CN112883773A - 一种基于声学影像数据评估的物种判别方法 - Google Patents
一种基于声学影像数据评估的物种判别方法 Download PDFInfo
- Publication number
- CN112883773A CN112883773A CN202011625134.4A CN202011625134A CN112883773A CN 112883773 A CN112883773 A CN 112883773A CN 202011625134 A CN202011625134 A CN 202011625134A CN 112883773 A CN112883773 A CN 112883773A
- Authority
- CN
- China
- Prior art keywords
- image data
- acoustic image
- noise
- target
- signal
- 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
- 238000011157 data evaluation Methods 0.000 title claims abstract description 11
- 238000012850 discrimination method Methods 0.000 title claims abstract description 10
- 241000251468 Actinopterygii Species 0.000 claims abstract description 23
- 238000011835 investigation Methods 0.000 claims abstract description 19
- 241000894007 species Species 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 48
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000011410 subtraction method Methods 0.000 claims description 2
- 230000010339 dilation Effects 0.000 claims 1
- 241000238366 Cephalopoda Species 0.000 description 15
- 238000011160 research Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000002028 Biomass Substances 0.000 description 3
- 241001482311 Trionychidae Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 235000019688 fish Nutrition 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 241000876437 Brachymystax lenok Species 0.000 description 1
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 description 1
- 240000003259 Brassica oleracea var. botrytis Species 0.000 description 1
- 241000283153 Cetacea Species 0.000 description 1
- 101800004637 Communis Proteins 0.000 description 1
- 241001125046 Sardina pilchardus Species 0.000 description 1
- 241000656145 Thyrsites atun Species 0.000 description 1
- 241001504592 Trachurus trachurus Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 235000019512 sardine Nutrition 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于声学影像数据评估的物种判别方法，包括：步骤(1)：设定海上试验调查要素，通过回声探测器并获取声学影像数据；步骤(2)：剔除海表噪声和海底噪声，剔除所述声学影像数据的噪声，得到预处理后的声学影像数据；步骤(3)：采用频差技术对所述预处理后的声学影像数据进行信号鉴别和目标鱼种判别，并将平均体积反向散射强度差值范围内的信号作为目标鱼种进行积分输出。本发明能够有效剔除各种噪声，以达到最后准确识别物种的目的。
Description
技术领域
本发明涉及鱿鱼捕捞技术领域，特别是涉及一种基于声学影像数据评估的物种判别方法。
背景技术
声学方法评估渔业资源于20世纪70年代开始推广，广泛应用于水下导航、探鱼、测深及海底地形测绘等方面。目前，水声学技术已是开发海洋和研究海洋必不可少的手段，已成为当今国内外海洋生态观测、海洋生物资源评估的重要手段。作为水声学在渔业资源研究领域的应用分支，渔业声学利用水声学方法进行水下生物探测或渔业资源评估和管理，现已发展成为渔业资源研究领域重要的方法之一。据FAO统计资料表明，2004—2008年东南太平洋的茎柔鱼年渔获产量稳定在70—90万吨间，评估其资源意义重大。茎柔鱼，也被称为“美洲大鱿鱼”，分布于东太平洋的加利福尼亚湾到智利南部海域，其中以加利福尼亚半岛至智利北部海域为主要分布区，其体长范围从35cm到大约2.5m，体重可达50KG，广泛分布于东太平洋60°N—47°S海域中，垂直分布上其通常分布于500m以浅的水域中。作为金枪鱼、鲸鱼等大型海洋生物的捕食对象，茎柔鱼在海洋生态能量传递中扮演着重要的角色，是大洋生态系统食物链重要的一环。拥有巨大的生物量，茎柔鱼是目前世界上最大的头足类渔业资源之一，也是我国在东南太平洋公海海域重要的渔获对象。
目前，针对鱿鱼渔业生物量的评估依赖于商业捕捞数据，存在一定的局限性和盲目性。同时，为掌握渔业生物学特性是科学开发和利用茎柔鱼资源的基础，而声学调查被广泛的应用于海洋生物的资源调查中，传统的渔业资源评估是利用捕捞渔获物数据来估算海域资源量，渔业资源声学评估是一种新的评估方法。渔业资源声学评估技术与其他评估方法相比具有效率高、数据采集简便、调查范围广泛和不影响被调查海域的生态环境等优点，因此近几年得到广泛应用。国外在渔业资源声学评估方面已有较为成熟的研究，但国内于1984年引进，近年来围绕声学资源评估的研究日益增多。然而，由于鱿鱼属于声学弱散射体，目前关于鱿鱼的声学研究尚且存在一些关键性问题，如目标强度的确定、噪声剔除方法、目标判别等，有待深入研究与解决。
发明内容
本发明所要解决的技术问题是提供一种基于声学影像数据评估的物种判别方法，可以有效评估渔场的鱿鱼资源，为鱿鱼渔业生物学和中心渔场探测提供数据基础与科学依据。
本发明解决其技术问题所采用的技术方案是：提供一种基于声学影像数据评估的物种判别方法，包括：
步骤(1)：设定海上试验调查要素，通过回声探测器并获取声学影像数据；
步骤(2)：剔除海表噪声和海底噪声，剔除所述声学影像数据的噪声，得到预处理后的声学影像数据；
步骤(3)：采用频差技术对所述预处理后的声学影像数据进行信号鉴别和目标鱼种判别，并将平均体积反向散射强度差值范围内的信号作为目标鱼种进行积分输出。
所述步骤(1)之前还包括：采用标准球方法对回声探测器中的换能器进行校正。
所述步骤(1)中的回声探测器的型号为Simrad EK60，所述Simrad EK60采用积分采集系统。
所述步骤(2)中剔除声学影像数据的噪声，包括：通过设置积分阈值和采用信噪比估算方法剔除声学影像数据的背景噪声；
所述设置积分阈值具体为：根据目标鱼种的目标强度经验公式，利用数据范围映像虚拟变量模块设置积分阈值；所述积分阈值由最小单体目标的目标强度回声信号来确定；
所述采用信噪比估算方法包括：通过噪声修正法和信噪比阈值法的进行去噪；
所述噪声修法正具体为：在水平方向和垂直方向对去除时间可变增益函数影响的声学影像数据进行重新采样，再将重采样后的每次回波数据的最小值作为干扰信号的评估值，最后通过线性域相减方法去噪；
所述信噪比阈值法具体为：利用背景噪音去除虚拟变量模块设置最大噪声和最小信噪比来去噪。
所述目标鱼种的目标强度经验公式为：
TS38kHz＝20log10(DML)-A
TS70kHz＝20log10(DML)-B
TS120kHz＝20log10(DML)-C
TS200kHz＝20log10(DML)-D
其中，DML目标物种的长度，TS38kHz为38kHz下的目标强度，TS70kHz为70kHz下的目标强度，TS120kHz为120kHz下的目标强度，TS200kHz为200kHz下的目标强度，A为38kHz下目标强度对应的第一经验参数，B为70kHz下目标强度对应的第二经验参数，C为120kHz下目标强度对应的第三经验参数，D为200kHz下目标强度对应的第四经验参数。
所述步骤(2)中剔除声学影像数据的噪声，还包括：通过单脉冲回声信号变化对比来扣除背景噪声后不同水层的体积反向散射强度值。
所述步骤(3)中的频差技术具体为：将不同鱼种信号的频差范围分为三个阶段，公式为：
其中，K1为预设的第一频率，K2为预设的第二频率，ΔSv为第一频率和第二频率对应的体积反向散射强度值的差。
