CN115482419A - 一种海洋渔业产品的数据采集分析方法及系统 - Google Patents
一种海洋渔业产品的数据采集分析方法及系统 Download PDFInfo
- Publication number
- CN115482419A CN115482419A CN202211278318.7A CN202211278318A CN115482419A CN 115482419 A CN115482419 A CN 115482419A CN 202211278318 A CN202211278318 A CN 202211278318A CN 115482419 A CN115482419 A CN 115482419A
- Authority
- CN
- China
- Prior art keywords
- product
- catch
- fishery
- characteristic
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000002156 mixing Methods 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 15
- 238000003066 decision tree Methods 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 11
- 241000894007 species Species 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 235000013332 fish product Nutrition 0.000 claims 1
- 230000000694 effects Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 241000251468 Actinopterygii Species 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 241000238557 Decapoda Species 0.000 description 2
- 241000252234 Hypophthalmichthys nobilis Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000252230 Ctenopharyngodon idella Species 0.000 description 1
- 241000252210 Cyprinidae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241001275898 Mylopharyngodon piceus Species 0.000 description 1
- 241000269319 Squalius cephalus Species 0.000 description 1
- 241000404975 Synchiropus splendidus Species 0.000 description 1
- 241000376029 Tachysurus fulvidraco Species 0.000 description 1
- 241000270666 Testudines Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 241001233037 catfish Species 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/77—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
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Mining & Mineral Resources (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种海洋渔业产品的数据采集分析方法及系统，其中，所述方法包括：根据所述第一识别指令对所述第一渔获物进行特征识别，获得第一特征识别信息；通过重量传感装置获得所述第一渔获物的重量信息；根据所述第一特征识别信息、所述第一渔获物的重量信息和所述第一渔获物的位置信息，生成第一渔获物标签信息，并将所述第一渔获物标签信息上传至海洋渔业产品的数据采集分析系统；将所述第一渔获物标签信息输入渔业产品分析模型，获得第一产品分析结果；根据所述第一产品分析结果，对所述第一渔获物进行调配管理。解决了现有技术对海洋渔业产品的数据采集全面性不高，导致产品分析不准确，进而影响海洋渔业的有效调配作业的技术问题。
Description
技术领域
本发明涉及数据分析领域，尤其涉及一种海洋渔业产品的数据采集分析方法及系统。
背景技术
海洋渔业是指捕捞和养殖海洋渔类及其他海洋经济动植物以获得水产品的生产活动，是海洋经济的重要组成部分。海洋渔业快速发展，结构不断优化，海水产品产量大幅增长，以及海洋渔业产品数据分析，有力地促进了经济社会发展。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术对海洋渔业产品的数据采集全面性不高，导致产品分析不准确，进而影响海洋渔业的有效调配作业的技术问题。
发明内容
本申请实施例通过提供一种海洋渔业产品的数据采集分析方法及系统，解决了现有技术对海洋渔业产品的数据采集全面性不高，导致产品分析不准确，进而影响海洋渔业的有效调配作业的技术问题，达到对海洋渔业产品产地进行追溯，使采集到的数据信息更加全面丰富，产品数据分析更加准确高效，进而实现生产数据对海洋渔业的捕捞和销售业务进行上下游的有效调配的技术效果。
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的方法。
第一方面，本申请实施例提供了一种海洋渔业产品的数据采集分析方法，所述方法包括：通过图像采集装置获得第一图像信息，所述第一图像信息包括第一渔获物；获得第一识别指令，根据所述第一识别指令对所述第一渔获物进行特征识别，获得第一特征识别信息；通过重量传感装置获得所述第一渔获物的重量信息；根据所述第一特征识别信息、所述第一渔获物的重量信息和所述第一渔获物的位置信息，生成第一渔获物标签信息，并将所述第一渔获物标签信息上传至所述海洋渔业产品的数据采集分析系统；将所述第一渔获物标签信息输入渔业产品分析模型，获得第一产品分析结果；根据所述第一产品分析结果，对所述第一渔获物进行调配管理。
另一方面，本申请还提供了一种海洋渔业产品的数据采集分析系统，所述系统包括：第一获得单元，所述第一获得单元用于通过图像采集装置获得第一图像信息，所述第一图像信息包括第一渔获物；第二获得单元，所述第二获得单元用于获得第一识别指令，根据所述第一识别指令对所述第一渔获物进行特征识别，获得第一特征识别信息；第三获得单元，所述第三获得单元用于通过重量传感装置获得所述第一渔获物的重量信息；第一生成单元，所述第一生成单元用于根据所述第一特征识别信息、所述第一渔获物的重量信息和所述第一渔获物的位置信息，生成第一渔获物标签信息，并将所述第一渔获物标签信息上传至所述海洋渔业产品的数据采集分析系统；第四获得单元，所述第四获得单元用于将所述第一渔获物标签信息输入渔业产品分析模型，获得第一产品分析结果；第一管理单元，所述第一管理单元用于根据所述第一产品分析结果，对所述第一渔获物进行调配管理。
第三方面，本发明实施例提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。
第四方面，本发明实施例还提供了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任意一项所述的控制输出数据的方法中的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了通过图像采集装置获得第一图像信息，所述第一图像信息包括第一渔获物；获得第一识别指令，根据所述第一识别指令对所述第一渔获物进行特征识别，获得第一特征识别信息；通过重量传感装置获得所述第一渔获物的重量信息；根据所述第一特征识别信息、所述第一渔获物的重量信息和所述第一渔获物的位置信息，生成第一渔获物标签信息，并将所述第一渔获物标签信息上传至所述海洋渔业产品的数据采集分析系统；将所述第一渔获物标签信息输入渔业产品分析模型，获得第一产品分析结果；根据所述第一产品分析结果，对所述第一渔获物进行调配管理。进而达到对海洋渔业产品产地进行追溯，使采集到的数据信息更加全面丰富，产品数据分析更加准确高效，进而实现生产数据对海洋渔业的捕捞和销售业务进行上下游的有效调配的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种海洋渔业产品的数据采集分析方法的流程示意图；
图2为本申请实施例一种海洋渔业产品的数据采集分析方法中对第一产品分析结果进行修正的流程示意图；
图3为本申请实施例一种海洋渔业产品的数据采集分析方法中获得第一渔获物产品特征结果的流程示意图；
图4为本申请实施例一种海洋渔业产品的数据采集分析方法中对产品卷积特征进行融合分析的流程示意图；
图5为本申请实施例一种海洋渔业产品的数据采集分析方法中确定第一渔获物的作业目标的流程示意图；
图6为本申请实施例一种海洋渔业产品的数据采集分析方法中对第一渔获物的作业目标进行修正管理的流程示意图；
图7为本申请实施例一种海洋渔业产品的数据采集分析方法中获得第一产品分析结果的流程示意图；
图8为本申请实施例一种海洋渔业产品的数据采集分析系统的结构示意图；
图9为本申请实施例所提供的一种用于执行控制输出数据的方法的电子设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第一生成单元14，第四获得单元15，第一管理单元16，总线1110，处理器1120，收发器1130，总线接口1140，存储器1150，操作系统1151，应用程序1152和用户接口1160。
具体实施方式
在本发明实施例的描述中，所属技术领域的技术人员应当知道，本发明实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本发明实施例可以具体实现为以下形式：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外，在一些实施例中，本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本发明实施例中，计算机可读存储介质可以是任意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、器件使用或与其结合使用。
申请概述
本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本发明实施例中的附图对本发明实施例进行描述。
实施例一
如图1所示，本申请实施例提供了一种海洋渔业产品的数据采集分析方法，其中，所述方法应用于一海洋渔业产品的数据采集分析系统，所述系统包括一图像采集装置和一重量传感装置，所述方法包括：
步骤S100：通过所述图像采集装置获得第一图像信息，所述第一图像信息包括第一渔获物；
步骤S200：获得第一识别指令，根据所述第一识别指令对所述第一渔获物进行特征识别，获得第一特征识别信息；
具体而言，通过所述图像采集装置对所述第一渔获物的图像信息进行采集，渔获物是在天然水域采捕的水生动物，如青鱼、草鱼、鲢鱼、鳙鱼、鳜鱼、鲇鱼、鲈鱼、黄颡鱼等。根据所述第一识别指令对所述第一渔获物进行特征识别，获得第一特征识别信息，所述特征识别信息包括所述渔获物的品种、个体尺寸、个体颜色、表面特征等。
步骤S300：通过所述重量传感装置获得所述第一渔获物的重量信息；
步骤S400：根据所述第一特征识别信息、所述第一渔获物的重量信息和所述第一渔获物的位置信息，生成第一渔获物标签信息，并将所述第一渔获物标签信息上传至所述海洋渔业产品的数据采集分析系统；
具体而言，通过所述重量传感装置对所述第一渔获物进行称重，包括空篮重量、渔获物重量、加冰称重重量等。所述第一渔获物的位置信息为所述渔获物的捕获海域位置，根据所述第一特征识别信息、所述第一渔获物的重量信息和所述第一渔获物的位置信息，生成第一渔获物标签信息，如生成对应RFID标签，记录所述渔获物的基本信息。并将所述第一渔获物标签信息上传至所述海洋渔业产品的数据采集分析系统，进行录入储存，用于后续的渔获物数据分析。
步骤S500：将所述第一渔获物标签信息输入渔业产品分析模型，获得第一产品分析结果；
如图7所示，进一步而言，其中，所述将所述第一渔获物标签信息输入渔业产品分析模型，获得第一产品分析结果，本申请实施例步骤S500还包括：
步骤S510：将所述第一渔获物标签信息作为输入信息，输入至所述渔业产品分析模型；
步骤S520：所述渔业产品分析模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一渔获物标签信息和用来标识第一产品分析结果的标识信息；
步骤S530：获得所述渔业产品分析模型中第一输出结果，所述第一输出结果包括所述第一产品分析结果。
具体而言，所述渔业产品分析模型为神经网络模型，所述神经网络模型即机器学习中的神经网络模型，神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络装置，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习装置。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks，ANN)，是对人类大脑装置的一阶特性的一种描述。简单地讲，它是一个数学模型。通过大量训练数据的训练，将所述第一渔获物标签信息输入神经网络模型，所述第一渔获物标签信息包括所述第一特征识别信息、所述第一渔获物的重量信息和所述第一渔获物的位置信息，则输出所述第一产品分析结果。
更进一步而言，所述训练的过程实质为监督学习的过程，每一组监督数据均包括所述第一渔获物标签信息和用来标识第一产品分析结果的标识信息，将所述第一渔获物标签信息输入到神经网络模型中，根据用来标识第一产品分析结果的标识信息，所述神经网络模型进行不断的自我修正、调整，直至获得的第一输出结果与所述标识信息一致，则结束本组数据监督学习，进行下一组数据监督学习；当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束。通过对所述神经网络模型的监督学习，进而使得所述神经网络模型处理所述输入信息更加准确，进而使得输出的第一产品分析结果信息更加合理、准确，进而达到通过多因素对渔获物产品数据进行分析，提高产品数据分析准确度，从而对海洋渔业管理进行有效调配的技术效果。
步骤S600：根据所述第一产品分析结果，对所述第一渔获物进行调配管理。
具体而言，根据所述第一产品分析结果，对所述第一渔获物进行调配管理，如帮助海洋渔业部门对渔船捕捞作业产能进行指导调配，以及帮助船东根据实时生产数据分析进行电商业务开展，从而促进渔业产品经济发展。
如图2所示，进一步而言，本申请实施例还包括：
步骤S710：构建渔获物特征决策树；
步骤S720：根据所述渔获物特征决策树对所述第一特征识别信息进行特征分类，获得各类别渔获物特征信息；
步骤S730：根据所述各类别渔获物特征信息，获得第一渔获物产品特征结果；
步骤S740：对所述第一渔获物产品特征结果进行作业分析，获得第一作业特性信息；
步骤S750：根据所述第一作业特性信息，对所述第一产品分析结果进行修正。
具体而言，决策树(DecisionTree)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法，这种分类器能够对新出现的对象给出正确的分类，由根节点、内部节点以及叶节点组成。渔获物特征可作为所述渔获物特征决策树的内部节点，通过对其进行信息熵的计算，可对熵值最小的特征进行优先分类，以此方法对所述渔获物特征决策树进行递归构建，直至无法对最后的特征叶节点进行再分，说明分类结束，以此构成了渔获物特征决策树。根据所述渔获物特征决策树，对所述第一特征识别信息进行分类，按照渔获物特征分类得到相应的各类别渔获物特征信息，如渔获物种类、渔获物尺寸、渔获物生长特征等信息。根据所述各类别渔获物特征信息，获得所述第一渔获物的产品特征结果，对所述第一渔获物产品特征结果进行作业分析，获得第一作业特性信息，如作业难度特性、作业损耗量特性等。根据所述第一作业特性信息，对所述第一产品分析结果进行修正，考虑渔获物作业特性对产品分析结果的影响因素，以便后续对渔获物的调配管理更加有效。
如图3所示，进一步而言，其中，所述根据所述各类别渔获物特征信息，获得第一渔获物产品特征结果，本申请实施例步骤S730还包括：
步骤S731：根据所述各类别渔获物特征信息，确定渔获物品种特征、渔获物尺寸特征和渔获物分布特征；
步骤S732：获得所述渔获物品种特征的第一产品卷积特征、所述渔获物尺寸特征的第二产品卷积特征，所述渔获物分布特征的第三产品卷积特征；
步骤S733：根据所述第一产品卷积特征、所述第二产品卷积特征和所述第三产品卷积特征，获得第一渔获物产品特征结果。
具体而言，所述渔获物品种特征为所述渔获物的品种，如鲢鱼、鲤鱼、鳖、虾类、蟹类等，所述渔获物尺寸特征为所述渔获物的个体尺寸，捕捞的渔获物个体尺寸有规定比例标准。所述渔获物分布特征为渔获物的海域分布特征，不同的渔获物种类，具有不同的海域位置分布。卷积神经网络是一种具有局部连接、权值共享等特点的深层前馈神经网络，在图像和视频分析领域，比如图像分类、目标检测、图像分割等各种视觉任务上取得了显著的效果，是目前应用最广泛的模型之一。卷积神经网络，从字面上包括两个部分：卷积+神经网络。其中，卷积就是特征提取器，而神经网络，可以看作分类器。训练一个卷积神经网络，就是同时训练了特征提取器(卷积)和后面的分类器(神经网络)。通过卷积神经网络分别对各类别渔获物特征进行提取分类，获得所对应的所述渔获物品种特征、所述渔获物尺寸特征和所述渔获物分布特征。通过所述第一产品卷积特征、所述第二产品卷积特征和所述第三产品卷积特征的卷积计算结果，获得所述第一渔获物产品特征结果。通过对渔获物产品特征进行提取计算，使得产品特征结果更加准确合理，从而使得后续对渔获物的产品分析结果更加准确高效的技术效果。
如图4所示，进一步而言，其中，所述根据所述第一产品卷积特征、所述第二产品卷积特征和所述第三产品卷积特征，获得第一渔获物产品特征结果，本申请实施例步骤S733还包括：
步骤S7331：将所述渔获物品种特征作为第一产品特征、所述渔获物尺寸特征作为第二产品特征和所述渔获物分布特征作为第三产品特征；
步骤S7332：分别对所述第一产品卷积特征和所述第一产品特征、所述第二产品卷积特征和所述第二产品特征、所述第三产品卷积特征和所述第三产品特征进行遍历的卷积运算，获得对应的第一卷积结果、第二卷积结果和第三卷积结果；
步骤S7333：对所述第一卷积结果、所述第二卷积结果和所述第三卷积结果进行结果融合分析，获得第一渔获物产品特征结果。
具体而言，将所述渔获物品种特征作为第一产品特征、所述渔获物尺寸特征作为第二产品特征和所述渔获物分布特征作为第三产品特征，并分别对所述第一产品卷积特征和所述第一产品特征、所述第二产品卷积特征和所述第二产品特征、所述第三产品卷积特征和所述第三产品特征进行遍历的卷积运算，可获得对应的第一卷积结果、第二卷积结果和第三卷积结果，对所述第一卷积结果、所述第二卷积结果、所述第三卷积结果进行融合分析，生成第一渔获物产品特征结果，所述第一渔获物产品特征结果是经过卷积神经网络进行特征训练后的结果。达到通过卷积神经网络的方式对渔获物产品特征进行分析，以用于后续对产品进行调配管理更加准确的技术效果。
如图5所示，进一步而言，本申请实施例步骤还包括：
步骤S810：根据所述第一渔获物的生长特性，获得第一作业尺寸；
步骤S820：根据所述第一作业尺寸和所述第一渔获物的海域分布密度，确定第一作业产量；
步骤S830：根据所述第一作业产量和所述第一渔获物的业务目标，获得第一作业管理指标；
步骤S840：根据所述作业管理指标，确定所述第一渔获物的作业目标。
具体而言，所述第一渔获物的生长特性由所述渔获物的品种决定，包括渔获物生长大小、生长速度、发育特性等，不同的渔获物品种具有不同的可作业捕捞尺寸。根据所述第一作业尺寸和所述第一渔获物的海域分布密度，确定第一作业产量，即可捕捞作业的渔获物产量。所述第一渔获物的业务目标为需要进行销售的所述渔获物产量目标，所述第一作业管理指标为兼顾经济效益的所述渔获物的管理指标，由所述第一作业产量和所述第一渔获物的业务目标共同确定。根据所述作业管理指标，确定所述第一渔获物的作业目标，即所述渔获物的可作业捕捞目标，达到渔获物作业目标和经济效益的结合，以促进海洋渔业的经济发展的技术效果。
如图6所示，进一步而言，本申请实施例步骤S840还包括：
步骤S841：获得渔业生态管理目标；
步骤S842：对所述第一作业产量进行资源评估，获得第一渔业资源评估结果；
步骤S843：根据所述渔业生态管理目标和所述第一渔业资源评估结果，获得第一生态平衡管理系数；
步骤S844：根据所述第一生态平衡管理系数，对所述第一渔获物的作业目标进行修正管理。
具体而言，所述渔业生态管理目标是为保护渔业生态平衡的管理目标规定，旨在加强海洋渔业资源养护，促进海洋渔业发展与资源保护相协调。对所述第一作业产量进行资源评估，获得第一渔业资源评估结果，即所述渔获物的资源产量评估结果。所述第一生态平衡管理系数根据所述渔业生态管理目标和所述第一渔业资源评估结果共同确定，以保证渔业资源和生态管理达到平衡，并根据所述第一生态平衡管理系数，对所述第一渔获物的作业目标进行修正管理。根据海洋渔业资源评估情况和生态平衡管理，进一步确定调控目标，实现海洋渔业资源承载能力平衡协调的技术效果。
综上所述，本申请实施例所提供的一种海洋渔业产品的数据采集分析方法及系统具有如下技术效果：
由于采用了通过图像采集装置获得第一图像信息，所述第一图像信息包括第一渔获物；获得第一识别指令，根据所述第一识别指令对所述第一渔获物进行特征识别，获得第一特征识别信息；通过重量传感装置获得所述第一渔获物的重量信息；根据所述第一特征识别信息、所述第一渔获物的重量信息和所述第一渔获物的位置信息，生成第一渔获物标签信息，并将所述第一渔获物标签信息上传至所述海洋渔业产品的数据采集分析系统；将所述第一渔获物标签信息输入渔业产品分析模型，获得第一产品分析结果；根据所述第一产品分析结果，对所述第一渔获物进行调配管理。进而达到对海洋渔业产品产地进行追溯，使采集到的数据信息更加全面丰富，产品数据分析更加准确高效，进而实现生产数据对海洋渔业的捕捞和销售业务进行上下游的有效调配的技术效果。
实施例二
基于与前述实施例中一种海洋渔业产品的数据采集分析方法同样发明构思，本发明还提供了一种海洋渔业产品的数据采集分析系统，如图8所示，所述系统包括：
第一获得单元11，所述第一获得单元11用于通过图像采集装置获得第一图像信息，所述第一图像信息包括第一渔获物；
第二获得单元12，所述第二获得单元12用于获得第一识别指令，根据所述第一识别指令对所述第一渔获物进行特征识别，获得第一特征识别信息；
第三获得单元13，所述第三获得单元13用于通过重量传感装置获得所述第一渔获物的重量信息；
第一生成单元14，所述第一生成单元14用于根据所述第一特征识别信息、所述第一渔获物的重量信息和所述第一渔获物的位置信息，生成第一渔获物标签信息，并将所述第一渔获物标签信息上传至所述海洋渔业产品的数据采集分析系统；
第四获得单元15，所述第四获得单元15用于将所述第一渔获物标签信息输入渔业产品分析模型，获得第一产品分析结果；
第一管理单元16，所述第一管理单元16用于根据所述第一产品分析结果，对所述第一渔获物进行调配管理。
进一步的，所述系统还包括：
第一构建单元，所述第一构建单元用于构建渔获物特征决策树；
第五获得单元，所述第五获得单元用于根据所述渔获物特征决策树对所述第一特征识别信息进行特征分类，获得各类别渔获物特征信息；
第六获得单元，所述第六获得单元用于根据所述各类别渔获物特征信息，获得第一渔获物产品特征结果；
第七获得单元，所述第七获得单元用于对所述第一渔获物产品特征结果进行作业分析，获得第一作业特性信息；
第一修正单元，所述第一修正单元用于根据所述第一作业特性信息，对所述第一产品分析结果进行修正。
进一步的，所述系统还包括：
第一确定单元，所述第一确定单元用于根据所述各类别渔获物特征信息，确定渔获物品种特征、渔获物尺寸特征和渔获物分布特征；
第八获得单元，所述第八获得单元用于获得所述渔获物品种特征的第一产品卷积特征、所述渔获物尺寸特征的第二产品卷积特征，所述渔获物分布特征的第三产品卷积特征；
第九获得单元，所述第九获得单元用于根据所述第一产品卷积特征、所述第二产品卷积特征和所述第三产品卷积特征，获得第一渔获物产品特征结果。
进一步的，所述系统还包括：
第一特征单元，所述第一特征单元用于将所述渔获物品种特征作为第一产品特征、所述渔获物尺寸特征作为第二产品特征和所述渔获物分布特征作为第三产品特征；
第十获得单元，所述第十获得单元用于分别对所述第一产品卷积特征和所述第一产品特征、所述第二产品卷积特征和所述第二产品特征、所述第三产品卷积特征和所述第三产品特征进行遍历的卷积运算，获得对应的第一卷积结果、第二卷积结果和第三卷积结果；
第十一获得单元，所述第十一获得单元用于对所述第一卷积结果、所述第二卷积结果和所述第三卷积结果进行结果融合分析，获得第一渔获物产品特征结果。
进一步的，所述系统还包括：
第十二获得单元，所述第十二获得单元用于根据所述第一渔获物的生长特性，获得第一作业尺寸；
第二确定单元，所述第二确定单元用于根据所述第一作业尺寸和所述第一渔获物的海域分布密度，确定第一作业产量；
第十三获得单元，所述第十三获得单元用于根据所述第一作业产量和所述第一渔获物的业务目标，获得第一作业管理指标；
第三确定单元，所述第三确定单元用于根据所述作业管理指标，确定所述第一渔获物的作业目标。
进一步的，所述系统还包括：
第十四获得单元，所述第十四获得单元用于获得渔业生态管理目标；
第十五获得单元，所述第十五获得单元用于对所述第一作业产量进行资源评估，获得第一渔业资源评估结果；
第十六获得单元，所述第十六获得单元用于根据所述渔业生态管理目标和所述第一渔业资源评估结果，获得第一生态平衡管理系数；
第二管理单元，所述第二管理单元用于根据所述第一生态平衡管理系数，对所述第一渔获物的作业目标进行修正管理。
进一步的，所述系统还包括：
第一输入单元，所述第一输入单元用于将所述第一渔获物标签信息作为输入信息，输入至所述渔业产品分析模型；
第十七获得单元，所述第十七获得单元用于所述渔业产品分析模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一渔获物标签信息和用来标识第一产品分析结果的标识信息；
第十八获得单元，所述第十八获得单元用于获得所述渔业产品分析模型中第一输出结果，所述第一输出结果包括所述第一产品分析结果。
前述图1实施例一中的一种海洋渔业产品的数据采集分析方法的各种变化方式和具体实例同样适用于本实施例的一种海洋渔业产品的数据采集分析系统，通过前述对一种海洋渔业产品的数据采集分析方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种海洋渔业产品的数据采集分析系统的实施方法，所以为了说明书的简洁，在此不再详述。
此外，本发明实施例还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
示例性电子设备
具体的，参见图9所示，本发明实施例还提供了一种电子设备，该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本发明实施例中，该电子设备还包括：存储在存储器1150上并可在处理器1120上运行的计算机程序，计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130，用于在处理器1120的控制下接收和发送数据。
本发明实施例中，总线架构(用总线1110来代表)，总线1110可以包括任意数量互联的总线和桥，总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
处理器1120可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤和逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
总线1110还可以将，例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口1140在总线1110和收发器1130之间提供接口，这些都是本领域所公知的。因此，本发明实施例不再对其进行进一步描述。
收发器1130可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器1130从其他设备接收外部数据，收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质，还可以提供用户接口1160，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解，在本发明实施例中，存储器1150可进一步包括相对于处理器1120远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解，本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器，或闪存。
易失性存储器包括：随机存取存储器，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如：静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本发明实施例中，存储器1150存储了操作系统1151和应用程序1152的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。
具体而言，操作系统1151包含各种装置程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序，例如：媒体播放器、浏览器，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括：小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外，本发明实施例还提供了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控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
以上所述，仅为本发明实施例的具体实施方式，但本发明实施例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实施例披露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明实施例的保护范围之内。因此，本发明实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种海洋渔业产品的数据采集分析方法，其中，所述方法应用于一海洋渔业产品的数据采集分析系统，所述系统包括一图像采集装置和一重量传感装置，所述方法包括：
通过所述图像采集装置获得第一图像信息，所述第一图像信息包括第一渔获物；
获得第一识别指令，根据所述第一识别指令对所述第一渔获物进行特征识别，获得第一特征识别信息；
通过所述重量传感装置获得所述第一渔获物的重量信息；
根据所述第一特征识别信息、所述第一渔获物的重量信息和所述第一渔获物的位置信息，生成第一渔获物标签信息，并将所述第一渔获物标签信息上传至所述海洋渔业产品的数据采集分析系统；
将所述第一渔获物标签信息输入渔业产品分析模型，获得第一产品分析结果；
根据所述第一产品分析结果，对所述第一渔获物进行调配管理。
2.如权利要求1所述的方法，其中，所述方法包括：
构建渔获物特征决策树；
根据所述渔获物特征决策树对所述第一特征识别信息进行特征分类，获得各类别渔获物特征信息；
根据所述各类别渔获物特征信息，获得第一渔获物产品特征结果；
对所述第一渔获物产品特征结果进行作业分析，获得第一作业特性信息；
根据所述第一作业特性信息，对所述第一产品分析结果进行修正。
3.如权利要求2所述的方法，其中，所述根据所述各类别渔获物特征信息，获得第一渔获物产品特征结果，包括：
根据所述各类别渔获物特征信息，确定渔获物品种特征、渔获物尺寸特征和渔获物分布特征；
获得所述渔获物品种特征的第一产品卷积特征、所述渔获物尺寸特征的第二产品卷积特征，所述渔获物分布特征的第三产品卷积特征；
根据所述第一产品卷积特征、所述第二产品卷积特征和所述第三产品卷积特征，获得第一渔获物产品特征结果。
4.如权利要求3所述的方法，其中，所述根据所述第一产品卷积特征、所述第二产品卷积特征和所述第三产品卷积特征，获得第一渔获物产品特征结果，包括：
将所述渔获物品种特征作为第一产品特征、所述渔获物尺寸特征作为第二产品特征和所述渔获物分布特征作为第三产品特征；
分别对所述第一产品卷积特征和所述第一产品特征、所述第二产品卷积特征和所述第二产品特征、所述第三产品卷积特征和所述第三产品特征进行遍历的卷积运算，获得对应的第一卷积结果、第二卷积结果和第三卷积结果；
对所述第一卷积结果、所述第二卷积结果和所述第三卷积结果进行结果融合分析，获得第一渔获物产品特征结果。
5.如权利要求1所述的方法，其中，所述方法包括：
根据所述第一渔获物的生长特性，获得第一作业尺寸；
根据所述第一作业尺寸和所述第一渔获物的海域分布密度，确定第一作业产量；
根据所述第一作业产量和所述第一渔获物的业务目标，获得第一作业管理指标；
根据所述作业管理指标，确定所述第一渔获物的作业目标。
6.如权利要求5所述的方法，其中，所述方法包括：
获得渔业生态管理目标；
对所述第一作业产量进行资源评估，获得第一渔业资源评估结果；
根据所述渔业生态管理目标和所述第一渔业资源评估结果，获得第一生态平衡管理系数；
根据所述第一生态平衡管理系数，对所述第一渔获物的作业目标进行修正管理。
7.如权利要求1所述的方法，其中，所述将所述第一渔获物标签信息输入渔业产品分析模型，获得第一产品分析结果，包括：
将所述第一渔获物标签信息作为输入信息，输入至所述渔业产品分析模型；
所述渔业产品分析模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一渔获物标签信息和用来标识第一产品分析结果的标识信息；
获得所述渔业产品分析模型中第一输出结果，所述第一输出结果包括所述第一产品分析结果。
8.一种海洋渔业产品的数据采集分析系统，其中，所述系统包括：
第一获得单元，所述第一获得单元用于通过图像采集装置获得第一图像信息，所述第一图像信息包括第一渔获物；
第二获得单元，所述第二获得单元用于获得第一识别指令，根据所述第一识别指令对所述第一渔获物进行特征识别，获得第一特征识别信息；
第三获得单元，所述第三获得单元用于通过重量传感装置获得所述第一渔获物的重量信息；
第一生成单元，所述第一生成单元用于根据所述第一特征识别信息、所述第一渔获物的重量信息和所述第一渔获物的位置信息，生成第一渔获物标签信息，并将所述第一渔获物标签信息上传至所述海洋渔业产品的数据采集分析系统；
第四获得单元，所述第四获得单元用于将所述第一渔获物标签信息输入渔业产品分析模型，获得第一产品分析结果；
第一管理单元，所述第一管理单元用于根据所述第一产品分析结果，对所述第一渔获物进行调配管理。
9.一种海洋渔业产品的数据采集分析电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述的控制输出数据的方法中的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的控制输出数据的方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211278318.7A CN115482419B (zh) | 2022-10-19 | 2022-10-19 | 一种海洋渔业产品的数据采集分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211278318.7A CN115482419B (zh) | 2022-10-19 | 2022-10-19 | 一种海洋渔业产品的数据采集分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115482419A true CN115482419A (zh) | 2022-12-16 |
| CN115482419B CN115482419B (zh) | 2023-11-14 |
Family
ID=84396099
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211278318.7A Active CN115482419B (zh) | 2022-10-19 | 2022-10-19 | 一种海洋渔业产品的数据采集分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115482419B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12094119B1 (en) | 2024-04-17 | 2024-09-17 | Onwater Llc | Physical characteristics determination system and method(s) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130223693A1 (en) * | 2010-08-31 | 2013-08-29 | Glenn Chamberlain | Methods and systems for determining fish catches |
| CN111881203A (zh) * | 2020-06-30 | 2020-11-03 | 中国水产科学研究院南海水产研究所 | 海洋渔业数据图形化显示系统、方法、装置和存储介质 |
| CN113627558A (zh) * | 2021-08-19 | 2021-11-09 | 中国海洋大学 | 鱼类图像识别方法、系统及设备 |
| WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
| CN114372723A (zh) * | 2022-01-13 | 2022-04-19 | 深圳联合水产发展有限公司 | 一种鱼肉制品安全生产方法及系统 |
| CN114399682A (zh) * | 2022-01-18 | 2022-04-26 | 李士金 | 一种林业病虫害的长效防治方法及系统 |
-
2022
- 2022-10-19 CN CN202211278318.7A patent/CN115482419B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130223693A1 (en) * | 2010-08-31 | 2013-08-29 | Glenn Chamberlain | Methods and systems for determining fish catches |
| CN111881203A (zh) * | 2020-06-30 | 2020-11-03 | 中国水产科学研究院南海水产研究所 | 海洋渔业数据图形化显示系统、方法、装置和存储介质 |
| WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
| CN113627558A (zh) * | 2021-08-19 | 2021-11-09 | 中国海洋大学 | 鱼类图像识别方法、系统及设备 |
| CN114372723A (zh) * | 2022-01-13 | 2022-04-19 | 深圳联合水产发展有限公司 | 一种鱼肉制品安全生产方法及系统 |
| CN114399682A (zh) * | 2022-01-18 | 2022-04-26 | 李士金 | 一种林业病虫害的长效防治方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 塔娜;程和琴;江红;倪一卓;BIRANE SAMBE;杨忠勇;: "侧重于渔业的东海海岸剖面分析模型初探――以舟山群岛为例", 资源科学, no. 04 * |
| 杨东海;张胜茂;汤先峰;: "基于机器视觉技术的鱼类识别研究进展", 渔业信息与战略, no. 02 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12094119B1 (en) | 2024-04-17 | 2024-09-17 | Onwater Llc | Physical characteristics determination system and method(s) |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115482419B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107679183B (zh) | 分类器用训练数据获取方法和装置、服务器及存储介质 | |
| CN110991658A (zh) | 模型训练方法、装置、电子设备和计算机可读存储介质 | |
| CN111401339B (zh) | 识别人脸图像中的人的年龄的方法、装置及电子设备 | |
| CN113537063B (zh) | 一种基于综合遥感技术的森林环境遥感监测方法及终端 | |
| CN108197251A (zh) | 一种大数据运行维护分析方法、装置及服务器 | |
| CN113887447B (zh) | 一种针对密集群体目标的密度估计、分类预测模型的训练、推理方法及装置 | |
| CN114896067B (zh) | 任务请求信息的自动生成方法、装置、计算机设备及介质 | |
| CN110991222A (zh) | 一种物体状态监测、母猪发情监测方法、装置及系统 | |
| CN115482419B (zh) | 一种海洋渔业产品的数据采集分析方法及系统 | |
| CN111325181B (zh) | 一种状态监测方法、装置、电子设备及存储介质 | |
| CN111723749A (zh) | 一种安全帽佩戴识别方法、系统及设备 | |
| Raja et al. | Convolutional Neural Networks based Classification and Detection of Plant Disease | |
| CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
| CN116842174A (zh) | 基于网络数据的农业资源数据库平台搭建方法 | |
| CN111353577A (zh) | 基于多任务的级联组合模型的优化方法、装置及终端设备 | |
| CN111930935B (zh) | 图像分类方法、装置、设备和存储介质 | |
| CN115240647A (zh) | 声音事件检测方法、装置、电子设备及存储介质 | |
| Peng et al. | Prediction of the chlorophyll content in pomegranate leaves based on digital image processing technology and stacked sparse autoencoder | |
| Xue et al. | Artificial Intelligence in New Zealand: applications and innovation | |
| CN112766387A (zh) | 一种训练数据的纠错方法、装置、设备及存储介质 | |
| CN111353708A (zh) | 目标对象的数量确定方法及装置、存储介质、电子装置 | |
| CN114998575B (zh) | 训练和使用目标检测模型的方法及装置 | |
| Li et al. | A lightweight method for maize seed defects identification based on Convolutional Block Attention Module | |
| Dash et al. | Fish Type and Disease Classification Using Deep Learning Model Based Customized CNN with Resnet 50 Technique. | |
| Suram et al. | Farmer Assistant System: An Integrated Crop Disease Detection and Remedial Approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |