CN116935327B - 基于ai视觉的水产养殖监控方法、装置、设备及存储介质 - Google Patents
基于ai视觉的水产养殖监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116935327B CN116935327B CN202311151346.7A CN202311151346A CN116935327B CN 116935327 B CN116935327 B CN 116935327B CN 202311151346 A CN202311151346 A CN 202311151346A CN 116935327 B CN116935327 B CN 116935327B
- Authority
- CN
- China
- Prior art keywords
- image
- data
- feature vector
- model
- gray
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 89
- 238000009360 aquaculture Methods 0.000 title claims abstract description 87
- 244000144974 aquaculture Species 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 241001465754 Metazoa Species 0.000 claims abstract description 160
- 238000004458 analytical method Methods 0.000 claims abstract description 85
- 241000251468 Actinopterygii Species 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012806 monitoring device Methods 0.000 claims abstract description 18
- 238000007499 fusion processing Methods 0.000 claims abstract description 14
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 70
- 238000012549 training Methods 0.000 claims description 59
- 230000006399 behavior Effects 0.000 claims description 32
- 238000003708 edge detection Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 9
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000003706 image smoothing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 17
- 238000007781 pre-processing Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000009546 growth abnormality Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及水产养殖监控技术领域，公开了一种基于AI视觉的水产养殖监控方法、装置、设备及存储介质。所述基于AI视觉的水产养殖监控方法包括：通过预置的高清摄像设备采集鱼塘影像数据；将所述鱼塘影像数据输入至训练后的图像识别模型进行处理，得到鱼塘水产动物的多维特征数据；基于预设的融合算法对所述多维特征数据进行融合处理，得到目标特征数据；并将所述目标特征数据存储至提前建立的目标数据表中；从数据库中获取水产动物的历史数据表，将所述历史数据表对所述目标数据表进行对比分析，得到分析结果表；本发明增强了对养殖鱼塘的实时监控能力，还提供了一套完善的数据分析、预警和决策机制，为养殖户带来了显著的经济和管理上的好处。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于AI视觉的水产养殖监控方法、装置、设备及存储介质。
背景技术
水产养殖是一种重要的经济产业，但随着养殖规模的不断扩大和养殖方式的改变，相关管理和监控工作面临着一系列的挑战。传统的水产养殖管理方式主要依赖于人工巡检和观察，这种方式存在着人力资源浪费、监控不及时等问题。因此，开发一种能够实时监测、识别异常情况并提供决策支持的水产养殖监控系统是非常必要和有益的。
随着人工智能和计算机视觉技术的快速发展，AI视觉技术在图像识别和分析领域取得了显著成果。AI视觉技术利用深度学习算法，能够对图像进行高效、准确的识别和分析。这些技术的应用范围不断扩大，已经在许多领域取得了成功，如智能安防、交通监控等。基于AI视觉技术开发的水产养殖监控系统具有广阔的应用前景，并能够有效提高养殖管理的精度和效率。
目前，已经有一些基于计算机视觉技术的养殖场监控系统被开发出来。这些系统主要依赖于摄像设备的布置、图像采集以及简单的图像处理技术来实现养殖场景的监控，然而，这些系统无法实现为养殖户或管理人员提供准确、及时的决策依据，以及无法实现从早期的异常检测到后期的管理策略调整。因此，开发一种结合了AI视觉技术和养殖场实际需求的水产养殖监控系统，具有更高的识别精度、实时性和可靠性，对于提高养殖管理水平具有重要意义。
发明内容
本发明提供了一种基于AI视觉的水产养殖监控方法、装置、设备及存储介质，用于实现提高结合了AI视觉技术和养殖场实际需求的水产养殖监控系统的识别精度、实时性和可靠性。
本发明第一方面提供了一种基于AI视觉的水产养殖监控方法，所述基于AI视觉的水产养殖监控方法包括：
通过预置的AI视觉高清摄像设备采集鱼塘影像数据；其中，所述鱼塘影像数据中的每一帧图像表示特定时刻的鱼塘图像；
将所述鱼塘影像数据输入至训练后的图像识别模型进行处理，得到鱼塘水产动物的多维特征数据；其中，所述多维特征数据至少包括水产动物数量特征数据、水产动物生长状态特征数据、水产动物行为特征数据；所述图像识别模型经过提前训练得到；
基于预设的融合算法对所述多维特征数据进行融合处理，得到目标特征数据；并将所述目标特征数据存储至提前建立的目标数据表中；
从数据库中获取水产动物的历史数据表，将所述历史数据表对所述目标数据表进行对比分析，得到分析结果表；
对所述分析结果表进行解析，得到分析结果表对应的解析数据；将所述解析数据输入至训练后的异常预警模型进行预测，得到水产动物生长异常的预警报告；其中，所述异常预警模型经过提前训练得到；
获取水产动物生长异常的历史预警报告，根据所述水产动物生长异常的预警报告和所述历史预警报告生成目标监控策略，并将所述目标监控策略发送至水产养殖监控终端。
可选的，在本发明第一方面的第一种实现方式中，所述图像识别模型的训练过程，包括：
获取鱼塘图像训练数据，将所述鱼塘图像训练数据输入至初始模型；其中，所述初始模型包括一个水产动物数量特征数据提取模型、一个水产动物生长状态特征数据分析模型和一个水产动物行为特征数据预测模型；
基于水产动物数量特征数据提取模型，根据鱼塘图像训练数据预测对应的水产动物数量；基于水产动物生长状态特征数据分析模型，根据鱼塘图像训练数据预测水产动物生长状态；基于水产动物行为特征数据预测模型，分析鱼塘图像训练数据中水产动物行为特征；
获取所述鱼塘图像训练数据中预先标定的实际识别值；其中，所述实际识别值包括实际的水产动物数量、实际的水产动物生长状态和实际的水产动物行为特征；
计算预测的水产动物数量与实际的水产动物数量的相似值，作为第一损失值；计算预测的水产动物生长状态与实际的水产动物生长状态的相似值，作为第二损失值；计算预测的水产动物行为特征数据与实际的水产动物行为特征数据的相似值，作为第三损失值；
对初始模型的模型参数进行迭代调整，通过基于损失的优化，将所述第一损失值、第二损失值和第三损失值降至最小，训练得到所述图像识别模型。
可选的，在本发明第一方面的第二种实现方式中，所述根据鱼塘图像训练数据预测对应的水产动物数量，包括：
通过求彩色鱼塘图像中R、G、B三色分量的平均值，将彩色鱼塘图像转化为灰度图像；并利用得到的灰度值和预设的局部图像微分算法，采用Canny算子对灰度图像进行边缘检测，得到输出图像；其中，所述平均值为灰度图像的灰度值；
通过预置的高斯滤波器将水产养殖现场采集到的彩色鱼塘图像中的水面波纹进行图像平滑处理，得到降噪后的平滑图像；
创建与平滑图像尺寸相同的掩模图像，并对掩模图像与平滑图像进行逐像素的逻辑运算；其中，掩模图像的白色区域为允许操作的区域，掩模图像的黑色区域为忽略区域，在指定区域上对平滑图像进行修改；
利用处理后的平滑图像的水平方向纹理特征进行水产动物标记，得到对应的水产动物数量。
可选的，在本发明第一方面的第三种实现方式中，所述通过求彩色鱼塘图像中R、G、B三色分量的平均值，将彩色鱼塘图像转化为灰度图像；利用得到的灰度值和预设的局部图像微分算法，并采用Canny算子对灰度图像进行边缘检测，得到输出图像，包括：
对彩色图像进行灰度处理，得到每个像素点的灰度值；其中，所述灰度值是通过R、G、B三色分量的平均值来确定的；
根据所述每个像素点的灰度值，计算灰度图像中灰度值的梯度，并识别灰度值发生急剧变化的区域，将所述急剧变化的区域作为灰度图像边缘；
通过预设的局部图像微分算法获取灰度图像边缘的边缘检测算子；
通过一阶偏导的有限差分来计算灰度图像中的梯度幅值和方向；并对计算出的梯度幅值和方向进行非极大值抑制，得到真实的灰度图像边缘；其中，所述非极大值抑制用于强化真实的灰度图像边缘并消除虚假的灰度图像边缘；
设置第一阈值和第二阈值；其中，所述第一阈值用于检测强灰度图像边缘，所述第二阈值用于检测弱灰度图像边缘；
将所述真实的灰度图像边缘与第一阈值和第二阈值分别进行对比分析，若所述真实的灰度图像边缘高于第一阈值，则所述真实的灰度图像边缘为强灰度图像边缘，若所述真实的灰度图像边缘低于第一阈值，则所述真实的灰度图像边缘为弱灰度图像边缘，即所述真实的灰度图像边缘位于第一阈值与第二阈值之间；
当弱灰度图像边缘与强灰度图像边缘相等时，输出经过边缘检测后的图像，得到输出图像。
可选的，在本发明第一方面的第四种实现方式中，所述异常预警模型的训练过程，包括：
获取解析数据，对所述解析数据进行特征提取，得到第一解析特征向量；其中，所述解析数据包括对应的标签；
将所述第一解析特征向量输入至预设的卷积模型进行特征提取，得到第一特征向量；
将所述第一特征向量输入至预设的第一编码模型中进行编码处理，得到对应的第二特征向量；
将所述第二特征向量输入至预设的第二编码模型中进行编码处理，得到第三特征向量；
随机生成一个不重复的第四特征向量，且所述第四特征向量在预设周期内只生成一次，将第四特征向量与第三特征向量进行融合处理，得到第五特征向量；其中，数据库中存储有第四特征向量与第三特征向量融合处理的规则；
将所述第一特征向量、第二特征向量、第五特征向量以及对应的标签输入至分类层中进行训练，并迭代调整所述预设的卷积模型、第一编码模型以及第二编码模型的模型参数，直至所述分类层的损失函数收敛之后，完成异常预警模型的训练。
本发明第二方面提供了一种基于AI视觉的水产养殖监控装置，所述基于AI视觉的水产养殖监控装置包括：
采集模块，用于通过预置的高清摄像设备采集鱼塘影像数据；其中，所述鱼塘影像数据中的每一帧图像表示特定时刻的鱼塘图像；
处理模块，用于将所述鱼塘影像数据输入至训练后的图像识别模型进行处理，得到鱼塘水产动物的多维特征数据；其中，所述多维特征数据至少包括水产动物数量特征数据、水产动物生长状态特征数据、水产动物行为特征数据；所述图像识别模型经过提前训练得到；
融合模块，用于基于预设的融合算法对所述多维特征数据进行融合处理，得到目标特征数据；并将所述目标特征数据存储至提前建立的目标数据表中；
对比模块，用于从数据库中获取水产动物的历史数据表，将所述历史数据表对所述目标数据表进行对比分析，得到分析结果表；
预测模块，用于对所述分析结果表进行解析，得到分析结果表对应的解析数据；将所述解析数据输入至训练后的异常预警模型进行预测，得到水产动物生长异常的预警报告；其中，所述异常预警模型经过提前训练得到；
生成模块，用于获取水产动物生长异常的历史预警报告，根据所述水产动物生长异常的预警报告和所述历史预警报告生成目标监控策略，并将所述目标监控策略发送至水产养殖监控终端。
本发明第三方面提供了一种基于AI视觉的水产养殖监控设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于AI视觉的水产养殖监控设备执行上述的基于AI视觉的水产养殖监控方法。
本发明的第四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中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于AI视觉的水产养殖监控方法。
本发明提供的技术方案中，有益效果：本发明提供一种基于AI视觉的水产养殖监控方法、装置、设备及存储介质，通过预置的AI视觉高清摄像设备采集鱼塘影像数据；将所述鱼塘影像数据输入至训练后的图像识别模型进行处理，得到鱼塘水产动物的多维特征数据；基于预设的融合算法对所述多维特征数据进行融合处理，得到目标特征数据；并将所述目标特征数据存储至提前建立的目标数据表中；从数据库中获取水产动物的历史数据表，将所述历史数据表对所述目标数据表进行对比分析，得到分析结果表；对所述分析结果表进行解析，得到分析结果表对应的解析数据；将所述解析数据输入至训练后的异常预警模型进行预测，得到水产动物生长异常的预警报告；获取水产动物生长异常的历史预警报告，根据所述水产动物生长异常的预警报告和所述历史预警报告生成目标监控策略，并将所述目标监控策略发送至水产养殖监控终端。本发明利用训练后的图像识别模型，能够从鱼塘影像数据中提取出水产动物的多维特征数据，为后续的数据分析提供丰富的数据基础。本发明不仅能够将当前获得的特征数据与历史数据进行对比，还能够通过异常预警模型对水产动物的生长异常情况进行预测。确保了在出现潜在问题时能够及时发出预警，减少养殖风险。基于异常预警报告和历史预警报告能够智能生成目标监控策略，整合图像识别技术和融合算法，结合历史数据和预测模型，可以为养殖户或管理人员提供准确、及时的决策依据，并且本发明通过与水产养殖监控终端的实时交互，整个系统能够全面地优化养殖过程，从早期的异常检测到后期的管理策略调整，确保水产动物的健康生长，同时提高养殖的经济效益。
附图说明
图1为本发明实施例中基于AI视觉的水产养殖监控方法的一个实施例示意图；
图2为本发明实施例中基于AI视觉的水产养殖监控装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于AI视觉的水产养殖监控方法、装置、设备及存储介质。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于AI视觉的水产养殖监控方法的一个实施例包括：
步骤101、通过预置的AI视觉高清摄像设备采集鱼塘影像数据；其中，所述鱼塘影像数据中的每一帧图像表示特定时刻的鱼塘图像；
可以理解的是，本发明的执行主体可以为基于AI视觉的水产养殖监控装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，实现的具体步骤如下：
安装和配置设备：将AI视觉高清摄像设备安装在预设的位置，确保AI视觉高清摄像设备能够全面覆盖鱼塘区域。根据设备要求进行设置和配置，包括图像质量、采样频率等参数。
进行影像采集：启动设备并让其开始采集鱼塘影像数据。设备会根据预设的采样频率，以连续的方式获取鱼塘图像的每一帧。通过设备的采集软件或接口来完成。
存储影像数据：将采集到的鱼塘影像数据存储在合适的存储介质中，如硬盘、云存储或数据库。确保数据保存的格式和结构满足后续处理和分析的需求。
图像采集和存储场景规则：①通过系统联动在通过开关控制器打开投料机后系统自动实时采集摄像设备拍摄的图像数据②养殖现场实时采集鱼塘影像数据判断是否异常，并将其存储到数据库或云平台中，以备后续处理和分析。
步骤102、将所述鱼塘影像数据输入至训练后的图像识别模型进行处理，得到鱼塘水产动物的多维特征数据；其中，所述多维特征数据至少包括水产动物数量特征数据、水产动物生长状态特征数据、水产动物行为特征数据；所述图像识别模型经过提前训练得到；
具体的，具体实现的步骤如下：
加载训练后的图像识别模型：将事先训练好的图像识别模型加载到计算环境中，通过一个经过训练和调优的卷积神经网络（CNN）或其他适用的图像识别模型。
图像预处理：对输入的鱼塘影像数据进行预处理，将其转换为适合模型输入的格式。所述预处理至少包括图像的缩放、裁剪、归一化或其他必要的图像处理操作。
执行图像识别：将预处理后的鱼塘影像数据输入到加载的图像识别模型中，执行图像识别过程。模型将根据其训练经验判断鱼塘中的水产动物，并将其识别为特定的类别或对象。
提取特征数据：从图像识别的结果中提取鱼塘水产动物的多维特征数据。根据需要，提取水产动物的数量特征数据、生长状态特征数据和行为特征数据。
存储特征数据：将提取得到的多维特征数据存储在适当的数据结构（如表格、数据库等）中，以便之后的分析和使用。
使用深度学习技术，对水产养殖场景进行图像识别算法的训练，包括识别不同种类的鱼类、鱼群进食面积的计算以及识别异常情况。
步骤103、基于预设的融合算法对所述多维特征数据进行融合处理，得到目标特征数据；并将所述目标特征数据存储至提前建立的目标数据表中；
具体的，按照以下步骤进行实现：
定义融合算法：根据需求和目标特征数据的要求，定义融合算法。所述融合算法基于多维特征数据的不同权重、相关性和相对重要性，以确定如何合并为目标特征数据。
准备多维特征数据：将多维特征数据从存储数据库中检索出来，并根据融合算法的要求进行必要的预处理。所述预处理用于确保多维特征数据的维度、格式和质量符合融合算法的要求。
执行融合算法：按照预设的融合算法，对多维特征数据进行融合处理，以生成目标特征数据。具体的融合算法至少包括数学运算、加权分配或其他适用的数据融合技术。
存储目标特征数据：将融合后的目标特征数据存储至事先建立的目标数据表中。确保目标数据表具有正确的结构和模式，以适应目标特征数据的存储需求。
步骤104、从数据库中获取水产动物的历史数据表，将所述历史数据表对所述目标数据表进行对比分析，得到分析结果表；
具体的，按照以下步骤实现：
连接数据库：使用预设的数据库管理系统连接到存储水产动物历史数据的数据库。确保数据库的准确配置和连接权限。
检索历史数据表：从数据库中检索水产动物的历史数据表。根据表的结构和命名约定，确定正确的表名和字段。
获取目标数据表：从目标数据表中检索存储的目标特征数据。确保目标数据表与历史数据表具有相同的字段结构和数据类型。
比较和分析：基于SQL查询、数据计算、统计方法或其他数据分析技术对历史数据表和目标数据表进行比较和分析。
生成分析结果表：根据比较和分析的结果生成相应的分析结果表。所述分析结果编至少包括对比的统计数据、差异的概述或其他相关信息。
步骤105、对所述分析结果表进行解析，得到分析结果表对应的解析数据；将所述解析数据输入至训练后的异常预警模型进行预测，得到水产动物生长异常的预警报告；其中，所述异常预警模型经过提前训练得到；
具体的，按照以下步骤实现：
读取分析结果表：从存储数据库中读取分析结果表，并将分析结果表加载到计算环境中。确保分析结果表的表格结构和字段与生成的分析结果表一致。
解析数据：根据分析结果表的结构和字段，并基于表格的拆分、字段的筛选和转换技术将分析结果表中提取相应的解析数据。
数据预处理：基于数据缩放、标准化数据技术对解析数据进行预处理，以确保其格式和质量符合异常预警模型的要求。
加载异常预警模型：将训练后的异常预警模型加载到计算环境中，并准备好相应的输入接口。确保模型的参数和接口与预测过程的要求相匹配。
进行预测：将预处理后的解析数据输入到加载的异常预警模型中，进行生长异常的预测。模型将分析输入数据并根据其训练经验预测水产动物的生长异常情况。
生成预警报告：根据预测结果，生成水产动物生长异常的预警报告。报告可以包括异常类型、风险级别或其他相关信息。
步骤106、获取水产动物生长异常的历史预警报告，根据所述水产动物生长异常的预警报告和所述历史预警报告生成目标监控策略，并将所述目标监控策略发送至水产养殖监控终端。
具体的，按照以下步骤实现：
获取历史预警报告：从存储数据库中获取水产动物生长异常的历史预警报告。根据报告的记录和格式，确定正确的数据源和字段。
解析历史预警报告：基于报告的结构分析、字段解析和数据清洗技术对获取的历史预警报告进行解析，提取相关的数据。
生成目标监控策略：基于历史数据的分析、趋势预测或其他相关的决策规则，并根据当前的生长异常预警报告和解析的历史预警报告，生成目标监控策略。
发送监控策略：将生成的目标监控策略发送至水产养殖监控终端。确保终端能够接收和解析所发送的策略，并采取相应的监控行动。
异常监测和预警，异常定义和识别：确定水产养殖中的异常情况，如鱼群浮头、鱼群进食面积波动等异常行为，并建立相应的异常识别模型。实时监测和预警：利用AI视觉算法对图像数据进行实时监测，一旦发现异常情况，立即发送预警通知给相关人员，以便及时采取相应措施。
本发明实施例中基于AI视觉的水产养殖监控方法的另一个实施例包括：
所述图像识别模型的训练过程，包括：
获取鱼塘图像训练数据，将所述鱼塘图像训练数据输入至初始模型；其中，所述初始模型包括一个水产动物数量特征数据提取模型、一个水产动物生长状态特征数据分析模型和一个水产动物行为特征数据预测模型；
基于水产动物数量特征数据提取模型，根据鱼塘图像训练数据预测对应的水产动物数量；基于水产动物生长状态特征数据分析模型，根据鱼塘图像训练数据预测水产动物生长状态；基于水产动物行为特征数据预测模型，分析鱼塘图像训练数据中水产动物行为特征；
获取所述鱼塘图像训练数据中预先标定的实际识别值；其中，所述实际识别值包括实际的水产动物数量、实际的水产动物生长状态和实际的水产动物行为特征；
计算预测的水产动物数量与实际的水产动物数量的相似值，作为第一损失值；计算预测的水产动物生长状态与实际的水产动物生长状态的相似值，作为第二损失值；计算预测的水产动物行为特征数据与实际的水产动物行为特征数据的相似值，作为第三损失值；
对初始模型的模型参数进行迭代调整，通过基于损失的优化，将所述第一损失值、第二损失值和第三损失值降至最小，训练得到所述图像识别模型。
本发明实施例中，有益效果：
自动化水产动物监测：通过训练图像识别模型，可以实现对鱼塘图像的自动化识别和分析。这将减轻人工监测的负担，并提高生产效率。同时，通过实时识别水产动物数量、生长状态和行为特征，可以及时检测异常情况并采取相应的措施。
提供准确的水产动物数量预测：通过水产动物数量特征数据提取模型，结合图像识别模型进行预测，可以提供准确的水产动物数量预测结果。这对于鱼塘管理者来说，可以帮助他们调整饲料供给和管理措施，以适应实际的养殖需求。
预测水产动物生长状态：基于水产动物生长状态特征数据分析模型，可以预测鱼塘中水产动物的生长状态。这将有助于养殖管理者了解水产动物的健康状况，以便采取适当的管理措施，例如改变饲料组成或优化环境条件，以促进水产动物的正常生长。
分析水产动物行为特征：通过水产动物行为特征数据预测模型，可以分析鱼塘图像中的水产动物行为特征。这有助于识别不正常的行为模式，如异常游动或聚集行为，这可能表明鱼塘中存在潜在的健康问题。及早发现这些异常行为将有助于采取纠正措施，以避免潜在的生产损失。
通过上述技术方案，可以实现对鱼塘图像的智能化分析和监测，提供准确的数量预测、生长状态和行为特征分析。这将改善水产养殖的管理和决策，提高养殖效率，减少损失，并有助于实现可持续的水产养殖发展。
本发明实施例中基于AI视觉的水产养殖监控方法的另一个实施例包括：
所述根据鱼塘图像训练数据预测对应的水产动物数量，包括：
通过求彩色鱼塘图像中R、G、B三色分量的平均值，将彩色鱼塘图像转化为灰度图像；并利用得到的灰度值和预设的局部图像微分算法，采用Canny算子对灰度图像进行边缘检测，得到输出图像；其中，所述平均值为灰度图像的灰度值；
通过预置的高斯滤波器将水产养殖现场采集到的彩色鱼塘图像中的水面波纹进行图像平滑处理，得到降噪后的平滑图像；
创建与平滑图像尺寸相同的掩模图像，并对掩模图像与平滑图像进行逐像素的逻辑运算；其中，掩模图像的白色区域为允许操作的区域，掩模图像的黑色区域为忽略区域，在指定区域上对平滑图像进行修改；
利用处理后的平滑图像的水平方向纹理特征进行水产动物标记，得到对应的水产动物数量。
具体的，水产动物数量预测的实现方法如下：
灰度化处理：首先，对彩色鱼塘图像中R、G、B三色分量的平均值进行求解。
公式：( 灰度值 =frac{R+G+B}{3} )；frac是分数的意思，
使用该公式，将彩色鱼塘图像转化为灰度图像。
边缘检测：使用得到的灰度图像，再结合预设的局部图像微分算法。
采用Canny算子对灰度图像进行边缘检测，突出鱼塘中水产动物的轮廓，得到输出图像。
高斯滤波处理：由于水面上的波纹会对图像识别造成干扰，因此需要对其进行处理。
使用预置的高斯滤波器，对彩色鱼塘图像中的水面波纹进行图像平滑处理，从而消除水面波纹的影响，得到降噪后的平滑图像。
逐像素的逻辑运算：创建一个与平滑图像尺寸相同的掩模图像。掩模图像中的白色区域代表允许操作的区域，而黑色区域则为忽略区域。对掩模图像与平滑图像进行逐像素的逻辑运算，在指定区域上对平滑图像进行修改，而不影响其它区域。
水产动物标记：利用处理后的平滑图像的水平方向纹理特征进行水产动物标记。
识别出的水产动物会被标记在图像中，方便后续的数量统计。
水产动物数量统计：最后，根据上述处理后的图像，统计标记出的水产动物，从而预测其数量。
本发明实施例中基于AI视觉的水产养殖监控方法的另一个实施例包括：
所述通过求彩色鱼塘图像中R、G、B三色分量的平均值，将彩色鱼塘图像转化为灰度图像；利用得到的灰度值和预设的局部图像微分算法，并采用Canny算子对灰度图像进行边缘检测，得到输出图像，包括：
对彩色图像进行灰度处理，得到每个像素点的灰度值；其中，所述灰度值是通过R、G、B三色分量的平均值来确定的；
根据所述每个像素点的灰度值，计算灰度图像中灰度值的梯度，并识别灰度值发生急剧变化的区域，将所述急剧变化的区域作为灰度图像边缘；
通过预设的局部图像微分算法获取灰度图像边缘的边缘检测算子；
通过一阶偏导的有限差分来计算灰度图像中的梯度幅值和方向；并对计算出的梯度幅值和方向进行非极大值抑制，得到真实的灰度图像边缘；其中，所述非极大值抑制用于强化真实的灰度图像边缘并消除虚假的灰度图像边缘；
设置第一阈值和第二阈值；其中，所述第一阈值用于检测强灰度图像边缘，所述第二阈值用于检测弱灰度图像边缘；
将所述真实的灰度图像边缘与第一阈值和第二阈值分别进行对比分析，若所述真实的灰度图像边缘高于第一阈值，则所述真实的灰度图像边缘为强灰度图像边缘，若所述真实的灰度图像边缘低于第一阈值，则所述真实的灰度图像边缘为弱灰度图像边缘，即所述真实的灰度图像边缘位于第一阈值与第二阈值之间；
当弱灰度图像边缘与强灰度图像边缘相等时，输出经过边缘检测后的图像，得到输出图像。
具体的，实现步骤如下：
灰度处理：对于每个像素点，取其R（红）、G（绿）、B（蓝）三色分量的平均值，计算灰度值。
计算梯度和识别：
根据每个像素点的灰度值，计算灰度图像中的灰度梯度。
识别灰度值发生急剧变化的区域，将这些区域标记为潜在的边缘区域。
局部图像微分算法：
使用预设的局部图像微分算法，例如Sobel算子或Prewitt算子，获取灰度图像边缘的边缘检测算子。
一阶偏导和非极大值抑制：
使用一阶偏导的有限差分来计算灰度图像中的梯度幅值和方向。
对计算出的梯度幅值和方向进行非极大值抑制。这一步用于强化真实的灰度图像边缘并消除虚假的灰度图像边缘。
设置阈值：
设置第一阈值和第二阈值。
第一阈值用于检测强灰度图像边缘。
第二阈值用于检测弱灰度图像边缘。
阈值分析：
将真实的灰度图像边缘与两个阈值进行比较。
如果灰度图像边缘的梯度值高于第一阈值，则标记为强灰度图像边缘。
如果灰度图像边缘的梯度值低于第一阈值但高于第二阈值，则标记为弱灰度图像边缘。
输出图像：
当弱灰度图像边缘与强灰度图像边缘相连接时，输出经过边缘检测后的图像。
最终得到的输出图像将只包含强灰度图像边缘，通常代表了图像中物体（如鱼）的真实轮廓。
本发明实施例中基于AI视觉的水产养殖监控方法的另一个实施例包括：所述异常预警模型的训练过程，包括：
获取解析数据，对所述解析数据进行特征提取，得到第一解析特征向量；其中，所述解析数据包括对应的标签；
将所述第一解析特征向量输入至预设的卷积模型进行特征提取，得到第一特征向量；
将所述第一特征向量输入至预设的第一编码模型中进行编码处理，得到对应的第二特征向量；
将所述第二特征向量输入至预设的第二编码模型中进行编码处理，得到第三特征向量；
随机生成一个不重复的第四特征向量，且所述第四特征向量在预设周期内只生成一次，将第四特征向量与第三特征向量进行融合处理，得到第五特征向量；其中，数据库中存储有第四特征向量与第三特征向量融合处理的规则；
将所述第一特征向量、第二特征向量、第五特征向量以及对应的标签输入至分类层中进行训练，并迭代调整所述预设的卷积模型、第一编码模型以及第二编码模型的模型参数，直至所述分类层的损失函数收敛之后，完成异常预警模型的训练。
本发明实施例的有益效果：本发明实施例综合了特征提取、编码处理、特征融合和分类层训练等多种技术，有效地提取了数据中的重要特征，并将其转化为适合分类层训练的形式。在训练过程中不断调整模型参数，使模型能更好地适应数据特征，并更准确地预测异常情况。
上面对本发明实施例中基于AI视觉的水产养殖监控方法进行了描述，下面对本发明实施例中基于AI视觉的水产养殖监控装置进行描述，请参阅图2，本发明实施例中基于AI视觉的水产养殖监控装置一个实施例包括：
采集模块，用于通过预置的高清摄像设备采集鱼塘影像数据；其中，所述鱼塘影像数据中的每一帧图像表示特定时刻的鱼塘图像；
处理模块，用于将所述鱼塘影像数据输入至训练后的图像识别模型进行处理，得到鱼塘水产动物的多维特征数据；其中，所述多维特征数据至少包括水产动物数量特征数据、水产动物生长状态特征数据、水产动物行为特征数据；所述图像识别模型经过提前训练得到；
融合模块，用于基于预设的融合算法对所述多维特征数据进行融合处理，得到目标特征数据；并将所述目标特征数据存储至提前建立的目标数据表中；
对比模块，用于从数据库中获取水产动物的历史数据表，将所述历史数据表对所述目标数据表进行对比分析，得到分析结果表；
预测模块，用于对所述分析结果表进行解析，得到分析结果表对应的解析数据；将所述解析数据输入至训练后的异常预警模型进行预测，得到水产动物生长异常的预警报告；其中，所述异常预警模型经过提前训练得到；
生成模块，用于获取水产动物生长异常的历史预警报告，根据所述水产动物生长异常的预警报告和所述历史预警报告生成目标监控策略，并将所述目标监控策略发送至水产养殖监控终端。
本发明还提供一种基于AI视觉的水产养殖监控设备，所述基于AI视觉的水产养殖监控设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于AI视觉的水产养殖监控方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于AI视觉的水产养殖监控方法的步骤。
有益效果：本发明提供一种基于AI视觉的水产养殖监控方法、装置、设备及存储介质，通过预置的AI视觉高清摄像设备采集鱼塘影像数据；将所述鱼塘影像数据输入至训练后的图像识别模型进行处理，得到鱼塘水产动物的多维特征数据；基于预设的融合算法对所述多维特征数据进行融合处理，得到目标特征数据；并将所述目标特征数据存储至提前建立的目标数据表中；从数据库中获取水产动物的历史数据表，将所述历史数据表对所述目标数据表进行对比分析，得到分析结果表；对所述分析结果表进行解析，得到分析结果表对应的解析数据；将所述解析数据输入至训练后的异常预警模型进行预测，得到水产动物生长异常的预警报告；获取水产动物生长异常的历史预警报告，根据所述水产动物生长异常的预警报告和所述历史预警报告生成目标监控策略，并将所述目标监控策略发送至水产养殖监控终端。本发明利用训练后的图像识别模型，能够从鱼塘影像数据中提取出水产动物的多维特征数据，为后续的数据分析提供丰富的数据基础。本发明不仅能够将当前获得的特征数据与历史数据进行对比，还能够通过异常预警模型对水产动物的生长异常情况进行预测。确保了在出现潜在问题时能够及时发出预警，减少养殖风险。基于异常预警报告和历史预警报告能够智能生成目标监控策略，整合图像识别技术和融合算法，结合历史数据和预测模型，可以为养殖户或管理人员提供准确、及时的决策依据，并且本发明通过与水产养殖监控终端的实时交互，整个系统能够全面地优化养殖过程，从早期的异常检测到后期的管理策略调整，确保水产动物的健康生长，同时提高养殖的经济效益。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，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，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 (7)
1.一种基于AI视觉的水产养殖监控方法，其特征在于，包括：
通过预置的AI视觉高清摄像设备采集鱼塘影像数据；其中，所述鱼塘影像数据中的每一帧图像表示特定时刻的鱼塘图像；
将所述鱼塘影像数据输入至训练后的图像识别模型进行处理，得到鱼塘水产动物的多维特征数据；其中，所述多维特征数据至少包括水产动物数量特征数据、水产动物生长状态特征数据、水产动物行为特征数据；所述图像识别模型经过提前训练得到；
基于预设的融合算法对所述多维特征数据进行融合处理，得到目标特征数据；并将所述目标特征数据存储至提前建立的目标数据表中；
从数据库中获取水产动物的历史数据表，将所述历史数据表对所述目标数据表进行对比分析，得到分析结果表；
对所述分析结果表进行解析，得到分析结果表对应的解析数据；将所述解析数据输入至训练后的异常预警模型进行预测，得到水产动物生长异常的预警报告；其中，所述异常预警模型经过提前训练得到；
获取水产动物生长异常的历史预警报告，根据所述水产动物生长异常的预警报告和所述历史预警报告生成目标监控策略，并将所述目标监控策略发送至水产养殖监控终端；
所述异常预警模型的训练过程，包括：
获取解析数据，对所述解析数据进行特征提取，得到第一解析特征向量；其中，所述解析数据包括对应的标签；
将所述第一解析特征向量输入至预设的卷积模型进行特征提取，得到第一特征向量；
将所述第一特征向量输入至预设的第一编码模型中进行编码处理，得到对应的第二特征向量；
将所述第二特征向量输入至预设的第二编码模型中进行编码处理，得到第三特征向量；
随机生成一个不重复的第四特征向量，且所述第四特征向量在预设周期内只生成一次，将第四特征向量与第三特征向量进行融合处理，得到第五特征向量；其中，数据库中存储有第四特征向量与第三特征向量融合处理的规则；
将所述第一特征向量、第二特征向量、第五特征向量以及对应的标签输入至分类层中进行训练，并迭代调整所述预设的卷积模型、第一编码模型以及第二编码模型的模型参数，直至所述分类层的损失函数收敛之后，完成异常预警模型的训练；
所述水产动物生长异常的异常行为具体指：鱼群浮头异常行为、鱼群进食面积波动异常行为。
2.根据权利要求1所述的水产养殖监控方法，其特征在于，所述图像识别模型的训练过程，包括：
获取鱼塘图像训练数据，将所述鱼塘图像训练数据输入至初始模型；其中，所述初始模型包括一个水产动物数量特征数据提取模型、一个水产动物生长状态特征数据分析模型和一个水产动物行为特征数据预测模型；
基于水产动物数量特征数据提取模型，根据鱼塘图像训练数据预测对应的水产动物数量；基于水产动物生长状态特征数据分析模型，根据鱼塘图像训练数据预测水产动物生长状态；基于水产动物行为特征数据预测模型，分析鱼塘图像训练数据中水产动物行为特征；
获取所述鱼塘图像训练数据中预先标定的实际识别值；其中，所述实际识别值包括实际的水产动物数量、实际的水产动物生长状态和实际的水产动物行为特征；
计算预测的水产动物数量与实际的水产动物数量的相似值，作为第一损失值；计算预测的水产动物生长状态与实际的水产动物生长状态的相似值，作为第二损失值；计算预测的水产动物行为特征数据与实际的水产动物行为特征数据的相似值，作为第三损失值；
对初始模型的模型参数进行迭代调整，通过基于损失的优化，将所述第一损失值、第二损失值和第三损失值降至最小，训练得到所述图像识别模型。
3.根据权利要求2所述的水产养殖监控方法，其特征在于，所述根据鱼塘图像训练数据预测对应的水产动物数量，包括：
通过求彩色鱼塘图像中R、G、B三色分量的平均值，将彩色鱼塘图像转化为灰度图像；并利用得到的灰度值和预设的局部图像微分算法，采用Canny算子对灰度图像进行边缘检测，得到输出图像；其中，所述平均值为灰度图像的灰度值；
通过预置的高斯滤波器将水产养殖现场采集到的彩色鱼塘图像中的水面波纹进行图像平滑处理，得到降噪后的平滑图像；
创建与平滑图像尺寸相同的掩模图像，并对掩模图像与平滑图像进行逐像素的逻辑运算；其中，掩模图像的白色区域为允许操作的区域，掩模图像的黑色区域为忽略区域，在指定区域上对平滑图像进行修改；
利用处理后的平滑图像的水平方向纹理特征进行水产动物标记，得到对应的水产动物数量。
4.根据权利要求3所述的水产养殖监控方法，其特征在于，所述通过求彩色鱼塘图像中R、G、B三色分量的平均值，将彩色鱼塘图像转化为灰度图像；利用得到的灰度值和预设的局部图像微分算法，并采用Canny算子对灰度图像进行边缘检测，得到输出图像，包括：
对彩色图像进行灰度处理，得到每个像素点的灰度值；其中，所述灰度值是通过R、G、B三色分量的平均值来确定的；
根据所述每个像素点的灰度值，计算灰度图像中灰度值的梯度，并识别灰度值发生急剧变化的区域，将所述急剧变化的区域作为灰度图像边缘；
通过预设的局部图像微分算法获取灰度图像边缘的边缘检测算子；
通过一阶偏导的有限差分来计算灰度图像中的梯度幅值和方向；并对计算出的梯度幅值和方向进行非极大值抑制，得到真实的灰度图像边缘；其中，所述非极大值抑制用于强化真实的灰度图像边缘并消除虚假的灰度图像边缘；
设置第一阈值和第二阈值；其中，所述第一阈值用于检测强灰度图像边缘，所述第二阈值用于检测弱灰度图像边缘；
将所述真实的灰度图像边缘与第一阈值和第二阈值分别进行对比分析，若所述真实的灰度图像边缘高于第一阈值，则所述真实的灰度图像边缘为强灰度图像边缘，若所述真实的灰度图像边缘低于第一阈值，则所述真实的灰度图像边缘为弱灰度图像边缘，即所述真实的灰度图像边缘位于第一阈值与第二阈值之间；
当弱灰度图像边缘与强灰度图像边缘相等时，输出经过边缘检测后的图像，得到输出图像。
5.一种基于AI视觉的水产养殖监控装置，其特征在于，所述基于AI视觉的水产养殖监控装置包括：
采集模块，用于通过预置的高清摄像设备采集鱼塘影像数据；其中，所述鱼塘影像数据中的每一帧图像表示特定时刻的鱼塘图像；
处理模块，用于将所述鱼塘影像数据输入至训练后的图像识别模型进行处理，得到鱼塘水产动物的多维特征数据；其中，所述多维特征数据至少包括水产动物数量特征数据、水产动物生长状态特征数据、水产动物行为特征数据；所述图像识别模型经过提前训练得到；
融合模块，用于基于预设的融合算法对所述多维特征数据进行融合处理，得到目标特征数据；并将所述目标特征数据存储至提前建立的目标数据表中；
对比模块，用于从数据库中获取水产动物的历史数据表，将所述历史数据表对所述目标数据表进行对比分析，得到分析结果表；
预测模块，用于对所述分析结果表进行解析，得到分析结果表对应的解析数据；将所述解析数据输入至训练后的异常预警模型进行预测，得到水产动物生长异常的预警报告；其中，所述异常预警模型经过提前训练得到；
生成模块，用于获取水产动物生长异常的历史预警报告，根据所述水产动物生长异常的预警报告和所述历史预警报告生成目标监控策略，并将所述目标监控策略发送至水产养殖监控终端；
所述异常预警模型的训练过程，包括：
获取解析数据，对所述解析数据进行特征提取，得到第一解析特征向量；其中，所述解析数据包括对应的标签；
将所述第一解析特征向量输入至预设的卷积模型进行特征提取，得到第一特征向量；
将所述第一特征向量输入至预设的第一编码模型中进行编码处理，得到对应的第二特征向量；
将所述第二特征向量输入至预设的第二编码模型中进行编码处理，得到第三特征向量；
随机生成一个不重复的第四特征向量，且所述第四特征向量在预设周期内只生成一次，将第四特征向量与第三特征向量进行融合处理，得到第五特征向量；其中，数据库中存储有第四特征向量与第三特征向量融合处理的规则；
将所述第一特征向量、第二特征向量、第五特征向量以及对应的标签输入至分类层中进行训练，并迭代调整所述预设的卷积模型、第一编码模型以及第二编码模型的模型参数，直至所述分类层的损失函数收敛之后，完成异常预警模型的训练；
所述水产动物生长异常的异常行为具体指：鱼群浮头异常行为、鱼群进食面积波动异常行为。
6.一种基于AI视觉的水产养殖监控设备，其特征在于，所述基于AI视觉的水产养殖监控设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于AI视觉的水产养殖监控设备执行如权利要求1-4中任一项所述的基于AI视觉的水产养殖监控方法。
7.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-4中任一项所述的基于AI视觉的水产养殖监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311151346.7A CN116935327B (zh) | 2023-09-07 | 2023-09-07 | 基于ai视觉的水产养殖监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311151346.7A CN116935327B (zh) | 2023-09-07 | 2023-09-07 | 基于ai视觉的水产养殖监控方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116935327A CN116935327A (zh) | 2023-10-24 |
| CN116935327B true CN116935327B (zh) | 2023-12-22 |
Family
ID=88375558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311151346.7A Active CN116935327B (zh) | 2023-09-07 | 2023-09-07 | 基于ai视觉的水产养殖监控方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116935327B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473446B (zh) * | 2023-12-27 | 2024-03-15 | 深圳市明心数智科技有限公司 | 基于深度学习的异常检测和处理方法及系统 |
| CN117473445B (zh) * | 2023-12-27 | 2024-04-16 | 深圳市明心数智科技有限公司 | 基于极限学习机的设备异常分析方法及装置 |
| CN117575368B (zh) * | 2024-01-15 | 2024-05-03 | 中国水产科学研究院南海水产研究所 | 一种基于物联网技术的水产种质资源管理方法及系统 |
| CN117787511B (zh) * | 2024-02-28 | 2024-05-10 | 福州工小四物联科技有限公司 | 一种工厂化高密度水产养殖监测预警方法及其系统 |
| CN118279080A (zh) * | 2024-05-08 | 2024-07-02 | 汇链通产业供应链数字科技(厦门)有限公司 | 一种基于人工智能的大模型的蛋鸡类养殖系统优化方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472883A (zh) * | 2018-09-27 | 2019-03-15 | 中国农业大学 | 巡塘方法和装置 |
| AU2020102433A4 (en) * | 2020-09-25 | 2020-11-05 | Bhoi, Akash Kumar DR | Machine learning based fish monitoring machine and method thereof |
| CN112232978A (zh) * | 2020-10-20 | 2021-01-15 | 青岛丰禾星普科技有限公司 | 水产品体长和重量检测方法、终端设备及存储介质 |
| CN112257564A (zh) * | 2020-10-20 | 2021-01-22 | 青岛丰禾星普科技有限公司 | 水产品数量统计方法、终端设备及存储介质 |
| CN112578725A (zh) * | 2020-12-16 | 2021-03-30 | 中国水产科学研究院南海水产研究所 | 一种基于物联网的渔业水上养殖设施安全预警系统及方法 |
| CN114463843A (zh) * | 2022-01-11 | 2022-05-10 | 浙江工业大学 | 一种基于深度学习的多特征融合鱼类异常行为检测方法 |
| KR20220074043A (ko) * | 2020-11-27 | 2022-06-03 | 호서대학교 산학협력단 | 심층신경망 및 영상처리를 이용한 어종 인식 및 체장 측정 방법 및 장치 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11170209B1 (en) * | 2020-04-21 | 2021-11-09 | InnovaSea Systems, Inc. | Systems and methods for fish volume estimation, weight estimation, and analytic value generation |
-
2023
- 2023-09-07 CN CN202311151346.7A patent/CN116935327B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472883A (zh) * | 2018-09-27 | 2019-03-15 | 中国农业大学 | 巡塘方法和装置 |
| AU2020102433A4 (en) * | 2020-09-25 | 2020-11-05 | Bhoi, Akash Kumar DR | Machine learning based fish monitoring machine and method thereof |
| CN112232978A (zh) * | 2020-10-20 | 2021-01-15 | 青岛丰禾星普科技有限公司 | 水产品体长和重量检测方法、终端设备及存储介质 |
| CN112257564A (zh) * | 2020-10-20 | 2021-01-22 | 青岛丰禾星普科技有限公司 | 水产品数量统计方法、终端设备及存储介质 |
| KR20220074043A (ko) * | 2020-11-27 | 2022-06-03 | 호서대학교 산학협력단 | 심층신경망 및 영상처리를 이용한 어종 인식 및 체장 측정 방법 및 장치 |
| CN112578725A (zh) * | 2020-12-16 | 2021-03-30 | 中国水产科学研究院南海水产研究所 | 一种基于物联网的渔业水上养殖设施安全预警系统及方法 |
| CN114463843A (zh) * | 2022-01-11 | 2022-05-10 | 浙江工业大学 | 一种基于深度学习的多特征融合鱼类异常行为检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116935327A (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116935327B (zh) | 基于ai视觉的水产养殖监控方法、装置、设备及存储介质 | |
| Mohamed et al. | Msr-yolo: Method to enhance fish detection and tracking in fish farms | |
| Li et al. | Deep cascaded convolutional models for cattle pose estimation | |
| EP3789934A1 (en) | Method for calculating deviation relations of a population | |
| CN111294565A (zh) | 一种智能化养猪监测方法和管理端 | |
| CN105389581B (zh) | 一种胚芽米胚芽完整度智能识别系统及其识别方法 | |
| CN108491807B (zh) | 一种奶牛发情行为实时监测方法及系统 | |
| Caseneuve et al. | Chest X-Ray image preprocessing for disease classification | |
| Vo et al. | An application of Convolutional Neural Network to lobster grading in the Southern Rock Lobster supply chain | |
| Rahim et al. | Deep learning-based accurate grapevine inflorescence and flower quantification in unstructured vineyard images acquired using a mobile sensing platform | |
| CN112528823B (zh) | 一种基于关键帧检测和语义部件分割的条斑鲨运动行为分析方法及系统 | |
| Isa et al. | CNN transfer learning of shrimp detection for underwater vision system | |
| Hu et al. | Self-adversarial training and attention for multi-task wheat phenotyping | |
| Kazi et al. | Fruit Grading, Disease Detection, and an Image Processing Strategy | |
| CN118097423A (zh) | 基于人工智能的水稻病害预警和防治系统及方法 | |
| Pauzi et al. | A review on image processing for fish disease detection | |
| McLeay et al. | Deep convolutional neural networks with transfer learning for waterline detection in mussel farms | |
| CN117016430A (zh) | 一种基于智能监测的肉鸡养殖系统 | |
| Bini et al. | Intelligent agrobots for crop yield estimation using computer vision | |
| CN110991300A (zh) | 一种肉鸡腹部异常肿胀状态的自动识别方法 | |
| CN114943929B (zh) | 基于图像融合技术的鱼类异常行为实时检测方法 | |
| CN113158965B (zh) | 一种实现海漂垃圾识别的仿视觉识别方法、设备和介质 | |
| CN114255203B (zh) | 一种鱼苗数量估计方法及系统 | |
| Bautista et al. | Plum selection system using computer vision | |
| Huang et al. | High-throughput image analysis framework for fruit detection, localization and measurement from video streams |
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 |