CN114494837A - 一种渔业资源的密度智能识别方法及系统 - Google Patents
一种渔业资源的密度智能识别方法及系统 Download PDFInfo
- Publication number
- CN114494837A CN114494837A CN202210008453.3A CN202210008453A CN114494837A CN 114494837 A CN114494837 A CN 114494837A CN 202210008453 A CN202210008453 A CN 202210008453A CN 114494837 A CN114494837 A CN 114494837A
- Authority
- CN
- China
- Prior art keywords
- sea area
- fishery
- fishery resource
- density
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000007613 environmental effect Effects 0.000 claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000005192 partition Methods 0.000 claims description 120
- 238000012549 training Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004083 survival effect Effects 0.000 abstract description 8
- 238000000638 solvent extraction Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000012163 sequencing technique Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Farming Of Fish And Shellfish (AREA)
- Mechanical Means For Catching Fish (AREA)
Abstract
本发明公开了一种渔业资源的密度智能识别方法及系统，涉及渔业资源监测领域，包括：获取目标海域的海洋环境信息，通过所述海洋环境信息提取环境特征；获取各渔业资源的适生条件，将所述环境特征与所述适生条件进行对比生成偏差信息，根据所述偏差信息对目标海域进行分区，建立渔业资源密度识别模型，获取各海域渔业资源图像信息，通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成目标海域渔业资源密度信息；建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控，确保目标海域的渔业资源处于预设范围内。本发明实现了目标海域内渔业资源的智能自动化检测，节约了人力资源，同时保证了识别精度。
Description
技术领域
本发明涉及渔业资源监测领域，更具体的，涉及一种渔业资源的密度智能识别方法及系统。
背景技术
海洋生态平衡是地球生态平衡的一个重要组成部分，保护海洋中渔业资源就显得尤为重要，只有科学合理化开发利用渔业资源才能实现可持续发展。在渔业资源的开发利用中，海域内渔业资源调查是不可或缺的环节之一，在渔业资源调查中渔业资源密度的判定大多是采用逐站拖网进行估算的等传统的方式进行，而传统的判定方式需要繁琐的步骤，同时需要大量的人力资源，因此对目标海域内渔业资源密度进行智能化识别就显得尤为重要。
为了对渔业资源的密度进行智能化识别，需要开发一款系统与之匹配进行实现，本系统包括通过获取目标海域的海洋环境信息提取环境特征；获取各渔业资源的适生条件与分布特征，将环境特征与适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对目标海域进行分区，建立渔业资源密度识别模型，生成目标海域渔业资源密度信息，并通过渔业资源数据库对目标海域的渔业资源进行监控，确保目标海域的渔业资源处于预设范围内。该系统实现过程中，如何生成各海域渔业资源密度信息及如何对目标海域的渔业资源进行监控都是亟不可待需要解决的问题。
发明内容
为了解决上述技术问题，本发明提出了一种渔业资源的密度智能识别方法及系统。
本发明第一方面提供了一种渔业资源的密度智能识别方法，包括：
将目标海域划分为若干海域分区，获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征；
获取各种类渔业资源的适生条件及分布特征，将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类；
建立渔业资源密度识别模型，获取各海域分区渔业资源图像信息，通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成目标海域渔业资源密度信息；
建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控。
本方案中，所述的获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征，具体为：
获取所述海域分区的水文数据、海洋地理数据及海洋气象数据，并将获取的数据进行数据预处理；
将预处理后的数据进行提取特征，将所述特征进行融合构成多特征矩阵；
将所述海域分区预设编号信息，将所述多特征矩阵与预设编号信息进行匹配构建海域分区的环境多特征矩阵集合。
本方案中，所述的将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类，具体为：
根据各种类渔业资源的适生条件及分布特生成渔业资源特征矩阵集合，将所述渔业资源特征矩阵集合与海域分区的环境多特征矩阵集合进行相似度计算，生成各海域分区环境特征与渔业资源特征的相似度；
将各海域分区的相似度进行两两对比，获取各海域分区之间的相似度偏差信息；
预设相似度偏差信息阈值区间，将所述相似度偏差信息落在同一阈值区间的对应海域分区归为同一类型。
