【技术实现步骤摘要】
本申请涉及鱼类种类识别，具体涉及一种基于水下视频的鱼类种类数量识别监测方法及系统。
技术介绍
1、鱼类不仅是人类食物的主要来源之一，也是维护水下生态环境的重要一环和重要的生物资源。水下鱼类种类数量的识别，对水产养殖、环境监测、水下生态研究、开发和利用鱼类生物资源等都具有重要的学术价值和经济价值。
2、目前，对于水下目标及鱼类种类识别，大多数采用图像识别或机器学习等识别算法。近几年来，随着机器学习技术的快速发展，尤其是深度学习技术的出现，例如cnn、fastr-cnn、ssd以及yolov7等算法，提高了水下目标识别的准确率和识别率，促进了水下目标识别的发展，出现了众多水下目标识别方面的应用。但是，由于水下环境较为复杂，水下目标识别面临图像质量差、目标和环境不可控以及难以获取代表性样本等困难，导致目前绝大多数应用都是针对单一水下环境下的单目标类的识别，对于复杂的水下环境，多形态、多种类的水下目标还不能适应，存在漏掉率误判率高、识别率低、检测慢等问题。
3、综上可知，现有的水下鱼类种类识别技术主要存在以下缺点：
4、1、大部分针对的是单一水环境以及单目标类识别，不能适应不同水环境下的多形态、多种类的鱼类种类识别。
5、2、在系统架构上，大多数采用单机或在边缘端直接识别，没有采用大平台识别方式，识别慢，遗漏多。
6、3、传统机器学习及图像识别，都是通过预先设计定义的目标特征训练识别模型，由于缺少大平台支持，不能通过自学习去动态完善识别模型，通用性和泛化性差。
7、
8、5、由于水下视频模糊、能见度低、图像质量差、目标和环境不可控以及难以获取准确的样本，预先定义提取的特征与实际环境下的图像特征会存在很大差异，导致识别的误判率高、识别率低。
技术实现思路
1、为此，本申请提供一种基于水下视频的鱼类种类数量识别监测方法及系统，以解决现有技术存在的鱼类种类识别技术不能适应不同水环境下的多形态、多种类的鱼类种类识别的问题。
2、为了实现上述目的，本申请提供如下技术方案：
3、第一方面，一种基于水下视频的鱼类种类数量识别监测方法，包括：
4、步骤1：接收水下摄像头实时采集的水下视频；
5、步骤2：对所述水下视频进行图像预处理和图像增强处理，并将处理后的所述水下视频进行存储；
6、步骤3：将预处理后的所述水下视频通过流媒体服务进行流媒体处理；
7、步骤4：通过流媒体服务获取所述水下视频，对所述水下视频进行抽帧并调用大模型进行识别，得到鱼类种类识别结果；所述大模型包括多种针对不同条件和应用的模型，且多种模型能融合使用；
8、步骤5：将所述水下视频和所述鱼类种类识别结果通过在线监测界面进行显示。
9、作为优选，所述步骤2中，所述图像预处理包括使用dcp除雾和对比度自适应直方图均衡化进行预处理。
10、作为优选，所述步骤2中，所述图像增强处理包括应用retinex图像增强算法和gan对抗神经网络进行图像增强处理。
11、作为优选，所述步骤4中，若所述大模型识别失败，则从所述水下视频中进行动态采样得到动态样本，并根据所述动态样本完善所述大模型。
12、作为优选，所述步骤4中，所述大模型包含无监督学习模型、样本动态采样模型、yolov7、faster r-cnn和retinanet。
13、作为优选，所述步骤4中，多种模型采用选举算法和管道串行技术建立模型调度机制。
14、第二方面，一种基于水下视频的鱼类种类数量识别监测系统，包括：
15、视频接入模块，用于接收水下摄像头实时采集的水下视频；
16、图像处理存储模块模块，用于对所述水下视频进行图像预处理和图像增强处理，并将处理后的所述水下视频进行存储；
17、流媒体模块，用于将预处理后的所述水下视频通过流媒体服务进行流媒体处理；
18、大模型ai识别模块，用于通过流媒体服务获取所述水下视频，对所述水下视频进行抽帧并调用大模型进行识别，得到鱼类种类识别结果；所述大模型包括多种针对不同条件和应用的模型，且多种模型能融合使用；
19、视频与识别综合显示模块，用于将所述水下视频和所述鱼类种类识别结果通过在线监测界面进行显示。
