买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国水产科学研究院黄海水产研究所

摘要：本发明公开了一种鱼类疾病预警方法及系统，包括以下步骤：获取鱼类体表、行为以及水质信息进行特征训练，并提取鱼类的特征向量，反映鱼类的健康状况和疾病的影响。利用YOLOv8对鱼类体表信息进行分类，利用YOLOv8+ByteTrack多目标跟踪技术，准确地检测和跟踪鱼类的目标，避免目标丢失和误识别的问题。利用LSTM时间序列预测技术，预测鱼类的未来状态，捕捉鱼类的行为变化和异常情况。利用FUZZY模糊推理技术，合理地设定模糊集合和模糊规则，有效地进行模糊推理，输出鱼类的疾病预警等级。本发明可以将鱼群体表特征，游动行为，水质情况整合，对鱼群的健康状态进行精准的评估，避免了单独使用某一特征而出现弊端。

主权项：1.一种鱼类疾病预警方法，其特征在于，包括以下步骤：获取鱼类行为信息、鱼类体表信息以及水质信息，并对所述鱼类行为信息、所述鱼类体表信息以及所述水质信息进行特征训练，获得鱼类患病数据集；其中，所述鱼类患病数据集包括：鱼类健康、患病的体表数据集、鱼类俯视角行为标注数据集以及水质数据集；利用YOLOv8对所述鱼类健康、患病的体表数据集以及所述鱼类俯视角行为标注数据集进行训练，获得鱼类体表以及头部的权重；利用ByteTrack对鱼类头部的权重进行跟踪训练，获得每一个鱼类个体在连续帧中的空间位置、速度与转向角信息；基于所述水质数据、所述每一个鱼类个体在连续帧中的空间位置、速度与转向角信息，利用LSTM时间序列预测技术，预测水质和鱼类的分类状态，获得水质分类等级以及鱼类行为分类等级；利用FUZZY模糊推理技术，设定模糊集合和模糊规则，构建模糊推理模型；基于所述模糊推理模型，对所述水质以及鱼类行为分类进行模糊推理，获得鱼类疾病预警等级；实验系统为一个1.2m*0.8m的pp圆形池，过滤设备采用周转箱模拟循环水系统，水质采集设备采用传感器和水质监测仪器，图像采集系统由摄像机和数据存储器组成，光源采用LED灯架设在水面上，摄像机被放置于系统正上方以及水下，水上采集分辨率为2560*1920像素，速率为25fps，水下采集分辨率为1920*1080像素，速率为25fps；系统中共养殖鱼20尾，采用大口黑鲈漂浮饲料喂养，每天喂食体重1%；水温维持在24-26℃之间，实验前，已在系统中进行了为期8周的养殖；通过视频采集系统，对鱼群患病前、患病中和患病后的游动行为进行拍摄，共采集累计200小时视频图像，将侧面视角和俯视角视频分别采用codetools分为300张图像，并选择患病前，患病中，患病后的视频片段导入服务器，制作出鱼群患病行为数据集；获得每一个鱼类个体在连续帧中的空间位置、速度与转向角信息的方法包括：使用labelImg对图像中的鱼类头部进行标注，将标注好的数据集输入YOLOv8网络中进行训练，其网络结构获得用于识别鱼类头部的权重；将鱼类头部图像截取并输入到ByteTrack网络中，对患病前，患病中，患病后的视频中的鱼类头部进行追踪，并输出每一个鱼类个体在连续帧中的空间位置，速度与转向角信息；对于鱼类疾病识别和鱼类头部识别以用于追踪的用途，YOLOv8的参数介设置：model为YOLOv8s.pt，data为bigmouth.yaml，epochs为100，patience为50，batch为16，imgsz为640，box为7.5，cls为0.5，dfl为1.5，pose为12.0，kobj为1.0，IOU为0.7；对于头部识别追踪的用途，将ByteTrack参数设置为：model为Bigmouth-20.yaml，track_thresh为0.001，track_buffer为120，match_thresh为0.9，frame_rate为60，conf_thres为0.001；利用ByteTrack对所述鱼类体表以及头部的权重进行跟踪训练，检测框对目标检测结果分类，大于等于0.001的检测框为高分检测框，进行第一次IOU匹配，IOU大于等于0.9的轨迹与检测框进行匹配，未匹配的检测框在置信度大于等于0.001的时候进入轨迹追踪，小于0.001则忽略，未匹配轨迹及低分检测框进行第二次IOU匹配，循环以上步骤直至匹配完成，获得每一个鱼类个体在连续帧中的空间位置、速度与转向角信息；获得鱼类体表以及头部的权重的方法包括：使用labelImg对所述鱼类健康、患病的体表数据集以及所述鱼类俯视角行为标注数据集中的鱼类侧视角全身、鱼类俯视角头部数据进行标注；将标注好的数据集输入YOLOv8网络中进行训练，获得鱼类体表以及头部的权重；所述模糊推理模型由五个功能模块组成，分别是：FUZZY编辑器、隶属函数编辑器、模糊规则编辑器、模糊规则观察器和曲面观察器；所述模糊推理模型包含若干模糊if-then规则的规则库；定义关于使用模糊if-then规则的模糊集的隶属度函数的数据库；在规则上的执行推理操作的决策单元；将明确输入转化为与语言价值匹配的程度的模糊界面；将推理得到的模糊结果转化为明确输出的去模糊界面；采用mamadni算法，gaussmf函数来进行模糊规则的设计，根据水质数据，体表数据，行为数据，进行模糊推理模型的设计；其中YOLOv8算法的网络结构由三个部分组成：backbone、Neck和Head；骨干网络用于提取图像的特征，Neck用于融合不同尺度的特征，Head用于预测目标的类别和位置；其原理为：backbone采用了CSPDarkNet的结构，YOLOv8使用C2f模块代替C3模块，实现进一步轻量化，同时增加了跳层连接，提升梯度流和收敛效果；Neck采用了PANet的结构，通过自上而下和自下而上的双向通路，使得底层信息更容易传递到顶层，增强了特征的表达能力；Head采用了解耦头的结构，将分类和回归分支分离，并从Anchor-Based换成了Anchor-Free的方式，简化标签分配和损失计算的过程；YOLOv8算法的损失函数由两部分组成：分类损失和回归损失；分类损失使用了VFLLoss，它是一种基于概率分布的分类损失，有效地处理类别不平衡的问题；回归损失使用了DFLLoss和CIOULoss，它们是一种基于分布的回归损失，更准确地预测目标的位置和大小；YOLOv8算法的标签分配采用了Task-AlignedAssigner，它是一种动态的正负样本分配策略，根据任务的难度和模型的性能进行自适应的调整，提高训练的效率和稳定性；ByteTrack分为四个部分：检测器、卡尔曼滤波、匈牙利算法和置信度阈值，其各个部分的原理为：检测器：ByteTrack使用YOLOX作为检测器，实现高效的目标检测；YOLOX是一种基于anchor-free的检测器，使用了FocalLoss和NMS来优化检测结果；YOLOX还使用了多尺度特征融合和数据增强技术来提高检测性能；卡尔曼滤波器：ByteTrack使用卡尔曼滤波器来预测目标的运动状态，包括位置、速度和加速度；卡尔曼滤波器是一种递归的贝叶斯滤波器，利用观测数据和先验知识来估计系统的状态；卡尔曼滤波器处理运动模型的不确定性和噪声；匈牙利算法：ByteTrack使用匈牙利算法来进行目标和轨迹之间的匹配，即数据关联；匈牙利算法是一种求解二分图最大匹配的算法，在多项式时间内找到最优解；ByteTrack使用余弦相似度和马氏距离作为匹配的代价函数，分别衡量目标的外观和运动的相似度；置信度阈值：ByteTrack使用一个动态的置信度阈值来过滤掉背景检测框和虚假目标；置信度阈值是根据当前帧的检测框的分数分布来确定的，自适应地调整；ByteTrack还使用一个最小置信度阈值来保留一些低分数的检测框，以便利用轨迹的相似度来恢复真实目标；LSTM引入了一个单元状态，用来保存和传递长期的信息，同时通过三个门控结构来控制信息的流动；LSTM有效地解决一般RNN中的梯度消失或爆炸的问题，提高了模型的稳定性和泛化能力，其原理如下：输入门控制新输入的信息的流动，通过一个sigmoid层和一个tanh层来计算一个候选状态，表示新的信息；遗忘门控制旧细胞状态的遗忘，通过一个sigmoid层来计算一个遗忘因子，表示哪些元素需要被遗忘，哪些元素需要保留；细胞状态根据输入门和遗忘门的控制，遗忘旧状态和融合新状态，得到新的状态；输出门控制细胞状态的输出，通过一个sigmoid层和一个tanh层来计算一个输出因子，表示细胞状态的哪一部分需要被输出；鱼类疾病预警预测方法在健康、亚健康、患病等级的数据集上提高了疾病预警的准确率，经过验证，对于染病体表特征识别准确率达到87.54%，对于染病水质的预测准确率达到78.73%，对于染病行为的预测准确率达到81.08%，鱼类疾病预警系统的综合识别准确率达到94.17%。

全文数据：

权利要求：

百度查询： 中国水产科学研究院黄海水产研究所 一种鱼类疾病预警方法及系统