CN106259095B - 一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法 - Google Patents

一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法 Download PDF

Info

Publication number
CN106259095B
CN106259095B CN201610672901.4A CN201610672901A CN106259095B CN 106259095 B CN106259095 B CN 106259095B CN 201610672901 A CN201610672901 A CN 201610672901A CN 106259095 B CN106259095 B CN 106259095B
Authority
CN
China
Prior art keywords
fish
image
shoal
frame
behavior
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201610672901.4A
Other languages
English (en)
Other versions
CN106259095A (zh
Inventor
鲍玉军
焦玉全
陈功
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Institute of Technology
Original Assignee
Changzhou Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changzhou Institute of Technology filed Critical Changzhou Institute of Technology
Priority to CN201610672901.4A priority Critical patent/CN106259095B/zh
Publication of CN106259095A publication Critical patent/CN106259095A/zh
Application granted granted Critical
Publication of CN106259095B publication Critical patent/CN106259095B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K61/00—Culture of aquatic animals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Zoology (AREA)
  • Animal Husbandry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法，本发明利用图像处理技术，很好的对鱼群的行为进行实时的监控，能够随时的对鱼类生活状态进行监测，及时发现鱼类生活环境的变化，一旦鱼群出现异常现象，即可快速及时的将异常信息发送给养殖人员，有效的避免了鱼类养殖中很严重的经济损失，与传统养殖相比，不仅能使劳动者从繁重的工作中解放出来，还能保证生产过程的安全，同时可以更加精准的反映鱼群的生活状态，对养殖中突发状态采取有效的措施，减少损失，提高养殖产量，本发明从鱼群身体的不同部位进行实时监控，保证了全方位的对鱼群进行监测，保证了水产养殖的安全性和智能性。

Description

一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法
技术领域
本发明涉及一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法，属于智能水产养殖技术领域。
背景技术
我国是渔业与水产养殖的大国，鱼类养殖在我国具有悠久的历史。我国水产品出口大概占全世界水产品贸易总额的比例为 10%，排到了世界首位。现今我国在水产养殖中大部分还采用着人工去监测鱼的行为，这种监测不仅费时、费力、费事，而且由此所得到的数据带有较强的个人主观性，客观性弱，记录的数据不利于用来精确的分析鱼群行为。
机器视觉是一种基于计算机实现的技术，主要通过照相机或摄像机采集图像，从中提取所需信息并加以处理，再运用到实际领域来实现控制与检测等基本功能，整个过程与人类的视觉功能基本相似。随着社会的发展进步，人类自然资源数量急剧减少。水资源的缺失也导致鱼类自然生长变的越来越困难，借助高科技，使用工业化手段进行养殖，不但能够大量节约水资源，还能提高鱼群存活率，因此，如何将机器视觉变成高效采集鱼类行为具体参数并进行量化分级，通过鱼群的行为来判断水产养殖，对于智能化、高效化的水产养殖具有极其重要的作用，通过对鱼类生活状态进行监测，及时发现鱼类生活环境的变化，有效的避免了鱼类养殖中很严重的经济损失。
发明内容
本发明针对现有的技术问题，提供一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法，目的是提高水产养殖的效率，避免了鱼类养殖中很严重的经济损失，拟解决现有技术存在的问题。
为实现上述目的，本发明提供如下技术方案：一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法，其包括以下步骤：
（1）选取鱼群视频数据：选取第k帧图像、第k+n帧图像、第k+2n帧、k+3n帧图像作为样本，其中，k为大于等于1的整数，n为正整数；
（2）图像处理：对所述步骤（1）所选择的图像依次进行去噪处理、灰度处理，之后对灰度处理的图像进行分割处理，分别得到鱼群口型图像、鱼尾图像、鱼鳃图像和鱼眼睛图像；
（3）帧间差分运算：利用帧间差分法分别对所述步骤（2）得到的鱼群口型图像、鱼尾图像、鱼鳃图像和鱼眼睛图像进行相邻帧间差分运算；
（4）行为判断：如果鱼群口型图像的相邻各帧的差分值变化大于设定阈值，则鱼群可能处于饥饿状态，如果鱼尾图像的相邻各帧的差分值变化大于设定阈值，则鱼群可能处于紧张激动或逃避状态，如果鱼鳃图像的相邻各帧的差分值变化大于设定阈值，则鱼群可能处于缺氧状态，如果鱼眼睛图像的相邻各帧的差分值变化大于设定阈值，则鱼群可能处于温度不适或者其它异常状态；
（5）重复步骤（1）-（4），重新判断鱼群的所处状态；
（6）如果某一项的图像的差分值持续大于设定阈值一定时间，则可判断出鱼群处于异常状态，报警装置发出报警，提醒养殖员鱼群养殖出现异常，以便养殖员进行相关处理。
进一步，作为优选，在所述的步骤（2）中的去噪处理中，去噪处理采用离散平稳小波去噪的方法，首先，对二维信号的小波进行分解：选择一个小波和小波分解的层次N , 然后计算信号到第N 层的分解，之后，对高频系数进行阈值量化：对于从1到N 的每一层,选择一个阈值,并对这一层的高频系数进行阈值化处理，最后，对二维小波进行重构，根据小波分解的第N 层的低频系数和经过修改的从第1层到第N 层的各层高频系数，来计算二维信号的小波重构，实现图像的去噪处理；在进行灰度处理时，采用直方图均衡化的方法进行灰度处理，具体为首先获得归一化的直方图，将图像中的灰度按照灰度级频率不同进行排序，数字图像中灰度级为rk的像素出现的频率，利用下式进行计算：
；
式中，nk为灰度级rk的像素的个数； n 为图像中像素总个数；L 为像素中可能的灰度级总数，然后对图像进行直方图均衡化，均衡化的离散公式为：
å £ £；= L -利用该公式将需要处理的图像中的各像素根据映射关系获得的图像，得到均衡化的直方图；
在对图像进行分割处理时，利用灰度直方图的阈值分割方法进行，首先，将整幅图像的灰度密度函数看作为两个单峰密度函数包括目标、背景的总和，根据使总错误率降到最小来确定阈值。即当直方图呈双峰分布时，取谷点为阈值进行分割；
所述步骤（3）中，进行差分运算时，设第k帧图像为Fk（x，y），第k+n帧图像为Fk+n（x，y），第k+2n帧图像为Fk+2n（x，y），第k+3n帧图像为Fk+3n（x，y），则差分运算公式为：
；
；
；
其中，t为设定阈值。
进一步，作为优选，在所述的步骤（6）中，如果某一项的图像的差分值持续大于设定阈值3-10min时，则可判断出鱼群处于异常状态，报警装置发出报警。
进一步，作为优选，在所述步骤（2）中，还包括采用鱼群口型图像对鱼群所处高度的判断，其中，鱼群的高度是以鱼群口部的位置为平均对象的，如果鱼群的高度大于某一设定阈值，则此刻鱼群可能处于缺氧状态，如果该项的图像的鱼群的高度持续大于设定阈值一定时间，则可确定判断出鱼群处于缺氧状态。
