CN113822233B - 一种深海养殖异常鱼类跟踪方法及系统 - Google Patents

一种深海养殖异常鱼类跟踪方法及系统 Download PDF

Info

Publication number
CN113822233B
CN113822233B CN202111381618.3A CN202111381618A CN113822233B CN 113822233 B CN113822233 B CN 113822233B CN 202111381618 A CN202111381618 A CN 202111381618A CN 113822233 B CN113822233 B CN 113822233B
Authority
CN
China
Prior art keywords
fish
fishes
abnormal
water quality
grid
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
CN202111381618.3A
Other languages
English (en)
Other versions
CN113822233A (zh
Inventor
赵奎
贺保卫
崔海朋
马志宇
沈炜皓
赵巍
李志荣
陆文超
张兴凤
刘志刚
姜英昌
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.)
Qingdao Jari Industry Control Technology Co ltd
Original Assignee
Qingdao Jari Industry Control Technology Co ltd
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 Qingdao Jari Industry Control Technology Co ltd filed Critical Qingdao Jari Industry Control Technology Co ltd
Priority to CN202111381618.3A priority Critical patent/CN113822233B/zh
Publication of CN113822233A publication Critical patent/CN113822233A/zh
Application granted granted Critical
Publication of CN113822233B publication Critical patent/CN113822233B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
  • Farming Of Fish And Shellfish (AREA)

Abstract

本发明公开了一种深海养殖异常鱼类跟踪方法及系统，包括利用改进的AlexNet模型进行鱼类识别、搭建基于改进的FAST角点特征提取模型；将训练后的鱼类图像识别知识图谱移植到优化的FAST角点特征提取模型中，建立网箱水体物理模型与数值模拟模型，生成粗化网格；对粗话网格进行局部多级加密，以网箱中心为原点，对声呐图像中异常鱼类进行坐标标定，并根据时序进行输出，形成异常鱼类空间坐标轨迹。其优点在于，本发明克服单一传感器识别范围小，精度低等问题，获得鱼类个体行为的精确识别，该方法检测识别速度快，精确度高，且收敛速度快，大幅度降低了误检率，保证了正确率。

Description

一种深海养殖异常鱼类跟踪方法及系统
技术领域
本发明涉及一种海洋生物行为识别分析领域，具体涉及一种深海养殖异常鱼类跟踪系统与方法。
背景技术
中国在2002—2016年期间一直是世界上最大的鱼类和鱼类产品出口国，但随着近年来国外发达国家智能化、信息化的渔业生产模式逐渐开展，挪威等欧盟国家和地区成为领先的鱼类和鱼类产品市场，而中国目前仍处于从传统养殖向现代化养殖的过渡阶段，智能化建设尚不完善。
当前研究人员多通过机器视觉工具，侦测和解读微妙的鱼类行为，可以长时间关注和监控数千只个别鱼只，并且搜集、记录鱼类各类行为，或利用声呐回波探测的方法，得到鱼群的密度和大小信息，方便养殖人员了解鱼群状态，但这些手段依然存在鱼类轨迹跟踪效果差、个体识别精度低、单体疫病难以识别等问题。
发明内容
为了进一步研究解决上述问题，本发明提供了一种深海养殖异常鱼类跟踪系统与方法，本发明基于多源数据融合，利用声呐与视频结合的方法，通过视频进行鱼类识别，结合水质参数划分网格，通过声呐信号获取异常鱼类轨迹，克服单一传感器识别范围小，精度低等问题，获得鱼类个体行为的精确识别，该方法检测识别速度快，精确度高，且收敛速度快，大幅度降低了误检率，保证了正确率。技术方案为，
一种基于多源数据融合的鱼类自适应跟踪系统与方法，包括以下步骤：
S1.利用基于改进的AlexNet模型进行鱼类识别，获取异常鱼类信息，利用输出结果搭建对比层；
S2.搭建基于改进的FAST角点特征提取模型，并建立基于点阵的空间注意力机制，将其添加到卷积层之间；
S3.将训练后的鱼类图像识别知识图谱移植到优化的FAST角点特征提取模型中，从声呐中识别异常鱼类信息；
S4.利用水质信息，建立网箱水体物理模型与数值模拟模型，生成粗化网格；
S5.利用鱼类对水质的敏感关系，对粗化网格进行局部多级加密，形成非结构单元网格；
S6.以网箱中心为原点，对声呐图像中异常鱼类进行坐标标定，并根据时序进行输出，形成异常鱼类空间坐标轨迹；
S7.输出异常鱼类轨迹跟踪结果。
进一步的，所述S2中，搭建基于改进的FAST角点特征提取模型的具体步骤包括，
S21.根据异常鱼类信息，选取异常鱼类中任一点为初始点，建立相应函数：
Figure GDA0003465948720000021
其中，p表示选定初始点，I(p)表示初始点的图像灰度值，I(x)表示圆周上任意一点的图像灰度值，εd为极小阈值。
通过上式，可以计算出满足要求的像素点个数N，当N大于一个给定阈值时，就可以确定满足上述公式的P点为特征点。
S22.为提高精度，并减少人为干预，通过自适应算法确定εd，其计算公式为：
Figure GDA0003465948720000022
其中，a为比例系数，n是遍历次数。
S23.引入空间注意力机制，建立STN网络，生成图像仿射变换系数，即比例系数a。
进一步的，采用模型靶向迁移算法将声呐图像移植到改进的FAST角点特征提取模型，输出声呐显示下异常鱼类识别结果。
进一步的，利用水质信息，建立网箱水体物理模型与数值模拟模型，生成粗化网格的步骤如下：
S41.利用水质传感器获取网箱水质参数，包括含氧量、氨氮浓度、洋流流向与流速，结合网箱尺寸及网箱所在水域的温跃层信息等，建立网箱所在水域的物理模型及相应的数值模型；
S42.采用区域分解法生成并优化网格，使得每个网格具有完善的水质信息；
进一步的，步骤S5中，根据水质对养殖鱼类的影响，确定鱼类最适宜的参数，并根据水质对养殖鱼类的影响信息，对粗化网格进行横向及纵向的加密；
纵向网格加密区域为网箱垂直在的区域，边界为该鱼类最适宜的水质参数阈值；
横向网格加密区域为网箱水平所在区域；
加密依据：平面网格主方向应该与海流的平面延伸方向尽可能一直，尽量保证网格的正交性和一致性，使网格方向保持与模拟区域一致。网格的尺度是根据水质和鱼类对水质的响应因素决定。
进一步的，将划分的网格导入声呐识别图像，并以网箱中心位置为原点，对异常鱼类位置进行标定，其轨迹为：
T＝(xit，yit，zit)
其中，xit，yit，zit为异常鱼类在三个方向上的坐标。
本发明还提供一种深海养殖异常鱼类跟踪系统，包括鱼类识别处理单元，声呐图像处理单元，水质数据处理单元，多源数据融合单元，数据分析单元，结果输出单元；
鱼类识别处理单元获取水下视频流数据，通过改进的AlexNet模型，得到鱼类视频图像识别信息，并传递给多源数据融合单元；
声呐图像处理单元获取水下声呐图像数据，通过算法进行滤波，得到水下声呐图像数据滤波后的信息，并传递给多源数据融合单元；
水质数据处理单元获取多参数水质监测仪数据，通过数据解析、分类算法，得到网箱水质监测信息，获取鱼类最适宜的生长环境，划分鱼类行为的非均匀网格，并传递给多源数据融合单元；
多源数据融合单元接收鱼类识别处理单元、声呐图像处理单元、水质数据处理单元的信息，对其进行融合处理，标定，校正，并将处理后的图像与文本传递给数据分析单元；
数据分析单元将经过多源数据融合单元处理后的图像与文本进行分析，通过卷积神经网络获取鱼类跟踪轨迹、行为识别结果；
结果输出单元将数据分析单元形成的鱼类跟踪轨迹，鱼类识别结果进行输出，并在网箱中心显控室进行显示。
有益效果
本发明提出的深海养殖异常鱼类方法在传统鱼类识别基础上结合了声呐、水质数据，并将网箱进行网格划分，相较于传统鱼类跟踪方法更为直接有效，鱼类轨迹跟踪更加精准，同时具有良好的商业化应用前景。
附图说明
图1为本发明的一种深海养殖异常鱼类跟踪方法流程图。
图2为本发明的系统构架。
图3为本申请效果图。
图4为本申请的非均匀网格示意图。
其中1-fish1的活动轨迹，2-fish2的活动轨迹,3-fish3的活动轨迹。
具体实施方式
一种深海养殖异常鱼类跟踪方法，包括以下步骤：
S1.利用基于改进的AlexNet模型进行鱼类识别(参考现有技术202110582710X，一种基于改进AlexNet的鱼类行为图像识别方法)，获取异常鱼类信息，利用输出结果搭建对比层；
S2.搭建基于改进的FAST角点特征提取模型，并建立基于点阵的空间注意力机制，将其添加到卷积层之间；
所述S2中，搭建基于改进的FAST角点特征提取模型的具体步骤包括，
采用模型靶向迁移算法将声呐图像移植到改进的FAST角点特征提取模型，输出声呐先试下异常鱼类识别结果。
S21.根据异常鱼类信息，选取异常鱼类中任一点为初始点，建立相应函数：
Figure GDA0003465948720000041
其中，p表示选定初始点，I(p)表示初始点的图像灰度值，I(x)表示圆周上任意一点的图像灰度值，εd为给定的极小阈值。
通过上式，可以计算出满足要求的像素点个数N，当N大于一个给定阈值时，就可以确定满足上述公式的P点为特征点。
S22.为提高精度，并减少人为干预，通过自适应算法确定εd，其计算公式为：
Figure GDA0003465948720000042
其中，a为比例系数，n为遍历次数。
S23.引入空间注意力机制，建立STN网络，生成图像仿射变换系数，即比例系数a。
S3.将训练后的鱼类图像识别知识图谱移植到优化的FAST角点特征提取模型中，从声呐中识别异常鱼类信息；
S4.利用水质信息，建立网箱水体物理模型与数值模拟模型，生成粗化网格；
S41.利用水质传感器获取网箱水质参数，包括含氧量、氨氮浓度、洋流流向与流速，结合网箱尺寸及网箱所在水域的温跃层信息等，建立网箱所在水域的物理模型及相应的数值模型；
S42.采用区域分解法生成并优化网格，使得每个网格具有完善的水质信息；
S5.利用鱼类对水质的敏感关系，对粗话网格进行局部多级加密，形成非结构单元网格；
根据水质对养殖鱼类的影响，确定鱼类最适宜的参数，并根据水质对养殖鱼类的影响信息，对粗化网格进行横向及纵向的加密；
纵向网格加密区域为网箱垂直在的区域，边界为该鱼类最适宜的水质参数阈值；
横向网格加密区域为网箱水平所在区域；
加密依据：平面网格主方向应该与海流的平面延伸方向尽可能一直，尽量保证网格的正交性和一致性，使网格方向保持与模拟区域一致。网格的尺度是根据水质和鱼类对水质的响应因素决定。图4所示，对网格沿海流方向加密，由于鱼类对水质环境的响应，异常鱼类活动范围基本包含在网格密集处，从而减少计算机处理量，加快计算速度，并提高异常鱼类轨迹跟踪的精度。
将划分的网格导入声呐识别图像，并以网箱中心位置为原点，对异常鱼类位置进行标定，其轨迹为：
T＝(xit，yit，zit)
其中，xit，yit，zit为异常鱼类在三个方向上的坐标。
S6.以网箱中心为原点，对声呐图像中异常鱼类进行坐标标定，并根据时序进行输出，形成异常鱼类空间坐标轨迹；
S7.输出异常鱼类轨迹跟踪结果。图3所示，得到三条异常鱼类一小时内的行为轨迹(fish1、fish2、fish3)，系统通过将各个网格的中心点连接，就形成了各异常鱼类的轨迹跟踪结果，由于活动范围内网格密集，使得轨迹跟踪更加精确。
图2所示，本发明还提供一种深海养殖异常鱼类跟踪系统，包括鱼类识别处理单元，声呐图像处理单元，水质数据处理单元，多源数据融合单元，数据分析单元，结果输出单元；
其中，鱼类识别处理单元获取水下视频流数据，通过改进的AlexNet模型，得到鱼类视频图像识别信息，并传递给多源数据融合单元。
声呐图像处理单元获取水下声呐图像数据，通过算法进行滤波，得到水下声呐图像数据滤波后的信息，并传递给多源数据融合单元；
水质数据处理单元通过获取多参数水质监测仪数据，通过数据解析、分类算法，得到网箱水质监测信息，获取鱼类最适宜的生长环境，划分鱼类行为的非均匀网格，并传递给多源数据融合单元；
多源数据融合单元接收鱼类识别处理单元、声呐图像处理单元、水质数据处理单元的信息，对其进行融合处理，标定，校正，并将处理后的图像与文本传递给数据分析单元；
数据分析单元将经过多源数据融合单元处理后的图像与文本进行分析，通过卷积神经网络获取鱼类跟踪轨迹、行为识别结果；
结果输出单元将数据分析单元形成的鱼类跟踪轨迹，鱼类识别结果进行输出，并在网箱中心显控室进行显示。
当然，上述说明并非对本技术的限制，本技术也不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也属于本技术的保护范围。

Claims (5)

1.一种深海养殖异常鱼类跟踪方法，其特征在于，包括以下步骤：
S1.利用基于改进的AlexNet模型进行鱼类识别，获取异常鱼类信息，利用输出结果搭建对比层；
S2.搭建基于改进的FAST角点特征提取模型，并建立基于点阵的空间注意力机制，将其添加到卷积层之间；
S3.将训练后的鱼类图像识别知识图谱移植到优化的FAST角点特征提取模型中，从声呐中识别异常鱼类信息；
S4.利用水质信息，建立网箱水体物理模型与数值模拟模型，生成粗化网格；
生成粗化网格的步骤如下：
S41.利用水质传感器获取网箱水质参数，包括含氧量、氨氮浓度、洋流流向与流速，结合网箱尺寸及网箱所在水域的温跃层信息，建立网箱所在水域的物理模型及相应的数值模型；
S42.采用区域分解法生成并优化网格，使得每个网格具有完善的水质信息；
S5.利用鱼类对水质的敏感关系，对粗化网格进行局部多级加密，形成非结构单元网格；
根据水质对养殖鱼类的影响，确定鱼类最适宜的参数，并根据水质对养殖鱼类的影响信息，对粗化网格进行横向及纵向的加密；
纵向网格加密区域为网箱垂直在的区域，边界为该鱼类最适宜的水质参数阈值；横向网格加密区域为网箱水平所在区域；
S6.以网箱中心为原点，对声呐图像中异常鱼类进行坐标标定，并根据时序进行输出，形成异常鱼类空间坐标轨迹；
S7.输出异常鱼类轨迹跟踪结果。
2.根据权利要求1所述的一种深海养殖异常鱼类跟踪方法，其特征在于，步骤S2中，搭建基于改进的FAST角点特征提取模型的具体步骤包括，
S21.根据异常鱼类信息，选取异常鱼类中任一点为初始点，建立相应函数N：
Figure FDA0003465948710000011
其中，p表示选定初始点，I(p)表示初始点的图像灰度值，I(x)表示圆周上任意一点的图像灰度值，εd为极小阈值；
通过上式，可以计算出满足要求的像素点个数N，当N大于一个给定阈值时，就可以确定满足上述公式的P点为特征点；
S22.通过自适应算法确定εd，其计算公式为：
Figure FDA0003465948710000012
其中，a为比例系数，n是遍历次数；
S23.引入空间注意力机制，建立STN网络，生成图像仿射变换系数，即比例系数a。
3.根据权利要求1所述的一种深海养殖异常鱼类跟踪方法，其特征在于，采用模型靶向迁移算法将声呐图像移植到改进的FAST角点特征提取模型，输出声呐显示下异常鱼类识别结果。
4.根据权利要求1所述的一种深海养殖异常鱼类跟踪方法，其特征在于，加密依据：平面网格主方向与海流的平面延伸方向保持一致，保证网格的正交性和一致性，使网格方向保持与模拟区域一致；网格的尺度是根据水质和鱼类对水质的响应因素决定；
将划分的网格导入声呐识别图像，并以网箱中心位置为原点，对异常鱼类位置进行标定，其轨迹为：
T＝(xit，yit，zit)
其中，xit，yit，zit为异常鱼类在三个方向上的坐标。
5.一种深海养殖异常鱼类跟踪系统，其特征在于，包括鱼类识别处理单元，声呐图像处理单元，水质数据处理单元，多源数据融合单元，数据分析单元，结果输出单元；
鱼类识别处理单元获取水下视频流数据，通过改进的AlexNet模型，得到鱼类视频图像识别信息，并传递给多源数据融合单元；
声呐图像处理单元获取水下声呐图像数据，通过算法进行滤波，得到水下声呐图像数据滤波后的信息，并传递给多源数据融合单元；
水质数据处理单元获取多参数水质监测仪数据，通过数据解析、分类算法，得到网箱水质监测信息，获取鱼类最适宜的生长环境，划分鱼类行为的非均匀网格，并传递给多源数据融合单元；
多源数据融合单元接收鱼类识别处理单元、声呐图像处理单元、水质数据处理单元的信息，对其进行融合处理，标定，校正，并将处理后的图像与文本传递给数据分析单元；
数据分析单元将经过多源数据融合单元处理后的图像与文本进行分析，通过卷积神经网络获取鱼类跟踪轨迹、行为识别结果；
结果输出单元将数据分析单元形成的鱼类跟踪轨迹，鱼类识别结果进行输出，并在网箱中心显控室进行显示。
CN202111381618.3A 2021-11-22 2021-11-22 一种深海养殖异常鱼类跟踪方法及系统 Active CN113822233B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111381618.3A CN113822233B (zh) 2021-11-22 2021-11-22 一种深海养殖异常鱼类跟踪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111381618.3A CN113822233B (zh) 2021-11-22 2021-11-22 一种深海养殖异常鱼类跟踪方法及系统

Publications (2)

Publication Number Publication Date
CN113822233A CN113822233A (zh) 2021-12-21
CN113822233B true CN113822233B (zh) 2022-03-22

Family

ID=78919387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111381618.3A Active CN113822233B (zh) 2021-11-22 2021-11-22 一种深海养殖异常鱼类跟踪方法及系统

Country Status (1)

Country Link
CN (1) CN113822233B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114637014B (zh) * 2022-05-17 2022-08-09 仲恺农业工程学院 一种基于水下机器人的无人渔场鱼群行为识别系统及方法
CN114943290B (zh) * 2022-05-25 2023-08-08 盐城师范学院 一种基于多源数据融合分析的生物入侵识别方法
CN115119786B (zh) * 2022-06-20 2023-04-11 青岛杰瑞工控技术有限公司 一种深海养殖平台
CN116452967B (zh) * 2023-06-16 2023-08-22 青岛励图高科信息技术有限公司 基于机器视觉的鱼游动速度识别方法
CN116821807B (zh) * 2023-08-30 2024-01-09 中国水产科学研究院南海水产研究所 一种基于机器视觉的渔获物识别与自动录取方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105572676A (zh) * 2015-12-16 2016-05-11 浙江大学 一种基于水平鱼探仪影像的围网目标鱼群追踪方法
CN111897350A (zh) * 2020-07-28 2020-11-06 谈斯聪 一种水下机器人装置、水下调控管理最优化系统及方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102368279A (zh) * 2011-10-18 2012-03-07 大连理工大学 一种深海养殖网箱群组水动力响应数值模拟方法
CN105808793B (zh) * 2014-12-29 2018-10-23 中国石油化工股份有限公司 一种基于非结构网格的水平井分段压裂数值模拟方法
CN104749334A (zh) * 2015-02-16 2015-07-01 燕山大学 基于模式识别的生物式异常水质评价系统设计方法
CN106529434B (zh) * 2016-10-25 2019-04-09 浙江工业大学 基于视觉注意力模型的鱼群个体目标跟踪方法
US10599922B2 (en) * 2018-01-25 2020-03-24 X Development Llc Fish biomass, shape, and size determination
CN110781924B (zh) * 2019-09-29 2023-02-14 哈尔滨工程大学 一种基于全卷积神经网络的侧扫声纳图像特征提取方法
CN111596296B (zh) * 2019-12-19 2023-09-15 上海大学 一种基于前视声呐图像的水下目标跟踪方法
US11475689B2 (en) * 2020-01-06 2022-10-18 X Development Llc Fish biomass, shape, size, or health determination
CN111291679B (zh) * 2020-02-06 2022-05-27 厦门大学 一种基于孪生网络的目标特定响应注意力目标跟踪方法
CN111353242B (zh) * 2020-04-26 2023-04-11 青岛杰瑞工控技术有限公司 一种可燃冰开采时甲烷监测传感器的布置方法
CN112070799A (zh) * 2020-05-29 2020-12-11 清华大学 基于人工神经网络的鱼类轨迹跟踪方法和系统
CN111666897A (zh) * 2020-06-08 2020-09-15 鲁东大学 基于卷积神经网络的斑石鲷个体识别方法
CN112560695B (zh) * 2020-12-17 2023-03-24 中国海洋大学 水下目标跟踪方法、系统、存储介质、设备、终端及应用
CN113052872B (zh) * 2021-03-12 2022-06-10 浙江大学 一种基于声呐图像的水下运动目标跟踪方法
CN113177523A (zh) * 2021-05-27 2021-07-27 青岛杰瑞工控技术有限公司 一种基于改进AlexNet的鱼类行为图像识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105572676A (zh) * 2015-12-16 2016-05-11 浙江大学 一种基于水平鱼探仪影像的围网目标鱼群追踪方法
CN111897350A (zh) * 2020-07-28 2020-11-06 谈斯聪 一种水下机器人装置、水下调控管理最优化系统及方法

Also Published As

Publication number Publication date
CN113822233A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN113822233B (zh) 一种深海养殖异常鱼类跟踪方法及系统
CN110147771A (zh) 基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统
CN108447049A (zh) 一种基于生成式对抗网络的数字化生理生物体分割方法
CN115067243A (zh) 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
CN114724022B (zh) 融合SKNet与YOLOv5的养殖鱼群检测方法、系统和介质
KR102367818B1 (ko) 저서생태 서식지 분류를 위한 딥러닝 기반 해저퇴적물 분석시스템
CN116034904B (zh) 基于轨道式巡检机器人的猪只健康监测系统及方法
CN107830891A (zh) 水产养殖水质pH值多参量数据采集装置及数据处理方法
Shadrin et al. Pervasive agriculture: Measuring and predicting plant growth using statistics and 2D/3D imaging
Anderson et al. High resolution acoustic telemetry reveals swim speeds and inferred field metabolic rates in juvenile white sharks (Carcharodon carcharias)
CN107730495A (zh) 一种基于背景建模的鱼塘缺氧检测方法
Han et al. MIX-NET: Deep learning-based point cloud processing method for segmentation and occlusion leaf restoration of seedlings
CN109886233A (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
CN111582560B (zh) 一种基于循环神经网络的水稻产量预测方法
CN116778310A (zh) 一种水产养殖的声光图像融合监控方法及系统
Newlands et al. Measurement of the size, shape and structure of Atlantic bluefin tuna schools in the open ocean
CN115471724A (zh) 一种基于自适应归一化的细粒度鱼类疫病识别融合算法
Liu et al. DIRT/3D: 3D phenotyping for maize (Zea mays) root architecture in the field
CN112001641B (zh) 一种扇贝养殖区适宜性遥感评估系统
Zhu et al. Exploring soybean flower and pod variation patterns during reproductive period based on fusion deep learning
KR101465087B1 (ko) 생물의 자취 및 행동패턴을 분석하는 방법
CN116740704B (zh) 基于深度学习的小麦叶片表型参数变化率监测方法和装置
CN117953361B (zh) 一种基于密度图的水下鱼群小目标稳健计数方法
Yu et al. Application of improved UNet and EnglightenGAN for segmentation and reconstruction of in situ roots
CN117787511B (zh) 一种工厂化高密度水产养殖监测预警方法及其系统

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