CN115346552A - 网箱养殖鱼群噪声信号处理方法、系统、装置及存储介质 - Google Patents
网箱养殖鱼群噪声信号处理方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN115346552A CN115346552A CN202210885431.5A CN202210885431A CN115346552A CN 115346552 A CN115346552 A CN 115346552A CN 202210885431 A CN202210885431 A CN 202210885431A CN 115346552 A CN115346552 A CN 115346552A
- Authority
- CN
- China
- Prior art keywords
- target
- noise
- fish
- fish school
- cage culture
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 113
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 71
- 238000000034 method Methods 0.000 claims description 40
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 244000144980 herd Species 0.000 claims description 3
- 238000003912 environmental pollution Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 26
- 241000630524 Taractes rubescens Species 0.000 description 11
- 241001417495 Serranidae Species 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000005236 sound signal Effects 0.000 description 8
- 238000012216 screening Methods 0.000 description 7
- 230000037406 food intake Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000009182 swimming Effects 0.000 description 5
- 235000013305 food Nutrition 0.000 description 4
- 235000012631 food intake Nutrition 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000012258 culturing Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241000276694 Carangidae Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001055 chewing effect Effects 0.000 description 1
- 235000015111 chews Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Human Resources & Organizations (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种网箱养殖鱼群噪声信号处理方法、系统、计算机装置及存储介质,网箱养殖鱼群噪声信号处理方法包括获取网箱养殖鱼群在目标时间段内的噪声信号,确定目标时间段内发生的目标事件,对噪声信号进行经验模态分解,获得多个IMF分量,选择相关系数大于阈值的IMF分量作为目标IMF分量,获取目标希尔伯特谱的频率范围对应的鱼群活动类型,记录目标事件与鱼群活动类型之间的关联关系。本发明通过跟踪检测目标事件的发生来确定鱼群活动类型以及鱼群活跃程度,根据鱼群活动类型来指导鱼群养殖和捕捞的进行,可以通过计算机设备采集和分析数据,覆盖范围大、采样效率高、无环境污染、安全性良好。本发明广泛应用于噪声处理技术领域。
Description
技术领域
本发明涉及噪声处理技术领域,尤其是一种网箱养殖鱼群噪声信号处理方法、系统、计算机装置及存储介质。
背景技术
鱼群的行为状态及分布等信息,对鱼类的养殖和捕捞等活动具有重要的参考价值。目前,业内主要通过人工捕捞调查法采集鱼群的行为状态及分布等信息,其过程需要在不同的时间段实施捕捞,对捕捞上来的渔获的数量和种类进行分析和统计。由于人工捕捞调查法需要实施捕捞过程,存在覆盖范围小、采样效率低以及容易产生环境污染等缺点,而且捕捞过程容易对人员造成危险。
发明内容
针对目前人工捕捞调查法存在的覆盖范围小、采样效率低以及容易产生环境污染等技术问题,本发明的目的在于提供一种网箱养殖鱼群噪声信号处理方法、系统、计算机装置及存储介质。
一方面,本发明实施例包括一种网箱养殖鱼群噪声信号处理方法,包括:
获取网箱养殖鱼群在目标时间段内的噪声信号;
确定所述目标时间段内发生的目标事件;
对所述噪声信号进行经验模态分解,获得多个IMF分量;
选择出目标IMF分量;所述目标IMF分量为相关系数大于阈值的所述IMF分量,所述阈值是对IMF分量进行相关性分析获得的IMF分量相关系数的标准差;
获取目标希尔伯特谱;所述目标希尔伯特谱为所述目标IMF分量对应的希尔伯特谱;
获取所述目标希尔伯特谱的频率范围对应的鱼群活动类型;
记录所述目标事件与所述鱼群活动类型之间的关联关系。
进一步地,所述获取网箱养殖鱼群在目标时间段内的噪声信号,包括:
通过布置在网箱内的水听器,在所述目标时间段内进行监测,获得监测信号;
对所述监测信号进行抽样,获得所述噪声信号。
进一步地,所述目标事件包括人工投料、渔船经过、自动投料机投料、进入深夜。
进一步地,所述网箱养殖鱼群噪声信号处理方法还包括:
获取所述噪声信号对应的边际谱;
确定所述边际谱中的噪声峰值;
根据所述噪声峰值的大小,确定所述目标事件与所述鱼群活动类型之间的关联关系的强度。
进一步地,获取所述噪声信号对应的边际谱,包括:
获取全部所述IMF分量各自对应的希尔伯特谱;
对全部所述希尔伯特谱在时域上进行积分,获得所述边际谱。
进一步地,所述根据所述噪声峰值的大小,确定所述目标事件与所述鱼群活动类型之间的关联关系的强度,包括:
确定所述目标事件与所述鱼群活动类型之间的关联关系的强度,与所述噪声峰值的大小正相关。
另一方面,本发明实施例还包括一种网箱养殖鱼群噪声信号处理系统,所述网箱养殖鱼群噪声信号处理系统包括水听器和处理器;
所述水听器用于:
获取网箱养殖鱼群在目标时间段内的噪声信号;
所述处理器用于:
确定所述目标时间段内发生的目标事件;
对所述噪声信号进行经验模态分解,获得多个IMF分量以及各所述IMF分量分别对应的相关系数;
选择出目标IMF分量;所述目标IMF分量为相关系数大于阈值的所述IMF分量,所述阈值是对IMF分量进行相关性分析获得的IMF分量相关系数的标准差
获取目标希尔伯特谱;所述目标希尔伯特谱为所述目标IMF分量对应的希尔伯特谱;
获取所述目标希尔伯特谱的频率范围对应的鱼群活动类型;
记录所述目标事件与所述鱼群活动类型之间的关联关系。
另一方面,本发明实施例还包括一种计算机装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行实施例中的网箱养殖鱼群噪声信号处理方法。
另一方面,本发明实施例还包括一种存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行实施例中的网箱养殖鱼群噪声信号处理方法。
本发明的有益效果是:实施例中的网箱养殖鱼群噪声信号处理方法,实现了对网箱中养殖的鱼群发出的噪声信号进行希尔伯特黄变换,从而分析出鱼群发出的噪声信号中包含的特性信息,建立了目标事件与鱼群活动类型之间的关联关系,从而可以通过跟踪检测目标事件的发生来确定鱼群活动类型以及鱼群活跃程度,根据鱼群活动类型来指导鱼群养殖和捕捞的进行;实施例中的网箱养殖鱼群噪声信号处理方法与人工捕捞调查法等相关技术相比,由于可以通过计算机设备采集和分析数据,无需进行实际的捕捞活动,具有覆盖范围大、采样效率高、无环境污染以及安全性良好等优点。
附图说明
图1为能够应用实施例中网箱养殖鱼群噪声信号处理方法的网箱的示意图;
图2为实施例中网箱养殖鱼群噪声信号处理方法的流程图;
图3为实施例中监测信号的频域信号谱的示意图;
图4为实施例中网箱内噪声声压级与频率变化关系的示意图;
图5为实施例中各个不同的目标时间段对应的筛选阈值的示意图;
图6为实施例中各个不同的目标时间段分别对应的希尔伯特谱的示意图;
图7为实施例中各个不同的目标时间段分别对应的边际谱的示意图。
具体实施方式
本实施例中,可以在图1所示的网箱中实施网箱养殖鱼群噪声信号处理方法。参照图1,网箱包括多个养殖区,可以分别用来养殖石斑鱼和金鲳鱼等不同的鱼类;网箱包括人工投料区以及自动投料区,可以用来实施人工投料和自动投料。参照图1,可以在网箱的不同深度分别安装水听器,例如在水下深度2m处安装1号水听器,在水下深度6m处安装2号水听器。
本实施例中,可以在水上实验平台或者陆上等位置设置计算机装置,计算机装置与水听器之间通过数据线连接,水听器可以将从网箱中采集到的噪声信号发送到计算机装置,由计算机装置中的处理器进行处理。
参照图2,网箱养殖鱼群噪声信号处理方法包括以下步骤:
S1.获取网箱养殖鱼群在目标时间段内的噪声信号;
S2.确定目标时间段内发生的目标事件;
S3.对噪声信号进行经验模态分解,获得多个IMF分量;
S4.选择出目标IMF分量;其中,目标IMF分量为相关系数大于阈值的IMF分量;可以通过以下方式确定阈值:对IMF分量进行相关性分析,并将IMF分量的标准差作为阈值;
S5.获取目标希尔伯特谱;目标希尔伯特谱为目标IMF分量对应的希尔伯特谱;
S6.获取目标希尔伯特谱的频率范围对应的鱼群活动类型;
S7.记录目标事件与鱼群活动类型之间的关联关系。
本实施例中,由处理器执行步骤S1-S7。
步骤S1中,1号水听器与2号水听器进行工作,分别采集得到监测信号。对采集到的监测信号进行采样,具体地,每隔10分钟提取10帧共计327520个点的样本数据进行处理。10帧数据的采样时长约为3.2752s。
图3中的(a)是1号水听器监测到的水下噪声监测信号的频域信号谱,图3中的(b)是2号水听器监测到的水下噪声监测信号的频域信号谱,其中,横轴代表时间,纵轴代表频率,亮度为声压级(Sound Pressure Level,SPL),单位为dB。在24小时内,网箱内噪声声压级与频率变化关系如图4所示,具体地,图4中的(a)是1号水听器的关键时段测试声信号的SPL,图4中的(b)是2号水听器的关键时段测试声信号的SPL。
对图3进行分析可以得知,1号水听器测得的网箱内较强的声音信号频带范围约在300~2400Hz内,2号水听器测得的网箱内较强的声音信号频带范围约为300~2200Hz,在图3中表现为明显的高亮区域。一号水听器测得信号的高能量频带范围明大于二号水听器。对图4进行分析可知,不同阶段1号水听器测得的声信号的声压级峰值均大于2号水听器测得声信号的声压级峰值。这是由于1号水听器相对于2号水听器水深较浅,鱼群的活动范围更趋向1号水听器的水深区域,且在争抢食物时鱼群会大范围浮近水面,这都使1号水听器监测到的声信号更强。
由于1号水听器水深较浅,更趋向于鱼群的活动范围,测得的鱼群声信号的强度更高,本文主要对一号水听器测得的声信号进行数据处理。因此,本实施例中主要通过1号水听器进行噪声信号的采集,如无特别说明,所提到的水听器是指1号水听器。
步骤S2中,设定多个目标时间段,每个目标时间段都有特定的目标事件,表示目标事件会在相应的目标时间段发生,例如在4月6日16:00左右这一目标时间段,将发生“人工投料”这一目标事件。
表1
步骤S3中,对噪声信号进行经验模态分解(Empirical Mode Decomposition,EMD),从而将原始的噪声信号x(t)自适应地分解成一系列的固有模态函数(IntrinsicMode Function,IMF)和余项之和,从而获得多个IMF分量以及各IMF分量分别对应的相关系数。
步骤S3中,经验模态分解的步骤如下:
(1)将在某一目标时间段采集得到的、原始未经处理的噪声信号记为x(t),获取以噪声信号x(t)局部极大值、极小值构成的上下两条包络线,并得到上下包络线均值构成的曲线m(t)。
(2)求得噪声信号x(t)与均值曲线m(t)的差值h(t):
h(t)=x(t)-m(t) (1)
为了判断分解到的h(t)是否满足IMF条件,在整个数据中,极值点和过零点的数目需要相等或仅差1,同时保证在任意一点,由局部极大值定义的包络和局部极小值定义的包络均值为0。若不满足,将h(t)作为新的原始信号回到步骤(1)再次进行筛选操作,直到得到IMF1分量,记为m1(t)。
(3)从原始的噪声信号x(t)分离出IMF1分量,得到剩余量r1(t):
r1(t)=x(t)-m1(t) (2)
将r1(t)作为新的噪声信号,重复上述步骤(1)-(3),即再次执行上述步骤(1)-(3)时将其中的“噪声信号x(t)”替换为r1(t),直到最后分解的IMF分量mn(t)或剩余量rn(t)过小,或者rn(t)为一个单调函数或常数时分解结束。最终分解式为:
获得了内部模态函数后,即可对每个IMF分量使用希尔伯特变换:
定义解析信号:
上述式中,i表示单位虚数符号,j表示序号,aj(t)为复信号的瞬时幅值,θj(t)为复信号的瞬时相位。第j个IMF分量的瞬时频率为:
原始的噪声信号x(t)可表示为:
去除剩余项rn(t),将具有振幅aj(t)、频率ωj(t)和相位θj(t)信息的希尔伯特(Hilbert)时频图称为希尔伯特(Hilbert)谱,对希尔伯特谱在其时域上积分,可以定义其边际谱。边际谱代表了振幅在整个数据区间概率意义上的累积,能够较好的反映各频率上的能量分布。
由于EMD分解的边际效应,存在部分IMF虚假分量。将各IMF分量与原始分量进行相关系数求解,之后将相关系数的标准差作为筛选真实IMF分量的阈值。对于第j个IMF分量,其对应的相关系数为ρj,相关系数ρj定义为:
在获得全部IMF分量各自对应的相关系数之后,还可以计算出筛选阈值λ:
本实施例中,在执行完步骤S3之后,可以根据筛选阈值λ以及各IMF分量各自对应的相关系数,对各IMF分量进行筛选。具体地,对于对应的相关系数大于或等于筛选阈值λ的IMF分量予以保留,对于对应的相关系数小于筛选阈值λ的IMF分量予以删除。
步骤S4中,在全部IMF分量中选择出相关系数大于阈值的IMF分量作为目标IMF分量。可以通过以下方式确定阈值:对IMF分量进行相关性分析,并将全部IMF分量相关系数的标准差作为阈值。
步骤S5中,参照上述公式(5)-(7),计算出各个IMF分量分别对应的希尔伯特谱,每个IMF分量对应的希尔伯特谱包含了这个IMF分量的振幅aj(t)、频率ωj(t)和相位θj(t)等信息。其中,将步骤S4所确定的目标IMF分量对应的希尔伯特谱标记为目标希尔伯特谱。
步骤S6中,获取目标希尔伯特谱的频率范围对应的鱼群活动类型。例如,为了准确区分两种鱼群发声特性,同期针对单独养殖金鲳鱼的网箱噪声进行了测试,根据这组数据获得金鲳鱼的发声频段及声压级信息,进一步确定了金鲳鱼的发声频段在1500-3000Hz范围内。
步骤S7中,记录目标事件与鱼群活动类型之间的关联关系,即目标事件的发生会对鱼群的活动产生影响,使得鱼群在目标事件影响下进行特定类型的活动,目标事件与鱼群活动类型之间具有关联关系。
通过执行步骤S1-S7,实现了对网箱中养殖的鱼群发出的噪声信号进行希尔伯特黄变换,从而得到鱼群发出的噪声信号中包含的特征信息,建立了目标事件与鱼群活动类型之间的关联关系,从而可以通过跟踪检测目标事件的发生来确定鱼群活动类型以及鱼群活跃程度,根据鱼群活动类型来指导鱼群养殖和捕捞的进行;实施例中的网箱养殖鱼群噪声信号处理方法与人工捕捞调查法等相关技术相比,由于可以通过计算机设备采集和分析数据,无需进行实际的捕捞活动,具有覆盖范围大、采样效率高、无环境污染以及安全性良好等优点。
以下通过执行步骤S1-S7,对实验中检测到的数据进行处理。
在2021年4月6~8日,采用被动声学方法在珠海桂山岛养殖网箱“澎湖号”平台,完成了噪声数据的采集。本实施例中,选用表1中的16:00、17:50、19:10和00:20等4个目标时间段,其发生的目标事件分别是“人工投料”、“大型渔船经过”、“自动投料机投料”、和“进入深夜时分”,对这4个目标时间段以及各自对应的目标事件分别执行步骤S1-S7,即在这4个目标时间段分别执行“获取噪声信号,进行EMD分解,得到一系列由高频至低频依次排列的IMF分量,对IMF分量进行相关性分析”等步骤。
图5给出了4个目标时间段中,每个目标时间段的噪声信号IMF分量相关系数及筛选分量的阈值。参照图5,将各阶IMF分量相关系数的标准差λ作为选取有效IMF分量的阈值,对高于该阈值的IMF分量进行筛选处理。对于发生目标事件“人工投料”的目标时间段16:00、发生目标事件“大型渔船经过扰动”的目标时间段17:50、发生目标事件“自动投料机投料”的目标时间段19:10、发生目标事件“进入深夜”的目标时间段00:20,计算得到噪声信号的IMF分量阈值分别为0.2720、0.2917、0.3059、0.2700。在此条件下,本实施例中重点分析噪声经EMD分解后的有效IMF分量的前三阶分量。
本实施例中,求解四个目标时间段获得的噪声信号经过EMD分解后得到的IMF的谱特征,选取大于阈值的前三阶IMF分量进行希尔伯特变换,计算各阶分量的希尔伯特谱,所得到的希尔伯特谱如图6所示。图6中,横轴代表时间,纵轴代表频率,亮度代表幅值。不同时段各阶IMF分量的主体频率范围如表3所示。
图6中,(a)部分为发生目标事件“人工投料”的目标时间段16:00采集到的噪声信号的前三阶IMF分量(IMF1、IMF2、IMF3)的希尔伯特谱,(b)部分为发生目标事件“大型渔船经过扰动”的目标时间段17:50采集到的噪声信号的前三阶IMF分量(IMF1、IMF2、IMF3)的希尔伯特谱,(c)部分为发生目标事件“自动投料机投料”的目标时间段19:10采集到的噪声信号的前三阶IMF分量(IMF1、IMF2、IMF3)的希尔伯特谱,(d)部分为发生目标事件“进入深夜”的目标时间段00:20采集到的噪声信号的前三阶IMF分量(IMF1、IMF2、IMF3)的希尔伯特谱。
表3
目标时间段 | IMF1(频率范围) | IMF2(频率范围) | IMF3(频率范围) |
16:00 | 3000~4200Hz | 1500~2800Hz | 300~1000Hz |
17:50 | 3000~4000Hz | 1500~2900Hz | 400~900Hz |
19:10 | 3000~4400Hz | 1100~2400Hz | 480~800Hz |
00:20 | 3000~4400Hz | 1700~3000Hz | 300~1100Hz |
根据图6和表3可知:
