CN117193304B - 一种无人船集群控制方法及相关设备 - Google Patents
一种无人船集群控制方法及相关设备 Download PDFInfo
- Publication number
- CN117193304B CN117193304B CN202311217618.9A CN202311217618A CN117193304B CN 117193304 B CN117193304 B CN 117193304B CN 202311217618 A CN202311217618 A CN 202311217618A CN 117193304 B CN117193304 B CN 117193304B
- Authority
- CN
- China
- Prior art keywords
- information
- fish
- light source
- plan
- ship
- 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 53
- 241000251468 Actinopterygii Species 0.000 claims abstract description 185
- 238000009826 distribution Methods 0.000 claims abstract description 66
- 238000013459 approach Methods 0.000 claims abstract description 8
- 230000002319 phototactic effect Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 12
- 239000002131 composite material Substances 0.000 claims description 11
- 241000894007 species Species 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000009193 crawling Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims 1
- 238000004220 aggregation Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 239000000446 fuel Substances 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000027870 phototropism Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 241000243321 Cnidaria Species 0.000 description 1
- 241000252212 Danio rerio Species 0.000 description 1
- 241001372210 Gobioides broussonnetii Species 0.000 description 1
- 241001417495 Serranidae Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000029264 phototaxis Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本申请公开了一种无人船集群控制方法及相关设备，该方法包括：基于捕鱼船只的声呐信息获取鱼群位置信息；将上述鱼群位置信息发送至无人船集群，以控制上述无人船集群向上述鱼群位置信息对应的位置靠近并获取鱼群图像信息；根据上述鱼群图像信息获取鱼群种类分布信息；根据上述鱼群种类分布信息确定诱捕阵列光源开启计划；根据上述鱼群种类分布信息和上述阵列光源开启计划确定船只航行路线计划；将上述诱捕阵列光源开启计划和上述船只航行路线计划发送至上述捕鱼船只和上述无人船集群，以使上述捕鱼船只和上述无人船集群按照上述诱捕阵列光源开启计划和上述船只航行路线计划执行诱捕任务。
Description
技术领域
本说明书涉及无人船集群控制领域，更具体地说，本申请涉及一种无人船集群控制方法及相关设备。
背景技术
现有的捕鱼方式通常是通过捕鱼船的声呐信息获取鱼群的方向，相关人员控制捕鱼船只到达鱼群的位置拖拽渔网进行捕捞，但是捕鱼船只无法对于鱼群的种类进行选择，同时在捕鱼的过程中需要捕鱼船冲向鱼群的移动路径对于捕鱼船的机动性和捕鱼船的能耗也是较大的挑战，严重影响捕鱼效率与经济性。
发明内容
在发明内容部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本申请的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
第一方面，本申请提出一种无人船集群控制方法，上述方法包括：
基于捕鱼船只的声呐信息获取鱼群位置信息；
将上述鱼群位置信息发送至无人船集群，以控制上述无人船集群向上述鱼群位置信息对应的位置靠近并获取鱼群图像信息；
根据上述鱼群图像信息获取鱼群种类分布信息；
根据上述鱼群种类分布信息确定诱捕阵列光源开启计划，其中，上述诱捕阵列光源开启计划包括捕鱼船只光源开启计划和无人船集群光源开启计划；
根据上述鱼群种类分布信息和上述阵列光源开启计划确定船只航行路线计划，其中，上述船只航行路线计划包括捕鱼船只航行路线计划和无人船集群航行计划；
将上述诱捕阵列光源开启计划和上述船只航行路线计划发送至上述捕鱼船只和上述无人船集群，以使上述捕鱼船只和上述无人船集群按照上述诱捕阵列光源开启计划和上述船只航行路线计划执行诱捕任务。