本方案中，所述的通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成各海域分区渔业资源密度信息，具体为：
基于神经网络建立渔业资源密度识别模型，获取各种类渔业资源图像信息构成样本集，将所述样本集分为训练集及测试集；
通过所述训练集对所述渔业资源密度识别模型进行初始化训练，通过所述测试集对初始化训练后的渔业资源密度识别模型进行验证，若初始化训练后的渔业资源密度识别模型的输出结果与测试集数据的误差小于预设误差阈值，则输出渔业资源密度识别模型；
通过所述渔业资源密度识别模型识别各海域分区渔业资源图像信息中渔业资源的数量信息，并将根据所述数量信息生成各海域分区的渔业资源分布；
将各海域分区的渔业资源分布进行聚合生成目标海域的渔业资源分布，同时生成密度图进行目标海域内渔业资源分布的可视化处理。
本方案中，所述的建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控，具体为：
将各海域分区内的渔业资源密度数据根据时序建立渔业资源密度时序数据序列，构建目标海域内的渔业资源数据库，将所述渔业资源密度时序数据序列存入所述渔业资源数据库；
根据季节因素通过大数据分析得到不同季节的渔业资源密度阈值，将目标海域内的渔业资源密度与所述渔业资源密度阈值进行对比分析；
若所述目标海域内的渔业资源密度小于所述渔业资源密度阈值，则生成预警信息，将所述预警信息按照预设方式进行显示，同时生成目标海域禁渔信息；
若所述目标海域内的渔业资源密度大于所述渔业资源密度阈值，则根据目标海域内的渔业资源密度规划合理的捕捞方案，并将所述捕捞方案按照预设方式进行显示。
本方案中，还包括：
获取目标海域各海域分区的类别信息，并根据所述各海域分区的类别信息生成目标海域内各海域分区的类别分布；
获取海域分区内渔业资源密度信息，根据同一类别中各海域分区的环境多特征矩阵生成各海域分区的特征值，计算各海域分区特征值的偏差率生成权重信息；
通过所述海域分区内渔业资源密度信息结合权重信息生成同一类别中其它海域分区的渔业资源密度信息；
根据同一类别下各海域分区的渔业资源密度信息生成目标海域同一类别海域分区的渔业资源分布，结合所述目标海域内各海域分区的类别分布生成目标海域的渔业资源分布。
本发明第二方面还提供了一种渔业资源的密度智能识别系统，该系统包括：存储器、处理器，所述存储器中包括一种渔业资源的密度智能识别方法程序，所述一种渔业资源的密度智能识别方法程序被所述处理器执行时实现如下步骤：
将目标海域划分为若干海域分区，获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征；
获取各种类渔业资源的适生条件及分布特征，将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类；
建立渔业资源密度识别模型，获取各海域分区渔业资源图像信息，通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成目标海域渔业资源密度信息；
建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控。
本方案中，所述的获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征，具体为：
获取所述海域分区的水文数据、海洋地理数据及海洋气象数据，并将获取的数据进行数据预处理；
将预处理后的数据进行提取特征，将所述特征进行融合构成多特征矩阵；
将所述海域分区预设编号信息，将所述多特征矩阵与预设编号信息进行匹配构建海域分区的环境多特征矩阵集合。
本方案中，所述的将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类，具体为：
根据各种类渔业资源的适生条件及分布特生成渔业资源特征矩阵集合，将所述渔业资源特征矩阵集合与海域分区的环境多特征矩阵集合进行相似度计算，生成各海域分区环境特征与渔业资源特征的相似度；
将各海域分区的相似度进行两两对比，获取各海域分区之间的相似度偏差信息；
预设相似度偏差信息阈值区间，将所述相似度偏差信息落在同一阈值区间的对应海域分区归为同一类型。
本方案中，所述的通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成各海域分区渔业资源密度信息，具体为：
基于神经网络建立渔业资源密度识别模型，获取各种类渔业资源图像信息构成样本集，将所述样本集分为训练集及测试集；
通过所述训练集对所述渔业资源密度识别模型进行初始化训练，通过所述测试集对初始化训练后的渔业资源密度识别模型进行验证，若初始化训练后的渔业资源密度识别模型的输出结果与测试集数据的误差小于预设误差阈值，则输出渔业资源密度识别模型；
通过所述渔业资源密度识别模型识别各海域分区渔业资源图像信息中渔业资源的数量信息，并将根据所述数量信息生成各海域分区的渔业资源分布；
将各海域分区的渔业资源分布进行聚合生成目标海域的渔业资源分布，同时生成密度图进行目标海域内渔业资源分布的可视化处理。
本方案中，所述的建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控，具体为：
将各海域分区内的渔业资源密度数据根据时序建立渔业资源密度时序数据序列，构建目标海域内的渔业资源数据库，将所述渔业资源密度时序数据序列存入所述渔业资源数据库；
根据季节因素通过大数据分析得到不同季节的渔业资源密度阈值，将目标海域内的渔业资源密度与所述渔业资源密度阈值进行对比分析；
若所述目标海域内的渔业资源密度小于所述渔业资源密度阈值，则生成预警信息，将所述预警信息按照预设方式进行显示，同时生成目标海域禁渔信息；
若所述目标海域内的渔业资源密度大于所述渔业资源密度阈值，则根据目标海域内的渔业资源密度规划合理的捕捞方案，并将所述捕捞方案按照预设方式进行显示。
本方案中，还包括：
获取目标海域各海域分区的类别信息，并根据所述各海域分区的类别信息生成目标海域内各海域分区的类别分布；
获取海域分区内渔业资源密度信息，根据同一类别中各海域分区的环境多特征矩阵生成各海域分区的特征值，计算各海域分区特征值的偏差率生成权重信息；
通过所述海域分区内渔业资源密度信息结合权重信息生成同一类别中其它海域分区的渔业资源密度信息；
