CN109591982B - 一种无人监控水下养殖机器人 - Google Patents
一种无人监控水下养殖机器人 Download PDFInfo
- Publication number
- CN109591982B CN109591982B CN201811654076.0A CN201811654076A CN109591982B CN 109591982 B CN109591982 B CN 109591982B CN 201811654076 A CN201811654076 A CN 201811654076A CN 109591982 B CN109591982 B CN 109591982B
- Authority
- CN
- China
- Prior art keywords
- fish
- image
- length
- data
- water quality
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 16
- 238000009360 aquaculture Methods 0.000 title claims description 17
- 244000144974 aquaculture Species 0.000 title claims description 17
- 241000251468 Actinopterygii Species 0.000 claims abstract description 164
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 41
- 230000012010 growth Effects 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 241000894007 species Species 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 231100000915 pathological change Toxicity 0.000 claims 1
- 230000036285 pathological change Effects 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 23
- 201000010099 disease Diseases 0.000 abstract description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 12
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 18
- 239000013598 vector Substances 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000002816 gill Anatomy 0.000 description 4
- 210000003128 head Anatomy 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 208000031295 Animal disease Diseases 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 2
- 208000004232 Enteritis Diseases 0.000 description 2
- 208000001034 Frostbite Diseases 0.000 description 2
- 208000025309 Hair disease Diseases 0.000 description 2
- 241000519995 Stachys sylvatica Species 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000003698 anagen phase Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 208000034653 disorder of pilosebaceous unit Diseases 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 244000144980 herd Species 