所述频差技术采用3×3卷积虚拟变量模块对预处理后的声学影像数据进行频差法预处理，再采用3×3膨胀滤波虚拟变量模块及3×3侵蚀滤波虚拟变量模块对预处理后的数据进行二次处理，最后输出K1频率下的目标鱼种。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明涉及大洋性鱿鱼渔场声呐声学评估相关的影像数据，通过设置积分阈值和信噪比估算方法来剔除背景噪声，以及利用不同频率下生物群体平均体积散射强度差值，将差值范围内的信号视为目标信号进行积分输出，有较好的物种识别效果；在经过海底海表信号剔除、噪声剔除、频差法识别之后，调查区域内大部分无关噪声信号被剔除，在剔除噪声干扰的基础上利用频差法提取到目标鱼种的信号，弥补大洋鱿鱼渔场声学评估方法研究的空白，为大洋鱿钓渔业渔场探测和精准化捕捞提供参考依据。本发明通过智能优化处理方式来解决相关问题，能达到节能和降低人力成本的目的。
附图说明
图1是本发明实施方式的调查区域示意图；
图2是本发明实施方式的声呐频率在38kHz和120kHz频率下鱿鱼目标强度分布图；
图3是本发明实施方式的声学评估的噪声剔除数据处理流程图；
图4是本发明实施方式的原回波图(左)，以及剔除海表海底噪声的回波图(右)；
图5是本发明实施方式的积分阈值方法对38kHz和120kHz频率噪声剔除效果图；
图6是本发明实施方式的信噪比估算法对38kHz噪声剔除后(左)、120kHz噪声剔除后(右)的示意图；
图7是本发明实施方式的频率在38kHz(上)单脉冲噪声剔除分析图，以及频率在120kHz(下)单脉冲噪声剔除分析图；
图8是本发明实施方式的频率在38kHz噪声剔除后四个水层的体积反向散射强度Sv值差异展示图；
图9是本发明实施方式的频率在120kHz噪声剔除后四个水层的体积反向散射强度Sv值差异展示图；
图10是本发明实施方式的利用频差法提取目标鱼种信号结果示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于声学影像数据评估的物种判别方法，具体实施步骤如下：
步骤(1)：设定海上试验调查要素，调查要素包括调查区域、调查时间、调查方式、调查船、声呐采集型号等信息，并通过回声探测器并获取声学影像数据；
步骤(2)：剔除海表噪声和海底噪声；剔除所述声学影像数据的噪声，包括通过设置积分阈值和信噪比估算方法剔除背景噪声，以及通过单脉冲信号变化对比来扣除背景噪声后不同水层的Sv值变化，得到预处理后的声学影像数据；
步骤(3)：采用频差技术(dB-difference)对所述预处理后的声学影像数据进行信号鉴别和物种判别，主要利用不同频率下生物群体平均体积反向散射强度差值来实现：将平均体积反向散射强度差值范围内的信号作为目标鱼种进行积分输出。
如图1所示，结合在2019年墨西哥加利福尼亚湾渔场开展海上实际调查和获得声学评估影像数据处理的过程结果，进一步对上述步骤进行详细说明，具体如下：
步骤(1)具体如下：本实施方式中的海上试验地点选在墨西哥加利福尼亚湾，调查时间为2019年4月27日至5月4日，调查区域为加利福尼亚湾海域茎柔鱼传统渔场，墨西哥科考调查船名为“BIP-XI”，具体试验区域为如图1所示的方框区域。调查所用数据由的回声探测器型号为Simrad EK60，所述Simrad EK60采用积分采集系统，声学影像数据处理采用Echoview V6.1声学数据后处理软件进行。调查之前采用标准球方法对38kHz和120kHz换能器进行了校正。
由于本实施方式调查站位较少，所获样本有限，通过生产调查及现场捕捞共记录到4种鱼种，分别是茎柔鱼(鱿鱼)、沙丁鱼、竹荚鱼和鲯鳅，本实施方式对于茎柔鱼目标强度计算通常采用其胴长作为测量标准。采用基于现场实测的茎柔鱼在38kHz、70kHz、120kHz和200kHz频率下的目标强度经验公式，公式如下：
TS38kHz＝20log10(DML)-A
TS70kHz＝20log10(DML)-B
TS120kHz＝20log10(DML)-C
TS200kHz＝20log10(DML)-D
其中，本实施方式中的DML(dorsal mantle length)表示茎柔鱼胴长，TS为目标强度，A为38kHz下目标强度对应的第一经验参数且A＝62.0，B为70kHz下目标强度对应的第二经验参数且B＝67.4，C为120kHz下目标强度对应的第三经验参数且C＝67.9，D为200kHz下目标强度对应的第四经验参数且D＝67.6；设置胴长为胴部背面前端(Anterior)至胴部最后端(Posterior)的中线水平长度(不包括骨针)，单位为厘米(cm)；本实施方式中的调查声呐采用的频率为38kHz和120kHz，详见图2。
步骤(2)具体如下：积分阈值方法是渔业资源声学评估数据后处理中参与积分的最弱回声信号的体积反向散射强度(Volume backscattering strength)，是对回声信号进行积分的临界值，通常强度小于积分阈值的回声信号将被排除在积分之外。在声学评估数据的后处理中，理论上可以通过设置合适的积分阈值，在保留目标回声信号的同时，消除背景噪音和非目标信号，以确保积分值分配的准确性。为确保来自最小单体目标的目标强度回声信号能够参与积分，积分阈值须依据最小单体目标的目标强度而定，本实施方式中的目标强度数据均采用上述目标强度经验公式来计算。由于海表噪声、海底噪声、海底探测的间隔、气泡噪声及换能器近场区等影响，剔除海表噪声数据和海底噪声数据对于后续数据处理十分重要，具体处理流程见图3。
