CN113254458A - 一种水产病害智能化诊断方法 - Google Patents
一种水产病害智能化诊断方法 Download PDFInfo
- Publication number
- CN113254458A CN113254458A CN202110764804.9A CN202110764804A CN113254458A CN 113254458 A CN113254458 A CN 113254458A CN 202110764804 A CN202110764804 A CN 202110764804A CN 113254458 A CN113254458 A CN 113254458A
- Authority
- CN
- China
- Prior art keywords
- disease
- aquatic
- data
- value
- nerve
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- 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
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种水产病害智能化诊断方法,包括如下步骤:S101、构建水产病害特征数据库;在数据库中构建三个数据表格,一是水产病害病症数据表,二是病症图片特征数据检索表,三是特征值表;S102、对数据库表格属性进行赋值;S103、构建水产病害诊断神经网络;S104、对水产病害诊断神经网络进行训练;S105、运行水产病害诊断神经网络;用户将采集到的陆基池塘养殖场中的水产图片信息进行数据预处理后,输入到所述水产病害诊断神经网络中,可利用训练好的输入输出逻辑模型,得到水产病害诊断结论,达到水产病害智能化诊断效果。
Description
技术领域
本发明涉及水产养殖管理领域,特别涉及陆基池塘智慧养殖中的水产病害智能诊断方法研究。
背景技术
水产养殖作为第一产业具有较大现实意义,一是发展水产养殖可以增加水产养殖户及水产经营企业的经济收入,拓展利润来源、增加就业机会、丰富就业岗位;二是有利于促进渔业产业结构优化,提升水产行业的可持续发展;三是扩大了水产品收获途径,稳定了水产品供应,丰富了群众的水产品物质资源;当前,随着信息化技术的不断发展,人工智能、信息化、物联网、互联网+等理念不断融入到社会生活的各个方面;陆基池塘养殖场水产养殖环境影响因子多、复杂、养殖标准人工操作较难实施,采用智能化信息技术可实现智慧养殖,提高养殖效率、优化养殖体系;水产养殖是陆基池塘养殖场的一项重要业务内容;为实现水产智能化养殖,如何实现水产病害智能化诊断成为一项研究课题。
当前,面向水产品的病害诊断专利研究较为丰富,如2017年7月授权的题为“一种基于物联网的水产品疾病诊断设备”的实用新型专利,集成了诊断箱、左侧盖、右侧盖、互联网诊断装置、观察皿和观察口,融合了互联网技术提高了水产品的病害诊断效果;还如2017年4月授权的题为“一种基于移动互联网技术的水产品疾病智能诊断系统”的实用新型专利,通过检测模块可以实时的检测水中的各项指标及水产品的健康状况,再与水产品疾病对比模块配合可以检测出水产品是否健康,同时利用报警模块发出报警提示,在无任何异常状态下,定时模块会定时控制系统自动进行检测,具有面向水产品的疾病信息化智能诊断特征;还如2017年3月申请的题为“远程鱼病诊断方法、装置及系统”的发明专利,包括远程获取病鱼信息、将病症信息处理为图片或文本信息、采用模糊推理和数学递归方法进行初步诊断、专家进行最终确诊等步骤和流程;可及时准确的把握鱼病爆发状况,做出准确诊断并开展及时有效地救治措施,最大限度的挽回养殖户的经济损失。
发明内容
鉴于上述背景信息,本发明旨在提供一种水产病害智能化诊断方法,引入人工智能算法与信息化理念,解决陆基池塘养殖场中水产病害智能识别与诊断问题;为实现上述目的,本发明采用如下技术方案。
一种水产病害智能化诊断方法,包括如下步骤:
S101、构建水产病害特征数据库;在数据库中构建三个数据表格,一是水产病害病症数据表,二是病症图片特征数据检索表,三是特征值表;水产病害病症数据表的属性包括水产名称、病害类型、疾病名称、病症特点、病症图片索引号、流行知识、判断方法、处理措施;病症图片特征数据检索表的属性包括病症图片索引号、R通道检索号、G通道检索号、B通道检索号、H通道检索号、相关性检索号、能量检索号、熵检索号、对比度检索号、均匀性检索号、面积检索号、周长检索号、似圆度检索号、偏心率检索号、占空比检索号;特征值表的属性包括检索号、数据名称、标准差、最大值、最小值、阀值、方差。
S102、对数据库表格属性进行赋值;水产名称可根据养殖情况填写水产名称;病害类型可根据一般性水产病害知识进行填写,包括病毒性疾病、细菌性疾病、真菌性疾病、寄生虫病、理化因子病;疾病名称可根据一般性水产病害知识进行填写,包括水产白斑症病毒病、水产杆状病毒病、传染性皮下和造血组织坏死病、桃拉综合症病毒病、干胰脏细小病毒状病毒病、红腿病、烂鳃病、瞎眼病、甲壳溃疡病、幼体弧菌病、幼体肠道细菌病、丝状细菌病、卵和幼体的真菌病、镰刀菌病、固着类纤毛虫病、白黑斑病、肌肉坏死病、痉挛病、蓝藻中毒病、畸形、黑鳃病、软壳病、浮头与泛池病;病症特点、流行知识、判断方法、处理措施的赋值方法采用改进的专家判断策略。
所述改进的专家判断策略步骤为:第一步,邀请陆基池塘养殖场水产养殖专家三人以上单数参加专家判断会;第二步,向专家发放面向水产养殖的经验咨询表,主要包括水产病害类型、疾病名称、病症特点、流行知识、判断方法、处理措施;其中,水产病害类型、疾病名称由会议主持人填写,病症特点、流行知识、判断方法、处理措施由专家填写;第三步,与会专家在不交流的情况下,将表格填写完成后交给会议主持人;会议主持人将所收表格打乱顺序后,随机向与会专家发放;第四步,与会专家独立的对表格内容进行审视,并填写必要意见后,交给会议主持人;会议主持人交给活动负责人;第五步,活动负责人可发起专家对所填表格内容的集体讨论,也可根据实际情况不再组织专家集体讨论。
所述特征值表的赋值方法为:第一步,通过相机获取高清病症图片;第二步,对图片颜色特征进行提取,将图片进行R通道数据分离、G通道数据分离、B通道数据分离,计算R、G、B通信数据标准差、最大值、最小值、阀值、方差;建立图片的HIS颜色模型,提取图片的色调H通道的数据信息,并计算H通信数据标准差、最大值、最小值、阀值、方差;第三步,对图片纹理特征进行提取,将图片纹理特征较为明显的部分进行局部放大、去噪、纹理分割后,提取相关性、能量、熵、对比度、均匀性、面积、周长、似圆度、偏心率、占空比特征数据,并计算上述数据的标准差、最大值、最小值、阀值、方差。
所述纹理分割策略为:第一步,将RGB图像变换为灰度图,计算公式为Y=0.3*W*R+0.6*P*G+0.1*R*B,其中参数R、G、B分别为通道R、G、B的数值,参数W、P、R为权值,可动态调节三个通道在灰度图上的作用力;第二步,为了提高算法收敛速度,人工选取纹理特征较为明显的局部图像中心点K(x,y),设K(x,y)点的灰度值为T,并设置纹理阀值为S;第三步,遍历此局部图像范围,设当前点U的灰度值为E,若E-T的绝对值小于S,则将点U纳入到聚类点集合Q中;第四步,将点集合Q中的边缘点连接起来形成一个闭合的区域,即完成纹理分割。
所述面积计算公式为:A*N,其中A表示图像中一个像素点面积,N表示纹理图像中像素点的个数。
所述偏心率计算公式为:W/H-Q,其中W为纹理区域的X轴最大长度,H为纹理区域Y轴最大长度,Q为修正阀值。
所述占空比计算公式为:eA/W*H,其中e为修正系数,A为纹理面积,W为纹理区域的X轴最大长度,H为纹理区域Y轴最大长度。
S103、构建水产病害诊断神经网络;所述水产病害诊断神经网络的构建策略是:第一步,构建神经元,每个神经元包括一个计算单元、一个输入接口、一个输出接口、一个存储单元;一个神经元对一个数据进行感知,并产生反应;第二步,构建神经团,每个神经团包括i个神经元,i代表神经元的个数,i的值越大,则表示神经团的反应能力越强;一个神经团独立的对一个数据特征进行判定;第三步,构建神经组织,每个神经组织包括n个神经团,n代表神经团的个数,n的值越大,则表示神经组织的计算能力和存储能力越强;一个神经组织独立的对一个图像特征进行判定;第四步,构建神经子网,一个神经子网包括m个神经组织,m代表神经组织的个数,m的值越大,则表示神经网络的单项思维能力越强;神经子网独立的对某种病害进行判定;第五步,构建神经网络,一个神经网络包括v个神经子网,v代表神经子网的个数,v的值越大,则表示神经网络的综合思维能力越强;神经网络对v种水产病害进行判定。
S104、对水产病害诊断神经网络进行训练;第一步,定义水产病害诊断神经网络的输入输出逻辑;假设采集的水产病害图片信息集合为X=(x 1,x 2,...x n),其对应的病害信息为Y=(y 1,y 2,...y n),则所述水产病害诊断神经网络的数学表达为Y=F(X),具体的,y i=f(x