CN117473446B - 基于深度学习的异常检测和处理方法及系统 - Google Patents
基于深度学习的异常检测和处理方法及系统 Download PDFInfo
- Publication number
- CN117473446B CN117473446B CN202311819992.6A CN202311819992A CN117473446B CN 117473446 B CN117473446 B CN 117473446B CN 202311819992 A CN202311819992 A CN 202311819992A CN 117473446 B CN117473446 B CN 117473446B
- Authority
- CN
- China
- Prior art keywords
- detection
- data
- abnormality
- anomaly
- model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 299
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 230000005856 abnormality Effects 0.000 claims abstract description 141
- 238000012544 monitoring process Methods 0.000 claims abstract description 124
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012795 verification Methods 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 230000010354 integration Effects 0.000 claims abstract description 24
- 239000013505 freshwater Substances 0.000 claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 93
- 230000002159 abnormal effect Effects 0.000 claims description 89
- 241000251468 Actinopterygii Species 0.000 claims description 72
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 56
- 229910052760 oxygen Inorganic materials 0.000 claims description 56
- 239000001301 oxygen Substances 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 32
- 238000011282 treatment Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 26
- 238000012384 transportation and delivery Methods 0.000 claims description 20
- 238000005276 aerator Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 12
- 238000009395 breeding Methods 0.000 claims description 11
- 230000001488 breeding effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000003814 drug Substances 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000009360 aquaculture Methods 0.000 claims description 4
- 244000144974 aquaculture Species 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 19
- 238000007726 management method Methods 0.000 description 12
- 238000009313 farming Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000011269 treatment regimen Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000006213 oxygenation reaction Methods 0.000 description 4
- 238000010223 real-time analysis Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 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
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及深度学习技术领域,公开了一种基于深度学习的异常检测和处理方法及系统。方法包括:获取待处理的养殖检测数据,并对养殖检测数据进行分类解析,得到多个第一检测数据集;进行数据标准化处理,得到多个第二检测数据集并构建异常校验策略;根据异常校验策略创建多个第一异常检测模型,并对多个第一异常检测模型和第二异常检测模型进行模型集成,生成目标异常检测模型;将多个第二检测数据集输入目标异常检测模型进行淡水渔业养殖异常分析,生成异常检测结果;根据异常检测结果匹配多个异常处理方案,并根据多个异常处理方案生成异常处理和预警综合报告,进而提高了淡水渔业养殖异常监测的准确率和养殖效率。
Description
技术领域
本申请涉及深度学习技术领域,尤其涉及一种基于深度学习的异常检测和处理方法及系统。
背景技术
在当前社会背景下,渔业养殖作为一项重要的经济活动,为人类提供了大量的淡水鱼类供应。然而,养殖过程中常常会受到多种因素的影响,如水质、设备状态、饲料投放等,导致可能的异常情况发生,甚至可能导致鱼群死亡和经济损失。为了确保渔业养殖的持续和可持续发展,实现高效的生产和资源利用,基于深度学习的异常检测和处理方法逐渐受到广泛关注和研究。
传统上,渔业养殖监测主要依赖于人工巡查和经验判断,但这种方式存在人力成本高、实时性差、数据收集不准确等问题,难以及时发现和处理潜在的异常情况。随着物联网、传感器技术和数据分析的发展,监测方法得以升级,使得养殖场可以实时地收集和分析各种关键指标,从而更有效地预测和识别异常事件。
发明内容
本申请提供了一种基于深度学习的异常检测和处理方法及系统,用于提高淡水渔业养殖异常监测的准确率和养殖效率。
本申请第一方面提供了一种基于深度学习的异常检测和处理方法,所述基于深度学习的异常检测和处理方法包括:
通过预置的传感器及检测设备获取待处理的养殖检测数据,并对所述养殖检测数据进行分类解析,得到多个第一检测数据集;
对所述多个第一检测数据集进行数据标准化处理,得到多个第二检测数据集,并构建每个第二检测数据集的异常校验策略;
根据所述异常校验策略创建多个第一异常检测模型,并对所述多个第一异常检测模型和预置的第二异常检测模型进行模型集成,生成目标异常检测模型;
将所述多个第二检测数据集输入所述目标异常检测模型进行淡水渔业养殖异常分析,生成异常检测结果;