根据同一类别下各海域分区的渔业资源密度信息生成目标海域同一类别海域分区的渔业资源分布，结合所述目标海域内各海域分区的类别分布生成目标海域的渔业资源分布。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种渔业资源的密度智能识别方法程序，所述一种渔业资源的密度智能识别方法程序被处理器执行时，实现如上述任一项所述的一种渔业资源的密度智能识别方法的步骤。
本发明公开了一种渔业资源的密度智能识别方法及系统，涉及渔业资源监测领域，包括：获取目标海域的海洋环境信息，通过所述海洋环境信息提取环境特征；获取各渔业资源的适生条件，将所述环境特征与所述适生条件进行对比生成偏差信息，根据所述偏差信息对目标海域进行分区，建立渔业资源密度识别模型，获取各海域渔业资源图像信息，通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成目标海域渔业资源密度信息；建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控，确保目标海域的渔业资源处于预设范围内。本发明实现了目标海域内渔业资源的智能自动化检测，节约了人力资源，同时保证了识别精度。
附图说明
图1示出了本发明一种渔业资源的密度智能识别方法的流程图；
图2示出了本发明根据渔业资源图像信息生成各海域分区渔业资源密度信息的方法流程图；
图3示出了本发明一种渔业资源的密度智能识别系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种渔业资源的密度智能识别方法的流程图。
如图1所示，本发明第一方面提供了一种渔业资源的密度智能识别方法，包括：
S102，将目标海域划分为若干海域分区，获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征；
S104，获取各种类渔业资源的适生条件及分布特征，将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类；
S106，建立渔业资源密度识别模型，获取各海域分区渔业资源图像信息，通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成目标海域渔业资源密度信息；
S108，建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控。
需要说明的是，所述的获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征，具体为：
获取所述海域分区的水文数据、海洋地理数据及海洋气象数据，并将获取的数据进行数据预处理；
将预处理后的数据进行提取特征，将所述特征进行融合构成多特征矩阵；
将所述海域分区预设编号信息，将所述多特征矩阵与预设编号信息进行匹配构建海域分区的环境多特征矩阵集合。
需要说明的是，所述的将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类，具体为：
根据各种类渔业资源的适生条件及分布特生成渔业资源特征矩阵集合，将所述渔业资源特征矩阵集合与海域分区的环境多特征矩阵集合进行相似度计算，生成各海域分区环境特征与渔业资源特征的相似度；
将各海域分区的相似度进行两两对比，获取各海域分区之间的相似度偏差信息；
预设相似度偏差信息阈值区间，将所述相似度偏差信息落在同一阈值区间的对应海域分区归为同一类型。
根据本发明实施例，所述的通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成各海域分区渔业资源密度信息，具体为：
S202，基于神经网络建立渔业资源密度识别模型，获取各种类渔业资源图像信息构成样本集，将所述样本集分为训练集及测试集；
S204，通过所述训练集对所述渔业资源密度识别模型进行初始化训练，通过所述测试集对初始化训练后的渔业资源密度识别模型进行验证；
S206，若初始化训练后的渔业资源密度识别模型的输出结果与测试集数据的误差小于预设误差阈值，则输出渔业资源密度识别模型；
S208，通过所述渔业资源密度识别模型识别各海域分区渔业资源图像信息中渔业资源的数量信息，并将根据所述数量信息生成各海域分区的渔业资源分布；
S210，将各海域分区的渔业资源分布进行聚合生成目标海域的渔业资源分布，同时生成密度图进行目标海域内渔业资源分布的可视化处理。
需要说明的是，因为海洋环境中的水质及浮游生物等问题，获取各海域分区渔业资源图像信息会出现模糊的情况，对采集到渔业资源图像信息进行增强预处理，进行图像的颜色校正及对比增强提高视觉质量，同时对海域分区渔业资源图像信息中的渔业资源进行人工标注，作为渔业资源密度识别模型训练集的部分数据。
需要说明的是，所述的建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控，具体为：
将各海域分区内的渔业资源密度数据根据时序建立渔业资源密度时序数据序列，构建目标海域内的渔业资源数据库，将所述渔业资源密度时序数据序列存入所述渔业资源数据库；
根据季节因素通过大数据分析得到不同季节的渔业资源密度阈值，将目标海域内的渔业资源密度与所述渔业资源密度阈值进行对比分析；
若所述目标海域内的渔业资源密度小于所述渔业资源密度阈值，则生成预警信息，将所述预警信息按照预设方式进行显示，同时生成目标海域禁渔信息；
若所述目标海域内的渔业资源密度大于所述渔业资源密度阈值，则根据目标海域内的渔业资源密度规划合理的捕捞方案，并将所述捕捞方案按照预设方式进行显示。
需要说明的是，本发明还包括，根据海域分区内渔业资源密度信息计算同一分类中海域分区的渔业资源分布，具体为：
获取目标海域各海域分区的类别信息，并根据所述各海域分区的类别信息生成目标海域内各海域分区的类别分布；
获取海域分区内渔业资源密度信息，根据同一类别中各海域分区的环境多特征矩阵生成各海域分区的特征值，计算各海域分区特征值的偏差率生成权重信息；
通过所述海域分区内渔业资源密度信息结合权重信息生成同一类别中其它海域分区的渔业资源密度信息；
根据同一类别下各海域分区的渔业资源密度信息生成目标海域同一类别海域分区的渔业资源分布，结合所述目标海域内各海域分区的类别分布生成目标海域的渔业资源分布。
根据本发明实施例，本发明还包括通过目标海域的渔业资源密度分布，生成智能化捕捞方案，具体为：
获取目标海域内渔业资源密度分布，根据所述渔业资源密度分布生成目标海域内各种类渔业资源的密度信息，判断所述密度信息是否大于各种类渔业资源的可捕标准；
若大于，则将所述密度信息与捕捞期长生成特征检索标签，根据所述特征检索标签建立大数据分析检索任务；
通过大数据分析获取与目标海域渔业资源密度及捕捞期长相似度大于预设阈值的数据信息，并进行相似度排序，提取所述排序中前N位相应的捕捞方案；
将所述检索到的捕捞方案与目标海域进行匹配进行可行性分析，若所述可行性大于预设可行性阈值，则将所述捕捞方案进行标记；
将标记的捕捞方案通过专家系统生成目标区域内科学捕捞方案。
本发明第二方面还提供了一种渔业资源的密度智能识别系统3，该系统包括：存储器31、处理器32，所述存储器中包括一种渔业资源的密度智能识别方法程序，所述一种渔业资源的密度智能识别方法程序被所述处理器执行时实现如下步骤：
将目标海域划分为若干海域分区，获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征；
获取各种类渔业资源的适生条件及分布特征，将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类；
建立渔业资源密度识别模型，获取各海域分区渔业资源图像信息，通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成目标海域渔业资源密度信息；
建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控。
需要说明的是，所述的获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征，具体为：
获取所述海域分区的水文数据、海洋地理数据及海洋气象数据，并将获取的数据进行数据预处理；
将预处理后的数据进行提取特征，将所述特征进行融合构成多特征矩阵；
将所述海域分区预设编号信息，将所述多特征矩阵与预设编号信息进行匹配构建海域分区的环境多特征矩阵集合。
需要说明的是，所述的将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类，具体为：
根据各种类渔业资源的适生条件及分布特生成渔业资源特征矩阵集合，将所述渔业资源特征矩阵集合与海域分区的环境多特征矩阵集合进行相似度计算，生成各海域分区环境特征与渔业资源特征的相似度；
将各海域分区的相似度进行两两对比，获取各海域分区之间的相似度偏差信息；
预设相似度偏差信息阈值区间，将所述相似度偏差信息落在同一阈值区间的对应海域分区归为同一类型。
根据本发明实施例，所述的通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成各海域分区渔业资源密度信息，具体为：
基于神经网络建立渔业资源密度识别模型，获取各种类渔业资源图像信息构成样本集，将所述样本集分为训练集及测试集；
通过所述训练集对所述渔业资源密度识别模型进行初始化训练，通过所述测试集对初始化训练后的渔业资源密度识别模型进行验证，若初始化训练后的渔业资源密度识别模型的输出结果与测试集数据的误差小于预设误差阈值，则输出渔业资源密度识别模型；
通过所述渔业资源密度识别模型识别各海域分区渔业资源图像信息中渔业资源的数量信息，并将根据所述数量信息生成各海域分区的渔业资源分布；
将各海域分区的渔业资源分布进行聚合生成目标海域的渔业资源分布，同时生成密度图进行目标海域内渔业资源分布的可视化处理。
需要说明的是，因为海洋环境中的水质及浮游生物等问题，获取各海域分区渔业资源图像信息会出现模糊的情况，对采集到渔业资源图像信息进行增强预处理，进行图像的颜色校正及对比增强提高视觉质量，同时对海域分区渔业资源图像信息中的渔业资源进行人工标注，作为渔业资源密度识别模型训练集的部分数据。
需要说明的是，所述的建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控，具体为：
将各海域分区内的渔业资源密度数据根据时序建立渔业资源密度时序数据序列，构建目标海域内的渔业资源数据库，将所述渔业资源密度时序数据序列存入所述渔业资源数据库；
根据季节因素通过大数据分析得到不同季节的渔业资源密度阈值，将目标海域内的渔业资源密度与所述渔业资源密度阈值进行对比分析；
若所述目标海域内的渔业资源密度小于所述渔业资源密度阈值，则生成预警信息，将所述预警信息按照预设方式进行显示，同时生成目标海域禁渔信息；
若所述目标海域内的渔业资源密度大于所述渔业资源密度阈值，则根据目标海域内的渔业资源密度规划合理的捕捞方案，并将所述捕捞方案按照预设方式进行显示。
需要说明的是，本发明还包括，根据海域分区内渔业资源密度信息计算同一分类中海域分区的渔业资源分布，具体为：
获取目标海域各海域分区的类别信息，并根据所述各海域分区的类别信息生成目标海域内各海域分区的类别分布；
获取海域分区内渔业资源密度信息，根据同一类别中各海域分区的环境多特征矩阵生成各海域分区的特征值，计算各海域分区特征值的偏差率生成权重信息；
通过所述海域分区内渔业资源密度信息结合权重信息生成同一类别中其它海域分区的渔业资源密度信息；
根据同一类别下各海域分区的渔业资源密度信息生成目标海域同一类别海域分区的渔业资源分布，结合所述目标海域内各海域分区的类别分布生成目标海域的渔业资源分布。
根据本发明实施例，本发明还包括通过目标海域的渔业资源密度分布，生成智能化捕捞方案，具体为：
获取目标海域内渔业资源密度分布，根据所述渔业资源密度分布生成目标海域内各种类渔业资源的密度信息，判断所述密度信息是否大于各种类渔业资源的可捕标准；
若大于，则将所述密度信息与捕捞期长生成特征检索标签，根据所述特征检索标签建立大数据分析检索任务；
通过大数据分析获取与目标海域渔业资源密度及捕捞期长相似度大于预设阈值的数据信息，并进行相似度排序，提取所述排序中前N位相应的捕捞方案；
将所述检索到的捕捞方案与目标海域进行匹配进行可行性分析，若所述可行性大于预设可行性阈值，则将所述捕捞方案进行标记；
