李然，楊玉婷，張志強，劉鷹，3*，黃健隆，李浩淼

(1.大連海洋大學 信息工程學院，遼寧 大連 116023；2.設施漁業(yè)教育部重點實驗室(大連海洋大學)，遼寧 大連 116023；3.浙江大學 生物系統(tǒng)工程與食品科學學院，浙江 杭州 310058)

隨著經(jīng)濟的高速發(fā)展，各行業(yè)對科學數(shù)據(jù)的需求日益迫切，許多國家和國際組織都開展了一系列基于新技術的科學數(shù)據(jù)共享研究和實踐，在世界范圍內進行科學數(shù)據(jù)共享工作。自20世紀80年代起,中國在多個領域開始推動科學數(shù)據(jù)共享平臺的構建與運用，經(jīng)過40多年的發(fā)展，中國已建成的綜合性科學信息服務系統(tǒng)，為國家重大戰(zhàn)略、科研計劃等提供了重要的信息服務支持。隨著互聯(lián)網(wǎng)新技術的發(fā)展，各領域對信息共享技術的需求達到了一個新的高度。就漁業(yè)科學數(shù)據(jù)而言，由于涉及多個領域或學科的相關知識和原始數(shù)據(jù)，尤其需要把以往分散的數(shù)據(jù)按一定標準重新整理形成共享平臺[1]。

隨著中國海洋經(jīng)濟的高速增長，對魚類信息的需求也日益增大，數(shù)據(jù)庫技術的發(fā)展，使得海量信息資源的高效存儲和檢索成為可能。傳統(tǒng)的數(shù)據(jù)庫基于集中式存儲和關系數(shù)據(jù)庫體系結構，無法滿足海量數(shù)據(jù)存儲和高并發(fā)查詢的需求，存儲效率低，查詢響應慢，且數(shù)據(jù)信息種類、歸屬和溯源也存在一些問題[2]。因此，現(xiàn)有的魚類數(shù)據(jù)庫管理系統(tǒng)已難以滿足海量魚類信息存儲和快速響應的需要。

中國現(xiàn)有的魚類信息數(shù)據(jù)庫主要有6個：①“水庫漁業(yè)數(shù)據(jù)庫”，始建于20世紀80年代末，由中國科學院水生生物研究所建立，該數(shù)據(jù)庫包含中國主要水庫魚類的生物學信息，并提供檢索和查詢功能[3]；②“我國水產(chǎn)種質資源信息系統(tǒng)”，2002年由中國水產(chǎn)科學研究院構建，采用Access軟件，通過ODBC鏈接，綜合了2 771個物種的生物學信息、養(yǎng)殖信息和分布信息等；③“漁業(yè)科學數(shù)據(jù)共享平臺”，2009年由中國水產(chǎn)科學研究院承擔建設，采用SQL Server 2000關系數(shù)據(jù)庫管理系統(tǒng)存儲數(shù)據(jù)，該平臺集成了漁業(yè)生態(tài)環(huán)境野外調查數(shù)據(jù)、漁業(yè)生物資源野外調查數(shù)據(jù)、漁業(yè)水資源與生態(tài)特征數(shù)據(jù)及漁業(yè)物種資源與生物基礎數(shù)據(jù)等9類漁業(yè)科學數(shù)據(jù)；④“漁業(yè)科學數(shù)據(jù)庫”，由中國水產(chǎn)科學研究院淡水漁業(yè)研究中心建立，涵蓋了食物成分數(shù)據(jù)庫、水生生物數(shù)據(jù)庫、水產(chǎn)價格行情數(shù)據(jù)庫、水產(chǎn)英文期刊數(shù)據(jù)庫和漁業(yè)法律法規(guī)數(shù)據(jù)庫等19個子數(shù)據(jù)庫；⑤“中國臺灣地區(qū)魚類數(shù)據(jù)庫”，該數(shù)據(jù)庫實現(xiàn)了中國臺灣地區(qū)本土魚類和貝類(魚類和貝類標本)的數(shù)字化，并可與國際魚類和貝類數(shù)據(jù)庫或相關網(wǎng)站進行互通，在魚類分類數(shù)據(jù)和GIS應用方面也取得了一定的進展[4-5]；⑥世界魚類數(shù)據(jù)庫“FishBase”，這是所有魚類數(shù)據(jù)庫中規(guī)模最大、開發(fā)最廣泛的全球魚類物種數(shù)據(jù)庫，由歐盟等機構資助，全球有9個國際機構管理(其中包括中國水產(chǎn)科學研究院)，也是世界上訪問頻率最高的魚類數(shù)據(jù)庫，MySQL被用作該數(shù)據(jù)庫管理系統(tǒng)的支撐軟件[6]。

