基于超声回波的鱼群定位、数目与种类判别方法及装置

本发明属于自然水域中鱼类定位和种类判别，具体地说，涉及一种基于超声回波的鱼群定位、数目与种类判别方法及装置。

背景技术：

1、研究自然水域中鱼类的定位、数量以及种类识别，可提高渔业资源调查、评估、跟踪以及保护的工作效率。其中，精确的定位和数量信息可帮助渔民提高捕鱼效率，减少资源浪费，从而提高渔业的可持续性。传统方法识别鱼群种类多采用声波成像技术，识别鱼群种类的精准度往往会受到复杂的海洋或者淡水环境中严苛环境的影响，鱼类识别的准确度大大降低。长期以来，采用人工捕获采样和传感器定位和密度估计，耗时耗力，数据误差较大，且无法大范围内进行长期准确地监控。因此，减少鱼群定位和数量检测的误差，自动化实时检测鱼群，提高识别鱼群种类的准确度，具有重要的应用价值。

2、近年来，随着“声纳+高分辨率成像”为主的新技术在水生生物中的有效应用，很多学者致力于研究多波束声纳与智能分析技术的结合，并取得了一系列成果。例如，carotenuto r在ieee transactions on instrumentation and measurement上发表的关于一种室内超声波自主三维定位系统的文章中提出的超声波三维定位系统的原理，最少三个接收器同时接收到标记牌发射统一信号时，即可定位。但是对于运动的鱼类，接收器接收的时间会有较大的误差，导致定位精度下降。

3、又如，李路等在《农业机械学报》上发表的基于被动水声信息的淡水鱼种类识别的文章中，其利用声学技术识别淡水鱼种类，但该方法主要适用于范围广，不受能见度影响的领域中，对复杂的海域进行鱼类识别比较困难。anas yassir等在aquaculturalengineering发表了关于使用深度学习算法进行声学鱼类识别的文章，该研究采用基于深度学习算法的方法，可以自动化声学检查过程，从而识别不同物种的反向散射。这种方法比传统的手动方法更有效，因为手动方法需要操作员根据鱼群特征和其他外部数据源（如拖网捕鱼量等）来判断反向散射的来源。手动方法还需要操作员利用其他辅助数据（如地理位置、到海面的距离和到海床的距离）来提高反向散射的分配精度。但上述方法无法实现鱼类的实时计数与定位功能。

技术实现思路

1、1.发明要解决的技术问题

2、本发明的目的在于提供一种基于超声回波的鱼群定位、数目与种类判别方法及装置，从而解决现有方法存在的对鱼的数量与种类识别不准确的问题，且本发明方法易于实现，适用范围较为广泛。

3、2.技术方案

4、为达到上述目的，本发明提供的技术方案为：

5、本发明提供了一种基于超声回波的鱼群定位、数目与种类判别方法，包括：

6、待测目标的个数识别，将n个频率不同的超声波传感器同时发送和接收超声波后得到的回波时间进行分解和提取，依据同一待测目标返回给不同传感器回波时间的几何关系进行分组，分别得到能够被不同个数传感器探测到的目标分组：能被1个传感器探测的目标分组、能被2个传感器探测的目标分组、能被3个传感器探测的目标分组、…、能被n个传感器探测的目标分组，所得分组总数即为待测目标数；其中，所述n个频率不同的超声波传感器安装于目标水域上方，用于发送和接收超声波，n≥3个；

7、待测目标的定位，对于处于3个及以上传感器探测范围内的每个待测目标，提取属于待测目标组合中的所有回波时间，根据回波到各个传感器的时间确定待测目标到各个传感器的距离，并依据此距离建立待测目标位置坐标与不同传感器位置坐标之间的等式方程，实现待测目标的定位；

8、待测目标中鱼的数目确定与种类识别，根据待测目标组合中的回波时间提取各个待测目标返回给所有传感器的回波振幅信息，并输入至目标种类识别模型判断是否为鱼，如果被判断为非鱼，则输出“非鱼”的结果；如果被判断为鱼，则进一步判断鱼的种类；统计所有非鱼目标数，将已确定的待测目标个数扣除非鱼目标数，即为传感器可探测范围内鱼的数目；所述目标种类识别模型采用残差神经网络分类模型。

9、更进一步的，待测目标的个数识别的具体方法包括：

10、s21，n个频率不同的超声波传感器同时发送超声波，然后接收所能检测区域的各目标的回波信号并提取回波时间，所提取的回波时间按照j＞i和j=i两种情况进行分类；

11、其中，回波时间采用进行表示，中下标表示发射传感器的编号，i=1，2，3，…，n；表示接收传感器的编号，j=1，2，3，…，n；表示传感器j接收到的回波在其所接收的由传感器i发射的对应回波中的次序；

12、s22，按照能够满足如下几何关系对s21中提取的j>i情况下的回波时间与j=i情况下的回波时间进行第一次分组：

13、<组合误差

14、上述公式中，表示j＞i情况下传感器i发射-传感器j接收的回波时间；表示对应的传感器i发射-传感器i接收的回波时间，表示对应的传感器j发射-传感器j接收的回波时间；、、分别表示对应情况下各传感器接收到的回波的次序；

15、s23，在s22组合结果的基础上，根据相同的传感器i发射-传感器i接收到的回波时间，即以相同的传感器因子进行第二次分组并消除冗余组合得到最终分组，所得分组数即为探测区域内能被至少2个传感器探测到的目标个数；

16、第二次分组并消除冗余组合的具体方法为，按照发射传感器的编号i=1、2、...、n-1由小到大的顺序依次进行以下操作：

17、i）在s22中第一次分组的基础上，按照相同的传感器因子对相同发射传感器对应的所有分组重新进行第二次组合，得到新的分组，无法进行组合的项则均分别作为单独的新组合保留下来；

18、ii）对上述第二次组合中所含回波时间数目大于2的分组中的回波时间项进行两两组合，得到消除因子，且该分组中对应的传感器因子不参与两两组合；

19、iii）将s22中所得第一次分组中由传感器r发射-传感器s接收情况的组合结果中与消除因子相同的项去除，被去除的项不再参与下次组合；其中，r>i，s>r；

20、最终得到的新组合记作gpq，p表示新组合中包含的回波时间数目，即该组合对应的目标能够被p个传感器探测到；q表示p相同的新组合产生的次序；

21、s24，步骤s22中进行第一次分组时对于j=i接收情况下未被使用的回波时间，均被单独看作一个新组合，每个新组合对应的目标表示仅能被一个传感器监测到，所得新组合的个数即为仅能被一个传感器监测到的目标个数；

22、s25，待测目标的个数计算如下：

23、待测目标的个数= s23中所得分组数+ s24中所得新组合的个数。

24、更进一步的，进行待测目标个数识别时，根据s23构建探测区域内至少能被2个传感器探测到的目标与传感器之间的连通图并消除冗余边，并根据s24补充探测区域内目标与传感器间的连通图中缺少的边以建立完整连通图，根据构建的连通图直接获得待测目标的个数；其中构建连通图时将s23和s24中所得各组合中的回波时间按比例换算成对应的边长。

25、更进一步的，s22中组合误差按照如下公式进行计算：

26、

27、其中，其中，t1为传感器i发射-传感器i接收的回波时间，t3为传感器j发射-传感器j接收的回波时间，由于待测目标的速度与超声波的速度差异明显，将近似等于。

28、更进一步的，n个频率不同的超声波传感器的安装位置和安装角度根据遗传算法进行求解，以使能被至少三个传感器共同探测到的总范围最大，具体包括：

29、s11，对初始群体和输入的模型参数进行编码，生成染色体；

30、将传感器1、2、3、...、n的坐标以及对应的超声波束主轴与x、y、z轴正方向的夹角依次添加到列表中，形成一个染色体，传感器1、2、3、...、n的坐标依次为（x1，y1，z1）、（x2，y2，z2）、（x3，y3，z3）、...、（xn，yn，zn）；

31、s12，计算编码后每个个体的适应度；

32、保持每个传感器发射点以及超声波束主轴与z轴夹角不变的条件下，将超声波的探测范围绕着z轴旋转，使得超声波束主轴与每个坐标平面依次平行，分别进行正投影求解超声波的探测范围沿x轴、y轴、z轴的最小和最大坐标以确定包络长方体区域，在此包络长方体中借鉴微积分原理求得能被至少3个传感器共同探测到的总范围的体积，即适应度；

33、s13，对个体进行选择、交叉和变异运算处理，得到新的进化后的个体，将进化后的个体加入到下一代种群中；

34、s14，判断相邻两次迭代中适应度函数值的差值是否小于设定的决策阈值或是否达到设定的迭代次数，若是，则输出该情况下的解数据，否则回到步骤s13。

35、更进一步的，所述包络长方体的确定方法为：

36、根据每个传感器的坐标以及超声波束主轴与z轴正方向的夹角求解出每个传感器所能探测到的沿x轴、y轴、z轴的最小和最大坐标；

37、从所得沿x轴、y轴、z轴的最小坐标中分别选出最小值作为处于能被至少3个传感器探测到的范围中的点的最小x、y和z值，从所得沿x轴、y轴、z轴的最大坐标中分别选出最大值作为处于能被至少3个传感器探测到的范围中的点的最大x、y和z值；

38、包络长方体区域即由最小x值-最大x值、最小y值-最大y值、最小z值-最大z值确定。

39、更进一步的，确定包络长方体的区域时，如果求解出的沿x轴、y轴或z轴的最大坐标大于传感器位置沿对应坐标轴正方向到该侧应用区域边界的距离，则采用传感器位置沿x轴、y轴或z轴正方向到该侧应用区域边界的距离作为该传感器所能探测到的沿对应坐标轴的最大坐标；

40、如果求解出的沿x轴、y轴或z轴的最小坐标的绝对值大于传感器位置沿对应坐标轴负方向到该侧应用区域边界的距离，则采用传感器位置沿x轴、y轴或z轴负方向到该侧应用区域边界的距离相反数作为该传感器所能探测到的沿对应坐标轴的最小坐标。

41、更进一步的，所述目标种类识别模型的构建方法包括：

42、s41，采集水域内各种目标的回波信号的时域信号；

43、s42，对采集的时域信号进行标记，属于鱼类时域信号的采用鱼的学名进行标记，其他目标均采用“非鱼”进行标记；

44、s43，每类样本选取至少400条数据构成数据集；

45、s44，将数据集按照一定的比例随机分为训练集和测试集；

46、s45，对训练集和测试集中的数据进行特征提取，包括频域特征提取和时域数据特征提取；

47、s46，在s45的基础上，进行相关性矩阵计算，从而对得到的数据进行特征选择；

48、s47，将s46得到的数据输入残差神经网络模型，修改模型内关键参数，开始训练判断是否为鱼以及鱼的种类模型；所述模型内关键参数包括类别数、最大训练迭代次数、初始学习率和每批处理的回波信号数量；

49、s48，采用s47中得到的模型对测试集进行检测，正确率达到98%-100%时则停止训练，s47中训练得到的模型即为最终所得鱼类的检测模型；否则执行s44。

50、更进一步的，对待测目标进行鱼的数目确定及种类识别的方法具体包括：

51、将待测目标对应的回波信息按照s45和s46中的方法进行特征提取与选择，从而得到各目标关于神经网络分类模型的一组输入；

52、将上述得到的一组输入依次输入s48中得到的检测模型，每次从输出中取这个目标被判断为“非鱼”的概率，记为“非鱼概率”，一个目标的一组输入对应的“非鱼概率”相加后取均值，如果均值大于0.5，则认为该目标不是鱼，否则是鱼，这个目标被判断为鱼的概率为1-“非鱼概率”；统计被认定为非鱼的目标数，将确定的待测目标个数减去非鱼目标数，即为鱼的数目；

53、将最终被判断为鱼的各目标对应的一组回波信号依次输入训练得到的检测模型，每次从输出中取被判断为各类标记的概率中的最大者，记为“最大概率”；取各目标的一组输入对应的“最大概率”中的最大值，得出其对应的类别作为最后目标的类别。

54、本发明还提供了一种基于超声回波的鱼群定位、数目与种类判别装置，包括：

55、待测目标的个数识别模块，用于将n个频率不同的超声波传感器同时发送和接收超声波后得到的回波时间进行分解和提取，依据同一待测目标返回给不同传感器回波时间的几何关系进行分组，分别得到能够被不同个数传感器探测到的目标分组：能被1个传感器探测的目标分组、能被2个传感器探测的目标分组、能被3个传感器探测的目标分组、…、能被n个传感器探测的目标分组，所得分组总数即为待测目标数；其中，所述n个频率不同的超声波传感器安装于目标水域上方，用于发送和接收超声波，n≥3个；

56、待测目标的定位模块，用于对处于3个及以上传感器探测范围内的每个待测目标，提取属于待测目标组合中的所有回波时间，根据回波到各个传感器的时间确定待测目标到各个传感器的距离，并依据此距离建立待测目标位置坐标与不同传感器位置坐标之间的等式方程，实现待测目标的定位；

57、待测目标中鱼的数目确定与种类识别模块，用于根据待测目标组合中的回波时间提取各个待测目标返回给所有传感器的回波振幅信息，并输入至目标种类识别模型判断是否为鱼，如果被判断为非鱼，则输出“非鱼”的结果；如果被判断为鱼，则进一步判断鱼的种类；统计所有非鱼目标数，将已确定的待测目标个数扣除非鱼目标数，即为传感器可探测范围内鱼的数目。

58、本发明还提供了一种电子设备，包括处理器和存储器，存储器上存储有计算机程序，所述处理器调用上述计算机程序时能够执行本发明的鱼群定位、数目与种类判别方法。

59、本发明还提供了一种可存储介质，所述可存储介质上存储有计算机程序，该计算机程序被处理器调用时能够执行本发明的鱼群定位、数目与种类判别方法。

60、3.有益效果

61、采用本发明提供的技术方案，与已有的公知技术相比，具有如下显著效果：

62、（1）本发明基于超声回波信息实现鱼的种类识别，解决了现有技术中通常通过图像识别来进行鱼的种类检测，水下采集清晰图像较难的问题，并且可以实现鱼群数目、位置和种类的同步确定。同时，本发明对鱼的种类进行判别时，部分鱼可以同时被多个传感器检测到，不同传感器储存着关于同一条鱼的信息，因此通过一组回波信息对单个目标进行判别，能够进一步提高判别的精确度。

63、（2）本发明在对水中待测目标数目进行判断时使用两次分组，并考虑到多种情况：目标能被1个、2个、…、n个传感器检测到，考虑较为全面，从而可以有效保证目标个数识别的准确性；同时在第一次分组时充分考虑了待测目标速度对回波时间的影响，合理估算了组合误差，使得传感器所能检测区域的目标数目更加精确。

64、（3）本发明通过遗传算法对n个传感器的安装位置和倾斜角度进行优化设计，使得较少的传感器具有较为全面的检测范围，尽可能的减小了因鱼群相互覆盖带来的误差，有利于进一步提高鱼群定位和识别的准确性。同时，本发明在不影响定位效果的条件下合理减小寻优空间和求解适应度函数所需的微积分空间，并针对测量区域大小确定微积分空间的求解公式，考虑较为全面，且提高了算法的效率，此外还便于将传感器安装于同一个支架上，有利于缩小装置尺寸，以便使用者携带。

65、（4）本发明进一步通过随机全局搜索优化方法，寻找多个传感器的有效测量区域的最优解，从而克服了传统方法多个传感器定位系统的测量区域利用率的不足。具体的，本发明以n个传感器的位置坐标和传感器的超声波束主轴与x、y、z轴正方向的夹角经编码后作为遗传算法的种群个体，利用微积分原理求解适应度函数，通过确定的最大进化代数进行复制，交叉和变异，使种群进化到搜索空间越来越好的区域，得到当n个传感器有效测量区域最大时，最优的传感器的相对位置和偏移角。

66、（5）本发明利用鱼到各个传感器的距离，建立方程求解鱼的位置，实现了鱼的坐标的准确定位，克服了采用传统方法对鱼进行定位时通常以垂直定位为主而准确率低的不足。本发明可以直接将传感器置于水面上，克服了传统方法实现的鱼的坐标定位时需依赖于传感器特殊位置的不足。

67、（6）本发明进一步基于残差神经网络分类模型对鱼的种类进行识别，残差神经网络分类模型的设计使用双通道输入，一通道是频域特征向量，二通道是时域特征向量，对频域信号和时域信号进行特征提取以及特征选择，得到一组回波信号，通过残差神经网络得到每个信号被判断为各类标签的概率，在此基础上，对概率进一步进行处理和融合得到结果，有效避免了网络层次过深造成的梯度弥散和梯度爆炸，提高了系统的泛化能力。