CN117787511B - 一种工厂化高密度水产养殖监测预警方法及其系统 - Google Patents
一种工厂化高密度水产养殖监测预警方法及其系统 Download PDFInfo
- Publication number
- CN117787511B CN117787511B CN202410221252.0A CN202410221252A CN117787511B CN 117787511 B CN117787511 B CN 117787511B CN 202410221252 A CN202410221252 A CN 202410221252A CN 117787511 B CN117787511 B CN 117787511B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- time sequence
- sequence data
- data
- water body
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 189
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000009360 aquaculture Methods 0.000 title claims abstract description 33
- 244000144974 aquaculture Species 0.000 title claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 258
- 238000012937 correction Methods 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 85
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000000356 contaminant Substances 0.000 claims description 3
- 230000003031 feeding effect Effects 0.000 claims description 2
- 230000008512 biological response Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 230000015654 memory Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 230000037406 food intake Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- -1 PH value Chemical compound 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000016361 genetic disease Diseases 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000006180 nutrition needs Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008621 organismal health Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000033458 reproduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种工厂化高密度水产养殖监测预警方法及其系统，获取水质时序数据、环境时序数据和生物时序数据；训练得到所述监测水体在未来设定时间段内的预估水质数据、预估环境数据和预估生物数据；设置监测水体的初始安全等级；基于调整安全等级设置第一监测参数；通过第一监测参数对监测水体进行图像采集；对第一水体图像进行特征识别；确定第一监测修正参数；根据第一监测修正参数对第一监测参数调整，并基于调整结果再次对进行图像采集；生成第二特征识别结果；得到融合特征识别结果；生成第一预警信息。本申请可以优化数据采集和数据监测能力，充分考虑监测变量的相关性，提高预测的准确率以及加强预警效果。
Description
技术领域
本申请涉及水产养殖领域，具体涉及一种工厂化高密度水产养殖监测预警方法及其系统。
背景技术
工厂化高密度水产养殖是一种将传统渔业与现代科学技术相结合的新型养殖模式。这种养殖模式利用现代化的科技手段，对水产品进行高密度、集约化的生产。工厂化高密度水产养殖的养殖方式包括建立水体循环的封闭养殖工厂，通过一系列的生物、化学和物理手段对养殖水体进行监测和控制，创造出最适宜养殖品种生长的水体环境，使养殖品种在最佳环境下达到最快生产速度，从而使单位体积水体产量获得极大的提高。
随着人们生活水平的提高，对水产品的需求量不断增加，工厂化高密度水产养殖逐渐成为一种重要的养殖方式。然而，在养殖过程中，水质恶化、病害等问题常常导致养殖效益下降。因此，对水产养殖进行实时监测和预警，及时发现并解决问题，是提高养殖效益的重要手段。
目前，已有的监测预警系统大多采用单一传感器进行水质参数的监测，数据采集不全面，监测数据不够全面和完整，不利于后续监测和预警；同时，现有系统没有考虑监测变量的相关性，最终预测的准确率较低，无疑影响了预警效果。
因此，本发明的目的在于提供一种工厂化高密度水产养殖监测预警方法及其系统，以解决现有技术存在的问题。
发明内容
本申请的目的是提供一种工厂化高密度水产养殖监测预警方法及其系统，以优化数据采集和数据监测能力，充分考虑监测变量的相关性，提高预测的准确率以及加强预警效果。
第一方面，本申请实施例提供了一种工厂化高密度水产养殖监测预警方法，包括：
获取监测水体在历史时间段内的水质时序数据、环境时序数据和生物时序数据；
对水质时序数据、环境时序数据和生物时序数据进行预处理后，输入预先训练的水体预测模型，得到所述监测水体在未来设定时间段内的预估水质数据、预估环境数据和预估生物数据；
水体预测模型是通过监测水体的历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本对基于时间动态协同注意力机制的神经网络进行训练得到的；
