CN113269078B - 一种基于无人机的江河鱼类资源量统计方法及系统 - Google Patents

一种基于无人机的江河鱼类资源量统计方法及系统 Download PDF

Info

Publication number
CN113269078B
CN113269078B CN202110551735.3A CN202110551735A CN113269078B CN 113269078 B CN113269078 B CN 113269078B CN 202110551735 A CN202110551735 A CN 202110551735A CN 113269078 B CN113269078 B CN 113269078B
Authority
CN
China
Prior art keywords
river
counted
section
fishes
data
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
Application number
CN202110551735.3A
Other languages
English (en)
Other versions
CN113269078A (zh
Inventor
柳春娜
申剑
刘海平
余凌
周朝伟
刘今朝
肖世俊
刘飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Huadian Tibet Energy Co ltd
Southwest University
China Institute of Water Resources and Hydropower Research
Institute of Animal Husbandry and Veterinary Medicine of Tibet Academy of Agriculture and Animal Husbandry Sciences
Original Assignee
China Huadian Tibet Energy Co ltd
Southwest University
China Institute of Water Resources and Hydropower Research
Institute of Animal Husbandry and Veterinary Medicine of Tibet Academy of Agriculture and Animal Husbandry Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Huadian Tibet Energy Co ltd, Southwest University, China Institute of Water Resources and Hydropower Research, Institute of Animal Husbandry and Veterinary Medicine of Tibet Academy of Agriculture and Animal Husbandry Sciences filed Critical China Huadian Tibet Energy Co ltd
Priority to CN202110551735.3A priority Critical patent/CN113269078B/zh
Publication of CN113269078A publication Critical patent/CN113269078A/zh
Priority to NL2029191A priority patent/NL2029191B1/en
Application granted granted Critical
Publication of CN113269078B publication Critical patent/CN113269078B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K61/00—Culture of aquatic animals
    • A01K61/90—Sorting, grading, counting or marking live aquatic animals, e.g. sex determination
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K79/00—Methods or means of catching fish in bulk not provided for in groups A01K69/00 - A01K77/00, e.g. fish pumps; Detection of fish; Whale fishery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/05—Underwater scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G01C13/008—Surveying specially adapted to open water, e.g. sea, lake, river or canal measuring depth of open water
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Environmental Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Health & Medical Sciences (AREA)
  • Animal Husbandry (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Zoology (AREA)
  • Biomedical Technology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Mining & Mineral Resources (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)

Abstract

本发明涉及一种基于无人机的江河鱼类资源量统计方法及系统，包括：利用无人机和无人船获得待统计河流的水深数据；根据待统计河流的宽度数据、长度数据和水深数据获得待统计河流上游断面和下游断面之间的水体体量；从待统计河流的上游断面和下游断面之间选择N个断面；获得各断面两侧设定范围内水下图像数据；根据各断面两侧设定范围内水下图像数据，采用图像识别算法统计各断面两侧设定范围的鱼的种类和数量；根据各断面两侧设定范围的鱼的种类和数量，获得设定范围内鱼的种类的平均值和数量的平均值；根据水体体量与设定范围内鱼的种类的平均值和数量的平均值，获得待统计河流中鱼的种类和数量。本发明提高了统计效率和精度。

