CN117372855A - 一种基于ai识别的水下鱼类状态预警方法及系统 - Google Patents
一种基于ai识别的水下鱼类状态预警方法及系统 Download PDFInfo
- Publication number
- CN117372855A CN117372855A CN202311384594.6A CN202311384594A CN117372855A CN 117372855 A CN117372855 A CN 117372855A CN 202311384594 A CN202311384594 A CN 202311384594A CN 117372855 A CN117372855 A CN 117372855A
- Authority
- CN
- China
- Prior art keywords
- early warning
- acquisition
- fish
- data
- state
- 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.)
- Withdrawn
Links
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 56
- 230000033001 locomotion Effects 0.000 claims abstract description 34
- 238000013507 mapping Methods 0.000 claims abstract description 31
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 23
- 230000001960 triggered effect Effects 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 235000021050 feed intake Nutrition 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 238000002255 vaccination Methods 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
- G06V20/05—Underwater scenes
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于AI识别的水下鱼类状态预警方法及系统，涉及状态预警技术领域，包括：配置连续深度采集传感器，并在有效视野内配置运动触发传感器，执行图像采集，建立采集图像集，根据养殖鱼类建立识别特征库，并通过养殖状态设定初始预锚框，并读取深度数据，对初始预锚框调整建立金字塔锚框，进行映射，并逐级对采集图像集进行框选比对，调用映射识别特征库执行特征识别，生成预警信息，进行鱼类状态的异常管理。本发明解决了传统方法缺乏高效准确的鱼类状态预警，并且无法针对不同养殖鱼类的个体差异进行有效管理的技术问题。
Description
技术领域
本发明涉及状态预警技术领域，具体涉及一种基于AI识别的水下鱼类状态预警方法及系统。
背景技术
水下鱼类状态预警是针对养殖鱼类进行监测和预警的技术，传统技术主要依赖于人工观察和手动分析，存在主观性和时间成本高的问题，无法满足大规模养殖场对实时、准确的状态监测和预警需求，导致缺乏高效准确的鱼类状态预警；并且，不同品种和大小的鱼类在状态特征上存在差异，需要针对个体进行准确的预测和判定，传统技术缺乏针对不同养殖鱼类的个体差异进行有效管理的方法，无法实现个性化的异常管理。
因此需要通过引入AI、图像识别和传感器等技术手段，实现自动化的鱼类状态监测和预警，并对异常情况提供高效、准确和实时的解决方案。
发明内容
本申请通过提供了一种基于AI识别的水下鱼类状态预警方法及系统，旨在解决传统方法缺乏高效准确的鱼类状态预警，并且无法针对不同养殖鱼类的个体差异进行有效管理的技术问题。
鉴于上述问题，本申请提供了一种基于AI识别的水下鱼类状态预警方法及系统。
本申请公开的第一个方面，提供了一种基于AI识别的水下鱼类状态预警方法，所述方法包括：配置连续深度采集传感器，并在所述连续深度采集传感器的有效视野内配置运动触发传感器；当运动触发传感器被触发后，通过连续深度采集传感器执行图像采集，建立采集图像集；根据养殖鱼类，建立识别特征库，并通过养殖状态设定初始预锚框，并读取所述采集图像集的深度数据，基于所述深度数据对所述初始预锚框调整，建立金字塔锚框；对所述识别特征库和所述金字塔锚框进行映射，并逐级以所述金字塔锚框对所述采集图像集进行框选比对；基于框选比对结果调用映射识别特征库，执行特征识别，基于特征识别结果生成预警信息；根据所述预警信息进行鱼类状态的异常管理。
本申请公开的另一个方面，提供了一种基于AI识别的水下鱼类状态预警系统，所述系统用于上述方法，所述系统包括：传感器配置模块，所述传感器配置模块用于配置连续深度采集传感器，并在所述连续深度采集传感器的有效视野内配置运动触发传感器；图像采集模块，所述图像采集模块用于当运动触发传感器被触发后，通过连续深度采集传感器执行图像采集，建立采集图像集；锚框建立模块，所述锚框建立模块用于根据养殖鱼类，建立识别特征库，并通过养殖状态设定初始预锚框，并读取所述采集图像集的深度数据，基于所述深度数据对所述初始预锚框调整，建立金字塔锚框；框选比对模块，所述框选比对模块用于对所述识别特征库和所述金字塔锚框进行映射，并逐级以所述金字塔锚框对所述采集图像集进行框选比对；特征识别模块，所述特征识别模块用于基于框选比对结果调用映射识别特征库，执行特征识别，基于特征识别结果生成预警信息；异常管理模块，所述异常管理模块用于根据所述预警信息进行鱼类状态的异常管理。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过配置连续深度采集传感器和运动触发传感器，结合AI图像识别技术，实现了自动化的鱼类状态预警；利用深度数据和识别特征库，能够快速准确地检测和识别鱼类状态，将传感器触发的图像与特征库进行比对，并生成相应的预警信息，提高了鱼类状态预警的效率和准确性；通过建立识别特征库和金字塔锚框，并调用映射识别特征库进行特征识别，能够针对不同养殖鱼类的个体差异进行有效管理；基于图像采集和特征识别结果，能够准确地生成预警信息，为养殖管理人员提供具体的异常状态和处理建议，实现了个体化的鱼类状态管理和异常管理。综上所述，该基于AI识别的水下鱼类状态预警方法解决了传统方法中缺乏高效准确的状态预警和缺乏个体差异管理等技术问题，实现了高效准确的鱼类状态预警效果和个体化的异常管理效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于AI识别的水下鱼类状态预警方法流程示意图；
图2为本申请实施例提供了一种基于AI识别的水下鱼类状态预警系统结构示意图。
附图标记说明：传感器配置模块10，图像采集模块20，锚框建立模块30，框选比对模块40，特征识别模块50，异常管理模块60。
具体实施方式
本申请实施例通过提供一种基于AI识别的水下鱼类状态预警方法，解决了传统方法缺乏高效准确的鱼类状态预警，并且无法针对不同养殖鱼类的个体差异进行有效管理的技术问题。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种基于AI识别的水下鱼类状态预警方法，所述方法包括：
配置连续深度采集传感器，并在所述连续深度采集传感器的有效视野内配置运动触发传感器；
安装连续深度采集传感器，例如激光扫描仪、摄像头等设备，用于在深度水下进行信息采集。在连续深度采集传感器的有效视野内，配置运动触发传感器，运动触发传感器用于检测水下鱼类的运动，例如红外线传感器等。设置传感器的灵敏度、触发范围、采样频率等参数，以确保传感器能够准确地检测到鱼类的运动。将连续深度采集传感器和运动触发传感器进行连接，以获取水下环境的深度信息和运动触发事件的相关数据。
当运动触发传感器被触发后，通过连续深度采集传感器执行图像采集，建立采集图像集；
当运动触发传感器检测到水下鱼类的运动时，发送触发信号，根据触发信号，连续深度采集传感器执行图像采集操作，通过扫描或拍摄水下环境，获取连续的图像数据，将采集到的图像逐帧保存，建立采集图像集，这些图像包含捕捉到的鱼类及其周围的水下环境。
进一步而言，所述方法还包括：
当运动触发传感器被触发后，建立触发的连续追踪窗口；
在所述连续追踪窗口执行触发运动物的连续追踪，并记录连续追踪在有效视野的位置分布；
当运动触发传感器被触发后，通过连续深度采集传感器执行图像采集，并将图像采集的时间节点与所述连续追踪窗口的时间节点进行节点映射；
根据选定的位置分布对应的时间节点与节点映射结果进行图像调用，基于图像调用结果建立采集图像集。
当运动传感器检测到水下鱼类的运动时，发送触发信号，根据触发信号，根据运动物体的初始位置和预测运动轨迹确定连续追踪窗口的位置和大小，该窗口包含触发运动物体，是一个矩形区域。
基于目标跟踪算法，对位于连续追踪窗口中的运动物进行连续追踪，在连续帧中，通过分析图像中的特征更新运动物体的位置，以实现对运动物体的连续追踪，并记录每个时间点上物体的位置信息。根据连续追踪物体的位置信息，记录其在有效视野内的位置分布，有效视野是指连续追踪窗口内的区域。
在建立连续追踪窗口时，记录窗口的起始时间和结束时间，通过连续深度采集传感器执行图像采集时，记录每个采集到的图像的时间节点。对于每个采集到的图像，将其时间节点与连续追踪窗口的时间节点进行匹配，以确定其所属的窗口。通过使用映射表，来存储每个图像时间节点和对应的窗口时间节点的关联关系，以此将二者的时间节点进行映射关联，形成节点映射结果，以确保每个图像都被正确地关联到对应的窗口。
根据连续追踪窗口记录的在有效视野内的位置分布，将该位置分布对应的时间节点与节点映射结果进行匹配，找到与选定位置分布相对应的图像的时间节点。根据匹配得到的时间节点，从图像采集结果中调用相应的图像。基于图像调用结果，根据时间关系将调用的图像组合起来，形成采集图像集。这样可以确保采集到的图像与特定位置分布和时间节点相对应，为后续的鱼类特征识别提供准确的图像数据。
根据养殖鱼类，建立识别特征库，并通过养殖状态设定初始预锚框，并读取所述采集图像集的深度数据，基于所述深度数据对所述初始预锚框调整，建立金字塔锚框；
根据养殖鱼类的特征和特征变化，通过对已知养殖鱼类样本的分析，建立识别特征库，这个特征库包含了养殖鱼类各种可能的特征和形态信息。根据养殖状态和先验知识，设定初始预锚框作为目标检测的参考框，用于定位养殖鱼类在图像中的位置。
从建立的采集图像集中读取每个图像的深度数据，深度数据是连续深度采集传感器获取的，用于衡量图像中物体离传感器的距离。利用读取到的深度数据，根据物体在图像中的深度信息，对初始预锚框进行相应的调整，例如，根据深度数据来调整预锚框的大小、位置或形状，以更准确地包围目标鱼类。
根据深度数据对初始预锚框的调整，建立金字塔锚框，金字塔锚框是不同尺度和比例的预锚框的集合，用于适应不同大小和形态的养殖鱼类在图像中的变化。
进一步而言，所述方法还包括：
获取所述连续深度采集传感器的采集控制参数，所述采集控制参数包括镜头焦段、采集尺寸；
通过所述深度数据和所述采集控制参数进行采集结果的缩放倍率分析，建立缩放倍率评价值；
以所述缩放倍率评价值对所述初始预锚框调整，建立金字塔锚框。
镜头焦段是指镜头的焦距，它决定了传感器所捕捉到的视场范围，不同的焦段可以提供不同的视场大小和放大效果，通过获取传感器的镜头焦段参数，确定图像采集时所涵盖的视野范围。
采集尺寸表示图像的分辨率或像素数量，较大的采集尺寸意味着更高的图像质量和更丰富的细节信息，而较小的采集尺寸则可能导致图像分辨率下降，通过获取传感器的采集尺寸参数，确定每个采集图像的像素数量。
通过获取这些采集控制参数，可以确定连续深度采集传感器在特定情况下的设置。
深度数据用于衡量图像中物体离传感器的距离，根据深度数据和采集控制参数，计算理想的缩放比例，示例性的，将深度数据映射到视野范围内的物体，并结合镜头焦段和采集尺寸来确定物体应该在图像中的大小，对采集到的图像进行尺寸分析，通过测量图像中物体的尺寸并与理想尺寸进行比较，计算得到实际的缩放比例。通过对理想缩放比例和实际缩放比例之间的差异进行评估，建立缩放倍率评价值，这个评价值表示图像采集结果相对于理想缩放比例的准确程度，用于评估图像的缩放效果。
根据缩放倍率评价值，对初始预锚框进行调整，例如增加或减少预锚框的尺寸、调整长宽比等。通过对初始预锚框进行缩放倍率调整，建立具有不同尺度和长宽比的金字塔锚框集合，这样，可以在不同尺度下对目标物体进行多尺度检测和识别，以适应不同大小的目标。
对所述识别特征库和所述金字塔锚框进行映射，并逐级以所述金字塔锚框对所述采集图像集进行框选比对；
通过将特征库中的特征与金字塔锚框关联，将建立的识别特征库与金字塔锚框进行映射，以将图像中的目标鱼类与已知特征进行匹配。根据金字塔锚框的不同尺度和比例，逐级对采集图像集进行框选比对，示例性的，先使用较大的锚框对图像进行初步筛选，找出可能包含目标鱼类的区域；然后在这些区域中，使用较小的锚框进行更精确的框选，以准确定位和提取目标鱼类的位置和特征。
这样可以筛选出图像中可能包含目标鱼类的区域，并为后续的特征识别和预警生成提供准确的输入数据。
基于框选比对结果调用映射识别特征库，执行特征识别，基于特征识别结果生成预警信息；
根据框选比对，得到一系列可能包含目标鱼类的区域，针对每个框选区域，利用识别特征库中和金字塔锚框的映射关系，对每个框选区域提取出的特征进行分析和比对，以确定是否与识别特征库中的任何特征匹配，如果匹配成功，则确认该区域中存在目标鱼类。基于特征识别的结果，生成相应的预警信息，预警信息包括目标鱼类的种类、数量、位置等关键信息，通过文本、声音等进行展示和传达。这样可以实现对水下鱼类状态的自动化识别和预警，为养殖管理人员提供及时的决策依据。
进一步而言，所述方法还包括：
获取养殖鱼类的鱼类特征数据，所述鱼类特征数据通过历史采集数据和环境采集数据构建，所述环境采集数据包括环境温度数据、时间节点数据；
依据所述采集图像集的采集节点对所述鱼类特征数据匹配，生成特征匹配结果；
依据所述特征匹配结果调用所述识别特征库，根据调用结果和映射结果，完成特征识别。
获取过去一段时间内对养殖鱼类采集的数据，包括鱼的种类、数量、大小、活动水平等方面的信息，同时记录与历史采集数据相关的环境数据，特别是环境温度和采集时间节点，其中，环境温度数据用于反映养殖环境的温度，采集时间节点数据标识了历史采集数据的采集时刻。
对历史采集数据进行统计分析，提取出各种种类的特征指标，如平均大小、数量变化趋势、活动频率等，同时，将环境温度数据和时间节点数据作为鱼类特征的一部分，生成当前种类鱼的活跃状态，将其作为鱼类特征数据。
获取采集图像集，包括对每个图像的采集时间节点，根据采集图像集的采集节点，将其与鱼类特征数据中的相应时间节点进行匹配，例如通过将特征数据和相应的图像信息关联起来，形成一个对应关系表，以此找出与每个图像相对应的鱼类特征数据，生成特征匹配结果。
根据特征匹配结果，针对每个采集图像中的鱼类特征数据，调用相应的识别特征库，通过对特征数据进行分析和比对，识别出鱼类的种类、数量以及其他关键特征，根据调用识别特征库的结果，结合映射结果，进行综合分析和判断，将识别结果与已知的特征库进行比对，确认鱼类的身份和状态，生成识别标签、分类结果或其他鱼类属性信息，用于进一步的分析、管理或生成预警信息。
根据所述预警信息进行鱼类状态的异常管理。
将生成的预警信息传递给相关工作人员，对接收到的预警信息进行分析和解读，获取预警信息中所包含的鱼类异常情况，例如数量异常、活动异常或其他相关指标的异常。基于分析的预警信息，对鱼类状态进行评估，根据设定的阈值，确定是否属于异常情况。如果鱼类状态被评估为异常，执行相应的异常管理措施，例如，调整水质、温度、氧气供应等养殖环境因素，以改善鱼类生长和健康状况；采取必要的疫苗接种、药物治疗或隔离措施，以应对可能存在的疾病问题；调整饲料供给，确保鱼类获得足够的营养和饲料摄入。这样可以及时识别和处理鱼类异常情况，保障养殖环境的稳定和鱼类健康的发展。
进一步而言，所述方法还包括：
建立鱼群的同类约束和种群约束；
当生成所述预警信息时，分别依据所述同类约束和所述种群约束进行所述预警信息的预警评价；
当预警评价结果为个体异常时，则基于所述个体异常生成连续触发的预警状态空间；
通过所述预警状态空间执行养殖鱼类的连续监测。
同类约束是指鱼群内部个体之间相互影响和限制的条件，根据鱼群的特点和种类，建立同类约束，包括：密度约束，以限制鱼群中的个体密度，例如设置最大密度或最小间距；空间约束，规定鱼群在水体中的空间分布范围，例如指定某一区域作为活动范围；运动约束，定义鱼群的运动方式和方向，例如限制鱼群的速度、转向角度等。
种群约束是指整个鱼群种群的行为规律和限制条件，包括：参考鱼群所属物种的生态学特征，如群聚行为、食性习惯等，建立相应的种群约束；通过对鱼群历史数据的分析和统计，识别出常见的行为模式和约束条件，建立相应的种群约束。
总之，建立鱼群的同类约束和种群约束是基于鱼群行为的规律和条件，用于在养殖过程中进行管理，以确保养殖鱼群的健康和稳定。
将生成的预警信息与同类约束进行比较，同类约束限制了鱼群内个体之间的相互影响和行为规律，因此可以使用这些约束作为参考来判断是否存在同类行为的异常情况，例如，如果预警信息涉及鱼群密度超过设定阈值，或出现不正常的聚集行为，就可以认为发生了同类异常情况。
同样地，将生成的预警信息与种群约束进行比较和评估，种群约束描述了整个鱼群种群的行为规律和限制条件，通过与种群约束进行对比，可以判断预警信息是否符合种群行为的正常范围，例如，如果预警信息显示鱼群的运动方向与正常行为模式不一致，或者鱼群的分布范围超出预设范围，就可以认为存在种群异常情况。
针对检测到的个体异常，通过使用图像处理从中提取出具有代表性的特征，包括个体的位置、速度、姿态、形状等，根据个体异常的特征，将监测系统设置为异常态，并调整监测系统的参数和阈值，使其对异常行为更加敏感和响应，例如，调整目标检测算法的阈值，以便更容易检测到个体异常，以此生成连续触发的预警状态空间，将该预警状态空间应用于养殖鱼类的连续监测中，可以实时监测并分析个体异常的变化趋势。
利用连续深度采集传感器，持续收集与养殖鱼类相关的数据，基于建立的预警状态空间，将采集到的数据与个体异常特征进行比较和匹配，判断是否存在连续触发的个体异常，如果连续多帧的数据都满足个体异常的特征条件，则确认个体异常的存在，则根据具体情况采取相应的处理措施，例如调整养殖环境、改变饲料配比、加强疾病防治等，以确保养殖鱼类的健康和生长。
通过连续监测和应用预警状态空间，可以及时发现和识别养殖鱼类的个体异常，并采取适当的管理措施，促进养殖的顺利进行。请注意，具体的监测方法和处理策略可能因应用场景和鱼类品种而有所不同。
进一步而言，所述方法还包括：
当预警评价结果为同类异常时，则生成异常比例，将其作为第一反馈数据；
确定同类异常中的最差异常状态和平均异常状态，将其作为第二反馈数据；
通过所述第一反馈数据和所述第二反馈数据进行同类异常的预警反馈。
当预警评价结果为同类异常时，根据建立的同类约束和监测数据，识别出同类异常的个体数量，将同类异常的个体数量除以整个鱼群种群的大小，得到同类异常的比例，例如，如果同类异常个体数为10，总鱼群个体数为100，则同类异常比例为10％。将计算得到的同类异常比例作为第一反馈数据，用于指示同类异常的程度和影响范围。
通过对同类异常个体的分析和比较，根据个体异常行为的程度、健康状况、适应能力等指标，评估同类异常中的异常状态，并找出其中表现最为恶劣的个体状态，作为最差的异常状态，最差异常状态提供了同类异常中最糟糕情况的参考，并强调了需要紧急处理的问题。对同类异常个体的统计和求平均，确定平均异常状态，平均异常状态提供了同类异常整体水平的综合评估。
将最差异常状态和平均异常状态作为第二反馈数据，用于描述同类异常情况的严重程度和整体水平。
对于第一反馈数据，将异常比例与预先设定的阈值进行比较，以判断同类异常的程度，如果异常比例超过阈值，则表示同类异常已经达到或超过了预警水平。对于第二反馈数据，利用生成的最差异常状态和平均异常状态，与建立的参考值或正常范围进行比较，以确定异常的严重程度，如果最差异常状态显示出明显的偏离，平均异常状态显著高于正常水平，则表示同类异常需要立即处理。根据第一反馈数据和第二反馈数据的结果，执行相应的预警反馈措施。
进一步而言，所述方法还包括：
当预警评价结果为种群异常时，基于种群异常定位最差异常状态种群；
以所述最差异常状态种群和异常结果进行异常溯源分析；
基于异常溯源分析结果和种群异常进行预警反馈。
通过预警评价，确定存在种群异常的情况，包括整个鱼群的行为模式、分布范围、数量等方面的异常情况。基于种群异常的特征，通过比较不同种群之间的异常程度，例如根据密度、生长速率、饲料摄入量等因素进行评估，定位具有最差异常状态的种群，即拥有最严重异常情况的种群。
收集与最差异常状态种群和异常结果相关的数据，包括监测数据、环境参数、饲养记录、水质数据等，对收集到的数据进行分析和比对，例如比较最差异常状态种群与其他相对正常状态种群之间的差异，找出潜在的因果关系。结合数据分析的结果，进行异常溯源分析，包括追溯异常发生的时间、地点和可能的触发因素，确定导致最差异常状态种群的根本问题，例如饲养管理不当、环境污染等。
基于异常溯源分析结果和种群异常情况，向管理人员发送预警通知，在预警通知中，提供对异常溯源分析结果的详细解释，包括可能的原因、发生时间和影响范围，帮助管理人员更好地理解异常情况的来源和严重程度，以此最小化异常对种群健康和生产性能的影响，并确保养殖活动的正常运行。
综上所述，本申请实施例所提供的一种基于AI识别的水下鱼类状态预警方法及系统具有如下技术效果：
1.通过配置连续深度采集传感器和运动触发传感器，结合AI图像识别技术，实现了自动化的鱼类状态预警；
2.利用深度数据和识别特征库，能够快速准确地检测和识别鱼类状态，将传感器触发的图像与特征库进行比对，并生成相应的预警信息，提高了鱼类状态预警的效率和准确性；
3.通过建立识别特征库和金字塔锚框，并调用映射识别特征库进行特征识别，能够针对不同养殖鱼类的个体差异进行有效管理；
4.基于图像采集和特征识别结果，能够准确地生成预警信息，为养殖管理人员提供具体的异常状态和处理建议，实现了个体化的鱼类状态管理和异常管理。
综上所述，该基于AI识别的水下鱼类状态预警方法解决了传统方法中缺乏高效准确的状态预警和缺乏个体差异管理等技术问题，实现了高效准确的鱼类状态预警效果和个体化的异常管理效果。
实施例二
基于与前述实施例中一种基于AI识别的水下鱼类状态预警方法相同的发明构思，如图2所示，本申请提供了一种基于AI识别的水下鱼类状态预警系统，所述系统包括：
传感器配置模块10，所述传感器配置模块10用于配置连续深度采集传感器，并在所述连续深度采集传感器的有效视野内配置运动触发传感器；
图像采集模块20，所述图像采集模块20用于当运动触发传感器被触发后，通过连续深度采集传感器执行图像采集，建立采集图像集；
锚框建立模块30，所述锚框建立模块30用于根据养殖鱼类，建立识别特征库，并通过养殖状态设定初始预锚框，并读取所述采集图像集的深度数据，基于所述深度数据对所述初始预锚框调整，建立金字塔锚框；
框选比对模块40，所述框选比对模块40用于对所述识别特征库和所述金字塔锚框进行映射，并逐级以所述金字塔锚框对所述采集图像集进行框选比对；
特征识别模块50，所述特征识别模块50用于基于框选比对结果调用映射识别特征库，执行特征识别，基于特征识别结果生成预警信息；
异常管理模块60，所述异常管理模块60用于根据所述预警信息进行鱼类状态的异常管理。
进一步而言，所述特征识别模块50还包括如下操作步骤：
获取养殖鱼类的鱼类特征数据，所述鱼类特征数据通过历史采集数据和环境采集数据构建，所述环境采集数据包括环境温度数据、时间节点数据；
依据所述采集图像集的采集节点对所述鱼类特征数据匹配，生成特征匹配结果；
依据所述特征匹配结果调用所述识别特征库，根据调用结果和映射结果，完成特征识别。
进一步而言，所述系统还包括金字塔锚框建立模块，以执行如下操作步骤：
获取所述连续深度采集传感器的采集控制参数，所述采集控制参数包括镜头焦段、采集尺寸；
通过所述深度数据和所述采集控制参数进行采集结果的缩放倍率分析，建立缩放倍率评价值；
以所述缩放倍率评价值对所述初始预锚框调整，建立金字塔锚框。
进一步而言，所述系统还包括采集图像集建立模块，以执行如下操作步骤：
当运动触发传感器被触发后，建立触发的连续追踪窗口；
在所述连续追踪窗口执行触发运动物的连续追踪，并记录连续追踪在有效视野的位置分布；
当运动触发传感器被触发后，通过连续深度采集传感器执行图像采集，并将图像采集的时间节点与所述连续追踪窗口的时间节点进行节点映射；
根据选定的位置分布对应的时间节点与节点映射结果进行图像调用，基于图像调用结果建立采集图像集。
进一步而言，所述系统还包括连续监测模块，以执行如下操作步骤：
建立鱼群的同类约束和种群约束；
当生成所述预警信息时，分别依据所述同类约束和所述种群约束进行所述预警信息的预警评价；
当预警评价结果为个体异常时，则基于所述个体异常生成连续触发的预警状态空间；
通过所述预警状态空间执行养殖鱼类的连续监测。
进一步而言，所述系统还包括第一预警反馈模块，以执行如下操作步骤：
当预警评价结果为同类异常时，则生成异常比例，将其作为第一反馈数据；
确定同类异常中的最差异常状态和平均异常状态，将其作为第二反馈数据；
通过所述第一反馈数据和所述第二反馈数据进行同类异常的预警反馈。
进一步而言，所述系统还包括第二预警反馈模块，以执行如下操作步骤：
当预警评价结果为种群异常时，基于种群异常定位最差异常状态种群；
以所述最差异常状态种群和异常结果进行异常溯源分析；
基于异常溯源分析结果和种群异常进行预警反馈。
本说明书通过前述对一种基于AI识别的水下鱼类状态预警方法的详细描述，本领域技术人员可以清楚得知道本实施例中一种基于AI识别的水下鱼类状态预警方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于AI识别的水下鱼类状态预警方法，其特征在于，所述方法包括：
配置连续深度采集传感器，并在所述连续深度采集传感器的有效视野内配置运动触发传感器；
当运动触发传感器被触发后，通过连续深度采集传感器执行图像采集，建立采集图像集；
根据养殖鱼类，建立识别特征库，并通过养殖状态设定初始预锚框，并读取所述采集图像集的深度数据，基于所述深度数据对所述初始预锚框调整，建立金字塔锚框；
对所述识别特征库和所述金字塔锚框进行映射，并逐级以所述金字塔锚框对所述采集图像集进行框选比对；
基于框选比对结果调用映射识别特征库，执行特征识别，基于特征识别结果生成预警信息；
根据所述预警信息进行鱼类状态的异常管理。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取养殖鱼类的鱼类特征数据，所述鱼类特征数据通过历史采集数据和环境采集数据构建，所述环境采集数据包括环境温度数据、时间节点数据；
依据所述采集图像集的采集节点对所述鱼类特征数据匹配，生成特征匹配结果；
依据所述特征匹配结果调用所述识别特征库，根据调用结果和映射结果，完成特征识别。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述连续深度采集传感器的采集控制参数，所述采集控制参数包括镜头焦段、采集尺寸；
通过所述深度数据和所述采集控制参数进行采集结果的缩放倍率分析，建立缩放倍率评价值；
以所述缩放倍率评价值对所述初始预锚框调整，建立金字塔锚框。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
当运动触发传感器被触发后，建立触发的连续追踪窗口；
在所述连续追踪窗口执行触发运动物的连续追踪，并记录连续追踪在有效视野的位置分布；
当运动触发传感器被触发后，通过连续深度采集传感器执行图像采集，并将图像采集的时间节点与所述连续追踪窗口的时间节点进行节点映射；
根据选定的位置分布对应的时间节点与节点映射结果进行图像调用，基于图像调用结果建立采集图像集。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
建立鱼群的同类约束和种群约束；
当生成所述预警信息时，分别依据所述同类约束和所述种群约束进行所述预警信息的预警评价；
当预警评价结果为个体异常时，则基于所述个体异常生成连续触发的预警状态空间；
通过所述预警状态空间执行养殖鱼类的连续监测。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
当预警评价结果为同类异常时，则生成异常比例，将其作为第一反馈数据；
确定同类异常中的最差异常状态和平均异常状态，将其作为第二反馈数据；
通过所述第一反馈数据和所述第二反馈数据进行同类异常的预警反馈。
7.如权利要求5所述的方法，其特征在于，所述方法还包括：
当预警评价结果为种群异常时，基于种群异常定位最差异常状态种群；
以所述最差异常状态种群和异常结果进行异常溯源分析；
基于异常溯源分析结果和种群异常进行预警反馈。
8.一种基于AI识别的水下鱼类状态预警系统，其特征在于，用于实施权利要求1-7任一项所述的一种基于AI识别的水下鱼类状态预警方法，包括：
传感器配置模块，所述传感器配置模块用于配置连续深度采集传感器，并在所述连续深度采集传感器的有效视野内配置运动触发传感器；
图像采集模块，所述图像采集模块用于当运动触发传感器被触发后，通过连续深度采集传感器执行图像采集，建立采集图像集；
锚框建立模块，所述锚框建立模块用于根据养殖鱼类，建立识别特征库，并通过养殖状态设定初始预锚框，并读取所述采集图像集的深度数据，基于所述深度数据对所述初始预锚框调整，建立金字塔锚框；
框选比对模块，所述框选比对模块用于对所述识别特征库和所述金字塔锚框进行映射，并逐级以所述金字塔锚框对所述采集图像集进行框选比对；
特征识别模块，所述特征识别模块用于基于框选比对结果调用映射识别特征库，执行特征识别，基于特征识别结果生成预警信息；
异常管理模块，所述异常管理模块用于根据所述预警信息进行鱼类状态的异常管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311384594.6A CN117372855A (zh) | 2023-10-25 | 2023-10-25 | 一种基于ai识别的水下鱼类状态预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311384594.6A CN117372855A (zh) | 2023-10-25 | 2023-10-25 | 一种基于ai识别的水下鱼类状态预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117372855A true CN117372855A (zh) | 2024-01-09 |
Family
ID=89401910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311384594.6A Withdrawn CN117372855A (zh) | 2023-10-25 | 2023-10-25 | 一种基于ai识别的水下鱼类状态预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117372855A (zh) |
-
2023
- 2023-10-25 CN CN202311384594.6A patent/CN117372855A/zh not_active Withdrawn
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Reddy et al. | Analysis of classification algorithms for plant leaf disease detection | |
| Boogaard et al. | Robust node detection and tracking in fruit-vegetable crops using deep learning and multi-view imaging | |
| 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 | |
| Kaixuan et al. | Target detection method for moving cows based on background subtraction | |
| CN107330403B (zh) | 一种基于视频数据的牦牛计数方法 | |
| CN111161214B (zh) | 一种基于双目视觉的猪只体重测量及饮水行为识别系统及方法 | |
| CN115861721B (zh) | 基于图像数据的畜禽养殖喷雾设备状态识别方法 | |
| CN114255357A (zh) | 一种基于计算机视觉的群养生猪身份识别与健康监测方法 | |
| CN108460370B (zh) | 一种固定式家禽生命信息报警装置 | |
| Isa et al. | CNN transfer learning of shrimp detection for underwater vision system | |
| Koniar et al. | Machine vision application in animal trajectory tracking | |
| Lai et al. | Automatic measuring shrimp body length using CNN and an underwater imaging system | |
| KR20210064157A (ko) | 어류의 질병여부를 판단하고 포획할 수 있는 어류질병 감지장치 | |
| CN113628253A (zh) | 一种精准检测动物个体健康的方法及系统与存储介质 | |
| CN117016430A (zh) | 一种基于智能监测的肉鸡养殖系统 | |
| CN117372855A (zh) | 一种基于ai识别的水下鱼类状态预警方法及系统 | |
| CN115968810A (zh) | 一种病疫生猪的识别方法和识别系统 | |
| CN109002791B (zh) | 一种基于视频自动跟踪奶牛反刍行为的系统及方法 | |
| Shreesha et al. | Behavioural Pattern Analysis of Fishes for Smart Aquaculture: An Object Centric Approach | |
| CN103136439B (zh) | 植物病症辨识方法及其系统 | |
| Putra et al. | Vision-Based Object Detection for Efficient Monitoring in Smart Hydroponic Systems | |
| Li et al. | Study on the Detection of Dairy Cows’ Self‐Protective Behaviors Based on Vision Analysis | |
| Watcharabutsarakham et al. | Mobile-device based image processing for rice brown planthopper classification and outbreak monitoring | |
| CN113807328B (zh) | 一种基于算法融合的目标检测方法、设备及介质 | |
| Ruchay et al. | Cattle Face Recognition Using Deep Transfer Learning Techniques |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240109 |