CN115100512A - 一种海洋经济物种的监测识别捕捞方法、***及存储介质 - Google Patents
一种海洋经济物种的监测识别捕捞方法、***及存储介质 Download PDFInfo
- Publication number
- CN115100512A CN115100512A CN202210529189.8A CN202210529189A CN115100512A CN 115100512 A CN115100512 A CN 115100512A CN 202210529189 A CN202210529189 A CN 202210529189A CN 115100512 A CN115100512 A CN 115100512A
- Authority
- CN
- China
- Prior art keywords
- marine
- target
- economic species
- information
- underwater environment
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims description 22
- 230000007613 environmental effect Effects 0.000 claims description 22
- 230000006399 behavior Effects 0.000 claims description 17
- 230000033001 locomotion Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 241000894007 species Species 0.000 description 117
- 208000012661 Dyskinesia Diseases 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009182 swimming Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Mechanical Means For Catching Fish (AREA)
Abstract
本发明公开了一种海洋经济物种的监测识别捕捞方法、***及存储介质,涉及渔业捕捞技术领域,包括:获取目标海域水下环境监测视频流,根据所述水下环境监测视频流获取水下环境帧图像信息,并将所述水下环境帧图像信息进行预处理;构建海洋生物识别模型,将预处理后水下环境帧图像信息导入所述海洋生物识别模型识别出图像中海洋经济物种,并获取海洋经济物种的主要生长阶段,估算目标区域内海洋经济物种的数量信息,根据所述主要生长阶段及数量信息判断是否能够捕捞,并根据判断结果生成捕捞路线及捕捞计划。本发明实现了目标海域内海洋经济物种的智能化检测识别,保证了识别精度,有利于海洋经济物种的精准捕捞。
Description
技术领域
本发明涉及渔业捕捞技术领域,更具体的,涉及一种海洋经济物种的监测识别捕捞方法、***及存储介质。
背景技术
随着国家对海洋资源的日益重视,运用现代海洋信息技术,建立现代海洋产业体系已成为国家的重要举措之一,海洋经济物种的监测与识别,对水产养殖管理、水域环境监控、渔业资源研究等领域有着重要研究意义及价值。然而,受水下特殊成像环境的限制,水下图像存在对比度低、颜色失真、光照不均等质量退化现象,导致图像细节丢失,自动化分析困难;此外,鱼类形态各异,尺寸不一,种类繁多且差异细微,因此在渔业捕捞中针对特定海洋经济物种的识别和捕捞带来了严峻的挑战。
为了能够在目标海域内实现目标海洋经济物种的精准捕捞,需要开发一款***与之配合进行实现,该***通过获取目标海域水下环境监测视频流,根据水下环境监测视频流获取水下环境帧图像信息,将水下环境帧图像信息进行预处理;构建海洋生物识别模型,将预处理后水下环境帧图像信息导入所述海洋生物识别模型识别出图像中海洋经济物种,并获取海洋经济物种的主要生长阶段,估算目标区域内海洋经济物种的数量信息,根据所述主要生长阶段及数量信息判断是否能够捕捞,并根据判断结果生成捕捞路线及捕捞计划。在该***的实现过程中如何对目标海洋经济物种进行识别是亟不可待需要解决的问题。
发明内容
为了解决上述至少一个技术问题,本发明提出了一种海洋经济物种的监测识别捕捞方法、***及可读存储介质。
本发明第一方面提供了一种海洋经济物种的监测识别捕捞方法,包括:
获取目标海域水下环境监测视频流,根据所述水下环境监测视频流获取水下环境帧图像信息,并将所述水下环境帧图像信息进行预处理;
构建海洋生物识别模型,将预处理后水下环境帧图像信息导入所述海洋生物识别模型,根据海洋生物模型的识别结果获取目标海洋经济物种;
获取目标海洋经济物种的主要生长阶段,同时估算目标区域内目标海洋经济物种的数量信息;
根据所述主要生长阶段及数量信息判断是否能够捕捞,并根据判断结果生成捕捞路线及捕捞计划。
本方案中,所述构建海洋生物识别模型,具体为:
基于Mobilenet网络及YOLOv3网络并结合渔业声学技术构建海洋生物识别模型,通过Mobilenet网络和渔业声学技术提取水下环境帧图像信息中不同尺度的特征图或特征数据;
将所述不同尺度的特征图或特征数据通过进行特征融合生成综合特征图或特征数据,将所述综合特征图或特征数据导入YOLOv3网络或人工智能算法进行先验框的预测,并将预测值与真实值进行对比,计算损失函数;
