CN118230256A - 藻类图像数据监测方法及系统 - Google Patents
藻类图像数据监测方法及系统 Download PDFInfo
- Publication number
- CN118230256A CN118230256A CN202410646018.2A CN202410646018A CN118230256A CN 118230256 A CN118230256 A CN 118230256A CN 202410646018 A CN202410646018 A CN 202410646018A CN 118230256 A CN118230256 A CN 118230256A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- algae
- area
- distribution
- display
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 447
- 241000195493 Cryptophyta Species 0.000 title claims abstract description 412
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000004927 fusion Effects 0.000 claims abstract description 98
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000005192 partition Methods 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 15
- 238000000638 solvent extraction Methods 0.000 claims description 12
- 239000000523 sample Substances 0.000 claims 3
- 239000000758 substrate Substances 0.000 claims 3
- 241000195620 Euglena Species 0.000 description 27
- 241000192700 Cyanobacteria Species 0.000 description 17
- 230000008859 change Effects 0.000 description 13
- 230000011218 segmentation Effects 0.000 description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 238000012806 monitoring device Methods 0.000 description 10
- 230000003321 amplification Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003199 nucleic acid amplification method Methods 0.000 description 6
- 230000001488 breeding effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 244000261422 Lysimachia clethroides Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000206751 Chrysophyceae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种藻类图像数据监测方法及系统，响应监测端对实际养殖区的监测信息，调取所述实际养殖区对应的虚拟养殖空间,所述虚拟养殖空间包括虚拟养殖区；调取藻类监测模型，所述藻类监测模型包括区域单元和展示单元，基于所述区域单元对所述虚拟养殖区进行区域确定，得到多个监测区；确定各所述监测区对应的监测点，获取监测设备基于所述监测点采集的监测图像；接收所述监测端的分布查看需求，根据所述展示单元对所述监测图像进行藻类分布处理得到藻类分布数据，所述藻类分布数据包括单独分布数据和/或融合分布数据。
Description
技术领域
本发明涉及图像处理技术，尤其涉及一种藻类图像数据监测方法及系统。
背景技术
藻类对于维持养殖区的水体生态系统稳定平衡十分重要，通过监测藻类分布，可以为养殖区水管理和水治理提供决策依据，从而能够改善水质，保护养殖区的水生生态系统的健康。
现有技术中，在对养殖区的水体进行藻类监测时，往往采用人工监测的方式派遣工作人员前往相应的水域进行藻类分布情况的查看，这种方式需要耗费大量的人力，导致监测效率低下。
因此，如何对养殖区内的水藻分布情况进行高效监测，成了如今亟需解决的问题。
发明内容
本发明实施例提供一种藻类图像数据监测方法及系统，可以对养殖区内藻类的分布情况进行高效监测。
本发明实施例的第一方面，提供一种藻类图像数据监测方法，包括：
响应监测端对实际养殖区的监测信息，调取所述实际养殖区对应的虚拟养殖空间,所述虚拟养殖空间包括虚拟养殖区；
调取藻类监测模型，所述藻类监测模型包括区域单元和展示单元，基于所述区域单元对所述虚拟养殖区进行区域确定，得到多个监测区；
确定各所述监测区对应的监测点，获取监测设备基于所述监测点采集的监测图像；
接收所述监测端的分布查看需求，根据所述展示单元对所述监测图像进行藻类分布处理得到藻类分布数据，所述藻类分布数据包括单独分布数据和/或融合分布数据。
可选地，在第一方面的一种可能实现方式中，基于所述区域单元对所述虚拟养殖区进行区域确定，得到多个监测区，包括：
获取所述监测设备的采集距离，对所述采集距离进行解析得到长度距离和宽度距离；
确定所述虚拟养殖区分割方向上的第一排像素点作为分割集合，根据所述分割集合生成分割线；
其中，其中，所述分割方向包括所述长度方向对应的第一分割方向和所述宽度方向对应的第二分割方向，所述分割线包括所述第一分割方向垂直的第一分割线和所述第二分割方向垂直的第二分割线；
获取所述分割方向上距离所述分割线采集距离处的像素点作为下一个分割集合，根据下一个所述分割集合生成下一个所述分割线；
重复上述生成分割线的步骤，直至在所述虚拟养殖区遍历不到下一个所述分割集合时停止所述分割线的生成步骤；
根据所述分割线对所述虚拟养殖区进行区域划分，得到多个分割区，对多个分割区进行区域合并处理，得到多个监测区。
可选地，在第一方面的一种可能实现方式中，对多个分割区进行区域合并处理，得到多个监测区，包括：
获取与所述虚拟养殖区的区域围栏相交的分割区作为边界区，确定各所述边界区的区域面积；
确定所述区域面积小于预设监测面积的边界区为第一合并区，获取所述第一合并区相邻的分割区为筛选区；
统计所述第一合并区与各所述筛选区对应的合并面积，确定所述合并面积大于等于所述预设监测面积、且所述区域面积最小的筛选区为第二合并区；
对所述第一合并区和第二合并区进行区域合并处理，得到多个监测区。
可选地，在第一方面的一种可能实现方式中，确定各所述监测区对应的监测点，获取监测设备基于所述监测点采集的监测图像，包括：
获取各所述监测区对应的中心点作为监测点，根据各所述监测点的地理信息得到各所述监测点的监测位置；
确定所述第一分割方向为监测方向、所述第一分割线为监测线，或确定所述第二分割方向为监测方向、所述第二分割线为监测线，所述监测方向和所述监测线相互垂直；
获取所述监测线在所述监测方向上对所述虚拟养殖区划分的多个监测区域；
确定所述监测方向上的第一个所述监测区域为目标区域，按照与所述监测方向垂直的第一遍历方向对所述目标区域内各所述监测点进行顺序编号，得到各所述监测点的监测编号；
确定所述监测方向上的下一个所述监测区域为下一个所述目标区域，确定与所述第一遍历方向相反的方向为第二遍历方向；
按照所述第二遍历方向对下一个所述目标区域内各所述监测点继续按顺序进行编号，得到各所述监测点的监测编号；
继续上述根据第一遍历方向和第二遍历方向对相应所述目标区域内的监测点进行编号的步骤，直至完成所有监测点的编号；
