本发明涉及水产养殖，尤其涉及一种水质与鱼类行为双向映射模型的构建方法及装置。
背景技术：
1、鱼类的运动情况与水质参数变化密不可分，水质参数的变化会带来鱼类行为的变化。同时，水质参数的走向也可一定程度地预测鱼类的行为趋势。因此，鱼类行为与水质参数可互相作为彼此的航标，然而目前的监测更多偏向于单向映射，一般都是通过鱼类的行为表明水质的情况，然而仅仅通过鱼类行为去反映水质情况难免会产生滞后性。
2、对于鱼类行为识别，villon等人通过google-net架构提取鱼类特征，采用soft-max分类的方法实现对鱼的检测，并且还采用了一个决策规则来提升检测的精度。rauf等人提出了一个基于cnn的鱼种识别框架，通过在网络中的每个级别的训练中即时添加四个卷积层来提高分类性能。王迎使用centernet检测网络，并利用无迹卡尔曼滤波算法实现鱼类的检测，最后使用lstm预测的结果识别出水质的异常。芦玥同等人提出了通过电磁信号、视频信号以及其他方法追踪鱼类应激行为实现了水质在线监测预警。此外，对于水质预测的研究方法可分为两种。一种是机理性水质预测方法，另一种是非机理性水质预测方法。
3、由于机理性预测方法在实现过程中有一定难度，所以目前的研究中多使用非机理性水质预测方法。传统的非机理性水质预测方法有时间序列预测法、马夫科尔法、回归预测法和灰色系统预测法。这些方法主要应用污水处理领域。虽然这些方法容易实现，但是这些方法在实验时考虑的因素较少所以会导致实验的精度较低。随着机器学习的发展，很多与之相关的预测方法得以发展，比如：支持向量机和深度神经网络。这两种方法在水产养殖水质预测研究中取得了良好的应用效果。后来学者又提出了一些水产溶解氧非线性预测方法，但这些方法并没考虑到其余水质参数对实验结果的影响。
4、人工神经网络(ann)的发展恰恰可以解决这一问题。人工神经网络(ann)是一种模仿生物神经网络的结构和功能的数学模型，这个网络中由神经元与神经元连接形成，通过改动不同神经元之间的连接方式来实现对信息的处理，具有拟合复杂非线性关系的特点。后来，chen利用简单循环神经网络模型(sru)和优化后的双向堆叠简单循环神经网络模型(bi-sru)分别对水质展开了长短期的预测实验。fu等人提出了一种基于时间卷积网络(tcn)的水质预测方法，其次，利用pearson相关系数法分析水质参数之间的相关性。最后，利用先验信息和预处理后的水质数据构建基于时域卷积网络的水质参数长期预测模型。
5、传统的基于滤波、分割和统计的方法可以建立简单场景的鱼体行为参数获取模型，然而，构建复杂场景下的鱼体行为参数获取方法面临挑战。此外，通过挖掘时间相关性和结构相关性来构建行为参数与对应的水质参数之间的互作用关系也是一个关键性的科学问题。
技术实现思路
1、基于此，有必要针对上述问题，提出了一种水质与鱼类行为双向映射模型的构建方法及装置。
2、一种水质与鱼类行为双向映射模型的构建方法，所述方法包括：
3、将采集到的视频数据，按照每一帧单独分离为图片并且对图片中的鱼体进行标注，获得若干张带有标签的图片；
4、确定每一张带有标签的图片中所有鱼体锚框左上角和右下角的坐标，并且根据其确定鱼体的中心坐标；
5、通过连续帧图片中的鱼体中心坐标和时间差确定游动参数；所述游动参数包括鱼类速度、鱼类加速度鱼类游行高度；
6、将所述游动参数及对应的水质参数作为输入，通过随机森林模型进行分类、回归，分别完成鱼类游动参数和水质参数具体数值的预测以及指标异常级别的预测，获得双向映射关系。
7、优先地，所述确定每一张带有标签的图片中鱼体锚框左上角和右下角的坐标，具体包括：
8、将dcnv3(动态可变形卷积)作为yolov7中骨干网络的p5层；
9、将原始的卷积权重wk分离为深度卷积和点卷积两部分，将空间聚集过程分成g组，每个组都有单独的采样偏移pgk和调制尺度mgk，最后将卷积采样点间的调制标量归一化；具体计算过程如其中，g为聚合组总数、wg为组的位置无关的投影权重、mgk为第g组中第k个采样点的调制标量，由softmax函数沿维度k归一化、xg为olov7的p4特征层经过采样后输出的特征图、δpgk为对应于第g组中栅格采样位置pk的偏移量。
10、优先地，所述通过连续帧图片中的鱼体中心坐标和时间差确定游动参数，具体包括：
11、以图片的左下角为原点建立坐标系，设置鱼类的质心坐标为(xi,yi)；
12、鱼类不同帧游动距离为其中，
13、假设鱼类在两帧间做匀速直线运动，若视频数据的帧率为γfps，时间间隔为δf，鱼类运动时间
14、鱼类速度为
15、优先地，所述通过连续帧图片中的鱼体中心坐标和时间差确定游动参数，具体包括：
16、若鱼类在不同帧间的速度分别为v1和v2，鱼类的加速度为其中，t1为前一帧鱼类运动时间、t2为后一帧鱼类运动时间、v1为前一帧鱼类速度、v2为后一帧鱼类速度。
17、优先地，所述通过连续帧图片中的鱼体中心坐标和时间差确定游动参数，具体包括：
18、通过鱼类检测跟踪方法确定目标鱼类在某一时刻的坐标(x,y)；
19、假定视频数据的高度为h，鱼类游行高度
20、优先地，将所述游动参数及对应的水质参数作为输入，通过随机森林模型进行分类、回归，分别完成鱼类游动参数和水质参数具体数值的预测以及指标异常级别的预测，获得双向映射关系，具体包括：
21、将所述游动参数与其对应水质参数的数据集打乱，以4:1比例进行抽取，将数据集划分为训练集与测试集；
22、随后对数据集进行转置处理，将转置后的训练集归一化至0～1之间，并且将输入输出值再进行转置以适应随机森林模型；
23、建立随机森林回归模型，首先设置超参数即决策树数目为100，每棵决策树最小叶子数为3，再利用treebagger函数建立模型；
24、将训练集的输入与测试集的输入都放至模型中得到训练集与测试集的预测值；
25、进行反归一化得到需要的预测值；
26、将r2(决定系数)、mae(平均绝对误差)和mbe(平均偏差)和mape(平均绝对百分比误差)作为评估指标来衡量模型的性能。
27、优先地，所述r2衡量了模型预测值与实际值之间的相关性，计算过程为其中，ssr表示模型的残差平方和，sst表示模型的总平方和。
28、优先地，所述mae是用于衡量模型预测值与实际观测值之间的平均绝对差异，计算过程为所述mbe用于表示模型的预测值与实际值之间的平均差异，计算过程为其中，ypred为模型的预测值、ytrue为实际值、n为样本数量。
29、优先地，所述mape的计算过程为其中，ypred为模型的预测值、ytrue为实际值、n为样本数量。
30、一种水产养殖中水质与鱼类行为双向映射模型的构建装置，所述装置包括：
31、标注模块，用于将采集到的视频数据，按照每一帧单独分离为图片并且对图片中的鱼体进行标注，获得若干张带有标签的图片；
32、检测模块，用于确定每一张带有标签的图片中鱼体锚框左上角和右下角的坐标，并且根据其确定鱼体的中心坐标；
33、游动参数确定模块，用于通过连续帧图片中的鱼体中心坐标和时间差确定游动参数；所述游动参数包括鱼类速度、鱼类加速度鱼类游行高度；
34、构建模块，用于将所述游动参数及对应的水质参数作为输入，通过随机森林模型进行分类、回归，分别完成鱼类游动参数和水质参数具体数值的预测以及指标异常级别的预测，获得双向映射关系。
35、采用本发明实施例，具有如下有益效果：
36、本发明首先通过引入可变形卷积模块对yolov7进行改进(dcn-yolov7)，利用改进模型检测视频中鱼类的位置，利用前后帧的坐标量化出鱼的游动参数。随后，将采集到的游动参数及对应的水质参数作为输入，使用随机森林模型进行分类、回归，分别完成鱼类游动参数和水质参数具体数值的预测以及指标异常级别的预测从而得到双向映射关系；
37、本发明可以帮助养殖者利用历史数据和模型训练结果预测未来的鱼类行为和水质情况。养殖者可以根据模型输出的预测结果，预先规划和调整养殖策略，以应对可能出现的风险。例如，当模型预测出水质可能恶化或鱼类行为异常时，养殖者可以提前采取措施，以避免潜在的养殖损失。
1.一种水质与鱼类行为双向映射模型的构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的水质与鱼类行为双向映射模型的构建方法，其特征在于，所述确定每一张带有标签的图片中鱼体锚框左上角和右下角的坐标，具体包括：
3.根据权利要求2所述的水质与鱼类行为双向映射模型的构建方法，其特征在于，所述通过连续帧图片中的鱼体中心坐标和时间差量化游动参数，具体包括：
4.根据权利要求3所述的水质与鱼类行为双向映射模型的构建方法，其特征在于，所述通过连续帧图片中的鱼体中心坐标和时间差确定游动参数，具体包括：
5.根据权利要求4所述的水质与鱼类行为双向映射模型的构建方法，其特征在于，所述通过连续帧图片中的鱼体中心坐标和时间差确定游动参数，具体包括：
6.根据权利要求5所述的水质与鱼类行为双向映射模型的构建方法，其特征在于，将所述游动参数及对应的水质参数作为输入，通过随机森林模型进行分类、回归，分别完成鱼类游动参数和水质参数具体数值的预测以及指标异常级别的预测，获得双向映射关系，具体包括：
7.根据权利要求5所述的水质与鱼类行为双向映射模型的构建方法，其特征在于，所述r2衡量了模型预测值与实际值之间的相关性，计算过程为其中，ssr表示模型的残差平方和，sst表示模型的总平方和。
8.根据权利要求5所述的水质与鱼类行为双向映射模型的构建方法，其特征在于，所述mae是用于衡量模型预测值与实际观测值之间的平均绝对差异，计算过程为所述mbe用于表示模型的预测值与实际值之间的平均差异，计算过程为其中，ypred为模型的预测值、ytrue为实际值、n为样本数量。
9.根据权利要求5所述的水质与鱼类行为双向映射模型的构建方法，其特征在于，所述mape的计算过程为其中，ypred为模型的预测值、ytrue为实际值、n为样本数量。
10.一种水产养殖中水质与鱼类行为双向映射模型的构建装置，其特征在于，所述装置包括：
