CN116609786B - 鱼类统计方法及装置 - Google Patents

鱼类统计方法及装置 Download PDF

Info

Publication number
CN116609786B
CN116609786B CN202310578593.9A CN202310578593A CN116609786B CN 116609786 B CN116609786 B CN 116609786B CN 202310578593 A CN202310578593 A CN 202310578593A CN 116609786 B CN116609786 B CN 116609786B
Authority
CN
China
Prior art keywords
fish
image
data
images
individual
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
Application number
CN202310578593.9A
Other languages
English (en)
Other versions
CN116609786A (zh
Inventor
赵贤德
杜秀可
岳晓龙
陈天恩
董大明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nongxin Nanjing Intelligent Agricultural Research Institute Co ltd
Original Assignee
Nongxin Nanjing Intelligent Agricultural Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nongxin Nanjing Intelligent Agricultural Research Institute Co ltd filed Critical Nongxin Nanjing Intelligent Agricultural Research Institute Co ltd
Priority to CN202310578593.9A priority Critical patent/CN116609786B/zh
Publication of CN116609786A publication Critical patent/CN116609786A/zh
Application granted granted Critical
Publication of CN116609786B publication Critical patent/CN116609786B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/96—Sonar systems specially adapted for specific applications for locating fish
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了鱼类统计方法及装置，涉及渔业技术领域。其中，该鱼类统计方法，包括以下步骤：S1、获取预设水域范围内的鱼类数据；S2、对鱼类数据进行预处理；S3、通过目标检测算法识别图像中的鱼体目标并进行统计，再通过卡尔曼滤波算法对个体目标进行目标关联和跟踪；S4、结合图像位置、跟踪信息、图像时间信息修正水域总的鱼体统计数量。本发明，解决使用水下摄像头对水质的要求较高，无法实现远距离探测，且在浑浊的水中难以清楚的监测鱼群活动，以及鱼一般具有趋光性或避光性，影响鱼群的真实情况；同时，现有声纳技术多是以“鱼群”为目标，进行探测分析，而不是以单体为目标进行探测分析，误差较大的问题。