i),其中i=1...n;第二步,采集水产病害图片信息,并构建对应的病害信息数据项,进而完成水产病害特征数据库中水产病害病症数据表、病症图片特征数据检索表、特征值表的填写,假定数据库中水产病害病症数据表的记录为k个;第三步,令水产病害诊断神经网络中的神经子网为二十三个,分别对水产白斑症病毒病、水产杆状病毒病、传染性皮下和造血组织坏死病、桃拉综合症病毒病、干胰脏细小病毒状病毒病、红腿病、烂鳃病、瞎眼病、甲壳溃疡病、幼体弧菌病、幼体肠道细菌病、丝状细菌病、卵和幼体的真菌病、镰刀菌病、固着类纤毛虫病、白黑斑病、肌肉坏死病、痉挛病、蓝藻中毒病、畸形、黑鳃病、软壳病、浮头与泛池病进行判定;令水产病害诊断神经子网中的神经组织为十四个,分别对R通道、G通道、B通道、H通道、相关性、能量、熵、对比度、均匀性、面积、周长、似圆度、偏心率、占空比十四个图像特征进行判定;令每个神经组织中的神经团个数为五个,分别对标准差、最大值、最小值、阀值、方差数据特征进行判定;令每个神经团中的神经元个数为k个;第四步,建立输入输出的逻辑关联关系;遍历水产病害病症数据表,假设当前记录为R,根据记录R的疾病名称定位神经子网;以记录R的病症图片索引号为关键字遍历病症图片特征数据检索表,假设当前记录为P,且病症图片索引号和输入的关键字相同,则根据记录P的数据名称定位神经组织;以记录P的其他属性值为关键字遍历特征值表,假设当前记录为W,根据记录W的其他属性名称定位神经团,如标准差等;将此属性值放到此神经团中的一个未赋值的神经元的存储单元中;通过上述训练过程实现水产病害诊断神经网络Y=F(X)的输入输出效果,其中Y为病害信息,X为水产病害图片信息。
S105、运行水产病害诊断神经网络;第一步,从陆基池塘养殖场采集水产图片,并分离出图片特征,包括R通道、G通道、B通道、H通道、相关性、能量、熵、对比度、均匀性、面积、周长、似圆度、偏心率、占空比;进而计算特征值的标准差、最大值、最小值、阀值、方差;第二步,将上述信息输入到水产病害诊断神经网络进行病害诊断;遍历输入的数据,若当前数据为P,且P属于图片特征Q,则定位到二十三个神经子网的二十三个对应特征Q的神经组织;进而根据数据P的属性W,如标准差、最大值、最小值、阀值、方差,定位到上一步定位的神经组织中对应属性W的神经团;设定相似度阀值为T;遍历神经团中的每个神经元,令神经元的输入为数据P,利用神经元的计算单元计算数据P与神经元存储单元中数据差的绝对值,若绝对值小于等于阀值T,则说明数据相近,则输出为1,反之输出为0;根据神经网络的Y=F(X)输入输出模型,输出水产病害图片信息参数X对应的病害信息参数Y,实现对水产病害的智能化诊断。
附图说明
图1为本发明所述的一种水产病害智能化诊断方法的步骤图。
图2为所述水产病害特征数据库的结构图。
图3为所述水产病害诊断神经网络的结构图。
具体实施方式
下面将结合本发明附图,对本发明的具体实施方式进行描述;一种水产病害智能化诊断方法,包括如下步骤:
S101、构建水产病害特征数据库;在数据库中构建三个数据表格,一是水产病害病症数据表,二是病症图片特征数据检索表,三是特征值表;水产病害病症数据表的属性包括水产名称、病害类型、疾病名称、病症特点、病症图片索引号、流行知识、判断方法、处理措施;病症图片特征数据检索表的属性包括病症图片索引号、R通道检索号、G通道检索号、B通道检索号、H通道检索号、相关性检索号、能量检索号、熵检索号、对比度检索号、均匀性检索号、面积检索号、周长检索号、似圆度检索号、偏心率检索号、占空比检索号;特征值表的属性包括检索号、数据名称、标准差、最大值、最小值、阀值、方差。
S102、对数据库表格属性进行赋值;水产名称可根据养殖情况填写水产名称;病害类型可根据一般性水产病害知识进行填写,包括病毒性疾病、细菌性疾病、真菌性疾病、寄生虫病、理化因子病;疾病名称可根据一般性水产病害知识进行填写,包括水产白斑症病毒病、水产杆状病毒病、传染性皮下和造血组织坏死病、桃拉综合症病毒病、干胰脏细小病毒状病毒病、红腿病、烂鳃病、瞎眼病、甲壳溃疡病、幼体弧菌病、幼体肠道细菌病、丝状细菌病、卵和幼体的真菌病、镰刀菌病、固着类纤毛虫病、白黑斑病、肌肉坏死病、痉挛病、蓝藻中毒病、畸形、黑鳃病、软壳病、浮头与泛池病;病症特点、流行知识、判断方法、处理措施的赋值方法采用改进的专家判断策略。
所述改进的专家判断策略步骤为:第一步,邀请陆基池塘养殖场水产养殖专家三人以上单数参加专家判断会;第二步,向专家发放面向水产养殖的经验咨询表,主要包括水产病害类型、疾病名称、病症特点、流行知识、判断方法、处理措施;其中,水产病害类型、疾病名称由会议主持人填写,病症特点、流行知识、判断方法、处理措施由专家填写;第三步,与会专家在不交流的情况下,将表格填写完成后交给会议主持人;会议主持人将所收表格打乱顺序后,随机向与会专家发放;第四步,与会专家独立的对表格内容进行审视,并填写必要意见后,交给会议主持人;会议主持人交给活动负责人;第五步,活动负责人可发起专家对所填表格内容的集体讨论,也可根据实际情况不再组织专家集体讨论。
所述特征值表的赋值方法为:第一步,通过相机获取高清病症图片;第二步,对图片颜色特征进行提取,将图片进行R通道数据分离、G通道数据分离、B通道数据分离,计算R、G、B通信数据标准差、最大值、最小值、阀值、方差;建立图片的HIS颜色模型,提取图片的色调H通道的数据信息,并计算H通信数据标准差、最大值、最小值、阀值、方差;第三步,对图片纹理特征进行提取,将图片纹理特征较为明显的部分进行局部放大、去噪、纹理分割后,提取相关性、能量、熵、对比度、均匀性、面积、周长、似圆度、偏心率、占空比特征数据,并计算上述数据的标准差、最大值、最小值、阀值、方差。
