基于计算机视觉识别的养殖对象轨迹异常检测与分析的方法及系统

摘要

本发明涉及养殖技术领域，具体涉及一种基于计算机视觉识别的养殖对象轨迹异常检测与分析的方法及系统，其中方法包括：S1：接收养殖对象活动空间中的摄像装置采集的视频图像，训练深度学习模型，根据视频图像捕捉养殖对象的轨迹信息；S2：训练机器学习模型，根据轨迹信息识别养殖对象的异常轨迹，生成识别结果，并通过深度学习模型根据识别结果判断养殖对象的异常状态；S3：预设治理预备方案，根据异常状态筛选相应的治理预备方案对养殖对象的活动空间进行干预。本发明能够解决现有技术因缺少养殖经验不能在养殖对象出现异常状态时做到及时干预的问题。

说明书

技术领域

本发明涉及养殖技术领域，具体涉及一种基于计算机视觉识别的养殖对象轨迹异常检测与分析的方法及系统。

背景技术

在养殖技术领域中，养殖技术包括生猪养殖技术、家畜养殖技术、水产动植物养殖技术、特征养殖技术这几大类，其中，水产动植物养殖技术中对应的水产养殖业是目前发展较为快速的养殖业，出现了多种养殖方式，包括选择适宜水质区域进行放养、稻田混养、工厂化水产养殖以及流水式水产养殖等，其中工厂化水产养殖技术正在被越来越多的养殖户认可和选择，工厂水产养殖是一种将传统渔业工业化的养殖模式，利用现代化的科学技术对水产品进行高密度、集约化生产。

目前的工厂化水产养殖技术由循环养殖池、控制系统等组成，其中水产在养殖池内的生存状态的优良一方面依靠水质的检测来保证，另一方面观察水产的活跃状况，以此虽然能够在一定程度上保证水产的存活，但是无法精准的判断出水产的异常状态，在水产出现患病、缺氧状态时，只能依靠经验丰富的养殖户判断，而目前投身水产养殖业的新手养殖户越来越多，存在因缺少经验不能在水产出现患病或者缺氧状态时及时外部干预的问题，从而导致养殖成本增加。

发明内容

本发明意在提供基于计算机视觉识别的养殖对象轨迹异常检测与分析的方法及系统，以解决现有技术因缺少养殖经验不能在养殖对象出现异常状态时做到及时干预的问题。

为达到上述目的，本发明采用如下技术方案：基于计算机视觉识别的养殖对象轨迹异常检测与分析的方法，包括：

S1：接收养殖对象活动空间中的摄像装置采集的视频图像，训练深度学习模型，根据视频图像捕捉养殖对象的轨迹信息；

S2：训练机器学习模型，根据轨迹信息识别养殖对象的异常轨迹，生成识别结果，并通过深度学习模型根据识别结果判断养殖对象的异常状态；

S3：预设治理预备方案，根据异常状态筛选相应的治理预备方案对养殖对象的活动空间进行干预。

本方案的原理及优点是：实际应用时，首先通过养殖对象活动空间的摄像装置采集视频图像，根据视频图像捕捉养殖对象的轨迹，生成轨迹信息，轨迹信息中包括有养殖对象的正常轨迹信息和异常轨迹信息，通过训练好的机器学习模型识别轨迹信息中的异常轨迹信息，再通过训练好的深度学习模型根据异常轨迹信息识别出养殖对象的异常状态，从而根据异常状态，筛选相对应的预设的治理预备方案来干预养殖对象的活动空间，以此达到及时发现异常，及时处理异常的效果。

因此，本申请的优点在于，通过训练的机器学习模型和深度学习模型首先识别养殖对象的异常轨迹，接着识别出异常状态并进行外部干预，使得能够解决现有技术因缺少养殖经验不能在养殖对象出现异常状态时做到及时干预的问题。

优选的，作为一种改进，所述异常状态包括缺氧状态，所述缺氧状态识别具体为：训练改进的VGG16模型，识别养殖对象异常轨迹中表征出缺氧状态的异常轨迹出现的频率，并根据预设的缺氧状态频率阈值对识别的缺氧状态异常轨迹频率进行判断，从而判断出养殖对象的缺氧状态。

有益效果：通过改进的VGG16模型去识别养殖对象的异常状态是否出现缺氧，运算准确，识别度高。

优选的，作为一种改进，所述改进的VGG16模型具体为：将全局平均池化层取代VGG16模型的前两层全连接层，保持VGG16模型最后一层全连接层和Softmax函数不变，所述VGG16模型的最后一层全连接层神经节点数为1000个。

有益效果：通过全局平均池化层对模型前两个全连接层的替换，比原本的VGG16模型减少了约90％的计算量，极大提高VGG16模型的运算性能。

优选的，作为一种改进，所述异常状态还包括患病状态，所述患病状态的识别过程具体为：通过分类算法，将养殖对象异常轨迹中的轨迹混乱行为进行分类，计算轨迹混乱行为的出现频率，并根据预设的患病状态混乱行为频率阈值对轨迹混乱行为的出现频率进行判断，从而判断出养殖对象的患病状态。

有益效果：通过分类算法将养殖对象的患病状态进行分类，识别度高，准确性高。

优选的，作为一种改进，所述S3包括：

S3-1：预设增氧治理预备方案，当判断出养殖对象出现缺氧状态时，筛选增氧治理预备方案对养殖对象生活空间进行干预；

S3-2：预设喷洒药物治理预备方案，当判断出养殖对象出现患病状态时，筛选喷洒药物治理预备方案对养殖对象生活空间进行干预。

有益效果：在养殖对象出现不同的异常状态时通过针对性的解决方案进行解决，避免养殖对象出现问题后没有及时进行干预造成成本损失的问题出现。

基于计算机视觉识别的养殖对象轨迹异常检测与分析的系统，包括：

数据采集模块：用于采集养殖对象活动空间的视频图像；

数据处理模块：用于接收采集的视频图像，通过机器学习模型识别轨迹信息中的异常轨迹，生成识别结果，并通过深度学习模型根据识别结果判断养殖对象的异常状态；

数据库模块：存储有预设的治理预备方案；

调节模块：用于根据异常状态筛选相应的治理预备方案对养殖对象的活动空间进行干预。

优选的，作为一种改进，训练改进的VGG16模型，识别养殖对象异常轨迹中表征出缺氧状态的异常轨迹出现的频率，并根据预设的缺氧状态频率阈值对识别的缺氧状态异常轨迹频率进行判断，从而判断出养殖对象的缺氧状态。

优选的，作为一种改进，所述改进的VGG16模型具体为：将全局平均池化层取代VGG16模型的前两层全连接层，保持VGG16模型最后一层全连接层和Softmax函数不变，所述VGG16模型的最后一层全连接层神经节点数为1000个。

优选的，作为一种改进，所述异常状态还包括患病状态，所述患病状态的识别过程具体为：通过分类算法，将养殖对象异常轨迹中的轨迹混乱行为进行分类，计算轨迹混乱行为的出现频率，并根据预设的患病状态混乱行为频率阈值对轨迹混乱行为的出现频率进行判断，从而判断出养殖对象的患病状态。

优选的，作为一种改进，所述调节模块包括第一调节单元和第二调节单元，所述预设的治理预备方案包括增氧治理预备方案和喷洒药物治理预备方案，所述第一调节单元用于在判断出养殖对象出现缺氧状态时筛选增氧治理预备方案对养殖对象生活空间进行干预；所述第二调节单元用于在判断出养殖对象出现患病状态时，筛选喷洒药物治理预备方案对养殖对象生活空间进行干预。

附图说明

图1为本发明实施例的流程框图；

图2为本发明实施例的功能框图；

图3为本发明实施例的改进的VGG16模型的代码；

图4为本发明实施例的改进的VGG16模型的改进流程示意图；

图5为本发明实施例的分类算法的最优分类超平面图。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例基本如附图1所示：基于机器视觉识别的养殖对象轨迹异常监测与分析的方法，包括：

S1：接收养殖对象活动空间中的摄像装置采集的视频图像，训练深度学习模型，根据视频图像捕捉养殖对象的轨迹信息；

其中，养殖对象在本实施例中为鱼类水产，养殖系统为工厂化循环水养殖系统，在养殖池的池底、池壁以及池上方安装多个摄像装置，其中，养殖池的单个占地面积在77M

通过训练深度学习模型，识别视频图像中的养殖对象的轨迹信息，其中，深度学习模型识别时的具体实施过程为：

首先将采集的视频图像进行预处理，预处理包括抽帧、灰度转化、滤波处理等，预处理完成后根据养殖对象的特征信息将养殖对象图像从背景中分割出并确定其位置及范围，将之后的每一帧图像识别出养殖对象，并根据运动轨迹建立运动模型，通过模型对下一帧的养殖对象位置进行预测，从而达到提升捕捉轨迹信息的效率。

识别出的轨迹信息包括二维平面体系信息和三维平面体系信息；

S2：训练机器学习模型，根据轨迹信息识别养殖对象的异常轨迹，生成识别结果，并通过深度学习模型根据识别结果判断养殖对象的异常状态；

在S2中，所述训练好的机器学习模型柑橘轨迹信息识别养殖对象的异常轨迹包括二类，具体为：第一类为首先预设平面轨迹异常特征，所述的平面轨迹异常特征包括冲撞、乱窜等，通过机器学习模型识别深度学习模型识别出的二维平面体系信息中的轨迹曲率、速度以及加速度等信息，与预设的平面轨迹异常特征的轨迹速率、速度以及加速度等进行比对，从而判断出二维平面体系信息中是否存在轨迹异常；

第二类为首先预设空间轨迹异常特征，所述的空间轨迹异常特征包括打圈、游资不端正、浮头等，通过机器学习模型识别深度学习模型识别出的三维空间体系信息，例如鱼鳍轨迹形成的曲面特征，进而识别出水产养殖对象的异常轨迹；

此外，机器学习模型还通过识别二维平面体系信息和三维空间体系信息中养殖对象的正常轨迹，例如顶水游、游资端正等规律性的行为。

在S2中，通过机器学习模型识别出异常轨迹后，再通过深度学习模型根据异常轨迹的识别结果判断养殖对象的异常状态，在本实施例中，水产养殖对象的异常状态可分为两大类，分别是缺氧状态和患病状态，缺氧状态的表现具体为：将水产养殖对象的浮头行为按照时间先后的顺序分为上浮、出水、下潜三个阶段，通过深度学习模型计算水产养殖对象在相似度很高的位置处，例如偏差不超过半径为0.5m的圆周范围内依次出现上浮、出水、下潜三个行为，则证明水产养殖对象完成一次浮头行为，通过改进的VGG16模型不断计算水产养殖对象未完成浮头行为的次数，生成水产养殖对象缺氧状态异常频率，此外，预设有缺氧状态频率阈值，根据预设的缺氧状态频率阈值对识别出的缺氧状态频率阈值进行判断，若超出预设的缺氧状态频率阈值，则判断出水产养殖对象处于缺氧状态；

其中，改进的VGG16模型具体为：VGG16模型共包含13个卷积核大小为3*3的卷积层(Convolutional Layer)，3个全连接层(Fully connected Layer)以及5个池化层(Poollayer)，其中，卷积层和全连接层具有权重系数，因此也被称为权重层，总数目为13+3＝16，这即是VGG16中16的来源；

将全局平均池化层取代VGG16模型的前两层全连接层，保持VGG16模型最后一层全连接层和Softmax函数不变，所述VGG16模型的最后一层全连接层神经节点数为1000个。VGG16模型中包括卷积层、池化层以及全连接层，卷积层用于提取图片中的特征，池化层用于挑选提取的特征，在本实施例中采用的是最大池化层；全连接层用于对图片进行分类，如图3和图4所示，图3为改进的VGG16模型的代码，图4为VGG16模型的改进过程，通过全局平均池化层对模型前两个全连接层的替换，使得模型的参数由138M减少到15.2M，比目前的VGG16模型减少了约90％的参数，极大的提高了计算性能，因此，通过改进的VGG16模型的简化，降低过拟合的风险，提高模型的计算性能。

患病状态的表现具体为：通过分类算法将水产养殖对象出现乱窜、打圈、冲撞、游资不端正等轨迹混乱行为进行分类，并计算轨迹混乱行为出现的频率；通过预设的患病状态混乱行为频率阈值与计算的轨迹混乱行为频率进行判断，若超出预设的患病状态混乱行为频率阈值，则判断出水产养殖对象出现患病状态。

其中，分类算法主要采用建立支持向量机模型将水产养殖对象的患病状态进行分类，具体为：首先建立SVM决策分类器将水产养殖对象患病状态时的异常轨迹参数区分开，异常轨迹参数包括乱窜、打圈、冲撞、游资不端正等轨迹混乱行为；输入向量时，支持向量机通过高维空间变换，将分类超平面取在离两类样本较大的地方。如图5所示，x是训练样本，ω是可调的权值向量，b是位移间隔，当训练样本被超平面完全正确分开并且训练样本数据和超平面的距离最大时，此超平面即为最优分类超平面，这时2/||ω||最大。若训练样本是线性可分的，可以通过凸二次规划理论求解式得到最佳超平面，凸二次规划理论求解式具体为：

若训练样本是非线性不可分的则引入核函数进行求解，即利用空间变换将低维线性不可分的数据变换到高维线性可分的情况，根据对偶理论，此时的优化问题转变成相应的对偶问题如下式：

其中C表示惩罚因子，a

S3：预设治理预备方案，根据异常状态筛选相应的治理预备方案对养殖对象的活动空间进行干预。

其中，预设的治理预备方案包括增氧治理预备方案以及喷洒药物治理预备方案，因此，在S3中，还包括：

S3-1：预设增氧治理预备方案，当判断出养殖对象出现缺氧状态时，筛选增氧治理预备方案对养殖对象生活空间进行干预；

S3-2：预设喷洒药物治理预备方案，当判断出养殖对象出现患病状态时，筛选喷洒药物治理预备方案对养殖对象生活空间进行干预。

如图2所示，本发明还包括一种基于计算机视觉识别的养殖对象轨迹异常检测与分析的系统，包括：

数据采集模块：用于采集养殖对象活动空间的视频图像；

数据处理模块：用于接收采集的视频图像，通过机器学习模型识别轨迹信息中的异常轨迹，生成识别结果，并通过深度学习模型根据识别结果判断养殖对象的异常状态；所述异常状态包括缺氧状态，所述缺氧状态识别具体为：训练改进的VGG16模型，识别养殖对象异常轨迹中表征出缺氧状态的异常轨迹出现的频率，并根据预设的缺氧状态频率阈值对识别的缺氧状态异常轨迹频率进行判断，从而判断出养殖对象的缺氧状态；所述改进的VGG16模型具体为：将全局平均池化层取代VGG16模型的前两层全连接层，保持VGG16模型最后一层全连接层和Softmax函数不变，所述VGG16模型的最后一层全连接层神经节点数为1000个。

所述异常状态还包括患病状态，所述患病状态的识别过程具体为：通过分类算法，将养殖对象异常轨迹中的轨迹混乱行为进行分类，计算轨迹混乱行为的出现频率，并根据预设的患病状态混乱行为频率阈值对轨迹混乱行为的出现频率进行判断，从而判断出养殖对象的患病状态。

数据库模块：存储有预设的治理预备方案；

调节模块：用于根据异常状态筛选相应的治理预备方案对养殖对象的活动空间进行干预。

所述调节模块包括第一调节单元和第二调节单元，所述预设的治理预备方案包括增氧治理预备方案和喷洒药物治理预备方案，所述第一调节单元用于在判断出养殖对象出现缺氧状态时筛选增氧治理预备方案对养殖对象生活空间进行干预；所述第二调节单元用于在判断出养殖对象出现患病状态时，筛选喷洒药物治理预备方案对养殖对象生活空间进行干预。

以上所述的仅是本发明的实施例，方案中公知的具体技术方案和/或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明技术方案的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。