【技术实现步骤摘要】
本专利技术涉及了一种姿态识别方法，具体涉及一种基于激光雷达对鱼类行为监督的水下病害识别方法。
技术介绍
1、鱼在养殖过程中，由于寄生虫以及细菌的繁殖，容易出现烂鳃、赤皮、肠炎等疾病。
2、目前在鱼种的病害预防作业中，大多数依靠的是人工肉眼观察，病害识别通过工作人员的个人经验决定，容易导致病鱼漏检、误检的现象，病鱼没有定时清理会导致传染病大量传播和水质下降，造成鱼群的大量死亡，进而降低经济效益。
3、鱼类常见疾病包括出血病、细菌性肠炎病、细菌性烂鳃病，这些病会在一定程度上影响鱼的特征和水下行为。例如，鱼类感染后可能会出现“蛙泳”、连续“打嗝”、游动无力等行为，养殖人员不一定能够及时发现，从而错过病害治理的最佳时机。
技术实现思路
1、为了解决
技术介绍
中存在的问题，本专利技术所提供一种基于激光雷达对鱼类行为监督的水下病害识别方法。通过图像处理的方法识别鱼类不正常行为，结合人工判断，实现病鱼的剔除。
2、本专利技术采用的技术方案是：
3、本专利技术的基于激光雷达对鱼类行为监督的水下鱼类病害识别方法，包括：
4、1)在养殖有预设种类的鱼类的水域底搭建测距系统。
5、2)使用测距系统对水域中的无病害鱼类进行三维扫描检测，针对每只无病害鱼类，均扫描获得无病害鱼类的各个部位距测距系统之间的姿态距离。
6、3)针对每只无病害鱼类，根据无病害鱼类的各个姿态距离获得无病害鱼类的三维点云图。
7、4)将各个无
8、5)将待识别鱼类进行步骤2)-3)的相同的操作，获得待识别鱼类的三维点云图，将待识别鱼类的三维点云图输入训练完成的t-s模糊神经网络模型中，训练完成的t-s模糊神经网络模型进行模型匹配，不能匹配上模型的即识别为病害鱼类，从而实现水下鱼类病害的识别。
9、所述的步骤1)中，测距系统包括半固态-微电子系统式激光雷达mems(micro-electro-mechanical system)和机械式旋转激光雷达，半固态-微电子系统式激光雷达mems安装在水域中心底部，并在竖直方向朝上形成锥形扫描区域；机械式旋转激光雷达安装在水域底部的侧面，并在水平方向侧方形成矩形扫描区域。
10、所述的半固态-微电子系统式激光雷达mems的点光源选取垂直腔面发射激光器vsel(vertical-cavity surface-emitting laser)；机械式旋转激光雷达的点光源选取边发射激光器eel(edge-emitting laser))。
11、所述的步骤2)中，扫描获得无病害鱼类的各个部位距测距系统之间的姿态距离具体为使用半固态-微电子系统式激光雷达mems和机械式旋转激光雷达进行扫描分别获得各自与无病害鱼类的鱼嘴、鱼眼、鱼鳃、背鳍、鱼肚和鱼尾之间的姿态距离a。
12、所述的步骤3)中，针对每只无病害鱼类，半固态-微电子系统式激光雷达mems和机械式旋转激光雷达在扫描后各自获得无病害鱼类的各个姿态距离并分别组成两个姿态距离集，针对每个姿态距离集，首先使用主成分分析法pca(principal component analysis)处理后获得无病害鱼类的初始三维点云图，同时获得邻域重心及其邻域点数k，在主成分分析法pca中引入邻域点数新值k`，当邻域重心当前的邻域点数k小于邻域点数新值k`时，则将邻域重心当前的邻域点数k扩大为邻域点数新值k`，再重新使用更新后的主成分分析法pca对每个姿态距离集进行处理获得无病害鱼类的最终三维点云图q。
13、结合pca算法通过计算点云法向量和曲率信息将多个距离a转化为三维点云图q。在pca法中，利用下式算得曲率：