控制所述监测设备按照所述监测编号依次前往相应的监测位置进行图像采集，得到各所述监测点对应的监测图像。
可选地，在第一方面的一种可能实现方式中，接收所述监测端的分布查看需求，根据所述展示单元对所述监测图像进行藻类分布处理得到藻类分布数据，所述藻类分布数据包括单独分布数据和/或融合分布数据，包括：
基于藻类识别模型对各所述监测图像进行藻类数据识别，得到各所述监测图像对应的藻类识别数据，所述藻类识别数据包括藻类种类，以及各所述藻类种类对应的藻类密度；
接收所述监测端的分布查看需求，所述分布查看需求包括单独查看需求和/或融合查看需求；
根据所述展示单元调取所述单独查看需求对应的单独展示策略，根据所述单独展示策略对所述监测图像的藻类识别数据进行单独分布处理得到单独分布数据；
基于所述展示单元调取所述融合查看需求对应的融合展示策略，根据所述融合展示策略对所述监测图像的藻类识别数据进行融合分布处理得到融合分布数据；
根据所述单独分布数据和/或融合分布数据得到藻类分布数据发送给所述监测端。
可选地，在第一方面的一种可能实现方式中，根据所述单独展示策略对所述监测图像的藻类识别数据进行单独分布处理得到单独分布数据，包括：
根据所述单独查看需求对各所述藻类种类进行汇总，生成藻类列表发送给所述监测端；
接收所述监测端在所述藻类列表中选取的藻类种类作为目标种类，确定所述目标种类对应的监测图像为目标图像；
获取所述目标图像对应的监测区为单独展示区，调取所述目标种类对应的密度对应表；
其中，所述密度对应表包括所述目标种类对应的多个预设密度区间，以及各所述预设密度区间对应的预设像素值；
确定所述目标图像的藻类密度对应的预设像素值为单独像素值，基于所述单独像素值对所述单独展示区进行像素值更新得到单独分布数据。根据所述单独展示策略对所述监测图像的藻类识别数据进行单独分布处理得到单独分布数据，包括：
根据所述单独查看需求对各所述藻类种类进行汇总，生成藻类列表发送给所述监测端；
接收所述监测端在所述藻类列表中选取的藻类种类作为目标种类，确定所述目标种类对应的监测图像为目标图像；
获取所述目标图像对应的监测区为单独展示区，调取所述目标种类对应的密度对应表；
其中，所述密度对应表包括所述目标种类对应的多个预设密度区间，以及各所述预设密度区间对应的预设像素值；
确定所述目标图像的藻类密度对应的预设像素值为单独像素值，基于所述单独像素值对所述单独展示区进行像素值更新得到单独分布数据。
可选地，在第一方面的一种可能实现方式中，根据所述融合展示策略对所述监测图像的藻类识别数据进行融合分布处理得到融合分布数据，包括：
统计各所述监测图像对应的藻类种类数量，确定所述藻类种类数量等于基准数量的监测图像为一类图像；
确定所述一类图像对应的监测区为一类展示区，根据所述一类图像的藻类种类对应的密度对应表确定所述一类展示区对应的一类像素值；
根据所述一类像素值对所述一类展示区进行一类更新得到一类展示数据；
获取所述藻类种类数量大于基准数量的监测图像为二类图像，确定所述二类图像对应的监测区为二类展示区；
根据所述二类图像的多个藻类种类对应的藻类密度，确定所述二类展示区对应的藻类分布占比；
基于所述藻类分布占比对所述二类展示区进行融合像素点更新，得到二类展示数据；
根据所述一类展示数据和/或所述二类展示数据得到融合分布数据。
可选地，在第一方面的一种可能实现方式中，基于所述藻类分布占比对所述二类展示区进行融合像素点更新，得到二类展示数据，包括：
根据各所述藻类种类对应的密度对应表和藻类密度，确定各所述藻类种类对应的融合像素值；
获取所述二类展示区内位于同一行的像素点作为融合序列，根据所述藻类分布占比确定各所述藻类种类对应的单位数量；
基于同行融合策略按照所述藻类分布占比和各所述藻类种类对应的单位数量，依次选取所述融合序列中的像素点作为相应所述藻类种类对应的展示像素点；
根据相应所述融合像素值对相应所述展示像素点进行更新；
基于邻行融合策略确定各所述融合序列的相邻所述融合序列为目标序列，对所述目标序列的藻类分布占比中各所述藻类种类的占比位置进行调换，得到更新后的所述藻类分布占比；
根据所述更新后的藻类分布占比对所述目标序列中相应所述展示像素点进行更新，得到二类展示数据；
其中，相邻所述融合序列对应的藻类分布占比中各所述藻类种类的占比位置不相同。
可选地，在第一方面的一种可能实现方式中，还包括：
获取位置关系相邻、且所述藻类密度相同的单独展示区作为目标展示区；或，
确定所述位置关系相邻、所述藻类密度相同、且所述藻类种类相同的一类展示区作为目标展示区；
对所述目标展示区进行合并处理，得到合并展示区。
本发明实施例的第二方面，提供一种藻类图像数据监测系统，包括：
调取模块，响应监测端对实际养殖区的监测信息，调取所述实际养殖区对应的虚拟养殖空间,所述虚拟养殖空间包括虚拟养殖区；
确定模块，调取藻类监测模型，所述藻类监测模型包括区域单元和展示单元，基于所述区域单元对所述虚拟养殖区进行区域确定，得到多个监测区；
采集模块，确定各所述监测区对应的监测点，获取监测设备基于所述监测点采集的监测图像；
汇总模块，接收所述监测端的分布查看需求，根据所述展示单元对所述监测图像进行藻类分布处理得到藻类分布数据，所述藻类分布数据包括单独分布数据和/或融合分布数据。
本发明的有益效果如下：
1、本发明可以对养殖区内藻类的分布情况进行高效监测。在接受到监测端对藻类分布情况的查看请求之后，本方案可以首先生成实际养殖区对应的虚拟养殖空间，然后可以对虚拟养殖区进行区域划分得到多个监测区，从而可以控制监测设备对养殖区进行图像数据采集，可以提高数据获取效率，进而提高监测效率，本发明可以结合监测端的实际需求对相应区域的藻类分布情况进行个性化展示，从而监测端可以直观查看养殖区内各种藻类数据的分布情况，进而可以依据藻类分布情况进行针对性的处理。
2、在确定无人机的采集范围之后，本发明可以对虚拟养殖区进行划分得到多个区域，并将区域面积小于预设监测面积的边界区域与相邻区域合并作为一个区域，从而可以减少数据处理量，提高监测效率。在确定多个区域之后，本方案可以对多个区域进行编号，并且可以控制监测设备按顺序依次对多个区域进行图像采集，从而可以提高数据获取效率，进而提高监测效率，后续可以根据图像数据确定相应区域的藻类分布情况。
3、本发明可以对图像数据进行自动识别得到相应区域的藻类种类和密度，并且可以结合用户的查看需求对单个种类的藻类分布数据进行突出展示，具体来说，可以首先确定单个藻类种类，根据该藻类种类的多个密度对应的像素值对相应区域进行突出展示，或者对养殖区内所有藻类种类的藻类分布数据进行突出展示，具体来说，对于单个藻类种类的监测区，根据不同密度对应的像素值可以对相应区域进行突出展示，对于多个藻类种类的监测区，根据藻类分布占比可以对同行像素点依次进行选取并展示，再根据调换占比位置的藻类分布占比可以对邻行像素点依次进行选取并展示，从而可以防止像素点之间距离过于集中，使得像素点分布得更加均匀，并结合用户的查看需求对藻类的分布情况进行针对性地展示，通过上述方式，可以结合用户需求对养殖区内的藻类分布情况进行个性化展示，使得用户可以直观地查看到养殖区内各种藻类数据的分布情况，进而可以依据藻类分布情况进行针对性的处理。
附图说明
图1是本发明实施例提供的藻类图像数据监测方法的流程示意图；
图2是本发明实施例提供的虚拟养殖区划分的示意图；
图3是本发明实施例提供的监测设备采集图像的示意图；
图4是本发明实施例提供的藻类图像数据监测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明实施例提供的藻类图像数据监测方法的流程示意图，图1所示方法的执行主体可以是软件和/或硬件装置。本申请的执行主体可以包括但不限于以下中的至少一个：用户设备、网络设备等。其中，用户设备可以包括但不限于计算机、智能手机、个人数字助理（Personal Digital Assistant，简称：PDA）及上述提及的电子设备等。网络设备可以包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机组成的一个超级虚拟计算机。本实施例对此不做限制。包括步骤S1至步骤S4，具体如下：
S1，响应监测端对实际养殖区的监测信息，调取所述实际养殖区对应的虚拟养殖空间,所述虚拟养殖空间包括虚拟养殖区。
本方案为了对养殖区的藻类分布情况进行直观地展示，会通过虚拟养殖空间内的虚拟养殖区模拟实际养殖区的藻类分布情况对用户进行展示，使得用户可以通过虚拟养殖空间对藻类分布情况进行直观地查看，从而让用户能够依据藻类分布情况进行针对性的处理。