上述魚類信息數(shù)據(jù)庫雖然解決了魚類信息存儲和查詢的問題，但仍存在諸多局限性：①數(shù)據(jù)庫信息在歸類上科學性欠缺，降低了用戶查詢有效信息的效率；②數(shù)據(jù)庫存取方式無法滿足海量數(shù)據(jù)存儲和高并發(fā)查詢的需求，導致存儲效率低、查詢響應慢；③信息檢索方式單一，只提供文字檢索，不支持圖片、地圖檢索的功能；④魚類信息數(shù)據(jù)來源缺乏可追溯性，不能方便快捷地追蹤信息來源以確定信息的準確度；⑤大多數(shù)的數(shù)據(jù)庫只是作為查詢展示的窗口，數(shù)據(jù)主要來自政府、科研單位和高校等。這在一定程度上影響了網(wǎng)站的開放性，不能做到優(yōu)質、豐富的魚類資源共享。

為突破前述數(shù)據(jù)庫的局限性，本研究中設計并構建了智能魚類信息共享平臺，提出了基于MongoDB的分布式魚類信息數(shù)據(jù)庫操作策略，數(shù)據(jù)庫設計充分考慮了魚類信息數(shù)據(jù)來源的科學性、可追溯性和實用性，可提供基于人工智能的圖片檢索等多種查詢途徑。實踐表明，該平臺實現(xiàn)了魚類信息的高效存儲和多重并發(fā)訪問需求，有效地解決了海量數(shù)據(jù)存儲和高并發(fā)訪問問題,同時，該平臺提供了文本、圖片、地圖等多種信息檢索方式，可實現(xiàn)優(yōu)質資源共享,并能為魚類的準確識別及魚類種類歸屬、溯源等魚類數(shù)據(jù)庫管理提供科學參考。

1 智能魚類信息共享平臺關鍵技術

1.1 系統(tǒng)架構

平臺設計使用了SpringBoot結構的Java一體式框架，采用模塊設計方法，按功能分類，將不同的功能在不同的模塊中進行開發(fā)設計，較好地降低了平臺架構的耦合度，利于模塊間的調用，同時也提高了代碼的可維護性。

平臺的模塊架構目錄如圖1所示。平臺分為Common公共模塊和Web前端交互模塊。Common公共模塊負責開發(fā)各個模塊中均可能被調用到的業(yè)務；Web模塊負責開發(fā)與前端進行交互的相關功能。平臺將各個功能拆分成不同的模塊，并把這些模塊部署到Docker容器下，在分離各個功能的同時，不會因為這樣的設計添加額外的配置，從而實現(xiàn)了后端的微服務架構。

圖1 模塊架構目錄Fig.1 Module architecture directory

在Common模塊中，實現(xiàn)了上傳魚類信息圖片的FTP功能、用戶中心的密碼加密功能；在Web模塊中主要是業(yè)務邏輯功能的代碼，將其放在mainjava之中，將MVC設計模式中的用戶個人中心板塊定義在Web模塊中的mainview包之中。總體上體現(xiàn)了各司其職，減少耦合。

平臺前端采用Bootstrap框架，通過該框架的柵格特性，解決了不同瀏覽器間的兼容性問題,使網(wǎng)頁無論在臺式機、平板電腦和移動設備上均能獲得較好地體驗。

平臺使用Vue組織與簡化Web開發(fā)。Vue所關注的核心是MVC模式中的視圖層，同時也能方便獲取數(shù)據(jù)更新，并通過組件內部特定的方法實現(xiàn)視圖與模型的交互。對于從后端傳來的Json數(shù)據(jù)，運用Vue的for循環(huán)輸出數(shù)據(jù)，實現(xiàn)視圖與模型的交互，更加適應平臺對于信息的展示[7]。平臺信息展示流程如圖2所示。

圖2 平臺信息展示流程圖Fig.2 Flow chart of platform information display

智能魚類信息共享平臺系統(tǒng)架構如圖3所示。其中，接入層展示平臺的受眾群體，包括用戶、科研人員(合作者)和開發(fā)維護人員；展示層為前端的Web界面；應用層是后端的一些接口，完成信息的上傳、審核和用戶管理；服務層中包含與MongoDB、MySQL操作的接口；系統(tǒng)層包含平臺運行的硬件和軟件，軟件使用SpringBoot內置的Tomcat 9、MongoDB 4.4和MySQL 8.0。

