一种基于水下机器人的无人渔场鱼群行为识别系统及方法

1.本发明属于数据采集技术领域、涉及智能养殖数据分析技术领域，具体涉及一种基于水下机器人的无人渔场鱼群行为识别系统及方法。


背景技术：

2.在鱼类养殖行业中，养殖的鱼群容易遭外来因素的影响，包括细菌、病毒或者其他物种等不确定因素，都会导致鱼群出现异常，情况轻微的会导致鱼类生长受到抑制，减慢其成长发育速度，情况严重时会导致泛塘。然而鱼类的健康状态或者池塘的状态如果只靠人类视觉或者经验判断，往往无法分辨细微的差别，导致发现异常的时刻过晚造成不可挽回的经济损失；因此亟需一种科学有效的方法对鱼群的健康或者池塘的状态进行识别以规避鱼类各种异常的风险，目前的现有技术方法是通过诊断震动、计算机视觉等方法对鱼类活跃性进行检测，检测精度低、反应慢、由于各种干扰因素导致准确性和可靠性并不高。


技术实现要素：

3.本发明的目的在于提出一种基于水下机器人的无人渔场鱼群行为识别系统及方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
4.为了实现上述目的，根据本发明的一方面，提供一种基于水下机器人的无人渔场鱼群行为识别方法，所述方法包括以下步骤：s100，水下机器人向鱼群发射声波，并获取声波的回波信号；s200，对回波信号进行滤波处理获得第一信号；s300，利用第一信号计算方案计算活跃系数；s400，通过活跃系数计算异常率；s500，根据异常率识别鱼群行为状态是否正常并进行输出；其中，利用第一信号计算方案计算活跃系数的方法是：在t0时刻对渔场进行饲料投喂（在往鱼池投喂饲料时，均匀地往鱼池投喂饲料，由于投喂时鱼群争食导致鱼塘中的鱼群活跃增大，获取到的信号更加大，所以可以提高实时频率的准确性），pmqf(t0)代表t0时刻获得的第一信号的实时频率；设置一个序列作为频率实时序列lspm，将pmqf(t0)加入到频率实时序列lspm中；设置测次阈值tgate，tgate为整数，设置为[10,30]；开始每隔时间tf进行一次测量获取第一信号，所述测量为向鱼群发射声波并根据声波的回波信号获取第一信号；从t0时刻开始获取t次第一信号的各个实时频率pmqf(t2)，将pmqf(t0) 加入到频率实时序列lspm中，然后依次将符合第一条件的pmqf(t2)逐个加入到序列lspm，t2为从t0时刻开始的第t次测量时刻，t2=t0+t
×
tf；所述第一条件为：pmqf(t2)≥0.5
×
(max{lspm}－pmqf(t0))并且t≤tgate；其中，
max{lspm}代表lspm中的最大值；t为获取第一信号的预设测量次数，取值[30,100] 次；pmqf(t2)为从t0时刻开始第t次测量获取的第一信号的实时频率；获取实时序列lspm，以lspm中元素的值出现依次递增后首次出现递减的时刻对应的元素作为活跃系数acidx。
[0005]
进一步地，在步骤s100中，获取声波的回波信号的方法是：在渔场内投放水下机器人，所述水下机器人可以在水中移动；水下机器人安装有探测头，所述探测头包含：换能器或者声纳探鱼器、收发控制单元；所述换能器或者声纳探鱼器用于向渔场内鱼群发射声脉冲信号并接收回波信号到收发控制单元；换能器或者声纳探鱼器至少能够发射一种声脉冲信号到渔场内的水体中，且换能器具有的圆锥开角，开角范围为5～10
°
，收发控制单元用于根据声学参数产生声波脉冲信号，并采用声波脉冲信号激励所述换能器或者声纳探鱼器将声波脉冲信号辐射至向渔场的水体中，同时接收渔场的水体中鱼群的回波信号，并剔除回波信号中的噪声，所述水下机器人为专利公开号cn212149252u、cn216118500u、cn212500964u或cn208979083u的任意一种水下机器人，所述声纳探鱼器的声纳频率为200khz到500khz，45度探头探测角度，探测范围0.6~100米,精确度0.1~0.3米，所述水下机器人可以有一个或多个。
[0006]
