CN116819540A - 一种智能计算渔群类别与深度的方法 - Google Patents
一种智能计算渔群类别与深度的方法 Download PDFInfo
- Publication number
- CN116819540A CN116819540A CN202310514405.6A CN202310514405A CN116819540A CN 116819540 A CN116819540 A CN 116819540A CN 202310514405 A CN202310514405 A CN 202310514405A CN 116819540 A CN116819540 A CN 116819540A
- Authority
- CN
- China
- Prior art keywords
- fish
- module
- shoal
- depth
- data
- 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 37
- 241000251468 Actinopterygii Species 0.000 claims abstract description 104
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 239000011435 rock Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013049 sediment Substances 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 241000196324 Embryophyta Species 0.000 claims description 4
- 244000132059 Carica parviflora Species 0.000 description 2
- 235000014653 Carica parviflora Nutrition 0.000 description 2
- 244000236458 Panicum colonum Species 0.000 description 2
- 235000015225 Panicum colonum Nutrition 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及智能探测领域，尤其为一种智能计算渔群类别与深度的方法，包括：收集模块：用于通过鱼探仪对探测区域水底数据收集，获得检测区域水底超声波回波信号；处理模块：用于根据超声波回波信号进行预处理，获得预处理数据；检测模块：用于根据预处理数据进行目标检测，获得区域水底鱼群信息和环境信息；跟踪模块：用于根据检测模块检测的水底鱼群信息对鱼群跟踪。本发明通过收集模块收集到超声波鱼探仪回波信号，对回波信号进行降噪、过滤、增强确保后续操作的可靠性，对预处理的数据进行YOLO算法自动标识回波信号中各区域不同内容，然后使用卷积神经网络对鱼群运动轨迹进行预测，确保了勘测的高收益性。
Description
技术领域
本发明涉及智能探测领域，尤其是一种智能计算渔群类别与深度的方法。
背景技术
在我国科技水平快速发展的进程中，出现了许多高技术水底探测仪，其中超声波鱼探仪就是一种较为常见的水底信息探知设备。但是现有的超声波鱼探仪只能根据超声波回波信号对水底情况进行大概了解并不能很显著的标识出各个区域的内容只能依靠使用人员的经验对超声波鱼探仪显示设备显示的区域进行人为判断，有较大的偶然性误差存在，并且不能判断水底鱼群的大小、深度以及鱼群的运动轨迹，会导致不必要的经济损失，现有技术的鱼群识别方法中，具有一些缺陷，一是由于回波信号在经过水下复杂环境后，如杂乱的背景噪声、多普勒效应、水温、水深等，这些因素会对回波信号产生干扰，数据信号不稳定，使得信号的质量下降，对后续的鱼类识别和测量造成困扰。二是获取的鱼群图像中，其大特征图中会存在鱼群以外的相似物，对后续的测量造成误差影响。因此,本领域技术人员提供了一种智能计算渔群类别与深度的方法,以解决上述背景技术中提出的问题。
发明内容
本发明的目的是通过提出一种智能计算渔群类别与深度的方法，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：
提供一种智能计算渔群类别与深度的方法，包括：
收集模块：用于通过鱼探仪对探测区域水底数据收集，获得检测区域水底超声波回波信号；
处理模块：用于通过信号数字化、信号降噪和信号增强对回波信号进行预处理，获得预处理数据；
检测模块：通过图像裁剪和YOLO算法进行目标检测，获得区域水底鱼群信息和环境信息；
跟踪模块：用于根据检测模块检测的水底鱼群信息对鱼群进行跟踪。作为本发明的一种优选技术方案：所述收集模块中的鱼探仪为超声波鱼探仪。
作为本发明的一种优选技术方案：所述收集模块的超声波鱼探仪收集的数据包括水底的构造、水深、水下物体位置等。
作为本发明的一种优选技术方案：所述处理模块对超声波回波信号进行预处理过程如下：
2.1：超声波回波信号数字化，获得原始数据矩阵；
2.2：使用中值滤波对原始数据矩阵进行降噪处理：
其中xij表示对原始矩阵中的第i行j列进行降噪后的数据，k表示选取的计算核大小为(k+2)*(k+2)，xab表示计算核中第a行b列的数据；
2.3：使用sobel算子实现边缘过滤，得到过滤矩阵；
2.4：使用直方图均衡化对过滤矩阵进行数据增强。
作为本发明的一种优选技术方案：所述检测模块中通过目标检测分类算法，判断鱼群大小，鱼群深度，海底岩石，泥沙，水草，浮游生物，气泡等并进行智能识别，从杂乱信号中识别出鱼群。
作为本发明的一种优选技术方案：所述检测模块(300)中的目标检测采用YOLO算法，算法步骤如下：
3.1：对超声波回波信号进行数据缩放，缩放成大小为448*448的图片；
3.2：将缩放后的图片数据送入卷积神经网络中进行预测；
3.3通过预测结果进行置信度的阈值处理，得到最终结果。
作为本发明的一种优选技术方案：
所述YOLO算法将缩放后的图片送入卷积神经网络要对缩放后的图片进行分割，分割成S*S个网格，每个网格都会预测B个包含x,y,w,h,confidence参数的bbox，其中x,y是bbox中心点的偏移量，w,h是bbox中心点的宽度和深度，confidence是置信度，由于鱼群所围成的区域并不规则，并且图像中包含一些相似物，例如贝壳、珊瑚礁等，因此需要对鱼群进行图像裁剪，图像裁剪计算过程如下：
w′＝x2-x1
h′＝y2-y1
其中(x1，y1)为划分区域左上角坐标，(x2，y2)为右下角坐标，w′和h′为裁剪后的长度和宽度，对w′和yv进行归一化：
置信度：
其中C为置信度，P为bbox在对象的概率，Strue为真实面积大小，Spre为预测面积大小，Smer为两者面积合并区域的大小，可以通过不同类别的置信度大小判断预测结果值。
作为本发明的一种优选技术方案：所述跟踪模块中，使用跟踪算法实现目标跟踪并判断鱼群的移动方向速度等，计算出鱼群运动轨迹，鱼群信息丢失后可以通过鱼群运动轨迹进行重新搜索与判断。
作为本发明的一种优选技术方案：所述跟踪算法对收集到的超声波回波信号中通过YOLO检测算法检测到的鱼群信息进行标识，在同一坐标系下根据鱼群信息中心点不断变化收集到中心点变化信息，并使用卷积神经网络获得鱼群运动轨迹方程：
R＝ω(x，y，w，h)+b
其中(x,y,w,h)为鱼群中心点坐标，ω为权重，b为偏置值。
作为本发明的一种优选技术方案：所述收集模块通过超声波鱼探仪对水底数据进行采集获得超声波回波信号，将超声波回波信号作为处理模块的输入对回波信号进行预处理，通过检测模块对预处理数据进行检测，从乱信号中识别出鱼群，根据鱼群的移动自动标识并且对鱼群大小、鱼群深度、海底岩石、泥沙、水草、浮游生物、气泡等智能识别，最后通过跟踪模块对鱼群进行跟踪并判断鱼群的大小，深度，移动方向速度，鱼群信息丢失后则进行重新搜索与判断。
本发明提供的一种智能计算渔群类别与深度的方法，与现有技术相比，其有益效果有：
本发明通过收集模块收集到超声波鱼探仪回波信号，对回波信号进行降噪、过滤、增强确保后续操作的可靠性，并通过对特征图片进行裁剪分割的方式进一步优化训练集，使得特征图的误差小，对预处理的数据进行YOLO算法自动标识回波信号中各区域不同内容，然后使用卷积神经网络对鱼群运动轨迹进行预测，确保了勘测的高收益性。
附图说明
图1为本发明优选实施例的系统框图。
图中各个标记的意义为：100、收集模块；200、处理模块；300、检测模块；400、跟踪模块。
具体实施方式
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，本发明优选实施例提供了一种智能计算渔群类别与深度的方法，包括：
收集模块100：用于通过鱼探仪对探测区域水底数据收集，获得检测区域水底超声波回波信号；
处理模块200：用于通过信号数字化、信号降噪和信号增强对回波信号进行预处理，获得预处理数据；
检测模块300：通过图像裁剪和YOLO算法进行目标检测，获得区域水底鱼群信息和环境信息；
跟踪模块400：用于根据检测模块300检测的水底鱼群信息对鱼群进行跟踪。
所述收集模块100中的鱼探仪为超声波鱼探仪。
所述收集模块100的超声波鱼探仪收集的数据包括水底的构造、水深、水下物体位置等所述处理模块200对超声波回波信号进行预处理过程如下：
2.1：超声波回波信号数字化，获得原始数据矩阵；
2.2：使用中值滤波对原始数据矩阵进行降噪处理：
其中xij表示对原始矩阵中的第i行j列进行降噪后的数据，k表示选取的计算核大小为(k+2)*(k+2)；
2.3：使用sobel算子实现边缘过滤，得到过滤矩阵；
2.4：使用直方图均衡化对过滤矩阵进行数据增强。
所述检测模块300中通过目标检测分类算法，判断鱼群大小、鱼群深度、海底岩石、泥沙、水草、浮游生物、气泡等并进行智能识别，从杂乱信号中识别出鱼群。
所述目标检测分类算法为YOLO算法，算法步骤如下：
3.1：对超声波回波信号进行数据缩放，缩放成大小为448*448的图片；
3.2：将缩放后的图片数据送入卷积神经网络中进行预测；
3.3通过预测结果进行置信度的阈值处理，得到最终结果。
所述YOLO算法将缩放后的图片送入卷积神经网络要对缩放后的图片进行分割，分割成S*S个网格，每个网格都会预测B个包含x,y,w,h,confidence参数的bbox，其中x,y是bbox中心点的偏移量，w,h是bbox中心点的宽度和深度，confidence是置信度，由于鱼群所围成的区域并不规则，并且图像中包含一些相似物，例如贝壳、珊瑚礁等，因此需要对鱼群进行图像裁剪，图像裁剪计算过程如下：
w′＝x2-x1
h′＝y2-y1
其中(x1，y1)为划分区域左上角坐标，(x2，y2)为右下角坐标，w′和h′为裁剪后的长度和宽度，对w′和y′进行归一化：
置信度：
其中C为置信度，P为bbox在对象的概率，Strue为真实面积大小，Spre为预测面积大小，Smer为两者面积合并区域的大小，可以通过不同类别的置信度大小判断预测结果值。
所述跟踪模块400中，使用跟踪算法实现目标跟踪并判断鱼群的移动方向速度等，计算出鱼群运动轨迹，鱼群信息丢失后可以通过鱼群运动轨迹进行重新搜索与判断。
所述跟踪算法对收集到的超声波回波信号中通过YOLO检测算法检测到的鱼群信息进行标识，在同一坐标系下根据鱼群信息中心点不断变化收集到中心点变化信息，并使用卷积神经网络获得鱼群运动轨迹方程：
R×ω(x，y，w，h)+b
其中(x,y,w,h)为鱼群中心点坐标，ω为权重，b为偏置值。
所述收集模块100通过超声波鱼探仪对水底数据进行采集获得超声波回波信号，将超声波回波信号作为处理模块200的输入对回波信号进行预处理，通过检测模块300对预处理数据进行检测，能够从乱信号中识别出鱼群，根据鱼群的移动自动标识并且能够对鱼群大小，鱼群深度，海底岩石，泥沙，水草，浮游生物，气泡等智能识别，最后通过跟踪模块400对鱼群进行跟踪并判断鱼群的大小，深度，移动方向速度等，鱼群信息丢失后则立马重新搜索与判断
本实施例中，以海底计算鱼群类别与深度为例。
收集模块100对海底数据进行采集并获得超声波回波信号数据，并且对回波信号进行预处理，预处理过程如下：
2.1：超声波回波信号数字化，获得原始数据矩阵；
2.2：使用中值滤波对原始数据矩阵进行降噪处理：
其中xij表示对原始矩阵中的第i行j列进行降噪后的数据，xab表示计算核中第a行b列的数据；
2.3：使用sobel算子实现边缘过滤，得到过滤矩阵；
2.4：使用直方图均衡化对过滤矩阵进行数据增强。
目标检测分类算法为YOLO算法，算法步骤如下：
3.1：对超声波回波信号进行数据缩放，缩放成大小为448*448的图片；
3.2：将缩放后的数据送入卷积神经网络中进行预测，将数据切割成7*7*10输出维度为10的张量就可以进行十分类即对十个目标进行自动划分；
3.3通过预测结果进行置信度的阈值处理，得到最终结果。
检测模块300通过置信度：
其中C为置信度，P为bbox在对象的概率，Strue为真实面积大小，Spre为预测面积大小，Smer为两者面积合并区域的大小
跟踪模块400通过卷积神经网络预测鱼群运动轨迹：
R＝ω(x，y，w，h)+b
其中(x,y,w,h)为鱼群中心点坐标，ω为权重，b为偏置值。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种智能计算渔群类别与深度的方法，其特征在于：包括：
收集模块(100)：用于通过鱼探仪对探测区域水底数据收集，获得检测区域水底超声波回波信号；
处理模块(200)：用于通过信号数字化、信号降噪和信号增强对回波信号进行预处理，获得预处理数据；
检测模块(300)：通过图像裁剪和YOLO算法进行目标检测，获得区域水底鱼群信息和环境信息；
跟踪模块(400)：用于根据检测模块(300)检测的水底鱼群信息对鱼群进行跟踪；
所述处理模块(200)对超声波回波信号进行预处理的过程如下：
2.1：超声波回波信号数字化，获得原始数据矩阵；
2.2：使用中值滤波对原始数据矩阵进行降噪处理：
其中xij表示对原始矩阵中的第i行j列进行降噪后的数据，k表示选取的计算核大小为(k+2)*(k+2)，xab表示计算核中第a行b列的数据；
2.3：使用sobel算子实现边缘过滤，得到过滤矩阵；
2.4：使用直方图均衡化对过滤矩阵进行数据增强；
所述检测模块(300)中通过目标检测分类算法，判断鱼群大小，鱼群深度，海底岩石，泥沙，水草，浮游生物，气泡并进行智能识别，从杂乱信号中识别出鱼群；
所述检测模块(300)中的目标检测采用YOLO算法，算法步骤如下：
3.1：对超声波回波信号进行数据缩放，缩放成大小为448*448的图片；
3.2：将缩放后的图片数据送入卷积神经网络中进行预测；
3.3通过预测结果进行置信度的阈值处理，得到最终结果。
2.根据权利要求1所述的一种智能计算渔群类别与深度的方法，其特征在于：所述收集模块(100)中的鱼探仪为超声波鱼探仪。
3.根据权利要求2所述的一种智能计算渔群类别与深度的方法，其特征在于：所述收集模块(100)的超声波鱼探仪收集的数据包括水底的构造、水深、水下物体位置等。
4.根据权利要求1所述的一种智能计算渔群类别与深度的方法，其特征在于：所述YOLO算法将缩放后的图片送入卷积神经网络要对缩放后的图片进行分割，分割成S*S个网格，每个网格都会预测B个包含x,y,w,h,confidence参数的bbox，其中x,y是bbox中心点的偏移量，w,h是bbox中心点的宽度和深度，confidence是置信度，图像裁剪计算过程如下：
w′＝x2-x1
h′＝y2-y1其中(x1，y1)为划分区域左上角坐标，(x2，y2)为右下角坐标，w′和h′为裁剪后的长度和宽度，对w′和y′进行归一化：
置信度：
其中C为置信度，P为bbox在对象的概率，Strue为真实面积大小，Spre为预测面积大小，Smer为两者面积合并区域的大小，可以通过不同类别的置信度大小判断预测结果值。
5.根据权利要求4所述的一种智能计算渔群类别与深度的方法，其特征在于：所述跟踪模块(400)中，使用跟踪算法实现目标跟踪并判断鱼群的移动方向速度等，计算出鱼群运动轨迹，鱼群信息丢失后可以通过鱼群运动轨迹进行重新搜索与判断。
6.根据权利要求5所述的一种智能计算渔群类别与深度的方法，其特征在于：所述跟踪算法对收集到的超声波回波信号中通过YOLO检测算法检测到的鱼群信息进行标识，在同一坐标系下根据鱼群信息中心点不断变化收集到中心点变化信息，并使用卷积神经网络获得鱼群运动轨迹方程：
R＝ω(x，y，w，h)+b
其中(x,y,w,h)为鱼群中心点坐标，ω为权重，b为偏置值。
7.根据权利要求1所述的一种智能计算渔群类别与深度的方法，其特征在于：所述收集模块(100)通过超声波鱼探仪对水底数据进行采集获得超声波回波信号，将超声波回波信号作为处理模块(200)的输入对回波信号进行预处理，通过检测模块(300)对预处理数据进行检测，从乱信号中识别出鱼群，根据鱼群的移动自动标识并且对鱼群大小、鱼群深度、海底岩石、泥沙、水草、浮游生物、气泡等智能识别，最后通过跟踪模块(400)对鱼群进行跟踪并判断鱼群的大小，深度，移动方向速度，鱼群信息丢失后则进行重新搜索与判断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310514405.6A CN116819540A (zh) | 2023-05-09 | 2023-05-09 | 一种智能计算渔群类别与深度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310514405.6A CN116819540A (zh) | 2023-05-09 | 2023-05-09 | 一种智能计算渔群类别与深度的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116819540A true CN116819540A (zh) | 2023-09-29 |
Family
ID=88140123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310514405.6A Pending CN116819540A (zh) | 2023-05-09 | 2023-05-09 | 一种智能计算渔群类别与深度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819540A (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100226209A1 (en) * | 2009-03-06 | 2010-09-09 | Johnson David A | Fish Finder |
| CN104375146A (zh) * | 2014-12-01 | 2015-02-25 | 南京俊禄科技有限公司 | 一种多功能超声波测量系统 |
| CN105116414A (zh) * | 2015-07-20 | 2015-12-02 | 上海海洋大学 | 基于无线通讯网络的实时鱼群监测及鱼量估算系统 |
| CN105123635A (zh) * | 2015-07-25 | 2015-12-09 | 胡金雷 | 一种采用神经网络识别的鱼体定位方法 |
| CN105572676A (zh) * | 2015-12-16 | 2016-05-11 | 浙江大学 | 一种基于水平鱼探仪影像的围网目标鱼群追踪方法 |
| CN106707287A (zh) * | 2016-12-23 | 2017-05-24 | 浙江大学 | 基于扩展卡尔曼滤波结合最近邻聚类算法的鱼群数量估计方法 |
| US20200090506A1 (en) * | 2018-09-19 | 2020-03-19 | National Chung-Shan Institute Of Science And Technology | License plate recognition system and license plate recognition method |
| CN111932583A (zh) * | 2020-06-05 | 2020-11-13 | 西安羚控电子科技有限公司 | 一种基于复杂背景下的时空信息一体化智能跟踪方法 |
| CN112712548A (zh) * | 2020-12-31 | 2021-04-27 | 大连海事大学 | 一种水下鱼群运动模式分析方法 |
| CN113475429A (zh) * | 2021-06-25 | 2021-10-08 | 山东航天电子技术研究所 | 一种基于声光多传感器和卫星通信的鱼群养殖监测系统 |
| CN113537106A (zh) * | 2021-07-23 | 2021-10-22 | 仲恺农业工程学院 | 一种基于YOLOv5的鱼类摄食行为识别方法 |
| US20210374994A1 (en) * | 2020-05-26 | 2021-12-02 | Beihang University | Gaze point calculation method, apparatus and device |
| CN114724022A (zh) * | 2022-03-04 | 2022-07-08 | 大连海洋大学 | 融合SKNet与YOLOv5的养殖鱼群检测方法、系统和介质 |
| CN115248436A (zh) * | 2021-12-28 | 2022-10-28 | 浙江海洋大学 | 一种基于成像声呐的鱼类资源评估方法 |
| CN115424292A (zh) * | 2022-07-29 | 2022-12-02 | 华南农业大学 | 基于改进YOLOX与DeepSORT的鱼群跟踪方法 |
| CN115439835A (zh) * | 2022-10-13 | 2022-12-06 | 中国矿业大学 | 一种改进yolo-pai的实时接打电话行为检测方法 |
-
2023
- 2023-05-09 CN CN202310514405.6A patent/CN116819540A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100226209A1 (en) * | 2009-03-06 | 2010-09-09 | Johnson David A | Fish Finder |
| CN104375146A (zh) * | 2014-12-01 | 2015-02-25 | 南京俊禄科技有限公司 | 一种多功能超声波测量系统 |
| CN105116414A (zh) * | 2015-07-20 | 2015-12-02 | 上海海洋大学 | 基于无线通讯网络的实时鱼群监测及鱼量估算系统 |
| CN105123635A (zh) * | 2015-07-25 | 2015-12-09 | 胡金雷 | 一种采用神经网络识别的鱼体定位方法 |
| CN105572676A (zh) * | 2015-12-16 | 2016-05-11 | 浙江大学 | 一种基于水平鱼探仪影像的围网目标鱼群追踪方法 |
| CN106707287A (zh) * | 2016-12-23 | 2017-05-24 | 浙江大学 | 基于扩展卡尔曼滤波结合最近邻聚类算法的鱼群数量估计方法 |
| US20200090506A1 (en) * | 2018-09-19 | 2020-03-19 | National Chung-Shan Institute Of Science And Technology | License plate recognition system and license plate recognition method |
| US20210374994A1 (en) * | 2020-05-26 | 2021-12-02 | Beihang University | Gaze point calculation method, apparatus and device |
| CN111932583A (zh) * | 2020-06-05 | 2020-11-13 | 西安羚控电子科技有限公司 | 一种基于复杂背景下的时空信息一体化智能跟踪方法 |
| CN112712548A (zh) * | 2020-12-31 | 2021-04-27 | 大连海事大学 | 一种水下鱼群运动模式分析方法 |
| CN113475429A (zh) * | 2021-06-25 | 2021-10-08 | 山东航天电子技术研究所 | 一种基于声光多传感器和卫星通信的鱼群养殖监测系统 |
| CN113537106A (zh) * | 2021-07-23 | 2021-10-22 | 仲恺农业工程学院 | 一种基于YOLOv5的鱼类摄食行为识别方法 |
| CN115248436A (zh) * | 2021-12-28 | 2022-10-28 | 浙江海洋大学 | 一种基于成像声呐的鱼类资源评估方法 |
| CN114724022A (zh) * | 2022-03-04 | 2022-07-08 | 大连海洋大学 | 融合SKNet与YOLOv5的养殖鱼群检测方法、系统和介质 |
| CN115424292A (zh) * | 2022-07-29 | 2022-12-02 | 华南农业大学 | 基于改进YOLOX与DeepSORT的鱼群跟踪方法 |
| CN115439835A (zh) * | 2022-10-13 | 2022-12-06 | 中国矿业大学 | 一种改进yolo-pai的实时接打电话行为检测方法 |
Non-Patent Citations (6)
| Title |
|---|
| 俞国燕: ""基于改进型YOLOv4的病死金鲳鱼识别方法"", 《渔业现代化》, vol. 48, no. 6, 31 December 2021 (2021-12-31), pages 80 - 90 * |
| 沈军宇: ""基于深度学习的鱼群检测方法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》, 31 January 2020 (2020-01-31), pages 138 - 1365 * |
| 王文成: ""基于深度学习的鱼类识别与检测的算法研究"", 《信息技术与网络安全》, vol. 39, no. 8, 31 August 2020 (2020-08-31), pages 57 - 63 * |
| 程淑红: ""遮挡和光照变化下的单鱼目标跟踪"", 《计量学报》, vol. 42, no. 2, 28 February 2021 (2021-02-28), pages 171 - 178 * |
| 郑宗生: ""改进YOLO_v4模型在鱼类目标检测上的应用研究"", 《渔业现代化》, vol. 49, no. 1, 28 February 2022 (2022-02-28), pages 82 - 91 * |
| 马硕: ""基于YOLOv3模型的金枪鱼鱼群特征识别初步研究"", 《渔业现代化》, vol. 48, no. 5, 31 October 2021 (2021-10-31), pages 80 - 86 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Automatic counting methods in aquaculture: A review | |
| CN111738112B (zh) | 基于深度神经网络和自注意力机制的遥感船舶图像目标检测方法 | |
| Mohamed et al. | Msr-yolo: Method to enhance fish detection and tracking in fish farms | |
| CN111652149A (zh) | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 | |
| US7221621B2 (en) | System and method for identification and quantification of sonar targets in a liquid medium | |
| US20200379104A1 (en) | Three-dimensional forward-looking sonar target recognition with machine learning | |
| CN111368633A (zh) | 一种基于auv的侧扫声呐图像识别方法 | |
| CN111310622A (zh) | 一种面向水下机器人智能作业的鱼群目标识别方法 | |
| CN110610165A (zh) | 一种基于yolo模型的船舶行为分析方法 | |
| CN111913177A (zh) | 对目标物探测方法、装置以及存储介质 | |
| LeFeuvre et al. | Acoustic species identification in the Northwest Atlantic using digital image processing | |
| CN111723632A (zh) | 一种基于孪生网络的船舶跟踪方法及系统 | |
| CN113570005A (zh) | 一种基于机载光子雷达的远距离舰船类型识别方法 | |
| CN114926726A (zh) | 基于多任务网络的无人船感知方法及相关设备 | |
| Teng et al. | Deploying deep learning to estimate the abundance of marine debris from video footage | |
| Zhu et al. | YOLOv7-CSAW for maritime target detection | |
| CN113205139A (zh) | 一种基于密度聚类的无人艇水上球体检测方法 | |
| CN116562467A (zh) | 一种海洋鱼类目标种类识别及分布预测方法及系统 | |
| Shen et al. | Identification and counting of fish targets using adaptive resolution imaging sonar | |
| CN116819540A (zh) | 一种智能计算渔群类别与深度的方法 | |
| Sengupta et al. | Seagrassdetect: A novel method for the detection of seagrass from unlabelled underwater videos | |
| CN116343078A (zh) | 基于视频sar的目标跟踪方法、系统及设备 | |
| CN114037737B (zh) | 一种基于神经网络的近岸海底鱼类检测及跟踪统计方法 | |
| Marrable et al. | Generalised deep learning model for semi-automated length measurement of fish in stereo-BRUVS | |
| CN112529072A (zh) | 一种基于声呐图像处理的水下沉埋物识别与定位方法 |
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 |