Description

鱼类统计方法及装置
技术领域
本发明涉及渔业技术领域，尤其涉及一种鱼类统计方法及装置。
背景技术
目前在渔业生产和渔业资源监测领域，准确估计鱼类数量是渔业养殖中的重要课题，准确的掌握鱼的数量、削减饲养成本并进行有计划的生产，是养殖规范化、科学化管理的技术保障。现代化渔业养殖对自动化鱼类统计装置的需求不断提高，人们对鱼类统计的自动化程度、准确率、速度都有了很高的要求。
声纳是一种利用声波在水中的传播特性，通过电声转换和信息处理，完成水下探测器和通讯任务的电子设备。它有主动和被动两种类型，属于声学定位的范畴。声纳是利用水中声波对水下目标进行探测、定位和通讯的电子设备，是水声学中应用最广泛、最重要的一种装置。由于电磁波在水中衰减的速率非常高，无法作为侦测的讯号来源，以声波探测水下物体成为运用最广泛的手段。在水中进行观测和测量，具有得天独厚的条件的只有声波。在水中进行测量和观测，至今还没有发现比声波更有效的手段。
现有技术中，使用水下摄像头对水质的要求较高，无法实现远距离探测，且在浑浊的水中难以清楚的监测鱼群活动，以及鱼一般具有趋光性或避光性，影响鱼群的真实情况；同时，现有声纳技术多是以“鱼群”为目标，进行探测分析，而不是以单体为目标进行探测分析，误差较大的问题。针对上述出现的问题，目前尚未提出有效的解决方案。
发明内容
发明目的：提供一种鱼类统计方法及装置，以解决现有技术存在的上述问题。
技术方案：鱼类统计方法，包括以下步骤：
S1、获取预设水域范围内的鱼类数据；其中，所述鱼类数据包括：声学数据和图像数据；
S2、对所述鱼类数据进行预处理；
S3、通过目标检测算法识别图像中的鱼体目标并进行统计，再通过卡尔曼滤波算法对个体目标进行目标关联和跟踪；
S4、结合图像位置信息、图像时间信息以及鱼体目标关联和跟踪的预测结果对统计结果进行修正，以求和统计出水域内总的鱼量。
作为优选，获取预设水域范围内的鱼类数据之前还包括：
通过检测设备自动巡游并实时获取巡游时的声学数据，同时将数据通过无线通讯装置发送至云端服务器。
作为优选，通过检测设备自动巡游并实时获取巡游时的声学数据和图像数据，同时将数据通过无线通讯装置发送至云端服务器之前还包括：
将检测设备放置在检测水域，通过检测设备的温度传感器检测水温，GPS定位当前位置，通过无线通讯装置与云端服务器连接，在服务器端设置检测水域的边界范围，服务器根据水域边界和水体温度规划设备巡游路径。
作为优选，通过目标检测算法识别图像中的鱼体目标并进行统计，再通过卡尔曼滤波算法对个体目标进行目标关联和跟踪包括：
对原始声图使用线性插值预处理得到处理后的声学图像(P1,P1,…Pn),n为图像总数，接着对图像进行线性拉伸，将拉伸后的图像中的背景去除，留下图像中的有效目标，即水中的鱼个体目标，统计图像中个体数量定义个体目标为:
其中x，y为个体在声纳图像中的坐标，l为个体长度，l/w为个体长宽比值
第i个有效目标在k时刻的***状态向量为Fk(i),计算第i个有效目标在前一时刻状态量Fk-1(i)的预测值其中i＝1,2…nk-1,其中nk-1是k-1时刻的状态个数，预测方程为：
其中A为状态转移矩阵，Δt是采样时间间隔。
作为优选，通过目标检测算法识别图像中的鱼体目标并进行统计，再通过卡尔曼滤波算法对个体目标进行目标关联和跟踪还包括：
根据状态转换矩阵由前一状态值预测当前的状态值，同时预测状态协方差矩阵：
P- k+1＝A*P- k+1*AT+Q
根据声学图像的测量值更新***最优估计以及卡尔曼增益Kk和状态协方差Pk：
Pk＝(1-KH)P- k
Kk＝P- kHT(HP- kHT+R)-1
式中，P- k表示状态的先验证协方差矩阵，A表示状态转移矩阵，Q表示状态协方差矩阵，H表示观测矩阵，R表示噪声协方差矩阵，Zk表示观测值。
作为优选，结合图像位置信息、图像时间信息以及鱼体目标关联和跟踪的预测结果对统计结果进行修正，以求和统计出水域内总的鱼量包括：
通过GPS确定图像的采集时间和相对位置，图像下一时刻相邻的图像时间间隔Δt，使用两位置相邻两图像采样时间的间隔Δt，预测个体目标最优估计获得个体(x，y)坐标，确定目标坐标在采样时间间隔Δt内是否移出当前图像，并确定目标移入图像的编号，修正所有帧图像后，求和统计出水域总的鱼数量。
作为优选，对所述鱼类数据进行预处理包括：
对声学数据通过存储格式转换，将图像构建成为矩形声图并预处理。为了实现上述目的，根据本申请的另一方面，提供了一种鱼类统计装置。
根据本申请的鱼类统计装置，包括：船状主体，所述船状主体的底部设置有发射声换能器、接收换能器、温度传感器和成像控制器，所述船状主体的尾部设置有驱动装置，所述船状主体的顶部分别设置有超声波测距装置、定位装置、无线通讯装置，所述船状主体内设置有主控制器，所述主控制器分别与所述发射声换能器、所述接收换能器、所述温度传感器、所述成像控制器、所述驱动装置、所述超声波测距装置、所述定位装置和所述无线通讯装置电连接；
