CN116192917A - 一种海洋牧场综合观测预报平台 - Google Patents
一种海洋牧场综合观测预报平台 Download PDFInfo
- Publication number
- CN116192917A CN116192917A CN202310201904.XA CN202310201904A CN116192917A CN 116192917 A CN116192917 A CN 116192917A CN 202310201904 A CN202310201904 A CN 202310201904A CN 116192917 A CN116192917 A CN 116192917A
- Authority
- CN
- China
- Prior art keywords
- module
- observation
- data
- pictures
- management
- 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- Withdrawn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
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 230000005540 biological transmission Effects 0.000 claims abstract description 17
- 238000003860 storage Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 230000002068 genetic effect Effects 0.000 claims abstract description 6
- 230000033001 locomotion Effects 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002028 Biomass Substances 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 description 4
- 238000009364 mariculture Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明公开了一种海洋牧场综合观测预报平台，属于海洋技术领域，包括管控平台、供电模块、海底观测模块、监控摄像头、传输优化模块、信息存储模块、级联分析模块、评估优化模块、告警模块、云端数据库以及管理监测模块；本发明通过对观测图片中的海洋生物进行定位以及扩大化剪裁，能够大幅提高对海洋生物监测的准确性，确保跟踪框能够与跟踪目标进行充分的跨相机匹配，避免因匹配机会过少而出现漏匹配，通过使用遗传算法对数据采集路径进行实时更新，能够避免数据传输过程中出现多余的能量损失，同时提高数据数据采集效率，提高工作人员使用体验。
Description
技术领域
本发明涉及海洋技术领域，尤其涉及一种海洋牧场综合观测预报平台。
背景技术
海洋牧场是指在一个特定的海域里，为了有计划地培育和管理渔业资源而设置的人工渔场。首先营造一个适合海洋生物生长与繁殖的生境，并进行水生生物放流，再由所吸引来的生物与人工放养的生物一起形成人工渔场，依靠一整套系统化的渔业设施和管理体制，将各种海洋生物聚集在一起，如赶着成群的牛羊在广阔的草原上放牧那样，建立可以人工控制的海洋牧场，其主要目的是确保作为渔业生产基础的水产资源的稳定和持续增长。随着捕捞强度逐渐增加，海洋污染范围不断扩大，我国海洋渔业资源的衰退现象日益严重，海水养殖业作为对海洋捕捞的补充，近年来得到了快速发展。但海水养殖带来的环境、病害及质量安全问题日益凸显，渔业发展中的资源与环境以及由此带来的一系列问题已成为制约国家海洋水产养殖业乃至海洋渔业可持续发展的瓶颈之一。致力于海洋牧场的研究、开发和应用已成为主要海洋国家的战略选择，也是世界发达国家渔业发展的主攻方向之一。
经检索，中国专利号CN105974863A公开了一种海洋牧场平台基微波观测系统，该发明虽然实现了对生态环境等海洋要素的长期、实时、在线、稳定、自动化监测；实现对海洋牧场生态环境的可视、可测、可控，但是其对海洋生物监测的准确性低，且无法实现跟踪框与跟踪目标跨相机匹配；此外，现有的海洋牧场综合观测预报平台在数据传输过程中会出现多余的能量损失，降低数据传输效率，为此，我们提出一种海洋牧场综合观测预报平台。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种海洋牧场综合观测预报平台。
为了实现上述目的，本发明采用了如下技术方案：
一种海洋牧场综合观测预报平台，包括管控平台、供电模块、海底观测模块、监控摄像头、传输优化模块、信息存储模块、级联分析模块、评估优化模块、告警模块、云端数据库以及管理监测模块；
所述管控平台用于管理人员查看海洋牧场信息以及查看各子模块运行状态；
所述供电模块用于使各子模块能够稳定运行；
所述海底观测模块用于收集海底牧场各项数据；
所述监控摄像头用于对海底牧场各生物影像数据进行采集；
所述传输优化模块用于对海底观测模块以及监控摄像头的采集路径进行优化更新；
所述信息存储模块用于存储采集到的各组信息，并对影像信息进行优化；
所述级联分析模块用于接收各影像数据并进行分析反馈；
所述评估优化模块用于对级联分析模块分析性能进行优化调整；
所述告警模块将异常分析结果反馈给管理人员；
所述云端数据库用于存储各子模块运行信息；
所述管理监测模块用于对管控平台生产的日志数据进行监测分析。
作为本发明的进一步方案，所述传输优化模块采集优化具体步骤如下
步骤Ⅰ：将海底观测模块以及监控摄像头作为通信节点，传输优化模块将完成数据采集的通信节点加入到完成节点队列中，并将未完成采集的通信节点加入待采节点队列，同时规划节点采集路径；
步骤Ⅱ：将所有的采集路径的集合表示为种群，并结合遗传算法生成种群矩阵，再随机从种群中选择两组个体，再分别从两组个体中选取某一段路径，然后进行交换得到新的两组新的个体，再随机选择一组个体，然后随机选择个体中的两段路径进行交换进行路径优化；
步骤Ⅲ：路径优化完成后，从路径终点开始遍历每个节点，若某节点可以与起点无障碍相连，则起点与节点中间的节点就是冗余节点，冗余节点确认完成后，删除这些冗余节点并重新计算路径的适应度函数，并通过不断迭代对路径进行不断优化。
作为本发明的进一步方案，所述信息存储模块影像信息优化具体步骤如下：
步骤一：信息存储模块对接收到的影像信息进行逐帧提取以获取多组观测图片，并依据各组观测图片显示比例对其进行分块处理，同时对分块完成的观测图片通过低通滤波进行模糊处理；
步骤二：将处理后的观测图片通过傅里叶正反变换进行图像空间转换至频率空间的相互变换，并对转换至频率空间的观测图片中的高频成分进行分析提取，并对其进行高斯滤波进行平滑处理，并对处理后的观测图片进行存储。
作为本发明的进一步方案，步骤二所述傅里叶正反变换具体计算公式如下：
其中，u，v均为频率变量，x，y为该观测图片各像素点坐标，公式(1)为傅里叶正变换，公式(2)为傅里叶反变换。
作为本发明的进一步方案，所述级联分析模块分析反馈具体步骤如下：
步骤(1)：级联分析模块收集观测图片以及影像信息，之后对实际视频帧的间隔时间进行计算，记录计算出的实际视频帧的间隔时间，并通过卡尔曼滤波理论建立运动模型，同时构建的运动模型实时获取跟踪目标的运动状态；
步骤(2)：为各跟踪目标分配一个唯一的编号，之后运动模型依据对跟踪目标的线性运动假设，对其在视频帧中的运动状态进行定义，并收集跟踪目标在当前视频帧中的运动状态，并构建预测方程对各跟踪目标在下一视频帧中的运动状态进行估计；
步骤(3)：通过图像金字塔对各观测图片进行尺度归一化处理，并通过骨干卷积神经网络对各组观测图片进行特征提取，再将提取出的特征送入双向特征金字塔进行特征融合，再将融合结果进行分类回归，输出检测框以及类别，对观测图片中生物检测框信息进行收集，并生成对应检测框坐标；
步骤(4)：对相关观测图片进行扩大化剪裁，通过RPN过滤掉各组裁剪图片中属于背景的简单负样本，挑选出可能含有目标的区域进行分类和回归，之后在各裁剪图片中生产相应数量的锚框并对这些锚框进行分类和回归，通过扩大化剪裁对各组图片中的生物位置进行检测；
步骤(5)：依据采集到的生物信息统计该海洋牧场中的生物数量，同时依据估计出的生物运动姿态对相关生物状态进行分析，并将其反馈给工作人员。
作为本发明的进一步方案，所述评估优化模块优化调整具体步骤如下：
步骤①：采集级联分析模块的运行信息，并通过焦点损失函数对其分析损失值进行计算，同时判断计算结果是否满足工作人员预设期望值；
步骤②：若不满足，则从云端数据库提取多组测验数据，并从中选取一组作为验证数据，之后使用剩下的验证数据拟合一个测试模型，再用验证数据来验证测试模型的精度，并通过均方根误差对该测试模型的预测能力进行计算，同时收集生产的精度参数；
步骤③：依据预设的学习率以及步长获取所有可能的数据样本，对于每一组数据，选取任意一组子集作为测试集，其余子集作为训练集，训练模型后对测试集进行预测，统计测试结果的均方根误差；
步骤④：同时将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优参数，并替换原有参数。
作为本发明的进一步方案，所述管理监测模块监测分析具体步骤如下：
第一步：在不同系统的管控平台部署相对应的采集插件以获取各管控平台所生成的日志数据，之后依据预先设定的条件值对获取到的各组日志数据进行筛选；
第二步：将满足要求的日志数据处理为统一格式，再有序地对日志数据执行相关处理操作，之后将日志数据中记录的用户操作行为与攻击者行为特征进行匹配，并将匹配结果进行输出；
第三步：收集输出结果并进行判断，若输出结果满足一个或多个预设告警条件,则进行风险告警，并生成相对应的告警信息，同时对该条告警信息的风险分数进行计算，并将计算结果进行输出。
相比于现有技术，本发明的有益效果在于：
1、本发明相较于以往预报平台，该预报平台通过级联分析模块收集观测图片以及影像信息，之后对实际视频帧的间隔时间进行计算，并通过卡尔曼滤波理论建立运动模型，同时构建的运动模型实时获取跟踪目标的运动状态，之后运动模型依据对跟踪目标的线性运动假设，对其在视频帧中的运动状态进行定义，并收集跟踪目标在当前视频帧中的运动状态，并构建预测方程对各跟踪目标在下一视频帧中的运动状态进行估计，并对各组观测图片进行扩大化剪裁对各组图片中的生物位置进行检测，并统计该海洋牧场中的生物数量，同时依据估计出的生物运动姿态对相关生物状态进行分析，并将其反馈给工作人员，同时评估优化模块实时采集分析信息，并对其进行参数更新，通过对观测图片中的海洋生物进行定位以及扩大化剪裁，能够大幅提高对海洋生物监测的准确性，确保跟踪框能够与跟踪目标进行充分的跨相机匹配，避免因匹配机会过少而出现漏匹配。
2、本发明通过将海底观测模块以及监控摄像头作为通信节点，传输优化模块将完成数据采集的通信节点加入到完成节点队列中，并将未完成采集的通信节点加入待采节点队列，同时规划节点采集路径，将所有的采集路径的集合表示为种群，并结合遗传算法生成种群矩阵，再随机从种群中选择两组个体，再分别从两组个体中选取某一段路径，然后进行交换得到新的两组新的个体，再随机选择一组个体，然后随机选择个体中的两段路径进行交换进行路径优化，路径优化完成后，从路径终点开始遍历每个节点，若某节点可以与起点无障碍相连，则起点与节点中间的节点就是冗余节点，冗余节点确认完成后，删除这些冗余节点并重新计算路径的适应度函数，并通过不断迭代对路径进行不断优化，通过使用遗传算法对数据采集路径进行实时更新，能够避免数据传输过程中出现多余的能量损失，同时提高数据数据采集效率，提高工作人员使用体验。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的一种海洋牧场综合观测预报平台的系统框图。
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。
实施例1
参照图1，一种海洋牧场综合观测预报平台，包括管控平台、供电模块、海底观测模块、监控摄像头、传输优化模块、信息存储模块、级联分析模块、评估优化模块、告警模块、云端数据库以及管理监测模块。
管控平台用于管理人员查看海洋牧场信息以及查看各子模块运行状态；供电模块用于使各子模块能够稳定运行；海底观测模块用于收集海底牧场各项数据；监控摄像头用于对海底牧场各生物影像数据进行采集；传输优化模块用于对海底观测模块以及监控摄像头的采集路径进行优化更新。
具体的，将海底观测模块以及监控摄像头作为通信节点，传输优化模块将完成数据采集的通信节点加入到完成节点队列中，并将未完成采集的通信节点加入待采节点队列，同时规划节点采集路径，将所有的采集路径的集合表示为种群，并结合遗传算法生成种群矩阵，再随机从种群中选择两组个体，再分别从两组个体中选取某一段路径，然后进行交换得到新的两组新的个体，再随机选择一组个体，然后随机选择个体中的两段路径进行交换进行路径优化，路径优化完成后，从路径终点开始遍历每个节点，若某节点可以与起点无障碍相连，则起点与节点中间的节点就是冗余节点，冗余节点确认完成后，删除这些冗余节点并重新计算路径的适应度函数，并通过不断迭代对路径进行不断优化。
信息存储模块用于存储采集到的各组信息，并对影像信息进行优化。
具体的，信息存储模块对接收到的影像信息进行逐帧提取以获取多组观测图片，并依据各组观测图片显示比例对其进行分块处理，同时对分块完成的观测图片通过低通滤波进行模糊处理，之后将处理后的观测图片通过傅里叶正反变换进行图像空间转换至频率空间的相互变换，并对转换至频率空间的观测图片中的高频成分进行分析提取，并对其进行高斯滤波进行平滑处理，并对处理后的观测图片进行存储。
本实施例中，傅里叶正反变换具体计算公式如下：
其中，u，v均为频率变量，x，y为该观测图片各像素点坐标，公式(1)为傅里叶正变换，公式(2)为傅里叶反变换。
级联分析模块用于接收各影像数据并进行分析反馈。
具体的，级联分析模块收集观测图片以及影像信息，之后对实际视频帧的间隔时间进行计算，记录计算出的实际视频帧的间隔时间，并通过卡尔曼滤波理论建立运动模型，同时构建的运动模型实时获取跟踪目标的运动状态，再为各跟踪目标分配一个唯一的编号，之后运动模型依据对跟踪目标的线性运动假设，对其在视频帧中的运动状态进行定义，并收集跟踪目标在当前视频帧中的运动状态，并构建预测方程对各跟踪目标在下一视频帧中的运动状态进行估计，然后通过图像金字塔对各观测图片进行尺度归一化处理，并通过骨干卷积神经网络对各组观测图片进行特征提取，再将提取出的特征送入双向特征金字塔进行特征融合，再将融合结果进行分类回归，输出检测框以及类别，对观测图片中生物检测框信息进行收集，并生成对应检测框坐标，对相关观测图片进行扩大化剪裁，通过RPN过滤掉各组裁剪图片中属于背景的简单负样本，挑选出可能含有目标的区域进行分类和回归，之后在各裁剪图片中生产相应数量的锚框并对这些锚框进行分类和回归，通过扩大化剪裁对各组图片中的生物位置进行检测，依据采集到的生物信息统计该海洋牧场中的生物数量，同时依据估计出的生物运动姿态对相关生物状态进行分析，并将其反馈给工作人员。
实施例2
参照图1，一种海洋牧场综合观测预报平台，包括。
评估优化模块用于对级联分析模块分析性能进行优化调整。
具体的，采集级联分析模块的运行信息，并通过焦点损失函数对其分析损失值进行计算，同时判断计算结果是否满足工作人员预设期望值，若不满足，则从云端数据库提取多组测验数据，并从中选取一组作为验证数据，之后使用剩下的验证数据拟合一个测试模型，再用验证数据来验证测试模型的精度，并通过均方根误差对该测试模型的预测能力进行计算，同时收集生产的精度参数，并依据预设的学习率以及步长获取所有可能的数据样本，对于每一组数据，选取任意一组子集作为测试集，其余子集作为训练集，训练模型后对测试集进行预测，统计测试结果的均方根误差，同时将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优参数，并替换原有参数。
告警模块将异常分析结果反馈给管理人员；云端数据库用于存储各子模块运行信息；管理监测模块用于对管控平台生产的日志数据进行监测分析。
具体的，在不同系统的管控平台部署相对应的采集插件以获取各管控平台所生成的日志数据，之后依据预先设定的条件值对获取到的各组日志数据进行筛选，然后将满足要求的日志数据处理为统一格式，再有序地对日志数据执行相关处理操作，之后将日志数据中记录的用户操作行为与攻击者行为特征进行匹配，并将匹配结果进行输出，同时收集输出结果并进行判断，若输出结果满足一个或多个预设告警条件,则进行风险告警，并生成相对应的告警信息，同时对该条告警信息的风险分数进行计算，并将计算结果进行输出。
Claims (7)
1.一种海洋牧场综合观测预报平台，其特征在于，包括管控平台、供电模块、海底观测模块、监控摄像头、传输优化模块、信息存储模块、级联分析模块、评估优化模块、告警模块、云端数据库以及管理监测模块；
所述管控平台用于管理人员查看海洋牧场信息以及查看各子模块运行状态；
所述供电模块用于使各子模块能够稳定运行；
所述海底观测模块用于收集海底牧场各项数据；
所述监控摄像头用于对海底牧场各生物影像数据进行采集；
所述传输优化模块用于对海底观测模块以及监控摄像头的采集路径进行优化更新；
所述信息存储模块用于存储采集到的各组信息，并对影像信息进行优化；
所述级联分析模块用于接收各影像数据并进行分析反馈；
所述评估优化模块用于对级联分析模块分析性能进行优化调整；
所述告警模块将异常分析结果反馈给管理人员；
所述云端数据库用于存储各子模块运行信息；
所述管理监测模块用于对管控平台生产的日志数据进行监测分析。
2.根据权利要求1所述的一种海洋牧场综合观测预报平台，其特征在于，所述传输优化模块采集优化具体步骤如下
步骤Ⅰ：将海底观测模块以及监控摄像头作为通信节点，传输优化模块将完成数据采集的通信节点加入到完成节点队列中，并将未完成采集的通信节点加入待采节点队列，同时规划节点采集路径；
步骤Ⅱ：将所有的采集路径的集合表示为种群，并结合遗传算法生成种群矩阵，再随机从种群中选择两组个体，再分别从两组个体中选取某一段路径，然后进行交换得到新的两组新的个体，再随机选择一组个体，然后随机选择个体中的两段路径进行交换进行路径优化；
步骤Ⅲ：路径优化完成后，从路径终点开始遍历每个节点，若某节点可以与起点无障碍相连，则起点与节点中间的节点就是冗余节点，冗余节点确认完成后，删除这些冗余节点并重新计算路径的适应度函数，并通过不断迭代对路径进行不断优化。
3.根据权利要求1所述的一种海洋牧场综合观测预报平台，其特征在于，所述信息存储模块影像信息优化具体步骤如下：
步骤一：信息存储模块对接收到的影像信息进行逐帧提取以获取多组观测图片，并依据各组观测图片显示比例对其进行分块处理，同时对分块完成的观测图片通过低通滤波进行模糊处理；
步骤二：将处理后的观测图片通过傅里叶正反变换进行图像空间转换至频率空间的相互变换，并对转换至频率空间的观测图片中的高频成分进行分析提取，并对其进行高斯滤波进行平滑处理，并对处理后的观测图片进行存储。
4.根据权利要求3所述的一种海洋牧场综合观测预报平台，其特征在于，步骤二所述傅里叶正反变换具体计算公式如下：
其中，u，v均为频率变量，x，y为该观测图片各像素点坐标，公式(1)为傅里叶正变换，公式(2)为傅里叶反变换。
5.根据权利要求1所述的一种海洋牧场综合观测预报平台，其特征在于，所述级联分析模块分析反馈具体步骤如下：
步骤(1)：级联分析模块收集观测图片以及影像信息，之后对实际视频帧的间隔时间进行计算，记录计算出的实际视频帧的间隔时间，并通过卡尔曼滤波理论建立运动模型，同时构建的运动模型实时获取跟踪目标的运动状态；
步骤(2)：为各跟踪目标分配一个唯一的编号，之后运动模型依据对跟踪目标的线性运动假设，对其在视频帧中的运动状态进行定义，并收集跟踪目标在当前视频帧中的运动状态，并构建预测方程对各跟踪目标在下一视频帧中的运动状态进行估计；
步骤(3)：通过图像金字塔对各观测图片进行尺度归一化处理，并通过骨干卷积神经网络对各组观测图片进行特征提取，再将提取出的特征送入双向特征金字塔进行特征融合，再将融合结果进行分类回归，输出检测框以及类别，对观测图片中生物检测框信息进行收集，并生成对应检测框坐标；
步骤(4)：对相关观测图片进行扩大化剪裁，通过RPN过滤掉各组裁剪图片中属于背景的简单负样本，挑选出可能含有目标的区域进行分类和回归，之后在各裁剪图片中生产相应数量的锚框并对这些锚框进行分类和回归，通过扩大化剪裁对各组图片中的生物位置进行检测；
步骤(5)：依据采集到的生物信息统计该海洋牧场中的生物数量，同时依据估计出的生物运动姿态对相关生物状态进行分析，并将其反馈给工作人员。
6.根据权利要求5所述的一种海洋牧场综合观测预报平台，其特征在于，所述评估优化模块优化调整具体步骤如下：
步骤①：采集级联分析模块的运行信息，并通过焦点损失函数对其分析损失值进行计算，同时判断计算结果是否满足工作人员预设期望值；
步骤②：若不满足，则从云端数据库提取多组测验数据，并从中选取一组作为验证数据，之后使用剩下的验证数据拟合一个测试模型，再用验证数据来验证测试模型的精度，并通过均方根误差对该测试模型的预测能力进行计算，同时收集生产的精度参数；
步骤③：依据预设的学习率以及步长获取所有可能的数据样本，对于每一组数据，选取任意一组子集作为测试集，其余子集作为训练集，训练模型后对测试集进行预测，统计测试结果的均方根误差；
步骤④：同时将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优参数，并替换原有参数。
7.根据权利要求1所述的一种海洋牧场综合观测预报平台，其特征在于，所述管理监测模块监测分析具体步骤如下：
第一步：在不同系统的管控平台部署相对应的采集插件以获取各管控平台所生成的日志数据，之后依据预先设定的条件值对获取到的各组日志数据进行筛选；
第二步：将满足要求的日志数据处理为统一格式，再有序地对日志数据执行相关处理操作，之后将日志数据中记录的用户操作行为与攻击者行为特征进行匹配，并将匹配结果进行输出；
第三步：收集输出结果并进行判断，若输出结果满足一个或多个预设告警条件,则进行风险告警，并生成相对应的告警信息，同时对该条告警信息的风险分数进行计算，并将计算结果进行输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310201904.XA CN116192917A (zh) | 2023-02-28 | 2023-02-28 | 一种海洋牧场综合观测预报平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310201904.XA CN116192917A (zh) | 2023-02-28 | 2023-02-28 | 一种海洋牧场综合观测预报平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116192917A true CN116192917A (zh) | 2023-05-30 |
Family
ID=86442197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310201904.XA Withdrawn CN116192917A (zh) | 2023-02-28 | 2023-02-28 | 一种海洋牧场综合观测预报平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116192917A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681195A (zh) * | 2023-06-06 | 2023-09-01 | 深圳启示智能科技有限公司 | 一种基于人工智能的机器人寻路装置 |
| CN116881666A (zh) * | 2023-08-08 | 2023-10-13 | 西南交通大学 | 一种运动数据采集处理方法、系统和存储介质 |
| CN118032040A (zh) * | 2023-12-25 | 2024-05-14 | 上海伟轩环保科技有限公司 | 一种基于物联网的环境监测系统 |
-
2023
- 2023-02-28 CN CN202310201904.XA patent/CN116192917A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681195A (zh) * | 2023-06-06 | 2023-09-01 | 深圳启示智能科技有限公司 | 一种基于人工智能的机器人寻路装置 |
| CN116881666A (zh) * | 2023-08-08 | 2023-10-13 | 西南交通大学 | 一种运动数据采集处理方法、系统和存储介质 |
| CN116881666B (zh) * | 2023-08-08 | 2024-02-13 | 西南交通大学 | 一种运动数据采集处理方法、系统和存储介质 |
| CN118032040A (zh) * | 2023-12-25 | 2024-05-14 | 上海伟轩环保科技有限公司 | 一种基于物联网的环境监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116192917A (zh) | 一种海洋牧场综合观测预报平台 | |
| CN107667903B (zh) | 基于物联网的畜牧养殖活体体重监测方法 | |
| CN111460990A (zh) | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 | |
| CN109471847B (zh) | 一种i/o拥塞控制方法及控制系统 | |
| CN110991222B (zh) | 一种物体状态监测、母猪发情监测方法、装置及系统 | |
| CN112906734A (zh) | 牲畜智能选种方法、装置、计算机设备和存储介质 | |
| CN116824626A (zh) | 一种动物异常状态人工智能识别的方法 | |
| CN114581948A (zh) | 一种畜脸识别方法 | |
| CN114493680B (zh) | 一种基于流刺网调查的渔业资源统计方法及系统 | |
| CN114529840A (zh) | 一种基于YOLOv4的羊舍内羊群个体身份识别方法及系统 | |
| CN113435825B (zh) | 一种基于土传病害防治的智能管理方法、系统及存储介质 | |
| CN116796894A (zh) | 一种高效深度学习气象预测模型的构建方法 | |
| CN116307879A (zh) | 一种斑节对虾虾苗高效培育方法、系统及介质 | |
| La Madrid et al. | Real-Time Water Quality Monitoring System with Predictor for Tilapia Pond | |
| CN116363344A (zh) | 基于改进YOLOv5s的小麦小穗计数方法和系统 | |
| CN114022831A (zh) | 一种基于双目视觉的牲畜体况监测方法及系统 | |
| CN117315552B (zh) | 一种大规模农作物巡检方法、装置及存储介质 | |
| Qiu et al. | 3D Branch Point Cloud Completion for Robotic Pruning in Apple Orchards | |
| CN112308405B (zh) | 一种海洋牧场资源养护效果评估方法 | |
| CN116596167B (zh) | 一种基于数据深度融合处理的牲畜养殖方案优化方法 | |
| CN118235723B (zh) | 一种基于智慧牧场的母牛智能监测平台及装置 | |
| Kim et al. | Probabilistic Modeling of Fish Growth in Smart Aquaculture Systems | |
| CN115861821A (zh) | 一种基于多目标优化的生态环境监测保护方法 | |
| CN116311530A (zh) | 基于Kinect相机的仔猪异常行为识别方法及系统 | |
| CN117292305B (zh) | 鱼类受精卵胎动次数确定方法、系统、电子设备及介质 |
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 |
Application publication date: 20230530 |
|
| WW01 | Invention patent application withdrawn after publication |