水产运输管理系统及其方法与流程

1.本技术涉及智能检测领域，且更为具体地，涉及一种水产运输管理系统及其方法。


背景技术：

2.水产运输管理是指对水产产品进行运输过程中的管理和监控。水产产品包括海鲜、淡水鱼类和其他水生动物，它们需要在运输的过程中保持新鲜和安全，以确保产品质量和市场竞争力。
3.为了确保水产品的鲜活度，需要在运输的过程中提供适应的运输和生存环境，主要表现为：合适的氧气含量、合适的水温等。现有的对于水温和氧气含量的设置方式通常是基于一般性的物种需求以及经验值进行设置，没有考虑到个体之间的差异，不同个体在耐受水温和氧气含量方面存在差异。
4.因此，需要一种优化的水产运输管理方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种水产运输管理系统及其方法，其采用基于深度学习的人工智能检测技术，通过对水温和溶解氧这两个保持水产品新鲜度的关键要素进行特征提取并融合从而来判断水产运输的条件是否适宜。这样，可以实时对运输条件进行检测，实现了个性化的水产运输管理，有助于提高水产运输的生存率，减少运输过程中的损失。
6.根据本技术的一个方面，提供了一种水产运输管理系统，其包括：运输条件数据获取模块，用于获取预定时间段内多个预定时间点的水温以及溶解氧含量值；运输条件数据结构化模块，用于将所述多个预定时间点的水温以及溶解氧含量值分别按照时间维度排列为水温时序输入向量以及溶解氧时序输入向量；关联编码模块，用于将所述水温时序输入向量和所述溶解氧时序输入向量进行关联以得到水温-溶解氧关联矩阵；关联特征提取模块，用于将所述水温-溶解氧关联矩阵通过作为过滤器的卷积神经网络模型以得到水温-溶解氧关联特征图；双向注意力分类模块，用于将所述水温-溶解氧关联特征图通过双向注意力机制模块以得到分类特征图；优化模块，用于对所述分类特征图进行特征分布优化以得到优化分类特征图；运输条件适宜度判断模块，用于将所述优化分类特征图通过分类器以获得分类结果，所述分类结果用于表示水产运输的条件是否适宜。
7.在上述水产运输管理系统中，所述关联编码模块，用于：以如下关联编码公式计算所述水温时序输入向量和所述溶解氧时序输入向量之间的所述水温-溶解氧关联矩阵；其中，所述关联编码公式为：其中表示所述水温时序输入向量，表示所
述水温时序输入向量的转置向量，表示所述溶解氧时序输入向量，表示所述水温-溶解氧关联矩阵，表示矩阵相乘。
8.在上述水产运输管理系统中，所述关联特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述水温-溶解氧关联特征图，所述卷积神经网络模型的第一层的输入为所述水温-溶解氧关联矩阵。
9.在上述水产运输管理系统中，所述双向注意力分类模块，包括：降维单元，用于对所述水温-溶解氧关联特征图进行沿通道维度的全局均值池化以得到全局池化特征矩阵；池化单元，用于将所述全局池化特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；双向关联矩阵生成单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；激活单元，用于将所述双向关联矩阵输入sigmoid激活函数以得到双向关联权重矩阵；分类特征图生成单元，用于计算所述双向关联权重矩阵和所述水温-溶解氧关联特征图的沿通道维度的各个特征矩阵之间的按位置点乘以得到所述分类特征图。
10.在上述水产运输管理系统中，所述优化模块，包括：全局均值池化单元，用于对所述分类特征图进行全局均值池化以得到全局语义特征向量；协方差矩阵生成单元，用于计算所述全局语义特征向量的协方差矩阵；特征值分解单元，用于对所述协方差矩阵进行特征值分解以得到多个特征值以及与所述多个特征值对应的多个特征值向量；类单应子空间构造单元，用于从所述多个特征值向量提取k个最大的特征值对应的k个特征值向量，所述k个特征值向量构成k维的类单应子空间；特征展平化单元，用于将所述分类特征图的沿通道维度的各个特征矩阵进行特征展平化以得到多个分类特征局部展开特征向量；映射单元，用于将所述多个分类特征局部展开特征向量分别映射到所述类单应子空间以得到多个映射后分类特征局部展开特征向量；激活单元，用于将所述多个映射后分类特征局部展开特征向量通过sigmoid激活函数进行激活以得到多个映射后概率化分类特征局部展开特征向量；维度重构单元，用于将所述多个映射后概率化分类特征局部展开特征向量进行维度重构以得到所述优化分类特征图。
11.在上述水产运输管理系统中，所述运输条件适宜度判断模块，用于：使用所述分类器以如下分类公式对所述分类特征图进行处理以生成所述分类结果；其中，所述分类公式为：其中为所述分类结果，表示将所述优化分类特征图投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置向量，为归一化指数函数。
12.根据本技术的另一方面，提供了一种水产运输管理方法，其包括：获取预定时间段内多个预定时间点的水温以及溶解氧含量值；将所述多个预定时间点的水温以及溶解氧含量值分别按照时间维度排列为水温时序输入向量以及溶解氧时序输入向量；
将所述水温时序输入向量和所述溶解氧时序输入向量进行关联以得到水温-溶解氧关联矩阵；将所述水温-溶解氧关联矩阵通过作为过滤器的卷积神经网络模型以得到水温-溶解氧关联特征图；将所述水温-溶解氧关联特征图通过双向注意力机制模块以得到分类特征图；对所述分类特征图进行特征分布优化以得到优化分类特征图；将所述优化分类特征图通过分类器以获得分类结果，所述分类结果用于表示水产运输的条件是否适宜。
13.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的水产运输管理方法。
14.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的水产运输管理方法。
15.与现有技术相比，本技术提供的水产运输管理系统及其方法，其采用基于深度学习的人工智能检测技术，通过对水温和溶解氧这两个保持水产品新鲜度的关键要素进行特征提取并融合从而来判断水产运输的条件是否适宜。这样，可以实时对运输条件进行检测，实现了个性化的水产运输管理，有助于提高水产运输的生存率，减少运输过程中的损失。
附图说明
16.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用于提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
17.图1为根据本技术实施例的水产运输管理系统的系统框图。
18.图2为根据本技术实施例的水产运输管理系统的架构图。
19.图3为根据本技术实施例的水产运输管理系统中双向注意力分类模块的框图。
20.图4为根据本技术实施例的水产运输管理系统中优化模块的框图。
21.图5为根据本技术实施例的水产运输管理方法的流程图。
22.图6为根据本技术实施例的电子设备的框图。
具体实施方式
23.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
24.申请概述：如上述背景技术所言，水产运输管理是对水生产品在运输阶段的维护和监督，水生产品主要包括海洋生物、淡水鱼类以及其他水栖生物。它们在运输期间需要保持其新鲜度和安全性，以维护产品的质量和市场竞争力。为了维护水产产品的生命力，运输过程中需要提供适宜的生存和运输环境，主要包括适当的氧气浓度和水温等。现行的水温
和氧气浓度设定通常基于通用的物种需求和经验值，而没有考虑到不同个体间的差异性，即不同个体对水温和氧气含量的耐受度存在差异。因此，期待一种优化的水产运输管理。
25.近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为水产运输管理提供了新的解决思路和方案。
26.具体地，在本技术的技术方案中，首先，获取预定时间段内多个预定时间点的水温以及溶解氧含量值。应可以理解，水温和溶解氧是运输过程中两个重要的环境因素，它对于水产运输过程中的鲜活度有着重要的影响。通过获取多个预定时间点的水温和溶解氧含量值，可以获得运输过程中水体环境的时序变化信息，这些数据可以反映水温和溶解氧在不同时间点上的变化趋势，例如日夜变化等。获取多个时间点的数据，可以更全面地了解水体环境的变化趋势，而不仅仅是单一时间点的静态数据，这有助于更准确地评估水产运输过程中的环境条件以及个体对水温和溶解氧含量的适应能力。
27.接着，将所述多个预定时间点的水温以及溶解氧含量值分别按照时间维度排列为水温时序输入向量以及溶解氧时序输入向量。应可以理解，水温和溶解氧含量是随时间变化的，它们的时序关系对于评估水产运输条件的适宜性非常重要。通过将这些数据按照时间维度排列，可以将它们组织成时序数据，它保留了水温和溶解氧的时序关系，为后续的关联分析提供准确的时间序列信息。
28.然后，将所述水温时序输入向量和所述溶解氧时序输入向量进行关联以得到水温-溶解氧关联矩阵。水温和溶解氧是水体环境中两个重要的指标，它们之间存在一定的关联关系。通过关联矩阵，可以将水温和溶解氧的关联关系以矩阵的形式表现出来，矩阵中的每个元素表示相应时间点的水温和溶解氧之间的关联程度，可以反映它们的变化趋势和相关性。