进一步地，在步骤s200中，对回波信号进行滤波处理获得第一信号方法是：通过设定的时间阈值tf（tf=[5,10]分钟）获取一次回波信号，将获得的回波信号的信号大小记为实时频率mqf或者将回波信号的多普勒频率记为实时频率mqf，由水下机器人在[2，24]小时内的所有回波信号的实时频率mqf形成实时频率序列lmqf，lmqf＝[mqf
a1
]；其中a1为实时频率在时序上的序号，a1∈[1，pcs]，以pcs代表[2，24]小时内获得的实时频率mqf的总次数, mqf
a1
为lmqf中第a1个实时频率；利用实时频率序列lmqf计算得到谷峰频比值ε，ε＝max{lmqf}/min{lmqf}；其中max{lmqf}代表序列lmqf中的最大值，min{lmqf}代表序列lmqf中的最小值；利用序列lmqf计算得到回波信号的实时频率的波敏度sstidx，，其中a2为累加变量，emqf代表序列lmqf中各个数值的算术平均值，ε代表谷峰频比值；计算所有回波信号的实时频率的波敏度sstidx的算数平均值psi；筛选出波敏度sstidx大于psi的回波信号作为第一信号。
[0007]
优选地，在步骤s300中，利用第一信号计算方案计算活跃系数的方法还可以替换为：在t0时刻对渔场进行饲料投喂（在往鱼池投喂饲料时，均匀地往鱼池投喂饲料，由于投喂时鱼群争食导致鱼塘中的鱼群活跃增大，获取到的信号更加大，所以可以提高实时频率的准确性），pmqf(t0)代表t0时刻获得的第一信号的实时频率；设置一个序列作为频率实时序列lspm，将pmqf(t0)加入到频率实时序列lspm中；t0时刻为开始进行饲料投喂的时刻；设置一个变量maxpm作为测峰值，初始化测峰值maxpm的值为pmqf(t0)；设置一个变量t作为时刻计数器，令t的初始值为1；设置一个变量tgate作为测次阈值，其初始值为[10,30]；跳转到步骤s301；s301,开始每隔时间tf进行一次测量获取第一信号，所述测量为向鱼群发射声波
并根据声波的回波信号获取第一信号；s302，获取第一信号的实时频率pmqf(t2)，t2为从t0时刻开始第t次测量的时刻,t2=t0+t
×
tf，如果pmqf(t2)≥0.5
×
(maxpm－pmqf(t0))并且t≤tgate，将pmqf(t2)加入到频率实时序列lspm中，跳转到步骤s303；如果pmqf(t2)＜0.5
×
(maxpm－pmqf(t0))并且t＜tgate，水下机器人恢复每隔时间tf进行一次测量；计算活跃系数acidx：acidx=(maxpm－pmqf(t2))
÷
(ttop-t)；其中ttop代表获得maxpm时t的取值，设置tgate的数值为在lspm中第一频率值pmqf(t2)第一次超过3
×
maxpm时t的取值，或者设置tgate的数值为当lspm中元素的值依次递增后出现首次值递减的第一个元素的序号，跳转到步骤s304；s303，如果pmqf(t2)＞maxpm，更新maxpm的值为pmqf(t2)的值，将时刻计数器t的数值加1，跳转到步骤s302；如果pmqf(t2)≤maxpm，将时刻计数器t的数值加1，跳转到步骤s302；s304，结束。
[0008]
计算活跃系数有益效果为：计算的活跃系数可以能够在反射的声波的波频比较细微小的情况下，更加灵敏的体现出投喂后渔场中的变化趋势，利用其变化趋势的特征量化鱼类活动的状态，活跃系数可以精确地对渔场中鱼类的状态或者池塘的状态进行记录，大大提高了其可识别性，克服人眼观测或者经验判别的模糊性和不确定性。
[0009]
进一步地，在步骤s400中，通过活跃系数计算异常率的方法是：往鱼池投喂饲料后，鱼池内各个水下机器人开始尝试获得活跃系数；待各个水下机器人均获得活跃系数，结合鱼池内各个水下机器人构建场态列表zlst, zlst＝[acidx
a3
]，a3∈[1，k]，其中a3代表鱼池内各个水下机器人的序号，acidx
a3
代表第a3个水下机器人获取的活跃系数，k代表鱼池中水下机器人的数量, k∈[1，20]；获取rcrd天内的场态列表zlst，构成场态矩阵amtx，amtx＝[zlst
a4
]，a4∈[1，rcrd]，其中rcrd为观测期，单位为自然日，rcrd的值在[30，60]内取值，a4代表的是日期的序号；zlst
