一种水产病害智能化诊断方法转让专利
申请号 : CN202110764804.9
文献号 : CN113254458B
文献日 : 2022-04-08
发明人 : 叶婷 , 曾幸钦 , 曾炽强 , 李树湖 , 曾灶烟 , 舒雨锋 , 熊长炜 , 刘志伟 , 梅阳寒 , 左大利 , 李笑勉
申请人 : 赛汇检测(广州)有限公司
摘要 :
权利要求 :
1.一种水产病害智能化诊断方法,其特征在于,包括如下步骤:S101、构建水产病害特征数据库;在数据库中构建三个数据表格,一是水产病害病症数据表,二是病症图片特征数据检索表,三是特征值表;水产病害病症数据表的属性包括水产名称、病害类型、疾病名称、病症特点、病症图片索引号、流行知识、判断方法、处理措施;病症图片特征数据检索表的属性包括病症图片索引号、R通道检索号、G通道检索号、B通道检索号、H通道检索号、相关性检索号、能量检索号、熵检索号、对比度检索号、均匀性检索号、面积检索号、周长检索号、似圆度检索号、偏心率检索号、占空比检索号;特征值表的属性包括特征值检索号、数据名称、标准差、最大值、最小值、阀值、方差;
S102、对数据库表格属性进行赋值;水产名称根据养殖情况填写;病害类型根据一般性水产病害知识进行填写,包括病毒性疾病、细菌性疾病、真菌性疾病、寄生虫病、理化因子病;疾病名称根据一般性水产病害知识进行填写,包括水产白斑症病毒病、水产杆状病毒病、传染性皮下和造血组织坏死病、桃拉综合症病毒病、干胰脏细小病毒状病毒病、红腿病、烂鳃病、瞎眼病、甲壳溃疡病、幼体弧菌病、幼体肠道细菌病、丝状细菌病、卵和幼体的真菌病、镰刀菌病、固着类纤毛虫病、白黑斑病、肌肉坏死病、痉挛病、蓝藻中毒病、畸形、黑鳃病、软壳病、浮头与泛池病;病症特点、流行知识、判断方法、处理措施的赋值方法采用改进的专家判断策略,改进的专家判断策略步骤为:第一步,邀请陆基池塘养殖场水产养殖专家三人以上单数参加专家判断会;第二步,向专家发放面向水产养殖的经验咨询表,包括水产病害类型、疾病名称、病症特点、流行知识、判断方法、处理措施;其中,水产病害类型、疾病名称由会议主持人填写,病症特点、流行知识、判断方法、处理措施由专家填写;第三步,与会专家在不交流的情况下,将表格填写完成后交给会议主持人;会议主持人将所收表格打乱顺序后,随机向与会专家发放;第四步,与会专家独立的对表格内容进行审视,并填写必要意见后,交给会议主持人;会议主持人交给活动负责人;第五步,活动负责人发起专家对所填表格内容的集体讨论,或根据实际情况不再组织专家集体讨论;
S103、构建水产病害诊断神经网络;所述水产病害诊断神经网络的构建策略是:第一步,构建神经元,每个神经元包括一个计算单元、一个输入接口、一个输出接口、一个存储单元;一个神经元对一个数据进行感知,并产生反应;第二步,构建神经团,每个神经团包括i个神经元,i代表神经元的个数,i的值越大,则表示神经团的反应能力越强;一个神经团独立的对一个数据特征进行判定;第三步,构建神经组织,每个神经组织包括n个神经团,n代表神经团的个数,n的值越大,则表示神经组织的计算能力和存储能力越强;一个神经组织独立的对一个图像特征进行判定;第四步,构建神经子网,一个神经子网包括m个神经组织,m代表神经组织的个数,m的值越大,则表示神经网络的单项思维能力越强;神经子网独立的对某种病害进行判定;第五步,构建神经网络,一个神经网络包括v个神经子网,v代表神经子网的个数,v的值越大,则表示神经网络的综合思维能力越强;神经网络对v种水产病害进行判定;
S104、对水产病害诊断神经网络进行训练;第一步,定义水产病害诊断神经网络的输入输出逻辑;假设采集的水产病害图片信息集合为X=(x1,x2,...xa),其对应的病害信息为Y=(y1,y2,...ya),则所述水产病害诊断神经网络的数学表达为Y=F(X),具体的,yc=f(xc),其中c=1...a;第二步,采集水产病害图片信息,并构建对应的病害信息数据项,进而完成水产病害特征数据库中水产病害病症数据表、病症图片特征数据检索表、特征值表的填写,假定数据库中水产病害病症数据表的记录为L个;第三步,令水产病害诊断神经网络中的神经子网为二十三个,分别对水产白斑症病毒病、水产杆状病毒病、传染性皮下和造血组织坏死病、桃拉综合症病毒病、干胰脏细小病毒状病毒病、红腿病、烂鳃病、瞎眼病、甲壳溃疡病、幼体弧菌病、幼体肠道细菌病、丝状细菌病、卵和幼体的真菌病、镰刀菌病、固着类纤毛虫病、白黑斑病、肌肉坏死病、痉挛病、蓝藻中毒病、畸形、黑鳃病、软壳病、浮头与泛池病进行判定;令水产病害诊断神经子网中的神经组织为十四个,分别对R通道、G通道、B通道、H通道、相关性、能量、熵、对比度、均匀性、面积、周长、似圆度、偏心率、占空比十四个图像特征进行判定;令每个神经组织中的神经团个数为五个,分别对标准差、最大值、最小值、阀值、方差数据特征进行判定;令每个神经团中的神经元个数为ke个;第四步,建立输入输出的逻辑关联关系;遍历水产病害病症数据表,假设水产病害病症数据表记录为Rt,根据记录Rt的疾病名称定位神经子网;以记录Rt的病症图片索引号为关键字遍历病症图片特征数据检索表,假设病症图片特征数据检索表记录为Pq,且病症图片索引号和输入的关键字相同,则根据记录Pq的数据名称定位神经组织;以记录Pq的R通道检索号、G通道检索号、B通道检索号、H通道检索号、相关性检索号、能量检索号、熵检索号、对比度检索号、均匀性检索号、面积检索号、周长检索号、似圆度检索号、偏心率检索号、占空比检索号的属性值为关键字遍历特征值表,假设特征值表记录为Wg,根据记录Wg的其他属性名称定位神经团NN,所述其他属性包括数据名称、标准差、最大值、最小值、阀值、方差;将数据名称、标准差、最大值、最小值、阀值、方差属性值分别放到神经团NN中的未赋值的神经元的存储单元中;通过上述训练过程实现水产病害诊断神经网络Y=F(X)的输入输出效果,其中Y为病害信息,X为水产病害图片信息;
S105、运行水产病害诊断神经网络;第一步,从陆基池塘养殖场采集水产图片,并分离出图片特征,包括R通道、G通道、B通道、H通道、相关性、能量、熵、对比度、均匀性、面积、周长、似圆度、偏心率、占空比;进而计算特征值的标准差、最大值、最小值、阀值、方差;第二步,将上述信息输入到水产病害诊断神经网络进行病害诊断;遍历输入的数据,若指针数据为Pa,且Pa属于图片特征Qw,则定位到二十三个神经子网的二十三个对应特征Qw的神经组织;进而根据数据Pa的属性Wv,定位到上一步定位的神经组织中对应属性Wv的神经团;设定相似度阀值为Tj;遍历神经团中的每个神经元,令神经元的输入为数据Pz,利用神经元的计算单元计算数据Pz与神经元存储单元中数据差的绝对值,若绝对值小于等于阀值Tj,则说明数据相近,则输出为1,反之输出为0;根据神经网络的Y=F(X)输入输出模型,输出水产病害图片信息参数X对应的病害信息参数Y,实现对水产病害的智能化诊断。
2.根据权利要求1所述的一种水产病害智能化诊断方法,其特征在于,所述步骤S102中,特征值表的赋值方法为:第一步,通过相机获取高清病症图片;第二步,对图片颜色特征进行提取,将图片进行R通道数据分离、G通道数据分离、B通道数据分离,计算R、G、B通信数据标准差、最大值、最小值、阀值、方差;建立图片的HIS颜色模型,提取图片的色调H通道的数据信息,并计算H通信数据标准差、最大值、最小值、阀值、方差;第三步,对图片纹理特征进行提取,将图片纹理特征较为明显的部分进行局部放大、去噪、纹理分割后,提取相关性、能量、熵、对比度、均匀性、面积、周长、似圆度、偏心率、占空比特征数据,并计算提取的特征数据的标准差、最大值、最小值、阀值、方差。
3.根据权利要求1所述的一种水产病害智能化诊断方法,其特征在于,所述步骤S102中,纹理分割策略为:第一步,将RGB图像变换为灰度图,计算公式为Yr=0.3*Wk*Rw+0.6*Pk*Gw+0.1*Et*Bw,其中参数Rw、Gw、Bw分别为通道R、G、B的数值,参数Wk、Pk、Et为权值,以动态调节三个通道在灰度图上的作用力;第二步,人工选取纹理特征较为明显的局部图像中心点ds,设ds点的灰度值为Ta,并设置纹理阀值为Ye;第三步,遍历此局部图像范围,设遍历指针指向点为U,U的灰度值为Ev,若Ev‑Ta的绝对值小于Ye,则将点U纳入到聚类点集合Qc中;第四步,将点集合Qc中的边缘点连接起来形成一个闭合的区域,即完成纹理分割;
所述周长计算公式为: 其中dj、sj,j=1...k为纹理图像边缘点的坐标值;
所述面积计算公式为:Ak*Nk,其中Ak表示图像中一个像素点面积,Nk表示纹理图像中像素点的个数;
所述似圆度计算公式为: 其中z为修正系数,A为纹理面积,P为区域周长;
所述偏心率计算公式为:Wf/Hf‑Qf,其中Wf为纹理区域的横轴最大长度,Hf为纹理区域纵轴最大长度,Qf为修正阀值;
所述占空比计算公式为:Jk*An/Wm*Hm,其中Jk为修正系数,An为纹理面积,Wm为纹理区域的横轴最大长度,Hm为纹理区域纵轴最大长度。
说明书 :
一种水产病害智能化诊断方法
技术领域
背景技术
促进渔业产业结构优化,提升水产行业的可持续发展;三是扩大了水产品收获途径,稳定了
水产品供应,丰富了群众的水产品物质资源;当前,随着信息化技术的不断发展,人工智能、
信息化、物联网、互联网+等理念不断融入到社会生活的各个方面;陆基池塘养殖场水产养
殖环境影响因子多、复杂、养殖标准人工操作较难实施,采用智能化信息技术可实现智慧养
殖,提高养殖效率、优化养殖体系;水产养殖是陆基池塘养殖场的一项重要业务内容;为实
现水产智能化养殖,如何实现水产病害智能化诊断成为一项研究课题。
网诊断装置、观察皿和观察口,融合了互联网技术提高了水产品的病害诊断效果;还如2017
年4月授权的题为“一种基于移动互联网技术的水产品疾病智能诊断系统”的实用新型专
利,通过检测模块可以实时的检测水中的各项指标及水产品的健康状况,再与水产品疾病
对比模块配合可以检测出水产品是否健康,同时利用报警模块发出报警提示,在无任何异
常状态下,定时模块会定时控制系统自动进行检测,具有面向水产品的疾病信息化智能诊
断特征;还如2017年3月申请的题为“远程鱼病诊断方法、装置及系统”的发明专利,包括远
程获取病鱼信息、将病症信息处理为图片或文本信息、采用模糊推理和数学递归方法进行
初步诊断、专家进行最终确诊等步骤和流程;可及时准确的把握鱼病爆发状况,做出准确诊
断并开展及时有效地救治措施,最大限度的挽回养殖户的经济损失。
发明内容
目的,本发明采用如下技术方案。
水产名称、病害类型、疾病名称、病症特点、病症图片索引号、流行知识、判断方法、处理措
施;病症图片特征数据检索表的属性包括病症图片索引号、R通道检索号、G通道检索号、B通
道检索号、H通道检索号、相关性检索号、能量检索号、熵检索号、对比度检索号、均匀性检索
号、面积检索号、周长检索号、似圆度检索号、偏心率检索号、占空比检索号;特征值表的属
性包括特征值检索号、数据名称、标准差、最大值、最小值、阀值、方差。
子病;疾病名称根据一般性水产病害知识进行填写,包括水产白斑症病毒病、水产杆状病毒
病、传染性皮下和造血组织坏死病、桃拉综合症病毒病、干胰脏细小病毒状病毒病、红腿病、
烂鳃病、瞎眼病、甲壳溃疡病、幼体弧菌病、幼体肠道细菌病、丝状细菌病、卵和幼体的真菌
病、镰刀菌病、固着类纤毛虫病、白黑斑病、肌肉坏死病、痉挛病、蓝藻中毒病、畸形、黑鳃病、
软壳病、浮头与泛池病;病症特点、流行知识、判断方法、处理措施的赋值方法采用改进的专
家判断策略,改进的专家判断策略步骤为:第一步,邀请陆基池塘养殖场水产养殖专家三人
以上单数参加专家判断会;第二步,向专家发放面向水产养殖的经验咨询表,包括水产病害
类型、疾病名称、病症特点、流行知识、判断方法、处理措施;其中,水产病害类型、疾病名称
由会议主持人填写,病症特点、流行知识、判断方法、处理措施由专家填写;第三步,与会专
家在不交流的情况下,将表格填写完成后交给会议主持人;会议主持人将所收表格打乱顺
序后,随机向与会专家发放;第四步,与会专家独立的对表格内容进行审视,并填写必要意
见后,交给会议主持人;会议主持人交给活动负责人;第五步,活动负责人发起专家对所填
表格内容的集体讨论,或根据实际情况不再组织专家集体讨论。
G、B通信数据标准差、最大值、最小值、阀值、方差;建立图片的HIS颜色模型,提取图片的色
调H通道的数据信息,并计算H通信数据标准差、最大值、最小值、阀值、方差;第三步,对图片
纹理特征进行提取,将图片纹理特征较为明显的部分进行局部放大、去噪、纹理分割后,提
取相关性、能量、熵、对比度、均匀性、面积、周长、似圆度、偏心率、占空比特征数据,并计算
提取的特征数据的标准差、最大值、最小值、阀值、方差。
值,以动态调节三个通道在灰度图上的作用力;第二步,人工选取纹理特征较为明显的局部
图像中心点ds,设ds点的灰度值为Ta,并设置纹理阀值为Ye;第三步,遍历此局部图像范围,
设遍历指针指向点为U,U的灰度值为Ev,若Ev‑Ta的绝对值小于Ye,则将点U纳入到聚类点集
合Qc中;第四步,将点集合Qc中的边缘点连接起来形成一个闭合的区域,即完成纹理分割。
单元;一个神经元对一个数据进行感知,并产生反应;第二步,构建神经团,每个神经团包括
i个神经元,i代表神经元的个数,i的值越大,则表示神经团的反应能力越强;一个神经团独
立的对一个数据特征进行判定;第三步,构建神经组织,每个神经组织包括n个神经团,n代
表神经团的个数,n的值越大,则表示神经组织的计算能力和存储能力越强;一个神经组织
独立的对一个图像特征进行判定;第四步,构建神经子网,一个神经子网包括m个神经组织,
m代表神经组织的个数,m的值越大,则表示神经网络的单项思维能力越强;神经子网独立的
对某种病害进行判定;第五步,构建神经网络,一个神经网络包括v个神经子网,v代表神经
子网的个数,v的值越大,则表示神经网络的综合思维能力越强;神经网络对v种水产病害进
行判定。
为Y=(y1,y2,...ya),则所述水产病害诊断神经网络的数学表达为Y=F(X),具体的,yc=f
(xc),其中c=1...a;第二步,采集水产病害图片信息,并构建对应的病害信息数据项,进而
完成水产病害特征数据库中水产病害病症数据表、病症图片特征数据检索表、特征值表的
填写,假定数据库中水产病害病症数据表的记录为L个;第三步,令水产病害诊断神经网络
中的神经子网为二十三个,分别对水产白斑症病毒病、水产杆状病毒病、传染性皮下和造血
组织坏死病、桃拉综合症病毒病、干胰脏细小病毒状病毒病、红腿病、烂鳃病、瞎眼病、甲壳
溃疡病、幼体弧菌病、幼体肠道细菌病、丝状细菌病、卵和幼体的真菌病、镰刀菌病、固着类
纤毛虫病、白黑斑病、肌肉坏死病、痉挛病、蓝藻中毒病、畸形、黑鳃病、软壳病、浮头与泛池
病进行判定;令水产病害诊断神经子网中的神经组织为十四个,分别对R通道、G通道、B通
道、H通道、相关性、能量、熵、对比度、均匀性、面积、周长、似圆度、偏心率、占空比十四个图
像特征进行判定;令每个神经组织中的神经团个数为五个,分别对标准差、最大值、最小值、
阀值、方差数据特征进行判定;令每个神经团中的神经元个数为ke个;第四步,建立输入输
出的逻辑关联关系;遍历水产病害病症数据表,假设水产病害病症数据表记录为Rt,根据记
录Rt的疾病名称定位神经子网;以记录Rt的病症图片索引号为关键字遍历病症图片特征数
据检索表,假设病症图片特征数据检索表记录为Pq,且病症图片索引号和输入的关键字相
同,则根据记录Pq的数据名称定位神经组织;以记录Pq的R通道检索号、G通道检索号、B通道
检索号、H通道检索号、相关性检索号、能量检索号、熵检索号、对比度检索号、均匀性检索
号、面积检索号、周长检索号、似圆度检索号、偏心率检索号、占空比检索号的属性值为关键
字遍历特征值表,假设特征值表记录为Wg,根据记录Wg的其他属性名称定位神经团NN,所述
其他属性包括数据名称、标准差、最大值、最小值、阀值、方差;将数据名称、标准差、最大值、
最小值、阀值、方差属性值分别放到神经团NN中的未赋值的神经元的存储单元中;通过上述
训练过程实现水产病害诊断神经网络Y=F(X)的输入输出效果,其中Y为病害信息,X为水产
病害图片信息。
周长、似圆度、偏心率、占空比;进而计算特征值的标准差、最大值、最小值、阀值、方差;第二
步,将上述信息输入到水产病害诊断神经网络进行病害诊断;遍历输入的数据,若指针数据
为Pa,且Pa属于图片特征Qw,则定位到二十三个神经子网的二十三个对应特征Qw的神经组
织;进而根据数据Pa的属性Wv,定位到上一步定位的神经组织中对应属性Wv的神经团;设定
相似度阀值为Tj;遍历神经团中的每个神经元,令神经元的输入为数据Pz,利用神经元的计
算单元计算数据Pz与神经元存储单元中数据差的绝对值,若绝对值小于等于阀值Tj,则说
明数据相近,则输出为1,反之输出为0;根据神经网络的Y=F(X)输入输出模型,输出水产病
害图片信息参数X对应的病害信息参数Y,实现对水产病害的智能化诊断。
附图说明
具体实施方式
水产名称、病害类型、疾病名称、病症特点、病症图片索引号、流行知识、判断方法、处理措
施;病症图片特征数据检索表的属性包括病症图片索引号、R通道检索号、G通道检索号、B通
道检索号、H通道检索号、相关性检索号、能量检索号、熵检索号、对比度检索号、均匀性检索
号、面积检索号、周长检索号、似圆度检索号、偏心率检索号、占空比检索号;特征值表的属
性包括特征值检索号、数据名称、标准差、最大值、最小值、阀值、方差。
子病;疾病名称根据一般性水产病害知识进行填写,包括水产白斑症病毒病、水产杆状病毒
病、传染性皮下和造血组织坏死病、桃拉综合症病毒病、干胰脏细小病毒状病毒病、红腿病、
烂鳃病、瞎眼病、甲壳溃疡病、幼体弧菌病、幼体肠道细菌病、丝状细菌病、卵和幼体的真菌
病、镰刀菌病、固着类纤毛虫病、白黑斑病、肌肉坏死病、痉挛病、蓝藻中毒病、畸形、黑鳃病、
软壳病、浮头与泛池病;病症特点、流行知识、判断方法、处理措施的赋值方法采用改进的专
家判断策略,改进的专家判断策略步骤为:第一步,邀请陆基池塘养殖场水产养殖专家三人
以上单数参加专家判断会;第二步,向专家发放面向水产养殖的经验咨询表,包括水产病害
类型、疾病名称、病症特点、流行知识、判断方法、处理措施;其中,水产病害类型、疾病名称
由会议主持人填写,病症特点、流行知识、判断方法、处理措施由专家填写;第三步,与会专
家在不交流的情况下,将表格填写完成后交给会议主持人;会议主持人将所收表格打乱顺
序后,随机向与会专家发放;第四步,与会专家独立的对表格内容进行审视,并填写必要意
见后,交给会议主持人;会议主持人交给活动负责人;第五步,活动负责人发起专家对所填
表格内容的集体讨论,或根据实际情况不再组织专家集体讨论。
G、B通信数据标准差、最大值、最小值、阀值、方差;建立图片的HIS颜色模型,提取图片的色
调H通道的数据信息,并计算H通信数据标准差、最大值、最小值、阀值、方差;第三步,对图片
纹理特征进行提取,将图片纹理特征较为明显的部分进行局部放大、去噪、纹理分割后,提
取相关性、能量、熵、对比度、均匀性、面积、周长、似圆度、偏心率、占空比特征数据,并计算
提取的特征数据的标准差、最大值、最小值、阀值、方差。
值,以动态调节三个通道在灰度图上的作用力;第二步,人工选取纹理特征较为明显的局部
图像中心点ds,设ds点的灰度值为Ta,并设置纹理阀值为Ye;第三步,遍历此局部图像范围,
设遍历指针指向点为U,U的灰度值为Ev,若Ev‑Ta的绝对值小于Ye,则将点U纳入到聚类点集
合Qc中;第四步,将点集合Qc中的边缘点连接起来形成一个闭合的区域,即完成纹理分割。
单元;一个神经元对一个数据进行感知,并产生反应;第二步,构建神经团,每个神经团包括
i个神经元,i代表神经元的个数,i的值越大,则表示神经团的反应能力越强;一个神经团独
立的对一个数据特征进行判定;第三步,构建神经组织,每个神经组织包括n个神经团,n代
表神经团的个数,n的值越大,则表示神经组织的计算能力和存储能力越强;一个神经组织
独立的对一个图像特征进行判定;第四步,构建神经子网,一个神经子网包括m个神经组织,
m代表神经组织的个数,m的值越大,则表示神经网络的单项思维能力越强;神经子网独立的
对某种病害进行判定;第五步,构建神经网络,一个神经网络包括v个神经子网,v代表神经
子网的个数,v的值越大,则表示神经网络的综合思维能力越强;神经网络对v种水产病害进
行判定。
为Y=(y1,y2,...ya),则所述水产病害诊断神经网络的数学表达为Y=F(X),具体的,yc=f
(xc),其中c=1...a;第二步,采集水产病害图片信息,并构建对应的病害信息数据项,进而
完成水产病害特征数据库中水产病害病症数据表、病症图片特征数据检索表、特征值表的
填写,假定数据库中水产病害病症数据表的记录为L个;第三步,令水产病害诊断神经网络
中的神经子网为二十三个,分别对水产白斑症病毒病、水产杆状病毒病、传染性皮下和造血
组织坏死病、桃拉综合症病毒病、干胰脏细小病毒状病毒病、红腿病、烂鳃病、瞎眼病、甲壳
溃疡病、幼体弧菌病、幼体肠道细菌病、丝状细菌病、卵和幼体的真菌病、镰刀菌病、固着类
纤毛虫病、白黑斑病、肌肉坏死病、痉挛病、蓝藻中毒病、畸形、黑鳃病、软壳病、浮头与泛池
病进行判定;令水产病害诊断神经子网中的神经组织为十四个,分别对R通道、G通道、B通
道、H通道、相关性、能量、熵、对比度、均匀性、面积、周长、似圆度、偏心率、占空比十四个图
像特征进行判定;令每个神经组织中的神经团个数为五个,分别对标准差、最大值、最小值、
阀值、方差数据特征进行判定;令每个神经团中的神经元个数为ke个;第四步,建立输入输
出的逻辑关联关系;遍历水产病害病症数据表,假设水产病害病症数据表记录为Rt,根据记
录Rt的疾病名称定位神经子网;以记录Rt的病症图片索引号为关键字遍历病症图片特征数
据检索表,假设病症图片特征数据检索表记录为Pq,且病症图片索引号和输入的关键字相
同,则根据记录Pq的数据名称定位神经组织;以记录Pq的R通道检索号、G通道检索号、B通道
检索号、H通道检索号、相关性检索号、能量检索号、熵检索号、对比度检索号、均匀性检索
号、面积检索号、周长检索号、似圆度检索号、偏心率检索号、占空比检索号的属性值为关键
字遍历特征值表,假设特征值表记录为Wg,根据记录Wg的其他属性名称定位神经团NN,所述
其他属性包括数据名称、标准差、最大值、最小值、阀值、方差;将数据名称、标准差、最大值、
最小值、阀值、方差属性值分别放到神经团NN中的未赋值的神经元的存储单元中;通过上述
训练过程实现水产病害诊断神经网络Y=F(X)的输入输出效果,其中Y为病害信息,X为水产
病害图片信息。
周长、似圆度、偏心率、占空比;进而计算特征值的标准差、最大值、最小值、阀值、方差;第二
步,将上述信息输入到水产病害诊断神经网络进行病害诊断;遍历输入的数据,若指针数据
为Pa,且Pa属于图片特征Qw,则定位到二十三个神经子网的二十三个对应特征Qw的神经组
织;进而根据数据Pa的属性Wv,定位到上一步定位的神经组织中对应属性Wv的神经团;设定
相似度阀值为Tj;遍历神经团中的每个神经元,令神经元的输入为数据Pz,利用神经元的计
算单元计算数据Pz与神经元存储单元中数据差的绝对值,若绝对值小于等于阀值Tj,则说
明数据相近,则输出为1,反之输出为0;根据神经网络的Y=F(X)输入输出模型,输出水产病
害图片信息参数X对应的病害信息参数Y,实现对水产病害的智能化诊断。