CN115294463A - 一种鱼情可视化的方法及相关设备 - Google Patents

一种鱼情可视化的方法及相关设备 Download PDF

Info

Publication number
CN115294463A
CN115294463A CN202210754727.3A CN202210754727A CN115294463A CN 115294463 A CN115294463 A CN 115294463A CN 202210754727 A CN202210754727 A CN 202210754727A CN 115294463 A CN115294463 A CN 115294463A
Authority
CN
China
Prior art keywords
data
image information
fish
information
fishing ground
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
Application number
CN202210754727.3A
Other languages
English (en)
Inventor
姚瑶
林锦
朱晨希
陈锴
王艺澄
廖炜云
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.)
Minnan University of Science and Technology
Original Assignee
Minnan University of Science and Technology
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 Minnan University of Science and Technology filed Critical Minnan University of Science and Technology
Priority to CN202210754727.3A priority Critical patent/CN115294463A/zh
Publication of CN115294463A publication Critical patent/CN115294463A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06F16/26—Visual data mining; Browsing structured data
    • 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
    • G06F16/29—Geographical information databases
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Agronomy & Crop Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种鱼情可视化的方法及相关设备。本申请中由服务器获取获取海洋卫星数据、海洋监测站数据、船舶数据和鱼群习性数据；基于所述海洋卫星数据、所述海洋监测站数据和所述鱼群习性数据获取渔场信息；基于所述船舶数据和所述渔场信息生成中心数据库；基于图像处理算法对所述中心数据库进行处理，输出鱼群图像信息和渔场图像信息；对所述鱼群图像信息和所述渔场图像信息进行处理，输出目标图像信息；其中，所述目标图像信息包括一维散布点图、二维散布点图和高维度散布点图的至少一种；向终端设备发送目标图像信息。这样能够直观地将目标图像信息显示在终端设备上，从而做到精确、实时、直观地预测鱼群所在位置。

Description

一种鱼情可视化的方法及相关设备
技术领域
本公开涉及数据处理技术领域，尤其涉及一种鱼情可视化的方法及相关设备。
背景技术
海洋渔场预报相比于天气预报更加困难，主要是人们对海洋的观测远远不及陆地和气象，而渔场又涉及到海洋鱼类和虾类，鱼虾类是可以移动的，且自身种群资源存在较大的年际波动，故要实现精准预测难上加难。
西北太平洋敷网渔场主要是公海海域，渔场主要分布于北纬40-44度，但由于该渔场开发年限仅6年，一些渔场规律仍然难以掌握，渔场预报存在一些盲点。虽然纸面上的分析和想象很完美，但在实际渔场预测中会存在很多问题，例如针对海洋里的鱼类及渔场预测是远远大于天气预报的，因为鱼是游动的，既有水平也有垂直，规律难以掌握，无观测仪器，多凭历史经验和现场经验，同时渔场还需要一定规模的鱼类数量才能称为渔场，渔场与环境的关系研究也不容易掌握，渔场环境的实时和预测也较为困难。
然而，在现有的鱼类检测方法中，从鱼群辐射出来的声音信号在水中的传输特性依赖于频率而变化，影响了鱼群的直接运动以及在鱼群周围产生的各种声音信号。由于产生了各种误差，因此存在难以导出精确结果值的问题，无法做到精确、实时、直观地预测鱼群所在位置。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本本申请的目的在于提供一种鱼情可视化的方法及相关设备，至少在一定程度上克服现有技术存在的问题，可以直观地预测鱼群所在位置并将直观的成像在船载终端或者移动终端上显示。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本申请的一个方面，提供一种鱼情可视化的方法，包括：获取海洋卫星数据、海洋监测站数据、船舶数据和鱼群习性数据；基于所述海洋卫星数据、所述海洋监测站数据和所述鱼群习性数据获取渔场信息；基于所述船舶数据和所述渔场信息生成中心数据库；基于图像处理算法对所述中心数据库进行处理，输出鱼群图像信息和渔场图像信息；对所述鱼群图像信息和所述渔场图像信息进行处理，输出目标图像信息；其中，所述目标图像信息包括一维散布点图、二维散布点图和高维度散布点图的至少一种；向终端设备发送目标图像信息。
在本申请的一个实施例中，所述对所述鱼群图像信息和所述渔场图像信息进行处理，输出目标图像信息，包括：基于所述鱼群图像信息获取鱼群的实时位置信息；基于所述船舶数据获取船舶的实时位置信息；基于所述鱼群的实时位置信息和所述船舶的实时位置信息，确认目标地址图像信息；其中，所述目标地址图像信息包括所述船舶与鱼群的实时距离信息。
在本申请的一个实施例中，所述基于所述鱼群的实时位置信息和所述船舶的实时位置信息，确认目标地址图像信息，包括：基于所述海洋卫星数据和所述海洋监测站数据获取海域信息；基于海表温度、叶绿素浓度、海流海洋环境信息将海域信息划分为若干个目标区域；基于所述鱼群的实时位置信息和所述船舶的实时位置信息确认所述鱼群和所述船舶所处的目标区域；将所述鱼群和所述船舶所处的目标区域作为目标地址图像信息。
在本申请的一个实施例中，在所述向终端设备发送目标图像信息之前，还包括：基于所述目标图像信息输出推荐信息；其中，所述推荐信息包括达到预设距离的船舶和鱼群的图像信息。
在本申请的一个实施例中，基于渔场的历史数据确定所述渔场的渔情分析预报结果；根据所述渔场对应的海洋气象数据确定所述渔场的气象风险分析预报结果；对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析，得到综合渔情分析预报结果。
在本申请的一个实施例中，所述基于渔场的历史数据确定所述渔场的渔情分析预报结果，包括：对渔场的历史数据进行数据处理，得到待建模数据；根据所述待建模数据及预设建模方法建立对应的预报模型；基于所述对应的预报模型的评估分析确定所述渔场的渔情分析预报结果。
本申请的另一个方面，一种鱼情可视化的装置，包括：接收模块，被配置为获取海洋卫星数据、海洋监测站数据、船舶数据、鱼群习性数据和渔场信息；处理模块，被配置为基于所述海洋卫星数据、所述海洋监测站数据、所述船舶数据和所述鱼群习性数据生成中心数据库；基于图像处理算法对所述中心数据库和渔场信息进行处理，输出鱼群图像信息和渔场图像信息；对所述鱼群图像信息和所述渔场图像信息进行处理，输出目标图像信息；其中，所述目标图像信息包括一维散布点图、二维散布点图和高维度散布点图的至少一种；发送模块，被配置为向终端设备发送目标图像信息。
根据本申请的再一个方面，一种电子设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行实现上述的鱼情可视化的方法。
根据本公开的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的鱼情可视化的方法。
根据本申请的又一个方面，还提供了一种计算机程序产品，包括计算机指令，所述计算机指令存储在计算机可读存储介质中，所述计算机指令被处理器执行时实现上述任一项所述的鱼情可视化的方法。
本申请所提供的一种鱼情可视化的方法，由服务器获取获取海洋卫星数据、海洋监测站数据、船舶数据和鱼群习性数据；基于所述海洋卫星数据、所述海洋监测站数据和所述鱼群习性数据获取渔场信息；基于所述船舶数据和所述渔场信息生成中心数据库；基于图像处理算法对所述中心数据库进行处理，输出鱼群图像信息和渔场图像信息；对所述鱼群图像信息和所述渔场图像信息进行处理，输出目标图像信息；其中，所述目标图像信息包括一维散布点图、二维散布点图和高维度散布点图的至少一种；向终端设备发送目标图像信息。这样能够直观地将目标图像信息显示在终端设备上，从而做到精确、实时、直观地预测鱼群所在位置。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本申请一实施例所提供的一种鱼情可视化的方法的流程图。
图2示出本申请一实施例所提供的一种鱼情可视化的方法的另一流程图。
图3示出本申请一实施例所提供的一种鱼情可视化的方法的结构示意图。
图4示出了本申请一实施例所提供的一种鱼情可视化的装置的结构示意图。
图5示出了本申请一实施例所提供的一种电子设备的结构示意图。
图6示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
下面结合图1至图3来描述根据本申请示例性实施方式的鱼情可视化的方法。需要注意的是，下述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。
一种实施方式中，本申请还提出一种鱼情可视化的方法。图1示意性地示出了根据本申请实施方式的一种鱼情可视化的方法的流程示意图。如图1所示，该方法应用于服务器，包括：
S101，获取海洋卫星数据、海洋监测站数据、船舶数据和鱼群习性数据。
一种方式中，服务器基于海洋卫星数据的参数信息对检验源数据进行时空三维样条插值处理，以获取海洋卫星数据的参考数据。一种实施方式中，海洋卫星数据包括但不限于海洋表面温度SST、海表面高度SSH、海表面风场SSW和海表面叶绿素含量CHL，精度为0.25°*0.25°、每天。
此外，服务器也可实时或预先通过网络获取海洋监测站发送的海洋监测站数据以及鱼群习性数据等。服务器还可接收船舶设备发送的雷达信息，进而获取船舶信息。
S102，基于海洋卫星数据、海洋监测站数据和鱼群习性数据获取渔场信息。
一种方式中，服务器基于多数学模型嵌套结构对鱼群习性数据进行处理，输出鱼群属性信息，其中，鱼群属性信息包括鱼群移动方向、鱼群坐标、鱼群密度和鱼群品种的至少一种。
服务器根据海洋卫星数据、海洋监测站数据和鱼群习性数据进行分析，从而获得各个海域中鱼群的分布情况，根据鱼群的实时位置、鱼群的产卵繁殖季节、地点、索饵育肥、当前水温等环境条件进行分析，从而确认具有捕捞价值且鱼群相对集中的场所。
S103，基于船舶数据和渔场信息生成中心数据库。
一种方式中，服务器根据船舶数据和渔场信息生成中心数据库，该中心数据库中存储有各个渔场和各个船舶的实时数据，便于服务器及时反馈给船舶当前各个渔场的信息，从而达到船舶可以灵活调度至距离其较近的渔场。
S104，基于图像处理算法对中心数据库进行处理，输出鱼群图像信息和渔场图像信息。
一种方式中，服务器基于卷积神经网络、边缘算法和模糊识别算法的至少一种对海洋卫星数据、海洋监测站数据和船舶数据进行处理，输出鱼群图像信息和渔场图像信息。
一种实现方式中，卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representationlearning)能力，能够按其阶层结构对输入信息进行平移不变分类。卷积神经网络的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
另一种实现方式中，边缘算法和模糊识别算法可应用于图像识别技术，主要包括信息的获取、预处理、特征抽取和选择、分类器设计和分类决策。
信息的获取是指通过传感器，将光或声音等信息转化为电信息。也就是获取研究对象的基本信息并通过某种方法将其转变为机器能够认识的信息。
预处理主要是指图像处理中的去噪、平滑、变换等的操作，从而加强图像的重要特征。
特征抽取和选择是指在模式识别中，需要进行特征的抽取和选择。简单的理解就是我们所研究的图像是各式各样的，如果要利用某种方法将它们区分开，就要通过这些图像所具有的本身特征来识别，而获取这些特征的过程就是特征抽取。在特征抽取中所得到的特征也许对此次识别并不都是有用的，这个时候就要提取有用的特征，这就是特征的选择。特征抽取和选择在图像识别过程中是非常关键的技术之一，所以对这一步的理解是图像识别的重点。
分类器设计是指通过训练而得到一种识别规则，通过此识别规则可以得到一种特征分类，使图像识别技术能够得到高识别率。分类决策是指在特征空间中对被识别对象进行分类，从而更好地识别所研究的对象具体属于哪一类。
S105、对鱼群图像信息和渔场图像信息进行处理，输出目标图像信息；其中，目标图像信息包括一维散布点图、二维散布点图和高维度散布点图的至少一种。
一种方式中，服务器采用可视化技术为海量遥感图像数据处理带来了新的技术支撑，其具备开放性和透明性等特点，从而进一步强化遥感图像处理系统的功能，能够更加快捷、简单地处理用户需求与软件开发之间的语义断层。
此外，服务器生成包含人机界面的图像信息，人机界面介于用户与计算之间，可以更好地实现人机交换，在人机界面技术应用方面，以色彩、大小、运动、方向的感知提示等为主，可以在很大程度上提高系统的实用性、可移植性。
S106、向终端设备发送目标图像信息。
本申请中由服务器获取获取海洋卫星数据、海洋监测站数据、船舶数据和鱼群习性数据；基于海洋卫星数据、海洋监测站数据和鱼群习性数据获取渔场信息；基于船舶数据和渔场信息生成中心数据库；基于图像处理算法对中心数据库进行处理，输出鱼群图像信息和渔场图像信息；对鱼群图像信息和渔场图像信息进行处理，输出目标图像信息；其中，目标图像信息包括一维散布点图、二维散布点图和高维度散布点图的至少一种；向终端设备发送目标图像信息。这样能够直观地将目标图像信息显示在终端设备上，从而做到精确、实时、直观地预测鱼群所在位置。