进一步，作为优选，还包括数据存储步骤，所述的存储步骤将鱼群的状态存储于鱼群行为服务器中。
进一步，作为优选，还包括无线发送步骤，所述无线发送步骤将鱼群的状态发送至远程监控客户端。
与现有技术相比，本发明的有益效果是：
本发明利用图像处理技术，很好的对鱼群的行为进行实时的监控，能够随时的对鱼类生活状态进行监测，及时发现鱼类生活环境的变化，一旦鱼群出现异常现象，即可快速及时的将异常信息发送给养殖人员，有效的避免了鱼类养殖中很严重的经济损失，与传统养殖相比，不仅能使劳动者从繁重的工作中解放出来，还能保证生产过程的安全，同时可以更加精准的反映鱼群的生活状态，对养殖中突发状态采取有效的措施，减少损失，提高养殖产量，本发明从鱼群身体的不同部位进行实时监控，保证了全方位的对鱼群进行监测，保证了水产养殖的安全性和智能性。
附图说明
图1是本发明的一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法的结构示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法，其包括以下步骤：
（1）选取鱼群视频数据：选取第k帧图像、第k+n帧图像、第k+2n帧、k+3n帧图像作为样本，其中，k为大于等于1的整数，n为正整数；
（2）图像处理：对所述步骤（1）所选择的图像依次进行去噪处理、灰度处理，之后对灰度处理的图像进行分割处理，分别得到鱼群口型图像、鱼尾图像、鱼鳃图像和鱼眼睛图像，在去噪处理中，去噪处理采用离散平稳小波去噪的方法，首先，对二维信号的小波进行分解：选择一个小波和小波分解的层次N , 然后计算信号到第N 层的分解，之后，对高频系数进行阈值量化：对于从1到N 的每一层,选择一个阈值,并对这一层的高频系数进行阈值化处理，最后，对二维小波进行重构，根据小波分解的第N 层的低频系数和经过修改的从第1层到第N 层的各层高频系数，来计算二维信号的小波重构，实现图像的去噪处理；在进行灰度处理时，采用直方图均衡化的方法进行灰度处理，具体为首先获得归一化的直方图，将图像中的灰度按照灰度级频率不同进行排序，数字图像中灰度级为rk的像素出现的频率，利用下式进行计算：；
式中，nk为灰度级rk的像素的个数； n 为图像中像素总个数；L 为像素中可能的灰度级总数，然后对图像进行直方图均衡化，均衡化的离散公式为：
å £ £；= L -利用该公式将需要处理的图像中的各像素根据映射关系获得的图像，得到均衡化的直方图；
在对图像进行分割处理时，利用灰度直方图的阈值分割方法进行，首先，将整幅图像的灰度密度函数看作为两个单峰密度函数包括目标、背景的总和，根据使总错误率降到最小来确定阈值。即当直方图呈双峰分布时，取谷点为阈值进行分割；
此外，在本步骤中，还包括采用鱼群口型图像对鱼群所处高度的判断，其中，鱼群的高度是以鱼群口部的位置为平均对象的，如果鱼群的高度大于某一设定阈值，则此刻鱼群可能处于缺氧状态，如果该项的图像的鱼群的高度持续大于设定阈值一定时间，则可确定判断出鱼群处于缺氧状态
（3）帧间差分运算：利用帧间差分法分别对所述步骤（2）得到的鱼群口型图像、鱼尾图像、鱼鳃图像和鱼眼睛图像进行相邻帧间差分运算，进行差分运算时，设第k帧图像为Fk（x，y），第k+n帧图像为Fk+n（x，y），第k+2n帧图像为Fk+2n（x，y），第k+3n帧图像为Fk+3n（x，y），则差分运算公式为：
；
；
；
其中，t为设定阈值；
（4）行为判断：如果鱼群口型图像的相邻各帧的差分值变化大于设定阈值，则鱼群可能处于饥饿状态，如果鱼尾图像的相邻各帧的差分值变化大于设定阈值，则鱼群可能处于紧张激动或逃避状态，如果鱼鳃图像的相邻各帧的差分值变化大于设定阈值，则鱼群可能处于缺氧状态，如果鱼眼睛图像的相邻各帧的差分值变化大于设定阈值，则鱼群可能处于温度不适或者其它异常状态；
（5）重复步骤（1）-（4），重新判断鱼群的所处状态；
（6）如果某一项的图像的差分值持续大于设定阈值一定时间，则可判断出鱼群处于异常状态，报警装置发出报警，提醒养殖员鱼群养殖出现异常，以便养殖员进行相关处理，如果某一项的图像的差分值持续大于设定阈值3-10min时，则可判断出鱼群处于异常状态，报警装置发出报警。
（7）数据存储步骤，所述的存储步骤将鱼群的状态存储于鱼群行为服务器中。
（8）无线发送步骤，所述无线发送步骤将鱼群的状态发送至远程监控客户端。
本发明利用图像处理技术，很好的对鱼群的行为进行实时的监控，能够随时的对鱼类生活状态进行监测，及时发现鱼类生活环境的变化，一旦鱼群出现异常现象，即可快速及时的将异常信息发送给养殖人员，有效的避免了鱼类养殖中很严重的经济损失，与传统养殖相比，不仅能使劳动者从繁重的工作中解放出来，还能保证生产过程的安全，同时可以更加精准的反映鱼群的生活状态，对养殖中突发状态采取有效的措施，减少损失，提高养殖产量，本发明从鱼群身体的不同部位进行实时监控，保证了全方位的对鱼群进行监测，保证了水产养殖的安全性和智能性。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法，其包括以下步骤：
（1）选取鱼群视频数据：选取第k帧图像、第k+n帧图像、第k+2n帧、k+3n帧图像作为样本，其中，k为大于等于1的整数，n为正整数；
（2）图像处理：对所述步骤（1）所选择的图像依次进行去噪处理、灰度处理，之后对灰度处理的图像进行分割处理，分别得到鱼群口型图像、鱼尾图像、鱼鳃图像和鱼眼睛图像；
（3）帧间差分运算：利用帧间差分法分别对所述步骤（2）得到的鱼群口型图像、鱼尾图像、鱼鳃图像和鱼眼睛图像进行相邻帧间差分运算；
（4）行为判断：如果鱼群口型图像的相邻各帧的差分值变化大于设定阈值，则鱼群处于饥饿状态，如果鱼尾图像的相邻各帧的差分值变化大于设定阈值，则鱼群处于紧张激动或逃避状态，如果鱼鳃图像的相邻各帧的差分值变化大于设定阈值，则鱼群处于缺氧状态，如果鱼眼睛图像的相邻各帧的差分值变化大于设定阈值，则鱼群处于温度不适或者其它异常状态；
（5）重复步骤（1）-（4），重新判断鱼群的所处状态；
（6）如果某一项的图像的差分值持续大于设定阈值一定时间，则可判断出鱼群处于异常状态，报警装置发出报警，提醒养殖员鱼群养殖出现异常，以便养殖员进行相关处理。
2.根据权利要求1所述的一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法，其特征在于：在所述的步骤（2）中的去噪处理中，去噪处理采用离散平稳小波去噪的方法，首先，对二维信号的小波进行分解：选择一个小波和小波分解的层次N , 然后计算信号到第N层的分解，之后，对高频系数进行阈值量化：对于从1到N 的每一层,选择一个阈值,并对这一层的高频系数进行阈值化处理，最后，对二维小波进行重构，根据小波分解的第N 层的低频系数和经过修改的从第1层到第N 层的各层高频系数，来计算二维信号的小波重构，实现图像的去噪处理；在进行灰度处理时，采用直方图均衡化的方法进行灰度处理，具体为首先获得归一化的直方图，将图像中的灰度按照灰度级频率不同进行排序，数字图像中灰度级为rk的像素出现的频率，利用下式进行计算：；
式中，nk为灰度级rk的像素的个数； n 为图像中像素总个数；L 为像素中的灰度级总数，然后对图像进行直方图均衡化，均衡化的离散公式为：
å £ £ ；= L -利用该公式将需要处理的图像中的各像素根据映射关系获得的图像，得到均衡化的直方图；
在对图像进行分割处理时，利用灰度直方图的阈值分割方法进行，首先，将整幅图像的灰度密度函数看作为两个单峰密度函数包括目标、背景的总和，根据使总错误率降到最小来确定阈值。即当直方图呈双峰分布时，取谷点为阈值进行分割；
所述步骤（3）中，进行差分运算时，设第k帧图像为Fk（x，y），第k+n帧图像为Fk+n（x，y），第k+2n帧图像为Fk+2n（x，y），第k+3n帧图像为Fk+3n（x，y），则差分运算公式为：
；
；
；
其中，t为设定阈值。
3.根据权利要求1所述的一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法，其特征在于：在所述的步骤（6）中，如果某一项的图像的差分值持续大于设定阈值3-10min时，则可判断出鱼群处于异常状态，报警装置发出报警。
4.根据权利要求1所述的一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法，其特征在于：在所述步骤（2）中，还包括采用鱼群口型图像对鱼群所处高度的判断，其中，鱼群的高度是以鱼群口部的位置为平均对象的，如果鱼群的高度大于某一设定阈值，则此刻鱼群处于缺氧状态，如果该项的图像的鱼群的高度持续大于设定阈值一定时间，则可确定判断出鱼群处于缺氧状态。
5.根据权利要求1所述的一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法，其特征在于：还包括数据存储步骤，所述的存储步骤将鱼群的状态存储于鱼群行为服务器中。
6.根据权利要求1-5任意一项所述的一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法，其特征在于：还包括无线发送步骤，所述无线发送步骤将鱼群的状态发送至远程监控客户端。
CN201610672901.4A 2016-08-16 2016-08-16 一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法 Expired - Fee Related CN106259095B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610672901.4A CN106259095B (zh) 2016-08-16 2016-08-16 一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610672901.4A CN106259095B (zh) 2016-08-16 2016-08-16 一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法

Publications (2)

Publication Number Publication Date
CN106259095A CN106259095A (zh) 2017-01-04
CN106259095B true CN106259095B (zh) 2019-04-02

Family

ID=57670556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610672901.4A Expired - Fee Related CN106259095B (zh) 2016-08-16 2016-08-16 一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法

Country Status (1)

Country Link
CN (1) CN106259095B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111280115A (zh) * 2020-04-09 2020-06-16 浙江省海洋水产养殖研究所 一种基于声音诱导反馈的鱼类状态识别装置及应用方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2685331B1 (es) * 2017-03-31 2019-04-26 Univ Coruna Procedimiento para la monitorización , evaluación y predicción del estado de bancos pesqueros y marisqueros
CN108782312B (zh) * 2018-03-22 2020-10-16 诸暨易阳环保科技有限公司 基于图像处理的污水处理系统
CN109886233B (zh) * 2019-02-28 2023-05-09 苏州工业职业技术学院 一种基于隐马尔可夫模型的水产养殖状态监测方法及装置
CN111667497B (zh) * 2019-04-18 2021-06-08 乐清市同丰大鲵驯养繁殖有限公司 渔业监护管理方法
CN110176014A (zh) * 2019-06-18 2019-08-27 广西壮族自治区水产科学研究院 一种禾花鱼稻田生态养殖信息处理方法及系统
CN110338067B (zh) * 2019-07-01 2021-11-23 河南牧业经济学院 一种基于视觉行为反馈的猪舍温度控制方法及系统
CN112506120A (zh) * 2020-12-02 2021-03-16 中国农业科学院农业信息研究所 一种基于物联网的智慧渔业管理系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102841187A (zh) * 2012-09-11 2012-12-26 深圳市开天源自动化工程有限公司 基于鱼类多样本统计的水质污染预警系统及预警方法
JP5123758B2 (ja) * 2008-06-27 2013-01-23 清 加藤 魚判別装置
CN103955688A (zh) * 2014-05-20 2014-07-30 楚雄师范学院 一种基于计算机视觉的斑马鱼群检测与跟踪方法
CN104621021A (zh) * 2015-03-05 2015-05-20 浙江大学 基于计算机视觉技术的鱼类摄食节律自动检测装置及方法
CN104992189A (zh) * 2015-07-22 2015-10-21 河海大学常州校区 基于深度学习网络模型的鱼群异常行为识别方法
EP2948753B1 (en) * 2013-01-28 2017-11-29 C-Feed As System and method for counting zooplankton

