CN115497013A - 工厂化养殖的鱼类胁迫状态监测方法及***、设备和介质 - Google Patents
工厂化养殖的鱼类胁迫状态监测方法及***、设备和介质 Download PDFInfo
- Publication number
- CN115497013A CN115497013A CN202110615931.2A CN202110615931A CN115497013A CN 115497013 A CN115497013 A CN 115497013A CN 202110615931 A CN202110615931 A CN 202110615931A CN 115497013 A CN115497013 A CN 115497013A
- Authority
- CN
- China
- Prior art keywords
- fish
- fishes
- video data
- stress
- monitoring
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000009360 aquaculture Methods 0.000 claims abstract description 21
- 244000144974 aquaculture Species 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 7
- 238000009313 farming Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 208000023414 familial retinal arterial macroaneurysm Diseases 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- JYGXADMDTFJGBT-VWUMJDOOSA-N hydrocortisone Chemical compound O=C1CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 JYGXADMDTFJGBT-VWUMJDOOSA-N 0.000 description 2
- 230000000366 juvenile effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- SNICXCGAKADSCV-JTQLQIEISA-N (-)-Nicotine Chemical compound CN1CCC[C@H]1C1=CC=CN=C1 SNICXCGAKADSCV-JTQLQIEISA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000013632 homeostatic process Effects 0.000 description 1
- 229960000890 hydrocortisone Drugs 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229960002715 nicotine Drugs 0.000 description 1
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Natural products CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K61/00—Culture of aquatic animals
- A01K61/10—Culture of aquatic animals of fish
-
- 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
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Environmental Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Zoology (AREA)
- Data Mining & Analysis (AREA)
- Biodiversity & Conservation Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Marine Sciences & Fisheries (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明涉及一种用于工厂化养殖的鱼类胁迫状态监测方法及***、设备和介质。方法包括：通过摄像装置获取工厂化养殖的水下鱼类视频数据；利用全卷积神经网络算法对视频数据中的鱼类进行检测和识别；根据鱼类在视频数据中的相对像素位置对鱼类进行分类；以及对鱼类的水层分布进行量化，并根据鱼类的水层分布计算得到胁迫线。本发明通过利用VGG‑16的前十三层作为特征提取骨干网络，建立基于多尺度卷积核的检测模块进行目标定位与识别，将深层信息与浅层信息融合，解决养殖环境中出现的多尺度、遮挡问题，同时，本发明对输入视频每类鱼的数量可视化，便于养殖人员分析鱼类行为的动态变化，为实时监测鱼类提供一种非侵入式、高效、智能化的工具。