所述定位装置，用于对设备主体的位置进行定位；
所述超声波测距装置，用于设备检测水面障碍物距离躲避障碍物；
所述无线通讯装置，用于与云端服务器进行无线数据交互；
所述主控制器、发射声换能器和接收换能器，用于在主控制器的控制下通过发射声换能器发射声波，声波碰到水底及水中物体会产生回波，接收换能器接收回波，并将接收到的回波信号生成二维声学图像。
作为优选，所述船状主体内设置有数据存储模块，所述主控制器与所述数据存储模块电连接，用于记录设备主***置信息，声学图像数据、图像时间、序号。
作为优选，所述船状主体内还设置有可充电电池，所述主控制器与所述可充电电池电连接。
有益效果：在本申请实施例中，采用完全自动统计的方式，通过获取预设水域范围内的鱼类数据；其中，所述鱼类数据包括：声学数据和图像数据；对所述鱼类数据进行预处理；通过目标检测算法识别图像中的鱼体目标并进行统计，再通过卡尔曼滤波算法对个体目标进行目标关联和跟踪；结合图像位置信息、图像时间信息以及鱼体目标关联和跟踪的预测结果对统计结果进行修正，以求和统计出水域内总的鱼量，达到了统计分析不再以“鱼群”为目标，而是以水域面积内的所有单体鱼为目标的目的，从而实现了避免了统计的遗漏和重复，使统计更精准的技术效果，进而解决了现有技术中，使用水下摄像头对水质的要求较高，无法实现远距离探测，且在浑浊的水中难以清楚的监测鱼群活动，以及鱼一般具有趋光性或避光性，影响鱼群的真实情况；同时，现有声纳技术多是以“鱼群”为目标，进行探测分析，而不是以单体为目标进行探测分析，误差较大的技术问题。
附图说明
图1是本发明提供的鱼类统计装置结构示意图；
图2是本发明提供的鱼类统计方法流程图；
图3是本发明提供的鱼类统计装置巡游路径示意图；
图4是本发明提供的鱼类统计方法的云端服务器声学数据处理算法流程图；
图5是本发明提供的又一鱼类统计方法流程图。
附图标记为：10、超声波测距装置；20、定位装置；30、无线通讯装置；40、驱动装置；50、温度传感器；60、成像控制器。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，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、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本发明实施例，提供了一种鱼类统计方法，如图1-5所示，该方法包括如下的步骤S1至步骤S4：
步骤S1、获取预设水域范围内的鱼类数据；其中，所述鱼类数据包括：声学数据和图像数据；
能够获取实时的鱼类数据，从而为后续的数据处理和分析提供数据基础。
根据本发明实施例，优选的，在步骤S1中，获取预设水域范围内的鱼类数据之前还包括：
通过检测设备自动巡游并实时获取巡游时的声学数据，同时将数据通过无线通讯装置发送至云端服务器。
通过将检测设备按照预设路径进行巡游，能够采集水域内实时的声学数据，同时，将采集的声学数据通过无线通讯装置发送至云端服务器，能够实现良好的无线传输效果，从而确保良好的数据交互效果。
根据本发明实施例，优选的，通过检测设备自动巡游并实时获取巡游时的声学数据和图像数据，同时将数据通过无线通讯装置发送至云端服务器之前还包括：
将检测设备放置在检测水域，通过检测设备的温度传感器检测水温，GPS定位当前位置，通过无线通讯装置与云端服务器连接，在服务器端设置检测水域的边界范围，服务器根据水域边界和水体温度规划设备巡游路径。
通过检测设备上的数据采集装置，能够采集待测水域内的相关数据信息，比如：水温，检测设备的具***置等；同时，通过无线通讯装置与云端服务器连接，能够实现良好的通讯连接效果，从而实现良好的云端控制效果。
步骤S2、对所述鱼类数据进行预处理；
通过对鱼类数据进行预处理，能够获得更为准确的数据信息，其中，预处理的方式包括但不限于：归一化：归一化是一种将信号缩放到一定范围内的方法，以便更好地进行后续处理。变换：变换是将信号从时域或空域转换为频域或其他域的方法。对于声音，可以使用傅里叶变换将信号从时域转换为频域；对于图像，则可以使用离散余弦变换(DCT)、小波变换等将信号从空域转换为频域。
根据本发明实施例，优选的，在步骤S2中，对所述鱼类数据进行预处理包括：
对声学数据通过存储格式转换，将图像构建成为矩形声图并预处理。
能够实现良好的数据预处理效果，从而降低噪音的干扰，进而确保数据采集的准确性。