所述纹理分割策略为:第一步,将RGB图像变换为灰度图,计算公式为Y=0.3*W*R+0.6*P*G+0.1*R*B,其中参数R、G、B分别为通道R、G、B的数值,参数W、P、R为权值,可动态调节三个通道在灰度图上的作用力;第二步,为了提高算法收敛速度,人工选取纹理特征较为明显的局部图像中心点K(x,y),设K(x,y)点的灰度值为T,并设置纹理阀值为S;第三步,遍历此局部图像范围,设当前点U的灰度值为E,若E-T的绝对值小于S,则将点U纳入到聚类点集合Q中;第四步,将点集合Q中的边缘点连接起来形成一个闭合的区域,即完成纹理分割。
所述面积计算公式为:A*N,其中A表示图像中一个像素点面积,N表示纹理图像中像素点的个数。
所述偏心率计算公式为:W/H-Q,其中W为纹理区域的X轴最大长度,H为纹理区域Y轴最大长度,Q为修正阀值。
所述占空比计算公式为:eA/W*H,其中e为修正系数,A为纹理面积,W为纹理区域的X轴最大长度,H为纹理区域Y轴最大长度。
S103、构建水产病害诊断神经网络;所述水产病害诊断神经网络的构建策略是:第一步,构建神经元,每个神经元包括一个计算单元、一个输入接口、一个输出接口、一个存储单元;一个神经元对一个数据进行感知,并产生反应;第二步,构建神经团,每个神经团包括i个神经元,i代表神经元的个数,i的值越大,则表示神经团的反应能力越强;一个神经团独立的对一个数据特征进行判定;第三步,构建神经组织,每个神经组织包括n个神经团,n代表神经团的个数,n的值越大,则表示神经组织的计算能力和存储能力越强;一个神经组织独立的对一个图像特征进行判定;第四步,构建神经子网,一个神经子网包括m个神经组织,m代表神经组织的个数,m的值越大,则表示神经网络的单项思维能力越强;神经子网独立的对某种病害进行判定;第五步,构建神经网络,一个神经网络包括v个神经子网,v代表神经子网的个数,v的值越大,则表示神经网络的综合思维能力越强;神经网络对v种水产病害进行判定。
S104、对水产病害诊断神经网络进行训练;第一步,定义水产病害诊断神经网络的输入输出逻辑;假设采集的水产病害图片信息集合为X=(x 1,x 2,...x n),其对应的病害信息为Y=(y 1,y 2,...y n),则所述水产病害诊断神经网络的数学表达为Y=F(X),具体的,y i=f(x i),其中i=1...n;第二步,采集水产病害图片信息,并构建对应的病害信息数据项,进而完成水产病害特征数据库中水产病害病症数据表、病症图片特征数据检索表、特征值表的填写,假定数据库中水产病害病症数据表的记录为k个;第三步,令水产病害诊断神经网络中的神经子网为二十三个,分别对水产白斑症病毒病、水产杆状病毒病、传染性皮下和造血组织坏死病、桃拉综合症病毒病、干胰脏细小病毒状病毒病、红腿病、烂鳃病、瞎眼病、甲壳溃疡病、幼体弧菌病、幼体肠道细菌病、丝状细菌病、卵和幼体的真菌病、镰刀菌病、固着类纤毛虫病、白黑斑病、肌肉坏死病、痉挛病、蓝藻中毒病、畸形、黑鳃病、软壳病、浮头与泛池病进行判定;令水产病害诊断神经子网中的神经组织为十四个,分别对R通道、G通道、B通道、H通道、相关性、能量、熵、对比度、均匀性、面积、周长、似圆度、偏心率、占空比十四个图像特征进行判定;令每个神经组织中的神经团个数为五个,分别对标准差、最大值、最小值、阀值、方差数据特征进行判定;令每个神经团中的神经元个数为k个;第四步,建立输入输出的逻辑关联关系;遍历水产病害病症数据表,假设当前记录为R,根据记录R的疾病名称定位神经子网;以记录R的病症图片索引号为关键字遍历病症图片特征数据检索表,假设当前记录为P,且病症图片索引号和输入的关键字相同,则根据记录P的数据名称定位神经组织;以记录P的其他属性值为关键字遍历特征值表,假设当前记录为W,根据记录W的其他属性名称定位神经团,如标准差等;将此属性值放到此神经团中的一个未赋值的神经元的存储单元中;通过上述训练过程实现水产病害诊断神经网络Y=F(X)的输入输出效果,其中Y为病害信息,X为水产病害图片信息。
S105、运行水产病害诊断神经网络;第一步,从陆基池塘养殖场采集水产图片,并分离出图片特征,包括R通道、G通道、B通道、H通道、相关性、能量、熵、对比度、均匀性、面积、周长、似圆度、偏心率、占空比;进而计算特征值的标准差、最大值、最小值、阀值、方差;第二步,将上述信息输入到水产病害诊断神经网络进行病害诊断;遍历输入的数据,若当前数据为P,且P属于图片特征Q,则定位到二十三个神经子网的二十三个对应特征Q的神经组织;进而根据数据P的属性W,如标准差、最大值、最小值、阀值、方差,定位到上一步定位的神经组织中对应属性W的神经团;设定相似度阀值为T;遍历神经团中的每个神经元,令神经元的输入为数据P,利用神经元的计算单元计算数据P与神经元存储单元中数据差的绝对值,若绝对值小于等于阀值T,则说明数据相近,则输出为1,反之输出为0;根据神经网络的Y=F(X)输入输出模型,输出水产病害图片信息参数X对应的病害信息参数Y,实现对水产病害的智能化诊断。
