CN111127411B - 一种渔业养殖的监测控制方法 - Google Patents
一种渔业养殖的监测控制方法 Download PDFInfo
- Publication number
- CN111127411B CN111127411B CN201911302252.9A CN201911302252A CN111127411B CN 111127411 B CN111127411 B CN 111127411B CN 201911302252 A CN201911302252 A CN 201911302252A CN 111127411 B CN111127411 B CN 111127411B
- Authority
- CN
- China
- Prior art keywords
- fish
- data
- characteristic data
- monitoring
- dimensional
- 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 194
- 238000000034 method Methods 0.000 title claims abstract description 50
- 241000251468 Actinopterygii Species 0.000 claims abstract description 270
- 238000013499 data model Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 238000013075 data extraction Methods 0.000 claims abstract description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 39
- 229910052760 oxygen Inorganic materials 0.000 claims description 39
- 239000001301 oxygen Substances 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000009360 aquaculture Methods 0.000 claims description 10
- 244000144974 aquaculture Species 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 8
- 238000002360 preparation method Methods 0.000 claims description 4
- 238000009372 pisciculture Methods 0.000 claims 1
- 235000013305 food Nutrition 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012258 culturing Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
-
- 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
本发明提供一种渔业养殖的监测控制方法，包括飞行时间TOF相机根据图像采集命令获取监控区域的水下养殖环境图像，生成三维点云数据，并发送给监控处理器；监控处理器对三维点云数据进行去噪处理并基于鱼特征数据模型进行三维特征数据提取，得到鱼三维特征数据，保存在鱼特征数据列表中，并对鱼三维特征数据进行数据分析，得到鱼群体积数据和单侧表面鱼的数量和鱼的厚度数据；根据鱼的厚度数据、单侧表面鱼的数量和鱼群体积数据分析计算得到监控区域的鱼的总数估值；然后根据总数估值和鱼群体积数据得到鱼群的密度数据，确定鱼群的密度等级；最后根据总数估值和密度等级生成饲料投放控制命令，用以饲料投放设备进行饲料投放。
Description
技术领域
本发明涉数据处理领域，尤其涉及一种渔业养殖的监测控制方法。
背景技术
随着经济的发展和居民生活水平的提高，人们在对食用鱼类选择上不断加量。随着人们的消费需求日益旺盛，野生的产量远远不能满足大量的食用需求，每年需求量的增长速度不断加大，国内还需进口弥补面对鱼肉的需求不断增大。近年来，人们开始人工养殖一些种类的鱼类，以达到改善更多人的生活水平的目的。
目前，人工养殖鱼很大程度上是依赖人工操作完成，投喂策略与投喂技术一直是养殖业最重视的技术之一，人工投鱼食对人工的精力耗费巨大。另一方面，对于鱼塘的供养也也不能进行更科学的操作，对于人工养殖鱼的成本消耗巨大。
发明内容
针对现有技术缺陷，本发明实施例的目的是提供一种渔业养殖的监测控制方法，该方法通过飞行时间(Time Of Flight，TOF)相机采集鱼塘各区域的水下养殖环境，通过对采集生成的三维点云数据进行数据分析，通过估算区域内的鱼群数量和密度，以完成自动的投放鱼食，并通过对鱼种类的比例关系进行分析，来进行鱼食的配比。
为了实现上述目的，本发明实施例提供一种渔业养殖的监测控制方法，包括：
飞行时间TOF相机根据图像采集命令获取监控区域的水下养殖环境图像，生成三维点云数据；其中，所述TOF相机具有相机ID；
所述TOF相机将所述三维点云数据和所述相机ID发送给监控处理器；
所述监控处理器对所述三维点云数据进行去噪处理，得到去噪三维点云数据；
所述监控处理器基于鱼特征数据模型对去噪三维点云数据进行三维特征数据提取，得到鱼三维特征数据，保存在鱼特征数据列表中；
所述监控处理器对所述鱼特征数据列表中的所述鱼三维特征数据进行数据分析，得到鱼群体积数据；
