一种AI智能水产养殖样本识别方法及养殖系统技术方案

本发明专利技术涉及一种AI智能水产养殖样本识别方法及养殖系统，其中系统包括AI智能监测模块，用于采集养殖水体的数据信息，并通过自定义通信协议与网关边缘计算平台通信连接；网关边缘计算平台包括主控板，所述主控板包括图像处理单元以及嵌入在图像处理单元内的循环神经网络模型；网关边缘计算平台根据运算结果对终端养殖设备发送执行指令。本发明专利技术采用局域网模式联动，不依赖于外部网络环境，重要数据在本地网关进行边缘计算后，传送至云端备份或复杂处理，实现边缘计算和云计算的协同。同时，本系统的边缘计算直接提供对终端养殖设备的可操作决策反馈，具有更高的稳定性，以及更低的延迟性，降低误操作风险。

An AI intelligent aquaculture sample recognition method and aquaculture system

【技术实现步骤摘要】
一种AI智能水产养殖样本识别方法及养殖系统
本专利技术涉及人工智能
，尤其涉及一种AI智能水产养殖样本识别方法及养殖系统。
技术介绍
现有智能水产养殖系统基于“互联网+”平台，主要用于整合养殖专家、水技站、品牌商和经销商等产业资源，构建现代化水产共同体。局限于信息资源的互享，能够做到以科学系统化的规范进行人工养殖生产，同时采集行业内数据样本，协助建设科学养殖的模型。目前的智能化水产养殖还处于半人工养殖，只是借助部分设施进行水质监测、生产管理、生态防控等功能，主要技术缺点如下：依赖“互联网+”平台只局限于得到资源，并未实现有效的智能化养殖，只是在传统养殖方式上促进了平台化资源共享，如果不能将规范的养殖模型进行实施，就会导致缺乏实际使用意义。依靠部分设备进行半自动化养殖，进行环境监测、生产管理等，只是利用物联网设备实现远程操控，不能完全实现AI智能化，容易导致人工操作上的失误，造成更大的损失。目前的物联网远程控制，都基于云服务操控，从管理端将数据转发至云端，云端处理后向物联设备发送指令，过度依赖于网络稳定性，并且延迟率高，缺乏边缘计算的能力，几秒钟的延误，就会造成养殖样本大面积死亡的风险。传统物体识别算法采用非深度学习算法进行物体识别追踪技术，准确率低，并且无追踪算法，所以没有关键点追踪，并且消耗性能高。目前市面的智能水产养殖，不具备AI性能，比如物种识别，簇群定位，将规范化养殖模型进行训练，得出自动化养殖方案，并通过边缘计算联动物联设备。
技术实现思路
本专利技术的目的在于提供一种AI智能水产养殖样本识别方法及养殖系统，旨在解决现有水产养殖系统过度依赖互联网平台的资源共享，没有具体运用到智能化水厂养殖方面等问题。为实现上述目的，本专利技术的技术方案如下：一种AI智能水产养殖样本识别方法，包括如下步骤：步骤一，收集养殖样本图像，标注养殖样本图像关键点绝对坐标并提取特征值，制作养殖训练样本集；步骤二，利用养殖训练样本关键点绝对坐标，提取对应坐标的像素值并归一化处理，采用随机森林的数据结构构建所有节点的数据信息，输入搭建的循环神经网络模型进行训练并存储回归矩阵；步骤三，根据回归矩阵粗略检测采集养殖水体视频帧的关键点位置，再利用训练好的循环神经网络模型和随机森林结构识别并优化养殖样本的关键点信息。进一步地，所述养殖样本图像关键点设置5个。一种AI智能水产养殖系统，包括AI智能监测模块包括物联传感器和图像采集器；所述物联传感器用于采集养殖水体的数据信息，图像采集器用于采集养殖水体视频图像；所述物联传感器和图像采集器通过自定义通信协议与网关边缘计算平台通信连接；网关边缘计算平台包括主控板，所述主控板包括图像处理单元以及嵌入在图像处理单元内的循环神经网络模型；终端养殖设备，与所述网关边缘计算平台电连接，网关边缘计算平台根据运算结果对终端养殖设备发送执行指令。进一步地，所述主控板选用RK3399安卓主板且对RK3399安卓主板的网关进行边缘计算。进一步地，所述物联传感器包括水质铅离子传感器、二氧化碳传感器、温度传感器，分别用于检测养殖水质的铅离子含量、二氧化碳含量和水体温度。进一步地，还包括与主控板相连的报警装置，所述报警装置为声、光或震动报警装置中的一种或多种。本专利技术的AI智能水产养殖样本识别方法及养殖系统具有以下优点：根据物联网传感器和图像识别等技术辅助AI智能养殖，实现水产养殖自动化、智能化、AI化、科学化，更低风险地将规范养殖模型贯彻到日常养殖细节中。AI养殖系统采取“物联网传感器+AI图像识别+边缘计算平台管理”模式，从智能化设备到计算机图像处理，不完全依赖于物联网设备，也不完全依赖于计算机图像技术，具备高稳定性、可靠性等优势。图像识别算法基于AI人工智能技术，可实时识别养殖样本，分析簇群数据等功能，提供喂食建议、越狱提醒、水面状态报告等信息。基于深度学习，精准检测样本并对其进行5关键点实时追踪，识别精准度在Objects365测试集达到98.6％，且对视频帧分辨率度要求仅在720P，使采集硬件设备成本降低75％。提供低延时操控保障，数据在养殖基地的管理平台进行处理，不需全部传至云端处理，网关边缘计算平台处理完成后直接将消息发送至终端养殖设备，全过程50ms内响应，相比云计算全过程最快800ms，提升了近93.8％，实现真正的“实时”控制，提供最可靠的服务。附图说明构成说明书一部分的附图描述了本专利技术的实施例，并且连同描述一起用于解释本专利技术的原理，参照附图，可以更加清楚地理解本专利技术：图1是本专利技术实施例中AI智能水产养殖样本识别方法的流程图；图2是本专利技术实施例中AI智能水产养殖系统的原理框图；图3是本专利技术实施例中“螃蟹”的五关键点示意图。具体实施方式下面结合附图和实施例对本专利技术的技术方案做进一步的详细说明。如图1，本专利技术的一种AI智能水产养殖样本识别方法，包括如下步骤：步骤一，收集养殖样本图像，标注样本图像5关键点绝对坐标并提取特征值，制作养殖训练样本集；步骤二，利用养殖训练样本5关键点绝对坐标，提取对应坐标的像素值并归一化处理，采用随机森林的数据结构得到所有节点的数据信息，输入搭建的循环神经网络模型进行训练并存储回归矩阵；步骤三，根据回归矩阵粗略检测采集养殖视频帧的关键点位置，再利用训练好的循环神经网络模型和随机森林结构的决策识别并优化养殖样本的关键点信息，实现养殖样本的识别与追踪。其中，循环神经网络是一类用于处理序列数据的神经网络，可以扩展到更长的序列，亦能处理可变长度的序列。循环神经网络提供核心技术训练数据集，实现实时养殖样本识别，对已经标注的养殖样本关键点绝对坐标值的5万样本训练集进行训练的时候，遵循隐藏单元之间存在的循环连接，但读取整个序列后产生单个输出的设计模式。通过训练集样本的养殖样本5关键点数据提取特征值并经序列化处理后，通过构建好的循环神经网络结构，得到最终训练好的循环神经网络模型。随机森林方法提供养殖样本二值特征处理，进行实时的养殖样本5关键点追踪算法实现。随机森林是由多层次的多组二叉决策树构成。通过样本数据训练模型以及利用模型识别养殖样本5关键点的过程中，需要使用随机森林数据结构处理局部二值特征的提取及归一化操作。在训练的时候，利用已有的养殖样本5关键点绝对坐标，提取图像中对应坐标的像素值，通过随机森林的数据结构得到训练样本所有结点的数据信息，提供给循环神经网络使用，并最终以回归矩阵的形式存储在模型文件；在使用模型识别养殖样本5关键点的时候，根据已有的回归矩阵取得带检测图片粗略的养殖样本关键点位信息，并通过模型的计算和随机森林结构的决策优化得到最终识别到的养殖样本关键点信息。如图3所示，以养殖样本“螃蟹”为例，采用5关键点追踪，主关键点设置在螃蟹壳体上，其他四个关键点对称设置在螃蟹的肢体上。本专利技术将养殖体识别追踪关键点数减少至5个，让系统具备追踪样本功能，并且克服传统非深度学习算法识别准确率低的问题，同时提升性能，采用深度学习使低成本小包体高性能成为可能，720P分辨率进行视频采集即可实现样本识别追踪，提高单帧识别追踪耗时2ms，相比较现有识别算法20ms的效率，速度增长了10倍。一种AI智能水产养殖系统，如图2所示，包括AI智能监测模块包括物联传感器和图像采集器，物联传感器和图像采集器本文档来自技高网...

【技术保护点】
1.一种AI智能水产养殖样本识别方法，其特征在于，包括如下步骤：步骤一，收集养殖样本图像，标注养殖样本图像关键点绝对坐标并提取特征值，制作养殖训练样本集；步骤二，利用养殖训练样本关键点绝对坐标，提取对应坐标的像素值并归一化处理，采用随机森林的数据结构构建所有节点的数据信息，输入搭建的循环神经网络模型进行训练并存储回归矩阵；步骤三，根据回归矩阵粗略检测采集养殖水体视频帧的关键点位置，再利用训练好的循环神经网络模型和随机森林结构识别并优化养殖样本的关键点信息。

【技术特征摘要】
1.一种AI智能水产养殖样本识别方法，其特征在于，包括如下步骤：步骤一，收集养殖样本图像，标注养殖样本图像关键点绝对坐标并提取特征值，制作养殖训练样本集；步骤二，利用养殖训练样本关键点绝对坐标，提取对应坐标的像素值并归一化处理，采用随机森林的数据结构构建所有节点的数据信息，输入搭建的循环神经网络模型进行训练并存储回归矩阵；步骤三，根据回归矩阵粗略检测采集养殖水体视频帧的关键点位置，再利用训练好的循环神经网络模型和随机森林结构识别并优化养殖样本的关键点信息。2.根据权利要求1所述的AI智能水产养殖样本识别方法，其特征在于：所述养殖样本图像关键点设置5个。3.一种AI智能水产养殖系统，其特征在于：包括AI智能监测模块包括物联传感器和图像采集器；所述物联传感器用于采集养殖水体的数据信息，图像采集器用于采集养殖水体视频图像...

【专利技术属性】
技术研发人员：史凯，汪俊，吴剑骄，
申请(专利权)人：南京图玩智能科技有限公司，
类型：发明
国别省市：江苏,32