显而易见,上述实施方式仅仅为本发明的其中一个示范例,任何在本发明所提供结构或原理上的简单改进均属于本发明的保护范围。
Claims (4)
1.一种水产病害智能化诊断方法,其特征在于,包括如下步骤:
S101、构建水产病害特征数据库;在数据库中构建三个数据表格,一是水产病害病症数据表,二是病症图片特征数据检索表,三是特征值表;水产病害病症数据表的属性包括水产名称、病害类型、疾病名称、病症特点、病症图片索引号、流行知识、判断方法、处理措施;病症图片特征数据检索表的属性包括病症图片索引号、R通道检索号、G通道检索号、B通道检索号、H通道检索号、相关性检索号、能量检索号、熵检索号、对比度检索号、均匀性检索号、面积检索号、周长检索号、似圆度检索号、偏心率检索号、占空比检索号;特征值表的属性包括检索号、数据名称、标准差、最大值、最小值、阀值、方差;
S102、对数据库表格属性进行赋值;水产名称可根据养殖情况填写水产名称;病害类型可根据一般性水产病害知识进行填写,包括病毒性疾病、细菌性疾病、真菌性疾病、寄生虫病、理化因子病;疾病名称可根据一般性水产病害知识进行填写,包括水产白斑症病毒病、水产杆状病毒病、传染性皮下和造血组织坏死病、桃拉综合症病毒病、干胰脏细小病毒状病毒病、红腿病、烂鳃病、瞎眼病、甲壳溃疡病、幼体弧菌病、幼体肠道细菌病、丝状细菌病、卵和幼体的真菌病、镰刀菌病、固着类纤毛虫病、白黑斑病、肌肉坏死病、痉挛病、蓝藻中毒病、畸形、黑鳃病、软壳病、浮头与泛池病;病症特点、流行知识、判断方法、处理措施的赋值方法采用改进的专家判断策略;
S103、构建水产病害诊断神经网络;所述水产病害诊断神经网络的构建策略是:第一步,构建神经元,每个神经元包括一个计算单元、一个输入接口、一个输出接口、一个存储单元;一个神经元对一个数据进行感知,并产生反应;第二步,构建神经团,每个神经团包括i个神经元,i代表神经元的个数,i的值越大,则表示神经团的反应能力越强;一个神经团独立的对一个数据特征进行判定;第三步,构建神经组织,每个神经组织包括n个神经团,n代表神经团的个数,n的值越大,则表示神经组织的计算能力和存储能力越强;一个神经组织独立的对一个图像特征进行判定;第四步,构建神经子网,一个神经子网包括m个神经组织,m代表神经组织的个数,m的值越大,则表示神经网络的单项思维能力越强;神经子网独立的对某种病害进行判定;第五步,构建神经网络,一个神经网络包括v个神经子网,v代表神经子网的个数,v的值越大,则表示神经网络的综合思维能力越强;神经网络对v种水产病害进行判定;
S104、对水产病害诊断神经网络进行训练;第一步,定义水产病害诊断神经网络的输入输出逻辑;假设采集的水产病害图片信息集合为X=(x 1,x 2,...x n),其对应的病害信息为Y=(y 1,y 2,...y n),则所述水产病害诊断神经网络的数学表达为Y=F(X),具体的,y i=f(x i),其中i=1...n;第二步,采集水产病害图片信息,并构建对应的病害信息数据项,进而完成水产病害特征数据库中水产病害病症数据表、病症图片特征数据检索表、特征值表的填写,假定数据库中水产病害病症数据表的记录为k个;第三步,令水产病害诊断神经网络中的神经子网为二十三个,分别对水产白斑症病毒病、水产杆状病毒病、传染性皮下和造血组织坏死病、桃拉综合症病毒病、干胰脏细小病毒状病毒病、红腿病、烂鳃病、瞎眼病、甲壳溃疡病、幼体弧菌病、幼体肠道细菌病、丝状细菌病、卵和幼体的真菌病、镰刀菌病、固着类纤毛虫病、白黑斑病、肌肉坏死病、痉挛病、蓝藻中毒病、畸形、黑鳃病、软壳病、浮头与泛池病进行判定;令水产病害诊断神经子网中的神经组织为十四个,分别对R通道、G通道、B通道、H通道、相关性、能量、熵、对比度、均匀性、面积、周长、似圆度、偏心率、占空比十四个图像特征进行判定;令每个神经组织中的神经团个数为五个,分别对标准差、最大值、最小值、阀值、方差数据特征进行判定;令每个神经团中的神经元个数为k个;第四步,建立输入输出的逻辑关联关系;遍历水产病害病症数据表,假设当前记录为R,根据记录R的疾病名称定位神经子网;以记录R的病症图片索引号为关键字遍历病症图片特征数据检索表,假设当前记录为P,且病症图片索引号和输入的关键字相同,则根据记录P的数据名称定位神经组织;以记录P的其他属性值为关键字遍历特征值表,假设当前记录为W,根据记录W的其他属性名称定位神经团,如标准差等;将此属性值放到此神经团中的一个未赋值的神经元的存储单元中;通过上述训练过程实现水产病害诊断神经网络Y=F(X)的输入输出效果,其中Y为病害信息,X为水产病害图片信息;