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 235000021245 dietary protein Nutrition 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63C—LAUNCHING, HAULING-OUT, OR DRY-DOCKING OF VESSELS; LIFE-SAVING IN WATER; EQUIPMENT FOR DWELLING OR WORKING UNDER WATER; MEANS FOR SALVAGING OR SEARCHING FOR UNDERWATER OBJECTS
- B63C11/00—Equipment for dwelling or working underwater; Means for searching for underwater objects
- B63C11/52—Tools specially adapted for working underwater, not otherwise provided for
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Image Processing (AREA)
- Farming Of Fish And Shellfish (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种无人监控水下养殖机器人，包括航行器本体，还包括数据采集模块和数据处理模块，所述数据采集模块包括摄像头、温度盐度传感器和五常数水质仪；所述数据处理模块包括图像识别模块和水产品生长状态提取模块；本发明基于图像和水质参数的融合算法实现水产品生长状态的提取，提高了识别的准确率；本发明基于图像和水质参数的融合算法实现水产品生长状态的提取，提高了识别的准确率；可以避免从水中把鱼抓上来测量等操作，减少对鱼的伤害，并及时检测鱼是否生病，及时控制和预防，在一定程度上能够缩短鱼苗的养殖周期并对鱼苗的病害及时控制，达到增加收入的目的。
Description
技术领域
本发明涉及水下机器人养殖，特别涉及一种无人监控水下养殖机器人。
背景技术
随着世界人口的增长，对高质量食品蛋白质的需求日益增加，同时海洋渔业资源日益衰竭，水产养殖在保障食品安全方面发挥的作用愈来愈重要，水产养殖产业也成为近40年来全球农业中增长最快的部分。我国是世界水产养殖大国，水产养殖对于我国农村就业、农民致富、出口创汇、改善人民膳食结构等方面都发挥了重要的作用。
与其对食品安全和国民经济发展的贡献相比，水产养殖方面的科技研发投入较少，产业技术水平较低。例如，我国水产养殖的绝大部分产量来自传统的池塘养殖，日常养殖管理措施如投饵、水质管理(水质监测、水质调控、换水等)以及对养殖生物生长和健康状况的评价主要依赖于技术人员的经验，缺乏直观的智能化技术手段。由于信息获取时间的滞后，对养殖动物的摄食状况、健康状况难以做出及时、准确的判断，导致饲料利用效率不高、养殖环境恶化、养殖动物因病害防控措施不及时大量死亡等现象时有发生，难以控制养殖风险，提高养殖的经济效益。上述问题在高密度集约化养殖中尤其突出。
随着计算机和通讯技术的迅猛发展，国内外在水产养殖管理方面越来越多地引入智能化信息化技术。
尽管随着计算机和通讯技术的发展，智能化信息化技术在水产养殖管理方面的应用日益普及，在线水质观测技术、自动投饲系统和基于机器视觉技术的水产动物病害诊断专家越来越多地应用于水产养殖生产中，但上述技术均存在不同的缺陷。例如：在线观测技术传感器数量有限，位置固定，观测结果不能反映养殖环境的异质性特点。自动投饲技术只能根据已有的投喂模型和参数确定投喂量，不能根据残饵情况实时反馈调节投喂量。机器视觉受限于分辨率和水产动物病害症状的复杂性，往往难以准确预报疾病暴发。利用水下机器人技术，可有效地弥补现有技术的缺陷。
水下机器人最初主要用于军事和科考等领域，近年来开始应用于渔业环境检测、潜水娱乐等，其技术和产品形态上都有待开发，价格也较为昂贵。用于水产养殖的水下机器人还未见有商业化产品，只有少数的通用水下航行器在水产养殖应用的报道。研发能够在复杂水体环境中精确巡航、具有水质监测、水生动物行为观测和判别、水底目标识别、信息实时传输自主式可垂直起降的水下机器人，将弥补现有水质观测、自动投饲系统和水产动物病害预报技术的不足，提高现代水产养殖的装备和管理技术水平。
发明内容
本发明提供了一种无人监控水下养殖机器人，能够通过图像等多种传感器的数据融合算法，实现水质的监测，鱼类的探测，做到无人监管的特点，系统具有运行稳定、移动阻力小、移动灵活，可通过水下狭小区域，实现了水产养殖的目的，节约了大量的人力成本。