Description
技术领域
本发明涉及水产动物状态监测方法的技术领域，具体地，涉及一种用于工厂化养殖的鱼类胁迫状态监测方法及***、设备和介质。
背景技术
随着水产养殖业的持续发展，自动化监控工厂化养殖的各个环节，对确保安全的养殖环境、健康的鱼类生活状态和鱼类质量显得格外重要，尤其是对鱼类行为进行监测和评估。
在水产养殖中，鱼类受到的胁迫主要包括：分池过程中养殖人员操作不当等因素；运输过程中水质环境恶化等因素以及养殖密度过高都会给鱼类带来巨大的胁迫，导致鱼类出现底层生活的现象。根据鱼类的行为变化，可结合鱼类水层分布变化判断其状态。
传统鱼类胁迫状态的观察方式，例如计算鱼类从底部进入顶部的所需的时间、测量皮质醇的浓度等，这些方式会消耗人力物力，或对鱼造成损伤。因此，需要一种低成本、无损的鱼类胁迫状态监测方法。
发明内容
针对现有技术中的问题，本发明提供一种用于工厂化养殖的鱼类胁迫状态监测方法及***、设备和介质。
第一方面，本发明提供一种用于工厂化养殖的鱼类胁迫状态监测方法，包括：
通过摄像装置获取工厂化养殖的水下鱼类视频数据；
利用全卷积神经网络算法对所述视频数据中的鱼类进行检测和识别；
根据所述鱼类在所述视频数据中的相对像素位置对所述鱼类进行分类；以及
对所述鱼类的水层分布进行量化，并根据所述鱼类的水层分布计算得到胁迫线。
进一步地，所述利用全卷积神经网络算法对所述视频数据中的鱼类进行检测和识别，包括：
以VGG-16的前13层作为骨干网络提取图像特征；以及
建立基于多尺度卷积核的检测模块进行目标定位与识别。
进一步地，所述建立基于多尺度卷积核的检测模块进行目标定位与识别，包括：
从下采样处分别提取特征图进行拼接融合得到3个尺度的特征图；以及
将所述3个尺度的特征图输入对应的三列多尺度卷积核进行融合，最终得到大、中、小三个尺度目标的检测结果。
进一步地，所述根据所述鱼类在所述视频数据中的相对像素位置对所述鱼类进行分类，包括：
针对检测结果位于所述视频数据的20％-50％像素位置，将所述鱼类分类为上层鱼；以及
针对所述检测结果位于所述视频数据的80％-50％像素位置，将所述鱼类分类为下层鱼。
进一步地，所述对所述鱼类的水层分布进行量化，并根据所述鱼类的水层分布计算得到胁迫线，包括：
获取所述视频数据中单位时间内每类鱼的数量；
通过K-means聚类方法得到胁迫状态下的最佳下层鱼比例以及无胁迫状态下的最佳下层鱼比例；以及
计算得到所述胁迫线。
进一步地，所述获取所述视频数据中单位时间内每类鱼的数量，包括：
确定单位时间内的总帧数；
对单位时间内每帧图像中的每类鱼的数量进行求和；以及
对求和的结果取平均值作为当前单位时间内每类鱼的数量。
进一步地，所述计算得到所述胁迫线，包括：
通过以下公式获得所述胁迫线：
其中，x为所述胁迫线，x1为所述无胁迫状态下的最佳下层鱼比例，x2为所述胁迫状态下的最佳下层鱼比例。
第二方面，本发明提供一种用于工厂化养殖的鱼类胁迫状态监测***，包括：
视频数据获取模块，用于通过摄像装置获取工厂化养殖的水下鱼类视频数据；
检测和识别模块，用于利用全卷积神经网络算法对所述视频数据中的鱼类进行检测和识别；
分类模块，用于根据所述鱼类在所述视频数据中的相对像素位置对所述鱼类进行分类；以及
胁迫线计算模块，用于对所述鱼类的水层分布进行量化，并根据所述鱼类的水层分布计算得到胁迫线。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述用于工厂化养殖的鱼类胁迫状态监测方法的步骤。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如第一方面所述用于工厂化养殖的鱼类胁迫状态监测方法的步骤。
本发明提供了一种用于工厂化养殖的鱼类胁迫状态监测方法及***、设备和介质，通过利用VGG-16的前十三层作为特征提取骨干网络，建立基于多尺度卷积核的检测模块进行目标定位与识别，将深层信息与浅层信息融合，解决养殖环境中出现的多尺度、遮挡问题，同时，本发明对输入视频每类鱼的数量可视化，便于养殖人员分析鱼类行为的动态变化，为实时监测鱼类提供一种非侵入式、高效、智能化的工具。
附图说明
通过参照下面的附图，可以更完整地理解本发明的示例性实施例：
图1为本发明实施例提供的用于工厂化养殖的鱼类胁迫状态监测方法的流程图；
图2为本发明实施例提供的全卷积神经网络单元的结构示意图；
图3和图4为本发明实施例提供的每类鱼的数量和下层鱼的比例随时间变化的曲线图；
图5为本发明实施例提供的用于工厂化养殖的鱼类胁迫状态监测***的结构框图；以及
图6为本发明实施例提供的电子设备的结构示意图。
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作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。
图1为本发明实施例提供的用于工厂化养殖的鱼类胁迫状态监测方法的流程图。
参照图1，用于工厂化养殖的鱼类胁迫状态监测方法包括以下步骤：
S101：通过摄像装置获取工厂化养殖的水下鱼类视频数据；
S103：利用全卷积神经网络算法对视频数据中的鱼类进行检测和识别；
S105：根据鱼类在视频数据中的相对像素位置对鱼类进行分类；以及
S107：对鱼类的水层分布进行量化，并根据鱼类的水层分布计算得到胁迫线。
在实施例中，胁迫线是根据鱼类无胁迫和胁迫两种状态下的水层分布，通过聚类方法得到鱼类胁迫状态下的下层鱼比例。
在实施例中，具体地，步骤S101包括使用摄像装置获取工厂化养殖的水下鱼类视频数据，该视频数据包括不同鱼池环境、不同光线条件等的视频数据。
在实施例中，具体地，步骤S103步骤包括以VGG-16的前13层作为骨干网络提取图像特征；以及建立基于多尺度卷积核的检测模块进行目标定位与识别：从下采样处分别提取特征图进行拼接融合得到3个尺度的特征图；将3个尺度的特征图输入对应的三列多尺度卷积核进行融合，最终得到大、中、小三个尺度目标的检测结果。
参照图2，其中，骨干网络的第1-2层的卷积层的k＝3、c＝64、d＝1，且max pooling的k＝2；第3-4层的卷积层的k＝3、c＝128、d＝1，且max pooling的k＝2；第5-7层的卷积层的k＝3、c＝256、d＝1，且max pooling的k＝2；第8-10层的卷积层的k＝3、c＝512、d＝1；第11-13层的卷积层的k＝3，c＝512，d＝1，且max pooling的k＝2；其中k为卷积核大小，c为通道数，d为扩张率。
基于多尺度卷积核的检测模块，从骨干网络的8倍、16倍以及32倍下采样处分别提取特征图输入对应的三列多尺度卷积核进行融合。对于8倍和16倍下采样的特征图，通过与上采样结果的特征图进行拼接融合得到新的特征图。
其中，三列多尺度卷积核包括三个并行的卷积网络，分别为L列，使用大尺度卷积核：7×7、5×5、5×5、5×5；M列，使用中等尺度卷积核：5×5、3×3、3×3、3×3；S列，使用小尺度卷积核：3×3、1×1、1×1、1×1；拼接后的特征图输入三列卷积神经网络，最终得到大、中、小三个尺度目标的检测结果。
在实施例中，全卷积神经网络训练方式如下：
(1)将输入视频数据缩放到大小为416×416的视频图像，构建的骨干网络的每一个卷积层后连接一个ReLU层；
(2)全卷积神经网络学习图像的纹理特征，最终经过三列卷积神经网络输出三个尺度的特征图大小分别为13×13、26×26、52×52；
(3)经过训练、测试，得到全卷积神经网络算法。
在实施例中，样本视频数据是将鱼类从养殖鱼池移入两个新的养殖鱼池中之后，其中一个养殖鱼池放入尼古丁药物而另一个不作任何处理而获得的各自一小时的视频数据。
在实施例中，具体地，步骤S105包括判断检测结果在输入视频的相对像素位置并对鱼类进行分类。针对检测结果在输入视频的20％-50％像素位置，则确定其为上层鱼并标记为A类鱼；针对检测结果在输入视频的80％-50％像素位置，则确定其为下层鱼并标记为B类鱼。
在实施例中，具体地，步骤S107包括计算视频数据中单位时间内每类鱼的数量以及下层鱼所占的比例，并且通过K-means算法计算胁迫状态下与无胁迫状态下的最佳下层鱼比例，从而得到胁迫线大小以及鱼类从下层到上层的时间。具体如下：
首先，基于步骤S105所获得的鱼类分类结果，计算视频数据中单位时间内每类鱼的数量，具体如下：
(1)确定单位时间内的总帧数，如下所示：
frams＝fps*60
其中，frams为每分钟(单位时间)内的总帧数；fps为视频数据的帧速率。
(2)对每分钟内每帧图像中的每类鱼的数量进行求和，如下所示：
其中，
为第j分钟内每帧图像中的A类鱼的数量的总和；
为第j分钟、第i帧图像中A类鱼的数量。
其中，
为第j分钟内每帧图像中的B类鱼的数量的总和；
为第j分钟、第i帧图像中B类鱼的数量。
(3)取平均值作为当前一分钟内每类鱼的数量，如下所示：
其中，
为第j分钟内A类鱼的平均数量；
为第j分钟内每帧图像中的A类鱼的数量的总和；frams为每分钟内的总帧数。
其中，
为第h分钟内B类鱼的平均数量；
为第j分钟内每帧图像中的B类鱼的数量的总和；frams为每分钟内的总帧数。
然后，基于视频数据中单位时间内每类鱼的数量(即，单位时间内A类鱼的数量与B类鱼的数量)，得到单位时间内下层鱼(即，B类鱼)所占的比例，具体如下：
其中，P为第j分钟B类鱼占全部鱼的比例；
为第j分钟A类鱼数量的平均值；
为第j分钟B类鱼数量的平均值。
最后，基于单位时间内B类鱼所占的比例，通过K-means算法计算胁迫状态下的最佳下层鱼比例以及无胁迫状态下的最佳下层鱼比例，从而得到胁迫线大小以及鱼类从下层到上层的时间，具体如下：
(1)将当前单位时间与下层鱼所占的比例组成键值对<k,v>，其中k表示第k分钟，v表示第k分钟对应的下层鱼所占的比例；
(2)通过K-means聚类方法得到无胁迫状态下的最佳下层鱼比例，记为种子点x1，并取大于或等于种子点x1的最大k值标记为无胁迫状态下鱼类从下层到上层花费的时间t1；同样地，可以获得胁迫状态下的最佳下层鱼比例，记为种子点x2，并取小于或等于x2种子点的最小k值记为胁迫状态下鱼类从下层到上层花费的时间t2；
(3)计算胁迫线大小，如下所示：
通过量化鱼类的水下分布，当下层鱼比例超过胁迫线，且时间超过t1，在t1到t2时间段内，养殖人员可以进行相关操作减缓幼鱼受到的压力，使得幼鱼保持内稳态和鱼体健康。
为了使养殖人员能够更清楚地观察、分析鱼类的胁迫状态，可以采用可视化的形式进行展示。在实施例中，图3和图4示出了本发明实施例提供的每类鱼的数量和下层鱼的比例随时间变化的曲线图。
在图3和图4中，横坐标代表时间，即，视频数据的总时长，该总时长可以通过以下公式获得：
其中，视频数据的总时长的单位为分钟，nframs为视频数据的总帧数，fps为视频数据的帧速率，另外，对于不足一分钟的帧图像的视频数据，进行舍弃。
另外，图3和图4的纵坐标分别代表视频数据中单位时间内A类鱼和B类鱼的数量，以及视频数据中单位时间内B类鱼所占的比例。视频数据中单位时间内A类鱼和B类鱼的数量分别对应于上述参照实施例描述的步骤S107获得的
和
并且视频数据中单位时间内B类鱼所占的比例对应于上述参照实施例描述的步骤S107获得的P。
图5为本发明实施例提供的用于工厂化养殖的鱼类胁迫状态监测***的结构框图。参照图5，该***500包括：
视频数据获取模块501，用于通过摄像装置获取工厂化养殖的水下鱼类视频数据；
检测和识别模块503，用于利用全卷积神经网络算法对所述视频数据中的鱼类进行检测和识别；
分类模块505，用于根据所述鱼类在所述视频数据中的相对像素位置对所述鱼类进行分类；以及
胁迫线计算模块507，用于对所述鱼类的水层分布进行量化，并根据所述鱼类的水层分布计算得到胁迫线。
由以上可知，***500的各个模块501至507可以分别执行参照上述实施例描述的监测方法中的各个步骤，此处将不再对其细节进行描述。
由以上可知，本发明提供了一种用于工厂化养殖的鱼类胁迫状态监测方法及***，通过利用VGG-16的前十三层作为特征提取骨干网络，建立基于多尺度卷积核的检测模块进行目标定位与识别，将深层信息与浅层信息融合，解决养殖环境中出现的多尺度、遮挡问题，同时，本发明对输入视频每类鱼的数量可视化，便于养殖人员分析鱼类行为的动态变化，为实时监测鱼类提供一种非侵入式、高效、智能化的工具。
另一方面，本发明提供了一种电子设备。如图6所示，电子设备600包括处理器601、存储器602、通信接口603和通信总线604；
其中，处理器601、存储器602、通信接口603通过通信总线304完成相互间的通信；
处理器601用于调用存储器602中的计算机程序，处理器601执行计算机程序时实现如上所述的本发明实施例所提供的用于工厂化养殖的鱼类胁迫状态监测方法的步骤。
此外，上述存储器中的计算机程序可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的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，包括若干计算机程序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步骤。而前述的存储介质包括：U盘、移动硬盘、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。
另一方面，本发明提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如上所述的本发明实施例所提供的用于工厂化养殖的鱼类胁迫状态监测方法的步骤。
以上所描述的***实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参考前述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精神和范围。
Claims (10)
1.一种用于工厂化养殖的鱼类胁迫状态监测方法，其特征在于，包括：
通过摄像装置获取工厂化养殖的水下鱼类视频数据；
利用全卷积神经网络算法对所述视频数据中的鱼类进行检测和识别；
根据所述鱼类在所述视频数据中的相对像素位置对所述鱼类进行分类；以及
对所述鱼类的水层分布进行量化，并根据所述鱼类的水层分布计算得到胁迫线。
2.根据权利要求1所述的用于工厂化养殖的鱼类胁迫状态监测方法，其特征在于，所述利用全卷积神经网络算法对所述视频数据中的鱼类进行检测和识别，包括：
以VGG-16的前13层作为骨干网络提取图像特征；以及
建立基于多尺度卷积核的检测模块进行目标定位与识别。
3.根据权利要求2所述的用于工厂化养殖的鱼类胁迫状态监测方法，其特征在于，所述建立基于多尺度卷积核的检测模块进行目标定位与识别，包括：
从下采样处分别提取特征图进行拼接融合得到3个尺度的特征图；以及
将所述3个尺度的特征图输入对应的三列多尺度卷积核进行融合，最终得到大、中、小三个尺度目标的检测结果。
4.根据权利要求1所述的用于工厂化养殖的鱼类胁迫状态监测方法，其特征在于，所述根据所述鱼类在所述视频数据中的相对像素位置对所述鱼类进行分类，包括：
针对检测结果位于所述视频数据的20％-50％像素位置，将所述鱼类分类为上层鱼；以及
针对所述检测结果位于所述视频数据的80％-50％像素位置，将所述鱼类分类为下层鱼。
5.根据权利要求1所述的用于工厂化养殖的鱼类胁迫状态监测方法，其特征在于，所述对所述鱼类的水层分布进行量化，并根据所述鱼类的水层分布计算得到胁迫线，包括：
获取所述视频数据中单位时间内每类鱼的数量；
通过K-means聚类方法得到胁迫状态下的最佳下层鱼比例以及无胁迫状态下的最佳下层鱼比例；以及
计算得到所述胁迫线。
6.根据权利要求5所述的用于工厂化养殖的鱼类胁迫状态监测方法，其特征在于，所述获取所述视频数据中单位时间内每类鱼的数量，包括：
确定所述单位时间内的总帧数；
对所述单位时间内每帧图像中的每类鱼的数量进行求和；以及
对求和的结果取平均值作为当前单位时间内每类鱼的数量。
7.根据权利要求5所述的用于工厂化养殖的鱼类胁迫状态监测方法，其特征在于，所述计算得到所述胁迫线，包括：
通过以下公式获得所述胁迫线：
其中，x为所述胁迫线，x1为所述无胁迫状态下的最佳下层鱼比例，x2为所述胁迫状态下的最佳下层鱼比例。
8.一种用于工厂化养殖的鱼类胁迫状态监测***，其特征在于，包括：
视频数据获取模块，用于通过摄像装置获取工厂化养殖的水下鱼类视频数据；
检测和识别模块，用于利用全卷积神经网络算法对所述视频数据中的鱼类进行检测和识别；
分类模块，用于根据所述鱼类在所述视频数据中的相对像素位置对所述鱼类进行分类；以及
胁迫线计算模块，用于对所述鱼类的水层分布进行量化，并根据所述鱼类的水层分布计算得到胁迫线。
9.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述用于工厂化养殖的鱼类胁迫状态监测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述用于工厂化养殖的鱼类胁迫状态监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110615931.2A CN115497013A (zh) | 2021-06-02 | 2021-06-02 | 工厂化养殖的鱼类胁迫状态监测方法及***、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110615931.2A CN115497013A (zh) | 2021-06-02 | 2021-06-02 | 工厂化养殖的鱼类胁迫状态监测方法及***、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115497013A true CN115497013A (zh) | 2022-12-20 |
Family
ID=84465235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110615931.2A Pending CN115497013A (zh) | 2021-06-02 | 2021-06-02 | 工厂化养殖的鱼类胁迫状态监测方法及***、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115497013A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117172598A (zh) * | 2023-09-05 | 2023-12-05 | 中国长江电力股份有限公司 | 一种基于云计算的流域水生态鱼类监测管理*** |
-
2021
- 2021-06-02 CN CN202110615931.2A patent/CN115497013A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117172598A (zh) * | 2023-09-05 | 2023-12-05 | 中国长江电力股份有限公司 | 一种基于云计算的流域水生态鱼类监测管理*** |
| CN117172598B (zh) * | 2023-09-05 | 2024-05-28 | 中国长江电力股份有限公司 | 一种基于云计算的流域水生态鱼类监测管理*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10747999B2 (en) | Methods and systems for pattern characteristic detection | |
| Millan et al. | On‐the‐Go Grapevine Yield Estimation Using Image Analysis and Boolean Model | |
| Mishra et al. | A Deep Learning-Based Novel Approach for Weed Growth Estimation. | |
| SE1930281A1 (en) | METHOD FOR CALCULATING DEVIATION RELATIONS OF A POPULATION | |
| CN110349153B (zh) | 基于多特征融合的图像法烟草含梗率检测方法 | |
| US11282199B2 (en) | Methods and systems for identifying internal conditions in juvenile fish through non-invasive means | |
| KR20180057785A (ko) | 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법 | |
| Costa et al. | Measuring pecan nut growth utilizing machine vision and deep learning for the better understanding of the fruit growth curve | |
| Herzog | Initial steps for high-throughput phenotyping in vineyards | |
| CN111507227B (zh) | 基于深度学习的多学生个体分割及状态自主识别方法 | |
| CN112016400A (zh) | 一种基于深度学习的单类目标检测方法、设备及存储介质 | |
| US20240104900A1 (en) | Fish school detection method and system thereof, electronic device and storage medium | |
| CN111898677A (zh) | 一种基于深度学习的浮游生物自动检测方法 | |
| Yudhana et al. | Fish Freshness Identification Using Machine Learning: Performance Comparison of k-NN and Naïve Bayes Classifier. | |
| Atanbori et al. | Convolutional neural net-based cassava storage root counting using real and synthetic images | |
| CN115497013A (zh) | 工厂化养殖的鱼类胁迫状态监测方法及***、设备和介质 | |
| CN115240060A (zh) | 一种海星灾害预警方法及*** | |
| Stasenko et al. | Deep Learning for improving the storage process: Accurate and automatic segmentation of spoiled areas on apples | |
| CN115526852A (zh) | 基于目标检测的选区激光熔融过程中熔池与飞溅监测方法及应用 | |
| CN113326743B (zh) | 一种养殖背景条件下鱼群运动行为参数提取和分析方法 | |
| CN116363494B (zh) | 一种鱼类数量监测、洄游跟踪的方法和*** | |
| CN116597309A (zh) | 集成萌芽期生长和苗期生理指标鉴选植物抗性品种的方法 | |
| Boyle et al. | Image-based estimation of oat panicle development using local texture patterns | |
| Patel et al. | An intelligent grading system for automated identification and classification of banana fruit diseases using deep neural network | |
| CN114943929A (zh) | 基于图像融合技术的鱼类异常行为实时检测方法 |
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 |