其中，实际养殖区可以是用来养殖水生生物的池塘区域，虚拟养殖空间可以是依据实际养殖区构建而成的虚拟空间，该空间内对应有与池塘区域相应的虚拟养殖区，虚拟养殖区可以用来后续对实际养殖区的藻类分布情况进行展示，本方案在后续会对实际养殖区采集到的图像数据进行藻类分布情况的分析，然后再通过虚拟养殖区对分析得到的藻类分布情况进行展示，使得用户可以通过虚拟养殖区对实际养殖区内的藻类分布情况进行查看并做出针对性的处理。
在实际应用中，监测端可以是养殖区的管理人员所持有的终端，当接收到监测端的监测信息后，可以判定监测端想对实际养殖区的藻类分布情况进行查看，此时可以调取虚拟养殖空间进行后续的操作。
S2，调取藻类监测模型，所述藻类监测模型包括区域单元和展示单元，基于所述区域单元对所述虚拟养殖区进行区域确定，得到多个监测区。
可以理解的是，藻类监测模型是指对藻类的分布情况进行监测的模型，区域单元是指用来对虚拟养殖区进行区域划分的单元，展示单元是指对藻类的分布情况进行展示的单元，监测区是通过监测设备的采集范围确定的区域，该区域可以用来指示监测设备进行图像数据的采集，并对采集到的图像数据进行藻类分析后通过该区域对藻类的分布情况进行展示。为了对养殖区进行全面准确的图像采集，可以通过对虚拟养殖区进行区域划分确定多个监测区，后续可以控制监测设备对实际养殖区进行全面准确的图像采集。
图2是本发明实施例提供的虚拟养殖区划分的示意图，本方案通过分割线可以对虚拟养殖区进行划分得到多个监测区，例如图2中的监测区S1…S28，其中，分割线包括第一分割线和第二分割线，并且可以确定各监测区的中心点为监测点，后续可以根据监测点的实际地理位置控制监测设备对实际养殖区进行图像采集。
在上述实施例的基础上步骤S2的具体实现方式可以是：
S21，获取所述监测设备的采集距离，对所述采集距离进行解析得到长度距离和宽度距离。
其中，监测设备可以是无人机，后续根据相应区域的实际地理位置可以控制无人机进行图像数据采集，采集距离是指无人机采集的范围，并且采集距离包括长度距离和宽度距离，长度距离是指无人机采集的长度范围，宽度距离是指无人机采集的宽度范围，可以通过长度距离和宽度距离确定多条分割线之间的间隔距离，从而可以使采集距离完全覆盖监测区，从而可以使得数据采集更加全面，保证数据的完整性。
S22，确定所述虚拟养殖区分割方向上的第一排像素点作为分割集合，根据所述分割集合生成分割线。
其中，所述分割方向包括所述长度方向对应的第一分割方向和所述宽度方向对应的第二分割方向，所述分割线包括所述第一分割方向垂直的第一分割线和所述第二分割方向垂直的第二分割线。
为了对养殖区进行全面准确的图像采集，本方案会通过对虚拟养殖区进行区域划分确定多个用来进行图像采集的监测区，在划分时，本方案会通过分割方向和采集距离确定多条相互垂直的分割线，通过分割线对虚拟养殖区进行区域划分得到多个监测区。
由于采集距离包括长度距离和宽度距离，因此在对虚拟养殖区划分时，为了使得采集距离可以覆盖监测区，可以通过长度距离和宽度距离确定多条分割线之间间隔距离，因此分割方向可以包括长度方向对应的第一分割方向和宽度方向对应的第二分割方向，其中，第一分割方向与长度方向是平行的，第二分割方向与宽度方向是平行的，通过分割方向和采集距离可以使得多条分割线划分之后的监测区是在监测设备的监测范围内的，从而可以提高数据准确性。
具体的，在生成分割线时，本方案会首先确定虚拟养殖区在分割方向上的第一条分割线，从而可以在后续依据采集距离继续确定剩余的分割线。其中，第一分割方向为水平方向时，可以确定第一分割方向上相邻分割线之间的距离为长度距离，第一分割线和第一分割方向是垂直的，在确定完第一条第一分割线后，可以按照长度距离和第一分割方向继续确定剩余的第一分割线。同样的，第二分割方向为垂直方向时，可以确定第二分割方向上相邻分割线之间的距离为宽度距离，第二分割线和第二分割方向是垂直的，在确定完第一条第二分割线后，可以按照宽度距离和第二分割方向继续确定剩余的第二分割线。
S23，获取所述分割方向上距离所述分割线采集距离处的像素点作为下一个分割集合，根据下一个所述分割集合生成下一个所述分割线。
其中，在距离第一条分割线采集距离处可以确定相应排中的多个像素点作为下一个分割集合，从而可以确定下一个分割集合对应的分割线。
S24，重复上述生成分割线的步骤，直至在所述虚拟养殖区遍历不到下一个所述分割集合时停止所述分割线的生成步骤。
可以理解的是，通过上述确定多条分割线的步骤，可以确定通过分割线划分得到的监测区是在监测设备的监测范围内的，从而可以提高数据准确性。
S25，根据所述分割线对所述虚拟养殖区进行区域划分，得到多个分割区，对多个分割区进行区域合并处理，得到多个监测区。
可以理解的是，分割区是指对虚拟养殖区进行划分得到的虚拟区域，由于虚拟养殖区的区域边缘对应的分割区面积可能较小，单独对其进行数据采集可能会增加监测设备的工作量，因此为了提高监测设备数据采集时的效率，可以将虚拟养殖区中的相应的边缘区域与相邻区域进行合并处理。
具体的，步骤S25可以通过步骤S251至步骤S254实现，具体如下：
S251，获取与所述虚拟养殖区的区域围栏相交的分割区作为边界区，确定各所述边界区的区域面积。
其中，区域围栏是指虚拟养殖区的区域轮廓，边界区是指虚拟养殖区最外围的区域，首先可以确定边界区的区域面积，后续可以对相应区域进行合并。
S252，确定所述区域面积小于预设监测面积的边界区为第一合并区，获取所述第一合并区相邻的分割区为筛选区。
可以理解的是，预设监测面积是指工作人员提前预设好的进行监测的最小面积，如果区域面积小于预设监测面积，说明相应的边界区可能会过小，因此为了减少数据处理量，在监测时可以将其与其他区域进行合并后一同进行监测，第一合并区是指可以与相邻的分割区进行合并的边界区，筛选区是指进行合并筛选的分割区。
S253，统计所述第一合并区与各所述筛选区对应的合并面积，确定所述合并面积大于等于所述预设监测面积、且所述区域面积最小的筛选区为第二合并区。
其中，合并面积是指第一合并区与筛选区的面积之和，由于第一合并区可能对应有多个筛选区，其与多个筛选区合并之后可能都会满足监测面积的条件，因此为了提高数据采集时的准确性，可以确定合并面积大于等于预设监测面积、且区域面积最小的筛选区为第二合并区，从而可以在监测面积满足条件的同时还能使得采集的范围不会过大，进而能够提高数据处理时的准确性。
S254，对所述第一合并区和第二合并区进行区域合并处理，得到多个监测区。
通过上述方式，后续可以控制监测设备对监测区进行图像数据采集，保证得到的监测数据的完整性，提高监测准确性。
S3，确定各所述监测区对应的监测点，获取监测设备基于所述监测点采集的监测图像。
其中，监测点是指监测区的中心点，监测图像是指实际养殖区域对应的图像数据，在确定监测点之后，根据监测点的实际地理位置可以控制无人机采集到相应的实际养殖区域的图像数据，后续可以根据图像数据得到相应区域的藻类分布情况。
图3是本发明实施例提供的监测设备采集图像的示意图，本方案可以根据监测点的实际地理位置通过监测设备对监测区对应的实际养殖区进行图像采集得到监测图像，后续可以根据监测图像得到相应区域的藻类分布数据，并根据藻类分布情况对相应的监测区进行突出展示。
在上述实施例的基础上步骤S3的具体实现方式可以是：
S31，获取各所述监测区对应的中心点作为监测点，根据各所述监测点的地理信息得到各所述监测点的监测位置。
可以理解的是，可以确定监测区对应的中心点作为监测点，通过GIS、GPS等可以得到各监测点对应的地理信息，进而可以确定各监测点的实际位置。
S32，确定所述第一分割方向为监测方向、所述第一分割线为监测线，或确定所述第二分割方向为监测方向、所述第二分割线为监测线，所述监测方向和所述监测线相互垂直。
其中，当第一分割方向为水平方向，第一分割线与第一分割方向垂直时，可以确定监测方向为水平方向，监测线与监测方向垂直，或者，当第二分割方向为垂直方向，第二分割线与第二分割方向垂直时，可以确定监测方向为垂直方向，监测线与监测方向垂直。
本方案在控制无人机进行图像采集时，会通过监测方向和监测线来对多个监测点进行排序，然后再控制无人机按照排序顺序进行图像采集，由于排序方式都是类似的，因此可以确定第一分割方向为监测方向、第一分割线为监测线，或者第二分割方向为监测方向、第二分割线为监测线，然后通过确定的监测方向和监测线进行后续的排序确定。
S33，获取所述监测线在所述监测方向上对所述虚拟养殖区划分的多个监测区域。
可以理解的是，监测区域是指通过监测线对虚拟养殖区进行划分得到的区域，在监测方向上，通过多条监测线可以对虚拟养殖区进行划分得到多个监测区域，后续可以对监测区域中的监测点进行编号，并且可以控制监测设备按照监测编号依次对相应的实际养殖区域进行图像采集，从而可以保证数据的准确性，提高监测效率。
还可以理解的是，由于位于同一个监测区域内的监测点之间的位置距离可能会比较近，依次对同一个监测区域内的监测点进行数据采集，然后再对相邻监测区域内的监测点进行图像采集，可以使得无人机进行数据采集时的路径相对最短，从而可以提高无人机进行数据采集时的效率。
S34，确定所述监测方向上的第一个所述监测区域为目标区域，按照与所述监测方向垂直的第一遍历方向对所述目标区域内各所述监测点进行顺序编号，得到各所述监测点的监测编号。
在实际应用中，如果确定第二分割方向为监测方向，第二分割线为监测线，则第一遍历方向为水平方向，可以理解的是，通过监测线划分后的监测区域内监测点在这种情况下是呈水平排布的，因此可以通过第一遍历方向对其进行顺序编号，使得无人机可以在水平方向上依次对相应的监测点进行数据采集，在对监测点进行顺序编号时可以按照阿拉伯数字的方式对其进行编号。
可以理解的是，为了使得无人机可以按照顺序对所有监测点进行数据采集，可以按照监测方向依次对相应监测区域内的监测点进行编号，从而完成对所有监测点的编号，进而能够依据编号顺序控制无人机进行数据采集。
S35，确定所述监测方向上的下一个所述监测区域为下一个所述目标区域，确定与所述第一遍历方向相反的方向可以对为第二遍历方向。
可以理解的是，如果相邻两个监测区域的遍历方向相反，可以使得无人机的采集路线呈S形，使得无人机在采集完上一个目标区域中的最后一个监测点后，可以前往下一个目标区域中最近的监测点继续进行数据采集，从而减少无人机的飞行路径，提高无人机的采集效率。
通过上述方式，可以保证后续监测设备在进行图像采集时的路线最短，从而可以提高监测设备图像采集时的效率。
S36，按照所述第二遍历方向对下一个所述目标区域内各所述监测点继续按顺序进行编号，得到各所述监测点的监测编号。
在实际应用中，在对第一个目标区域内的监测点进行编号之后，可以获取第一个目标区域内最后一个监测点的监测编号，从该监测编号开始，可以在下一个目标区域内从右往左对各监测点继续按顺序进行编号。
例如：第一个目标区域内从左往右最后一个监测点的监测编号为10，可以确定下一个目标区域内从右往左第一个监测点的监测编号为11，进而可以对下一个目标区域内其余的监测点从右往左依次进行编号。
S37，继续上述根据第一遍历方向和第二遍历方向对相应所述目标区域内的监测点进行编号的步骤，直至完成所有监测点的编号。
例如：可以先对第一个目标区域内各监测点从左往右进行编号，对第二个目标区域各监测点从右往左继续进行编号，再对第三个目标区域各监测点从左往右继续进行编号，对第四个目标区域各监测点从右往左继续进行编号，重复上述编号步骤直至遍历完所有目标区域，可以完成所有监测点的编号。
S38，控制所述监测设备按照所述监测编号依次前往相应的监测位置进行图像采集，得到各所述监测点对应的监测图像。
其中，在确定监测编号之后，可以控制无人机按照监测编号的顺序依次前往相应的监测位置对实际养殖区进行图像拍摄，进而可以得到实际养殖区对应的监测图像。
通过上述方式，可以控制无人机对实际养殖区进行图像数据采集，从而可以提高数据获取效率，提高监测效率，后续可以根据图像数据得到相应区域的藻类种类和密度，进而可以得到实际养殖区内的藻类分布情况。
S4，接收所述监测端的分布查看需求，根据所述展示单元对所述监测图像进行藻类分布处理得到藻类分布数据，所述藻类分布数据包括单独分布数据和/或融合分布数据。
可以理解的是，分布查看需求是指监测端对藻类的分布情况进行查看的需求，藻类分布数据是指藻类分布情况的数据，单独分布数据是指实际养殖区内单个藻类种类的分布情况数据，融合分布数据是指实际养殖区内多种藻类种类的分布情况数据。
在上述实施例的基础上步骤S4的具体实现方式可以是：
S41，基于藻类识别模型对各所述监测图像进行藻类数据识别，得到各所述监测图像对应的藻类识别数据，所述藻类识别数据包括藻类种类，以及各所述藻类种类对应的藻类密度。
其中，藻类识别模型是指对图像中的藻类种类和相应的藻类密度进行自动识别的模型，藻类识别数据是指自动识别得到的藻类种类和相应的藻类密度，具体来说，可以通过计算机视觉和图像处理技术对监测图像中的藻类种类和密度进行自动识别。
S42，接收所述监测端的分布查看需求，所述分布查看需求包括单独查看需求和/或融合查看需求。
其中，单独查看需求是指用户对实际养殖区内单个藻类种类的分布情况进行查看的需求，融合查看需求是指用户对实际养殖区内多个藻类种类的分布情况进行查看的需求。
S43，根据所述展示单元调取所述单独查看需求对应的单独展示策略，根据所述单独展示策略对所述监测图像的藻类识别数据进行单独分布处理得到单独分布数据。
可以理解的是，单独展示策略是指对单个藻类种类的分布情况进行突出展示的策略，具体本方案会首先结合监测端的实际需求确定单个藻类种类，再根据藻类密度对应的像素值对相应区域进行突出展示得到单独分布数据。
具体的，步骤S43可以通过步骤S431至步骤S434实现，具体如下：
S431，根据所述单独查看需求对各所述藻类种类进行汇总，生成藻类列表发送给所述监测端。
其中，藻类列表是指实际养殖区中各藻类种类组成的列表，即通过藻类识别模型确定的藻类种类组成的列表，其可以包括蓝藻门、裸藻门、金藻门等多个藻类种类，可以对多个藻类种类进行汇总得到藻类列表展示给监测端，后续监测端可以结合实际需求在藻类列表中选取相应的藻类种类。
S432，接收所述监测端在所述藻类列表中选取的藻类种类作为目标种类，确定所述目标种类对应的监测图像为目标图像。
在实际应用中，目标种类是指监测端结合实际需求选取的藻类种类，目标图像是指目标种类对应的监测图像，后续可以根据目标图像确定对应的监测区，通过监测区对该藻类的分布情况进行展示。
例如：监测端在藻类列表中选取了蓝藻门，此时可以确定蓝藻门对应的监测图像，后续可以根据监测图像确定对应的监测区，并通过该监测区对实际养殖区内相应区域内的蓝藻门分布情况进行展示。
S433，获取所述目标图像对应的监测区为单独展示区，调取所述目标种类对应的密度对应表。
其中，所述密度对应表包括所述目标种类对应的多个预设密度区间，以及各所述预设密度区间对应的预设像素值。
具体的，单独展示区是指对单个藻类种类的分布情况进行突出展示的区域，密度对应表包括目标种类对应的多个预设密度区间，并且每个预设密度区间对应有预设像素值，预设密度区间是指工作人员提前预设好的藻类密度的区间，预设像素值是指工作人员提前预设好的藻类密度区间对应的像素值。
可以理解的是，为了对不同藻类的分布情况和密度情况进行展示，本方案会为不同种类的藻类配置相应密度对应表，通过密度对应表确定相应藻类所在密度对应的像素值，然后通过确定的像素值和单独展示区对相应藻类的分布情况和密度情况进行展示，其中，同种类、且不同密度对应的像素值的色调都是相同的，例如某藻类A对应的色调为红色，则其不同密度对应的红色像素值可能都是不一样的，密度较深的区间对应的像素值可能也会较深，例如可能是深红对应的像素值，密度较浅的区间对应的像素值可能也会较浅，例如可能是浅红对应的像素值。
S434，确定所述目标图像的藻类密度对应的预设像素值为单独像素值，基于所述单独像素值对所述单独展示区进行像素值更新得到单独分布数据。
可以理解的是，单独像素值是指单个藻类种类的密度所在的密度区间对应的像素值，通过单独像素值可以对单独展示区进行突出显示得到单独分布数据。
通过上述方式，可以对单个藻类种类对应的区域进行突出展示，从而监测端可以直观查看养殖区内单个藻类种类的分布情况和密度情况，进而可以依据单个藻类种类的分布情况进行针对性的处理。
S44，基于所述展示单元调取所述融合查看需求对应的融合展示策略，根据所述融合展示策略对所述监测图像的藻类识别数据进行融合分布处理得到融合分布数据。
其中，融合展示策略是指对养殖区内多种藻类种类的藻类分布数据进行展示的策略，可以理解的是，不同的监测区对应的藻类分布情况可能也会不一样，对于单个藻类种类的监测区，根据不同密度对应的像素值可以对相应区域进行突出展示，对于多个藻类种类的监测区，根据藻类分布占比和各种类藻类种类不同密度对应的像素值可以对不同种类的藻类分布情况进行展示。
