本發(fā)明涉及魚類養(yǎng)殖，特別是涉及一種魚的疾病檢測方法、裝置、設備和存儲介質。

背景技術：

1、隨著人們生活水平的日益提高，觀賞魚養(yǎng)殖逐漸作為一種流行的休閑活動，近年來受到越來越多人的青睞，然而，觀賞魚疾病的防控一直是制約其健康發(fā)展的重要因素，傳統(tǒng)的觀賞魚疾病檢測主要依賴于人工觀察，這種方式不僅效率低下，而且容易遺漏疾病的早期癥狀，導致治療延誤。

技術實現(xiàn)思路

1、鑒于上述問題，提出了本發(fā)明實施例以便提供一種克服上述問題或者至少部分地解決上述問題的一種魚的疾病檢測方法、裝置、設備和存儲介質。

2、為了解決上述問題，本發(fā)明實施例公開了一種魚的疾病檢測方法，所述方法包括：

3、獲取所述魚的視頻數據；

4、根據所述視頻數據，確定所述魚的動態(tài)特征數據，所述動態(tài)特征數據包括運動軌跡、速度和加速度；

5、將所述動態(tài)特征數據輸入預先訓練好的行為分類器得到所述魚的行為類型，根據所述魚的行為類型確定所述魚是否攜帶疾病，若所述魚攜帶疾病，則確定與所述行為類型對應的疾病類型并輸出。

6、可選地，所述行為分類器通過如下方式進行訓練：

7、采集所述魚的多組狀態(tài)特征數據和所述多組動態(tài)特征數據對應的行為類型；

8、將所述多組狀態(tài)特征數據作為第一輸入數據，將所述多組動態(tài)特征數據對應的行為類型作為第一輸出數據；

9、根據所述第一輸入數據和所述第一輸出數據對所述行為分類器進行訓練，得到預先訓練好的行為分類器。

10、可選地，所述根據所述魚的行為類型，確定所述魚是否攜帶疾病，包括：

11、將所述魚的行為類型輸入預先訓練好的疾病識別模型中，得到輸出結果，所述輸出結果包括所述魚攜帶疾病的概率；

12、若所述魚攜帶疾病的概率大于預設概率，則確定所述魚攜帶疾病。

13、可選地，所述疾病識別模型通過如下方式進行訓練：

14、采集所述魚的多組行為類型數據和所述多組行為類型數據對應的魚攜帶疾病的概率；

15、將所述多組行為類型數據作為第二輸入數據，將所述多組行為類型數據對應的魚攜帶疾病的概率作為第二輸出數據；

16、根據所述第二輸入數據和所述第二輸出數據對所述疾病識別模型進行訓練，得到預先訓練好的疾病識別模型。

17、可選地，所述輸出結果還包括疾病類型；所述方法還包括：

18、獲取所述魚的體重；

19、根據所述疾病類型，確定需要投放的藥物的種類；

20、根據所述疾病程度、所述魚的體重，確定所述需要投放的藥物的投放劑量；

21、按照所述藥物的種類和所述投放劑量對所述魚投放藥物。

22、可選地，所述根據所述視頻數據，確定所述魚的動態(tài)特征數據，包括：

23、從所述視頻數據中提取多個視頻幀；

24、對所述多個視頻幀數據進行預處理，得到預處理后的多個視頻幀數據；

25、根據所述處理后的多個視頻幀數據，確定所述魚的動態(tài)特征數據。

26、可選地，所述根據所述處理后的多個視頻幀數據，確定所述魚的動態(tài)特征數據，包括：

27、從所述多個視頻幀數據中提取得到多個特征圖；

28、根據所述多個特征圖，確定所述魚的動態(tài)特征數據。

29、可選地，所述根據所述多個特征圖，確定所述魚的動態(tài)特征數據，包括：

30、將所述多個特征圖輸入預先訓練好的姿態(tài)識別模型中，得到所述魚的身體姿態(tài)數據，所述身體姿態(tài)數據包括所述魚身體部位的關鍵點坐標；

31、根據所述魚的身體姿態(tài)數據，確定所述魚的狀態(tài)特征數據。

32、可選地，所述預先訓練好的姿態(tài)識別模型通過如下方式進行訓練：

33、采集所述魚的多組特征圖和所述多組特征圖對應的身體部位的關鍵點坐標；

34、將所述魚的多組特征圖作為所述姿態(tài)識別模型的第三輸入數據，將所述多組特征圖對應的身體部位的關鍵點坐標作為所述姿態(tài)識別模型的第三輸出數據；

35、根據所述第三輸入數據和所述第三輸出數據對所述姿態(tài)識別模型進行訓練得到預先訓練好的所述姿態(tài)識別模型。

36、可選地，所述身體姿態(tài)數據還包括各個特征圖的時間戳；所述根據所述魚的身體姿態(tài)數據，確定所述魚的狀態(tài)特征數據，包括：

37、根據所述多個特征圖對應的關鍵點坐標，確定所述魚的運動軌跡；

38、根據所述多個特征圖對應的關鍵點坐標和時間戳，計算所述魚的加速度和速度。

39、本發(fā)明還公開了一種魚的疾病檢測裝置，所述裝置包括：

40、第一獲取模塊，用于獲取所述魚的視頻數據；

41、第一確定模塊，用于根據所述視頻數據，確定所述魚的動態(tài)特征數據，所述動態(tài)特征數據包括運動軌跡、速度和加速度；

42、輸出模塊，用于將所述動態(tài)特征數據輸入預先訓練好的行為分類器得到所述魚的行為類型，根據所述魚的行為類型確定所述魚是否攜帶疾病，若所述魚攜帶疾病，則確定與所述行為類型對應的疾病類型并輸出。

43、可選地，所述行為分類器通過如下方式進行訓練：

44、采集所述魚的多組狀態(tài)特征數據和所述多組動態(tài)特征數據對應的行為類型；

45、將所述多組狀態(tài)特征數據作為第一輸入數據，將所述多組動態(tài)特征數據對應的行為類型作為第一輸出數據；

46、根據所述第一輸入數據和所述第一輸出數據對所述行為分類器進行訓練，得到預先訓練好的行為分類器。

47、可選地，所述輸出模塊，包括：

48、第一輸入子模塊，用于將所述魚的行為類型輸入預先訓練好的疾病識別模型中，得到輸出結果，所述輸出結果包括所述魚攜帶疾病的概率；

49、第一確定子模塊，用于若所述魚攜帶疾病的概率大于預設概率，則確定所述魚攜帶疾病。

50、可選地，所述疾病識別模型通過如下方式進行訓練：

51、采集所述魚的多組行為類型數據和所述多組行為類型數據對應的魚攜帶疾病的概率；

52、將所述多組行為類型數據作為第二輸入數據，將所述多組行為類型數據對應的魚攜帶疾病的概率作為第二輸出數據；

53、根據所述第二輸入數據和所述第二輸出數據對所述疾病識別模型進行訓練，得到預先訓練好的疾病識別模型。

54、可選地，所述輸出結果還包括疾病類型；所述裝置還包括：

55、第二獲取模塊，用于獲取所述魚的體重；

56、第二確定模塊，用于根據所述疾病類型，確定需要投放的藥物的種類；

57、第三確定模塊，用于根據所述疾病程度、所述魚的體重，確定所述需要投放的藥物的投放劑量；

58、投放模塊，用于按照所述藥物的種類和所述投放劑量對所述魚投放藥物。

59、可選地，所述第一確定模塊，包括：

60、提取子模塊，用于從所述視頻數據中提取多個視頻幀；

61、預處理子模塊，用于對所述多個視頻幀數據進行預處理，得到預處理后的多個視頻幀數據；

62、第二確定子模塊，用于根據所述處理后的多個視頻幀數據，確定所述魚的動態(tài)特征數據。

63、可選地，所述第二確定子模塊，包括：

64、提取單元，用于從所述多個視頻幀數據中提取得到多個特征圖；

65、確定單元，用于根據所述多個特征圖，確定所述魚的動態(tài)特征數據。

66、可選地，所述確定單元，包括：

67、輸入子單元，用于將所述多個特征圖輸入預先訓練好的姿態(tài)識別模型中，得到所述魚的身體姿態(tài)數據，所述身體姿態(tài)數據包括所述魚身體部位的關鍵點坐標；

68、確定子單元，用于根據所述魚的身體姿態(tài)數據，確定所述魚的動態(tài)特征數據。

69、可選地，所述預先訓練好的姿態(tài)識別模型通過如下方式進行訓練：

70、采集所述魚的多組特征圖和所述多組特征圖對應的身體部位的關鍵點坐標；

71、將所述魚的多組特征圖作為所述姿態(tài)識別模型的第三輸入數據，將所述多組特征圖對應的身體部位的關鍵點坐標作為所述姿態(tài)識別模型的第三輸出數據；

72、根據所述第三輸入數據和所述第三輸出數據對所述姿態(tài)識別模型進行訓練得到預先訓練好的所述姿態(tài)識別模型。

73、可選地，所述身體姿態(tài)數據還包括各個特征圖的時間戳；所述確定子單元，包括：

74、運動軌跡確定單元，用于根據所述多個特征圖對應的關鍵點坐標，確定所述魚的運動軌跡；

75、速度確定單元，用于根據所述多個特征圖對應的關鍵點坐標和時間戳，計算所述魚的加速度和速度。

76、本發(fā)明還公開了一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器用于執(zhí)行如上述的魚的疾病檢測方法的步驟。

77、本發(fā)明還公開了一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上述魚的疾病檢測方法的步驟。

78、本發(fā)明公開了一種魚的疾病檢測方法，本發(fā)明通過獲取魚的視頻數據；根據視頻數據，確定魚的動態(tài)特征數據，動態(tài)特征數據包括運動軌跡、速度和加速度；將動態(tài)特征數據輸入預先訓練好的行為分類器得到魚的行為類型，根據魚的行為類型確定魚是否攜帶疾病，若魚攜帶疾病，則確定與動態(tài)特征數據對應的疾病類型并輸出；本發(fā)明通過從視頻數據中識別的魚的行為類型確定魚是否攜帶疾病，提高了疾病檢測的效率和準確性，減少了人工監(jiān)測的成本和主觀誤差，有助于及時發(fā)現(xiàn)和處理魚類疾病，使得養(yǎng)殖者能夠及時采取措施，為魚類疾病的早期治療提供可能。