将标记的捕捞方案通过专家系统生成目标区域内科学捕捞方案。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种渔业资源的密度智能识别方法程序，所述一种渔业资源的密度智能识别方法程序被处理器执行时，实现如上述任一项所述的一种渔业资源的密度智能识别方法的步骤。
本发明公开了一种渔业资源的密度智能识别方法及系统，涉及渔业资源监测领域，包括：获取目标海域的海洋环境信息，通过所述海洋环境信息提取环境特征；获取各渔业资源的适生条件，将所述环境特征与所述适生条件进行对比生成偏差信息，根据所述偏差信息对目标海域进行分区，建立渔业资源密度识别模型，获取各海域渔业资源图像信息，通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成目标海域渔业资源密度信息；建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控，确保目标海域的渔业资源处于预设范围内。本发明实现了目标海域内渔业资源的智能自动化检测，节约了人力资源，同时保证了识别精度。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种渔业资源的密度智能识别方法，其特征在于，包括以下步骤：
将目标海域划分为若干海域分区，获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征；
获取各种类渔业资源的适生条件及分布特征，将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类；
建立渔业资源密度识别模型，获取各海域分区渔业资源图像信息，通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成目标海域渔业资源密度信息；
建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控。
2.根据权利要求1所述的一种渔业资源的密度智能识别方法，其特征在于，所述的获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征，具体为：
获取所述海域分区的水文数据、海洋地理数据及海洋气象数据，并将获取的数据进行数据预处理；
将预处理后的数据进行提取特征，将所述特征进行融合构成多特征矩阵；
将所述海域分区预设编号信息，将所述多特征矩阵与预设编号信息进行匹配构建海域分区的环境多特征矩阵集合。
3.根据权利要求1所述的一种渔业资源的密度智能识别方法，其特征在于，所述的将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类，具体为：
根据各种类渔业资源的适生条件及分布特生成渔业资源特征矩阵集合，将所述渔业资源特征矩阵集合与海域分区的环境多特征矩阵集合进行相似度计算，生成各海域分区环境特征与渔业资源特征的相似度；
将各海域分区的相似度进行两两对比，获取各海域分区之间的相似度偏差信息；
预设相似度偏差信息阈值区间，将所述相似度偏差信息落在同一阈值区间的对应海域分区归为同一类型。
4.根据权利要求1所述的一种渔业资源的密度智能识别方法，其特征在于，所述的通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成各海域分区渔业资源密度信息，具体为：
基于神经网络建立渔业资源密度识别模型，获取各种类渔业资源图像信息构成样本集，将所述样本集分为训练集及测试集；
通过所述训练集对所述渔业资源密度识别模型进行初始化训练，通过所述测试集对初始化训练后的渔业资源密度识别模型进行验证，若初始化训练后的渔业资源密度识别模型的输出结果与测试集数据的误差小于预设误差阈值，则输出渔业资源密度识别模型；
通过所述渔业资源密度识别模型识别各海域分区渔业资源图像信息中渔业资源的数量信息，并将根据所述数量信息生成各海域分区的渔业资源分布；
将各海域分区的渔业资源分布进行聚合生成目标海域的渔业资源分布，同时生成密度图进行目标海域内渔业资源分布的可视化处理。
5.根据权利要求1所述的一种渔业资源的密度智能识别方法，其特征在于，所述的建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控，具体为：
将各海域分区内的渔业资源密度数据根据时序建立渔业资源密度时序数据序列，构建目标海域内的渔业资源数据库，将所述渔业资源密度时序数据序列存入所述渔业资源数据库；
根据季节因素通过大数据分析得到不同季节的渔业资源密度阈值，将目标海域内的渔业资源密度与所述渔业资源密度阈值进行对比分析；
若所述目标海域内的渔业资源密度小于所述渔业资源密度阈值，则生成预警信息，将所述预警信息按照预设方式进行显示，同时生成目标海域禁渔信息；
若所述目标海域内的渔业资源密度大于所述渔业资源密度阈值，则根据目标海域内的渔业资源密度规划合理的捕捞方案，并将所述捕捞方案按照预设方式进行显示。
6.根据权利要求1所述的一种渔业资源的密度智能识别方法，其特征在于，还包括：
获取目标海域各海域分区的类别信息，并根据所述各海域分区的类别信息生成目标海域内各海域分区的类别分布；
获取海域分区内渔业资源密度信息，根据同一类别中各海域分区的环境多特征矩阵生成各海域分区的特征值，计算各海域分区特征值的偏差率生成权重信息；
通过所述海域分区内渔业资源密度信息结合权重信息生成同一类别中其它海域分区的渔业资源密度信息；
根据同一类别下各海域分区的渔业资源密度信息生成目标海域同一类别海域分区的渔业资源分布，结合所述目标海域内各海域分区的类别分布生成目标海域的渔业资源分布。
7.一种渔业资源的密度智能识别系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种渔业资源的密度智能识别方法程序，所述一种渔业资源的密度智能识别的方法程序被所述处理器执行时实现如下步骤：
将目标海域划分为若干海域分区，获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征；
获取各种类渔业资源的适生条件及分布特征，将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类；
建立渔业资源密度识别模型，获取各海域分区渔业资源图像信息，通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成目标海域渔业资源密度信息；
建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控。
8.根据权利要求7所述的一种渔业资源的密度智能识别系统，其特征在于，所述的通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成各海域分区渔业资源密度信息，具体为：
基于神经网络建立渔业资源密度识别模型，获取各种类渔业资源图像信息构成样本集，将所述样本集分为训练集及测试集；
通过所述训练集对所述渔业资源密度识别模型进行初始化训练，通过所述测试集对初始化训练后的渔业资源密度识别模型进行验证，若初始化训练后的渔业资源密度识别模型的输出结果与测试集数据的误差小于预设误差阈值，则输出渔业资源密度识别模型；
通过所述渔业资源密度识别模型识别各海域分区渔业资源图像信息中渔业资源的数量信息，并将根据所述数量信息生成各海域分区的渔业资源分布；
将各海域分区的渔业资源分布进行聚合生成目标海域的渔业资源分布，同时生成密度图进行目标海域内渔业资源分布的可视化处理。
9.根据权利要求7所述的一种渔业资源的密度智能识别系统，其特征在于，所述的建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控，具体为：
将各海域分区内的渔业资源密度数据根据时序建立渔业资源密度时序数据序列，构建目标海域内的渔业资源数据库，将所述渔业资源密度时序数据序列存入所述渔业资源数据库；
根据季节因素通过大数据分析得到不同季节的渔业资源密度阈值，将目标海域内的渔业资源密度与所述渔业资源密度阈值进行对比分析；
若所述目标海域内的渔业资源密度小于所述渔业资源密度阈值，则生成预警信息，将所述预警信息按照预设方式进行显示，同时生成目标海域禁渔信息；
若所述目标海域内的渔业资源密度大于所述渔业资源密度阈值，则根据目标海域内的渔业资源密度规划合理的捕捞方案，并将所述捕捞方案按照预设方式进行显示。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中包括一种渔业资源的密度智能识别方法程序，所述一种渔业资源的密度智能识别方法程序被处理器执行时，实现如权利要求1至6中任一项所述的一种渔业资源的密度智能识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210008453.3A CN114494837B (zh) | 2022-01-06 | 2022-01-06 | 一种渔业资源的密度智能识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210008453.3A CN114494837B (zh) | 2022-01-06 | 2022-01-06 | 一种渔业资源的密度智能识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114494837A true CN114494837A (zh) | 2022-05-13 |
| CN114494837B CN114494837B (zh) | 2024-05-07 |
Family
ID=81509746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210008453.3A Active CN114494837B (zh) | 2022-01-06 | 2022-01-06 | 一种渔业资源的密度智能识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114494837B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115293658A (zh) * | 2022-10-08 | 2022-11-04 | 中国水产科学研究院南海水产研究所 | 一种基于大数据的渔业资源规划方法及系统 |
| CN115375043A (zh) * | 2022-10-24 | 2022-11-22 | 中国水产科学研究院南海水产研究所 | 一种基于物联网的渔港监管方法及系统 |
| CN115860284A (zh) * | 2023-03-01 | 2023-03-28 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 渔业资源密度识别方法、装置、存储介质以及电子设备 |
| CN116090859A (zh) * | 2022-11-09 | 2023-05-09 | 中国水产科学研究院南海水产研究所 | 一种近海岛礁渔业水域生态健康评价方法及系统 |
| CN116562472A (zh) * | 2023-07-10 | 2023-08-08 | 中国水产科学研究院南海水产研究所 | 一种中上层海洋生物目标种类识别与分布预测方法及系统 |
| CN116562467A (zh) * | 2023-07-07 | 2023-08-08 | 中国水产科学研究院南海水产研究所 | 一种海洋鱼类目标种类识别及分布预测方法及系统 |
| CN116596163A (zh) * | 2023-07-05 | 2023-08-15 | 中国水产科学研究院南海水产研究所 | 一种基于图像探测的白姑鱼资源分布预测系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070192148A1 (en) * | 2004-03-01 | 2007-08-16 | Tokyo University Of Marine Science And Technology | Method for surveying fishery sources and device for effecting such method |
| US20090126254A1 (en) * | 2005-03-28 | 2009-05-21 | Hidekatsu Yamazaki | Method for Predicting Depth Distribution of Predetermined Water Temperature Zone, Method for Predicting Fishing Ground of Migratory Fish, and System for Delivering Fishing Ground Prediction Information of Migratory Fish |
| CN105654210A (zh) * | 2016-02-26 | 2016-06-08 | 中国水产科学研究院东海水产研究所 | 一种利用海洋遥感多环境要素的集成学习渔场预报方法 |
| CN108153861A (zh) * | 2017-12-25 | 2018-06-12 | 中国水产科学研究院东海水产研究所 | 基于gis的河口渔业资源集群分布分析方法 |
| CN109552570A (zh) * | 2018-12-03 | 2019-04-02 | 华东师范大学 | 一种用于海洋环境监测的无人船 |
| CN111652443A (zh) * | 2020-06-05 | 2020-09-11 | 上海海洋大学 | 综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用 |
| AU2020103689A4 (en) * | 2020-11-26 | 2021-02-04 | Shanghai Ocean University | Stock assessment model of squid Based on Environmental Factors |
| CN113341407A (zh) * | 2021-06-02 | 2021-09-03 | 中国水产科学研究院南海水产研究所 | 一种基于雷达探测的渔业捕捞追踪系统及方法 |
| CN113591540A (zh) * | 2021-06-02 | 2021-11-02 | 中国水产科学研究院南海水产研究所 | 一种渔业非法捕捞监测与预警方法及系统 |
-
2022
- 2022-01-06 CN CN202210008453.3A patent/CN114494837B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070192148A1 (en) * | 2004-03-01 | 2007-08-16 | Tokyo University Of Marine Science And Technology | Method for surveying fishery sources and device for effecting such method |
| US20090126254A1 (en) * | 2005-03-28 | 2009-05-21 | Hidekatsu Yamazaki | Method for Predicting Depth Distribution of Predetermined Water Temperature Zone, Method for Predicting Fishing Ground of Migratory Fish, and System for Delivering Fishing Ground Prediction Information of Migratory Fish |
| CN105654210A (zh) * | 2016-02-26 | 2016-06-08 | 中国水产科学研究院东海水产研究所 | 一种利用海洋遥感多环境要素的集成学习渔场预报方法 |
| CN108153861A (zh) * | 2017-12-25 | 2018-06-12 | 中国水产科学研究院东海水产研究所 | 基于gis的河口渔业资源集群分布分析方法 |
| CN109552570A (zh) * | 2018-12-03 | 2019-04-02 | 华东师范大学 | 一种用于海洋环境监测的无人船 |
| CN111652443A (zh) * | 2020-06-05 | 2020-09-11 | 上海海洋大学 | 综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用 |
| AU2020103689A4 (en) * | 2020-11-26 | 2021-02-04 | Shanghai Ocean University | Stock assessment model of squid Based on Environmental Factors |
| CN113341407A (zh) * | 2021-06-02 | 2021-09-03 | 中国水产科学研究院南海水产研究所 | 一种基于雷达探测的渔业捕捞追踪系统及方法 |
| CN113591540A (zh) * | 2021-06-02 | 2021-11-02 | 中国水产科学研究院南海水产研究所 | 一种渔业非法捕捞监测与预警方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| DAOLIANG LI ET AL.: "Automatic counting methods in aquaculture: A review", 《JOURNAL OF THE WORLD AQUACULTURE SOCIETY》, pages 269 * |
| YONG LIU ET AL.: "The bacterial composition associated with Atriolum robustum, a common ascidian from Xisha coral reef, China", 《SYMBIOSIS》, vol. 83, no. 2, pages 153, XP037388530, DOI: 10.1007/s13199-020-00742-4 * |
| 于红: "水产动物目标探测与追踪技术及应用研究进展", 《大连海洋大学学报》, vol. 35, no. 06, pages 793 - 804 * |
| 李斌等: "南海中部海域渔业资源时空分布和资源量的水声学评估", 《南方水产科学》, vol. 12, no. 04, pages 28 - 37 * |
