魚類多(duō)樣性監測系統

JD-FM型

本系統利用邊緣計算(suàn)的先進能(néng)力、新興的能(néng)源技(jì)術(shù)以及多(duō)傳感器(qì)整合技(jì)術(shù)，能(néng)夠通(tōng)過高(gāo)清攝像、水(shuǐ)下(xià)照(zhào)明增強和聲納探測等手段，對水(shuǐ)域生(shēng)态和魚類進行實時的、全天候的監視。所收集的監控數據，可以通(tōng)過無線網絡（包括4G/5G）或物(wù)理連線的方式，上(shàng)傳至雲端數據庫，為(wèi)水(shuǐ)生(shēng)生(shēng)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(yī)個(gè)主要魚種的數據庫。 借助卷積神經網絡，我們構築了一(yī)個(gè)深度的學習模型，它能(néng)夠自(zì)動地提取魚類的精确特征并進行融合，從(cóng)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、海岸線等區域的生(shēng)物(wù)群落的豐富度和密度；通(tōng)過對水(shuǐ)下(xià)生(shēng)物(wù)活動模式的研究，進而評估生(shēng)态系統恢複的趨勢。 在基于雲-邊端技(jì)術(shù)的架構上(shàng)，結合邊緣計算(suàn)、新能(néng)源和多(duō)傳感技(jì)術(shù)，系統能(néng)以高(gāo)清成像、輔助水(shuǐ)下(xià)光(guāng)源和聲納掃描等手段，實現對水(shuǐ)下(xià)生(shēng)态及魚類的持續、實時監測。這些數據透過無線（4G/5G）或有線網絡傳輸至雲服務器(qì)，促成了水(shuǐ)生(shēng)生(shēng)物(wù)影像數據的累積，并創建了核心魚種的數據集合。 應用卷積神經網絡打造的深度學習模型，可以自(zì)主地提煉與整合魚類的關鍵特征，實現對視域内常見(jiàn)魚種的準确識别；此外，該模型還(hái)能(néng)估算(suàn)出河流、湖(hú)泊、近海等區域中生(shēng)物(wù)種群的豐裕度和密度；通(tōng)過分析水(shuǐ)下(xià)生(shēng)物(wù)的行為(wèi)模式，進一(yī)步評價生(shēng)态環境的複蘇趨勢。

應用範圍

· 生(shēng)态多(duō)樣性監測 ；

· 水(shuǐ)産養殖 ；

系統特點

· 智能(néng)化監測-支持電(diàn)腦(nǎo)端及手機(jī)端訪問；

· 維護低(dī)，耐久性強；

· 搭配智慧化大數據平台及移動端app；

規格參數