CN115700817A - 基于人工智能和数字孪生的渔业安全监测方法和元宇宙 - Google Patents
基于人工智能和数字孪生的渔业安全监测方法和元宇宙 Download PDFInfo
- Publication number
- CN115700817A CN115700817A CN202211291980.6A CN202211291980A CN115700817A CN 115700817 A CN115700817 A CN 115700817A CN 202211291980 A CN202211291980 A CN 202211291980A CN 115700817 A CN115700817 A CN 115700817A
- Authority
- CN
- China
- Prior art keywords
- fishing
- fishery
- fishing boat
- universe
- monitoring
- 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
Images
Abstract
基于人工智能和数字孪生的渔业安全监测方法和元宇宙，包括：渔船超人监测与数字孪生步骤；渔船超载监测与数字孪生步骤；渔民临水作业未穿救生衣监测步骤；渔民临水作业未穿救生衣数字孪生步骤；统计渔船数量步骤。上述方法和元宇宙，解决了现有渔船的安全监测成本高、效率低的问题，提高超人、超载监测的自动化程度和效率，提高未穿救生衣监测的精准度，提高渔船数量统计的快捷性、便利度和体验感。
Description
技术领域
本发明涉及数字孪生技术领域，特别是涉及一种基于人工智能和数字孪生的渔业安全监测方法和元宇宙。
背景技术
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有的渔船安全检查主要人工进行，这使得人工成本极高，而且容易遗漏且不及时。渔船安全检查包括渔船是否超人和超载、渔民是否未穿救生衣、是否非捕捞季节、是否非规定区域捕捞。
因此，现有技术还有待于改进和发展。
发明内容
基于此，有必要针对现有技术的缺陷或不足，提供基于人工智能和数字孪生的渔业安全监测方法和元宇宙，以解决现有渔船的人工安全监测成本高、效率低的问题。
第一方面，本发明实施例提供一种渔业安全监测方法，所述方法包括：
渔船超人监测与数字孪生步骤：调用装置对渔船第一预设范围进行拍摄，得到拍摄数据；将所述拍摄数据上传到渔业元宇宙中；在渔业元宇宙中获取超人监测深度学习模型；将所述拍摄数据输入超人监测深度学习模型，计算得到的输出作为所述渔船是否超人的标签；若所述渔船是否超人的标签为所述渔船有超人，则将所述渔船有超人的标志显示到渔业元宇宙中所述渔船的状态中；渔业元宇宙将渔船的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示；
渔船超载监测与数字孪生步骤：调用装置对渔船第四预设范围进行拍摄，得到拍摄数据；将所述拍摄数据上传到渔业元宇宙中；在渔业元宇宙中获取超载监测深度学习模型；将所述拍摄数据输入超载监测深度学习模型，计算得到的输出作为所述渔船是否超载的标签；若所述渔船是否超载的标签为所述渔船有超载，则将所述渔船有超载的标志显示到渔业元宇宙中所述渔船的状态中；渔业元宇宙将渔船的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
优选地，所述方法还包括：
渔民临水作业未穿救生衣监测步骤：调用装置对渔船第七预设范围进行拍摄，得到拍摄数据；将所述拍摄数据上传到渔业元宇宙中；在渔业元宇宙中获取渔民临水作业未穿救生衣监测深度学习模型；将所述拍摄数据输入渔民临水作业未穿救生衣监测深度学习模型，计算得到的输出作为所述渔民是否临水作业未穿救生衣的标签；
渔民临水作业未穿救生衣数字孪生步骤：若所述渔民是否临水作业未穿救生衣的标签为所述渔民临水作业未穿救生衣，则将临水作业未穿救生衣的标志显示到渔业元宇宙中所述渔船的所述渔民的状态中；渔业元宇宙将渔船中渔民的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
优选地，所述方法还包括：
捕捞监测步骤：调用装置对渔船第十预设范围进行拍摄，得到拍摄数据；记录所述拍摄的时间作为监测时间；记录所述拍摄的地点作为监测地点；将所述拍摄数据上传到渔业元宇宙中；在渔业元宇宙中获取捕捞监测深度学习模型；将所述拍摄数据输入捕捞监测深度学习模型，计算得到的输出作为是否捕捞的标签；
非捕捞季节捕捞监测与数字孪生步骤：从知识库中获取非捕捞季节的时间范围；若是否捕捞的标签为捕捞，且所述监测时间在非捕捞季节的时间范围内，则为非捕捞季节捕捞，将非捕捞季节捕捞的标志显示到渔业元宇宙中所述渔船的状态中；渔业元宇宙将渔船的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示；
非捕捞区域捕捞监测与数字孪生步骤：从知识库中获取非捕捞区域的空间范围；若是否捕捞的标签为捕捞，且所述监测地点在非捕捞季节的空间范围内，则为非捕捞区域捕捞，将非捕捞区域捕捞的标志显示到渔业元宇宙中所述渔船的状态中；渔业元宇宙将渔船的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