所述监控处理器对所述鱼特征数据列表中的所述鱼三维特征数据进行计数处理，得到所述监控区域内的单侧表面鱼的数量；
所述监控处理器对所述鱼特征数据列表中的每个鱼三维特征数据进行分析，得到每个鱼三维特征数据对应的鱼的长度数据，并根据所述长度数据在规格参数数据中查找所述长度数据对应的鱼的厚度数据；
所述监控处理器根据所述鱼特征数据列表中所有鱼三维特征数据对应的鱼的厚度数据、所述单侧表面鱼的数量和所述鱼群体积数据进行分析计算处理，得到所述监控区域的鱼的总数估值；
所述监控处理器根据所述总数估值和所述鱼群体积数据得到所述鱼群的密度数据；
所述监控处理器根据密度预设范围数据对所述密度数据进行密度等级判定，确定所述鱼群的密度等级；
所述监控处理器根据所述总数估值和所述密度等级生成饲料投放控制命令，用以所述饲料投放设备根据所述饲料投放控制命令进行饲料投放；其中，所述饲料投放控制命令包括投放时长和投放速度。
优选的，所述监控处理器对所述鱼特征数据列表中的所述鱼三维特征数据进行数据分析，得到鱼群体积数据具体为：
所述监控处理器遍历所述鱼特征数据列表中的每个第一鱼三维特征数据；
所述监控处理器对第一鱼三维特征数据的所有像素点坐标进行比较，确定所述第一鱼三维特征数据所有像素点的xmin、xmax、ymin、ymax、zmin、zmax；其中，所述xmin、xmax、ymin、ymax、zmin和zmax为所述第一鱼三维特征数据中所有像素点坐标的最小x值、最大x值、最小y值、最大y值、最小z值和最大z值；
所述监控处理器对所述每个第一鱼三维特征数据的所述xmin、xmax、ymin、ymax、zmin、zmax进行比较，得到所述鱼特征数据列表的Xmin、Xmax、Ymin、Ymax、Zmin、Zmax；其中，所述Xmin、Xmax、Ymin、Ymax、Zmin、Zmax为所述鱼特征数据列表中所有第一鱼三维特征数据中所有像素点坐标的最小x值、最大x值、最小y值、最大y值、最小z值和最大z值；
所述监控处理器根据所述Xmin、Xmax、Ymin、Ymax、Zmin、Zmax进行计算，得到所述鱼群体积数据。
进一步优选的，所述监控处理器根据所述Xmin、Xmax、Ymin、Ymax、Zmin、Zmax进行计算，得到所述鱼群体积数据具体为：
所述监控处理器根据体积计算公式：
V＝(Xmax-Xmin)×(Ymax-Ymin)×(Zmax-Zmin)进行计算，得到所述鱼群体积数据V。
优选的，在所述飞行时间TOF相机根据图像采集命令获取监控区域的水下养殖环境图像，生成三维点云数据之前，所述方法还包括：
所述监控处理器接收外部输入的监控启动指令，获取预设采集时间间隔；
所述监控处理器根据所述预设采集时间间隔生成所述图像采集命令，并发送给所述TOF相机。
优选的，在所述飞行时间TOF相机根据图像采集命令获取监控区域的水下养殖环境图像，生成三维点云数据之前，所述方法还包括：
所述监控处理器接收外部输入的监控启动指令，获取预设时间列表数据；其中，所述预设时间列表数据包括多个预设时间；
所述监控处理器根据所述预设时间生成所述图像采集命令，并发送给所述TOF相机。
优选的，所述监测控制方法还包括：
所述监控处理器根据所述密度等级生成供氧控制命令，并发送给供氧设备；其中，供氧控制命令包括供氧等级；
所述供氧设备根据所述供氧等级控制供氧设备的供氧输出等级。
优选的，所述鱼特征数据模型包括多种鱼的特征数据模型，在所述监控处理器基于鱼特征数据模型对去噪三维点云数据进行三维特征数据提取，得到鱼三维特征数据，保存在鱼特征数据列表中时，所述监测控制方法还包括：
所述监控处理器基于鱼特征数据模型中的第一特征数据模型提取得到第一三维特征数据；
所述监控处理器根据第一特征数据模型确定所述第一三维特征数据的种类标识数据；
所述监控处理器将所述种类标识数据保存在所述第一三维特征数据对应的种类标识数据中。
进一步优选的，所述方法还包括：
所述监控处理器对所述鱼特征数据列表中的第一种类标识数据进行计数处理，得到第一计数总数；
所述监控处理器根据所述监控区域内的单侧表面鱼的数量和所述第一计数总数计算第一食料比例数据。
进一步优选的，所述方法还包括：
所述监控处理器根据所述多个第一食料比例数据生成食料配比数据，发送给所述食料配置设备；
所述食料配置设备根据所述食料配比数据进行食料的配置。
本发明实施例提供的一种渔业养殖的监测控制方法，通过在鱼塘中的不同区域安装TOF相机，TOF相机采集所属监控区域的水下养殖环境，并对采集生成的三维点云数据进行分析，对监控区域的鱼群总数量和鱼群密度进行估算，根据估算值来控制鱼食投放装置进行鱼食投放。进一步，通过估算值对供养设备进行调节，实现自动调节供养设备的输出等级。此外，还可以对鱼群中鱼类的比例进行估算，并根据鱼类比例进行鱼食的配比。最终达到科学养殖，节约成本的目的。
附图说明
图1为本发明实施例提供的一种渔业养殖的监测控制方法流程图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了更好的说明本发明实施例提供的一种渔业养殖的监测控制方法，首先介绍用于实施本发明的监测控制方法的监控系统，包括：TOF相机、监控处理器、饲料投放设备、供氧设备、食料配置设备等。
其中，TOF相机设置在鱼养殖的水下环境的监控区域，用于对监控区域的水下养殖环境图像进行拍摄，并生成三维点云数据。TOF相机设置的位置和拍摄交度可以根据需要监控的区域的需要进行调整。
监控处理器设置在监控处理中心，用于处理TOF相机采集的数据，并根据分析结果对饲料投放设备、供养设备和食疗配置设备等鱼养殖设备进行控制。
本发明的一种渔业养殖的监测控制方法，在鱼养殖水域环境中或人工鱼塘中使用。图1为本发明实施例提供的一种渔业养殖的监测控制方法流程图，如图所示，包括以下步骤：
步骤101，飞行时间TOF相机根据图像采集命令获取监控区域的水下养殖环境图像，生成三维点云数据。
具体的，TOF相机接收到监控处理器发送的图像采集指令，根据图像采集命令拍摄一帧所属监控区域进行水下养殖环境图像，生成三维点云数据。其中，TOF相机具有相机ID。
本发明实施例中采用的TOF相机通过内置激光发射模块发射光信号，并通过内置的互补金属氧化物半导体(Complementary Metal OxideSemiconductor,CMOS)像素阵列来获取三维场景的距离景深数据，成像率可达上百帧每秒，同时结构紧凑，功耗低。对于目标场景的三维数据获取方式为：TOF相机使用振幅调制的光源，该光源主动地照射目标场景，并与锁定在同一频率的每个像素上的相关传感器耦合。其内置激光发射的发射光和发射光照射到场景物体上后发射的反射光具有相移，通过检测发射光和反射光之间的不同的相移量获得多次测量。内置激光发射器的振幅调制在10-100MH的调制频率区间，而频率控制着TOF相机传感器深度范围和深度分辨率。同时TOF相机的处理单元在每个像素上单独地执行相位差进行计算，得出目标场景的深度数据，TOF相机的处理单元进过对反射光的反射强度进行分析计算，得出目标场景的强度数据，再结合获取的二维数据进行分析处理后得到目标场景的三维点云数据。
本发明实施例的具体例子中，TOF相机采用固态激光器或者LED阵列发射波长在850nm附近的光波发射器作为内置激光发射器。发射光源为通过连续调制方式得到的连续方波或正弦波。TOF相机处理单元通过计算多个采样样本中的发射光与反射光的相位角以及目标物体的距离，并对反射光强度转换的电流强度进行分析计算得到强度数据，然后再结合光学相机得到的二维图像数据进行融合处理，得到目标场景的三维点云数据。
在对所属监控区域的水下养殖环境图像进行采集过程中，由于是通过TOF相机主动发射的非可见光进行场景拍摄，所以，即使在黑暗情况下也能得到清晰的监控区域的水下养殖环境图像的三维点云数据。因此，本发明实施例提供的方法在夜间或者照明状态不佳，甚至没有照明的黑暗环境中也适用。
本发明实施例中优选的选用的TOF相机为具有防水功能的TOF相机。在本发明实施例的可选方案中，在对TOF相机设置时，对TOF相机做防水保护措施，以使其能够正常完成水下作业。
在本发明实施例的优选方案中，在所述飞行时间TOF相机根据图像采集命令获取监控区域的水下养殖环境图像，生成三维点云数据之前，监控处理器接收外部输入的监控启动指令，获取预设采集时间间隔；监控处理器根据所述预设采集时间间隔生成所述图像采集命令，并发送给所述TOF相机。也就是说，当要启动本发明实施例所提供的监测控制方法时，管理人员通过在监控处理器的交互屏输入监控启动指令；或者管理人员通对与监控处理器连接的硬件控制设备进行操作生成监控启动指令，发送给监控处理器。监控处理器在接收到监控启动指令后读取预设的采集时间间隔，根据采集时间间隔生成图像采集命令，并发送给TOF相机。
在本发明实施例的另一个优选方案中，在所述飞行时间TOF相机根据图像采集命令获取监控区域的水下养殖环境图像，生成三维点云数据之前，监控处理器接收外部输入的监控启动指令，获取预设时间列表数据。其中，预设时间列表数据包括多个预设时间。监控处理器根据预设时间生成所述图像采集命令，并发送给所述TOF相机。例如：预设时间列表数据中包括多个喂食的时间，当列表中的每个预设时间到达时，监控处理器就生成图像采集命令，并发送给TOF相机。
步骤102，TOF相机将三维点云数据和相机ID发送给监控处理器。
具体的，TOF相机将生成的水下养殖环境的三维点云数据和相机的ID一起发送给监控处理器。监控处理器可以根据相机ID查找到TOF相机对应的监控区域信息。
步骤103，监控处理器对三维点云数据进行去噪处理，得到去噪三维点云数据。
具体的，监控处理器选用特定的滤波方式对接收到的三维点云数据进行滤波处理，去除其中的噪点。例如使用如下方法对三维点云数据进行滤波处理：
本发明实施例中的TOF相机分辨率为M×N(M、N都为正整数)，比如320×240或者640×480等，所以其获取的一帧三维点云数据具有M×N个像素点，每个像素点进一步包括X、Y、Z三维坐标值。其中，TOF相机原始深度数据到我们需要的3维点云数据的步骤：首先，对原始深度数据做初步校正和温度校准；其次，对图像做畸变校正处理；再次，深度图像坐标系(x0,y0,z0)转化成相机坐标系(x1,y1,z1)，及把图像上的深度信息转化成以相机为原点的三维坐标系；最后，相机坐标系(x1,y1,z1)转化成需要的世界坐标系(x2,y2,z2)，及把相机的坐标系转化成项目需要的坐标系，也就是最终的点云的坐标系。X轴、Y轴的数据值表示场景点的平面坐标位置，Z轴的数据值表示采集到的获取到的场景的实际深度值。
监控处理器将三维点云数据转化为M×N×3的矩阵，每一行代表飞行时间传感器中排列的一个像素。通过将M×N×3的矩阵重置为M×N的矩阵，并且用深度值表示重置矩阵中的每个元素的值，三维点云数据就转化成二维平面图像数据。
监控处理器采用基于三维点云的3×3空间滤波算子，对二维平面图像数据的各像素点的深度值进行计算，并计算中心点像素与周围像素的深度差。用深度差与预设全局阈值进行比较，当深度差大于预设全局阈值时，判断该像素点测得的深度值为噪点，将其对应的三维点云数据中的像素点滤除。否则，保留其对应的三维点云数据中的像素点。经过处理后得到滤波后的三维点云数据，即去噪三维点云数据。
步骤104，监控处理器基于鱼特征数据模型对去噪三维点云数据进行三维特征数据提取，得到鱼三维特征数据，保存在鱼特征数据列表中。
具体的，监控处理器基于鱼特征数据模型对去噪三维点云数据中提取出鱼三维特征数据，并将其保存在鱼特征数据列表中。鱼特征数据模型可以是二维鱼特征数据模型，也可以是三维鱼特征数据模型。如果鱼特征数据模型是二维鱼特征数据模型，监控处理器基于二维鱼特征数据模型对去噪三维点云数据的强度数据进行分析，从三维点云数据的强度数据中提取出鱼二维强度数据，再将鱼二维强度数据映射到去噪三维点云数据中，根据映射关系，从去噪三维点云数据中提取出鱼三维特征数据。如果鱼特征数据模型为三维鱼特征数据模型，监控处理器基于鱼三维特征数据模型从去噪三维点云数据中提取鱼三维特征数据。监控处理器将鱼三维特征数据保存在鱼特征数据列表中。
本发明实施例的优选方案中，鱼特征数据模型包括多种鱼的特征数据模型，每种鱼的特征数据模型对应一种类型的鱼。在监控处理器基于鱼特征数据模型对去噪三维点云数据进行三维特征数据提取时，监控处理器首先基于鱼特征数据模型中的第一特征数据模型提取得到第一三维特征数据。然后，监控处理器根据第一特征数据模型确定第一三维特征数据的种类标识数据。最后，监控处理器将种类标识数据保存在第一三维特征数据对应的种类标识数据中。这样，鱼特征数据列表中的每个鱼三维特征数据都具有其对应的种类标识数据。
步骤105，监控处理器对鱼特征数据列表中的鱼三维特征数据进行数据分析，得到鱼群体积数据。
具体的，监控处理器对鱼群的体积进行估算，具体通过下面的步骤完成：
首先，监控处理器遍历鱼特征数据列表中的每个第一鱼三维特征数据。
其次，监控处理器对第一鱼三维特征数据的所有像素点坐标进行比较，确定第一鱼三维特征数据所有像素点的xmin、xmax、ymin、ymax、zmin、zmax；其中，xmin、xmax、ymin、ymax、zmin和zmax为第一鱼三维特征数据中所有像素点坐标的最小x值、最大x值、最小y值、最大y值、最小z值和最大z值。
再次，监控处理器对每个第一鱼三维特征数据的xmin、xmax、ymin、ymax、zmin、zmax进行比较，得到鱼特征数据列表的Xmin、Xmax、Ymin、Ymax、Zmin、Zmax。其中，Xmin、Xmax、Ymin、Ymax、Zmin、Zmax为鱼特征数据列表中所有第一鱼三维特征数据中所有像素点坐标的最小x值、最大x值、最小y值、最大y值、最小z值和最大z值。
最后，监控处理器根据Xmin、Xmax、Ymin、Ymax、Zmin、Zmax进行计算，得到鱼群体积数据。
进一步具体的，监控处理器根据体积计算公式：
V＝(Xmax-Xmin)×(Ymax-Ymin)×(Zmax-Zmin)进行计算，得到鱼群体积数据V。
步骤106，监控处理器对鱼特征数据列表中的鱼三维特征数据进行计数处理，得到监控区域内的单侧表面鱼的数量。
具体的，监控处理器计算鱼特征数据列表的中鱼三位特征数据的个数，这样就能得到TOF相机获取到的监控区域的鱼群的相对于TOF相机这一测表面的鱼的数量。
步骤107，监控处理器对鱼特征数据列表中的每个鱼三维特征数据进行分析，得到每个鱼三维特征数据对应的鱼的长度数据，并根据长度数据在规格参数数据中查找长度数据对应的鱼的厚度数据。
具体的，监控处理器对鱼特征数据列表中的每个三维鱼特征数据都进行长度计算，其计算方法是根据鱼特征数据中特定像素的坐标进行计算。例如，计算鱼三位特征数据中两个像素坐标值得矢量长度，得到的最大的矢量长度为鱼的长度数据。监控处理器的存储单元中保存不同大小范围的鱼的规格参数数据，包括鱼的厚度数据。监控处理器根据鱼的长度数据从规格参数数据中查找，得到长度数据对应的厚度数据。
步骤108，监控处理器根据鱼特征数据列表中所有三维特征数据对应的鱼的厚度数据、单侧表面鱼的数量和鱼群体积数据进行分析计算处理，得到监控区域的鱼的总数估值。
具体的，监控处理对鱼特征数据列表中的鱼三维特征数据依照厚度数据进行范围划分，并将鱼三维特征数据按照预设厚度划分规则划分为三个厚度范围的鱼三维特征数据，然后统计每个厚范围内鱼特三维特征数据的数量。根据统计数据结果，对每个范围内的数量进行比例计算，得到每个厚度范围内的鱼的数量的比例值。然后，监控处理根据比例值确定厚度加权系数，然后根据加权系数使用预设的加权厚度计算规则进行计算得到鱼的加权厚度值，用这个加权厚度值作为计算鱼群总数的加权厚度值。
本发明实施例的一个具体例子中，按照预设的厚度划分时，将鱼的厚度数据T按照厚度范围划分为0＜T≤t1、t1＜T≤t2和t2＜T≤t3。然后，监控处理器根据厚度范围进行鱼的数量进行统计，得到的鱼特征数据列表中在各范围内的鱼的数量为a,b和c。那么对每个厚度范围内的鱼三维特征数据的数量进行比例计算后得到的比例值分别为i＝a÷(a+b+c)、j＝b÷(a+b+c)、k＝c÷(a+b+c)，然后使用加权厚度计算规则公式A＝iⅹpⅹt1+jⅹqⅹt2+kⅹrⅹt3计算得到加权厚度值A,其中，p、q、r为调整系数，用于对每个厚度范围内的权重进行调整。p，q，r的值是由本发明实施例监测控制方法在实验阶段经过多次测量，并对测量结果进行统计分析后进行确定的。
需要特别说明的是，本发明实施例中的预设厚度划分规则是在本发明实施例实施的实验阶段进行多次测量后得出的，其划分范围和范围个数都是在对实验数据进行统计分析后确定的。加权厚度计算规则是在本发明实施例提供的监测控制方法的实施前对多次试验的实验数据进行分析后确定的计算模型或者计算公式。
监控处理器根据加权厚度值、单侧表面鱼的数量和鱼群体积数据对鱼群中鱼的总数估值，也即是监控区域的鱼的总数估值。
在本发明实施例的一个具体例子中，加权厚度值为A，鱼群体积数据为V，单侧表面鱼的数据为B，那么整体鱼群的总数估值为V÷A×B。
步骤109，监控处理器根据总数估值和鱼群体积数据得到鱼群的密度数据。
具体的，监控处理器计算总数估值与鱼群体积数据的比值，得到鱼群的密度数据。
步骤110，监控处理器根据密度预设范围数据对密度数据进行密度等级判定，确定鱼群的密度等级。
具体的，密度预设范围包括多个不同预设范围。在本发明实施例的一个具体例子中，密度预设范围包括五个不同的预设范围，第一预设范围、第二预设范围、第三预设范围、第四预设范围和第五预设范围。每个预设范围与密度等级存在对应关系。例如：第一预设范围对应的密度等级为2级，第二预设范围对应的密度等级为4级，第三预设范围对应的密度等级为6级，第四预设范围对应的密度等级为8级，第五预设范围对应的密度等级为10级。监控处理器判断密度数据处于那个预设范围，并根据确定的预设范围。例如监控处理器判断密度数据处于第四预设范围，那么也就确定了鱼群的密度等级为8级。
