CN117557119A - 水产养殖环境识别和处理策略制定方法及系统 - Google Patents
水产养殖环境识别和处理策略制定方法及系统 Download PDFInfo
- Publication number
- CN117557119A CN117557119A CN202311549537.9A CN202311549537A CN117557119A CN 117557119 A CN117557119 A CN 117557119A CN 202311549537 A CN202311549537 A CN 202311549537A CN 117557119 A CN117557119 A CN 117557119A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- environment
- water quality
- target
- food
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000009360 aquaculture Methods 0.000 title claims abstract description 31
- 244000144974 aquaculture Species 0.000 title claims abstract description 31
- 238000011269 treatment regimen Methods 0.000 title claims abstract description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 290
- 238000012544 monitoring process Methods 0.000 claims abstract description 254
- 238000012806 monitoring device Methods 0.000 claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000000694 effects Effects 0.000 claims abstract description 20
- 238000009472 formulation Methods 0.000 claims abstract description 17
- 239000000203 mixture Substances 0.000 claims abstract description 17
- 235000013305 food Nutrition 0.000 claims description 132
- 230000006870 function Effects 0.000 claims description 58
- 239000010794 food waste Substances 0.000 claims description 57
- 238000004458 analytical method Methods 0.000 claims description 33
- 230000001360 synchronised effect Effects 0.000 claims description 33
- 230000004913 activation Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000009313 farming Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 claims description 3
- 238000003912 environmental pollution Methods 0.000 abstract description 4
- 241000251468 Actinopterygii Species 0.000 description 8
- 230000033228 biological regulation Effects 0.000 description 6
- 230000014759 maintenance of location Effects 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 239000013505 freshwater Substances 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 238000012797 qualification Methods 0.000 description 4
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000010824 fish disease Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000009364 mariculture Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/09—Supervised learning
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Marine Sciences & Fisheries (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
Abstract
本申请涉及策略制定技术领域,提供水产养殖环境识别和处理策略制定方法及系统。所述方法包括:获得目标养殖类型;预构建监测装置布设策略;基于所述监测装置布设策略对所述目标养殖环境进行监测装置布设,获得养殖环境监测空间;获得实时水质监测信息;根据所述目标养殖类型确定水质监测约束,获得第一环境识别结果;基于K组区域水质监测结果调用获得K个区域水体图像集;预构建残留均值计算函数,获得第二环境识别结果;根据所述第一环境识别结果和所述第二环境识别结果生成目标环境处理策略。本申请解决了现有技术中水产养殖环境不佳,容易造成环境污染,降低目标产量的技术问题,达到了保护生态环境,提高目标产量的技术效果。
Description
技术领域
本申请涉及策略制定技术领域,特别是涉及水产养殖环境识别和处理策略制定方法及系统。
