申请/专利权人：中国水产科学研究院南海水产研究所

申请日：2024-04-07

公开（公告）日：2024-07-05

公开（公告）号：CN117994064B

主分类号：G06Q50/02

分类号：G06Q50/02;G06Q10/04;G06Q10/0631;G06F18/22;G06F18/23;G06F18/2135;G06N3/0442;G06N3/0455;G06N3/0475;G06N3/084;G06N3/094;G06N5/022;G01N33/18;A01K61/10;G08B21/18

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2024.05.24#实质审查的生效;2024.05.07#公开

摘要：本发明公开了一种基于水质智能感知的鲫鱼繁育全流程监测方法及系统，包括：获取当前鲫鱼繁育的繁育工作流，根据历史水质监测参数与繁育工作流进行匹配，进行数据更新；在不同的繁育工作流子段中根据繁育特征筛选高关联水质参数，设置对应的关键水质指标；通过关键水质指标进行不同繁育阶段的水质监测参数提取，并构建鲫鱼正常繁育的适生水质序列，对提取的水质监测参数序列进行细粒度分析，获取与适生水质序列的偏差；根据偏差生成鲫鱼繁育过程的预警。本发明筛选鲫鱼繁育期间不同阶段的高关联水质因素进行分析，减少了监测数据的冗余性，并且为不同繁育阶段分配适应性细粒度划分，提高了监测效率及精准度。

主权项：1.一种基于水质智能感知的鲫鱼繁育全流程监测方法，其特征在于，包括以下步骤：获取当前鲫鱼繁育的繁育工作流，通过物联网感知获取目标养殖水域的水质监测参数，根据历史水质监测参数与繁育工作流进行匹配，生成数据更新后的繁育工作流；利用不同繁育阶段将更新后的繁育工作流进行划分，在不同的繁育工作流子段中根据繁育特征筛选高关联水质参数，根据所述高关联水质参数设置不同繁育阶段的关键水质指标；通过所述关键水质指标进行不同繁育阶段的水质监测参数提取，并构建鲫鱼正常繁育的适生水质序列，对提取的水质监测参数序列进行细粒度分析，获取与适生水质序列的偏差；根据所述偏差进行鲫鱼繁育过程的预警，生成不同等级的预警信息，通过预警信息进行目标养殖水域的水质调控；根据历史水质监测参数与繁育工作流进行匹配，生成数据更新后的繁育工作流，具体为：获取预设时间步内目标养殖水域的鲫鱼繁育数据，将所述鲫鱼繁育数据进行预处理，并获取鲫鱼繁育的标志性阶段对预处理后的鲫鱼繁育数据进行聚类，根据聚类结果获取标志性阶段的繁育数据集；根据所述繁育数据集提取工序特征，利用所述工序特征构建检索标签进行鲫鱼繁育实例的检索，根据相似度计算获取符合预设标准的鲫鱼繁育实例子集，将不同鲫鱼繁育实例进行聚合获取当前繁育措施的流程规则；基于所述流程规则驱动聚类生成的繁育数据集创建当前鲫鱼繁育的繁育工作流，并根据鲫鱼繁育数据的更新进行所述繁育工作流的拓展；利用无线通信结合传感器信息采集进行目标养殖水域的水质网格化监测，感知不同分区的水质监测参数，获取预设时间步内的历史水质监测参数；将所述历史水质监测参数与繁育工作流进行匹配，根据繁育工作流中的流程节点设置数据指标，利用数据指标将历史水质监测数据插值入繁育工作流，生成数据更新后的繁育工作流；在不同的繁育工作流子段中根据繁育特征筛选高关联水质参数，根据所述高关联水质参数设置不同繁育阶段的关键水质指标，具体为：利用标志性阶段在更新后的繁育工作流中进行初步分段标记，在不同初级分段标记位置预设邻域区间，选取邻域区间中流程节点，基于初步分段后各分段的流程节点对应的均值设置阶段中心；利用欧式距离配置隶属度函数，判断邻域区间中流程节点距离相邻两阶段中心的欧式距离，当存在任一欧式距离大于等于预设距离阈值时，则将流程节点归属于隶属度高的繁育阶段；当两个欧式距离均小于预设距离阈值时，则将流程节点分别归属于相邻的两个繁育阶段，当所有初级分段标记位置邻域区间中的流程节点划分结束后，获取更新后的繁育工作流的划分结果；根据不同繁育工作流子段中的流程节点提取繁育特征，利用所述繁育特征在水质监测参数中计算皮尔逊相关系数，通过所述皮尔逊相关系数筛选不同繁育工作流子段的水质监测参数；构建鲫鱼存活率预测模型，利用不同繁育工作流子段的水质监测参数训练所述鲫鱼存活率预测模型，读取对应预测准确度，以最大化预测精确度为目标，利用折交叉验证评估水质监测参数的重要度；利用重要度将不同繁育工作流子段的水质监测参数进行排序，选取预设数量的高关联水质参数作为关键水质指标；通过所述关键水质指标进行不同繁育阶段的水质监测参数提取，并构建鲫鱼正常繁育的适生水质序列，具体为：获取不同繁育工作流子段对应的关键水质指标，根据所述关键水质指标在历史水质监测参数中进行参数提取，在提取的参数中根据对应鲫鱼存活率进行参数筛选；获取关键水质指标下的参数规模，筛选小于预设规模的关键水质指标进行标记，将标记关键水质指标对应的参数导入自编码器网络获取潜在特征分布，并引入对抗机制；将自编码器网络的编码器部分作为生成器学习参数的潜在特征分布，获取参数的重构数据并映射到相同的位置，在潜在特征层添加鉴别器，惩罚潜在特征空间位置分布偏差过大的重构数据；利用对抗机制的迭代训练扩充标记关键水质指标对应的参数，当参数规模符合预设规模时，则停止迭代，输出扩充后标记关键水质指标对应的参数；利用参数筛选及数据扩充后的参数构建不同繁育阶段中鲫鱼正常繁育的适生水质序列；对提取的水质监测参数序列进行细粒度分析，获取与适生水质序列的偏差，具体为：根据关键水质指标提取不同繁育阶段的水质监测参数，结合监测时间生成不同繁育阶段的水质监测参数序列；根据历史平均鲫鱼存活率对生成不同繁育阶段的初始权重，并根据历史鲫鱼繁育数据提取不同繁育阶段的病害及事故实例，计算不同繁育阶段的事故率；通过所述初始权重结合事故率确定不同繁育阶段的细粒度划分程度，根据不同繁育阶段的细粒度划分程度进行水质监测参数序列的划分，获取对应的水质监测参数细粒度序列；并调用适生水质序列生成对应的适生水质细粒度序列，计算水质监测参数细粒度序列与适生水质细粒度序列之间的均方距离，根据均方距离序列生成偏差。

全文数据：

权利要求：

百度查询： 中国水产科学研究院南海水产研究所 基于水质智能感知的鲫鱼繁育全流程监测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD