本发明涉及自动检测，具体而言，涉及基于机器视觉边缘ai识别的鱼浮头现象的监测方法及系统。
背景技术：
1、近年来，随着池塘养殖结构的优化和调整，放养密度显著增加，这使得池塘中的鱼类更容易因缺氧而出现浮头现象。鱼浮头是一种鱼类在水面上呼吸空气的行为，通常表明水中溶解氧含量不足。鱼浮头现象的严重程度各不相同，轻微的浮头现象通常短时间内消失，对鱼类的正常生活和生长没有显著的负面影响。然而，频繁发生的浮头，尤其是严重的浮头和泛塘，会对鱼类造成不同程度的危害，轻则影响鱼类的生长速度，重则导致鱼类生长停滞，甚至大面积死亡，给养殖户带来毁灭性的经济损失。
2、因此，正确判断鱼浮头的轻重程度并及时采取相应的防治措施，对于渔业的发展至关重要。目前，主要依靠人工巡塘的方法来判断鱼浮头的程度。养殖人员通过观察池塘中鱼类的行为和水质变化来评估溶解氧水平，并采取必要的措施如增氧。然而，人工观察方法存在显著的局限性。首先，对养殖人员的专业素养和敬业程度要求较高，不同人员的观察结果可能存在主观偏差，例如当池塘中由于水质引起中毒现象同样会造成鱼浮头现象。其次，人工巡塘消耗大量的人力和物力，特别是在大规模养殖场，这种方式的成本和效率问题尤为突出。此外，人工观察的实时性和准确性较低，难以及时发现和应对突发的浮头现象，从而可能错失最佳的干预时机。
3、因此，有必要设计基于机器视觉边缘ai识别的鱼浮头现象的监测方法及系统用以解决当前技术中存在的问题。
技术实现思路
1、鉴于此，本发明提出了基于机器视觉边缘ai识别的鱼浮头现象的监测方法及系统，旨在解决当前监测鱼浮头现象费时费力、准确性低，检测效果差的问题。
2、本发明提出了一种基于机器视觉边缘ai识别的鱼浮头现象的监测方法，包括：
3、确定待监测区域，根据所述待监测区域布设监测装置；
4、实时采集所述待监测区域内水面的图像数据，对所述图像数据进行解析获取鱼浮头密度数据，当所述鱼浮头密度数据大于最高密度阈值时进行确认监测模式；
5、记录当前时刻并将所述图像数据与历史投料图像进行比对，根据比对结果排除投料影响；
6、采集鱼浮头现象出现的累计时长，根据所述累计时长与鱼浮头密度数据并结合密度数据变化率确定风险等级；
7、根据所述风险等级确定水质检测区域，基于无人机对所述水质检测区域进行水质检测；
8、当水质检测为正常时，根据所述风险等级进行增氧。
9、进一步的，布设监测装置时包括：
10、布设红外补光装置，与所述监测装置电连接，所述红外补光装置还设置有光线传感器，当所述光线传感器检测处于低光环境且所述监测装置进行所述确认监测模式时所述红外补光装置开启。
11、进一步的，根据比对结果排除投料影响时，包括：
12、将所述图像数据的彩色图像转换为灰度图像，使用高斯模糊去除图像噪声；
13、计算所述灰度图像中鱼浮头密度数据，将所述图像数据的鱼浮头密度数据与历史投料图像中的数据进行比对；
14、当所述历史投料图像中数据与所述图像数据的鱼浮头密度数据相等的数据占比大于或等于a％时，判定当前所述待监测区域处于投料状态，停止记录时长；
15、当所述历史投料图像中数据与所述图像数据的鱼浮头密度数据相等的数据占比小于a％时，判定当前所述待监测区域未处于投料状态，根据所述当前时刻获取所述累计时长。
16、进一步的，根据所述累计时长与鱼浮头密度数据并结合密度数据变化率确定风险等级时，包括：
17、根据所述累计时长与鱼浮头密度数据获得风险因子，所述风险因子通过下式计算获得：
18、
19、其中，d表示风险因子，m、n表示权重，t表示累计时长，δt表示累计时长标准化结果，δt＝t/t0，t0表示预先设定的累计时长阈值，m表示鱼浮头密度，δm表示鱼浮头密度标准化结果，δm＝m/m0，m0表示所述最高密度阈值，n＝δt+δm。
20、进一步的，根据所述累计时长与鱼浮头密度数据并结合密度数据变化率确定风险等级时，还包括：
21、在确定风险因子d后，将密度数据变化率q分别与预先设定的第一预设密度数据变化率q1和第二预设密度数据变化率q2进行比对，q1＜q2，根据比对结果确定调整系数对风险因子d进行调整，获得最终风险系数；
22、当q≤q1时，确定第一预设调整系数a1对所述风险因子d进行调整，获得最终风险系数d×a1；
23、当q1＜q≤q2时，确定第二预设调整系数a2对所述风险因子d进行调整，获得最终风险系数d×a2；
24、当q2＜q时，确定第三预设调整系数a3对所述风险因子d进行调整，获得最终风险系数d×a3；
25、其中，1＜a1＜a2＜a3＜1.2。
26、进一步的，确定风险等级时，包括：
27、根据所述最终风险系数d×ai确定风险等级，其中i＝1，2，3，且所述风险等级与所述最终风险系数d×ai成正比关系。
28、进一步的，根据所述风险等级确定水质检测区域，基于无人机对所述水质检测区域进行水质检测时，包括：
29、根据所述风险等级确定水质检测区域面积，并确定采样密度，所述采样密度、水质检测区域面积均与所述风险等级成正比关系；
30、无人机搭载水质监测仪进行水质监测，所述水质监测包括ph值、重金属离子和有机污染物；
31、当存在采样点的水质监测数据超标时，进行中毒预警；
32、当所有采样点的水质监测数据均未超标时，判定水质监测为正常，控制增氧机进行增氧。
33、进一步的，当水质检测为正常时，根据所述风险等级进行增氧时，包括：
34、根据所述风险等级确定所述增氧机单位时长增氧量以及增氧时长，所述单位时长增氧量与增氧时长与所述风险等级成正比关系。
35、与现有技术相比，本发明的有益效果在于：通过利用机器视觉和边缘ai技术，自动监测和分析鱼浮头现象，提升了水产养殖管理的精度和效率。通过在待监测区域布设监测装置，实时采集水面图像数据，解析获取鱼浮头密度数据。当浮头密度超过预设阈值时，自动进入确认监测模式，并通过比对当前图像与历史投料图像，排除因投料引起的浮头假象。记录浮头现象的累计时长，并结合密度数据变化率，科学评估浮头风险等级。根据风险等级，确定需要重点检测的水质区域，并通过无人机进行精准的水质检测。如果水质检测结果正常，将依据风险等级自动启动增氧措施。实现了高效、自动化的监测和预警，减少了对人工巡塘的依赖，提升了监测的实时性和准确性，确保及时、准确地应对鱼浮头现象。
36、另一方面，本技术还提供了一种基于机器视觉边缘ai识别的鱼浮头现象的监测系统，用于应用上述基于机器视觉边缘ai识别的鱼浮头现象的监测方法，包括：
37、监测装置，布设在待监测区域，所述监测装置包括可旋转摄像头；
38、红外补光装置，与所述监测装置电连接；
39、控制模块，与所述监测装置以及红外补光装置电连接，用于对监测装置运行进行控制，所述控制模块包括采集单元、判断单元和处理单元，其中，
40、所述采集单元被配置为实时采集所述待监测区域内水面的图像数据，对所述图像数据进行解析获取鱼浮头密度数据，当所述鱼浮头密度数据大于最高密度阈值时进行确认监测模式；
41、所述判断单元被配置为记录当前时刻并将所述图像数据与历史投料图像进行比对，根据比对结果排除投料影响；
42、所述判断单元还被配置为采集鱼浮头现象出现的累计时长，根据所述累计时长与鱼浮头密度数据并结合密度数据变化率确定风险等级；
43、所述判断单元还被配置为根据所述风险等级确定水质检测区域，基于无人机对所述水质检测区域进行水质检测；
44、所述处理单元被配置为当所述判断单元判定水质检测为正常时，所述处理单元根据所述风险等级进行增氧。
45、可以理解的是，上述基于机器视觉边缘ai识别的鱼浮头现象的监测方法及系统具备相同的有益效果，在此不再赘述。
1.一种基于机器视觉边缘ai识别的鱼浮头现象的监测方法，其特征在于，包括：
2.根据权利要求1所述的基于机器视觉边缘ai识别的鱼浮头现象的监测方法，其特征在于，布设监测装置时包括：
3.根据权利要求1所述的基于机器视觉边缘ai识别的鱼浮头现象的监测方法，其特征在于，根据比对结果排除投料影响时，包括：
4.根据权利要求3所述的基于机器视觉边缘ai识别的鱼浮头现象的监测方法，其特征在于，根据所述累计时长与鱼浮头密度数据并结合密度数据变化率确定风险等级时，包括：
5.根据权利要求4所述的基于机器视觉边缘ai识别的鱼浮头现象的监测方法，其特征在于，根据所述累计时长与鱼浮头密度数据并结合密度数据变化率确定风险等级时，还包括：
6.根据权利要求5所述的基于机器视觉边缘ai识别的鱼浮头现象的监测方法，其特征在于，确定风险等级时，包括：
7.根据权利要求1所述的基于机器视觉边缘ai识别的鱼浮头现象的监测方法，其特征在于，根据所述风险等级确定水质检测区域，基于无人机对所述水质检测区域进行水质检测时，包括：
8.根据权利要求7所述的基于机器视觉边缘ai识别的鱼浮头现象的监测方法，其特征在于，当水质检测为正常时，根据所述风险等级进行增氧时，包括：
9.一种基于机器视觉边缘ai识别的鱼浮头现象的监测系统，用于应用如权利要求1-8任一项所述的基于机器视觉边缘ai识别的鱼浮头现象的监测方法，其特征在于，包括：