圖3 智能魚類信息共享平臺系統(tǒng)架構圖Fig.3 System architecture of fish information sharing platform

1.2 MongoDB數(shù)據(jù)庫關鍵技術

由于平臺框架采用SpringBoot，故使用Spring提供的MongoTemplate服務進行MongoDB的數(shù)據(jù)庫操作。數(shù)據(jù)庫基本操作增、刪、改、查(CURD)使用Springframework包中的MongoTemplate數(shù)據(jù)庫交互API完成，包括結構化Query查詢操作類、結構化Criteria類、Update類和DeleteResult類[8-10]。

使用DBRefs完成文檔的引用，保證數(shù)據(jù)庫中的數(shù)據(jù)正確、有效，使數(shù)據(jù)庫表間的引用清晰規(guī)范，方便數(shù)據(jù)庫后期的維護。

采用阿里云提供的云服務器平臺，以及Nginx反向代理和SpringBoot內置的Tomcat服務器組合完成網(wǎng)站部署。

1)服務器代碼處理方法。在服務器的配置上，使用Nginx反向代理Tomcat的端口服務實現(xiàn)IP地址與域名的解析和映射功能，用戶可以直接通過DNS域名解析的方式訪問Web界面。

IDEA首先把后端Java代碼通過Gradle配置及SpringBoot Application定義SpringBoot啟動類入口，執(zhí)行Gradle的BootJar命令進行Jar包打包處理。

2)云服務器上的部署。Linux通過FTP服務把可執(zhí)行Jar包上傳到服務器中，通過執(zhí)行下列命令完成：

java -jar yulib-web-1.0.5.jar

把后端Jar包以java原生方式運行在8080端口。一旦退出命令行，8080端口也隨之關閉，為把Jar包持久化運行在服務器上，通過執(zhí)行下列語句達成持久化操作：

nohup java -jar yulib-web-1.0.5.jar >log.out &

3)后端接口的安全策略。Linux為了提高安全性和可訪問性，在使用HTTPS協(xié)議時，要求前端JS代碼不可以通過IP地址的形式訪問后端，本平臺通過Nginx反向代理端口實現(xiàn)域名的轉發(fā)跳轉操作，在Nginx進行8080端口配置。

1.3 檢索方式與入口

魚類信息平臺的一級檢索包括專題、類群、魚汛。二級檢索包括綱目、海水、淡水、形態(tài)、汛期、瀕危、毒性和有無鱗片等。

專題檢索按照魚綱、地域和形態(tài)等對魚類進行分類，平臺采用魚類學中以魚的形態(tài)結構作為分類鑒定的主流分類方法，按綱目對魚進行劃分，使用了拉斯分類系統(tǒng)作為其中的一種分類方式，使檢索更清晰；按照魚所生活的水體環(huán)境，又將魚分為了海水魚、淡水魚，目的是使用戶可以通過魚的生活區(qū)域，快速了解到魚的信息；對于生活在中國不同海域的魚類做了進一步分類，分為黃海、渤海、東海和南海4個海域,對淡水魚按照北方區(qū)、華西區(qū)、寧蒙區(qū)、華東區(qū)和華南區(qū)進行了劃分，以更好地為漁業(yè)生產(chǎn)提供信息服務。平臺能根據(jù)區(qū)域查找指定魚類信息，如查詢黃花魚在渤海海域中的汛期，則在“渤?！敝袡z索，縮小了檢索的范圍。針對形態(tài)特征、魚汛等情況，加入了形態(tài)、汛期、瀕危和毒性等檢索入口，方便用戶對該類信息的檢索[11-12]。

對類群的劃分，側重經(jīng)濟價值和實用性，將魚分為有鱗片和無鱗片，以更好地了解魚的經(jīng)濟價值、營養(yǎng)價值，有無毒性等，為漁業(yè)生產(chǎn)和人民生活提供服務。

平臺還提供了圖片、地圖檢索的功能，系統(tǒng)可根據(jù)用戶上傳的魚的圖片顯示該魚的相關信息；地圖檢索則是根據(jù)魚所處的位置在地圖中進行搜索，提供了直觀的檢索途徑；另外，平臺還設置了通過魚的學名、中文名、高級檢索進行查詢，方便用戶進行綜合信息分析。系統(tǒng)檢索主界面如圖4所示。