a4
代表的是当天的前a4-1天的场态列表；当a4的值为1，zlst
a4
代表的是当天的场态列表；以srcrd作为短期值，srcrd＝[0.25
×
rcrd]，式中[]符号为取整函数；各个的意义为一个或多个，计算当天的短期场均浮动指标smfi：，其中a5为累加变量；γ＝2/(1+srcrd)；代表的是zlst
a5
中各个元素的算术平均值，zlst
a5
代表场态矩阵amtx中第a5个元素，即第a5个场态列表；以lrcrd作为长期值，lrcrd＝[0.5
×
rcrd]；计算当天的长期场均浮动指标lmfi，；其中a6为累加变量；γ＝2/(1+lrcrd)；代表的是zlst
a6
中各个元素的算术平均值；zlst
a6
代表场态矩阵amtx中第a6个元素，即第a6个场态列表；通过长期场均浮动指标lmfi和短期场均浮动指标smfi计算当天的浮动区间dbsl，dbsl＝smfi－lmfi；没有
lmfi的值时dbsl取值为0；通过dbsl计算趋势指数trd：；或者trd=γdbsl；其中γ＝2/(1+srcrd)；trd’代表上一个自然日对渔场进行饲料投喂后获取的趋势指数trd，没有lmfi的值时trd和trd’的取值为0；计算获得鱼群异常率fgwi:fgwi＝dbsl-trd。
[0010]
优选地，在步骤s400中，通过活跃系数计算异常率的方法是：计算获得鱼群异常率fgwi:fgwi＝min{lspm}/acidx，min{lspm}代表lspm中的最小值。
[0011]
其有益效果为：通过结合连续的时间序列进行分析，计算获得的鱼群异常率使得鱼群活跃性或者池塘的运行状态有了时间维度，得以更客观地对照当前鱼群的状态，鱼群的活跃性或者健康状态随着时间的变化的特征得以提炼，提高了对鱼群异常判别的可信度。
[0012]
进一步地，在步骤s500中，根据异常率识别鱼群行为状态是否正常并进行输出的方法是：获取历史记录的所有的鱼群异常率fgwi，以fgwi作为正态分布的一元离群点检测方法的系数判断当天的鱼群异常率fgwi是否为异常点，如果当天的鱼群异常系数为异常点，则说明鱼类存在异常行为，并向管理人员的客户端发送异常警报。
[0013]
优选地，当鱼群异常率fgwi大于预设阈值时，或者当鱼群异常率fgwi大于上一周所有的自然日对渔场进行饲料投喂后获取的鱼群异常率fgwi时，则说明鱼类存在异常行为，并向管理人员的客户端发送异常警报。
[0014]
本发明还提供了一种基于水下机器人的无人渔场鱼群行为识别系统，所述一种基于水下机器人的无人渔场鱼群行为识别系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种基于水下机器人的无人渔场鱼群行为识别方法中的步骤，所述一种基于水下机器人的无人渔场鱼群行为识别系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：声波探测单元，用于水下机器人向鱼群发射声波，并获取声波的回波信号；滤波处理单元，用于对回波信号进行滤波处理获得第一信号；活跃度量单元，用于利用第一信号计算方案计算活跃系数；异常估算单元，用于通过活跃系数计算异常率；判别处理单元，用于根据异常率识别鱼群行为状态是否正常并进行输出。
[0015]
本发明的有益效果为：本发明提供一种基于水下机器人的无人渔场鱼群行为识别系统及方法，在复杂的渔场养殖环境下，测量投喂鱼群后，精确地识别出池塘中鱼类活跃性，根据其活跃性的变化科学地分析鱼塘的状态或者鱼群的健康状态，大大提高了异常识别的准确性和可靠性，大大降低养殖用户或者经营者因鱼类异常识别过失导致的经济损失风险，对资源和能源的效用率形成良性影响。
附图说明
[0016]
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图，在附图中：图1所示为一种基于水下机器人的无人渔场鱼群行为识别方法的流程图；图2所示为一种基于水下机器人的无人渔场鱼群行为识别系统结构图。
具体实施方式
[0017]
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