一种无人监控水下养殖机器人，包括航行器本体和控制模块，所述控制模块包括数据采集模块和数据处理模块，所述数据采集模块包括摄像头、温度盐度传感器和五常数水质仪；所述数据处理模块包括图像识别模块和水产品生长状态提取模块。
本发明航行器本体部分，主艇体模块为圆柱形结构，由艏部、舱体、艉部组成。四旋翼模块包括四个双向推进器及其连接部件。四个双向推进器两台一组，对称布置在主艇体模块的两侧。四旋翼模块与主艇体模块在三维空间上形成α角和β角。在不同速度来流和不同攻角或漂角下，对直航运动和斜航运动进行数值仿真分析，得出相应阻力与来流速度、攻角或漂角的关系，以求出相应水动力系数。实现机器人的姿态的控制。
优选的，所述图像识别模块的工作过程包括：
(1)获取五常数水质仪的数据，结合航行器本体的运动参数，对摄像头获取的不同的图片进行标签化；
(2)对步骤(1)获取的图像进行配准；配准的目的是使图像满足时问和空间上的一致。
(3)对摄像头采集的图像信息和水质传感器采集的水质信息的融合，通过水质信息和图像信息的相关关系，可以定量的对图像信息优化处理，实现图像信息和水质信息的融合。
优选的，对摄像头采集的图像信息和水质传感器采集的水质信息的融合的具体过程如下：设采集的图像信息为p，融合后的图像为P，采集水质信息为w，清水的信息为G，则：
上式子矩阵表示形式可得：
可得：P＝T·R·p
其中，清水信息G已知，水质信息w和图像信息p可测，即可求出融合的图像。
融合后，系统将输出一幅图像，理论上这幅图像将含有所有输入图像的有用信息。输出的这幅图像可以直接用于后期的各种处理，即图像信息应用，直接用于控制系统。由于融合过程中已经对图像进行了很好的信息抽取，此时后期处理阶段就相对会容易很多。对于一个控制系统，这个模块起到了控制器的作用。
其中图像预处理是本系统做图像融合前期最重要的一步工作。主要结合一些有先验知识的图像，对不同的鱼进行采样，结合大量采集的数据，进行特定的滤波处理，得到较好的滤波图片，简历具体的滤波器的参数和具体光线、温度、深度、浑浊度具体的非线性回归方程，在预处理阶段可以对图像采用特定的方式滤波，在实际操作中根据特定的参数调用不同的滤波器参数，就能得到比较好的结果。
优选的，水产品生长状态提取模块的工作过程包括：
(1)用形状、颜色和形状等参数进行鱼种分类；
用图像分割和几何参数技术，图像分割是一种有效的信息提取方法，然后再利用人工神经网络和决策树相结合的基础上对鱼类进行分类，
通过鱼的外部轮廓和边缘检测，来确定显著的相似部分，获取几何参数；
通过几何参数，可以确定鱼眼口的位置和大小，把鱼分成两个三角形，水平为X轴，垂直为Y轴，X轴最大和最小点与Y轴的最大和最小的点相连，然后Y轴最高和最低点之间相连完成三角形的绘制；
分类的过程中将参考测量鱼的眼睛、口大小、三角形的相似性以及三角形峰值的坐标值；
(2)采集一批数据，利用测量值和鱼种的信息作为神经网络的输入值，网络通过训练来识别输入数据的鱼种，实现对不同鱼的分类；
(3)使用训练的网络可以根据鱼的颜色、形状、长度为输入参数实时的监测鱼的种类；
(4)利用图片中监测到的鱼的密度，利用抽样调查同样的原理，可以估计当前位置鱼的种类和密度，结合多处的鱼的图片计算整个鱼塘的鱼的分布情况和鱼的总量。
如果要达到利用图像识别水产特征的目的，必须首先要研究水产品的图像特征，通过对其形状、纹理、大小，以及对图像经过各种模型转换获取的二次影像特征信息的分析，获取影像与水产特征的关系，确定两者关系的稳定性。
过对图像的处理，提取图像中能反应水产品某个特征的稳定信息，经过大量的水产品图像样本研究，构建水产品稳定性图像特征信息库。
按不同类型、不同等级的特征对信息库进行构建，当有新的样本时，通过与信息库中的数据进行对比获取相应的信息。
特征的选择和提取在模式识别中至关重要，要识别一个目标，一定要获取目标所特有的关键特征。任何一个图像都有它本身的特征，优选的，步骤(1)中，水产品的分类与数目识别具体包括以下步骤：
1-1、设有m个类别的鱼体，其类别分别为W1,W2,…,Wm；要判断给定的图像属于这m个类别中的某一类，则通过提取图像的特征来进行判断；
假设鱼群种类库：Fish_Species＝[W1 W2 … Wm].
1-2、设有n个鱼的生长阶段V1,V2,…,Vn，这个特征只要在识别出鱼体种类后，再根据fish_length来判别该鱼在哪个生长阶段；
假设鱼生长阶段数据库：Fish_Guage＝[V1 V2 … Vn].
1-3、用图像的d个特征组成d维空间中的特征向量X就有m个这样的特征向量，鱼的长度特征用Y表示，假设Y有l个特征：
X＝[x1 x2 … xd]T.
Y＝[y1 y2 … yl]T.
