1.一种海洋牧场的渔业资源计算方法,其特征在于,包括:
将待统计的海洋牧场划分若干个不同深度范围的海洋层,并采集各海洋层的实时水中声纳图像和实时水体环境数据;其中,所述实时水体环境数据包括光照强度、水体温度、水体盐浓度和水体营养浓度;
将各海洋层的实时水中声纳图像输入到训练好的鱼群图像识别模型中,以使训练好的鱼群图像识别模型根据各海洋层的实时水中声纳图像对各海洋层进行鱼类识别统计,得到各海洋层的鱼群识别数量;其中,所述鱼群图像识别模型包括局部特征提取模块、全局特征提取模块、特征融合模块和YOLOv5识别模块;
将各海洋层的实时水体环境数据输入到训练好的鱼群数量预测模型中,以使训练好的鱼群数量预测模型根据各海洋层的实时水体环境数据对各海洋层先进行浮游生物数量预测,再根据浮游生物预测数量进行鱼群数量预测,得到各海洋层的鱼群预测数量;其中,所述鱼群数量预测模型包括浮游生物预测模块和鱼群数量预测模块;
根据各海洋层的鱼群识别数量和鱼群预测数量,计算得到各海洋层的鱼群综合数量,并根据各海洋层的鱼群综合数量,计算得到待统计的海洋牧场鱼群总数量;
所述训练好的鱼群数量预测模型根据各海洋层的实时水体环境数据对各海洋层先进行浮游生物数量预测,再根据浮游生物预测数量进行鱼群数量预测,包括:通过浮游生物预测模块的输入层、第一隐藏层和输出层根据各海洋层的实时水体环境数据进行浮游生物数量预测,得到各海洋层的浮游生物预测数量;其中,所述第一隐藏层的前半部分由若干个LSTM单元组成,所述第一隐藏层的后半部分由若干个GRU单元组成;所述输出层包括全连接层;
根据各海洋层的浮游生物预测数量和实时水体环境数据,通过鱼群数量预测模块的输入层、自适应权重层、第二隐藏层和输出层进行鱼群数量预测,得到各海洋层的鱼群预测数量。
2.根据权利要求1所述的一种海洋牧场的渔业资源计算方法,其特征在于,所述训练好的鱼群图像识别模型根据各海洋层的实时水中声纳图像对各海洋层进行鱼类识别统计,得到各海洋层的鱼群识别数量,包括:通过局部特征提取模块的卷积层、池化层和激活函数层对各海洋层的实时水中声纳图像进行图像局部特征提取,得到各海洋层的局部特征图;
通过全局特征提取模块中Transformer编码器的多头自主意力层和前馈神经网络层对各海洋层的局部特征图进行图像全局特征提取,得到各海洋层的全局特征图;
通过特征融合模块对各海洋层的局部特征图和全局特征图分别进行融合,得到各海洋层的融合特征图;
通过YOLOv5识别模块的骨干网络层、颈部网络层和检测头层对各海洋层的融合特征图进行鱼类识别和数量统计,得到各海洋层的鱼群识别数量。
3.根据权利要求1所述的一种海洋牧场的渔业资源计算方法,其特征在于,所述通过浮游生物预测模块的输入层、第一隐藏层和输出层根据各海洋层的实时水体环境数据进行浮游生物数量预测,得到各海洋层的浮游生物预测数量,包括:通过浮游生物预测模块的输入层对各海洋层的实时水体环境数据进行数据预处理,得到各海洋层处理后的实时水体环境数据;其中,所述数据预处理包括数据清洗和归一化;
根据各海洋层处理后的实时水体环境数据,通过浮游生物预测模块中第一隐藏层的LSTM单元的输入门、遗忘门、输出门、候选细胞状态计算、细胞状态更新和隐藏状态输出计算并输出LSTM单元的最终隐藏状态;
将LSTM单元的隐藏状态设置为GRU单元的初始隐藏状态,并根据各海洋层处理后的实时水体环境数据和GRU单元的初始隐藏状态,通过浮游生物预测模块中第一隐藏层的GRU单元的更新门、重置门、候选隐藏状态和隐藏状态更新计算并输出GRU单元的最终隐藏状态;
根据GRU单元的最终隐藏状态,通过浮游生物预测模块中输出层的全连接单元进行浮游生物数量预测,得到各海洋层的浮游生物预测数量。
4.根据权利要求3所述的一种海洋牧场的渔业资源计算方法,其特征在于,所述各海洋层的鱼群综合数量的计算公式为:;
其中,为第i个海洋层的鱼群综合数量;为第i个海洋层的鱼群识别数量;为第i个海洋层的鱼群预测数量;和分别为鱼群识别数量和鱼群预测数量的预设权重因子;
所述待统计的海洋牧场鱼群总数量的计算公式为:
;
其中,为待统计的海洋牧场鱼群总数量;为第i个海洋层的鱼群综合数量;i=1,2,3,…,m,m为正整数,i为海洋层的编号,m为海洋层的划分总层数。
5.一种海洋牧场的渔业资源计算系统,其特征在于,包括:数据获取模块、鱼群数量识别模块、鱼群数量预测模块和鱼群总数量计算模块;
所述数据获取模块用于将待统计的海洋牧场划分若干个不同深度范围的海洋层,并采集各海洋层的实时水中声纳图像和实时水体环境数据;其中,所述实时水体环境数据包括光照强度、水体温度、水体盐浓度和水体营养浓度;
所述鱼群数量识别模块用于将各海洋层的实时水中声纳图像输入到训练好的鱼群图像识别模型中,以使训练好的鱼群图像识别模型根据各海洋层的实时水中声纳图像对各海洋层进行鱼类识别统计,得到各海洋层的鱼群识别数量;其中,所述鱼群图像识别模型包括局部特征提取模块、全局特征提取模块、特征融合模块和YOLOv5识别模块;
所述鱼群数量预测模块用于将各海洋层的实时水体环境数据输入到训练好的鱼群数量预测模型中,以使训练好的鱼群数量预测模型根据各海洋层的实时水体环境数据对各海洋层先进行浮游生物数量预测,再根据浮游生物预测数量进行鱼群数量预测,得到各海洋层的鱼群预测数量;其中,所述鱼群数量预测模型包括浮游生物预测模块和鱼群数量预测模块;
所述鱼群总数量计算模块用于根据各海洋层的鱼群识别数量和鱼群预测数量,计算得到各海洋层的鱼群综合数量,并根据各海洋层的鱼群综合数量,计算得到待统计的海洋牧场鱼群总数量;
所述鱼群数量预测模型,包括:浮游生物预测模块和鱼群数量预测模块;
所述浮游生物预测模块用于通过浮游生物预测模块的输入层、第一隐藏层和输出层根据各海洋层的实时水体环境数据进行浮游生物数量预测,得到各海洋层的浮游生物预测数量;其中,所述第一隐藏层的前半部分由若干个LSTM单元组成,所述第一隐藏层的后半部分由若干个GRU单元组成;所述输出层包括全连接层;
所述鱼群数量预测模块用于根据各海洋层的浮游生物预测数量和实时水体环境数据,通过鱼群数量预测模块的输入层、自适应权重层、第二隐藏层和输出层进行鱼群数量预测,得到各海洋层的鱼群预测数量。
6.根据权利要求5所述的一种海洋牧场的渔业资源计算系统,其特征在于,所述鱼群图像识别模型,包括:局部特征提取模块、全局特征提取模块、特征融合模块和YOLOv5识别模块;
所述局部特征提取模块通过局部特征提取模块的卷积层、池化层和激活函数层对各海洋层的实时水中声纳图像进行图像局部特征提取,得到各海洋层的局部特征图;
所述全局特征提取模块通过全局特征提取模块中Transformer编码器的多头自主意力层和前馈神经网络层对各海洋层的局部特征图进行图像全局特征提取,得到各海洋层的全局特征图;
所述特征融合模块通过特征融合模块对各海洋层的局部特征图和全局特征图分别进行融合,得到各海洋层的融合特征图;
所述YOLOv5识别模块通过YOLOv5识别模块的骨干网络层、颈部网络层和检测头层对各海洋层的融合特征图进行鱼类识别和数量统计,得到各海洋层的鱼群识别数量。
7.根据权利要求5所述的一种海洋牧场的渔业资源计算系统,其特征在于,所述浮游生物预测模块包括输入层、第一隐藏层和输出层;所述第一隐藏层包括LSTM单元和GRU单元;
所述浮游生物预测模块的输入层用于对各海洋层的实时水体环境数据进行数据预处理,得到各海洋层处理后的实时水体环境数据;其中,所述数据预处理包括数据清洗和归一化;
所述浮游生物预测模块中第一隐藏层的LSTM单元用于根据各海洋层处理后的实时水体环境数据,通过浮游生物预测模块中第一隐藏层的LSTM单元的输入门、遗忘门、输出门、候选细胞状态计算、细胞状态更新和隐藏状态输出计算并输出LSTM单元的最终隐藏状态;
所述浮游生物预测模块中第一隐藏层的GRU单元用于将LSTM单元的隐藏状态设置为GRU单元的初始隐藏状态,并根据各海洋层处理后的实时水体环境数据和GRU单元的初始隐藏状态,通过浮游生物预测模块中第一隐藏层的GRU单元的更新门、重置门、候选隐藏状态和隐藏状态更新计算并输出GRU单元的最终隐藏状态;
所述浮游生物预测模块中输出层用于根据GRU单元的最终隐藏状态,通过浮游生物预测模块中输出层的全连接单元进行浮游生物数量预测,得到各海洋层的浮游生物预测数量。
8.根据权利要求7所述的一种海洋牧场的渔业资源计算系统,其特征在于,所述各海洋层的鱼群综合数量的计算公式为:;
其中,为第i个海洋层的鱼群综合数量;为第i个海洋层的鱼群识别数量;为第i个海洋层的鱼群预测数量;和分别为鱼群识别数量和鱼群预测数量的预设权重因子;
所述待统计的海洋牧场鱼群总数量的计算公式为:
;
其中,为待统计的海洋牧场鱼群总数量;为第i个海洋层的鱼群综合数量;i=1,2,3,…,m,m为正整数,i为海洋层的编号,m为海洋层的划分总层数。