设置监测水体的初始安全等级；
读取水质时序数据和环境时序数据，基于水质时序数据和环境时序数据进行初始安全等级的等级调整，获得调整安全等级，基于调整安全等级设置第一监测参数；
通过第一监测参数对监测水体进行图像采集，获得第一水体图像；
对第一水体图像进行特征识别，生成第一特征识别结果；
根据第一特征识别结果、预估水质数据和预估环境数据确定第一监测修正参数；
根据第一监测修正参数对第一监测参数调整，并基于调整结果再次对进行图像采集，获得第二水体图像；
对第二水体图像进行特征识别，生成第二特征识别结果；
融合第一特征识别结果和第二特征识别结果，得到融合特征识别结果；
根据融合特征识别结果、预估水质数据和预估生物数据识别结果生成第一预警信息。
所述的方法，按照以下方式预先训练所述预测模型：
获取监测水体的历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本；
对历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本进行所述预处理后，将历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本分别转化为水质有监督数据、环境有监督数据和生物有监督数据；
将水质有监督数据、环境有监督数据和生物有监督数据输入神经网络进行训练，在达到预设训练截止条件后得到预测模型。
所述神经网络包括顺序连接的输入单元、嵌入单元、循环单元、注意力单元、协同单元、全连接单元和输出单元。
所述的方法在所述生成第一预警信息之后，还包括：
读取水质时序数据和生物时序数据，基于水质时序数据和生物时序数据进行初始安全等级的等级调整，获得调整安全等级，基于调整安全等级设置第二监测参数；
通过第二监测参数对监测水体进行饲料投喂，获得第一参数向量；
根据第一参数向量、预估水质数据和预估生物数据确定第二监测修正参数；
根据第二监测修正参数对第二监测参数调整，并基于调整结果再次对监测水体进行饲料投喂，获得第二参数向量；
根据融合特征识别结果、第一参数向量和第二参数向量生成第二预警信息。
在所述根据融合特征识别结果、第一参数向量和第二参数向量生成第二预警信息之后，还包括：
将第一参数向量和第二参数向量进行融合，得到融合参数向量；
根据融合特征识别结果、第一参数向量、第二参数向量和融合参数向量生成第三预警信息。
所述的方法，根据所述第一预警信息、第二预警信息和第三预警信息，获得综合预警信息。
所述的方法，在所述获得综合预警信息之后，还包括：
若所述综合预警信息超过预设阈值，则生成监测水体对应的监测标识；
针对带有监测标识的监测水体，获取综合预警信息对应的第三参数向量以及灾害防护措施对应的第四参数向量；
计算第三参数向量和第四参数向量之间的关联度；
基于第三参数向量和第四参数向量之间的关联度，构建综合预警信息与灾害防护的映射关系。
所述的方法，在所述构建综合预警信息与灾害防护的映射关系之后，还包括：基于监测标识对不同的监测水体进行关联预警。
所述基于监测标识对不同的监测水体进行关联预警，包括：
基于第二水体图像获取监测生物特征；
获取所有带监测标识的监测水体之间的相对距离，并将相对距离在预设值内的监测水体进行聚类，定义为重点监测区域；
对重点监测区域的监测生物特征进行结合，并使用灰色关联法获取重点监测区域监测生物特征之间的关联值，若关联值大于预设值，则重点监测区域生成监测生物特征异常信号。
第二方面，本申请实施例提供了一种工厂化高密度水产养殖监测预警系统，包括：
第一获取模块，用于获取监测水体在历史时间段内的水质时序数据、环境时序数据和生物时序数据；
训练模块，用于对水质时序数据、环境时序数据和生物时序数据进行预处理后，输入预先训练的水体预测模型，得到所述监测水体在未来设定时间段内的预估水质数据、预估环境数据和预估生物数据；
水体预测模型是通过监测水体的历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本对基于时间动态协同注意力机制的神经网络进行训练得到的；
设置模块，用于设置监测水体的初始安全等级；
第一读取模块，用于读取水质时序数据和环境时序数据，基于水质时序数据和环境时序数据进行初始安全等级的等级调整，获得调整安全等级，基于调整安全等级设置第一监测参数；
第一采集模块，用于通过第一监测参数对监测水体进行图像采集，获得第一水体图像；
第一识别模块，用于对第一水体图像进行特征识别，生成第一特征识别结果；
第一修正模块，用于根据第一特征识别结果、预估水质数据和预估环境数据确定第一监测修正参数；
第二采集模块，用于根据第一监测修正参数对第一监测参数调整，并基于调整结果再次对进行图像采集，获得第二水体图像；
第二识别模块，用于对第二水体图像进行特征识别，生成第二特征识别结果；
融合特征模块，用于融合第一特征识别结果和第二特征识别结果，得到融合特征识别结果；
第一预警模块，用于根据融合特征识别结果、预估水质数据和预估生物数据识别结果生成第一预警信息。
相较于现有技术，本申请提供的一种工厂化高密度水产养殖监测预警方法及其系统，获取监测水体在历史时间段内的水质时序数据、环境时序数据和生物时序数据；对水质时序数据、环境时序数据和生物时序数据进行预处理后，输入预先训练的水体预测模型，得到所述监测水体在未来设定时间段内的预估水质数据、预估环境数据和预估生物数据；水体预测模型是通过监测水体的历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本对基于时间动态协同注意力机制的神经网络进行训练得到的；设置监测水体的初始安全等级；读取水质时序数据和环境时序数据，基于水质时序数据和环境时序数据进行初始安全等级的等级调整，获得调整安全等级，基于调整安全等级设置第一监测参数；通过第一监测参数对监测水体进行图像采集，获得第一水体图像；对第一水体图像进行特征识别，生成第一特征识别结果；根据第一特征识别结果、预估水质数据和预估环境数据确定第一监测修正参数；根据第一监测修正参数对第一监测参数调整，并基于调整结果再次对进行图像采集，获得第二水体图像；对第二水体图像进行特征识别，生成第二特征识别结果；融合第一特征识别结果和第二特征识别结果，得到融合特征识别结果；根据融合特征识别结果、预估水质数据和预估生物数据识别结果生成第一预警信息；不仅优化了数据采集和数据监测能力，使监测数据更加全面和完整，而且能够显著地提高，充分考虑了监测变的相关性，令预测结果准确性更高且更可靠，显著地加强了系统的监测预警效果。
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，而并不认为是对本申请的限制。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示出了本申请所提供的一种工厂化高密度水产养殖监测预警方法的流程图；
图2示出了本申请所提供的一种工厂化高密度水产养殖监测预警系统的示意图；
图3示出了本申请所提供的一种电子设备的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
另外，术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参考图1，图1是本申请实施例提供的一种工厂化高密度水产养殖监测预警方法的流程图，包括以下步骤：
S101、获取监测水体在历史时间段内的水质时序数据、环境时序数据和生物时序数据；
S102、对水质时序数据、环境时序数据和生物时序数据进行预处理后，输入预先训练的水体预测模型，得到所述监测水体在未来设定时间段内的预估水质数据、预估环境数据和预估生物数据；其中，预处理包括数据清洗和归一化处理等操作；水质时序数据是历史时间段内的水质数据按照设定分辨率构成的时间序列数据。分辨率可以设置为小时、日、周或月等具体时间间隔。例如，将水质数据统计为分辨率为每天的水质时序数据；同理可以得到环境时序数据和生物时序数据。
以上水质数据是工厂化高密度水产养殖中最核心的数据之一，可以是盐度、溶解氧、PH值、氨氮含量等；环境数据可以是水温、光照、湿度、风速或气压等；生物数据具体可以是生长数据、健康状况、繁殖数据、种群结构、摄食和消化数据等。
在本实施例中，水体预测模型是通过监测水体的历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本对基于时间动态协同注意力机制的神经网络进行训练得到的；
S103、设置监测水体的初始安全等级；
S104、读取水质时序数据和环境时序数据，基于水质时序数据和环境时序数据进行初始安全等级的等级调整，获得调整安全等级，基于调整安全等级设置第一监测参数；
S105、通过第一监测参数对监测水体进行图像采集，获得第一水体图像；第一监测参数包括采集图像的角度、频率、采集的区域、使用的传感器类型等；
S106、对第一水体图像进行特征识别，生成第一特征识别结果；第一特征识别结果包括识别水体中的污染物、颜色变化、水流状态等；
S107、根据第一特征识别结果、预估水质数据和预估环境数据确定第一监测修正参数；第一监测修正参数可用于调整图像采集的方式、频率或区域；
S108、根据第一监测修正参数对第一监测参数调整，并基于调整结果再次对进行图像采集，获得第二水体图像；
S109、对第二水体图像进行特征识别，生成第二特征识别结果；第二特征识别结果包括识别水体中的污染物、颜色变化、水流状态等；
S110、融合第一特征识别结果和第二特征识别结果，得到融合特征识别结果，这样可以获得更全面、更准确的水体特征信息；具体可以使用深度学习模型（如卷积神经网络、循环神经网络等）来融合两个特征识别结果；
S111、根据融合特征识别结果、预估水质数据和预估生物数据识别结果生成第一预警信息。
以上对水体图像进行特征识别并生成特征识别结果的过程，涉及一系列图像处理和计算机视觉技术。以下是进行这一步骤的方法：
预处理：首先，可能需要对第二水体图像进行一些预处理，以改善图像质量或突出某些特征。这可能包括去噪、对比度增强、色彩平衡调整等。
图像分割：接下来，可以使用图像分割技术将图像划分为不同的区域或对象。这些区域可能对应于水体中的不同特征，如污染物、浮游植物、悬浮物等。
特征提取：对于每个分割出来的区域或对象，可以提取一系列特征。这些特征可能包括颜色、形状、大小、纹理等。这些特征将用于后续的分类和识别。
特征分类：使用机器学习或深度学习算法，可以根据提取的特征对图像中的各个区域或对象进行分类。例如，可以使用支持向量机（SVM）、随机森林（Random Forest）或深度学习网络（如卷积神经网络CNN）来对水体中的不同物质进行分类。
结果生成：根据分类结果，可以生成第二特征识别结果。此外，还可以将识别结果可视化，以便更直观地了解水体中的特征。
具体地，本申请是按照以下方式预先训练所述预测模型，包括以下步骤：
S201、获取监测水体的历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本；
其中，历史水质时序数据样本是指监测水体的水质历史数据，并统计为分辨率为每天的时序数据。同理可以得到历史环境时序数据样本和历史生物时序数据样本。
S202、对历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本进行所述预处理后，将历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本分别转化为水质有监督数据、环境有监督数据和生物有监督数据；
S203、将水质有监督数据、环境有监督数据和生物有监督数据输入神经网络进行训练，在达到预设训练截止条件后得到预测模型。
示例性地，上述基于时间动态协同注意力机制的神经网络是一种特殊的神经网络结构，它结合了注意力机制和动态协同处理的能力。这种网络结构在处理序列数据或时间序列数据时特别有效，因为它可以动态地关注输入数据中的重要部分，并根据这些部分协同处理信息。
基于时间动态协同注意力机制的神经网络通常包括以下几个关键组成部分：
输入单元：负责接收原始输入数据，并将其转换为网络可以处理的格式。
嵌入单元：对于以上输入的数据，需要使用嵌入单元将输入转换为固定大小的向量表示。
注意力机制单元：这是网络的核心部分，负责计算输入数据的注意力权重。这些权重决定了网络在处理输入时应该重点关注哪些数据，注意力机制单元通常会根据输入数据和时间步长动态地计算注意力权重。
协同处理单元：这一层负责根据注意力权重协同处理输入数据，可使用诸如循环神经网络（RNN）或长短期记忆网络（LSTM）等结构来捕获输入数据中的长期依赖关系。
输出单元：负责生成网络的最终输出。
在神经网络的训练过程中，可以通过反向传播算法不断更新神经元的权重和偏置项，以最小化损失函数并提高模型的性能。
在步骤S111中，在所述生成第一预警信息之后，还包括：
S1111、读取水质时序数据和生物时序数据，基于水质时序数据和生物时序数据进行初始安全等级的等级调整，获得调整安全等级，基于调整安全等级设置第二监测参数；
S1112、通过第二监测参数对监测水体进行饲料投喂，获得第一参数向量；其中，第二监测参数包括投喂的频率、投喂的区域、饲料的类型等；第一参数向量包括投喂量、投喂时间、生物反应等信息等；
S1113、根据第一参数向量、预估水质数据和预估生物数据确定第二监测修正参数；第二监测修正参数是投喂策略的调整（如投喂量、投喂频率等），从而优化饲料利用效率和生物生长性能；
S1114、根据第二监测修正参数对第二监测参数调整，并基于调整结果再次对监测水体进行饲料投喂，获得第二参数向量；第二参数向量可以包括关于生物反应和投喂效果的信息等；
S1115、根据融合特征识别结果、第一参数向量和第二参数向量生成第二预警信息，从而实现全方位地监测和预警。
在步骤S1115中，在所述根据融合特征识别结果、第一参数向量和第二参数向量生成第二预警信息之后，还包括：
S1161、将第一参数向量和第二参数向量进行融合，得到融合参数向量；具体可以采用拼接法，将两个参数向量直接拼接在一起，形成一个更长的向量，融合参数向量 = [第一参数向量, 第二参数向量]；
S1162、根据融合特征识别结果、第一参数向量、第二参数向量和融合参数向量生成第三预警信息，从而得到更加全面的预警消息。
在本申请的一些实施方式中，根据所述第一预警信息、第二预警信息和第三预警信息，获得综合预警信息。综合预警信息的获取通常涉及对多个单一预警信息的整合和分析。在这个过程中，需要考虑到各个预警信息的重要性和相关性，以及它们可能存在的相互影响。下面是一个基于所述第一预警信息、第二预警信息和第三预警信息来获得综合预警信息的基本步骤：
数据收集：首先，收集所有相关的预警信息，包括第一预警信息、第二预警信息和第三预警信息。确保这些信息的准确性和完整性对于后续的分析至关重要。
权重分配：根据各个预警信息的重要性和影响程度，为它们分配相应的权重。这个权重可以根据历史数据、专家意见或统计分析来确定。例如，如果第一预警信息通常更可靠或更关键，那么它可能会被分配更高的权重。
标准化处理：由于各个预警信息可能采用不同的量纲或单位，为了进行比较和整合，需要对它们进行标准化处理。标准化处理可以将各个预警信息转换为统一的尺度或范围，便于后续的计算和分析。
综合计算：根据每个预警信息的权重和标准化值，进行加权平均运算，得到综合预警信息。这个综合预警信息应该能够反映所有单一预警信息的整体情况和趋势。
输出报告：最后，对综合预警信息进行解释和报告。这包括确定预警的级别、可能的影响范围以及建议的应对措施等。解释和报告应该清晰明了，以便决策者能够迅速理解和采取行动。
为了进一步加强监测效果，在所述获得综合预警信息之后，还包括以下步骤：
S1、若所述综合预警信息超过预设阈值，则生成监测水体对应的监测标识；
S2、针对带有监测标识的监测水体，获取综合预警信息对应的第三参数向量以及灾害防护措施对应的第四参数向量；
S3、计算第三参数向量和第四参数向量之间的关联度；具体可以通过皮尔逊相关系数来计算关联度，皮尔逊相关系数是一种现有的计算法，衡量两个向量之间线性关系强度和方向的一种指标。其值范围在-1到1之间，1表示完全正相关，-1表示完全负相关，0表示无关联。
S4、基于第三参数向量和第四参数向量之间的关联度，构建综合预警信息与灾害防护的映射关系。综合预警信息可以是一个简单的二进制信号（如“警告”或“正常”），也可以是一个多级别的指标，如“低度风险”、“中度风险”和“高度风险”。对于每一个预警级别，制定具体的灾害防护措施。这些措施可以包括养殖计划、资源调配、应急响应程序等，确保这些措施与预警级别相匹配，并能够有效地减少病害的影响。
在步骤S4中，在所述构建综合预警信息与灾害防护的映射关系之后，还包括：
基于监测标识对不同的监测水体进行关联预警。
其中，所述基于监测标识对不同的监测水体进行关联预警，具体包括：
S41、基于第二水体图像获取监测生物特征；
具体而言，监测生物特征主要包括以下几个方面：
生长特性：这涉及生物的体长、体重、生长速度等。通过监测这些生长特性，可以评估养殖效果，了解生物是否健康、营养是否充足，以及是否需要进行养殖管理调整。
摄食特性：这涉及生物对饲料的摄取情况，如饵料摄食率、摄食偏好等。这些信息有助于了解生物的营养需求和饲料利用率，从而调整饲料投喂策略。
行为特性：生物的行为模式，如游动、觅食、繁殖等，也是重要的生物特征。这些行为可以反映生物的健康状况、环境适应性以及养殖水体的质量。
生理特性：这包括生物的生理结构、生理功能等，如体色、体表状态、呼吸频率等。这些生理特性可以反映生物的健康状况和对环境的适应性。
遗传特性：对于养殖的生物来说，遗传特性也是一个重要的方面，包括遗传背景、遗传疾病等。了解生物的遗传特性有助于选择适应性更强、生长更快的品种进行养殖。
在养殖过程中，通过对监测生物特征的监测和分析，可以及时发现问题，调整养殖策略，提高养殖效率和生物健康水平。同时，这些监测生物特征也是评估养殖效果和优化养殖管理的重要依据。
S42、获取所有带监测标识的监测水体之间的相对距离，并将相对距离在预设值内的监测水体进行聚类，定义为重点监测区域；
S43、对重点监测区域的监测生物特征进行结合，并使用灰色关联法获取重点监测区域监测生物特征之间的关联值，若关联值大于预设值，则重点监测区域生成监测生物特征异常信号，有助于帮助养殖者及时发现问题并采取相应措施。
本申请实施例提供的方法具有以下有益效果：
相较于现有技术，本申请提供的一种工厂化高密度水产养殖监测预警方法及其系统，获取监测水体在历史时间段内的水质时序数据、环境时序数据和生物时序数据；对水质时序数据、环境时序数据和生物时序数据进行预处理后，输入预先训练的水体预测模型，得到所述监测水体在未来设定时间段内的预估水质数据、预估环境数据和预估生物数据；水体预测模型是通过监测水体的历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本对基于时间动态协同注意力机制的神经网络进行训练得到的；设置监测水体的初始安全等级；读取水质时序数据和环境时序数据，基于水质时序数据和环境时序数据进行初始安全等级的等级调整，获得调整安全等级，基于调整安全等级设置第一监测参数；通过第一监测参数对监测水体进行图像采集，获得第一水体图像；对第一水体图像进行特征识别，生成第一特征识别结果；根据第一特征识别结果、预估水质数据和预估环境数据确定第一监测修正参数；根据第一监测修正参数对第一监测参数调整，并基于调整结果再次对进行图像采集，获得第二水体图像；对第二水体图像进行特征识别，生成第二特征识别结果；融合第一特征识别结果和第二特征识别结果，得到融合特征识别结果；根据融合特征识别结果、预估水质数据和预估生物数据识别结果生成第一预警信息；不仅优化了数据采集和数据监测能力，使监测数据更加全面和完整，而且能够显著地提高，充分考虑了监测变的相关性，令预测结果准确性更高且更可靠，显著地加强了系统的监测预警效果。
在上述的实施例中，提供了一种工厂化高密度水产养殖监测预警方法，与之相对应的，本申请还提供一种工厂化高密度水产养殖监测预警系统。如图2所示，本申请实施例提供的工厂化高密度水产养殖监测预警系统可以实施上述工厂化高密度水产养殖监测预警方法，该工厂化高密度水产养殖监测预警系统可以通过软件、硬件或软硬结合的方式来实现。例如，该工厂化高密度水产养殖监测预警系统可以包括集成的或分开的功能模块或单元来执行上述各方法中的对应步骤，包括：
第一获取模块101，用于获取监测水体在历史时间段内的水质时序数据、环境时序数据和生物时序数据；
训练模块102，用于对水质时序数据、环境时序数据和生物时序数据进行预处理后，输入预先训练的水体预测模型，得到所述监测水体在未来设定时间段内的预估水质数据、预估环境数据和预估生物数据；
水体预测模型是通过监测水体的历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本对基于时间动态协同注意力机制的神经网络进行训练得到的；
设置模块103，用于设置监测水体的初始安全等级；
第一读取模块104，用于读取水质时序数据和环境时序数据，基于水质时序数据和环境时序数据进行初始安全等级的等级调整，获得调整安全等级，基于调整安全等级设置第一监测参数；
第一采集模块105，用于通过第一监测参数对监测水体进行图像采集，获得第一水体图像；
第一识别模块106，用于对第一水体图像进行特征识别，生成第一特征识别结果；
第一修正模块107，用于根据第一特征识别结果、预估水质数据和预估环境数据确定第一监测修正参数；
第二采集模块108，用于根据第一监测修正参数对第一监测参数调整，并基于调整结果再次对进行图像采集，获得第二水体图像；
第二识别模块109，用于对第二水体图像进行特征识别，生成第二特征识别结果；
融合特征模块110，用于融合第一特征识别结果和第二特征识别结果，得到融合特征识别结果；
第一预警模块111，用于根据融合特征识别结果、预估水质数据和预估生物数据识别结果生成第一预警信息。
在本申请的一些实施方式中，本系统是按照以下方式预先训练所述预测模型：
获取监测水体的历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本；
对历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本进行所述预处理后，将历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本分别转化为水质有监督数据、环境有监督数据和生物有监督数据；
将水质有监督数据、环境有监督数据和生物有监督数据输入神经网络进行训练，在达到预设训练截止条件后得到预测模型。
具体而言，所述神经网络包括顺序连接的输入单元、嵌入单元、循环单元、注意力单元、协同单元、全连接单元和输出单元。
在本申请的一些实施方式中，本系统还包括：
第二读取模块，用于读取水质时序数据和生物时序数据，基于水质时序数据和生物时序数据进行初始安全等级的等级调整，获得调整安全等级，基于调整安全等级设置第二监测参数；
第一投喂模块，用于通过第二监测参数对监测水体进行饲料投喂，获得第一参数向量；
第二修正模块，用于根据第一参数向量、预估水质数据和预估生物数据确定第二监测修正参数；
第二投喂模块，用于根据第二监测修正参数对第二监测参数调整，并基于调整结果再次对监测水体进行饲料投喂，获得第二参数向量；
第二预警模块，用于根据融合特征识别结果、第一参数向量和第二参数向量生成第二预警信息。
在本申请的一些实施方式中，本系统还包括：
融合参数模块，用于将第一参数向量和第二参数向量进行融合，得到融合参数向量；
第三预警模块，用于根据融合特征识别结果、第一参数向量、第二参数向量和融合参数向量生成第三预警信息。
为了进一步加强预警效果，本系统还包括综合预警模块，用于根据所述第一预警信息、第二预警信息和第三预警信息，获得综合预警信息。
在本申请的一些实施方式中，本系统还包括：
第一生成模块，若所述综合预警信息超过预设阈值，则用于生成监测水体对应的监测标识；
第二获取模块，用于针对带有监测标识的监测水体，获取综合预警信息对应的第三参数向量以及灾害防护措施对应的第四参数向量；
计算模块，用于计算第三参数向量和第四参数向量之间的关联度；
构建模块，用于基于第三参数向量和第四参数向量之间的关联度，构建综合预警信息与灾害防护的映射关系。
进一步地，本系统还包括：
关联模块，用于基于监测标识对不同的监测水体进行关联预警。
具体地，本系统包括：
第三获取模块，用于基于第二水体图像获取监测生物特征；
聚类模块，用于获取所有带监测标识的监测水体之间的相对距离，并将相对距离在预设值内的监测水体进行聚类，定义为重点监测区域；
第二生成模块，用于对重点监测区域的监测生物特征进行结合，并使用灰色关联法获取重点监测区域监测生物特征之间的关联值，若关联值大于预设值，则重点监测区域生成监测生物特征异常信号。
本申请实施例提供的工厂化高密度水产养殖监测预警系统与本申请实施例提供的基于预训练模型的工厂化高密度水产养殖监测预警方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的方法对应的电子设备，所述电子设备可以是用于客户端的电子设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行上述方法。
请参考图3，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图3所示，所述电子设备20包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的方法。
其中，存储器201可能包含高速随机存取存储器（RAM：Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口203（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。
本申请实施例提供的电子设备与本申请实施例提供的方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的方法对应的计算机可读存储介质，其上存储有计算机程序（即程序产品），所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储(DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本申请的权利要求和说明书的范围当中。
Claims (10)
1.一种工厂化高密度水产养殖监测预警方法，其特征在于，包括以下步骤：
获取监测水体在历史时间段内的水质时序数据、环境时序数据和生物时序数据；
对水质时序数据、环境时序数据和生物时序数据进行预处理后，输入预先训练的水体预测模型，得到所述监测水体在未来设定时间段内的预估水质数据、预估环境数据和预估生物数据；
水体预测模型是通过监测水体的历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本对基于时间动态协同注意力机制的神经网络进行训练得到的；
设置监测水体的初始安全等级；
读取水质时序数据和环境时序数据，基于水质时序数据和环境时序数据进行初始安全等级的等级调整，获得调整安全等级，基于调整安全等级设置第一监测参数；第一监测参数包括采集图像的角度、频率、采集的区域或使用的传感器类型；
通过第一监测参数对监测水体进行图像采集，获得第一水体图像；
对第一水体图像进行特征识别，生成第一特征识别结果；第一特征识别结果包括识别水体中的污染物、颜色变化或水流状态；
根据第一特征识别结果、预估水质数据和预估环境数据确定第一监测修正参数；第一监测修正参数用于调整图像采集的方式、频率或区域；
根据第一监测修正参数对第一监测参数进行调整，并基于调整结果再次对图像进行采集，获得第二水体图像；
对第二水体图像进行特征识别，生成第二特征识别结果；
融合第一特征识别结果和第二特征识别结果，得到融合特征识别结果；
根据融合特征识别结果、预估水质数据和预估生物数据识别结果生成第一预警信息。
2.根据权利要求1所述的方法，其特征在于，按照以下方式预先训练所述预测模型：
获取监测水体的历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本；
对历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本进行所述预处理后，将历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本分别转化为水质有监督数据、环境有监督数据和生物有监督数据；
将水质有监督数据、环境有监督数据和生物有监督数据输入神经网络进行训练，在达到预设训练截止条件后得到预测模型。
3.根据权利要求1或2所述的方法，其特征在于，所述神经网络包括顺序连接的输入单元、嵌入单元、循环单元、注意力单元、协同单元、全连接单元和输出单元。
4.根据权利要求1所述的方法，其特征在于，在所述生成第一预警信息之后，还包括：
读取水质时序数据和生物时序数据，基于水质时序数据和生物时序数据进行初始安全等级的等级调整，获得调整安全等级，基于调整安全等级设置第二监测参数；第二监测参数包括投喂的频率、投喂的区域或饲料的类型；
通过第二监测参数对监测水体进行饲料投喂，获得第一参数向量；第一参数向量包括投喂量、投喂时间或生物反应的信息；
根据第一参数向量、预估水质数据和预估生物数据确定第二监测修正参数；第二监测修正参数包括投喂量或投喂频率；
根据第二监测修正参数对第二监测参数调整，并基于调整结果再次对监测水体进行饲料投喂，获得第二参数向量；第二参数向量包括关于生物反应和投喂效果的信息；
根据融合特征识别结果、第一参数向量和第二参数向量生成第二预警信息。
5.根据权利要求4所述的方法，其特征在于，在所述根据融合特征识别结果、第一参数向量和第二参数向量生成第二预警信息之后，还包括：
将第一参数向量和第二参数向量进行融合，得到融合参数向量；
根据融合特征识别结果、第一参数向量、第二参数向量和融合参数向量生成第三预警信息。
6.根据权利要求5所述的方法，其特征在于，根据所述第一预警信息、第二预警信息和第三预警信息，获得综合预警信息。
7.根据权利要求6所述的方法，其特征在于，在所述获得综合预警信息之后，还包括：
若所述综合预警信息超过预设阈值，则生成监测水体对应的监测标识；
针对带有监测标识的监测水体，获取综合预警信息对应的第三参数向量以及灾害防护措施对应的第四参数向量；
计算第三参数向量和第四参数向量之间的关联度；
基于第三参数向量和第四参数向量之间的关联度，构建综合预警信息与灾害防护的映射关系。
8.根据权利要求7所述的方法，其特征在于，在所述构建综合预警信息与灾害防护的映射关系之后，还包括：
基于监测标识对不同的监测水体进行关联预警。
9.根据权利要求8所述的方法，其特征在于，所述基于监测标识对不同的监测水体进行关联预警，包括：
基于第二水体图像获取监测生物特征；
获取所有带监测标识的监测水体之间的相对距离，并将相对距离在预设值内的监测水体进行聚类，定义为重点监测区域；
对重点监测区域的监测生物特征进行结合，并使用灰色关联法获取重点监测区域监测生物特征之间的关联值，若关联值大于预设值，则重点监测区域生成监测生物特征异常信号。
10.一种工厂化高密度水产养殖监测预警系统，其特征在于，包括：
第一获取模块，用于获取监测水体在历史时间段内的水质时序数据、环境时序数据和生物时序数据；
训练模块，用于对水质时序数据、环境时序数据和生物时序数据进行预处理后，输入预先训练的水体预测模型，得到所述监测水体在未来设定时间段内的预估水质数据、预估环境数据和预估生物数据；
水体预测模型是通过监测水体的历史水质时序数据样本、历史环境时序数据样本和历史生物时序数据样本对基于时间动态协同注意力机制的神经网络进行训练得到的；
设置模块，用于设置监测水体的初始安全等级；
第一读取模块，用于读取水质时序数据和环境时序数据，基于水质时序数据和环境时序数据进行初始安全等级的等级调整，获得调整安全等级，基于调整安全等级设置第一监测参数；第一监测参数包括采集图像的角度、频率、采集的区域或使用的传感器类型；
第一采集模块，用于通过第一监测参数对监测水体进行图像采集，获得第一水体图像；
第一识别模块，用于对第一水体图像进行特征识别，生成第一特征识别结果；第一特征识别结果包括识别水体中的污染物、颜色变化或水流状态；
第一修正模块，用于根据第一特征识别结果、预估水质数据和预估环境数据确定第一监测修正参数；
第二采集模块，用于根据第一监测修正参数对第一监测参数进行调整，并基于调整结果再次对图像进行采集，获得第二水体图像；
第二识别模块，用于对第二水体图像进行特征识别，生成第二特征识别结果；
融合特征模块，用于融合第一特征识别结果和第二特征识别结果，得到融合特征识别结果；
第一预警模块，用于根据融合特征识别结果、预估水质数据和预估生物数据识别结果生成第一预警信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410221252.0A CN117787511B (zh) | 2024-02-28 | 2024-02-28 | 一种工厂化高密度水产养殖监测预警方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410221252.0A CN117787511B (zh) | 2024-02-28 | 2024-02-28 | 一种工厂化高密度水产养殖监测预警方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117787511A CN117787511A (zh) | 2024-03-29 |
| CN117787511B true CN117787511B (zh) | 2024-05-10 |
Family
ID=90385763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410221252.0A Active CN117787511B (zh) | 2024-02-28 | 2024-02-28 | 一种工厂化高密度水产养殖监测预警方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117787511B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118196716B (zh) * | 2024-05-13 | 2024-08-27 | 广东海洋大学 | 一种水产养殖区域的污染物识别方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529565A (zh) * | 2016-09-23 | 2017-03-22 | 北京市商汤科技开发有限公司 | 目标识别模型训练和目标识别方法及装置、计算设备 |
| CN109886477A (zh) * | 2019-01-25 | 2019-06-14 | 平安科技（深圳）有限公司 | 水污染的预测方法、装置及电子设备 |
| CN111882138A (zh) * | 2020-08-07 | 2020-11-03 | 中国农业大学 | 基于时空融合的水质预测方法、装置、设备及存储介质 |
| CN112949550A (zh) * | 2021-03-19 | 2021-06-11 | 中国科学院空天信息创新研究院 | 一种基于深度学习的水体识别方法、系统和介质 |
| CN114169638A (zh) * | 2021-12-23 | 2022-03-11 | 中国农业大学 | 一种水质预测方法及装置 |
| CN115345344A (zh) * | 2022-06-30 | 2022-11-15 | 浙江工业大学 | 基于注意力机制和长短期记忆网络的污水处理厂出水水质预测方法 |
| CN115829120A (zh) * | 2022-11-29 | 2023-03-21 | 中国环境科学研究院 | 基于机器学习方法的水质预测预警系统 |
| CN219122176U (zh) * | 2022-08-09 | 2023-06-02 | 华师(福建)环境科技有限责任公司 | 一种污水处理智能在线监测仪表 |
| CN116368355A (zh) * | 2021-09-05 | 2023-06-30 | 汉熵通信有限公司 | 物联网系统 |
| CN116703167A (zh) * | 2023-08-08 | 2023-09-05 | 深圳市明心数智科技有限公司 | 养殖设备告警监测处理方法、装置、设备及存储介质 |
| 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 |
| CN117370919A (zh) * | 2023-12-08 | 2024-01-09 | 吉林省拓达环保设备工程有限公司 | 污水处理设备远程监控系统 |
| CN117557119A (zh) * | 2023-11-21 | 2024-02-13 | 大连升泰生物科技有限公司 | 水产养殖环境识别和处理策略制定方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114662788B (zh) * | 2022-04-19 | 2022-11-29 | 广东海洋大学 | 一种海水水质三维时空序列多参数精准预测方法及系统 |
-
2024
- 2024-02-28 CN CN202410221252.0A patent/CN117787511B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529565A (zh) * | 2016-09-23 | 2017-03-22 | 北京市商汤科技开发有限公司 | 目标识别模型训练和目标识别方法及装置、计算设备 |
| CN109886477A (zh) * | 2019-01-25 | 2019-06-14 | 平安科技（深圳）有限公司 | 水污染的预测方法、装置及电子设备 |
| CN111882138A (zh) * | 2020-08-07 | 2020-11-03 | 中国农业大学 | 基于时空融合的水质预测方法、装置、设备及存储介质 |
| CN112949550A (zh) * | 2021-03-19 | 2021-06-11 | 中国科学院空天信息创新研究院 | 一种基于深度学习的水体识别方法、系统和介质 |
| CN116368355A (zh) * | 2021-09-05 | 2023-06-30 | 汉熵通信有限公司 | 物联网系统 |
| CN114169638A (zh) * | 2021-12-23 | 2022-03-11 | 中国农业大学 | 一种水质预测方法及装置 |
| CN115345344A (zh) * | 2022-06-30 | 2022-11-15 | 浙江工业大学 | 基于注意力机制和长短期记忆网络的污水处理厂出水水质预测方法 |
| CN219122176U (zh) * | 2022-08-09 | 2023-06-02 | 华师(福建)环境科技有限责任公司 | 一种污水处理智能在线监测仪表 |
| CN115829120A (zh) * | 2022-11-29 | 2023-03-21 | 中国环境科学研究院 | 基于机器学习方法的水质预测预警系统 |
| CN116703167A (zh) * | 2023-08-08 | 2023-09-05 | 深圳市明心数智科技有限公司 | 养殖设备告警监测处理方法、装置、设备及存储介质 |
| 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 |
| CN117557119A (zh) * | 2023-11-21 | 2024-02-13 | 大连升泰生物科技有限公司 | 水产养殖环境识别和处理策略制定方法及系统 |
| CN117370919A (zh) * | 2023-12-08 | 2024-01-09 | 吉林省拓达环保设备工程有限公司 | 污水处理设备远程监控系统 |
Non-Patent Citations (2)
| Title |
|---|
| 不确定性水质模型及其研究进展;姜云超;南忠仁;;环境污染与防治;20070915(第09期);全文 * |
| 混沌时间序列分析与预测研究综述;韩敏;任伟杰;李柏松;冯守渤;;信息与控制;20200215(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117787511A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117787511B (zh) | 一种工厂化高密度水产养殖监测预警方法及其系统 | |
| Liu et al. | Fault diagnosis of water quality monitoring devices based on multiclass support vector machines and rule-based decision trees | |
| CN115660291B (zh) | 一种植物病害发生与潜在发生的识别评估方法及系统 | |
| CN110045771B (zh) | 一种鱼塘水质智能监测系统 | |
| CN112101333A (zh) | 一种基于深度学习的智慧牛场的监控与识别方法及装置 | |
| CN115602337A (zh) | 一种基于机器学习的刺激隐核虫疾病预警方法及系统 | |
| Kundur et al. | Deep convolutional neural network architecture for plant seedling classification | |
| CN117473446B (zh) | 基于深度学习的异常检测和处理方法及系统 | |
| CN116843085B (zh) | 淡水鱼生长监控方法、装置、设备及存储介质 | |
| CN118014519A (zh) | 基于物联网的数字乡村应用系统及方法 | |
| 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 | |
| Siskandar et al. | Prediction of Freshwater Fish Disease Severity Based on Fuzzy Logic Approach, Arduino IDE and Proteus ISIS | |
| CN113496251A (zh) | 确定用于识别图像中的物体的分类器的装置、识别图像中的物体的装置和相应方法 | |
| CN116935439A (zh) | 一种孕羊分娩自动监测预警方法及自动监测预警系统 | |
| CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
| Choudhary et al. | Automatic detection of cowpea leaves using image processing and Inception-V3 model of deep learning | |
| Pascual-Pañach et al. | Optimizing Online Time-Series Data Imputation Through Case-Based Reasoning | |
| Bharali | An Improved CNN model for Identifying Tomato Leaf Diseases | |
| CN117976081B (zh) | 基于模型预测优化的堆肥配方方法、系统、设备及介质 | |
| Kumar et al. | Advanced Predictive Models for Decisive Stage Detection in Apple Canker Disease | |
| Hu et al. | Optimized convolutional neural networks for fault diagnosis in wastewater treatment processes | |
| Nirgude et al. | i-PomDiagnoser: A Real-Time Pomegranate Disease Management System | |
| CN117117923B (zh) | 一种基于大数据的储能控制并网管理方法及系统 | |
| CN114550199A (zh) | 基于YOLO v1算法的生态生物识别方法 | |
| Singla et al. | Disease Detection in Bombyx Mori Silkworm Using Deep Learning Algorithm CNN |
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 |