背景技术
养殖水产品在内的水生生物是整个水生态环境的重要组成部分。鱼翔浅底的美景,就意味着水生态环境要好,意味着不能没有水生生物,两者是一个生命共同体。只有高密度、不合理的投饵型养殖方式才会对环境有比较大的影响,科学合理的养殖方式对水生态环境还有净化修复的作用。
然而由于养殖户分散经营与管理、缺乏总体规划等原因,导致养殖布局不合理、超容量与超规划养殖多、养殖排放污染较重、水产品质量下降、养殖病害蔓延、质量安全存在隐患等突出问题。
综上所述,现有技术中存在水产养殖环境不佳,容易造成环境污染,降低目标产量的问题。
发明内容
基于此,有必要针对上述技术问题,提供保护生态环境,提高目标产量的水产养殖环境识别和处理策略制定方法及系统。
第一方面,本申请提供了水产养殖环境识别和处理策略制定方法,所述方法包括:交互确定目标养殖环境的实时养殖类型,获得目标养殖类型;预构建监测装置布设策略,其中,所述监测装置布设策略根据所述目标养型和所述目标养殖环境构建生成;基于所述监测装置布设策略对所述目标养殖环境进行监测装置布设,获得养殖环境监测空间,其中,所述养殖环境监测空间包括K组养殖监测组合装置,K为正整数;基于所述养殖环境监测空间对所述目标养殖环境进行实时监测,获得实时水质监测信息,其中,所述实时水质监测信息包括K组区域水质监测结果;根据所述目标养殖类型确定水质监测约束,并基于所述水质监测约束遍历所述K组区域水质监测结果,获得第一环境识别结果;基于K组区域水质监测结果调用获得K个区域水体图像集,并将所述K个区域水体图像集同步至食物残留分析子网络,获得K组区域食物残留参数;预构建残留均值计算函数,并将所述K组区域食物残留参数同步至所述残留均值计算函数,获得第二环境识别结果;根据所述第一环境识别结果和所述第二环境识别结果生成目标环境处理策略。
第二方面,本申请提供了水产养殖环境识别和处理策略制定系统,所述系统包括:目标养殖类型获得模块,所述目标养殖类型获得模块用于交互确定目标养殖环境的实时养殖类型,获得目标养殖类型;监测装置布设策略预构建模块,所述监测装置布设策略预构建模块用于预构建监测装置布设策略,其中,所述监测装置布设策略根据所述目标养殖类型和所述目标养殖环境构建生成;养殖环境监测空间获得模块,所述养殖环境监测空间获得模块用于基于所述监测装置布设策略对所述目标养殖环境进行监测装置布设,获得养殖环境监测空间,其中,所述养殖环境监测空间包括K组养殖监测组合装置,K为正整数;实时水质监测信息获得模块,所述实时水质监测信息获得模块用于基于所述养殖环境监测空间对所述目标养殖环境进行实时监测,获得实时水质监测信息,其中,所述实时水质监测信息包括K组区域水质监测结果;环境识别结果获得模块,所述环境识别结果获得模块用于根据所述目标养殖类型确定水质监测约束,并基于所述水质监测约束遍历所述K组区域水质监测结果,获得第一环境识别结果;区域食物残留参数获得模块,所述区域食物残留参数获得模块用于基于K组区域水质监测结果调用获得K个区域水体图像集,并将所述K个区域水体图像集同步至食物残留分析子网络,获得K组区域食物残留参数;残留均值计算函数构建模块,所述残留均值计算函数构建模块用于预构建残留均值计算函数,并将所述K组区域食物残留参数同步至所述残留均值计算函数,获得第二环境识别结果;目标环境处理策略生成模块,所述目标环境处理策略生成模块用于根据所述第一环境识别结果和所述第二环境识别结果生成目标环境处理策略。
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:
首先,交互确定目标养殖环境的实时养殖类型,获得目标养殖类型;然后预构建监测装置布设策略,其中,所述监测装置布设策略根据所述目标养殖类型和所述目标养殖环境构建生成;接下来基于所述监测装置布设策略对所述目标养殖环境进行监测装置布设,获得养殖环境监测空间,其中,所述养殖环境监测空间包括K组养殖监测组合装置,K为正整数;再基于所述养殖环境监测空间对所述目标养殖环境进行实时监测,获得实时水质监测信息,其中,所述实时水质监测信息包括K组区域水质监测结果;其次根据所述目标养殖类型确定水质监测约束,并基于所述水质监测约束遍历所述K组区域水质监测结果,获得第一环境识别结果;然后基于K组区域水质监测结果调用获得K个区域水体图像集,并将所述K个区域水体图像集同步至食物残留分析子网络,获得K组区域食物残留参数;再预构建残留均值计算函数,并将所述K组区域食物残留参数同步至所述残留均值计算函数,获得第二环境识别结最后根据所述第一环境识别结果和所述第二环境识别结果生成目标环境处理策略。本申请解决了现有技术中水产养殖环境不佳,容易造成环境污染,降低目标产量的技术问题,达到了保护生态环境,提高目标产量的技术效果。
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他目的、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为一个实施例中水产养殖环境识别和处理策略制定方法的流程示意图;
图2为一个实施例中水产养殖环境识别和处理策略制定方法的第一环境识别结果获取的流程示意图;
图3为一个实施例中水产养殖环境识别和处理策略制定系统的结构框图。
附图标记说明:目标养殖类型获得模块11,监测装置布设策略预构建模块12,养殖环境监测空间获得模块13,实时水质监测信息获得模块14,环境识别结果获得模块15,区域食物残留参数获得模块16,残留均值计算函数构建模块17,目标环境处理策略生成模块18。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请提供了水产养殖环境识别和处理策略制定方法,所述方法包括:
交互确定目标养殖环境的实时养殖类型,获得目标养殖类型;
水产养殖是人类利用可供养殖(包括种植)的水域,按照养殖对象的生态习性和对水域环境条件的要求,运用水产养殖技术和设施,从事水生经济动、植物养殖,由于水是鱼类赖以生存的环境,较好的水质能减少鱼类疾病的发生,更有利于鱼类的生长和生存,所以需要对水产养殖环境进行识别,若水产养殖环境出现问题,再对所述问题制定相应的处理方法,本申请通过提供水产养殖环境识别和处理策略制定方法,达到了保护水产资源和生态环境的技术效果。
目标养殖环境是指准备进行水产养殖环境识别和处理策略制定的目标养殖场,通过交互确定所述目标养殖场的实施养殖类型,其中实施养殖类型是指所述目标养殖场的种类,例如按养殖水域,水产养殖可分为淡水养殖、海水养殖、浅海滩涂养殖等,通过所述目标养殖环境的养殖物,确定目标养殖种类,即确定所述目标养殖场的养殖类型。通过确定所述目标养殖类型,为后续监测所述目标养殖环境的构建以及生成做出了铺垫。
预构建监测装置布设策略,其中,所述监测装置布设策略根据所述目标养殖类型和所述目标养殖环境构建生成;
监测装置布设策略是指在所述目标养殖环境中布设监测装置的策略,其中监测装置包括多类传感器,例如温度传感器、图像传感器等,所述监测装置布设策略根据所述目标养殖类型和所述目标养殖环境构建生成,例如所述目标养殖环境是人工水域,所述目标养殖类型是淡水鱼,则对所述淡水鱼生存环境如pH值、溶解氧、氨氮、水温等进行数据获取,根据所述淡水鱼生存环境数据进行监测装置的布控。通过预构建监测装置布设策略,为后续的所述目标养殖环境的环境监测识别做出铺垫。
获得所述目标养殖环境的目标深度参数;
交互获得所述目标养殖类型的活动深度习性;
根据所述目标深度参数和所述活动深度习性确定目标监测深度区间;
所述养殖环境监测空间包括K组监测调节装置,其中,所述K组监测调节装置和所述K组养殖监测组合装置关联配置,每组监测调节装置包括M个调节子装置;
交互确定所述M个调节子装置的M个有效调节范围;
序列化所述M个有效调节范围,获得调节范围极值;
根据所述调节范围极值和所述目标深度参数生成所述监测装置布设策略。
目标深度参数是指所述目标养殖环境的深度,例如所述目标养殖环境为人工池塘,则所述目标深度参数为所述人工池塘的深度;所述目标养殖类型的活动深度习性是指所述目标养殖类型的存活深度;根据所述目标深度参数和所述活动深度习性确定目标监测深度区间是指根据所述目标养殖环境和所述目标养殖类型的获得深度习性确定目标监测深度区间,例如所述目标养殖环境的目标深度参数为9米,所述目标养殖类型的活动深度习性为3~6米,则目标监测深度区间为3~6米,即需要对所述目标养殖环境中3~6米这个区间进行监测装置的布控;K组监测调节装置中,所述K组监测调节装置和所述K组养殖监测组合装置关联配置,其中监测调节装置是指对监测到的所述目标监测深度区间中有问题的水质进行调节的装置,即调节子装置,例如水温调节装置、pH值调节装置等;有效调节范围则是所述M个调节子装置的调节范围,例如水温调节装置可以调节以所述水温调节装置为中心周围1米的范围等;养殖监测组合装置是指对所述目标监测深度区间进行监测的装置组合,所述监测目标例如水温监测、pH值监测等,序列化所述M个有效调节范围即对所述M个调节子装置的有效调节范围按照范围大小进行排序,极值是一个函数的极大值或极小值,本申请中是指所述M个有效调节范围的最大值和最小值,取其中的最小值作为调节范围极值,根据所述调节范围极值和所述目标深度参数生成所述监测装置布设策略是指确定一个节点作为所述监测组合装置的布设点,例如所述调节范围极值为1.5米,以所述布设点为中心,布设监测调节装置,使其可以监测并调节周围1.5米的水质情况。通过所述调节范围极值和所述目标深度参数生成所述监测装置布设策略,对所述养殖环境监测空间进行装置布设,为后续监测水质和调节水质提供了铺垫。
基于所述监测装置布设策略对所述目标养殖环境进行监测装置布设,获得养殖环境监测空间,其中,所述养殖环境监测空间包括K组养殖监测组合装置,K为正整数;
养殖环境监测空间是指根据所述目标深度参数和所述活动深度习性以及所述目标养殖环境确定的,即所述目标养殖类型的空间活动范围,基于所述监测装置布设策略对所述目标养殖环境进行监测装置布设,获得养殖环境监测空间,将所述养殖环境监测空间布满所需要的节点数量,就是K组监测调节装置中K的取值。通过对监测装置的布设,得到养殖环境监测空间,为后续的所述目标养殖环境实时监测提供了装置支持。
基于所述养殖环境监测空间对所述目标养殖环境进行实时监测,获得实时水质监测信息,其中,所述实时水质监测信息包括K组区域水质监测结果;
根据所述养殖环境监测空间对所述目标养殖环境进行同步监测,获得所述目标养殖环境的实时水质监测信息,其中所述实时水质监测信息包括K组区域水质监测结果。通过对所述目标养殖环境进行实时监测,获得实时水质监测信息,为后续的第一环境识别结果获取做出了铺垫。
根据所述目标养殖类型确定水质监测约束,并基于所述水质监测约束遍历所述K组区域水质监测结果,获得第一环境识别结果;
水质监测约束是指根据所述目标养殖类型确定所述目标养殖环境的pH值、溶解氧、氨氮、水温等的取值,根据所述水质检测指标约束对所述K组区域水质监测结果进行对比验证,获得第一环境识别结果,其中第一环境识别结果为所述K组区域水质监测结果中不符合所述水质监测约束的区域集合。通过所述目标养殖类型确定水质监测约束,根据水质监测约束遍历所述K组区域水质监测结果,获得第一环境识别结果,为后续的制定处理策略做出了铺垫。
如图2所示,所述水质监测约束包括N项水质监测合格参数,其中,所述N项水质监测合格参数与N项水质监测指标关联映射;
基于所述N项水质监测合格参数调用获得第一水质监测合格参数,并采用所述第一水质监测合格参数对应遍历所述K组区域水质监测结果,获得第一水质偏差区域集,其中,所述第一水质偏差区域集中每个水质偏差区域具有空间位置标识;
以此类推,基于所述N项水质监测合格参数逐一映射遍历所述K组区域水质监测结果,获得N个水质偏差区域集;
所述N个水质偏差区域集构成所述第一环境识别结果。
水质监测约束是指根据所述目标养殖类型确定所述目标养殖环境的pH值、溶解氧、氨氮、水温等的取值;水质监测合格参数是指所述目标养殖类型可以正常成长繁殖的参数要求,可以依据所述目标养殖类型通过查询网站自行查询;所述N项水质监测合格参数与N项水质监测指标关联映射是指所述N项水质监测合格参数为N项水质检测指标,两者为对应的关系;根据所述N项水质监测合格参数中调用任意一个参数记作第一水质监测合格参数,例如水温、pH值等,用所述第一水质监测合格参数对应遍历所述K组区域水质监测结果,获得第一水质偏差区域集,其中第一水质偏差区域集是指所述目标养殖环境中所述第一水质监测不合格的区域的集合,所述第一水质偏差区域集中每个水质偏差区域具有空间位置标识,即所述水质偏差区域中标注其是属于哪个监测调节装置的监测范围的;根据相同的方法对所述目标养殖环境中所有需要监测的环境参数逐一进行监测,获得N个水质偏差区域集,即获得N项环境参数不合格的水质偏差区域集,由所述N个水质偏差区域集构成所述第一环境识别结果,其中所述第一环境识别结果为所述目标养殖环境中的水质偏差区域的集合。通过监测所述目标养殖环境中的水质参数,得到N个所述水质偏差区域集,为后续制定处理策略提供数据支持。
基于K组区域水质监测结果调用获得K个区域水体图像集,并将所述K个区域水体图像集同步至食物残留分析子网络,获得K组区域食物残留参数;
K组区域水质监测结果是指K个不同区域的水质监测结果,根据所述水质检测结果调用获得K个区域水体图像集,所述K个区域水体图像集由监测装置获得,食物残留分析子网络是指通过投放食物量和所述目标养殖环境进行构建的模型,通过输入所述K个水体图像集经过所述食物残留分析子网络输出食物残留参数,其中食物残留参数是指所述食物占所述目标养殖环境的面积比例。通过K组区域水质监测结果调用获得K个区域水体图像集,再将所述K个区域水体图像集同步至食物残留分析子网络,获得K组区域食物残留参数,通过获取K组区域食物残留参数,为后续获得第二环境识别结果以及制定处理策略做出了铺垫。
交互获得多张样本水体图像,其中,所述多张样本水体图像具有多个食物残留量标识;
对所述多张样本水体图像进行背景分割,获得多张样本食物分布图;
对所述多张样本食物分布图进行面积占比计算,获得多个食物占比参数;
构建根据所述多个食物残留量标识和所述多个食物占比参数构建多个残留特征函数进行所述多张样本水体图像的二次标识,获得多组样本水体图像-残留特征函数;
基于反向传播神经网络构建所述食物残留分析子网络,并采用所述多组样本水体图像-残留特征函数进行食物残留分析子网络的监督训练。
多张样本水体图像是指根据所述目标养殖环境1:1复刻一个新的人工池塘,使用不同量的食物进行投放,例如1kg、2kg等,投放后进行搅拌使其均匀分布在所述新的人工池塘中,使用监测装置进行图像采集,每张图像都标注着投放的食物;对所述多张样本水体图像进行背景分割,其中背景分割是指去掉所述多张样本水体图像中的杂草、悬浮颗粒、浮游生物等,为了排数这些因素的干扰,获得多张样本食物分布图;对食物占所述多张样本食物分布图的面积比值进行计算,获得多个食物占比参数,即不同投放食物量在相同面积下的不同占比面积;残留特征函数是指所述多张样本水体图像中食物像素占比与实际水体食物质量的函数关系,获得多张图像的多组函数,进行均值计算,作为标准情况,即,一个水体拍摄所获图像的食物像素占比是多少,结合函数,直接能计算获得实际水体食物质量,将所述多个残留特征函数进行所述多张样本水体图像的二次标识,即通过所述多个残留特征函数求出所述多张样本水体图像的实际水体食物质量,并对所述多张样本水体图像进行标注识别,获得多组样本水体图像残留特征函数;反向传播通过导数链式法则计算损失函数对各参数的梯度,并根据梯度进行参数的更新,所述食物残留分析子网络,通过输入区域水体图像集,在所述食物残留分析子网络中根据所述多组样本水体图像-残留特征函数得到实际水体食物质量,将所述多组样本水体图像和所述多组样本水体图像的实际水体食物质量对所述食物残留分析子网络进行监督训练。通过所述多张样本水体图像和多个食物占比参数的计算,获得多个残留特征函数,根据所述多个残留特征函数获得多组样本水体图像-残留特征函数,构建所述食物残留分析子网络,并根据所述多组样本水体图像-残留特征函数进行食物残留分析子网络的监督训练,通过对食物残留分析子网络的构建,达到了提高所述食物残留分析子网络的准确率的效果。
所述K组养殖监测组合装置包括K个图像采集装置;
预设水体环境采集窗口,交互获得投食节点,并基于所述投食节点和所述水体环境采集窗口生成激活节点;
基于所述激活节点进行所述K个图像采集装置的运行激活,获得所述K个区域水体图像集;
基于所述K个区域水体图像集调用获得第一区域水体图像集;
将所述第一区域水体图像集同步至所述食物残留分析子网络,获得第一组区域食物残留参数,其中,所述第一组区域食物残留参数基于图像采集时间排序;
以此类推,将所述K个区域水体图像集同步至所述食物残留分析子网络,获得所述K组区域食物残留参数。
所述K组养殖监测组合装置包括K个图像采集装置,水体环境采集窗口是指由工作人员自行设定的采集窗口,交互获得投食节点,其中投食节点是指向所述目标养殖环境内投放食物的点,一般来说是在所述目标养殖环境中心点;并基于所述投食节点和所述水体环境采集窗口生成激活节点,激活是指节点从不活跃状态变为活跃状态表示该节点接收了对应实体,本申请中是指通过所述节点对所述K个图像采集装置的运行进行激活,通过所述K个图像采集装置采集到K个区域水体图像集,基于所述K个区域水体图像集调用任意区域水体图像集记作第一区域水体图像集,将所述第一区域水体图像集同步至所述食物残留分析子网络,获得第一组区域食物残留参数,其中,所述第一组区域食物残留参数基于图像采集时间排序;根据以上技术,将所述K个区域水体图像集同步至所述食物残留分析子网络,获得所述K组区域食物残留参数,所述K组区域食物残留参数基于图像采集时间排序。所述K组养殖监测组合装置基于所述激活节点进行所述K个图像采集装置的运行激活,获得所述K个区域水体图像集,再通过所述K个区域水体图像集和所述食物残留分析子网络进行整合,获得所述K组区域食物残留参数。通过获取所述K组区域食物残留参数,为后续获得第二环境识别结果提供了支持。
预构建残留均值计算函数,并将所述K组区域食物残留参数同步至所述残留均值计算函数,获得第二环境识别结果;
残留均值计算函数是指计算所述目标养殖环境中所述K组区域食物残留参数的均值,并将所述K组区域食物残留参数同步至所述残留均值计算函数,获得第二环境识别结果,其中第二环境识别结果是用来判断所述目标养殖环境中食物投放的情况,为后续针对所述第二环境识别结果制定处理策略做出了贡献。
对所述养殖环境监测空间进行空间中心定位,获得监测中心坐标;
基于所述养殖环境监测空间获得所述K组监测调节装置的K个监测节点坐标;
根据所述监测中心坐标和所述K个监测节点坐标计算获得K个监测偏差角;
基于图像采集时间对所述K组区域食物残留参数进行二级排序,获得多组同步食物残留参数;
预构建所述残留均值计算函数,所述残留均值计算函数如下:
其中,cos(θi)为第i个监测偏差角的位置关系余弦值,FDi为第i个区域食物残留参数,Wi为第i个区域监测调节权重,CW为监测中心调节权重;
将所述多组同步食物残留参数同步至所述残留均值计算函数,计算获得多个同步残留均值;
所述多个同步残留均值,构成所述第二环境识别结果。
空间中心定位是指从俯视的角度得到所述养殖环境监测空间的中心点,然后获得所述中心点的监测中心坐标,基于所述养殖环境监测空间获得所述K组监测调节装置的K个监测节点坐标;监测偏差角是指所述检测中心坐标和所述K个监测节点坐标的角度,基于图像采集时间对所述K组区域食物残留参数进行二级排序,其中二级排序是因为上述技术中对所述第一组区域食物残留参数进行过排序,获得多组同步食物残留参数;预构建所述残留均值计算函数,所述残留均值计算函数如下:其中,cos(θi)为第i个监测偏差角的位置关系余弦值,FDi为第i个区域食物残留参数,Wi为第i个区域监测调节权重,CW为监测中心调节权重,第i个监测偏差角的位置关系余弦值代表所述第i个监测偏差角到所述监测中心坐标的距离,第i个区域食物残留参数是指所述K组区域食物残留参数中第i组的数据,第i个区域监测调节权重,所述权重根据所述监测中心坐标和所述K个监测节点坐标距离分配,越靠近中心点所述权重分配越大,越靠近边缘权重分配越小;将所述多组同步食物残留参数同步至所述残留均值计算函数,计算获得多个同步残留均值,多个同步残留均值是指所述养殖环境监测空间内所述K组食物残留参数在同一时间段的平均值,通过获取所述多个同步残留均值,对所述多个同步残留均值进行计算,得到所述目标养殖环境中食物残留物,获得所述第二环境识别结果,其中第二环境识别结果是用来判断所述目标养殖环境中的食物残留情况的。通过对所述多个同步残留均值的获取,构建了第二环境识别结果,为后续制定处理策略的提供了铺垫。
根据所述第一环境识别结果和所述第二环境识别结果生成目标环境处理策略。
目标环境处理策略是指根据所述第一环境识别结果和所述第二环境识别结果进行调节的,首先分析所述第一环境识别结果,根据所述区域水质监测结果对水质进行针对调节,然后根据所述第二环境识别结果对所述目标养殖环境的食物投喂方式进行分析决策,两者进行整合分析得到目标环境处理策略,通过对所述第一环境识别结果和所述第二环境识别结果进行分析整合,得到了目标环境处理策略,通过获取目标环境处理策略,达到了保护生态环境,提高养殖产量的技术效果。
根据所述N个水质偏差区域集进行区域关联分析,获得N组水质调节区域;
基于所述多个同步残留均值计算获得食物残留下降系数;
预设食物残留下降阈值,并判断所述食物残留下降系数是否满足所述食物残留下降阈值;
若所述食物残留下降系数满足所述食物残留下降阈值,则所述N组水质调节区域构成所述目标环境处理策略;
若所述食物残留下降系数不满足所述食物残留下降阈值,则生成食物投放调节指令,所述食物投放调节指令和所述N组水质调节区域构成所述目标环境处理策略。
区域关联分析是指对所述N个水质偏差区域集的水质问题进行关联分析,例如有A、B、C、D、E五个水质偏差区域,其中A、B是水温不符合要求,C、D是pH值不符合要求,E是含氧量不符合要求,所述A、B属于同一组水质调节区域,以此类推获得三组水质调节区域,所述水质调节区域旨在对水质问题进行同步调节,达到节约能源的效果;食物残留下降系数是指找出所述食物残留与时间的函数关系,例如提供一个函数关系式,Y=kX,其中Y为食物残留,X为时间,k为食物残留下降系数;食物残留下降阈值是工作人员根据专家经验设置的数据,用来判断所述食物残留下降系数是否满足所述食物残留下降阈值,若满足,证明食物投放的策略是合适的,不需要进行调节,则所述目标环境处理策略仅包括所述N组水质调节区域,若不满足,则生成食物投放调节指令,所述食物投放调节指令是用来调控食物的投放量的,根据食物残留下降系数进行计算获得,所述食物投放调节指令和所述N组水质调节区域构成所述目标环境处理策略,需要注意的是,所述N组水质调节区域和所述食物投放调节指令存在先后关系,先判断所述水质调节区域,再进行食物投放调节指令。本申请解决了现有技术中存在水产养殖环境不佳,容易造成环境污染,降低目标产量的技术问题,达到了保护生态环境,提高目标产量的技术效果。
如图3所示,本申请还提供了水产养殖环境识别和处理策略制定系统,所述系统包括:
目标养殖类型获得模块11,所述目标养殖类型获得模块11用于交互确定目标养殖环境的实时养殖类型,获得目标养殖类型;
监测装置布设策略预构建模块12,所述监测装置布设策略预构建模块12用于预构建监测装置布设策略,其中,所述监测装置布设策略根据所述目标养殖类型和所述目标养殖环境构建生成;
养殖环境监测空间获得模块13,所述养殖环境监测空间获得模块13用于基于所述监测装置布设策略对所述目标养殖环境进行监测装置布设,获得养殖环境监测空间,其中,所述养殖环境监测空间包括K组养殖监测组合装置,K为正整数;
实时水质监测信息获得模块14,所述实时水质监测信息获得模块14用于基于所述养殖环境监测空间对所述目标养殖环境进行实时监测,获得实时水质监测信息,其中,所述实时水质监测信息包括K组区域水质监测结果;
环境识别结果获得模块15,所述环境识别结果获得模块15用于根据所述目标养殖类型确定水质监测约束,并基于所述水质监测约束遍历所述K组区域水质监测结果,获得第一环境识别结果;
区域食物残留参数获得模块16,所述区域食物残留参数获得模块16用于基于K组区域水质监测结果调用获得K个区域水体图像集,并将所述K个区域水体图像集同步至食物残留分析子网络,获得K组区域食物残留参数;
残留均值计算函数构建模块17,所述残留均值计算函数构建模块17用于预构建残留均值计算函数,并将所述K组区域食物残留参数同步至所述残留均值计算函数,获得第二环境识别结果;
目标环境处理策略生成模块18,所述目标环境处理策略生成模块18用于根据所述第一环境识别结果和所述第二环境识别结果生成目标环境处理策略。
进一步地,本申请实施例还包括:
目标深度参数获得模块,所述目标深度参数获得模块用于获得所述目标养殖环境的目标深度参数;
活动深度习性获得模块,所述活动深度习性活动模块用于交互获得所述目标养殖类型的活动深度习性;
目标监测深度区间确定模块,所述目标监测深度区间确定模块用于根据所述目标深度参数和所述活动深度习性确定目标监测深度区间;
养殖环境监测空间包括模块,所述养殖环境监测空间包括模块用于所述养殖环境监测空间包括K组监测调节装置,其中,所述K组监测调节装置和所述K组养殖监测组合装置关联配置,每组监测调节装置包括M个调节子装置;
有效调节范围确定模块,所述有效调节范围确定模块用于交互确定所述M个调节子装置的M个有效调节范围;
调节范围极值获得模块,所述调节范围极值获得模块用于序列化所述M个有效调节范围,获得调节范围极值;
监测装置布设策略生成模块,所述监测装置布设策略生成模块用于根据所述调节范围极值和所述目标深度参数生成所述监测装置布设策略。
进一步地,本申请实施例还包括:
水质监测合格约束包含模块,所述水质监测合格约束包含模块用于所述水质监测约束包括N项水质监测合格参数,其中,所述N项水质监测合格参数与N项水质监测指标关联映射;
水质偏差区域集获得模块,所述水质偏差区域集获得模块用于基于所述N项水质监测合格参数调用获得第一水质监测合格参数,并采用所述第一水质监测合格参数对应遍历所述K组区域水质监测结果,获得第一水质偏差区域集,其中,所述第一水质偏差区域集中每个水质偏差区域具有空间位置标识;
水质监测结果遍历模块,所述水质监测结果遍历模块用于以此类推,基于所述N项水质监测合格参数逐一映射遍历所述K组区域水质监测结果,获得N个水质偏差区域集;
环境识别结果构成模块,所述环境识别结果构成模块用于所述N个水质偏差区域集构成所述第一环境识别结果。
进一步地,本申请实施例还包括:
食物残留量标识模块,所述食物残留量标识模块用于交互获得多张样本水体图像,其中,所述多张样本水体图像具有多个食物残留量标识;
样本食物分布图获得模块,所述样本食物分布图获得模块用于对所述多张样本水体图像进行背景分割,获得多张样本食物分布图;
食物占比参数获得模块,所述食物占比参数获得模块用于对所述多张样本食物分布图进行面积占比计算,获得多个食物占比参数;
样本水体图像-残留特征函数获得模块,所述样本水体图像-残留特征函数获得模块用于构建根据所述多个食物残留量标识和所述多个食物占比参数构建多个残留特征函数进行所述多张样本水体图像的二次标识,获得多组样本水体图像-残留特征函数;
子网络监督训练模块,所述子网络监督训练模块用于基于反向传播神经网络构建所述食物残留分析子网络,并采用所述多组样本水体图像-残留特征函数进行食物残留分析子网络的监督训练。
进一步地,本申请实施例还包括:
养殖监测组合装置包含模块,所述养殖监测组合装置包含模块用于所述K组养殖监测组合装置包括K个图像采集装置;
水体环境采集窗口预设模块,所述水体环境采集窗口预设模块用于预设水体环境采集窗口,交互获得投食节点,并基于所述投食节点和所述水体环境采集窗口生成激活节点;
区域水体图像集获得模块,所述区域水体图像集获得模块用于基于所述激活节点进行所述K个图像采集装置的运行激活,获得所述K个区域水体图像集;
区域水体图像集调用模块,所述区域水体图像集调用模块用于基于所述K个区域水体图像集调用获得第一区域水体图像集;
区域食物残留参数获得模块,所述区域食物残留参数获得模块用于将所述第一区域水体图像集同步至所述食物残留分析子网络,获得第一组区域食物残留参数,其中,所述第一组区域食物残留参数基于图像采集时间排序;
区域水体图像集同步模块,所述区域水体图像集同步模块用于以此类推,将所述K个区域水体图像集同步至所述食物残留分析子网络,获得所述K组区域食物残留参数。
进一步地,本申请实施例还包括:
监测中心坐标获得模块,所述监测中心坐标获得模块用于对所述养殖环境监测空间进行空间中心定位,获得监测中心坐标;
监测节点坐标获得模块,所述监测节点坐标获得模块用于基于所述养殖环境监测空间获得所述K组监测调节装置的K个监测节点坐标;
监测偏差角获得模块,所述监测偏差角获得模块用于根据所述监测中心坐标和所述K个监测节点坐标计算获得K个监测偏差角;
同步食物残留参数获得模块,所述同步食物残留参数获得模块用于基于图像采集时间对所述K组区域食物残留参数进行二级排序,获得多组同步食物残留参数;
残留均值计算函数构建模块,所述残留均值计算函数构建模块用于预构建所述残留均值计算函数,所述残留均值计算函数如下:
其中,cos(θi)为第i个监测偏差角的位置关系余弦值,FDi为第i个区域食物残留参数,Wi为第i个区域监测调节权重,CW为监测中心调节权重;
同步残留均值获得模块,所述同步残留均值获得模块用于将所述多组同步食物残留参数同步至所述残留均值计算函数,计算获得多个同步残留均值;
同步残留均值构成模块,所述同步残留均值构成模块用于所述多个同步残留均值,构成所述第二环境识别结果。
进一步地,本申请实施例还包括:
水质调节区域获得模块,所述水质调节区域获得模块用于根据所述N个水质偏差区域集进行区域关联分析,获得N组水质调节区域;
食物残留下降系数获得模块,所述食物残留下降系数获得模块用于基于所述多个同步残留均值计算获得食物残留下降系数;
食物残留下降阈值预设模块,所述食物残留下降阈值预设模块用于预设食物残留下降阈值,并判断所述食物残留下降系数是否满足所述食物残留下降阈值;
目标环境处理策略构成模块,所述目标环境处理策略构成模块用于若所述食物残留下降系数满足所述食物残留下降阈值,则所述N组水质调节区域构成所述目标环境处理策略;
食物投放调节指令生成模块,所述食物投放调节至零生成模块用于若所述食物残留下降系数不满足所述食物残留下降阈值,则生成食物投放调节指令,所述食物投放调节指令和所述N组水质调节区域构成所述目标环境处理策略。
关于水产养殖环境识别和处理策略制定系统的具体实施例可以参见上文中对于水产养殖环境识别和处理策略制定方法的实施例,在此不再赘述。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.水产养殖环境识别和处理策略制定方法,其特征在于,所述方法包括:
交互确定目标养殖环境的实时养殖类型,获得目标养殖类型;
预构建监测装置布设策略,其中,所述监测装置布设策略根据所述目标养殖类型和所述目标养殖环境构建生成;
基于所述监测装置布设策略对所述目标养殖环境进行监测装置布设,获得养殖环境监测空间,其中,所述养殖环境监测空间包括K组养殖监测组合装置,K为正整数;
基于所述养殖环境监测空间对所述目标养殖环境进行实时监测,获得实时水质监测信息,其中,所述实时水质监测信息包括K组区域水质监测结果;
根据所述目标养殖类型确定水质监测约束,并基于所述水质监测约束遍历所述K组区域水质监测结果,获得第一环境识别结果;
基于K组区域水质监测结果调用获得K个区域水体图像集,并将所述K个区域水体图像集同步至食物残留分析子网络,获得K组区域食物残留参数;
预构建残留均值计算函数,并将所述K组区域食物残留参数同步至所述残留均值计算函数,获得第二环境识别结果;
根据所述第一环境识别结果和所述第二环境识别结果生成目标环境处理策略。
2.如权利要求1所述的方法,其特征在于,预构建监测装置布设策略,其中,所述监测装置布设策略根据所述目标养殖类型和所述目标养殖环境构建生成,所述方法还包括:
获得所述目标养殖环境的目标深度参数;
交互获得所述目标养殖类型的活动深度习性;
根据所述目标深度参数和所述活动深度习性确定目标监测深度区间;
所述养殖环境监测空间包括K组监测调节装置,其中,所述K组监测调节装置和所述K组养殖监测组合装置关联配置,每组监测调节装置包括M个调节子装置;
交互确定所述M个调节子装置的M个有效调节范围;
序列化所述M个有效调节范围,获得调节范围极值;
根据所述调节范围极值和所述目标深度参数生成所述监测装置布设策略。
3.如权利要求2所述的方法,其特征在于,根据所述目标养殖类型确定水质监测约束,并基于所述水质监测约束遍历所述K组区域水质监测结果,获得第一环境识别结果,所述方法还包括:
所述水质监测约束包括N项水质监测合格参数,其中,所述N项水质监测合格参数与N项水质监测指标关联映射;
基于所述N项水质监测合格参数调用获得第一水质监测合格参数,并采用所述第一水质监测合格参数对应遍历所述K组区域水质监测结果,获得第一水质偏差区域集,其中,所述第一水质偏差区域集中每个水质偏差区域具有空间位置标识;
以此类推,基于所述N项水质监测合格参数逐一映射遍历所述K组区域水质监测结果,获得N个水质偏差区域集;
所述N个水质偏差区域集构成所述第一环境识别结果。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
交互获得多张样本水体图像,其中,所述多张样本水体图像具有多个食物残留量标识;
对所述多张样本水体图像进行背景分割,获得多张样本食物分布图;
对所述多张样本食物分布图进行面积占比计算,获得多个食物占比参数;
构建根据所述多个食物残留量标识和所述多个食物占比参数构建多个残留特征函数进行所述多张样本水体图像的二次标识,获得多组样本水体图像-残留特征函数;
基于反向传播神经网络构建所述食物残留分析子网络,并采用所述多组样本水体图像-残留特征函数进行食物残留分析子网络的监督训练。
5.如权利要求4所述的方法,其特征在于,基于K组区域水质监测结果调用获得K个区域水体图像集,并将所述K个区域水体图像集同步至食物残留分析子网络,获得K组区域食物残留参数,所述方法还包括:
所述K组养殖监测组合装置包括K个图像采集装置;
预设水体环境采集窗口,交互获得投食节点,并基于所述投食节点和所述水体环境采集窗口生成激活节点;
基于所述激活节点进行所述K个图像采集装置的运行激活,获得所述K个区域水体图像集;
基于所述K个区域水体图像集调用获得第一区域水体图像集;
将所述第一区域水体图像集同步至所述食物残留分析子网络,获得第一组区域食物残留参数,其中,所述第一组区域食物残留参数基于图像采集时间排序;
以此类推,将所述K个区域水体图像集同步至所述食物残留分析子网络,获得所述K组区域食物残留参数。
6.如权利要求5所述的方法,其特征在于,预构建残留均值计算函数,并将所述K组区域食物残留参数同步至所述残留均值计算函数,获得第二环境识别结果,所述方法还包括:
对所述养殖环境监测空间进行空间中心定位,获得监测中心坐标;
基于所述养殖环境监测空间获得所述K组监测调节装置的K个监测节点坐标;
根据所述监测中心坐标和所述K个监测节点坐标计算获得K个监测偏差角;
基于图像采集时间对所述K组区域食物残留参数进行二级排序,获得多组同步食物残留参数;
预构建所述残留均值计算函数,所述残留均值计算函数如下:
其中,cos(θi)为第i个监测偏差角的位置关系余弦值,FDi为第i个区域食物残留参数,Wi为第i个区域监测调节权重,CW为监测中心调节权重;
将所述多组同步食物残留参数同步至所述残留均值计算函数,计算获得多个同步残留均值;
所述多个同步残留均值,构成所述第二环境识别结果。
7.如权利要求6所述的方法,其特征在于,根据所述第一环境识别结果和所述第二环境识别结果生成目标环境处理策略,所述方法还包括:
根据所述N个水质偏差区域集进行区域关联分析,获得N组水质调节区域;
基于所述多个同步残留均值计算获得食物残留下降系数;
预设食物残留下降阈值,并判断所述食物残留下降系数是否满足所述食物残留下降阈值;
若所述食物残留下降系数满足所述食物残留下降阈值,则所述N组水质调节区域构成所述目标环境处理策略;
若所述食物残留下降系数不满足所述食物残留下降阈值,则生成食物投放调节指令,所述食物投放调节指令和所述N组水质调节区域构成所述目标环境处理策略。
8.水产养殖环境识别和处理策略制定系统,其特征在于,所述系统包括:
目标养殖类型获得模块,所述目标养殖类型获得模块用于交互确定目标养殖环境的实时养殖类型,获得目标养殖类型;
监测装置布设策略预构建模块,所述监测装置布设策略预构建模块用于预构建监测装置布设策略,其中,所述监测装置布设策略根据所述目标养殖类型和所述目标养殖环境构建生成;
养殖环境监测空间获得模块,所述养殖环境监测空间获得模块用于基于所述监测装置布设策略对所述目标养殖环境进行监测装置布设,获得养殖环境监测空间,其中,所述养殖环境监测空间包括K组养殖监测组合装置,K为正整数;
实时水质监测信息获得模块,所述实时水质监测信息获得模块用于基于所述养殖环境监测空间对所述目标养殖环境进行实时监测,获得实时水质监测信息,其中,所述实时水质监测信息包括K组区域水质监测结果;
环境识别结果获得模块,所述环境识别结果获得模块用于根据所述目标养殖类型确定水质监测约束,并基于所述水质监测约束遍历所述K组区域水质监测结果,获得第一环境识别结果;
区域食物残留参数获得模块,所述区域食物残留参数获得模块用于基于K组区域水质监测结果调用获得K个区域水体图像集,并将所述K个区域水体图像集同步至食物残留分析子网络,获得K组区域食物残留参数;
残留均值计算函数构建模块,所述残留均值计算函数构建模块用于预构建残留均值计算函数,并将所述K组区域食物残留参数同步至所述残留均值计算函数,获得第二环境识别结果;
目标环境处理策略生成模块,所述目标环境处理策略生成模块用于根据所述第一环境识别结果和所述第二环境识别结果生成目标环境处理策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311549537.9A CN117557119A (zh) | 2023-11-21 | 2023-11-21 | 水产养殖环境识别和处理策略制定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311549537.9A CN117557119A (zh) | 2023-11-21 | 2023-11-21 | 水产养殖环境识别和处理策略制定方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117557119A true CN117557119A (zh) | 2024-02-13 |
Family
ID=89820099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311549537.9A Pending CN117557119A (zh) | 2023-11-21 | 2023-11-21 | 水产养殖环境识别和处理策略制定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557119A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787511A (zh) * | 2024-02-28 | 2024-03-29 | 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 |
CN117994063A (zh) * | 2024-04-03 | 2024-05-07 | 江苏海洋大学 | 基于物联网的鱼类养殖水体环境智能化监测系统和方法 |
-
2023
- 2023-11-21 CN CN202311549537.9A patent/CN117557119A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787511A (zh) * | 2024-02-28 | 2024-03-29 | 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 |
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 |
CN117994063A (zh) * | 2024-04-03 | 2024-05-07 | 江苏海洋大学 | 基于物联网的鱼类养殖水体环境智能化监测系统和方法 |
CN117994063B (zh) * | 2024-04-03 | 2024-05-28 | 江苏海洋大学 | 基于物联网的鱼类养殖水体环境智能化监测系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117557119A (zh) | 水产养殖环境识别和处理策略制定方法及系统 | |
JP7033985B2 (ja) | 水生生物生産管理システム | |
CN107667903B (zh) | 基于物联网的畜牧养殖活体体重监测方法 | |
Vanreusel et al. | When functional habitat does not match vegetation types: a resource-based approach to map butterfly habitat | |
Ponchon et al. | Breeding failure induces large scale prospecting movements in the black-legged kittiwake | |
CN115067243A (zh) | 一种基于物联网技术的渔业监测分析方法、系统及存储介质 | |
CN110402880A (zh) | 一种水产养殖中水质环境原位修复信息处理系统及方法 | |
Akimova et al. | Spatiotemporal dynamics of predators and survival of marine fish early life stages: Atlantic cod (Gadus morhua) in the North Sea | |
CN110910067A (zh) | 一种结合深度学习与Q-learning的活鱼运输水质智能调控方法和系统 | |
Kneebone et al. | An assessment of juvenile sand tiger (Carcharias taurus) activity patterns in a seasonal nursery using accelerometer transmitters | |
CN109006652A (zh) | 一种基于物联网的罗非鱼制种育苗系统及方法 | |
Moody et al. | The analysis of the spacing of animals, with an example based on oystercatchers during the tidal cycle | |
Lee et al. | Multivariate analysis and self-organizing mapping applied to analysis of nest-site selection in Black-tailed Gulls | |
CN114065801B (zh) | 基于神经网络模型的土壤监测方法、系统和可读存储介质 | |
CN109992024A (zh) | 智能水产养殖系统 | |
Rahman et al. | Application of machine learning techniques in aquaculture | |
CN106305595A (zh) | 鹅选育中个体产蛋性能测定方法及个体产蛋笼 | |
Paudel et al. | Individual pigs’ identification using deep learning. | |
Caubet et al. | NEIGHBOUR-IN: Image processing software for spatial analysis of animal grouping | |
CN111582642B (zh) | 一种鱼类最适环境判断方法、电子设备及存储介质 | |
Vasechkina | Coupled physical biological model of shellfish mariculture | |
Lin et al. | Application and Development of Shrimp Farming Intelligent Monitoring System on Edge Computing | |
AU2021100096A4 (en) | Ai-based crop recommendation system for smart farming towards agriculture 5.0 | |
Palomo et al. | Land usage classification: a hierarchical neural network approach | |
CN110199945B (zh) | 一种以远程监控的多场地林蛙智能养殖的管理装置 |
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 |