的在于提供一种实现所述基于大数据的浮游生物的拦截式采集方法的计算机程序。
本发明的另一目的在于提供一种实现所述基于大数据的浮游生物的拦截式采集方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的基于大数据的浮游生物的拦截式采集方法。
本发明的另一目的在于提供一种实现所述基于大数据的浮游生物的拦截式采集方法的基于大数据的浮游生物的拦截式采集系统，所述基于大数据的浮游生物的拦截式采集系统包括：
图像采集模块，与中央控制模块连接，用于通过摄像器采集浮游生物图像数据信息；
流速检测模块，与中央控制模块连接，用于通过流速传感器检测水流速度数据信息；
迁移监测模块，与中央控制模块连接，用于实时监测浮游生物垂直迁移数据信息；
中央控制模块，与图像采集模块、流速检测模块、迁移监测模块、无线通信模块、云服务器、图像分类模块、拦截模块、数量计算模块、显示模块连接，用于控制各个模块正常工作；
无线通信模块，与中央控制模块连接，用于通过无线发射器连接云服务器集中大数据资源对采集的浮游生物数据信息进行处理；
图像分类模块，与中央控制模块连接，用于基于多特征融合卷积神经网络技术对浮游生物图像进行分类；
拦截模块，与中央控制模块连接，用于通过采集网拦截浮游生物；
数量计算模块，与中央控制模块连接，用于计算采集的浮游生物的数量；
显示模块，与中央控制模块连接，用于通过显示器显示采集的图像信息。
本发明的另一目的在于提供一种浮游生物采集平台，所述浮游生物采集平台至少搭载所述的基于大数据的浮游生物的拦截式采集系统。
本发明的优点及积极效果为：
本发明通过迁移监测模块能够有效同步地获取水体垂向剖面的流速与浮游动物昼夜移动的数据，并且很好的记录浮游动物完整的迁移过程，既能够准确地同步获取水体浮游动物昼夜移动的高时空分辨率数据又不影响浮游动物的生活环境，能够更加全面立体的了解浮游生物的群落结构和变化；同时，通过图像分类模块将多个特征映射图直接合并,为了使三种特征更好地融合，充分挖掘跟高维度与层次的信息，作为一种优选的技术方案，在所述全连接层采用全连接交叉混合方法融合三个子网络训练得到的特征映射图，有效减少了全局特征图像与局部特征图像融合所带来的误差，实现多特征的充分融合，提升浮游生物图像分类准确率。
本发明通过图像采集模块采集浮游生物图像数据信息；图像数据信息处理中，利用信号功率谱测量数据，采用非线性最小二乘法进行曲线拟合，得到功率谱模型中的参数初值，并编写正则方程组对参数进行修正，最终得到满足既定要求的参数；再根据信号功率谱与其相位噪声幂律模型的关系，将求得的参数代入相位噪声幂律模型中，进而得到被测图像信号的相位噪声测量结果；可获得准确的清晰的图像信息，相比于现有技术，图像真实性提高很多。
本发明通过流速检测模块检测水流速度数据信息；水流速度数据信息检测中，流速检测模块对接收水流速度信号s(t)进行非线性变换，按如下公式进行：
其中A表示信号的幅度，a(m)表示信号的码元符号，p(t)表示成形函数，fc表示信号的载波频率，表示信号的相位，通过该非线性变换后得到：
可获得准确的水流速度信息，相比于现有技术提高近8个百分点，为信息的采集提供保证。
附图说明
图1是本发明实施提供的基于大数据的浮游生物的拦截式采集方法流程图；
图2是本发明实施提供的基于大数据的浮游生物的拦截式采集系统结构示意图；
图中：1、图像采集模块；2、流速检测模块；3、迁移监测模块；4、中央控制模块；5、无线通信模块；6、云服务器；7、图像分类模块；8、拦截模块；9、数量计算模块；10、显示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示，本发明提供的基于大数据的浮游生物的拦截式采集方法包括以下步骤：
S101，通过图像采集模块采集浮游生物图像数据信息；通过流速检测模块检测水流速度数据信息；通过迁移监测模块实时监测浮游生物垂直迁移数据信息；
S102，中央控制模块通过无线通信模块连接云服务器集中大数据资源对采集的浮游生物数据信息进行处理；
S103，通过图像分类模块基于多特征融合卷积神经网络技术对浮游生物图像进行分类；
S104，通过拦截模块利用采集网拦截浮游生物；并通过数量计算模块计算采集的浮游生物的数量；