1-4、建立鱼的体态数据库和鱼的生长状态数据库：
X:FishRateDate＝[r1 r2 … r]T.
Y:FishSizeDate＝[s1 s2 sm]T.
1-5、从图像中提取出全部特征后，组成维向量，让其与样本库中的图像类的特征向量进行匹配运算，如果其与第i(0<i≤m)类特征向量相匹配，则说明要识别的目标属于第i(0<i≤m)类。
识别的另一内容是识别出鱼的生长阶段，建立生长阶段数据库，组成维向量，判断其是否可以被捕捞，需根据已知种类匹配其长度特征。
优选的，步骤(1)中，水产品的长度与体型识别具体包括以下步骤：
图像特征分析与提取是智能图像处理的基础，如果能够从图像中提取出鱼的体态特征，就可以对其进行监测与识别。这里我们考虑鱼的几个最明显的体态特征：鱼体的长度，宽度，分段长宽比例。
①长度计算:由图像矩阵循环计算出灰度图像最左边及最右边的白点，记录取得的坐标，计算长度fish_length，根据己知的测距与图像的关系，乘以长度转换系数，得知鱼的实际长度；
②角度变换:将图像旋转一次旋转180计算出鱼体的水平长度，记下最大值max_length及最小值min_length；并记下取得max_length时的角度max_theta；
③获得鱼体态分布数据:将鱼体图像旋转max_theta度，即将鱼体水平摆放，将左右边缘点的坐标取出，取出两点中的5等分点，即x1～x4，在等分点处，计算出鱼宽length1～length4，再根据已得到的数据，由分段处的体宽和鱼体长度的比值，计算出鱼的体态分布数据data＝length(i)/fish_legth，其中，i表示等分段标号。
并非所有的鱼体图像经滤波处理后都这么理想，通常一些大的干扰噪声依然会存在。为保证取到最左佑点的是鱼体上的点，需要调用判断函数，可以讨论在一定范围内白点的连续性，以确定是否为噪声像素。
优选的，所述水产品生长状态提取模块还包括水产品的异常病变行为识别，基于主成分分析(PCA)与支持向量机(SVM)的鱼是否生病的自动识别方法，通过主成分分析提取鱼的眼睛颜色，鱼鳍颜色等关键部位颜色，然后用支持向量机对鱼的是否生病进行学习、识别和预测，并以神经网络识别出的特定的鱼类的不同颜色为输入检测鱼是否生病，给出预测结果。
鱼常生的病有如下：(1).白点病。病鱼体表出现白色的小点，严重时布满全身，摄食及活动能力下降。(2).白毛病。病鱼体表出现白色絮状物，摄食及活动能力下降。(3).鱼体失衡症。病鱼在水中不能保持平衡。(4).蒙眼病。病鱼眼睛蒙了一层白色雾状物，严重会导致眼睛瞎掉。(5).体内虫病或肠炎。病鱼肚子胀，基本不怎么摄食。(6).蹭鳃。病鱼不停的在缸内找地方，蹭自己的鳃。(7).头洞病。病鱼头部出现小洞。最后建立好的水质管理模型、营养模型和病害诊断模型，通过智能决策算法进行养殖环境监测、饲料投喂量和投喂地点优化，以及病害诊断和防控等。
本发明的有有益效果：
(1)本发明基于图像和水质参数的融合算法实现水产品生长状态的提取，提高了识别的准确率；
(2)本发明具有很强的应用推广价值，因为可以避免从水中把鱼抓上来测量等操作，减少对鱼的伤害，并及时检测鱼是否生病，及时控制和预防，在一定程度上能够缩短鱼苗的养殖周期并对鱼苗的病害及时控制，达到增加收入的目的。
附图说明
图1是本发明的无人监控水下养殖机器人的控制模块的框图示意图。
图2是本发明的图像融合系统结构示意图。
图3为本发明的多分类神经网络训练示意图。
图4为鱼体态分割算法分析图。
具体实施方式
如图1所示，本实施例的无人监控水下养殖机器人的控制系统包括：作为核心处理器的DSP28335，作为辅助处理器的STM32，无线通信模块，视频处理模块，摄像头，GPS/BDS通讯模块，电子罗盘，AHRS惯性导航模块，基于I2C通讯的深度传感器，温度盐度传感器以及五常数水质仪。
为了保证及时有效地控制水下航行器的运行，同时能够实时接收传感器反馈的数据，需要采用高性能的处理器，既可以实时收集水下航行器搭载的传感器数据，又可以运行复杂的控制算法，将运算处理得到的指令信息输出到推进器等执行机构，本实施例采用DSP28335为主，STM32为辅的处理器平台。
选用DSP28335作为核心处理器，处理来自其他处理器和传感器的数据，并将执行指令下发给水下航行器的执行机构；选用STM32作为辅助处理器，扩展多种数据接口，方便处理不同通信协议的传感器数据，充当核心处理器和外围传感器的中间媒体；无线通信模块方便水下航行器在浅水区域与上位机的数据交互；视频处理模块和摄像头可以将摄像头捕获的图像信息经过处理反馈到视频处理模块；GPS/BDS通讯模块使得水下航行器在有电磁波信号时能与控制中心通讯；电子罗盘和AHRS惯性导航模块以便实施获取水下航行器的姿态信息；基于I2C通讯的深度传感器根据配置在水下航行器不同位置上的深度传感器校准姿态数据；温度盐度传感器根据相应数据对深度传感器进行数据校准；五常数水质仪方便对常规的五常数水质数据进行标签化存储。
图像融合由低到高分为三个层次：数据级融合、特征级融合、决策级融合。本文采用经典的三层结构，图像在像素一级的融合是处在最低部的一层，它将不同的物理参数进行融合，在得到的融合图像中，每一个像素都是由几个源图像所对应的区域决定而得。特征级的融合是在各个输入图像抽出的特征基础上，对这些特征进行融合，这些特征包括形状、大小、对比度等。在这些抽取的特征上进行融合，使得这些有用的特征能够更好的体现出来。在决策级的融合是对图像信息的更高的抽象。此时输入的图像已经是信息抽取得到的特征和分类。如图1是图像融合的三层结构。
图2是本发明的图像融合系统结构示意图。具体的实现是，首先需要采集足够的数据，通过Aquaread公司的多参数水质仪的精确测量，结合航行器的参数，对不同的图片进行标签化。在融合前期先进行图像配准，配准的目的是使图像满足时问和空间上的一致。经过图像的预处理就可以进行图像的融合。融合后，系统将输出一幅图像，理论上这幅图像将含有所有输入图像的有用信息。输出的这幅图像可以直接用于后期的各种处理，即图像信息应用，直接用于控制系统。由于融合过程中已经对图像进行了很好的信息抽取，此时后期处理阶段就相对会容易很多。对于一个控制系统，这个模块起到了控制器的作用。
其中图像预处理是本系统做图像融合前期最重要的一步工作。主要结合一些有先验知识的图像，对不同的鱼进行采样，结合大量采集的数据，进行特定的滤波处理，得到较好的滤波图片，简历具体的滤波器的参数和具体光线、温度、深度、浑浊度具体的非线性回归方程，在预处理阶段可以对图像采用特定的方式滤波，在实际操作中根据特定的参数调用不同的滤波器参数，就能得到比较好的结果。
基于图像信息的水产品生长状态提取算法，随着图像处理与识别技术的提高，可以用来实现鱼类自动分类。用形状、颜色和形状等参数进行鱼种分类。用图像分割和几何参数技术，图像分割是一种有效的信息提取方法，然后再利用人工神经网络和决策树相结合的基础上对鱼类进行分类，通过鱼的外部轮廓和边缘检测，来确定显著的相似部分，获取几何参数，如尾部形状。
通过几何参数，可以确定鱼眼口的位置和大小，把鱼分成两个三角形。水平为X轴，垂直为Y轴，X轴最大和最小点与Y轴的最大和最小的点相连，然后Y轴最高和最低点之间相连完成三角形的绘制。分类的过程中将参考测量鱼的眼睛、口大小、三角形的相似性，以及三角形峰值的坐标值等信息。
设计一个用计算机视觉和神经网络技术识别鱼种的系统，视觉系统通过相机进行成像，检测池塘各种鱼类的特征。首先，采集一批数据，利用测量值和鱼种的信息作为神经网络的输入值，网络通过训练来识别输入数据的鱼种，实现对不同鱼的分类。然后使用训练的网络可以根据鱼的颜色、形状、长度为输入参数实时的监测鱼的种类。然后利用图片中监测到的鱼的密度，利用抽样调查同样的原理，可以估计当前位置鱼的种类和密度，结合多处的鱼的图片计算整个鱼塘的鱼的分布情况和鱼的总量。
如图3所示，输入鱼类的各种参数，通过训练可以得用来检测鱼的种类。
如果要达到利用图像识别水产特征的目的，必须首先要研究水产品的图像特征，通过对其形状、纹理、大小，以及对图像经过各种模型转换获取的二次影像特征信息的分析，获取影像与水产特征的关系，确定两者关系的稳定性。
过对图像的处理，提取图像中能反应水产品某个特征的稳定信息，经过大量的水产品图像样本研究，构建水产品稳定性图像特征信息库。
按不同类型、不同等级的特征对信息库进行构建，当有新的样本时，通过与信息库中的数据进行对比获取相应的信息。
水产品的分类与数目识别，特征的选择和提取在模式识别中至关重要，要识别一个目标，一定要获取目标所特有的关键特征。任何一个图像都有它本身的特征，设有m个类别的鱼体，其类别分别为W1,W2,…,Wm；现要判断某个给定的图像属于这m个类别中的某一类，则可以通过提取图像的特征来进行判断。设有n个鱼的生长阶段V1,V2,…,Vn，这个特征只要在识别出鱼体种类后，再根据fish_length来判别该鱼在哪个生长阶段。
假设鱼群种类库：Fish_Species＝[W1 W2 … Wm].
假设鱼生长阶段数据库：Fish_Guage＝[V1 V2 … Vn].
为了分析及分类方便来表示，如果有m个类别，可用图像的d个特征组成d维空间中的特征向量X就有m个这样的特征向量，鱼的长度特征用Y表示，假设Y有l个特征：
X＝[x1 x2 … xd]T.
Y＝[y1 y2 … yl]T.
建立鱼的体态数据库和鱼的生长状态数据库：
X:FishRateDate＝[r1 r2 … r]T.
Y:FishSizeDate＝[s1 s2 sm]T.
从图像中提取出全部特征后，组成维向量，让其与样本库中的图像类的特征向量进行匹配运算，如果其与第i(0<i≤m)类特征向量相匹配，则说明要识别的目标属于第i(0<i≤m)类，从而完成对图像序列中目标的识别。
识别的另一内容是识别出鱼的生长阶段，建立生长阶段数据库，组成维向量，判断其是否可以被捕捞。这里的算法就相对简单，只需根据已知种类匹配其长度特征。
水产品的长度与体型识别，图像特征分析与提取是智能图像处理的基础。如果能够从图像中提取出鱼的体态特征，就可以对其进行监测与识别。这里我们考虑鱼的几个最明显的体态特征:鱼体的长度，宽度，分段长宽比例。
①长度计算:由图像矩阵循环计算出灰度图像最左边及最右边的白点，记录取得的坐标，计算长度fish_length。然后，根据己知的测距与图像的关系，乘以长度转换系数，得知鱼的实际长度。
②角度变换:将图像旋转一次旋转180计算出鱼体的水平长度，记下最大值max_length及最小值min_length；并记下取得max_length时的角度max_theta。
③获得鱼体态分布数据:将鱼体图像旋转max_theta度，即将鱼体水平摆放，将左右边缘点的坐标取出，取出两点中的5等分点。如图4所示，即x1～x4，在等分点处，计算出鱼宽length1～length4。再根据已得到的数据，由分段处的体宽和鱼体长度的比值，计算出鱼的体态分布数据data＝length(i)/fish_legth，其中，i表示等分段标号。
并非所有的鱼体图像经滤波处理后都这么理想，通常一些大的干扰噪声依然会存在。为保证取到最左佑点的是鱼体上的点，需要调用判断函数，可以讨论在一定范围内白点的连续性，以确定是否为噪声像素。
水产品的异常病变行为识别，鱼常生的病有如下：
(1).白点病。病鱼体表出现白色的小点，严重时布满全身，摄食及活动能力下降。
(2).白毛病。病鱼体表出现白色絮状物，摄食及活动能力下降。
(3).鱼体失衡症。病鱼在水中不能保持平衡。
(4).蒙眼病。病鱼眼睛蒙了一层白色雾状物，严重会导致眼睛瞎掉。
(5).体内虫病或肠炎。病鱼肚子胀，基本不怎么摄食。
(6).蹭鳃。病鱼不停的在缸内找地方，蹭自己的鳃。
(7).头洞病。病鱼头部出现小洞。
对于鱼类是否生病可以用易于实现的分类技术，使用一种基于核主成分分析(PCA)与支持向量机(SVM)的鱼是否生病的自动识别方法，通过PCA提取鱼的眼睛颜色，鱼鳍颜色等关键部位颜色，然后用SVM对鱼的是否生病进行学习、识别和预测，并以神经网络识别出的特定的鱼类的不同颜色为输入检测鱼是否生病，给出预测结果。
本实施例中，水下机器人还包括用于传递和接收外部信号的通讯设备和用于定位机身的导航设备，通讯设备与导航设备都受控于控制设备。导航设备包括全球定位系统、惯性导航系统、多普勒声呐计程仪以及深度计。通讯设备包括水声通讯和无线电通讯。本实施例中，还包括用于探测机身周围环境的任务载荷，其中任务载荷包括前视声呐和侧扫声呐。
水下机器人按照事先编好的程序及计算得到的路径，开始自主巡航，进行水质的监测和鱼类的监测。若发现障碍，在导航设备指引下可绕行阻碍物。在快要接近任务目的地时，任务载荷还可确定任务目标的位置，使工作位置更加精确。到达任务目的地后，航行器按照事先编好的任务程序，执行相关任务，如启动水下摄像机拍摄水下状态图。
当监测到水下机器人电量过低的时候，自动向最近太阳能充电桩靠近，进行充电，充电完成后继续执行任务。阶段性任务完成后，航行器进入返航回收阶段，即航行器在导航设备指引下，自主靠近附近的充电桩进行保护养护工作。当遭遇恶劣天气，充电桩向水下机器人发送召回指令，机器人迅速返航，进行保护。
综上所述，本实施例的基于太阳能充电的无人水下机器人，通过太阳能充电实现了真正意义上的无人监管的特点，通过图像和水质信息的融合算法实现对鱼类的更好的监控，提高了工作效率和质量。
Claims (4)
1.一种无人监控水下养殖机器人，包括航行器本体和控制模块，其特征在于，所述控制模块包括数据采集模块和数据处理模块，所述数据采集模块包括摄像头、温度盐度传感器和五常数水质仪；所述数据处理模块包括图像识别模块和水产品生长状态提取模块；
所述图像识别模块的工作过程包括：
(1)获取五常数水质仪的数据，结合航行器本体的运动参数，对摄像头获取的不同的图片进行标签化；
(2)对步骤(1)获取的图像进行配准；
(3)对摄像头采集的图像信息和水质传感器采集的水质信息的融合。
2.如权利要求1所示的无人监控水下养殖机器人，其特征在于，水产品生长状态提取模块的工作过程包括：
步骤1、获取图像识别模块得到的鱼的图像，用形状、颜色和形状参数进行鱼种分类；
步骤2、采集一批数据，利用测量值和鱼种的信息作为神经网络的输入值，网络通过训练来识别输入数据的鱼种，实现对不同鱼的分类；
步骤3、使用训练的网络根据鱼的颜色、形状、长度为输入参数实时的监测鱼的种类；
步骤4、利用图片中监测到的鱼的密度，利用抽样调查同样的原理，可以估计当前位置鱼的种类和密度，结合多处的鱼的图片计算整个鱼塘的鱼的分布情况和鱼的总量。
3.如权利要求2所示的无人监控水下养殖机器人，其特征在于，步骤1中，水产品的长度与体型识别具体包括以下步骤：
①长度计算:由图像矩阵循环计算出灰度图像最左边及最右边的白点，记录取得的坐标，计算长度fish_length，根据己知的测距与图像的关系，乘以长度转换系数，得知鱼的实际长度；
②角度变换:将图像旋转一次旋转180计算出鱼体的水平长度，记下最大值max_length及最小值min_length；并记下取得max_length时的角度max_theta；
③获得鱼体态分布数据:将鱼体图像旋转max_theta度，即将鱼体水平摆放，将左右边缘点的坐标取出，取出两点中的5等分点，在等分点处，计算出鱼宽length1～length4，再根据已得到的数据，由分段处的体宽和鱼体长度的比值，计算出鱼的体态分布数据data＝length(i)/fish_legth，其中，i表示等分段标号。
4.如权利要求1所示的无人监控水下养殖机器人，其特征在于，所述水产品生长状态提取模块还包括水产品的异常病变行为识别，基于主成分分析与支持向量机的鱼是否生病的自动识别方法，通过主成分分析提取包括鱼的眼睛颜色和鱼鳍颜色在内的关键部位颜色，然后用支持向量机对鱼的是否生病进行学习、识别和预测，并以神经网络识别出的特定的鱼类的不同颜色为输入检测鱼是否生病，给出预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811654076.0A CN109591982B (zh) | 2018-12-29 | 2018-12-29 | 一种无人监控水下养殖机器人 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811654076.0A CN109591982B (zh) | 2018-12-29 | 2018-12-29 | 一种无人监控水下养殖机器人 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109591982A CN109591982A (zh) | 2019-04-09 |
| CN109591982B true CN109591982B (zh) | 2020-04-14 |
Family
ID=65965834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811654076.0A Active CN109591982B (zh) | 2018-12-29 | 2018-12-29 | 一种无人监控水下养殖机器人 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109591982B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110476839B (zh) * | 2019-07-24 | 2020-07-31 | 中国农业大学 | 一种基于鱼类生长的优化调控方法及系统 |
| WO2021032472A1 (en) * | 2019-08-20 | 2021-02-25 | Aquaticode Ltd. | Methods and systems for predicting smoltification in fish through non-invasive means |
| CN111127411B (zh) * | 2019-12-17 | 2023-08-01 | 北京深测科技有限公司 | 一种渔业养殖的监测控制方法 |
| CN111160271B (zh) * | 2019-12-30 | 2023-08-18 | 哈尔滨商业大学 | 一种基于深度学习的室内养鸡场病鸡检测系统 |
| CN111612830B (zh) * | 2020-03-30 | 2022-06-17 | 清华大学 | 水下目标检测识别装置及方法 |
| CN111507295B (zh) * | 2020-04-23 | 2023-03-07 | 广西壮族自治区水产科学研究院 | 一种水产养殖管理系统 |
| CN111406693A (zh) * | 2020-04-23 | 2020-07-14 | 上海海洋大学 | 基于仿生海鳗的海洋牧场渔业资源养护效果评价方法 |
| CN111348161B (zh) * | 2020-04-23 | 2024-02-09 | 上海海洋大学 | 一种应用于海洋牧场的资源环境监测系统及其操作方法 |
| CN111587831B (zh) * | 2020-06-23 | 2022-02-22 | 上海天行控制科技有限公司 | 一种rov投饵机器人 |
| CN111735922B (zh) * | 2020-07-03 | 2021-06-29 | 华中农业大学 | 基于水下机器人的水产养殖监测系统 |
| CN111897350A (zh) * | 2020-07-28 | 2020-11-06 | 谈斯聪 | 一种水下机器人装置、水下调控管理最优化系统及方法 |
| WO2022021804A1 (zh) * | 2020-07-28 | 2022-02-03 | 谈斯聪 | 一种水下机器人装置.水下调控管理最优化系统及方法 |
| CN112184699A (zh) * | 2020-10-20 | 2021-01-05 | 青岛丰禾星普科技有限公司 | 水产品健康检测方法、终端设备及存储介质 |
| CN112232977A (zh) * | 2020-10-20 | 2021-01-15 | 青岛丰禾星普科技有限公司 | 水产品养殖评估方法、终端设备及存储介质 |
| CN113197142B (zh) * | 2021-06-16 | 2022-04-05 | 中国水产科学研究院黄海水产研究所 | 一种潜水巡航式投饵装置 |
| CN114240686B (zh) * | 2022-02-24 | 2022-06-03 | 深圳市旗扬特种装备技术工程有限公司 | 智慧渔业监测系统 |
| CN114711181B (zh) * | 2022-03-16 | 2023-04-07 | 四川农业大学 | 一种嵌入式草鱼病灶自动分流装置及检测方法 |
| CN117184382B (zh) * | 2023-11-07 | 2024-01-19 | 成都诸元天成智能装备有限公司 | 用于潜航器实时姿态的稳定系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203324784U (zh) * | 2013-06-18 | 2013-12-04 | 广东海洋大学 | 多传感器信息融合的集约化水产福利养殖水质监控装置 |
| CN105959414A (zh) * | 2016-06-30 | 2016-09-21 | 广州大气候农业科技有限公司 | 水产品溯源方法、服务器、终端及水产品溯源系统 |
| CN207292350U (zh) * | 2017-10-11 | 2018-05-01 | 广东海洋大学 | 一种作业级水下机器人 |
| CN107821284A (zh) * | 2017-11-07 | 2018-03-23 | 河北工业大学 | 一种基于云数据库的智能鱼类饲养系统 |
| CN208044376U (zh) * | 2018-01-20 | 2018-11-02 | 重庆川东船舶重工有限责任公司 | 深远海渔牧生态平台监控系统 |
-
2018
- 2018-12-29 CN CN201811654076.0A patent/CN109591982B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109591982A (zh) | 2019-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109591982B (zh) | 一种无人监控水下养殖机器人 | |
| Yu et al. | Segmentation and measurement scheme for fish morphological features based on Mask R-CNN | |
| Mohamed et al. | Msr-yolo: Method to enhance fish detection and tracking in fish farms | |
| Costa et al. | Extracting fish size using dual underwater cameras | |
| Gjergji et al. | Deep learning techniques for beef cattle body weight prediction | |
| CN114170497B (zh) | 一种基于注意力模块的多尺度水下鱼群检测方法 | |
| An et al. | Application of computer vision in fish intelligent feeding system—A review | |
| CN114248893B (zh) | 一种面向海参捕捞的作业型水下机器人及其控制方法 | |
| CN110200598A (zh) | 一种大型养殖场体征异常禽类检测系统及检测方法 | |
| Wu et al. | Application of intelligent and unmanned equipment in aquaculture: A review | |
| Lou et al. | Accurate multi-view stereo 3D reconstruction for cost-effective plant phenotyping | |
| Zacchini et al. | Forward-looking sonar CNN-based automatic target recognition: an experimental campaign with FeelHippo AUV | |
| CN112131921B (zh) | 基于立体视觉的生物自动量测系统及其量测方法 | |
| Isa et al. | CNN transfer learning of shrimp detection for underwater vision system | |
| CN113326743B (zh) | 一种养殖背景条件下鱼群运动行为参数提取和分析方法 | |
| Liu et al. | Research progress of computer vision technology in abnormal fish detection | |
| CN109625218B (zh) | 一种基于太阳能充电的无人监控水下养殖机器人系统 | |
| Zhang et al. | Fully automatic system for fish biomass estimation based on deep neural network | |
| Evangelista et al. | Detection of japanese quails (coturnix japonica) in poultry farms using yolov5 and detectron2 faster r-cnn | |
| Kannappan et al. | Identifying sea scallops from benthic camera images | |
| Deng et al. | Biological Eagle-eye Inspired Target Detection for Unmanned Aerial Vehicles Equipped with a Manipulator | |
| Ge et al. | Real-time object detection algorithm for Underwater Robots | |
| Liawatimena et al. | Drones computer vision using deep learning to support fishing management in Indonesia | |
| Rezo et al. | Collecting information for biomass estimation in mariculture with a heterogeneous robotic system | |
| Zhang et al. | Underwater autonomous grasping robot based on multi-stage cascade DetNet |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |