CN116611000B - 基于机器学习的大闸蟹养殖环境智能监测系统 - Google Patents

基于机器学习的大闸蟹养殖环境智能监测系统 Download PDF

Info

Publication number
CN116611000B
CN116611000B CN202310868227.7A CN202310868227A CN116611000B CN 116611000 B CN116611000 B CN 116611000B CN 202310868227 A CN202310868227 A CN 202310868227A CN 116611000 B CN116611000 B CN 116611000B
Authority
CN
China
Prior art keywords
matrix
monitoring
calculating
data
water quality
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
Application number
CN202310868227.7A
Other languages
English (en)
Other versions
CN116611000A (zh
Inventor
李建辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongying Hengsheng Agricultural Science And Technology Co ltd
Original Assignee
Dongying Hengsheng Agricultural Science And Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongying Hengsheng Agricultural Science And Technology Co ltd filed Critical Dongying Hengsheng Agricultural Science And Technology Co ltd
Priority to CN202310868227.7A priority Critical patent/CN116611000B/zh
Publication of CN116611000A publication Critical patent/CN116611000A/zh
Application granted granted Critical
Publication of CN116611000B publication Critical patent/CN116611000B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Food Science & Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Immunology (AREA)
  • Medical Informatics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及数据处理技术领域，尤其涉及基于机器学习的大闸蟹养殖环境智能监测系统。通过对大闸蟹行为引起的反馈异常会根据时间变化而减缓的特征，对异常的待测矩阵计算大闸蟹影响概率，从而在进行孤立森林算法时，排除掉由于大闸蟹行为活动原因所导致水质异常的传感器极端监测，更准确的计算出由于环境影响而导致的水质变化，从而防止误检测，节省人力和物理，提高了算法的准确性和鲁棒性。

Description

基于机器学习的大闸蟹养殖环境智能监测系统
技术领域
本发明涉及数据处理技术领域，尤其涉及基于机器学习的大闸蟹养殖环境智能监测系统。
背景技术
随着当代人们生活水平的提高，越来越多的人对食品健康的产生了很大的追求。目前，大闸蟹已经成为饭桌上不可缺少的美食之一，为了保证食用大闸蟹的安全健康标准，需要从大闸蟹的养殖环境开始入手，然而，在大闸蟹的养殖过程中存在着许多的问题，比如水质污染、疾病爆发等等，这些问题给大闸蟹的养殖业带来了很大的损失，甚至有患病大闸蟹或者是不新鲜的大闸蟹流入市场。
对于传统的大闸蟹养殖方法来说，通常是靠人为的经验认定和手工操作来进行环境的监控和调整，虽然有着主观性强的优点，但是消耗的时间和精力成本较高，且信息的处理时间较长。
虽然可以在池塘深水区放置水质和环境传感器，用来监测池塘深水区的水质和环境参数，如温度、溶氧量等，这些传感器在进行布置时通常会选择分散布置，即平均分布多个传感器，每个传感器监测一部分的池塘环境，从而实现全面监测。但是如果大闸蟹发生互相撕咬的行为时，会产生大量的组织、组织液和血液等，沉淀后经过分解会产生蛋白质等物质，对水中环境的pH值以及浑浊程度造成局部影响，且大闸蟹的觅食会产生大量食物残渣和排泄物，发酵分解会产生氨氮等物质，降低局部的pH值，增加水浑浊度，这种局部影响对整个池塘并不会造成很大的影响，但是其持续时间往往会比较长，会使某些传感器会采集到极端数据。而由环境变化引起的局部水质变化持续时间较长，对水质影响较大，会慢慢的从局部影响变为整体影响。因此，传统的智能检测系统往往无法判别这两种情况，会将大闸蟹行为造成的局部水质变化误判为环境影响的局部变化，导致错误报警，误判池塘总体水质状况，判断水质出现问题时需要管理人员进行全面处理，造成人力、物力的浪费。
发明内容
本发明要解决的技术问题在于，传统的智能检测系统往往会将大闸蟹行为造成的局部水质变化误判为环境影响的局部变化，导致错误报警，误判池塘总体水质状况，造成人力、物力的浪费。针对现有技术中的缺陷，提供一种基于机器学习的大闸蟹养殖环境智能监测系统。
为了解决上述技术问题，本发明提供了一种基于机器学习的大闸蟹养殖环境智能监测系统，采用如下监测方法：
将深水区不同位置的水质监控参数的参数数据序列分别构建为监测矩阵；
分别计算任意两个所述监测矩阵之间的综合相似度；
根据所述综合相似度将各个所述监测矩阵划分为正常水质监测矩阵和待测矩阵；
计算所有所述正常水质监测矩阵的平均矩阵；
计算每个所述待测矩阵相对所述平均矩阵的每行数据的变化率趋势；
基于所述待测矩阵的各个所述变化率趋势计算大闸蟹影响概率；
使用孤立森林算法对各个所述待测矩阵进行异常监测，并结合所述大闸蟹影响概率计算每个所述待测矩阵的异常数据得分；
基于所述异常数据得分从所述待测矩阵中检测出异常矩阵。
可选地，将深水区不同位置的水质监控参数的参数数据序列分别构建为监测矩阵，包括：
利用传感器在深水区不同位置对水质监控参数按预设频率进行采集；
获取各个位置的所述水质监控参数的参数数据序列；
将所述参数数据序列构建为参数矩阵；其中，所述参数矩阵的每行数据是同一所述水质监控参数在不同时刻的值；
分别对每个所述参数矩阵采用Z-score进行归一化处理得到监测矩阵。
可选地，所述水质监控参数包括但不限于酸碱度、浊度、氨氮浓度、温度、溶氧量。
可选地，所述预设频率为1次/2秒。
可选地，所述参数数据序列的长度为300。
可选地，所述监测矩阵表示为：
；
式中，为深水区第/>个位置对应的所述监测矩阵，/>为深水区第/>个位置的第/>个所述水质监控参数在/>个时刻对应的归一化数据值。
可选地，分别计算任意两个所述监测矩阵之间的综合相似度，包括：
计算每个所述监测矩阵中每行数据的参数方差；
对任意两个所述监测矩阵；
基于所述参数方差计算两个所述监测矩阵的每行数据的参数协方差；
根据所述参数协方差和所述参数方差计算每行数据的皮尔逊相关系数；
计算各行数据的所述皮尔逊相关系数的均值作为两个所述监测矩阵之间的相关系数；
计算两个所述监测矩阵之间的欧氏距离；
根据所述相关系数和所述欧氏距离计算两个监测矩阵之间的综合相似度。
可选地，采用如下公式计算所述综合相似度：
；
式中，是两个所述监测矩阵之间的所述综合相似度，/>是两个所述监测矩阵之间的所述欧氏距离，/>是两个所述监测矩阵之间的所述皮尔逊相关系数，/>是权重因子、取值为/>。
可选地，根据所述综合相似度将各个所述监测矩阵划分为正常水质监测矩阵和待测矩阵，包括：
根据所述监测矩阵之间的所述综合相似度构建相似度矩阵；
遍历所述相似度矩阵，将所述综合相似度大于等于相似度阈值的所述监测矩阵划分为正常水质监测矩阵，将剩余所述监测矩阵划分为待测矩阵；其中，所述相似度阈值取值为0.8。
可选地，计算每个所述待测矩阵相对所述平均矩阵的每行数据的变化率趋势，包括：
计算每个所述待测矩阵相对所述平均矩阵的每个元素的变化率，得到变化率矩阵；
分别计算所述变化率矩阵每行中相邻两个元素的变化率之差，得到列表差异；
根据所述列表差异中的正差分和负差分计算所述待测矩阵的每行数据相对所述平均矩阵的每行数据的变化率趋势。
可选地，采用如下公式计算所述变化率：
；
式中，是所述待测矩阵第/>行第/>列的元素的变化率，/>是所述待测矩阵第/>行第/>列的元素值，/>是所述平均矩阵第/>行第/>列的元素值。
可选地，采用如下公式计算所述变化率趋势：
；
式中，是所述变化率趋势，/>是所述列表差异中的第/>个正差分，/>是所述列表差异中的第/>个负差分。
可选地，采用如下公式计算所述大闸蟹影响概率：
；
式中，是所述大闸蟹影响概率，/>是所述待测矩阵的第/>个小于等于零的所述变化率趋势，/>是所述待测矩阵的第/>个大于零的所述变化率趋势。
可选地，采用如下公式计算所述异常数据得分：
；
式中，是所述待测矩阵/>的所述异常数据得分，/>是所述待测矩阵/>在孤立树上的路径， />是修正值，/>是所述待测矩阵的所述大闸蟹影响概率，/>是均值函数。
可选地，基于所述异常数据得分从所述待测矩阵中检测出异常矩阵，包括：
分别将各个所述待测矩阵的所述异常数据得分与异常阈值进行比较；其中，所述异常阈值取值为1；
将所述异常数据得分大于所述异常阈值的所述待测矩阵判定为异常矩阵。
实施本发明的基于机器学习的大闸蟹养殖环境智能监测系统，具有以下有益效果：
通过对大闸蟹行为引起的反馈异常会根据时间变化而减缓的特征，对异常的待测矩阵计算大闸蟹影响概率，从而在进行孤立森林算法时，排除掉由于大闸蟹行为活动原因所导致水质异常的传感器极端监测，更准确的计算出由于环境影响而导致的水质变化，从而防止误检测，节省人力和物理，提高了算法的准确性和鲁棒性，进一步地，不仅仅能够实时掌握大闸蟹的生长情况和养殖环境的变化，还能够提高样值的收益、减少运营成本等效果。
附图说明
图1是本发明实施例的基于机器学习的大闸蟹养殖环境智能监测系统采用的监测方法的主要步骤的示意图；
图2是本发明实施例的基于机器学习的大闸蟹养殖环境智能监测系统的实现示意图；
图3是本发明一个可参考实施例的计算大闸蟹影响概率的流程示意图；
图4是本发明一个可参考实施例的基于机器学习的大闸蟹养殖环境智能监测系统的流程示意图；
图5是本发明实施例的基于机器学习的大闸蟹养殖环境智能监测系统的主要模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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做出创造性劳动的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。
如图1所示，本发明实施例提供的基于机器学习的大闸蟹养殖环境智能监测系统采用的监测方法主要包括如下步骤：
步骤101、将深水区不同位置的水质监控参数的参数数据序列分别构建为监测矩阵。
本发明实施例通过在池塘深水区内分布多个传感器，使每个传感器都能监测到整个养殖场区域内的局部区域，对每个局部区域进行数据采集，实现全面监测。传感器的型号可以根据实际情况选择，利用传感器对深水区各个位置的水质监控参数的实时数据进行采集，从而获取水质监控参数的数据序列，将其作为检测深水区水质异常状况的基础数据，水质监控参数包括但不限于酸碱度（pH）、浊度、氨氮浓度、温度、溶氧量等，例如可以通过相应的pH传感器、氧化还原电位（ORP）传感器等在深水区进行数据采集。
在本发明实施例中，步骤101可以采用如下方式实现：利用传感器在深水区不同位置对水质监控参数按预设频率进行采集；获取各个位置的水质监控参数的参数数据序列；将参数数据序列构建为参数矩阵；分别对每个参数矩阵采用Z-score进行归一化处理得到监测矩阵。
其中，预设频率为1次/2秒，各个传感器可以每隔2秒对水质监控参数进行一次数据采集。参数矩阵的每行数据是同一水质监控参数在不同时刻的值。参数数据序列的长度优选为300，即在检测分析时，仅对一定时间范围内的水质监控参数进行分析，保证最终结果能够反应当前水质状况。
对于采集的水质监控参数的参数数据序列，在构建参数矩阵后采用Z-score进行归一化处理，防止参数之间不同量纲的影响，便于后续分析。Z-score即z分数，也叫标准分数，是一个数与平均数的差再除以标准差的过程。
本发明实施例中水质监控参数的个数记为，作为一种优选的实施方式，监测矩阵可以表示为：
；
式中，为深水区第/>个位置对应的监测矩阵，/>为深水区第/>个位置的第/>个水质监控参数在/>个时刻对应的归一化数据值。
步骤102、分别计算任意两个监测矩阵之间的综合相似度。
对于两个监测矩阵，可以将监测矩阵之间的相似性用数值表达出来，本发明实施例通过综合相似度表现该相似性。
在本发明实施例中，步骤102可以采用如下方式实现：计算每个监测矩阵中每行数据的参数方差；对任意两个监测矩阵，基于参数方差计算两个监测矩阵的每行数据的参数协方差；根据参数协方差和参数方差计算每行数据的皮尔逊相关系数；计算各行数据的皮尔逊相关系数的均值作为两个监测矩阵之间的相关系数；计算两个监测矩阵之间的欧氏距离；根据相关系数和欧氏距离计算两个监测矩阵之间的综合相似度。
对于每个的监测矩阵，任意的两个监测矩阵/>（/>），计算两个矩阵之间的欧氏距离/>，因为一个监测矩阵中不同的行是检测到的不同的水质监控参数，所以计算出每个监测矩阵中每行数据的常用特征，用于表达不同监测矩阵之间的差异。求出监测矩阵中每行数据的参数均值/>和参数方差/>，计算/>与/>相对应的每行数据的参数协方差，根据参数协方差和参数方差计算其皮尔逊相关系数/>，之后求各行的皮尔逊相关系数/>的平均值/>，作为矩阵/>和/>之间的相关系数，可以根据/>判断/>和/>之间的相似性：若/>则/>和/>之间完全正相关，/>则/>和/>之间不相关，/>则/>和之间完全负相关，/>越大则相关性越强，/>越小则相关性越弱。相关系数/>可直接作为两个监测矩阵之间的综合相似度，其值越大，相关性越强，两个矩阵越相似。
作为一种优选的实施方式，可以采用如下公式计算综合相似度：
；
式中，是两个监测矩阵之间的综合相似度。/>是两个监测矩阵之间的欧氏距离，/>越大则两个监测矩阵之间差异越大，反之则两个监测矩阵之间差异越小。/>是两个监测矩阵之间的皮尔逊相关系数，/>越大则两个监测矩阵之间的相似度越大，反之两者之间的相似度越小。/>是权重因子，优选取值为/>，给予相关系数更高的权重。
步骤103、根据综合相似度将各个监测矩阵划分为正常水质监测矩阵和待测矩阵。
正常水质监测矩阵是正常无干扰的水质监测矩阵，对应于正常的深水区域。待测矩阵是深水水质反馈异常的矩阵，对应于异常的深水区域。基于这种分类可以清楚的监测到是哪个深水区域的传感器监测到了水质变化。
在本发明实施例中，步骤103可以采用如下方式实现：根据监测矩阵之间的综合相似度构建相似度矩阵；遍历相似度矩阵，将综合相似度大于等于相似度阈值的监测矩阵划分为正常水质监测矩阵，将剩余监测矩阵划分为待测矩阵。
在计算所有监测矩阵两两之间的综合相似度后，根据求得的/>构建一个的相似度矩阵/>，/>表示相似度矩阵中对应于监测矩阵/>和/>之间的综合相似度的元素，通过构建相似度矩阵/>，可以将监测矩阵之间的相似性用数值表达了出来。
本步骤将相似度阈值设置为0.8，遍历/>的每一个元素/>，/>。如果/>，则将监测矩阵/>和监测矩阵/>聚为一类，对于第三个监测矩阵/>，如果监测矩阵/>已与监测矩阵/>聚为一类，监测矩阵/>也与监测矩阵/>聚为一类，则监测矩阵/>和监测矩阵/>自动属于同一大类，无需重复比较；如果监测矩阵/>已与监测矩阵/>聚为一类，但监测矩阵/>尚未聚类，只需比较监测矩阵/>与监测矩阵/>的综合相似度是否/>即可。对于未分类的监测矩阵，则单独作为一类。由此可以分为两大类，一类是内部相似度都非常高的矩阵，代表了正常无干扰的水质监测矩阵；第二类是与第一类综合相似度差别较大，没有进行聚类的监测矩阵，代表了深水水质反馈异常的矩阵。此外，还可以根据最后的聚类结果，将相似度矩阵/>重新排列，使得同一类的监测矩阵相邻，不同类的监测矩阵远离，从而更直观地监测传感器的异常。
步骤104、计算所有正常水质监测矩阵的平均矩阵。
为分析水质变化情况，可以对分类后正常水质监测矩阵进行提取，计算所有正常水质监测矩阵的平均矩阵，将平均矩阵作为标准矩阵用于与待测矩阵进行比较。
步骤105、计算每个待测矩阵相对平均矩阵的每行数据的变化率趋势。
当传感器监测到水质变化（对应于待测矩阵）时，有可能是环境引起的局部水质变化，这种变化往往都是从局部开始，慢慢扩散到全局，且影响较大，还有一种情况是大闸蟹行为原因造成的局部水质变化，虽然这种情况会因为饵料、撕咬组织等原因会造成时间较长的水质变化，但是对于整体环境的影响并不大。为了防止上述由于长时间异常而造成的误报，需要对这种水质变化进行检测，以确定水质异常类型。
同样对待测矩阵进行提取，计算待测矩阵相对于平均矩阵的每行数据的变化率趋势。
在本发明实施例中，步骤105可以采用如下方式实现：计算每个待测矩阵相对平均矩阵的每个元素的变化率，得到变化率矩阵；分别计算变化率矩阵每行中相邻两个元素的变化率之差，得到列表差异；根据列表差异中的正差分和负差分计算待测矩阵的每行数据相对平均矩阵的每行数据的变化率趋势。
将平均矩阵设为S、待测矩阵设为M，对于矩阵中的每个元素和/>来说，可以计算待测矩阵关于平均矩阵的每个元素的变化率/>，通过计算每个元素的变化率，可以获得待测矩阵中每个元素相对于标准矩阵的变化程度，得到一个变化率矩阵/>。作为一种优选的实施方式，可以采用如下公式计算变化率：
；
式中，是待测矩阵第/>行第/>列的元素的变化率，/>是待测矩阵第/>行第/>列的元素值，/>是平均矩阵第/>行第/>列的元素值。其中，平均矩阵代表正常水质的参考值，当待测矩阵中的元素值接近平均值时变化率会较小，反之则变化率会较大。/>表示待测矩阵中第/>行第/>列的元素值与平均矩阵中对应位置（即第/>行第/>列）的元素值之间的差值，该差值可以用来衡量待测矩阵中该位置的元素与平均矩阵的偏离程度，该差值越大，则代表水质异常程度越高，变化率也会相应越大；该差值越小，则代表水质异常程度越小，变化率也会相应越小。
之后遍历变化率矩阵的每一行，计算第/>行中相邻两个元素的变化率之差，得到一个长度为/>的列表差异（/>是待测矩阵每行的长度）。设列表差异包含正差分的数量有/>个，分别记为/>；负差分的数量有/>个，分别记为/>。正差分是指相邻两个元素的变化率之差大于零，负差分是指相邻两个元素的变化率之差小于零。由此可以判断每行数据对于标准矩阵的变化率趋势/>。作为一种优选的实施方式，可以采用如下公式计算变化率趋势：
；
式中，是变化率趋势，/>是列表差异中的第/>个正差分，/>是列表差异中的第/>个负差分。如果正差分的总和远大于负差分的总和，即 />时，则总体上的变化率在增大；如果负差分的总和远大于正差分的总和，即 />时，则总体上的变化率在减小。通过计算每行数据的变化率趋势，可以判断该行的变化率总体上是增大还是减小。
步骤106、基于待测矩阵的各个变化率趋势计算大闸蟹影响概率。
基于变化率趋势可以判断异常的深水区域处每种水质监控参数的变化率，从而获得大闸蟹行为对该深水区域的影响概率（即大闸蟹影响概率）。
设待测矩阵中的行数有/>个、/>的行数有/>个。可以通过上述计算出大闸蟹影响概率/>。作为一种优选的实施方式，可以采用如下公式计算大闸蟹影响概率：
；
式中，是大闸蟹影响概率，/>是待测矩阵的第/>个小于等于零的变化率趋势，/>是待测矩阵的第/>个大于零的变化率趋势。
其中，为待测矩阵中所有减小行的变化率趋势均值，由于其值小于0，用绝对值将其取正，/>为增大行的变化率趋势均值。此公式用所有减小行的均值减去增大行的均值，表达出异常反馈的大闸蟹影响概率，当/>时，代表其减小行的趋势较大，待测数据越来越向平均矩阵靠拢，此待测矩阵的异常就越会是大闸蟹行为引起的局部异常，而当/>时，代表其增大行的趋势较大，待测矩阵对于标准矩阵越来越发散，此时待测矩阵就越会是环境所造成的局部影响。
步骤107、使用孤立森林算法对各个待测矩阵进行异常监测，并结合大闸蟹影响概率计算每个待测矩阵的异常数据得分。
最后使用孤立森林算法对所有反馈异常的待测矩阵进行异常监测，并且对孤立森林算法中的异常数据得分进行改进，引入大闸蟹影响概率，使得最终待测矩阵的异常数据得分充分考虑大闸蟹行为的影响。
孤立森林算法是一种从异常点出发，通过指定规则进行划分，根据划分次数进行判断的异常检测方法。孤立森林算法的具体实现过程可以参考现有的技术方案或利用已有计算机程序实现，本发明实施例不再赘述。
作为一种优选的实施方式，可以采用如下公式计算异常数据得分：
；
式中，是待测矩阵/>的异常数据得分，/>是待测矩阵/>在孤立树上的路径， />是修正值，/>是待测矩阵的大闸蟹影响概率，/>是均值函数。
其中，是矩阵级别的大闸蟹影响概率，其正负值可以确定待测矩阵异常的原因，当/>时，可以确定为是大闸蟹行为引起的局部异常，/>越接近0，此时待测矩阵是越来越向标准数据靠拢的，此时样本为异常值的概率越小，反之/>小于0时，/>越接近/>，此时待测矩阵为异常矩阵的概率越大。指数部分值域为/>，因此/>值域为/>。
步骤108、基于异常数据得分从待测矩阵中检测出异常矩阵。
其中，异常数据得分越高的待测矩阵越有可能是异常矩阵。
在本发明实施例中，步骤108可以采用如下方式实现：分别将各个待测矩阵的异常数据得分与异常阈值进行比较；将异常数据得分大于异常阈值的待测矩阵判定为异常矩阵。
优选地，设置异常阈值，使得异常数据得分大于该异常阈值的待测矩阵判定为异常矩阵，即待测矩阵是环境所造成的局部影响，而并非是大闸蟹行为造成的局部影响。
根据上述步骤，对水质变化进行检测，将池塘局部环境变化导致的水质变化与大闸蟹行为活动导致的水质变化进行区分，实现基于机器学习的大闸蟹养殖环境智能监测。
此外，还可以将待测矩阵及其异常数据得分带入到孤立森林算法中，用所有的待测矩阵样本训练孤立森林算法模型，从而对每个样本矩阵进行异常数据得分预测。
根据本发明实施例的基于机器学习的大闸蟹养殖环境智能监测系统可以看出，通过在池塘深水区内分布多个传感器，使每个传感器都能监测到整个养殖场区域内的局部区域，对每个局部区域进行数据采集，将所有传感器监测到的监测矩阵进行相似性分析，将数据反馈异常的矩阵和正常范围下的矩阵分离出来。对分离出来的所有正常矩阵求一个平均矩阵，将所有的异常反馈矩阵上的各个元素与平均矩阵上所对应的元素进行计算，计算出以行为单位的每个元素的变化率和每一行的变化率趋势。如果是因为大闸蟹引起的局部异常，则其每行数据的变化率趋势都会逐渐靠着平均矩阵聚拢。根据这一特性，将由大闸蟹行为活动引起的水质变化和由环境引起的水质变化做出分割，改进孤立森林算法中的异常数据得分，使得在进行大闸蟹养殖环境智能监测时，不会将由于大闸蟹行为活动所引起的水质变化误判为永久性的水质变化，只会对由环境因素引起的水质变化做出响应，从而能够提高监测的准确性，节省人力和物力，进而不仅仅能够实时掌握大闸蟹的生长情况和养殖环境的变化，还能够提高样值的收益、减少运营成本等效果。
如图2所示，本发明实施例的基于机器学习的大闸蟹养殖环境智能监测系统，主要包括以下三部分：
一、通过传感器对深水区监控的数据进行采集，获取水质监控参数的数据序列：
每隔T时刻对深水区水质监控参数进行一次数据采集，每次检测设定的数据序列长度记为n，用于对深水水质监控参数的状况进行检测分析；
二、对采集到的所有监测矩阵两两之间进行相似性分析，并将其分为正常无干扰的正常水质监测矩阵和深水水质反馈异常的待测矩阵，并对待测矩阵进行深度分析，计算所有待测矩阵中每行数据的变化率趋势。
三、使用孤立森林算法对所有反馈异常的待测矩阵进行异常监测，并且对孤立森林算法中的异常数据得分进行改进：
通过此改进孤立森林算法的异常数据得分计算每个待测矩阵的异常数据得分，基于异常数据得分排除大闸蟹行为活动引起的异常反馈，检测环境造成的水质异常。
如图3所示，本发明实施例的基于机器学习的大闸蟹养殖环境智能监测系统，计算大闸蟹影响概率可以参考以下流程实现：
301、将利用传感器采集到的个水质监控参数在/>个时刻的数据构建为监测矩阵：
；
为深水区第/>个位置的第/>个水质监控参数在/>个时刻对应的归一化数据值。
302、计算任意两个监测矩阵的综合相似度：
对于每个的监测矩阵，任意的两个监测矩阵/>（/>），计算两个矩阵之间的欧氏距离/>，因为一个监测矩阵中不同的行是检测到的不同的水质监控参数，所以计算出每个监测矩阵中每行数据的常用特征，用于表达不同监测矩阵之间的差异。求出监测矩阵中每行数据的参数均值/>和参数方差/>，计算/>与/>相对应的每行数据的参数协方差，根据参数协方差和参数方差计算其皮尔逊相关系数/>，之后求各行的皮尔逊相关系数/>的平均值/>，作为矩阵/>和/>之间的相关系数，可以根据/>判断/>和/>之间的相似性：若/>则/>和/>之间完全正相关，/>则/>和/>之间不相关，/>则/>和之间完全负相关，/>越大则相关性越强，/>越小则相关性越弱。相关系数/>可直接作为两个监测矩阵之间的综合相似度，其值越大，相关性越强，两个矩阵越相似。
综合相似度。
303、对监测矩阵进行分类：
构建一个的相似度矩阵/>，遍历/>的每一个元素/>，/>，如果/>，则将监测矩阵/>和监测矩阵/>聚为一类，对于第三个监测矩阵/>，如果监测矩阵/>已与监测矩阵/>聚为一类，监测矩阵/>也与监测矩阵/>聚为一类，则监测矩阵/>和监测矩阵/>自动属于同一大类，无需重复比较；如果监测矩阵/>已与监测矩阵/>聚为一类，但监测矩阵/>尚未聚类，只需比较监测矩阵/>与监测矩阵/>的综合相似度是否/>即可，对于未分类的监测矩阵，则单独作为一类。/>
304、计算所有正常水质监测矩阵的平均矩阵。
305、计算每个待测矩阵相对平均矩阵的每行数据的变化率趋势：
计算每个元素的变化率。
遍历变化率矩阵的每一行，计算第/>行中相邻两个元素的变化率之差，得到一个长度为/>的列表差异（/>是待测矩阵每行的长度）。设列表差异包含正差分的数量有/>个，分别记为/>；负差分的数量有/>个，分别记为/>；
计算每行数据的变化率趋势。
306、计算每个待测矩阵的大闸蟹影响概率：
；
如图4所示，在应用本发明实施例的基于机器学习的大闸蟹养殖环境智能监测系统时，该系统采用的监测方法可参考以下流程：
401、利用传感器在深水区不同位置对水质监控参数按预设频率进行采集；
402、获取各个位置的水质监控参数的参数数据序列；
403、将参数数据序列构建为参数矩阵；
404、对每个参数矩阵采用Z-score进行归一化处理得到监测矩阵；
405、分别计算每个监测矩阵中每行数据的参数均值和参数方差；
406、计算任意两个监测矩阵之间的综合相似度：
对任意两个监测矩阵，计算两个监测矩阵的每行数据的参数协方差；根据参数协方差和参数方差计算每行数据的皮尔逊相关系数；计算各行数据的皮尔逊相关系数的均值作为两个监测矩阵之间的相关系数；计算两个监测矩阵之间的欧氏距离；根据相关系数和欧氏距离计算两个监测矩阵之间的综合相似度；
407、对监测矩阵进行分类：
根据任意两个监测矩阵之间的综合相似度构建相似度矩阵；遍历相似度矩阵，将综合相似度大于等于相似度阈值的监测矩阵划分为正常水质监测矩阵，将剩余监测矩阵划分为待测矩阵；
408、计算所有正常水质监测矩阵的平均矩阵；
409、计算每个待测矩阵相对平均矩阵的每行数据的变化率趋势：
计算每个待测矩阵相对平均矩阵的每个数据的变化率，得到变化率矩阵；分别计算变化率矩阵每行中相邻两个元素的变化率之差，得到列表差异；根据列表差异中的正差分和负差分计算待测矩阵的每行数据相对平均矩阵的每行数据的变化率趋势；
410、基于待测矩阵的各个变化率趋势计算大闸蟹影响概率；
411、使用孤立森林算法对各个待测矩阵进行异常监测，并结合大闸蟹影响概率计算每个待测矩阵的异常数据得分；
412、分别将各个待测矩阵的异常数据得分与异常阈值进行比较；
413、将异常数据得分大于异常阈值的待测矩阵判定为异常矩阵。
如图5所示，本发明实施例的基于机器学习的大闸蟹养殖环境智能监测系统500包括：传感器501和监测模块502。
其中：
传感器501，平均分布在深水区内，用于按预设频率采集深水区不同位置的水质监控参数；
监测模块502用于：将深水区不同位置的水质监控参数的参数数据序列分别构建为监测矩阵；分别计算任意两个监测矩阵之间的综合相似度；根据综合相似度将各个监测矩阵划分为正常水质监测矩阵和待测矩阵；计算所有正常水质监测矩阵的平均矩阵；计算每个待测矩阵相对平均矩阵的每行数据的变化率趋势；基于待测矩阵的各个变化率趋势计算大闸蟹影响概率；使用孤立森林算法对各个待测矩阵进行异常监测，并结合大闸蟹影响概率计算每个待测矩阵的异常数据得分；基于异常数据得分从待测矩阵中检测出异常矩阵。
在本发明实施例中，监测模块502还可以用于：
获取各个位置的水质监控参数的参数数据序列；
将参数数据序列构建为参数矩阵；其中，参数矩阵的每行数据是同一水质监控参数在不同时刻的值；
分别对每个参数矩阵采用Z-score进行归一化处理得到监测矩阵。
此外，水质监控参数可以包括但不限于酸碱度、浊度、氨氮浓度、温度、溶氧量；预设频率优选为1次/2秒；以及，参数数据序列的长度优选为300。
进一步地，监测矩阵可以表示为：
；
式中，为深水区第/>个位置对应的监测矩阵，/>为深水区第/>个位置的第/>个水质监控参数在/>个时刻对应的归一化数据值。
在本发明实施例中，监测模块502还可以用于：
计算每个监测矩阵中每行数据的参数方差；
对任意两个监测矩阵；
基于参数方差计算两个监测矩阵的每行数据的参数协方差；
根据参数协方差和参数方差计算每行数据的皮尔逊相关系数；
计算各行数据的皮尔逊相关系数的均值作为两个监测矩阵之间的相关系数；
计算两个监测矩阵之间的欧氏距离；
根据相关系数和欧氏距离计算两个监测矩阵之间的综合相似度。
进一步地，可以采用如下公式计算综合相似度：
；/>
式中，是两个监测矩阵之间的综合相似度，/>是两个监测矩阵之间的欧氏距离，/>是两个监测矩阵之间的皮尔逊相关系数，/>是权重因子、取值为/>。
在本发明实施例中，监测模块502还可以用于：
根据任意两个监测矩阵之间的综合相似度构建相似度矩阵；
遍历相似度矩阵，将综合相似度大于等于相似度阈值的监测矩阵划分为正常水质监测矩阵，将剩余监测矩阵划分为待测矩阵；其中，相似度阈值取值为0.8。
在本发明实施例中，监测模块502还可以用于：
计算每个待测矩阵相对平均矩阵的每个元素的变化率，得到变化率矩阵；
分别计算变化率矩阵每行中相邻两个元素的变化率之差，得到列表差异；
根据列表差异中的正差分和负差分计算待测矩阵的每行数据相对平均矩阵的每行数据的变化率趋势。
此外，可以采用如下公式计算变化率：
；
式中，是待测矩阵第/>行第/>列的元素的变化率，/>是待测矩阵第/>行第列的元素值，/>是平均矩阵第/>行第/>列的元素值。
此外，可以采用如下公式计算变化率趋势：
；
式中，是变化率趋势，/>是列表差异中的第/>个正差分，/>是列表差异中的第/>个负差分。
此外，可以采用如下公式计算大闸蟹影响概率：
；
式中，是大闸蟹影响概率，/>是待测矩阵的第/>个小于等于零的变化率趋势，/>是待测矩阵的第/>个大于零的变化率趋势。
此外，可以采用如下公式计算异常数据得分：
；
式中，是待测矩阵/>的异常数据得分，/>是待测矩阵/>在孤立树上的路径， />是修正值，/>是待测矩阵的大闸蟹影响概率，/>是均值函数。
在本发明实施例中，监测模块502还可以用于：
分别将各个待测矩阵的异常数据得分与异常阈值进行比较；其中，异常阈值取值为1；
将异常数据得分大于异常阈值的待测矩阵判定为异常矩阵。
综上，本发明实施例的基于机器学习的大闸蟹养殖环境智能监测系统，通过在池塘深水区内分布多个传感器，使每个传感器都能监测到整个养殖场区域内的局部区域，对每个局部区域进行数据采集，将所有传感器监测到的监测矩阵进行相似性分析，将数据反馈异常的矩阵和正常范围下的矩阵分离出来。对分离出来的所有正常矩阵求一个平均矩阵，将所有的异常反馈矩阵上的各个元素与平均矩阵上所对应的元素进行计算，计算出以行为单位的每个元素的变化率和每一行的变化率趋势。如果是因为大闸蟹引起的局部异常，则其每行数据的变化率趋势都会逐渐靠着平均矩阵聚拢。根据这一特性，将由大闸蟹行为活动引起的水质变化和由环境引起的水质变化做出分割，改进孤立森林算法中的异常数据得分，使得在进行大闸蟹养殖环境智能监测时，不会将由于大闸蟹行为活动所引起的水质变化误判为永久性的水质变化，只会对由环境因素引起的水质变化做出响应，从而能够提高监测的准确性，节省人力和物力，进而不仅仅能够实时掌握大闸蟹的生长情况和养殖环境的变化，还能够提高样值的收益、减少运营成本等效果。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.基于机器学习的大闸蟹养殖环境智能监测系统，其特征在于，采用如下监测方法：
将深水区不同位置的水质监控参数的参数数据序列分别构建为监测矩阵；
分别计算任意两个所述监测矩阵之间的综合相似度；
根据所述综合相似度将各个所述监测矩阵划分为正常水质监测矩阵和待测矩阵；
计算所有所述正常水质监测矩阵的平均矩阵；
计算每个所述待测矩阵相对所述平均矩阵的每行数据的变化率趋势；
基于所述待测矩阵的各个所述变化率趋势计算大闸蟹影响概率；
使用孤立森林算法对各个所述待测矩阵进行异常监测，并结合所述大闸蟹影响概率计算每个所述待测矩阵的异常数据得分；
基于所述异常数据得分从所述待测矩阵中检测出异常矩阵；
分别计算任意两个所述监测矩阵之间的综合相似度，包括：
计算每个所述监测矩阵中每行数据的参数方差；
对任意两个所述监测矩阵；
基于所述参数方差计算两个所述监测矩阵的每行数据的参数协方差；
根据所述参数协方差和所述参数方差计算每行数据的皮尔逊相关系数；
计算各行数据的所述皮尔逊相关系数的均值作为两个所述监测矩阵之间的相关系数；
计算两个所述监测矩阵之间的欧氏距离；
根据所述相关系数和所述欧氏距离计算两个监测矩阵之间的综合相似度，具体采用如下公式计算所述综合相似度：
式中，是两个所述监测矩阵之间的所述综合相似度，/>是两个所述监测矩阵之间的所述欧氏距离，/>是两个所述监测矩阵之间的所述皮尔逊相关系数，/>是权重因子、取值为/>；
计算每个所述待测矩阵相对所述平均矩阵的每行数据的变化率趋势，包括：
计算每个所述待测矩阵相对所述平均矩阵的每个元素的变化率，得到变化率矩阵；
分别计算所述变化率矩阵每行中相邻两个元素的变化率之差，得到列表差异；
根据所述列表差异中的正差分和负差分计算所述待测矩阵的每行数据相对所述平均矩阵的每行数据的变化率趋势；
具体采用如下公式计算所述变化率：
式中，是所述待测矩阵第/>行第/>列的元素的变化率，/>是所述待测矩阵第/>行第/>列的元素值，/>是所述平均矩阵第/>行第/>列的元素值；
采用如下公式计算所述变化率趋势：
式中，是所述变化率趋势，/>是所述列表差异中的第/>个正差分，/>是所述列表差异中的第/>个负差分；
采用如下公式计算所述大闸蟹影响概率：
式中，是所述大闸蟹影响概率，/>是所述待测矩阵的第/>个小于等于零的所述变化率趋势，/>是所述待测矩阵的第/>个大于零的所述变化率趋势；
设待测矩阵中的行数有/>个、/>的行数有/>个，采用如下公式计算大闸蟹影响概率：
式中，是大闸蟹影响概率，/>是待测矩阵的第/>个小于等于零的变化率趋势，/>是待测矩阵的第/>个大于零的变化率趋势。
2.根据权利要求1所述的基于机器学习的大闸蟹养殖环境智能监测系统，其特征在于，将深水区不同位置的水质监控参数的参数数据序列分别构建为监测矩阵，包括：
利用传感器在深水区不同位置对水质监控参数按预设频率进行采集；
获取各个位置的所述水质监控参数的参数数据序列；
将所述参数数据序列构建为参数矩阵；其中，所述参数矩阵的每行数据是同一所述水质监控参数在不同时刻的值；
分别对每个所述参数矩阵采用Z-score进行归一化处理得到监测矩阵。
3.根据权利要求2所述的基于机器学习的大闸蟹养殖环境智能监测系统，其特征在于，所述水质监控参数包括但不限于酸碱度、浊度、氨氮浓度、温度、溶氧量；所述预设频率为1次/2秒；所述参数数据序列的长度为300。
4.根据权利要求2所述的基于机器学习的大闸蟹养殖环境智能监测系统，其特征在于，所述监测矩阵表示为：
式中，为深水区第/>个位置对应的所述监测矩阵，/>为深水区第/>个位置的第/>个所述水质监控参数在/>个时刻对应的归一化数据值。
5.根据权利要求1所述的基于机器学习的大闸蟹养殖环境智能监测系统，其特征在于，根据所述综合相似度将各个所述监测矩阵划分为正常水质监测矩阵和待测矩阵，包括：
根据所述监测矩阵之间的所述综合相似度构建相似度矩阵；
遍历所述相似度矩阵，将所述综合相似度大于等于相似度阈值的所述监测矩阵划分为正常水质监测矩阵，将剩余所述监测矩阵划分为待测矩阵；其中，所述相似度阈值取值为0.8。
6.根据权利要求1所述的基于机器学习的大闸蟹养殖环境智能监测系统，其特征在于，采用如下公式计算所述异常数据得分：
式中，是所述待测矩阵/>的所述异常数据得分，/>是所述待测矩阵/>在孤立树上的路径, />是修正值，/>是所述待测矩阵的所述大闸蟹影响概率，/>是均值函数；
基于所述异常数据得分从所述待测矩阵中检测出异常矩阵，包括：
分别将各个所述待测矩阵的所述异常数据得分与异常阈值进行比较；其中，所述异常阈值取值为1；
将所述异常数据得分大于所述异常阈值的所述待测矩阵判定为异常矩阵。
CN202310868227.7A 2023-07-17 2023-07-17 基于机器学习的大闸蟹养殖环境智能监测系统 Active CN116611000B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310868227.7A CN116611000B (zh) 2023-07-17 2023-07-17 基于机器学习的大闸蟹养殖环境智能监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310868227.7A CN116611000B (zh) 2023-07-17 2023-07-17 基于机器学习的大闸蟹养殖环境智能监测系统

Publications (2)

Publication Number Publication Date
CN116611000A CN116611000A (zh) 2023-08-18
CN116611000B true CN116611000B (zh) 2023-10-24

Family

ID=87683882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310868227.7A Active CN116611000B (zh) 2023-07-17 2023-07-17 基于机器学习的大闸蟹养殖环境智能监测系统

Country Status (1)

Country Link
CN (1) CN116611000B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056862B (zh) * 2023-10-10 2023-12-19 贵州省畜牧兽医研究所 基于物联网的家禽养殖环境异常监测系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308306A (zh) * 2018-09-29 2019-02-05 重庆大学 一种基于孤立森林的用户用电异常行为检测方法
WO2022041178A1 (zh) * 2020-08-29 2022-03-03 上海量明科技发展有限公司 基于脑电波的信息处理方法、设备及即时通信客户端
CN116229335A (zh) * 2023-05-10 2023-06-06 山东大佳机械有限公司 基于图像数据的畜禽养殖场环境识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308306A (zh) * 2018-09-29 2019-02-05 重庆大学 一种基于孤立森林的用户用电异常行为检测方法
WO2022041178A1 (zh) * 2020-08-29 2022-03-03 上海量明科技发展有限公司 基于脑电波的信息处理方法、设备及即时通信客户端
CN116229335A (zh) * 2023-05-10 2023-06-06 山东大佳机械有限公司 基于图像数据的畜禽养殖场环境识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于孤立森林算法的取用水量异常数据检测方法;赵臣啸;薛惠锋;王磊;万毅;;中国水利水电科学研究院学报(01);全文 *

Also Published As

Publication number Publication date
CN116611000A (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
Geng et al. Automatic tracking, feature extraction and classification of C. elegans phenotypes
CN116611000B (zh) 基于机器学习的大闸蟹养殖环境智能监测系统
CN108256292B (zh) 一种拷贝数变异检测装置
Chandy RGBD analysis for finding the different stages of maturity of fruits in farming
CN113938503A (zh) 一种通过生猪行为体征监测对疾病的预警系统及构建方法
CN115876258B (zh) 基于多源数据的畜禽养殖环境异常监测及报警系统
CN110554161B (zh) 一种基于鱼类行为信号的水质监测方法
CN115200647A (zh) 一种水产养殖环境监测管理方法及系统
CN112244871A (zh) 一种基于机器学习的振幅整合脑电图分类识读系统
Ullah et al. Automatic diseases detection and classification in maize crop using convolution neural network
Hampton et al. The influence of complex matrices on method performance in extracting and monitoring for microplastics
CN117350435A (zh) 一种对虾工厂化养殖设备管理方法及系统
JP2006521550A (ja) 化合物を分析するための方法及びシステム
CN112365093A (zh) 一种基于gru深度学习的多特征因子赤潮预测模型
Wang et al. A new approach for unqualified salted sea cucumber identification: integration of image texture and machine learning under the pressure contact
JP7186457B2 (ja) 線虫を用いた個体レベルの健康寿命の評価系
CN109979535B (zh) 一种胚胎植入前遗传学筛查装置
CN115136912A (zh) 结合水质参数与行为发声的养殖虾类发病预测方法
CN103136439B (zh) 植物病症辨识方法及其系统
Aquino et al. An Artificial Neural Network (ANN) Model for the Cell Density Measurement of Spirulina (A. platensis)
Betegón-Putze et al. MyROOT: A novel method and software for the semi-automatic measurement of plant root length
Gowda et al. Plant Disease Detection Using Intelligence of Things
Meng et al. Multifractal Characterization and Recognition of Animal Behavior based on Deep Wavelet Transform
Vieira et al. An automatic method for estimating insect defoliation with visual highlights of consumed leaf tissue regions
Hakim et al. COMBINING GENERATIVE MODEL AND RANDOM FOREST TO PREDICT SHRIMP DISEASE OCCURRENCE

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