根据所述异常检测结果匹配对应的多个异常处理方案,并根据所述多个异常处理方案生成异常处理和预警综合报告。
本申请第二方面提供了一种基于深度学习的异常检测和处理系统,所述基于深度学习的异常检测和处理系统包括:
获取模块,用于通过预置的传感器及检测设备获取待处理的养殖检测数据,并对所述养殖检测数据进行分类解析,得到多个第一检测数据集;
构建模块,用于对所述多个第一检测数据集进行数据标准化处理,得到多个第二检测数据集,并构建每个第二检测数据集的异常校验策略,其中,所述多个第二检测数据集包括:水质监测数据集、养殖及检测设备数据集、鱼群数量数据集及饲料投放量数据集;
集成模块,用于根据所述异常校验策略创建多个第一异常检测模型,并对所述多个第一异常检测模型和预置的第二异常检测模型进行模型集成,生成目标异常检测模型;
分析模块,用于将所述多个第二检测数据集输入所述目标异常检测模型进行淡水渔业养殖异常分析,生成异常检测结果;
生成模块,用于根据所述异常检测结果匹配对应的多个异常处理方案,并根据所述多个异常处理方案生成异常处理和预警综合报告。
本申请提供的技术方案中,通过实时监测养殖过程中的各项指标,可以及时发现和识别异常情况,从而能够迅速采取措施进行调整和处理。通过及时预警和处理,可以有效降低因异常情况而导致的养殖成本损失,保护养殖场的经济利益。准确监测和维护水质、氧含量等环境因素,有助于创造适宜的生存环境,提高养殖鱼类的健康水平。通过及时的调整和管理,可以减少鱼群的死亡率,维护养殖场的生态平衡。基于数据分析和机器学习的方法,可以实现养殖过程的智能化管理。监测数据的实时分析和处理,为养殖场提供了更精确的决策支持,自动化的监测系统可以减轻人工负担,实现数据的自动采集和处理。这不仅降低了人力成本,还提高了监测的效率和准确性,通过数据传输和系统集成,可以实现远程对养殖场的监控和管理。养殖场的管理人员可以通过网络远程监测各项指标,及时了解养殖情况,做出实时的调整和决策。
附图说明
图1为本申请实施例中基于深度学习的异常检测和处理方法的一个实施例示意图;
图2为本申请实施例中基于深度学习的异常检测和处理系统的一个实施例示意图。
具体实施方式
本申请实施例提供了一种基于深度学习的异常检测和处理方法及系统,用于提高淡水渔业养殖异常监测的准确率和养殖效率。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”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,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中基于深度学习的异常检测和处理方法的一个实施例包括:
S101、通过预置的传感器及检测设备获取待处理的养殖检测数据,并对养殖检测数据进行分类解析,得到多个第一检测数据集;
可以理解的是,本申请的执行主体可以为基于深度学习的异常检测和处理系统,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,服务器根据监测需求选择合适的传感器,例如水质传感器、温度传感器、氧气传感器、鱼群数量传感器等。这些传感器能够采集各种关键参数,以便监测养殖环境的各个方面。这些传感器会被预置在养殖池、水域等地点,并与检测设备连接。传感器会定期或实时采集环境参数数据,比如水质指标、水温、氧气含量、鱼群数量等。这些数据会被传输至检测设备,可能是一个数据采集器或一个控制单元。这些设备会将采集到的数据进行整理和存储,为后续传输做准备。为了将采集到的数据传输至IMP系统,可以使用多种通信技术,例如无线网络、LoRaWAN、蓝牙、4G/5G等。选择合适的传输技术取决于养殖场的布局和设备分布情况。为了确保数据的可读性和一致性,需要定义数据格式和通信协议。通常会采用标准的数据格式,如JSON或XML,并制定特定的通信协议,以确保数据能够正确解析和处理。在IMP系统中,需要设置数据接收和处理模块,用于接收来自检测设备的数据。一旦数据到达系统,它会被解析、存储和整理,以便后续的分析和处理。例如,考虑一个淡水鱼养殖场的情景。该养殖场拥有多个养殖池,每个池都安装了水质传感器、温度传感器和鱼群数量传感器。这些传感器通过无线网络将采集到的数据传输至养殖场的数据采集器。数据采集器负责收集来自各个传感器的数据,然后将数据整理为JSON格式,并使用MQTT协议通过4G连接传输至预置的IMP系统。IMP系统接收到数据后,通过解析JSON数据包,提取水质、温度和鱼群数量等信息。IMP系统会将解析后的数据存储在数据库中,并通过数据处理模块进行实时分析。例如,如果水质数据显示异常,系统可以触发警报,通知养殖场管理员进行处理。另外,系统还可以根据历史数据趋势预测养殖环境的变化趋势,帮助优化饲养条件。
具体的,服务器IMP系统会将养殖检测数据映射到预设的目标特征空间。这个特征空间是一个多维空间,其中每个维度代表一种监测参数,如水质、温度等。通过这种映射,每个监测数据点都被转化为在特征空间中的一个点,形成多个第一数据点。预置的监测数据聚类模型会被用来处理这些第一数据点。这个模型可能是一个聚类算法,如K均值聚类或层次聚类。模型会根据数据的相似性将数据点划分为不同的簇,每个簇代表一组相似的数据点。对于每个簇,使用模型中的第一特征函数计算数据的中心点。通过计算每个初始数据中心与第一数据点对应的距离,得到多个第一中心点距。基于预置的距离阈值,对这些第一中心点距进行筛选。距离低于阈值的第一中心点被保留,形成多个符合距离阈值的第一数据点。对于这些符合距离阈值的第一数据点,计算它们与对应初始数据中心的平均中心点距。这个平均距离值会被用来调整第一特征函数,生成第二特征函数。通过调整第一特征函数,生成第二特征函数。这个调整可能涉及函数参数的改变,以便更好地匹配数据的分布情况。利用第二特征函数,对之前保留的符合距离阈值的第一数据点进行数据中心运算,得到多个目标数据中心。利用这些目标数据中心进行二次聚类,将每个目标数据中心的数据点进行重新聚类。每个目标数据中心的数据点聚类结果会被用来确定对应的第一检测数据集。每个第一检测数据集包含一组在特定监测参数下具有相似特征的数据。例如,考虑一个淡水鱼养殖场,假设该养殖场有多个池塘,每个池塘有水质传感器和温度传感器。IMP系统将从这些传感器中获取数据,并将其映射到目标特征空间。在目标特征空间中,每个数据点代表一个池塘的监测数据。通过聚类模型,系统将这些数据点划分为不同的簇,每个簇代表具有相似特征的池塘。计算每个簇的中心点,并计算其与每个数据点的距离。根据距离阈值筛选出距离较小的数据点,这些点具有较高的相似性。计算这些点与对应中心点的平均距离,用于生成第二特征函数。通过第二特征函数,对数据点进行数据中心运算,得到目标数据中心。对这些目标数据中心进行二次聚类,将每个中心的数据点进行重新聚类。每个聚类结果就代表一个第一检测数据集,其中的数据点在特定的监测参数下具有相似的特征。
S102、对多个第一检测数据集进行数据标准化处理,得到多个第二检测数据集,并构建每个第二检测数据集的异常校验策略,其中,多个第二检测数据集包括:水质监测数据集、养殖及检测设备数据集、鱼群数量数据集及饲料投放量数据集;