步骤S3、通过目标检测算法识别图像中的鱼体目标并进行统计，再通过卡尔曼滤波算法对个体目标进行目标关联和跟踪；
根据本发明实施例，优选的，在步骤S3中，通过目标检测算法识别图像中的鱼体目标并进行统计，再通过卡尔曼滤波算法对个体目标进行目标关联和跟踪包括：
对原始声图使用线性插值预处理得到处理后的声学图像(P1,P1,…Pn),n为图像总数，接着对图像进行线性拉伸，将拉伸后的图像中的背景去除，留下图像中的有效目标，即水中的鱼个体目标，统计图像中个体数量
定义个体目标为:
其中x，y为个体在声纳图像中的坐标，l为个体长度，l/w为个体长宽比值
第i个有效目标在k时刻的***状态向量为Fk(i),计算第i个有效目标在前一时刻状态量Fk-1(i)的预测值其中i＝1,2…nk-1,其中nk-1是k-1时刻的状态个数，预测方程为：
其中A为状态转移矩阵，Δt是采样时间间隔。
根据本发明实施例，优选的，在步骤S3中，通过目标检测算法识别图像中的鱼体目标并进行统计，再通过卡尔曼滤波算法对个体目标进行目标关联和跟踪还包括：
根据状态转换矩阵由前一状态值预测当前的状态值，同时预测状态协方差矩阵：
P- k+1＝A*P- k+1*AT+Q
根据声学图像的测量值更新***最优估计以及卡尔曼增益Kk和状态协方差Pk：
Pk＝(1-KH)P- k
Kk＝P- kHT(HP- kHT+R)-1
式中，P- k表示状态的先验证协方差矩阵，A表示状态转移矩阵，Q表示状态协方差矩阵，H表示观测矩阵，R表示噪声协方差矩阵，Zk表示观测值。
步骤S4、结合图像位置信息、图像时间信息以及鱼体目标关联和跟踪的预测结果对统计结果进行修正，以求和统计出水域内总的鱼量
根据本发明实施例，优选的，在步骤S4中，结合图像位置信息、图像时间信息以及鱼体目标关联和跟踪的预测结果对统计结果进行修正，以求和统计出水域内总的鱼量包括：
通过GPS确定图像的采集时间和相对位置，图像下一时刻相邻的图像时间间隔Δt，使用两位置相邻两图像采样时间的间隔Δt，预测个体目标最优估计获得个体(x，y)坐标，确定目标坐标在采样时间间隔Δt内是否移出当前图像，并确定目标移入图像的编号，修正所有帧图像后，求和统计出水域总的鱼数量。
具体的，第一步，将图1的设备主体放置于水域的一个角落，通过移动通讯装置的天线连接云端服务器，在云端服务器设置需要检测的水域坐标信息，通过温度传感器检测水域温度，云端服务器根据水温信息估算水域中鱼的活跃程度，规划设备自动巡游路径和巡游速度。
第二步，所述设备主体通过GPS天线实时接收GPS信号，定位设备位置信息，按照云端服务器给定路径对水域自动巡游。主体使用两个螺旋桨驱动器作为动力来源，最快速度5m/s，104螺旋桨由主控制器控制，通过超声波测距装置检测运动前方的障碍物实现避障运动，并且主控制器通过移动通讯装置将设备主体的实时位置信息反馈给云端服务器，如图3所示。
所述设备主体由成像控制器实时获取声学数据，同时，将声学数据通过无线通讯装置发送至云端服务器。
第三步，云端服务器在接收到声学数据后，对数据处理，如图4所示：
云端服务器通过步骤S2获取本水域所有数据，对声学数据通过存储格式转换将图像构建成为矩形声图并预处理，通过目标检测算法识别图像中的鱼体目标并进行统计
对原始声图使用线性插值预处理得到处理后的声学图像(P1,P1,…Pn),n为图像总数，接着对图像进行线性拉伸，将拉伸后的图像中的背景去除，留下图像中的有效目标，即水中的鱼个体目标，统计图像中个体数量Ci。
1.定义个体目标为:
其中x，y为个体在声纳图像中的坐标，l为个体长度，l/w为个体长宽比值
第i个有效目标在k时刻的***状态向量为Fk(i),计算第i个有效目标在前一时刻状态量Fk-1(i)的预测值其中i＝1,2…nk-1,其中nk-1是k-1时刻的状态个数，预测方程为：
其中A为状态转移矩阵，Δt是采样时间间隔；
根据上述预测方法，根据状态转换矩阵由前一状态值预测当前的状态值，同时预测状态协方差矩阵：
P- k+1＝A*P- k+1*AT+Q
根据声学图像的测量值更新***最优估计以及卡尔曼增益Kk和状态协方差Pk：
Pk＝(1-KH)P- k
Kk＝P- kHT(HP- kHT+R)-1
式中，P- k表示状态的先验证协方差矩阵，A表示状态转移矩阵，Q表示状态协方差矩阵，H表示观测矩阵，R表示噪声协方差矩阵，Zk表示观测值。
通过GPS确定图像的采集时间和相对位置如图3中图像P1,P10为相邻图像数据，P1，P10图像时间间隔Δt，使用两位置相邻两图像采样时间的间隔Δt预测个体目标最优估计获得个体(x，y)坐标，若本在P1中的个体在Δt后移动至P10,如图3中所示，则在P10中统计时去除该个体，修正水域总的鱼的统计数量。
本发明能够解决传统的水产养殖中鱼类统计方法效率低、精度低的问题，提供一种水产养殖鱼类统计装置及方法，实现水产养殖中鱼类数量统计，提高渔业养殖的渔业资源监测的准确率和效率。
采用完全自动化的统计方式，只需简单设置水域边界，就可以完全自动的统计当前水域的鱼的总数；统计分析不再以“鱼群”为目标，而是以水域面积内的所有单体鱼为目标；统计算法交由云端服务器执行，充分发挥云端服务器的运算能力，节省了时间，提高了效率；统计方法通过卡尔曼滤波对个体目标的关联和追踪，解决了鱼类位置非线性变化造成的问题，避免了统计的遗漏和重复，使统计更精准。
从以上的描述中，可以看出，本申请实现了如下技术效果：
在本申请实施例中，采用完全自动统计的方式，通过获取预设水域范围内的鱼类数据；其中，所述鱼类数据包括：声学数据和图像数据；对所述鱼类数据进行预处理；通过目标检测算法识别图像中的鱼体目标并进行统计，再通过卡尔曼滤波算法对个体目标进行目标关联和跟踪；结合图像位置信息、图像时间信息以及鱼体目标关联和跟踪的预测结果对统计结果进行修正，以求和统计出水域内总的鱼量，达到了统计分析不再以“鱼群”为目标，而是以水域面积内的所有单体鱼为目标的目的，从而实现了避免了统计的遗漏和重复，使统计更精准的技术效果，进而解决了现有技术中，使用水下摄像头对水质的要求较高，无法实现远距离探测，且在浑浊的水中难以清楚的监测鱼群活动，以及鱼一般具有趋光性或避光性，影响鱼群的真实情况；同时，现有声纳技术多是以“鱼群”为目标，进行探测分析，而不是以单体为目标进行探测分析，误差较大的技术问题。
为了解决由于鱼类在水中的位置是不断变化的，现有设备无法对游动的鱼进行追踪，造成漏记或重复计数，使得设备计数准确率下降的问题，本发明还提供鱼类统计装置，包括：船状主体，所述船状主体的底部设置有发射声换能器、接收换能器、温度传感器和成像控制器，所述船状主体的尾部设置有驱动装置，所述船状主体的顶部分别设置有超声波测距装置10、定位装置20、无线通讯装置30，所述船状主体内设置有主控制器，所述主控制器分别与所述发射声换能器、所述接收换能器、所述温度传感器50、所述成像控制器60、所述驱动装置40、所述超声波测距装置10、所述定位装置20和所述无线通讯装置30电连接；
所述定位装置20，用于对设备主体的位置进行定位；
所述超声波测距装置10，用于设备检测水面障碍物距离躲避障碍物；
所述无线通讯装置30，用于与云端服务器进行无线数据交互；
所述主控制器、发射声换能器和接收换能器，用于在主控制器的控制下通过发射声换能器发射声波，声波碰到水底及水中物体会产生回波，接收换能器接收回波，并将接收到的回波信号生成二维声学图像。
进一步的，所述船状主体内设置有数据存储模块，所述主控制器与所述数据存储模块电连接，用于记录设备主***置信息，声学图像数据、图像时间、序号。
进一步的，所述船状主体内还设置有可充电电池，所述主控制器与所述可充电电池电连接。
具体地，如图1所示，GPS定位装置，GPS天线、超声波测距装置10、移动通讯装置30、驱动装置40为螺旋桨驱动装置、温度传感器50、成像控制器60、发射声换能器、接收换能器、主控制器、存储装置和可充电电池。
其中，发射声换能器、接收换能器集成在成像控制器内部，主控制器、存储装置、GPS定位装置、移动通讯装置和设备可充电电池设置在设备主体内部，并进行防水处理。
所述定位装置20和驱动装置40，用于对设备主体的位置进行定位，并指引设备主体的运行轨迹，所述超声波测距装置，用于设备检测水面障碍物距离躲避障碍物，避免于水面障碍物发生碰撞。
所述无线通讯装置30，用于与云端服务器进行无线数据交互。
所述温度传感器，用于监测水体的水温信息。
所述主控制器、发射声换能器和接收换能器，用于在信号控制器的控制下通过发射声换能器发射声波，声波碰到水底及水中物体会产生回波，接收换能器接受回波。
所述主控制器，用于将接收到的回波信号生成二维声学图像。
所述存储装置，用于记录设备主***置信息，声学图像数据、图像时间、序号。
所述云端服务器包括无线通讯装置30，处理器单元、存储模块。
所述无线通讯装置30，用于接受设备主体所发送的信息，所述信息包括设备采集到的图像数据、时间、序号以及位置信息。
所述处理器单元，用于将获取的图像数据等信息进行算法处理。
所述存储模块，用于将获取的数据和计算结果进行存储。
所述定位装置20采用GPS和北斗定位装置，所述驱动装置40由若干个电动螺旋桨组成，分布固定在设备主体的下端，保障设备主体能够在水中精确灵活移动。
所述无线通讯装置30采用WIFI和移动网络模块，与数据处理装置电连接。
所述可充电电池，用于给设备供电。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (9)

1.鱼类统计方法，其特征在于，包括以下步骤：
S1、获取预设水域范围内的鱼类数据；其中，所述鱼类数据包括：声学数据和图像数据；
S2、对所述鱼类数据进行预处理；
S3、通过目标检测算法识别图像中的鱼体目标并进行统计，再通过卡尔曼滤波算法对个体目标进行目标关联和跟踪；
S4、结合图像位置信息、图像时间信息以及鱼体目标关联和跟踪的预测结果对统计结果进行修正，以求和统计出水域内总的鱼量；通过GPS确定图像的采集时间和相对位置，图像下一时刻相邻的图像时间间隔Δt，使用两位置相邻两图像采样时间的间隔Δt，预测个体目标最优估计获得个体(x，y)坐标，确定目标坐标在采样时间间隔Δt内是否移出当前图像，并确定目标移入图像的编号，修正所有帧图像后，求和统计出水域总的鱼数量。
2.根据权利要求1所述的鱼类统计方法，其特征在于，获取预设水域范围内的鱼类数据之前还包括：
通过检测设备自动巡游并实时获取巡游时的声学数据，同时将数据通过无线通讯装置发送至云端服务器。
3.根据权利要求2所述的鱼类统计方法，其特征在于，通过检测设备自动巡游并实时获取巡游时的声学数据和图像数据，同时将数据通过无线通讯装置发送至云端服务器之前还包括：
将检测设备放置在检测水域，通过检测设备的温度传感器检测水温，GPS定位当前位置，通过无线通讯装置与云端服务器连接，在服务器端设置检测水域的边界范围，服务器根据水域边界和水体温度规划设备巡游路径。
4.根据权利要求1所述的鱼类统计方法，其特征在于，通过目标检测算法识别图像中的鱼体目标并进行统计，再通过卡尔曼滤波算法对个体目标进行目标关联和跟踪包括：
对原始声图使用线性插值预处理得到处理后的声学图像(P1,P1,…Pn),n为图像总数，接着对图像进行线性拉伸，将拉伸后的图像中的背景去除，留下图像中的有效目标，即水中的鱼个体目标，统计图像中个体数量
定义个体目标为:
其中x，y为个体在声纳图像中的坐标，l为个体长度，l/w为个体长宽比值
第i个有效目标在k时刻的***状态向量为Fk(i),计算第i个有效目标在前一时刻状态量Fk-1(i)的预测值其中i＝1,2…nk-1,其中nk-1是k-1时刻的状态个数，预测方程为：
其中A为状态转移矩阵，Δt是采样时间间隔。
5.根据权利要求4所述的鱼类统计方法，其特征在于，通过目标检测算法识别图像中的鱼体目标并进行统计，再通过卡尔曼滤波算法对个体目标进行目标关联和跟踪还包括：
根据状态转换矩阵由前一状态值预测当前的状态值，同时预测状态协方差矩阵：
P- k+1＝A*P- k+1*AT+Q
根据声学图像的测量值更新***最优估计以及卡尔曼增益Kk和状态协方差Pk：
Pk＝(1-KH)P- k
Kk＝P- kHT(HP- kHT+R)-1
式中，P- k表示状态的先验证协方差矩阵，A表示状态转移矩阵，Q表示状态协方差矩阵，H表示观测矩阵，R表示噪声协方差矩阵，Zk表示观测值。
6.根据权利要求1所述的鱼类统计方法，其特征在于，对所述鱼类数据进行预处理包括：
对声学数据通过存储格式转换，将图像构建成为矩形声图并预处理。
7.鱼类统计装置，应用于如权利要求1-6中任一所述的鱼类统计方法，其特征在于，包括：船状主体，所述船状主体的底部设置有发射声换能器、接收换能器、温度传感器和成像控制器，所述船状主体的尾部设置有驱动装置，所述船状主体的顶部分别设置有超声波测距装置、定位装置、无线通讯装置，所述船状主体内设置有主控制器，所述主控制器分别与所述发射声换能器、所述接收换能器、所述温度传感器、所述成像控制器、所述驱动装置、所述超声波测距装置、所述定位装置和所述无线通讯装置电连接；
所述定位装置，用于对设备主体的位置进行定位；
所述超声波测距装置，用于设备检测水面障碍物距离躲避障碍物；
所述无线通讯装置，用于与云端服务器进行无线数据交互；
所述主控制器、发射声换能器和接收换能器，用于在主控制器的控制下通过发射声换能器发射声波，声波碰到水底及水中物体会产生回波，接收换能器接收回波，并将接收到的回波信号生成二维声学图像。
8.根据权利要求7所述的鱼类统计装置，其特征在于，所述船状主体内设置有数据存储模块，所述主控制器与所述数据存储模块电连接，用于记录设备主***置信息，声学图像数据、图像时间、序号。
9.根据权利要求7所述的鱼类统计装置，其特征在于，所述船状主体内还设置有可充电电池，所述主控制器与所述可充电电池电连接。
CN202310578593.9A 2023-05-22 2023-05-22 鱼类统计方法及装置 Active CN116609786B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310578593.9A CN116609786B (zh) 2023-05-22 2023-05-22 鱼类统计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310578593.9A CN116609786B (zh) 2023-05-22 2023-05-22 鱼类统计方法及装置

