魚類多(duō)樣性監測系統

JD-FM型

本系統利用(yòng)邊緣計算的先進能(néng)力、新(xīn)興的能(néng)源技(jì )術以及多(duō)傳感器整合技(jì )術，能(néng)夠通過高清攝像、水下照明增強和聲納探測等手段，對水域生态和魚類進行實時的、全天候的監視。所收集的監控數據，可(kě)以通過無線(xiàn)網絡（包括4G/5G）或物(wù)理(lǐ)連線(xiàn)的方式，上傳至雲端數據庫，為(wèi)水生生物(wù)視頻圖像資料的長(cháng)期積累提供了基礎，并構建起了一個主要魚種的數據庫。 借助卷積神經網絡，我們構築了一個深度的學(xué)習模型，它能(néng)夠自動地提取魚類的精(jīng)确特征并進行融合，從而識别出視野範圍内的主導魚種；同時，它也能(néng)夠估計河流、湖(hú)泊、海岸線(xiàn)等區(qū)域的生物(wù)群落的豐富度和密度；通過對水下生物(wù)活動模式的研究，進而評估生态系統恢複的趨勢。 在基于雲-邊端技(jì )術的架構上，結合邊緣計算、新(xīn)能(néng)源和多(duō)傳感技(jì )術，系統能(néng)以高清成像、輔助水下光源和聲納掃描等手段，實現對水下生态及魚類的持續、實時監測。這些數據透過無線(xiàn)（4G/5G）或有(yǒu)線(xiàn)網絡傳輸至雲服務(wù)器，促成了水生生物(wù)影像數據的累積，并創建了核心魚種的數據集合。 應用(yòng)卷積神經網絡打造的深度學(xué)習模型，可(kě)以自主地提煉與整合魚類的關鍵特征，實現對視域内常見魚種的準确識别；此外，該模型還能(néng)估算出河流、湖(hú)泊、近海等區(qū)域中(zhōng)生物(wù)種群的豐裕度和密度；通過分(fēn)析水下生物(wù)的行為(wèi)模式，進一步評價生态環境的複蘇趨勢。

應用(yòng)範圍

· 生态多(duō)樣性監測 ；

· 水産(chǎn)養殖 ；

系統特點

· 智能(néng)化監測-支持電(diàn)腦端及手機端訪問；

· 維護低，耐久性強；

· 搭配智慧化大數據平台及移動端app；

規格參數