CN115200647A - 一种水产养殖环境监测管理方法及系统 - Google Patents
一种水产养殖环境监测管理方法及系统 Download PDFInfo
- Publication number
- CN115200647A CN115200647A CN202211107241.7A CN202211107241A CN115200647A CN 115200647 A CN115200647 A CN 115200647A CN 202211107241 A CN202211107241 A CN 202211107241A CN 115200647 A CN115200647 A CN 115200647A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- water quality
- time point
- threshold value
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 333
- 238000009360 aquaculture Methods 0.000 title claims abstract description 96
- 244000144974 aquaculture Species 0.000 title claims abstract description 96
- 238000007726 management method Methods 0.000 title claims abstract description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 295
- 238000000034 method Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000005096 rolling process Methods 0.000 abstract description 3
- 230000015654 memory Effects 0.000 description 12
- 238000013461 design Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 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
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- -1 pH value Chemical compound 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mining & Mineral Resources (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Emergency Management (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明公开了一种水产养殖环境监测管理方法及系统,通过获取目标水产养殖区域在设定监测时间点的水面图像数据及水质监测数据,来根据水面图像数据判定目标水产养殖区域在当前监测时间点的水面漂浮水产品数量,根据水质监测数据处理得到相应的水质数据横向波动幅度和水质数据纵向波动幅度,以在判断水面漂浮水产品数量、水质数据横向波动幅度和水质数据纵向波动幅度到达相应条件时,发出相应程度的预警。本发明可以实现水产养殖环境的高效滚动式智能监测管理,并基于水面图像数据和水质监测数据实现精准的水产养殖环境监测判定和匹配等级预警,可以有效提高用户的水产养殖监管效率。
Description
技术领域
本发明属于水产养殖监管技术领域,具体涉及一种水产养殖环境监测管理方法及系统。
背景技术
水产养殖是通过人为方式繁殖、培育和收获水生动植物的生产活动。水生物的生长状况与其养殖环境息息相关,例如温度、水溶氧量、PH值、氨氮含量等都会对不同的鱼种生长有影响。因此,养殖环境的有效监测管理对于水产养殖至关重要。
传统的水产养殖环境监测管理主要是以水质传感检测为辅,养殖经验为主的方式来完成的,养殖人员需要根据相应的传感检测数据及实时观测到的情况判断养殖水域环境的异常变化,同时根据异常变化来采取相应的应对措施以避免经济损失。但是这种方法费时费力,比较依赖养殖人员的主观经验判断,缺乏科学的数据比对和分析,容易造成误判,准确性和可靠性不足,不利于提高水产养殖监管效率。
发明内容
本发明的目的是提供一种水产养殖环境监测管理方法及系统,用以解决现有技术中存在的上述问题。
为了实现上述目的,本发明采用以下技术方案:
第一方面,提供一种水产养殖环境监测管理方法,包括:
获取目标水产养殖区域在设定监测时间点的水产养殖环境监测数据包,所述水产养殖环境监测数据包包含水面图像数据及水质监测数据;
对水产养殖环境监测数据包进行解析处理,获得水面图像数据及水质监测数据;
根据水面图像数据判定目标水产养殖区域在当前监测时间点的水面漂浮水产品数量;
将水质监测数据标记在当日水质监测曲线图中,确定当前监测时间点的水质监测数据与前一监测时间点的水质监测数据的差值绝对值,得到水质数据横向波动幅度;
将当前监测时间点的水质监测数据与历史记录数据中前若干天内在相同监测时间点的水质监测数据平均值进行纵向对比,确定水质数据纵向波动幅度;
在水质数据横向波动幅度大于第一幅度阈值或水质数据纵向波动幅度大于第二幅度阈值时,生成一级监测预警信息;在水质数据横向波动幅度大于第一幅度阈值且水质数据纵向波动幅度大于第二幅度阈值时,生成二级监测预警信息;在水质数据横向波动幅度大于第一幅度阈值,水质数据纵向波动幅度大于第二幅度阈值,并且水面漂浮水产品数量大于设定的数量阈值时,生成三级监测预警信息;
将一级监测预警信息、二级监测预警信息或三级监测预警信息发送至用户终端。
基于上述技术内容,通过获取目标水产养殖区域在设定监测时间点的水面图像数据及水质监测数据,来根据水面图像数据判定目标水产养殖区域在当前监测时间点的水面漂浮水产品数量,根据水质监测数据处理得到相应的水质数据横向波动幅度和水质数据纵向波动幅度,以在判断水面漂浮水产品数量、水质数据横向波动幅度和水质数据纵向波动幅度到达相应条件时,发出相应程度的预警。本发明可以实现水产养殖环境的高效滚动式智能监测管理,并基于水面图像数据和水质监测数据实现精准的水产养殖环境监测判定和匹配等级预警,可以有效提高用户的水产养殖监管效率。
在一个可能的设计中,所述方法还包括:
在生成三级监测预警信息时,同步生成紧急控制指令;
将紧急控制指令下发至目标水产养殖区域的水产养殖控制终端。
在一个可能的设计中,所述方法还包括:
在水质数据横向波动幅度未超过第一幅度阈值且水质数据纵向波动幅度也未超过第二幅度阈值时,将标记当前监测时间点水质监测数据的当日水质监测曲线图进行曲线连接更新及存储,并将当前监测时间点的水质监测数据汇总到历史记录数据中。
在一个可能的设计中,所述水质监测数据为温度监测数据、PH监测数据、溶氧量监测数据、电导率监测数据、浊度监测数据、氨氮监测数据和COD监测数据中的一种或多种。
在一个可能的设计中,所述根据水面图像数据判定目标水产养殖区域在当前监测时间点的水面漂浮水产品数量,包括:将水面图像数据导入预置的水面漂浮水产品识别模型中进行分类识别,得到水面漂浮水产品的识别结果,并根据识别结果确定水面漂浮水产品数量。
在一个可能的设计中,所述水面漂浮水产品识别模型采用卷积神经网络模型,并经过至少1000组水面漂浮水产品图像样本训练,训练识别精度达到95%。
在一个可能的设计中,所述将当前监测时间点的水质监测数据与历史记录数据中前若干天内在相同监测时间点的水质监测数据平均值进行纵向对比,确定水质数据纵向波动幅度,包括:
根据当前监测时间点提取历史记录数据中前若干天内相同监测时间点的水质监测数据,并取平均值;
用当前监测时间点的水质监测数据减去平均值,得到的结果取绝对值作为水质数据纵向波动幅度。
在一个可能的设计中,所述对水产养殖环境监测数据包进行解析处理,获得水面图像数据及水质监测数据,包括:
采用设定的密钥对水产养殖环境监测数据包进行解密处理,得到解密后的数据集,解密后的数据集中包含分隔符;
将分隔符之前的数据串提取出来作为水质监测数据,将分隔符之后的数据串提取出来作为水面图像数据。
第二方面,提供一种水产养殖环境监测管理系统,包括获取单元、解析单元、判定单元、第一确定单元、第二确定单元、生成单元和发送单元,其中:
获取单元,用于获取目标水产养殖区域在设定监测时间点的水产养殖环境监测数据包,所述水产养殖环境监测数据包包含水面图像数据及水质监测数据;
解析单元,用于对水产养殖环境监测数据包进行解析处理,获得水面图像数据及水质监测数据;
判定单元,用于根据水面图像数据判定目标水产养殖区域在当前监测时间点的水面漂浮水产品数量;
第一确定单元,用于将水质监测数据标记在当日水质监测曲线图中,确定当前监测时间点的水质监测数据与前一监测时间点的水质监测数据的差值绝对值,得到水质数据横向波动幅度;