20、作为优选，还包括大模型训练模块，用于若所述大模型识别失败，则从所述水下视频中进行动态采样得到动态样本，并根据所述动态样本完善所述大模型。
21、第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现一种基于水下视频的鱼类种类数量识别监测方法的步骤。
22、第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一种基于水下视频的鱼类种类数量识别监测方法的步骤。
23、相比现有技术，本申请至少具有以下有益效果：
24、本申请提供了一种基于水下视频的鱼类种类数量识别监测方法及系统，通过接收水下摄像头实时采集的水下视频；对水下视频进行图像预处理和图像增强处理，并将处理后的水下视频进行存储；将预处理后的水下视频通过流媒体服务进行流媒体处理；通过流媒体服务获取水下视频，对水下视频进行抽帧并调用大模型进行识别，得到鱼类种类识别结果；大模型包括多种针对不同条件和应用的模型，且多种模型能融合使用；将水下视频和鱼类种类识别结果通过在线监测界面进行显示。本申请通过大模型解决了现有技术不能适应不同水环境下的多形态、多种类的鱼类种类识别问题。
本文档来自技高网...【技术保护点】
1.一种基于水下视频的鱼类种类数量识别监测方法，其特征在于，包括：
2.根据权利要求1所述的基于水下视频的鱼类种类数量识别监测方法，其特征在于，所述步骤2中，所述图像预处理包括使用DCP除雾和对比度自适应直方图均衡化进行预处理。
3.根据权利要求1所述的基于水下视频的鱼类种类数量识别监测方法，其特征在于，所述步骤2中，所述图像增强处理包括应用Retinex图像增强算法和GAN对抗神经网络进行图像增强处理。
4.根据权利要求1所述的基于水下视频的鱼类种类数量识别监测方法，其特征在于，所述步骤4中，若所述大模型识别失败，则从所述水下视频中进行动态采样得到动态样本，并根据所述动态样本完善所述大模型。
5.根据权利要求1所述的基于水下视频的鱼类种类数量识别监测方法，其特征在于，所述步骤4中，所述大模型包含无监督学习模型、样本动态采样模型、YOLOV7、Faster R-CNN和RetinaNet。
6.根据权利要求1所述的基于水下视频的鱼类种类数量识别监测方法，其特征在于，所述步骤4中，多种模型采用选举算法和管道串行技术建立模型
7.一种基于水下视频的鱼类种类数量识别监测系统，其特征在于，包括：
8.根据权利要求7所述的基于水下视频的鱼类种类数量识别监测系统，其特征在于，还包括大模型训练模块，用于若所述大模型识别失败，则从所述水下视频中进行动态采样得到动态样本，并根据所述动态样本完善所述大模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于水下视频的鱼类种类数量识别监测方法，其特征在于，包括：
2.根据权利要求1所述的基于水下视频的鱼类种类数量识别监测方法，其特征在于，所述步骤2中，所述图像预处理包括使用dcp除雾和对比度自适应直方图均衡化进行预处理。
3.根据权利要求1所述的基于水下视频的鱼类种类数量识别监测方法，其特征在于，所述步骤2中，所述图像增强处理包括应用retinex图像增强算法和gan对抗神经网络进行图像增强处理。
4.根据权利要求1所述的基于水下视频的鱼类种类数量识别监测方法，其特征在于，所述步骤4中，若所述大模型识别失败，则从所述水下视频中进行动态采样得到动态样本，并根据所述动态样本完善所述大模型。
5.根据权利要求1所述的基于水下视频的鱼类种类数量识别监测方法，其特征在于，所述步骤4中，所述大模型包含无监督学习模型、样本动态采样模型、yolov7、fast...
【专利技术属性】
技术研发人员：谷先坤，殷稼雯，唐晟凯，李大命，刘燕山，刘小维，蒋琦辰，袁威，肖辉飞，杨红春，袁帅，
申请(专利权)人：江苏省淡水水产研究所，
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。