CN116562472B - 一种中上层海洋生物目标种类识别与分布预测方法及系统 - Google Patents
一种中上层海洋生物目标种类识别与分布预测方法及系统 Download PDFInfo
- Publication number
- CN116562472B CN116562472B CN202310836780.2A CN202310836780A CN116562472B CN 116562472 B CN116562472 B CN 116562472B CN 202310836780 A CN202310836780 A CN 202310836780A CN 116562472 B CN116562472 B CN 116562472B
- Authority
- CN
- China
- Prior art keywords
- sea area
- data
- marine
- upper sea
- marine organism
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 241000251468 Actinopterygii Species 0.000 claims abstract description 31
- 230000000007 visual effect Effects 0.000 claims abstract description 30
- 241000894007 species Species 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 230000010354 integration Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 72
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 64
- 238000012876 topography Methods 0.000 claims description 63
- 238000012360 testing method Methods 0.000 claims description 36
- 235000013305 food Nutrition 0.000 claims description 14
- 244000062645 predators Species 0.000 claims description 12
- 230000009182 swimming Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 239000000523 sample Substances 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 2
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 241000243321 Cnidaria Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/86—Combinations of sonar systems with lidar systems; Combinations of sonar systems with systems not using wave reflection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/96—Sonar systems specially adapted for specific applications for locating fish
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Marine Sciences & Fisheries (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
Abstract
本发明公开了一种中上层海洋生物目标种类识别与分布预测方法及系统，包括以下步骤：探鱼仪与水下机器人在中上层海域内对海洋生物进行图像获取，获取后的图像通过蚁群算法及神经网络算法得出中上层海洋生物目标种类识别数据，通过无人机激光探测得到中上层海域地形地貌数据，构建海洋信息数据库，将各中上层海域海洋生物目标特征数据导入到海洋信息数据库中，对所述中上层海洋生物目标种类识别数据与中上层海域地形地貌数据进行数据整合分析得到中上层海洋生物分布预测数据，最后将分布预测数据用可视化地图方式直观表现出来。
Description
技术领域
本发明涉及海洋生物识别与预测技术领域，特别是一种中上层海洋生物目标种类识别与分布预测方法及系统。
背景技术
海洋生物资源是人类重要的食物来源，中上层海域海洋生物数量繁多，给人类带来的经济效益相当可观，但中上层海域内海洋生物种类繁多，不同种类的海洋生物带来的价值不同，对中上层海洋生物的目标种类识别能分辨不同种类海洋生物，制定不同的捕捞计划。
传统的凭经验得知中上层海洋生物分布位置有判断错误的风险，在恶劣天气下判断错误中上层海洋生物的分布位置可能会做无用功，是渔民打捞的风险大大增加，甚至有可能遭受重大的生命财产损失。为了大大减轻渔民们的打捞负担，减少人力资源的浪费，提高经济效益，在打捞中上层海洋生物的时候需要中上层海洋生物目标种类识别与分布预测数据可视图辅助工作。
发明内容
本发明克服了现有技术的不足，提供了一种中上层海洋生物目标种类识别与分布预测方法及系统。
为达到上述目的本发明采用的技术方案为：
本发明第一方面公开了一种中上层海洋生物目标种类识别与分布预测方法，包括以下步骤：
探鱼仪与水下机器人在中上层海域工作，得到三维声纳图像与拍摄图像，对所述三维声纳图像与拍摄图像进行处理，生成中上层海域海洋生物初步目标种类识别数据；
通过无人机对中上层海域进行激光探测，构建中上层海域三维地形地貌模型，根据所述中上层海域三维地形地貌模型生成中上层海域三维地形地貌数据；
构建海洋信息数据库，根据各种中上层海洋生物名称检索出中上层海域内各种中上层海域海洋生物目标特征数据，将中上层海域内各种中上层海域海洋生物目标特征数据与海洋环境数据储存至所述海洋信息数据库；
基于海洋信息数据库，对所述中上层海域海洋生物图像数据导入蚁群算法及神经网络算法中进行构造，得出中上层海域海洋生物目标种类识别数据；
对所述中上层海域海洋生物目标种类识别数据与中上层海域三维地形地貌数据进行数据整合分析得到中上层海域海洋生物分布预测数据，利用数据可视化软件将中上层海域海洋生物分布预测数据转变为可视化视图。
进一步的，本发明的一个较佳实施例，探鱼仪与水下机器人在中上层海域工作，得到三维声纳图像与拍摄图像，对所述三维声纳图像与拍摄图像进行处理，生成中上层海域海洋生物初步目标种类识别数据，具体为：
探鱼仪在中上层海域内发射三维声纳信号，所述三维声纳信号扫射到海洋生物后被探鱼仪接收，得到三维声纳图像，对所述三维声纳图像进行灰度化处理，得到三维声纳灰度化图像；
水下机器人搭载摄像头在中上层海域拍摄中上层海域海洋生物图像，对所述中上层海域海洋生物图像进行灰度化处理得到中上层海域海洋生物灰度化图像；
提取所述三维声纳灰度化图像和中上层海域海洋生物灰度化图像的像素点，计算所述像素点的距离、大小和密度数据并判断生成中上层海域海洋生物初步目标种类识别数据。
进一步的，本发明的一个较佳实施例，通过无人机对中上层海域进行激光探测，构建中上层海域三维地形地貌模型，根据所述中上层海域三维地形地貌模型生成中上层海域三维地形地貌数据，具体为：
无人机的激光探测仪向海域发射探测激光，其中一部分探测激光无法穿透海面，直接沿入射路径返回激光探测仪接收器，另一部分激光穿透水面射达海域底部，经过所述海域底部反射后沿入射路径返回激光探测仪接收器；
根据所述探测激光在所述无人机与水面的传播时间差，得出探测激光在水面折射点与对应探测激光在水下折射点之间的距离，根据所述探测激光在水面折射点与对应探测激光在水下折射点之间的距离计算得出探测激光扫描点处的水深数据；
无人机对海域内各点进行激光探测，得出海域内各探测激光扫描点的水深数据，根据所述海域内各探测激光扫描点的水深数据，构建中上层海域三维地形地貌模型，根据所述中上层海域三维地形地貌模型生成中上层海域三维地形地貌数据。
进一步的，本发明的一个较佳实施例，构建海洋信息数据库，根据各种中上层海洋生物名称检索出中上层海域内各种中上层海域海洋生物目标特征数据，将中上层海域内各种中上层海域海洋生物目标特征数据与海洋环境数据储存至所述海洋信息数据库，具体为：
构建海洋信息数据库，在互联网中根据中上层海洋生物名称检索中上层海域海洋生物目标特征数据；
所述中上层海域海洋生物目标特征数据包括生物颜色、外观形状、生存环境、可生长状态；
所述海洋环境数据包括海域流速、水温及盐度；
将所述中上层海域内各种中上层海域海洋生物目标特征数据与海洋环境数据储存至所述海洋信息数据库。
进一步的，本发明的一个较佳实施例，基于海洋信息数据库，对所述中上层海域海洋生物初步目标种类识别数据导入蚁群算法及神经网络算法中进行构造，得出中上层海域海洋生物目标种类识别数据，具体为：
对所述中上层海域海洋生物初步目标种类识别数据导入蚁群算法中进行反复构造，得到各种中上层海域海洋生物的游动路线，结合海洋信息数据库中的各种中上层海域海洋生物目标特征数据与海洋环境数据分析各种中上层海域海洋生物的游动路线，得到第一类中上层海域海洋生物目标种类识别数据；
基于神经网络算法，将中上层海域海洋生物初步目标种类识别数据分为训练集、测试集，对所述训练集进行归一化处理并对训练集中各种中上层海域海洋生物目标特征数据进行初始设置；
计算神经网络隐含层各神经元的输入和输出数据，根据隐含层各神经元的输入和输出数据计算得出输出层的误差和隐含层的误差；
根据所述输出层的误差与隐含层的误差，修正输出层、隐含层的权值和阈值，根据调整后的输出层、隐含层的权值和阈值更新学习输入模式，所述训练集持续训练，待所述训练集训练完毕，更新学习次数，若所述训练集得出的训练数据小于指定误差或大于指定学习次数，则神经网络训练结束；
若所述训练集得出的训练数据不小于指定误差或不大于指定训练次数，则重新进行神经网络训练，将所述训练数据导入测试集中进行测试，当测试结果满足预设测试结果，保存测试参数，根据所述测试参数构建中上层海域海洋生物目标种类识别模型并得到第二类中上层海域海洋生物目标种类识别数据。
进一步的，本发明的一个较佳实施例，对所述中上层海域海洋生物目标种类识别数据与中上层海域三维地形地貌数据进行数据整合分析得到中上层海域海洋生物分布预测数据，利用数据可视化软件将中上层海域海洋生物分布预测数据转变为可视化视图，具体为：
构建第一虚拟空间，将第一类中上层海域海洋生物目标种类识别数据和第二类中上层海域海洋生物目标种类识别数据导入所述第一虚拟空间中进行数据整合分析，剔除重复数据，得到中上层海域海洋生物目标种类识别数据；
构建第二虚拟空间，将所述中上层海域海洋生物目标种类识别数据与中上层海域三维地形地貌数据导入所述第二虚拟空间中进行数据整合分析，得到中上层海域海洋生物分布预测数据；
利用数据可视化软件将中上层海域海洋生物分布预测数据转变为可视化视图。
本发明第二方面还提供了一种中上层海洋生物目标种类识别与分布预测系统，中上层海洋生物目标种类识别与分布预测系统存储器与处理器，所述存储器中储存有中上层海洋生物目标识别与分布预测程序，所述中上层海洋生物目标识别与分布预测程序被所述处理器执行时，实现如下步骤：
探鱼仪与水下机器人在中上层海域工作，得到三维声纳图像与拍摄图像，对所述三维声纳图像与拍摄图像进行处理，生成中上层海域海洋生物初步目标种类识别数据；
通过无人机对中上层海域进行激光探测，构建中上层海域三维地形地貌模型，根据所述中上层海域三维地形地貌模型生成中上层海域三维地形地貌数据；
构建海洋信息数据库，根据各种中上层海洋生物名称检索出中上层海域内各种中上层海域海洋生物目标特征数据，将中上层海域内各种中上层海域海洋生物目标特征数据与海洋环境数据储存至所述海洋信息数据库；
基于海洋信息数据库，对所述中上层海域海洋生物图像数据导入蚁群算法及神经网络算法中进行构造，得出中上层海域海洋生物目标种类识别数据；
对所述中上层海域海洋生物目标种类识别数据与中上层海域三维地形地貌数据进行数据整合分析得到中上层海域海洋生物分布预测数据，利用数据可视化软件将中上层海域海洋生物分布预测数据转变为可视化视图。
进一步的，本发明的一个较佳实施例，基于海洋信息数据库，对所述中上层海域海洋生物初步目标种类识别数据导入蚁群算法及神经网络算法中进行构造，得出中上层海域海洋生物目标种类识别数据，具体为：
对所述中上层海域海洋生物初步目标种类识别数据导入蚁群算法中进行反复构造，得到各种中上层海域海洋生物的游动路线，结合海洋信息数据库中的各种中上层海域海洋生物目标特征数据与海洋环境数据分析各种中上层海域海洋生物的游动路线，得到第一类中上层海域海洋生物目标种类识别数据；
基于神经网络算法，将中上层海域海洋生物初步目标种类识别数据分为训练集、测试集，对所述训练集进行归一化处理并对训练集中各种中上层海域海洋生物目标特征数据进行初始设置；
计算神经网络隐含层各神经元的输入和输出数据，根据隐含层各神经元的输入和输出数据计算得出输出层的误差和隐含层的误差；
根据所述输出层的误差与隐含层的误差，修正输出层、隐含层的权值和阈值，根据调整后的输出层、隐含层的权值和阈值更新学习输入模式，所述训练集持续训练，待所述训练集训练完毕，更新学习次数，若所述训练集得出的训练数据小于指定误差或大于指定学习次数，则神经网络训练结束；
若所述训练集得出的训练数据不小于指定误差或不大于指定训练次数，则重新进行神经网络训练，将所述训练数据导入测试集中进行测试，当测试结果满足预设测试结果，保存测试参数，根据所述测试参数构建中上层海域海洋生物目标种类识别模型并得到第二类中上层海域海洋生物目标种类识别数据。
本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：探鱼仪与水下机器人在中上层海域内对海洋生物进行图像获取，获取后的图像通过蚁群算法及神经网络算法得出中上层海洋生物目标种类识别数据，通过无人机激光探测得到中上层海域地形地貌数据，构建海洋信息数据库，将各中上层海域海洋生物目标特征数据导入到海洋信息数据库中，对所述中上层海洋生物目标种类识别数据与中上层海域地形地貌数据进行数据整合分析得到中上层海洋生物分布预测数据，最后将分布预测数据用可视化地图方式直观表现出来。通过本发明能够有效识别不同种类的中上层海洋生物，有利于科学管理和合理利用中上层海洋生物资源。
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为一种中上层海洋生物目标种类识别与分布预测方法的流程图；
图2为通过蚁群算法和神经网络算法得到中上层海域海洋生物目标种类识别数据的流程图；
图3为一种中上层海洋生物目标种类识别与分布预测系统的流程图；
具体实施方式
S102：探鱼仪与水下机器人在中上层海域工作，得到三维声纳图像与拍摄图像，对所述三维声纳图像与拍摄图像进行处理，生成中上层海域海洋生物初步目标种类识别数据；
S104：通过无人机对中上层海域进行激光探测，构建中上层海域三维地形地貌模型，根据所述中上层海域三维地形地貌模型生成中上层海域三维地形地貌数据；
S106：构建海洋信息数据库，根据各种中上层海洋生物名称检索出中上层海域内各种中上层海域海洋生物目标特征数据，将中上层海域内各种中上层海域海洋生物目标特征数据与海洋环境数据储存至所述海洋信息数据库；
S108：基于海洋信息数据库，对所述中上层海域海洋生物图像数据导入蚁群算法及神经网络算法中进行构造，得出中上层海域海洋生物目标种类识别数据；
S110：对所述中上层海域海洋生物目标种类识别数据与中上层海域三维地形地貌数据进行数据整合分析得到中上层海域海洋生物分布预测数据，利用数据可视化软件将中上层海域海洋生物分布预测数据转变为可视化视图。
需要说明的是，通过本发明能够有效识别不同种类的中上层海洋生物，有利于科学管理和合理利用中上层海洋生物资源。
进一步的，本发明的一个较佳实施例中，探鱼仪与水下机器人在中上层海域工作，得到三维声纳图像与拍摄图像，对所述三维声纳图像与拍摄图像进行处理，生成中上层海域海洋生物初步目标种类识别数据，具体为：
探鱼仪在中上层海域内发射三维声纳信号，所述三维声纳信号扫射到海洋生物后被探鱼仪接收，得到三维声纳图像，对所述三维声纳图像进行灰度化处理，得到三维声纳灰度化图像；
水下机器人搭载摄像头在中上层海域拍摄中上层海域海洋生物图像，对所述中上层海域海洋生物图像进行灰度化处理得到中上层海域海洋生物灰度化图像；
提取所述三维声纳灰度化图像和中上层海域海洋生物灰度化图像的像素点，计算所述像素点的距离、大小和密度数据并判断生成中上层海域海洋生物初步目标种类识别数据。
需要说明的是，探鱼仪搭载声纳探测仪并呈z字形走行，声纳探测与在海域内分别发射120kHZ频率的脉冲信号与1.35MHZ频率的脉冲信号，所述声纳头发射的1.35MHZ频率可以用于近距离高分辨率探测，120kHZ频率可用于中远距离探测；脉冲信号在其周边区域内形成一个面积为30°*1°，单个脉冲声学波束数量为265的扇形扫描区域，扫描到鱼群后反射回声纳探测仪内。水下机器人搭载的摄像头可拍摄中上层海域内海洋生物的图片。三维声纳灰度化图像与中上层海域海洋生物灰度化图像均使用自适应灰度补偿法，使图像颗粒度降低，清晰度增加，占用内存更小，突出目标区域。根据像素点的距离、大小和密度数据的不同可用于初步判断像素点对应的中上层海洋生物种类，但判断结果存在误差，只能作为中上层海域海洋生物初步目标种类识别数据。本发明能够通过灰度化图像信息得到中上层海域海洋生物初步目标种类识别数据。
进一步的，本发明的一个较佳实施例中，通过无人机对中上层海域进行激光探测，构建中上层海域三维地形地貌模型，根据所述中上层海域三维地形地貌模型生成中上层海域三维地形地貌数据，具体为：
通过无人机对中上层海域进行激光探测，构建中上层海域三维地形地貌模型，根据所述中上层海域三维地形地貌模型生成中上层海域三维地形地貌数据，具体为：
无人机的激光探测仪向海域发射探测激光，其中一部分探测激光无法穿透海面，直接沿入射路径返回激光探测仪接收器，另一部分激光穿透水面射达海域底部，经过所述海域底部反射后沿入射路径返回激光探测仪接收器；
根据所述探测激光在所述无人机与水面的传播时间差，得出探测激光在水面折射点与对应探测激光在水下折射点之间的距离，根据所述探测激光在水面折射点与对应探测激光在水下折射点之间的距离计算得出探测激光扫描点处的水深数据；
无人机对海域内各点进行激光探测，得出海域内各探测激光扫描点的水深数据，根据所述海域内各探测激光扫描点的水深数据，构建中上层海域三维地形地貌模型，根据所述中上层海域三维地形地貌模型生成中上层海域三维地形地貌数据。
需要说明的是，所述探测激光分为红外激光波束与绿色激光波束，其中，红外激光波束无法穿透水面，沿入射路径返回激光探测仪接收器；绿色激光波束能够穿透水面射达海域底部，经过海域底部反射后沿入射路径返回激光探测仪接收器。实际上的探测激光射入水面过程中并不完全是垂直射入水面，探测激光与水面之间存在扫描角，且无人机由于气流影响，飞行过程不平稳，间接影响激光脉冲在水面上的入射位置，导致同一地点测出的水深数据有偏差。无人机在同一地点需要多次进行水深数据测量，取平均值，提高测量精度；另外，在无人机激光探测仪上安装GPS信号接收机，对同一地点的位置进行精准定位，根据入射地点调整激光脉冲入射角度，减少水深数据误差值。本发明能够通过计算探测激光之间的时间差得出水深数据，从而根据所述水深数据得出中上层海域三维地形地貌数据。
另外需要说明的是，中上层海域中存在的一些海洋生物栖息在珊瑚、礁石等地方，所以所述中上层海域三维地形地貌数据用于初步判断中上层海域内海洋生物种类。
进一步的，本发明的一个较佳实施例，对所述中上层海域海洋生物目标种类识别数据与中上层海域三维地形地貌数据进行数据整合分析得到中上层海域海洋生物分布预测数据，利用数据可视化软件将中上层海域海洋生物分布预测数据转变为可视化视图，具体为：
构建第一虚拟空间，将第一类中上层海域海洋生物目标种类识别数据和第二类中上层海域海洋生物目标种类识别数据导入所述第一虚拟空间中进行数据整合分析，剔除重复数据，得到中上层海域海洋生物目标种类识别数据；
构建第二虚拟空间，将所述中上层海域海洋生物目标种类识别数据与中上层海域三维地形地貌数据导入所述第二虚拟空间中进行数据整合分析，得到中上层海域海洋生物分布预测数据；
利用数据可视化软件将中上层海域海洋生物分布预测数据转变为可视化视图。
需要说明的是，数据可视化软件是一种将数据转化为直观柱状图、分布图、扇形图等可视图像的软件，使得中上层海域海洋生物分布预测数据以直观可视化图像的形式展现在作业人员面前。通过本方法能使作业人员更方便指定合理的渔业政策和捕捞计划。
如图2所示，图2示出了通过蚁群算法和神经网络算法得到中上层海域海洋生物目标种类识别数据的流程图，包括以下步骤：
S202：使用蚁群算法得到第一类中上层海域海洋生物目标种类识别数据；
S204：对神经网络算法进行初始化处理；
S206：通过神经网络算法得出第二类中上层海域海洋生物目标种类识别数据。
进一步的，本发明的一个较佳实施例，所述使用蚁群算法得到第一类中上层海域海洋生物目标种类识别数据，具体为：
将中上层海域海洋生物初步目标种类识别数据导入蚁群算法中进行反复构造，得到各种中上层海域海洋生物的游动路线，结合海洋信息数据库中的各种中上层海域海洋生物目标特征数据与海洋环境数据分析各种中上层海域海洋生物的游动路线，得到第一类中上层海域海洋生物目标种类识别数据。
需要说明的是，蚁群算法是一种用来寻找优化路径的算法，在本发明中使用蚁群算法可得出各种中上层海域海洋生物的游动路线。中上层海域海洋生物的生活习性有差异，相同海洋环境下不同种类的中上层海域海洋生物游动路线不同，结合各种中上层海域海洋生物目标特征数据分析，可得出第一类中上层海域海洋生物目标种类识别数据。本发明能够通过蚁群算法得出第一类中上层海域海洋生物目标种类识别数据。
进一步的，本发明的一个较佳实施例，所述对神经网络算法进行初始化处理，具体为：
基于神经网络算法，将中上层海域海洋生物初步目标种类识别数据分为训练集、测试集，对所述训练集进行归一化处理并对训练集中各种中上层海域海洋生物目标特征数据进行初始设置。
需要说明的是，对神经网络算法进行初始化处理是为了消除神经网络数据指标间的影响，需要对神经网络数据进行标准化处理，以解决神经网络数据指标之间的可比性。原始数据经过标准化处理后，各数据指标处于同一数量级，消除奇异样本数据导致的不良影响。本发明能够对神经网络算法进行初始化处理。
进一步的，本发明的一个较佳实施例，所述通过神经网络算法得出第二类中上层海域海洋生物目标种类识别数据，具体为：
计算神经网络隐含层各神经元的输入和输出数据，根据隐含层各神经元的输入和输出数据计算得出输出层的误差和隐含层的误差；
根据所述输出层的误差与隐含层的误差，修正输出层、隐含层的权值和阈值，根据调整后的输出层、隐含层的权值和阈值更新学习输入模式，所述训练集持续训练，待所述训练集训练完毕，更新学习次数，若所述训练集得出的训练数据小于指定误差或大于指定学习次数，则神经网络训练结束；
若所述训练集得出的训练数据不小于指定误差或不大于指定训练次数，则重新进行神经网络训练，将所述训练数据导入测试集中进行测试，当测试结果满足预设测试结果，保存测试参数，根据所述测试参数构建中上层海域海洋生物目标种类识别模型并得到第二类中上层海域海洋生物目标种类识别数据。
需要说明的是，为使神经网络算法训练得出的结果与预设测试结果收敛至最小，可通过交叉熵函数进行参数反向传播训练，通过链式法将误差反向传播回网络中的每一层，利用误差更新每个神经元的权重与偏置，不断优化神经网络的参数，直至误差收敛至预设值。第二类中上层海域海洋生物目标种类识别数据由中上层海域海洋生物目标种类识别模型分析得出，较之第一类中上层海域海洋生物目标种类识别数据更精确。本发明能够通过神经网络算法训练得出第二类中上层海域海洋生物目标种类识别数据。
此外，所述一种中上层海洋生物目标种类识别与分布预测方法，还包括以下步骤：
基于历史数据信息及互联网检索，获取中上层海域内的浮游生物种类信息和各海洋生物捕食生物物种信息，所述中上层海域内的浮游生物种类信息及各海洋生物捕食生物物种信息用于筛选区分中上层海域海洋生物主要食物来源；
基于历史数据信息及互联网检索，获取中上层海域内的浮游生物和各海洋生物捕食生物的大致位置信息；
在所述中上层海域内的浮游生物和各海洋生物捕食生物的大致位置信息投放多个探鱼仪与水下机器人，在所述探鱼仪与水下机器人内设置海洋生物迁移监测程序，海洋生物迁移检测程序实时监测各中上层海域海洋生物主要食物来源的实时位置信息；
根据中上层海域海洋生物主要食物来源可大致区分中上层海域海洋生物种类，根据各中上层海域海洋生物主要食物来源的实时位置信息判断当前探鱼仪与水下机器人所在位置内的海洋生物种类。
需要说明的是，此方法判断当前探鱼仪与水下机器人所在位置内的海洋生物种类不准确，因为存在多种海洋生物主要食物来源相同的情况。本发明可大致判断当前探鱼仪与水下机器人所在位置内存在的海洋生物，节省作业时间。
此外，所述一种中上层海洋生物目标种类识别与分布预测方法，还包括以下步骤：
将探鱼仪和水下机器人投放位置作为测量区域；
在所述测量区域内使用多普勒流速剖面仪在各测量区域内发射声波脉冲信号，所述声波脉冲信号经过海域内颗粒物后发生散射，散射的声波脉冲信号经过多普勒流速剖面仪换能器接收后得到散射回波频率；
所述散射回波频率与发射的声波脉冲信号之间存在多普勒频移，对所述多普勒频移进行计算，使用热成像仪与水下压强传感器对各测量区域进行测量得到热成像水温数据及水下压强数据，基于多普勒频移、热成像水温数据及水下压强数据得到各测量区域内具体水流流速数据；
将各测量区域内具体水流流速数据导入第二虚拟空间中，与所述中上层海域海洋生物分布预测数据进行数据整合分析，得出中上层海域海洋生物分布预测最终数据。
需要说明的是，由互联网检索得出的水温、流速、水下压强等数据为历史数据，存在误差。基于流体力学伯努利方程与热力学第一定律，水的流速随温度升高而变快，通过热成像仪可得到各测量区域水温数据，判断水流流速高低；且水的流速与水下压强大小相关，压强越小水流的流速越大，通过水下压强传感器可得到各测量区域压强大小，判断水流流速高低；不同水流流速下，各中上层海域海洋生物的资源分布位置不同，通过精确水流流速数据与中上层海域海洋生物分布预测数据进行数据整合分析，可以得出中上层海域海洋生物分布预测最终数据。
本发明第二方面提供一种中上层海洋生物目标种类识别与分布预测系统，中上层海洋生物目标识别与分布预测系统包括存储器31与处理器32，所述存储器31中储存有中上层海洋生物目标识别与分布预测程序，所述中上层海洋生物目标识别与分布预测程序被所述处理器32执行时，实现如下步骤：
探鱼仪与水下机器人在中上层海域工作，得到三维声纳图像与拍摄图像，对所述三维声纳图像与拍摄图像进行处理，生成中上层海域海洋生物初步目标种类识别数据；
通过无人机对中上层海域进行激光探测，构建中上层海域三维地形地貌模型，根据所述中上层海域三维地形地貌模型生成中上层海域三维地形地貌数据；
构建海洋信息数据库，根据各种中上层海洋生物名称检索出中上层海域内各种中上层海域海洋生物目标特征数据，将中上层海域内各种中上层海域海洋生物目标特征数据与海洋环境数据储存至所述海洋信息数据库；
基于海洋信息数据库，对所述中上层海域海洋生物图像数据导入蚁群算法及神经网络算法中进行构造，得出中上层海域海洋生物目标种类识别数据；
对所述中上层海域海洋生物目标种类识别数据与中上层海域三维地形地貌数据进行数据整合分析得到中上层海域海洋生物分布预测数据，利用数据可视化软件将中上层海域海洋生物分布预测数据转变为可视化视图。
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所述方法的全部或部分。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。
以上所述，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所述权利要求的保护范围为准。
Claims (4)
1.一种中上层海洋生物目标种类识别与分布预测方法，其特征在于，包括以下步骤：
探鱼仪与水下机器人在中上层海域工作，得到三维声纳图像与拍摄图像，对所述三维声纳图像与拍摄图像进行处理，生成中上层海域海洋生物初步目标种类识别数据；
通过无人机对中上层海域进行激光探测，构建中上层海域三维地形地貌模型，根据所述中上层海域三维地形地貌模型生成中上层海域三维地形地貌数据；
构建海洋信息数据库，根据各种中上层海洋生物名称检索出中上层海域内各种中上层海域海洋生物目标特征数据，将中上层海域内各种中上层海域海洋生物目标特征数据与海洋环境数据储存至所述海洋信息数据库；
基于海洋信息数据库，将所述中上层海域海洋生物初步目标种类识别数据导入蚁群算法及神经网络算法中进行构造，得出中上层海域海洋生物目标种类识别数据；
对所述中上层海域海洋生物目标种类识别数据与中上层海域三维地形地貌数据进行数据整合分析得到中上层海域海洋生物分布预测数据，利用数据可视化软件将中上层海域海洋生物分布预测数据转变为可视化视图；
其中，所述通过无人机对中上层海域进行激光探测，构建中上层海域三维地形地貌模型，根据所述中上层海域三维地形地貌模型生成中上层海域三维地形地貌数据，具体为：
无人机的激光探测仪向海域发射探测激光，其中一部分探测激光无法穿透海面，直接沿入射路径返回激光探测仪接收器，另一部分激光穿透水面射达海域底部，经过所述海域底部反射后沿入射路径返回激光探测仪接收器；
根据所述探测激光在所述无人机与水面的传播时间差，得出探测激光在水面折射点与对应探测激光在水下折射点之间的距离，根据所述探测激光在水面折射点与对应探测激光在水下折射点之间的距离计算得出探测激光扫描点处的水深数据；
无人机对海域内各点进行激光探测，得出海域内各探测激光扫描点的水深数据，根据所述海域内各探测激光扫描点的水深数据，构建中上层海域三维地形地貌模型，根据所述中上层海域三维地形地貌模型生成中上层海域三维地形地貌数据；
其中，基于海洋信息数据库，将所述中上层海域海洋生物初步目标种类识别数据导入蚁群算法及神经网络算法中进行构造，得出中上层海域海洋生物目标种类识别数据，具体为：
对所述中上层海域海洋生物初步目标种类识别数据导入蚁群算法中进行反复构造，得到各种中上层海域海洋生物的游动路线，结合海洋信息数据库中的各种中上层海域海洋生物目标特征数据与海洋环境数据分析各种中上层海域海洋生物的游动路线，得到第一类中上层海域海洋生物目标种类识别数据；
基于神经网络算法，将中上层海域海洋生物初步目标种类识别数据分为训练集、测试集，对所述训练集进行归一化处理并对训练集中各种中上层海域海洋生物目标特征数据进行初始设置；
计算神经网络隐含层各神经元的输入和输出数据，根据隐含层各神经元的输入和输出数据计算得出输出层的误差和隐含层的误差；
根据所述输出层的误差与隐含层的误差，分别修正输出层的权值和阈值与隐含层的权值和阈值，根据调整后的输出层的权值和阈值与隐含层的权值和阈值更新学习输入模式，所述训练集持续训练，待所述训练集训练完毕，更新学习次数，若所述训练集得出的训练数据小于指定误差或大于指定学习次数，则神经网络训练结束；
若所述训练集得出的训练数据不小于指定误差或不大于指定训练次数，则重新进行神经网络训练，将所述训练数据导入测试集中进行测试，当测试结果满足预设测试结果，保存测试参数，根据所述测试参数构建中上层海域海洋生物目标种类识别模型并得到第二类中上层海域海洋生物目标种类识别数据；
其中，所述对所述中上层海域海洋生物目标种类识别数据与中上层海域三维地形地貌数据进行数据整合分析得到中上层海域海洋生物分布预测数据，利用数据可视化软件将中上层海域海洋生物分布预测数据转变为可视化视图，具体为：
构建第一虚拟空间，将第一类中上层海域海洋生物目标种类识别数据和第二类中上层海域海洋生物目标种类识别数据导入所述第一虚拟空间中进行数据整合分析，剔除重复数据，得到中上层海域海洋生物目标种类识别数据；
构建第二虚拟空间，将所述中上层海域海洋生物目标种类识别数据与中上层海域三维地形地貌数据导入所述第二虚拟空间中进行数据整合分析，得到中上层海域海洋生物分布预测数据；
利用数据可视化软件将中上层海域海洋生物分布预测数据转变为可视化视图；
其中，所述一种中上层海洋生物目标种类识别与分布预测方法，还包括以下步骤，且本步骤是对上述步骤中如何得到中上层海域海洋生物目标种类识别数据的一种补充方案，具体为：
基于历史数据信息及互联网检索，获取中上层海域内的浮游生物种类信息和各海洋生物捕食生物物种信息，所述中上层海域内的浮游生物种类信息及各海洋生物捕食生物物种信息用于筛选区分中上层海域海洋生物主要食物来源；
基于历史数据信息及互联网检索，获取中上层海域内的浮游生物和各海洋生物捕食生物的大致位置信息；
在所述中上层海域内的浮游生物和各海洋生物捕食生物的大致位置投放多个探鱼仪与水下机器人，在所述探鱼仪与水下机器人内设置海洋生物迁移监测程序，海洋生物迁移监测程序实时监测各中上层海域海洋生物主要食物来源的实时位置信息；
根据中上层海域海洋生物主要食物来源可大致区分中上层海域海洋生物种类，根据各中上层海域海洋生物主要食物来源的实时位置信息判断当前探鱼仪与水下机器人所在位置内的海洋生物种类。
2.根据权利要求1所述的一种中上层海洋生物目标种类识别与分布预测方法，其特征在于，所述探鱼仪与水下机器人在中上层海域工作，得到三维声纳图像与拍摄图像，对所述三维声纳图像与拍摄图像进行处理，生成中上层海域海洋生物初步目标种类识别数据，具体为：
探鱼仪在中上层海域内发射三维声纳信号，所述三维声纳信号扫射到海洋生物后被探鱼仪接收，得到三维声纳图像，对所述三维声纳图像进行灰度化处理，得到三维声纳灰度化图像；
水下机器人搭载摄像头在中上层海域拍摄中上层海域海洋生物图像，对所述中上层海域海洋生物图像进行灰度化处理得到中上层海域海洋生物灰度化图像；
提取所述三维声纳灰度化图像和中上层海域海洋生物灰度化图像的像素点，计算所述像素点的距离、大小和密度数据并判断生成中上层海域海洋生物初步目标种类识别数据。
3.根据权利要求1所述的一种中上层海洋生物目标种类识别与分布预测方法，其特征在于，所述构建海洋信息数据库，根据各种中上层海洋生物名称检索出中上层海域内各种中上层海域海洋生物目标特征数据，将中上层海域内各种中上层海域海洋生物目标特征数据与海洋环境数据储存至所述海洋信息数据库，具体为：
构建海洋信息数据库，在互联网中根据中上层海洋生物名称检索中上层海域海洋生物目标特征数据；
所述中上层海域海洋生物目标特征数据包括生物颜色、外观形状、生存环境、可生长状态；
所述海洋环境数据包括海域流速、水温及盐度；
将中上层海域内各种中上层海域海洋生物目标特征数据与海洋环境数据储存至所述海洋信息数据库。
4.一种中上层海洋生物目标种类识别与分布预测系统，其特征在于，中上层海洋生物目标识别与分布预测系统包括存储器与处理器，所述存储器中储存有中上层海洋生物目标识别与分布预测程序，所述中上层海洋生物目标识别与分布预测程序被所述处理器执行时，实现如下步骤：
探鱼仪与水下机器人在中上层海域工作，得到三维声纳图像与拍摄图像，对所述三维声纳图像与拍摄图像进行处理，生成中上层海域海洋生物初步目标种类识别数据；
通过无人机对中上层海域进行激光探测，构建中上层海域三维地形地貌模型，根据所述中上层海域三维地形地貌模型生成中上层海域三维地形地貌数据；
构建海洋信息数据库，根据各种中上层海洋生物名称检索出中上层海域内各种中上层海域海洋生物目标特征数据，将中上层海域内各种中上层海域海洋生物目标特征数据与海洋环境数据储存至所述海洋信息数据库；
基于海洋信息数据库，将所述中上层海域海洋生物初步目标种类识别数据导入蚁群算法及神经网络算法中进行构造，得出中上层海域海洋生物目标种类识别数据；
对所述中上层海域海洋生物目标种类识别数据与中上层海域三维地形地貌数据进行数据整合分析得到中上层海域海洋生物分布预测数据，利用数据可视化软件将中上层海域海洋生物分布预测数据转变为可视化视图；
其中，所述通过无人机对中上层海域进行激光探测，构建中上层海域三维地形地貌模型，根据所述中上层海域三维地形地貌模型生成中上层海域三维地形地貌数据，具体为：
无人机的激光探测仪向海域发射探测激光，其中一部分探测激光无法穿透海面，直接沿入射路径返回激光探测仪接收器，另一部分激光穿透水面射达海域底部，经过所述海域底部反射后沿入射路径返回激光探测仪接收器；
根据所述探测激光在所述无人机与水面的传播时间差，得出探测激光在水面折射点与对应探测激光在水下折射点之间的距离，根据所述探测激光在水面折射点与对应探测激光在水下折射点之间的距离计算得出探测激光扫描点处的水深数据；
无人机对海域内各点进行激光探测，得出海域内各探测激光扫描点的水深数据，根据所述海域内各探测激光扫描点的水深数据，构建中上层海域三维地形地貌模型，根据所述中上层海域三维地形地貌模型生成中上层海域三维地形地貌数据；
其中，基于海洋信息数据库，将所述中上层海域海洋生物初步目标种类识别数据导入蚁群算法及神经网络算法中进行构造，得出中上层海域海洋生物目标种类识别数据，具体为：
对所述中上层海域海洋生物初步目标种类识别数据导入蚁群算法中进行反复构造，得到各种中上层海域海洋生物的游动路线，结合海洋信息数据库中的各种中上层海域海洋生物目标特征数据与海洋环境数据分析各种中上层海域海洋生物的游动路线，得到第一类中上层海域海洋生物目标种类识别数据；
基于神经网络算法，将中上层海域海洋生物初步目标种类识别数据分为训练集、测试集，对所述训练集进行归一化处理并对训练集中各种中上层海域海洋生物目标特征数据进行初始设置；
计算神经网络隐含层各神经元的输入和输出数据，根据隐含层各神经元的输入和输出数据计算得出输出层的误差和隐含层的误差；
根据所述输出层的误差与隐含层的误差，分别修正输出层的权值和阈值与隐含层的权值和阈值，根据调整后的输出层的权值和阈值与隐含层的权值和阈值更新学习输入模式，所述训练集持续训练，待所述训练集训练完毕，更新学习次数，若所述训练集得出的训练数据小于指定误差或大于指定学习次数，则神经网络训练结束；
若所述训练集得出的训练数据不小于指定误差或不大于指定训练次数，则重新进行神经网络训练，将所述训练数据导入测试集中进行测试，当测试结果满足预设测试结果，保存测试参数，根据所述测试参数构建中上层海域海洋生物目标种类识别模型并得到第二类中上层海域海洋生物目标种类识别数据；
其中，所述对所述中上层海域海洋生物目标种类识别数据与中上层海域三维地形地貌数据进行数据整合分析得到中上层海域海洋生物分布预测数据，利用数据可视化软件将中上层海域海洋生物分布预测数据转变为可视化视图，具体为：
构建第一虚拟空间，将第一类中上层海域海洋生物目标种类识别数据和第二类中上层海域海洋生物目标种类识别数据导入所述第一虚拟空间中进行数据整合分析，剔除重复数据，得到中上层海域海洋生物目标种类识别数据；
构建第二虚拟空间，将所述中上层海域海洋生物目标种类识别数据与中上层海域三维地形地貌数据导入所述第二虚拟空间中进行数据整合分析，得到中上层海域海洋生物分布预测数据；
利用数据可视化软件将中上层海域海洋生物分布预测数据转变为可视化视图；
其中，所述一种中上层海洋生物目标种类识别与分布预测方法，还包括以下步骤，且本步骤是对上述步骤中如何得到中上层海域海洋生物目标种类识别数据的一种补充方案，具体为：
基于历史数据信息及互联网检索，获取中上层海域内的浮游生物种类信息和各海洋生物捕食生物物种信息，所述中上层海域内的浮游生物种类信息及各海洋生物捕食生物物种信息用于筛选区分中上层海域海洋生物主要食物来源；
基于历史数据信息及互联网检索，获取中上层海域内的浮游生物和各海洋生物捕食生物的大致位置信息；
在所述中上层海域内的浮游生物和各海洋生物捕食生物的大致位置投放多个探鱼仪与水下机器人，在所述探鱼仪与水下机器人内设置海洋生物迁移监测程序，海洋生物迁移监测程序实时监测各中上层海域海洋生物主要食物来源的实时位置信息；
根据中上层海域海洋生物主要食物来源可大致区分中上层海域海洋生物种类，根据各中上层海域海洋生物主要食物来源的实时位置信息判断当前探鱼仪与水下机器人所在位置内的海洋生物种类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310836780.2A CN116562472B (zh) | 2023-07-10 | 2023-07-10 | 一种中上层海洋生物目标种类识别与分布预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310836780.2A CN116562472B (zh) | 2023-07-10 | 2023-07-10 | 一种中上层海洋生物目标种类识别与分布预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116562472A CN116562472A (zh) | 2023-08-08 |
| CN116562472B true CN116562472B (zh) | 2024-01-09 |
Family
ID=87488331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310836780.2A Active CN116562472B (zh) | 2023-07-10 | 2023-07-10 | 一种中上层海洋生物目标种类识别与分布预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116562472B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117830815A (zh) * | 2023-12-19 | 2024-04-05 | 中国水产科学研究院南海水产研究所 | 一种用于研究鱼类洄游规律的布点方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104613944A (zh) * | 2015-01-27 | 2015-05-13 | 电子科技大学 | 一种基于gwr和bp神经网络的分布式水深预测方法 |
| CN114493680A (zh) * | 2022-01-06 | 2022-05-13 | 中国水产科学研究院南海水产研究所 | 一种基于流刺网调查的渔业资源统计方法及系统 |
| CN114494837A (zh) * | 2022-01-06 | 2022-05-13 | 中国水产科学研究院南海水产研究所 | 一种渔业资源的密度智能识别方法及系统 |
| CN114706085A (zh) * | 2022-03-17 | 2022-07-05 | 北京中安智能信息科技有限公司 | 一种基于海洋环境数据的声纳区域探测效能评估方法 |
| CN114994691A (zh) * | 2022-05-31 | 2022-09-02 | 中国水产科学研究院东海水产研究所 | 一种基于可视化的渔业资源集群分布分析方法 |
| CN115100512A (zh) * | 2022-05-16 | 2022-09-23 | 中国水产科学研究院南海水产研究所 | 一种海洋经济物种的监测识别捕捞方法、系统及存储介质 |
| CN115293658A (zh) * | 2022-10-08 | 2022-11-04 | 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业资源规划方法及系统 |
| CN116152651A (zh) * | 2023-02-16 | 2023-05-23 | 哈尔滨工程大学 | 一种作用于海洋中的基于图像识别技术的声呐目标识别与检测方法 |
| CN116229248A (zh) * | 2023-03-10 | 2023-06-06 | 中科曙光国际信息产业有限公司 | 海洋物种的分布预测方法、装置、设备及存储介质 |
| CN116381661A (zh) * | 2023-05-25 | 2023-07-04 | 威海凯思信息科技有限公司 | 一种海洋地貌探测方法及装置 |
| CN116386090A (zh) * | 2023-06-07 | 2023-07-04 | 中国水产科学研究院南海水产研究所 | 一种基于扫描图谱的浮游生物识别方法、系统及介质 |
-
2023
- 2023-07-10 CN CN202310836780.2A patent/CN116562472B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104613944A (zh) * | 2015-01-27 | 2015-05-13 | 电子科技大学 | 一种基于gwr和bp神经网络的分布式水深预测方法 |
| CN114493680A (zh) * | 2022-01-06 | 2022-05-13 | 中国水产科学研究院南海水产研究所 | 一种基于流刺网调查的渔业资源统计方法及系统 |
| CN114494837A (zh) * | 2022-01-06 | 2022-05-13 | 中国水产科学研究院南海水产研究所 | 一种渔业资源的密度智能识别方法及系统 |
| CN114706085A (zh) * | 2022-03-17 | 2022-07-05 | 北京中安智能信息科技有限公司 | 一种基于海洋环境数据的声纳区域探测效能评估方法 |
| CN115100512A (zh) * | 2022-05-16 | 2022-09-23 | 中国水产科学研究院南海水产研究所 | 一种海洋经济物种的监测识别捕捞方法、系统及存储介质 |
| CN114994691A (zh) * | 2022-05-31 | 2022-09-02 | 中国水产科学研究院东海水产研究所 | 一种基于可视化的渔业资源集群分布分析方法 |
| CN115293658A (zh) * | 2022-10-08 | 2022-11-04 | 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业资源规划方法及系统 |
| CN116152651A (zh) * | 2023-02-16 | 2023-05-23 | 哈尔滨工程大学 | 一种作用于海洋中的基于图像识别技术的声呐目标识别与检测方法 |
| CN116229248A (zh) * | 2023-03-10 | 2023-06-06 | 中科曙光国际信息产业有限公司 | 海洋物种的分布预测方法、装置、设备及存储介质 |
| CN116381661A (zh) * | 2023-05-25 | 2023-07-04 | 威海凯思信息科技有限公司 | 一种海洋地貌探测方法及装置 |
| CN116386090A (zh) * | 2023-06-07 | 2023-07-04 | 中国水产科学研究院南海水产研究所 | 一种基于扫描图谱的浮游生物识别方法、系统及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116562472A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Foote et al. | Postprocessing system for echo sounder data | |
| Palacín et al. | Real-time tree-foliage surface estimation using a ground laser scanner | |
| US6868041B2 (en) | Compensation of sonar image data primarily for seabed classification | |
| Lawson et al. | Improved parametrization of Antarctic krill target strength models | |
| CN116562472B (zh) | 一种中上层海洋生物目标种类识别与分布预测方法及系统 | |
| CN111127411B (zh) | 一种渔业养殖的监测控制方法 | |
| US20060018197A1 (en) | Acoustic biomass monitor | |
| CN112949380B (zh) | 一种基于激光雷达点云数据的智能水下目标识别系统 | |
| Mann et al. | Active and passive acoustics to locate and study fish | |
| Puig-Pons et al. | Estimation of Bluefin Tuna (Thunnus thynnus) mean length in sea cages by acoustical means | |
| CN115512215A (zh) | 水下生物监测方法、装置及存储介质 | |
| Shen et al. | Identification and counting of fish targets using adaptive resolution imaging sonar | |
| CN112859056B (zh) | 一种用于大型海洋生物的远程预警系统及方法 | |
| Misiuk et al. | Benthic habitat mapping: A review of three decades of mapping biological patterns on the seafloor | |
| CN116562467B (zh) | 一种海洋鱼类目标种类识别及分布预测方法及系统 | |
| Räty et al. | A comparison of linear-mode and single-photon airborne LiDAR in species-specific forest inventories | |
| Kristmundsson et al. | Fish monitoring in aquaculture using multibeam echosounders and machine learning. | |
| Liang et al. | MVCNN: A Deep Learning-Based Ocean–Land Waveform Classification Network for Single-Wavelength LiDAR Bathymetry | |
| Churnside et al. | Laser remote sensing of epipelagic fishes | |
| Pauly et al. | Laboratory target strength measurements of free-swimming Antarctic krill (Euphausia superba) | |
| De Robertis | Validation of acoustic echo counting for studies of zooplankton behavior | |
| JP2021085785A (ja) | 情報処理システム、情報処理装置、情報処理方法、及びプログラム | |
| CN117572438B (zh) | 一种走航式鱼群探测方法及系统 | |
| CN116542405B (zh) | 一种基于图像处理的蓝圆鯵资源分布预测方法及系统 | |
| Malkin et al. | Acoustic classification of abyssopelagic animals |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |