渔业项目创新点（temp）

创新点1 传感检测与智能环控协同

系统采用水温、pH、溶解氧三类传感器，对水质参数进行周期性采集，并基于阈值逻辑与趋势判断实现智能增氧、净化的自动化控制。为了提升测量稳定性，采用双传感器差分思路：对同类传感器成对布置并取平均值，以削弱单点噪声、环境波动及器件误差。

硬件架构采用双芯片体系：
Arduino Mega2560作为采集和执行主控，凭借其丰富的IO适合挂载众多外设；ESP8266作为独立的联网单元，成本低廉且稳定（相比ESP32的20块左右的价位，这个一个只要10块），将通信负载与控制负载隔离，避免单芯片逻辑混乱，同时降低整体成本。系统支持自研PCB板，用于外设连接、电源管理及减少飞线，提高工程可靠性。

---

创新点2 基于视觉的鱼群行为识别

系统在树莓派上运行Python视觉程序，通过水下摄像头实时识别鱼群行为，实现缺氧预警与摄食状态检测。

1. 缺氧检测模块：电子围栏法与密度比值分析

   通过观察上浮行为，判断鱼群是否处于缺氧风险，并与溶解氧传感器数值交叉验证，触发增氧设备。

   核心思路

   1. 使用广角水下摄像头，视野覆盖从水面到水底（不可以到水底也没关系）。视场方向平行于水面。

   2. 做一些常见的形态学处理，例如开闭运算，滤掉背景噪声。如果效果不好就移除这一步。

   3. 在图像中划分靠近水面的 ROI，如下图示例所示。
      

   4. 使用 CSRNet 进行密度估计，分别得到：

      • 上层密度：D_upper
      • 全局密度：D_total
      • 所谓密度，也可以是上层鱼的数量和视野范围内鱼的数量。两者相比，不影响结果。

   5. 定义上浮率：

      $$ratio = \frac{D_{upper}}{D_{total}}$$

   6. 判定逻辑：

      • 当 ratio > 阈值 时标记为疑似缺氧
      • 与溶氧传感器数值交叉验证
      • 若上浮率高且溶氧低，则触发增氧设备

   技术要点

   • CSRNet 输出连续密度值，不依赖单鱼边界框，因此适合鱼群密集、重叠严重的场景。
   • ROI 是固定视场设定，不依赖目标检测框，只需一次标定。
   • YOLO可以用来辅助进行异常检测。或者干脆就不用YOLO。

2. 摄食情况识别：目标检测重合度与密度估计的双策略

   摄食阶段往往伴随快速聚集、争食、短时密度提升。提供两种互为备份的策略。

   方案 1：基于 YOLO 的框重合度分析（位图法）

   适用于 YOLO 能稳定检测鱼体但存在局部重叠的场景。这个需要实际测试哦。

   1. 处理流程

   1. 在投料机周围布设摄像头，定义投喂区域 ROI。
   2. 使用 YOLO 统计 ROI 内的所有目标框。
   3. 为提高“重叠检测”效果，需要适当调高 NMS 阈值以保留重叠框。
   4. 使用位图法计算重合度：

   步骤如下：

   1. 将图像与所有框统一裁剪或缩放到 640×640。

   2. 计算所有检测框面积之和为 S。

   3. 创建一个 640×640 的矩阵 M。

   4. 每个框覆盖到 M 上，将对应区域置为 1。

   5. 计算重合度：

      $$overlap = \frac{S}{\text{count}(M == 1)}$$

   重合度越高，说明鱼体集中程度越强，可作为摄食活跃度指标。

   2. 方法局限

   • 当 YOLO 漏检（低光、水浑）或分辨率不足时，框数量下降，重合度会被错误拉低。
   • 当 YOLO 框无法重叠（鱼体太小或太密导致合并框）时，重合度会失真。

   当实测发现这个方案明显不行，就需要一个鲁棒性更高的备选方案。

   方案2：CSRNet 密度估计（推荐）

   1. 代替位图法进行密度估计，避免漏检影响。下面是一个例子，原论文的图片，我当然没有时间尝试复现。

      

   2. 使用 YOLO 做：

      • 标定 ROI
      • 剔除异常目标（如水草、泥沙、漂浮物、不规则伪影）
      • 识别摄像头故障（画面一片黑、偏移、模糊），此时报警提醒用户矫正摄像头位置
      • 如果实现困难，或者同时跑2个模型跑不动，那就干脆不用YOLO。

      CSRNet 提供： ROI鱼群密度。

   3. 实现思路：

      1. 在投料机周围布设摄像头，定义投喂区域 ROI。

      2. 投料时启动模型，得到密度。

      3. 收集多次的密度取均值，与均值进行比较。

      4. 低于均值，报警。

         这里的密度也可以表征为ROI内的鱼的数量。

3. 模型切换策略，实现起来困难就不做，就在上面两种方案二选一，选效果好的

   为保证鲁棒性，两种方法可自动切换：

   • 若 YOLO 在一段时间内检测框数量大幅下降，则切换至 CSRNet。
   • 若 YOLO 重合度长时间极低，也切换至 CSRNet。
   • 若环境稳定且 YOLO 框数量足够，则使用位图法。

   此机制使系统具有自适应能力。

   可参考：

   YOLO算法在水下检测，DeepSORT，水下检测与计数方法，基于YOLO-Crab与改进的DeepSORT的水下河蟹检测与计数方法，人群密度估计，深度学习，CSRNet，自己去查，尝试先用 PyTorch 复现吧！

   • CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes
   • leeyeehoo/CSRNet-pytorch: CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes

   优点：

   • 模型性能开销不高。
   • Pytorch 转换方便。等等。

---

创新点3 多端协同控制与可视化平台

系统实现小程序、云端与硬件的多端协同，保证用户交互、数据传输和设备管理的统一体验。

实现方法

1. 通信架构
   • Mega2560负责传感器采集与设备控制。
   • ESP8266负责联网与数据上报。
   • 使用巴法云的MQTT作为可靠的消息与指令中转站。
2. 小程序端设计
   • 用户界面采用轻量、优雅的交互方式。
   • 提供实时数据展示，包括水质参数、设备状态等。
   • 支持折线图浏览，用户可查看实时数据或某一天的历史数据。
   • 用户可手动按下按钮发送指令，连接设备或启动增氧机。
3. 云端与资源优化
   • 引入Cloudflare CDN，提高加载速度与访问安全性。
   • 使用独立域名并对小程序资源进行压缩，显著降低包体积。
4. 后续更新计划
   • 重合度、缺氧行为等智能识别结果的卡片式展示。
   • 激活码，需要输入特定激活码才可以使用。
   • 将视觉识别的关键帧密度图片上传并展示，增强解释性与可追溯性。