Publications (2)

Publication Number Publication Date
CN116609786A CN116609786A (zh) 2023-08-18
CN116609786B true CN116609786B (zh) 2024-02-09

Family

ID=87684911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310578593.9A Active CN116609786B (zh) 2023-05-22 2023-05-22 鱼类统计方法及装置

Country Status (1)

Country Link
CN (1) CN116609786B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116821807B (zh) * 2023-08-30 2024-01-09 中国水产科学研究院南海水产研究所 一种基于机器视觉的渔获物识别与自动录取方法及***
CN118033648B (zh) * 2024-04-15 2024-06-21 安徽农业大学 基于超声回波的鱼群定位、数目与种类判别方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS571979A (en) * 1980-06-05 1982-01-07 Koden Electronics Co Ltd Fish amount indicator
KR20110123911A (ko) * 2010-05-10 2011-11-16 양경혜 수산자원 관리를 위한 어류 위치추적 시스템 및 방법
CN102915545A (zh) * 2012-09-20 2013-02-06 华东师范大学 一种基于OpenCV的视频目标跟踪算法
CN104992451A (zh) * 2015-06-25 2015-10-21 河海大学 一种改进的目标跟踪方法
CN106707287A (zh) * 2016-12-23 2017-05-24 浙江大学 基于扩展卡尔曼滤波结合最近邻聚类算法的鱼群数量估计方法
CN110645990A (zh) * 2019-10-17 2020-01-03 浙江科技学院 一种基于svm和卡尔曼滤波的鱼群动态预测的水域巡航***
CN112215798A (zh) * 2020-09-14 2021-01-12 江苏大学 一种基于机器视觉的鱼苗计数检测方法与装置
CN114998776A (zh) * 2022-04-11 2022-09-02 浙江海洋大学 一种联合声学和图像的鱼类目标识别统计装置及方法
CN116051970A (zh) * 2023-02-08 2023-05-02 浙江大学 一种基于改进的yolov5模型的针对重叠鱼类目标的辨识方法
CN116128920A (zh) * 2022-11-25 2023-05-16 浙江工业大学 一种基于轮廓匹配的鱼体目标跟踪方法与装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11475689B2 (en) * 2020-01-06 2022-10-18 X Development Llc Fish biomass, shape, size, or health determination

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS571979A (en) * 1980-06-05 1982-01-07 Koden Electronics Co Ltd Fish amount indicator
KR20110123911A (ko) * 2010-05-10 2011-11-16 양경혜 수산자원 관리를 위한 어류 위치추적 시스템 및 방법
CN102915545A (zh) * 2012-09-20 2013-02-06 华东师范大学 一种基于OpenCV的视频目标跟踪算法
CN104992451A (zh) * 2015-06-25 2015-10-21 河海大学 一种改进的目标跟踪方法
CN106707287A (zh) * 2016-12-23 2017-05-24 浙江大学 基于扩展卡尔曼滤波结合最近邻聚类算法的鱼群数量估计方法
CN110645990A (zh) * 2019-10-17 2020-01-03 浙江科技学院 一种基于svm和卡尔曼滤波的鱼群动态预测的水域巡航***
CN112215798A (zh) * 2020-09-14 2021-01-12 江苏大学 一种基于机器视觉的鱼苗计数检测方法与装置
CN114998776A (zh) * 2022-04-11 2022-09-02 浙江海洋大学 一种联合声学和图像的鱼类目标识别统计装置及方法
CN116128920A (zh) * 2022-11-25 2023-05-16 浙江工业大学 一种基于轮廓匹配的鱼体目标跟踪方法与装置
CN116051970A (zh) * 2023-02-08 2023-05-02 浙江大学 一种基于改进的yolov5模型的针对重叠鱼类目标的辨识方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的金枪鱼识别方法研究;张中林;中国优秀硕士学位论文全文数据库农业科技辑(第2期);摘要，正文第47-58页 *

Also Published As

Publication number Publication date
CN116609786A (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN116609786B (zh) 鱼类统计方法及装置
US11488298B2 (en) System and methods for ultrasound image quality determination
CN106772401A (zh) 基于概率假设密度粒子滤波算法的鱼群数量估计方法
CN110879388B (zh) 基于ir-uwb生物雷达信号的人与动物非接触探测区分方法
US12038501B2 (en) Radar-based cross-sectional image reconstruction of subject
CN116755036A (zh) 一种野生动物鸣声声源定位***
CN106886017B (zh) 基于双频识别声呐的水下目标空间位置计算方法
CN114027809A (zh) 基于毫米波雷达的奶牛呼吸心率监测方法
CN112180379A (zh) 一种鱼类数据统计分析***
CN115792923A (zh) 一种光-声结合的滨海核电水下致灾生物监测方法和装置以及设备
CN111144318B (zh) 一种水下声呐***点云数据降噪方法
Rudrappa et al. Vital parameters detection of non stationary human subject using mimo radar
CN211607849U (zh) 一种奶牛生理参数监控装置
CN102860844B (zh) 基于柔性超声相控阵的牛科动物生长状况监测装置与方法
WO2020195467A1 (ja) 物標計測装置および物標計測方法
CN105676211B (zh) 一种基于降秩技术的多亮点目标时空检测方法
CN114167427A (zh) 一种多频段三维探掩埋物声呐装置及方法
CN202859152U (zh) 基于柔性超声相控阵的牛科动物生长状况监测装置
CN114859309A (zh) 一种基于毫米波雷达的动物质量测量设备及方法
CN114081459A (zh) 一种基于雷达技术的多人呼吸状态监测方法和***
US20210145411A1 (en) Methods and systems for turbulence awareness enabled ultrasound scanning
WO2023021998A1 (ja) 電子機器、電子機器の制御方法、及びプログラム
WO2024058226A1 (ja) 電子機器、電子機器の制御方法、及びプログラム
CN110960206B (zh) 基于多传感器阵列的胎心识别方法、装置及***
CN115932884B (zh) 一种基于三维激光雷达的波浪方向谱测量方法及***

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