[0018]
如图1所示为一种基于水下机器人的无人渔场鱼群行为识别方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种基于水下机器人的无人渔场鱼群行为识别方法，所述方法包括以下步骤：s100，水下机器人向鱼群发射声波，并获取声波的回波信号；s200，对回波信号进行滤波处理获得第一信号；s300，利用第一信号计算方案计算活跃系数；s400，通过活跃系数计算异常率；s500，根据异常率识别鱼群行为状态是否正常并进行输出。
[0019]
进一步地，在步骤s100中，获取声波的回波信号的方法是：在渔场内投放水下机器人，所述水下机器人可以在水中移动；水下机器人安装有探测头，所述探测头包含：换能器或者声纳探鱼器、收发控制单元；所述换能器或者声纳探鱼器用于向渔场内鱼群发射声脉冲信号并接收回波信号到收发控制单元；换能器或者声纳探鱼器至少能够发射一种声脉冲信号到渔场内的水体中，且换能器具有的圆锥开角，开角范围为5～10
°
，收发控制单元用于根据声学参数产生声波脉冲信号，并采用声波脉冲信号激励所述换能器或者声纳探鱼器将声波脉冲信号辐射至向渔场的水体中，同时接收渔场的水体中鱼群的回波信号，并剔除回波信号中的噪声，所述水下机器人为专利公开号cn212149252u、cn216118500u、cn212500964u或cn208979083u的任意一种水下机器人，所述声纳探鱼器的声纳频率为200khz到500khz，45度探头探测角度，探测范围0.6~100米,精确度0.1~0.3米，所述水下机器人可以有一个或多个。
[0020]
进一步地，在步骤s200中，对回波信号进行滤波处理获得第一信号方法是：通过设定的时间阈值tf（tf=[5,10]分钟）获取一次回波信号，将获得的回波信号的信号大小记为实时频率mqf或者将回波信号的多普勒频率记为实时频率mqf，由水下机器人在[2，24]小时内的所有回波信号的实时频率mqf形成实时频率序列lmqf，lmqf＝[mqf
a1
]；其中a1为实时频率在时序上的序号，a1∈[1，pcs]，以pcs代表[2，24]小时内获得的实时频率mqf的总次数, mqf
a1
为lmqf中第a1个实时频率；利用实时频率序列lmqf计算得到谷峰频比值ε，ε＝max{lmqf}/min{lmqf}；其中max{lmqf}代表序列lmqf中的最大值，min{lmqf}代表序列lmqf中的最小值；
利用序列lmqf计算得到回波信号的实时频率的波敏度sstidx，，其中a2为累加变量，emqf代表序列lmqf中各个数值的算术平均值，ε代表谷峰频比值；计算所有回波信号的实时频率的波敏度sstidx的算数平均值psi；筛选出波敏度sstidx大于psi的回波信号作为第一信号。
[0021]
进一步地，在步骤s300中，利用第一信号计算方案计算活跃系数的方法是：在t0时刻对渔场进行饲料投喂（在往鱼池投喂饲料时，均匀地往鱼池投喂饲料），pmqf(t0)代表t0时刻获得的第一信号的实时频率；设置一个序列作为频率实时序列lspm，将pmqf(t0)加入到频率实时序列lspm中；t0可以为当前时间；设置一个变量maxpm作为测峰值，初始化测峰值maxpm的值为pmqf(t0)；设置一个变量t作为时刻计数器，令t的初始值为1；设置一个变量tgate作为测次阈值，其初始值为[10,30]；跳转到步骤s301；s301,开始每隔时间tf进行一次测量获取第一信号，所述测量为向鱼群发射声波并根据声波的回波信号获取第一信号；s302，获取第一信号的实时频率pmqf(t2)，如果pmqf(t2)≥0.5
×
(maxpm－pmqf(t0))并且t≤tgate，将pmqf(t2)加入到频率实时序列lspm中，跳转到步骤s303；如果pmqf(t2)＜0.5
×
(maxpm－pmqf(t0))并且t＜tgate，水下机器人恢复每隔时间tf进行一次测量；计算活跃系数acidx：，其中ttop代表获得maxpm时t的取值，设置tgate的数值为在lspm中第一频率值pmqf(t2)第一次超过3
×
maxpm时t的取值，或者设置tgate的数值为当lspm中元素的值依次递增后出现首次值递减的第一个元素的序号，跳转到步骤s304；s303，如果pmqf(t2)＞maxpm，更新maxpm的值为pmqf(t2)的值，将时刻计数器t的数值加1，跳转到步骤s302；如果pmqf(t2)≤maxpm，将时刻计数器t的数值加1，跳转到步骤s302；s304，结束。
[0022]
优选地，在步骤s300中，利用第一信号计算方案计算活跃系数的方法是：在t0时刻对渔场进行饲料投喂（在往鱼池投喂饲料时，均匀地往鱼池投喂饲料），pmqf(t0)代表t0时刻获得的第一信号的实时频率；设置一个序列作为频率实时序列lspm，将pmqf(t0)加入到频率实时序列lspm中；设置测次阈值tgate，tgate的设置为[10,30]；开始每隔时间tf进行一次测量获取第一信号，所述测量为向鱼群发射声波并根据声波的回波信号获取第一信号；从t0时刻开始获取t次第一信号的各个实时频率pmqf(t2)，将pmqf(t0) 加入到频率实时序列lspm中，然后依次将符合第一条件的pmqf(t2)逐个加入到序列lspm，t2为从t0时刻开始第t次测量的时刻,t2=t0+t
×
tf；所述第一条件为：pmqf(t2)≥0.5
×
(max{lspm}－pmqf(t0))并且t≤tgate；其中，
max{lspm}代表lspm中的最大值；t为获取第一信号的预设测量次数，取值[30,100] 次；pmqf(t2)为从t0时刻开始第t次测量获取的第一信号的实时频率；获取实时序列lspm，以lspm中元素的值出现依次递增后首次出现递减的时刻对应的元素作为活跃系数acidx。
[0023]
其有益效果为：通过识别投喂后的渔场中的变化，活跃系数acidx利用其变化的特征量化鱼类活动的状态，可以精确地对渔场中鱼类的状态或者池塘的状态进行记录，大大提高了其可识别性，克服人眼观测或者经验判别的模糊性和不确定性。
[0024]
进一步地，在步骤s400中，通过活跃系数计算异常率的方法是：往鱼池投喂饲料后，鱼池内各个水下机器人开始尝试获得活跃系数；待各个水下机器人均获得活跃系数，结合鱼池内各个水下机器人构建场态列表zlst, zlst＝[acidx
a3
]，a3∈[1，k]，其中a3代表鱼池内各个水下机器人的序号，acidx
a3
代表第a3个水下机器人获取的活跃系数，k代表鱼池中水下机器人的数量；获取rcrd天内的场态列表zlst，构成场态矩阵amtx，amtx＝[zlst
a4
]，a4∈[1，rcrd]，其中rcrd为观测期，单位为自然日，rcrd的值在[30，60]内取值，a4代表的是日期的序号；当a4的值为1，zlst
a4
代表的是当天的场态列表；以srcrd作为短期值，srcrd＝[0.25
×
rcrd]，式中[]符号为取整函数；计算当天的短期场均浮动指标smfi：，其中a5为累加变量；γ＝2/(1+srcrd)；代表的是zlst
a5
中各个元素的算术平均值，zlst
a5
代表场态矩阵amtx中第a5个元素，即第a5个场态列表；以lrcrd作为长期值，lrcrd＝[0.5
×
rcrd]；计算当天的长期场均浮动指标lmfi，；其中a6为累加变量；γ＝2/(1+lrcrd)；代表的是zlst
a6
中各个元素的算术平均值；zlst
a6
代表场态矩阵amtx中第a6个元素，即第a6个场态列表；通过长期场均浮动指标lmfi和短期场均浮动指标smfi计算当天的浮动区间dbsl，dbsl＝smfi－lmfi；没有lmfi的值时dbsl取值为0；通过dbsl计算趋势指数trd：；或者trd=γdbsl；其中γ＝2/(1+srcrd)；trd’代表上一个自然日对渔场进行饲料投喂后获取的趋势指数trd，没有lmfi的值时trd和trd’的取值为0；计算获得鱼群异常率fgwi:fgwi＝dbsl-trd。
[0025]
优选地，在步骤s400中，通过活跃系数计算异常率的方法是：计算获得鱼群异常率fgwi:fgwi＝min{lspm}/acidx，min{lspm}代表lspm中的最小值。
[0026]
其有益效果为：通过结合连续的时间序列进行分析，使得鱼群活跃性或者池塘的
运行状态有了时间维度，得以更客观地对照当前鱼群的状态，鱼群的活跃性或者健康状态随着时间的变化的特征得以提炼，提高了对鱼群异常判别的可信度。
[0027]
进一步地，在步骤s500中，根据异常率识别鱼群行为状态是否正常并进行输出的方法是：获取历史记录的所有的鱼群异常率fgwi，以fgwi作为正态分布的一元离群点检测方法的系数判断当天的鱼群异常率fgwi是否为异常点，如果当天的鱼群异常系数为异常点，则说明鱼类存在异常行为，并向管理人员的客户端发送异常警报。
[0028]
优选地，当鱼群异常率fgwi大于预设阈值时，或者当鱼群异常率fgwi大于上一周所有的自然日对渔场进行饲料投喂后获取的鱼群异常率fgwi时，则说明鱼类存在异常行为，并向管理人员的客户端发送异常警报。
[0029]
本发明的实施例提供的一种基于水下机器人的无人渔场鱼群行为识别系统，如图2所示为本发明的一种基于水下机器人的无人渔场鱼群行为识别系统结构图，该实施例的一种基于水下机器人的无人渔场鱼群行为识别系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于水下机器人的无人渔场鱼群行为识别系统实施例中的步骤。
[0030]
所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：声波探测单元，用于水下机器人向鱼群发射声波，并获取声波的回波信号；滤波处理单元，用于对回波信号进行滤波处理获得第一信号；活跃度量单元，用于利用第一信号计算方案计算活跃系数；异常估算单元，用于通过活跃系数计算异常率；判别处理单元，用于根据异常率识别鱼群行为状态是否正常并进行输出。
[0031]
所述一种基于水下机器人的无人渔场鱼群行为识别系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端服务器等计算设备中。所述一种基于水下机器人的无人渔场鱼群行为识别系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于水下机器人的无人渔场鱼群行为识别系统的示例，并不构成对一种基于水下机器人的无人渔场鱼群行为识别系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于水下机器人的无人渔场鱼群行为识别系统还可以包括输入输出设备、网络接入设备、总线等。
[0032]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器 (digital signal processor，dsp)、专用集成电路 (application specific integrated circuit，asic)、现场可编程门阵列 (field-programmable gate array，fpga) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于水下机器人的无人渔场鱼群行为识别系统运行系统的控制中心，利用各种接口和线路连接整个一种基于水下机器人的无人渔场鱼群行为识别系统可运行系统的各个部分。
[0033]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于水下机器人的无人渔场鱼群行为识别系统的各种功能。所述存储器可主要包括存
储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（smart media card, smc），安全数字（secure digital, sd）卡，闪存卡（flash card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0034]
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。