S105，通过显示模块显示采集的图像信息。
如图2所示，本发明提供的基于大数据的浮游生物的拦截式采集系统包括：图像采集模块1、流速检测模块2、迁移监测模块3、中央控制模块4、无线通信模块5、云服务器6、图像分类模块7、拦截模块8、数量计算模块9、显示模块10。
图像采集模块1，与中央控制模块4连接，用于通过摄像器采集浮游生物图像数据信息；
流速检测模块2，与中央控制模块4连接，用于通过流速传感器检测水流速度数据信息；
迁移监测模块3，与中央控制模块4连接，用于实时监测浮游生物垂直迁移数据信息；
中央控制模块4，与图像采集模块1、流速检测模块2、迁移监测模块3、无线通信模块5、云服务器6、图像分类模块7、拦截模块8、数量计算模块9、显示模块10连接，用于控制各个模块正常工作；
无线通信模块5，与中央控制模块4连接，用于通过无线发射器连接云服务器6集中大数据资源对采集的浮游生物数据信息进行处理；
图像分类模块7，与中央控制模块4连接，用于基于多特征融合卷积神经网络技术对浮游生物图像进行分类；
拦截模块8，与中央控制模块4连接，用于通过采集网拦截浮游生物；
数量计算模块9，与中央控制模块4连接，用于计算采集的浮游生物的数量；
显示模块10，与中央控制模块4连接，用于通过显示器显示采集的图像信息。
本发明提供的迁移监测模块3监测方法如下：
首先，设置水底基监测装置、岸基接收装置和参数：水底基监测装置包括多普勒流速剖面仪、温盐深仪和声学数据机，岸基接收装置包括数传电台和水听器，参数包括采样模式、频率、工作起止时间；
其次，布设水底基监测装置：监测装置吊放至水底，其中：多普勒流速剖面仪与电池仓相连接，采用向上观测整个水柱剖面，声学仪器与各仪器相连接；
然后，获取原始数据：各监测仪器持续发射脉冲波进行测量，并将数据传输至声学数据机；
最后，数据读取和处理：对多普勒流速剖面仪的回声强度进行反演，根据得到的体积后向散射强度的周日变化研究浮游动物的的昼夜迁移规律。
本发明提供的图像分类模块7分类方法如下：
(1)采集清晰的浮游生物图像，构建大规模多类别的浮游生物图像数据集，其中，该数据集中的浮游生物图像作为原始特征图像；
(2)处理原始特征图像，提取浮游生物的全局特征，得到全局特征图像，
利用图像分割Scharr算子对原始特征图像进行转换,转换后的图像包括全局特征和局部特征；利用双边滤波法移除转换图像中的局部特征；增强对比度来突出转换图像中的全局特征；
(3)通过计算机视觉的Canny边缘检测算法对原始特征图像进行处理，提取浮游生物的边缘纹理特征，即浮游生物的局部特征，得到局部特征图像；
(4)构建基于原始特征、全局特征及局部特征的多特征融合卷积神经网络模型，该多特征融合卷积神经网络包括三个相互独立的基础子网络，每个基础子网络分别训练原始特征图像、全局特征图像及局部特征图像，其中，该多特征融合卷积神经网络的1到5层为卷积层，6到8层为全连接层；
(5)将步骤(1)、步骤(2)及步骤(3)得到的全部的原始特征图像、全局特征图像及局部特征图像输入到该多特征融合卷积神经网络中进行训练，最终得到优化后的多特征融合卷积神经网络模型：
首先设置初始状态信息，包括迭代次数、学习率及初始化方式；对该多特征融合卷积神经网络模型进行前向传输与后向反馈，使该多特征融合卷积神经网络模型根据输入的浮游生物图像进行训练和学习；输出损失函数值及准确率；通过降低损失函数值来提升该多特征融合卷积神经网络模型的性能；判断是否达到设置的迭代次数，如果是，则训练完毕，得到优化后的多特征融合卷积神经网络模型；
(6)将待分类的浮游生物图像输入到优化后的多特征融合卷积神经网络模型中，根据最终输出的概率分数，判断浮游生物图像所对应的类别。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的基于大数据的浮游生物的拦截式采集方法，包括：
通过图像采集模块采集浮游生物图像数据信息；图像数据信息处理中，利用信号功率谱测量数据，采用非线性最小二乘法进行曲线拟合，得到功率谱模型中的参数初值，并编写正则方程组对参数进行修正，最终得到满足既定要求的参数；再根据信号功率谱与其相位噪声幂律模型的关系，将求得的参数代入相位噪声幂律模型中，进而得到被测图像信号的相位噪声测量结果；
所述采用非线性最小二乘法确定参数初值的方法具体包括：
依据式采用非线性最小二乘法，确定参数的初值，取(β＝0,1,2,3,4)，即需要选择aβ的初值，将式表示为如下的矩阵形式：
FA＝S；
其中：
A＝[a0 a1 … a4]T S＝[S0 S1 … S4]T；
矩阵F中所要用的数据点是从N个{(fi,Si)}i＝1,2,…,N中选取五个频率点，选取的数值应保证矩阵F是满秩可逆；
由此得表示参数aβ初值的矩阵A的初值为：
以为初始值进行迭代对矩阵A的值进行估计，l表示迭代次数，此时l＝0；
通过流速检测模块检测水流速度数据信息；水流速度数据信息检测中，流速检测模块对接收水流速度信号s(t)进行非线性变换，按如下公式进行：
其中A表示信号的幅度，a(m)表示信号的码元符号，p(t)表示成形函数，fc表示信号的载波频率，表示信号的相位，通过该非线性变换后得到：
通过迁移监测模块实时监测浮游生物垂直迁移数据信息；
中央控制模块通过无线通信模块连接云服务器集中大数据资源对采集的浮游生物数据信息进行处理；
通过图像分类模块基于多特征融合卷积神经网络技术对浮游生物图像进行分类；
通过拦截模块利用采集网拦截浮游生物；并通过数量计算模块计算采集的浮游生物的数量；
通过显示模块显示采集的图像信息。
所述参数估计的误差β＝0,1,…,4，由以下方程估算：
其中系数和为：
其中Sk表示频率fk处的功率谱测量值，表示频率fk处对应的功率谱的第l次迭代值，即：
所述噪声模型参数估计的判断方法为：
判断如不满足误差要求，令：
l＝l+1；
并将修正后的和对应的功率谱测量数据代入正则方程组进行求解，得到各参数的修正值β＝0,1,…4，重新判断直至误差满足测量要求或达到设定的迭代次数。
满足误差要求，则将参数值作为(β＝0,1,2,3,4)的值代入式中，即得到被测信号的相位噪声，并由此绘制相位噪声曲线。
非线性变换后得到的信号，还需进行：
构造n个信号的多径空间为：
Xref＝[Xref1 Xref2 ... Xrefn]；
其中，Q为采样点数，K为最大时延，由最大探测距离Rmax/c得到，其中xreci(t)为参考信号，Rmax为最大探测距离，c为光速；
然后利用最小二乘法原理抑制直达波及其多径，将求min||Ssur-Xref·α||2转化为求得出：
代入αestim，解得：
其中，Ssur为回波通道信号，α为自适应权值，αestim为α的估计值，为Xref的转置，Sother为回波通道中最终所剩的回波和噪声，得到准确的水流速度信息。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据的浮游生物的拦截式采集方法，其特征在于，所述基于大数据的浮游生物的拦截式采集方法包括：
通过图像采集模块采集浮游生物图像数据信息；图像数据信息处理中，利用信号功率谱测量数据，采用非线性最小二乘法进行曲线拟合，得到功率谱模型中的参数初值，并编写正则方程组对参数进行修正，最终得到满足既定要求的参数；再根据信号功率谱与其相位噪声幂律模型的关系，将求得的参数代入相位噪声幂律模型中，进而得到被测图像信号的相位噪声测量结果；
所述采用非线性最小二乘法确定参数初值的方法具体包括：
依据式采用非线性最小二乘法，确定参数的初值，取即需要选择aβ的初值，将式表示为如下的矩阵形式：
FA＝S；
其中：
A＝[a0 a1 … a4]T S＝[S0 S1 … S4]T；
矩阵F中所要用的数据点是从N个{(fi,Si)}i＝1,2,…,N中选取五个频率点，选取的数值应保证矩阵F是满秩可逆；
由此得表示参数aβ初值的矩阵A的初值为：
以为初始值进行迭代对矩阵A的值进行估计，l表示迭代次数，此时l＝0；
通过流速检测模块检测水流速度数据信息；水流速度数据信息检测中，流速检测模块对接收水流速度信号s(t)进行非线性变换，按如下公式进行：
其中A表示信号的幅度，a(m)表示信号的码元符号，p(t)表示成形函数，fc表示信号的载波频率，表示信号的相位，通过该非线性变换后得到：
通过迁移监测模块实时监测浮游生物垂直迁移数据信息；
中央控制模块通过无线通信模块连接云服务器集中大数据资源对采集的浮游生物数据信息进行处理；
通过图像分类模块基于多特征融合卷积神经网络技术对浮游生物图像进行分类；