29.紧接着，将所述水温-溶解氧关联矩阵通过作为过滤器的卷积神经网络模型以得到水温-溶解氧关联特征图。本领域普通技术人员应该知晓，卷积神经网络在特征提取方面表现优异。通过将水温-溶解氧关联矩阵输入到卷积神经网络中可以提取出各种有用的特征，这些特征反映了水温和溶解氧之间的关联关系以及关联关系对水产运输条件适宜性的影响。通过这种方式，将原始的关联矩阵转化为一种更具有信息量的特征表示，为后续的步骤提供更好的输入。
30.进而，将所述水温-溶解氧关联特征图通过双向注意力机制模块以得到分类特征图。也就是，将所述水温-溶解氧关联特征图通过双向注意力机制模块可以更好地捕捉和利用特征间的依赖关系，从而提取出更具有代表性和区分性的特征。双向注意力机制是注意力机制的一种扩展，它不仅考虑了从前向后的信息流动，也考虑了从后向前的信息流动，这样可以更全面地捕捉和利用特征间的依赖关系。水温-溶解氧关联特征图包含了大量的关联特征，这些特征之间存在着复杂的依赖关系，通过双向注意力机制模块，可以有效地捕捉和利用这些依赖关系。最后，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示水产运输的条件是否适宜。基于这个分类结果，可以直接了解水产运输的条件是否适宜，这可以帮助指导后续的水产运输管理决策，例如调整运输条件等。
31.特别地，考虑到分类特征图中的不同特征可能存在重叠或相似的分布，导致特征
之间的区分度较低。通过特征分布优化，可以调整特征的分布，使得不同特征之间的差异更加明显，从而提高特征的区分度。这有助于在分类任务中更好地区分不同类别的样本。同时，考虑到分类特征图中的某些特征可能包含冗余信息，即它们在描述样本时提供了相似的信息。通过特征分布优化，可以减少特征之间的冗余性，从而提高特征的紧凑性和有效性。这有助于减少模型复杂度，提高计算效率，并减少过拟合的风险。并且，分类特征图中的特征分布可能无法充分表达样本的特征信息。通过特征分布优化，可以调整特征的分布形式，使其更能反映样本的关键特征。这有助于提高特征的表达能力，使得模型能够更好地理解和区分不同类别的样本。
32.具体地，对分类特征图进行特征分布优化以得到优化分类特征图，包括：对所述分类特征图进行全局均值池化以得到全局语义特征向量；计算所述全局语义特征向量的协方差矩阵；对所述协方差矩阵进行特征值分解以得到多个特征值以及与所述多个特征值对应的多个特征值向量；从所述多个特征值向量提取k个最大的特征值对应的k个特征值向量，所述k个特征值向量构成k维的类单应子空间；将所述分类特征图的沿通道维度的各个特征矩阵进行特征展平化以得到多个分类特征局部展开特征向量；将所述多个分类特征局部展开特征向量分别映射到所述类单应子空间以得到多个映射后分类特征局部展开特征向量；将所述多个映射后分类特征局部展开特征向量通过sigmoid激活函数进行激活以得到多个映射后概率化分类特征局部展开特征向量；将所述多个映射后概率化分类特征局部展开特征向量进行维度重构以得到优化分类特征图。
33.特别地，在本技术的技术方案中，首先计算所述分类特征图的全局语义特征分布，进而基于所述全局语义特征分布来构建所述分类特征图的类单应映射子空间。接着，将所述分类特征图的沿通道维度的各个局部特征映射到所述类单应映射子空间以进行特征维度稀疏化，也就是，以所述类单应映射子空间作为枢轴映射子空间来对所述分类特征图的沿通道维度的各个局部特征进行聚类式特征分布调制。这样，因在所述类单应映射子空间中，特征点的分布更加均匀和紧凑，所以可以减少异常点的干扰，增强所述分类特征图的特征鲁棒性。
34.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
35.示例性系统：图1为根据本技术实施例的水产运输管理系统的系统框图。如图1所示，在水产运输管理系统100中，包括：运输条件数据获取模块110，用于获取预定时间段内多个预定时间点的水温以及溶解氧含量值；运输条件数据结构化模块120，用于将所述多个预定时间点的水温以及溶解氧含量值分别按照时间维度排列为水温时序输入向量以及溶解氧时序输入向量；关联编码模块130，用于将所述水温时序输入向量和所述溶解氧时序输入向量进行关联以得到水温-溶解氧关联矩阵；关联特征提取模块140，用于将所述水温-溶解氧关联矩阵通过作为过滤器的卷积神经网络模型以得到水温-溶解氧关联特征图；双向注意力分类模块150，用于将所述水温-溶解氧关联特征图通过双向注意力机制模块以得到分类特征图；优化模块160，用于对所述分类特征图进行特征分布优化以得到优化分类特征图；运输条件适宜度判断模块170，用于将所述优化分类特征图通过分类器以获得分类结果，所述分类结果用于表示水产运输的条件是否适宜。
36.图2为根据本技术实施例的水产运输管理系统的架构图。如图2所示，在该架构中，
首先，获取预定时间段内多个预定时间点的水温以及溶解氧含量值。接着，将所述多个预定时间点的水温以及溶解氧含量值分别按照时间维度排列为水温时序输入向量以及溶解氧时序输入向量。然后，将所述水温时序输入向量和所述溶解氧时序输入向量进行关联以得到水温-溶解氧关联矩阵。紧接着，将所述水温-溶解氧关联矩阵通过作为过滤器的卷积神经网络模型以得到水温-溶解氧关联特征图。进而，将所述水温-溶解氧关联特征图通过双向注意力机制模块以得到分类特征图。接着，对所述分类特征图进行特征分布优化以得到优化分类特征图。最后，将所述优化分类特征图通过分类器以获得分类结果，所述分类结果用于表示水产运输的条件是否适宜。
37.在水产运输管理系统100中，所述运输条件数据获取模块110，用于获取预定时间段内多个预定时间点的水温以及溶解氧含量值。应可以理解，水温和溶解氧是运输过程中两个重要的环境因素，它对于水产运输过程中的鲜活度有着重要的影响。通过获取多个预定时间点的水温和溶解氧含量值，可以获得运输过程中水体环境的时序变化信息，这些数据可以反映水温和溶解氧在不同时间点上的变化趋势，例如日夜变化等。获取多个时间点的数据，可以更全面地了解水体环境的变化趋势，而不仅仅是单一时间点的静态数据，这有助于更准确地评估水产运输过程中的环境条件以及个体对水温和溶解氧含量的适应能力。这里所述预定时间段内多个预定时间点的水温可以由温度传感器收集数据获得，所述预定时间段内多个预定时间点的溶解氧含量值可以通过溶解氧传感器收集数据获得。
38.在水产运输管理系统100中，所述运输条件数据结构化模块120，用于将所述多个预定时间点的水温以及溶解氧含量值分别按照时间维度排列为水温时序输入向量以及溶解氧时序输入向量。应可以理解，水温和溶解氧含量是随时间变化的，它们的时序关系对于评估水产运输条件的适宜性非常重要。通过将这些数据按照时间维度排列，可以将它们组织成时序数据，它保留了水温和溶解氧的时序关系，为后续的关联分析提供准确的时间序列信息。
39.在水产运输管理系统100中，所述关联编码模块130，用于将所述水温时序输入向量和所述溶解氧时序输入向量进行关联以得到水温-溶解氧关联矩阵。应可以理解，水温和溶解氧是水体环境中两个重要的指标，它们之间存在一定的关联关系。通过关联矩阵，可以将水温和溶解氧的关联关系以矩阵的形式表现出来，矩阵中的每个元素表示相应时间点的水温和溶解氧之间的关联程度，可以反映它们的变化趋势和相关性。
40.具体地，在水产运输管理系统100中，所述关联编码模块130，用于：以如下关联编码公式计算所述水温时序输入向量和所述溶解氧时序输入向量之间的所述水温-溶解氧关联矩阵；其中，所述关联编码公式为：其中表示所述水温时序输入向量，表示所述水温时序输入向量的转置向量，表示所述溶解氧时序输入向量，表示所述水温-溶解氧关联矩阵，表示矩阵相乘。
41.在水产运输管理系统100中，所述关联特征提取模块140，用于将所述水温-溶解氧关联矩阵通过作为过滤器的卷积神经网络模型以得到水温-溶解氧关联特征图。本领域普通技术人员应该知晓，卷积神经网络在特征提取方面表现优异。卷积神经网络通过使用卷积层来提取输入数据的局部特征；通过使用激活函数来引入非线性变换，使网络能够学习更复杂的特征表示；通过使用池化层来减少空间特征的维度，并保留重要的特征。通过将水
温-溶解氧关联矩阵输入到卷积神经网络中可以提取出各种有用的特征，这些特征反映了水温和溶解氧之间的关联关系以及关联关系对水产运输条件适宜性的影响。通过这种方式，将原始的关联矩阵转化为一种更具有信息量的特征表示，为后续的步骤提供更好的输入。
42.具体地，在水产运输管理系统100中，所述关联特征提取模块140，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述水温-溶解氧关联特征图，所述卷积神经网络模型的第一层的输入为所述水温-溶解氧关联矩阵。
43.在水产运输管理系统100中，所述双向注意力分类模块150，用于将所述水温-溶解氧关联特征图通过双向注意力机制模块以得到分类特征图。也就是，将所述水温-溶解氧关联特征图通过双向注意力机制模块可以更好地捕捉和利用特征间的依赖关系，从而提取出更具有代表性和区分性的特征。注意力机制是深度学习中的一种重要技术，它能够在处理数据时，对输入数据的不同部分赋予不同的关注度，这样可以有效地捕捉数据中的长距离依赖关系，有助于提取出更具有代表性的特征。双向注意力机制是注意力机制的一种扩展，它不仅考虑了从前向后的信息流动，也考虑了从后向前的信息流动，这样可以更全面地捕捉和利用特征间的依赖关系。水温-溶解氧关联特征图包含了大量的关联特征，这些特征之间存在着复杂的依赖关系，通过双向注意力机制模块，可以有效地捕捉和利用这些依赖关系。
44.图3为根据本技术实施例的水产运输管理系统中双向注意力分类模块的框图。如图3所示，所述双向注意力分类模块150，包括：降维单元151，用于对所述水温-溶解氧关联特征图进行沿通道维度的全局均值池化以得到全局池化特征矩阵；池化单元152，用于将所述全局池化特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；双向关联矩阵生成单元153，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；激活单元154，用于将所述双向关联矩阵输入sigmoid激活函数以得到双向关联权重矩阵；分类特征图生成单元155，用于计算所述双向关联权重矩阵和所述水温-溶解氧关联特征图的沿通道维度的各个特征矩阵之间的按位置点乘以得到所述分类特征图。
45.特别地，考虑到分类特征图中的不同特征可能存在重叠或相似的分布，导致特征之间的区分度较低。通过特征分布优化，可以调整特征的分布，使得不同特征之间的差异更加明显，从而提高特征的区分度。这有助于在分类任务中更好地区分不同类别的样本。同时，考虑到分类特征图中的某些特征可能包含冗余信息，即它们在描述样本时提供了相似的信息。通过特征分布优化，可以减少特征之间的冗余性，从而提高特征的紧凑性和有效性。这有助于减少模型复杂度，提高计算效率，并减少过拟合的风险。并且，分类特征图中的特征分布可能无法充分表达样本的特征信息。通过特征分布优化，可以调整特征的分布形式，使其更能反映样本的关键特征。这有助于提高特征的表达能力，使得模型能够更好地理解和区分不同类别的样本。
46.因此，在水产运输管理系统100中，所述优化模块160，用于对所述分类特征图进行
特征分布优化以得到优化分类特征图。
47.图4为根据本技术实施例的水产运输管理系统中优化模块的框图。如图4所示，所述优化模块160，包括：全局均值池化单元161，用于对所述分类特征图进行全局均值池化以得到全局语义特征向量；协方差矩阵生成单元162，用于计算所述全局语义特征向量的协方差矩阵；特征值分解单元163，用于对所述协方差矩阵进行特征值分解以得到多个特征值以及与所述多个特征值对应的多个特征值向量；类单应子空间构造单元164，用于从所述多个特征值向量提取k个最大的特征值对应的k个特征值向量，所述k个特征值向量构成k维的类单应子空间；特征展平化单元165，用于将所述分类特征图的沿通道维度的各个特征矩阵进行特征展平化以得到多个分类特征局部展开特征向量；映射单元166，用于将所述多个分类特征局部展开特征向量分别映射到所述类单应子空间以得到多个映射后分类特征局部展开特征向量；激活单元167，用于将所述多个映射后分类特征局部展开特征向量通过sigmoid激活函数进行激活以得到多个映射后概率化分类特征局部展开特征向量；维度重构单元168，用于将所述多个映射后概率化分类特征局部展开特征向量进行维度重构以得到所述优化分类特征图。
48.应可以理解，在本技术的技术方案中，首先计算所述分类特征图的全局语义特征分布，进而基于所述全局语义特征分布来构建所述分类特征图的类单应映射子空间。接着，将所述分类特征图的沿通道维度的各个局部特征映射到所述类单应映射子空间以进行特征维度稀疏化，也就是，以所述类单应映射子空间作为枢轴映射子空间来对所述分类特征图的沿通道维度的各个局部特征进行聚类式特征分布调制。这样，因在所述类单应映射子空间中，特征点的分布更加均匀和紧凑，所以可以减少异常点的干扰，增强所述分类特征图的特征鲁棒性。
49.在水产运输管理系统100中，所述运输条件适宜度判断模块170，用于将所述优化分类特征图通过分类器以获得分类结果，所述分类结果用于表示水产运输的条件是否适宜。基于这个分类结果，可以直接了解水产运输的条件是否适宜。
50.具体地，在水产运输管理系统100中，所述运输条件适宜度判断模块170，包括：使用所述分类器以如下分类公式对所述分类特征图进行处理以生成所述分类结果；其中，所述分类公式为：其中为所述分类结果，表示将所述优化分类特征图投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置向量，为归一化指数函数。
51.综上所述，基于本技术实施例的水产运输管理系统100被阐明，其采用基于深度学习的人工智能检测技术，通过对水温和溶解氧这两个保持水产品新鲜度的关键要素进行特征提取并融合从而来判断水产运输的条件是否适宜。这样，可以实时对运输条件进行检测，实现了个性化的水产运输管理，有助于提高水产运输的生存率，减少运输过程中的损失。
52.如上所述，根据本技术实施例的水产运输管理系统100可以实现在各种终端设备中，例如用于水产运输管理的服务器等。在一个示例中，根据本技术实施例的水产运输管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该水产运输管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该水产运输管理系统100同样可以是该终端设备的众多硬
件模块之一。
53.替换地，在另一示例中，该水产运输管理系统100与该终端设备也可以是分立的设备，并且该水产运输管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
54.示例性方法：图5为根据本技术实施例的水产运输管理方法的流程图。如图5所示，在水产运输管理方法中，包括：s110，获取预定时间段内多个预定时间点的水温以及溶解氧含量值；s120，将所述多个预定时间点的水温以及溶解氧含量值分别按照时间维度排列为水温时序输入向量以及溶解氧时序输入向量；s130，将所述水温时序输入向量和所述溶解氧时序输入向量进行关联以得到水温-溶解氧关联矩阵；s140，将所述水温-溶解氧关联矩阵通过作为过滤器的卷积神经网络模型以得到水温-溶解氧关联特征图；s150，将所述水温-溶解氧关联特征图通过双向注意力机制模块以得到分类特征图；s160,对所述分类特征图进行特征分布优化以得到优化分类特征图；s170，将所述优化分类特征图通过分类器以获得分类结果，所述分类结果用于表示水产运输的条件是否适宜。
55.在一个示例中，在上述水产运输管理方法中，所述将所述水温时序输入向量和所述溶解氧时序输入向量进行关联以得到水温-溶解氧关联矩阵，包括：以如下关联编码公式计算所述水温时序输入向量和所述溶解氧时序输入向量之间的所述水温-溶解氧关联矩阵；其中，所述关联编码公式为：其中表示所述水温时序输入向量，表示所述水温时序输入向量的转置向量，表示所述溶解氧时序输入向量，表示所述水温-溶解氧关联矩阵，表示矩阵相乘。
56.在一个示例中，在上述水产运输管理方法中，所述将所述水温-溶解氧关联矩阵通过作为过滤器的卷积神经网络模型以得到水温-溶解氧关联特征图，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述水温-溶解氧关联特征图，所述卷积神经网络模型的第一层的输入为所述水温-溶解氧关联矩阵。
57.在一个示例中，在上述水产运输管理方法中，所述将所述水温-溶解氧关联特征图通过双向注意力机制模块以得到分类特征图，包括：对所述水温-溶解氧关联特征图进行沿通道维度的全局均值池化以得到全局池化特征矩阵；将所述全局池化特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入sigmoid激活函数以得到双向关联权重矩阵；计算所述双向关联权重矩阵和所述水温-溶解氧关联特征图的沿通道维度的各个特征矩阵之间的按位置点乘以得到所述分类特征图。
58.在一个示例中，在上述水产运输管理方法中，所述对所述分类特征图进行特征分布优化以得到优化分类特征图，包括：对所述分类特征图进行全局均值池化以得到全局语义特征向量；计算所述全局语义特征向量的协方差矩阵；对所述协方差矩阵进行特征值分解以得到多个特征值以及与所述多个特征值对应的多个特征值向量；从所述多个特征值向量提取k个最大的特征值对应的k个特征值向量，所述k个特征值向量构成k维的类单应子空
间；将所述分类特征图的沿通道维度的各个特征矩阵进行特征展平化以得到多个分类特征局部展开特征向量；将所述多个分类特征局部展开特征向量分别映射到所述类单应子空间以得到多个映射后分类特征局部展开特征向量；将所述多个映射后分类特征局部展开特征向量通过sigmoid激活函数进行激活以得到多个映射后概率化分类特征局部展开特征向量；将所述多个映射后概率化分类特征局部展开特征向量进行维度重构以得到所述优化分类特征图。
59.在一个示例中，在上述水产运输管理方法中，所述将所述优化分类特征图通过分类器以获得分类结果，所述分类结果用于表示水产运输的条件是否适宜，包括：使用所述分类器以如下分类公式对所述分类特征图进行处理以生成所述分类结果；其中，所述分类公式为：其中为所述分类结果，表示将所述优化分类特征图投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置向量，为归一化指数函数。
60.综上所述，基于本技术实施例的水产运输管理方法被阐明，其采用基于深度学习的人工智能检测技术，通过对水温和溶解氧这两个保持水产品新鲜度的关键要素进行特征提取并融合从而来判断水产运输的条件是否适宜。这样，可以实时对运输条件进行检测，实现了个性化的水产运输管理，有助于提高水产运输的生存率，减少运输过程中的损失。
61.示例性电子设备：下面，参考图6来描述根据本技术实施例的电子设备。
62.图6为根据本技术实施例的电子设备的框图。
63.如图6所示，电子设备10包括一个或多个处理器11和存储器12。
64.处理器11可以是中央处理单元（cpu）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
65.存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（ram）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（rom）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的水产运输管理方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如预定时间段内多个预定时间点的水温以及溶解氧含量值等各种内容。
66.在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
67.该输入装置13可以包括例如键盘、鼠标等等。
68.该输出装置14可以向外部输出各种信息，包括判断水产运输的条件是否适宜的结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
69.当然，为了简化，图6中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
70.示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的水产运输管理方法中的步骤。
71.所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
72.此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的水产运输管理方法中的步骤。
73.所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
74.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
75.本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
76.还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
77.提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
78.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种水产运输管理系统，其特征在于，包括：运输条件数据获取模块，用于获取预定时间段内多个预定时间点的水温以及溶解氧含量值；运输条件数据结构化模块，用于将所述多个预定时间点的水温以及溶解氧含量值分别按照时间维度排列为水温时序输入向量以及溶解氧时序输入向量；关联编码模块，用于将所述水温时序输入向量和所述溶解氧时序输入向量进行关联以得到水温-溶解氧关联矩阵；关联特征提取模块，用于将所述水温-溶解氧关联矩阵通过作为过滤器的卷积神经网络模型以得到水温-溶解氧关联特征图；双向注意力分类模块，用于将所述水温-溶解氧关联特征图通过双向注意力机制模块以得到分类特征图；优化模块，用于对所述分类特征图进行特征分布优化以得到优化分类特征图；运输条件适宜度判断模块，用于将所述优化分类特征图通过分类器以获得分类结果，所述分类结果用于表示水产运输的条件是否适宜。2.根据权利要求1所述的水产运输管理系统，其特征在于，所述关联编码模块，用于：以如下关联编码公式计算所述水温时序输入向量和所述溶解氧时序输入向量之间的所述水温-溶解氧关联矩阵；其中，所述关联编码公式为：其中表示所述水温时序输入向量，表示所述水温时序输入向量的转置向量，表示所述溶解氧时序输入向量，表示所述水温-溶解氧关联矩阵，表示矩阵相乘。3.根据权利要求2所述的水产运输管理系统，其特征在于，所述关联特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述水温-溶解氧关联特征图，所述卷积神经网络模型的第一层的输入为所述水温-溶解氧关联矩阵。4.根据权利要求3所述的水产运输管理系统，其特征在于，所述双向注意力分类模块，包括：降维单元，用于对所述水温-溶解氧关联特征图进行沿通道维度的全局均值池化以得到全局池化特征矩阵；池化单元，用于将所述全局池化特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；双向关联矩阵生成单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；激活单元，用于将所述双向关联矩阵输入sigmoid激活函数以得到双向关联权重矩阵；
分类特征图生成单元，用于计算所述双向关联权重矩阵和所述水温-溶解氧关联特征图的沿通道维度的各个特征矩阵之间的按位置点乘以得到所述分类特征图。5.根据权利要求4所述的水产运输管理系统，其特征在于，所述优化模块，包括：全局均值池化单元，用于对所述分类特征图进行全局均值池化以得到全局语义特征向量；协方差矩阵生成单元，用于计算所述全局语义特征向量的协方差矩阵；特征值分解单元，用于对所述协方差矩阵进行特征值分解以得到多个特征值以及与所述多个特征值对应的多个特征值向量；类单应子空间构造单元，用于从所述多个特征值向量提取k个最大的特征值对应的k个特征值向量，所述k个特征值向量构成k维的类单应子空间；特征展平化单元，用于将所述分类特征图的沿通道维度的各个特征矩阵进行特征展平化以得到多个分类特征局部展开特征向量；映射单元，用于将所述多个分类特征局部展开特征向量分别映射到所述类单应子空间以得到多个映射后分类特征局部展开特征向量；激活单元，用于将所述多个映射后分类特征局部展开特征向量通过sigmoid激活函数进行激活以得到多个映射后概率化分类特征局部展开特征向量；维度重构单元，用于将所述多个映射后概率化分类特征局部展开特征向量进行维度重构以得到所述优化分类特征图。6.根据权利要求5所述的水产运输管理系统，其特征在于，所述运输条件适宜度判断模块，用于：使用所述分类器以如下分类公式对所述分类特征图进行处理以生成所述分类结果；其中，所述分类公式为：其中为所述分类结果，表示将所述优化分类特征图投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置向量，为归一化指数函数。7.一种水产运输管理方法，其特征在于，包括：获取预定时间段内多个预定时间点的水温以及溶解氧含量值；将所述多个预定时间点的水温以及溶解氧含量值分别按照时间维度排列为水温时序输入向量以及溶解氧时序输入向量；将所述水温时序输入向量和所述溶解氧时序输入向量进行关联以得到水温-溶解氧关联矩阵；将所述水温-溶解氧关联矩阵通过作为过滤器的卷积神经网络模型以得到水温-溶解氧关联特征图；将所述水温-溶解氧关联特征图通过双向注意力机制模块以得到分类特征图；对所述分类特征图进行特征分布优化以得到优化分类特征图；将所述优化分类特征图通过分类器以获得分类结果，所述分类结果用于表示水产运输的条件是否适宜。8.根据权利要求7所述的水产运输管理方法，其特征在于，将所述水温时序输入向量和所述溶解氧时序输入向量进行关联以得到水温-溶解氧关联矩阵，包括：以如下关联编码公
式计算所述水温时序输入向量和所述溶解氧时序输入向量之间的所述水温-溶解氧关联矩阵；其中，所述关联编码公式为：其中表示所述水温时序输入向量，表示所述水温时序输入向量的转置向量，表示所述溶解氧时序输入向量，表示所述水温-溶解氧关联矩阵，表示矩阵相乘。9.根据权利要求8所述的水产运输管理方法，其特征在于，将所述水温-溶解氧关联矩阵通过作为过滤器的卷积神经网络模型以得到水温-溶解氧关联特征图，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述水温-溶解氧关联特征图，所述卷积神经网络模型的第一层的输入为所述水温-溶解氧关联矩阵。10.根据权利要求9所述的水产运输管理方法，其特征在于，对所述分类特征图进行特征分布优化以得到优化分类特征图，包括：对所述分类特征图进行全局均值池化以得到全局语义特征向量；计算所述全局语义特征向量的协方差矩阵；对所述协方差矩阵进行特征值分解以得到多个特征值以及与所述多个特征值对应的多个特征值向量；从所述多个特征值向量提取k个最大的特征值对应的k个特征值向量，所述k个特征值向量构成k维的类单应子空间；将所述分类特征图的沿通道维度的各个特征矩阵进行特征展平化以得到多个分类特征局部展开特征向量；将所述多个分类特征局部展开特征向量分别映射到所述类单应子空间以得到多个映射后分类特征局部展开特征向量；将所述多个映射后分类特征局部展开特征向量通过sigmoid激活函数进行激活以得到多个映射后概率化分类特征局部展开特征向量；将所述多个映射后概率化分类特征局部展开特征向量进行维度重构以得到所述优化分类特征图。

技术总结
本申请涉及智能检测领域，其具体地公开了一种水产运输管理系统及其方法，其采用基于深度学习的人工智能检测技术，通过对水温和溶解氧这两个保持水产品新鲜度的关键要素进行特征提取并融合从而来判断水产运输的条件是否适宜。这样，可以实时对运输条件进行检测，实现了个性化的水产运输管理，有助于提高水产运输的生存率，减少运输过程中的损失。减少运输过程中的损失。减少运输过程中的损失。


技术研发人员：朱卫忠 李玲
受保护的技术使用者：宁波蓝豚水产有限公司
技术研发日：2023.08.08
技术公布日：2023/10/20