CN115359386A - 一种基于物联网的过洋性渔业安全捕捞方法、系统及介质 - Google Patents

一种基于物联网的过洋性渔业安全捕捞方法、系统及介质 Download PDF

Info

Publication number
CN115359386A
CN115359386A CN202210928471.3A CN202210928471A CN115359386A CN 115359386 A CN115359386 A CN 115359386A CN 202210928471 A CN202210928471 A CN 202210928471A CN 115359386 A CN115359386 A CN 115359386A
Authority
CN
China
Prior art keywords
data
fishing
ocean
fish
fish school
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
CN202210928471.3A
Other languages
English (en)
Inventor
杨炳忠
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.)
South China Sea Fisheries Research Institute Chinese Academy Fishery Sciences
Original Assignee
South China Sea Fisheries Research Institute Chinese Academy Fishery Sciences
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 South China Sea Fisheries Research Institute Chinese Academy Fishery Sciences filed Critical South China Sea Fisheries Research Institute Chinese Academy Fishery Sciences
Priority to CN202210928471.3A priority Critical patent/CN115359386A/zh
Publication of CN115359386A publication Critical patent/CN115359386A/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
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于物联网的过洋性渔业安全捕捞方法、系统及介质。本发明通过获取海底图像数据与声呐采集数据，分析出海底内的鱼群种类、数量、活动轨迹等鱼群信息，根据鱼群信息，结合天气等环境因素，能够精准预测出合适的捕捞深度层和捕捞路径，根据捕捞深度层和捕捞路径进行海域捕捞，能够有效提高捕捞产量，实现增加海洋生产经济效益的目的。另外，本发明通过分析捕捞路径内的海底地形复杂度，合理排除危险的捕捞路径，能够减少渔网在海底内遇到的异常情况，提高渔船作业的安全系数。

Description

一种基于物联网的过洋性渔业安全捕捞方法、系统及介质
技术领域
本发明涉及海洋捕捞领域，更具体的，涉及一种基于物联网的过洋性渔业安全捕捞方法、系统及介质。
背景技术
过洋性渔业是在他国200海里专属经济区内捕捞渔业资源的远洋渔业，有着高投入、高风险的产业特点，同时对国际渔业合作和外交战略有深远影响。但是，入渔不稳定、企业遭受经济损失等现象时有发生，其中，造成这些现象的原因有海洋捕捞产量少，捕捞遇到安全问题影响捕捞进度，且捕捞过程中常常会因为恶劣天气等外界因素而影响捕捞产量，因此，现在亟需一种能够提高捕捞产量的方法。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于物联网的过洋性渔业安全捕捞。
本发明第一方面提供了一种基于物联网的过洋性渔业安全捕捞方法，包括：
获取海洋中不同深度的鱼群种类信息、鱼群数量信息、鱼群活动信息；
将鱼群种类信息、鱼群数量信息、鱼群活动信息进行数据整理得到鱼群监测数据；
获取海洋历史天气数据，根据海洋历史天气数据得到海洋天气预测数据；
将鱼群监测数据与海洋天气预测数据导入鱼群预测模型中进行分析，得到鱼群预测数据和捕捞预测数据；
将鱼群预测数据和捕捞预测数据发送至预设终端设备进行显示。
本方案中，所述获取海洋中不同深度的鱼群种类信息、鱼群数量信息、鱼群活动信息，具体包括：
在监测海域内，根据海底最大捕捞深度进行层数划分，并获取不同深度层的海底图像数据与声呐采集数据；
将海底图像数据进行图像特征提取，得到图像特征值数据；
将图像特征值数据与鱼类图像数据进行特征对比与数量统计分析，结合声呐采集数据，得到鱼群种类信息和鱼群数量信息。
本方案中，所述获取海洋中不同深度的鱼群种类信息、鱼群数量信息、鱼群活动信息，还包括：
构建特定海域内的海底三维地图模型；
采集海底鱼群声呐反馈数据，根据反馈数据进行基于海底三维地图模型的数据融合分析，得到鱼群运动位置信息；
根据鱼群运动位置信息，分析出鱼群的运动轨迹并得到鱼群运动轨迹信息，将鱼群运动位置信息和鱼群运动轨迹信息进行信息合并整理得到鱼群活动信息。
本方案中，所述获取海洋历史天气数据，根据海洋历史天气数据得到海洋天气预测数据，具体为：
获取捕捞海域三维区域信息，根据捕捞海域三维区域信息进行区域划分，得到N个初始海洋子区域；
获取每个海洋子区域中的海洋历史天气数据，并分析相邻子区域中海洋历史天气数据的相似度；
若相邻子区域中海洋历史天气数据的相似度高于预设天气相似度，则进行子区域合并，得到M个合并海洋子区域；
获取合并海洋子区域中的海洋历史天气数据并进行预测分析，得到海洋天气预测数据。
本方案中，所述将鱼群监测数据与海洋天气预测数据导入鱼群预测模型中进行分析，得到鱼群预测数据和捕捞预测数据，具体为：
将鱼群监测数据导入鱼群预测模型进行轨迹与数量的预测分析，得到鱼群运动轨迹预测数据和鱼群数量分布数据；
将鱼群运动轨迹预测数据和鱼群数量分布数据进行数据整理得到鱼群预测数据。
本方案中，还包括：
将合并海洋子区域中对应的海洋天气预测数据进行天气异常情况分析，得到天气异常值；
筛选出天气异常值小于预设异常值对应的多个海洋子区域，并计算出多个海洋子区域的平均天气异常值；
将所述多个海洋子区域进行区域合并得到第一捕捞区域；
将鱼群预测数据、第一捕捞区域、平均天气异常值导入鱼群预测模型进行捕捞路径预测分析，得到捕捞预测路径数据。
本方案中，还包括：
获取鱼群预测数据中的鱼群运动轨迹预测数据和鱼群数量分布数据；
根据鱼群运动轨迹预测数据和鱼群数量分布数据，分析出第一捕捞深度层数据；
将平均天气异常值导入鱼群预测模型，计算分析出鱼群深度修正系数；
根据鱼群深度修正系数，将第一捕捞深度层数据进行深度层数据修正，得到捕捞预测深度层数据；
将捕捞预测深度层数据和捕捞预测路径数据进行数据合并得到捕捞预测数据。
本发明第二方面还提供了一种基于物联网的过洋性渔业安全捕捞系统，该系统包括：存储器、处理器，所述存储器中包括基于物联网的过洋性渔业安全捕捞方法程序，所述基于物联网的过洋性渔业安全捕捞方法程序被所述处理器执行时实现如下步骤：
获取海洋中不同深度的鱼群种类信息、鱼群数量信息、鱼群活动信息；
将鱼群种类信息、鱼群数量信息、鱼群活动信息进行数据整理得到鱼群监测数据；
获取海洋历史天气数据，根据海洋历史天气数据得到海洋天气预测数据；
将鱼群监测数据与海洋天气预测数据导入鱼群预测模型中进行分析，得到鱼群预测数据和捕捞预测数据；
将鱼群预测数据和捕捞预测数据发送至预设终端设备进行显示。
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基于物联网的过洋性渔业安全捕捞方法程序，所述基于物联网的过洋性渔业安全捕捞方法程序被处理器执行时，实现如上述任一项所述的基于物联网的过洋性渔业安全捕捞方法的步骤。
本发明公开了一种基于物联网的过洋性渔业安全捕捞方法、系统及介质。本发明通过获取海底图像数据与声呐采集数据，分析出海底内的鱼群种类、数量、活动轨迹等鱼群信息，根据鱼群信息，结合天气等环境因素，能够精准预测出合适的捕捞深度层和捕捞路径，根据捕捞深度层和捕捞路径进行海域捕捞，能够有效提高捕捞产量，实现增加海洋生产经济效益的目的。另外，本发明通过分析捕捞路径内的海底地形复杂度，合理排除危险的捕捞路径，能够减少渔网在海底内遇到的异常情况，提高渔船作业的安全系数。
附图说明
图1示出了本发明一种基于物联网的过洋性渔业安全捕捞方法的流程图；
图2示出了本发明获取鱼群活动信息流程图；
图3示出了本发明获取海洋天气预测数据流程图；
图4示出了本发明一种基于物联网的过洋性渔业安全捕捞系统的框图。
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示出了本发明一种基于物联网的过洋性渔业安全捕捞方法的流程图。
如图1所示，本发明第一方面提供了一种基于物联网的过洋性渔业安全捕捞方法，包括：
S102，获取海洋中不同深度的鱼群种类信息、鱼群数量信息、鱼群活动信息；
S104，将鱼群种类信息、鱼群数量信息、鱼群活动信息进行数据整理得到鱼群监测数据；
S106，获取海洋历史天气数据，根据海洋历史天气数据得到海洋天气预测数据；
S108，将鱼群监测数据与海洋天气预测数据导入鱼群预测模型中进行分析，得到鱼群预测数据和捕捞预测数据；
S110，将鱼群预测数据和捕捞预测数据发送至预设终端设备进行显示。
需要说明的是，所述预设终端设备包括移动终端设备和计算机终端设备。
根据本发明实施例，所述获取海洋中不同深度的鱼群种类信息、鱼群数量信息、鱼群活动信息，具体包括：
在监测海域内，根据海底最大捕捞深度进行层数划分，并获取不同深度层的海底图像数据与声呐采集数据；
将海底图像数据进行图像特征提取，得到图像特征值数据；
将图像特征值数据与鱼类图像数据进行特征对比与数量统计分析，结合声呐采集数据，得到鱼群种类信息和鱼群数量信息。
需要说明的是，所述根据海底最大捕捞深度进行层数划分中，一般将根据海底最大捕捞深度划分为三层，分别为第一层，第二层和第三层，不同层次中的鱼群种类信息、鱼群数量信息一般有较大差异。所述声呐采集数据为运用声呐数据采集装置进行数据采集的，所述海底图像数据为通过海底光学采集装置进行数据采集，声呐数据采集装置与海底光学采集装置之间能够进行物联网间的相互通信与数据传输。
图2示出了本发明获取鱼群活动信息流程图。
根据本发明实施例，所述获取海洋中不同深度的鱼群种类信息、鱼群数量信息、鱼群活动信息，还包括：
S202，构建特定海域内的海底三维地图模型；
S204，采集海底鱼群声呐反馈数据，根据反馈数据进行基于海底三维地图模型的数据融合分析，得到鱼群运动位置信息；
S206，根据鱼群运动位置信息，分析出鱼群的运动轨迹并得到鱼群运动轨迹信息，将鱼群运动位置信息和鱼群运动轨迹信息进行信息合并整理得到鱼群活动信息。
需要说明的是，所述采集海底声呐反馈数据为运用声呐数据采集装置进行数据采集的。所述鱼群运动位置信息和鱼群运动轨迹信息为基于海底三维地图模型的数据信息。
图3示出了本发明获取海洋天气预测数据流程图。
根据本发明实施例，所述获取海洋历史天气数据，根据海洋历史天气数据得到海洋天气预测数据，具体为：
S302，获取捕捞海域三维区域信息，根据捕捞海域三维区域信息进行区域划分，得到N个初始海洋子区域；
S304，获取每个海洋子区域中的海洋历史天气数据，并分析相邻子区域中海洋历史天气数据的相似度；
S306，若相邻子区域中海洋历史天气数据的相似度高于预设天气相似度，则进行子区域合并，得到M个合并海洋子区域；
S308，获取合并海洋子区域中的海洋历史天气数据并进行预测分析，得到海洋天气预测数据。
需要说明的是，所述捕捞海域三维区域信息为基于海底三维地图模型的三维区域信息。所述海洋历史天气数据为历史最近30天的天气数据，所述海洋天气预测数据为未来20天内预测数据。所述合并海洋子区域至少为1个区域，另外，若相邻子区域中海洋历史天气数据的相似度高于预设天气相似度，则代表相邻子区域中的海洋历史天气数据为一致。所述N的大小根据捕捞海域三维区域信息决定，若捕捞海域三维区域对应的面积越大，则N越大。另外，M小于等于N。
根据本发明实施例，所述将鱼群监测数据与海洋天气预测数据导入鱼群预测模型中进行分析，得到鱼群预测数据和捕捞预测数据，具体为：
将鱼群监测数据导入鱼群预测模型进行轨迹与数量的预测分析，得到鱼群运动轨迹预测数据和鱼群数量分布数据；
将鱼群运动轨迹预测数据和鱼群数量分布数据进行数据整理得到鱼群预测数据。
根据本发明实施例，所述捕捞预测数据，还包括：
将合并海洋子区域中对应的海洋天气预测数据进行天气异常情况分析，得到天气异常值；
筛选出天气异常值小于预设异常值对应的多个海洋子区域，并计算出多个海洋子区域的平均天气异常值；
将所述多个海洋子区域进行区域合并得到第一捕捞区域；
将鱼群预测数据、第一捕捞区域、平均天气异常值导入鱼群预测模型进行捕捞路径预测分析，得到捕捞预测路径数据。
需要说明的是，所述天气异常值为反映天气异常情况的具体数值参量，当天气预测数据中天气变化为暴雨、暴雪、台风等恶劣天气，天气异常值的值则越大，当天气异常值小于预设异常值时，代表对应的海洋子区域为适合捕捞的区域。所述平均天气异常值为第一捕捞区域代表的整个区域对应的天气异常值。所述捕捞预测深度层数据具体为适合捕捞的海底深层数。另外，一般将捕捞海底区域分为三层，分别为第一层，第二层和第三层，所述海底深层数为具体的层数。
根据本发明实施例，所述捕捞预测数据，还包括：
获取鱼群预测数据中的鱼群运动轨迹预测数据和鱼群数量分布数据；
根据鱼群运动轨迹预测数据和鱼群数量分布数据，分析出第一捕捞深度层数据；
将平均天气异常值导入鱼群预测模型，计算分析出鱼群深度修正系数；
根据鱼群深度修正系数，将第一捕捞深度层数据进行深度层数据修正，得到捕捞预测深度层数据；
将捕捞预测深度层数据和捕捞预测路径数据进行数据合并得到捕捞预测数据。
需要说明的是，所述鱼群深度修正系数一般为负数，所述平均天气异常值越大，鱼群深度修正系数的绝对值也越大。另外，通过分析平均天气异常值，能够预测出鱼群运动深度层数，当遇到恶劣天气时，鱼群一般会往海底下层游动，通过鱼群深度修正系数，能够修正捕捞预测深度层数据，得到较为合理的捕捞深度层。根据捕捞预测数据进行捕捞作业，能够有效提高海洋捕捞产量，从而增加渔业捕捞生产的经济效益。
根据本发明实施例，所述得到捕捞预测数据，还包括：
将捕捞预测路径数据进行数据拆分得到多段预测子路径数据；
获多段预测子路径数据中对应的路径区域数据；
根据路径区域数据，获取路径区域中海底地形声呐收集数据；
根据海底地形声呐收集数据进行海底地形分析，得到每个预测子路径数据对应的地形复杂度；
获取地形复杂度小于预设地形复杂度的预测子路径数据，并将所述预测子路径数据进行数据融合得到新的捕捞预测路径数据。
需要说明的是，所述路径区域数据为基于海底三维地图模型的区域数据，所述海底地形声呐收集数据为通过声呐数据采集装置进行获取。所述获取地形复杂度小于预设地形复杂度的预测子路径数据，并将所述预测子路径数据进行数据融合得到新的捕捞预测路径数据中，通过分析预测路径对应海底区域地形的复杂度，合理排除用具有复杂地形的路径，能够减少渔网在海底遇到的异常情况，提高渔船作业的安全系数。
图4示出了本发明一种基于物联网的过洋性渔业安全捕捞系统的框图。
S102，获取海洋中不同深度的鱼群种类信息、鱼群数量信息、鱼群活动信息；
S104，将鱼群种类信息、鱼群数量信息、鱼群活动信息进行数据整理得到鱼群监测数据；
S106，获取海洋历史天气数据，根据海洋历史天气数据得到海洋天气预测数据；
S108，将鱼群监测数据与海洋天气预测数据导入鱼群预测模型中进行分析，得到鱼群预测数据和捕捞预测数据；
S110，将鱼群预测数据和捕捞预测数据发送至预设终端设备进行显示。
需要说明的是，所述预设终端设备包括移动终端设备和计算机终端设备。
根据本发明实施例，所述获取海洋中不同深度的鱼群种类信息、鱼群数量信息、鱼群活动信息，具体包括：
在监测海域内，根据海底最大捕捞深度进行层数划分，并获取不同深度层的海底图像数据与声呐采集数据；
将海底图像数据进行图像特征提取，得到图像特征值数据；
将图像特征值数据与鱼类图像数据进行特征对比与数量统计分析，结合声呐采集数据，得到鱼群种类信息和鱼群数量信息。
需要说明的是，所述根据海底最大捕捞深度进行层数划分中，一般将根据海底最大捕捞深度划分为三层，分别为第一层，第二层和第三层，不同层次中的鱼群种类信息、鱼群数量信息一般有较大差异。所述声呐采集数据为运用声呐数据采集装置进行数据采集的，所述海底图像数据为通过海底光学采集装置进行数据采集，声呐数据采集装置与海底光学采集装置之间能够进行物联网间的相互通信与数据传输。
图2示出了本发明获取鱼群活动信息流程图。
根据本发明实施例，所述获取海洋中不同深度的鱼群种类信息、鱼群数量信息、鱼群活动信息，还包括：
S202，构建特定海域内的海底三维地图模型；
S204，采集海底鱼群声呐反馈数据，根据反馈数据进行基于海底三维地图模型的数据融合分析，得到鱼群运动位置信息；
S206，根据鱼群运动位置信息，分析出鱼群的运动轨迹并得到鱼群运动轨迹信息，将鱼群运动位置信息和鱼群运动轨迹信息进行信息合并整理得到鱼群活动信息。
需要说明的是，所述采集海底声呐反馈数据为运用声呐数据采集装置进行数据采集的。所述鱼群运动位置信息和鱼群运动轨迹信息为基于海底三维地图模型的数据信息。
图3示出了本发明获取海洋天气预测数据流程图。
根据本发明实施例，所述获取海洋历史天气数据，根据海洋历史天气数据得到海洋天气预测数据，具体为：
S302，获取捕捞海域三维区域信息，根据捕捞海域三维区域信息进行区域划分，得到N个初始海洋子区域；
S304，获取每个海洋子区域中的海洋历史天气数据，并分析相邻子区域中海洋历史天气数据的相似度；
S306，若相邻子区域中海洋历史天气数据的相似度高于预设天气相似度，则进行子区域合并，得到M个合并海洋子区域；
S308，获取合并海洋子区域中的海洋历史天气数据并进行预测分析，得到海洋天气预测数据。
需要说明的是，所述捕捞海域三维区域信息为基于海底三维地图模型的三维区域信息。所述海洋历史天气数据为历史最近30天的天气数据，所述海洋天气预测数据为未来20天内预测数据。所述合并海洋子区域至少为1个区域，另外，若相邻子区域中海洋历史天气数据的相似度高于预设天气相似度，则代表相邻子区域中的海洋历史天气数据为一致。所述N的大小根据捕捞海域三维区域信息决定，若捕捞海域三维区域对应的面积越大，则N越大。另外，M小于等于N。
根据本发明实施例，所述将鱼群监测数据与海洋天气预测数据导入鱼群预测模型中进行分析，得到鱼群预测数据和捕捞预测数据，具体为：
将鱼群监测数据导入鱼群预测模型进行轨迹与数量的预测分析，得到鱼群运动轨迹预测数据和鱼群数量分布数据；
将鱼群运动轨迹预测数据和鱼群数量分布数据进行数据整理得到鱼群预测数据。
根据本发明实施例，所述捕捞预测数据，还包括：
将合并海洋子区域中对应的海洋天气预测数据进行天气异常情况分析，得到天气异常值；
筛选出天气异常值小于预设异常值对应的多个海洋子区域，并计算出多个海洋子区域的平均天气异常值；
将所述多个海洋子区域进行区域合并得到第一捕捞区域；
将鱼群预测数据、第一捕捞区域、平均天气异常值导入鱼群预测模型进行捕捞路径预测分析，得到捕捞预测路径数据。
需要说明的是，所述天气异常值为反映天气异常情况的具体数值参量，当天气预测数据中天气变化为暴雨、暴雪、台风等恶劣天气，天气异常值的值则越大，当天气异常值小于预设异常值时，代表对应的海洋子区域为适合捕捞的区域。所述平均天气异常值为第一捕捞区域代表的整个区域对应的天气异常值。所述捕捞预测深度层数据具体为适合捕捞的海底深层数。另外，一般将捕捞海底区域分为三层，分别为第一层，第二层和第三层，所述海底深层数为具体的层数。
根据本发明实施例，所述捕捞预测数据，还包括：
获取鱼群预测数据中的鱼群运动轨迹预测数据和鱼群数量分布数据；
根据鱼群运动轨迹预测数据和鱼群数量分布数据，分析出第一捕捞深度层数据；
将平均天气异常值导入鱼群预测模型，计算分析出鱼群深度修正系数；
根据鱼群深度修正系数，将第一捕捞深度层数据进行深度层数据修正，得到捕捞预测深度层数据；
将捕捞预测深度层数据和捕捞预测路径数据进行数据合并得到捕捞预测数据。
需要说明的是，所述鱼群深度修正系数一般为负数，所述平均天气异常值越大，鱼群深度修正系数的绝对值也越大。另外，通过分析平均天气异常值，能够预测出鱼群运动深度层数，当遇到恶劣天气时，鱼群一般会往海底下层游动，通过鱼群深度修正系数，能够修正捕捞预测深度层数据，得到较为合理的捕捞深度层。根据捕捞预测数据进行捕捞作业，能够有效提高海洋捕捞产量，从而增加渔业捕捞生产的经济效益。
根据本发明实施例，所述得到捕捞预测数据，还包括：
将捕捞预测路径数据进行数据拆分得到多段预测子路径数据；
获多段预测子路径数据中对应的路径区域数据；
根据路径区域数据，获取路径区域中海底地形声呐收集数据；
根据海底地形声呐收集数据进行海底地形分析，得到每个预测子路径数据对应的地形复杂度；
获取地形复杂度小于预设地形复杂度的预测子路径数据，并将所述预测子路径数据进行数据融合得到新的捕捞预测路径数据。
需要说明的是，所述路径区域数据为基于海底三维地图模型的区域数据，所述海底地形声呐收集数据为通过声呐数据采集装置进行获取。所述获取地形复杂度小于预设地形复杂度的预测子路径数据，并将所述预测子路径数据进行数据融合得到新的捕捞预测路径数据中，通过分析预测路径对应海底区域地形的复杂度，合理排除用具有复杂地形的路径，能够减少渔网在海底遇到的异常情况，提高渔船作业的安全系数。
本发明第二方面还提供了一种基于物联网的过洋性渔业安全捕捞系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于物联网的过洋性渔业安全捕捞方法程序，所述基于物联网的过洋性渔业安全捕捞方法程序被所述处理器执行时实现如下步骤：
获取海洋中不同深度的鱼群种类信息、鱼群数量信息、鱼群活动信息；
将鱼群种类信息、鱼群数量信息、鱼群活动信息进行数据整理得到鱼群监测数据；
获取海洋历史天气数据，根据海洋历史天气数据得到海洋天气预测数据；
将鱼群监测数据与海洋天气预测数据导入鱼群预测模型中进行分析，得到鱼群预测数据和捕捞预测数据；
将鱼群预测数据和捕捞预测数据发送至预设终端设备进行显示。
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基于物联网的过洋性渔业安全捕捞方法程序，所述基于物联网的过洋性渔业安全捕捞方法程序被处理器执行时，实现如上述任一项所述的基于物联网的过洋性渔业安全捕捞方法的步骤。
本发明公开了一种基于物联网的过洋性渔业安全捕捞方法、系统及介质。本发明通过获取海底图像数据与声呐采集数据，分析出海底内的鱼群种类、数量、活动轨迹等鱼群信息，根据鱼群信息，结合天气等环境因素，能够精准预测出合适的捕捞深度层和捕捞路径，根据捕捞深度层和捕捞路径进行海域捕捞，能够有效提高捕捞产量，实现增加海洋生产经济效益的目的。另外，本发明通过分析捕捞路径内的海底地形复杂度，合理排除危险的捕捞路径，能够减少渔网在海底内遇到的异常情况，提高渔船作业的安全系数。
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)

1.一种基于物联网的过洋性渔业安全捕捞方法，其特征在于，包括：
获取海洋中不同深度的鱼群种类信息、鱼群数量信息、鱼群活动信息；
将鱼群种类信息、鱼群数量信息、鱼群活动信息进行数据整理得到鱼群监测数据；
获取海洋历史天气数据，根据海洋历史天气数据得到海洋天气预测数据；
将鱼群监测数据与海洋天气预测数据导入鱼群预测模型中进行分析，得到鱼群预测数据和捕捞预测数据；
将鱼群预测数据和捕捞预测数据发送至预设终端设备进行显示。
2.根据权利要求1所述的一种基于物联网的过洋性渔业安全捕捞方法，其特征在于，所述获取海洋中不同深度的鱼群种类信息、鱼群数量信息、鱼群活动信息，具体包括：
在监测海域内，根据海底最大捕捞深度进行层数划分，并获取不同深度层的海底图像数据与声呐采集数据；
将海底图像数据进行图像特征提取，得到图像特征值数据；
将图像特征值数据与鱼类图像数据进行特征对比与数量统计分析，结合声呐采集数据，得到鱼群种类信息和鱼群数量信息。
3.根据权利要求1所述的一种基于物联网的过洋性渔业安全捕捞方法，其特征在于，所述获取海洋中不同深度的鱼群种类信息、鱼群数量信息、鱼群活动信息，还包括：
构建特定海域内的海底三维地图模型；
采集海底鱼群声呐反馈数据，根据反馈数据进行基于海底三维地图模型的数据融合分析，得到鱼群运动位置信息；
根据鱼群运动位置信息，分析出鱼群的运动轨迹并得到鱼群运动轨迹信息，将鱼群运动位置信息和鱼群运动轨迹信息进行信息合并整理得到鱼群活动信息。
4.根据权利要求1所述的一种基于物联网的过洋性渔业安全捕捞方法，其特征在于，所述获取海洋历史天气数据，根据海洋历史天气数据得到海洋天气预测数据，具体为：
获取捕捞海域三维区域信息，根据捕捞海域三维区域信息进行区域划分，得到N个初始海洋子区域；
获取每个海洋子区域中的海洋历史天气数据，并分析相邻子区域中海洋历史天气数据的相似度；
若相邻子区域中海洋历史天气数据的相似度高于预设天气相似度，则进行子区域合并，得到M个合并海洋子区域；
获取合并海洋子区域中的海洋历史天气数据并进行预测分析，得到海洋天气预测数据。
5.根据权利要求4所述的一种基于物联网的过洋性渔业安全捕捞方法，其特征在于，所述将鱼群监测数据与海洋天气预测数据导入鱼群预测模型中进行分析，得到鱼群预测数据和捕捞预测数据，具体为：
将鱼群监测数据导入鱼群预测模型进行轨迹与数量的预测分析，得到鱼群运动轨迹预测数据和鱼群数量分布数据；
将鱼群运动轨迹预测数据和鱼群数量分布数据进行数据整理得到鱼群预测数据。
6.根据权利要求5所述的一种基于物联网的过洋性渔业安全捕捞方法，其特征在于，所述将鱼群监测数据与海洋天气预测数据导入鱼群预测模型中进行分析，得到鱼群预测数据和捕捞预测数据，还包括：
将合并海洋子区域中对应的海洋天气预测数据进行天气异常情况分析，得到天气异常值；
筛选出天气异常值小于预设异常值对应的多个海洋子区域，并计算出多个海洋子区域的平均天气异常值；
将所述多个海洋子区域进行区域合并得到第一捕捞区域；
将鱼群预测数据、第一捕捞区域、平均天气异常值导入鱼群预测模型进行捕捞路径预测分析，得到捕捞预测路径数据。
7.根据权利要求6所述的一种基于物联网的过洋性渔业安全捕捞方法，其特征在于，所述将鱼群监测数据与海洋天气预测数据导入鱼群预测模型中进行分析，得到鱼群预测数据和捕捞预测数据，还包括：
获取鱼群预测数据中的鱼群运动轨迹预测数据和鱼群数量分布数据；
根据鱼群运动轨迹预测数据和鱼群数量分布数据，分析出第一捕捞深度层数据；
将平均天气异常值导入鱼群预测模型，计算分析出鱼群深度修正系数；
根据鱼群深度修正系数，将第一捕捞深度层数据进行深度层数据修正，得到捕捞预测深度层数据；
将捕捞预测深度层数据和捕捞预测路径数据进行数据合并得到捕捞预测数据。
8.一种基于物联网的过洋性渔业安全捕捞系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于物联网的过洋性渔业安全捕捞方法程序，所述基于物联网的过洋性渔业安全捕捞方法程序被所述处理器执行时实现如下步骤：
获取海洋中不同深度的鱼群种类信息、鱼群数量信息、鱼群活动信息；
将鱼群种类信息、鱼群数量信息、鱼群活动信息进行数据整理得到鱼群监测数据；
获取海洋历史天气数据，根据海洋历史天气数据得到海洋天气预测数据；
将鱼群监测数据与海洋天气预测数据导入鱼群预测模型中进行分析，得到鱼群预测数据和捕捞预测数据；
将鱼群预测数据和捕捞预测数据发送至预设终端设备进行显示。
9.根据权利要求8所述的一种基于物联网的过洋性渔业安全捕捞系统，其特征在于，所述获取海洋中不同深度的鱼群种类信息、鱼群数量信息、鱼群活动信息，具体包括：
在监测海域内，根据海底最大捕捞深度进行层数划分，并获取不同深度层的海底图像数据与声呐采集数据；
将海底图像数据进行图像特征提取，得到图像特征值数据；
将图像特征值数据与鱼类图像数据进行特征对比与数量统计分析，结合声呐采集数据，得到鱼群种类信息和鱼群数量信息。
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基于物联网的过洋性渔业安全捕捞方法程序，所述基于物联网的过洋性渔业安全捕捞方法程序被处理器执行时，实现如权利要求1至7中任一项所述的基于物联网的过洋性渔业安全捕捞方法的步骤。
CN202210928471.3A 2022-08-03 2022-08-03 一种基于物联网的过洋性渔业安全捕捞方法、系统及介质 Pending CN115359386A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210928471.3A CN115359386A (zh) 2022-08-03 2022-08-03 一种基于物联网的过洋性渔业安全捕捞方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210928471.3A CN115359386A (zh) 2022-08-03 2022-08-03 一种基于物联网的过洋性渔业安全捕捞方法、系统及介质

Publications (1)

Publication Number Publication Date
CN115359386A true CN115359386A (zh) 2022-11-18

Family

ID=84001067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210928471.3A Pending CN115359386A (zh) 2022-08-03 2022-08-03 一种基于物联网的过洋性渔业安全捕捞方法、系统及介质

Country Status (1)

Country Link
CN (1) CN115359386A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496307B (zh) * 2022-11-21 2023-03-24 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
CN116429118A (zh) * 2023-06-15 2023-07-14 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船安全生产监管方法及系统
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
CN117556980A (zh) * 2024-01-11 2024-02-13 中国水产科学研究院南海水产研究所 一种无人投喂船路径规划分析方法、系统及存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496307B (zh) * 2022-11-21 2023-03-24 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
CN116429118A (zh) * 2023-06-15 2023-07-14 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船安全生产监管方法及系统
CN116429118B (zh) * 2023-06-15 2023-10-27 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船安全生产监管方法及系统
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
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
CN117556980A (zh) * 2024-01-11 2024-02-13 中国水产科学研究院南海水产研究所 一种无人投喂船路径规划分析方法、系统及存储介质
CN117556980B (zh) * 2024-01-11 2024-03-22 中国水产科学研究院南海水产研究所 一种无人投喂船路径规划分析方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN115359386A (zh) 一种基于物联网的过洋性渔业安全捕捞方法、系统及介质
CN109272509B (zh) 一种连续图像的目标检测方法、装置、设备及存储介质
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
CN115293658A (zh) 一种基于大数据的渔业资源规划方法及系统
CN116429118B (zh) 一种基于物联网的渔船安全生产监管方法及系统
CN115456490B (zh) 一种基于地理信息的渔业资源数据分析方法及系统
CN116227745B (zh) 一种基于大数据的涉渔船舶调查分析方法及系统
CN116597693B (zh) 一种内河航运监控系统及方法
CN115423225A (zh) 一种基于大数据的渔港作业管理方法及系统
CN113392937A (zh) 一种3d点云数据分类方法及其相关装置
CN111523732A (zh) 一种日本鳀冬季渔场模型筛选预测方法
CN114359282A (zh) 融合多视角的输电线路鸟巢缺陷识别方法和装置
CN116562467B (zh) 一种海洋鱼类目标种类识别及分布预测方法及系统
CN117218545A (zh) 基于LBP特征与改进Yolov5的雷达图像检测方法
Newaliya et al. A review of maritime spatio-temporal data analytics
CN116595049A (zh) 船舶智能航行虚拟测试场景生成方法、系统及存储介质
CN115641549B (zh) 一种主推进柴油机组健康监测方法和系统
CN116384597A (zh) 基于地理信息系统的渔港船舶进出港动态预测方法及系统
CN115953431A (zh) 面向无人机航拍视频的多目标跟踪方法与系统
CN109359767B (zh) 一种智能制造过程故障识别结果的智能表达方法及装置
CN115496307B (zh) 一种基于物联网通信的渔业船舶生产方法、系统及介质
CN116720755B (zh) 一种基于大数据的渔业资源评价方法及系统
Baidai et al. A standard processing framework for the location data of satellite-linked buoys on drifting fish aggregating devices
CN117057948B (zh) 一种基于大数据的海洋安全生产方法、系统及介质
CN111652158A (zh) 目标对象的检测方法和装置、存储介质及电子装置

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