步骤111，监控处理器根据总数估值和密度等级生成饲料投放控制命令，用以饲料投放设备根据饲料投放控制命令进行饲料投放。
其中，饲料投放控制命令包括投放时长和投放速度。
具体的，鱼群的密度等级用于控制饲料投放设备的投放速度，鱼群的总数估值可以用以控制饲料投放设备的投放时长。监控处理器的存储单元中保存有鱼群的密度等级与饲料的投放速度的对应关系。监控处理器根据鱼群的密度等级与投放速度的对应关系得到当前鱼群的密度等级对应的饲料的投放速度，再根据鱼群的总数估值和饲料的投放速度计算出饲料投放的投放时长。然后，监控处理器根据投放时长和投放速度生成饲料投放控制命令，发送给饲料投放设备。当饲料投放设备接收到饲料投放控制命令后，根据解析得到的饲料的投放速度和投放时长进行饲料投放控制。
本发明实施例的优选方案中，监控处理器还对供氧设备进行控制。主要有以下步骤完成：
首先，监控处理器根据密度等级生成供氧控制命令，并发送给供氧设备。
进一步具体的，监控处理器的存储单元保存有供养等级与鱼群的密度等级的对应关系数据，监控处理器根据鱼群的密度等级在对应关系数据中查找供氧数据，得到供氧等级。然后，监控处理器根据供氧等级生成供氧控制命令，发送给供氧设备。其中，供氧控制命令包括供氧等级。
然后，供氧设备根据供氧等级控制供氧设备的供氧输出等级。
进一步具体的，供养设备接收到供氧控制命令，根据解析得到的供氧等级进行供氧输出等级的设定。
本发明实施例的优选方案中，监控处理器还根据鱼特征数据列表中的每个鱼三维特征数据的种类标识进行统计，并根据统计结果对饲料进行配比。
具体步骤如下：
首先，监控处理器对鱼特征数据列表中的第一种类标识数据进行计数处理，得到第一计数总数。
进一步具体的，监控处理器对鱼特征数据列表中的每个三维鱼特征数据都具有种类标识，且在步骤104的鱼特征数据模型提取时，对种类标识进行了记录。监控处理器根据统计鱼特征数据列表中每个第一种类标识数据的个数进行累加，得到第一计数总数，也就是鱼特征数据列表中第一种类的鱼的个数。
然后，监控处理器根据监控区域内的单侧表面鱼的数量和第一计数总数计算第一食料比例数据。
进一步具体的，因为鱼特征数据列表中记录的是监控区域的单侧表面鱼的鱼三维特征数据，所以可以通过对单侧表面鱼的数量和第一计数总数估算出鱼群中第一种类型的鱼的比例。每种类型的鱼需要的鱼饲料也不同，监控处理器根据鱼群中第一种类型的鱼的比例可以计算出第一食料的比例数据。
最后，监控处理器根据多个第一食料比例数据生成食料配比数据，发送给所述食料配置设备，食料配置设备根据所述食料配比数据进行食料的配置。
本发明实施例提供的一种渔业养殖的监测控制方法，通过在鱼塘中的不同区域安装TOF相机，TOF相机采集所属监控区域的水下养殖环境，并对采集生成的三维点云数据进行分析，对监控区域的鱼群总数量和鱼群密度进行估算，根据估算值来控制鱼食投放装置进行鱼食投放。进一步，通过估算值对供养设备进行调节，实现自动调节供养设备的输出等级。此外，还可以对鱼群中鱼类的比例进行估算，并根据鱼类比例进行鱼食的配比。最终达到科学养殖，节约成本的目的。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种渔业养殖的监测控制方法，其特征在于，所述监测控制方法包括：
飞行时间TOF相机根据图像采集命令获取监控区域的水下养殖环境图像，生成三维点云数据；其中，所述TOF相机具有相机ID；
所述TOF相机将所述三维点云数据和所述相机ID发送给监控处理器；
所述监控处理器对所述三维点云数据进行去噪处理，得到去噪三维点云数据；
所述监控处理器基于鱼特征数据模型对去噪三维点云数据进行三维特征数据提取，得到鱼三维特征数据，保存在鱼特征数据列表中；
所述监控处理器对所述鱼特征数据列表中的所述鱼三维特征数据进行数据分析，得到鱼群体积数据；
所述监控处理器对所述鱼特征数据列表中的所述鱼三维特征数据进行计数处理，得到所述监控区域内的单侧表面鱼的数量；
所述监控处理器对所述鱼特征数据列表中的每个鱼三维特征数据进行分析，得到每个鱼三维特征数据对应的鱼的长度数据，并根据所述长度数据在规格参数数据中查找所述长度数据对应的鱼的厚度数据；
所述监控处理器根据所述鱼特征数据列表中所有鱼三维特征数据对应的鱼的厚度数据、所述单侧表面鱼的数量和所述鱼群体积数据进行分析计算处理，得到所述监控区域的鱼的总数估值；
所述监控处理器根据所述总数估值和所述鱼群体积数据得到所述鱼群的密度数据；
所述监控处理器根据密度预设范围数据对所述密度数据进行密度等级判定，确定所述鱼群的密度等级；
所述监控处理器根据所述总数估值和所述密度等级生成饲料投放控制命令，用以所述饲料投放设备根据所述饲料投放控制命令进行饲料投放；其中，所述饲料投放控制命令包括投放时长和投放速度；
其中，所述监控处理器根据所述鱼特征数据列表中所有鱼三维特征数据对应的鱼的厚度数据、所述单侧表面鱼的数量和所述鱼群体积数据进行分析计算处理，得到所述监控区域的鱼的总数估值具体为：
所述监控处理器按照预设厚度划分规则对所述鱼特征数据列表中所有鱼三维特征数据进行划分，得到三个厚度范围；
统计每个厚度范围内鱼三维特征数据的数量，得到统计数据结果；其中，所述统计数据结果包括每个厚度范围内的鱼特征数据的数量；
根据所述统计数据结果，对每个厚度范围内的鱼特征数据的数量进行比例计算，得到每个厚度范围内的鱼的数量的比例值；
所述比例值确定每个厚度范围的厚度加权系数；
根据预设加权厚度计算规则和所述厚度加权系数进行计算，得到加权厚度值；
根据所述加权厚度值、所述单侧表面鱼的数量和所述鱼群体积数据进行分析计算处理，得到所述监控区域的鱼的总数估值。
2.根据权利要求1所述渔业养殖的监测控制方法，其特征在于，所述监控处理器对所述鱼特征数据列表中的所述鱼三维特征数据进行数据分析，得到鱼群体积数据具体为：
所述监控处理器遍历所述鱼特征数据列表中的每个第一鱼三维特征数据；
所述监控处理器对第一鱼三维特征数据的所有像素点坐标进行比较，确定所述第一鱼三维特征数据所有像素点的xmin、xmax、ymin、ymax、zmin、zmax；其中，所述xmin、xmax、ymin、ymax、zmin和zmax为所述第一鱼三维特征数据中所有像素点坐标的最小x值、最大x值、最小y值、最大y值、最小z值和最大z值；
所述监控处理器对所述每个第一鱼三维特征数据的所述xmin、xmax、ymin、ymax、zmin、zmax进行比较，得到所述鱼特征数据列表的Xmin、Xmax、Ymin、Ymax、Zmin、Zmax；其中，所述Xmin、Xmax、Ymin、Ymax、Zmin、Zmax为所述鱼特征数据列表中所有第一鱼三维特征数据中所有像素点坐标的最小x值、最大x值、最小y值、最大y值、最小z值和最大z值；
所述监控处理器根据所述Xmin、Xmax、Ymin、Ymax、Zmin、Zmax进行计算，得到所述鱼群体积数据。
3.根据权利要求2所述渔业养殖的监测控制方法，其特征在于，所述监控处理器根据所述Xmin、Xmax、Ymin、Ymax、Zmin、Zmax进行计算，得到所述鱼群体积数据具体为：
所述监控处理器根据体积计算公式：
V＝(Xmax-Xmin)×(Ymax-Ymin)×(Zmax-Zmin)进行计算，得到所述鱼群体积数据V。
4.根据权利要求1所述监测控制方法，其特征在于，在所述飞行时间TOF相机根据图像采集命令获取监控区域的水下养殖环境图像，生成三维点云数据之前，所述方法还包括：
所述监控处理器接收外部输入的监控启动指令，获取预设采集时间间隔；
所述监控处理器根据所述预设采集时间间隔生成所述图像采集命令，并发送给所述TOF相机。
5.根据权利要求1所述渔业养殖的监测控制方法，其特征在于，在所述飞行时间TOF相机根据图像采集命令获取监控区域的水下养殖环境图像，生成三维点云数据之前，所述方法还包括：
所述监控处理器接收外部输入的监控启动指令，获取预设时间列表数据；其中，所述预设时间列表数据包括多个预设时间；
所述监控处理器根据所述预设时间生成所述图像采集命令，并发送给所述TOF相机。
6.根据权利要求1所述渔业养殖的监测控制方法，其特征在于，所述监测控制方法还包括：
所述监控处理器根据所述密度等级生成供氧控制命令，并发送给供氧设备；其中，供氧控制命令包括供氧等级；
所述供氧设备根据所述供氧等级控制供氧设备的供氧输出等级。
7.根据权利要求1所述渔业养殖的监测控制方法，其特征在于，所述鱼特征数据模型包括多种鱼的特征数据模型，在所述监控处理器基于鱼特征数据模型对去噪三维点云数据进行三维特征数据提取，得到鱼三维特征数据，保存在鱼特征数据列表中时，所述监测控制方法还包括：
所述监控处理器基于鱼特征数据模型中的第一特征数据模型提取得到第一三维特征数据；
所述监控处理器根据第一特征数据模型确定所述第一三维特征数据的种类标识数据；
所述监控处理器将所述种类标识数据保存在所述第一三维特征数据对应的种类标识数据中。
8.根据权利要求7所述渔业养殖的监测控制方法，其特征在于，所述方法还包括：
所述监控处理器对所述鱼特征数据列表中的第一种类标识数据进行计数处理，得到第一计数总数；
所述监控处理器根据所述监控区域内的单侧表面鱼的数量和所述第一计数总数计算第一食料比例数据。
9.根据权利要求8所述渔业养殖的监测控制方法，其特征在于，所述方法还包括：
所述监控处理器根据多个第一食料比例数据生成食料配比数据，发送给食料配置设备；
所述食料配置设备根据所述食料配比数据进行食料的配置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911302252.9A CN111127411B (zh) | 2019-12-17 | 2019-12-17 | 一种渔业养殖的监测控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911302252.9A CN111127411B (zh) | 2019-12-17 | 2019-12-17 | 一种渔业养殖的监测控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111127411A CN111127411A (zh) | 2020-05-08 |
| CN111127411B true CN111127411B (zh) | 2023-08-01 |
Family
ID=70498263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911302252.9A Active CN111127411B (zh) | 2019-12-17 | 2019-12-17 | 一种渔业养殖的监测控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111127411B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111966137A (zh) * | 2020-08-17 | 2020-11-20 | 刘同友 | 一种基于大数据的水产品运输环境智能监测调控系统 |
| CN114722596B (zh) * | 2022-03-30 | 2023-03-24 | 南京信息工程大学 | 一种河流鱼群丰富程度的识别方法及监测系统 |
| CN115067243B (zh) * | 2022-07-07 | 2024-02-13 | 武汉很多鱼钓具有限公司 | 一种基于物联网技术的渔业监测分析方法、系统及存储介质 |