通过大数据获取海洋生物图像及标记数据,根据最小化损失函数进行海洋生物识别模型的训练;
通过训练后海洋生物识别模型生成水下环境帧图像信息中的带有海洋生物种类信息的标记框。
本方案中,所述的根据海洋生物识别模型的识别结果获取目标海洋经济物种,具体为:
获取目标海域的环境特征、水文特征及地理位置特征,根据所述环境特征、水文特征及地理位置特征生成目标海域特征序列;
根据所述目标海域特征序列通过大数据检索获取符合目标海域适生条件的海洋经济物种种类信息,通过所述海洋经济物种种类信息生成目标海洋经济物种列表;
将所述海洋生物识别模型的识别结果与所述目标海洋经济物种列表进行取交集处理,获取水下环境帧图像信息中含有的目标海洋经济物种种类信息。
本方案中,根据所述主要生长阶段及数量信息判断是否能够捕捞,并根据判断结果生成捕捞路线及捕捞计划,具体为:
获取预设时间内的水下环境帧图像信息时间序列,根据各时间点的水下环境帧图像信息中各种类海洋经济物种的数目估算预设区域内海洋经济物种的数量信息;
根据水下环境帧图像信息中目标海洋经济物种的轮廓信息及视差值获取目标海洋经济物种的的形态参数,根据同种类海洋经济物种的形态参数获取该种类海洋经济物种的主要生长阶段;
根据所述目标海洋经济物种种类信息预设对应的主要生长阶段及数量信息阈值,判断海洋经济物种的主要生长阶段是否大于预设主要生长阶段阈值;
若大于,则判断所述预设区域海洋经济物种的数量信息是否大于预设数量信息阈值;
若大于,则根据目标海域内预设区域的位置信息及目标海域的气象信息生成捕捞路线及捕捞计划。
本方案中,所述的根据目标海域内预设区域的位置信息及目标海域的气象信息生成捕捞路线及捕捞计划,具体为:
获取目标海域内预设区域的位置信息及环境特征、水文特征,根据所述环境特征及水文特征构建预设区域的特征序列;
在目标海域范围内搜寻与预设区域的特征序列相似度处于预设相似度预设范围的其他区域,并将所述其他区域作为候选捕捞区域;
根据所述预设区域的位置信息及候选捕捞区域的位置信息生成捕捞路线,当预设区域的渔获量小于预设渔获量阈值时,则进入候选捕捞区域进行捕捞;
同时获取目标海域各区域的气象信息,根据所述气象信息对捕捞区域进行修正,根据修正后的捕捞区域制定捕捞计划。
本方案中,还包括:
通过所述目标海域水下环境监测视频流对目标区域的海洋生物的运动行为进行监测;
获取预设时间内各水下环境帧图像信息中目标海洋生物的标记框,将连续两帧水下环境帧图像信息中的标记框进行关联度计算;
当所述关联度大于预设关联度阈值时,则根据连续两帧水下环境帧图像信息中的标记框生成轨迹段,根据所述轨迹段获取预设时间内目标海洋生物的轨迹信息;
构建海洋生物轨迹识别模型并进行初始化训练,提取目标海洋生物的轨迹信息的轨迹特征,根据所述轨迹特征基于生物轨迹识别模型获取海洋生物的异常运动行为;
根据所述异常运动行为分析海洋生物的活跃程度,根据季节及时段预设不同活跃程度阈值,当所述活跃程度大于活跃程度阈值,则生成目标海域水质预警信息。
本发明第二方面还提供了一种海洋经济物种的监测识别捕捞***,该***包括:存储器、处理器,所述存储器中包括一种海洋经济物种的监测识别捕捞方法程序,所述一种海洋经济物种的监测识别捕捞方法程序被所述处理器执行时实现如下步骤:
获取目标海域水下环境监测视频流,根据所述水下环境监测视频流获取水下环境帧图像信息,并将所述水下环境帧图像信息进行预处理;
构建海洋生物识别模型,将预处理后水下环境帧图像信息导入所述海洋生物识别模型,根据海洋生物模型的识别结果获取目标海洋经济物种;
获取目标海洋经济物种的主要生长阶段,同时估算目标区域内目标海洋经济物种的数量信息;
根据所述主要生长阶段及数量信息判断是否能够捕捞,并根据判断结果生成捕捞路线及捕捞计划。
本方案中,所述构建海洋生物识别模型,具体为:
基于Mobilenet网络及YOLOv3网络并结合渔业声学技术构建海洋生物识别模型,通过Mobilenet网络和渔业声学技术提取水下环境帧图像信息中不同尺度的特征图或特征数据;
将所述不同尺度的特征图或特征数据通过进行特征融合生成综合特征图或特征数据,将所述综合特征图或特征数据导入YOLOv3网络或人工智能算法进行先验框的预测,并将预测值与真实值进行对比,计算损失函数;
通过大数据获取海洋生物图像及标记数据,根据最小化损失函数进行海洋生物识别模型的训练;
通过训练后海洋生物识别模型生成水下环境帧图像信息中的带有海洋生物种类信息的标记框。
本方案中,所述的根据海洋生物识别模型的识别结果获取目标海洋经济物种,具体为:
获取目标海域的环境特征、水文特征及地理位置特征,根据所述环境特征、水文特征及地理位置特征生成目标海域特征序列;
根据所述目标海域特征序列通过大数据检索获取符合目标海域适生条件的海洋经济物种种类信息,通过所述海洋经济物种种类信息生成目标海洋经济物种列表;
将所述海洋生物识别模型的识别结果与所述目标海洋经济物种列表进行取交集处理,获取水下环境帧图像信息中含有的目标海洋经济物种种类信息。
本方案中,根据所述主要生长阶段及数量信息判断是否能够捕捞,并根据判断结果生成捕捞路线及捕捞计划,具体为:
获取预设时间内的水下环境帧图像信息时间序列,根据各时间点的水下环境帧图像信息中各种类海洋经济物种的数目估算预设区域内海洋经济物种的数量信息;
根据水下环境帧图像信息中目标海洋经济物种的轮廓信息及视差值获取目标海洋经济物种的的形态参数,根据同种类海洋经济物种的形态参数获取该种类海洋经济物种的主要生长阶段;
根据所述目标海洋经济物种种类信息预设对应的主要生长阶段及数量信息阈值,判断海洋经济物种的主要生长阶段是否大于预设主要生长阶段阈值;
若大于,则判断所述预设区域海洋经济物种的数量信息是否大于预设数量信息阈值;
若大于,则根据目标海域内预设区域的位置信息及目标海域的气象信息生成捕捞路线及捕捞计划。
本方案中,所述的根据目标海域内预设区域的位置信息及目标海域的气象信息生成捕捞路线及捕捞计划,具体为:
获取目标海域内预设区域的位置信息及环境特征、水文特征,根据所述环境特征及水文特征构建预设区域的特征序列;
在目标海域范围内搜寻与预设区域的特征序列相似度处于预设相似度预设范围的其他区域,并将所述其他区域作为候选捕捞区域;
根据所述预设区域的位置信息及候选捕捞区域的位置信息生成捕捞路线,当预设区域的渔获量小于预设渔获量阈值时,则进入候选捕捞区域进行捕捞;
同时获取目标海域各区域的气象信息,根据所述气象信息对捕捞区域进行修正,根据修正后的捕捞区域制定捕捞计划。
本方案中,还包括:
通过所述目标海域水下环境监测视频流对目标区域的海洋生物的运动行为进行监测;
获取预设时间内各水下环境帧图像信息中目标海洋生物的标记框,将连续两帧水下环境帧图像信息中的标记框进行关联度计算;
当所述关联度大于预设关联度阈值时,则根据连续两帧水下环境帧图像信息中的标记框生成轨迹段,根据所述轨迹段获取预设时间内目标海洋生物的轨迹信息;
构建海洋生物轨迹识别模型并进行初始化训练,提取目标海洋生物的轨迹信息的轨迹特征,根据所述轨迹特征基于生物轨迹识别模型获取海洋生物的异常运动行为;
根据所述异常运动行为分析海洋生物的活跃程度,根据季节及时段预设不同活跃程度阈值,当所述活跃程度大于活跃程度阈值,则生成目标海域水质预警信息。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种海洋经济物种的监测识别捕捞方法程序,所述一种海洋经济物种的监测识别捕捞方法程序被处理器执行时,实现如上述任一项所述的一种海洋经济物种的监测识别捕捞方法的步骤。
本发明公开了一种海洋经济物种的监测识别捕捞方法、***及存储介质,涉及渔业捕捞技术领域,包括:获取目标海域水下环境监测视频流,根据所述水下环境监测视频流获取水下环境帧图像信息,并将所述水下环境帧图像信息进行预处理;构建海洋生物识别模型,将预处理后水下环境帧图像信息导入所述海洋生物识别模型识别出图像中海洋经济物种,并获取海洋经济物种的主要生长阶段,估算目标区域内海洋经济物种的数量信息,根据所述主要生长阶段及数量信息判断是否能够捕捞,并根据判断结果生成捕捞路线及捕捞计划。本发明实现了目标海域内海洋经济物种的智能化检测识别,保证了识别精度,有利于海洋经济物种的精准捕捞。
附图说明
图1示出了本发明一种海洋经济物种的监测识别捕捞方法的流程图;
图2示出了本发明一种海洋经济物种的监测识别捕捞***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种海洋经济物种的监测识别捕捞方法的流程图。
如图1所示,本发明第一方面提供了一种海洋经济物种的监测识别捕捞方法,包括:
S102,获取目标海域水下环境监测视频流,根据所述水下环境监测视频流获取水下环境帧图像信息,并将所述水下环境帧图像信息进行预处理;
S104,构建海洋生物识别模型,将预处理后水下环境帧图像信息导入所述海洋生物识别模型,根据海洋生物模型的识别结果获取目标海洋经济物种;
S106,获取目标海洋经济物种的主要生长阶段,同时估算目标区域内目标海洋经济物种的数量信息;
S108,根据所述主要生长阶段及数量信息判断是否能够捕捞,并根据判断结果生成捕捞路线及捕捞计划。
需要说明的是,所述目标海域水下环境监测视频流可通过目标海域内分布式部署的感知设备进行获取,将水下环境帧图像信息通过暗通道先验算法及阈值图像分割进行颜色及对比度等方面的图像增强,提高水下环境帧图像信息的对比度、去除模糊及噪音,改善水下图像质量;
根据所述所述构建海洋生物识别模型,具体为:基于Mobilenet网络及YOLOv3网络并结合渔业声学技术构建海洋生物识别模型,通过Mobilenet网络和渔业声学技术提取水下环境帧图像信息中不同尺度的的特征图或特征数据;将所述不同尺度的特征图或特征数据通过进行特征融合生成综合特征图或特征数据,将所述综合特征图或特征数据导入YOLOv3网络或人工智能算法进行先验框的预测,并将预测值与真实值进行对比,计算损失函数;通过大数据获取海洋生物图像及标记数据,根据最小化损失函数进行海洋生物识别模型的训练,其中海洋生物识别模型的训练采用随机梯度下降的方法,预设初始学习率,训练至损失函数趋于稳定;将待检测水下环境帧图像信息输入训练好海洋生物识别模型,提取其特征,通过自适应特征融合模块对不同尺度的特征进行融合,得到融合特征,对融合特征进行位置和分类预测,通过非极大抑制算法去除掉冗余的先验框,生成水下环境帧图像信息中的带有海洋生物种类信息的标记框。
需要说明的是,所述的根据海洋生物识别模型的识别结果获取目标海洋经济物种,具体为:获取目标海域的环境特征、水文特征及地理位置特征,根据所述环境特征、水文特征及地理位置特征生成目标海域特征序列;根据所述目标海域特征序列通过大数据检索获取符合目标海域适生条件的海洋经济物种种类信息,通过所述海洋经济物种种类信息生成目标海洋经济物种列表;将所述海洋生物识别模型的识别结果与所述目标海洋经济物种列表进行取交集处理,获取水下环境帧图像信息中含有的目标海洋经济物种种类信息。
需要说明的是,根据所述主要生长阶段及数量信息判断是否能够捕捞,并根据判断结果生成捕捞路线及捕捞计划,具体为:获取预设时间内的水下环境帧图像信息时间序列,根据各时间点的水下环境帧图像信息中各种类海洋经济物种的数目估算预设区域内海洋经济物种的数量信息;根据水下环境帧图像信息中目标海洋经济物种的轮廓信息及视差值获取目标海洋经济物种的的形态参数,根据同种类海洋经济物种的形态参数获取该种类海洋经济物种的主要生长阶段;根据所述目标海洋经济物种种类信息及经济价值预设对应的主要生长阶段及数量信息阈值,判断海洋经济物种的主要生长阶段是否大于预设主要生长阶段阈值;若大于,则判断所述预设区域海洋经济物种的数量信息是否大于预设数量信息阈值;若大于,则根据目标海域内预设区域的位置信息及目标海域的气象信息生成捕捞路线及捕捞计划。
需要说明的是,所述的根据目标海域内预设区域的位置信息及目标海域的气象信息生成捕捞路线及捕捞计划,具体为:获取目标海域内预设区域的位置信息及环境特征、水文特征,根据所述环境特征及水文特征构建预设区域的特征序列;在目标海域范围内搜寻与预设区域的特征序列相似度处于预设相似度预设范围的其他区域,并将所述其他区域作为候选捕捞区域;根据所述预设区域的位置信息及候选捕捞区域的位置信息生成捕捞路线,根据所述捕捞路线优先在预设区域进行捕捞,当预设区域的渔获量小于预设渔获量阈值时,则进入候选捕捞区域进行捕捞;在制定捕捞路线的同时获取目标海域各区域的气象信息,通过气象信息判断是否适合进行捕捞活动,并根据所述气象信息对捕捞区域进行修正,根据修正后的捕捞区域制定捕捞计划。
需要说明的是,本发明还包括,获取目标区域内海洋生物的经异常运动行为,生成目标区域水质预警,具体为
通过所述目标海域水下环境监测视频流对目标区域的海洋生物的运动行为进行监测;获取预设时间内各水下环境帧图像信息中目标海洋生物的标记框,将连续两帧水下环境帧图像信息中的标记框进行关联度计算,由于目标海洋生物的运动连续性,则根据前后两帧图像信息中的标记框的重合程度及标记框中心点距离值作为关联度的判断标准,当所述关联度大于预设关联度阈值时,则根据连续两帧水下环境帧图像信息中的标记框生成轨迹段,根据所述轨迹段获取预设时间内目标海洋生物的轨迹信息;基于决策树、循环神经网络等方法构建海洋生物轨迹识别模型并通过Fish4Knowledge数据集进行初始化训练,提取目标海洋生物的轨迹信息的轨迹特征,根据所述轨迹特征基于生物轨迹识别模型获取海洋生物的异常运动行为;根据所述异常运动行为分析海洋生物的活跃程度,由于海洋生物在遇到水质环境突变的情况下,通常会出现应激反应,如游速增加、浮头等行为,根据季节及时段预设不同活跃程度阈值,当所述活跃程度大于活跃程度阈值,则生成目标海域水质预警信息。
图2示出了本发明一种海洋经济物种的监测识别捕捞***的框图。
本发明第二方面还提供了一种海洋经济物种的监测识别捕捞***,该***包括:存储器、处理器,所述存储器中包括一种海洋经济物种的监测识别捕捞方法程序,所述一种海洋经济物种的监测识别捕捞方法程序被所述处理器执行时实现如下步骤:
获取目标海域水下环境监测视频流,根据所述水下环境监测视频流获取水下环境帧图像信息,并将所述水下环境帧图像信息进行预处理;
构建海洋生物识别模型,将预处理后水下环境帧图像信息导入所述海洋生物识别模型,根据海洋生物模型的识别结果获取目标海洋经济物种;
获取目标海洋经济物种的主要生长阶段,同时估算目标区域内目标海洋经济物种的数量信息;
根据所述主要生长阶段及数量信息判断是否能够捕捞,并根据判断结果生成捕捞路线及捕捞计划。
需要说明的是,所述目标海域水下环境监测视频流可通过目标海域内分布式部署的感知设备进行获取,将水下环境帧图像信息通过暗通道先验算法及阈值图像分割进行颜色及对比度等方面的图像增强,提高水下环境帧图像信息的对比度、去除模糊及噪音,改善水下图像质量;
根据所述所述构建海洋生物识别模型,具体为:基于Mobilenet网络及YOLOv3网络并结合渔业声学技术构建海洋生物识别模型,通过Mobilenet网络和渔业声学技术提取水下环境帧图像信息中不同尺度的的特征图或特征数据;将所述不同尺度的特征图或特征数据通过进行特征融合生成综合特征图或特征数据,将所述综合特征图或特征数据导入YOLOv3网络或人工智能算法进行先验框的预测,并将预测值与真实值进行对比,计算损失函数;通过大数据获取海洋生物图像及标记数据,根据最小化损失函数进行海洋生物识别模型的训练,其中海洋生物识别模型的训练采用随机梯度下降的方法,预设初始学习率,训练至损失函数趋于稳定;将待检测水下环境帧图像信息输入训练好海洋生物识别模型,提取其特征,通过自适应特征融合模块对不同尺度的特征进行融合,得到融合特征,对融合特征进行位置和分类预测,通过非极大抑制算法去除掉冗余的先验框,生成水下环境帧图像信息中的带有海洋生物种类信息的标记框。
需要说明的是,所述的根据海洋生物识别模型的识别结果获取目标海洋经济物种,具体为:获取目标海域的环境特征、水文特征及地理位置特征,根据所述环境特征、水文特征及地理位置特征生成目标海域特征序列;根据所述目标海域特征序列通过大数据检索获取符合目标海域适生条件的海洋经济物种种类信息,通过所述海洋经济物种种类信息生成目标海洋经济物种列表;将所述海洋生物识别模型的识别结果与所述目标海洋经济物种列表进行取交集处理,获取水下环境帧图像信息中含有的目标海洋经济物种种类信息。
需要说明的是,根据所述主要生长阶段及数量信息判断是否能够捕捞,并根据判断结果生成捕捞路线及捕捞计划,具体为:获取预设时间内的水下环境帧图像信息时间序列,根据各时间点的水下环境帧图像信息中各种类海洋经济物种的数目估算预设区域内海洋经济物种的数量信息;根据水下环境帧图像信息中目标海洋经济物种的轮廓信息及视差值获取目标海洋经济物种的的形态参数,根据同种类海洋经济物种的形态参数获取该种类海洋经济物种的主要生长阶段;根据所述目标海洋经济物种种类信息及经济价值预设对应的主要生长阶段及数量信息阈值,判断海洋经济物种的主要生长阶段是否大于预设主要生长阶段阈值;若大于,则判断所述预设区域海洋经济物种的数量信息是否大于预设数量信息阈值;若大于,则根据目标海域内预设区域的位置信息及目标海域的气象信息生成捕捞路线及捕捞计划。
需要说明的是,所述的根据目标海域内预设区域的位置信息及目标海域的气象信息生成捕捞路线及捕捞计划,具体为:获取目标海域内预设区域的位置信息及环境特征、水文特征,根据所述环境特征及水文特征构建预设区域的特征序列;在目标海域范围内搜寻与预设区域的特征序列相似度处于预设相似度预设范围的其他区域,并将所述其他区域作为候选捕捞区域;根据所述预设区域的位置信息及候选捕捞区域的位置信息生成捕捞路线,根据所述捕捞路线优先在预设区域进行捕捞,当预设区域的渔获量小于预设渔获量阈值时,则进入候选捕捞区域进行捕捞;在制定捕捞路线的同时获取目标海域各区域的气象信息,通过气象信息判断是否适合进行捕捞活动,并根据所述气象信息对捕捞区域进行修正,根据修正后的捕捞区域制定捕捞计划。
需要说明的是,本发明还包括,获取目标区域内海洋生物的经异常运动行为,生成目标区域水质预警,具体为
通过所述目标海域水下环境监测视频流对目标区域的海洋生物的运动行为进行监测;获取预设时间内各水下环境帧图像信息中目标海洋生物的标记框,将连续两帧水下环境帧图像信息中的标记框进行关联度计算,由于目标海洋生物的运动连续性,则根据前后两帧图像信息中的标记框的重合程度及标记框中心点距离值作为关联度的判断标准,当所述关联度大于预设关联度阈值时,则根据连续两帧水下环境帧图像信息中的标记框生成轨迹段,根据所述轨迹段获取预设时间内目标海洋生物的轨迹信息;基于决策树、循环神经网络等方法构建海洋生物轨迹识别模型并通过Fish4Knowledge数据集进行初始化训练,提取目标海洋生物的轨迹信息的轨迹特征,根据所述轨迹特征基于生物轨迹识别模型获取海洋生物的异常运动行为;根据所述异常运动行为分析海洋生物的活跃程度,由于海洋生物在遇到水质环境突变的情况下,通常会出现应激反应,如游速增加、浮头等行为,根据季节及时段预设不同活跃程度阈值,当所述活跃程度大于活跃程度阈值,则生成目标海域水质预警信息。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种海洋经济物种的监测识别捕捞方法程序,所述一种海洋经济物种的监测识别捕捞方法程序被处理器执行时,实现如上述任一项所述的一种海洋经济物种的监测识别捕捞方法的步骤。
本发明公开了一种海洋经济物种的监测识别捕捞方法、***及存储介质,涉及渔业捕捞技术领域,包括:获取目标海域水下环境监测视频流,根据所述水下环境监测视频流获取水下环境帧图像信息,并将所述水下环境帧图像信息进行预处理;构建海洋生物识别模型,将预处理后水下环境帧图像信息导入所述海洋生物识别模型识别出图像中海洋经济物种,并获取海洋经济物种的主要生长阶段,估算目标区域内海洋经济物种的数量信息,根据所述主要生长阶段及数量信息判断是否能够捕捞,并根据判断结果生成捕捞路线及捕捞计划。本发明实现了目标海域内海洋经济物种的智能化检测识别,保证了识别精度,有利于海洋经济物种的精准捕捞。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种海洋经济物种的监测识别捕捞方法,其特征在于,包括以下步骤:
获取目标海域水下环境监测视频流,根据所述水下环境监测视频流获取水下环境帧图像信息,并将所述水下环境帧图像信息进行预处理;
构建海洋生物识别模型,将预处理后水下环境帧图像信息导入所述海洋生物识别模型,根据海洋生物模型的识别结果获取目标海洋经济物种;
获取目标海洋经济物种的主要生长阶段,同时估算目标区域内目标海洋经济物种的数量信息;
根据所述主要生长阶段及数量信息判断是否能够捕捞,并根据判断结果生成捕捞路线及捕捞计划。
2.根据权利要求1所述的一种海洋经济物种的监测识别捕捞方法,其特征在于,所述构建海洋生物识别模型,具体为:
基于Mobilenet网络及YOLOv3网络并结合渔业声学技术构建海洋生物识别模型,通过Mobilenet网络和渔业声学技术提取水下环境帧图像信息中不同尺度的的特征图或特征数据;
将所述不同尺度的特征图或特征数据通过进行特征融合生成综合特征图或特征数据,将所述综合特征图或特征数据导入YOLOv3网络或人工智能算法进行先验框的预测,并将预测值与真实值进行对比,计算损失函数;
通过大数据获取海洋生物图像及标记数据,根据最小化损失函数进行海洋生物识别模型的训练;
通过训练后海洋生物识别模型生成水下环境帧图像信息中的带有海洋生物种类信息的标记框。