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5123758B2 (ja) * 2008-06-27 2013-01-23 清 加藤 魚判別装置
CN102841187A (zh) * 2012-09-11 2012-12-26 深圳市开天源自动化工程有限公司 基于鱼类多样本统计的水质污染预警系统及预警方法
EP2948753B1 (en) * 2013-01-28 2017-11-29 C-Feed As System and method for counting zooplankton
CN103955688A (zh) * 2014-05-20 2014-07-30 楚雄师范学院 一种基于计算机视觉的斑马鱼群检测与跟踪方法
CN104621021A (zh) * 2015-03-05 2015-05-20 浙江大学 基于计算机视觉技术的鱼类摄食节律自动检测装置及方法
CN104992189A (zh) * 2015-07-22 2015-10-21 河海大学常州校区 基于深度学习网络模型的鱼群异常行为识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于计算机视觉的鱼类行为自动监测系统设计与实现;卢焕达等;《渔业现代化》;20110220(第01期);全文

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111280115A (zh) * 2020-04-09 2020-06-16 浙江省海洋水产养殖研究所 一种基于声音诱导反馈的鱼类状态识别装置及应用方法
CN111280115B (zh) * 2020-04-09 2021-10-22 浙江省海洋水产养殖研究所 一种基于声音诱导反馈的鱼类状态识别装置的识别方法

Also Published As

Publication number Publication date
CN106259095A (zh) 2017-01-04

Similar Documents

Publication Publication Date Title
CN106259095B (zh) 一种池塘淡水养殖鱼的行为对鱼类养殖状态的判断方法
Zhou et al. Near infrared computer vision and neuro-fuzzy model-based feeding decision system for fish in aquaculture
Li et al. Nonintrusive methods for biomass estimation in aquaculture with emphasis on fish: a review
Yang et al. Deep learning for smart fish farming: applications, opportunities and challenges
Zhou et al. Near-infrared imaging to quantify the feeding behavior of fish in aquaculture
Patrick et al. Using productivity and susceptibility indices to assess the vulnerability of United States fish stocks to overfishing
Pinkiewicz et al. A computer vision system to analyse the swimming behaviour of farmed fish in commercial aquaculture facilities: a case study using cage-held Atlantic salmon
Farré et al. Depth-related trends in morphological and functional diversity of demersal fish assemblages in the western Mediterranean Sea
CN111406693A (zh) 基于仿生海鳗的海洋牧场渔业资源养护效果评价方法
Wu et al. Application of intelligent and unmanned equipment in aquaculture: A review
CN104992189A (zh) 基于深度学习网络模型的鱼群异常行为识别方法
CN109117877A (zh) 一种基于深度卷积生成对抗网络的黄颡鱼及其套养种识别方法
CN109472883A (zh) 巡塘方法和装置
CN110176014A (zh) 一种禾花鱼稻田生态养殖信息处理方法及系统
Huang et al. The prototype of a smart underwater surveillance system for shrimp farming
CN116843628B (zh) 一种基于机器学习复合优化的藕带无损检测与分级方法
CN115049281A (zh) 一种基于气象变化的南美白对虾养殖调控方法及系统
CN110287902B (zh) 畜禽存活检测方法、装置、设备及计算机程序产品
CN115797844A (zh) 一种基于神经网络的鱼体鱼病检测方法及系统
CN114299332A (zh) 核电厂冷源海生物智能探测方法及系统
Wujdi et al. Population structure of Indian mackerel (Rastrelliger kanagurta) in Java and Bali Island, Indonesia inferred from otolith shape
Zheng et al. A method for real-time measurement of respiratory rhythms in medaka (Oryzias latipes) using computer vision for water quality monitoring
Clay et al. The effects of thin layers on the vertical distribution of larval Pacific herring, Clupea pallasi
Liu et al. Nonintrusive and automatic quantitative analysis methods for fish behaviour in aquaculture
CN111275269A (zh) 一种基于养殖鱼异常行为的在线水质溶解氧变化预测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190402

Termination date: 20190816