在上述实施例的基础上步骤S44的具体实现方式可以是：
S441，统计各所述监测图像对应的藻类种类数量，确定所述藻类种类数量等于基准数量的监测图像为一类图像。
其中，基准数量为1，可以先统计监测图像对应的藻类种类数量，如果藻类种类数量为1，则监测图像中只有一种藻类种类，此时可以将对应的监测图像作为一类图像。
S442，确定所述一类图像对应的监测区为一类展示区，根据所述一类图像的藻类种类对应的密度对应表确定所述一类展示区对应的一类像素值。
可以理解的是，首先可以确定一类图像对应的监测区为一类展示区，然后确定一类图像对应的藻类种类和藻类密度，接着再确定藻类密度在密度对应表中对应的密度区间，最后通过密度区间可以确定对应的像素值作为一类展示区对应的一类像素值。
S443，根据所述一类像素值对所述一类展示区进行一类更新得到一类展示数据。
通过一类像素值对一类展示区进行一类更新，可以使得用户能够查看到具有一种藻类种类的监测区的藻类分布情况和藻类密度。
S444，获取所述藻类种类数量大于基准数量的监测图像为二类图像，确定所述二类图像对应的监测区为二类展示区。
可以理解的是，如果藻类种类数量大于1，则藻类图像中存在多个藻类种类，此时可以将对应的监测图像作为二类图像，则对应的监测区为二类展示区。
S445，根据所述二类图像的多个藻类种类对应的藻类密度，确定所述二类展示区对应的藻类分布占比。
例如：二类图像中存在两种藻类蓝藻门和裸藻门，对应的藻类密度分别是16万个/ml和12万个/ml，此时二类展示区内蓝藻门和裸藻门对应的分布占比为4：3。
可以理解的是，为了对存在多种藻类种类的监测区内的藻类分布情况进行展示，可以通过藻类分布占比进行相应的展示，使用户在查看藻类分布情况时不仅可以查看到藻类的种类情况，还可以查看到藻类的占比情况。
S446，基于所述藻类分布占比对所述二类展示区进行融合像素点更新，得到二类展示数据。
具体的，在对二类展示区进行融合像素点更新时，可以根据藻类分布占比对同行像素点依次进行选取并展示，再根据调换占比位置的藻类分布占比对邻行像素点依次进行选取并展示，从而可以对监测区不同藻类的分布情况进行展示。
通过上述方式，可以结合用户需求对养殖区内的藻类分布情况进行个性化展示，使得用户可以直观地查看到养殖区内各种藻类数据的分布情况，进而可以依据藻类分布情况进行针对性的处理。在上述实施例的基础上步骤S446的具体实现方式可以是：
S4461，根据各所述藻类种类对应的密度对应表和藻类密度，确定各所述藻类种类对应的融合像素值。
其中，可以确定二类图像中各藻类种类对应的藻类密度，然后可以在各藻类种类对应的密度对应表中确定各藻类密度所在的密度区间及像素值，后续通过像素值可以对二类展示区进行突出展示。
例如：二类图像中存在蓝藻门和裸藻门这两种藻类种类，蓝藻门对应的藻类密度为16万个/ml，在蓝藻门对应的密度对应表中，可以确定该藻类密度位于密度区间1内，密度区间1对应的融合像素值为粉红，裸藻门对应的藻类密度为12万个/ml，在裸藻门对应的密度对应表中，可以确定该藻类密度位于密度区间2内，密度区间2对应的融合像素值为鹅黄。
S4462，获取所述二类展示区内位于同一行的像素点作为融合序列，根据所述藻类分布占比确定各所述藻类种类对应的单位数量。
可以理解的是，融合序列是指二类展示区内同行的所有像素点，可以对二类展示区内位于同一行的像素点进行汇总得到融合序列，单位数量是指依据藻类分布占比确定的藻类种类的单位个数。
例如，如果二类展示区内存在两种藻类类型蓝藻门和裸藻门，且这两种藻类类型对应的分布占比为4:3，可以得到蓝藻门对应的单位数量为4，裸藻门对应的单位数量为3。
S4463，基于同行融合策略按照所述藻类分布占比和各所述藻类种类对应的单位数量，依次选取所述融合序列中的像素点作为相应所述藻类种类对应的展示像素点。
其中，同行融合策略是指根据藻类分布占比对同行像素点依次进行选取并展示的策略，展示像素点是指进行突出展示的像素点。
例如：在确定蓝藻门和裸藻门的藻类分布占比为4：3，且蓝藻门对应的单位数量为4，裸藻门对应的单位数量为3之后，可以选取融合序列中第1-4个像素点作为蓝藻门对应的展示像素点，同时选取融合序列中第5-7个像素点作为裸藻门对应的展示像素点，然后可以继续选取融合序列中第8-11个像素点作为蓝藻门对应的展示像素点，同时选取融合序列中第12-14个像素点作为裸藻门对应的展示像素点，重复上述步骤，直至选取完融合序列中所有像素点。
S4464，根据相应所述融合像素值对相应所述展示像素点进行更新。
在得到展示像素点之后，可以通过融合像素值对展示像素点进行突出展示，从而后续监测端可以直观看到藻类的分布情况。
例如：在确定蓝藻门和裸藻门对应的展示像素点之后，蓝藻门对应的融合像素值为粉红，裸藻门对应的融合像素值为鹅黄，可以将融合序列中蓝藻门对应的展示像素点突出展示为粉红色，同时将融合序列中裸藻门对应的展示像素点突出展示为鹅黄色。
S4465，基于邻行融合策略确定各所述融合序列的相邻所述融合序列为目标序列，对所述目标序列的藻类分布占比中各所述藻类种类的占比位置进行调换，得到更新后的所述藻类分布占比。
其中，邻行融合策略是指根据调换占比位置的藻类分布占比对邻行像素点依次进行选取并展示的策略，在确定多个融合序列之后，可以将与各融合序列相邻的融合序列作为目标序列，后续可以对相邻行的像素点进行突出展示。
需要说明的是，如果目标序列中蓝藻门和裸藻门的藻类分布占比为4：3，此时可以对蓝藻门和裸藻门的占比位置进行调换，可以得到裸藻门和蓝藻门的藻类分布占比为3：4，此时相邻融合序列对应的藻类分布占比中各藻类种类的占比位置不相同。
S4466，根据所述更新后的藻类分布占比对所述目标序列中相应所述展示像素点进行更新，得到二类展示数据。
其中，相邻所述融合序列对应的藻类分布占比中各所述藻类种类的占比位置不相同。
例如：在确定目标序列之后，可以选取第1-3个像素点作为裸藻门对应的展示像素点，对应的融合像素值为鹅黄，同时选取第4-7个像素点作为蓝藻门对应的展示像素点，对应的融合像素值为粉红，然后可以继续选取第8-10个像素点作为裸藻门对应的展示像素点，对应的融合像素值为鹅黄，同时选取第11-14个像素点作为蓝藻门对应的展示像素点，对应的融合像素值为粉红，重复上述步骤，直至选取完目标序列中所有像素点，从而可以对目标序列中裸藻门和蓝藻门对应的展示像素点进行突出展示。
通过上述方式，可以防止像素点之间距离过于集中，使得像素点分布得更加均匀，并结合用户的查看需求对藻类的分布情况进行针对性地展示。S447，根据所述一类展示数据和/或所述二类展示数据得到融合分布数据。
通过上述方式，可以结合用户需求对养殖区内的藻类分布情况进行个性化展示，使得用户可以直观地查看到养殖区内各种藻类数据的分布情况，进而可以依据藻类分布情况进行针对性的处理。此外，在上述实施例的基础上，本方案还包括以下实施例：
获取位置关系相邻、且所述藻类密度相同的单独展示区作为目标展示区。
其中，由于多个单独展示区的藻类种类均相同，因此可以将位置关系相邻、且藻类密度相同的单独展示区作为目标展示区。
或，确定所述位置关系相邻、所述藻类密度相同、且所述藻类种类相同的一类展示区作为目标展示区。
需要说明的是，多个一类展示区的藻类种类不一定相同，此时可以将位置关系相邻、藻类密度相同、藻类密度相同的一类展示区作为目标展示区，从而可以减少藻类分布数据中不同区域之间的差异，使得藻类分布数据可以更为简洁、明了。
对所述目标展示区进行合并处理，得到合并展示区。
其中，合并展示区是指对藻类分布情况相同的区域进行合并展示的区域，通过上述方式，可以使得监测端能够更加直观地看到相应区域的藻类分布情况。
S45，根据所述单独分布数据和/或融合分布数据得到藻类分布数据发送给所述监测端。
通过上述方式，可以结合监测端的实际需求对相应区域的藻类分布情况进行个性化展示，从而监测端可以直观查看养殖区内各种藻类数据的分布情况，进而可以依据藻类分布情况进行针对性的处理。
此外，在上述实施例的基础上，本方案还包括以下实施例：
根据所述藻类分布占比得到相应所述藻类种类的占比相差值。
其中，占比相差值是指藻类分布占比对应的比值之差，例如：监测图像中蓝藻门与裸藻门对应的藻类分布占比为100:1，则相应藻类种类的占比相差值为99。
若所述占比相差值大于等于预设占比相差值，则确定相应所述二类展示区为放大展示区。
在实际应用中，二类展示区中某种藻类的占比可能较小，因此为了使得监测端能够完整看到相应区域中所有藻类的分布情况，此时可以对二类展示区进行相应的放大处理。
可以理解的是，预设占比相差值是指工作人员提前预设好的相应藻类种类的占比相差值，放大展示区是指进行放大展示的区域，例如：预设占比相差值为50，相应藻类种类的占比相差值为99，该占比相差值大于预设占比相差值，此时可以确定对应的二类展示区为放大展示区。
获取预设放大占比更新为所述放大展示区更新后的藻类分布占比。
其中，预设放大占比是指工作人员提前预设好的放大的分布占比，例如：初始的藻类分布占比为100:1，可以将4：1的预设放大占比作为放大展示区的藻类分布占比。
根据更新后的藻类分布占比对所述放大展示区进行更新。
可以理解的是，在得到更新后的藻类分布占比，可以对相应的放大展示区进行放大处理。
调取放大像素值对所述放大展示区的区域轮廓进行更新。
其中，放大像素值是指工作人员提前预设好的对放大展示区进行突出展示的像素值，由于放大展示区的藻类分布占比与原来的比例不同，通过放大像素值可以对放大展示区的区域轮廓进行突出展示，从而可以使监测端直观看到进行放大展示的区域，提高监测效率。
可以理解的是，由于更新后的放大展示区的藻类分布占比并非实际占比，因此当用户点击相应的放大区域后，可以对该区域中原来的藻类分布占比及实际图像进行相应查看。
通过上述方式，可以使得监测端能够更加清楚地看到相应区域中藻类的分布情况。
获取具有相同编号的分割区在历史时刻的藻类密度，根据分割区在历史时刻的藻类密度生成相对应的藻类变化曲线，其中藻类变化曲线的横坐标为时间、纵坐标为密度值，每个分割区内每种藻类具有相对应的藻类密度，若判断相应任意藻类变化曲线的藻类密度分别小于等于预设值，则将相应的藻类变化曲线删除。本发明提供的技术方案会针对相同编号的分割区在历史时刻的藻类密度进行计算，并且得到相对应的藻类变化曲线。
本发明在得到藻类变化曲线时，会确定相邻的两个历史时刻的藻类密度，并根据相邻的两个历史时刻的藻类密度构建函数得到相对应的函数子段，所述藻类变化曲线由多个函数子段构成。本发明会获取所有函数子段中最大的Y值，在最大的Y值小于等于预设值后，本发明则判断相应藻类变化曲线的藻类密度分别小于等于预设值，并将相应的藻类变化曲线删除。
以每个藻类的种类为分类依据，对每个藻类所具有藻类变化曲线的分割区进行统计，得到相应藻类所对应的分割集合，统计分割集合内分割区的数量得到第一数量。由于藻类在水域分布可能是随机的，所以本发明会以每个藻类的种类为分类依据，对每个藻类所具有藻类变化曲线的分割区进行统计，并且得到第一数量，如果相应的藻类在水域内相对越多，则相应的第一数量越大。
基于所述第一数量、所有分割区的总数量进行数量占比的计算，得到数量占比，将每种藻类的预设占比值与相应的数量占比进行比对处理，每种藻类具有预设的预设占比值。本发明会根据第一数量、所有分割区的总数量得到相对应的数量占比，如果数量占比越大，则说明相应藻类分布的区域越多。由于不同的藻类具有不同的生物属性，所以本发明会对不同种类的藻类进行预设占比值的配置，通过数量占比和预设占比值之间的关系来反馈相应的藻类是否存在过多的风险。
在预设占比值小于等于相对应的数量占比时，则认为相应的藻类不具有生物风险。此时，响应的藻类在相应的水域不会存在过多的风险，所以后续不会对该种藻类进行风险预测的计算。
在预设占比值大于相对应的数量占比时，则认为相应的藻类具有潜在的生物风险，此时需要计算每个分割区内藻类变化曲线的加权K值，通过加权K值来得到每个分割区内在未来时间点的生长趋势。此时，则相应的藻类分布位置较为多，如果藻类密度较大或者是未来预期会密度较大，则此时会产生相应的生物风险，所以此时本发明需要计算每个分割区内藻类变化曲线的K值。
在加权K值小于等于预设K值时，则不对相应的分割集合标记处理。此时相应的藻类不会存在生物风险。在加权K值大于预设K值时，则对相应的分割集合标记处理。此时相应的藻类存在生物风险。
本发明在计算加权K值时，会首先获取藻类变化曲线的函数子段的数量，根据函数
子段的数量得到预先配置的加权值，每个数量的函数子段具有预设数量的加权值。例如函
数子段的数量为3，则此时加权值即为3个，此时相应的加权值可以是、、，3个加权
值分别对应3个不同的函数子段、函数子段、函数子段。例如函数子段的时间在函
数子段前部，函数子段的时间在函数子段前部，则此时优选设置。
通过以下公式计算加权K值，
其中，为加权K值，为第个函数子段的斜率值，为第个函数子段的加权
值，为函数子段的上限值，为函数子段的数量值，为第个函数子段的斜率值，为
第个时刻的密度值，第个时刻的密度值，为第个时刻的时间值，为个时刻的时间值。通过以上公式，可以得到加权K值，并且加权K值会会根据时刻的远
近受到不同时刻密度的影响，更能够反映出接下来预测时刻的数值。
在加权K值大于预设K值时，则证明此时相应藻类在水域内分布较广，且有较高的生长趋势，所以此时需要进行一定的管控，如果不进行管控再未来可能会产生相应的生物风险，所以本发明会对相应的分割集合进行标记。
在对分割集合标记后，本发明会计算加权K值与预设K值之间的差值，得到K值之差，本发明会根据K值之差对分割集合内的分割区进行数量确定，并在分割集合内选择所确定数量的分割区，通过以下公式计算分割区的数量，
其中，为确定数量，为预设K值，为预先设置的标准数量。
对分割集合内的分割区按照位置标签进行排序，可以是图2所示的顺序进行排序。基于所述分割区的数量对第一数量进行均分得到相对应的均分数量，选取分割集合内的第1个分割区，并基于所述均分数量对分割区进行间隔挑选，得到相对应的挑选分割区，在第1个分割区、挑选分割区的数量达到分割区的数量后，则将第1个分割区、挑选分割区输出得到处理区域。
通过以上方式，使得本发明在对某种水藻进行处理时，能够均匀处理，使得处理后的水藻分布也是分散的，例如水域内生物的生长。
参见图4，是本发明实施例提供的藻类图像数据监测系统的结构示意图，该藻类图像数据监测系统包括：
调取模块，响应监测端对实际养殖区的监测信息，调取所述实际养殖区对应的虚拟养殖空间,所述虚拟养殖空间包括虚拟养殖区；
确定模块，调取藻类监测模型，所述藻类监测模型包括区域单元和展示单元，基于所述区域单元对所述虚拟养殖区进行区域确定，得到多个监测区；
采集模块，确定各所述监测区对应的监测点，获取监测设备基于所述监测点采集的监测图像；
汇总模块，接收所述监测端的分布查看需求，根据所述展示单元对所述监测图像进行藻类分布处理得到藻类分布数据，所述藻类分布数据包括单独分布数据和/或融合分布数据。
图4所示实施例的系统对应地可用于执行图1所示方法实施例中的步骤，其实现原理和技术效果类似，此处不再赘述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围。
Claims (10)
1.一种藻类图像数据监测方法，其特征在于，包括：
响应监测端对实际养殖区的监测信息，调取所述实际养殖区对应的虚拟养殖空间,所述虚拟养殖空间包括虚拟养殖区；
调取藻类监测模型，所述藻类监测模型包括区域单元和展示单元，基于所述区域单元对所述虚拟养殖区进行区域确定，得到多个监测区；
确定各所述监测区对应的监测点，获取监测设备基于所述监测点采集的监测图像；
接收所述监测端的分布查看需求，根据所述展示单元对所述监测图像进行藻类分布处理得到藻类分布数据，所述藻类分布数据包括单独分布数据和/或融合分布数据。
2.根据权利要求1所述的方法，其特征在于，
基于所述区域单元对所述虚拟养殖区进行区域确定，得到多个监测区，包括：
获取所述监测设备的采集距离，对所述采集距离进行解析得到长度距离和宽度距离；
确定所述虚拟养殖区分割方向上的第一排像素点作为分割集合，根据所述分割集合生成分割线；
其中，其中，所述分割方向包括所述长度方向对应的第一分割方向和所述宽度方向对应的第二分割方向，所述分割线包括所述第一分割方向垂直的第一分割线和所述第二分割方向垂直的第二分割线；
获取所述分割方向上距离所述分割线采集距离处的像素点作为下一个分割集合，根据下一个所述分割集合生成下一个所述分割线；
重复上述生成分割线的步骤，直至在所述虚拟养殖区遍历不到下一个所述分割集合时停止所述分割线的生成步骤；
根据所述分割线对所述虚拟养殖区进行区域划分，得到多个分割区，对多个分割区进行区域合并处理，得到多个监测区。
3.根据权利要求2所述的方法，其特征在于，
对多个分割区进行区域合并处理，得到多个监测区，包括：
获取与所述虚拟养殖区的区域围栏相交的分割区作为边界区，确定各所述边界区的区域面积；
确定所述区域面积小于预设监测面积的边界区为第一合并区，获取所述第一合并区相邻的分割区为筛选区；
统计所述第一合并区与各所述筛选区对应的合并面积，确定所述合并面积大于等于所述预设监测面积、且所述区域面积最小的筛选区为第二合并区；
对所述第一合并区和第二合并区进行区域合并处理，得到多个监测区。
4.根据权利要求3所述的方法，其特征在于，
确定各所述监测区对应的监测点，获取监测设备基于所述监测点采集的监测图像，包括：
获取各所述监测区对应的中心点作为监测点，根据各所述监测点的地理信息得到各所述监测点的监测位置；
确定所述第一分割方向为监测方向、所述第一分割线为监测线，或确定所述第二分割方向为监测方向、所述第二分割线为监测线，所述监测方向和所述监测线相互垂直；
获取所述监测线在所述监测方向上对所述虚拟养殖区划分的多个监测区域；
确定所述监测方向上的第一个所述监测区域为目标区域，按照与所述监测方向垂直的第一遍历方向对所述目标区域内各所述监测点进行顺序编号，得到各所述监测点的监测编号；
确定所述监测方向上的下一个所述监测区域为下一个所述目标区域，确定与所述第一遍历方向相反的方向为第二遍历方向；
按照所述第二遍历方向对下一个所述目标区域内各所述监测点继续按顺序进行编号，得到各所述监测点的监测编号；
继续上述根据第一遍历方向和第二遍历方向对相应所述目标区域内的监测点进行编号的步骤，直至完成所有监测点的编号；
控制所述监测设备按照所述监测编号依次前往相应的监测位置进行图像采集，得到各所述监测点对应的监测图像。
5.根据权利要求1所述的方法，其特征在于，
接收所述监测端的分布查看需求，根据所述展示单元对所述监测图像进行藻类分布处理得到藻类分布数据，所述藻类分布数据包括单独分布数据和/或融合分布数据，包括：
基于藻类识别模型对各所述监测图像进行藻类数据识别，得到各所述监测图像对应的藻类识别数据，所述藻类识别数据包括藻类种类，以及各所述藻类种类对应的藻类密度；
接收所述监测端的分布查看需求，所述分布查看需求包括单独查看需求和/或融合查看需求；
根据所述展示单元调取所述单独查看需求对应的单独展示策略，根据所述单独展示策略对所述监测图像的藻类识别数据进行单独分布处理得到单独分布数据；
基于所述展示单元调取所述融合查看需求对应的融合展示策略，根据所述融合展示策略对所述监测图像的藻类识别数据进行融合分布处理得到融合分布数据；
根据所述单独分布数据和/或融合分布数据得到藻类分布数据发送给所述监测端。
6.根据权利要求5所述的方法，其特征在于，
根据所述单独展示策略对所述监测图像的藻类识别数据进行单独分布处理得到单独分布数据，包括：
根据所述单独查看需求对各所述藻类种类进行汇总，生成藻类列表发送给所述监测端；
接收所述监测端在所述藻类列表中选取的藻类种类作为目标种类，确定所述目标种类对应的监测图像为目标图像；
获取所述目标图像对应的监测区为单独展示区，调取所述目标种类对应的密度对应表；
其中，所述密度对应表包括所述目标种类对应的多个预设密度区间，以及各所述预设密度区间对应的预设像素值；
确定所述目标图像的藻类密度对应的预设像素值为单独像素值，基于所述单独像素值对所述单独展示区进行像素值更新得到单独分布数据。
7.根据权利要求5所述的方法，其特征在于，
根据所述融合展示策略对所述监测图像的藻类识别数据进行融合分布处理得到融合分布数据，包括：
统计各所述监测图像对应的藻类种类数量，确定所述藻类种类数量等于基准数量的监测图像为一类图像；
确定所述一类图像对应的监测区为一类展示区，根据所述一类图像的藻类种类对应的密度对应表确定所述一类展示区对应的一类像素值；
根据所述一类像素值对所述一类展示区进行一类更新得到一类展示数据；
获取所述藻类种类数量大于基准数量的监测图像为二类图像，确定所述二类图像对应的监测区为二类展示区；
根据所述二类图像的多个藻类种类对应的藻类密度，确定所述二类展示区对应的藻类分布占比；
基于所述藻类分布占比对所述二类展示区进行融合像素点更新，得到二类展示数据；
根据所述一类展示数据和/或所述二类展示数据得到融合分布数据。
8.根据权利要求7所述的方法，其特征在于，
基于所述藻类分布占比对所述二类展示区进行融合像素点更新，得到二类展示数据，包括：
根据各所述藻类种类对应的密度对应表和藻类密度，确定各所述藻类种类对应的融合像素值；
获取所述二类展示区内位于同一行的像素点作为融合序列，根据所述藻类分布占比确定各所述藻类种类对应的单位数量；
基于同行融合策略按照所述藻类分布占比和各所述藻类种类对应的单位数量，依次选取所述融合序列中的像素点作为相应所述藻类种类对应的展示像素点；
根据相应所述融合像素值对相应所述展示像素点进行更新；
基于邻行融合策略确定各所述融合序列的相邻所述融合序列为目标序列，对所述目标序列的藻类分布占比中各所述藻类种类的占比位置进行调换，得到更新后的所述藻类分布占比；
根据所述更新后的藻类分布占比对所述目标序列中相应所述展示像素点进行更新，得到二类展示数据；
其中，相邻所述融合序列对应的藻类分布占比中各所述藻类种类的占比位置不相同。
9.根据权利要求6或7所述的方法，其特征在于，还包括：
获取位置关系相邻、且所述藻类密度相同的单独展示区作为目标展示区；或，
确定所述位置关系相邻、所述藻类密度相同、且所述藻类种类相同的一类展示区作为目标展示区；
对所述目标展示区进行合并处理，得到合并展示区。
10.一种藻类图像数据监测系统，其特征在于，包括：
调取模块，响应监测端对实际养殖区的监测信息，调取所述实际养殖区对应的虚拟养殖空间,所述虚拟养殖空间包括虚拟养殖区；
确定模块，调取藻类监测模型，所述藻类监测模型包括区域单元和展示单元，基于所述区域单元对所述虚拟养殖区进行区域确定，得到多个监测区；
采集模块，确定各所述监测区对应的监测点，获取监测设备基于所述监测点采集的监测图像；
汇总模块，接收所述监测端的分布查看需求，根据所述展示单元对所述监测图像进行藻类分布处理得到藻类分布数据，所述藻类分布数据包括单独分布数据和/或融合分布数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410646018.2A CN118230256B (zh) | 2024-05-23 | 2024-05-23 | 藻类图像数据监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410646018.2A CN118230256B (zh) | 2024-05-23 | 2024-05-23 | 藻类图像数据监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118230256A true CN118230256A (zh) | 2024-06-21 |
| CN118230256B CN118230256B (zh) | 2024-09-10 |
Family
ID=91508819
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410646018.2A Active CN118230256B (zh) | 2024-05-23 | 2024-05-23 | 藻类图像数据监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118230256B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115355821A (zh) * | 2022-09-02 | 2022-11-18 | 浙江科技学院 | 一种基于先验知识的高压电缆内芯图像分割方法 |
| CN116128320A (zh) * | 2023-01-04 | 2023-05-16 | 杭州有泰信息技术有限公司 | 电网输变电可视化管控方法及平台 |
| CN116433034A (zh) * | 2023-04-27 | 2023-07-14 | 浙江浙达能源科技有限公司 | 一种基于机器学习的虚拟电厂运行风险检测方法 |
| CN116434090A (zh) * | 2023-04-19 | 2023-07-14 | 江苏山水环境建设集团股份有限公司 | 水污染监控数据管理方法及系统 |
| CN116452474A (zh) * | 2023-05-17 | 2023-07-18 | 天津国兴海洋能源工程有限公司 | 一种基于数字孪生的污水处理设备可视化管理系统 |
| US20230401806A1 (en) * | 2022-03-18 | 2023-12-14 | Tencent Technology (Shenzhen) Company Limited | Scene element processing method and apparatus, device, and medium |
| CN117455231A (zh) * | 2023-10-24 | 2024-01-26 | 四川中烟工业有限责任公司 | 基于风险评估模型的监测预警方法及系统 |
| CN117853067A (zh) * | 2024-01-11 | 2024-04-09 | 玉溪师范学院 | 智慧农业生产数据处理方法及系统 |
| CN118012978A (zh) * | 2024-04-10 | 2024-05-10 | 江苏国创环保科技有限公司 | 基于bim-gis技术的污染场地数据处理方法及系统 |
-
2024
- 2024-05-23 CN CN202410646018.2A patent/CN118230256B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230401806A1 (en) * | 2022-03-18 | 2023-12-14 | Tencent Technology (Shenzhen) Company Limited | Scene element processing method and apparatus, device, and medium |
| CN115355821A (zh) * | 2022-09-02 | 2022-11-18 | 浙江科技学院 | 一种基于先验知识的高压电缆内芯图像分割方法 |
| CN116128320A (zh) * | 2023-01-04 | 2023-05-16 | 杭州有泰信息技术有限公司 | 电网输变电可视化管控方法及平台 |
| CN116434090A (zh) * | 2023-04-19 | 2023-07-14 | 江苏山水环境建设集团股份有限公司 | 水污染监控数据管理方法及系统 |
| CN116433034A (zh) * | 2023-04-27 | 2023-07-14 | 浙江浙达能源科技有限公司 | 一种基于机器学习的虚拟电厂运行风险检测方法 |
| CN116452474A (zh) * | 2023-05-17 | 2023-07-18 | 天津国兴海洋能源工程有限公司 | 一种基于数字孪生的污水处理设备可视化管理系统 |
| CN117455231A (zh) * | 2023-10-24 | 2024-01-26 | 四川中烟工业有限责任公司 | 基于风险评估模型的监测预警方法及系统 |
| CN117853067A (zh) * | 2024-01-11 | 2024-04-09 | 玉溪师范学院 | 智慧农业生产数据处理方法及系统 |
| CN118012978A (zh) * | 2024-04-10 | 2024-05-10 | 江苏国创环保科技有限公司 | 基于bim-gis技术的污染场地数据处理方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 胡园园;范剑超;王钧;: "广义统计区域合并的SAR图像浮筏养殖信息提取", 中国图象图形学报, no. 05, 16 May 2017 (2017-05-16) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118230256B (zh) | 2024-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10817889B2 (en) | Geographic boundary determination service | |
| TWI598839B (zh) | Method and apparatus for determining a target location | |
| US8643646B2 (en) | Constructing a cell-based cluster of data records of a scatter plot | |
| CN108446382B (zh) | 用于推送信息的方法和装置 | |
| US20100188413A1 (en) | Placement of cells in bins to provide non-overlapping visualization of data points of a scatter plot | |
| RU2544744C2 (ru) | Фильтрация информации из социальной сети с целью ее индивидуализированного отображения на фоне карты местности | |
| CN109522470A (zh) | 一种视频热度预测方法、装置、设备及存储介质 | |
| CA2957638A1 (en) | Systems and methods of communicating information regarding interpersonal relationships using biographical imagery | |
| Okoe et al. | Revisited experimental comparison of node-link and matrix representations | |
| CN111010546A (zh) | 监控预置点的调整方法、装置及存储介质 | |
| Liu et al. | Understanding taxi drivers’ routing choices from spatial and social traces | |
| CN105956718A (zh) | 一种灌区水资源优化配置方法和系统 | |
| CN118230256B (zh) | 藻类图像数据监测方法及系统 | |
| CN111475746A (zh) | 兴趣点位置挖掘方法、装置、计算机设备和存储介质 | |
| CN107093092A (zh) | 数据分析方法和装置 | |
| Sun et al. | Status and management of mixed fisheries: a global synthesis | |
| CN113050846B (zh) | 一种基于组件的时空大数据可视化配置方法及系统 | |
| CN107801418B (zh) | 利用地图检索记录的流动人口推算装置及方法 | |
| CN111723169B (zh) | 一种地图显示方法、装置、电子设备和存储介质 | |
| CN112287054A (zh) | 一种化工园区应急救援决策管理系统 | |
| US9959021B2 (en) | Method, system and computer storage medium of controlling visual field based on distances between users and a current user | |
| TWI780540B (zh) | 智能商業地理分析系統、方法及電腦可讀媒介 | |
| CN118246961B (zh) | 基于数据分析的出油量提升方法、服务器和相关设备 | |
| CN113741742B (zh) | 一种确定拍摄图标的方法及装置 | |
| CN117172141B (zh) | 基于气候条件和供需关系的土地类型模拟方法及装置 |
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 | ||
| GR01 | Patent grant |