在一种实施方式中，上述根据上述鱼群图像信息获取鱼群种类分布信息，包括：
将上述鱼群图像信息输入至目标编码器以获取编码特征，其中，上述目标编码器包括两个深度可分离式卷积层，两个上述可分离式卷积层之间通过瓶颈层跳跃连接，每个上述深度可分离式卷积层对应不同的膨胀系数，上述深度可分离式卷积层包括深度方向卷积层、第一批归一化层、点卷积层、第二批归一化层和激活层；
将上述编码特征输入至目标解码器以获取图像特征信息，其中，上述目标解码器包括三组交叉设置的可分离残差块与插值采样层、卷积层和激活层；
根据上述图像特征信息获取上述鱼群种类分布信息。
在一种实施方式中，上述根据上述图像特征信息获取上述鱼群种类分布信息，包括：
爬取鱼类图像信息对应的图像特征信息；
对上述图像特征信息中的第一部分图像特征信息进行标注操作；
利用核函数将上述第一部分图像特性信息和第二部分图像特征信息映射至Hilbert空间；
使用最大均值偏差量衡量第一部分图像特征信息和第二部分图像特征信息以实现特征迁移；
使用希尔伯特施密特独立标准度量特性信息与其类别标签之间的依赖程度从而获取待训练特征信息；
基于上述待训练特征信息对鱼群种类识别器进行训练；
根据训练后的鱼群种类识别器对上述特向特征信息进行识别以获取上述鱼群种类分布信息。
在一种实施方式中，上述根据上述鱼群种类分布信息确定诱捕阵列光源开启计划，包括：
根据上述鱼群种类分布信息确定目标诱捕鱼种的趋光特性；
根据上述鱼群种类分布信息确定目标诱捕鱼种的空间位置范围信息；
基于上述趋光特性、上述空间位置范围信息和捕鱼船只位置信息确定上述诱捕阵列光源开启计划。
在一种实施方式中，上述基于上述趋光特性、上述空间位置范围信息、捕鱼船只位置信息确定上述诱捕阵列光源开启计划，包括：
根据上述空间位置范围信息和上述捕鱼船只位置信息确定鱼群理想移动路径；
根据上述鱼群理想移动路径和上述趋光特性确定复合光源移动路径；
根据上述复合光源移动路径和光源位置信息进行光源矢量计算以确定上述诱捕阵列光源开启计划，其中，上述光源位置信息包括捕鱼船只位置信息和无人船集群位置信息。
在一种实施方式中，上述根据上述鱼群种类分布信息和上述阵列光源开启计划确定船只航行路线计划，包括：
上述根据上述鱼群种类分布信息和上述阵列光源开启计划确定光源强度需求信息；
基于上述光源强度需求信息确定船只航行路线计划。
在一种实施方式中，上述基于上述光源强度需求信息确定船只航行路线计划，包括：
基于上述光源强度需求信息确定可选择航行路线；
获取上述目标诱捕鱼种的聚集范围；
在上述可选择航行路线中基于上述目标诱捕鱼种的聚集范围确定船只航行对诱捕操作的干扰系数；
在上述可选择航行路线中选取较小的上述干扰系数对应的路线为上述船只航行路线计划。
第二方面，本申请还提出一种无人船集群控制装置，包括：
第一获取单元，用于基于捕鱼船只的声呐信息获取鱼群位置信息；
第一发送单元，用于将上述鱼群位置信息发送至无人船集群，以控制上述无人船集群向上述鱼群位置信息对应的位置靠近并获取鱼群图像信息；
第二获取单元，用于根据上述鱼群图像信息获取鱼群种类分布信息；
第一确定单元，用于根据上述鱼群种类分布信息确定诱捕阵列光源开启计划，其中，上述诱捕阵列光源开启计划包括捕鱼船只光源开启计划和无人船集群光源开启计划；
第二确定单元，用于根据上述鱼群种类分布信息和上述阵列光源开启计划确定船只航行路线计划，其中，上述船只航行路线计划包括捕鱼船只航行路线计划和无人船集群航行计划；
第二发送单元，用于将上述诱捕阵列光源开启计划和上述船只航行路线计划发送至上述捕鱼船只和上述无人船集群，以使上述捕鱼船只和上述无人船集群按照上述诱捕阵列光源开启计划和上述船只航行路线计划执行诱捕任务。
第三方面，一种电子设备，包括：存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器用于执行存储器中存储的计算机程序时实现如上述的第一方面任一项的无人船集群控制方法的步骤。
第四方面，本申请还提出一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现第一方面上述任一项的无人船集群控制方法。
综上，本申请实施例的无人船集群控制方法包括：基于捕鱼船只的声呐信息获取鱼群位置信息；将上述鱼群位置信息发送至无人船集群，以控制上述无人船集群向上述鱼群位置信息对应的位置靠近并获取鱼群图像信息；根据上述鱼群图像信息获取鱼群种类分布信息；根据上述鱼群种类分布信息确定诱捕阵列光源开启计划，其中，上述诱捕阵列光源开启计划包括捕鱼船只光源开启计划和无人船集群光源开启计划；根据上述鱼群种类分布信息和上述阵列光源开启计划确定船只航行路线计划，其中，上述船只航行路线计划包括捕鱼船只航行路线计划和无人船集群航行计划；将上述诱捕阵列光源开启计划和上述船只航行路线计划发送至上述捕鱼船只和上述无人船集群，以使上述捕鱼船只和上述无人船集群按照上述诱捕阵列光源开启计划和上述船只航行路线计划执行诱捕任务。本申请提出的无人船集群控制方法，通过智能捕捞，减少不必要的捕获和资源浪费。通过图像识别算法精确识别鱼群种类并有针对性地捕捞，可以帮助维护渔业资源的可持续性，防止过度捕捞和保护海洋生态系统。智能导航和光源策略的优化减少了捕鱼船只的航行距离和时间，从而减少了燃料消耗和碳排放，有助于降低对环境的不良影响，减少渔业活动对气候变化的影响。通过自动化和智能化的技术，整体方案减少了对人力资源的需求，降低了对专业捕鱼人员的依赖，同时提供了更安全和可控的捕鱼环境。通过优化光源开启计划和航行路线计划，该方案提高了捕获效率，能够更准确的鱼群位置信息和个性化的捕鱼策略有助于在较短的时间内捕获更多的鱼。本方案依赖声呐信息、图像分析和实时通信，为决策提供了数据支持，使得捕鱼船只和无人船集群能够根据实际情况做出即时决策，以优化捕鱼活动。减少了人力和燃料等资源的使用，整体方案有助于降低捕捞成本，对捕鱼行业的可持续性和盈利性都具有积极影响。
本申请提出的无人船集群控制方法，本申请的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本申请的研究和实践而为本领域的技术人员所理解。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本说明书的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本申请实施例提供的一种无人船集群控制方法流程示意图；
图2为本申请实施例提出的一种目标编码器和目标解码器原理性示意图；
图3为本申请实施例提供的一种无人船集群控制装置结构性示意图；
图4为本申请实施例提供的一种无人船集群控制的电子设备结构示意图。
具体实施方式
本申请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”和“具有”以及他们的任何变形，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。下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。
请参阅图1，为本申请实施例提供的一种无人船集群控制方法流程示意图，具体可以包括：
S110、基于捕鱼船只的声呐信息获取鱼群位置信息；
示例性的，捕鱼船通过高精度声呐系统发送声波信号并接收反射信号，通过声波的传播时间和反射信号的强度，计算鱼群的深度、距离和分布情况。声呐技术还可以粗略区分不同尺寸和种类的鱼。声呐信息提供了准确的鱼群位置和深度数据，使捕鱼船只能够有针对性地前往鱼群所在的水域，减少了搜索和捕捞的时间和成本。
S120、将上述鱼群位置信息发送至无人船集群，以控制上述无人船集群向上述鱼群位置信息对应的位置靠近并获取鱼群图像信息；
示例性的，无人船集群通过接收鱼群位置信息后，协同工作，自动导航到鱼群所在位置，确保多个无人船分布在鱼群周围，以最大程度地覆盖捕鱼区域。无人船集群的自主导航和分布策略可以有效提高鱼群图像数据的采集效率，确保覆盖整个鱼群，提供全面的视野，以便更精确地区分鱼群的种类。
S130、根据上述鱼群图像信息获取鱼群种类分布信息；
示例性的，使用计算机视觉技术对鱼群图像进行分析和识别，确定不同种类的鱼在鱼群中的分布和数量。通过图像信息的智能分析，可以快速获得鱼群的种类和数量分布信息，有助于制定更精确的捕鱼策略和资源管理计划。
S140、根据上述鱼群种类分布信息确定诱捕阵列光源开启计划，其中，上述诱捕阵列光源开启计划包括捕鱼船只光源开启计划和无人船集群光源开启计划；
示例性的，根据不同种类鱼群的行为和偏好，以及时间和位置因素，决定何时、何地以及以何种方式启用光源，以引诱鱼群进入捕捞区域。通过智能的光源开启计划可以最大程度地提高捕获效率，减少能耗，降低成本。并且它可以根据不同种类鱼的趋光性习性，制定个性化的光源策略。
S150、根据上述鱼群种类分布信息和上述阵列光源开启计划确定船只航行路线计划，其中，上述船只航行路线计划包括捕鱼船只航行路线计划和无人船集群航行计划；
示例性的，根据上述鱼群种类分布信息和上述阵列光源开启计划确定船只航行路线计划，航行路线计划考虑了鱼群分布、光源计划和捕鱼船只和无人船集群的机动性能，规划捕鱼船和无人船的最佳航行路径，以确保它们按照计划执行捕捞任务。通过智能的航行路线计划可以最大程度地提高捕获效率，减少时间浪费和燃料消耗。它还可以减少碰撞和交通干扰，提高捕鱼操作的安全性S160、将上述诱捕阵列光源开启计划和上述船只航行路线计划发送至上述捕鱼船只和上述无人船集群，以使上述捕鱼船只和上述无人船集群按照上述诱捕阵列光源开启计划和上述船只航行路线计划执行诱捕任务。
示例性的，通过实时通信，将计划信息传输给捕鱼船和无人船，确保它们按照计划执行诱捕任务，包括开启光源、航行路径和鱼群捕捞。通过实时通信和计划的执行协调可以确保整个捕鱼过程的高效运行。它减少了人为干预的需要，提高了捕获率，降低了捕鱼任务的复杂性。
本申请提出的无人船集群控制方法，通过智能捕捞，减少不必要的捕获和资源浪费。通过图像识别算法精确识别鱼群种类并有针对性地捕捞，可以帮助维护渔业资源的可持续性，防止过度捕捞和保护海洋生态系统。智能导航和光源策略的优化减少了捕鱼船只的航行距离和时间，从而减少了燃料消耗和碳排放，有助于降低对环境的不良影响，减少渔业活动对气候变化的影响。通过自动化和智能化的技术，整体方案减少了对人力资源的需求，降低了对专业捕鱼人员的依赖，同时提供了更安全和可控的捕鱼环境。通过优化光源开启计划和航行路线计划，该方案提高了捕获效率，能够更准确的鱼群位置信息和个性化的捕鱼策略有助于在较短的时间内捕获更多的鱼。本方案依赖声呐信息、图像分析和实时通信，为决策提供了数据支持，使得捕鱼船只和无人船集群能够根据实际情况做出即时决策，以优化捕鱼活动。减少了人力和燃料等资源的使用，整体方案有助于降低捕捞成本，对捕鱼行业的可持续性和盈利性都具有积极影响。
在一种实施方式中，上述根据上述鱼群图像信息获取鱼群种类分布信息，包括：
将上述鱼群图像信息输入至目标编码器以获取编码特征，其中，上述目标编码器包括两个深度可分离式卷积层，两个上述可分离式卷积层之间通过瓶颈层跳跃连接，每个上述深度可分离式卷积层对应不同的膨胀系数，上述深度可分离式卷积层包括深度方向卷积层、第一批归一化层、点卷积层、第二批归一化层和激活层；
将上述编码特征输入至目标解码器以获取图像特征信息，其中，上述目标解码器包括三组交叉设置的可分离残差块与插值采样层、卷积层和激活层；
根据上述图像特征信息获取上述鱼群种类分布信息。
示例性的，如图2所示，为本申请实施例提出的一种目标编码器和目标解码器原理性示意图。目标编码器接受鱼群图像信息并将其转化为有意义的编码特征。该编码器采用深度可分离式卷积层，这种卷积层在特征提取中非常有效。它包括深度方向卷积层、归一化层和激活层。深度可分离卷积层通过分解传统卷积层为两个步骤来提取特征。首先，深度方向卷积层逐通道地卷积图像，这有助于提取不同通道的特征。接着，点卷积层通过1x1的卷积核将这些特征图串联在一起，以维持特征的完整性。这种方法减少了网络参数的数量，提高了计算效率。需要说明的是，在不同的可分离卷积层可以设置不同的膨胀系数，膨胀系数为1的卷积可以用来提取图像的细节特征，膨胀系数为2卷积，用来提取图像的边缘特征，不同膨胀系数的卷积相组合，用以捕获图像的多尺度上下文信息。
目标解码器接收编码特征并将其映射回图像特征信息。解码器通常包括三组交叉设置的可分离残差块，这些块用于提取高级语义特征。插值采样层用于上采样特征图，将编码特征映射回与原始图像相同的大小。这有助于保留图像的空间信息，特别是浅层信息。卷积层和激活层用于进一步提取和激活特征，以获得图像特征信息。
图像特征信息包含了有关鱼群的语义信息，如鱼的形状、颜色和纹理等。这些信息可以用于鱼群种类的识别和分布信息的提取。通过使用计算机视觉技术和深度学习模型，可以分析图像特征并识别不同种类的鱼。例如，可以使用卷积神经网络(CNN)进行图像分类和物体检测。
本申请提出的目标编码器和目标解码器能够获取图像中鱼类更为深层的特征信息，用于识别时，识别的结果更为准确。
在一种实施方式中，上述根据上述图像特征信息获取上述鱼群种类分布信息，包括：
爬取鱼类图像信息对应的图像特征信息；
对上述图像特征信息中的第一部分图像特征信息进行标注操作；
利用核函数将上述第一部分图像特性信息和第二部分图像特征信息映射至Hilbert空间；
使用最大均值偏差量衡量第一部分图像特征信息和第二部分图像特征信息以实现特征迁移；
使用希尔伯特施密特独立标准度量特性信息与其类别标签之间的依赖程度从而获取待训练特征信息；
基于上述待训练特征信息对鱼群种类识别器进行训练；
根据训练后的鱼群种类识别器对上述特向特征信息进行识别以获取上述鱼群种类分布信息。
示例性的，：通过爬取鱼类图像信息，可以建立一个庞大的图像数据库，用于后续的特征提取和机器学习模型的训练。图像特征信息为采用上述目标编码器和目标解码器获取的图像特征信息。图像标注是为了为每个图像关联正确的鱼类种类标签。可以通过人工或半自动的方式对图像进行分类和标注。通过核函数将图像特征映射到Hilbert空间，这种空间具有更好的可分离性，有助于特征的抽象和分类。最大均值偏差(MaximumMeanDiscrepancy，MMD)是一种用于度量两个分布之间距离的方法，可用于特征迁移。MMD的使用有助于使第一部分和第二部分的特征信息更加接近。希尔伯特施密特独立标准(Hilbert-SchmidtIndependenceCriterion，HSIC)是一种用于度量两个随机变量之间依赖关系的方法。HSIC的使用有助于了解特征信息与类别标签之间的关系，从而提高了鱼群种类识别器的性能。使用待训练的特征信息来训练鱼群种类识别器，可以使用各种机器学习模型，如深度学习模型，来进行训练。训练出的鱼群种类识别器可以自动化地对图像进行分类，从而实现了鱼群种类的识别和分布信息的获取。训练后的鱼群种类识别器用于对图像特征信息进行分类，从而确定每个图像中的鱼类种类
本申请实施例提出的方法，将爬取的鱼类图像信息转化为有用的鱼群种类分布信息，同时通过特征迁移和分类训练建立了高效的鱼群种类识别器。
在一种实施方式中，上述根据上述鱼群种类分布信息确定诱捕阵列光源开启计划，包括：
根据上述鱼群种类分布信息确定目标诱捕鱼种的趋光特性；
根据上述鱼群种类分布信息确定目标诱捕鱼种的空间位置范围信息；
基于上述趋光特性、上述空间位置范围信息和捕鱼船只位置信息确定上述诱捕阵列光源开启计划。
示例性的，不同的鱼群种类有不同的趋光特性，有的鱼类喜欢光(正趋光性)有的鱼类害怕光(逆趋光性)，例如：斑马鱼是正趋光性的鱼类，它们在明亮的光线下活动更加活跃；深海鳐鱼通常表现出负趋光性，它们生活在深水区域，远离强光；石斑鱼通常具有正趋光性，它们在珊瑚礁和浅水区域中寻找食物；深海龙鱼通常表现出负趋光性，它们生活在极深的海底，远离太阳光。在鱼群种类分布信息确定目标捕获鱼种，并确定目标捕获鱼类的趋光特性。
根据鱼群种类分布信息获取目标诱捕鱼种与无人船集群和捕获船只的空间位置范围信息，根据空间位置范围信息和上述空间位置范围信息和捕鱼船只位置信息确定上述诱捕阵列光源开启计划，通过阵列光源之间的光源叠加组合，趋势目标诱捕鱼种向捕获船只游动。需要说明的是，如果为正趋光性的目标诱捕鱼种，在在目标诱捕鱼种的前方引导鱼群游向捕获船只。如果逆趋光性的目标诱捕鱼种，在在目标诱捕鱼种的后方驱赶鱼群游向捕获船只。
需要说明的是，阵列光源为无人船集群上每个无人船携带的光源和捕获船只自身携带光源组成的阵列光源，无人船集群上每个无人船携带的光源方向和光源强度均可控调节。
综上，本申请实施例提出的无人船集群控制方法，通过利用无人船集群和高精度的位置信息，可以实现对捕捞操作的精确导航和控制。这有助于避免船只之间的碰撞，并提高了整个捕捞过程的安全性。同事通过根据目标捕获鱼种的趋光特性来引导或驱赶鱼群，可以最大程度地提高捕获效率。正趋光性的鱼种将被引导到捕鱼船只附近，而逆趋光性的鱼种将被驱赶到捕鱼船只附近，从而增加了捕获机会。
在一种实施方式中，上述基于上述趋光特性、上述空间位置范围信息、捕鱼船只位置信息确定上述诱捕阵列光源开启计划，包括：
根据上述空间位置范围信息和上述捕鱼船只位置信息确定鱼群理想移动路径；
根据上述鱼群理想移动路径和上述趋光特性确定复合光源移动路径；
根据上述复合光源移动路径和光源位置信息进行光源矢量计算以确定上述诱捕阵列光源开启计划，其中，上述光源位置信息包括捕鱼船只位置信息和无人船集群位置信息。
示例性的，理想移动路径为移动路径最短的路径，根据鱼群理想移动路径和去逛特性确定复合光源移动路径，即是引导光源路径还是驱赶光源路径。由于符合光源是捕鱼船只和无人船集群上的光源合成而成的，通过光源矢量计算可以计算出捕鱼船和无人船集群应该对应的光源照射方向，以使合成的复合光源跟随复合光源移动路径，从而实现对目标捕获语种的引导或驱赶，使捕获船只成功捕获目标捕获鱼种。
在一种实施方式中，上述根据上述鱼群种类分布信息和上述阵列光源开启计划确定船只航行路线计划，包括：
上述根据上述鱼群种类分布信息和上述阵列光源开启计划确定光源强度需求信息；
基于上述光源强度需求信息确定船只航行路线计划。
示例性的，根据已知的鱼群种类分布信息，确定在目标捕获区域中存在哪些种类的鱼群。针对每种鱼群种类，考虑其趋光特性。正趋光性的鱼群需要相对较强的光源吸引，而逆趋光性的鱼群可能需要较弱的光源，或者甚至在光线较暗的条件下才会聚集。基于鱼群种类和趋光特性，制定光源强度需求的指导方针或模型从而确定目标捕获鱼种对应的鱼群与光源之间的最佳距离和光源的强度关系。而无人船集群上的光源强度调节范围有范围限制，需要结合无人船集群的移动控制光源发出点与鱼群之间的距离，并配合自身光源强度调节，从而控制复合光源的合成强度，使其满足光源强度需求信息，提升鱼类诱捕的成功率。根据航行路线计划和捕捞情况，可以动态调整光源的强度。这样可以根据实际需要提供足够的光线，同时最小化能源消耗。
在一种实施方式中，上述基于上述光源强度需求信息确定船只航行路线计划，包括：
基于上述光源强度需求信息确定可选择航行路线；
获取上述目标诱捕鱼种的聚集范围；
在上述可选择航行路线中基于上述目标诱捕鱼种的聚集范围确定船只航行对诱捕操作的干扰系数；
在上述可选择航行路线中选取较小的上述干扰系数对应的路线为上述船只航行路线计划。
示例性的，为了达到光源强度需求对于无人船集群可能存在多种移动方案和移动路线，但是无人船只在运行的过程中会产生噪音和尾流，噪音和尾流可能会对鱼类的活动方向造成影响，为了使鱼类的移动方向尽量随着复合光源移动路径去游动，在存在多条可选择航行路线的情况下，计算每条可选择航行路线的干扰系数，干扰系数与每个无人船的噪音、尾流以及与鱼群的距离有关系，噪音与无人船的功率呈正相关即功率越大噪声越大，对鱼群影响随光移动的负面影响越大。尾流影响与无人船航行方向和鱼群游动方向的重合度呈负相关，重合度越高，对鱼群影响随光移动的负面影响越小。距离与鱼群影响随光移动的负面影响成负相关，距离越大影响越小。干扰系数F具体可以通过下式计算：
F＝(a1×(f11+f12+f13)+a2×(f21+f22+f23)+…+aN×(fN1+fN2+fN3))/N
其中，a1～AN为每个无人船对应的权重系数，所述权重系数与无人船的排水量呈正相关，f11～fN1为噪音干扰指数，f21～fN2为尾流干扰指数，f31～fN3为距离干扰指数，上述干扰指数均未经过归一化处理的干扰系数，N为无人船集群中的无人船数量。
请参阅图3，本申请实施例中无人船集群控制装置的一个实施例，可以包括：
第一获取单元21，用于基于捕鱼船只的声呐信息获取鱼群位置信息；
第一发送单元22，用于将上述鱼群位置信息发送至无人船集群，以控制上述无人船集群向上述鱼群位置信息对应的位置靠近并获取鱼群图像信息；
第二获取单元23，用于根据上述鱼群图像信息获取鱼群种类分布信息；
第一确定单元24，用于根据上述鱼群种类分布信息确定诱捕阵列光源开启计划，其中，上述诱捕阵列光源开启计划包括捕鱼船只光源开启计划和无人船集群光源开启计划；
第二确定单元25，用于根据上述鱼群种类分布信息和上述阵列光源开启计划确定船只航行路线计划，其中，上述船只航行路线计划包括捕鱼船只航行路线计划和无人船集群航行计划；
第二发送单元26，用于将上述诱捕阵列光源开启计划和上述船只航行路线计划发送至上述捕鱼船只和上述无人船集群，以使上述捕鱼船只和上述无人船集群按照上述诱捕阵列光源开启计划和上述船只航行路线计划执行诱捕任务。
如图4所示，本申请实施例还提供一种电子设备300，包括存储器310、处理器320及存储在存储器310上并可在处理器上运行的计算机程序311，处理器320执行计算机程序311时实现上述无人船集群控制的任一方法的步骤。
由于本实施例所介绍的电子设备为实施本申请实施例中一种无人船集群控制装置所采用的设备，故而基于本申请实施例中所介绍的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍，只要本领域所属技术人员实施本申请实施例中的方法所采用的设备，都属于本申请所欲保护的范围。
在具体实施过程中，该计算机程序311被处理器执行时可以实现图1对应的实施例中任一实施方式。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机软件指令，当计算机软件指令在处理设备上运行时，使得处理设备执行对应实施例中的无人船集群控制的流程
计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriberline，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solidstatedisk，SSD))等。
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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。
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，本申请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)执行本申请各个实施例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-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。
Claims (9)
1.一种无人船集群控制方法，其特征在于，包括：
基于捕鱼船只的声呐信息获取鱼群位置信息；
将所述鱼群位置信息发送至无人船集群，以控制所述无人船集群向所述鱼群位置信息对应的位置靠近并获取鱼群图像信息；
根据所述鱼群图像信息获取鱼群种类分布信息；
根据所述鱼群种类分布信息确定诱捕阵列光源开启计划，其中，所述诱捕阵列光源开启计划包括捕鱼船只光源开启计划和无人船集群光源开启计划；
根据所述鱼群种类分布信息和所述阵列光源开启计划确定船只航行路线计划，其中，所述船只航行路线计划包括捕鱼船只航行路线计划和无人船集群航行计划；
将所述诱捕阵列光源开启计划和所述船只航行路线计划发送至所述捕鱼船只和所述无人船集群，以使所述捕鱼船只和所述无人船集群按照所述诱捕阵列光源开启计划和所述船只航行路线计划执行诱捕任务；
所述根据所述鱼群图像信息获取鱼群种类分布信息，包括：
将所述鱼群图像信息输入至目标编码器以获取编码特征，其中，所述目标编码器包括两个深度可分离式卷积层，两个所述可分离式卷积层之间通过瓶颈层跳跃连接，每个所述深度可分离式卷积层对应不同的膨胀系数，所述深度可分离式卷积层包括深度方向卷积层、第一批归一化层、点卷积层、第二批归一化层和激活层；
将所述编码特征输入至目标解码器以获取图像特征信息，其中，所述目标解码器包括三组交叉设置的可分离残差块与插值采样层、卷积层和激活层；
根据所述图像特征信息获取所述鱼群种类分布信息。
2.根据权利要求1所述的无人船集群控制方法，其特征在于，所述根据所述图像特征信息获取所述鱼群种类分布信息，包括：
爬取鱼类图像信息对应的图像特征信息；
对所述图像特征信息中的第一部分图像特征信息进行标注操作；
利用核函数将所述第一部分图像特征信息和第二部分图像特征信息映射至Hilbert空间；
使用最大均值偏差量衡量第一部分图像特征信息和第二部分图像特征信息以实现特征迁移；
使用希尔伯特施密特独立标准度量特性信息与其类别标签之间的依赖程度从而获取待训练特征信息；
基于所述待训练特征信息对鱼群种类识别器进行训练；
根据训练后的鱼群种类识别器对所述图像特征信息进行识别以获取所述鱼群种类分布信息。
3.根据权利要求1所述的无人船集群控制方法，其特征在于，所述根据所述鱼群种类分布信息确定诱捕阵列光源开启计划，包括：
根据所述鱼群种类分布信息确定目标诱捕鱼种的趋光特性；
根据所述鱼群种类分布信息确定目标诱捕鱼种的空间位置范围信息；
基于所述趋光特性、所述空间位置范围信息和捕鱼船只位置信息确定所述诱捕阵列光源开启计划。
4.根据权利要求3所述的无人船集群控制方法，其特征在于，所述基于所述趋光特性、所述空间位置范围信息、捕鱼船只位置信息确定所述诱捕阵列光源开启计划，包括：
根据所述空间位置范围信息和所述捕鱼船只位置信息确定鱼群理想移动路径；
根据所述鱼群理想移动路径和所述趋光特性确定复合光源移动路径；
根据所述复合光源移动路径和光源位置信息进行光源矢量计算以确定所述诱捕阵列光源开启计划，其中，所述光源位置信息包括捕鱼船只位置信息和无人船集群位置信息。
5.根据权利要求4所述的无人船集群控制方法，其特征在于，所述根据所述鱼群种类分布信息和所述阵列光源开启计划确定船只航行路线计划，包括：
所述根据所述鱼群种类分布信息和所述阵列光源开启计划确定光源强度需求信息；
基于所述光源强度需求信息确定船只航行路线计划。
6.根据权利要求5所述的无人船集群控制方法，其特征在于，所述基于所述光源强度需求信息确定船只航行路线计划，包括：
基于所述光源强度需求信息确定可选择航行路线；
获取所述目标诱捕鱼种的聚集范围；
在所述可选择航行路线中基于所述目标诱捕鱼种的聚集范围确定船只航行对诱捕操作的干扰系数；
在所述可选择航行路线中选取较小的所述干扰系数对应的路线为所述船只航行路线计划。
7.一种无人船集群控制装置，其特征在于，包括：
第一获取单元，用于基于捕鱼船只的声呐信息获取鱼群位置信息；
第一发送单元，用于将所述鱼群位置信息发送至无人船集群，以控制所述无人船集群向所述鱼群位置信息对应的位置靠近并获取鱼群图像信息；
第二获取单元，用于根据所述鱼群图像信息获取鱼群种类分布信息；
第一确定单元，用于根据所述鱼群种类分布信息确定诱捕阵列光源开启计划，其中，所述诱捕阵列光源开启计划包括捕鱼船只光源开启计划和无人船集群光源开启计划；
第二确定单元，用于根据所述鱼群种类分布信息和所述阵列光源开启计划确定船只航行路线计划，其中，所述船只航行路线计划包括捕鱼船只航行路线计划和无人船集群航行计划；
第二发送单元，用于将所述诱捕阵列光源开启计划和所述船只航行路线计划发送至所述捕鱼船只和所述无人船集群，以使所述捕鱼船只和所述无人船集群按照所述诱捕阵列光源开启计划和所述船只航行路线计划执行诱捕任务；
所述根据所述鱼群图像信息获取鱼群种类分布信息，包括：
将所述鱼群图像信息输入至目标编码器以获取编码特征，其中，所述目标编码器包括两个深度可分离式卷积层，两个所述可分离式卷积层之间通过瓶颈层跳跃连接，每个所述深度可分离式卷积层对应不同的膨胀系数，所述深度可分离式卷积层包括深度方向卷积层、第一批归一化层、点卷积层、第二批归一化层和激活层；
将所述编码特征输入至目标解码器以获取图像特征信息，其中，所述目标解码器包括三组交叉设置的可分离残差块与插值采样层、卷积层和激活层；
根据所述图像特征信息获取所述鱼群种类分布信息。
8.一种电子设备，包括：存储器和处理器，其特征在于，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-6中任一项所述的无人船集群控制方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的无人船集群控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311217618.9A CN117193304B (zh) | 2023-09-20 | 2023-09-20 | 一种无人船集群控制方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311217618.9A CN117193304B (zh) | 2023-09-20 | 2023-09-20 | 一种无人船集群控制方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117193304A CN117193304A (zh) | 2023-12-08 |
| CN117193304B true CN117193304B (zh) | 2024-05-07 |
Family
ID=88990458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311217618.9A Active CN117193304B (zh) | 2023-09-20 | 2023-09-20 | 一种无人船集群控制方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117193304B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9298978B1 (en) * | 2012-05-03 | 2016-03-29 | Joseph F Hlatky | Optical fish recognition |
| DE102018215096A1 (de) * | 2018-09-05 | 2020-03-05 | Atlas Maridan Aps | Autonomes Unterwasserfahrzeug zur Unterstützung der Fischerei |
| CN111616114A (zh) * | 2020-05-13 | 2020-09-04 | 五邑大学 | 一种捕鱼装置、捕鱼方法和计算机可读存储介质 |
| CN112644646A (zh) * | 2020-11-24 | 2021-04-13 | 浙江理工大学 | 大水域鱼类资源调查的水下机器人智能系统及工作方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100293831A1 (en) * | 2007-06-01 | 2010-11-25 | Nyskopunarmidstod Islands | Use of light for guiding aquatic animals |
-
2023
- 2023-09-20 CN CN202311217618.9A patent/CN117193304B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9298978B1 (en) * | 2012-05-03 | 2016-03-29 | Joseph F Hlatky | Optical fish recognition |
| DE102018215096A1 (de) * | 2018-09-05 | 2020-03-05 | Atlas Maridan Aps | Autonomes Unterwasserfahrzeug zur Unterstützung der Fischerei |
| CN111616114A (zh) * | 2020-05-13 | 2020-09-04 | 五邑大学 | 一种捕鱼装置、捕鱼方法和计算机可读存储介质 |
| CN112644646A (zh) * | 2020-11-24 | 2021-04-13 | 浙江理工大学 | 大水域鱼类资源调查的水下机器人智能系统及工作方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多段滑模面控制的船舶柴油机调速系统仿真研究;袁裕鹏等;《船舶工程》;20150430;第第37卷卷(第第4期期);第49-52页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117193304A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Araujo et al. | Population structure, residency patterns and movements of whale sharks in Southern Leyte, Philippines: results from dedicated photo‐ID and citizen science | |
| Rohner et al. | Trends in sightings and environmental influences on a coastal aggregation of manta rays and whale sharks | |
| KR102401337B1 (ko) | 항적 데이타를 이용한 어선 조업 판별 방법 | |
| CN115293658A (zh) | 一种基于大数据的渔业资源规划方法及系统 | |
| Liao et al. | Research on intelligent damage detection of far-sea cage based on machine vision and deep learning | |
| Koprowski et al. | Mobile sailing robot for automatic estimation of fish density and monitoring water quality | |
| CN117193304B (zh) | 一种无人船集群控制方法及相关设备 | |
| Liu et al. | Identifying priority conservation areas of largehead hairtail (Trichiurus japonicus) nursery grounds in the East China Sea | |
| CN116630080B (zh) | 基于图像识别的水产集约化养殖饲料容量确定方法及系统 | |
| Baird et al. | Cooperative conservation and long-term management of false killer whales in Hawaiʻi: geospatial analyses of fisheries and satellite tag data to understand fishery interactions | |
| Ponsioen et al. | Remote sensing of salmonid spawning sites in freshwater ecosystems: The potential of low-cost UAV data | |
| Triay-Portella et al. | Structure and composition of the deep-sea fish community between 150 and 2050 m depth on the Canary Islands, eastern-central Atlantic | |
| Christiani et al. | Precision fisheries: navigating a sea of troubles with advanced analytics | |
| Liawatimena et al. | Drones computer vision using deep learning to support fishing management in Indonesia | |
| Selles et al. | Characterisation of blue shark (Prionace glauca) hotspots in the South-West Indian Ocean | |
| Zhang et al. | Underwater autonomous grasping robot based on multi-stage cascade DetNet | |
| Lansbergen et al. | Sonar 2021-2022 field experiment method development: a case-study of seaweed cultivation and biomass estimation using different sonar techniques and image recognizing networks | |
| Lezama Ochoa | Biodiversity and habitat preferences of the by-catch communities from the tropical tuna purse-seine fishery in the pelagic ecosystem: The case of the Indian, Pacific and Atlantic Ocean | |
| Hamilton | The Ecology of Large Marine Predators in the Hauraki Gulf | |
| CN116994293B (zh) | 一种基于图像识别的网具捕捞效率优化方法及系统 | |
| CN117475293B (zh) | 基于深度学习算法的南极磷虾自动泵吸捕捞系统及方法 | |
| Mahajan et al. | YOLOv8 based fish detection and classification on fishnet dataset | |
| Pierre et al. | Whale entanglements with New Zealand pot fisheries: characterisation and opportunities for management | |
| VEERAPPAN et al. | Fish counting through underwater fish detection using deep learning techniques | |
| Ralph et al. | ANNUAL REPORT 2022-Data collection and analysis in support of single and multispecies stock assessments in Chesapeake Bay: The Chesapeake Bay Multispecies Monitoring and Assessment Program |
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 |