S105、运行水产病害诊断神经网络;第一步,从陆基池塘养殖场采集水产图片,并分离出图片特征,包括R通道、G通道、B通道、H通道、相关性、能量、熵、对比度、均匀性、面积、周长、似圆度、偏心率、占空比;进而计算特征值的标准差、最大值、最小值、阀值、方差;第二步,将上述信息输入到水产病害诊断神经网络进行病害诊断;遍历输入的数据,若当前数据为P,且P属于图片特征Q,则定位到二十三个神经子网的二十三个对应特征Q的神经组织;进而根据数据P的属性W,如标准差、最大值、最小值、阀值、方差,定位到上一步定位的神经组织中对应属性W的神经团;设定相似度阀值为T;遍历神经团中的每个神经元,令神经元的输入为数据P,利用神经元的计算单元计算数据P与神经元存储单元中数据差的绝对值,若绝对值小于等于阀值T,则说明数据相近,则输出为1,反之输出为0;根据神经网络的Y=F(X)输入输出模型,输出水产病害图片信息参数X对应的病害信息参数Y,实现对水产病害的智能化诊断。
2.根据权利要求1所述的一种水产病害智能化诊断方法,其特征在于,所述步骤S102中,改进的专家判断策略步骤为:第一步,邀请陆基池塘养殖场水产养殖专家三人以上单数参加专家判断会;第二步,向专家发放面向水产养殖的经验咨询表,主要包括水产病害类型、疾病名称、病症特点、流行知识、判断方法、处理措施;其中,水产病害类型、疾病名称由会议主持人填写,病症特点、流行知识、判断方法、处理措施由专家填写;第三步,与会专家在不交流的情况下,将表格填写完成后交给会议主持人;会议主持人将所收表格打乱顺序后,随机向与会专家发放;第四步,与会专家独立的对表格内容进行审视,并填写必要意见后,交给会议主持人;会议主持人交给活动负责人;第五步,活动负责人可发起专家对所填表格内容的集体讨论,也可根据实际情况不再组织专家集体讨论。
3.根据权利要求1所述的一种水产病害智能化诊断方法,其特征在于,所述步骤S102中,特征值表的赋值方法为:第一步,通过相机获取高清病症图片;第二步,对图片颜色特征进行提取,将图片进行R通道数据分离、G通道数据分离、B通道数据分离,计算R、G、B通信数据标准差、最大值、最小值、阀值、方差;建立图片的HIS颜色模型,提取图片的色调H通道的数据信息,并计算H通信数据标准差、最大值、最小值、阀值、方差;第三步,对图片纹理特征进行提取,将图片纹理特征较为明显的部分进行局部放大、去噪、纹理分割后,提取相关性、能量、熵、对比度、均匀性、面积、周长、似圆度、偏心率、占空比特征数据,并计算上述数据的标准差、最大值、最小值、阀值、方差。
4.根据权利要求1所述的一种水产病害智能化诊断方法,其特征在于,所述步骤S102中,纹理分割策略为:第一步,将RGB图像变换为灰度图,计算公式为Y=0.3*W*R+0.6*P*G+0.1*R*B,其中参数R、G、B分别为通道R、G、B的数值,参数W、P、R为权值,可动态调节三个通道在灰度图上的作用力;第二步,为了提高算法收敛速度,人工选取纹理特征较为明显的局部图像中心点K(x,y),设K(x,y)点的灰度值为T,并设置纹理阀值为S;第三步,遍历此局部图像范围,设当前点U的灰度值为E,若E-T的绝对值小于S,则将点U纳入到聚类点集合Q中;第四步,将点集合Q中的边缘点连接起来形成一个闭合的区域,即完成纹理分割;
所述面积计算公式为:A*N,其中A表示图像中一个像素点面积,N表示纹理图像中像素点的个数;
所述偏心率计算公式为:W/H-Q,其中W为纹理区域的X轴最大长度,H为纹理区域Y轴最大长度,Q为修正阀值;
所述占空比计算公式为:eA/W*H,其中e为修正系数,A为纹理面积,W为纹理区域的X轴最大长度,H为纹理区域Y轴最大长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764804.9A CN113254458B (zh) | 2021-07-07 | 2021-07-07 | 一种水产病害智能化诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764804.9A CN113254458B (zh) | 2021-07-07 | 2021-07-07 | 一种水产病害智能化诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113254458A true CN113254458A (zh) | 2021-08-13 |
CN113254458B CN113254458B (zh) | 2022-04-08 |
Family
