【技术实现步骤摘要】
本申请涉及水下数据处理领域，特别是涉及基于国产超算的海洋牧场鱼类种群评价方法与系统。
技术介绍
1、海洋牧场是指在一定海域内采用规模化渔业设施和系统化管理体制，利用自然的海洋生态环境，将人工放流的经济海洋生物聚集起来，对鱼、虾、贝、藻等海洋资源进行有计划和有目的的海上放养。海洋牧场水产品养殖中过程中，甄别水下鱼类种群生长状况尤为重要。
2、通常情况下，对于鱼类种群的评价方法是借助于拖网捕捞和水下影像综合判断的，利用yolo目标检测模型进行水下鱼类种群识别任务，尽管yolo目标检测模型在其他场景下具有运算量、精度、实时性等优点，但是应用于水下鱼类种群识别任务时存在以下缺点：
3、由于海底生产环境情况复杂、水体浑浊及能见度低等水体环境原因及水下监测设备的镜头分辨率、镜头遮挡及目标遮挡等物理原因会影响设备的数据采集质量，也会使yolo目标检测模型识别准确率偏低；另外，目前水下监测设备硬件成本高且需要将yolo目标检测模型压缩部署于小型嵌入设备，以便于集成至水下监测设备，提高了终端设备的部署成本及维护难度，也进一步使得模型运行及识别效率低。
技术实现思路
1、本申请实施例提供了一种基于国产超算的海洋牧场鱼类种群评价方法与系统，通过鱼类种群评价模型进行鱼类种群的智能识别、鱼种分类及智能计数，实现鱼类种群的智能监测与分析，以有利于实现海洋牧场鱼类种群生长状态监测、疾病预警及精准投喂，提高经济效益和海洋牧场智能化养殖水平。
2、第一方面，本申请实施例提供了一种
3、数据集构建步骤，基于海洋牧场鱼类聚集活动区域的水下视频流数据经数据增广、数据标注构建鱼类种群评价数据集；
4、模型构建步骤，对所述鱼类种群评价数据集进行数据增强，并基于yolov5目标检测模型构建鱼类种群评价模型；
5、模型移植步骤，将鱼类种群评价模型的生产环境移植至国产超算平台，并在国产超算平台基于所述鱼类种群评价数据集对鱼类种群评价模型进行并行训练后，运行所述鱼类种群评价模型对待识别的水下视频流数据进行识别，得到种群类别、是否为体表病害鱼及相应计数数值。
6、在其中一些实施例中，所述模型移植步骤进一步包括：
7、生产环境移植步骤，根据所述鱼类种群评价模型的依赖库及依赖库的版本下载依赖库源码并编译移植至所述国产超算平台；
8、分布式数据并行配置步骤，在所述鱼类种群评价模型的训练文件中加载所述依赖库，配置训练参数为适配于所述国产超算平台的训练超参数，并将训练模型配置为分布式数据并行模式后激活所述依赖库中的生产环境，提交训练任务至国产超算平台的队列进行模型并行训练。
9、在其中一些实施例中，所述数据集构建步骤进一步包括：
10、数据采集步骤，利用预先部署的数据采集设备获取海洋牧场鱼类聚集活动区域的水下视频流数据经筛选鱼类活动片段后提取图片帧，并爬取鱼类体表病害图像，得到水下鱼群图像；
11、数据增广步骤，将所述水下鱼群图像经随机旋转、调整对比度、添加图像噪声得到处理的图像并作为新的水下鱼群图像进行数据增广，实现数据集成倍扩大；
12、数据标注步骤，采用labelimg工具标注增广后的所述水下鱼群图像的种群类别及是否为体表病害鱼，标注过程为每个目标分配一矩形框作为位置信息圈定目标范围；
13、数据集获取步骤，将标注后的所述水下鱼群图像配置比例分配为训练集及测试集，构建鱼类种群评价数据集。
14、在其中一些实施例中，所述模型构建步骤进一步包括：
15、数据预处理步骤，基于msrcr算法(multi-scale retinex with colorrestoration,简称msrcr)对所述鱼类种群评价数据集进行图像增强并通过缩放填充法进行自适应图片缩放，并配置自适应锚框以迭代模型网络参数，通过图像增强显著降低水体浑浊对图像识别的影响；
16、模型预测步骤，利用yolov5目标检测模型的focus模块及csp模块(cross stagepartial)进行特征提取得到鱼类种群评价数据集中图片的特征表示并进行特征融合后输出预测框及计数，所述预测框包括置信值、类别概率及边界框位置，其中，置信值用于表示预测框内是否存在目标的概率，取值范围为0到1，类别概率用于表示预测框内对象属于各个类别的概率，每个类别每打印一边界框其计数加1，具体修改后边界框显示内容格式为“类别名称+置信值+计数”，边界框位置用于表示检测到目标的位置和大小并标注出矩形框。具体的，yolov5目标检测模型的输出层通过锚框anchor box来预测目标的边界框位置和大小，对每个锚框anchor box对象采用softmax函数计算类别概率，计数则借助结果预测功能直接显示于目标边界框上方。
17、第二方面，本申请实施例提供了一种基于国产超算的海洋牧场鱼类种群评价系统，用于实现如上第一方面所述的基于国产超算的海洋牧场鱼类种群评价方法，包括：
18、识别系统运行模块，在国产超算平台预训练所述鱼类种群评价模型；
19、模型参数设置模块，分别进行所述系统的阈值设置、视频流帧间隔设置及置信度设置；
20、鱼类种群识别模块，接入海洋牧场鱼类聚集活动区域的数据采集设备，获取水下视频流数据并运行所述基于国产超算的海洋牧场鱼类种群评价方法对水下视频流数据进行识别和计数，得到种群类别、是否为体表病害鱼及相应计数数值，从而实现对海洋牧场鱼类、黑头、黄花鱼的活动区域、活动时间、种群规模、种群密度、病害情况进行综合分析，从而指导海洋牧场生境构造、科学养殖、育苗、增殖放流等方面的工作。
21、在其中一些实施例中，所述鱼类种群识别模块进一步包括：
22、数据集构建模块，用于基于海洋牧场鱼类聚集活动区域的水下视频流数据经数据增广、数据标注构建鱼类种群评价数据集；
23、模型构建模块，用于对所述鱼类种群评价数据集进行数据增强，并基于yolov5目标检测模型构建鱼类种群评价模型；
24、模型移植模块，用于将鱼类种群评价模型的生产环境移植至国产超算平台，并在国产超算平台基于所述鱼类种群评价数据集对鱼类种群评价模型进行并行训练后，运行所述鱼类种群评价模型对待识别的水下视频流数据进行识别，得到种群类别、是否为体表病害鱼及相应计数数值。
25、在其中一些实施例中，所述模型移植模块进一步包括：
26、生产环境移植模块，用于根据所述鱼类种群评价模型的依赖库及依赖库的版本下载依赖库源码并编译移植至所述国产超算平台；
27、分布式数据并行配置模块，用于在所述鱼类种群评价模型的训练文件中加载所述依赖库，配置训练参数为适配于所述国产超算平台的训练超参数，并将训练模型配置为分布式数据并行模式后激活所述依赖库中的生产环境，提交训练任务至国产超算平台的队列进行模型并行训练。
28、在其本文档来自技高网...
【技术保护点】
1.一种基于国产超算的海洋牧场鱼类种群评价方法，其特征在于，包括：
2.根据权利要求1所述的基于国产超算的海洋牧场鱼类种群评价方法，其特征在于，所述模型移植步骤进一步包括：
3.根据权利要求2所述的基于国产超算的海洋牧场鱼类种群评价方法，其特征在于，所述数据集构建步骤进一步包括：
4.根据权利要求3所述的基于国产超算的海洋牧场鱼类种群评价方法，其特征在于，所述模型构建步骤进一步包括：
5.一种基于国产超算的海洋牧场鱼类种群评价系统，用于实现如权利要求1至4中任一项所述的基于国产超算的海洋牧场鱼类种群评价方法，其特征在于，包括：
6.根据权利要求5所述的基于国产超算的海洋牧场鱼类种群评价系统，其特征在于，所述鱼类种群识别模块进一步包括：
7.根据权利要求6所述的基于国产超算的海洋牧场鱼类种群评价系统，其特征在于，所述模型移植模块进一步包括：
8.根据权利要求7所述的基于国产超算的海洋牧场鱼类种群评价系统，其特征在于，所述模型构建模块进一步包括：
9.一种计算机设备，包括存储器、处理器以及
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4中任一项所述的基于国产超算的海洋牧场鱼类种群评价方法。
...【技术特征摘要】
1.一种基于国产超算的海洋牧场鱼类种群评价方法，其特征在于，包括：
2.根据权利要求1所述的基于国产超算的海洋牧场鱼类种群评价方法，其特征在于，所述模型移植步骤进一步包括：
3.根据权利要求2所述的基于国产超算的海洋牧场鱼类种群评价方法，其特征在于，所述数据集构建步骤进一步包括：
4.根据权利要求3所述的基于国产超算的海洋牧场鱼类种群评价方法，其特征在于，所述模型构建步骤进一步包括：
5.一种基于国产超算的海洋牧场鱼类种群评价系统，用于实现如权利要求1至4中任一项所述的基于国产超算的海洋牧场鱼类种群评价方法，其特征在于，包括：
6.根据权利要求5所述的基于国产超算的海洋牧场鱼类种群评价系统，其特征在于...
【专利技术属性】
技术研发人员：陈溟，杨帅，苏亮，贾晓艺，王成锐，戴维巍，付艳，李志勇，黄笑晗，张嘉树，
申请(专利权)人：青岛国实科技集团有限公司，
类型：发明
国别省市：
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。