Description

一种基于无人机的江河鱼类资源量统计方法及系统
技术领域
本发明涉及鱼类资源统计技术领域，特别是涉及一种基于无人机的江河鱼类资源量统计方法及系统。
背景技术
早期江河的鱼类资源数量统计主要依靠人工操作，通过将某段江河水体划分为几个断面，采用渔网将几个断面鱼类分别捕捞上岸，统计出本次打捞的鱼类数量和种类组成，进而通过估算江河水量，估算出某段江河水体中的鱼类资源量。其中传统的江河水量计算方法有等高线法、断面法和方格网法等，目前使用较多的是基于不规则三角网的水体体量计算方法。江河的地形数据主要包括水下地形数据和水上地形数据，水下地形数据主要通过水下地形测量获得，水上地形测量主要通过人工测量获得。传统的鱼类资源量计算方法过度依赖人工操作，工作量大、断面捕捞随机性强，样本量低，准确度低，且实施困难，已经无法满足大规模开展流域鱼类资源量估算的效率和精度要求。
发明内容
本发明的目的是提供一种基于无人机的江河鱼类资源量统计方法及系统，提高了统计效率和精度。
为实现上述目的，本发明提供了如下方案：
一种基于无人机的江河鱼类资源量统计方法，包括：
利用无人机获得待统计河流水面的高程数据；
利用无人船获得待统计河流的河床底部的高程数据；
根据所述待统计河流水面的高程数据与所述待统计河流对应的河床底部的高程数据确定待统计河流的水深数据；
根据所述待统计河流的宽度数据、长度数据和水深数据获得所述待统计河流上游断面和下游断面之间的水体体量；
从所述待统计河流的上游断面和下游断面之间选择N个断面；
获得各所述断面两侧设定范围内水下图像数据；
根据各所述断面两侧设定范围内水下图像数据，采用图像识别算法统计各所述断面两侧设定范围的鱼的种类和数量；
根据各所述断面两侧设定范围的鱼的种类和数量，获得所述设定范围内鱼的种类的平均值和数量的平均值；
根据所述水体体量与所述设定范围内鱼的种类的平均值和数量的平均值，获得所述待统计河流中鱼的种类和数量。
可选地，所述利用无人机获得待统计河流水面的高程数据，具体包括：
利用无人机的倾斜摄影技术获得待统计河流水面的高程数据。
可选地，所述根据所述待统计河流的宽度数据、长度数据和水深数据获得所述待统计河流上游断面和下游断面之间的水体体量，具体包括：
将所述待统计河流的单位长度乘以该单位长度对应的所述待统计河流的宽度，获得该宽度下的所述待统计河流的单位表面积；
将所述单位表面积乘以待统计河流的单位水深获得该宽度下的单位体积；
基于所述单位体积，分别对待统计河流的长度和水深进行积分获得所述待统计河流上游断面和下游断面之间的水体体量。
可选地，所述图像识别算法是YOLOv5网络模型。
可选地，所述获得各所述断面两侧设定范围内水下图像数据，具体包括：
通过水下无人机获得各所述断面两侧设定范围内的水下图像数据。
本发明还公开了一种基于无人机的江河鱼类资源量统计系统，包括：
河流水面的高程数据获得模块，用于利用无人机获得待统计河流水面的高程数据；
河床底部的高程数据获得模块，用于利用无人船获得待统计河流的河床底部的高程数据；
河流水深数据获得模块，用于根据所述待统计河流水面的高程数据与所述待统计河流对应的河床底部的高程数据确定待统计河流的水深数据；
水体体量获得模块，用于根据所述待统计河流的宽度数据、长度数据和水深数据获得所述待统计河流上游断面和下游断面之间的水体体量；
断面选择模块，用于从所述待统计河流的上游断面和下游断面之间选择N个断面；
水下图像数据获得模块，用于获得各所述断面两侧设定范围内水下图像数据；
图像识别模块，用于根据各所述断面两侧设定范围内水下图像数据，采用图像识别算法统计各所述断面两侧设定范围的鱼的种类和数量；
平均值获得模块，用于根据各所述断面两侧设定范围的鱼的种类和数量，获得所述设定范围内鱼的种类的平均值和数量的平均值；
鱼的种类和数量获得模块，用于根据所述水体体量与所述设定范围内鱼的种类的平均值和数量的平均值，获得所述待统计河流中鱼的种类和数量。
可选地，所述河流水面的高程数据获得模块，具体包括：
水面的高程数据获得单元，用于利用无人机的倾斜摄影技术获得待统计河流水面的高程数据。
可选地，所述水体体量获得模块，具体包括：
