CN116343018A - 一种基于图像处理的渔业捕捞智能识别方法、系统及介质 - Google Patents
一种基于图像处理的渔业捕捞智能识别方法、系统及介质 Download PDFInfo
- Publication number
- CN116343018A CN116343018A CN202310444658.0A CN202310444658A CN116343018A CN 116343018 A CN116343018 A CN 116343018A CN 202310444658 A CN202310444658 A CN 202310444658A CN 116343018 A CN116343018 A CN 116343018A
- Authority
- CN
- China
- Prior art keywords
- fishing
- fishery
- data information
- behavior
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 title claims abstract description 38
- 230000006399 behavior Effects 0.000 claims abstract description 154
- 241000251468 Actinopterygii Species 0.000 claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 230000010365 information processing Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 18
- 241000894007 species Species 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000003706 image smoothing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241000143060 Americamysis bahia Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于图像处理的渔业捕捞智能识别方法、系统及介质，属于渔业资源识别技术领域，本发明通过设定相关的阈值信息，并通过对所述渔业捕捞行为相关的渔获物数据信息进行行为判断，获取渔业捕捞行为判断结果。根据所述相关的阈值信息以及渔业捕捞行为判断结果生成捕捞统计报告，并基于所述捕捞统计报告生成相关的预警信息。通过本方法能够可以识别出不同种类的渔获物，并判断其被捕捞的方式，结合图像采集设备和边缘计算技术，系统能实时分析渔获物图像，为渔业监管部门提供及时、准确的信息，通过实时监控和分析渔获物捕捞方式，有助于及时发现和制止非法捕捞行为，为保护海洋生态环境和渔业资源作出贡献。
Description
技术领域
本发明涉及渔业资源识别领域，尤其涉及一种基于图像处理的渔业捕捞智能识别方法、系统及介质。
背景技术
随着渔业的快速发展，钓具和捕捞方法的多样化使得对渔获物的来源和捕捞方式的鉴别变得越来越复杂，为确保渔业的可持续发展和保护海洋生态环境，有必要对渔获物进行准确、高效的识别和来源判断。
发明内容
本发明克服了现有技术的不足，提供了一种基于图像处理的渔业捕捞智能识别方法、系统及介质。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种基于图像处理的渔业捕捞智能识别方法，包括以下步骤：
获取目标区域中渔业捕捞行为的影像数据信息，并通过对所述渔业捕捞行为的影像数据信息进行预处理，获取影像数据信息处理结果；
通过对所述影像数据信息处理结果进行识别，获取渔业捕捞行为相关的渔获物数据信息；
设定相关的阈值信息，并通过对所述渔业捕捞行为相关的渔获物数据信息进行行为判断，获取渔业捕捞行为判断结果；
根据所述相关的阈值信息以及渔业捕捞行为判断结果生成捕捞统计报告，并基于所述捕捞统计报告生成相关的预警信息。
进一步地，本发明的一个较佳实施例中，所述通过对所述渔业捕捞行为的影像数据信息进行预处理，获取影像数据信息处理结果，具体为：
通过对所述渔业捕捞行为的影像数据信息对非目标区域进行裁剪，获取所述渔业捕捞行为的影像数据信息的感兴趣区域；
通过均值滤波法对所述渔业捕捞行为的影像数据信息的感兴趣区域进行平滑处理，获取图像平滑处理结果；
通过canny算子对图像平滑处理结果进行相关感兴趣区域进行特征提取，获取影像数据信息处理结果。
进一步地，本发明的一个较佳实施例中，所述通过对所述影像数据信息处理结果进行识别，获取渔业捕捞行为相关的渔获物数据信息，具体包括：
通过大数据获取大量的渔业资源种类以及渔业工具种类图像数据信息，并将所述大量的渔业资源种类以及渔业工具种类图像数据信息分为训练集以及测试集；
基于卷积神经网络构建渔获物识别模型，并将所述训练集输入到所述渔获物识别模型中进行训练，直至相关的损失函数收敛平稳，保存所述渔获物识别模型的模型参数；
通过所述测试集对所述渔获物识别模型进行测试，直至所述渔获物识别模型的模型参数符合预设要求，并将所述渔获物识别模型输出；
将所述影像数据信息处理结果输入到所述渔获物识别模型中进行识别，获取相关的渔业资源种类以及渔业工具种类，并根据所述相关的渔业资源种类以及渔业工具种类生成渔业捕捞行为相关的渔获物数据信息。
进一步地，本发明的一个较佳实施例中，所述通过对所述渔业捕捞行为相关的渔获物数据信息进行行为判断，获取渔业捕捞行为判断结果，具体包括以下步骤：
通过大数据获取相关的禁止捕捞渔业资源种类数据以及相关的违规捕捞行为数据，构建数据库，将所述相关的禁止捕捞渔业资源种类数据以及相关的违规捕捞行为数据存储于所述数据库，并对所述数据库进行定期更新；
根据所述渔业捕捞行为相关的渔获物数据信息生成检索标签，将所述检索标签输入到所述相关的禁止捕捞渔业资源种类数据中进行数据匹配，获取相关的匹配度；
判断是否存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，若存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，则生成违规渔业捕捞行为判断结果；
若不存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，则生成候选违规渔业捕捞行为判断结果。
进一步地，本发明的一个较佳实施例中，所述根据所述相关的阈值信息以及渔业捕捞行为判断结果生成捕捞统计报告，具体包括以下步骤：
若所述渔业捕捞行为判断结果为候选违规渔业捕捞行为判断结果，则通过对所述候选违规渔业捕捞行为判断结果与所述相关的阈值信息进行对比，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值，若所述偏差率大于预设偏差率阈值，则将所述候选违规渔业捕捞行为判断结果作为违规渔业捕捞行为判断结果；
通过大数据获取相关的捕捞评价指标数据信息，并根据所述相关的捕捞评价指标数据信息对所述违规渔业捕捞行为判断结果进行比对，生成违规的项目数据；
构建违规项目信息排序表，并将所述违规的项目数据输入到所述违规项目信息排序表中进行排序，根据所述违规项目信息排序表生成捕捞统计报告，并按照预设方式进行可视化显示。
进一步地，本发明的一个较佳实施例中，所述基于所述捕捞统计报告生成相关的预警信息，具体包括以下步骤：
获取相关渔船的捕获人员的基本数据信息以及渔船的基本数据信息，并将所述相关渔船的捕获人员的基本数据信息以及渔船的基本数据信息存储于数据库中；
通过遥感技术获取相关违规行为作业的渔船基本数据信息，并根据所述相关违规行为作业的渔船基本数据信息输入到所述数据库中进行数据匹配，获取渔船基本数据信息匹配度；
当所述渔船基本数据信息匹配度不为预设渔船信息匹配度时，则时刻获取相关违规行为作业的地理位置信息，并根据所述相关违规行为作业的地理位置信息生成预警信息，传输至相关监控终端；
当所述渔船基本数据信息匹配度为预设匹配度时，则获取所述相关渔船的捕获人员的基本数据信息，并根据所述捕捞统计报告生成预警信息，将所述预警信息按照预设方式传输至相关渔船的捕获人员。
本发明第二方面提供了一种基于图像处理的渔业捕捞智能识别系统，所述系统包括存储器以及处理器，所述存储器中包括基于图像处理的渔业捕捞智能识别方法程序，所述基于图像处理的渔业捕捞智能识别方法程序被处理器执行时，实现如下步骤：
获取目标区域中渔业捕捞行为的影像数据信息，并通过对所述渔业捕捞行为的影像数据信息进行预处理，获取影像数据信息处理结果；
通过对所述影像数据信息处理结果进行识别，获取渔业捕捞行为相关的渔获物数据信息；
设定相关的阈值信息，并通过对所述渔业捕捞行为相关的渔获物数据信息进行行为判断，获取渔业捕捞行为判断结果；
根据所述相关的阈值信息以及渔业捕捞行为判断结果生成捕捞统计报告，并基于所述捕捞统计报告生成相关的预警信息。
根据本实施例中，所述通过对所述影像数据信息处理结果进行识别，获取渔业捕捞行为相关的渔获物数据信息，具体包括：
通过大数据获取大量的渔业资源种类以及渔业工具种类图像数据信息，并将所述大量的渔业资源种类以及渔业工具种类图像数据信息分为训练集以及测试集；
基于卷积神经网络构建渔获物识别模型，并将所述训练集输入到所述渔获物识别模型中进行训练，直至相关的损失函数收敛平稳，保存所述渔获物识别模型的模型参数；
通过所述测试集对所述渔获物识别模型进行测试，直至所述渔获物识别模型的模型参数符合预设要求，并将所述渔获物识别模型输出；
将所述影像数据信息处理结果输入到所述渔获物识别模型中进行识别，获取相关的渔业资源种类以及渔业工具种类，并根据所述相关的渔业资源种类以及渔业工具种类生成渔业捕捞行为相关的渔获物数据信息。
根据本实施例中，所述通过对所述渔业捕捞行为相关的渔获物数据信息进行行为判断，获取渔业捕捞行为判断结果，具体包括以下步骤：
通过大数据获取相关的禁止捕捞渔业资源种类数据以及相关的违规捕捞行为数据，构建数据库，将所述相关的禁止捕捞渔业资源种类数据以及相关的违规捕捞行为数据存储于所述数据库，并对所述数据库进行定期更新；
根据所述渔业捕捞行为相关的渔获物数据信息生成检索标签，将所述检索标签输入到所述相关的禁止捕捞渔业资源种类数据中进行数据匹配，获取相关的匹配度；
判断是否存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，若存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，则生成违规渔业捕捞行为判断结果；
若不存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，则生成候选违规渔业捕捞行为判断结果。
本发明第三方面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基于图像处理的渔业捕捞智能识别方法程序，所述基于图像处理的渔业捕捞智能识别方法程序被处理器执行时，实现任一项所述的基于图像处理的渔业捕捞智能识别方法的步骤。
本发明解决了背景技术中存在的缺陷，具备以下有益效果：
本发明通过获取目标区域中渔业捕捞行为的影像数据信息，并通过对所述渔业捕捞行为的影像数据信息进行预处理，获取影像数据信息处理结果，通过对所述影像数据信息处理结果进行识别，获取渔业捕捞行为相关的渔获物数据信息，设定相关的阈值信息，并通过对所述渔业捕捞行为相关的渔获物数据信息进行行为判断，获取渔业捕捞行为判断结果。根据所述相关的阈值信息以及渔业捕捞行为判断结果生成捕捞统计报告，并基于所述捕捞统计报告生成相关的预警信息。通过本方法能够可以识别出不同种类的渔获物，并判断其被捕捞的方式，结合图像采集设备和边缘计算技术，系统能实时分析渔获物图像，为渔业监管部门提供及时、准确的信息，通过实时监控和分析渔获物捕捞方式，有助于及时发现和制止非法捕捞行为，为保护海洋生态环境和渔业资源作出贡献。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
图1示出了一种基于图像处理的渔业捕捞智能识别方法的整体方法流程图；
图2示出了一种基于图像处理的渔业捕捞智能识别方法的第一方法流程图；
图3示出了一种基于图像处理的渔业捕捞智能识别方法的第二方法流程图；
图4示出了一种基于图像处理的渔业捕捞智能识别系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明第一方面提供了一种基于图像处理的渔业捕捞智能识别方法，包括以下步骤：
S102:获取目标区域中渔业捕捞行为的影像数据信息，并通过对所述渔业捕捞行为的影像数据信息进行预处理，获取影像数据信息处理结果；
S104:通过对所述影像数据信息处理结果进行识别，获取渔业捕捞行为相关的渔获物数据信息；
S106:设定相关的阈值信息，并通过对所述渔业捕捞行为相关的渔获物数据信息进行行为判断，获取渔业捕捞行为判断结果；
S108:根据所述相关的阈值信息以及渔业捕捞行为判断结果生成捕捞统计报告，并基于所述捕捞统计报告生成相关的预警信息。
需要说明的是，通过本方法能够可以识别出不同种类的渔获物，并判断其被捕捞的方式，结合图像采集设备和边缘计算技术，系统能实时分析渔获物图像，为渔业监管部门提供及时、准确的信息，通过实时监控和分析渔获物捕捞方式，有助于及时发现和制止非法捕捞行为，为保护海洋生态环境和渔业资源作出贡献。
示例性的，海洋航拍无人机、船载摄像头、声呐等设备获取目标区域中渔业捕捞行为的影像数据信息。
进一步地，本发明的一个较佳实施例中，所述通过对所述渔业捕捞行为的影像数据信息进行预处理，获取影像数据信息处理结果，具体为：
通过对所述渔业捕捞行为的影像数据信息对非目标区域进行裁剪，获取所述渔业捕捞行为的影像数据信息的感兴趣区域；
通过均值滤波法对所述渔业捕捞行为的影像数据信息的感兴趣区域进行平滑处理，获取图像平滑处理结果；
通过canny算子对图像平滑处理结果进行相关感兴趣区域进行特征提取，获取影像数据信息处理结果。
如图2所示，进一步地，本发明的一个较佳实施例中，所述通过对所述影像数据信息处理结果进行识别，获取渔业捕捞行为相关的渔获物数据信息，具体包括：
S202:通过大数据获取大量的渔业资源种类以及渔业工具种类图像数据信息，并将所述大量的渔业资源种类以及渔业工具种类图像数据信息分为训练集以及测试集；
S204:基于卷积神经网络构建渔获物识别模型，并将所述训练集输入到所述渔获物识别模型中进行训练，直至相关的损失函数收敛平稳，保存所述渔获物识别模型的模型参数；
S206:通过所述测试集对所述渔获物识别模型进行测试，直至所述渔获物识别模型的模型参数符合预设要求，并将所述渔获物识别模型输出；
S208:将所述影像数据信息处理结果输入到所述渔获物识别模型中进行识别，获取相关的渔业资源种类以及渔业工具种类，并根据所述相关的渔业资源种类以及渔业工具种类生成渔业捕捞行为相关的渔获物数据信息。
需要说明的是，渔业资源种类可以包括虾类、鱼类、贝类等海洋生物，渔业工具种类图像数据信息包括网具、钓具、电捕等，通过神经网络对检索模型不断训练的过程中，网络模型训练过程中参数和数据分布会不断地更新，例如第二层的输入，是由输入数据和第一层参数得到的，而第一层的参数随着训练一直变化，这样一定会引起第二层输入数据的改变，为了使得损失函数平稳，此时需要通过将每一层的数据调整到一个合理的分布范围之内（直至所述渔获物识别模型的模型参数符合预设要求），使得数据能够逼近一个恒等函数或者残差函数。
进一步地，本发明的一个较佳实施例中，所述通过对所述渔业捕捞行为相关的渔获物数据信息进行行为判断，获取渔业捕捞行为判断结果，具体包括以下步骤：
通过大数据获取相关的禁止捕捞渔业资源种类数据以及相关的违规捕捞行为数据，构建数据库，将所述相关的禁止捕捞渔业资源种类数据以及相关的违规捕捞行为数据存储于所述数据库，并对所述数据库进行定期更新；
根据所述渔业捕捞行为相关的渔获物数据信息生成检索标签，将所述检索标签输入到所述相关的禁止捕捞渔业资源种类数据中进行数据匹配，获取相关的匹配度；
判断是否存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，若存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，则生成违规渔业捕捞行为判断结果；
若不存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，则生成候选违规渔业捕捞行为判断结果。
示例性的，相关的违规捕捞行为数据为非法的捕捞行为，如电捕捞以及过渡捕捞行为。通过本方法能够首先筛选出非法的捕捞行为，提高渔业监管部门的监管合理性。而对所述数据库进行定期更新，如某一个时间段之内又增加了一种鱼类为保护动物，这样就能够及时落实监管，提高监管的合理性。
进一步地，本发明的一个较佳实施例中，所述根据所述相关的阈值信息以及渔业捕捞行为判断结果生成捕捞统计报告，具体包括以下步骤：
若所述渔业捕捞行为判断结果为候选违规渔业捕捞行为判断结果，则通过对所述候选违规渔业捕捞行为判断结果与所述相关的阈值信息进行对比，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值，若所述偏差率大于预设偏差率阈值，则将所述候选违规渔业捕捞行为判断结果作为违规渔业捕捞行为判断结果；
通过大数据获取相关的捕捞评价指标数据信息，并根据所述相关的捕捞评价指标数据信息对所述违规渔业捕捞行为判断结果进行比对，生成违规的项目数据；
构建违规项目信息排序表，并将所述违规的项目数据输入到所述违规项目信息排序表中进行排序，根据所述违规项目信息排序表生成捕捞统计报告，并按照预设方式进行可视化显示。
需要说明的是，相关的阈值信息为捕捞设置的阈值信息，一般表示设定的捕捞数量，而候选违规渔业捕捞行为判断结果中存在相关的捕捞数量信息，当捕捞数量大于预设数量时，表明存在过渡捕捞行为，通过本方法能够有效地筛选出过渡捕捞行为。
如图3所示，进一步地，本发明的一个较佳实施例中，所述基于所述捕捞统计报告生成相关的预警信息，具体包括以下步骤：
S302:获取相关渔船的捕获人员的基本数据信息以及渔船的基本数据信息，并将所述相关渔船的捕获人员的基本数据信息以及渔船的基本数据信息存储于数据库中；
S304:通过遥感技术获取相关违规行为作业的渔船基本数据信息，并根据所述相关违规行为作业的渔船基本数据信息输入到所述数据库中进行数据匹配，获取渔船基本数据信息匹配度；
S306:当所述渔船基本数据信息匹配度不为预设渔船信息匹配度时，则时刻获取相关违规行为作业的地理位置信息，并根据所述相关违规行为作业的地理位置信息生成预警信息，传输至相关监控终端；
S308:当所述渔船基本数据信息匹配度为预设匹配度时，则获取所述相关渔船的捕获人员的基本数据信息，并根据所述捕捞统计报告生成预警信息，将所述预警信息按照预设方式传输至相关渔船的捕获人员。
需要说明的是，渔船基本数据信息包括渔船的类型、渔船的捕捞许可证等数据，相关渔船的捕获人员的基本数据信息包括用户的姓名、性别、身份证号、联系方式等数据。当所述渔船基本数据信息匹配度不为预设渔船信息匹配度时，说明渔船为非法捕捞的渔船，如无捕捞许可证的渔船，从而时刻监控其违规行为作业，有利于监管部门的合理化监控。当所述渔船基本数据信息匹配度为预设匹配度时，存在违规的捕捞行为的，及时预警信息及时按照预设方式传输至相关渔船的捕获人员，提高监控的合理性。
此外，本方法还可以包括以下步骤：
通过大数据获取相关违规捕捞鱼类的生活习性数据信息以及当前相关渔船作业区域的环境数据信息；
通过灰色关联分析法计算相关违规捕捞鱼类的生活习性数据信息与当前相关渔船作业区域的环境数据信息之间的关联程度信息；
若关联程度信息大于预设关联程度信息，则获取关联程度信息大于预设关联程度信息所在的渔船作业区域；
将所述关联程度信息大于预设关联程度信息所在的渔船作业区域作为重点监测区域，并实时获取渔船的位置信息，根据所述渔船的位置信息时刻更新重点监测区域。
需要说明的是，当关联程度信息大于预设关联程度信息时，说明当前相关渔船作业区域的环境数据信息是符合关违规捕捞鱼类的生活环境的，通过本方法能够选择出重点监测区域，使得对于违规捕捞鱼类的监测更加合理。
如图4所示，本发明第二方面提供了一种基于图像处理的渔业捕捞智能识别系统4，所述系统包括存储器41以及处理器62，所述存储器41中包括基于图像处理的渔业捕捞智能识别方法程序，所述基于图像处理的渔业捕捞智能识别方法程序被处理器62执行时，实现如下步骤：
获取目标区域中渔业捕捞行为的影像数据信息，并通过对所述渔业捕捞行为的影像数据信息进行预处理，获取影像数据信息处理结果；
通过对所述影像数据信息处理结果进行识别，获取渔业捕捞行为相关的渔获物数据信息；
设定相关的阈值信息，并通过对所述渔业捕捞行为相关的渔获物数据信息进行行为判断，获取渔业捕捞行为判断结果；
根据所述相关的阈值信息以及渔业捕捞行为判断结果生成捕捞统计报告，并基于所述捕捞统计报告生成相关的预警信息。
根据本实施例中，所述通过对所述影像数据信息处理结果进行识别，获取渔业捕捞行为相关的渔获物数据信息，具体包括：
通过大数据获取大量的渔业资源种类以及渔业工具种类图像数据信息，并将所述大量的渔业资源种类以及渔业工具种类图像数据信息分为训练集以及测试集；
基于卷积神经网络构建渔获物识别模型，并将所述训练集输入到所述渔获物识别模型中进行训练，直至相关的损失函数收敛平稳，保存所述渔获物识别模型的模型参数；
通过所述测试集对所述渔获物识别模型进行测试，直至所述渔获物识别模型的模型参数符合预设要求，并将所述渔获物识别模型输出；
将所述影像数据信息处理结果输入到所述渔获物识别模型中进行识别，获取相关的渔业资源种类以及渔业工具种类，并根据所述相关的渔业资源种类以及渔业工具种类生成渔业捕捞行为相关的渔获物数据信息。
根据本实施例中，所述通过对所述渔业捕捞行为相关的渔获物数据信息进行行为判断，获取渔业捕捞行为判断结果，具体包括以下步骤：
通过大数据获取相关的禁止捕捞渔业资源种类数据以及相关的违规捕捞行为数据，构建数据库，将所述相关的禁止捕捞渔业资源种类数据以及相关的违规捕捞行为数据存储于所述数据库，并对所述数据库进行定期更新；
根据所述渔业捕捞行为相关的渔获物数据信息生成检索标签，将所述检索标签输入到所述相关的禁止捕捞渔业资源种类数据中进行数据匹配，获取相关的匹配度；
判断是否存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，若存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，则生成违规渔业捕捞行为判断结果；
若不存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，则生成候选违规渔业捕捞行为判断结果。
本发明第三方面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基于图像处理的渔业捕捞智能识别方法程序，所述基于图像处理的渔业捕捞智能识别方法程序被处理器执行时，实现任一项所述的基于图像处理的渔业捕捞智能识别方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明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揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于图像处理的渔业捕捞智能识别方法，其特征在于，包括以下步骤：
获取目标区域中渔业捕捞行为的影像数据信息，并通过对所述渔业捕捞行为的影像数据信息进行预处理，获取影像数据信息处理结果；
通过对所述影像数据信息处理结果进行识别，获取渔业捕捞行为相关的渔获物数据信息；
设定相关的阈值信息，并通过对所述渔业捕捞行为相关的渔获物数据信息进行行为判断，获取渔业捕捞行为判断结果；
根据所述相关的阈值信息以及渔业捕捞行为判断结果生成捕捞统计报告，并基于所述捕捞统计报告生成相关的预警信息。
2.根据权利要求1所述的一种基于图像处理的渔业捕捞智能识别方法，其特征在于，所述通过对所述渔业捕捞行为的影像数据信息进行预处理，获取影像数据信息处理结果，具体为：
通过对所述渔业捕捞行为的影像数据信息对非目标区域进行裁剪，获取所述渔业捕捞行为的影像数据信息的感兴趣区域；
通过均值滤波法对所述渔业捕捞行为的影像数据信息的感兴趣区域进行平滑处理，获取图像平滑处理结果；
通过canny算子对图像平滑处理结果进行相关感兴趣区域进行特征提取，获取影像数据信息处理结果。
3.根据权利要求1所述的一种基于图像处理的渔业捕捞智能识别方法，其特征在于，所述通过对所述影像数据信息处理结果进行识别，获取渔业捕捞行为相关的渔获物数据信息，具体包括：
通过大数据获取大量的渔业资源种类以及渔业工具种类图像数据信息，并将所述大量的渔业资源种类以及渔业工具种类图像数据信息分为训练集以及测试集；
基于卷积神经网络构建渔获物识别模型，并将所述训练集输入到所述渔获物识别模型中进行训练，直至相关的损失函数收敛平稳，保存所述渔获物识别模型的模型参数；
通过所述测试集对所述渔获物识别模型进行测试，直至所述渔获物识别模型的模型参数符合预设要求，并将所述渔获物识别模型输出；
将所述影像数据信息处理结果输入到所述渔获物识别模型中进行识别，获取相关的渔业资源种类以及渔业工具种类，并根据所述相关的渔业资源种类以及渔业工具种类生成渔业捕捞行为相关的渔获物数据信息。
4.根据权利要求1所述的一种基于图像处理的渔业捕捞智能识别方法，其特征在于，所述通过对所述渔业捕捞行为相关的渔获物数据信息进行行为判断，获取渔业捕捞行为判断结果，具体包括以下步骤：
通过大数据获取相关的禁止捕捞渔业资源种类数据以及相关的违规捕捞行为数据，构建数据库，将所述相关的禁止捕捞渔业资源种类数据以及相关的违规捕捞行为数据存储于所述数据库，并对所述数据库进行定期更新；
根据所述渔业捕捞行为相关的渔获物数据信息生成检索标签，将所述检索标签输入到所述相关的禁止捕捞渔业资源种类数据中进行数据匹配，获取相关的匹配度；
判断是否存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，若存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，则生成违规渔业捕捞行为判断结果；
若不存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，则生成候选违规渔业捕捞行为判断结果。
5.根据权利要求1所述的一种基于图像处理的渔业捕捞智能识别方法，其特征在于，所述根据所述相关的阈值信息以及渔业捕捞行为判断结果生成捕捞统计报告，具体包括以下步骤：
若所述渔业捕捞行为判断结果为候选违规渔业捕捞行为判断结果，则通过对所述候选违规渔业捕捞行为判断结果与所述相关的阈值信息进行对比，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值，若所述偏差率大于预设偏差率阈值，则将所述候选违规渔业捕捞行为判断结果作为违规渔业捕捞行为判断结果；
通过大数据获取相关的捕捞评价指标数据信息，并根据所述相关的捕捞评价指标数据信息对所述违规渔业捕捞行为判断结果进行比对，生成违规的项目数据；
构建违规项目信息排序表，并将所述违规的项目数据输入到所述违规项目信息排序表中进行排序，根据所述违规项目信息排序表生成捕捞统计报告，并按照预设方式进行可视化显示。
6.根据权利要求1所述的一种基于图像处理的渔业捕捞智能识别方法，其特征在于，所述基于所述捕捞统计报告生成相关的预警信息，具体包括以下步骤：
获取相关渔船的捕获人员的基本数据信息以及渔船的基本数据信息，并将所述相关渔船的捕获人员的基本数据信息以及渔船的基本数据信息存储于数据库中；
通过遥感技术获取相关违规行为作业的渔船基本数据信息，并根据所述相关违规行为作业的渔船基本数据信息输入到所述数据库中进行数据匹配，获取渔船基本数据信息匹配度；
当所述渔船基本数据信息匹配度不为预设渔船信息匹配度时，则时刻获取相关违规行为作业的地理位置信息，并根据所述相关违规行为作业的地理位置信息生成预警信息，传输至相关监控终端；
当所述渔船基本数据信息匹配度为预设匹配度时，则获取所述相关渔船的捕获人员的基本数据信息，并根据所述捕捞统计报告生成预警信息，将所述预警信息按照预设方式传输至相关渔船的捕获人员。
7.一种基于图像处理的渔业捕捞智能识别系统，其特征在于，所述系统包括存储器以及处理器，所述存储器中包括基于图像处理的渔业捕捞智能识别方法程序，所述基于图像处理的渔业捕捞智能识别方法程序被处理器执行时，实现如下步骤：
获取目标区域中渔业捕捞行为的影像数据信息，并通过对所述渔业捕捞行为的影像数据信息进行预处理，获取影像数据信息处理结果；
通过对所述影像数据信息处理结果进行识别，获取渔业捕捞行为相关的渔获物数据信息；
设定相关的阈值信息，并通过对所述渔业捕捞行为相关的渔获物数据信息进行行为判断，获取渔业捕捞行为判断结果；
根据所述相关的阈值信息以及渔业捕捞行为判断结果生成捕捞统计报告，并基于所述捕捞统计报告生成相关的预警信息。
8.根据权利要求7所述的一种基于图像处理的渔业捕捞智能识别系统，其特征在于，所述通过对所述影像数据信息处理结果进行识别，获取渔业捕捞行为相关的渔获物数据信息，具体包括：
通过大数据获取大量的渔业资源种类以及渔业工具种类图像数据信息，并将所述大量的渔业资源种类以及渔业工具种类图像数据信息分为训练集以及测试集；
基于卷积神经网络构建渔获物识别模型，并将所述训练集输入到所述渔获物识别模型中进行训练，直至相关的损失函数收敛平稳，保存所述渔获物识别模型的模型参数；
通过所述测试集对所述渔获物识别模型进行测试，直至所述渔获物识别模型的模型参数符合预设要求，并将所述渔获物识别模型输出；
将所述影像数据信息处理结果输入到所述渔获物识别模型中进行识别，获取相关的渔业资源种类以及渔业工具种类，并根据所述相关的渔业资源种类以及渔业工具种类生成渔业捕捞行为相关的渔获物数据信息。
9.根据权利要求7所述的一种基于图像处理的渔业捕捞智能识别系统，其特征在于，所述通过对所述渔业捕捞行为相关的渔获物数据信息进行行为判断，获取渔业捕捞行为判断结果，具体包括以下步骤：
通过大数据获取相关的禁止捕捞渔业资源种类数据以及相关的违规捕捞行为数据，构建数据库，将所述相关的禁止捕捞渔业资源种类数据以及相关的违规捕捞行为数据存储于所述数据库，并对所述数据库进行定期更新；
根据所述渔业捕捞行为相关的渔获物数据信息生成检索标签，将所述检索标签输入到所述相关的禁止捕捞渔业资源种类数据中进行数据匹配，获取相关的匹配度；
判断是否存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，若存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，则生成违规渔业捕捞行为判断结果；
若不存在匹配度大于预设匹配度的相关的禁止捕捞渔业资源种类项目，则生成候选违规渔业捕捞行为判断结果。
10.一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基于图像处理的渔业捕捞智能识别方法程序，所述基于图像处理的渔业捕捞智能识别方法程序被处理器执行时，实现如权利要求1-6任一项所述的基于图像处理的渔业捕捞智能识别方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310444658.0A CN116343018A (zh) | 2023-04-24 | 2023-04-24 | 一种基于图像处理的渔业捕捞智能识别方法、系统及介质 |
| NL2037440A NL2037440A (en) | 2023-04-24 | 2024-04-11 | A method, system, and medium for intelligent recognition of fishing activities based on image processing |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310444658.0A CN116343018A (zh) | 2023-04-24 | 2023-04-24 | 一种基于图像处理的渔业捕捞智能识别方法、系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116343018A true CN116343018A (zh) | 2023-06-27 |
Family
ID=86893102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310444658.0A Pending CN116343018A (zh) | 2023-04-24 | 2023-04-24 | 一种基于图像处理的渔业捕捞智能识别方法、系统及介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116343018A (zh) |
| NL (1) | NL2037440A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821807A (zh) * | 2023-08-30 | 2023-09-29 | 中国水产科学研究院南海水产研究所 | 一种基于机器视觉的渔获物识别与自动录取方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418028A (zh) * | 2020-11-11 | 2021-02-26 | 上海交通大学 | 一种基于深度学习的卫星图像中船舶识别与分割方法 |
| CN114373165A (zh) * | 2022-03-22 | 2022-04-19 | 江西省天轴通讯有限公司 | 基于图像识别的执法分析方法、装置、存储介质及设备 |
| CN115423225A (zh) * | 2022-11-07 | 2022-12-02 | 中国水产科学研究院南海水产研究所 | 一种基于大数据的渔港作业管理方法及系统 |
| CN115953632A (zh) * | 2023-01-16 | 2023-04-11 | 中国水产科学研究院渔业机械仪器研究所 | 一种渔获物识别与录入装置 |
-
2023
- 2023-04-24 CN CN202310444658.0A patent/CN116343018A/zh active Pending
-
2024
- 2024-04-11 NL NL2037440A patent/NL2037440A/en unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418028A (zh) * | 2020-11-11 | 2021-02-26 | 上海交通大学 | 一种基于深度学习的卫星图像中船舶识别与分割方法 |
| CN114373165A (zh) * | 2022-03-22 | 2022-04-19 | 江西省天轴通讯有限公司 | 基于图像识别的执法分析方法、装置、存储介质及设备 |
| CN115423225A (zh) * | 2022-11-07 | 2022-12-02 | 中国水产科学研究院南海水产研究所 | 一种基于大数据的渔港作业管理方法及系统 |
| CN115953632A (zh) * | 2023-01-16 | 2023-04-11 | 中国水产科学研究院渔业机械仪器研究所 | 一种渔获物识别与录入装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821807A (zh) * | 2023-08-30 | 2023-09-29 | 中国水产科学研究院南海水产研究所 | 一种基于机器视觉的渔获物识别与自动录取方法及系统 |
| CN116821807B (zh) * | 2023-08-30 | 2024-01-09 | 中国水产科学研究院南海水产研究所 | 一种基于机器视觉的渔获物识别与自动录取方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| NL2037440A (en) | 2024-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Karthi et al. | Evolution of yolo-v5 algorithm for object detection: automated detection of library books and performace validation of dataset | |
| CN114494837B (zh) | 一种渔业资源的密度智能识别方法及系统 | |
| CN113110207A (zh) | 基于物联网传感器的虫害远程监测方法、系统及存储介质 | |
| 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 | |
| CN109101547B (zh) | 用于野生动物的管理方法及装置 | |
| CN113591540B (zh) | 一种渔业非法捕捞监测与预警方法及系统 | |
| NL2037440A (en) | A method, system, and medium for intelligent recognition of fishing activities based on image processing | |
| CN112613454A (zh) | 一种电力基建施工现场违章识别方法及系统 | |
| Vo et al. | An application of Convolutional Neural Network to lobster grading in the Southern Rock Lobster supply chain | |
| CN115423225A (zh) | 一种基于大数据的渔港作业管理方法及系统 | |
| CN114373165A (zh) | 基于图像识别的执法分析方法、装置、存储介质及设备 | |
| Sreedevi et al. | Wild animal detection using deep learning | |
| Khan et al. | FishNet: A large-scale dataset and benchmark for fish recognition, detection, and functional trait prediction | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN116311081B (zh) | 一种基于图像识别的医学实验室监控图像分析方法和系统 | |
| CN113673399A (zh) | 区域监测的方法、装置、电子设备及可读存储介质 | |
| CN116562467B (zh) | 一种海洋鱼类目标种类识别及分布预测方法及系统 | |
| CN110956165B (zh) | 智慧社区未栓绳宠物预警方法及系统 | |
| CN116865994A (zh) | 一种基于大数据的网络数据安全预测方法 | |
| CN116311036A (zh) | 行为识别方法、装置、计算机设备和存储介质 | |
| CN116610821A (zh) | 一种基于知识图谱的企业风险分析方法、系统和存储介质 | |
| CN115342937A (zh) | 温度异常检测方法及装置 | |
| CN113723355A (zh) | 一种目标监控方法和装置、存储介质及电子装置 | |
| Guan et al. | Face recognition of a Lorisidae species based on computer vision | |
| An et al. | Slope Collapse Detection Based on Image Processing |
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 |