ID=77190862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110764804.9A Active CN113254458B (zh) | 2021-07-07 | 2021-07-07 | 一种水产病害智能化诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113254458B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971563A (zh) * | 2022-06-01 | 2022-08-30 | 上海海洋大学 | 基于大数据的水产病害诊断系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011127219A1 (en) * | 2010-04-06 | 2011-10-13 | Caris Life Sciences Luxembourg Holdings | Circulating biomarkers for disease |
CN102521600A (zh) * | 2011-11-03 | 2012-06-27 | 北京农业信息技术研究中心 | 基于机器视觉的南美白对虾病害识别方法及系统 |
KR20200013171A (ko) * | 2018-07-20 | 2020-02-06 | 문영실 | 인공지능 딥러닝을 이용한 스마트 양식장 관리 fems시스템 |
CN111062511A (zh) * | 2019-11-14 | 2020-04-24 | 佛山科学技术学院 | 基于决策树与神经网络的水产养殖病害预测方法及系统 |
CN111563439A (zh) * | 2020-04-28 | 2020-08-21 | 北京海益同展信息科技有限公司 | 一种水产生物病害检测方法、装置及设备 |
US20200275640A1 (en) * | 2017-10-10 | 2020-09-03 | Basf Se | Method for monitoring at least one aquaculture pond and aquaculture pond monitoring system |
CN112884761A (zh) * | 2021-03-19 | 2021-06-01 | 东营市阔海水产科技有限公司 | 水产经济动物头部识别方法、终端设备及可读存储介质 |
WO2021116962A1 (en) * | 2019-12-12 | 2021-06-17 | S.D. Sight Diagnostics Ltd | Artificial generation of color blood smear image |
-
2021
- 2021-07-07 CN CN202110764804.9A patent/CN113254458B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011127219A1 (en) * | 2010-04-06 | 2011-10-13 | Caris Life Sciences Luxembourg Holdings | Circulating biomarkers for disease |
CN102521600A (zh) * | 2011-11-03 | 2012-06-27 | 北京农业信息技术研究中心 | 基于机器视觉的南美白对虾病害识别方法及系统 |
US20200275640A1 (en) * | 2017-10-10 | 2020-09-03 | Basf Se | Method for monitoring at least one aquaculture pond and aquaculture pond monitoring system |
KR20200013171A (ko) * | 2018-07-20 | 2020-02-06 | 문영실 | 인공지능 딥러닝을 이용한 스마트 양식장 관리 fems시스템 |
CN111062511A (zh) * | 2019-11-14 | 2020-04-24 | 佛山科学技术学院 | 基于决策树与神经网络的水产养殖病害预测方法及系统 |
WO2021116962A1 (en) * | 2019-12-12 | 2021-06-17 | S.D. Sight Diagnostics Ltd | Artificial generation of color blood smear image |
CN111563439A (zh) * | 2020-04-28 | 2020-08-21 | 北京海益同展信息科技有限公司 | 一种水产生物病害检测方法、装置及设备 |
CN112884761A (zh) * | 2021-03-19 | 2021-06-01 | 东营市阔海水产科技有限公司 | 水产经济动物头部识别方法、终端设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
MD SHOAIB AHMED ET AL: "Fish Disease Detection Using Image Based Machine", 《JOURNAL OF KING SAUD UNIVERSITY - COMPUTER AND》 * |
王腾: "基于大数据技术的海水养殖病害诊断研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971563A (zh) * | 2022-06-01 | 2022-08-30 | 上海海洋大学 | 基于大数据的水产病害诊断系统 |
CN114971563B (zh) * | 2022-06-01 | 2024-05-14 | 上海海洋大学 | 基于大数据的水产病害诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113254458B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846314A (zh) | 一种基于深度学习的食材辨识系统和食材辨识方法 | |
CN106779084B (zh) | 机器学习系统及方法 | |
CN108009594B (zh) | 一种基于变分组卷积的图像识别方法 | |
CN105844401B (zh) | 基于案例推理的湖库水华治理复杂动态关联模型与决策方法 | |
CN109214298B (zh) | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 | |
CN107563389A (zh) | 一种基于深度学习的农作物病害识别方法 | |
CN116563707B (zh) | 一种基于图文多模态特征融合的枸杞虫害识别方法 | |
CN111611972A (zh) | 基于多视图多任务集成学习的作物叶片种类识别方法 | |
CN113254458B (zh) | 一种水产病害智能化诊断方法 | |
CN105976379A (zh) | 一种基于布谷鸟优化的模糊聚类彩色图像分割方法 | |
Mehta et al. | Improving Crop Health Management: Federated Learning CNN for Spinach Leaf Disease Detection | |
CN107784196A (zh) | 基于人工鱼群优化算法识别关键蛋白质的方法 | |
CN108805879A (zh) | 一种基于Spiking神经网络的图像分割方法 | |
CN110990589A (zh) | 一种基于深度强化学习的知识图谱自动生成方法 | |
Devi et al. | Eight Convolutional Layered Deep Convolutional Neural Network based Banana Leaf Disease Prediction | |
CN111626969A (zh) | 一种基于注意力机制的玉米病害图像处理方法 | |
Yu et al. | Combination of Self-organizing Map and k-means Methods of Clustering for Online Games Marketing. | |
Bzovy | Species Pluralism: Conceptual, ontological, and practical dimensions | |
CN112507224A (zh) | 基于异质网络表示学习的人机物融合系统服务推荐方法 | |
CN114581470B (zh) | 一种基于植物群落行为的图像边缘检测方法 | |
Chai et al. | Correlation Analysis-Based Neural Network Self-Organizing Genetic Evolutionary Algorithm | |
Vora et al. | An ensemble of convolutional neural networks to detect foliar diseases in apple plants | |
Brown et al. | Market integration and cooperative resource harvesting among kin, clan, and neighbors in rural China | |
Cai | User preference adaptive fitness of interactive genetic algorithm based ceramic disk pattern generation method | |
CN109086868A (zh) | 一种抽象图像情感识别方法 |
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 |