CN115879771B - 一种养殖池塘溶解氧智能调控方法及系统 - Google Patents

Abstract

本发明公开了一种养殖池塘溶解氧智能调控方法及系统，利用增氧机形成的辐射范围对养殖池塘中由于不规则区域形成的边缘特征进行确定监测点，通过形成的影响向量，考虑到水产鱼类在养殖池塘中受水质和气象数据的影响，预测溶解氧在养殖池塘的传导情况，同时，利用各个监测点检测到的溶解氧浓度在预测模型中进行演化，推算出各个监测点的风险值，再计算出风险总值；可以对不规则池塘中的溶解氧含量进行实时动态监控，准确地对养殖池塘溶解氧情况进行预测，为池塘养殖提供有力的溶解氧含量数据支撑，能够及时准确掌握养殖池塘溶解氧的变化规律，对于预防水质恶化与疾病爆发，为养殖人员提供决策参考，实现减少养殖风险、优化养殖管理。

Description

一种养殖池塘溶解氧智能调控方法及系统

技术领域

本发明涉及大数据处理技术领域，尤其涉及一种养殖池塘溶解氧智能调控方法及系统。

背景技术

随着水产养殖业的高速发展，加强养殖水质监控关键技术研究，对于降低水产养殖风险、防止高危疾病爆发和优化水产养殖管理等方面均具有重要的意义。溶解氧含量是反映水产品生长状况和水质状况的重要指标，易受多种因素的影响。经研究表明，水产池塘中溶解氧的多少直接影响鱼类的健康生长，当水中溶解氧下降时，会对鱼类的摄食、消化以及健康带来较大的影响；溶解氧持续下降到1毫克/升以下，大部分鱼类就会出现浮头现象，持续下降会造成缺氧窒息死亡。

现在的池塘养殖大多仍然依靠人工观察鱼虾是否浮头来开关增氧机，或者看别人的池塘开增氧机，自己也就开，存在一定的盲目性和滞后性，不但养殖者的精神压力大，而且浮头和泛塘现象难以避免。如果开始浮头说明水体的溶解氧已经过低，必须抢救，增氧机成了救命机。低溶氧对鱼虾的生命和水质都是严重的威胁。再加上由于养殖池塘区域的不规则性，处于增氧机周边的区域接收到的溶解氧含量较高，但随着溶解氧在不规则池塘中的散播路径，其溶解氧含量在部分不规则区域遭遇急速下降，导致不规则区域中的鱼类生长受影响。因此，在实际操作中，虽然增氧机周边鱼类生长活跃，但不规则区域中的鱼类生长可能已经出现停滞。然而传统的溶解氧调控技术结合人工经验操作的方法，存在耗时费力、监测范围小、监测周期长，不能实时反映水环境的动态变化等弊端。

可见，目前水产养殖溶解氧的调控主要依靠人工经验来判断是否增氧，存在很大的盲目性和风险性。因此对水产养殖溶解氧调控技术进行研究，及时准确掌握未来溶解氧的变化规律，对于预防水质恶化与疾病爆发，为养殖人员提供决策参考，减少养殖风险、优化养殖管理具有重要意义。

发明内容

本发明提供了一种养殖池塘溶解氧智能调控方法及系统，可以对不规则池塘中的溶解氧含量进行实时动态监控，准确地对养殖池塘溶解氧情况进行预测，为池塘养殖提供有力的溶解氧含量数据支撑，能够及时准确掌握养殖池塘溶解氧的变化规律，对于预防水质恶化与疾病爆发，为养殖人员提供决策参考，实现减少养殖风险、优化养殖管理。

为了解决上述技术问题，本发明实施例提供了一种养殖池塘溶解氧智能调控方法，包括：

获取养殖池塘的遥感图像，对所述遥感图像中的养殖池塘边缘进行特征识别并标记，得到区域边缘图像；同时，在所述区域边缘图像中确定增氧机的位置；

以所述增氧机的位置为原点，在所述区域边缘图像中建立空间直角坐标系，根据所述增氧机的功率参数确定溶解氧的辐射范围，并根据所述辐射范围在所述空间直角坐标系中确定多个监测点；

根据所述监测点在所述空间直角坐标系中的坐标系数，确定所述监测点对应在所述区域边缘图像中的监测位置，并在每一个所述监测位置上分别设置水质检测传感器，以获取每一个所述监测位置上的水质数据；其中，所述水质数据包括溶解氧浓度、PH值和水温；

通过气象监测站实时获取所述养殖池塘的气象数据；其中，所述气象数据包括太阳光辐射数据、风力数据和空气温湿度数据；

根据所述PH值、水温、风力数据和空气温湿度数据，确定每一个所述监测位置上的第一影响向量；

根据所述太阳光辐射数据和每一个所述监测点的坐标系数，确定每一个所述监测位置上的第二影响向量；

将所述第一影响向量和所述第二影响向量作为影响因子，以及将所述每一个所述监测位置上的溶解氧浓度作为输入数据，输入到预设的溶解氧浓度预测模型中，输出得到每一个所述监测位置上的风险值；

根据所述每一个所述监测位置上的风险值计算出所述养殖池塘中出现溶解氧缺氧的风险总值，当所述风险总值达到预设风险阈值时，控制所述增氧机启动，以增加所述养殖池塘中的溶解氧浓度。

作为优选方案，所述以所述增氧机的位置为原点，在所述区域边缘图像中建立空间直角坐标系，根据所述增氧机的功率参数确定溶解氧的辐射范围，并根据所述辐射范围在所述空间直角坐标系中确定多个监测点的步骤中，具体包括：

以所述增氧机的位置为原点，在所述区域边缘图像中建立空间直角坐标系；同时，根据所述区域边缘图像中标记的边缘特征，在所述空间直角坐标系中确定每一个边缘特征的坐标系数；

