[发明专利]基于大数据分析的智能控制系统及方法

说明书

公开了一种基于大数据分析的智能控制系统及方法，其采用基于深度学习的人工智能监控技术，以通过水下摄像头采集的观赏鱼的探测图像作为输入数据来对该所述探测图像进行图像畸变校正后，提取出校正后探测图像中关于所述观赏鱼的深浅融合特征的全局关联特征分布信息，以此来进行所述观赏鱼的种类和生长阶段识别检测。这样，能够基于鱼类大数据的智能分析来准确地对于所述观赏鱼的种类和生长阶段进行智能识别判断，进而基于所述观赏鱼的种类和生长阶段来自适应地调控水族箱内的生存环境参数数据。

技术领域

本申请涉及人工智能监控技术领域，且更为具体地，涉及一种基于大数据分析的智能控制系统及方法。

背景技术

水族箱主要是用来饲养观赏鱼的玻璃器具，起到观赏的作用，即是为观赏用以及专门饲养水生动植物的容器，是一个动物饲养区。

目前水族箱的管理主要靠人工管理来调节水温、光照以及投食等等，出现了水族箱耗费过多人力打理，并且在实际的管理过程中，发现其中鱼类的寿命不长、外观不够自然等问题。

因此，期待一种优化的基于大数据分析的智能控制系统，其能够基于水族箱内观赏鱼的种类和生长阶段来自适应地调控水族箱内的环境参数数据，以在进行水族箱智能控制的基础上提高观赏鱼的寿命和观赏效果。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据分析的智能控制系统及方法，其采用基于深度学习的人工智能监控技术，以通过水下摄像头采集的观赏鱼的探测图像作为输入数据来对该所述探测图像进行图像畸变校正后，提取出校正后探测图像中关于所述观赏鱼的深浅融合特征的全局关联特征分布信息，以此来进行所述观赏鱼的种类和生长阶段识别检测。这样，能够基于鱼类大数据的智能分析来准确地对于所述观赏鱼的种类和生长阶段进行智能识别判断，进而基于所述观赏鱼的种类和生长阶段来自适应地调控水族箱内的生存环境参数数据。

相应地，根据本申请的一个方面，提供了一种基于大数据分析的智能控制系统，其包括：观赏鱼图像采集模块，用于获取由部署于水族缸内的水下摄像头采集的观赏鱼的探测图像；图像畸变校正模块，用于将所述探测图像通过基于自动编解码器的图像畸变校正单元以得到校正后探测图像；观赏鱼图像特征提取模块，用于将所述校正后探测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到探测特征图；图像局部特征展开模块，用于将所述探测特征图的沿通道维度的各个特征矩阵展开为一维特征向量以得到多个局部特征向量；图像特征全局关联模块，用于将所述多个局部特征向量通过基于转换器的上下文编码器以得到全局特征向量；特征分布优化模块，用于对所述全局特征向量进行特征聚类的去聚焦模糊优化以得到分类特征向量；观赏鱼识别模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果为观赏鱼的类型和生长阶段的标签；以及控制结果生成模块，用于基于所述分类结果，确定水族缸的环境参数。

在上述基于大数据分析的智能控制系统中，所述图像畸变校正模块，包括：图像特征提取单元，用于将所述探测图像输入所述图像畸变校正单元的编码器，其中，所述编码器使用卷积层对所述探测图像进行显式空间编码以得到图像特征；以及，图像特征解码单元，用于将所述图像特征输入所述图像畸变校正单元的解码器，其中，所述解码器使用反卷积层对所述探测图像特征进行反卷积处理以得到所述校正后探测图像。

在上述基于大数据分析的智能控制系统中，所述观赏鱼图像特征提取模块，包括：浅层特征提取单元，用于从所述第一卷积神经网络模型的第M层提取浅层特征图；深层特征提取单元，用于从所述第一卷积神经网络模型的第N层提取深层特征图；以及，融合单元，用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到探测特征图。

在上述基于大数据分析的智能控制系统中，所述第一卷积神经网络模型的浅层为所述第一卷积神经网络模型的第2-6层，所述第一卷积神经网络模型的深层与所述第一卷积神经网络模型的浅层之间的比值大于等于5且小于等于10。