圖4 系統(tǒng)檢索主界面Fig.4 Main interface of system retrieval

2 AI圖片識魚

平臺應用人工智能技術實現(xiàn)了智能識魚功能。針對用戶使用圖片進行查詢魚類信息的需求，平臺集成了AI識魚模塊。用戶上傳需要查詢的魚的圖片，系統(tǒng)將會出現(xiàn)該魚的詳細信息。該功能使用Python語言，通過卷積神經(jīng)網(wǎng)絡進行訓練，為用戶查詢提供了一種方便有效的檢索渠道。

2.1 數(shù)據(jù)的預處理

系統(tǒng)數(shù)據(jù)收集的圖片主要來自實地拍照、書籍和互聯(lián)網(wǎng)等，并對清晰度不足的圖片進行了增強處理。本平臺數(shù)據(jù)集包含中華鱘、海豚、鯊魚、海龜和小丑魚5種水生生物，每種生物圖片200余張，共1 000余張圖片。按照80%與20%的比例，分為訓練集和驗證集。

數(shù)據(jù)標注通過預先定義labels數(shù)組完成，通過append方法追加標簽，設置label[index]的初始值為1.0，通過程序對圖片進行自動標注，并通過標簽完成對圖像的分類。

在圖片預處理過程中，主要使用的是OpenCV(open source computer vision library)技術，先通過cv2.imread()讀取圖片，由于輸入的圖片大小不一且像素較高，需將圖像調整到某一尺寸，系統(tǒng)中將圖片調整為64×64像素大小。通過調用shuffle函數(shù)，將讀取到的數(shù)據(jù)集中的圖片打亂順序，避免由于識別單一圖片而造成的數(shù)據(jù)不準確[13]。

2.2 算法模型

平臺中使用的算法是人工神經(jīng)網(wǎng)絡中的卷積神經(jīng)網(wǎng)絡。

1)數(shù)據(jù)集的輸入。數(shù)據(jù)訓練中因為輸入的是彩色圖片，以RGB 3種顏色為基礎，設置num_channels通道數(shù)為3。

2)卷積層的建立。定義3個卷積層，其中，每一個卷積層中卷積核大小規(guī)定為3×3,將卷積后的結果映射成1 024維的特征。構造一個權重參數(shù)，并將其進行隨機初始化。構造一個biases參數(shù)，將biases參數(shù)的值規(guī)定為0.05。

3)對輸出結果進行調優(yōu)。調用dropout函數(shù)，進一步解決過擬合的問題，將keep_prob的值設為0.7，避免過度擬合。將學習率設為1×10-4，定義total_iterations=0，規(guī)定迭代從0開始。調整num_iteration的值，指定迭代次數(shù)，當規(guī)定的迭代次數(shù)完成以后，結束訓練?？筛鶕?jù)設備性能、圖片大小及復雜程度設置迭代次數(shù)，從而使訓練結果達到最優(yōu)[14-15]。

4)輸出結果的保存。通過調用Saver模塊，將訓練好的模型進行保存和讀取，達到占用較小內存空間的目的。

5)試驗結果。通過分析在訓練過程中的輸出結果可知，隨著迭代次數(shù)的增加，訓練集的準確率不斷提高，雖然驗證集的準確率在訓練過程中有起伏，但總體呈現(xiàn)上升趨勢。在現(xiàn)有的數(shù)據(jù)集訓練下，模型的準確率達到92.67%。

本平臺在對圖像數(shù)據(jù)集處理中，鑒于圖片數(shù)量有限，訓練集的識別率略低于驗證集。隨著平臺數(shù)據(jù)的積累，訓練結果的準確率將逐步提升。由于所需的圖像樣本目前并無公開的數(shù)據(jù)集，未來隨著本平臺數(shù)據(jù)的積累，樣本匱乏問題將得到有效解決，同時考慮對圖像數(shù)據(jù)集采用數(shù)據(jù)增強、遷移學習等方法進一步豐富樣本。

3 數(shù)據(jù)庫結構

3.1 數(shù)據(jù)庫表

通過調研和查閱大量的文獻,對現(xiàn)有的魚類數(shù)據(jù)庫中各種魚類相關信息進行了系統(tǒng)的歸類，最終確定了16張表。每張表的結構相對獨立，但信息可以交叉查詢，為用戶提供了一個科學、嚴謹、靈活、方便的信息查詢環(huán)境。