在剔除了海表和海底噪声之后分别采用设置积分阈值和信噪比估算方法对声学影像数据(原始数据)进行噪声剔除。在积分阈值法中，利用水声学数据软件Echoview中背景范围映像(Data range bitmap)虚拟变量模块对38kHz及120kHz的声学影像数据(原始数据)进行积分阈值设置，根据目标强度经验公式，38kHz和120kHz两个频率的积分阈值分别设置为[-24,-42]、[-29,-53]，具体如图4和图5所示。在信噪比估算方法中，利用Echoview中背景噪音去除(Background Noise Removal)虚拟变量模块，将最大噪声(Maximumnoise)设定为-100dB，最小信噪比为15，以实现去噪，处理结果如图6所示。
扣除背景噪声后，随机选取第976个单脉冲回声信号图变化，可以看出随着水层的增加，Sv值即体积反向散射强度(Volume Backscattering Strength)值会呈现先增大再逐渐减小的趋势，这是由于时间可变增益函数TVG(Time-varied-gain)的放大效应，使得噪声随着水深的增加随之放大。由于采用信噪比估算方法扣除背景噪声后，120kHz单脉冲回声信号图变化比38kHz显著，详见图7。扣除背景噪声后，0-50m(layer1)、50-100m(layer2)、100-150m(layer3)、150-200m(layer4)四个水层中，layer4即150m-200m水层的平均Sv值变化最大，水深较浅时，Sv值变化不明显。相比于38kHz，120kHz不但剔除了噪声信号，同时也包含了少部分目标信号，因此其变化差异更加明显。
积分阈值作为消除噪声和非目标信号重要方法之一，对于缺乏准确目标强度的数据还存在一定的不确定性，将设置积分阈值和采用信噪比估算方法结合使用会得到更好的资源评估结果，38kHz及120kHz数据扣除背景噪声后各单元格Sv值变化情况，分别如图8和图9所示。
步骤(3)具体如下：判别具体物种时为了实现本实施方式中目标信号的提取，采用多频差分法。为了区分不同鱼种信号，将不同鱼种信号的频差范围分为三个阶段，公式为：
其中，K1为预设的第一频率即120kHz，K2为预设的第二频率即38kHz，ΔSv为第一频率和第二频率对应的体积反向散射强度值的差，通过上述公式能够获取目标鱼种。在实际操作中，利用Echoview中的3×3卷积(Convolution)虚拟变量模块对预处理后的声学影像数据进行频差法预处理，频差范围选为＜-1dB，再采用3×3膨胀滤波(Dilation)虚拟变量模块及3×3侵蚀滤波(Erosion)虚拟变量模块对数据进行二次处理，最后输出K1频率即120kHz下的目标鱼种(详见图10)，以实现计算调查区域生物量及生物分布。
由此可见，本发明在大洋性鱿鱼渔场声学评估影像处理上利用积分阈值和信噪比估算的方法剔除背景噪声，以及利用不同频率下生物群体平均体积散射强度差值，将差值范围内的信号视为目标信号进行积分输出，有较好的识别效果。通过本发明对于船体自带的测深仪等设备产生的干扰信号，能够较好的剔除，后期加上实测采集的目标物种生物学数据，可以为未来实施声学调查提供一定的参考。本发明为系统掌握和了解太平洋的茎柔鱼渔业生物学和渔场变动提供研究手段，为大洋性鱿鱼渔场探测与精准化捕捞提供参考依据和技术支撑。
Claims (8)
1.一种基于声学影像数据评估的物种判别方法，其特征在于，包括：
步骤(1)：设定海上试验调查要素，通过回声探测器并获取声学影像数据；
步骤(2)：剔除海表噪声和海底噪声，剔除所述声学影像数据的噪声，得到预处理后的声学影像数据；
步骤(3)：采用频差技术对所述预处理后的声学影像数据进行信号鉴别和目标鱼种判别，并将平均体积反向散射强度差值范围内的信号作为目标鱼种进行积分输出。
2.根据权利要求1所述的基于声学影像数据评估的物种判别方法，其特征在于，所述步骤(1)之前还包括：采用标准球方法对回声探测器中的换能器进行校正。
3.根据权利要求1所述的基于声学影像数据评估的物种判别方法，其特征在于，所述步骤(1)中的回声探测器的型号为Simrad EK60，所述Simrad EK60采用积分采集系统。
4.根据权利要求1所述的基于声学影像数据评估的物种判别方法，其特征在于，所述步骤(2)中剔除声学影像数据的噪声，包括：通过设置积分阈值和采用信噪比估算方法剔除声学影像数据的背景噪声；
所述设置积分阈值具体为：根据目标鱼种的目标强度经验公式，利用数据范围映像虚拟变量模块设置积分阈值；所述积分阈值由最小单体目标的目标强度回声信号来确定；
所述采用信噪比估算方法包括：通过噪声修正法和信噪比阈值法的进行去噪；
