1.一种基于多源数据融合的鲟鱼健康智能监测方法,其特征在于,包括以下步骤:S1:实时同步采集鲟鱼养殖池的水下图像数据和红外热像数据,并分别进行预处理;
S2:将所述预处理后的水下图像数据输入预先训练好的鱼体检测模型中,定位每张图像中的所有鲟鱼,获取鲟鱼位置信息,并根据所述鲟鱼位置信息搜索预处理后的红外热像数据中的鲟鱼鱼体;
根据所述鲟鱼位置信息搜索预处理后的红外热像数据中的鲟鱼鱼体,包括以下步骤:使用仿射变换建立水下图像数据和红外热像数据之间的坐标系映射关系,表示为:其中,为水下图像数据坐标系中的第i个像素点坐标,为红外热像数据坐标系中的对应像素点坐标,和构成一组像素点对;为线性变换矩阵,为平移矩阵;
利用n组像素点对构建以下线性方程组:
其中,n为正整数;
使用最小二乘法求解所构建的线性方程组,得到线性变换矩阵和平移矩阵的计算结果;
根据所述计算结果将所述鲟鱼位置信息映射至预处理后的红外热像数据中,在红外热像数据中形成若干个表示鲟鱼位置的映射中心,分别以每个映射坐标为中心,设置搜索窗口,在所述搜索窗口内寻找温度高于预设值的连通区域,获取对应的鲟鱼鱼体;
S3:根据所述鲟鱼位置信息对鲟鱼进行行为分析,获取鲟鱼行为特征;所述行为分析包括:游动轨迹分析、游动速度分析、姿态分析和群体行为分析;
提取所述预处理后的红外热像数据中每条鲟鱼的鱼体温度特征;
S4:将所述鲟鱼行为特征和鱼体温度特征进行特征融合,获取鲟鱼融合特征;
S5:将所述鲟鱼融合特征输入预先训练好的异常检测模型中,获取异常检测结果,完成鲟鱼健康的智能监测。
2.根据权利要求1所述的一种基于多源数据融合的鲟鱼健康智能监测方法,其特征在于,所述步骤S1中,对所述水下图像数据进行以下操作,获取预处理后的水下图像数据:图像去噪:使用高斯滤波或中值滤波去除水下环境引起的噪点;
对比度增强:采用限制对比度自适应直方图均衡算法提高水下图像数据的清晰度;
色彩校正:在水下图像数据中选取参考白点,计算所述参考白点在红、绿和蓝三个颜色通道上的平均值,并分别与红、绿和蓝三个颜色通道预设的标准值进行比较,得到各个颜色通道的增益系数;利用红、绿和蓝三个颜色通道的增益系数对水下图像数据进行白平衡调整;
对所述红外热像数据进行以下操作,获取预处理后的红外热像数据:图像分割:将所述红外热像数据转换为灰度图,使用OTUS算法计算水面和鱼体区域的分割阈值,根据分割阈值将所述灰度图二值化,分离出水面和鱼体区域。
3.根据权利要求1所述的一种基于多源数据融合的鲟鱼健康智能监测方法,其特征在于,所述步骤S2中,鱼体检测模型具体为:YOLOv8目标检测模型,所述鲟鱼位置信息包括:鲟鱼的鱼体中心点坐标和鱼体轮廓点。
4.根据权利要求3所述的一种基于多源数据融合的鲟鱼健康智能监测方法,其特征在于,所述步骤S3中,提取每条鲟鱼的鱼体温度特征包括:在所述预处理后的红外热像数据中,对于每个定位到的鲟鱼鱼体区域,提取该区域内所有像素点的温度值,计算该区域内所有像素点的温度均值作为对应鲟鱼的鱼体平均温度,并进一步计算鱼群中所有鲟鱼的平均温度和标准差;
根据每个时刻的鱼体平均温度,计算温度变化率;
将所述鱼体平均温度和温度变化率共同保存为鲟鱼的鱼体温度特征。
5.根据权利要求4所述的一种基于多源数据融合的鲟鱼健康智能监测方法,其特征在于,所述步骤S3中,游动轨迹分析包括:基于上一时刻的鱼体中心点位置,使用Kalman滤波算法实时预测和更新下一时刻的鱼体中心点位置,获取一段时间内的鱼体中心点运动轨迹,并进一步获取运动轨迹的长度、曲率和运动方向变化频率,将运动轨迹的长度、曲率和运动方向变化频率共同保存为游动轨迹特征,完成游动轨迹分析;
所述游动速度分析包括:
根据若干个时刻的鱼体中心点坐标计算单位时间内的鱼体位移,并进一步计算鲟鱼的瞬时速度,根据鲟鱼的瞬时速度计算一段时间内的平均速度,将平均速度保存为游动速度特征,完成游动速度分析;
所述姿态分析包括:
使用主成分分析方法计算鱼体轮廓的主轴方向,具体为:
计算鱼体轮廓点的协方差矩阵:
其中,为鱼体轮廓点中的第j个像素点坐标;和分别为鱼体轮廓点的横坐标均值和纵坐标均值;
构建特征方程:,其中,和分别为协方差矩阵的特征值和特征向量;
求解所述特征方程,获取第一特征值及其对应的第一特征向量,以及第二特征值及其对应的第二特征向量;
将最大特征值对应的特征向量作为鱼体轮廓的主轴方向,利用所述主轴方向计算鲟鱼游动的倾斜角度,将所述倾斜角度保存为姿态特征,完成姿态分析;
所述群体行为分析包括:
运动一致性分析:利用每条鲟鱼的瞬时速度计算鱼群的一致性指标C:其中,为第k个时刻鲟鱼的瞬时速度;为鱼群中的鲟鱼数量;所述一致性指标C越大则鱼群运动越一致;
空间分布分析:使用最近邻距离法评估鱼群的空间分布,计算每条鲟鱼与其最近邻鲟鱼的欧氏距离,得到每条鲟鱼的最近邻距离,并计算鱼群的平均最近邻距离;
将所述每条鲟鱼的最近邻距离保存为群体行为特征,完成群体行为分析;
将所述游动轨迹特征、游动速度特征、姿态特征和群体行为特征共同保存为所述鲟鱼行为特征。
6.根据权利要求5所述的一种基于多源数据融合的鲟鱼健康智能监测方法,其特征在于,所述步骤S4中,根据以下公式将所述鲟鱼行为特征和鱼体温度特征进行特征融合,获取鲟鱼融合特征:其中,~分别表示鲟鱼的第1~第s个特征指标值;~分别表示鲟鱼的第1~第s个特征指标值的最大值;~分别表示鲟鱼的第1~第s个特征指标值的最小值;~分别表示鲟鱼的第1~第s个特征指标值对应的权重因子;
所述鲟鱼的特征指标包括:运动轨迹的长度、曲率、运动方向变化频率、平均速度、倾斜角度、最近邻距离、鱼体平均温度和温度变化率中的任意一种。
7.根据权利要求6所述的一种基于多源数据融合的鲟鱼健康智能监测方法,其特征在于,所述步骤S5中,异常检测模型具体为多层LSTM神经网络模型;
所述多层LSTM神经网络模型包括依次连接的:输入层、若干层依次连接的LSTM层、全连接层和输出层;
设置滑动窗口,利用历史时间段内获取的鲟鱼融合特征生成时序样本,并划分为训练集、验证集和测试集,利用二元交叉熵函数监督所述多层LSTM神经网络模型进行训练,经过验证和测试后获取训练好的异常检测模型;
将实时获取到的鲟鱼融合特征输入训练好的异常检测模型中,获取异常检测结果,并根据所述异常检测结果进行异常报警;所述异常检测结果为鲟鱼在每个时间窗口内各个特征指标的异常分数。
8.根据权利要求7所述的一种基于多源数据融合的鲟鱼健康智能监测方法,其特征在于,所述训练好的异常检测模型基于以下规则判断各特征指标是否异常:若鲟鱼运动轨迹的长度小于第一预设阈值,则该鲟鱼行为异常;
若鲟鱼运动轨迹的曲率大于第二预设阈值,则该鲟鱼行为异常;
若鲟鱼的运动方向变化频率大于第三预设阈值,则该鲟鱼行为异常;
若鲟鱼的平均速度小于第四预设阈值,则该鲟鱼行为异常;
若鲟鱼的倾斜角度大于第五预设阈值,则该鲟鱼行为异常;
若鲟鱼的最近邻距离与鱼群的平均最近邻距离之差的绝对值大于第六预设阈值,则该鲟鱼行为异常;
若出现以下任意一种情况,则该鲟鱼温度异常:
鲟鱼的鱼体平均温度超出预设的正常温度范围、鲟鱼的鱼体平均温度与鱼群中所有鲟鱼的平均温度之差的绝对值大于两倍标准差,以及温度变化率大于第七预设阈值。
9.一种基于多源数据融合的鲟鱼健康智能监测系统,应用权利要求1~8任意一项中所述的一种基于多源数据融合的鲟鱼健康智能监测方法,其特征在于,包括:预处理单元:用于实时同步采集鲟鱼养殖池的水下图像数据和红外热像数据,并分别进行预处理;
鱼体定位单元:用于将所述预处理后的水下图像数据输入预先训练好的鱼体检测模型中,定位每张图像中的所有鲟鱼,获取鲟鱼位置信息,并根据所述鲟鱼位置信息搜索预处理后的红外热像数据中的鲟鱼鱼体;
特征提取单元:用于根据所述鲟鱼位置信息对鲟鱼进行行为分析,获取鲟鱼行为特征;所述行为分析包括:游动轨迹分析、游动速度分析、姿态分析和群体行为分析;
以及用于提取所述预处理后的红外热像数据中每条鲟鱼的鱼体温度特征;
特征融合单元:用于将所述鲟鱼行为特征和鱼体温度特征进行特征融合,获取鲟鱼融合特征;
异常检测单元:用于将所述鲟鱼融合特征输入预先训练好的异常检测模型中,获取异常检测结果,完成鲟鱼健康的智能监测。