需要说明的是,服务器针对每个第一检测数据集中的每个数据点,应用移动平均方法。这可以平滑数据并去除一些短期波动,从而得到多个标准监测数据集。对多个标准监测数据集进行特征提取,将原始数据转换为更有意义的指标。这可能包括统计数据(平均、标准差等)或者其他领域相关的特征。针对水质监测数据集,例如温度、溶解氧含量和pH值,制定水质异常校验策略。例如,规定正常温度范围为15℃至32℃,溶解氧含量应小于等于4mg/L,pH值应在6至9之间。针对养殖及检测设备数据集,根据设备异常监测指标制定设备异常校验策略。例如,如果某个设备距离最近一次上报数据的时间超过30分钟,可以判断该设备异常。针对鱼群数量数据集,根据鱼群异常监测指标制定鱼群异常校验策略。例如,通过监测鱼群进食面积的波动程度来判断鱼群的进食状况,当波动超过一定阈值时,可以认为鱼群进食异常。针对饲料投放量数据集,根据饲料投放异常监测指标制定饲料投放异常校验策略。例如,通过监测增氧机饲料投放的波动程度来判断饲料投放是否异常,当波动超过一定阈值时,可以认为饲料投放异常。例如,假设有一个淡水鱼养殖场。温度监测数据显示某个池塘的水温为20℃,在正常范围内,而溶解氧含量为2.5mg/L,低于正常范围,pH值为7.5,也在正常范围内。根据水质异常规则,溶解氧含量异常,需要进行相应的处理措施。某个养殖池的控制器数据显示最近一次上报时间距离当前已经40分钟,超过了30分钟的阈值。根据设备异常规则,可以判断控制器设备异常,需要进行检修。某个养殖池的鱼群进食面积的波动程度达到了15%,超过了阈值。根据鱼群异常规则,可以判断鱼群的进食异常,需要调整饲养方式或监测健康状态。增氧机饲料投放的波动程度为10%,在正常范围内。根据饲料投放异常规则,可以判断饲料投放正常,无需特别处理。
S103、根据异常校验策略创建多个第一异常检测模型,并对多个第一异常检测模型和预置的第二异常检测模型进行模型集成,生成目标异常检测模型;
具体的,根据异常校验策略,服务器将创建多个第一异常检测模型,针对不同的第二检测数据集(如水质、鱼群数量、设备状态等)进行预测。例如,服务器创建温度异常检测模型、溶解氧含量异常检测模型、pH值异常检测模型、设备状态异常检测模型、鱼群异常检测模型和饲料投放异常检测模型。服务器使用历史监测数据对这些第一异常检测模型进行训练,使其能够区分正常和异常情况。一旦训练完成,这些模型可以用来预测新的监测数据,判断是否存在异常。服务器将每个第一异常检测模型的预测结果整合成预测特征矩阵。每一行代表一个数据点,每一列代表一个异常检测模型的预测结果。在第一层模型训练阶段,服务器使用预测特征矩阵作为输入,训练一个综合模型。这个模型可以是集成学习模型,如随机森林或梯度提升树。通过综合考虑多个异常检测模型的预测结果,第一层模型可以更准确地判断是否存在异常情况。接着,服务器获取一个第二异常检测模型作为第二层模型,可能是深度神经网络。服务器将训练好的第一层模型和第二异常检测模型进行模型集成,以获得一个初始异常检测模型。服务器对初始异常检测模型进行联级优化。这可能涉及参数微调、性能评估等。通过不断的优化,服务器提高模型的准确性和鲁棒性,最终生成目标异常检测模型。例如,假设服务器监测一个养殖水池的水质。服务器创建了水温异常检测模型、溶解氧含量异常检测模型和pH值异常检测模型。通过训练,这些模型能够预测水质是否正常。服务器将它们的预测结果结合成预测特征矩阵,并训练一个综合模型来判断水质是否异常。服务器与一个深度神经网络模型集成,生成初始异常检测模型。通过不断的优化,服务器确保监测模型在检测水质异常方面的效果更加准确和可靠。
S104、将多个第二检测数据集输入目标异常检测模型进行淡水渔业养殖异常分析,生成异常检测结果;
具体的,服务器对于每个第二检测数据集,例如水质监测数据集、鱼群数量数据集等,服务器从中提取多个监测特征指标,如水温、溶解氧含量、鱼群密度等。将提取的多个监测特征指标进行向量编码处理,将其转换成一个输入特征向量。这个特征向量将作为异常分析模型的输入。输入特征向量被送入目标异常检测模型的第一层模型中。在这一层中,每个第一异常检测模型都会接收输入特征向量,并对特征向量进行异常分析。每个第一异常检测模型都会预测该特征向量是否存在异常情况。通过第一层模型中的多个第一异常检测模型,服务器得到每个第一异常检测模型的初始预测结果。这些初始预测结果反映了每个监测特征指标的异常情况。初始预测结果被送入目标异常检测模型的第二层模型中。在这一层中,第二层模型接收来自每个第一异常检测模型的初始预测结果,并进行融合处理。这个融合可以是加权平均等方式,以获得更一致和综合的异常判断。融合预测结果被送入第二层模型的特征整合层中。在这一层中,综合分析融合预测结果,得出最终的异常检测结果。这个结果可能包括哪些监测特征指标出现异常,以及异常程度的评估。例如,假设服务器分析鱼群数量数据集的异常情况。服务器从数据集中提取了鱼群密度和饲料投放量等多个监测特征指标。将这些特征指标进行向量编码处理,得到一个输入特征向量。通过第一层模型,服务器使用鱼群密度异常检测模型和饲料投放异常检测模型来分析特征向量。这些模型会预测每个特征指标是否异常。得到了鱼群密度和饲料投放的初始预测结果后,将它们送入第二层模型进行融合处理。通过加权平均,服务器得到了一个融合预测结果,表明整体的鱼群数量情况是否异常。这个融合预测结果被送入特征整合层进行分析。如果融合预测结果显示鱼群数量异常,特征整合层可能会进一步分析异常的程度,例如是轻微的波动还是严重的异常。
S105、根据异常检测结果匹配对应的多个异常处理方案,并通过IMP系统根据多个异常处理方案生成异常处理和预警综合报告。
具体的,将异常检测结果进行结果字段编码,生成多个第一编码字段。同时,获取多个候选异常处理方案,这些策略描述了如何应对不同的异常情况。对这些候选处理策略进行策略字段编码,得到每个候选处理策略的第二编码字段。计算每个第一编码字段与每个候选处理策略的第二编码字段之间的相似度。相似度计算可以使用各种方法,如余弦相似度、欧氏距离等。将相似度与预设目标值进行比较。这个预设目标值可能是一个阈值,用来决定何时采取特定的异常处理方案。根据相似度与预设目标值的比较结果,确定异常检测结果对应的多个异常处理方案。如果相似度较高且超过预设目标值,则可以选择对应的异常处理方案。这个步骤确保只有当异常情况与处理策略相匹配时,才会触发预警信息生成。通过IMP系统根据确定的多个异常处理方案,生成异常处理和预警综合报告。这些预警信息可能包括具体的异常情况描述、建议的处理步骤、紧急程度等。预警信息可以通过文本、图表、通知等形式进行呈现,以便养殖场管理者能够及时采取适当的措施。例如,考虑一个养殖池的情景,通过目标异常分析,发现水质出现异常,特别是溶解氧含量偏低。根据预先设定的处理策略,候选处理策略可能包括增氧设备开启、增加饲料投放量等。通过结果字段编码,将异常情况进行编码。对候选处理策略进行策略字段编码,例如,增氧设备开启对应编码为"A1",增加饲料投放量对应编码为"B1"等。计算异常情况编码与各处理策略编码的相似度,比较相似度与预设目标值,如相似度高于0.8。假设相似度计算结果为0.85,高于预设目标值0.8。根据相似度比较结果,确定异常情况对应的异常处理方案,即选择增氧设备开启和增加饲料投放量的处理策略。通过IMP系统生成异常预警信息,内容可能包括"水质异常,溶解氧含量偏低。建议开启增氧设备并增加饲料投放量。紧急程度:中"。这个预警信息将及时通知管理者,帮助其采取适当的行动,维护养殖环境的稳定和鱼类的健康。
本申请实施例中,通过实时监测养殖过程中的各项指标,可以及时发现和识别异常情况,从而能够迅速采取措施进行调整和处理。通过及时预警和处理,可以有效降低因异常情况而导致的养殖成本损失,保护养殖场的经济利益。准确监测和维护水质、氧含量等环境因素,有助于创造适宜的生存环境,提高养殖鱼类的健康水平。通过及时的调整和管理,可以减少鱼群的死亡率,维护养殖场的生态平衡。基于数据分析和机器学习的方法,可以实现养殖过程的智能化管理。监测数据的实时分析和处理,为养殖场提供了更精确的决策支持,自动化的监测系统可以减轻人工负担,实现数据的自动采集和处理。这不仅降低了人力成本,还提高了监测的效率和准确性,通过数据传输和系统集成,可以实现远程对养殖场的监控和管理。养殖场的管理人员可以通过网络远程监测各项指标,及时了解养殖情况,做出实时的调整和决策。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)通过IMP系统将养殖检测数据映射到预设的目标特征空间,生成目标特征空间中的多个第一数据点;
(2)将多个第一数据点输入预置的监测数据聚类模型,并通过监测数据聚类模型中的第一特征函数对多个第一数据点进行数据中心运算,得到多个初始数据中心;
(3)通过多个初始数据中心对多个第一数据点进行距离计算,得到每个初始数据中心与第一数据点对应的多个第一中心点距,并根据预置的距离阈值对多个第一中心点距进行距离筛选,得到多个符合距离阈值的第一数据点;
