一种鱼类增殖放流去向的监测方法及系统

1.一种鱼类增殖放流去向的监测方法，其特征在于，所述方法包括：获取增殖放流点上游和下游的视频图像；采用具有色彩保护的多尺度视网膜图像增强算法增强上游和下游的视频图像；采用深度学习算法识别增强后上游和下游的视频图像中鱼的种类及数量，获得增殖流放点上游鱼的种类及数量和下游鱼的种类及数量；所述获取增殖放流点上游和下游的视频图像，具体包括：采用水下摄像头实时采集所述增殖放流点上游和下游的视频图像；将水下摄像头采集的视频图像以RTSP视频流的方式实时传输到图像增强终端。 2.根据权利要求1所述的鱼类增殖放流去向的监测方法，其特征在于，所述采用深度学习算法识别增强后上游和下游的视频图像中鱼的种类及数量，获得增殖流放点上游鱼的种类及数量和下游鱼的种类及数量，具体包括：获取鱼类图像数据集；对所述鱼类图像数据集进行鱼的种类的标记及各种类的鱼的数量统计，获得所述鱼类图像数据集中鱼的种类及对应数量；以所述鱼类图像数据集中鱼类图像为输入，以鱼的种类及对应数量为输出训练神经网络模型；所述神经网络模型内置所述深度学习算法；采用训练好的神经网络模型识别增强后上游和下游的视频图像中鱼的种类及数量，获得增殖流放点上游鱼的种类及数量和下游鱼的种类及数量。 3.根据权利要求2所述的鱼类增殖放流去向的监测方法，其特征在于，所述对所述鱼类图像数据集进行鱼的种类的标记及各种类的鱼的数量统计，具体包括：对所述鱼类图像数据集通过labelimg软件对目标鱼类进行标记，获得目标鱼类的种类及对应数量。 4.根据权利要求2所述的鱼类增殖放流去向的监测方法，其特征在于，所述神经网络模型为YOLOv4模型。 5.一种鱼类增殖放流去向的监测系统，其特征在于，所述系统包括：视频图像获取模块，用于获取增殖放流点上游和下游的视频图像；图像增强模块，用于采用具有色彩保护的多尺度视网膜图像增强算法增强上游和下游的视频图像；识别模块，用于采用深度学习算法识别增强后上游和下游的视频图像中鱼的种类及数量，获得增殖流放点上游鱼的种类及数量和下游鱼的种类及数量。 6.根据权利要求5所述的鱼类增殖放流去向的监测系统，其特征在于，所述识别模块，具体包括：数据集获取单元，用于获取鱼类图像数据集；统计单元，用于对所述鱼类图像数据集进行鱼的种类的标记及各种类的鱼的数量统计，获得所述鱼类图像数据集中鱼的种类及对应数量；模型训练单元，用于以所述鱼类图像数据集中鱼类图像为输入，以鱼的种类及对应数量为输出训练神经网络模型；所述神经网络模型内置所述深度学习算法；识别单元，用于采用训练好的神经网络模型识别增强后上游和下游的视频图像中鱼的种类及数量，获得增殖流放点上游鱼的种类及数量和下游鱼的种类及数量；所述视频图像获取模块，具体包括：视频图像获取单元，用于采用水下摄像头实时采集所述增殖放流点上游和下游的视频图像，将水下摄像头采集的视频图像以RTSP视频流的方式实时传输到图像增强终端。 7.根据权利要求6所述的鱼类增殖放流去向的监测系统，其特征在于，所述统计单元，具体包括：统计子单元，用于对所述鱼类图像数据集通过labelimg软件对目标鱼类进行标记，获得目标鱼类的种类及对应数量。 8.根据权利要求6所述的鱼类增殖放流去向的监测系统，其特征在于，所述神经网络模型为YOLOv4模型。