| 王腾等: "大亚湾鱼类群落嵌套分布格局", 《动物学杂志》, vol. 54, no. 03, pages 327 - 338 * |
| 王金凤等: "基于改进深度学习模型的鱼群密度检测试验研究", 《渔业现代化》, vol. 48, no. 2, pages 77 - 82 * |
| 黄冬梅等: "基于SDSS的渔业资源预测决策系统", 《计算机工程》, vol. 36, no. 06, pages 270 - 272 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115293658A (zh) * | 2022-10-08 | 2022-11-04 | 中国水产科学研究院南海水产研究所 | 一种基于大数据的渔业资源规划方法及系统 |
| CN115375043A (zh) * | 2022-10-24 | 2022-11-22 | 中国水产科学研究院南海水产研究所 | 一种基于物联网的渔港监管方法及系统 |
| CN116090859A (zh) * | 2022-11-09 | 2023-05-09 | 中国水产科学研究院南海水产研究所 | 一种近海岛礁渔业水域生态健康评价方法及系统 |
| CN116090859B (zh) * | 2022-11-09 | 2023-11-03 | 中国水产科学研究院南海水产研究所 | 一种近海岛礁渔业水域生态健康评价方法及系统 |
| CN115860284A (zh) * | 2023-03-01 | 2023-03-28 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 渔业资源密度识别方法、装置、存储介质以及电子设备 |
| CN116596163A (zh) * | 2023-07-05 | 2023-08-15 | 中国水产科学研究院南海水产研究所 | 一种基于图像探测的白姑鱼资源分布预测系统及方法 |
| CN116596163B (zh) * | 2023-07-05 | 2024-02-20 | 中国水产科学研究院南海水产研究所 | 一种基于图像探测的白姑鱼资源分布预测系统及方法 |
| CN116562467A (zh) * | 2023-07-07 | 2023-08-08 | 中国水产科学研究院南海水产研究所 | 一种海洋鱼类目标种类识别及分布预测方法及系统 |
| CN116562467B (zh) * | 2023-07-07 | 2024-02-20 | 中国水产科学研究院南海水产研究所 | 一种海洋鱼类目标种类识别及分布预测方法及系统 |
| CN116562472A (zh) * | 2023-07-10 | 2023-08-08 | 中国水产科学研究院南海水产研究所 | 一种中上层海洋生物目标种类识别与分布预测方法及系统 |
| CN116562472B (zh) * | 2023-07-10 | 2024-01-09 | 中国水产科学研究院南海水产研究所 | 一种中上层海洋生物目标种类识别与分布预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114494837B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114494837B (zh) | 一种渔业资源的密度智能识别方法及系统 | |
| CN108734184B (zh) | 一种对敏感图像进行分析的方法及装置 | |
| CN115100512A (zh) | 一种海洋经济物种的监测识别捕捞方法、系统及存储介质 | |
| CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
| CN111048214A (zh) | 外来畜禽疫病传播态势的预警方法及装置 | |
| CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
| CN114821282A (zh) | 一种基于域对抗神经网络的图像检测模型及方法 | |
| CN115423225A (zh) | 一种基于大数据的渔港作业管理方法及系统 | |
| CN117011616A (zh) | 一种图像内容审核方法、装置、存储介质和电子设备 | |
| CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
| CN117095216B (zh) | 基于对抗生成网络的模型训练方法、系统、设备及介质 | |
| CN116562467B (zh) | 一种海洋鱼类目标种类识别及分布预测方法及系统 | |
| CN116189010B (zh) | 一种基于卫星图谱的矿山生态识别预警方法及系统 | |
| CN116343018A (zh) | 一种基于图像处理的渔业捕捞智能识别方法、系统及介质 | |
| CN111222370A (zh) | 一种案件研判方法、系统及装置 | |
| CN112819527A (zh) | 一种用户分群处理方法及装置 | |
| CN114155412A (zh) | 深度学习模型迭代方法、装置、设备及存储介质 | |
| CN113962216A (zh) | 文本处理方法、装置、电子设备及可读存储介质 | |
| CN117975097B (zh) | 一种浮游生物分类方法、装置、电子设备及存储介质 | |
| CN116343132B (zh) | 一种复杂场景电力设备缺陷识别方法、装置和计算机设备 | |
| CN117314914B (zh) | 一种对工程无损检测图像的缺陷识别方法及相关设备 | |
| CN118675203B (zh) | 一种穿山甲甲片个体智能识别方法及系统 | |
| CN117422890B (zh) | 一种视觉深度学习模型的优化部署方法、系统和介质 | |
| CN118095653B (zh) | 柽柳碳汇资源评估方法以及相关装置 | |
| CN118035764B (zh) | 数据主体的确定方法、装置及电子设备 |
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 |