CN109886233B - 一种基于隐马尔可夫模型的水产养殖状态监测方法及装置 - Google Patents
一种基于隐马尔可夫模型的水产养殖状态监测方法及装置 Download PDFInfo
- Publication number
- CN109886233B CN109886233B CN201910153100.0A CN201910153100A CN109886233B CN 109886233 B CN109886233 B CN 109886233B CN 201910153100 A CN201910153100 A CN 201910153100A CN 109886233 B CN109886233 B CN 109886233B
- Authority
- CN
- China
- Prior art keywords
- aquaculture
- fish
- culture
- state
- shoal
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Abstract
本发明公开了一种基于隐马尔可夫模型的水产养殖状态监测方法,包括以下步骤:S1:根据养殖规律提炼的隐性参数和养殖显性状态的关系,建立基于隐马尔可夫模型的水产养殖模型,其中,隐性参数用于表征养殖异常状态信息;S2:获取不同时刻的养殖显性状态,养殖显性状态包括养殖水环境信息和鱼群活动信息;S3:根据养殖显性状态,获取观测序列;S4:根据观测序列和水产养殖模型,计算得到各种异常概率,若异常概率大于对应的异常阈值,则认为出现对应的异常,若否,则认为未出现异常。本发明具有监控全面、实时监控、异常监控准确的技术特点。
Description
技术领域
本发明属于水产养殖技术领域,尤其涉及一种基于隐马尔可夫模型的水产养殖状态监测方法及装置。
背景技术
目前,随着物联网技术的发展,水产养殖越来越现代化。各类传感技术的应用让实时监测水产养殖变得更加便利。现有的水产养殖技术主要可以实现远程监控及远程控制喂养,过程仍然需要人工进行干预。
现有技术主要可以监测养殖环境,分析鱼群状态。但是,整个过程主要集中在显性参数的监控,未考虑隐含因素,诸如饥饱、疫病、淤泥、藻类等隐含参数与直接监测到的物理参数并不是直接对等的,且隐含因素与显性因素的对应关系也并不是简单映射关系。
发明内容
本发明的技术目的是提供一种基于隐马尔可夫模型的水产养殖状态监测方法及装置,具有监控全面、实时监控、异常监控准确的技术特点。
为解决上述问题,本发明的技术方案为:
一种基于隐马尔可夫模型的水产养殖状态监测方法,包括以下步骤:
S1:根据养殖规律提炼的隐性参数和养殖显性状态的关系,建立基于隐马尔可夫模型的水产养殖模型,其中,隐性参数用于表征养殖异常状态信息;
S2:获取不同时刻的所述养殖显性状态,所述养殖显性状态包括养殖水环境信息和鱼群活动信息;
S3:根据所述养殖显性状态,获取观测序列;
S4:根据所述观测序列和所述水产养殖模型,计算得到各种异常概率,若所述异常概率大于对应的异常阈值,则认为出现对应的异常,若否,则认为未出现异常。
根据本发明一实施例,所述步骤S1具体包括以下步骤:
根据多个时间点的所述养殖水环境信息和所述鱼群活动信息的样本,构建鱼群显性状态矩阵,同时记录每个时间点的鱼群状态,以形成所述隐性参数和所述养殖显性状态的关系;
根据所述鱼群状态和所述鱼群显性状态矩阵,进行隐马尔可夫模型训练,获取最佳的所述水产养殖模型;
采用Baum-Welch算法对所述水产养殖模型参数进行计算,验证所述水产养殖模型的训练结果。
根据本发明一实施例,所述步骤S2中,所述鱼群活动信息的获取步骤包括:
读取并扫描不同时刻的养殖监控画面,将所述养殖监控画面与所述鱼群特征值比对,获取不同时刻的鱼群位置信息矩阵;
根据不同时刻的所述鱼群位置信息矩阵,计算得到所述鱼群活动信息,其中,所述鱼群活动信息包括鱼群速度、加速度、深度、离散度。
根据本发明一实施例,所述步骤S3具体包括以下步骤:
根据所述养殖水环境信息和所述鱼群活动信息,将每个相同时间点的所述养殖水环境信息和所述鱼群活动信息合并,形成基于时间的所述观测序列。
根据本发明一实施例,所述步骤S4之后还包括步骤S5:
若出现异常,则执行异常对应的养殖措施以进行异常修正。
一种基于隐马尔可夫模型的水产养殖状态监测装置,包括:
模型建立模块,被配置为根据养殖规律提炼的隐性参数和养殖显性状态的关系,建立基于隐马尔可夫模型的水产养殖模型,其中,隐性参数用于表征养殖异常状态信息;
检测传感模块,被配置为获取不同时刻的所述养殖显性状态,所述养殖显性状态包括养殖水环境信息和鱼群活动信息;
数据处理模块,被配置为根据所述养殖显性状态,获取观测序列;
所述数据处理模块还被配置为根据所述观测序列和所述水产养殖模型,计算得到各种异常概率,若所述异常概率大于对应的异常阈值,则认为出现对应的异常,若否,则认为未出现异常。
根据本发明一实施例,所述模型建立模块包括样本单元、训练单元、验证单元;
所述样本单元被配置为根据多个时间点的所述养殖水环境信息和所述鱼群活动信息的样本,构建鱼群显性状态矩阵,同时记录每个时间点的鱼群状态,以形成隐性参数和所述养殖显性状态的关系;
所述训练单元被配置为根据所述鱼群状态和所述鱼群显性状态矩阵,进行隐马尔可夫模型训练,以获取最佳的所述水产养殖模型;
所述验证单元被配置为采用Baum-Welch算法对所述水产养殖模型参数进行计算,验证所述水产养殖模型的训练结果。
根据本发明一实施例,所述检测传感模块包括接收处理单元、水环境传感器、视觉传感器;
所述接收处理单元被配置为接收所述水环境传感器监测的水环境数据形成所述养殖水环境信息;
所述接收处理单元还被配置为读取并扫描所述视觉传感器监测的不同时刻的养殖监控画面,将所述养殖监控画面与所述鱼群特征值比对,获取不同时刻的鱼群位置信息矩阵;
所述接收处理单元还被配置为根据不同时刻的所述鱼群位置信息矩阵,计算得到所述鱼群活动信息,其中,所述鱼群活动信息包括鱼群速度、加速度、深度、离散度。
根据本发明一实施例,数据处理模块具体被配置为根据所述养殖水环境信息和所述鱼群活动信息,将每个相同时间点的所述养殖水环境信息和所述鱼群活动信息合并,以形成基于时间的所述观测序列。
根据本发明一实施例,还包括异常处理模块,被配置为执行异常对应的养殖措施以进行异常修正。
本发明由于采用以上技术方案,使其与现有技术相比具有以下的优点和积极效果:
本发明与常见的水产养殖监测相比,考虑到了与水产养殖相关的隐性参数,以及隐性参数与显性参数之间的关系,克服了传统方法监测参数仅为显性参数的不足,同时,对于异常状态的预测,通过隐性参数和显性参数的多参数监控,使预测及控制更为智能、科学,达到了具有监控全面、实时监控、异常监控准确的技术效果。
附图说明
图1为本发明的一种基于隐马尔可夫模型的水产养殖状态监测方法的流程示意图;
图2为本发明的一种基于隐马尔可夫模型的水产养殖状态监测方法的隐马尔可夫模型训练过程示意图;
图3为本发明的一种基于隐马尔可夫模型的水产养殖状态监测方法的架构示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种基于隐马尔可夫模型的水产养殖状态监测方法及装置作进一步详细说明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。
实施例1
参看图1,本实施例提供一种基于隐马尔可夫模型的水产养殖状态监测方法,包括以下步骤:
S1:根据养殖规律提炼的隐性参数和养殖显性状态的关系,建立基于隐马尔可夫模型的水产养殖模型,其中,隐性参数用于表征养殖异常状态信息;
具体地,步骤S1具体包括以下步骤:
根据多个时间点的养殖水环境信息和鱼群活动信息的样本,构建鱼群显性状态矩阵,同时记录每个时间点的鱼群状态,以形成隐性参数和养殖显性状态的关系;
根据鱼群状态和鱼群显性状态矩阵,进行隐马尔可夫模型训练,获取最佳的水产养殖模型;
采用Baum-Welch算法对水产养殖模型参数进行计算,验证水产养殖模型的训练结果;
S2:获取不同时刻的养殖显性状态,养殖显性状态包括养殖水环境信息和鱼群活动信息;
具体地,鱼群活动信息的获取步骤包括:
读取并扫描不同时刻的养殖监控画面,将养殖监控画面与鱼群特征值比对,获取不同时刻的鱼群位置信息矩阵;
根据不同时刻的鱼群位置信息矩阵,计算得到鱼群活动信息,其中,鱼群活动信息包括鱼群速度、加速度、深度、离散度;
S3:根据养殖显性状态,获取观测序列;
具体地,步骤S3具体包括以下步骤:
根据养殖水环境信息和鱼群活动信息,将每个相同时间点的养殖水环境信息和鱼群活动信息合并,形成基于时间的观测序列;
S4:根据观测序列和水产养殖模型,计算得到各种异常概率,若异常概率大于对应的异常阈值,则认为出现对应的异常,若否,则认为未出现异常。
较优地,步骤S4之后还包括步骤S5:
若出现异常,则执行异常对应的养殖措施以进行异常修正。
现对本实施例进行详细说明:
1)S1:根据养殖规律提炼的隐性参数和养殖显性状态的关系,建立基于隐马尔可夫模型的水产养殖模型,其中,隐性参数用于表征养殖异常状态信息:
根据养殖规律,提炼常见隐性参数,包括鱼群缺氧、鱼群饥饿、鱼群生病、淤泥过多、藻类过多、垃圾过多等异常状态,针对每个异常状态针对性建立隐马尔可夫模型,提炼主要依据调查研究法,通过观察日常养殖过程及对养殖人员进行问卷调查,提炼常见异常状态,并在异常状态发生时,记录当前监测参数。
本实施例从养殖规律中提炼隐性参数,以及隐性参数和显性参数的关系,达到了监控更全面、科学的技术效果。
参看图2,以鱼群缺氧异常为例,利用步骤S1获取n个鱼样本,m个时间点的建模样本水环境信息PH、OX、T,鱼群活动特征V、a、cx、cy,构建鱼群显性状态矩阵O,同时记录每个时间点鱼群缺氧状态Q=[q1,q2…qT],1表示缺氧,0表示不缺氧,分别根据缺氧异常状态Q和养殖监测到的显性状态矩阵O,进行隐马尔可夫模型训练,获取最佳水产养殖模型λ=(π,A,B),其中,π为缺氧状态的初始概率分布;A为鱼群缺氧状态的转移矩阵;B为显状态的分布概率。
初始化模型,然后采用Baum-Welch算法对模型参数进行计算,当前后两次迭代误差小于设定阈值D时,则认为模型训练完毕,具体如下:
定义变量ξ(i,j)=P(qt=i,qt+1=j|O,λ),表示t时候缺氧状态i,t+1时刻缺氧状态j的概率。
定义变量ζ(i)=∑jξt(i,j),表示给定模型及观测序列下,t时刻处于缺氧状态i的概率。
采用以下方式估算模型参数:
π=ζ1(i),表示t=1时处于缺氧状态i的期望次数;
选择初始λ=(π,A,B),代入上述公式,得到一组新的λ1=(π1,A1,B1)
计算|log(P(O|λ1))-log(P(O|λ))|当值小于阈值D,得到最终模型。当值大于D,继续将λ1代入上式,重复上述步骤直至误差小于D。
本实施例基于实际的样本数据,建立基于隐马尔可夫模型的水产养殖模型,其中,水产养殖模型经过隐马尔可夫模型训练以及Baum-Welch算法的验证,保证了水产养殖模型更加贴近实际的水产养殖情况,达到了异常监控准确的技术效果。
2)步骤S2:获取养殖显性状态,养殖显性状态包括养殖水环境信息和鱼群活动信息:
获取养殖水环境信息:
NB DTU通过第一个485通信接口连接传感器ZZ-PHB-300采集养殖水的酸碱值PH,通过第二个485通信接口连接传感器ZZ-DOS-600采集养殖水的溶解氧含量OX,通过第三个485通信接口连接BPHT-V10采集养殖水的温度信息T。具体地,本实施例举例了三个参数进行说明,实际上水环境信息可以包括其他关于养殖水环境的参数。
获取鱼群活动信息:
预先存储鱼的特征值S;读取视频监控画面,扫描图像,与预先存储的鱼群特征值S进行比对,如比对成功,则认定为鱼,并记录该鱼的位置信息(x11,y11),依次扫描整幅图像,获取鱼群的位置信息矩阵,当有n条鱼时,位置矩阵格式如下:(x11,y11;x21,y21;……xn1,yn1);
间隔时间t,读取下一时刻视频监控画面,重复上述步骤,获取下一时刻鱼群位置矩阵:(x12,y12;x22,y22;……xn2,yn2);
再间隔时间t,读取下一时刻视频监控画面,重复上述步骤,获取下一时刻鱼群位置矩阵:(x13,y13;x23,y23;……xn3,yn3);
根据两个时刻鱼群位置矩阵,计算获取鱼群速度、加速度、离散度等表征鱼群活动信息的指标。
以第一条鱼为例:
速度:
加速度:
0~2t时间段:
离散度:
可以用该时刻的离散系数表示,以第一次采集的图像为例:
本实施例通过监控水环境信息和鱼群活动信息的显性参数,实现了对水产养殖水环境的全面监控,达到了实时监控的技术效果。
3)S3:根据养殖显性状态,获取观测序列:
实时监测养殖水环境信息、鱼群活动信息,得到基于时间的观测序列O1,该观测序列在每个时间点上又包含水环境信息PH1、OX1、T1,鱼群活动特征V1、a1、cx1、cy1。
4)S4:根据观测序列和水产养殖模型,计算得到各种异常概率,若异常概率大于对应的异常阈值,则认为出现对应的异常,若否,则认为未出现异常:
针对上述观测序列O1和步骤S2获取的水产养殖模型,通过公式:
令i=0,j=1估计概率最大的隐性状态,以鱼群缺氧异常为例,可获取t时刻,鱼群不缺氧,t+1时刻鱼群缺氧的概率,当概率大于阈值0.9时,则认为鱼群缺氧。
本实施例通过计算各种异常概率,与异常阈值进行比对,实现了隐性参数和显性参数的关联运用,以及实现了异常状态的科学预测,达到了异常监控准确的技术效果。
5)步骤S5:若出现异常,则执行异常对应的养殖措施以进行异常修正:
根据步骤S4的结果,如果为异常状态,则智能控制执行养殖措施。以鱼群缺氧异常为例,则控制增氧设备进行增氧。
本实施例具有以下技术优势:
本发明与常见的水产养殖监测相比,考虑到了与水产养殖相关的隐性参数,以及隐性参数与显性参数之间的关系,克服了传统方法监测参数仅为显性参数的不足,同时,对于异常状态的预测,通过隐性参数和显性参数的多参数监控,使预测及控制更为智能、科学,达到了具有监控全面、实时监控、异常监控准确的技术效果。
实施例2
参看图3,本实施例提供一种基于实施例1的基于隐马尔可夫模型的水产养殖状态监测装置,包括:
模型建立模块,被配置为根据养殖规律提炼的隐性参数和养殖显性状态的关系,建立基于隐马尔可夫模型的水产养殖模型,其中,隐性参数用于表征养殖异常状态信息;
具体地,模型建立模块包括样本单元、训练单元、验证单元;样本单元被配置为根据多个时间点的养殖水环境信息和鱼群活动信息的样本,构建鱼群显性状态矩阵,同时记录每个时间点的鱼群状态,以形成隐性参数和养殖显性状态的关系;训练单元被配置为根据鱼群状态和鱼群显性状态矩阵,进行隐马尔可夫模型训练,以获取最佳的水产养殖模型;验证单元被配置为采用Baum-Welch算法对水产养殖模型参数进行计算,验证水产养殖模型的训练结果;
检测传感模块,被配置为获取不同时刻的养殖显性状态,养殖显性状态包括养殖水环境信息和鱼群活动信息;
具体地,检测传感模块包括接收处理单元、水环境传感器、视觉传感器;接收处理单元被配置为接收水环境传感器监测的水环境数据形成养殖水环境信息;接收处理单元还被配置为读取并扫描视觉传感器监测的不同时刻的养殖监控画面,将养殖监控画面与鱼群特征值比对,获取不同时刻的鱼群位置信息矩阵;接收处理单元还被配置为根据不同时刻的鱼群位置信息矩阵,计算得到鱼群活动信息,其中,鱼群活动信息包括鱼群速度、加速度、深度、离散度;
数据处理模块,被配置为根据养殖显性状态,获取观测序列;
具体地,数据处理模块具体被配置为根据养殖水环境信息和鱼群活动信息,将每个相同时间点的养殖水环境信息和鱼群活动信息合并,以形成基于时间的观测序列;
数据处理模块还被配置为根据观测序列和水产养殖模型,计算得到各种异常概率,若异常概率大于对应的异常阈值,则认为出现对应的异常,若否,则认为未出现异常。
较优地,本实施例还包括异常处理模块,被配置为执行异常对应的养殖措施以进行异常修正。
本实施例与常见的水产养殖监测相比,考虑到了与水产养殖相关的隐性参数,以及隐性参数与显性参数之间的关系,克服了传统方法监测参数仅为显性参数的不足,同时,对于异常状态的预测,通过隐性参数和显性参数的多参数监控,使预测及控制更为智能、科学,达到了具有监控全面、实时监控、异常监控准确的技术效果。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式。即使对本发明作出各种变化,倘若这些变化属于本发明权利要求及其等同技术的范围之内,则仍落入在本发明的保护范围之中。
Claims (8)
1.一种基于隐马尔可夫模型的水产养殖状态监测方法,其特征在于,包括以下步骤:
S1:根据养殖规律提炼的隐性参数和养殖显性状态的关系,建立基于隐马尔可夫模型的水产养殖模型,其中,隐性参数用于表征养殖异常状态信息;
S2:获取不同时刻的所述养殖显性状态,所述养殖显性状态包括养殖水环境信息和鱼群活动信息;
S3:根据所述养殖显性状态,获取观测序列;
S4:根据所述观测序列和所述水产养殖模型,计算得到各种异常概率,若所述异常概率大于对应的异常阈值,则认为出现对应的异常,若否,则认为未出现异常;
在所述步骤S1中,根据多个时间点的养殖水环境信息和鱼群活动信息的样本,构建鱼群显性状态矩阵,同时记录每个时间点的鱼群状态,以形成所述隐性参数和所述养殖显性状态的关系;
根据所述鱼群状态和所述鱼群显性状态矩阵,进行隐马尔可夫模型训练,获取最佳的所述水产养殖模型;
采用Baum-Welch算法对所述水产养殖模型参数进行计算,验证所述水产养殖模型的训练结果。
2.根据权利要求1所述的基于隐马尔可夫模型的水产养殖状态监测方法,其特征在于,所述步骤S2中,所述鱼群活动信息的获取步骤包括:
读取并扫描不同时刻的养殖监控画面,将所述养殖监控画面与鱼群特征值比对,获取不同时刻的鱼群位置信息矩阵;
根据不同时刻的所述鱼群位置信息矩阵,计算得到所述鱼群活动信息,其中,所述鱼群活动信息包括鱼群速度、加速度、深度、离散度。
3.根据权利要求1所述的基于隐马尔可夫模型的水产养殖状态监测方法,其特征在于,所述步骤S3具体包括以下步骤:
根据所述养殖水环境信息和所述鱼群活动信息,将每个相同时间点的所述养殖水环境信息和所述鱼群活动信息合并,形成基于时间的所述观测序列。
4.根据权利要求1至3任意一项所述的基于隐马尔可夫模型的水产养殖状态监测方法,其特征在于,所述步骤S4之后还包括步骤S5:
若出现异常,则执行异常对应的养殖措施以进行异常修正。
5.一种基于隐马尔可夫模型的水产养殖状态监测装置,其特征在于,包括:
模型建立模块,被配置为根据养殖规律提炼的隐性参数和养殖显性状态的关系,建立基于隐马尔可夫模型的水产养殖模型;
检测传感模块,被配置为获取不同时刻的所述养殖显性状态,所述养殖显性状态包括养殖水环境信息和鱼群活动信息;
数据处理模块,被配置为根据所述养殖显性状态,获取观测序列;
所述数据处理模块还被配置为根据所述观测序列和所述水产养殖模型,计算得到各种异常概率,若所述异常概率大于对应的异常阈值,则认为出现对应的异常,若否,则认为未出现异常;
其中,所述模型建立模块包括样本单元、训练单元、验证单元;
所述样本单元被配置为根据多个时间点的所述养殖水环境信息和所述鱼群活动信息的样本,构建鱼群显性状态矩阵,同时记录每个时间点的鱼群状态,以形成隐性参数和所述养殖显性状态的关系;
所述训练单元被配置为根据所述鱼群状态和所述鱼群显性状态矩阵,进行隐马尔可夫模型训练,以获取最佳的所述水产养殖模型;
所述验证单元被配置为采用Baum-Welch算法对所述水产养殖模型参数进行计算,验证所述水产养殖模型的训练结果。
6.根据权利要求5所述的基于隐马尔可夫模型的水产养殖状态监测装置,其特征在于,所述检测传感模块包括接收处理单元、水环境传感器、视觉传感器;
所述接收处理单元被配置为接收所述水环境传感器监测的水环境数据形成所述养殖水环境信息;
所述接收处理单元还被配置为读取并扫描所述视觉传感器监测的不同时刻的养殖监控画面,将所述养殖监控画面与鱼群特征值比对,获取不同时刻的鱼群位置信息矩阵;
所述接收处理单元还被配置为根据不同时刻的所述鱼群位置信息矩阵,计算得到所述鱼群活动信息,其中,所述鱼群活动信息包括鱼群速度、加速度、深度、离散度。
7.根据权利要求5所述的基于隐马尔可夫模型的水产养殖状态监测装置,其特征在于,数据处理模块具体被配置为根据所述养殖水环境信息和所述鱼群活动信息,将每个相同时间点的所述养殖水环境信息和所述鱼群活动信息合并,以形成基于时间的所述观测序列。
8.根据权利要求5至7任意一项所述的基于隐马尔可夫模型的水产养殖状态监测装置,其特征在于,还包括异常处理模块,被配置为执行异常对应的养殖措施以进行异常修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910153100.0A CN109886233B (zh) | 2019-02-28 | 2019-02-28 | 一种基于隐马尔可夫模型的水产养殖状态监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910153100.0A CN109886233B (zh) | 2019-02-28 | 2019-02-28 | 一种基于隐马尔可夫模型的水产养殖状态监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886233A CN109886233A (zh) | 2019-06-14 |
CN109886233B true CN109886233B (zh) | 2023-05-09 |
Family
ID=66930017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910153100.0A Active CN109886233B (zh) | 2019-02-28 | 2019-02-28 | 一种基于隐马尔可夫模型的水产养殖状态监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886233B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325522B (zh) * | 2020-02-24 | 2022-12-06 | 浪潮通信信息系统有限公司 | 一种基于物联网的智能渔业养殖管理方法和系统 |
CN112841052B (zh) * | 2020-12-30 | 2023-03-31 | 中农御品(厦门)智能设备有限公司 | 一种智能猪舍监控系统 |
CN117473446B (zh) * | 2023-12-27 | 2024-03-15 | 深圳市明心数智科技有限公司 | 基于深度学习的异常检测和处理方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102549578B (zh) * | 2010-10-01 | 2016-03-09 | 松下电器产业株式会社 | 分类装置以及分类方法 |
CN106259095B (zh) * | 2016-08-16 | 2019-04-02 | 常州工学院 | 一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法 |
CN107256608A (zh) * | 2017-08-14 | 2017-10-17 | 合肥裕亿农业技术开发有限公司 | 一种基于移动互联网可远程抓拍的养殖安防系统 |
CN109284921B (zh) * | 2018-09-17 | 2021-08-24 | 北京工商大学 | 基于隐马尔科夫模型的农业灌溉水质动态评价方法 |
-
2019
- 2019-02-28 CN CN201910153100.0A patent/CN109886233B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109886233A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886233B (zh) | 一种基于隐马尔可夫模型的水产养殖状态监测方法及装置 | |
CN112200011B (zh) | 曝气池状态检测方法、系统、电子设备及存储介质 | |
CN102124964B (zh) | 海水养殖智能化管理系统 | |
CN115861721B (zh) | 基于图像数据的畜禽养殖喷雾设备状态识别方法 | |
CN114549469A (zh) | 一种基于置信度校准的深层神经网络医疗图像诊断方法 | |
CN115471645A (zh) | 一种基于u型学生网络的知识蒸馏异常检测方法 | |
CN111985670A (zh) | 一种水产养殖监控方法、装置及存储介质 | |
CN114092378A (zh) | 动物健康检测的方法、装置、设备及存储介质 | |
CN112861666A (zh) | 一种基于深度学习的鸡群计数方法及应用 | |
CN116363494B (zh) | 一种鱼类数量监测、洄游跟踪的方法和系统 | |
CN116484287B (zh) | 基于误差修正的土壤水分预测方法、系统、终端及介质 | |
CN110956178B (zh) | 一种基于图像相似度计算的植物生长测量方法、系统及电子设备 | |
CN116431621A (zh) | 一种水产养殖水质多参量数据处理方法 | |
CN108845075B (zh) | 基于深度学习网络的堆肥腐熟实时预测方法 | |
CN112380486B (zh) | 用于海水观赏鱼养殖状态的动态监测评估方法及系统 | |
CN110633679B (zh) | 一种基于遗传算法的指针式仪表示数自动识别方法及系统 | |
CN114022831A (zh) | 一种基于双目视觉的牲畜体况监测方法及系统 | |
CN112215107A (zh) | 一种猪的行为识别方法及装置、电子设备和存储介质 | |
CN115272943B (zh) | 一种基于数据处理的畜牧家禽进食异常识别方法 | |
Palconit et al. | Fish stereo matching using modified k-dimensional tree nearest neighbor search | |
CN111950396B (zh) | 一种仪表读数神经网络识别方法 | |
CN115690585B (zh) | 一种基于数字相片提取小麦分蘖数的方法和系统 | |
CN114255203B (zh) | 一种鱼苗数量估计方法及系统 | |
CN116645732B (zh) | 一种基于计算机视觉的场地危险活动预警方法及系统 | |
CN116543345A (zh) | 一种基于人工智能作物生产过程溯源档案的生成方法 |
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 |