在確定這些表的屬性過程中，充分考慮了魚類信息數(shù)據(jù)來源的科學性、實用性和可追溯性。該數(shù)據(jù)庫的主表為魚類基本信息表，通過該表又延伸出與魚類信息相關的其他15張表(表1)。其中,魚類的基本信息表是所有數(shù)據(jù)表的核心，魚類基本信息表包括學名、俗名、同種異名、綱、目、科、圖片、生態(tài)學特征、地理區(qū)域、形態(tài)特征、魚汛、瀕危和毒性等。

表1 魚類信息共享平臺數(shù)據(jù)庫表Tab.1 Database table of fish information sharing platform

在基本信息中確定綱和目為魚類的分類奠定了基礎，使用拉斯系統(tǒng)將魚類分為軟骨魚綱和硬骨魚綱，歸納了十幾個總目，并對魚鰭、分解特征、繁殖、魚卵、形態(tài)計量、疾病和參考文獻等信息進行了更進一步地描述，涵蓋了魚類的主要信息，滿足用戶查詢信息的需求[6]。

為更好地服務漁業(yè)生產(chǎn)和人民生活，平臺可通過查找魚汛信息，準確地掌握汛期，達到最大捕撈量；提供魚類瀕危及毒性等與人類生活息息相關的信息，可為分析魚類瀕危原因及保護措施提供有力依據(jù)，并為環(huán)境保護和飲食健康提供科學參考。

魚類基本信息表與其他表間采用一對多的關系，使得各表關系清晰明了；各表均采用ID編號作為各表的主鍵，方便用戶查詢信息[16-17]。為了使信息可追溯，在每個表中增加了參考號的屬性，方便用戶追蹤信息來源。

以黃魚(Larimichthys)為例，在搜索框輸入黃魚，進入黃魚信息頁面，顯示包括學名、俗名、

綱目、生物學特征、生活習性、區(qū)域和汛期等基本信息(圖5)。用戶還可根據(jù)需要使用其他檢索入口查詢更多信息。

圖5 魚類基本信息界面Fig.5 Fish basic information interface

3.2 數(shù)據(jù)采集

智能魚類信息共享平臺的數(shù)據(jù)庫采用邊建設邊采集數(shù)據(jù)的方式。在建設數(shù)據(jù)庫的同時，采集、管理數(shù)據(jù)，做到數(shù)據(jù)庫建設、數(shù)據(jù)采集同步進行。

智能魚類信息數(shù)據(jù)共享平臺是一個面向用戶免費開放的公益性數(shù)據(jù)庫。平臺信息主要來自兩個方面：首先，通過向有關的政府部門、科研單位、高等院校等收集信息來完善數(shù)據(jù)庫；其次，平臺允許使用者上傳魚類相關信息，或對已有信息提出更改申請，由平臺數(shù)據(jù)庫管理員對上傳信息進行審核，并更新至數(shù)據(jù)庫中，使用者亦是建設者。魚類信息數(shù)據(jù)采集流程如圖6所示。

圖6 數(shù)據(jù)采集流程圖Fig.6 Flow chart of data acquisition

智能魚類信息共享平臺服務能力與數(shù)據(jù)庫質量密切相關。為使數(shù)據(jù)庫形成一個良好的網(wǎng)絡信息環(huán)境，平臺由專門管理員負責更新數(shù)據(jù)、監(jiān)控數(shù)據(jù)庫運行、優(yōu)化數(shù)據(jù)查詢功能、備份數(shù)據(jù)和檢查數(shù)據(jù)一致性等工作。在使用者上傳魚類相關信息后，數(shù)據(jù)庫管理員對相關信息進行審核，確保信息正確有效。

4 討論

4.1 數(shù)據(jù)庫管理系統(tǒng)的選擇

隨著魚類信息數(shù)據(jù)的快速增長，海量信息的高效存儲和檢索成為漁業(yè)領域的一個重要課題?，F(xiàn)有的魚類數(shù)據(jù)庫管理系統(tǒng)已難以滿足海量數(shù)據(jù)存儲和快速響應用戶查詢的需要。其主要原因是傳統(tǒng)的數(shù)據(jù)庫主要基于集中式存儲和關系數(shù)據(jù)庫體系結構，面對海量數(shù)據(jù)，在存儲和高并發(fā)訪問上顯現(xiàn)出性能低、查詢響應慢等問題。

目前，國內的魚類信息數(shù)據(jù)庫多采用關系型數(shù)據(jù)庫管理數(shù)據(jù)，主流使用的關系型數(shù)據(jù)庫管理系統(tǒng)有MySQL、Microsoft SQL Server、Microsoft Access等，如“我國水產(chǎn)種質資源信息系統(tǒng)”采用Access軟件；王立華等[5]構建的“漁業(yè)科學數(shù)據(jù)共享平臺”使用SQLServer 2000數(shù)據(jù)庫管理系統(tǒng)；國際上使用較為廣泛的FishBase數(shù)據(jù)庫也是采用MySQL作為數(shù)據(jù)庫管理系統(tǒng)的支撐軟件[4]。其中，關系型數(shù)據(jù)庫適合可以預先定義邏輯關系的數(shù)據(jù)，數(shù)據(jù)結構化是必要的，對于目前海量的非結構化數(shù)據(jù)管理顯得力不從心，當海量數(shù)據(jù)需要將負載分配到不同的服務器上時，對于基于SQL語言開發(fā)的系統(tǒng)也是非常困難的。而非關系型數(shù)據(jù)庫NoSQL適合處理結構松散、不相關、不確定和逐步發(fā)展的數(shù)據(jù)需求，能夠更簡單或者更快速地開展編程，具備管理大規(guī)模數(shù)據(jù)的功能。

本研究中，智能魚類信息共享平臺的構建，與前述的“我國水產(chǎn)種質資源信息系統(tǒng)”“漁業(yè)科學數(shù)據(jù)共享平臺”“FishBase”數(shù)據(jù)庫等系統(tǒng)使用的關系型數(shù)據(jù)庫[18-19]不同，采用非關系型數(shù)據(jù)庫MongoDB。該數(shù)據(jù)庫是基于分布式文件存儲的開源非關系型數(shù)據(jù)庫管理系統(tǒng)，平臺利用MongoDB的內存映射技術實現(xiàn)了高性能和高可擴展性，獲得了較好的高并發(fā)訪問效率；采用MongoDB的BinaryJSON管理松散的數(shù)據(jù)結構，使用其自動分片的功能存儲海量數(shù)據(jù)，實現(xiàn)了復雜的數(shù)據(jù)結構管理，完成了多種查詢功能，有效地解決了海量數(shù)據(jù)存儲問題。

4.2 人工智能技術在魚類圖像識別中的應用

現(xiàn)有的魚類數(shù)據(jù)庫一般只提供文字檢索方式，隨著大數(shù)據(jù)及人工智能技術的發(fā)展，圖像檢索、地圖檢索方式的應用越來越廣泛。本研究中構建的魚類信息共享平臺，通過人工智能的圖像識別技術實現(xiàn)圖像檢索，該方式使用卷積神經(jīng)網(wǎng)絡進行訓練，模型可根據(jù)圖片大小及復雜程度設置迭代次數(shù)，使訓練結果達到最優(yōu)，準確率達到92.67%。與傳統(tǒng)識別算法中復雜的特征提取和數(shù)據(jù)重建過程相比，卷積神經(jīng)網(wǎng)絡的權值共享網(wǎng)絡結構降低了網(wǎng)絡模型的復雜度，減少了權值的數(shù)量，魚類圖像可以直接作為數(shù)據(jù)輸入，提高了識別的效率及準確率[20]。

本研究中構建的智能魚類信息共享平臺還實現(xiàn)了地圖檢索功能，通過使用騰訊提供的地圖組件實現(xiàn)位置顯示，將用戶輸入的魚類位置信息存放于云服務器中，程序加載時，取出服務器中位置參數(shù)，實現(xiàn)在地圖上顯示魚類相關信息。在提高檢索效率的設計上，使用機器學習中的推薦算法，通過分析歷史記錄、高頻檢索詞計算檢索結果，并使用基于用戶的協(xié)同過濾算法進行結果推薦。

綜上，本平臺通過用戶上傳的魚類圖片，即可識別該魚的相關信息，并可在地圖中根據(jù)魚所處的位置進行搜索，滿足了多樣化的檢索需求。

5 結論

1)本研究中設計的智能魚類信息共享平臺實現(xiàn)了海量魚類信息存儲和高并發(fā)訪問需要，在當今數(shù)據(jù)快速增長情況下,使魚類信息處理有較好的預期。

2)通過融合人工智能、地圖檢索等技術，豐富了智能魚類信息共享平臺的檢索途徑。用戶可通過文本、圖片、地圖多種途徑查詢魚的詳細信息，更好地滿足了使用者的需求。

3)智能魚類信息共享平臺面向所有用戶免費開放。用戶既可免費瀏覽所有內容，也可向數(shù)據(jù)庫中添加魚類信息，使用者亦是建設者，最終實現(xiàn)共享優(yōu)質魚類信息資源。