通过拦截模块利用采集网拦截浮游生物；并通过数量计算模块计算采集的浮游生物的数量；
通过显示模块显示采集的图像信息。
2.如权利要求1所述的基于大数据的浮游生物的拦截式采集方法，其特征在于，所述参数估计的误差 由以下方程估算：
其中系数和为：
其中Sk表示频率fk处的功率谱测量值，表示频率fk处对应的功率谱的第l次迭代值，即：
所述噪声模型参数估计的判断方法为：
判断如不满足误差要求，令：
l＝l+1；
并将修正后的和对应的功率谱测量数据代入正则方程组进行求解，得到各参数的修正值重新判断直至误差满足测量要求或达到设定的迭代次数。
满足误差要求，则将参数值作为的值代入式中，即得到被测信号的相位噪声，并由此绘制相位噪声曲线。
3.如权利要求1所述的基于大数据的浮游生物的拦截式采集方法，其特征在于，非线性变换后得到的信号，还需进行：
构造n个信号的多径空间为：
其中，Q为采样点数，K为最大时延，由最大探测距离Rmax/c得到，其中xreci(t)为参考信号，Rmax为最大探测距离，c为光速；
然后利用最小二乘法原理抑制直达波及其多径，将求min||Ssur-Xref·α||2转化为求得出：
代入αestim，解得：
其中，Ssur为回波通道信号，α为自适应权值，αestim为α的估计值，为Xref的转置，Sother为回波通道中最终所剩的回波和噪声，得到准确的水流速度信息。
4.如权利要求1所述的基于大数据的浮游生物的拦截式采集方法，其特征在于，迁移监测方法包括：
首先，设置水底基监测装置、岸基接收装置和参数：水底基监测装置包括多普勒流速剖面仪、温盐深仪和声学数据机，岸基接收装置包括数传电台和水听器，参数包括采样模式、频率、工作起止时间；
其次，布设水底基监测装置：监测装置吊放至水底，其中：多普勒流速剖面仪与电池仓相连接,采用向上观测整个水柱剖面，声学仪器与各仪器相连接；
然后，获取原始数据：各监测仪器持续发射脉冲波进行测量，并将数据传输至声学数据机；
最后，数据读取和处理：对多普勒流速剖面仪的回声强度进行反演，根据得到的体积后向散射强度的周日变化研究浮游动物的的昼夜迁移规律。
5.如权利要求1所述的基于大数据的浮游生物的拦截式采集方法，其特征在于，图像分类方法包括：
(1)采集清晰的浮游生物图像，构建大规模多类别的浮游生物图像数据集，其中，该数据集中的浮游生物图像作为原始特征图像；
(2)处理原始特征图像，提取浮游生物的全局特征，得到全局特征图像，
利用图像分割Scharr算子对原始特征图像进行转换,转换后的图像包括全局特征和局部特征；利用双边滤波法移除转换图像中的局部特征；增强对比度来突出转换图像中的全局特征；
(3)通过计算机视觉的Canny边缘检测算法对原始特征图像进行处理，提取浮游生物的边缘纹理特征，即浮游生物的局部特征，得到局部特征图像；
(4)构建基于原始特征、全局特征及局部特征的多特征融合卷积神经网络模型，该多特征融合卷积神经网络包括三个相互独立的基础子网络，每个基础子网络分别训练原始特征图像、全局特征图像及局部特征图像，其中，该多特征融合卷积神经网络的1到5层为卷积层，6到8层为全连接层；
(5)将步骤(1)、步骤(2)及步骤(3)得到的全部的原始特征图像、全局特征图像及局部特征图像输入到该多特征融合卷积神经网络中进行训练，最终得到优化后的多特征融合卷积神经网络模型：
首先设置初始状态信息，包括迭代次数、学习率及初始化方式；对该多特征融合卷积神经网络模型进行前向传输与后向反馈，使该多特征融合卷积神经网络模型根据输入的浮游生物图像进行训练和学习；输出损失函数值及准确率；通过降低损失函数值来提升该多特征融合卷积神经网络模型的性能；判断是否达到设置的迭代次数，如果是，则训练完毕，得到优化后的多特征融合卷积神经网络模型；
(6)将待分类的浮游生物图像输入到优化后的多特征融合卷积神经网络模型中，根据最终输出的概率分数，判断浮游生物图像所对应的类别。
6.一种实现权利要求1～5任意一项所述基于大数据的浮游生物的拦截式采集方法的计算机程序。
7.一种实现权利要求1～5任意一项所述基于大数据的浮游生物的拦截式采集方法的信息数据处理终端。
8.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-5任意一项所述的基于大数据的浮游生物的拦截式采集方法。
9.一种实现权利要求1所述基于大数据的浮游生物的拦截式采集方法的基于大数据的浮游生物的拦截式采集系统，其特征在于，所述基于大数据的浮游生物的拦截式采集系统包括：
图像采集模块，与中央控制模块连接，用于通过摄像器采集浮游生物图像数据信息；
流速检测模块，与中央控制模块连接，用于通过流速传感器检测水流速度数据信息；
迁移监测模块，与中央控制模块连接，用于实时监测浮游生物垂直迁移数据信息；
中央控制模块，与图像采集模块、流速检测模块、迁移监测模块、无线通信模块、云服务器、图像分类模块、拦截模块、数量计算模块、显示模块连接，用于控制各个模块正常工作；
无线通信模块，与中央控制模块连接，用于通过无线发射器连接云服务器集中大数据资源对采集的浮游生物数据信息进行处理；
图像分类模块，与中央控制模块连接，用于基于多特征融合卷积神经网络技术对浮游生物图像进行分类；
拦截模块，与中央控制模块连接，用于通过采集网拦截浮游生物；
数量计算模块，与中央控制模块连接，用于计算采集的浮游生物的数量；
显示模块，与中央控制模块连接，用于通过显示器显示采集的图像信息。
10.一种浮游生物采集平台，其特征在于，所述浮游生物采集平台至少搭载权利要求9所述的基于大数据的浮游生物的拦截式采集系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810948060.4A CN109190640A (zh) | 2018-08-20 | 2018-08-20 | 一种基于大数据的浮游生物的拦截式采集方法及采集系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810948060.4A CN109190640A (zh) | 2018-08-20 | 2018-08-20 | 一种基于大数据的浮游生物的拦截式采集方法及采集系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109190640A true CN109190640A (zh) | 2019-01-11 |
Family
ID=64918970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810948060.4A Pending CN109190640A (zh) | 2018-08-20 | 2018-08-20 | 一种基于大数据的浮游生物的拦截式采集方法及采集系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109190640A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110531656A (zh) * | 2019-08-13 | 2019-12-03 | 大唐水电科学技术研究院有限公司 | 一种水电机组性能的监测系统和方法 |
| CN111080651A (zh) * | 2019-12-12 | 2020-04-28 | 西南科技大学 | 基于水流分割的石油钻井污染气体自动监测方法 |
| CN111898677A (zh) * | 2020-07-30 | 2020-11-06 | 大连海事大学 | 一种基于深度学习的浮游生物自动检测方法 |
| CN114722921A (zh) * | 2022-03-21 | 2022-07-08 | 中国人民解放军国防科技大学 | 基于机器学习的黄蜂迁移预测方法、系统、设备和介质 |
| WO2024055445A1 (zh) * | 2022-09-13 | 2024-03-21 | 深圳先进技术研究院 | 一种水下高通量成像监测装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103607361A (zh) * | 2013-06-05 | 2014-02-26 | 西安电子科技大学 | Alpha稳定分布噪声下时频重叠信号的参数预估方法 |