第二确定单元,用于将当前监测时间点的水质监测数据与历史记录数据中前若干天内在相同监测时间点的水质监测数据平均值进行纵向对比,确定水质数据纵向波动幅度;
生成单元,用于在水质数据横向波动幅度大于第一幅度阈值或水质数据纵向波动幅度大于第二幅度阈值时,生成一级监测预警信息;在水质数据横向波动幅度大于第一幅度阈值且水质数据纵向波动幅度大于第二幅度阈值时,生成二级监测预警信息;在水质数据横向波动幅度大于第一幅度阈值,水质数据纵向波动幅度大于第二幅度阈值,并且水面漂浮水产品数量大于设定的数量阈值时,生成三级监测预警信息;
发送单元,用于将一级监测预警信息、二级监测预警信息或三级监测预警信息发送至用户终端。
在一个可能的设计中,所述系统还包括记录单元,所述记录单元用于在水质数据横向波动幅度未超过第一幅度阈值且水质数据纵向波动幅度也未超过第二幅度阈值时,将标记当前监测时间点水质监测数据的当日水质监测曲线图进行曲线连接更新及存储,并将当前监测时间点的水质监测数据汇总到历史记录数据中。
第三方面,提供一种计算机设备,包括:
存储器,用于存储指令;
处理器,用于读取所述存储器中存储的指令,并根据指令执行上述第一方面中任意一种所述的方法。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行上述第一方面中任意一种所述的方法。同时还提供一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使得所述计算机执行上述第一方面中任意一种所述的方法。
有益效果:本发明通过获取目标水产养殖区域在设定监测时间点的水面图像数据及水质监测数据,来根据水面图像数据判定目标水产养殖区域在当前监测时间点的水面漂浮水产品数量,根据水质监测数据处理得到相应的水质数据横向波动幅度和水质数据纵向波动幅度,以在判断水面漂浮水产品数量、水质数据横向波动幅度和水质数据纵向波动幅度到达相应条件时,发出相应程度的预警。本发明可以实现水产养殖环境的高效滚动式智能监测管理,并基于水面图像数据和水质监测数据实现精准的水产养殖环境监测判定和匹配等级预警,可以有效提高用户的水产养殖监管效率。
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,下面将对实施例或现有技术描述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为本发明实施例中的方法步骤示意图;
图2为本发明实施例中的系统构成示意图;
图3为本发明实施例中的计算机设备构成示意图。
具体实施方式
在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而,可用很多备选的形式来体现本发明,并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解,术语第一、第二等仅用于区分描述,而不能理解为指示或暗示相对重要性。尽管本文可以使用术语第一、第二等来描述各种特征,这些特征不应当受到这些术语的限制。例如,可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元,同时不脱离本发明的示例实施例的范围。
在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统,以避免用不必要的细节来使得示例不清楚。在其他实施例中,可以不以非必要的细节来示出众所周知的过程、结构和技术,以避免使得实施例不清楚。
实施例1:
本实施例提供一种水产养殖环境监测管理方法,可应用于相应的监管后台,如图1所示,方法包括以下步骤:
S101.获取目标水产养殖区域在设定监测时间点的水产养殖环境监测数据包,所述水产养殖环境监测数据包包含水面图像数据及水质监测数据。
具体实施时,监管后台可每天定时从目标水产养殖区域的相应监测端处获取水产养殖环境监测数据包,水产养殖环境监测数据包包含有水面图像数据及水质监测数据,水质监测数据可以为温度监测数据、PH监测数据、溶氧量监测数据、电导率监测数据、浊度监测数据、氨氮监测数据和COD(化学需氧量)监测数据中的一种或多种。水面图像数据可由图像采集装置采集得到,水质监测数据可通过相应的传感器或者水质检测仪器采集得到。
S102.对水产养殖环境监测数据包进行解析处理,获得水面图像数据及水质监测数据。
具体实施时,监管后台在设定监测时间点获得水产养殖环境监测数据包后,对水产养殖环境监测数据包进行解析处理,获得水面图像数据及水质监测数据,具体解析过程包括:采用设定的密钥对水产养殖环境监测数据包进行解密处理,得到解密后的数据集,解密后的数据集中包含分隔符;将分隔符之前的数据串提取出来作为水质监测数据,将分隔符之后的数据串提取出来作为水面图像数据。
S103.根据水面图像数据判定目标水产养殖区域在当前监测时间点的水面漂浮水产品数量。
具体实施时,在获得水面图像数据后即可根据水面图像数据判定目标水产养殖区域在当前监测时间点的水面漂浮水产品数量,具体包括:将水面图像数据导入预置的水面漂浮水产品识别模型中进行分类识别,得到水面漂浮水产品的识别结果,并根据识别结果确定水面漂浮水产品数量,所述水面漂浮水产品识别模型采用卷积神经网络模型,并经过至少1000组水面漂浮水产品图像样本训练,训练识别精度达到95%。在实际应用过程中,也可采用其他深度学习模型来进行样本训练,得到水面漂浮水产品识别模型,如人工神经网络模型、BP神经网络模型等,用以实现根据水面图像数据精确识别判定水面漂浮水产品数量的目的。
S104.将水质监测数据标记在当日水质监测曲线图中,确定当前监测时间点的水质监测数据与前一监测时间点的水质监测数据的差值绝对值,得到水质数据横向波动幅度。
具体实施时,在获得水质监测数据后,监管后台可将水质监测数据标记在当日水质监测曲线图中,不同种类的水质监测数据可对应标记在不同的水质监测曲线图中,如温度监测数据可标记在温度监测数据对应的水质监测曲线图中,PH监测数据可标记在PH监测数据对应的水质监测曲线图中,以此类推。然后根据标记好的水质监测数据确定当前监测时间点的水质监测数据与前一监测时间点的水质监测数据的差值绝对值,将差值的绝对值作为水质数据横向波动幅度,不同种类的水质监测数据均有对应的水质数据横向波动幅度。
S105.将当前监测时间点的水质监测数据与历史记录数据中前若干天内在相同监测时间点的水质监测数据平均值进行纵向对比,确定水质数据纵向波动幅度。
具体实施时,监管后台还可将当前监测时间点的水质监测数据与历史记录数据中前若干天内在相同监测时间点的水质监测数据平均值进行纵向对比,确定水质数据纵向波动幅度,具体包括:根据当前监测时间点提取历史记录数据中前若干天内相同监测时间点的水质监测数据,并取平均值;用当前监测时间点的水质监测数据减去平均值,得到的结果取绝对值作为水质数据纵向波动幅度。不同种类的水质监测数据均有对应的水质数据纵向波动幅度。
S106.在水质数据横向波动幅度大于第一幅度阈值或水质数据纵向波动幅度大于第二幅度阈值时,生成一级监测预警信息;在水质数据横向波动幅度大于第一幅度阈值且水质数据纵向波动幅度大于第二幅度阈值时,生成二级监测预警信息;在水质数据横向波动幅度大于第一幅度阈值,水质数据纵向波动幅度大于第二幅度阈值,并且水面漂浮水产品数量大于设定的数量阈值时,生成三级监测预警信息。
具体实施时,在相应水质监测数据只有一种的情况下,在其对应水质数据横向波动幅度大于第一幅度阈值或对应水质数据纵向波动幅度大于第二幅度阈值时,生成一级监测预警信息;在其对应水质数据横向波动幅度大于第一幅度阈值且对应水质数据纵向波动幅度大于第二幅度阈值时,生成二级监测预警信息;在其对应水质数据横向波动幅度大于第一幅度阈值,对应水质数据纵向波动幅度大于第二幅度阈值,并且水面漂浮水产品数量大于设定的数量阈值时,生成三级监测预警信息。
在相应水质监测数据有多种的情况下,只要任意一种对应的水质数据横向波动幅度大于第一幅度阈值或对应的水质数据纵向波动幅度大于第二幅度阈值时,生成一级监测预警信息;只要任意一种对应的水质数据横向波动幅度大于第一幅度阈值且其对应的水质数据纵向波动幅度大于第二幅度阈值时,生成二级监测预警信息;只要任意一种对应的水质数据横向波动幅度大于第一幅度阈值且其对应的水质数据纵向波动幅度大于第二幅度阈值,并且水面漂浮水产品数量大于设定的数量阈值时,生成三级监测预警信息。
通过这样的条件触发方式,可以囊括从水体到水表各种可能状况下科学合理的预警分级分配,实现精准的水产养殖环境监测判定和匹配等级预警。
S107.将一级监测预警信息、二级监测预警信息或三级监测预警信息发送至用户终端。
具体实施时,在生成相应的一级监测预警信息、二级监测预警信息或三级监测预警信息后,监管后台立即将一级监测预警信息、二级监测预警信息或三级监测预警信息发送至用户终端,便于用户及时查看并采取相应的应对措施。并且在生成三级监测预警信息时,还同步生成紧急控制指令,将紧急控制指令下发至目标水产养殖区域的水产养殖控制终端,如增氧设备、温控设备、药剂施放设备、换水设备等,以通过水产养殖控制终端快速响应工作,来迅速改善水体环境,保证养殖水生物在突发状况下的存活率。
在水质数据横向波动幅度未超过第一幅度阈值且水质数据纵向波动幅度也未超过第二幅度阈值时,可将标记当前监测时间点水质监测数据的当日水质监测曲线图进行曲线连接更新及存储,并将当前监测时间点的水质监测数据汇总到历史记录数据中,以便作为正常参考数据进行后续监测时间点相应监测数据的比对。
实施例2:
本实施例提供一种水产养殖环境监测管理系统,如图2所示,包括获取单元、解析单元、判定单元、第一确定单元、第二确定单元、生成单元和发送单元,其中:
获取单元,用于获取目标水产养殖区域在设定监测时间点的水产养殖环境监测数据包,所述水产养殖环境监测数据包包含水面图像数据及水质监测数据;
解析单元,用于对水产养殖环境监测数据包进行解析处理,获得水面图像数据及水质监测数据;
判定单元,用于根据水面图像数据判定目标水产养殖区域在当前监测时间点的水面漂浮水产品数量;
第一确定单元,用于将水质监测数据标记在当日水质监测曲线图中,确定当前监测时间点的水质监测数据与前一监测时间点的水质监测数据的差值绝对值,得到水质数据横向波动幅度;
第二确定单元,用于将当前监测时间点的水质监测数据与历史记录数据中前若干天内在相同监测时间点的水质监测数据平均值进行纵向对比,确定水质数据纵向波动幅度;
生成单元,用于在水质数据横向波动幅度大于第一幅度阈值或水质数据纵向波动幅度大于第二幅度阈值时,生成一级监测预警信息;在水质数据横向波动幅度大于第一幅度阈值且水质数据纵向波动幅度大于第二幅度阈值时,生成二级监测预警信息;在水质数据横向波动幅度大于第一幅度阈值,水质数据纵向波动幅度大于第二幅度阈值,并且水面漂浮水产品数量大于设定的数量阈值时,生成三级监测预警信息;
发送单元,用于将一级监测预警信息、二级监测预警信息或三级监测预警信息发送至用户终端。
进一步地,所述系统还包括记录单元,所述记录单元用于在水质数据横向波动幅度未超过第一幅度阈值且水质数据纵向波动幅度也未超过第二幅度阈值时,将标记当前监测时间点水质监测数据的当日水质监测曲线图进行曲线连接更新及存储,并将当前监测时间点的水质监测数据汇总到历史记录数据中。
实施例3:
本实施例提供一种计算机设备,如图3所示,在硬件层面,包括:
数据接口,用于建立处理器与外部设备的数据对接;
存储器,用于存储指令;
处理器,用于读取所述存储器中存储的指令,并根据指令执行实施例1中的水产养殖环境监测管理方法。
可选地,该计算机设备还包括内部总线。处理器与存储器和显示器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(Extended Industry Standard Architecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
所述存储器可以但不限于包括随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、闪存(Flash Memory)、先进先出存储器(First InputFirst Output,FIFO)和/或先进后出存储器(First In Last Out,FILO)等。所述处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
实施例4:
本实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行实施例1中的水产养殖环境监测管理方法。其中,所述计算机可读存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等,所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程系统。
本实施例还提供一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行实施例1中的水产养殖环境监测管理方法。其中,所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程系统。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种水产养殖环境监测管理方法,其特征在于,包括:
获取目标水产养殖区域在设定监测时间点的水产养殖环境监测数据包,所述水产养殖环境监测数据包包含水面图像数据及水质监测数据;
对水产养殖环境监测数据包进行解析处理,获得水面图像数据及水质监测数据;
根据水面图像数据判定目标水产养殖区域在当前监测时间点的水面漂浮水产品数量;
将水质监测数据标记在当日水质监测曲线图中,确定当前监测时间点的水质监测数据与前一监测时间点的水质监测数据的差值绝对值,得到水质数据横向波动幅度;
将当前监测时间点的水质监测数据与历史记录数据中前若干天内在相同监测时间点的水质监测数据平均值进行纵向对比,确定水质数据纵向波动幅度;
在水质数据横向波动幅度大于第一幅度阈值或水质数据纵向波动幅度大于第二幅度阈值时,生成一级监测预警信息;在水质数据横向波动幅度大于第一幅度阈值且水质数据纵向波动幅度大于第二幅度阈值时,生成二级监测预警信息;在水质数据横向波动幅度大于第一幅度阈值,水质数据纵向波动幅度大于第二幅度阈值,并且水面漂浮水产品数量大于设定的数量阈值时,生成三级监测预警信息;
将一级监测预警信息、二级监测预警信息或三级监测预警信息发送至用户终端。
2.根据权利要求1所述的一种水产养殖环境监测管理方法,其特征在于,所述方法还包括:
在生成三级监测预警信息时,同步生成紧急控制指令;
将紧急控制指令下发至目标水产养殖区域的水产养殖控制终端。
3.根据权利要求1所述的一种水产养殖环境监测管理方法,其特征在于,所述方法还包括:
在水质数据横向波动幅度未超过第一幅度阈值且水质数据纵向波动幅度也未超过第二幅度阈值时,将标记当前监测时间点水质监测数据的当日水质监测曲线图进行曲线连接更新及存储,并将当前监测时间点的水质监测数据汇总到历史记录数据中。
4.根据权利要求1所述的一种水产养殖环境监测管理方法,其特征在于,所述水质监测数据为温度监测数据、PH监测数据、溶氧量监测数据、电导率监测数据、浊度监测数据、氨氮监测数据和COD监测数据中的一种或多种。
5.根据权利要求1所述的一种水产养殖环境监测管理方法,其特征在于,所述根据水面图像数据判定目标水产养殖区域在当前监测时间点的水面漂浮水产品数量,包括:将水面图像数据导入预置的水面漂浮水产品识别模型中进行分类识别,得到水面漂浮水产品的识别结果,并根据识别结果确定水面漂浮水产品数量。
6.根据权利要求5所述的一种水产养殖环境监测管理方法,其特征在于,所述水面漂浮水产品识别模型采用卷积神经网络模型,并经过至少1000组水面漂浮水产品图像样本训练,训练识别精度达到95%。
7.根据权利要求1所述的一种水产养殖环境监测管理方法,其特征在于,所述将当前监测时间点的水质监测数据与历史记录数据中前若干天内在相同监测时间点的水质监测数据平均值进行纵向对比,确定水质数据纵向波动幅度,包括:
根据当前监测时间点提取历史记录数据中前若干天内相同监测时间点的水质监测数据,并取平均值;
用当前监测时间点的水质监测数据减去平均值,得到的结果取绝对值作为水质数据纵向波动幅度。
8.根据权利要求1所述的一种水产养殖环境监测管理方法,其特征在于,所述对水产养殖环境监测数据包进行解析处理,获得水面图像数据及水质监测数据,包括:
采用设定的密钥对水产养殖环境监测数据包进行解密处理,得到解密后的数据集,解密后的数据集中包含分隔符;
将分隔符之前的数据串提取出来作为水质监测数据,将分隔符之后的数据串提取出来作为水面图像数据。
9.一种水产养殖环境监测管理系统,其特征在于,包括获取单元、解析单元、判定单元、第一确定单元、第二确定单元、生成单元和发送单元,其中:
获取单元,用于获取目标水产养殖区域在设定监测时间点的水产养殖环境监测数据包,所述水产养殖环境监测数据包包含水面图像数据及水质监测数据;
解析单元,用于对水产养殖环境监测数据包进行解析处理,获得水面图像数据及水质监测数据;
判定单元,用于根据水面图像数据判定目标水产养殖区域在当前监测时间点的水面漂浮水产品数量;
第一确定单元,用于将水质监测数据标记在当日水质监测曲线图中,确定当前监测时间点的水质监测数据与前一监测时间点的水质监测数据的差值绝对值,得到水质数据横向波动幅度;
第二确定单元,用于将当前监测时间点的水质监测数据与历史记录数据中前若干天内在相同监测时间点的水质监测数据平均值进行纵向对比,确定水质数据纵向波动幅度;
生成单元,用于在水质数据横向波动幅度大于第一幅度阈值或水质数据纵向波动幅度大于第二幅度阈值时,生成一级监测预警信息;在水质数据横向波动幅度大于第一幅度阈值且水质数据纵向波动幅度大于第二幅度阈值时,生成二级监测预警信息;在水质数据横向波动幅度大于第一幅度阈值,水质数据纵向波动幅度大于第二幅度阈值,并且水面漂浮水产品数量大于设定的数量阈值时,生成三级监测预警信息;
发送单元,用于将一级监测预警信息、二级监测预警信息或三级监测预警信息发送至用户终端。
10.根据权利要求9所述的一种水产养殖环境监测管理系统,其特征在于,所述系统还包括记录单元,所述记录单元用于在水质数据横向波动幅度未超过第一幅度阈值且水质数据纵向波动幅度也未超过第二幅度阈值时,将标记当前监测时间点水质监测数据的当日水质监测曲线图进行曲线连接更新及存储,并将当前监测时间点的水质监测数据汇总到历史记录数据中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211107241.7A CN115200647A (zh) | 2022-09-13 | 2022-09-13 | 一种水产养殖环境监测管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211107241.7A CN115200647A (zh) | 2022-09-13 | 2022-09-13 | 一种水产养殖环境监测管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115200647A true CN115200647A (zh) | 2022-10-18 |
Family
ID=83572576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211107241.7A Pending CN115200647A (zh) | 2022-09-13 | 2022-09-13 | 一种水产养殖环境监测管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115200647A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115616183A (zh) * | 2022-11-29 | 2023-01-17 | 深圳市猫头鹰智慧科技有限公司 | 水产养殖用水质监测预警系统 |
CN115825368A (zh) * | 2022-12-26 | 2023-03-21 | 南京市水产科学研究所 | 基于物联网的水产养殖业的水质监测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108346004A (zh) * | 2018-02-12 | 2018-07-31 | 安徽千云度信息技术有限公司 | 一种基于大数据的水资源监控分析系统及方法 |
CN109164227A (zh) * | 2018-11-01 | 2019-01-08 | 杭州电子科技大学 | 一种深海水质环境监测系统 |
CN109342685A (zh) * | 2018-12-13 | 2019-02-15 | 刘山平 | 一种基于计算机的水产养殖监控系统 |
CN109472883A (zh) * | 2018-09-27 | 2019-03-15 | 中国农业大学 | 巡塘方法和装置 |
CN109711590A (zh) * | 2017-10-26 | 2019-05-03 | 中国电信股份有限公司 | 渔业水质分析监测方法、装置和系统 |
CN111083662A (zh) * | 2019-12-18 | 2020-04-28 | 深圳市快鱼环保技术有限公司 | 基于云计算的水质监测物联网系统 |
CN113243329A (zh) * | 2021-07-01 | 2021-08-13 | 青岛明赫渔业工程科技有限责任公司 | 一种基于物联网的智能化养殖系统 |
WO2021260732A1 (en) * | 2020-06-24 | 2021-12-30 | Bariflolabs Private Limited | Intelligent waterbody management system |
-
2022
- 2022-09-13 CN CN202211107241.7A patent/CN115200647A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711590A (zh) * | 2017-10-26 | 2019-05-03 | 中国电信股份有限公司 | 渔业水质分析监测方法、装置和系统 |
CN108346004A (zh) * | 2018-02-12 | 2018-07-31 | 安徽千云度信息技术有限公司 | 一种基于大数据的水资源监控分析系统及方法 |
CN109472883A (zh) * | 2018-09-27 | 2019-03-15 | 中国农业大学 | 巡塘方法和装置 |
CN109164227A (zh) * | 2018-11-01 | 2019-01-08 | 杭州电子科技大学 | 一种深海水质环境监测系统 |
CN109342685A (zh) * | 2018-12-13 | 2019-02-15 | 刘山平 | 一种基于计算机的水产养殖监控系统 |
CN111083662A (zh) * | 2019-12-18 | 2020-04-28 | 深圳市快鱼环保技术有限公司 | 基于云计算的水质监测物联网系统 |
WO2021260732A1 (en) * | 2020-06-24 | 2021-12-30 | Bariflolabs Private Limited | Intelligent waterbody management system |
CN113243329A (zh) * | 2021-07-01 | 2021-08-13 | 青岛明赫渔业工程科技有限责任公司 | 一种基于物联网的智能化养殖系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115616183A (zh) * | 2022-11-29 | 2023-01-17 | 深圳市猫头鹰智慧科技有限公司 | 水产养殖用水质监测预警系统 |
CN115616183B (zh) * | 2022-11-29 | 2023-03-31 | 深圳市猫头鹰智慧科技有限公司 | 水产养殖用水质监测预警系统 |
CN115825368A (zh) * | 2022-12-26 | 2023-03-21 | 南京市水产科学研究所 | 基于物联网的水产养殖业的水质监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115067243B (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 | |
CN102124964B (zh) | 海水养殖智能化管理系统 | |
CN110456026B (zh) | 一种土壤墒情监测方法及装置 | |
CN112526097A (zh) | 一种基于大数据分析的养殖水体环境智能监测管理系统 | |
CN109657200B (zh) | 一种确定湖泊水库蓝藻水华爆发几率的方法 | |
CN115200647A (zh) | 一种水产养殖环境监测管理方法及系统 | |
CN109711590B (zh) | 渔业水质分析监测方法、装置和系统 | |
CN112684838A (zh) | 一种基于卫生防疫的猪场环境控制系统 | |
CN113375730A (zh) | 一种长短时记忆神经网络监测螃蟹生存水体环境系统 | |
CN116611000B (zh) | 基于机器学习的大闸蟹养殖环境智能监测系统 | |
CN117350435A (zh) | 一种对虾工厂化养殖设备管理方法及系统 | |
CN111310792B (zh) | 一种基于决策树的药敏实验结果识别方法与系统 | |
CN115237945A (zh) | 一种基于神经网络的渔船作业方式识别方法和系统 | |
CN117434235A (zh) | 基于水质监测的水华预警方法、装置、设备及介质 | |
CN109633113B (zh) | 基于青鳉鱼逐级行为模型的水质监测预警方法及系统 | |
CN115034693B (zh) | 基于物联网的生物信息数据安全管理方法、系统及存储介质 | |
CN115914560A (zh) | 一种母猪智能精准饲喂方法、装置、电子设备和存储介质 | |
CN114419432A (zh) | 一种鱼群摄食强度评估方法及装置 | |
CN115100513A (zh) | 基于计算机视觉识别的养殖对象进食量估算方法及系统 | |
CN114330858A (zh) | 一种水生态环境的评估系统 | |
WO2022134579A1 (zh) | 业务交易数据的异常检测方法、装置及计算机设备 | |
CN203324784U (zh) | 多传感器信息融合的集约化水产福利养殖水质监控装置 | |
CN116579508B (zh) | 一种鱼类预测方法、装置、设备及存储介质 | |
CN113325151B (zh) | 一种对水产养殖过程中水质进行分析评价的方法和系统 | |
CN115080635A (zh) | 一种水产品养殖数据的采集传输及统计分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221018 |
|
RJ01 | Rejection of invention patent application after publication |