根据所述增氧机的功率参数和预设的功率对照规则表，确定溶解氧的辐射半径值；

计算每一个边缘特征的坐标系数与原点之间的直线距离值，分别计算每一个边缘特征对应的直线距离值与所述辐射半径值之间的数值大小；

当所述直线距离值不小于所述辐射半径值时，将对应的所有边缘特征所在的坐标系数分别作为第一类监测位置；

当所述直线距离值小于所述辐射半径值时，将对应的边缘特征中所述直线距离值最大和最小的两个边缘特征所在的坐标系数分别作为第二类监测位置；

将所述第一类监测位置和所述第二类监测位置确定为监测点。

作为优选方案，所述根据所述PH值、水温、风力数据和空气温湿度数据，确定每一个所述监测位置上的第一影响向量的步骤中，具体包括：

在所述空间直角坐标系中确定目标监测位置与其距离最近的相邻监测位置；

根据所述目标监测位置与所述相邻监测位置上的PH值的差值，确定所述目标监测位置上的PH差值矢量，方向由所述目标监测位置和所述相邻监测位置中PH值小的一方流向大的一方；

根据所述目标监测位置与所述相邻监测位置上的水温的差值，确定所述目标监测位置上的水温差值矢量，方向由所述目标监测位置和所述相邻监测位置中水温小的一方流向大的一方；

根据所述风力数据，确定目标监测位置的风力大小和风向，得到所述目标监测位置上的风力矢量；

根据合力求和算法，计算出所述PH差值矢量、所述水温差值矢量和所述风力矢量之间的初始影响矢量；

根据所述空气温湿度数据，在预设的温湿度对照规则表中确定目标监测位置的影响权重值；

将所述影响权重值和所述初始影响矢量的乘积，作为目标监测位置在所述区域边缘图像上的第一影响向量。

作为优选方案，所述根据所述太阳光辐射数据和每一个所述监测点的坐标系数，确定每一个所述监测位置上的第二影响向量的步骤中，具体包括：

根据所述太阳光辐射数据，确定目标监测位置的光照强度和光照角度；

根据所述目标监测位置所在监测点的坐标系数，以所述光照角度为方向，以所述光照强度为数值大小，在所述监测点的坐标系数为起点，确定目标监测位置在所述区域边缘图像上的第二影响向量。

作为优选方案，所述溶解氧浓度预测模型的建立过程，包括：

获取养殖池塘的历史遥感图像，在所述历史遥感图像中建立空间直角坐标系，并在所述历史遥感图像中标记各个历史监测点的坐标位置；

获取拍摄所述历史遥感图像时各个历史监测点的PH值、水温、风力数据和空气温湿度数据，生成历史第一影响向量；

获取拍摄所述历史遥感图像时各个历史监测点的太阳光辐射数据和每一个历史监测点的坐标系数，生成历史第二影响向量；

获取拍摄所述历史遥感图像时各个历史监测点的第一历史溶解氧浓度，同时，获取在拍摄所述历史遥感图像之后的多个预设时间段之后的第二历史溶解氧浓度，并根据所述第二历史溶解氧浓度确定对应的历史风险值；

将所述第一历史溶解氧浓度标记在所述历史遥感图像中作为初始标记，将所述历史风险值二次标记在所述历史遥感图像中，并与所述第一历史溶解氧浓度相关联，得到历史标记图像；

通过神经网络算法建立初始预测模型，将所述历史标记图像作为输入数据，并将所述历史第一影响向量和历史第二影响向量作为影响因子输入到所述初始预测模型中进行训练，当训练次数达到次数阈值，且训练准确度达到准确阈值时，完成模型训练得到溶解氧浓度预测模型。

作为优选方案，所述根据所述每一个所述监测位置上的风险值计算出所述养殖池塘中出现溶解氧缺氧的风险总值的步骤中，具体包括：

在所述监测位置中选择属于第一类监测位置的所有监测点所对应的风险值，计算得到第一类风险值；

在所述监测位置中选择属于第二类监测位置的所有监测点所对应的风险值，计算得到第二类风险值；

根据所述第一类风险值和所述第二类风险值，计算得到风险总值。

作为优选方案，所述风险总值的计算公式为：

;

其中，为风险总值；为第一类风险值；为第二类风险值；为常数；

;

其中，为第一类监测位置中第i个监测点的坐标系数与原点之间的直线距离值；为第一类监测位置中第i个监测点的风险值；n为第一类监测位置中监测点的个数；为常数；

;

其中，为第二类监测位置中监测点所对应的最大直线距离值；为第二类监测位置中最大直线距离值所对应监测点的风险值；为第二类监测位置中监测点所对应的最小直线距离值；为第二类监测位置中最小直线距离值所对应监测点的风险值；和均为常数。

相应地，本发明另一实施例还提供了一种养殖池塘溶解氧智能调控系统，包括：遥感图像模块、监测确定模块、水质数据模块、气象数据模块、第一影响模块、第二影响模块、模型输入模块和风险计算模块；

所述遥感图像模块，用于获取养殖池塘的遥感图像，对所述遥感图像中的养殖池塘边缘进行特征识别并标记，得到区域边缘图像；同时，在所述区域边缘图像中确定增氧机的位置；

所述监测确定模块，用于以所述增氧机的位置为原点，在所述区域边缘图像中建立空间直角坐标系，根据所述增氧机的功率参数确定溶解氧的辐射范围，并根据所述辐射范围在所述空间直角坐标系中确定多个监测点；

所述水质数据模块，用于根据所述监测点在所述空间直角坐标系中的坐标系数，确定所述监测点对应在所述区域边缘图像中的监测位置，并在每一个所述监测位置上分别设置水质检测传感器，以获取每一个所述监测位置上的水质数据；其中，所述水质数据包括溶解氧浓度、PH值和水温；

所述气象数据模块，用于通过气象监测站实时获取所述养殖池塘的气象数据；其中，所述气象数据包括太阳光辐射数据、风力数据和空气温湿度数据；

所述第一影响模块，用于根据所述PH值、水温、风力数据和空气温湿度数据，确定每一个所述监测位置上的第一影响向量；

所述第二影响模块，用于根据所述太阳光辐射数据和每一个所述监测点的坐标系数，确定每一个所述监测位置上的第二影响向量；

所述模型输入模块，用于将所述第一影响向量和所述第二影响向量作为影响因子，以及将所述每一个所述监测位置上的溶解氧浓度作为输入数据，输入到预设的溶解氧浓度预测模型中，输出得到每一个所述监测位置上的风险值；

所述风险计算模块，用于根据所述每一个所述监测位置上的风险值计算出所述养殖池塘中出现溶解氧缺氧的风险总值，当所述风险总值达到预设风险阈值时，控制所述增氧机启动，以增加所述养殖池塘中的溶解氧浓度。

作为优选方案，所述监测确定模块具体用于：以所述增氧机的位置为原点，在所述区域边缘图像中建立空间直角坐标系；同时，根据所述区域边缘图像中标记的边缘特征，在所述空间直角坐标系中确定每一个边缘特征的坐标系数；根据所述增氧机的功率参数和预设的功率对照规则表，确定溶解氧的辐射半径值；计算每一个边缘特征的坐标系数与原点之间的直线距离值，分别计算每一个边缘特征对应的直线距离值与所述辐射半径值之间的数值大小；当所述直线距离值不小于所述辐射半径值时，将对应的所有边缘特征所在的坐标系数分别作为第一类监测位置；当所述直线距离值小于所述辐射半径值时，将对应的边缘特征中所述直线距离值最大和最小的两个边缘特征所在的坐标系数分别作为第二类监测位置；将所述第一类监测位置和所述第二类监测位置确定为监测点。

作为优选方案，所述第一影响模块具体用于：在所述空间直角坐标系中确定目标监测位置与其距离最近的相邻监测位置；根据所述目标监测位置与所述相邻监测位置上的PH值的差值，确定所述目标监测位置上的PH差值矢量，方向由所述目标监测位置和所述相邻监测位置中PH值小的一方流向大的一方；根据所述目标监测位置与所述相邻监测位置上的水温的差值，确定所述目标监测位置上的水温差值矢量，方向由所述目标监测位置和所述相邻监测位置中水温小的一方流向大的一方；根据所述风力数据，确定目标监测位置的风力大小和风向，得到所述目标监测位置上的风力矢量；根据合力求和算法，计算出所述PH差值矢量、所述水温差值矢量和所述风力矢量之间的初始影响矢量；根据所述空气温湿度数据，在预设的温湿度对照规则表中确定目标监测位置的影响权重值；将所述影响权重值和所述初始影响矢量的乘积，作为目标监测位置在所述区域边缘图像上的第一影响向量。

作为优选方案，所述第二影响模块具体用于：根据所述太阳光辐射数据，确定目标监测位置的光照强度和光照角度；根据所述目标监测位置所在监测点的坐标系数，以所述光照角度为方向，以所述光照强度为数值大小，在所述监测点的坐标系数为起点，确定目标监测位置在所述区域边缘图像上的第二影响向量。

作为优选方案，所述溶解氧浓度预测模型的建立过程，包括：获取养殖池塘的历史遥感图像，在所述历史遥感图像中建立空间直角坐标系，并在所述历史遥感图像中标记各个历史监测点的坐标位置；获取拍摄所述历史遥感图像时各个历史监测点的PH值、水温、风力数据和空气温湿度数据，生成历史第一影响向量；获取拍摄所述历史遥感图像时各个历史监测点的太阳光辐射数据和每一个历史监测点的坐标系数，生成历史第二影响向量；获取拍摄所述历史遥感图像时各个历史监测点的第一历史溶解氧浓度，同时，获取在拍摄所述历史遥感图像之后的多个预设时间段之后的第二历史溶解氧浓度，并根据所述第二历史溶解氧浓度确定对应的历史风险值；将所述第一历史溶解氧浓度标记在所述历史遥感图像中作为初始标记，将所述历史风险值二次标记在所述历史遥感图像中，并与所述第一历史溶解氧浓度相关联，得到历史标记图像；通过神经网络算法建立初始预测模型，将所述历史标记图像作为输入数据，并将所述历史第一影响向量和历史第二影响向量作为影响因子输入到所述初始预测模型中进行训练，当训练次数达到次数阈值，且训练准确度达到准确阈值时，完成模型训练得到溶解氧浓度预测模型。

作为优选方案，所述风险计算模块用于根据所述每一个所述监测位置上的风险值计算出所述养殖池塘中出现溶解氧缺氧的风险总值的步骤中，具体包括：在所述监测位置中选择属于第一类监测位置的所有监测点所对应的风险值，计算得到第一类风险值；在所述监测位置中选择属于第二类监测位置的所有监测点所对应的风险值，计算得到第二类风险值；根据所述第一类风险值和所述第二类风险值，计算得到风险总值。

作为优选方案，所述风险总值的计算公式为：

;

其中，为风险总值；为第一类风险值；为第二类风险值；为常数；

;

其中，为第一类监测位置中第i个监测点的坐标系数与原点之间的直线距离值；为第一类监测位置中第i个监测点的风险值；n为第一类监测位置中监测点的个数；为常数；

;

其中，为第二类监测位置中监测点所对应的最大直线距离值；为第二类监测位置中最大直线距离值所对应监测点的风险值；为第二类监测位置中监测点所对应的最小直线距离值；为第二类监测位置中最小直线距离值所对应监测点的风险值；和均为常数。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的养殖池塘溶解氧智能调控方法。

本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述任一项所述的养殖池塘溶解氧智能调控方法。

相比于现有技术，本发明实施例具有如下有益效果：

本技术方案利用增氧机形成的辐射范围对养殖池塘中由于不规则区域形成的边缘特征进行确定监测点，通过所形成的第一影响向量和第二影响向量，考虑到水产鱼类在养殖池塘中受水质数据和气象数据的影响而发生的游动方向，从而预测溶解氧在养殖池塘的传导情况，同时，利用各个监测点检测到的溶解氧浓度在预测模型中进行演化，从而推算出各个监测点的风险值，再计算出养殖池塘中出现溶解氧缺氧的风险总值；以解决在不规则区域的养殖池塘中，传统的溶解氧调控技术结合人工经验操作的方法，存在耗时费力、监测范围小、监测周期长，不能实时反映水环境的动态变化等弊端的技术问题，可以对不规则池塘中的溶解氧含量进行实时动态监控，准确地对养殖池塘溶解氧情况进行预测，为池塘养殖提供有力的溶解氧含量数据支撑，能够及时准确掌握养殖池塘溶解氧的变化规律，对于预防水质恶化与疾病爆发，为养殖人员提供决策参考，实现减少养殖风险、优化养殖管理。

附图说明

图1 ：为本发明实施例提供的一种养殖池塘溶解氧智能调控方法的步骤流程图；

图2 ：为本发明实施例提供的一种养殖池塘溶解氧智能调控系统的结构示意图；

图3 ：为本发明实施例提供的终端设备的一种实施例的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

请参照图1，为本发明实施例提供的一种养殖池塘溶解氧智能调控方法的步骤流程图，包括步骤101至步骤108，各步骤具体如下：

步骤101，获取养殖池塘的遥感图像，对所述遥感图像中的养殖池塘边缘进行特征识别并标记，得到区域边缘图像；同时，在所述区域边缘图像中确定增氧机的位置。

具体地，在实际应用中，由于养殖池塘的不规则边缘，增氧机在养殖池塘工作输出氧气之后，溶解氧会随着池塘水向外散播，散播呈圆弧形状。当养殖池塘出现不规则区域时（例如，池塘存在很多弯角等不规则形状），溶解氧散播到不规则边缘就会停止或散播速度骤降，导致不规则区域周边的养殖区域溶解氧浓度明显低于养殖池塘中央。因此，为了准确地判断养殖池塘的溶解氧浓度带来的风险值，经过大量实验证明，需要选取养殖池塘的边缘特征中的部分位置作为监测点，所以首先要对养殖池塘的遥感图像进行特征识别后，标记边缘特征的位置。

步骤102，以所述增氧机的位置为原点，在所述区域边缘图像中建立空间直角坐标系，根据所述增氧机的功率参数确定溶解氧的辐射范围，并根据所述辐射范围在所述空间直角坐标系中确定多个监测点。

在本实施例中，所述步骤102具体包括步骤1021至步骤1026：步骤1021，以所述增氧机的位置为原点，在所述区域边缘图像中建立空间直角坐标系；同时，根据所述区域边缘图像中标记的边缘特征，在所述空间直角坐标系中确定每一个边缘特征的坐标系数。步骤1022，根据所述增氧机的功率参数和预设的功率对照规则表，确定溶解氧的辐射半径值。步骤1023，计算每一个边缘特征的坐标系数与原点之间的直线距离值，分别计算每一个边缘特征对应的直线距离值与所述辐射半径值之间的数值大小。步骤1024，当所述直线距离值不小于所述辐射半径值时，将对应的所有边缘特征所在的坐标系数分别作为第一类监测位置。步骤1025，当所述直线距离值小于所述辐射半径值时，将对应的边缘特征中所述直线距离值最大和最小的两个边缘特征所在的坐标系数分别作为第二类监测位置。步骤1026，将所述第一类监测位置和所述第二类监测位置确定为监测点。

具体地，通过建立空间直角坐标系，将增氧机的输出氧影响范围进行表达。预先在大量实验的过程中，可以总结出多少功率的增氧机对应多大的辐射半径值，利用目前养殖池塘中增氧机的功率大小确定其辐射半径值，形成了辐射范围。由于养殖池塘中存在的不规则区域会使部分边缘特征处于辐射范围之内和之外。所以针对边缘特征的坐标系数与原点之间的直线距离值，定义直线距离值不小于辐射半径值（辐射范围之外）的边缘特征为监测点中的第一类监测位置；而直线距离值小于辐射半径值（辐射范围之内）的边缘特征为监测点中的第二类监测位置。可以理解的是，在辐射范围之外的监测点实际上都是溶解氧影响大的外围位置，所以全部的边缘特征位置都进行监测；而在辐射范围之内的监测点实际上是池塘中央的位置，所以影响不大，我们只需要对直线距离值最大和最小的两个监测点进行监测即可。

步骤103，根据所述监测点在所述空间直角坐标系中的坐标系数，确定所述监测点对应在所述区域边缘图像中的监测位置，并在每一个所述监测位置上分别设置水质检测传感器，以获取每一个所述监测位置上的水质数据；其中，所述水质数据包括溶解氧浓度、PH值和水温。

具体地，在考虑养殖池塘中不同影响因子对应水产鱼类的影响时，我们首先要考虑到水质带来的影响。其中，鱼类肯定是趋向于溶解氧浓度高的地方；并且，通过研究表明，鱼类更适合在中性或者弱碱性的水环境下比较适合生存，比如在ph7.5-8.2之间；再者，鱼类对水温的影响也较大，趋向于暖和。

步骤104，通过气象监测站实时获取所述养殖池塘的气象数据；其中，所述气象数据包括太阳光辐射数据、风力数据和空气温湿度数据。

具体地，在考虑养殖池塘中不同影响因子对应水产鱼类的影响时，气象数据对水产养殖的影响也是非常重要的一环。研究表明，在光照强度明显增强的情况下，水下溶解氧的浓度会上升，同时鱼类的活跃程度增强。再结合风力带来水面的降温以及氧浓度的增加，而空气温湿度对水面的影响等等。

步骤105，根据所述PH值、水温、风力数据和空气温湿度数据，确定每一个所述监测位置上的第一影响向量。

在本实施例中，所述步骤105具体包括步骤1051至步骤1057：步骤1051，在所述空间直角坐标系中确定目标监测位置与其距离最近的相邻监测位置。步骤1052，根据所述目标监测位置与所述相邻监测位置上的PH值的差值，确定所述目标监测位置上的PH差值矢量，方向由所述目标监测位置和所述相邻监测位置中PH值小的一方流向大的一方。步骤1053，根据所述目标监测位置与所述相邻监测位置上的水温的差值，确定所述目标监测位置上的水温差值矢量，方向由所述目标监测位置和所述相邻监测位置中水温小的一方流向大的一方。步骤1054，根据所述风力数据，确定目标监测位置的风力大小和风向，得到所述目标监测位置上的风力矢量。步骤1055，根据合力求和算法，计算出所述PH差值矢量、所述水温差值矢量和所述风力矢量之间的初始影响矢量。步骤1056，根据所述空气温湿度数据，在预设的温湿度对照规则表中确定目标监测位置的影响权重值。步骤1057，将所述影响权重值和所述初始影响矢量的乘积，作为目标监测位置在所述区域边缘图像上的第一影响向量。

具体地，在水质数据和气象数据的结合下，会更加明显对养殖池塘中水产鱼类流向的影响。受PH值、水温、风力数据和空气温湿度数据，养殖池塘中的水产鱼类会集中游到同一方向活动，从而影响该区域的溶解氧浓度。在计算上述PH值、水温、风力数据和空气温湿度数据带来的第一影响向量的过程中，我们利用鱼类趋向于在中性或者弱碱性的水环境下比较适合生存，比如在ph7.5-8.2之间，确定PH差值矢量，方向由所述目标监测位置和所述相邻监测位置中PH值小的一方流向大的一方。利用鱼类对水温的影响趋向于暖和，确定水温差值矢量，方向由所述目标监测位置和所述相邻监测位置中水温小的一方流向大的一方。且计算出风力矢量。从而计算出三者之间的初始影响矢量。并利用空气温湿度数据，确定目标监测位置的影响权重值，得到目标监测位置在区域边缘图像上的第一影响向量。

步骤106，根据所述太阳光辐射数据和每一个所述监测点的坐标系数，确定每一个所述监测位置上的第二影响向量。

在本实施例中，所述步骤106具体包括步骤1061和步骤1062：步骤1061，根据所述太阳光辐射数据，确定目标监测位置的光照强度和光照角度。步骤1062，根据所述目标监测位置所在监测点的坐标系数，以所述光照角度为方向，以所述光照强度为数值大小，在所述监测点的坐标系数为起点，确定目标监测位置在所述区域边缘图像上的第二影响向量。

具体地，受太阳光辐射影响同样重要。通过光照强度和光照角度可以确定目标监测位置在区域边缘图像上的第二影响向量，在后续模型预测的过程中将第一和第二影响向量作为影响因子，即可对输入图像进行精准预测。

步骤107，将所述第一影响向量和所述第二影响向量作为影响因子，以及将所述每一个所述监测位置上的溶解氧浓度作为输入数据，输入到预设的溶解氧浓度预测模型中，输出得到每一个所述监测位置上的风险值。

具体地，在本实施例中，所述溶解氧浓度预测模型的建立过程，包括步骤1071至步骤1076：步骤1071，获取养殖池塘的历史遥感图像，在所述历史遥感图像中建立空间直角坐标系，并在所述历史遥感图像中标记各个历史监测点的坐标位置。步骤1072，获取拍摄所述历史遥感图像时各个历史监测点的PH值、水温、风力数据和空气温湿度数据，生成历史第一影响向量。步骤1073，获取拍摄所述历史遥感图像时各个历史监测点的太阳光辐射数据和每一个历史监测点的坐标系数，生成历史第二影响向量。步骤1074，获取拍摄所述历史遥感图像时各个历史监测点的第一历史溶解氧浓度，同时，获取在拍摄所述历史遥感图像之后的多个预设时间段之后的第二历史溶解氧浓度，并根据所述第二历史溶解氧浓度确定对应的历史风险值。步骤1075，将所述第一历史溶解氧浓度标记在所述历史遥感图像中作为初始标记，将所述历史风险值二次标记在所述历史遥感图像中，并与所述第一历史溶解氧浓度相关联，得到历史标记图像。步骤1076，通过神经网络算法建立初始预测模型，将所述历史标记图像作为输入数据，并将所述历史第一影响向量和历史第二影响向量作为影响因子输入到所述初始预测模型中进行训练，当训练次数达到次数阈值，且训练准确度达到准确阈值时，完成模型训练得到溶解氧浓度预测模型。

通过上述对模型训练的过程，可以令初始预测模型对输入图像中第一历史溶解氧浓度（即实验初始的溶解氧浓度）在经过影响因子的影响下，演化到的第二历史溶解氧浓度（即模型预测之后得到的溶解氧浓度），并通过规则转换成风险值，告诉用户当前所处位置的溶解氧浓度，在当前气象数据和水质数据的影响下，会发展成可能存在风险的溶解氧状态。

步骤108，根据所述每一个所述监测位置上的风险值计算出所述养殖池塘中出现溶解氧缺氧的风险总值，当所述风险总值达到预设风险阈值时，控制所述增氧机启动，以增加所述养殖池塘中的溶解氧浓度。

在本实施例中，所述步骤108中根据所述每一个所述监测位置上的风险值计算出所述养殖池塘中出现溶解氧缺氧的风险总值的步骤中，具体包括步骤1081至步骤1083：步骤1081，在所述监测位置中选择属于第一类监测位置的所有监测点所对应的风险值，计算得到第一类风险值。步骤1082，在所述监测位置中选择属于第二类监测位置的所有监测点所对应的风险值，计算得到第二类风险值。步骤1083，根据所述第一类风险值和所述第二类风险值，计算得到风险总值。

具体地，利用第一类监测位置上的风险值，可以得到直线距离值不小于辐射半径值（辐射范围之外）的边缘特征整体形成的风险情况；再结合第二类监测位置上的风险值，可以得到直线距离值小于辐射半径值（辐射范围之内）的边缘特征整体形成的风险情况，从而计算出养殖池塘目前存在的风险总值。

具体地，通过大量实验证明，如下算法公式可以准确地计算出所需的风险总值的数值。在本实施例中，所述风险总值的计算公式为：

;

其中，为风险总值；为第一类风险值；为第二类风险值；为常数；

;

其中，为第一类监测位置中第i个监测点的坐标系数与原点之间的直线距离值；为第一类监测位置中第i个监测点的风险值；n为第一类监测位置中监测点的个数；为常数；

;

其中，为第二类监测位置中监测点所对应的最大直线距离值；为第二类监测位置中最大直线距离值所对应监测点的风险值；为第二类监测位置中监测点所对应的最小直线距离值；为第二类监测位置中最小直线距离值所对应监测点的风险值；和均为常数。

本技术方案利用增氧机形成的辐射范围对养殖池塘中由于不规则区域形成的边缘特征进行确定监测点，通过所形成的第一影响向量和第二影响向量，考虑到水产鱼类在养殖池塘中受水质数据和气象数据的影响而发生的游动方向，从而预测溶解氧在养殖池塘的传导情况，同时，利用各个监测点检测到的溶解氧浓度在预测模型中进行演化，从而推算出各个监测点的风险值，再计算出养殖池塘中出现溶解氧缺氧的风险总值；以解决在不规则区域的养殖池塘中，传统的溶解氧调控技术结合人工经验操作的方法，存在耗时费力、监测范围小、监测周期长，不能实时反映水环境的动态变化等弊端的技术问题，可以对不规则池塘中的溶解氧含量进行实时动态监控，准确地对养殖池塘溶解氧情况进行预测，为池塘养殖提供有力的溶解氧含量数据支撑，能够及时准确掌握养殖池塘溶解氧的变化规律，对于预防水质恶化与疾病爆发，为养殖人员提供决策参考，实现减少养殖风险、优化养殖管理。

实施例二

请参照图2，为本发明另一实施例提供的一种养殖池塘溶解氧智能调控系统的结构示意图，包括：遥感图像模块、监测确定模块、水质数据模块、气象数据模块、第一影响模块、第二影响模块、模型输入模块和风险计算模块。

所述遥感图像模块，用于获取养殖池塘的遥感图像，对所述遥感图像中的养殖池塘边缘进行特征识别并标记，得到区域边缘图像；同时，在所述区域边缘图像中确定增氧机的位置。

所述监测确定模块，用于以所述增氧机的位置为原点，在所述区域边缘图像中建立空间直角坐标系，根据所述增氧机的功率参数确定溶解氧的辐射范围，并根据所述辐射范围在所述空间直角坐标系中确定多个监测点。

在本实施例中，所述监测确定模块具体用于：以所述增氧机的位置为原点，在所述区域边缘图像中建立空间直角坐标系；同时，根据所述区域边缘图像中标记的边缘特征，在所述空间直角坐标系中确定每一个边缘特征的坐标系数；根据所述增氧机的功率参数和预设的功率对照规则表，确定溶解氧的辐射半径值；计算每一个边缘特征的坐标系数与原点之间的直线距离值，分别计算每一个边缘特征对应的直线距离值与所述辐射半径值之间的数值大小；当所述直线距离值不小于所述辐射半径值时，将对应的所有边缘特征所在的坐标系数分别作为第一类监测位置；当所述直线距离值小于所述辐射半径值时，将对应的边缘特征中所述直线距离值最大和最小的两个边缘特征所在的坐标系数分别作为第二类监测位置；将所述第一类监测位置和所述第二类监测位置确定为监测点。

所述水质数据模块，用于根据所述监测点在所述空间直角坐标系中的坐标系数，确定所述监测点对应在所述区域边缘图像中的监测位置，并在每一个所述监测位置上分别设置水质检测传感器，以获取每一个所述监测位置上的水质数据；其中，所述水质数据包括溶解氧浓度、PH值和水温。

所述气象数据模块，用于通过气象监测站实时获取所述养殖池塘的气象数据；其中，所述气象数据包括太阳光辐射数据、风力数据和空气温湿度数据。

所述第一影响模块，用于根据所述PH值、水温、风力数据和空气温湿度数据，确定每一个所述监测位置上的第一影响向量。

在本实施例中，所述第一影响模块具体用于：在所述空间直角坐标系中确定目标监测位置与其距离最近的相邻监测位置；根据所述目标监测位置与所述相邻监测位置上的PH值的差值，确定所述目标监测位置上的PH差值矢量，方向由所述目标监测位置和所述相邻监测位置中PH值小的一方流向大的一方；根据所述目标监测位置与所述相邻监测位置上的水温的差值，确定所述目标监测位置上的水温差值矢量，方向由所述目标监测位置和所述相邻监测位置中水温小的一方流向大的一方；根据所述风力数据，确定目标监测位置的风力大小和风向，得到所述目标监测位置上的风力矢量；根据合力求和算法，计算出所述PH差值矢量、所述水温差值矢量和所述风力矢量之间的初始影响矢量；根据所述空气温湿度数据，在预设的温湿度对照规则表中确定目标监测位置的影响权重值；将所述影响权重值和所述初始影响矢量的乘积，作为目标监测位置在所述区域边缘图像上的第一影响向量。

所述第二影响模块，用于根据所述太阳光辐射数据和每一个所述监测点的坐标系数，确定每一个所述监测位置上的第二影响向量。

在本实施例中，所述第二影响模块具体用于：根据所述太阳光辐射数据，确定目标监测位置的光照强度和光照角度；根据所述目标监测位置所在监测点的坐标系数，以所述光照角度为方向，以所述光照强度为数值大小，在所述监测点的坐标系数为起点，确定目标监测位置在所述区域边缘图像上的第二影响向量。

所述模型输入模块，用于将所述第一影响向量和所述第二影响向量作为影响因子，以及将所述每一个所述监测位置上的溶解氧浓度作为输入数据，输入到预设的溶解氧浓度预测模型中，输出得到每一个所述监测位置上的风险值。

在本实施例中，所述溶解氧浓度预测模型的建立过程，包括：获取养殖池塘的历史遥感图像，在所述历史遥感图像中建立空间直角坐标系，并在所述历史遥感图像中标记各个历史监测点的坐标位置；获取拍摄所述历史遥感图像时各个历史监测点的PH值、水温、风力数据和空气温湿度数据，生成历史第一影响向量；获取拍摄所述历史遥感图像时各个历史监测点的太阳光辐射数据和每一个历史监测点的坐标系数，生成历史第二影响向量；获取拍摄所述历史遥感图像时各个历史监测点的第一历史溶解氧浓度，同时，获取在拍摄所述历史遥感图像之后的多个预设时间段之后的第二历史溶解氧浓度，并根据所述第二历史溶解氧浓度确定对应的历史风险值；将所述第一历史溶解氧浓度标记在所述历史遥感图像中作为初始标记，将所述历史风险值二次标记在所述历史遥感图像中，并与所述第一历史溶解氧浓度相关联，得到历史标记图像；通过神经网络算法建立初始预测模型，将所述历史标记图像作为输入数据，并将所述历史第一影响向量和历史第二影响向量作为影响因子输入到所述初始预测模型中进行训练，当训练次数达到次数阈值，且训练准确度达到准确阈值时，完成模型训练得到溶解氧浓度预测模型。

所述风险计算模块，用于根据所述每一个所述监测位置上的风险值计算出所述养殖池塘中出现溶解氧缺氧的风险总值，当所述风险总值达到预设风险阈值时，控制所述增氧机启动，以增加所述养殖池塘中的溶解氧浓度。

在本实施例中，所述风险计算模块用于根据所述每一个所述监测位置上的风险值计算出所述养殖池塘中出现溶解氧缺氧的风险总值的步骤中，具体包括：在所述监测位置中选择属于第一类监测位置的所有监测点所对应的风险值，计算得到第一类风险值；在所述监测位置中选择属于第二类监测位置的所有监测点所对应的风险值，计算得到第二类风险值；根据所述第一类风险值和所述第二类风险值，计算得到风险总值。

在本实施例中，所述风险总值的计算公式为：

;

其中，为风险总值；为第一类风险值；为第二类风险值；为常数；

;

其中，为第一类监测位置中第i个监测点的坐标系数与原点之间的直线距离值；为第一类监测位置中第i个监测点的风险值；n为第一类监测位置中监测点的个数；为常数；

;

其中，为第二类监测位置中监测点所对应的最大直线距离值；为第二类监测位置中最大直线距离值所对应监测点的风险值；为第二类监测位置中监测点所对应的最小直线距离值；为第二类监测位置中最小直线距离值所对应监测点的风险值；和均为常数。

实施例三

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的养殖池塘溶解氧智能调控方法。

实施例四

请参照图3，是本发明实施例提供的终端设备的一种实施例的结构示意图，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的养殖池塘溶解氧智能调控方法。

优选地，所述计算机程序可以被分割成一个或多个模块/单元（如计算机程序、计算机程序），所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。

所述处理器可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。

所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡（SmartMedia Card，SMC）、安全数字（Secure Digital，SD）卡和闪存卡（Flash Card）等，或所述存储器也可以是其他易失性固态存储器件。

需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种养殖池塘溶解氧智能调控方法，其特征在于，包括：

获取养殖池塘的遥感图像，对所述遥感图像中的养殖池塘边缘进行特征识别并标记，得到区域边缘图像；同时，在所述区域边缘图像中确定增氧机的位置；

以所述增氧机的位置为原点，在所述区域边缘图像中建立空间直角坐标系，根据所述增氧机的功率参数确定溶解氧的辐射范围，并根据所述辐射范围在所述空间直角坐标系中确定多个监测点；

根据所述监测点在所述空间直角坐标系中的坐标系数，确定所述监测点对应在所述区域边缘图像中的监测位置，并在每一个所述监测位置上分别设置水质检测传感器，以获取每一个所述监测位置上的水质数据；其中，所述水质数据包括溶解氧浓度、PH值和水温；

通过气象监测站实时获取所述养殖池塘的气象数据；其中，所述气象数据包括太阳光辐射数据、风力数据和空气温湿度数据；

根据所述PH值、水温、风力数据和空气温湿度数据，确定每一个所述监测位置上的第一影响向量；

根据所述太阳光辐射数据和每一个所述监测点的坐标系数，确定每一个所述监测位置上的第二影响向量；

将所述第一影响向量和所述第二影响向量作为影响因子，以及将所述每一个所述监测位置上的溶解氧浓度作为输入数据，输入到预设的溶解氧浓度预测模型中，输出得到每一个所述监测位置上的风险值；

根据所述每一个所述监测位置上的风险值计算出所述养殖池塘中出现溶解氧缺氧的风险总值，当所述风险总值达到预设风险阈值时，控制所述增氧机启动，以增加所述养殖池塘中的溶解氧浓度；

所述以所述增氧机的位置为原点，在所述区域边缘图像中建立空间直角坐标系，根据所述增氧机的功率参数确定溶解氧的辐射范围，并根据所述辐射范围在所述空间直角坐标系中确定多个监测点的步骤中，具体包括：

以所述增氧机的位置为原点，在所述区域边缘图像中建立空间直角坐标系；同时，根据所述区域边缘图像中标记的边缘特征，在所述空间直角坐标系中确定每一个边缘特征的坐标系数；

根据所述增氧机的功率参数和预设的功率对照规则表，确定溶解氧的辐射半径值；

计算每一个边缘特征的坐标系数与原点之间的直线距离值，分别计算每一个边缘特征对应的直线距离值与所述辐射半径值之间的数值大小；

当所述直线距离值不小于所述辐射半径值时，将对应的所有边缘特征所在的坐标系数分别作为第一类监测位置；

当所述直线距离值小于所述辐射半径值时，将对应的边缘特征中所述直线距离值最大和最小的两个边缘特征所在的坐标系数分别作为第二类监测位置；

将所述第一类监测位置和所述第二类监测位置确定为监测点。

2.如权利要求1所述的养殖池塘溶解氧智能调控方法，其特征在于，所述根据所述PH值、水温、风力数据和空气温湿度数据，确定每一个所述监测位置上的第一影响向量的步骤中，具体包括：

在所述空间直角坐标系中确定目标监测位置与其距离最近的相邻监测位置；

根据所述目标监测位置与所述相邻监测位置上的PH值的差值，确定所述目标监测位置上的PH差值矢量，方向由所述目标监测位置和所述相邻监测位置中PH值小的一方流向大的一方；

根据所述目标监测位置与所述相邻监测位置上的水温的差值，确定所述目标监测位置上的水温差值矢量，方向由所述目标监测位置和所述相邻监测位置中水温小的一方流向大的一方；

根据所述风力数据，确定目标监测位置的风力大小和风向，得到所述目标监测位置上的风力矢量；

根据合力求和算法，计算出所述PH差值矢量、所述水温差值矢量和所述风力矢量之间的初始影响矢量；

根据所述空气温湿度数据，在预设的温湿度对照规则表中确定目标监测位置的影响权重值；

将所述影响权重值和所述初始影响矢量的乘积，作为目标监测位置在所述区域边缘图像上的第一影响向量。

3.如权利要求2所述的养殖池塘溶解氧智能调控方法，其特征在于，所述根据所述太阳光辐射数据和每一个所述监测点的坐标系数，确定每一个所述监测位置上的第二影响向量的步骤中，具体包括：

根据所述太阳光辐射数据，确定目标监测位置的光照强度和光照角度；

根据所述目标监测位置所在监测点的坐标系数，以所述光照角度为方向，以所述光照强度为数值大小，在所述监测点的坐标系数为起点，确定目标监测位置在所述区域边缘图像上的第二影响向量。

4.如权利要求1所述的养殖池塘溶解氧智能调控方法，其特征在于，所述溶解氧浓度预测模型的建立过程，包括：

获取养殖池塘的历史遥感图像，在所述历史遥感图像中建立空间直角坐标系，并在所述历史遥感图像中标记各个历史监测点的坐标位置；

获取拍摄所述历史遥感图像时各个历史监测点的PH值、水温、风力数据和空气温湿度数据，生成历史第一影响向量；

获取拍摄所述历史遥感图像时各个历史监测点的太阳光辐射数据和每一个历史监测点的坐标系数，生成历史第二影响向量；

获取拍摄所述历史遥感图像时各个历史监测点的第一历史溶解氧浓度，同时，获取在拍摄所述历史遥感图像之后的多个预设时间段之后的第二历史溶解氧浓度，并根据所述第二历史溶解氧浓度确定对应的历史风险值；

将所述第一历史溶解氧浓度标记在所述历史遥感图像中作为初始标记，将所述历史风险值二次标记在所述历史遥感图像中，并与所述第一历史溶解氧浓度相关联，得到历史标记图像；

通过神经网络算法建立初始预测模型，将所述历史标记图像作为输入数据，并将所述历史第一影响向量和历史第二影响向量作为影响因子输入到所述初始预测模型中进行训练，当训练次数达到次数阈值，且训练准确度达到准确阈值时，完成模型训练得到溶解氧浓度预测模型。

5.如权利要求1所述的养殖池塘溶解氧智能调控方法，其特征在于，所述根据所述每一个所述监测位置上的风险值计算出所述养殖池塘中出现溶解氧缺氧的风险总值的步骤中，具体包括：

在所述监测位置中选择属于第一类监测位置的所有监测点所对应的风险值，计算得到第一类风险值；

在所述监测位置中选择属于第二类监测位置的所有监测点所对应的风险值，计算得到第二类风险值；

根据所述第一类风险值和所述第二类风险值，计算得到风险总值。

6.一种养殖池塘溶解氧智能调控系统，其特征在于，包括：遥感图像模块、监测确定模块、水质数据模块、气象数据模块、第一影响模块、第二影响模块、模型输入模块和风险计算模块；

所述遥感图像模块，用于获取养殖池塘的遥感图像，对所述遥感图像中的养殖池塘边缘进行特征识别并标记，得到区域边缘图像；同时，在所述区域边缘图像中确定增氧机的位置；

所述监测确定模块，用于以所述增氧机的位置为原点，在所述区域边缘图像中建立空间直角坐标系，根据所述增氧机的功率参数确定溶解氧的辐射范围，并根据所述辐射范围在所述空间直角坐标系中确定多个监测点；

所述水质数据模块，用于根据所述监测点在所述空间直角坐标系中的坐标系数，确定所述监测点对应在所述区域边缘图像中的监测位置，并在每一个所述监测位置上分别设置水质检测传感器，以获取每一个所述监测位置上的水质数据；其中，所述水质数据包括溶解氧浓度、PH值和水温；

所述气象数据模块，用于通过气象监测站实时获取所述养殖池塘的气象数据；其中，所述气象数据包括太阳光辐射数据、风力数据和空气温湿度数据；

所述第一影响模块，用于根据所述PH值、水温、风力数据和空气温湿度数据，确定每一个所述监测位置上的第一影响向量；

所述第二影响模块，用于根据所述太阳光辐射数据和每一个所述监测点的坐标系数，确定每一个所述监测位置上的第二影响向量；

所述模型输入模块，用于将所述第一影响向量和所述第二影响向量作为影响因子，以及将所述每一个所述监测位置上的溶解氧浓度作为输入数据，输入到预设的溶解氧浓度预测模型中，输出得到每一个所述监测位置上的风险值；

所述风险计算模块，用于根据所述每一个所述监测位置上的风险值计算出所述养殖池塘中出现溶解氧缺氧的风险总值，当所述风险总值达到预设风险阈值时，控制所述增氧机启动，以增加所述养殖池塘中的溶解氧浓度；

所述监测确定模块具体用于：以所述增氧机的位置为原点，在所述区域边缘图像中建立空间直角坐标系；同时，根据所述区域边缘图像中标记的边缘特征，在所述空间直角坐标系中确定每一个边缘特征的坐标系数；根据所述增氧机的功率参数和预设的功率对照规则表，确定溶解氧的辐射半径值；计算每一个边缘特征的坐标系数与原点之间的直线距离值，分别计算每一个边缘特征对应的直线距离值与所述辐射半径值之间的数值大小；当所述直线距离值不小于所述辐射半径值时，将对应的所有边缘特征所在的坐标系数分别作为第一类监测位置；当所述直线距离值小于所述辐射半径值时，将对应的边缘特征中所述直线距离值最大和最小的两个边缘特征所在的坐标系数分别作为第二类监测位置；将所述第一类监测位置和所述第二类监测位置确定为监测点。

7.一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包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1-5中任一项所述的养殖池塘溶解氧智能调控方法。

8.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1-5中任一项所述的养殖池塘溶解氧智能调控方法。

Images