| CN103675224A (zh) * | 2013-11-29 | 2014-03-26 | 河海大学 | 保护河流健康的原位实时智能生物检测装置及检测方法 |
| CN105512431A (zh) * | 2016-01-04 | 2016-04-20 | 西安电子科技大学 | 一种基于相位噪声数学模型的相位噪声测量方法 |
| CN105866750A (zh) * | 2016-05-23 | 2016-08-17 | 西安电子科技大学 | 一种多个gps卫星微弱回波信号检测的方法 |
| CN106372648A (zh) * | 2016-10-20 | 2017-02-01 | 中国海洋大学 | 基于多特征融合卷积神经网络的浮游生物图像分类方法 |
| CN107194403A (zh) * | 2017-04-11 | 2017-09-22 | 中国海洋大学 | 浮游生物粒径谱检测系统及其方法 |
| CN107330465A (zh) * | 2017-06-30 | 2017-11-07 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
| CN107991679A (zh) * | 2017-11-27 | 2018-05-04 | 天津科技大学 | 一种浮游生物垂直迁移的监测方法及监测装置 |
| CN108389199A (zh) * | 2018-03-14 | 2018-08-10 | 广东石油化工学院 | 一种危险品运输安全检测方法及其系统 |
-
2018
- 2018-08-20 CN CN201810948060.4A patent/CN109190640A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103607361A (zh) * | 2013-06-05 | 2014-02-26 | 西安电子科技大学 | Alpha稳定分布噪声下时频重叠信号的参数预估方法 |
| CN103675224A (zh) * | 2013-11-29 | 2014-03-26 | 河海大学 | 保护河流健康的原位实时智能生物检测装置及检测方法 |
| CN105512431A (zh) * | 2016-01-04 | 2016-04-20 | 西安电子科技大学 | 一种基于相位噪声数学模型的相位噪声测量方法 |
| CN105866750A (zh) * | 2016-05-23 | 2016-08-17 | 西安电子科技大学 | 一种多个gps卫星微弱回波信号检测的方法 |
| CN106372648A (zh) * | 2016-10-20 | 2017-02-01 | 中国海洋大学 | 基于多特征融合卷积神经网络的浮游生物图像分类方法 |
| CN107194403A (zh) * | 2017-04-11 | 2017-09-22 | 中国海洋大学 | 浮游生物粒径谱检测系统及其方法 |
| CN107330465A (zh) * | 2017-06-30 | 2017-11-07 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
| CN107991679A (zh) * | 2017-11-27 | 2018-05-04 | 天津科技大学 | 一种浮游生物垂直迁移的监测方法及监测装置 |
| CN108389199A (zh) * | 2018-03-14 | 2018-08-10 | 广东石油化工学院 | 一种危险品运输安全检测方法及其系统 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110531656A (zh) * | 2019-08-13 | 2019-12-03 | 大唐水电科学技术研究院有限公司 | 一种水电机组性能的监测系统和方法 |
| CN111080651A (zh) * | 2019-12-12 | 2020-04-28 | 西南科技大学 | 基于水流分割的石油钻井污染气体自动监测方法 |
| CN111080651B (zh) * | 2019-12-12 | 2022-07-12 | 西南科技大学 | 基于水流分割的石油钻井污染气体自动监测方法 |
| CN111898677A (zh) * | 2020-07-30 | 2020-11-06 | 大连海事大学 | 一种基于深度学习的浮游生物自动检测方法 |
| CN114722921A (zh) * | 2022-03-21 | 2022-07-08 | 中国人民解放军国防科技大学 | 基于机器学习的黄蜂迁移预测方法、系统、设备和介质 |
| CN114722921B (zh) * | 2022-03-21 | 2024-09-13 | 中国人民解放军国防科技大学 | 基于机器学习的黄蜂迁移预测方法、系统、设备和介质 |
| WO2024055445A1 (zh) * | 2022-09-13 | 2024-03-21 | 深圳先进技术研究院 | 一种水下高通量成像监测装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109190640A (zh) | 一种基于大数据的浮游生物的拦截式采集方法及采集系统 | |
| CN103292792B (zh) | 一种适用海底探测与假地形处理的实测svp重构方法 | |
| CN102681033B (zh) | 一种基于x波段航海雷达的海面风场测量方法 | |
| CN105572676A (zh) | 一种基于水平鱼探仪影像的围网目标鱼群追踪方法 | |
| CN105528585B (zh) | 基于舰船尾迹和海底地形内波模型的水下航行器检测方法 | |
| CN110502801B (zh) | 海洋温度锋自动追踪和特征参数信息提取方法 | |
| CN102928844A (zh) | 一种水下亚波长分辨率三维成像方法 | |
| CN108613645B (zh) | 一种基于参数估计的铅锌矿吸水井淤泥厚度测量方法 | |
| CN108957403B (zh) | 一种基于广义互相关的高斯拟合包络时延估计方法及系统 | |
| CN111624606B (zh) | 一种雷达图像降雨识别方法 | |
| CN108828548A (zh) | 一种基于fmcw雷达的三参数融合数据集构建方法 | |
| CN103729846A (zh) | 基于不规则三角网的LiDAR点云数据边缘检测方法 | |
| CN103745123B (zh) | 基于移动子窗与可变算子的多波束测深数据自动处理方法 | |
| CN107247927A (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 | |
| Chen et al. | A comparative study of spatial interpolation methods for determining fishery resources density in the Yellow Sea | |
| CN105469393A (zh) | 基于决策融合的浅海水深多时相遥感影像反演方法 | |
| CN105627997A (zh) | 多角度遥感水深决策融合反演方法 | |
| Tang et al. | Seabed mixed sediment classification with multi-beam echo sounder backscatter data in Jiaozhou Bay | |
| CN117198330A (zh) | 一种声源识别方法、系统及电子设备 | |
| CN115170952A (zh) | 一种水库坝体渗流安全在线自动监测系统 | |
| CN114722900A (zh) | 一种机载雷达测深浅海底质分类方法 | |
| CN201672919U (zh) | 一种中远程全自动自适应测波浮标 | |
| CN109905190B (zh) | 一种低频地波传播时延时变特性的建模方法 | |
| CN105184827B (zh) | 一种利用光谱遥感图像探测浅水水下礁滩的方法 | |
| CN112085779B (zh) | 一种波浪参数估算方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |