基于无人机的金枪鱼渔场位置预测方法

IPRDB

API 数据接口

专利申请

使用指引 chat嘟嘟

会员体验

联系我们

交流群

现在联系顾问~

基于无人机的金枪鱼渔场位置预测方法
申请号	CN201810926804.2	申请日	2018-08-15	公开(公告)号	CN109034105B	公开(公告)日	2020-08-04
申请人	上海海洋大学;			发明人	万荣; 于振江; 李增光; 常宗喻; 管青龙; 郑中强; 侯庆联; 宋鹏波;
摘要	本发明提供一种基于无人机的金枪鱼渔场位置预测方法，包括步骤：S1：在无人机上设置双光吊舱、高光谱相机和数据传输设备；S2：获取目标金枪鱼渔场水域的水面特征数据，建立水面特征与鱼群特征关系数据库；S3：通过无人机实时采集目标金枪鱼渔场水域的水域特征数据；S4：利用实测水面特征数据检验和修正水面特征与鱼群特征关系数据库；S5：建立神经网络模型；S6：利用神经网络模型获得预测渔场位置；S7：验证预测渔场位置，如通过验证，将预测渔场位置加入至渔场位置数据库；S8：返回步骤S2。本发明的一种基于无人机的金枪鱼渔场位置预测方法，可以广泛应用于金枪鱼渔场识别，具有准确、高效和机动灵活的优点。
权利要求	1.一种基于无人机的金枪鱼渔场位置预测方法，包括步骤：S1：在一无人机上设置一双光吊舱、一高光谱相机和一数据传输设备，所述双光吊舱和所述高光谱相机连接所述数据传输设备，所述数据传输设备与一数据处理终端通信连接； S2：获取一目标金枪鱼渔场水域的水面特征数据，所述数据处理终端对所述水面特征数据进行归一化处理，建立一水面特征与鱼群特征关系数据库；通过调研金枪鱼捕捞公司或金枪鱼养殖企业，自金枪鱼捕捞公司或金枪鱼养殖企业获得金枪鱼渔场的近水面鱼群影像及特征信息，进行数据的归一化与一致性处理，然后建立海面图像与金枪鱼渔场之间的关系，建立水面特征与鱼群特征关系数据库； S3：通过所述无人机实时采集所述目标金枪鱼渔场水域的水域特征数据并发送给所述数据处理终端；所述水域特征数据包括实测水面特征数据和传感器数据，所述传感器数据由所述高光谱相机采集获得； S4：对所述水域特征数据进行归一化处理，利用所述实测水面特征数据检验和修正所述水面特征与鱼群特征关系数据库；利用所述传感器数据建立一传感器数据、水面特征与渔场位置关系数据库； S5：根据修正后的所述水面特征与鱼群特征关系数据库和所述传感器数据、水面特征与渔场位置关系数据库建立一神经网络模型； S6：利用所述神经网络模型获得至少一预测渔场位置，建立一渔场位置数据库； S7：验证所述预测渔场位置，如通过验证，将所述预测渔场位置加入至所述渔场位置数据库； S8：返回步骤S2；所述S5进一步包括步骤： S61：利用所述水面特征数据获得一训练样本集； S62：通过所述训练样本集训练所述神经网络模型； S63：选择一神经网络学习方法； S64：利用所述水面特征数据获得一测试样本集； S65：将所述测试样本集输入当前所述神经网络模型； S66：判断当前神经网络模型是否学习成功，如未成功返回步骤S63，如成功继续后续步骤； S67：将一验证样本输入当前所述神经网络模型，如通过验证继续后续步骤；所述S6进一步包括步骤： S68：利用所述无人机收集当前水域的所述水域特征数据，处理所述水域特征数据获得一待预测样本集； S69：将所述待预测样本集输入当前所述神经网络模型，获得所述预测渔场位置。 2.根据权利要求1所述的基于无人机的金枪鱼渔场位置预测方法，其特征在于，所述S67进一步包括步骤：S671：将验证样本输入当前所述神经网络模型，获得一验证渔场位置； S672：控制所述无人机的所述双光吊舱采集所述验证渔场位置的影像数据； S673：所述数据处理终端对所述影像数据进行图像识别，如识别出所述影像数据内包括鱼群则通过验证。 3.根据权利要求2所述的基于无人机的金枪鱼渔场位置预测方法，其特征在于，所述水面特征数据包括：鱼群影像数据、波浪影像数据、海鸟分布影像数据和鱼群猎食者影像数据。 4.根据权利要求2所述的基于无人机的金枪鱼渔场位置预测方法，其特征在于，所述传感器数据包括温度遥感数据、盐度遥感数据、水色、叶绿素遥感数据和深度遥感数据。 5.根据权利要求2所述的基于无人机的金枪鱼渔场位置预测方法，其特征在于，所述鱼群特征包括鱼群大小、鱼群密度和尺度。 6.根据权利要求2所述的基于无人机的金枪鱼渔场位置预测方法，其特征在于，所述无人机采用油动混合多旋翼无人机，所述无人机的续航时间大于2小时，最大飞行高度大于等于2000m，巡航半径大于等于40km；所述数据传输设备对1080P格式的图像数据实时传输距离大于40km；所述无人机的抗风等级大于5级，最大巡航速度大于等于40km/h；所述无人机的有效载荷大于等于10kg。 7.根据权利要求2所述的基于无人机的金枪鱼渔场位置预测方法，其特征在于，所述双光吊舱包括一可见光成像装置和一红外成像装置；所述双光吊舱支持30倍变焦并具有鱼群自动识别和锁定功能，并可控制所述无人机的飞控系统使得所述无人机平稳追踪鱼群。
说明书全文	基于无人机的金枪鱼渔场位置预测方法技术领域 [0001] 本发明涉及渔场位置预测领域，尤其涉及一种基于无人机的金枪鱼渔场位置预测方法。背景技术 [0002] 1956年，人工智能这一概念被首次提出，60多年来的不断发展，使人工智能的应用领域日益广泛。近年来，人工智能已成为全球新一轮科技革命和产业变革的着力点，也引起越来越多人的关注，但其在渔业上的应用并不深入。 [0003] 同时受到关注的还包括能够带来极高经济效益的金枪鱼围网渔业，金枪鱼围网渔业是现代金枪鱼渔业中捕捞效率最高的捕捞方法，围网渔业产量占整个金枪鱼渔业总产量的60～70％。目前，各国金枪鱼围网渔业竞争激烈，提高金枪鱼围网作业效率势在必行。探鱼是金枪鱼围网作业中最重要的步骤，当前主要的几种探鱼手段往往技术难度大，且对操作人员素质要求高，无法做到准确、高效的识别金枪鱼渔场。缺乏经验的探鱼人员不能迅速作出判断，往往错过最佳围捕时机，甚至作出错误判断，造成不必要的燃油、时间、人工费用的浪费。 [0004] 因此，研究人工智能在金枪鱼渔场识别方面的应用，寻找一种更准确、高效的金枪鱼渔场识别方法，成为亟待解决的问题。发明内容 [0005] 针对上述现有技术中的不足，本发明提供一种基于无人机的金枪鱼渔场位置预测方法，可以广泛应用于金枪鱼渔场识别，具有准确、高效和机动灵活的优点。 [0006] 为了实现上述目的，本发明提供一种基于无人机的金枪鱼渔场位置预测方法，包括步骤： [0007] S1：在一无人机上设置一双光吊舱、一高光谱相机和一数据传输设备，所述双光吊舱和所述高光谱相机连接所述数据传输设备，所述数据传输设备与一数据处理终端通信连接； [0008] S2：获取一目标金枪鱼渔场水域的水面特征数据，所述数据处理终端对所述水面特征数据进行归一化处理，建立一水面特征与鱼群特征关系数据库； [0009] 通过调研金枪鱼捕捞公司或金枪鱼养殖企业，自金枪鱼捕捞公司或金枪鱼养殖企业获得金枪鱼渔场的近水面鱼群影像及特征信息，进行数据的归一化与一致性处理，然后建立海面图像与金枪鱼渔场之间的关系，建立水面特征与鱼群特征关系数据库； [0010] S3：通过所述无人机实时采集所述目标金枪鱼渔场水域的水域特征数据并发送给所述数据处理终端；所述水域特征数据包括实测水面特征数据和传感器数据，所述传感器数据由所述高光谱相机采集获得； [0011] S4：对所述水域特征数据进行归一化处理，利用所述实测水面特征数据检验和修正所述水面特征与鱼群特征关系数据库；利用所述传感器数据建立一传感器数据、水面特征与渔场位置关系数据库； [0012] S5：根据修正后的所述水面特征与鱼群特征关系数据库和所述传感器数据、水面特征与渔场位置关系数据库建立一神经网络模型； [0013] S6：利用所述神经网络模型获得至少一预测渔场位置，建立一渔场位置数据库； [0014] S7：验证所述预测渔场位置，如通过验证，将所述预测渔场位置加入至所述渔场位置数据库； [0015] S8：返回步骤S2； [0016] 所述S5进一步包括步骤： [0017] S61：利用所述水面特征数据获得一训练样本集； [0018] S62：通过所述训练样本集训练所述神经网络模型； [0019] S63：选择一神经网络学习方法； [0020] S64：利用所述水面特征数据获得一测试样本集； [0021] S65：将所述测试样本集输入当前所述神经网络模型； [0022] S66：判断当前神经网络模型是否学习成功，如未成功返回步骤S63，如成功继续后续步骤； [0023] S67：将一验证样本输入当前所述神经网络模型，如通过验证继续后续步骤； [0024] 所述S6进一步包括步骤: [0025] S68：利用所述无人机收集当前水域的所述水域特征数据，处理所述水域特征数据获得一待预测样本集； [0026] S69：将所述待预测样本集输入当前所述神经网络模型，获得所述预测渔场位置。 [0027] 优选地，所述S67进一步包括步骤： [0028] S671：将验证样本输入当前所述神经网络模型，获得一验证渔场位置； [0029] S672：控制所述无人机的所述双光吊舱采集所述验证渔场位置的影像数据； [0030] S673：所述数据处理终端对所述影像数据进行图像识别，如识别出所述影像数据内包括鱼群则通过验证。 [0031] 优选地，所述水面特征数据包括：鱼群影像数据、波浪影像数据、海鸟分布影像数据和鱼群猎食者影像数据。 [0032] 优选地，所述传感器数据包括温度遥感数据、盐度遥感数据、水色、叶绿素遥感数据和深度遥感数据。 [0033] 优选地，所述鱼群特征包括鱼群大小、鱼群密度和尺度。 [0034] 优选地，所述无人机采用油动混合多旋翼无人机，所述无人机的续航时间大于2小时，最大飞行高度大于等于2000m，巡航半径大于等于40km；所述数据传输设备对1080P格式的图像数据实时传输距离大于40km；所述无人机的抗风等级大于5级，最大巡航速度大于等于40km/h；所述无人机的有效载荷大于等于10kg。 [0035] 优选地，所述双光吊舱包括一可见光成像装置和一红外成像装置；所述双光吊舱支持30倍变焦并具有鱼群自动识别和锁定功能，并可控制所述无人机的飞控系统使得所述无人机平稳追踪鱼群。 [0036] 本发明由于采用了以上技术方案，使其具有以下有益效果： [0037] 通过无人机与神经网络的结合，可对无人机拍摄的图像，进行快速扫描、几何校正和自动识别，能够根据采集到的传感器信息对可能出现鱼群的渔场进行全自动预测，极大提高了渔场探测效率，有效减少作业天数，从而进一步降低成本。无人机上设置双光吊舱、高光谱相机和数据传输设备，无需运载过多设备、整体重量轻，续航巡检的时间较长，有效降低了机载设备丢失或损坏的风险，探鱼成本低，有更广泛的应用前景。附图说明 [0038] 图1为本发明实施例的基于无人机的金枪鱼渔场位置预测方法的流程图； [0039] 图2为本发明实施例的利用神经网络模型获得预测渔场位置的原理图。具体实施方式 [0040] 下面根据附图1～图2，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。 [0041] 请参阅图1和图2，本发明实施例的本发明提供一种基于无人机的金枪鱼渔场位置预测方法，包括步骤： [0042] S1：在一无人机上设置一双光吊舱、一高光谱相机和一数据传输设备，双光吊舱和高光谱相机连接数据传输设备，数据传输设备与一数据处理终端通信连接。 [0043] 本实施例中，无人机采用油动混合多旋翼无人机，无人机的续航时间大于2小时，最大飞行高度大于等于2000m，巡航半径大于等于40km；数据传输设备对1080P格式的图像数据实时传输距离大于40km；无人机的抗风等级大于5级，最大巡航速度大于等于40km/h；无人机的有效载荷大于等于10kg。双光吊舱包括一可见光成像装置和一红外成像装置；双光吊舱支持30倍变焦并具有鱼群自动识别和锁定功能，并可控制无人机的飞控系统使得无人机平稳追踪鱼群。在其他实施例中，无人机和双光吊舱的种类和结构不做限制。 [0044] S2：获取一目标金枪鱼渔场水域的水面特征数据，数据处理终端对水面特征数据进行归一化处理，建立一水面特征与鱼群特征关系数据库； [0045] 本实施例中，水面特征数据包括：鱼群影像数据、波浪影像数据、海鸟分布影像数据和鱼群猎食者影像数据。鱼群特征包括鱼群大小、鱼群密度和尺度。 [0046] 例如：可通过调研金枪鱼捕捞公司或金枪鱼养殖企业，自金枪鱼捕捞公司或金枪鱼养殖企业获得金枪鱼渔场的近水面鱼群影像及特征信息，进行数据的归一化与一致性处理，然后建立海面图像与金枪鱼渔场之间的关系，建立水面特征与鱼群特征关系数据库。 [0047] S3：通过无人机实时采集目标金枪鱼渔场水域的水域特征数据并发送给数据处理终端；水域特征数据包括实测水面特征数据和传感器数据；传感器数据包括温度遥感数据、水色、盐度遥感数据、叶绿素遥感数据和深度遥感数据。 [0048] S4：对水域特征数据进行归一化处理，利用实测水面特征数据检验和修正水面特征与鱼群特征关系数据库；利用传感器数据建立一传感器数据、水面特征与渔场位置关系数据库。 [0049] 在S3和S4步骤中，根据水面特征与鱼群特征关系数据库，利用无人机在其对应的渔场实地测试，无人机搭载的双光吊舱可进行实时高清图像拍摄，进一步得到图像数据，然后无人机将高清图片实时传输到地面站的数据处理终端，利用图像识别技术提取所需数据，并与水面特征与鱼群特征关系数据库内的先前数据进行对比，并进行检验、修正。 [0050] 另外，在无人机上搭载高光谱相机测量温盐深、水色及叶绿素等，在实际应用中进行渔场监测收集信息，建立传感器数据、水面特征与渔场位置关系数据库。 [0051] S5：根据修正后的水面特征与鱼群特征关系数据库和传感器数据、水面特征与渔场位置关系数据库建立一神经网络模型。 [0052] S6：利用神经网络模型获得至少一预测渔场位置，建立一渔场位置数据库。 [0053] 其中，S5进一步包括步骤： [0054] S61：利用水面特征数据获得一训练样本集； [0055] S62：通过训练样本集训练神经网络模型； [0056] S63：选择一神经网络学习方法； [0057] S64：利用水面特征数据获得一测试样本集； [0058] S65：将测试样本集输入当前神经网络模型； [0059] S66：判断当前神经网络模型是否学习成功，如未成功返回步骤S63，如成功继续后续步骤； [0060] S67：将一验证样本输入当前神经网络模型，如通过验证继续后续步骤； [0061] 其中，S67进一步包括步骤： [0062] S671：将验证样本输入当前神经网络模型，获得一验证渔场位置； [0063] S672：控制无人机的双光吊舱采集验证渔场位置的影像数据； [0064] S673：数据处理终端对影像数据进行图像识别，如识别出影像数据内包括鱼群则通过验证。 [0065] S6进一步包括步骤 [0066] S68：利用无人机收集当前水域的水域特征数据，处理水域特征数据获得一待预测样本集； [0067] S69：将待预测样本集输入当前神经网络模型，获得预测渔场位置。 [0068] S7：验证预测渔场位置，如通过验证，将预测渔场位置加入至渔场位置数据库； [0069] S8：返回步骤S2。 [0070] 本发明实施例的本发明提供一种基于无人机的金枪鱼渔场位置预测方法，通过大数据融合人工智能技术可实现金枪鱼渔场的渔场；建立金枪鱼渔场数据库，通过神经网络图像、数据检索控制的方法进行大量的无人机自主学习，在实际中进行海上实验。然后对借助金枪鱼渔场数据库所预测的渔场进行探寻验证，所得数据进一步更新数据库。最终得到准确的金枪鱼渔场数据库，实现金枪鱼渔场的自动、准确的寻找、识别和预测。 [0071] 以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。