(4)对多个符合距离阈值的第一数据点进行中心点距的平均值计算,得到对应的平均中心点距,并根据平均中心点距对第一特征函数进行函数参数调整,生成第二特征函数;
(5)通过第二特征函数对多个符合距离阈值的第一数据点进行数据中心计算,得到对应的多个目标数据中心,并通过多个目标数据中心对多个符合距离阈值的第一数据点进行二次聚类,得到每个目标数据中心的数据点聚类结果;
(6)根据每个目标数据中心的数据点聚类结果确定对应的多个第一检测数据集。
具体的,养殖检测数据通常包括各种特征,如水质指标、设备状态、鱼群信息等。服务器通过IMP系统,将这些多维的监测数据映射到预设的目标特征空间。目标特征空间可以是降维后的空间,具有更高的数据表达能力。在目标特征空间中,将监测数据点作为第一数据点。这些第一数据点代表了不同时间点或不同监测周期的养殖数据在目标特征空间的表示。将第一数据点输入预置的监测数据聚类模型。聚类模型可以使用k-means等算法。通过模型的第一特征函数,对多个第一数据点进行数据中心运算,得到多个初始数据中心。通过计算每个初始数据中心与第一数据点之间的距离,得到每个初始数据中心对应的多个第一中心点距离。根据预设的距离阈值,对这些距离进行筛选,得到符合距离阈值的第一数据点。计算符合距离阈值的第一数据点的中心点距的平均值。基于这个平均中心点距,对第一特征函数进行函数参数调整,生成第二特征函数,以更准确地描述数据的分布。通过第二特征函数对符合距离阈值的第一数据点进行数据中心计算,得到对应的多个目标数据中心。这些目标数据中心表示数据在目标特征空间中的集中区域。基于这些目标数据中心,进行二次聚类,将每个目标数据中心周围的数据点进行进一步聚类。根据每个目标数据中心的数据点聚类结果,确定对应的多个第一检测数据集。每个第一检测数据集包含在目标特征空间中聚类在一起的养殖检测数据,这些数据具有相似的特征分布。例如,假设有一个淡水养殖场,监测水质、温度、鱼群数量等数据。将这些数据映射到目标特征空间,其中目标特征空间的维度是降低后的。每天的监测数据作为第一数据点,投影到目标特征空间。通过聚类模型,计算每个第一数据点的中心,得到初始数据中心。在距离筛选阶段,基于预设的距离阈值,筛选出与初始数据中心距离在一定范围内的第一数据点。计算符合距离阈值的第一数据点的中心距的平均值,根据这个平均中心点距,调整第一特征函数,生成第二特征函数。通过第二特征函数计算目标数据中心,将数据点聚集在目标特征空间中的不同区域。然后进行二次聚类,将每个目标数据中心周围的数据点聚类在一起。基于每个目标数据中心的数据点聚类结果,确定每个目标数据中心对应的第一检测数据集,每个集合包含在目标特征空间中相似特征分布的监测数据。
在一具体实施例中,执行步骤S103的过程可以具体包括如下步骤:
(1)分别对多个第一检测数据集中的每个数据点进行移动平均,得到多个标准监测数据集;
(2)对多个标准监测数据集进行特征提取,生成多个第二检测数据集,其中,多个第二检测数据集包括:水质监测数据集、养殖及检测设备数据集、鱼群数量数据集及饲料投放量数据集;
(3)获取水质监测数据集的多个水质异常监测指标,并根据多个水质异常监测指标创建对应的水质异常校验策略,其中,多个水质异常监测指标包括:温度异常、溶解氧含量异常及pH值异常,异常校验策略为:15℃≤水温≤32℃,溶解氧含量≤4mg/L,6≤pH值≤9;
(4)获取养殖及检测设备数据集的设备异常监测指标,并根据设备异常监测指标创建对应的设备异常校验策略,其中,设备异常监测指标包括:养殖设备状态异常,养殖设备包括增氧机、投料机、控制器、溶氧仪、pH水质监测仪,设备异常校验策略为:每个养殖设备最近一次上报数据距当前时长>30分钟为设备异常,当前时长=当前时间-最近一次上报时间;
(5)获取鱼群数量数据集的鱼群异常监测指标,并根据鱼群异常监测指标创建对应的鱼群异常校验策略,其中,鱼群异常监测指标包括:鱼群进食面积异常,鱼群异常校验策略为:鱼群进食面积波动程度=(前7天日均进食面积-当天进食面积)/前7天日均进食面积,进食面积=鱼群区域的像素数目×(生长周期内鱼类实际尺寸/单只鱼在图像中的像素数目);
(6)获取饲料投放量数据集的饲料投放异常监测指标,并根据饲料投放异常监测指标创建对应的饲料投放异常校验策略,其中,饲料投放异常校验策略包括增氧机饲料投放波动=(前7天日均投放量-当天投放量)/前7天日均投放量,投放量=最近一次开启投放时饲料重量-最近一次关闭投料机时饲料重量。
具体的,服务器对每个第一检测数据集中的每个数据点进行移动平均,这有助于平滑数据并去除噪声。移动平均是一种常见的时间序列平滑方法,可以通过计算一定窗口内数据点的平均值来实现。这将生成多个标准监测数据集,其中数据点已经被平滑处理。对多个标准监测数据集进行特征提取,以获取有关水质、养殖设备、鱼群数量和饲料投放量等方面的关键特征。这些特征可以是统计指标、频域分析结果、时间序列特征等。生成多个第二检测数据集,每个数据集对应不同方面的特征。从水质监测数据集中提取多个水质异常监测指标,例如温度、溶解氧含量和pH值。根据这些指标,创建相应的水质异常校验策略。例如,温度应在15℃到32℃范围内,溶解氧含量不应超过4mg/L,pH值应在6到9之间。从养殖设备数据集中提取设备状态异常监测指标,包括增氧机、投料机、控制器、溶氧仪和pH水质监测仪的状态。根据这些指标,创建相应的设备异常校验策略。例如,如果某个养殖设备的最近一次上报数据距离当前时间超过30分钟,则被判断为设备异常。从鱼群数量数据集中提取鱼群异常监测指标,例如鱼群进食面积。基于这些指标,创建对应的鱼群异常校验策略。例如,根据进食面积的波动程度来判断鱼群是否异常,进食面积的计算需要考虑鱼群区域的像素数目以及鱼类的实际尺寸。从饲料投放量数据集中提取饲料投放异常监测指标,例如增氧机饲料投放波动。基于这些指标,创建相应的饲料投放异常校验策略。例如,根据饲料投放量的波动程度来判断是否存在异常情况,投放量的计算涉及投放时和关闭时的饲料重量。例如,假设有一个淡水鱼养殖场,监测了水温、溶解氧含量、pH值、养殖设备状态、鱼群进食面积以及饲料投放量等数据。对每个第一检测数据集进行移动平均,然后从标准监测数据集中提取特征,生成包括水质监测数据集、设备数据集、鱼群数量数据集和饲料投放量数据集的第二检测数据集。从水质监测数据集中提取温度、溶解氧含量和pH值等水质异常监测指标,然后根据预设的判断规则确定异常情况。从设备数据集中提取设备状态异常监测指标,例如养殖设备距离上次上报数据的时间,然后根据设备异常校验策略检测异常。从鱼群数量数据集中提取进食面积异常监测指标,根据进食面积的波动程度判断鱼群是否异常。从饲料投放量数据集中提取饲料投放异常监测指标,根据投放量的波动判断饲料投放是否存在异常。
在一具体实施例中,执行步骤S104的过程可以具体包括如下步骤:
(1)分别根据每个异常校验策略创建每个第二检测数据集对应的异常检测模型,得到多个第一异常检测模型,其中,多个第一异常检测模型包括:温度异常检测模型、溶解氧含量异常检测模型、pH值异常检测模型、设备状态异常检测模型、鱼群异常检测模型及饲料投放异常检测模型;
(2)对多个第一异常检测模型进行模型训练,得到多个训练完成的第一异常检测模型,并通过多个训练完成的第一异常检测模型进行异常监测预测,生成多个训练预测结果;
(3)根据多个训练预测结果构建预测特征矩阵,并将多个第一异常检测模型作为第一层模型,同时,通过预测特征矩阵对多个训练完成的第一异常检测模型进行组合模型训练,得到训练完成的第一层模型;
(4)获取一个第二异常检测模型作为第二层模型,并对训练完成的第一层模型和第二异常检测模型进行模型集成,得到初始异常检测模型;
(5)对初始异常检测模型进行联级优化,生成目标异常检测模型。
具体的,服务器根据之前定义的异常校验策略,为每个第二检测数据集创建对应的异常检测模型。每个模型将专注于特定的异常类型,如温度异常、溶解氧含量异常、pH值异常、设备状态异常、鱼群异常和饲料投放异常。每个模型将被训练以检测其对应的异常情况。对每个第一异常检测模型进行训练,使用带有标注的数据集来学习模式。训练后,使用这些训练完成的模型对未知数据进行异常预测,生成多个训练预测结果。这些结果表明每个数据点是否被模型判断为异常。将多个训练预测结果构建成预测特征矩阵,其中每个预测结果对应一个特征列。将之前训练完成的多个第一异常检测模型作为第一层模型,使用预测特征矩阵对这些模型进行组合模型训练。这将有助于综合不同模型的预测能力。获取一个第二异常检测模型作为第二层模型,这个模型将用于集成第一层模型的预测结果。将第一层模型的预测结果与第二异常检测模型进行模型集成,得到初始异常检测模型。对初始异常检测模型进行联级优化,可能包括参数调整、模型融合和性能评估等。经过优化的初始模型将成为最终的目标异常检测模型,它可以接收输入数据并输出异常情况的判断结果。例如,在养殖池中,服务器可能有一个水温异常检测模型、一个溶解氧含量异常检测模型等。当水温异常检测模型检测到异常温度时,可能是因为加热设备故障。而溶解氧含量异常检测模型可能会警示溶解氧过低,可能是水质问题或设备故障。这些模型的输出将经过第二异常检测模型的综合,最终生成有关养殖异常的综合分析和预警信息。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)对多个第二检测数据集进行特征提取,得到每个第二检测数据集的多个监测特征指标;
(2)对多个监测特征指标进行向量编码处理,得到每个第二检测数据集的输入特征向量;
(3)将每个第二检测数据集的输入特征向量输入目标异常检测模型,并通过目标异常检测模型中的第一层模型分别接收输入特征向量;
(4)通过第一层模型中的多个第一异常检测模型分别对输入特征向量进行监测指标异常分析,得到第一层模型中每个第一异常检测模型的初始预测结果;
(5)通过目标异常检测模型中第二层模型的输入层接收每个第一异常检测模型的初始预测结果,并对每个第一异常检测模型的初始预测结果进行融合处理,得到融合预测结果;
(6)通过第二层模型的特征整合层对融合预测结果进行结果分析,输出对应的异常检测结果。
具体的,服务器从每个第二检测数据集中提取多个监测特征指标。例如,从水质监测数据集中可以提取温度、溶解氧含量和pH值等指标,从养殖设备数据集中可以提取各种设备状态信息,从鱼群数量数据集中可以提取进食面积等指标,从饲料投放量数据集中可以提取投放量变化等指标。将提取的监测特征指标进行向量编码处理,将其转换为统一的特征向量表示。这可以是数值型、类别型等数据的编码表示,确保不同特征之间具有一致的数值范围和数据类型。将编码后的特征向量输入目标异常检测模型的第一层模型。每个异常校验策略对应一个第一异常检测模型。这些模型会分别接收特征向量,并根据预先训练的模型参数对特征向量进行监测指标异常分析。每个第一异常检测模型会生成初始预测结果,指示特定监测指标是否异常。例如,水温异常检测模型可能会预测当前水温是否在正常范围内。将第一层模型的初始预测结果输入目标异常检测模型的第二层模型。第二层模型可以是一个集成模型,如神经网络或集成树模型,用于综合第一层模型的输出结果。第二层模型的输出被送入特征整合层,用于分析和综合不同监测指标的异常情况。这些分析结果可以表明是否存在多个异常指标同时出现,以及它们之间的关联性。异常检测结果会生成,其中可能包括特定的异常情况描述、可能的原因和建议的处理措施。例如,假设有一个淡水养殖场,其中包含水质监测、设备状态监测、鱼群数量监测和饲料投放监测。服务器从水质监测中提取了温度、溶解氧含量和pH值等特征。将这些特征进行向量编码后,输入水质异常检测模型的第一层模型。该模型会根据温度、溶解氧和pH值的异常情况生成初始预测结果。同样地,服务器为设备状态、鱼群数量和饲料投放等创建了对应的第一异常检测模型,并获得初始预测结果。服务器将这些初始预测结果输入目标异常检测模型的第二层模型。这个模型可以是一个神经网络,能够综合不同监测模型的输出。第二层模型的输出会进一步被特征整合层分析,生成最终的异常分析结果,指示潜在的异常情况和可能的处理策略。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)对异常检测结果进行结果字段编码,生成多个第一编码字段,并获取多个候选处理策略,对多个候选处理策略进行策略字段编码,得到每个候选处理测量的第二编码字段;
(2)计算每个第一编码字段与每个候选处理测量的第二编码字段的相似度,并通过相似度与预设目标值进行比较,得到目标比较结果;
(3)根据目标比较结果,确定异常检测结果对应的多个异常处理方案;
(4)通过IMP系统根据多个异常处理方案生成异常处理和预警综合报告。
具体的,服务器将异常检测结果转化为结果字段编码。每个异常情况都被编码为一个独特的标识,以便后续处理。例如,不同水质异常可以用不同的编码表示。获取多个候选处理策略,这些策略可以是预定义的、基于经验的,或者是根据特定情况动态生成的。将每个候选策略进行策略字段编码,转化为标识,以备后续计算使用。计算每个结果字段编码与每个候选处理策略的字段编码之间的相似度。这可以使用不同的相似度度量方法,如余弦相似度、欧几里德距离等,来评估它们之间的接近程度。将每个结果字段编码与每个候选处理策略的相似度进行比较,同时与预设的目标值进行比较。这些目标值可以是预先设定的阈值,用于决定何时需要采取处理措施。根据相似度比较结果,确定与异常检测结果相匹配的多个异常处理方案。这些策略通常是与相似度最高的候选策略相对应的。如果相似度与目标值的比较符合预设条件,就将该策略选为合适的处理方案。通过IMP系统,根据选定的异常处理方案生成淡水渔业养殖的异常预警信息。这些信息可以包括异常情况的详细描述、采取的处理策略、可能的影响等。预警信息可以通过多种方式传达给相关人员,如短信、邮件、移动应用通知等。例如,假设服务器的淡水养殖场的水质监测数据分析结果显示温度偏高,溶解氧含量异常低,pH值超出正常范围。服务器已经有多个候选处理策略,如增加氧气供应、调整投放量、检查设备状态等。服务器将这些异常情况分别编码为相应的结果字段编码。服务器对每个候选处理策略进行策略字段编码。计算每个结果字段编码与每个策略字段编码的相似度,将其与预设的目标值进行比较。假设服务器发现增加氧气供应策略的相似度最高,同时与预设目标值相符,这意味着这个策略是最合适的处理措施。服务器通过IMP系统生成一条异常预警信息,描述温度、溶解氧和pH值异常情况,指导操作人员执行增加氧气供应的措施。
在一具体实施例中,执行基于深度学习的异常检测和处理方法的过程还可以具体包括如下步骤:
(1)构建IMP系统与多个养殖设备的系统联动控制机制,并通过系统联动控制机制响应异常处理和预警综合报告;
(2)当异常处理和预警综合报告为当前氧含量异常时,通过IMP系统控制预置的第一开关控制器打开增氧机开关进行氧含量调节,当异常处理和预警综合报告为当前氧含量正常时,通过IMP系统控制第一开关控制器关闭增氧机进行氧含量自动化调节,生成第一预警通知进行实时同步;
(3)当异常处理和预警综合报告为当前温度异常时,通过IMP系统控制预置的第二开关控制器打开水泵开关进行水温调节,当异常处理和预警综合报告为当前温度正常时,通过IMP系统控制第二开关控制器关闭水泵进行水温自动化调节,生成第二预警通知进行实时同步;
(4)当异常处理和预警综合报告为当前pH值异常时,通过IMP系统控制预置的第三开关控制器打开药剂投放开关进行调节水pH值,当异常处理和预警综合报告为当前pH值正常时,通过IMP系统控制第三开关控制器关闭药剂投放进行自动化调节,生成第三预警通知进行实时同步。
具体的,服务器确保每个养殖设备都配备了适当的传感器来监测环境参数,例如氧含量、温度和pH值。确保设备之间使用统一的通信协议,使它们能够与IMP系统进行数据交换。IMP系统定期从各个养殖设备中获取监测数据。这些数据将被传送到IMP系统中的算法模块,该模块使用预设的异常校验策略进行分析,以检测是否存在任何异常情况。根据不同的异常情况,IMP系统会制定相应的联动控制策略。例如,如果氧含量异常降低,系统将触发增氧机的启动,如果温度异常升高,系统将调整水泵的操作。当异常被检测到并且联动控制策略被触发时,IMP系统将生成相应的设备控制命令。这些命令将指导养殖设备执行特定的操作,以使环境恢复正常。生成的设备控制命令将通过通信协议传送到相应的养殖设备。设备将执行命令,如启动增氧机、调整水泵速度等。在设备执行命令后,系统将生成实时通知,将操作结果和预警状态通知相关人员。此外,IMP系统将提供监控界面,允许操作人员实时查看设备状态和执行结果。例如,假设IMP系统监测到养殖池中的氧含量异常降低,系统会根据预设的逻辑判断,触发第一开关控制器,打开增氧机开关。同时,系统会生成第一预警通知,发送给养殖场的管理员,告知他们当前的情况。当氧含量恢复正常范围内,系统会自动关闭增氧机,并生成第一预警通知,通知操作人员操作已完成。同样,当温度异常偏高时,系统会触发第二开关控制器,打开水泵开关,进行降温操作。当水温恢复正常后,系统会自动关闭水泵,并生成第二预警通知。如果pH值异常,系统会触发第三开关控制器,进行药剂投放,直至pH值恢复正常,系统自动停止投放并发送第三预警通知。
上面对本申请实施例中基于深度学习的异常检测和处理方法进行了描述,下面对本申请实施例中基于深度学习的异常检测和处理系统进行描述,请参阅图2,本申请实施例中基于深度学习的异常检测和处理系统一个实施例包括:
获取模块201,用于通过预置的传感器及检测设备获取待处理的养殖检测数据,并对所述养殖检测数据进行分类解析,得到多个第一检测数据集;
构建模块202,用于对所述多个第一检测数据集进行数据标准化处理,得到多个第二检测数据集,并构建每个第二检测数据集的异常校验策略,其中,所述多个第二检测数据集包括:水质监测数据集、养殖及检测设备数据集、鱼群数量数据集及饲料投放量数据集;
集成模块203,用于根据所述异常校验策略创建多个第一异常检测模型,并对所述多个第一异常检测模型和预置的第二异常检测模型进行模型集成,生成目标异常检测模型;
分析模块204,用于将所述多个第二检测数据集输入所述目标异常检测模型进行淡水渔业养殖异常分析,生成异常检测结果;
生成模块205,用于根据所述异常检测结果匹配对应的多个异常处理方案,并根据所述多个异常处理方案生成异常处理和预警综合报告。
通过上述各个组成部分的协同合作,通过实时监测养殖过程中的各项指标,可以及时发现和识别异常情况,从而能够迅速采取措施进行调整和处理。通过及时预警和处理,可以有效降低因异常情况而导致的养殖成本损失,保护养殖场的经济利益。准确监测和维护水质、氧含量等环境因素,有助于创造适宜的生存环境,提高养殖鱼类的健康水平。通过及时的调整和管理,可以减少鱼群的死亡率,维护养殖场的生态平衡。基于数据分析和机器学习的方法,可以实现养殖过程的智能化管理。监测数据的实时分析和处理,为养殖场提供了更精确的决策支持,自动化的监测系统可以减轻人工负担,实现数据的自动采集和处理。这不仅降低了人力成本,还提高了监测的效率和准确性,通过数据传输和系统集成,可以实现远程对养殖场的监控和管理。养殖场的管理人员可以通过网络远程监测各项指标,及时了解养殖情况,做出实时的调整和决策。
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 (5)
1.一种基于深度学习的异常检测和处理方法,其特征在于,所述基于深度学习的异常检测和处理方法包括:
通过预置的传感器及检测设备获取待处理的养殖检测数据,并对所述养殖检测数据进行分类解析,得到多个第一检测数据集;具体包括:通过预置的传感器及检测设备获取待处理的养殖检测数据,并将所述养殖检测数据传输至预置的IMP系统;通过所述IMP系统将所述养殖检测数据映射到预设的目标特征空间,生成所述目标特征空间中的多个第一数据点;将所述多个第一数据点输入预置的监测数据聚类模型,并通过所述监测数据聚类模型中的第一特征函数对所述多个第一数据点进行数据中心运算,得到多个初始数据中心;通过所述多个初始数据中心对所述多个第一数据点进行距离计算,得到每个初始数据中心与第一数据点对应的多个第一中心点距,并根据预置的距离阈值对所述多个第一中心点距进行距离筛选,得到多个符合距离阈值的第一数据点;对所述多个符合距离阈值的第一数据点进行中心点距的平均值计算,得到对应的平均中心点距,并根据所述平均中心点距对所述第一特征函数进行函数参数调整,生成第二特征函数;通过所述第二特征函数对所述多个符合距离阈值的第一数据点进行数据中心计算,得到对应的多个目标数据中心,并通过所述多个目标数据中心对所述多个符合距离阈值的第一数据点进行二次聚类,得到每个目标数据中心的数据点聚类结果;根据每个目标数据中心的数据点聚类结果确定对应的多个第一检测数据集;
对所述多个第一检测数据集进行数据标准化处理,得到多个第二检测数据集,并构建每个第二检测数据集的异常校验策略;
根据所述异常校验策略创建多个第一异常检测模型,并对所述多个第一异常检测模型和预置的第二异常检测模型进行模型集成,生成目标异常检测模型;
将所述多个第二检测数据集输入所述目标异常检测模型进行淡水渔业养殖异常分析,生成异常检测结果;
根据所述异常检测结果匹配对应的多个异常处理方案,并根据所述多个异常处理方案生成异常处理和预警综合报告;具体包括:对所述异常检测结果进行结果字段编码,生成多个第一编码字段,并获取多个候选处理策略,对所述多个候选处理策略进行策略字段编码,得到每个候选处理测量的第二编码字段;计算每个第一编码字段与每个候选处理测量的第二编码字段的相似度,并通过所述相似度与预设目标值进行比较,得到目标比较结果;根据所述目标比较结果,确定所述异常检测结果对应的多个异常处理方案;通过所述IMP系统根据所述多个异常处理方案生成异常处理和预警综合报告;其中,构建所述IMP系统与多个养殖设备的系统联动控制机制,并通过所述系统联动控制机制响应所述异常处理和预警综合报告;当所述异常处理和预警综合报告为当前氧含量异常时,通过所述IMP系统控制预置的第一开关控制器打开增氧机开关进行氧含量调节,当所述异常处理和预警综合报告为当前氧含量正常时,通过所述IMP系统控制所述第一开关控制器关闭增氧机进行氧含量自动化调节,生成第一预警通知进行实时同步;当所述异常处理和预警综合报告为当前温度异常时,通过所述IMP系统控制预置的第二开关控制器打开水泵开关进行水温调节,当所述异常处理和预警综合报告为当前温度正常时,通过所述IMP系统控制所述第二开关控制器关闭水泵进行水温自动化调节,生成第二预警通知进行实时同步;当所述异常处理和预警综合报告为当前pH值异常时,通过所述IMP系统控制预置的第三开关控制器打开药剂投放开关进行调节水pH值,当所述异常处理和预警综合报告为当前pH值正常时,通过所述IMP系统控制所述第三开关控制器关闭药剂投放进行自动化调节,生成第三预警通知进行实时同步。
2.根据权利要求1所述的基于深度学习的异常检测和处理方法,其特征在于,所述对所述多个第一检测数据集进行数据标准化处理,得到多个第二检测数据集,并构建每个第二检测数据集的异常校验策略,其中,所述多个第二检测数据集包括:水质监测数据集、养殖及检测设备数据集、鱼群数量数据集及饲料投放量数据集,包括:
分别对所述多个第一检测数据集中的每个数据点进行移动平均,得到多个标准监测数据集;
对所述多个标准监测数据集进行特征提取,生成多个第二检测数据集,其中,所述多个第二检测数据集包括:水质监测数据集、养殖及检测设备数据集、鱼群数量数据集及饲料投放量数据集;
获取所述水质监测数据集的多个水质异常监测指标,并根据所述多个水质异常监测指标创建对应的水质异常校验策略,其中,所述多个水质异常监测指标包括:温度异常、溶解氧含量异常及pH值异常,所述异常校验策略为:15℃≤水温≤32℃,溶解氧含量≤4mg/L,6≤pH值≤9;
获取所述养殖及检测设备数据集的设备异常监测指标,并根据所述设备异常监测指标创建对应的设备异常校验策略,其中,所述设备异常监测指标包括:养殖设备状态异常,养殖设备包括增氧机、投料机、控制器、溶氧仪、pH水质监测仪,所述设备异常校验策略为:每个养殖设备最近一次上报数据距当前时长>30分钟为设备异常,当前时长=当前时间-最近一次上报时间;
获取所述鱼群数量数据集的鱼群异常监测指标,并根据所述鱼群异常监测指标创建对应的鱼群异常校验策略,其中,所述鱼群异常监测指标包括:鱼群进食面积异常,所述鱼群异常校验策略为:鱼群进食面积波动程度=(前7天日均进食面积-当天进食面积)/前7天日均进食面积,进食面积=鱼群区域的像素数目×(生长周期内鱼类实际尺寸/单只鱼在图像中的像素数目);
获取所述饲料投放量数据集的饲料投放异常监测指标,并根据所述饲料投放异常监测指标创建对应的饲料投放异常校验策略,其中,所述饲料投放异常校验策略包括增氧机饲料投放波动=(前7天日均投放量-当天投放量)/前7天日均投放量,投放量=最近一次开启投放时饲料重量-最近一次关闭投料机时饲料重量。
3.根据权利要求1所述的基于深度学习的异常检测和处理方法,其特征在于,所述根据所述异常校验策略创建多个第一异常检测模型,并对所述多个第一异常检测模型和预置的第二异常检测模型进行模型集成,生成目标异常检测模型,包括:
分别根据每个异常校验策略创建每个第二检测数据集对应的异常检测模型,得到多个第一异常检测模型,其中,所述多个第一异常检测模型包括:温度异常检测模型、溶解氧含量异常检测模型、pH值异常检测模型、设备状态异常检测模型、鱼群异常检测模型及饲料投放异常检测模型;
对所述多个第一异常检测模型进行模型训练,得到多个训练完成的第一异常检测模型,并通过所述多个训练完成的第一异常检测模型进行异常监测预测,生成多个训练预测结果;
根据所述多个训练预测结果构建预测特征矩阵,并将所述多个第一异常检测模型作为第一层模型,同时,通过所述预测特征矩阵对所述多个训练完成的第一异常检测模型进行组合模型训练,得到训练完成的第一层模型;
获取一个第二异常检测模型作为第二层模型,并对所述训练完成的第一层模型和所述第二异常检测模型进行模型集成,得到初始异常检测模型;
对所述初始异常检测模型进行联级优化,生成目标异常检测模型。
4.根据权利要求1所述的基于深度学习的异常检测和处理方法,其特征在于,所述将所述多个第二检测数据集输入所述目标异常检测模型进行淡水渔业养殖异常分析,生成异常检测结果,包括:
对所述多个第二检测数据集进行特征提取,得到每个第二检测数据集的多个监测特征指标;
对所述多个监测特征指标进行向量编码处理,得到每个第二检测数据集的输入特征向量;
将每个第二检测数据集的输入特征向量输入所述目标异常检测模型,并通过所述目标异常检测模型中的第一层模型分别接收所述输入特征向量;
通过所述第一层模型中的多个第一异常检测模型分别对所述输入特征向量进行监测指标异常分析,得到所述第一层模型中每个第一异常检测模型的初始预测结果;
通过所述目标异常检测模型中第二层模型的输入层接收每个第一异常检测模型的初始预测结果,并对每个第一异常检测模型的初始预测结果进行融合处理,得到融合预测结果;
通过所述第二层模型的特征整合层对所述融合预测结果进行结果分析,输出对应的异常检测结果。
5.一种基于深度学习的异常检测和处理系统,其特征在于,所述基于深度学习的异常检测和处理系统包括:
获取模块,用于通过预置的传感器及检测设备获取待处理的养殖检测数据,并对所述养殖检测数据进行分类解析,得到多个第一检测数据集;具体包括:通过预置的传感器及检测设备获取待处理的养殖检测数据,并将所述养殖检测数据传输至预置的IMP系统;通过所述IMP系统将所述养殖检测数据映射到预设的目标特征空间,生成所述目标特征空间中的多个第一数据点;将所述多个第一数据点输入预置的监测数据聚类模型,并通过所述监测数据聚类模型中的第一特征函数对所述多个第一数据点进行数据中心运算,得到多个初始数据中心;通过所述多个初始数据中心对所述多个第一数据点进行距离计算,得到每个初始数据中心与第一数据点对应的多个第一中心点距,并根据预置的距离阈值对所述多个第一中心点距进行距离筛选,得到多个符合距离阈值的第一数据点;对所述多个符合距离阈值的第一数据点进行中心点距的平均值计算,得到对应的平均中心点距,并根据所述平均中心点距对所述第一特征函数进行函数参数调整,生成第二特征函数;通过所述第二特征函数对所述多个符合距离阈值的第一数据点进行数据中心计算,得到对应的多个目标数据中心,并通过所述多个目标数据中心对所述多个符合距离阈值的第一数据点进行二次聚类,得到每个目标数据中心的数据点聚类结果;根据每个目标数据中心的数据点聚类结果确定对应的多个第一检测数据集;
构建模块,用于对所述多个第一检测数据集进行数据标准化处理,得到多个第二检测数据集,并构建每个第二检测数据集的异常校验策略,其中,所述多个第二检测数据集包括:水质监测数据集、养殖及检测设备数据集、鱼群数量数据集及饲料投放量数据集;
集成模块,用于根据所述异常校验策略创建多个第一异常检测模型,并对所述多个第一异常检测模型和预置的第二异常检测模型进行模型集成,生成目标异常检测模型;
分析模块,用于将所述多个第二检测数据集输入所述目标异常检测模型进行淡水渔业养殖异常分析,生成异常检测结果;
生成模块,用于根据所述异常检测结果匹配对应的多个异常处理方案,并根据所述多个异常处理方案生成异常处理和预警综合报告;具体包括:对所述异常检测结果进行结果字段编码,生成多个第一编码字段,并获取多个候选处理策略,对所述多个候选处理策略进行策略字段编码,得到每个候选处理测量的第二编码字段;计算每个第一编码字段与每个候选处理测量的第二编码字段的相似度,并通过所述相似度与预设目标值进行比较,得到目标比较结果;根据所述目标比较结果,确定所述异常检测结果对应的多个异常处理方案;通过所述IMP系统根据所述多个异常处理方案生成异常处理和预警综合报告;其中,构建所述IMP系统与多个养殖设备的系统联动控制机制,并通过所述系统联动控制机制响应所述异常处理和预警综合报告;当所述异常处理和预警综合报告为当前氧含量异常时,通过所述IMP系统控制预置的第一开关控制器打开增氧机开关进行氧含量调节,当所述异常处理和预警综合报告为当前氧含量正常时,通过所述IMP系统控制所述第一开关控制器关闭增氧机进行氧含量自动化调节,生成第一预警通知进行实时同步;当所述异常处理和预警综合报告为当前温度异常时,通过所述IMP系统控制预置的第二开关控制器打开水泵开关进行水温调节,当所述异常处理和预警综合报告为当前温度正常时,通过所述IMP系统控制所述第二开关控制器关闭水泵进行水温自动化调节,生成第二预警通知进行实时同步;当所述异常处理和预警综合报告为当前pH值异常时,通过所述IMP系统控制预置的第三开关控制器打开药剂投放开关进行调节水pH值,当所述异常处理和预警综合报告为当前pH值正常时,通过所述IMP系统控制所述第三开关控制器关闭药剂投放进行自动化调节,生成第三预警通知进行实时同步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311819992.6A CN117473446B (zh) | 2023-12-27 | 2023-12-27 | 基于深度学习的异常检测和处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311819992.6A CN117473446B (zh) | 2023-12-27 | 2023-12-27 | 基于深度学习的异常检测和处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117473446A CN117473446A (zh) | 2024-01-30 |
CN117473446B true CN117473446B (zh) | 2024-03-15 |
Family
ID=89627885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311819992.6A Active CN117473446B (zh) | 2023-12-27 | 2023-12-27 | 基于深度学习的异常检测和处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117473446B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708745B (zh) * | 2024-02-02 | 2024-04-26 | 广东控银实业有限公司 | 一种用于vr设备的摇杆控制异常检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886233A (zh) * | 2019-02-28 | 2019-06-14 | 苏州工业职业技术学院 | 一种基于隐马尔可夫模型的水产养殖状态监测方法及装置 |
CN112506120A (zh) * | 2020-12-02 | 2021-03-16 | 中国农业科学院农业信息研究所 | 一种基于物联网的智慧渔业管理系统 |
CN113984989A (zh) * | 2021-10-08 | 2022-01-28 | 无锡学院 | 一种基于拉普拉斯降维的水产养殖水质异常检测方法 |
CN115099512A (zh) * | 2022-07-06 | 2022-09-23 | 中山职业技术学院 | 一种淡水鱼养殖智能管理系统以及管理方法 |
US11758887B1 (en) * | 2022-08-10 | 2023-09-19 | China Agricultural University | Method, system and apparatus for intelligently monitoring aquafarm with multi-dimensional panoramic perception |
CN116935327A (zh) * | 2023-09-07 | 2023-10-24 | 深圳市明心数智科技有限公司 | 基于ai视觉的水产养殖监控方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190219994A1 (en) * | 2018-01-18 | 2019-07-18 | General Electric Company | Feature extractions to model large-scale complex control systems |
-
2023
- 2023-12-27 CN CN202311819992.6A patent/CN117473446B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886233A (zh) * | 2019-02-28 | 2019-06-14 | 苏州工业职业技术学院 | 一种基于隐马尔可夫模型的水产养殖状态监测方法及装置 |
CN112506120A (zh) * | 2020-12-02 | 2021-03-16 | 中国农业科学院农业信息研究所 | 一种基于物联网的智慧渔业管理系统 |
CN113984989A (zh) * | 2021-10-08 | 2022-01-28 | 无锡学院 | 一种基于拉普拉斯降维的水产养殖水质异常检测方法 |
CN115099512A (zh) * | 2022-07-06 | 2022-09-23 | 中山职业技术学院 | 一种淡水鱼养殖智能管理系统以及管理方法 |
US11758887B1 (en) * | 2022-08-10 | 2023-09-19 | China Agricultural University | Method, system and apparatus for intelligently monitoring aquafarm with multi-dimensional panoramic perception |
CN116935327A (zh) * | 2023-09-07 | 2023-10-24 | 深圳市明心数智科技有限公司 | 基于ai视觉的水产养殖监控方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于智能视觉物联网的水产养殖监测系统;邢俊等;《应用科技》;20170531;第44卷(第05期);第46-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117473446A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145032B (zh) | 一种蜜蜂养殖智能监测方法与系统 | |
CN117473446B (zh) | 基于深度学习的异常检测和处理方法及系统 | |
EP3939418B1 (en) | Automated livestock management system | |
CN109887242A (zh) | 向用户终端发送告警信息方法、装置、系统 | |
KR102369167B1 (ko) | 머신러닝을 이용한 지능형 스마트팜 운영 시스템 | |
CN111460990A (zh) | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 | |
Feiyang et al. | Monitoring behavior of poultry based on RFID radio frequency network | |
CN110045771B (zh) | 一种鱼塘水质智能监测系统 | |
CN116681279B (zh) | 一种基于数据分析的林业有害生物防治风险评估系统 | |
CN106338971A (zh) | 一种基于多用户的水产养殖监控系统 | |
Miekley et al. | Mastitis detection in dairy cows: the application of support vector machines | |
CN117473445B (zh) | 基于极限学习机的设备异常分析方法及装置 | |
CN112711621A (zh) | 万物互联训练平台及控制方法与装置 | |
CN106446560A (zh) | 一种基于增量式神经网络模型的高血脂症预测方法和预测系统 | |
CN117575169A (zh) | 一种基于数据处理的智慧农业管理系统 | |
CN117273550B (zh) | 一种食品检测智能实验室的信息管理方法 | |
CN116843085B (zh) | 淡水鱼生长监控方法、装置、设备及存储介质 | |
CN115342937B (zh) | 温度异常检测方法及装置 | |
Liberati et al. | Improving the automated monitoring of dairy cows by integrating various data acquisition systems | |
CN116680595A (zh) | 异常奶牛检测方法、装置、电子设备及介质 | |
CN116307879A (zh) | 一种斑节对虾虾苗高效培育方法、系统及介质 | |
KR20090090488A (ko) | 바이오센서를 이용한 가축의 질병관리시스템 및 그 방법 | |
CN114936600A (zh) | 单证异常监控方法、装置、设备及存储介质 | |
KR20230079969A (ko) | 축산업 비 전문가 생산성 증대를 위한 자동 제어 생육 분석 시스템 | |
KR20230082069A (ko) | 축산업 비 전문가 생산성 증대를 위한 자동 제어 생육 분석 시스템 |
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 |