优选地，所述方法还包括：
渔船定位与数字孪生步骤：通过定位装置获取每个渔船的位置，将所述每个渔船的位置传输到渔业元宇宙中，将所述每个渔船的数字孪生显示到渔业元宇宙的所述位置；
范围圈取步骤：获取用户在渔业元宇宙上圈取的区域范围；
统计渔船数量步骤：获取所述区域范围内的所有渔船的数字孪生，统计所述渔船的数字孪生的个数，作为用户所圈取的区域中渔船数。
第二方面，本发明实施例提供一种渔业安全监测系统，所述系统包括：
渔船超人监测与数字孪生模块：调用装置对渔船第一预设范围进行拍摄，得到拍摄数据；将所述拍摄数据上传到渔业元宇宙中；在渔业元宇宙中获取超人监测深度学习模型；将所述拍摄数据输入超人监测深度学习模型，计算得到的输出作为所述渔船是否超人的标签；若所述渔船是否超人的标签为所述渔船有超人，则将所述渔船有超人的标志显示到渔业元宇宙中所述渔船的状态中；渔业元宇宙将渔船的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示；
渔船超载监测与数字孪生模块：调用装置对渔船第四预设范围进行拍摄，得到拍摄数据；将所述拍摄数据上传到渔业元宇宙中；在渔业元宇宙中获取超载监测深度学习模型；将所述拍摄数据输入超载监测深度学习模型，计算得到的输出作为所述渔船是否超载的标签；若所述渔船是否超载的标签为所述渔船有超载，则将所述渔船有超载的标志显示到渔业元宇宙中所述渔船的状态中；渔业元宇宙将渔船的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
优选地，所述系统还包括：
渔民临水作业未穿救生衣监测模块：调用装置对渔船第七预设范围进行拍摄，得到拍摄数据；将所述拍摄数据上传到渔业元宇宙中；在渔业元宇宙中获取渔民临水作业未穿救生衣监测深度学习模型；将所述拍摄数据输入渔民临水作业未穿救生衣监测深度学习模型，计算得到的输出作为所述渔民是否临水作业未穿救生衣的标签；
渔民临水作业未穿救生衣数字孪生模块：若所述渔民是否临水作业未穿救生衣的标签为所述渔民临水作业未穿救生衣，则将临水作业未穿救生衣的标志显示到渔业元宇宙中所述渔船的所述渔民的状态中；渔业元宇宙将渔船中渔民的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
优选地，所述系统还包括：
捕捞监测模块：调用装置对渔船第十预设范围进行拍摄，得到拍摄数据；记录所述拍摄的时间作为监测时间；记录所述拍摄的地点作为监测地点；将所述拍摄数据上传到渔业元宇宙中；在渔业元宇宙中获取捕捞监测深度学习模型；将所述拍摄数据输入捕捞监测深度学习模型，计算得到的输出作为是否捕捞的标签；
非捕捞季节捕捞监测与数字孪生模块：从知识库中获取非捕捞季节的时间范围；若是否捕捞的标签为捕捞，且所述监测时间在非捕捞季节的时间范围内，则为非捕捞季节捕捞，将非捕捞季节捕捞的标志显示到渔业元宇宙中所述渔船的状态中；渔业元宇宙将渔船的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示；
非捕捞区域捕捞监测与数字孪生模块：从知识库中获取非捕捞区域的空间范围；若是否捕捞的标签为捕捞，且所述监测地点在非捕捞季节的空间范围内，则为非捕捞区域捕捞，将非捕捞区域捕捞的标志显示到渔业元宇宙中所述渔船的状态中；渔业元宇宙将渔船的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
优选地，所述系统还包括：
渔船定位与数字孪生模块：通过定位装置获取每个渔船的位置，将所述每个渔船的位置传输到渔业元宇宙中，将所述每个渔船的数字孪生显示到渔业元宇宙的所述位置；
范围圈取模块：获取用户在渔业元宇宙上圈取的区域范围；
统计渔船数量模块：获取所述区域范围内的所有渔船的数字孪生，统计所述渔船的数字孪生的个数，作为用户所圈取的区域中渔船数。
第三方面，本发明实施例提供一种渔业安全监测数字孪生装置，所述装置包括第二方面实施例任意一项所述模块的模块。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现第一方面实施例任意一项所述方法的步骤。
第五方面，本发明实施例提供一种渔业安全监测机器人系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序，其特征在于，所述处理器执行所述程序时实现第一方面实施例任意一项所述方法的步骤。
第六方面，本发明实施例提供一种渔业安全监测元宇宙，包括元宇宙，其特征在于，所述渔业元宇宙实现第一方面实施例任意一项所述方法的步骤。
本实施例提供的基于人工智能和数字孪生的渔业安全监测方法和元宇宙，包括：渔船超人监测与数字孪生步骤；渔船超载监测与数字孪生步骤；渔民临水作业未穿救生衣监测步骤；渔民临水作业未穿救生衣数字孪生步骤；统计渔船数量步骤。上述方法和元宇宙，解决了现有渔船的安全监测成本高、效率低的问题，提高超人、超载监测的自动化程度和效率，提高未穿救生衣监测的精准度，提高渔船数量统计的快捷性、便利度和体验感。
附图说明
图1为本发明的实施例提供的渔业安全监测系统的模块图；
图2为本发明的实施例提供的渔业安全监测系统的模块图；
图3为本发明的实施例提供的渔业安全监测系统的模块图；
图4为本发明的实施例提供的渔业安全监测系统的模块图。
具体实施方式
下面结合本发明实施方式，对本发明实施例中的技术方案进行详细地描述。
一、本发明的基本实施例
第一方面，本发明实施例提供一种渔业安全监测方法，所述方法包括：渔船超人监测与数字孪生步骤；渔船超载监测与数字孪生步骤。技术效果：针对渔船超载超人的问题,设计渔船超载识别深度学习模型，通过渔船上监控摄像头拍摄并定时传到云平台的照片或视频，来判断是否超载超人。现有技术通过人工进行超载和超人核查，本申请通过深度学习模型进行超载和超人的识别省去了人工核查的成本。现有技术一般针对货车超载，而且用的是激光测距的方法。
在一个优选的实施例中，所述方法还包括：渔民临水作业未穿救生衣监测步骤；渔民临水作业未穿救生衣数字孪生步骤。技术效果：针对渔民未穿救生衣的问题,设计渔民未穿救生衣识别深度学习模型，通过渔船上监控摄像头拍摄并定时传到云平台的照片或视频，来判断渔民是否未穿救生衣。现有技术有深度学习模型识别是否有穿救生衣，但没有识别渔船是否临水作业，因为只要渔船临水作业应该穿救生衣，本申请则通过深度学习模型判断是否临水作业的前提下再判断是否有穿救生衣。
在一个优选的实施例中，所述方法还包括：捕捞监测步骤；非捕捞季节捕捞监测与数字孪生步骤；非捕捞区域捕捞监测与数字孪生步骤。技术效果：针对非捕捞季节、非规定区域捕捞的问题，设计非捕捞季节非规定区域捕捞识别深度学习模型，通过渔船上监控摄像头在非捕捞季节拍摄并定时传到云平台的照片或视频，来判断渔船是否在非捕捞季节进行捕捞；通过渔船定位装置上传位置信息到云平台，判断渔船是否处于非捕捞区域，然后通过渔船上监控摄像头拍摄并定时传到云平台的照片或视频，来判断渔船是否在非捕捞区域进行捕捞。目前渔业行业里通常的做法也只是判断渔船是否在非捕捞季节进入海域或是否进入非规定区域，而没有判断是否有进行捕捞行为。本申请通过深度学习模型进行非捕捞季节非规定区域捕捞识别。
在一个优选的实施例中，所述方法还包括：渔船定位与数字孪生步骤；范围圈取步骤；统计渔船数量步骤。技术效果：针对海上任意指定区域统计渔船数量的需求，设计指定区域渔船数量统计深度学习模型，通过将海上渔船根据其上传到云端的位置信息，实时更新到地图上，然后可以在地图上圈取任意区域，根据圈取标记后的地图来计算其中渔船的数量。这种方式更为直观，而且更为快速，不需要人工指定出区域的具体经纬度范围，可以直观地在地图上圈取。技术效果：目前行业做法都是统计进出某个区域的船只来相减得到这个区域的船只数量。但这种方法仅仅局限于规则和固定的区域，例如鱼港，对于不规则的区域和临时指定的区域，则很难统计进出的船只。万一有船只在指定区域内沉没了，通过这种方法也不知道指定区域内少了一个船只。通过本申请的技术方案可以准确地计算出任意区域内的船只，还可以与现有方法的结果进行比对，如果发现不一致，则说明可能有船只在指定区域沉没了，则通知开展营救。
第二方面，本发明实施例提供一种渔业安全监测系统，如图1所示，所述系统包括：渔船超人监测与数字孪生模块；渔船超载监测与数字孪生模块。
在一个优选的实施例中，如图2所示，所述系统还包括：渔民临水作业未穿救生衣监测模块；渔民临水作业未穿救生衣数字孪生模块。
在一个优选的实施例中，如图3所示，所述系统还包括：捕捞监测模块；非捕捞季节捕捞监测与数字孪生模块；非捕捞区域捕捞监测与数字孪生模块。
在一个优选的实施例中，如图4所示，所述系统还包括：渔船定位与数字孪生模块；范围圈取模块；统计渔船数量模块。
第三方面，本发明实施例提供一种渔业安全监测数字孪生装置，所述装置包括第二方面实施例任意一项所述模块的模块。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现第一方面实施例任意一项所述方法的步骤。
第五方面，本发明实施例提供一种渔业安全监测机器人系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序，其特征在于，所述处理器执行所述程序时实现第一方面实施例任意一项所述方法的步骤。
第六方面，本发明实施例提供一种渔业安全监测元宇宙，包括元宇宙，其特征在于，所述渔业安全监测元宇宙实现第一方面实施例任意一项所述方法的步骤。
在一个优选的实施例中，
一、超人和超载监测
(一)渔船超人监测
超人监测方案1：调用渔船上一个或多个监控摄像头对渔船第一预设范围进行拍摄(渔船第一预设范围包括渔船的载人区域和渔船内部的全貌，拍摄渔船的载人区域是因为该区域蕴含了人数信息，拍摄渔船内部的全貌与渔船的类型相关，而渔船的类型又与渔船的载人核定数相关)，得到拍摄数据(拍摄数据包括照片或视频或传感数据)；将所述拍摄数据通过物联网或移动互联网或互联网上传到渔业元宇宙中；在渔业元宇宙中获取超人监测深度学习模型；将所述拍摄数据输入超人监测深度学习模型，计算得到的输出作为所述渔船是否超人的标签。超人是指人数超过核定人数。若所述渔船是否超人的标签为所述渔船有超人，则将所述渔船有超人的标志显示到渔业元宇宙中所述渔船的状态中。渔业元宇宙将渔船的状态变化通过物联网或移动互联网或互联网发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
在此之前有超人监测深度学习模型的训练和测试：获取样本数据集中的渔船第一预设范围的拍摄数据及其对应的所述渔船是否超人的标签，分别作为深度学习模型的输入和预期输出，对深度学习模型进行训练和测试，得到超人监测深度学习模型。
超人监测方案2：调用渔船上一个或多个监控摄像头对渔船第二预设范围进行拍摄(渔船预设范围包括渔船的载人区域，拍摄渔船的载人区域是因为该区域蕴含了人数信息)，得到拍摄数据(拍摄数据包括照片或视频或传感数据)；将所述拍摄数据通过物联网或移动互联网或互联网上传到渔业元宇宙中；在渔业元宇宙中获取人数监测深度学习模型；将所述拍摄数据输入人数监测深度学习模型，计算得到的输出作为所述渔船中人数的标签。
调用渔船上一个或多个监控摄像头对渔船第三预设范围进行拍摄(渔船第三预设范围包括渔船内部的全貌，拍摄渔船内部的全貌是因为全貌蕴含了渔船的类型，而渔船的类型又蕴含了渔船的载人核定数)，得到拍摄数据；将所述拍摄数据通过物联网或移动互联网或互联网上传到渔业元宇宙中；在渔业元宇宙中获取渔船载人核定数预测深度学习模型；将所述拍摄数据输入渔船载人核定数预测深度学习模型，计算得到的输出作为所述渔船中载人核定数的标签。载人核定数就是最多能载多少人的规定，实际载人的人数不能超过载人核定数，否则就是范围规定。
在此之前有人数监测深度学习模型的训练和测试：获取样本数据集中的渔船第二预设范围的拍摄数据及其对应的所述渔船中人数的标签，分别作为深度学习模型的输入和预期输出，对深度学习模型进行训练和测试，得到渔船中人数监测深度学习模型。
在此之前有核对数预测深度学习模型的训练和测试：获取样本数据集中的渔船第三预设范围的拍摄数据及其对应的所述渔船载人核定数的标签，分别作为深度学习模型的输入和预期输出，对深度学习模型进行训练和测试，得到渔船载人核定数预测深度学习模型。
将所述渔船中载人核定数的标签中的载人核定数减去所述渔船中人数的标签中的人数，如果为正，则所述渔船没有超人，否则所述渔船有超人。若所述渔船有超人，则将所述渔船有超人的标志显示到渔业元宇宙中所述渔船的状态中。渔业元宇宙将渔船的状态变化通过物联网或移动互联网或互联网发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
(二)渔船超载监测
超载监测方案1：调用渔船侧面一个或多个监控摄像头对渔船第四预设范围进行拍摄(渔船第四预设范围包括渔船的载重线和渔船侧面的全貌，拍摄渔船侧面的全貌与吃水线相关)，得到拍摄数据(拍摄数据包括照片或视频或传感数据)；将所述拍摄数据通过物联网或移动互联网或互联网上传到渔业元宇宙中；在渔业元宇宙中获取超载监测深度学习模型；将所述拍摄数据输入超载监测深度学习模型，计算得到的输出作为所述渔船是否超载的标签。超载是指载重超过核定载重。载重线表示船舶在允许的最大载重情况时水面位置的吃水线。若所述渔船是否超载的标签为所述渔船有超载，则将所述渔船有超载的标志显示到渔业元宇宙中所述渔船的状态中。渔业元宇宙将渔船的状态变化通过物联网或移动互联网或互联网发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
在此之前有超人监测深度学习模型的训练和测试：获取样本数据集中的渔船第四预设范围的拍摄数据及其对应的所述渔船是否超载的标签，分别作为深度学习模型的输入和预期输出，对深度学习模型进行训练和测试，得到超载监测深度学习模型。
超载监测方案2：调用渔船侧面一个或多个监控摄像头对渔船第五预设范围进行拍摄(渔船第五预设范围包括渔船的吃水线，吃水线与渔船载重相关)，得到拍摄数据(拍摄数据包括照片或视频或传感数据)；将所述拍摄数据通过物联网或移动互联网或互联网上传到渔业元宇宙中；在渔业元宇宙中获取载重监测深度学习模型；将所述拍摄数据输入载重监测深度学习模型，计算得到的输出作为所述渔船载重的标签。
调用渔船侧面一个或多个监控摄像头对渔船第六预设范围进行拍摄(渔船第六预设范围包括渔船的载重线)，得到拍摄数据(拍摄数据包括照片或视频或传感数据)；将所述拍摄数据通过物联网或移动互联网或互联网上传到渔业元宇宙中；在渔业元宇宙中获取核定载重预测深度学习模型；将所述拍摄数据输入核定载重预测深度学习模型，计算得到的输出作为所述渔船核定载重的标签。
在此之前有载重监测深度学习模型的训练和测试：获取样本数据集中的渔船第五预设范围的拍摄数据及其对应的所述渔船载重的标签，分别作为深度学习模型的输入和预期输出，对深度学习模型进行训练和测试，得到载重监测深度学习模型。
在此之前有核定载重预测深度学习模型的训练和测试：获取样本数据集中的渔船第六预设范围的拍摄数据及其对应的所述渔船核定载重的标签，分别作为深度学习模型的输入和预期输出，对深度学习模型进行训练和测试，得到核定载重预测深度学习模型。
将所述渔船的渔船核定载重的标签中的渔船核定载重减去所述渔船载重的标签中的渔船载重，如果为正，则所述渔船没有超载，否则所述渔船有超载。若所述渔船有超载，则将所述渔船有超载的标志显示到渔业元宇宙中所述渔船的状态中。渔业元宇宙将渔船的状态变化通过物联网或移动互联网或互联网发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
二、渔民临水作业未穿救生衣监测
渔民临水作业未穿救生衣监测方案1：调用渔船上一个或多个监控摄像头对渔船第七预设范围进行拍摄(渔船第七预设范围包括渔船内部区域和渔船侧面区域，拍摄渔船内部区域可以看出渔民是否有穿救生衣，拍摄渔船侧面区域可以看出渔民是否有临水作业)，得到拍摄数据(拍摄数据包括照片或视频或传感数据)；将所述拍摄数据通过物联网或移动互联网或互联网上传到渔业元宇宙中；在渔业元宇宙中获取渔民临水作业未穿救生衣监测深度学习模型；将所述拍摄数据输入渔民临水作业未穿救生衣监测深度学习模型，计算得到的输出作为所述渔民是否临水作业未穿救生衣的标签。临水作业未穿救生衣是临水作业时未穿救生衣。若所述渔民是否临水作业未穿救生衣的标签为所述渔民临水作业未穿救生衣，则将临水作业未穿救生衣的标志显示到渔业元宇宙中所述渔船的所述渔民的状态中。渔业元宇宙将渔船中渔民的状态变化通过物联网或移动互联网或互联网发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
在此之前有渔民临水作业未穿救生衣监测深度学习模型的训练和测试：获取样本数据集中的渔船第七预设范围的拍摄数据及其对应的所述渔民是否临水作业未穿救生衣的标签，分别作为深度学习模型的输入和预期输出，对深度学习模型进行训练和测试，得到渔民临水作业未穿救生衣监测深度学习模型。
渔民临水作业未穿救生衣监测方案2：调用渔船上一个或多个监控摄像头对渔船第八预设范围进行拍摄(渔船预设范围包括渔船的内部区域，拍摄渔船内部区域可以看出渔民是否有穿救生衣)，得到拍摄数据(拍摄数据包括照片或视频或传感数据)；将所述拍摄数据通过物联网或移动互联网或互联网上传到渔业元宇宙中；在渔业元宇宙中获取未穿救生衣监测深度学习模型；将所述拍摄数据输入未穿救生衣监测深度学习模型，计算得到的输出作为所述渔民是否未穿救生衣的标签。
调用渔船上一个或多个监控摄像头对渔船第九预设范围进行拍摄(渔船第九预设范围包括渔船的侧面区域，拍摄渔船侧面区域是因为侧面区域包括船旁的水面，可以看出渔民是否有临水作业)，得到拍摄数据；将所述拍摄数据通过物联网或移动互联网或互联网上传到渔业元宇宙中；在渔业元宇宙中获取渔民临水作业监测深度学习模型；将所述拍摄数据输入渔民临水作业监测深度学习模型，计算得到的输出作为渔民是否临水作业的标签。
在此之前有未穿救生衣监测深度学习模型的训练和测试：获取样本数据集中的渔船第八预设范围的拍摄数据及其对应的渔民是否未穿救生衣的标签，分别作为深度学习模型的输入和预期输出，对深度学习模型进行训练和测试，得到未穿救生衣监测深度学习模型。
在此之前有核对数预测深度学习模型的训练和测试：获取样本数据集中的渔船第九预设范围的拍摄数据及其对应的渔民是否临水作业的标签，分别作为深度学习模型的输入和预期输出，对深度学习模型进行训练和测试，得到渔民临水作业监测深度学习模型。
如果所述渔船中渔民是否未穿救生衣监测的标签为所述渔民未穿救生衣，且所述渔船中所述渔民是否临水作业的标签为所述渔民临水作业，则所述渔民临水作业未穿救生衣，否则没有临水作业未穿救生衣。若所述渔民临水作业未穿救生衣，则将临水作业未穿救生衣的标志显示到渔业元宇宙中所述渔船的所述渔民的状态中。渔业元宇宙将渔船中渔民的状态变化通过物联网或移动互联网或互联网发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
三、非捕捞季节、非规定区域捕捞监测
调用渔船上一个或多个监控摄像头对渔船第十预设范围进行拍摄(渔船第十预设范围包括渔船的内部区域和侧面区域，拍摄渔船内部区域和侧面区域是因为内部区域和侧面区域可以看出渔船是否有捕捞行为)，得到拍摄数据；记录所述拍摄的时间作为监测时间；记录所述拍摄的地点作为监测地点；将所述拍摄数据通过物联网或移动互联网或互联网上传到渔业元宇宙中；在渔业元宇宙中获取捕捞监测深度学习模型；将所述拍摄数据输入捕捞监测深度学习模型，计算得到的输出作为是否捕捞的标签。
在此之前有未穿救生衣监测深度学习模型的训练和测试：获取样本数据集中的渔船第十预设范围的拍摄数据及其对应的是否捕捞的标签，分别作为深度学习模型的输入和预期输出，对深度学习模型进行训练和测试，得到捕捞监测深度学习模型。
(一)非捕捞季节捕捞监测
从知识库中获取非捕捞季节的时间范围；如果是否捕捞的标签为捕捞，且所述监测时间在非捕捞季节的时间范围内，则为非捕捞季节捕捞，将非捕捞季节捕捞的标志显示到渔业元宇宙中所述渔船的状态中。渔业元宇宙将渔船的状态变化通过物联网或移动互联网或互联网发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
(二)非捕捞区域捕捞监测
从知识库中获取非捕捞区域的空间范围；如果是否捕捞的标签为捕捞，且所述监测地点在非捕捞季节的空间范围内，则为非捕捞区域捕捞，将非捕捞区域捕捞的标志显示到渔业元宇宙中所述渔船的状态中。渔业元宇宙将渔船的状态变化通过物联网或移动互联网或互联网发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
四、非捕捞季节、非规定区域捕捞监测
1、通过定位装置获取每个渔船的位置，将所述每个渔船的位置通过物联网或移动互联网或互联网传输到渔业元宇宙中，将所述每个渔船的数字孪生显示到渔业元宇宙的水域的地图或水域的数字孪生上的所述位置；
2、获取用户在渔业元宇宙的水域的地图或水域的数字孪生上圈取(通告鼠标或触摸屏或虚拟现实设备圈取)的区域范围；
3、获取所述区域范围内的所有渔船的数字孪生，统计所述渔船的数字孪生的个数，作为用户所圈取的区域中渔船数。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，则对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种渔业安全监测方法，其特征在于，所述方法包括：
渔船超人监测与数字孪生步骤：调用装置对渔船第一预设范围进行拍摄，得到拍摄数据；将所述拍摄数据上传到渔业元宇宙中；在渔业元宇宙中获取超人监测深度学习模型；将所述拍摄数据输入超人监测深度学习模型，计算得到的输出作为所述渔船是否超人的标签；若所述渔船是否超人的标签为所述渔船有超人，则将所述渔船有超人的标志显示到渔业元宇宙中所述渔船的状态中；渔业元宇宙将渔船的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示；
渔船超载监测与数字孪生步骤：调用装置对渔船第四预设范围进行拍摄，得到拍摄数据；将所述拍摄数据上传到渔业元宇宙中；在渔业元宇宙中获取超载监测深度学习模型；将所述拍摄数据输入超载监测深度学习模型，计算得到的输出作为所述渔船是否超载的标签；若所述渔船是否超载的标签为所述渔船有超载，则将所述渔船有超载的标志显示到渔业元宇宙中所述渔船的状态中；渔业元宇宙将渔船的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
2.根据权利要求1所述的渔业安全监测方法，其特征在于，所述方法还包括：
渔民临水作业未穿救生衣监测步骤：调用装置对渔船第七预设范围进行拍摄，得到拍摄数据；将所述拍摄数据上传到渔业元宇宙中；在渔业元宇宙中获取渔民临水作业未穿救生衣监测深度学习模型；将所述拍摄数据输入渔民临水作业未穿救生衣监测深度学习模型，计算得到的输出作为所述渔民是否临水作业未穿救生衣的标签；
渔民临水作业未穿救生衣数字孪生步骤：若所述渔民是否临水作业未穿救生衣的标签为所述渔民临水作业未穿救生衣，则将临水作业未穿救生衣的标志显示到渔业元宇宙中所述渔船的所述渔民的状态中；渔业元宇宙将渔船中渔民的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
3.根据权利要求1所述的渔业安全监测方法，其特征在于，所述方法还包括：
捕捞监测步骤：调用装置对渔船第十预设范围进行拍摄，得到拍摄数据；记录所述拍摄的时间作为监测时间；记录所述拍摄的地点作为监测地点；将所述拍摄数据上传到渔业元宇宙中；在渔业元宇宙中获取捕捞监测深度学习模型；将所述拍摄数据输入捕捞监测深度学习模型，计算得到的输出作为是否捕捞的标签；
非捕捞季节捕捞监测与数字孪生步骤：从知识库中获取非捕捞季节的时间范围；若是否捕捞的标签为捕捞，且所述监测时间在非捕捞季节的时间范围内，则为非捕捞季节捕捞，将非捕捞季节捕捞的标志显示到渔业元宇宙中所述渔船的状态中；渔业元宇宙将渔船的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示；
非捕捞区域捕捞监测与数字孪生步骤：从知识库中获取非捕捞区域的空间范围；若是否捕捞的标签为捕捞，且所述监测地点在非捕捞季节的空间范围内，则为非捕捞区域捕捞，将非捕捞区域捕捞的标志显示到渔业元宇宙中所述渔船的状态中；渔业元宇宙将渔船的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
4.根据权利要求1所述的渔业安全监测方法，其特征在于，所述方法还包括：
渔船定位与数字孪生步骤：通过定位装置获取每个渔船的位置，将所述每个渔船的位置传输到渔业元宇宙中，将所述每个渔船的数字孪生显示到渔业元宇宙的所述位置；
范围圈取步骤：获取用户在渔业元宇宙上圈取的区域范围；
统计渔船数量步骤：获取所述区域范围内的所有渔船的数字孪生，统计所述渔船的数字孪生的个数，作为用户所圈取的区域中渔船数。
5.一种渔业安全监测系统，其特征在于，所述系统包括：
渔船超人监测与数字孪生模块：调用装置对渔船第一预设范围进行拍摄，得到拍摄数据；将所述拍摄数据上传到渔业元宇宙中；在渔业元宇宙中获取超人监测深度学习模型；将所述拍摄数据输入超人监测深度学习模型，计算得到的输出作为所述渔船是否超人的标签；若所述渔船是否超人的标签为所述渔船有超人，则将所述渔船有超人的标志显示到渔业元宇宙中所述渔船的状态中；渔业元宇宙将渔船的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示；
渔船超载监测与数字孪生模块：调用装置对渔船第四预设范围进行拍摄，得到拍摄数据；将所述拍摄数据上传到渔业元宇宙中；在渔业元宇宙中获取超载监测深度学习模型；将所述拍摄数据输入超载监测深度学习模型，计算得到的输出作为所述渔船是否超载的标签；若所述渔船是否超载的标签为所述渔船有超载，则将所述渔船有超载的标志显示到渔业元宇宙中所述渔船的状态中；渔业元宇宙将渔船的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
6.根据权利要求5所述的渔业安全监测系统，其特征在于，所述系统还包括：
渔民临水作业未穿救生衣监测模块：调用装置对渔船第七预设范围进行拍摄，得到拍摄数据；将所述拍摄数据上传到渔业元宇宙中；在渔业元宇宙中获取渔民临水作业未穿救生衣监测深度学习模型；将所述拍摄数据输入渔民临水作业未穿救生衣监测深度学习模型，计算得到的输出作为所述渔民是否临水作业未穿救生衣的标签；
渔民临水作业未穿救生衣数字孪生模块：若所述渔民是否临水作业未穿救生衣的标签为所述渔民临水作业未穿救生衣，则将临水作业未穿救生衣的标志显示到渔业元宇宙中所述渔船的所述渔民的状态中；渔业元宇宙将渔船中渔民的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
7.根据权利要求5所述的渔业安全监测系统，其特征在于，所述系统还包括：
捕捞监测模块：调用装置对渔船第十预设范围进行拍摄，得到拍摄数据；记录所述拍摄的时间作为监测时间；记录所述拍摄的地点作为监测地点；将所述拍摄数据上传到渔业元宇宙中；在渔业元宇宙中获取捕捞监测深度学习模型；将所述拍摄数据输入捕捞监测深度学习模型，计算得到的输出作为是否捕捞的标签；
非捕捞季节捕捞监测与数字孪生模块：从知识库中获取非捕捞季节的时间范围；若是否捕捞的标签为捕捞，且所述监测时间在非捕捞季节的时间范围内，则为非捕捞季节捕捞，将非捕捞季节捕捞的标志显示到渔业元宇宙中所述渔船的状态中；渔业元宇宙将渔船的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示；
非捕捞区域捕捞监测与数字孪生模块：从知识库中获取非捕捞区域的空间范围；若是否捕捞的标签为捕捞，且所述监测地点在非捕捞季节的空间范围内，则为非捕捞区域捕捞，将非捕捞区域捕捞的标志显示到渔业元宇宙中所述渔船的状态中；渔业元宇宙将渔船的状态变化发送给渔业监管部门或人员，并发送给所述渔船人员进行警示。
8.根据权利要求5所述的渔业安全监测系统，其特征在于，所述系统还包括：
渔船定位与数字孪生模块：通过定位装置获取每个渔船的位置，将所述每个渔船的位置传输到渔业元宇宙中，将所述每个渔船的数字孪生显示到渔业元宇宙的所述位置；
范围圈取模块：获取用户在渔业元宇宙上圈取的区域范围；
统计渔船数量模块：获取所述区域范围内的所有渔船的数字孪生，统计所述渔船的数字孪生的个数，作为用户所圈取的区域中渔船数。
9.一种渔业安全监测元宇宙，其特征在于，所述元宇宙实现权利要求1-4任意一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-4任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211291980.6A CN115700817A (zh) | 2022-10-20 | 2022-10-20 | 基于人工智能和数字孪生的渔业安全监测方法和元宇宙 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211291980.6A CN115700817A (zh) | 2022-10-20 | 2022-10-20 | 基于人工智能和数字孪生的渔业安全监测方法和元宇宙 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115700817A true CN115700817A (zh) | 2023-02-07 |
Family
ID=85120913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211291980.6A Pending CN115700817A (zh) | 2022-10-20 | 2022-10-20 | 基于人工智能和数字孪生的渔业安全监测方法和元宇宙 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115700817A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116743970A (zh) * | 2023-08-14 | 2023-09-12 | 安徽塔联智能科技有限责任公司 | 一种具有视频ai预警分析的智能管理平台 |
| CN117115765A (zh) * | 2023-10-16 | 2023-11-24 | 东方电子股份有限公司 | 一种基于视觉的渔船进出港监管方法及系统 |
-
2022
- 2022-10-20 CN CN202211291980.6A patent/CN115700817A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116743970A (zh) * | 2023-08-14 | 2023-09-12 | 安徽塔联智能科技有限责任公司 | 一种具有视频ai预警分析的智能管理平台 |
| CN116743970B (zh) * | 2023-08-14 | 2023-11-21 | 安徽塔联智能科技有限责任公司 | 一种具有视频ai预警分析的智能管理平台 |
| CN117115765A (zh) * | 2023-10-16 | 2023-11-24 | 东方电子股份有限公司 | 一种基于视觉的渔船进出港监管方法及系统 |
| CN117115765B (zh) * | 2023-10-16 | 2024-01-09 | 东方电子股份有限公司 | 一种基于视觉的渔船进出港监管方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115700817A (zh) | 基于人工智能和数字孪生的渔业安全监测方法和元宇宙 | |
| KR102095555B1 (ko) | 필드양식장 불법행위감시가 가능한 무인비행체 및 인공지능 딥러닝을 이용한 불법행위 분석과 인식에 따른 감시 방법 | |
| CN110348304A (zh) | 一种可搭载于无人机的海事遇险人员搜索系统以及目标识别方法 | |
| KR102234697B1 (ko) | 수중드론을 이용하는 어망감시장치, 및 그 장치의 제어방법 | |
| Gilman et al. | Increasing the functionalities and accuracy of fisheries electronic monitoring systems | |
| CN108806334A (zh) | 一种基于图像的智能船舶身份识别方法 | |
| CN112819068B (zh) | 一种基于深度学习的船舶作业违章行为实时侦测方法 | |
| CN113033399A (zh) | 溺水检测方法、装置、电子设备及存储介质 | |
| KR101782990B1 (ko) | IoT 기반 스마트 해녀 안전 시스템 | |
| 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 | |
| CN116743970B (zh) | 一种具有视频ai预警分析的智能管理平台 | |
| CN110348303A (zh) | 一种可搭载于无人艇的辅助水面巡逻系统以及水面监测方法 | |
| CN113591592B (zh) | 水上目标识别方法、装置、终端设备及存储介质 | |
| CN110633892A (zh) | 一种ais数据提取延绳钓捕捞状态的方法 | |
| KR102053906B1 (ko) | 지리공간정보를 이용하는 실시간 감독 학습 방법 및 시스템 | |
| CN116429118A (zh) | 一种基于物联网的渔船安全生产监管方法及系统 | |
| Kinaneva et al. | Application of artificial intelligence in UAV platforms for early forest fire detection | |
| Doukakis et al. | Postrelease survival of Green Sturgeon (Acipenser medirostris) encountered as bycatch in the trawl fishery that targets California Halibut (Paralichthys californicus), estimated by using pop-up satellite archival tags | |
| CN113657201A (zh) | 船员行为监测分析方法、装置、设备及存储介质 | |
| CN113628172A (zh) | 一种人员手持武器智能检测算法及智慧城市安防系统 | |
| CN115187936B (zh) | 一种海上平台防登临监控系统及方法 | |
| CN115810202A (zh) | 非法遛狗事件的检测方法、装置、电子设备和存储介质 | |
| Slette et al. | Simulating emergency response for large-scale fish welfare emergencies in sea-based salmon farming | |
| Liawatimena et al. | Drones computer vision using deep learning to support fishing management in Indonesia | |
| Bin et al. | Design of power intelligent safety supervision system based on deep learning |
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 |