单位表面积获得单元，用于将所述待统计河流的单位长度乘以该单位长度对应的所述待统计河流的宽度，获得该宽度下的所述待统计河流的单位表面积；
单位体积获得单元，用于将所述单位表面积乘以待统计河流的单位水深获得该宽度下的单位体积；
水体体量获得单元，基于所述单位体积，分别对待统计河流的长度和水深进行积分获得所述待统计河流上游断面和下游断面之间的水体体量。
可选地，所述图像识别算法是YOLOv5网络模型。
可选地，所述水下图像数据获得模块，具体包括：
水下图像数据获得单元，用于通过水下无人机获得各所述断面设定范围内的水下图像数据。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明通过无人机和无人船测量待统计河流水面和河流底部的高程数据，克服了传统人工测量困难且测量范围不全面的问题，通过水下无人机获得水下鱼类图像，并用图像识别算法对鱼的种类和数量进行统计，提高了江河鱼类资源量统计效率和精度，另外通过获得水下鱼类图像对鱼类的种类和数量进行统计，可以避免人工捕捞对鱼类造成的伤害，以更生态环保的方式解决了一定范围内的水域的鱼类资源量调查问题，且实施便捷、效率高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于无人机的江河鱼类资源量统计方法流程示意图；
图2为本发明河流上、下游断面之间的水体体量的计算流程示意图；
图3为本发明实施例基于无人机的江河鱼类资源量统计方法流程示意图；
图4为本发明一种基于无人机的江河鱼类资源量统计系统结构示意图；
图5为本发明YOLOv5网络模型中detect模块修改后识别鱼的种类和统计鱼的数量示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于无人机的江河鱼类资源量统计方法及系统，提高了统计效率和精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明一种基于无人机的江河鱼类资源量统计方法流程示意图，如图1所示，一种基于无人机的江河鱼类资源量统计方法包括以下步骤：
步骤101：利用无人机获得待统计河流水面的高程数据。
根据获取的待统计河流水面的影像数据确定待统计河流水面的高程数据。
所述利用无人机获得待统计河流水面的高程数据，具体包括：
利用无人机的倾斜摄影技术获得待统计河流水面的高程数据。
步骤102：利用无人船获得待统计河流的河床底部的高程数据。
步骤103：根据所述待统计河流水面的高程数据与所述待统计河流对应的河床底部的高程数据确定待统计河流的水深数据。
步骤104：根据所述待统计河流的宽度数据、长度数据和水深数据获得所述待统计河流上游断面和下游断面之间的水体体量。
根据所述待统计河流的宽度数据、长度数据和水深数据获得所述待统计河流上游断面和下游断面之间的水体体量，具体包括：
将所述待统计河流的单位长度乘以该单位长度对应的所述待统计河流的宽度，获得该宽度下的所述待统计河流的单位表面积；
将所述单位表面积乘以待统计河流的单位水深获得该宽度下的单位体积，
基于所述单位体积，分别对待统计河流的长度和水深进行积分获得所述待统计河流上游断面和下游断面之间的水体体量。
步骤105：从所述待统计河流的上游断面和下游断面之间选择N个断面；
步骤106：获得各所述断面两侧设定范围内水下图像数据。
所述获得各所述断面两侧设定范围内水下图像数据，具体包括：
通过水下无人机获得各所述断面两侧各一米宽度范围内的水下图像数据。水下无人机采用双目摄像头，双目摄像头分别位于待统计河流的上下游方向的两侧，双目摄像头能够拍摄上下游方向的两侧各1米范围内的水下图像，水下无人机对河流的断面按照设定的路径进行巡查，获取各断面两侧宽度各1米的水下图像数据。
步骤107：根据各所述断面两侧设定范围内水下图像数据，采用图像识别算法统计各所述断面两侧设定范围的鱼的种类和数量。
所述图像识别算法是YOLOv5网络模型，即通过YOLOv5网络模型识别水下图像中鱼的种类和数量。
YOLOv5网络模型的训练过程为：首先在江河中大量收集目标鱼类的图片，对图片使用LabelImg进行标注，而后输入YOLOv5网络模型进行训练，具体包括：将进行标注后的图片输入到Focus网络结构和CSP网络结构进行特征提取，经过Focus网络结构和CSP网络结构输出3个特征图，3个特征图进入到SPP网络结构和PANet网络结构进行特征增强，随后到Yolo Head对图像进行预测，回归损失采用Giou回归损失，损失随着训练次数的增多而不断下降，当训练结束，即可得到江河目标鱼类的模型权重。
在YOLOv5的detect检测模块中修改网络代码，添加鱼类计数模块，最后只需将需要识别、计数的江河鱼类图片输入到加载了自己目标鱼类模型权重的YOLOv5网络模型中来，最后输出图片中鱼的种类和数量，如图5所示，识别结果为：鱼的种类为“Huanglading”，数量为3，鱼的总数与3。利用训练好的YOLOv5网络模型进行鱼的种类和数量的统计。
步骤108：根据各所述断面两侧设定范围的鱼的种类和数量，获得所述设定范围内鱼的种类的平均值和数量的平均值。
步骤109：根据所述水体体量与所述设定范围内鱼的种类的平均值和数量的平均值，获得所述待统计河流中鱼的种类和数量。
下面详细说明本发明一种基于无人机的江河鱼类资源量统计方法。
河流上、下游断面的水体体量的计算过程如图2所示：
(1)用无人机获取河流水面的高程数据，设计好无人机飞行的航线，选择质量好的数据作为航摄数据，用无人机的倾斜摄影技术经过计算获得河流水面的高程数据。
(2)用无人船获取河流底部的高程数据，无人船包括声波测深设备和微型无人船系统，通过声波测深设备与微型无人船系统集成，实现水下地形自动勘探功能，水下地形数据的处理需要结合测深仪电子图像数据，对所有河流底部的高程数据进行校对，以剔除或修正异常水深点。
(3)河流底部的高程数据与河流水面的高程数据之差即为水深数据，河流的宽度乘以河流的单位长度即可得出该宽度下的河流单位表面积，河流单位表面积乘以河流的单位水深即可得出河流在该宽度下的单位体积，分别对河流长度与水深进行积分即可得出河流上游断面和下游断面之间的水体体量。
用水下无人机对一定范围内的鱼类资源做统计，其过程如图3所示：
(1)选择河流的一个断面作为巡查的起始断面，水下无人机采用双目摄像头，双目摄像头分别位于水下无人机的上下游方向的两侧，双目摄像头可以拍摄清楚左右各1米范围内的水下图像，水下无人机对河流的断面按照设定的路径进行全方位的巡查，获取该断面下左右宽度各1米的水下图像数据。
(2)水下无人机返回岸上后，读取存储卡内拍摄的图像，对拍摄的水下图像数据用YOLOv5网络模型的图像识别算法进行鱼的种类识别与数量统计，得出该断面左右各1米的水域内的鱼类种类及数量。
(3)更换河流断面的地点，对该断面下左右各1米的水域内进行巡检，获取水下图像，并如上述步骤对水下图像的数据进行识别。
(4)共选择10个不同的断面，对各断面的水下图像进行识别，统计出各断面下水域的鱼类资源种类与数量。
(5)对上述的10个断面下的鱼类的种类与数量进行均值化处理，得出各断面下的鱼类种类与数量的平均值。
(6)计算出各断面左右各1米的水量的平均值，利用上述计算出的河流的水体体量，可以得出该河流范围内鱼类的种类与数量，有效完成对该河流的鱼类资源的种类与数量的估算。
本发明将无人机和无人船应用于江河地形测量，可以很好地解决江河的区域面积广、环境复杂等造成的测量实施困难、测量范围不全面等问题。
利用水下无人机获取水下鱼类图像，并用图像识别算法对鱼类的数量进行统计，可以避免打捞对鱼类造成的伤害，以更生态环保的方式解决了一定范围内的水域的鱼类资源数量问题，且实施便捷、效率高。
图4为本发明一种基于无人机的江河鱼类资源量统计系统结构示意图，如图4所示，一种基于无人机的江河鱼类资源量统计系统，包括：
河流水面的高程数据获得模块201，用于利用无人机获得待统计河流水面的高程数据；
河床底部的高程数据获得模块202，用于利用无人船获得待统计河流的河床底部的高程数据；
河流水深数据获得模块203，用于根据所述待统计河流水面的高程数据与所述待统计河流对应的河床底部的高程数据确定待统计河流的水深数据；
水体体量获得模块204，用于根据所述待统计河流的宽度数据、长度数据和水深数据获得所述待统计河流上游断面和下游断面之间的水体体量；
断面选择模块205，用于从所述待统计河流的上游断面和下游断面之间选择N个断面；
水下图像数据获得模块206，用于获得各所述断面两侧设定范围内水下图像数据；
图像识别模块207，用于根据各所述断面两侧设定范围内水下图像数据，采用图像识别算法统计各所述断面两侧设定范围的鱼的种类和数量；
平均值获得模块208，用于根据各所述断面两侧设定范围的鱼的种类和数量，获得所述设定范围内鱼的种类的平均值和数量的平均值；
鱼的种类和数量获得模块209，用于根据所述水体体量与所述设定范围内鱼的种类的平均值和数量的平均值，获得所述待统计河流中鱼的种类和数量。
根据获取的待统计河流水面的影像数据确定待统计河流水面的高程数据。
所述河流水面的高程数据获得模块201，具体包括：
水面的高程数据获得单元，用于利用无人机的倾斜摄影技术获得待统计河流水面的高程数据。
所述图像识别算法是YOLOv5网络模型。
所述水体体量获得模块204，具体包括：
单位表面积获得单元，用于将所述待统计河流的单位长度乘以该单位长度对应的所述待统计河流的宽度，获得该宽度下的所述待统计河流的单位表面积；
单位体积获得单元，用于将所述单位表面积乘以待统计河流的单位水深获得该宽度下的单位体积；
水体体量获得单元，基于所述单位体积，分别对待统计河流的长度和水深进行积分获得所述待统计河流上游断面和下游断面之间的水体体量。
所述水下图像数据获得模块206，具体包括：
水下图像数据获得单元，用于通过水下无人机获得各所述断面两侧各一米宽度范围内的水下图像数据。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于无人机的江河鱼类资源量统计方法，其特征在于，包括：
利用无人机获得待统计河流水面的高程数据；
利用无人船获得待统计河流的河床底部的高程数据；
根据所述待统计河流水面的高程数据与所述待统计河流对应的河床底部的高程数据确定待统计河流的水深数据；
根据所述待统计河流的宽度数据、长度数据和水深数据获得所述待统计河流上游断面和下游断面之间的水体体量；
从所述待统计河流的上游断面和下游断面之间选择N个断面；
获得各所述断面两侧设定范围内水下图像数据；
根据各所述断面两侧设定范围内水下图像数据，采用图像识别算法统计各所述断面两侧设定范围的鱼的种类和数量；所述图像识别算法是YOLOv5网络模型；YOLOv5网络模型的训练过程为：首先在江河中大量收集目标鱼类的图片，对图片使用LabelImg进行标注，而后输入YOLOv5网络模型进行训练，具体包括：将进行标注后的图片输入到Focus网络结构和CSP网络结构进行特征提取，经过Focus网络结构和CSP网络结构输出3个特征图，3个特征图进入到SPP网络结构和PANet网络结构进行特征增强，随后到Yolo Head对图像进行预测，回归损失采用Giou回归损失，损失随着训练次数的增多而不断下降，当训练结束，即可得到江河目标鱼类的模型权重；在YOLOv5的detect检测模块中修改网络代码，添加鱼类计数模块，最后只需将需要识别、计数的江河鱼类图片输入到加载了江河目标鱼类的模型权重的YOLOv5网络模型中来，最后输出图片中鱼的种类和数量；利用训练好的YOLOv5网络模型进行鱼的种类和数量的统计；
根据各所述断面两侧设定范围的鱼的种类和数量，获得所述设定范围内鱼的种类的平均值和数量的平均值；
根据所述水体体量与所述设定范围内鱼的种类的平均值和数量的平均值，获得所述待统计河流中鱼的种类和数量。
2.根据权利要求1所述的基于无人机的江河鱼类资源量统计方法，其特征在于，所述利用无人机获得待统计河流水面的高程数据，具体包括：
利用无人机的倾斜摄影技术获得待统计河流水面的高程数据。
3.根据权利要求1所述的基于无人机的江河鱼类资源量统计方法，其特征在于，所述根据所述待统计河流的宽度数据、长度数据和水深数据获得所述待统计河流上游断面和下游断面之间的水体体量，具体包括：
将所述待统计河流的单位长度乘以该单位长度对应的所述待统计河流的宽度，获得该宽度下的所述待统计河流的单位表面积；
将所述单位表面积乘以待统计河流的单位水深获得该宽度下的单位体积；
基于所述单位体积，分别对待统计河流的长度和水深进行积分获得所述待统计河流上游断面和下游断面之间的水体体量。
