[发明专利]一种深海养殖异常鱼类跟踪方法及系统

说明书

本发明公开了一种深海养殖异常鱼类跟踪方法及系统，包括利用改进的AlexNet模型进行鱼类识别、搭建基于改进的FAST角点特征提取模型；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，建立网箱水体物理模型与数值模拟模型，生成粗化网格；对粗话网格进行局部多级加密，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。其优点在于，本发明克服单一传感器识别范围小，精度低等问题，获得鱼类个体行为的精确识别，该方法检测识别速度快，精确度高，且收敛速度快，大幅度降低了误检率，保证了正确率。

技术领域

本发明涉及一种海洋生物行为识别分析领域，具体涉及一种深海养殖异常鱼类跟踪系统与方法。

背景技术

中国在2002—2016年期间一直是世界上最大的鱼类和鱼类产品出口国，但随着近年来国外发达国家智能化、信息化的渔业生产模式逐渐开展，挪威等欧盟国家和地区成为领先的鱼类和鱼类产品市场，而中国目前仍处于从传统养殖向现代化养殖的过渡阶段，智能化建设尚不完善。

当前研究人员多通过机器视觉工具，侦测和解读微妙的鱼类行为，可以长时间关注和监控数千只个别鱼只，并且搜集、记录鱼类各类行为，或利用声呐回波探测的方法，得到鱼群的密度和大小信息，方便养殖人员了解鱼群状态，但这些手段依然存在鱼类轨迹跟踪效果差、个体识别精度低、单体疫病难以识别等问题。

发明内容

为了进一步研究解决上述问题，本发明提供了一种深海养殖异常鱼类跟踪系统与方法，本发明基于多源数据融合，利用声呐与视频结合的方法，通过视频进行鱼类识别，结合水质参数划分网格，通过声呐信号获取异常鱼类轨迹，克服单一传感器识别范围小，精度低等问题，获得鱼类个体行为的精确识别，该方法检测识别速度快，精确度高，且收敛速度快，大幅度降低了误检率，保证了正确率。技术方案为，

一种基于多源数据融合的鱼类自适应跟踪系统与方法，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；

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；

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。

进一步的，所述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：

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.为提高精度，并减少人为干预，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。