3.根据权利要求1所述的一种海洋经济物种的监测识别捕捞方法,其特征在于,所述的根据海洋生物识别模型的识别结果获取目标海洋经济物种,具体为:
获取目标海域的环境特征、水文特征及地理位置特征,根据所述环境特征、水文特征及地理位置特征生成目标海域特征序列;
根据所述目标海域特征序列通过大数据检索获取符合目标海域适生条件的海洋经济物种种类信息,通过所述海洋经济物种种类信息生成目标海洋经济物种列表;
将所述海洋生物识别模型的识别结果与所述目标海洋经济物种列表进行取交集处理,获取水下环境帧图像信息中含有的目标海洋经济物种种类信息。
4.根据权利要求1所述的一种海洋经济物种的监测识别捕捞方法,其特征在于,根据所述主要生长阶段及数量信息判断是否能够捕捞,并根据判断结果生成捕捞路线及捕捞计划,具体为:
获取预设时间内的水下环境帧图像信息时间序列,根据各时间点的水下环境帧图像信息中各种类海洋经济物种的数目估算预设区域内海洋经济物种的数量信息;
根据水下环境帧图像信息中目标海洋经济物种的轮廓信息及视差值获取目标海洋经济物种的的形态参数,根据同种类海洋经济物种的形态参数获取该种类海洋经济物种的主要生长阶段;
根据所述目标海洋经济物种种类信息预设对应的主要生长阶段及数量信息阈值,判断海洋经济物种的主要生长阶段是否大于预设主要生长阶段阈值;
若大于,则判断所述预设区域海洋经济物种的数量信息是否大于预设数量信息阈值;
若大于,则根据目标海域内预设区域的位置信息及目标海域的气象信息生成捕捞路线及捕捞计划。
5.根据权利要求所述的一种海洋经济物种的监测识别捕捞方法,其特征在于,所述的根据目标海域内预设区域的位置信息及目标海域的气象信息生成捕捞路线及捕捞计划,具体为:
获取目标海域内预设区域的位置信息及环境特征、水文特征,根据所述环境特征及水文特征构建预设区域的特征序列;
在目标海域范围内搜寻与预设区域的特征序列相似度处于预设相似度预设范围的其他区域,并将所述其他区域作为候选捕捞区域;
根据所述预设区域的位置信息及候选捕捞区域的位置信息生成捕捞路线,当预设区域的渔获量小于预设渔获量阈值时,则进入候选捕捞区域进行捕捞;
同时获取目标海域各区域的气象信息,根据所述气象信息对捕捞区域进行修正,根据修正后的捕捞区域制定捕捞计划。
6.根据权利要求1所述的一种海洋经济物种的监测识别捕捞方法,其特征在于,还包括:
通过所述目标海域水下环境监测视频流对目标区域的海洋生物的运动行为进行监测;
获取预设时间内各水下环境帧图像信息中目标海洋生物的标记框,将连续两帧水下环境帧图像信息中的标记框进行关联度计算;
当所述关联度大于预设关联度阈值时,则根据连续两帧水下环境帧图像信息中的标记框生成轨迹段,根据所述轨迹段获取预设时间内目标海洋生物的轨迹信息;
构建海洋生物轨迹识别模型并进行初始化训练,提取目标海洋生物的轨迹信息的轨迹特征,根据所述轨迹特征基于生物轨迹识别模型获取海洋生物的异常运动行为;
根据所述异常运动行为分析海洋生物的活跃程度,根据季节及时段预设不同活跃程度阈值,当所述活跃程度大于活跃程度阈值,则生成目标海域水质预警信息。
7.一种海洋经济物种的监测识别捕捞***,其特征在于,该***包括:存储器、处理器,所述存储器中包括一种海洋经济物种的监测识别捕捞方法程序,所述一种海洋经济物种的监测识别捕捞的方法程序被所述处理器执行时实现如下步骤:
获取目标海域水下环境监测视频流,根据所述水下环境监测视频流获取水下环境帧图像信息,并将所述水下环境帧图像信息进行预处理;
构建海洋生物识别模型,将预处理后水下环境帧图像信息导入所述海洋生物识别模型,根据海洋生物模型的识别结果获取目标海洋经济物种;
获取目标海洋经济物种的主要生长阶段,同时估算目标区域内目标海洋经济物种的数量信息;
根据所述主要生长阶段及数量信息判断是否能够捕捞,并根据判断结果生成捕捞路线及捕捞计划。
8.根据权利要求7所述的一种海洋经济物种的监测识别捕捞***,其特征在于,所述的根据海洋生物识别模型的识别结果获取目标海洋经济物种,具体为:
获取目标海域的环境特征、水文特征及地理位置特征,根据所述环境特征、水文特征及地理位置特征生成目标海域特征序列;
根据所述目标海域特征序列通过大数据检索获取符合目标海域适生条件的海洋经济物种种类信息,通过所述海洋经济物种种类信息生成目标海洋经济物种列表;
将所述海洋生物识别模型的识别结果与所述目标海洋经济物种列表进行取交集处理,获取水下环境帧图像信息中含有的目标海洋经济物种种类信息。
9.根据权利要求7所述的一种海洋经济物种的监测识别捕捞***,其特征在于,根据所述主要生长阶段及数量信息判断是否能够捕捞,并根据判断结果生成捕捞路线及捕捞计划,具体为:
获取预设时间内的水下环境帧图像信息时间序列,根据各时间点的水下环境帧图像信息中各种类海洋经济物种的数目估算预设区域内海洋经济物种的数量信息;
根据水下环境帧图像信息中目标海洋经济物种的轮廓信息及视差值获取目标海洋经济物种的的形态参数,根据同种类海洋经济物种的形态参数获取该种类海洋经济物种的主要生长阶段;
根据所述目标海洋经济物种种类信息预设对应的主要生长阶段及数量信息阈值,判断海洋经济物种的主要生长阶段是否大于预设主要生长阶段阈值;
若大于,则判断所述预设区域海洋经济物种的数量信息是否大于预设数量信息阈值;
若大于,则根据目标海域内预设区域的位置信息及目标海域的气象信息生成捕捞路线及捕捞计划。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中包括一种海洋经济物种的监测识别捕捞方法程序,所述一种海洋经济物种的监测识别捕捞方法程序被处理器执行时,实现如权利要求1至6中任一项所述的一种海洋经济物种的监测识别捕捞方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210529189.8A CN115100512A (zh) | 2022-05-16 | 2022-05-16 | 一种海洋经济物种的监测识别捕捞方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210529189.8A CN115100512A (zh) | 2022-05-16 | 2022-05-16 | 一种海洋经济物种的监测识别捕捞方法、***及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115100512A true CN115100512A (zh) | 2022-09-23 |
Family
ID=83287655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210529189.8A Pending CN115100512A (zh) | 2022-05-16 | 2022-05-16 | 一种海洋经济物种的监测识别捕捞方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100512A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293658A (zh) * | 2022-10-08 | 2022-11-04 | 中国水产科学研究院南海水产研究所 | 一种基于大数据的渔业资源规划方法及*** |
CN115375043A (zh) * | 2022-10-24 | 2022-11-22 | 中国水产科学研究院南海水产研究所 | 一种基于物联网的渔港监管方法及*** |
CN116429118A (zh) * | 2023-06-15 | 2023-07-14 | 中国水产科学研究院南海水产研究所 | 一种基于物联网的渔船安全生产监管方法及*** |
CN116562472A (zh) * | 2023-07-10 | 2023-08-08 | 中国水产科学研究院南海水产研究所 | 一种中上层海洋生物目标种类识别与分布预测方法及*** |
CN116562467A (zh) * | 2023-07-07 | 2023-08-08 | 中国水产科学研究院南海水产研究所 | 一种海洋鱼类目标种类识别及分布预测方法及*** |
CN116596163A (zh) * | 2023-07-05 | 2023-08-15 | 中国水产科学研究院南海水产研究所 | 一种基于图像探测的白姑鱼资源分布预测***及方法 |
CN116720755A (zh) * | 2023-08-10 | 2023-09-08 | 中国水产科学研究院南海水产研究所 | 一种基于大数据的渔业资源评价方法及*** |
CN117171675A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 基于多源数据的水环境微生物检测方法、***及介质 |
CN117572438A (zh) * | 2024-01-12 | 2024-02-20 | 中国水产科学研究院南海水产研究所 | 一种走航式鱼群探测方法及*** |
-
2022
- 2022-05-16 CN CN202210529189.8A patent/CN115100512A/zh active Pending
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293658A (zh) * | 2022-10-08 | 2022-11-04 | 中国水产科学研究院南海水产研究所 | 一种基于大数据的渔业资源规划方法及*** |
CN115375043A (zh) * | 2022-10-24 | 2022-11-22 | 中国水产科学研究院南海水产研究所 | 一种基于物联网的渔港监管方法及*** |
CN116429118A (zh) * | 2023-06-15 | 2023-07-14 | 中国水产科学研究院南海水产研究所 | 一种基于物联网的渔船安全生产监管方法及*** |
CN116429118B (zh) * | 2023-06-15 | 2023-10-27 | 中国水产科学研究院南海水产研究所 | 一种基于物联网的渔船安全生产监管方法及*** |
CN116596163B (zh) * | 2023-07-05 | 2024-02-20 | 中国水产科学研究院南海水产研究所 | 一种基于图像探测的白姑鱼资源分布预测***及方法 |
CN116596163A (zh) * | 2023-07-05 | 2023-08-15 | 中国水产科学研究院南海水产研究所 | 一种基于图像探测的白姑鱼资源分布预测***及方法 |
CN116562467A (zh) * | 2023-07-07 | 2023-08-08 | 中国水产科学研究院南海水产研究所 | 一种海洋鱼类目标种类识别及分布预测方法及*** |
CN116562467B (zh) * | 2023-07-07 | 2024-02-20 | 中国水产科学研究院南海水产研究所 | 一种海洋鱼类目标种类识别及分布预测方法及*** |
CN116562472A (zh) * | 2023-07-10 | 2023-08-08 | 中国水产科学研究院南海水产研究所 | 一种中上层海洋生物目标种类识别与分布预测方法及*** |
CN116562472B (zh) * | 2023-07-10 | 2024-01-09 | 中国水产科学研究院南海水产研究所 | 一种中上层海洋生物目标种类识别与分布预测方法及*** |
CN116720755B (zh) * | 2023-08-10 | 2024-02-20 | 中国水产科学研究院南海水产研究所 | 一种基于大数据的渔业资源评价方法及*** |
CN116720755A (zh) * | 2023-08-10 | 2023-09-08 | 中国水产科学研究院南海水产研究所 | 一种基于大数据的渔业资源评价方法及*** |
CN117171675B (zh) * | 2023-11-02 | 2024-01-12 | 北京建工环境修复股份有限公司 | 基于多源数据的水环境微生物检测方法、***及介质 |
CN117171675A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 基于多源数据的水环境微生物检测方法、***及介质 |
CN117572438A (zh) * | 2024-01-12 | 2024-02-20 | 中国水产科学研究院南海水产研究所 | 一种走航式鱼群探测方法及*** |
CN117572438B (zh) * | 2024-01-12 | 2024-05-03 | 中国水产科学研究院南海水产研究所 | 一种走航式鱼群探测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115100512A (zh) | 一种海洋经济物种的监测识别捕捞方法、***及存储介质 | |
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN114494837B (zh) | 一种渔业资源的密度智能识别方法及*** | |
CN111898581B (zh) | 动物检测方法、装置、电子设备及可读存储介质 | |
CN108806334A (zh) | 一种基于图像的智能船舶身份识别方法 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
CN110414367B (zh) | 一种基于gan和ssn的时序行为检测方法 | |
CN111931713B (zh) | 一种异常行为检测方法、装置、电子设备及存储介质 | |
Coro et al. | An intelligent and cost-effective remote underwater video device for fish size monitoring | |
Kratzert et al. | Fish species classification in underwater video monitoring using Convolutional Neural Networks | |
CN113591592B (zh) | 水上目标识别方法、装置、终端设备及存储介质 | |
Xia et al. | In situ sea cucumber detection based on deep learning approach | |
CN115731282A (zh) | 基于深度学习的水下鱼类重量估计方法、***及电子设备 | |
CN112528823A (zh) | 一种基于关键帧检测和语义部件分割的条斑鲨运动行为分析方法及*** | |
CN116977937A (zh) | 一种行人重识别的方法及*** | |
CN113536946B (zh) | 一种基于摄像头关系的自监督行人重识别方法 | |
CN113255549B (zh) | 一种狼群围猎行为状态智能识别方法及*** | |
CN116562467B (zh) | 一种海洋鱼类目标种类识别及分布预测方法及*** | |
CN112699842A (zh) | 宠物识别方法、装置、设备及计算机可读存储介质 | |
CN117253192A (zh) | 用于桑蚕养殖的智能***及方法 | |
CN116311096A (zh) | 基于YOLOv7-MO的毛虾捕捞目标识别与计数***及其操作方法 | |
CN111222370A (zh) | 一种案件研判方法、***及装置 | |
CN113850166A (zh) | 一种基于卷积神经网络的船舶图像识别方法及*** | |
CN110738137A (zh) | 一种人流量统计方法及装置 | |
Zhao et al. | Fish Identification Method Based on Oriented Fast and Rotated Brief Algorithm and Convolutional Neural Network in Muddy Sea |
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 |