[发明专利]一种深海养殖异常鱼类跟踪方法及系统

权利要求书

1.一种深海养殖异常鱼类跟踪方法，其特征在于，包括以下步骤：

S1.利用基于改进的AlexNet模型进行鱼类识别，获取异常鱼类信息，利用输出结果搭建对比层；

S2.搭建基于改进的FAST角点特征提取模型，并建立基于点阵的空间注意力机制，将其添加到卷积层之间；

S3.将训练后的鱼类图像识别知识图谱移植到优化的FAST角点特征提取模型中，从声呐中识别异常鱼类信息；

S4.利用水质信息，建立网箱水体物理模型与数值模拟模型，生成粗化网格；

生成粗化网格的步骤如下：

S41.利用水质传感器获取网箱水质参数，包括含氧量、氨氮浓度、洋流流向与流速，结合网箱尺寸及网箱所在水域的温跃层信息，建立网箱所在水域的物理模型及相应的数值模型；

S42.采用区域分解法生成并优化网格，使得每个网格具有完善的水质信息；

S5.利用鱼类对水质的敏感关系，对粗化网格进行局部多级加密，形成非结构单元网格；

根据水质对养殖鱼类的影响，确定鱼类最适宜的参数，并根据水质对养殖鱼类的影响信息，对粗化网格进行横向及纵向的加密；

纵向网格加密区域为网箱垂直在的区域，边界为该鱼类最适宜的水质参数阈值；横向网格加密区域为网箱水平所在区域；

S6.以网箱中心为原点，对声呐图像中异常鱼类进行坐标标定，并根据时序进行输出，形成异常鱼类空间坐标轨迹；

S7.输出异常鱼类轨迹跟踪结果。

2.根据权利要求1所述的一种深海养殖异常鱼类跟踪方法，其特征在于，步骤S2中，搭建基于改进的FAST角点特征提取模型的具体步骤包括，

S21.根据异常鱼类信息，选取异常鱼类中任一点为初始点，建立相应函数N：

其中，p表示选定初始点，I(p)表示初始点的图像灰度值，I(x)表示圆周上任意一点的图像灰度值，ε_d为极小阈值；

通过上式，可以计算出满足要求的像素点个数N，当N大于一个给定阈值时，就可以确定满足上述公式的P点为特征点；

S22.通过自适应算法确定ε_d，其计算公式为：

其中，a为比例系数，n是遍历次数；

S23.引入空间注意力机制，建立STN网络，生成图像仿射变换系数，即比例系数a。

3.根据权利要求1所述的一种深海养殖异常鱼类跟踪方法，其特征在于，采用模型靶向迁移算法将声呐图像移植到改进的FAST角点特征提取模型，输出声呐显示下异常鱼类识别结果。

4.根据权利要求1所述的一种深海养殖异常鱼类跟踪方法，其特征在于，加密依据：平面网格主方向与海流的平面延伸方向保持一致，保证网格的正交性和一致性，使网格方向保持与模拟区域一致；网格的尺度是根据水质和鱼类对水质的响应因素决定；

将划分的网格导入声呐识别图像，并以网箱中心位置为原点，对异常鱼类位置进行标定，其轨迹为：

T＝(x_it，y_it，z_it)

其中，x_it，y_it，z_it为异常鱼类在三个方向上的坐标。

5.一种深海养殖异常鱼类跟踪系统，其特征在于，包括鱼类识别处理单元，声呐图像处理单元，水质数据处理单元，多源数据融合单元，数据分析单元，结果输出单元；

鱼类识别处理单元获取水下视频流数据，通过改进的AlexNet模型，得到鱼类视频图像识别信息，并传递给多源数据融合单元；

声呐图像处理单元获取水下声呐图像数据，通过算法进行滤波，得到水下声呐图像数据滤波后的信息，并传递给多源数据融合单元；

水质数据处理单元获取多参数水质监测仪数据，通过数据解析、分类算法，得到网箱水质监测信息，获取鱼类最适宜的生长环境，划分鱼类行为的非均匀网格，并传递给多源数据融合单元；

多源数据融合单元接收鱼类识别处理单元、声呐图像处理单元、水质数据处理单元的信息，对其进行融合处理，标定，校正，并将处理后的图像与文本传递给数据分析单元；

数据分析单元将经过多源数据融合单元处理后的图像与文本进行分析，通过卷积神经网络获取鱼类跟踪轨迹、行为识别结果；

结果输出单元将数据分析单元形成的鱼类跟踪轨迹，鱼类识别结果进行输出，并在网箱中心显控室进行显示。