CN115761813A - 基于大数据分析的智能控制系统及方法 - Google Patents
基于大数据分析的智能控制系统及方法 Download PDFInfo
- Publication number
- CN115761813A CN115761813A CN202211593715.3A CN202211593715A CN115761813A CN 115761813 A CN115761813 A CN 115761813A CN 202211593715 A CN202211593715 A CN 202211593715A CN 115761813 A CN115761813 A CN 115761813A
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- vector
- aquarium
- big data
- 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.)
- Withdrawn
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 43
- 241000251468 Actinopterygii Species 0.000 claims abstract description 164
- 238000012937 correction Methods 0.000 claims abstract description 40
- 238000009826 distribution Methods 0.000 claims abstract description 36
- 230000004927 fusion Effects 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims description 238
- 238000001514 detection method Methods 0.000 claims description 79
- 239000011159 matrix material Substances 0.000 claims description 54
- 238000013527 convolutional neural network Methods 0.000 claims description 49
- 239000000523 sample Substances 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 25
- 230000007613 environmental effect Effects 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 240000004760 Pimpinella anisum Species 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 11
- 230000001105 regulatory effect Effects 0.000 abstract description 11
- 238000013135 deep learning Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 239000000284 extract Substances 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 3
- 238000003975 animal breeding Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
公开了一种基于大数据分析的智能控制系统及方法,其采用基于深度学习的人工智能监控技术,以通过水下摄像头采集的观赏鱼的探测图像作为输入数据来对该所述探测图像进行图像畸变校正后,提取出校正后探测图像中关于所述观赏鱼的深浅融合特征的全局关联特征分布信息,以此来进行所述观赏鱼的种类和生长阶段识别检测。这样,能够基于鱼类大数据的智能分析来准确地对于所述观赏鱼的种类和生长阶段进行智能识别判断,进而基于所述观赏鱼的种类和生长阶段来自适应地调控水族箱内的生存环境参数数据。
Description
技术领域
本申请涉及人工智能监控技术领域,且更为具体地,涉及一种基于大数据分析的智能控制系统及方法。
背景技术
水族箱主要是用来饲养观赏鱼的玻璃器具,起到观赏的作用,即是为观赏用以及专门饲养水生动植物的容器,是一个动物饲养区。
目前水族箱的管理主要靠人工管理来调节水温、光照以及投食等等,出现了水族箱耗费过多人力打理,并且在实际的管理过程中,发现其中鱼类的寿命不长、外观不够自然等问题。
因此,期待一种优化的基于大数据分析的智能控制系统,其能够基于水族箱内观赏鱼的种类和生长阶段来自适应地调控水族箱内的环境参数数据,以在进行水族箱智能控制的基础上提高观赏鱼的寿命和观赏效果。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于大数据分析的智能控制系统及方法,其采用基于深度学习的人工智能监控技术,以通过水下摄像头采集的观赏鱼的探测图像作为输入数据来对该所述探测图像进行图像畸变校正后,提取出校正后探测图像中关于所述观赏鱼的深浅融合特征的全局关联特征分布信息,以此来进行所述观赏鱼的种类和生长阶段识别检测。这样,能够基于鱼类大数据的智能分析来准确地对于所述观赏鱼的种类和生长阶段进行智能识别判断,进而基于所述观赏鱼的种类和生长阶段来自适应地调控水族箱内的生存环境参数数据。
相应地,根据本申请的一个方面,提供了一种基于大数据分析的智能控制系统,其包括:观赏鱼图像采集模块,用于获取由部署于水族缸内的水下摄像头采集的观赏鱼的探测图像;图像畸变校正模块,用于将所述探测图像通过基于自动编解码器的图像畸变校正单元以得到校正后探测图像;观赏鱼图像特征提取模块,用于将所述校正后探测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到探测特征图;图像局部特征展开模块,用于将所述探测特征图的沿通道维度的各个特征矩阵展开为一维特征向量以得到多个局部特征向量;图像特征全局关联模块,用于将所述多个局部特征向量通过基于转换器的上下文编码器以得到全局特征向量;特征分布优化模块,用于对所述全局特征向量进行特征聚类的去聚焦模糊优化以得到分类特征向量;观赏鱼识别模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果为观赏鱼的类型和生长阶段的标签;以及控制结果生成模块,用于基于所述分类结果,确定水族缸的环境参数。
在上述基于大数据分析的智能控制系统中,所述图像畸变校正模块,包括:图像特征提取单元,用于将所述探测图像输入所述图像畸变校正单元的编码器,其中,所述编码器使用卷积层对所述探测图像进行显式空间编码以得到图像特征;以及,图像特征解码单元,用于将所述图像特征输入所述图像畸变校正单元的解码器,其中,所述解码器使用反卷积层对所述探测图像特征进行反卷积处理以得到所述校正后探测图像。
在上述基于大数据分析的智能控制系统中,所述观赏鱼图像特征提取模块,包括:浅层特征提取单元,用于从所述第一卷积神经网络模型的第M层提取浅层特征图;深层特征提取单元,用于从所述第一卷积神经网络模型的第N层提取深层特征图;以及,融合单元,用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到探测特征图。
在上述基于大数据分析的智能控制系统中,所述第一卷积神经网络模型的浅层为所述第一卷积神经网络模型的第2-6层,所述第一卷积神经网络模型的深层与所述第一卷积神经网络模型的浅层之间的比值大于等于5且小于等于10。
在上述基于大数据分析的智能控制系统中,所述图像局部特征展开模块,进一步用于将所述探测特征图的沿通道维度的各个特征矩阵按照行向量或者列向量展开为一维特征向量以得到多个局部特征向量。
在上述基于大数据分析的智能控制系统中,所述图像特征全局关联模块,进一步用于:将所述多个局部特征向量排列为输入向量;将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;将所述自注意力特征矩阵与以所述多个局部特征向量中各个局部特征向量作为值向量分别进行相乘以得到所述多个上下文特征向量;以及,将所述多个上下文特征向量进行级联以得到全局特征向量。
在上述基于大数据分析的智能控制系统中,所述观赏鱼识别模块,包括:全连接编码单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,还提供了一种基于大数据分析的智能控制方法,其包括:获取由部署于水族缸内的水下摄像头采集的观赏鱼的探测图像;将所述探测图像通过基于自动编解码器的图像畸变校正单元以得到校正后探测图像;将所述校正后探测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到探测特征图;将所述探测特征图的沿通道维度的各个特征矩阵展开为一维特征向量以得到多个局部特征向量;将所述多个局部特征向量通过基于转换器的上下文编码器以得到全局特征向量;对所述全局特征向量进行特征聚类的去聚焦模糊优化以得到分类特征向量;将所述分类特征向量通过分类器以得到分类结果,所述分类结果为观赏鱼的类型和生长阶段的标签;以及基于所述分类结果,确定水族缸的环境参数。
在上述基于大数据分析的智能控制方法中,所述将所述探测图像通过基于自动编解码器的图像畸变校正单元以得到校正后探测图像,包括:将所述探测图像输入所述图像畸变校正单元的编码器,其中,所述编码器使用卷积层对所述探测图像进行显式空间编码以得到图像特征;以及,将所述图像特征输入所述图像畸变校正单元的解码器,其中,所述解码器使用反卷积层对所述探测图像特征进行反卷积处理以得到所述校正后探测图像。
在上述基于大数据分析的智能控制方法中,所述将所述校正后探测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到探测特征图,包括:从所述第一卷积神经网络模型的第M层提取浅层特征图;从所述第一卷积神经网络模型的第N层提取深层特征图;以及,使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到探测特征图。
在上述基于大数据分析的智能控制方法中,所述将所述探测特征图的沿通道维度的各个特征矩阵展开为一维特征向量以得到多个局部特征向量,包括:将所述探测特征图的沿通道维度的各个特征矩阵按照行向量或者列向量展开为一维特征向量以得到多个局部特征向量。
在上述基于大数据分析的智能控制方法中,所述将所述多个局部特征向量通过基于转换器的上下文编码器以得到全局特征向量,包括:将所述多个局部特征向量排列为输入向量;将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;将所述自注意力特征矩阵与以所述多个局部特征向量中各个局部特征向量作为值向量分别进行相乘以得到所述多个上下文特征向量;以及,将所述多个上下文特征向量进行级联以得到全局特征向量。
在上述基于大数据分析的智能控制方法中,所述对所述全局特征向量进行特征聚类的去聚焦模糊优化以得到分类特征向量,包括:以如下公式对所述全局特征向量进行特征聚类的去聚焦模糊优化以得到分类特征向量;其中,所述公式为:
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于大数据分析的智能控制方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于大数据分析的智能控制方法。
与现有技术相比,本申请提供的基于大数据分析的智能控制系统及方法,其采用基于深度学习的人工智能监控技术,以通过水下摄像头采集的观赏鱼的探测图像作为输入数据来对该所述探测图像进行图像畸变校正后,提取出校正后探测图像中关于所述观赏鱼的深浅融合特征的全局关联特征分布信息,以此来进行所述观赏鱼的种类和生长阶段识别检测。这样,能够基于鱼类大数据的智能分析来准确地对于所述观赏鱼的种类和生长阶段进行智能识别判断,进而基于所述观赏鱼的种类和生长阶段来自适应地调控水族箱内的生存环境参数数据。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于大数据分析的智能控制系统的场景示意图。
图2为根据本申请实施例的基于大数据分析的智能控制系统的框图。
图3为根据本申请实施例的基于大数据分析的智能控制系统的架构示意图。
图4为根据本申请实施例的基于大数据分析的智能控制系统中观赏鱼图像特征提取模块的框图。
图5为根据本申请实施例的基于大数据分析的智能控制方法的流程图。
图6为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述:
如上所述,水族箱主要是用来饲养观赏鱼的玻璃器具,起到观赏的作用,即是为观赏用以及专门饲养水生动植物的容器,是一个动物饲养区。
目前水族箱的管理主要靠人工管理来调节水温、光照以及投食等等,出现了水族箱耗费过多人力打理,并且在实际的管理过程中,发现其中鱼类的寿命不长、外观不够自然等问题。因此,期待一种优化的基于大数据分析的智能控制系统,其能够基于水族箱内观赏鱼的种类和生长阶段来自适应地调控水族箱内的环境参数数据,以在进行水族箱智能控制的基础上提高观赏鱼的寿命和观赏效果。
目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
近年来,深度学习以及神经网络的发展为水族箱的智能控制提供了新的解决思路和方案。
相应地,考虑到对于水族箱内的观赏鱼进行种类和生长阶段的识别来进行所述水族箱内环境参数的智能调节,这可以通过对于观赏鱼探测图像的信息提取来进行。但是,由于在实际对于所述观赏鱼探测图像的信息提取的过程中,该图像中具有较多的数据信息,并且观赏鱼的种类繁杂,再因生长阶段的不同可能会造成观赏鱼的外观有所不同,导致对于观赏鱼的种类和生长阶段的识别带来困难。并且,观赏鱼在水族箱内,采集图像的过程中会发生图像的畸变,导致难以对于探测图像进行有效地信息提取,进而进一步增加识别的难度。
基于此,在本申请的技术方案中,采用基于深度学习的人工智能监控技术,以通过水下摄像头采集的观赏鱼的探测图像作为输入数据来对该所述探测图像进行图像畸变校正后,提取出校正后探测图像中关于所述观赏鱼的深浅融合特征的全局关联特征分布信息,以此来进行所述观赏鱼的种类和生长阶段识别检测。这样,能够基于鱼类大数据的智能分析来准确地对于所述观赏鱼的种类和生长阶段进行智能识别判断,进而基于所述观赏鱼的种类和生长阶段来自适应地调控水族箱内的生存环境参数数据,以提高观赏鱼的寿命和观赏效果。
具体地,在本申请的技术方案中,首先,通过部署于水族缸内的水下摄像头采集观赏鱼的探测图像。接着,考虑到由于所述水下摄像头在水中采集图像时会使得所述探测图像发生图像畸变,进而会影响对于所述探测图像的有效特征提取,也就会使得对于观赏鱼的种类和生长阶段的识别精准度较低。因此,在本申请的技术方案中,进一步将所述探测图像通过基于自动编解码器的图像畸变校正单元以得到校正后探测图像。特别地,这里,所述自动编码器的图像畸变校正单元包括有编码器和解码器,所述编码器使用卷积层对所述探测图像进行显式空间编码以得到图像特征,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后探测图像。
然后,将所述校正后探测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到探测特征图。也就是,使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来提取所述校正后探测图像的图像特征,即所述校正后探测图像的局部区域高维隐含特征。特别地,在本申请的技术方案中,考虑到在对于观赏鱼的种类和生长阶段进行识别判断时,所述观赏鱼的形状、轮廓、纹理等浅层特征对于鱼类的识别具有重要意义,而卷积神经网络在编码时,随着其深度的加深,浅层特征会变得模糊甚至被图像噪声所淹没,因此,在本申请的技术方案中,使用所述包含深浅特征融合模块的第一卷积神经网络模型对所述校正后探测图像进行处理,相较于标准卷积神经网络模型,根据本申请的所述第一卷积神经网络模型能够保留图像中的浅层特征和深层特征中的特征信息,以不仅使得特征信息更为丰富,且不同深度的特征能得以保留,以提高对于所述观赏鱼的种类和生长阶段识别的精准度。
进一步地,应可以理解,虽然卷积神经网络模型能够有效地提取所述校正后探测图像中的图像特征,但在鱼类识别中,图像中的鱼类局部特征并非孤立存在的,相反地,所述图像中的各个鱼类局部特征构成一个有机的整体,因此,为了提高对于所述观赏鱼的种类和生长阶段识别的精准度,期待提取所述图像中关于鱼类的各个局部特征的全局关联信息。
具体地,在本申请的技术方案中,所述探测特征图的沿通道维度的各个特征矩阵表示所述图像中关于鱼类的各个局部特征,可使用基于转换器思想,对所述图像中关于鱼类的各个局部特征进行基于全局的上下文语义编码以提取所述图像中关于鱼类的各个局部特征的全局关联特征。
更具体地,首先将所述探测特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个局部特征向量,然后,将所述多个局部特征向量通过基于转换器的上下文编码器以得到全局特征向量作为分类特征向量。相应地,所述基于转换器(Transformer)的上下文编码器能够对所述多个局部特征向量进行基于全局的上下文语义编码以得到多个图像局部语义关联特征向量,接着将所述多个图像局部语义关联特征向量进行级联以得到所述全局特征向量。
然后,进一步再将所述分类特征向量通过分类器中进行分类处理以得到用于表示所述观赏鱼的种类和生长阶段标签的分类结果。也就是说,可以构建观赏鱼的类型和生长阶段与环境控制参数之间的对应表,在得到所述分类结果后,基于所述分类结果,从所述对应表中匹配出所述水族缸的环境参数。相应地,在本申请的一个具体示例中,所述水族缸的环境控制参数包括温度、水位、光照强度、氧气浓度。这样,能够基于对鱼类大数据的智能分析来准确地对于所述观赏鱼的种类和生长阶段进行智能识别判断,进而基于所述观赏鱼的种类和生长阶段来自适应地调控水族箱内的生存环境参数数据。
特别地,在本申请的技术方案中,在将所述多个局部特征向量通过基于转换器的上下文编码器得到所述全局特征向量作为所述分类特征向量时,是将所述多个局部特征向量通过基于转换器的上下文编码器得到的多个上下文局部特征向量直接级联以获得所述全局特征向量,这样,就使得所述全局特征向量在特征分布上的聚类效果较差,影响了分类结果的准确性。
这里,本申请的申请人考虑到在所述多个上下文局部特征向量的特征分布作为群体会呈现自然状态下的高斯分布,即在平均分布下的上下文局部特征向量具有最高的概率密度,而较高和较低程度的分布下的上下文局部特征向量均会具有较低的概率密度。因此,基于这种遵循高斯点分布的高频分布特征可以对所述全局特征向量进行特征聚类的去聚焦模糊优化,表示为:
所述特征聚类的去聚焦模糊优化通过将用于估计聚类度量值的聚焦堆栈表示进行基于统计信息的特征聚类索引,来补偿遵循高斯点分布的高频分布特征相对于整体特征分布的均一化表示的依赖相似度,从而避免由于该依赖相似度低而引起整体特征分布的聚焦模糊,这样,就提升了所述全局特征向量到分类目标域的聚类效果,从而提升了通过分类器的分类结果的准确性。这样,能够基于对鱼类大数据的智能分析来准确地对于所述观赏鱼的种类和生长阶段进行智能识别判断,进而基于所述观赏鱼的种类和生长阶段来自适应地调控水族箱内的生存环境参数数据,以提高观赏鱼的寿命和观赏效果。
基于此,本申请提供了一种基于大数据分析的智能控制系统,其包括:观赏鱼图像采集模块,用于获取由部署于水族缸内的水下摄像头采集的观赏鱼的探测图像;图像畸变校正模块,用于将所述探测图像通过基于自动编解码器的图像畸变校正单元以得到校正后探测图像;观赏鱼图像特征提取模块,用于将所述校正后探测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到探测特征图;图像局部特征展开模块,用于将所述探测特征图的沿通道维度的各个特征矩阵展开为一维特征向量以得到多个局部特征向量;图像特征全局关联模块,用于将所述多个局部特征向量通过基于转换器的上下文编码器以得到全局特征向量;特征分布优化模块,用于对所述全局特征向量进行特征聚类的去聚焦模糊优化以得到分类特征向量;观赏鱼识别模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果为观赏鱼的类型和生长阶段的标签;以及,控制结果生成模块,用于基于所述分类结果,确定水族缸的环境参数。
图1为根据本申请实施例的基于大数据分析的智能控制系统的场景示意图。如图1所示,在所述基于大数据分析的智能控制系统的应用场景中,首先获取由部署于水族缸(例如,如图1中所示意的A)内的水下摄像头(例如,如图1中所示意的C)采集的观赏鱼(例如,如图1中所示意的F)的探测图像。进而,将所述探测图像输入至部署有基于大数据分析的智能控制算法的服务器(例如,如图1所示意的S)中,其中,所述服务器能够以所述基于大数据分析的智能控制算法对所述探测图像进行处理以得到分类结果,并基于所述分类结果,确定水族缸的环境参数,其中,所述分类结果为观赏鱼的类型和生长阶段的标签。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统:
图2为根据本申请实施例的基于大数据分析的智能控制系统的框图。如图2所示,根据本申请实施例的基于大数据分析的智能控制系统100,包括:观赏鱼图像采集模块110,用于获取由部署于水族缸内的水下摄像头采集的观赏鱼的探测图像;图像畸变校正模块120,用于将所述探测图像通过基于自动编解码器的图像畸变校正单元以得到校正后探测图像;观赏鱼图像特征提取模块130,用于将所述校正后探测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到探测特征图;图像局部特征展开模块140,用于将所述探测特征图的沿通道维度的各个特征矩阵展开为一维特征向量以得到多个局部特征向量;图像特征全局关联模块150,用于将所述多个局部特征向量通过基于转换器的上下文编码器以得到全局特征向量;特征分布优化模块160,用于对所述全局特征向量进行特征聚类的去聚焦模糊优化以得到分类特征向量;观赏鱼识别模块170,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果为观赏鱼的类型和生长阶段的标签;以及,控制结果生成模块180,用于基于所述分类结果,确定水族缸的环境参数。
图3为根据本申请实施例的基于大数据分析的智能控制系统的架构示意图。如图3所示,首先获取由部署于水族缸内的水下摄像头采集的观赏鱼的探测图像。接着,将所述探测图像通过基于自动编解码器的图像畸变校正单元以得到校正后探测图像。然后,将所述校正后探测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到探测特征图,并将所述探测特征图的沿通道维度的各个特征矩阵展开为一维特征向量以得到多个局部特征向量。进而,将所述多个局部特征向量通过基于转换器的上下文编码器以得到全局特征向量。接着,对所述全局特征向量进行特征聚类的去聚焦模糊优化以得到分类特征向量。然后,将所述分类特征向量通过分类器以得到分类结果,所述分类结果为观赏鱼的类型和生长阶段的标签。进而,基于所述分类结果,确定水族缸的环境参数。
在上述基于大数据分析的智能控制系统100中,所述观赏鱼图像采集模块110,用于获取由部署于水族缸内的水下摄像头采集的观赏鱼的探测图像。如上述背景技术所言,水族箱主要是用来饲养观赏鱼的玻璃器具,起到观赏的作用,即是为观赏用以及专门饲养水生动植物的容器,是一个动物饲养区。而目前水族箱的管理主要靠人工管理来调节水温、光照以及投食等等,出现了水族箱耗费过多人力打理,并且在实际的管理过程中,发现其中鱼类的寿命不长、外观不够自然等问题。因此,期待一种优化的基于大数据分析的智能控制系统,其能够基于水族箱内观赏鱼的种类和生长阶段来自适应地调控水族箱内的环境参数数据,以在进行水族箱智能控制的基础上提高观赏鱼的寿命和观赏效果。
相应地,考虑到对于水族箱内的观赏鱼进行种类和生长阶段的识别来进行所述水族箱内环境参数的智能调节,这可以通过对于观赏鱼探测图像的信息提取来进行。但是,由于在实际对于所述观赏鱼探测图像的信息提取的过程中,该图像中具有较多的数据信息,并且观赏鱼的种类繁杂,再因生长阶段的不同可能会造成观赏鱼的外观有所不同,导致对于观赏鱼的种类和生长阶段的识别带来困难。并且,观赏鱼在水族箱内,采集图像的过程中会发生图像的畸变,导致难以对于探测图像进行有效地信息提取,进而进一步增加识别的难度。
基于此,在本申请的技术方案中,采用基于深度学习的人工智能监控技术,以通过水下摄像头采集的观赏鱼的探测图像作为输入数据来对该所述探测图像进行图像畸变校正后,提取出校正后探测图像中关于所述观赏鱼的深浅融合特征的全局关联特征分布信息,以此来进行所述观赏鱼的种类和生长阶段识别检测。这样,能够基于鱼类大数据的智能分析来准确地对于所述观赏鱼的种类和生长阶段进行智能识别判断,进而基于所述观赏鱼的种类和生长阶段来自适应地调控水族箱内的生存环境参数数据,以提高观赏鱼的寿命和观赏效果。具体地,在本申请的技术方案中,首先,通过部署于水族缸内的水下摄像头采集观赏鱼的探测图像。
在上述基于大数据分析的智能控制系统100中,所述图像畸变校正模块120,用于将所述探测图像通过基于自动编解码器的图像畸变校正单元以得到校正后探测图像。考虑到由于所述水下摄像头在水中采集图像时会使得所述探测图像发生图像畸变,进而会影响对于所述探测图像的有效特征提取,也就会使得对于观赏鱼的种类和生长阶段的识别精准度较低。因此,在本申请的技术方案中,进一步将所述探测图像通过基于自动编解码器的图像畸变校正单元以得到校正后探测图像。特别地,这里,所述自动编码器的图像畸变校正单元包括有编码器和解码器,所述编码器使用卷积层对所述探测图像进行显式空间编码以得到图像特征,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后探测图像。
具体地,在本申请实施例中,所述图像畸变校正模块120,首先,通过图像特征提取单元将所述探测图像输入所述图像畸变校正单元的编码器,其中,所述编码器使用卷积层对所述探测图像进行显式空间编码以得到图像特征。然后,通过图像特征解码单元将所述图像特征输入所述图像畸变校正单元的解码器,其中,所述解码器使用反卷积层对所述探测图像特征进行反卷积处理以得到所述校正后探测图像。
在上述基于大数据分析的智能控制系统100中,所述观赏鱼图像特征提取模块130,用于将所述校正后探测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到探测特征图。也就是,使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来提取所述校正后探测图像的图像特征,即所述校正后探测图像的局部区域高维隐含特征。特别地,在本申请的技术方案中,考虑到在对于观赏鱼的种类和生长阶段进行识别判断时,所述观赏鱼的形状、轮廓、纹理等浅层特征对于鱼类的识别具有重要意义,而卷积神经网络在编码时,随着其深度的加深,浅层特征会变得模糊甚至被图像噪声所淹没,因此,在本申请的技术方案中,使用所述包含深浅特征融合模块的第一卷积神经网络模型对所述校正后探测图像进行处理,相较于标准卷积神经网络模型,根据本申请的所述第一卷积神经网络模型能够保留图像中的浅层特征和深层特征中的特征信息,以不仅使得特征信息更为丰富,且不同深度的特征能得以保留,以提高对于所述观赏鱼的种类和生长阶段识别的精准度。
在一个具体示例中,所述第一卷积神经网络模型包括相互级联的多个神经网络层,其中各个神经网络层包括卷积层、池化层和激活层。其中,在所述第一卷积神经网络模型的编码过程中,所述第一卷积神经网络模型的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理,其中,第一卷积神经网络模型的第一层的输入数据为所述校正后探测图像。这里,所述第一卷积神经网络模型的各层都可以输出特征图。在本申请的技术方案中,从所述第一卷积神经网络模型的浅层(如M层)提取浅层特征图,所述第一卷积神经网络模型的深层(如N层)提取深层特征图。值得一提的是,所述第一卷积神经网络模型的浅层为所述第一卷积神经网络模型的第2-6层,所述第一卷积神经网络模型的深层与所述第一卷积神经网络模型的浅层之间的比值大于等于5且小于等于10。应可以理解,所述卷积神经网络模型在其2到6层,提取的是观赏鱼的形状、轮廓、纹理等浅层特征,再往下,提取的是观赏鱼的的种类和生长阶段等深度实质性特征。这样,就可以分别提取出所述观赏鱼的浅层特征和深层特征,以更好地利用所述观赏鱼的不同特征信息来进行准确地判断。
图4为根据本申请实施例的基于大数据分析的智能控制系统中观赏鱼图像特征提取模块的框图。如图4所示,所述观赏鱼图像特征提取模块130,包括:浅层特征提取单元131,用于从所述第一卷积神经网络模型的第M层提取浅层特征图;深层特征提取单元132,用于从所述第一卷积神经网络模型的第N层提取深层特征图;以及,融合单元133,用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到探测特征图。
在上述基于大数据分析的智能控制系统100中,所述图像局部特征展开模块140,用于将所述探测特征图的沿通道维度的各个特征矩阵展开为一维特征向量以得到多个局部特征向量。应可以理解,虽然卷积神经网络模型能够有效地提取所述校正后探测图像中的图像特征,但在鱼类识别中,图像中的鱼类局部特征并非孤立存在的,相反地,所述图像中的各个鱼类局部特征构成一个有机的整体,因此,为了提高对于所述观赏鱼的种类和生长阶段识别的精准度,期待提取所述图像中关于鱼类的各个局部特征的全局关联信息。
在本申请的技术方案中,所述探测特征图的沿通道维度的各个特征矩阵表示所述图像中关于鱼类的各个局部特征,为便于后续模型的计算,在这里,将所述探测特征图的沿通道维度的各个特征矩阵按照行向量或者列向量展开为一维特征向量以得到多个局部特征向量。
在上述基于大数据分析的智能控制系统100中,所述图像特征全局关联模块150,用于将所述多个局部特征向量通过基于转换器的上下文编码器以得到全局特征向量。在得到表示所述图像中关于鱼类的各个局部特征的多个局部特征向量后,可使用基于转换器思想,对所述图像中关于鱼类的各个局部特征进行基于全局的上下文语义编码以提取所述图像中关于鱼类的各个局部特征的全局关联特征。
具体地,将所述多个局部特征向量通过基于转换器的上下文编码器以得到全局特征向量作为分类特征向量。相应地,所述基于转换器(Transformer)的上下文编码器能够对所述多个局部特征向量进行基于全局的上下文语义编码以得到多个图像局部语义关联特征向量,接着将所述多个图像局部语义关联特征向量进行级联以得到所述全局特征向量。
具体地,在本申请实施例中,所述图像特征全局关联模块150,进一步用于:将所述多个局部特征向量排列为输入向量;将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;将所述自注意力特征矩阵与以所述多个局部特征向量中各个局部特征向量作为值向量分别进行相乘以得到所述多个上下文特征向量;以及,将所述多个上下文特征向量进行级联以得到全局特征向量。
在上述基于大数据分析的智能控制系统100中,所述特征分布优化模块160,用于对所述全局特征向量进行特征聚类的去聚焦模糊优化以得到分类特征向量。在本申请的技术方案中,在将所述多个局部特征向量通过基于转换器的上下文编码器得到所述全局特征向量作为所述分类特征向量时,是将所述多个局部特征向量通过基于转换器的上下文编码器得到的多个上下文局部特征向量直接级联以获得所述全局特征向量,这样,就使得所述全局特征向量在特征分布上的聚类效果较差,影响了分类结果的准确性。这里,本申请的申请人考虑到在所述多个上下文局部特征向量的特征分布作为群体会呈现自然状态下的高斯分布,即在平均分布下的上下文局部特征向量具有最高的概率密度,而较高和较低程度的分布下的上下文局部特征向量均会具有较低的概率密度。因此,基于这种遵循高斯点分布的高频分布特征可以对所述全局特征向量进行特征聚类的去聚焦模糊优化。
具体地,在本申请实施例中,所述特征分布优化模块160,进一步用于:以如下公式对所述全局特征向量进行特征聚类的去聚焦模糊优化以得到分类特征向量;其中,所述公式为:
所述特征聚类的去聚焦模糊优化通过将用于估计聚类度量值的聚焦堆栈表示进行基于统计信息的特征聚类索引,来补偿遵循高斯点分布的高频分布特征相对于整体特征分布的均一化表示的依赖相似度,从而避免由于该依赖相似度低而引起整体特征分布的聚焦模糊,这样,就提升了所述全局特征向量到分类目标域的聚类效果,从而提升了通过分类器的分类结果的准确性。这样,能够基于对鱼类大数据的智能分析来准确地对于所述观赏鱼的种类和生长阶段进行智能识别判断,进而基于所述观赏鱼的种类和生长阶段来自适应地调控水族箱内的生存环境参数数据,以提高观赏鱼的寿命和观赏效果。
在上述基于大数据分析的智能控制系统100中,所述观赏鱼识别模块170,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果为观赏鱼的类型和生长阶段的标签。也就是,以所述分类器对所述分类特征向量的高维数据流形进行类边界划分和确定以得到所述分类结果。
具体地,在本申请实施例中,所述观赏鱼识别模块170,包括:全连接编码单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
在上述基于大数据分析的智能控制系统100中,所述控制结果生成模块180,用于基于所述分类结果,确定水族缸的环境参数。也就是说,可以构建观赏鱼的类型和生长阶段与环境控制参数之间的对应表,在得到所述分类结果后,基于所述分类结果,从所述对应表中匹配出所述水族缸的环境参数。
相应地,在本申请的一个具体示例中,所述水族缸的环境控制参数包括温度、水位、光照强度、氧气浓度。这样,能够基于对鱼类大数据的智能分析来准确地对于所述观赏鱼的种类和生长阶段进行智能识别判断,进而基于所述观赏鱼的种类和生长阶段来自适应地调控水族箱内的生存环境参数数据。
综上,基于本申请实施例的基于大数据分析的智能控制系统100被阐明,其采用基于深度学习的人工智能监控技术,以通过水下摄像头采集的观赏鱼的探测图像作为输入数据来对该所述探测图像进行图像畸变校正后,提取出校正后探测图像中关于所述观赏鱼的深浅融合特征的全局关联特征分布信息,以此来进行所述观赏鱼的种类和生长阶段识别检测。这样,能够基于鱼类大数据的智能分析来准确地对于所述观赏鱼的种类和生长阶段进行智能识别判断,进而基于所述观赏鱼的种类和生长阶段来自适应地调控水族箱内的生存环境参数数据。
如上所述,根据本申请实施例的基于大数据分析的智能控制系统100可以实现在各种终端设备中,例如基于大数据分析的智能控制的服务器等。在一个示例中,根据本申请实施例的基于大数据分析的智能控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于大数据分析的智能控制系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于大数据分析的智能控制系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于大数据分析的智能控制系统100与该终端设备也可以是分立的设备,并且该基于大数据分析的智能控制系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法:
图5为根据本申请实施例的基于大数据分析的智能控制方法的流程图。如图5所示,根据本申请实施例的基于大数据分析的智能控制方法,包括:S110,获取由部署于水族缸内的水下摄像头采集的观赏鱼的探测图像;S120,将所述探测图像通过基于自动编解码器的图像畸变校正单元以得到校正后探测图像;S130,将所述校正后探测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到探测特征图;S140,将所述探测特征图的沿通道维度的各个特征矩阵展开为一维特征向量以得到多个局部特征向量;S150,将所述多个局部特征向量通过基于转换器的上下文编码器以得到全局特征向量;S160,对所述全局特征向量进行特征聚类的去聚焦模糊优化以得到分类特征向量;S170,将所述分类特征向量通过分类器以得到分类结果,所述分类结果为观赏鱼的类型和生长阶段的标签;以及,S180,基于所述分类结果,确定水族缸的环境参数。
在一个示例中,在上述基于大数据分析的智能控制方法中,所述将所述探测图像通过基于自动编解码器的图像畸变校正单元以得到校正后探测图像,包括:将所述探测图像输入所述图像畸变校正单元的编码器,其中,所述编码器使用卷积层对所述探测图像进行显式空间编码以得到图像特征;以及,将所述图像特征输入所述图像畸变校正单元的解码器,其中,所述解码器使用反卷积层对所述探测图像特征进行反卷积处理以得到所述校正后探测图像。
在一个示例中,在上述基于大数据分析的智能控制方法中,所述将所述校正后探测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到探测特征图,包括:从所述第一卷积神经网络模型的第M层提取浅层特征图;从所述第一卷积神经网络模型的第N层提取深层特征图;以及,使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到探测特征图。
在一个示例中,在上述基于大数据分析的智能控制方法中,所述将所述探测特征图的沿通道维度的各个特征矩阵展开为一维特征向量以得到多个局部特征向量,包括:将所述探测特征图的沿通道维度的各个特征矩阵按照行向量或者列向量展开为一维特征向量以得到多个局部特征向量。
在一个示例中,在上述基于大数据分析的智能控制方法中,所述将所述多个局部特征向量通过基于转换器的上下文编码器以得到全局特征向量,包括:将所述多个局部特征向量排列为输入向量;将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;将所述自注意力特征矩阵与以所述多个局部特征向量中各个局部特征向量作为值向量分别进行相乘以得到所述多个上下文特征向量;以及,将所述多个上下文特征向量进行级联以得到全局特征向量。
在一个示例中,在上述基于大数据分析的智能控制方法中,所述对所述全局特征向量进行特征聚类的去聚焦模糊优化以得到分类特征向量,包括:以如下公式对所述全局特征向量进行特征聚类的去聚焦模糊优化以得到分类特征向量;其中,所述公式为:
综上,本申请实施例的基于大数据分析的智能控制方法被阐明,其采用基于深度学习的人工智能监控技术,以通过水下摄像头采集的观赏鱼的探测图像作为输入数据来对该所述探测图像进行图像畸变校正后,提取出校正后探测图像中关于所述观赏鱼的深浅融合特征的全局关联特征分布信息,以此来进行所述观赏鱼的种类和生长阶段识别检测。这样,能够基于鱼类大数据的智能分析来准确地对于所述观赏鱼的种类和生长阶段进行智能识别判断,进而基于所述观赏鱼的种类和生长阶段来自适应地调控水族箱内的生存环境参数数据。
示例性电子设备:
下面,参考图6来描述根据本申请实施例的电子设备。图6为根据本申请实施例的电子设备的框图。如图6所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于大数据分析的智能控制方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如探测图像等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图6中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于大数据分析的智能控制方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于大数据分析的智能控制方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于大数据分析的智能控制系统,其特征在于,包括:观赏鱼图像采集模块,用于获取由部署于水族缸内的水下摄像头采集的观赏鱼的探测图像;图像畸变校正模块,用于将所述探测图像通过基于自动编解码器的图像畸变校正单元以得到校正后探测图像;观赏鱼图像特征提取模块,用于将所述校正后探测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到探测特征图;图像局部特征展开模块,用于将所述探测特征图的沿通道维度的各个特征矩阵展开为一维特征向量以得到多个局部特征向量;图像特征全局关联模块,用于将所述多个局部特征向量通过基于转换器的上下文编码器以得到全局特征向量;特征分布优化模块,用于对所述全局特征向量进行特征聚类的去聚焦模糊优化以得到分类特征向量;观赏鱼识别模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果为观赏鱼的类型和生长阶段的标签;以及控制结果生成模块,用于基于所述分类结果,确定水族缸的环境参数。
2.根据权利要求1所述的基于大数据分析的智能控制系统,其特征在于,所述图像畸变校正模块,包括:图像特征提取单元,用于将所述探测图像输入所述图像畸变校正单元的编码器,其中,所述编码器使用卷积层对所述探测图像进行显式空间编码以得到图像特征;以及图像特征解码单元,用于将所述图像特征输入所述图像畸变校正单元的解码器,其中,所述解码器使用反卷积层对所述探测图像特征进行反卷积处理以得到所述校正后探测图像。
3.根据权利要求2所述的基于大数据分析的智能控制系统,其特征在于,所述观赏鱼图像特征提取模块,包括:浅层特征提取单元,用于从所述第一卷积神经网络模型的第M层提取浅层特征图;深层特征提取单元,用于从所述第一卷积神经网络模型的第N层提取深层特征图;以及融合单元,用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到探测特征图。
4.根据权利要求3所述的基于大数据分析的智能控制系统,其特征在于,所述第一卷积神经网络模型的浅层为所述第一卷积神经网络模型的第2-6层,所述第一卷积神经网络模型的深层与所述第一卷积神经网络模型的浅层之间的比值大于等于5且小于等于10。
5.根据权利要求4所述的基于大数据分析的智能控制系统,其特征在于,所述图像局部特征展开模块,进一步用于将所述探测特征图的沿通道维度的各个特征矩阵按照行向量或者列向量展开为一维特征向量以得到多个局部特征向量。
6.根据权利要求5所述的基于大数据分析的智能控制系统,其特征在于,所述图像特征全局关联模块,进一步用于:将所述多个局部特征向量排列为输入向量;将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;将所述自注意力特征矩阵与以所述多个局部特征向量中各个局部特征向量作为值向量分别进行相乘以得到所述多个上下文特征向量;以及将所述多个上下文特征向量进行级联以得到全局特征向量。
8.根据权利要求7所述的基于大数据分析的智能控制系统,其特征在于,所述观赏鱼识别模块,包括:全连接编码单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及分类结果生成单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
9.一种基于大数据分析的智能控制方法,其特征在于,包括:获取由部署于水族缸内的水下摄像头采集的观赏鱼的探测图像;将所述探测图像通过基于自动编解码器的图像畸变校正单元以得到校正后探测图像;将所述校正后探测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到探测特征图;将所述探测特征图的沿通道维度的各个特征矩阵展开为一维特征向量以得到多个局部特征向量;将所述多个局部特征向量通过基于转换器的上下文编码器以得到全局特征向量;对所述全局特征向量进行特征聚类的去聚焦模糊优化以得到分类特征向量;将所述分类特征向量通过分类器以得到分类结果,所述分类结果为观赏鱼的类型和生长阶段的标签;以及基于所述分类结果,确定水族缸的环境参数。
10.根据权利要求9所述的基于大数据分析的智能控制方法,其特征在于,所述将所述校正后探测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到探测特征图,包括:从所述第一卷积神经网络模型的第M层提取浅层特征图;从所述第一卷积神经网络模型的第N层提取深层特征图;以及使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到探测特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211593715.3A CN115761813A (zh) | 2022-12-13 | 2022-12-13 | 基于大数据分析的智能控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211593715.3A CN115761813A (zh) | 2022-12-13 | 2022-12-13 | 基于大数据分析的智能控制系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115761813A true CN115761813A (zh) | 2023-03-07 |
Family
ID=85345575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211593715.3A Withdrawn CN115761813A (zh) | 2022-12-13 | 2022-12-13 | 基于大数据分析的智能控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761813A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116003126A (zh) * | 2023-03-22 | 2023-04-25 | 珠海和泽科技有限公司 | 静电吸盘表面陶瓷材料的制备方法及其系统 |
CN116106457A (zh) * | 2023-04-13 | 2023-05-12 | 天津海河标测技术检测有限公司 | 空气采样检测一体化装置 |
CN116188584A (zh) * | 2023-04-23 | 2023-05-30 | 成都睿瞳科技有限责任公司 | 基于图像识别物体打磨位置的方法及系统 |
CN116393188A (zh) * | 2023-06-08 | 2023-07-07 | 杭州华得森生物技术有限公司 | 适用于循环肿瘤细胞捕捉的微流控芯片及其方法 |
CN116503406A (zh) * | 2023-06-28 | 2023-07-28 | 中铁水利信息科技有限公司 | 基于大数据的水利工程信息管理系统 |
CN116563795A (zh) * | 2023-05-30 | 2023-08-08 | 北京天翊文化传媒有限公司 | 一种玩偶的生产管理方法及其系统 |
CN116682068A (zh) * | 2023-07-28 | 2023-09-01 | 新疆华屹能源发展有限公司 | 油井防砂作业施工监控方法及其系统 |
CN116744511A (zh) * | 2023-05-22 | 2023-09-12 | 杭州行至云起科技有限公司 | 智能调光调色照明系统及其方法 |
CN116862877A (zh) * | 2023-07-12 | 2023-10-10 | 新疆生产建设兵团医院 | 基于卷积神经网络的扫描图像分析系统及其方法 |
CN117069537A (zh) * | 2023-03-23 | 2023-11-17 | 湖州新开元碎石有限公司 | 一种含砂石骨料尾矿的生物炭基缓释肥及其制备方法 |
CN117094937A (zh) * | 2023-03-16 | 2023-11-21 | 浙江宏丰炉料有限公司 | 耐火浇注料节能生产方法及系统 |
CN117152843A (zh) * | 2023-09-06 | 2023-12-01 | 世优(北京)科技有限公司 | 数字人的动作控制方法及其系统 |
CN117670857A (zh) * | 2023-12-19 | 2024-03-08 | 杭州萧山科教服饰有限公司 | 校服智能生产线及方法 |
CN117991707A (zh) * | 2024-04-03 | 2024-05-07 | 贵州省畜牧兽医研究所 | 一种智能化猪场环境监测控制系统及方法 |
-
2022
- 2022-12-13 CN CN202211593715.3A patent/CN115761813A/zh not_active Withdrawn
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094937B (zh) * | 2023-03-16 | 2024-03-08 | 浙江宏丰炉料有限公司 | 耐火浇注料节能生产方法及系统 |
CN117094937A (zh) * | 2023-03-16 | 2023-11-21 | 浙江宏丰炉料有限公司 | 耐火浇注料节能生产方法及系统 |
CN116003126A (zh) * | 2023-03-22 | 2023-04-25 | 珠海和泽科技有限公司 | 静电吸盘表面陶瓷材料的制备方法及其系统 |
CN117069537A (zh) * | 2023-03-23 | 2023-11-17 | 湖州新开元碎石有限公司 | 一种含砂石骨料尾矿的生物炭基缓释肥及其制备方法 |
CN116106457A (zh) * | 2023-04-13 | 2023-05-12 | 天津海河标测技术检测有限公司 | 空气采样检测一体化装置 |
CN116188584A (zh) * | 2023-04-23 | 2023-05-30 | 成都睿瞳科技有限责任公司 | 基于图像识别物体打磨位置的方法及系统 |
CN116188584B (zh) * | 2023-04-23 | 2023-06-30 | 成都睿瞳科技有限责任公司 | 基于图像识别物体打磨位置的方法及系统 |
CN116744511A (zh) * | 2023-05-22 | 2023-09-12 | 杭州行至云起科技有限公司 | 智能调光调色照明系统及其方法 |
CN116744511B (zh) * | 2023-05-22 | 2024-01-05 | 杭州行至云起科技有限公司 | 智能调光调色照明系统及其方法 |
CN116563795A (zh) * | 2023-05-30 | 2023-08-08 | 北京天翊文化传媒有限公司 | 一种玩偶的生产管理方法及其系统 |
CN116393188A (zh) * | 2023-06-08 | 2023-07-07 | 杭州华得森生物技术有限公司 | 适用于循环肿瘤细胞捕捉的微流控芯片及其方法 |
CN116393188B (zh) * | 2023-06-08 | 2024-02-27 | 杭州华得森生物技术有限公司 | 适用于循环肿瘤细胞捕捉的微流控芯片及其方法 |
CN116503406A (zh) * | 2023-06-28 | 2023-07-28 | 中铁水利信息科技有限公司 | 基于大数据的水利工程信息管理系统 |
CN116503406B (zh) * | 2023-06-28 | 2023-09-19 | 中铁水利信息科技有限公司 | 基于大数据的水利工程信息管理系统 |
CN116862877A (zh) * | 2023-07-12 | 2023-10-10 | 新疆生产建设兵团医院 | 基于卷积神经网络的扫描图像分析系统及其方法 |
CN116682068B (zh) * | 2023-07-28 | 2023-11-10 | 新疆华屹能源发展有限公司 | 油井防砂作业施工监控方法及其系统 |
CN116682068A (zh) * | 2023-07-28 | 2023-09-01 | 新疆华屹能源发展有限公司 | 油井防砂作业施工监控方法及其系统 |
CN117152843A (zh) * | 2023-09-06 | 2023-12-01 | 世优(北京)科技有限公司 | 数字人的动作控制方法及其系统 |
CN117152843B (zh) * | 2023-09-06 | 2024-05-07 | 世优(北京)科技有限公司 | 数字人的动作控制方法及其系统 |
CN117670857A (zh) * | 2023-12-19 | 2024-03-08 | 杭州萧山科教服饰有限公司 | 校服智能生产线及方法 |
CN117991707A (zh) * | 2024-04-03 | 2024-05-07 | 贵州省畜牧兽医研究所 | 一种智能化猪场环境监测控制系统及方法 |
CN117991707B (zh) * | 2024-04-03 | 2024-06-21 | 贵州省畜牧兽医研究所 | 一种智能化猪场环境监测控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115761813A (zh) | 基于大数据分析的智能控制系统及方法 | |
CN112487812B (zh) | 一种基于边界识别的嵌套实体识别方法及系统 | |
CN108268600B (zh) | 基于ai的非结构化数据管理方法及装置 | |
CN113111716B (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
CN116245513B (zh) | 基于规则库的自动化运维系统及其方法 | |
CN111460142B (zh) | 一种基于自注意力卷积神经网络的短文本分类方法及系统 | |
CN115170942B (zh) | 一种声音与视觉多级融合的鱼类行为识别方法 | |
CN115482467A (zh) | 一种智慧园林的自动灌溉系统 | |
CN117058622A (zh) | 污水处理设备的智能监测系统及其方法 | |
CN111160096A (zh) | 禽蛋异常的识别方法、装置及系统、存储介质、电子装置 | |
CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其系统 | |
CN108595426B (zh) | 基于汉字字形结构性信息的词向量优化方法 | |
CN116091414A (zh) | 一种基于深度学习的心血管图像识别方法及其系统 | |
CN114547241A (zh) | 联合字符感知和句子感知的小样本实体识别方法与模型 | |
CN115658886A (zh) | 基于语义文本的智能肝癌分期方法、系统及介质 | |
CN115205788A (zh) | 食材质量监控系统 | |
CN112446405A (zh) | 一种家电客服的用户意图引导方法及智能家电 | |
CN118260439A (zh) | 密集架系统的信息管理系统及方法 | |
CN113869005A (zh) | 一种基于语句相似度的预训练模型方法和系统 | |
CN116561314B (zh) | 基于自适应阈值选择自注意力的文本分类方法 | |
CN117033661A (zh) | 多领域知识图谱的构建方法、装置、电子设备和存储介质 | |
Huang et al. | Attention after attention: Reading text in the wild with cross attention | |
CN116563795A (zh) | 一种玩偶的生产管理方法及其系统 | |
CN116521863A (zh) | 一种基于半监督学习的标签抗噪文本分类方法 | |
Sindu et al. | Recurrent neural network for content based image retrieval using image captioning model |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230307 |