4.根据权利要求1所述的基于无人机的江河鱼类资源量统计方法，其特征在于，所述获得各所述断面两侧设定范围内水下图像数据，具体包括：
通过水下无人机获得各所述断面两侧设定范围内的水下图像数据。
5.一种基于无人机的江河鱼类资源量统计系统，其特征在于，包括：
河流水面的高程数据获得模块，用于利用无人机获得待统计河流水面的高程数据；
河床底部的高程数据获得模块，用于利用无人船获得待统计河流的河床底部的高程数据；
河流水深数据获得模块，用于根据所述待统计河流水面的高程数据与所述待统计河流对应的河床底部的高程数据确定待统计河流的水深数据；
水体体量获得模块，用于根据所述待统计河流的宽度数据、长度数据和水深数据获得所述待统计河流上游断面和下游断面之间的水体体量；
断面选择模块，用于从所述待统计河流的上游断面和下游断面之间选择N个断面；
水下图像数据获得模块，用于获得各所述断面两侧设定范围内水下图像数据；
图像识别模块，用于根据各所述断面两侧设定范围内水下图像数据，采用图像识别算法统计各所述断面两侧设定范围的鱼的种类和数量；所述图像识别算法是YOLOv5网络模型；YOLOv5网络模型的训练过程为：首先在江河中大量收集目标鱼类的图片，对图片使用LabelImg进行标注，而后输入YOLOv5网络模型进行训练，具体包括：将进行标注后的图片输入到Focus网络结构和CSP网络结构进行特征提取，经过Focus网络结构和CSP网络结构输出3个特征图，3个特征图进入到SPP网络结构和PANet网络结构进行特征增强，随后到YoloHead对图像进行预测，回归损失采用Giou回归损失，损失随着训练次数的增多而不断下降，当训练结束，即可得到江河目标鱼类的模型权重；在YOLOv5的detect检测模块中修改网络代码，添加鱼类计数模块，最后只需将需要识别、计数的江河鱼类图片输入到加载了江河目标鱼类的模型权重的YOLOv5网络模型中来，最后输出图片中鱼的种类和数量；利用训练好的YOLOv5网络模型进行鱼的种类和数量的统计；
平均值获得模块，用于根据各所述断面两侧设定范围的鱼的种类和数量，获得所述设定范围内鱼的种类的平均值和数量的平均值；
鱼的种类和数量获得模块，用于根据所述水体体量与所述设定范围内鱼的种类的平均值和数量的平均值，获得所述待统计河流中鱼的种类和数量。
6.根据权利要求5所述的基于无人机的江河鱼类资源量统计系统，其特征在于，所述河流水面的高程数据获得模块，具体包括：
水面的高程数据获得单元，用于利用无人机的倾斜摄影技术获得待统计河流水面的高程数据。
7.根据权利要求5所述的基于无人机的江河鱼类资源量统计系统，其特征在于，所述水体体量获得模块，具体包括：
单位表面积获得单元，用于将所述待统计河流的单位长度乘以该单位长度对应的所述待统计河流的宽度，获得该宽度下的所述待统计河流的单位表面积；
单位体积获得单元，用于将所述单位表面积乘以待统计河流的单位水深获得该宽度下的单位体积；
水体体量获得单元，基于所述单位体积，分别对待统计河流的长度和水深进行积分获得所述待统计河流上游断面和下游断面之间的水体体量。
8.根据权利要求5所述的基于无人机的江河鱼类资源量统计系统，其特征在于，所述水下图像数据获得模块，具体包括：
水下图像数据获得单元，用于通过水下无人机获得各所述断面两侧各一米宽度范围内的水下图像数据。
CN202110551735.3A 2021-05-20 2021-05-20 一种基于无人机的江河鱼类资源量统计方法及系统 Active CN113269078B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110551735.3A CN113269078B (zh) 2021-05-20 2021-05-20 一种基于无人机的江河鱼类资源量统计方法及系统
NL2029191A NL2029191B1 (en) 2021-05-20 2021-09-16 Autonomous underwater vehicle -based method and system for counting fish resources in river

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110551735.3A CN113269078B (zh) 2021-05-20 2021-05-20 一种基于无人机的江河鱼类资源量统计方法及系统

Publications (2)

Publication Number Publication Date
CN113269078A CN113269078A (zh) 2021-08-17
CN113269078B true CN113269078B (zh) 2022-04-19

Family

ID=77232073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110551735.3A Active CN113269078B (zh) 2021-05-20 2021-05-20 一种基于无人机的江河鱼类资源量统计方法及系统

Country Status (2)

Country Link
CN (1) CN113269078B (zh)
NL (1) NL2029191B1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542405B (zh) * 2023-07-07 2024-01-23 中国水产科学研究院南海水产研究所 一种基于图像处理的蓝圆鯵资源分布预测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523612A (zh) * 2020-05-07 2020-08-11 桂林电子科技大学 一种深海鱼类图像分类识别方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10760233B2 (en) * 2010-04-23 2020-09-01 French Development Enterprises, LLC Precast dam structure with flowpath
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
CN108229831A (zh) * 2018-01-11 2018-06-29 中国水产科学研究院珠江水产研究所 一种基于断面控制评估河流仔鱼资源量的方法
CN108645456B (zh) * 2018-02-09 2020-11-03 中国水利水电科学研究院 一种山区河流流量监测定量反演方法
RU2716418C1 (ru) * 2019-07-11 2020-03-11 Общество с ограниченной ответственностью "Конструкторское бюро морской электроники "Вектор" (ООО КБМЭ "Вектор") Устройство для подсчета рыбы
CN110779498B (zh) * 2019-09-19 2021-05-11 中国科学院测量与地球物理研究所 基于无人机多视点摄影的浅水河流水深测绘方法及系统
CN111008794B (zh) * 2019-12-31 2023-04-07 中国水产科学研究院黑龙江水产研究所 一种江河湖库大型水域草上产卵鱼类产卵场多维度一站式调查方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523612A (zh) * 2020-05-07 2020-08-11 桂林电子科技大学 一种深海鱼类图像分类识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Safety Helmet Detection Based on YOLOv5;Fangbo Zhou et al;《2021 IEEE Intetnatinal Conference on Power Electronics,Computer Applications》;20210124;1-10 *

Also Published As

Publication number Publication date
CN113269078A (zh) 2021-08-17
NL2029191B1 (en) 2022-12-06

Similar Documents

Publication Publication Date Title
CN109460754B (zh) 一种水面异物检测方法、装置、设备及存储介质
CN114049477B (zh) 一种过鱼鱼道系统、鱼类数量和种类的动态识别跟踪方法
CN108427824B (zh) 一种利用船位数据提取刺网网长与角度的方法
CN110276264A (zh) 一种基于前景分割图的人群密度估计方法
CN110796048A (zh) 一种基于深度神经网络的船舰目标实时检测方法
CN109376589A (zh) 基于卷积核筛选ssd网络的rov形变目标与小目标识别方法
CN107730526A (zh) 一种鱼群数量的统计方法
CN113269078B (zh) 一种基于无人机的江河鱼类资源量统计方法及系统
CN113591592B (zh) 水上目标识别方法、装置、终端设备及存储介质
CN112487900B (zh) 一种基于特征融合的sar图像舰船目标检测方法
CN109165603B (zh) 一种舰船检测方法及装置
Liao et al. Research on intelligent damage detection of far-sea cage based on machine vision and deep learning
CN112418124A (zh) 基于视频图像的鱼类智能监测方法
Lee et al. Contour matching for fish species recognition and migration monitoring
CN113487600A (zh) 一种特征增强尺度自适应感知船舶检测方法
CN113204990B (zh) 基于智能鱼竿的机器学习方法与装置
CN113569720B (zh) 一种舰船检测方法、系统及装置
CN107330440A (zh) 基于图像识别的海洋状态计算方法
CN113484867A (zh) 一种基于成像声呐封闭空间下鱼群密度探测方法
Biggs et al. Population density of gelatinous macrozooplankton: in situ estimation in oceanic surface waters
CN109410248A (zh) 一种基于r-K算法的浮选泡沫运动特征提取方法
CN110135382A (zh) 一种人体检测方法和装置
CN114782875B (zh) 一种基于鱼道构建的鱼类细粒度信息获取方法
CN115147392A (zh) 一种基于改进YOLOv4的煤矸石检测方法和装置
CN115170535A (zh) 一种基于图像识别的水电工程鱼道过鱼计数方法和系统

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