| CN116029499B (zh) * | 2022-12-12 | 2023-08-04 | 广东讯源营养科技有限公司 | 一种基于大数据的饲料智能定量配比管理系统 |
| CN116740168B (zh) * | 2023-08-11 | 2023-12-05 | 北京市农林科学院智能装备技术研究中心 | 畜禽采食量检测及投料方法、装置、机器人、介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA1251863A (en) * | 1988-02-29 | 1989-03-28 | Kevin Mccarthy | Fish sorting machine |
| CN101430775A (zh) * | 2008-11-17 | 2009-05-13 | 浙江海洋学院 | 基于计算机视觉的鱼苗自动计数系统 |
| CN103444613A (zh) * | 2013-08-29 | 2013-12-18 | 北京农业信息技术研究中心 | 一种用于鱼类养殖的投喂控制系统及方法 |
| KR101449626B1 (ko) * | 2013-07-30 | 2014-10-13 | 주식회사 디엠에너텍 | 가두리 양식장 원격제어 관리시스템 |
| CN104123721A (zh) * | 2014-07-02 | 2014-10-29 | 中国科学院合肥物质科学研究院 | 一种基于视频流图像分布式动态特征技术的鱼群投喂自动控制方法 |
| CN105116414A (zh) * | 2015-07-20 | 2015-12-02 | 上海海洋大学 | 基于无线通讯网络的实时鱼群监测及鱼量估算系统 |
| CN106339752A (zh) * | 2016-09-21 | 2017-01-18 | 浙江省海洋水产研究所 | 一种鱼苗计数装置及计数方法 |
| WO2017083674A1 (en) * | 2015-11-13 | 2017-05-18 | Karimpour Ramin | Automatic system and method for injecting a substance into an animal |
| CN106779042A (zh) * | 2016-12-27 | 2017-05-31 | 北京农业信息技术研究中心 | 一种水产养殖鱼群聚集指数计算装置及计算方法 |
| CN107047423A (zh) * | 2017-04-28 | 2017-08-18 | 全椒县鮰鱼养殖专业合作社 | 一种基于重量检测调节投食量的鮰鱼养殖系统 |
| CN206821717U (zh) * | 2017-06-05 | 2018-01-02 | 福建省顺昌县兆兴鱼种养殖有限公司 | 一种智能养鱼系统 |
| CN108827106A (zh) * | 2018-04-25 | 2018-11-16 | 北京农业信息技术研究中心 | 一种基于机器视觉的鱼类生长数据测量装置及测量方法 |
| CN109146947A (zh) * | 2018-09-04 | 2019-01-04 | 清华-伯克利深圳学院筹备办公室 | 海洋鱼类三维图像获取及处理方法、装置、设备及介质 |
| CN109591982A (zh) * | 2018-12-29 | 2019-04-09 | 浙江大学 | 一种无人监控水下养殖机器人 |
| CN109717120A (zh) * | 2019-03-07 | 2019-05-07 | 河南牧业经济学院 | 一种基于物联网的鱼类养殖监测投料系统及方法 |
-
2019
- 2019-12-17 CN CN201911302252.9A patent/CN111127411B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA1251863A (en) * | 1988-02-29 | 1989-03-28 | Kevin Mccarthy | Fish sorting machine |
| CN101430775A (zh) * | 2008-11-17 | 2009-05-13 | 浙江海洋学院 | 基于计算机视觉的鱼苗自动计数系统 |
| KR101449626B1 (ko) * | 2013-07-30 | 2014-10-13 | 주식회사 디엠에너텍 | 가두리 양식장 원격제어 관리시스템 |
| CN103444613A (zh) * | 2013-08-29 | 2013-12-18 | 北京农业信息技术研究中心 | 一种用于鱼类养殖的投喂控制系统及方法 |
| CN104123721A (zh) * | 2014-07-02 | 2014-10-29 | 中国科学院合肥物质科学研究院 | 一种基于视频流图像分布式动态特征技术的鱼群投喂自动控制方法 |
| CN105116414A (zh) * | 2015-07-20 | 2015-12-02 | 上海海洋大学 | 基于无线通讯网络的实时鱼群监测及鱼量估算系统 |
| WO2017083674A1 (en) * | 2015-11-13 | 2017-05-18 | Karimpour Ramin | Automatic system and method for injecting a substance into an animal |
| CN106339752A (zh) * | 2016-09-21 | 2017-01-18 | 浙江省海洋水产研究所 | 一种鱼苗计数装置及计数方法 |
| CN106779042A (zh) * | 2016-12-27 | 2017-05-31 | 北京农业信息技术研究中心 | 一种水产养殖鱼群聚集指数计算装置及计算方法 |
| CN107047423A (zh) * | 2017-04-28 | 2017-08-18 | 全椒县鮰鱼养殖专业合作社 | 一种基于重量检测调节投食量的鮰鱼养殖系统 |
| CN206821717U (zh) * | 2017-06-05 | 2018-01-02 | 福建省顺昌县兆兴鱼种养殖有限公司 | 一种智能养鱼系统 |
| CN108827106A (zh) * | 2018-04-25 | 2018-11-16 | 北京农业信息技术研究中心 | 一种基于机器视觉的鱼类生长数据测量装置及测量方法 |
| CN109146947A (zh) * | 2018-09-04 | 2019-01-04 | 清华-伯克利深圳学院筹备办公室 | 海洋鱼类三维图像获取及处理方法、装置、设备及介质 |
| CN109591982A (zh) * | 2018-12-29 | 2019-04-09 | 浙江大学 | 一种无人监控水下养殖机器人 |
| CN109717120A (zh) * | 2019-03-07 | 2019-05-07 | 河南牧业经济学院 | 一种基于物联网的鱼类养殖监测投料系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《基于计算机视觉的大菱鲆鱼苗计数方法研究》;王硕;《渔业现代化》;第42卷(第1期);16-19 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111127411A (zh) | 2020-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111127411B (zh) | 一种渔业养殖的监测控制方法 | |
| US10856520B1 (en) | Methods for generating consensus feeding appetite forecasts | |
| US20210329892A1 (en) | Dynamic farm sensor system reconfiguration | |
| WO2019232247A1 (en) | Biomass estimation in an aquaculture environment | |
| WO2020046524A1 (en) | Automatic feed pellet monitoring based on camera footage in an aquaculture environment | |
| CN104482860B (zh) | 鱼类形态参数自动测量装置和方法 | |
| Burwen et al. | Accuracy and precision of salmon length estimates taken from DIDSON sonar images | |
| WO2022010815A1 (en) | Acoustics augmentation for monocular depth estimation | |
| JP5020444B2 (ja) | 作物生育量測定装置、作物生育量測定方法、作物生育量測定プログラム及びその作物生育量測定プログラムを記録したコンピュータ読取可能な記録媒体 | |
| CN106028947B (zh) | 血流成像方法及系统 | |
| CN107561545B (zh) | 一种鱼群探测方法、装置及探测器 | |
| WO2014098614A1 (en) | System and method for calculating physical dimensions for freely movable objects in water | |
| US11089762B1 (en) | Methods for generating consensus biomass estimates | |
| GB2539495A (en) | Improvements relating to time-of-flight cameras | |
| JP6045378B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| JP7006776B2 (ja) | 分析装置、分析方法、プログラムおよび水中生物監視システム | |
| CN109069008A (zh) | 光学设备和信息处理方法 | |
| CN108226224A (zh) | 一种基于无人机热成像技术的作物病害监测方法和系统 | |
| EP3769036B1 (en) | Method and system for extraction of statistical sample of moving fish | |
| KR20150000054A (ko) | 어류 양식 관리용 무인 잠수정 | |
| CN111144276B (zh) | 一种用于牧场的监测预警方法 | |
| WO2023163881A1 (en) | Forecasting growth of aquatic organisms in an aquaculture environment | |
| CN110515084B (zh) | 一种基于声成像技术的野外鸟类目标数量估计方法 | |
| CN114866703A (zh) | 基于tof成像系统的主动曝光方法、装置及电子设备 | |
| Balabanian et al. | Sonar Explorer: A New Tool for Visualization of Fish Schools from 3D Sonar Data. |
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 |