可选地，在基于本申请上述方法的另一个实施例中，对鱼群图像信息和渔场图像信息进行处理，输出目标图像信息(S105)，包括：
基于鱼群图像信息获取鱼群的实时位置信息；
基于船舶数据获取船舶的实时位置信息；
基于鱼群的实时位置信息和船舶的实时位置信息，确认目标地址图像信息；其中，目标地址图像信息包括船舶与鱼群的实时距离信息。
一种实施方式中，服务器利用参考数据计算海洋卫星数据的观测误差；将观测误差在预设的基于海洋卫星数据进行等经纬网络划分生成的空间等经纬网格上进行投影，以获得投影结果。
服务器在预测到鱼群所在位置后终端将会指引渔船抵达预测坐标。并且根据船载设备所搭载的毫米波雷达协助成像，通过算法内包含的可视化图像处理机制，输出信息量足、图像清晰且直观的成像。从而实现精确、实时、直观地预测鱼群所在位置，并且通过对卫星图像的处理直观地显示在船载终端或者是移动终端上。
可选地，在基于本申请上述方法的另一个实施例中，如图2所示，基于鱼群的实时位置信息和船舶的实时位置信息，确认目标地址图像信息，包括：
基于海洋卫星数据和海洋监测站数据获取海域信息；
基于海表温度、叶绿素浓度、海流海洋环境信息将海域信息划分为若干个目标区域；
基于鱼群的实时位置信息和船舶的实时位置信息确认鱼群和船舶所处的目标区域；
将鱼群和船舶所处的目标区域作为目标地址图像信息。
一种实施方式中，如图3所示，服务器根据海表温度、叶绿素浓度、海流海洋环境信息将目标区域划分为若干网状结构，且每个网格分别采用对应的颜色、鱼群的数据和船舶的数量等进行展示。
此外，服务器生成包含人机界面的图像信息，人机界面介于用户与计算之间，可以更好地实现人机交换，在人机界面技术应用方面，以色彩、大小、运动、方向的感知提示等为主，可以在很大程度上提高系统的实用性、可移植性。
可选地，在基于本申请上述方法的另一个实施例中，在向终端设备发送目标图像信息(S106)之前，还包括：
基于目标图像信息输出推荐信息；
其中，推荐信息包括达到预设距离的船舶和鱼群的图像信息。
一种实施方式中，服务器在预测到鱼群所在位置后终端将会指引渔船抵达预测坐标。并且根据船载设备所搭载的毫米波雷达协助成像，通过算法内包含的可视化图像处理机制，输出信息量足、图像清晰且直观的成像，以供船舶能够精确、实时、直观地预测鱼群所在位置。
可选地，在基于本申请上述方法的另一个实施例中，方法还包括：
基于渔场的历史数据确定渔场的渔情分析预报结果；
根据渔场对应的海洋气象数据确定渔场的气象风险分析预报结果；
对渔情分析预报结果与气象风险分析预报结果进行综合分析，得到综合渔情分析预报结果。
一种实施方式中，获取渔场的历史数据，比如渔业捕捞生产的历史数据、渔场渔船轨迹数据等多源的历史数据，对渔场的多源的历史数据进行数据融合和分析等数据处理过程，对处理后的数据基于统计分析、数据挖掘、机器学习、人工智能方法建立渔情预报的多种预测模型，采用组合预测方法实现渔情预报的高准确性，可根据建立起的多种预测模型进行组合以实现渔情的综合预报，也可利用各渔场的一些历史数据或当前数据对建立起的多种预测模型中的每个预测模型都进行评估，得到每个渔场对应的最优预测模型，从而利用该最优预测模型确定该渔场的渔情分析预报结果，各渔场的预测模型不再统一使用同一预测模型，而是选取符合自身实际情况的最优预测模型，提高了各渔场的渔情分析预报结果的准确率。
另一种实施方式中，渔场对应的海洋气象数据包括该渔场所在的海洋位置上的海洋历史气象数据、当前气象数据以及可预测到的未来气象数据，海洋气象数据比如降水量、气压、潮位、盐度、风力风向等多源数据，可从气象卫星上获取，也可从其他海洋气象预测设备中获取这些海洋气象数据，对获取到的多源海洋气象数据进行融合与分析等数据处理过程，基于处理后的数据采用层次分析、模糊评价方法对各渔场的气象灾害风险进行气象风险综合分析，建立海洋气象风险综合评估分析系统，以进行对该渔场的海洋气象风险进行分析预报及利用建立起的气象风险综合评估分析系统进行海洋气象灾害监测预警，得到该渔场对应的气象风险分析预报结果。通过根据每个渔场对应的海洋气象数据建立渔场的海洋气象风险综合评估分析系统，从而提供了与每个渔场相关的海洋气象风险综合指标，提供包括多种风险指数的气象风险分析预报结果，为每个渔场的渔业安全生产提供指导。
通过本申请的方法建立起的渔情可视化系统得到的渔场的渔情分析预报结果，提高了预报的准确率，并将预报结果在GIS(地理信息系统)上进行可视化展示和快速发布，本申请的方法中基于层次分析和模糊评价的海洋气象风险综合评价方法，对各渔场的气象风险进行了评估分析，得到各渔场的气象风险分析预报结果；将渔场的渔情分析预报结果与渔场的气象风险分析预报结果相结合，提供基于海况和渔况的综合渔情分析预报结果，即提供各渔场渔情预报结果的同时，还提供了渔场对应的气象风险指数，弥补了现有技术中渔情预报服务准确率低及缺少海上气象灾害风险的评估的不足方面，为远洋渔业安全生产和管理提供更好的指导。
可选地，在基于本申请上述方法的另一个实施例中，基于渔场的历史数据确定渔场的渔情分析预报结果，包括：
对渔场的历史数据进行数据处理，得到待建模数据；根据待建模数据及预设建模方法建立对应的预报模型；
基于对应的预报模型的评估分析确定渔场的渔情分析预报结果。
一种实施方式中，因服务器采集的渔场的历史数据为实际场景中的实际数据值，而实际数据值由于采集设备、环境等因素可能出现异常值、缺失部分数据值等情况，因此需要对采集到的渔场的历史数据进行数据处理，同时经过数据处理可以将历史数据进行规范化、完整化，得到待建模数据，方便后续建模，根据待建模数据及预设建模方法建立对应的预报模型，待建模数据为已被处理过的为完整规范化的数据，基于待建模数据采用多种建模方法能够加快建模速度及提高建立起的多种预报模型的准确性，对多种预报模型进行评估分析，可将多种预报模型的预报结果的综合结果作为渔场的渔情分析预报结果，也可对多种预报模型进行评估分析后选取最优的预报模型，利用最优的预报模型确定渔场的渔情分析预报结果，因此，利用建立起的多种预报模型能够实现更准确的预报分析，为渔业生产提供更准确的指导。
本申请中由服务器获取获取海洋卫星数据、海洋监测站数据、船舶数据和鱼群习性数据；基于海洋卫星数据、海洋监测站数据和鱼群习性数据获取渔场信息；基于船舶数据和渔场信息生成中心数据库；基于图像处理算法对中心数据库进行处理，输出鱼群图像信息和渔场图像信息；基于鱼群图像信息获取鱼群的实时位置信息；基于海洋卫星数据和海洋监测站数据获取海域信息；基于海表温度、叶绿素浓度、海流海洋环境信息将海域信息划分为若干个目标区域；基于鱼群的实时位置信息和船舶的实时位置信息确认鱼群和船舶所处的目标区域；将鱼群和船舶所处的目标区域作为目标地址图像信息；其中，目标地址图像信息包括船舶与鱼群的实时距离信息；其中，目标图像信息包括一维散布点图、二维散布点图和高维度散布点图的至少一种。这样能够直观地将目标图像信息显示在终端设备上，从而做到精确、实时、直观地预测鱼群所在位置。
此外，服务器基于目标图像信息输出推荐信息；其中，推荐信息包括达到预设距离的船舶和鱼群的图像信息；向终端设备发送目标图像信息。基于渔场的历史数据确定渔场的渔情分析预报结果；根据渔场对应的海洋气象数据确定渔场的气象风险分析预报结果；对渔情分析预报结果与气象风险分析预报结果进行综合分析，得到综合渔情分析预报结果。本申请利用建立起的多种预报模型能够实现更准确的预报分析，为渔业生产提供更准确的指导。
一种实施方式中，如图4所示，本申请还提供一种鱼情可视化的装置，包括：
接收模块401，被配置为获取海洋卫星数据、海洋监测站数据、船舶数据、鱼群习性数据和渔场信息；
处理模块402，被配置为基于海洋卫星数据、海洋监测站数据、船舶数据和鱼群习性数据生成中心数据库；基于图像处理算法对中心数据库和渔场信息进行处理，输出鱼群图像信息和渔场图像信息；对鱼群图像信息和渔场图像信息进行处理，输出目标图像信息；其中，目标图像信息包括一维散布点图、二维散布点图和高维度散布点图的至少一种；
发送模块403，被配置为向终端设备发送目标图像信息。
本申请中由服务器获取获取海洋卫星数据、海洋监测站数据、船舶数据和鱼群习性数据；基于海洋卫星数据、海洋监测站数据和鱼群习性数据获取渔场信息；基于船舶数据和渔场信息生成中心数据库；基于图像处理算法对中心数据库进行处理，输出鱼群图像信息和渔场图像信息；对鱼群图像信息和渔场图像信息进行处理，输出目标图像信息；其中，目标图像信息包括一维散布点图、二维散布点图和高维度散布点图的至少一种；向终端设备发送目标图像信息。这样能够直观地将目标图像信息显示在终端设备上，从而做到精确、实时、直观地预测鱼群所在位置。
在本申请的另外一种实施方式中，处理模块402，被配置为对鱼群图像信息和渔场图像信息进行处理，输出目标图像信息，包括：
基于鱼群图像信息获取鱼群的实时位置信息；
基于船舶数据获取船舶的实时位置信息；
基于鱼群的实时位置信息和船舶的实时位置信息，确认目标地址图像信息；其中，目标地址图像信息包括船舶与鱼群的实时距离信息。
在本申请的另外一种实施方式中，处理模块402，被配置为基于鱼群的实时位置信息和船舶的实时位置信息，确认目标地址图像信息，包括：
基于海洋卫星数据和海洋监测站数据获取海域信息；
基于海表温度、叶绿素浓度、海流海洋环境信息将海域信息划分为若干个目标区域；
基于鱼群的实时位置信息和船舶的实时位置信息确认鱼群和船舶所处的目标区域；
将鱼群和船舶所处的目标区域作为目标地址图像信息。
在本申请的另外一种实施方式中，处理模块402，被配置为在向终端设备发送目标图像信息之前，还包括：
基于目标图像信息输出推荐信息；
其中，推荐信息包括达到预设距离的船舶和鱼群的图像信息。
在本申请的另外一种实施方式中，处理模块402，被配置为基于渔场的历史数据确定渔场的渔情分析预报结果；
根据渔场对应的海洋气象数据确定渔场的气象风险分析预报结果；
对渔情分析预报结果与气象风险分析预报结果进行综合分析，得到综合渔情分析预报结果。
在本申请的另外一种实施方式中，处理模块402，被配置为基于渔场的历史数据确定渔场的渔情分析预报结果，包括：
对渔场的历史数据进行数据处理，得到待建模数据；根据待建模数据及预设建模方法建立对应的预报模型；
基于对应的预报模型的评估分析确定渔场的渔情分析预报结果。
本申请中由服务器获取获取海洋卫星数据、海洋监测站数据、船舶数据和鱼群习性数据；基于海洋卫星数据、海洋监测站数据和鱼群习性数据获取渔场信息；基于船舶数据和渔场信息生成中心数据库；基于图像处理算法对中心数据库进行处理，输出鱼群图像信息和渔场图像信息；基于鱼群图像信息获取鱼群的实时位置信息；基于海洋卫星数据和海洋监测站数据获取海域信息；基于海表温度、叶绿素浓度、海流海洋环境信息将海域信息划分为若干个目标区域；基于鱼群的实时位置信息和船舶的实时位置信息确认鱼群和船舶所处的目标区域；将鱼群和船舶所处的目标区域作为目标地址图像信息；其中，目标地址图像信息包括船舶与鱼群的实时距离信息；其中，目标图像信息包括一维散布点图、二维散布点图和高维度散布点图的至少一种。这样能够直观地将目标图像信息显示在终端设备上，从而做到精确、实时、直观地预测鱼群所在位置。
此外，服务器基于目标图像信息输出推荐信息；其中，推荐信息包括达到预设距离的船舶和鱼群的图像信息；向终端设备发送目标图像信息。基于渔场的历史数据确定渔场的渔情分析预报结果；根据渔场对应的海洋气象数据确定渔场的气象风险分析预报结果；对渔情分析预报结果与气象风险分析预报结果进行综合分析，得到综合渔情分析预报结果。本申请利用建立起的多种预报模型能够实现更准确的预报分析，为渔业生产提供更准确的指导。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图1中所示的S101，获取海洋卫星数据、海洋监测站数据、船舶数据和鱼群习性数据；S102，基于所述海洋卫星数据、所述海洋监测站数据和所述鱼群习性数据获取渔场信息；S103，基于所述船舶数据和所述渔场信息生成中心数据库；S104，基于图像处理算法对所述中心数据库进行处理，输出鱼群图像信息和渔场图像信息；S105、对所述鱼群图像信息和所述渔场图像信息进行处理，输出目标图像信息；其中，所述目标图像信息包括一维散布点图、二维散布点图和高维度散布点图的至少一种；S106、向终端设备发送目标图像信息。
存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
下面参照图6，在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品600。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品600的形式，其包括程序代码，当所述程序产品600在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
描述了根据本发明的实施方式的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品600不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品600可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种鱼情可视化的方法，其特征在于，包括：
获取海洋卫星数据、海洋监测站数据、船舶数据和鱼群习性数据；
基于所述海洋卫星数据、所述海洋监测站数据和所述鱼群习性数据获取渔场信息；
基于所述船舶数据和所述渔场信息生成中心数据库；
基于图像处理算法对所述中心数据库进行处理，输出鱼群图像信息和渔场图像信息；
对所述鱼群图像信息和所述渔场图像信息进行处理，输出目标图像信息；其中，所述目标图像信息包括一维散布点图、二维散布点图和高维度散布点图的至少一种；
向终端设备发送目标图像信息。
2.根据权利要求1所述的鱼情可视化的方法，其特征在于，所述对所述鱼群图像信息和所述渔场图像信息进行处理，输出目标图像信息，包括：
基于所述鱼群图像信息获取鱼群的实时位置信息；
基于所述船舶数据获取船舶的实时位置信息；
基于所述鱼群的实时位置信息和所述船舶的实时位置信息，确认目标地址图像信息；其中，所述目标地址图像信息包括所述船舶与鱼群的实时距离信息。
3.根据权利要求2所述的鱼情可视化的方法，其特征在于，所述基于所述鱼群的实时位置信息和所述船舶的实时位置信息，确认目标地址图像信息，包括：
基于所述海洋卫星数据和所述海洋监测站数据获取海域信息；
基于海表温度、叶绿素浓度、海流海洋环境信息将海域信息划分为若干个目标区域；
基于所述鱼群的实时位置信息和所述船舶的实时位置信息确认所述鱼群和所述船舶所处的目标区域；
将所述鱼群和所述船舶所处的目标区域作为目标地址图像信息。
4.根据权利要求1所述的鱼情可视化的方法，其特征在于，在所述向终端设备发送目标图像信息之前，还包括：
基于所述目标图像信息输出推荐信息；
其中，所述推荐信息包括达到预设距离的船舶和鱼群的图像信息。
5.根据权利要求1所述的鱼情可视化的方法，其特征在于，还包括
基于渔场的历史数据确定所述渔场的渔情分析预报结果；
根据所述渔场对应的海洋气象数据确定所述渔场的气象风险分析预报结果；
对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析，得到综合渔情分析预报结果。
6.根据权利要求5所述的鱼情可视化的方法，其特征在于，所述基于渔场的历史数据确定所述渔场的渔情分析预报结果，包括：
对渔场的历史数据进行数据处理，得到待建模数据；
根据所述待建模数据及预设建模方法建立对应的预报模型；
基于所述对应的预报模型的评估分析确定所述渔场的渔情分析预报结果。
7.一种鱼情可视化的装置，其特征在于，包括：
接收模块，被配置为获取海洋卫星数据、海洋监测站数据、船舶数据、鱼群习性数据和渔场信息；
处理模块，被配置为基于所述海洋卫星数据、所述海洋监测站数据、所述船舶数据和所述鱼群习性数据生成中心数据库；基于图像处理算法对所述中心数据库和渔场信息进行处理，输出鱼群图像信息和渔场图像信息；对所述鱼群图像信息和所述渔场图像信息进行处理，输出目标图像信息；其中，所述目标图像信息包括一维散布点图、二维散布点图和高维度散布点图的至少一种；
发送模块，被配置为向终端设备发送目标图像信息。
8.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～6中任意一项所述的鱼情可视化的方法。
9.一种计算机可读存储介质，用于存储计算机可读取的指令，其特征在于，所述指令被执行时实现权利要求1～6中任意一项所述的鱼情可视化的方法的操作。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～6中任意一项所述的鱼情可视化的方法。
CN202210754727.3A 2022-06-30 2022-06-30 一种鱼情可视化的方法及相关设备 Pending CN115294463A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210754727.3A CN115294463A (zh) 2022-06-30 2022-06-30 一种鱼情可视化的方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210754727.3A CN115294463A (zh) 2022-06-30 2022-06-30 一种鱼情可视化的方法及相关设备

Publications (1)

Publication Number Publication Date
CN115294463A true CN115294463A (zh) 2022-11-04

Family

ID=83820014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210754727.3A Pending CN115294463A (zh) 2022-06-30 2022-06-30 一种鱼情可视化的方法及相关设备

Country Status (1)

Country Link
CN (1) CN115294463A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496307A (zh) * 2022-11-21 2022-12-20 中国水产科学研究院南海水产研究所 一种基于物联网通信的渔业船舶生产方法、系统及介质
CN117576839A (zh) * 2024-01-17 2024-02-20 深圳市雷铭科技发展有限公司 针对无电地区的渔场状态监测方法及相关装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496307A (zh) * 2022-11-21 2022-12-20 中国水产科学研究院南海水产研究所 一种基于物联网通信的渔业船舶生产方法、系统及介质
CN117576839A (zh) * 2024-01-17 2024-02-20 深圳市雷铭科技发展有限公司 针对无电地区的渔场状态监测方法及相关装置
CN117576839B (zh) * 2024-01-17 2024-05-10 深圳市雷铭科技发展有限公司 针对无电地区的渔场状态监测方法及相关装置

Similar Documents

Publication Publication Date Title
CN115294463A (zh) 一种鱼情可视化的方法及相关设备
AU2021306034B2 (en) Vegetation management system and vegetation management method
WO2020107022A1 (en) Signal processing workflow engine incorporating graphical user interface for space situational awareness
US11676375B2 (en) System and process for integrative computational soil mapping
CN115293402A (zh) 一种鱼情预报的方法及相关设备
CN112347895A (zh) 一种基于边界优化神经网络的舰船遥感目标检测方法
US12067471B2 (en) Searching an autonomous vehicle sensor data repository based on context embedding
Zhu et al. YOLOv7-CSAW for maritime target detection
Hertel et al. Probabilistic SAR-based water segmentation with adapted Bayesian convolutional neural network
Guirado et al. Automatic whale counting in satellite images with deep learning
Piechaud et al. Fast and accurate mapping of fine scale abundance of a VME in the deep sea with computer vision
CN112270671A (zh) 图像检测方法、装置、电子设备及存储介质
CN117058630A (zh) 海岸船舶识别方法、系统、设备及存储介质
Samadi The convergence of AI, IoT, and big data for advancing flood analytics research
Abraham et al. Classification and detection of natural disasters using machine learning and deep learning techniques: A review
Large et al. Spatial assessment of fisheries risk for New Zealand sea lions at the Auckland Islands
Roy et al. Tropical cyclone intensity forecasting in the Bay of Bengal using a biologically inspired computational model
CN114881763B (zh) 养殖业贷后监管方法、装置、设备和介质
US20220327335A1 (en) Controlling asynchronous fusion of spatio-temporal multimodal data
Yang et al. Interpretable machine learning for weather and climate prediction: A review
Chuang et al. Bragg-region recognition of high-frequency radar spectra based on deep learning and image fusion processing
Shi et al. Performance, effectiveness and computational efficiency of powerline extraction methods for quantifying ecosystem structure from light detection and ranging
Alloghani Artificial Intelligence for Ocean Conservation: Sustainable Computer Vision Techniques in Marine Debris Detection and Classification
TSEKHMYSTRO et al. INVESTIGATION OF THE EFFECT OF OBJECT SIZE ON ACCURACY OF HUMAN LOCALISATION IN IMAGES ACQUIRED FROM UNMANNED AERIAL VEHICLES
CN118313949B (zh) 一种面向海洋牧场的动态监管方法及系统

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