一种智能养殖系统的数据远程共享方法及装置

技术领域

本发明涉及智慧养殖技术领域，尤其涉及一种智能养殖系统的数据远程共享方法及装置。

背景技术

在养殖领域，越来越多的人意识到养殖检测的重要性，并对智能化养殖检测所面临的困难提出了各种方法进行解决。例如：传统的水产检测方法主要有以下两种：利用声呐系统收集水下图像并对图像中水产目标进行识别，该方法具有一定的抗干扰能力，但在真实养殖场景下，通过声呐系统拍摄的图像分辨率不高、语义信息不准确，导致水下水产目标检测准确率较低；另外，通过图像中水产的轮廓特征评估一个阈值对鱼群进行检测，该方法的检测准确率较高，但需要有经验的专家总结有效的水产特征，检测效果依赖于专家的经验，随着水产种类和数量的增多，难免在智能养殖系统上的数据出现遗漏，从而影响了系统的数据可用性。

发明内容

有鉴于此，本发明提供了一种提高养殖图像采集的准确性和系统数据的完整性的智能养殖系统的数据远程共享方法及装置，来解决上述存在的技术问题，具体采用以下技术方案。

第一方面，本发明提供了一种智能养殖系统的数据远程共享方法，包括以下步骤：

获取拍摄的养殖图像并对养殖图像进行图像预处理得到图像数据，其中，图像预处理包括图像增强和图像修复，养殖图像包括水产、家禽和牲畜养殖图像；

对图像进行特征提取图像中养殖的特征，并将图像划分为多个网格完成图像中养殖的检测得到分类结果，其中，每个网格默认输出预测三个边界框；

将分类结果发送至智能养殖系统中进行数据相似度度量以构建异源数据集，其中，数据相似度度量包括数值型数据相似度度量、语义型数据相似度度量和共享相似度度量；

对异源数据集的相似性进行共享特征选择以构建共享数据集，其中，共享特征选择包括保留异源相似完整数据集中与缺失数据集相似性的属性维度作为可共享完整数据集、确定缺失数据集中不需要填充的数据集和需要填充的数据集以及用来填充的相似完整数据集。

作为上述技术方案的进一步优选，对异源数据集的相似性进行共享特征选择以构建共享数据集，包括：

从异源相似完整数据集中找到与缺失数据集中缺失对象最相似的完整对象，采用相似的异源完整对象对缺失独享加以填补完整，具体的填补过程包括：

将缺失性数据集L＝(U,A,V,f)和异源相似完整数据集Z＝(R,B,M,f)作为输入、填充后数据集L'＝(U,A,V,f)，对收集的数据集进行数据预处理，对所有数值型数据进行归一化处理；

度量两个数据集各维度间的相似性并进行共享特征选择，即保留异源相似完整数据集中与缺失数据集相似的属性维度作为可共享完整数据集R'以组成共享数据集；

确定缺失数据集U中不需要填充的数据集U

计算在异源相似完整数据集R'中与缺失对象i相似度最高的完整对象j，第所有的缺失数据对象采用表达式为

作为上述技术方案的进一步优选，将水产分类结果发送至智能养殖系统中进行数据相似度度量以构建异源数据集，包括：

采用标准化欧氏距离的表达式为

作为上述技术方案的进一步优选，采用本体的概念对两个相似度数据集的多源数据加以描述，使用表达式为

采用混合相似度度量算法对两个数据对象进行数值属性与语义属性的综合计算，先使用标准化欧式距离计算共享数据集各维度数值型属性值的相似性，对语义属性进行相似度判断得到混合相似度，对应的表达式为D(n,l)＝d(n,l)+(1-a)sim(cn,cl)，其中d(n,l)和sim(c

作为上述技术方案的进一步优选，对图像进行特征提取图像中养殖的特征，并将图像划分为多个网格完成图像中养殖的检测得到分类结果，包括：

采用YOLOv5提取养殖图像中的特征，将养殖图像划分为76*76、38*38和19*19网格以预测不同大小的目标，目标中心所在的网格用于完成水下图像中水产的检测，边框对应位置的信息(x,y,w,b)和边界框Conf(Obj)精度的置信度信息的表达式为

作为上述技术方案的进一步优选，采用峰值信噪比PSNR和结构相似度SSIM作为评估标准，PSNR是根据输入和输出图像对应像素点的误差来评估算法对图像修复的程度，SSIM通过输入和输出图像对应的亮度、对比度和结构来评估图像的相似程度，PSNR和SSIM的表达式为

作为上述技术方案的进一步优选，获取拍摄的养殖图像并对养殖图像进行图像预处理得到图像数据，包括：

采用直方图均衡消除图像三要素中色调和饱和度信息，根据表达式为f＝0.2990×R+0.5870×G+0.1440×B对水下彩色水产图像进行灰度变换得到灰度图像f，其中R、G和B表示彩色图像各颜色空间的值。

作为上述技术方案的进一步优选，水下图像修复过程包括：

从水下图像中的模糊区域选取背景光估计，基于背景光估计得到景深图和透射率传播图估计以实现水下图像的场景目标复原。

作为上述技术方案的进一步优选，将模糊图像使用响应函数的估计逆值对图像进行线性化，应用伽马校正产生的数据作为输入传递给不同编码器；

编码器提取模糊图像的水产特征信息，将不同编码器提取的特征信息进行合并，将合并的特征信息输入至解码器端，每一个编码器提取的特征信息采用跳跃连接的方式输入至解码器端，通过编码器和跳跃连接将不同像素的语义信息映射到解码器使解码器融合相同尺度和不同尺度的特征信息得出所有像素点的特征图，将所得特征图送入色调映射器的映射网络得到清晰水产图像。

第二方面，本发明还提供了一种智能养殖系统的数据远程共享装置，包括：

数据获取模块，获取拍摄的养殖图像并对养殖图像进行图像预处理得到图像数据，其中，图像预处理包括图像增强和图像修复，养殖图像包括水产、家禽和牲畜养殖图像；

图像检测模块，用于对图像进行特征提取图像中养殖的特征，并将图像划分为多个网格完成图像中养殖的检测得到分类结果，其中，每个网格默认输出预测三个边界框；

构建模块，用于将分类结果发送至智能养殖系统中进行数据相似度度量以构建异源数据集，其中，数据相似度度量包括数值型数据相似度度量、语义型数据相似度度量和共享相似度度量；

填充模块，用于对异源数据集的相似性进行共享特征选择以构建共享数据集，其中，共享特征选择包括保留异源相似完整数据集中与缺失数据集相似性的属性维度作为可共享完整数据集、确定缺失数据集中不需要填充的数据集和需要填充的数据集以及用来填充的相似完整数据集。

本发明提供了一种智能养殖系统的数据远程共享方法及装置，通过获取拍摄的养殖图像并对养殖图像进行图像预处理得到图像数据，对图像进行特征提取水下图像中水产的特征，并将水产图像划分为多个网格完成水下图像中水产的检测得到水产分类结果，将分类结果发送至智能养殖系统中进行数据相似度度量以构建异源数据集，对异源数据集的相似性进行共享特征选择以构建共享数据集，解决了复杂背景下水产的识别能力，提升了养殖检测和识别的整体效果，对智能养殖系统的数据进行有效填充，从而提高了系统数据的完整性和工作可靠性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明的智能养殖系统的数据远程共享方法的流程图；

图2为本发明的智能养殖系统的数据远程共享装置的结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

参阅图1，本发明提供了一种智能养殖系统的数据远程共享方法，包括以下步骤：

S1：获取拍摄的养殖图像并对养殖图像进行图像预处理得到图像数据，其中，图像预处理包括图像增强和图像修复，养殖图像包括水产、家禽和牲畜养殖图像；

S2：对图像进行特征提取图像中养殖的特征，并将图像划分为多个网格完成图像中养殖的检测得到分类结果，其中，每个网格默认输出预测三个边界框；

S3：将分类结果发送至智能养殖系统中进行数据相似度度量以构建异源数据集，其中，数据相似度度量包括数值型数据相似度度量、语义型数据相似度度量和共享相似度度量；

S4：对异源数据集的相似性进行共享特征选择以构建共享数据集，其中，共享特征选择包括保留异源相似完整数据集中与缺失数据集相似性的属性维度作为可共享完整数据集、确定缺失数据集中不需要填充的数据集和需要填充的数据集以及用来填充的相似完整数据集。

本实施例中，对异源数据集的相似性进行共享特征选择以构建共享数据集，包括：从异源相似完整数据集中找到与缺失数据集中缺失对象最相似的完整对象，采用相似的异源完整对象对缺失独享加以填补完整，具体的填补过程包括：将缺失性数据集L＝(U,A,V,f)和异源相似完整数据集Z＝(R,B,M,f)作为输入、填充后数据集L'＝(U,A,V,f)，对收集的数据集进行数据预处理，对所有数值型数据进行归一化处理；度量两个数据集各维度间的相似性并进行共享特征选择，即保留异源相似完整数据集中与缺失数据集相似的属性维度作为可共享完整数据集R'以组成共享数据集；确定缺失数据集U中不需要填充的数据集U

需要说明的是，获取拍摄的养殖图像并对养殖图像进行图像预处理得到图像数据，包括：采用直方图均衡消除图像三要素中色调和饱和度信息，根据表达式为f＝0.2990×R+0.5870×G+0.1440×B对水下彩色水产图像进行灰度变换得到灰度图像f，其中R、G和B表示彩色图像各颜色空间的值。图像修复过程包括：从养殖图像中的模糊区域选取背景光估计，基于背景光估计得到景深图和透射率传播图估计以实现图像的场景目标复原。将模糊图像使用响应函数的估计逆值对图像进行线性化，应用伽马校正产生的数据作为输入传递给不同编码器；编码器提取模糊图像的水产特征信息，将不同编码器提取的特征信息进行合并，将合并的特征信息输入至解码器端，每一个编码器提取的特征信息采用跳跃连接的方式输入至解码器端，通过编码器和跳跃连接将不同像素的语义信息映射到解码器使解码器融合相同尺度和不同尺度的特征信息得出所有像素点的特征图，将所得特征图送入色调映射器的映射网络得到清晰水产图像。

应理解，例如水产养殖，由于水下能见度范围有限、光照不均匀，水下图像通常存在噪声、模糊和颜色衰减现象，当光纤在水下传播时，根据光谱波长的不同，光照强度会迅速呈现指数形式衰减。经过直方图均衡处理后，图像中像素倾向于占据整个可能的灰度级范围且分布均匀，原图中某一区域灰度级像素数量较少，邻近的灰度级基本一致，导致部分邻近灰度级合并，经过直方图均衡变换后新图像中灰度级减少，有可能造成某些细节的损失，原图中含有较多像素总数的灰度级被压缩，即其灰度级间的间隔在变换后被扩大，有可能会导致图像背景对比度的增加，减少目标物体的对比度，图像变换后易发生对比度不自然，过度增强视觉效果，从而提升了图像采集的准确性。为了能够准确度量共享数据集间的相似度，采用语义和数值的混合相似度度量算法计算共享数据集和对象之间的相似度，有效确保了智能养殖系统的数据完整性和可用性。

可选地，将分类结果发送至智能养殖系统中进行数据相似度度量以构建异源数据集，包括：

采用标准化欧氏距离的表达式为

本实施例中，采用本体的概念对两个相似度数据集的多源数据加以描述，使用表达式为

需要说明的是，语义属性的表达对对象的自身特点起着重要的作用，当前已有的语义相似性计算包括语义距离的计算和两个概念间所含信息量的计算，语义距离的计算为将语义概念放到树形结构中并计算两个概念的语义路径距离，两者距离越近则越相似，两个概念间所含信息量的计算为比较两个概念间所共享信息量的多少，所共享信息量越多则越相似。为了能够清晰描述大规模多源数据，选用本体的概念对两个相似数据集的多源数据加以描述，通过对象相关领域内概念、术语和相互关系的规范化描述构建该；领域内的基本知识体系即本体是一个结构化的、有限的和明确定义的概念集合。先采用标准化欧式距离计算共享数据集各维度数值型属性值的相似性，同时对语义属性进行相似度判断，最后得到混合相似度。利用与缺失数据集相似的一些数据集，经过共享特征选择，它们之间可以共享使用，并用来描述相似数据集间的相互填补，充分保留了缺失数据对象的自身个性，填充准确性比较好。

可选地，对图像进行特征提取图像中养殖的特征，并将图像划分为多个网格完成图像中养殖的检测得到分类结果，包括：

采用YOLOv5提取养殖图像中的特征，将养殖图像划分为76*76、38*38和19*19网格以预测不同大小的目标，目标中心所在的网格用于完成图像中养殖的检测，边框对应位置的信息(x,y,w,b)和边界框Conf(Obj)精度的置信度信息的表达式为

本实施例中，采用峰值信噪比PSNR和结构相似度SSIM作为评估标准，PSNR是根据输入和输出图像对应像素点的误差来评估算法对图像修复的程度，SSIM通过输入和输出图像对应的亮度、对比度和结构来评估图像的相似程度，PSNR和SSIM的表达式为

参阅图2，本发明还提供了一种智能养殖系统的数据远程共享装置，包括：

数据获取模块，获取拍摄的养殖图像并对养殖图像进行图像预处理得到图像数据，其中，图像预处理包括图像增强和图像修复，养殖图像包括水产、家禽和牲畜养殖图像；

图像检测模块，用于对图像进行特征提取图像中养殖的特征，并将图像划分为多个网格完成图像中养殖的检测得到分类结果，其中，每个网格默认输出预测三个边界框；

构建模块，用于将分类结果发送至智能养殖系统中进行数据相似度度量以构建异源数据集，其中，数据相似度度量包括数值型数据相似度度量、语义型数据相似度度量和共享相似度度量；

填充模块，用于对异源数据集的相似性进行共享特征选择以构建共享数据集，其中，共享特征选择包括保留异源相似完整数据集中与缺失数据集相似性的属性维度作为可共享完整数据集、确定缺失数据集中不需要填充的数据集和需要填充的数据集以及用来填充的相似完整数据集。

本实施例中，图像直方图反映了图像中各灰度级出现的次数，与各个灰度级在图像中出现的具体像素位置无关，一幅占据尽可能多的灰度级范围且各个灰度级像素分别均匀的图像，很大程度上具有较高的对比度外观，为了提高对比度，可通过直方图拉伸的方式调整图像中目标与背景灰度的差别，常用的直方图拉伸方式有线性、非线性或者累积函数定义，直方图均衡是基于累积函数的直方图拉伸方式，低对比度图像具有较窄的直方图，且集中于灰度级的中部，直方图均衡可将灰度图像中分布密集的灰度级变换为整个灰度级区间范围的均匀分布，提升了水下图像采集的精确度。

需要说明的是，随着互联网时代各领域数据的快速积累，大数据共享时代已经到来，数据挖掘不仅限于单一数据集，多数据集的共同挖掘即成为新的热点，面对复杂高维的大规模数据，数据挖掘结果将很大程度上收到数据质量的营销，然而在数据收集、数据转移和数据存储等过程中由于机器故障或人工不规范的操作导致数据出现缺失等问题已经变得无法避免。通过获取拍摄的养殖图像并对养殖图像进行图像预处理得到图像数据，对图像进行特征提取图像中的特征，将分类结果发送至智能养殖系统中进行数据相似度度量以构建异源数据集，对异源数据集的相似性进行共享特征选择以构建共享数据集，解决了复杂背景下图像的识别能力，提升了养殖检测和识别的整体效果，对智能养殖系统的数据进行有效填充，从而提高了系统数据的完整性和工作可靠性。

在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。