一种基于边缘计算的鱼群轨迹监测系统技术方案

本发明专利技术公开了一种基于边缘计算的鱼群轨迹监测系统，包括用户终端设备和至少一个边缘设备，边缘设备包括摄像机和边缘计算主板，摄像机用于采集鱼群运动视频，边缘计算主板包括：数据接收单元，用于接收鱼群运动视频并进行图像提取；检测单元，用于部署预训练好的YOLOv5模型，并对图像进行检测；数据分析单元，用于获得每帧图像的鱼群质心坐标，并执行如下操作：计算第K个周期内的鱼群位移总和；判断相邻两个周期的鱼群位移总和之差是否大于预设阈值；用户终端设备，用于接收各边缘计算主板发出的预警信息。该系统基于边缘计算实现鱼群异常行为监测，节省了服务器运算资源，提高了监测实时性和准确率，且人工成本低，部署方便，应用范围广。应用范围广。应用范围广。

【技术实现步骤摘要】
一种基于边缘计算的鱼群轨迹监测系统


[0001]本专利技术属于水产养殖
，具体涉及一种基于边缘计算的鱼群轨迹监测系统。

技术介绍

[0002]在鱼类水产养殖过程中，水质、温度、鱼群健康状况等都是十分重要的部分，在正常状况下鱼群运动轨迹一般比较平稳，在环境发生变化或自身健康状况较差情况下鱼群轨迹会比较杂乱，即认为发生异常状况，需要及时发现并进行处理，以免造成重大损失。
[0003]近年来，鱼类水产养殖的技术日趋智能化、自动化方向发展。但是，现有企业往往使用传统的机器学习结合数字图像处理的算法来进行鱼类轨迹监测，对于鱼群轨迹监测的准确率较低，且由于大量计算数据需要上传到服务器进行运算，不仅增加了鱼群轨迹监测的时间，难以达到实时性的要求，同时也占用了宝贵的服务器资源。或仍依赖纯人工或是人工加传感器(如红外传感器、超声波传感器等)等一系列传统的养殖模式来进行运转，由于个人主观因素和传感器故障率高及易老化等问题，使得鱼类水产养殖过程中对鱼群轨迹监测的准确率低，同时由于人力和传感器配置成本越来越高，导致养殖成本过高。
[0004]随着边缘计算领域的不断进步，边缘计算设备的成本越来越低，并结合深度学习在计算机视觉和图像处理领域的快速发展，更多轻量级、速度快的模型被提出，模型对计算机性能的要求下降。使得通过结合边缘计算和计算机视觉方法来代替传统人工或传感器来进行鱼群轨迹监测成为可能。因此，本申请提出了一种低成本、高准确率和实时性的基于边缘计算的鱼群轨迹监测系统。

技术实现思路

[0005]本专利技术的目的在于针对上述问题，提出一种基于边缘计算的鱼群轨迹监测系统，该系统基于边缘计算实现对鱼群异常行为的准确监测，减少了养殖过程中的人工成本，节省了服务器运算资源，提高了鱼群轨迹预测的实时性，且部署方便，应用范围广。
[0006]为实现上述目的，本专利技术所采取的技术方案为：
[0007]本专利技术提出的一种基于边缘计算的鱼群轨迹监测系统，包括用户终端设备和至少一个边缘设备，其中：
[0008]边缘设备包括摄像机和边缘计算主板，摄像机用于采集鱼群运动视频，边缘计算主板包括依次连接的数据接收单元、检测单元和数据分析单元，其中：
[0009]数据接收单元，用于接收鱼群运动视频并进行图像提取；
[0010]检测单元，用于部署预训练好的YOLOv5网络模型，并通过YOLOv5网络模型对图像进行检测，获得每条鱼的检测框及对应的位置信息[x,y,w,h]，其中，(x,y)为检测框的中心坐标，即鱼的质心坐标，w为检测框的宽度，h为检测框的高度；
[0011]数据分析单元，用于获得每帧图像的鱼群质心坐标，并执行如下操作：
[0012]计算第K个周期内的鱼群位移总和S
K
，满足如下公式：
其中，(x
i
,y
i
)为第K个周期内第i帧图像的鱼群质心坐标，n为第K个周期内的图像总数，K＝1,2,3,
…
；
[0013]判断相邻两个周期的鱼群位移总和之差是否大于预设阈值，若是，认为鱼群运动轨迹异常，并向用户终端设备下发预警信息，否则，认为鱼群运动轨迹正常，不向用户终端设备下发预警信息；
[0014]用户终端设备，用于接收各边缘计算主板的数据分析单元发出的预警信息。
[0015]优选地，用户终端设备为服务器。
[0016]优选地，鱼群质心坐标根据每帧图像中每条鱼的位置信息采用加权平均法获得。
[0017]优选地，数据接收单元还用于对提取的图像进行预处理，预处理为依次对图像进行压缩处理和基于混合高斯模型去除背景。
[0018]优选地，预设阈值为25％。
[0019]优选地，边缘计算主板为jetson nano主板。
[0020]与现有技术相比，本专利技术的有益效果为：该系统采用摄像机和边缘计算主板完成边缘设备的部署，边缘计算主板通过部署轻量级YOLOv5模型对鱼群进行检测，并根据鱼群质心变化来对鱼群轨迹进行模拟判断是否存在异常行为，且在检测前通过对图像进行预处理，去除了图像背景变化因素对模型预测准确率的影响，解决了传统算法难以准确监测鱼群轨迹的问题，实现更为准确的轨迹监测效果，并减少了养殖过程中的人工成本，同时也避免将大量数据上传到服务器进行模型推理运算，节省了宝贵的服务器资源，提高了实际养殖过程中鱼群轨迹预测的实时性，且部署方便，应用范围广。
附图说明
[0021]图1为本专利技术的基于边缘计算的鱼群轨迹监测系统结构示意图；
[0022]图2为本专利技术的基于边缘计算的鱼群轨迹监测系统的流程图；
[0023]图3为本专利技术的数据接收单元从鱼群运动视频中提取的原始图像；
[0024]图4为本专利技术的检测单元输出结果图；
[0025]图5为本专利技术的正常情况下鱼群运动轨迹图；
[0026]图6为本专利技术的异常情况下鱼群运动轨迹图。
具体实施方式
[0027]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0028]需要说明的是，除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。
[0029]如图1
‑
6所示，一种基于边缘计算的鱼群轨迹监测系统，包括用户终端设备和至少一个边缘设备，其中：
[0030]边缘设备包括摄像机和边缘计算主板，摄像机用于采集鱼群运动视频，边缘计算主板包括依次连接的数据接收单元、检测单元和数据分析单元，其中：
[0031]数据接收单元，用于接收鱼群运动视频并进行图像提取；
[0032]检测单元，用于部署预训练好的YOLOv5网络模型，并通过YOLOv5网络模型对图像进行检测，获得每条鱼的检测框及对应的位置信息[x,y,w,h]，其中，(x,y)为检测框的中心坐标，即鱼的质心坐标，w为检测框的宽度，h为检测框的高度；
[0033]数据分析单元，用于获得每帧图像的鱼群质心坐标，并执行如下操作：
[0034]计算第K个周期内的鱼群位移总和S
K
，满足如下公式：，满足如下公式：其中，(x
i
,y
i
)为第K个周期内第i帧图像的鱼群质心坐标，n为第K个周期内的图像总数，K＝1,2,3,
…
；
[0035]判断相邻两个周期的鱼群位移总和之差是否大于预设阈值，若是，认为鱼群运动轨迹异常，并向用户终端设备下发预警信息，否则，认为鱼群运动轨迹正常，不向用户终端设备下发预警信息；
[0036]用户终端设备，用于接收各边缘计算主板的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘计算的鱼群轨迹监测系统，其特征在于：所述基于边缘计算的鱼群轨迹监测系统包括用户终端设备和至少一个边缘设备，其中：所述边缘设备包括摄像机和边缘计算主板，所述摄像机用于采集鱼群运动视频，所述边缘计算主板包括依次连接的数据接收单元、检测单元和数据分析单元，其中：所述数据接收单元，用于接收所述鱼群运动视频并进行图像提取；所述检测单元，用于部署预训练好的YOLOv5网络模型，并通过所述YOLOv5网络模型对图像进行检测，获得每条鱼的检测框及对应的位置信息[x,y,w,h]，其中，(x,y)为检测框的中心坐标，即鱼的质心坐标，w为检测框的宽度，h为检测框的高度；所述数据分析单元，用于获得每帧图像的鱼群质心坐标，并执行如下操作：计算第K个周期内的鱼群位移总和S
K
，满足如下公式：，满足如下公式：其中，(x
i
,y
i
)为第K个周期内第i帧图像的鱼群质心坐标，n为第K个周期内的图像总数，K＝1,2,3...

【专利技术属性】
技术研发人员：钱浩天，刘勤壹，王怡欣，曹迪，吴诗瑶，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：