①当步骤S1-S7中,目标时间段为16:00,发生的目标事件为“人工投料”:采集信号的IMF1分量Hilbert谱主要在3000~4200Hz范围,且是零散出现的高能量信号,推测该分量的信号主要由随机出现的背景环境噪声构成。IMF1分量的相关系数在0.44左右,证明环境噪声信号在原信号中成分占比不低。IMF2分量的Hilbert谱显现的信号较为密集,主要集中在1500-2800Hz范围之间,中心频率为2080Hz。推测该分量的信号主成分为金鲳鱼游动拍打产生的声音。IMF3分量的Hilbert谱显现的信号更为密集,主要集中在300-1000Hz范围之间,中心频率为650Hz,该信号与原始信号的相关度最高,达到了0.80,主要是石斑鱼咀嚼食物发声。
②当步骤S1-S7中,目标时间段为17:50,发生的目标事件为“大型渔船经过扰动”:信号的IMF1分量Hilbert谱为主要在3000~4000Hz范围,相关系数在0.30左右,为背景环境噪声。IMF2分量的Hilbert谱显现的信号较为密集,频率范围主要集中在1500-2900Hz之间,中心频率为1950Hz。推测该分量的信号主成分为金鲳鱼游动拍打产生的声音。IMF2分量的相关系数不高,在0.40左右,说明金鲳鱼集群受船舶噪声的影响相对石斑鱼较小。IMF3分量的Hilbert谱显现的信号更为密集,主要集中在400-900Hz范围之间,中心频率为670Hz,该信号主要反映石斑鱼惊扰状态下的泳动拍打噪声。IMF3分量的相关系数在0.91左右,高于第一次喂食时刻(16:00)的IMF3相关系数,说明受航船噪声激励,石斑鱼集群的活跃度增强。
③当步骤S1-S7中,目标时间段为19:10,发生的目标事件为“自动投料机投料”:IMF1分量Hilbert谱在3000~4400Hz的背景噪声表现为零散的能量信号,相关系数在0.31左右。IMF2分量的Hilbert谱显现的信号非常密集,频率范围更为集中,主要在1100~2400Hz范围之间,中心频率为1440Hz,该分量的信号主成分为金鲳鱼的摄食噪声,相对人工投喂,频谱中心向低频范围移动,频带宽度变窄。IMF3分量的Hilbert谱显现的信号更为密集,为石斑鱼咀嚼食物发出的声音,主要集中在480~800Hz范围之间,中心频率为680Hz,相对于人工投喂,频谱中心向高频略微移动,频带宽度变窄。
④当步骤S1-S7中,目标时间段为00:20,发生的目标事件为“进入深夜”:深夜时刻,环境噪声为原始信号主成分之一,主要体现在IMF1分量,其相关系数高达0.66。IMF2分量的Hilbert谱显现的信号相对于其余时分不太密集,频率范围主要在1700~3000Hz之间,中心频率为2440Hz。推测该信号主要由金鲳鱼在夜间活动中发出的各类噪声构成。IMF3分量的Hilbert谱显现的信号同样并不密集,频率范围主要在300~1100Hz之间,中心频率为480Hz。推测该信号主要由石斑鱼在夜间活动中发出的各类噪声构成。
通过上述第①-④项分析,能够验证步骤S1-S7的技术效果。
本实施例中,在执行步骤S1-S7的基础上,还可以执行以下步骤:
S8.获取噪声信号对应的边际谱;
S9.确定边际谱中的噪声峰值;
S10.根据噪声峰值的大小,确定目标事件与鱼群活动类型之间的关联关系的强度。
步骤S8中,可以参照上述公式(1)-(7),获取全部IMF分量各自对应的希尔伯特谱;对全部希尔伯特谱在时域上进行积分,从而获得噪声信号x(t)对应的边际谱。本实施例中,对于4个不同的目标时间段采集得到的噪声信号,其所对应的边际谱如图7所示。边际谱表示信号幅值在整个频率段上的变化情况,只要信号中存在某一频率的能量出现,就一定有该频率的振动波出现,谱线的高度代表该频率段幅值的总和。
由图7可知鱼群的生物噪声在600~700Hz频带范围内出现峰值,这代表在该频带范围内鱼群的生物噪声出现的最为频繁,能量占比最高。对比这三个不同阶段鱼群生物噪声边际谱噪声峰值,可以得知鱼群受到船舶惊扰状态(17:50)的声信号峰值要大于人工投料(16:00)的峰值。而在第二次大范围自动投料(19:10)的目标时间段,鱼群的摄食噪声要远大于同期的环境背景噪声,噪声峰值大于鱼群在受到船舶惊扰状态下(17:50)的摄食噪声峰值,更是明显大于在手动投料(16:00)期间的摄食噪声峰值。在深夜(00:20)鱼群基本进入休眠状态,此时声信号能量分布较为均匀,全局比较平缓。基于上述原理,步骤S10中,能够确定目标事件与鱼群活动类型之间的关联关系的强度,与噪声峰值的大小正相关。
综上,本实施例中的网箱养殖鱼群噪声信号处理方法,基于大型半潜平台“澎湖”号养殖网箱,对网箱养殖的鱼群进行了24h被动声学监测,对测量得到的鱼群声音信号进行了时域与频域的特性分析及HHT变换,对鱼群在安静状态与受到投料刺激及船舶干扰的不同环境背景下的噪声信号分别进行了相关分析,具有以下技术效果:
(1)鱼群在自动投料下的活动噪声强于手动投料。鱼群受到大船惊扰的活动噪声强于手动投料下的摄食噪声,深夜时分鱼群的活动噪声较弱。
(2)网箱内的噪声信号主要由自然海洋环境噪声、金鲳鱼摄食和泳动噪声,以及石斑鱼摄食和活动噪声构成。海洋环境噪声频带一般在3000~4400Hz范围之间,金鲳鱼摄食和泳动噪声频带主要在1100~3000Hz左右,石斑鱼进食活动噪声频带集中在300~1100Hz。
(3)相对于人工投料,在范围更广的自动投料下,鱼群受大范围食物的激励,发出声音频带呈现变窄,金鲳鱼频谱中心向低频范围移动,石斑鱼频谱中心向高频略微移动。深夜时分,鱼群的活动噪声最弱,测试信号主要为海洋背景噪声和较弱的零星鱼群活动声音。
本实施例中的网箱养殖鱼群噪声信号处理方法首次应用希尔伯特黄变换于大型网箱多种混合鱼群的噪声信号分析,研究其行为状态及与海洋环境背景变化的相关性,进一步为深海鱼群的网箱养殖提供参考。
本实施例中,可以设置网箱养殖鱼群噪声信号处理系统,网箱养殖鱼群噪声信号处理系统包括水听器和处理器,其中水听器用于执行本实施例中的网箱养殖鱼群噪声信号处理方法中的步骤S1,处理器用于执行网箱养殖鱼群噪声信号处理方法中的步骤S2-S7。
通过运行网箱养殖鱼群噪声信号处理系统,能够执行本实施例中的网箱养殖鱼群噪声信号处理方法,从而实现与本实施例中的网箱养殖鱼群噪声信号处理方法相同的技术效果。
可以通过编写执行本实施例中的网箱养殖鱼群噪声信号处理方法的计算机程序,将该计算机程序写入至计算机装置或者存储介质中,当计算机程序被读取出来运行时,执行本实施例中的网箱养殖鱼群噪声信号处理方法,从而实现与实施例中的网箱养殖鱼群噪声信号处理方法相同的技术效果。
需要说明的是,如无特殊说明,当某一特征被称为“固定”、“连接”在另一个特征,它可以直接固定、连接在另一个特征上,也可以间接地固定、连接在另一个特征上。此外,本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。此外,除非另有定义,本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例,而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种元件,但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如,在不脱离本公开范围的情况下,第一元件也可以被称为第二元件,类似地,第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例,并且除非另外要求,否则不会对本发明的范围施加限制。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本实施例描述的过程的操作,除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (9)
1.一种网箱养殖鱼群噪声信号处理方法,其特征在于,所述网箱养殖鱼群噪声信号处理方法包括:
获取网箱养殖鱼群在目标时间段内的噪声信号;
确定所述目标时间段内发生的目标事件;
对所述噪声信号进行经验模态分解,获得多个IMF分量;
选择出目标IMF分量;所述目标IMF分量为相关系数大于阈值的所述IMF分量,所述阈值是对IMF分量进行相关性分析获得的IMF分量相关系数的标准差;
获取目标希尔伯特谱;所述目标希尔伯特谱为所述目标IMF分量对应的希尔伯特谱;
获取所述目标希尔伯特谱的频率范围对应的鱼群活动类型;
记录所述目标事件与所述鱼群活动类型之间的关联关系。
2.根据权利要求1所述的网箱养殖鱼群噪声信号处理方法,其特征在于,所述获取网箱养殖鱼群在目标时间段内的噪声信号,包括:
通过布置在网箱内的水听器,在所述目标时间段内进行监测,获得监测信号;
对所述监测信号进行抽样,获得所述噪声信号。
3.根据权利要求1所述的网箱养殖鱼群噪声信号处理方法,其特征在于,所述目标事件包括人工投料、渔船经过、自动投料机投料、进入深夜。
4.根据权利要求1-3任一项所述的网箱养殖鱼群噪声信号处理方法,其特征在于,所述网箱养殖鱼群噪声信号处理方法还包括:
获取所述噪声信号对应的边际谱;
确定所述边际谱中的噪声峰值;
根据所述噪声峰值的大小,确定所述目标事件与所述鱼群活动类型之间的关联关系的强度。
5.根据权利要求4所述的网箱养殖鱼群噪声信号处理方法,其特征在于,所述获取所述噪声信号对应的边际谱,包括:
获取全部所述IMF分量各自对应的希尔伯特谱;
对全部所述希尔伯特谱在时域上进行积分,获得所述边际谱。
6.根据权利要求4所述的网箱养殖鱼群噪声信号处理方法,其特征在于,所述根据所述噪声峰值的大小,确定所述目标事件与所述鱼群活动类型之间的关联关系的强度,包括:
确定所述目标事件与所述鱼群活动类型之间的关联关系的强度,与所述噪声峰值的大小正相关。
7.一种网箱养殖鱼群噪声信号处理系统,其特征在于,所述网箱养殖鱼群噪声信号处理系统包括水听器和处理器;
所述水听器用于:
获取网箱养殖鱼群在目标时间段内的噪声信号;
所述处理器用于:
确定所述目标时间段内发生的目标事件;
对所述噪声信号进行经验模态分解,获得多个IMF分量;
选择出目标IMF分量;所述目标IMF分量为相关系数大于阈值的所述IMF分量,所述阈值是对IMF分量进行相关性分析获得的IMF分量相关系数的标准差;
获取目标希尔伯特谱;所述目标希尔伯特谱为所述目标IMF分量对应的希尔伯特谱;
获取所述目标希尔伯特谱的频率范围对应的鱼群活动类型;
记录所述目标事件与所述鱼群活动类型之间的关联关系。
8.一种计算机装置,其特征在于,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行权利要求1-6任一项所述的网箱养殖鱼群噪声信号处理方法。
9.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行权利要求1-6任一项所述的网箱养殖鱼群噪声信号处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210885431.5A CN115346552A (zh) | 2022-07-26 | 2022-07-26 | 网箱养殖鱼群噪声信号处理方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210885431.5A CN115346552A (zh) | 2022-07-26 | 2022-07-26 | 网箱养殖鱼群噪声信号处理方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115346552A true CN115346552A (zh) | 2022-11-15 |
Family
ID=83949498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210885431.5A Pending CN115346552A (zh) | 2022-07-26 | 2022-07-26 | 网箱养殖鱼群噪声信号处理方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115346552A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117939726A (zh) * | 2024-03-25 | 2024-04-26 | 深圳市能波达光电科技有限公司 | 基于led杀菌灯的空气净化方法及系统 |
-
2022
- 2022-07-26 CN CN202210885431.5A patent/CN115346552A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117939726A (zh) * | 2024-03-25 | 2024-04-26 | 深圳市能波达光电科技有限公司 | 基于led杀菌灯的空气净化方法及系统 |
CN117939726B (zh) * | 2024-03-25 | 2024-05-24 | 深圳市能波达光电科技有限公司 | 基于led杀菌灯的空气净化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2546680B1 (en) | Method and device for automatically detecting marine animals | |
Demirel et al. | Weight-length relationships of 28 fish species in the Sea of Marmara | |
Brierley et al. | Acoustic discrimination of Southern Ocean zooplankton | |
Banner | Use of sound in predation by young lemon sharks, Negaprion brevirostris (Poey) | |
Boswell et al. | Biomass, density, and size distributions of fishes associated with a large-scale artificial reef complex in the Gulf of Mexico | |
Lowry et al. | A comparison of methods for estimating fish assemblages associated with estuarine artificial reefs | |
CN111414832B (zh) | 一种基于鲸豚类低频水声信号的实时在线识别分类系统 | |
Doray et al. | ICES survey protocols–Manual for acoustic surveys coordinated under ICES working group on acoustic and egg surveys for small pelagic fish (WGACEGG) | |
CN115346552A (zh) | 网箱养殖鱼群噪声信号处理方法、系统、装置及存储介质 | |
Dunlop et al. | Temporal trends in the numbers and characteristics of Lake Huron fish schools between 2000 and 2004 | |
Martin et al. | Commerson’s dolphins (Cephalorhynchus commersonii) can relax acoustic crypsis | |
Bergès et al. | Quantifying harbour porpoise foraging behaviour in CPOD data | |
Sobradillo et al. | TS measurments of ex-situ yellowfin tuna (Thunnus albacares) and frequency-response discrimination for tropical tuna species [7th Meeting of the Ad Hoc Working Group on FADs]. Inter-American Tropical Tuna Commission | |
Stolkin et al. | Passive acoustic detection of modulated underwater sounds from biological and anthropogenic sources | |
Nugraha et al. | Relationship between length and weight of skipjack tuna (Katsuwonus pelamis) purse seine catching in the Maluku Sea, Indonesia. | |
Macaulay | Passive acoustic monitoring of harbour porpoise behaviour, distribution and density in tidal rapid habitats | |
Hatlebrekke et al. | The Coastal Reference Fleet 2007-2019-Fleet composition, fishing effort and contributions to science | |
García-Seoane et al. | Acoustic detection of larval fish aggregations in Galician waters (NW Spain) | |
Parcerisas et al. | Studying the soundscape of shallow and heavy used marine areas: Belgian part of the North Sea | |
Teilmann et al. | Effects on harbour porpoises from Rødsand 2 off-shore wind farm | |
Hammerl et al. | Identifying fit-for purpose methods for monitoring fish communities | |
Schobernd et al. | Extrusion of fish larvae from SEAMAP plankton sampling nets: a comparison between 0.333-mm and 0.202-mm mesh nets | |
Demer et al. | Acoustic-trawl surveys of Pacific sardine (Sardinops sagax) and other pelagic fishes in the California Current ecosystem: Part 1, Methods and an example application | |
Song et al. | Variability of Echolocation Clicks in Beluga Whales (Delphinapterus leucas) Within Shallow Waters. | |
Griffiths et al. | Acoustic detections of odontocetes in Skagerrak |
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 |