所述噪声修法正具体为：在水平方向和垂直方向对去除时间可变增益函数影响的声学影像数据进行重新采样，再将重采样后的每次回波数据的最小值作为干扰信号的评估值，最后通过线性域相减方法去噪；
所述信噪比阈值法具体为：利用背景噪音去除虚拟变量模块设置最大噪声和最小信噪比来去噪。
5.根据权利要求4所述的基于声学影像数据评估的物种判别方法，其特征在于，所述目标鱼种的目标强度经验公式为：
TS38kHz＝20log10(DML)-A
TS70kHz＝20log10(DML)-B
TS120kHz＝20log10(DML)-C
TS200kHz＝20log10(DML)-D
其中，DML为目标物种的长度，TS38kHz为38kHz下的目标强度，TS70kHz为70kHz下的目标强度，TS120kHz为120kHz下的目标强度，TS200kHz为200kHz下的目标强度，A为38kHz下目标强度对应的第一经验参数，B为70kHz下目标强度对应的第二经验参数，C为120kHz下目标强度对应的第三经验参数，D为200kHz下目标强度对应的第四经验参数。
6.根据权利要求1所述的基于声学影像数据评估的物种判别方法，其特征在于，所述步骤(2)中剔除声学影像数据的噪声，还包括：通过单脉冲回声信号变化对比来扣除背景噪声后不同水层的体积反向散射强度值。
7.根据权利要求1所述的基于声学影像数据评估的物种判别方法，其特征在于，所述步骤(3)中的频差技术具体为：将不同鱼种信号的频差范围分为三个阶段，公式为：
其中，K1为预设的第一频率，K2为预设的第二频率，ΔSv为第一频率和第二频率对应的体积反向散射强度值的差。
8.根据权利要求7所述的基于声学影像数据评估的物种判别方法，其特征在于，所述频差技术采用3×3卷积虚拟变量模块对预处理后的声学影像数据进行频差法预处理，再采用3×3膨胀滤波虚拟变量模块及3×3侵蚀滤波虚拟变量模块对预处理后的数据进行二次处理，最后输出K1频率下的目标鱼种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011625134.4A CN112883773A (zh) | 2020-12-31 | 2020-12-31 | 一种基于声学影像数据评估的物种判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011625134.4A CN112883773A (zh) | 2020-12-31 | 2020-12-31 | 一种基于声学影像数据评估的物种判别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112883773A true CN112883773A (zh) | 2021-06-01 |
Family
ID=76046552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011625134.4A Pending CN112883773A (zh) | 2020-12-31 | 2020-12-31 | 一种基于声学影像数据评估的物种判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112883773A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114429160A (zh) * | 2022-04-06 | 2022-05-03 | 中国科学院烟台海岸带研究所 | 一种基于回声探测的人工鱼礁堆分布特征分析方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060280030A1 (en) * | 2005-06-08 | 2006-12-14 | Makris Nicholas C | Continuous, continental-shelf-scale monitoring of fish populations and behavior |
| EP2383584A1 (en) * | 2010-04-19 | 2011-11-02 | Furuno Electric Company, Limited | Method and device for detecting ultrasound wave, and method and device for detecting school of fish |
| CN106707287A (zh) * | 2016-12-23 | 2017-05-24 | 浙江大学 | 基于扩展卡尔曼滤波结合最近邻聚类算法的鱼群数量估计方法 |
| CN108520511A (zh) * | 2018-03-19 | 2018-09-11 | 中国海洋大学 | 一种基于鱼探仪的水下鱼类目标探测与识别方法 |
| CN110414554A (zh) * | 2019-06-18 | 2019-11-05 | 浙江大学 | 一种基于多模型改进的Stacking集成学习鱼类识别方法 |
-
2020
- 2020-12-31 CN CN202011625134.4A patent/CN112883773A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060280030A1 (en) * | 2005-06-08 | 2006-12-14 | Makris Nicholas C | Continuous, continental-shelf-scale monitoring of fish populations and behavior |
| EP2383584A1 (en) * | 2010-04-19 | 2011-11-02 | Furuno Electric Company, Limited | Method and device for detecting ultrasound wave, and method and device for detecting school of fish |
| CN106707287A (zh) * | 2016-12-23 | 2017-05-24 | 浙江大学 | 基于扩展卡尔曼滤波结合最近邻聚类算法的鱼群数量估计方法 |
| CN108520511A (zh) * | 2018-03-19 | 2018-09-11 | 中国海洋大学 | 一种基于鱼探仪的水下鱼类目标探测与识别方法 |
| CN110414554A (zh) * | 2019-06-18 | 2019-11-05 | 浙江大学 | 一种基于多模型改进的Stacking集成学习鱼类识别方法 |
Non-Patent Citations (5)
| Title |
|---|
| ALEX DE ROBERTIS AND IAN HIGGINBOTTOM: "A post-processing technique to estimate the signal-to-noise ratio and remove echosounder background noise", 《ICES JOURNAL OF MARINE SCIENCE》 * |
| 张俊 等: "渔业声学数据后处理中积分阈的选择与优化I：目标离散分布状态下积分阈的确定", 《渔业科学进展》 * |
| 张俊，陈国宝 等: "南沙南部陆架海域渔业资源声学评估", 《南方水产科学》 * |
| 张立，李渊 等: "南海中南部主要经济种类渔业资源声学评估", 《海洋渔业》 * |
| 杨洋，朱国平: "海洋渔业资源声学评估技术及在南极磷虾资源声学评估中的应用", 《海洋渔业》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114429160A (zh) * | 2022-04-06 | 2022-05-03 | 中国科学院烟台海岸带研究所 | 一种基于回声探测的人工鱼礁堆分布特征分析方法 |
| CN114429160B (zh) * | 2022-04-06 | 2022-07-05 | 中国科学院烟台海岸带研究所 | 一种基于回声探测的人工鱼礁堆分布特征分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gerlotto et al. | From two dimensions to three: the use of multibeam sonar for a new approach in fisheries acoustics | |
| Herman et al. | Detection and abundance estimation of euphausiids using an optical plankton counter | |
| Proud et al. | Automated classification of schools of the silver cyprinid Rastrineobola argentea in Lake Victoria acoustic survey data using random forests | |
| CN110675410A (zh) | 基于选择性搜索算法的侧扫声呐沉船目标非监督探测方法 | |
| Kimura et al. | Apparent source level of free-ranging humpback dolphin, Sousa chinensis, in the South China Sea | |
| Kubilius et al. | Remote sizing of fish-like targets using broadband acoustics | |
| CN112883773A (zh) | 一种基于声学影像数据评估的物种判别方法 | |
| Mutlu et al. | New algorithms for the acoustic biomass estimation of Posidonia oceanica: a study in the Antalya gulf (Turkey) | |
| CN112907615B (zh) | 基于区域生长的海底地貌单元轮廓及细节识别方法 | |
| Barange et al. | Determination of composition and vertical structure of fish communities using in situ measurements of acoustic target strength | |
| Prager et al. | Bottom classification: operational results from QTC view | |
| Shao et al. | Verification of echosounder measurements of thickness and spatial distribution of kelp forests | |
| Yoon et al. | Density estimates of moon jellyfish (Aurelia coerulea) in the Yeongsan Estuary using nets and hydroacoustics | |
| Minami et al. | Acoustic characteristics of a potentially important macroalgae, Sargassum horneri, for coastal fisheries | |
| CN109376629B (zh) | 一种海底泥火山识别方法 | |
| Kruss et al. | Estimation of macrophytes using single-beam and multibeam echosounding for environmental monitoring of Arctic fjords (Kongsfjord, West Svalbard Island) | |
| Chacate et al. | Hydro-acoustic classification and abundance estimation of mesopelagic fish in deep scattering layers (DSL) of the Indian Ocean | |
| Choi et al. | Characterization of frequency and aggregation of the Antarctic krill (Euphausia superba) using acoustics | |
| Fajaryanti et al. | A preliminary study on seabed classification using a scientific echosounder | |
| CN106526601A (zh) | 一种多波束测深信号处理方法及装置 | |
| Stienessen et al. | Comparison of model types for prediction of seafloor trawlability in the Gulf of Alaska by using multibeam sonar data | |
| Purnawan et al. | Fish Stock Status Assessment in Alue Naga Waters Using A 200 Khz Single Beam Echosounder. | |
| Shabangu et al. | Hydro-acoustic technology and its application to marine science in South Africa | |
| Siccardi et al. | Seabed vegetation analysis by a 2 MHz sonar | |
| Aprilita et al. | Using the hydroacoustic and mini trawl data for estimating fish density in the eastern part of Banyuasin coastal waters, South Sumatra of Indonesia |
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: 20210601 |