14、
15、
16、其中，t为计算点pi协方差k阶矩阵，k为邻域点数，γ0，γ1，γ2分别为特征值(γ0＜γ1＜γ2)，为邻域重心，ωi为曲率。
17、但是在转化过程中，由于鱼类特征点分布不规则和密度不均匀即鱼肚和鱼鳃的表面较为光滑，采集特征点的过程中会出现特征点较少的情况，造成平面特征的缺失，导致法向量和曲率信息计算结果不准确。这里引入一个新的k`点获得较少的情况下，扩大特征点的选取个数。
18、所述的邻域点数新值k`具体如下：
19、
20、其中，ki为初始三维点云图中的第i个邻域重心的邻域点数，n为点云总点数。
21、所述的步骤4)中，t-s模糊神经网络模型具体使用梯度下降法进行训练。
22、t-s模糊神经网络模型由前件网络和后件网络组成，前件网络由输入层、模糊化层、规则层、去模糊化层构成，前件网络输出用作后件网络中间层输出层连接权值；后件网络又输入层、中间层、输出层构成，通过梯度下降法训练该模型，建立起基于t-s模糊神经网络的正常草鱼姿态预测模型。
23、具体实施时，将各个无病害鱼类的三维点云图按照4：1的比例随机划分为训练集和验证集进行训练。
24、所述的步骤5)中，训练完成的t-s模糊神经网络模型进行模型匹配，具体为实时记录t-s模糊神经网络模型的匹配时间，并在处理过程中实时获得t-s模糊神经网络模型输出的置信度值，当在超过预设时间段内获得的置信度值始终不在预设置信区间内，则认为不能匹配上模型。
25、具体实施时超过20min即确定不符合该模型，将相应的待识别鱼类标记为有病害鱼类，并且通过网络对人员发出预警提示并且进行剔除操作。
26、本专利技术的有益效果是：
27、本专利技术通过激光雷达的实时检测，创新性的提出了基于改良的pca算法对草鱼异常行为的水下姿态监督与识别，提高了特征点选取降低了鱼鳃、鱼肚区域的曲率精度，精确识别行为异常的鱼类，以此实现养殖过程中的病害防治，有效降低了鱼类的病害发生率并且降低了人力成本，进而实现提高经济效益和防止养殖水质下降的目的。
28、本专利技术方法利用改良的pca算法在平面区域获得了更多的特征点，提高了鱼鳃、鱼肚等附近识别的精度，并且通过模型设置置信区间和时间进行识别，大大提高了病害识别的精确度，为水产防病害提供了支持。
本文档来自技高网...【技术保护点】
1.一种基于激光雷达对鱼类行为监督的水下鱼类病害识别方法，其特征在于，包括：
2.根据权利要求1所述的基于激光雷达对鱼类行为监督的水下鱼类病害识别方法，其特征在于：所述的步骤1)中，测距系统包括半固态-微电子系统式激光雷达MEMS和机械式旋转激光雷达，半固态-微电子系统式激光雷达MEMS安装在水域中心底部，并在竖直方向朝上形成锥形扫描区域；机械式旋转激光雷达安装在水域底部的侧面，并在水平方向侧方形成矩形扫描区域。
3.根据权利要求2所述的基于激光雷达对鱼类行为监督的水下鱼类病害识别方法，其特征在于：所述的半固态-微电子系统式激光雷达MEMS的点光源选取垂直腔面发射激光器VSEL；机械式旋转激光雷达的点光源选取边发射激光器EEL。
4.根据权利要求2所述的基于激光雷达对鱼类行为监督的水下鱼类病害识别方法，其特征在于：所述的步骤2)中，扫描获得无病害鱼类的各个部位距测距系统之间的姿态距离具体为使用半固态-微电子系统式激光雷达MEMS和机械式旋转激光雷达进行扫描分别获得各自与无病害鱼类的鱼嘴、鱼眼、鱼鳃、背鳍、鱼肚和鱼尾之间的姿态距离A。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。