CN108445746B - 一种智能投喂控制方法及装置 - Google Patents

Abstract

本发明提供一种智能投喂控制方法及装置，所述方法包括：S1，根据智能投喂过程的配置参数，采集被投喂群体摄食过程中的摄食图像；S2，根据所述配置参数，对所述摄食图像进行基于给定算法的图像数据处理，提取所述被投喂群体的摄食行为指标，并基于所述摄食行为指标实现投喂决策；S3，根据所述投喂决策，控制对所述被投喂群体的投喂时间及投喂量。本发明能够有效提高对被投喂群体食欲的评估精度，从而更精确的调整投喂量。

Description

一种智能投喂控制方法及装置

技术领域

本发明涉及养殖业信息化技术领域，更具体地，涉及一种智能投喂控制方法及装置。

背景技术

在水产养殖以及畜禽养殖中，投喂效率对于提高生产效率和降低生产成本具有重要意义。因此，确定何时在生产过程中开始或停止投喂是非常重要的。不合理的投喂不仅会导致经济损失，残留的饲料和粪便还会污染环境。与饲养畜禽相比，鱼类的投喂还会遇到其他的问题。在开发精准的生产和投喂管理策略或系统时，应考虑这些因素。

近年来，对鱼类行为的更多了解和新技术的不断发展也促使新的投喂控制技术的不断进步。然而，影响鱼类摄食的因素很多，包括生理，营养，环境和管理因素。但是所有上述因素可以通过鱼的行为表达出来。这些行为数据对开发智能投喂管理策略或系统至关重要。因此，近年来，基于鱼类的食欲，通过分析其摄食行为，自动调整投喂量已成为新的发展趋势。

截至目前，人工判别投喂控制方法在生产中依然得到广泛应用。其虽然可以比较直观的预测何时停止投喂，但这种信息往往受到观察者主观经验的影响，无法用统一的标准量化，因此精度不高，效果不好。

发明内容

为了克服上述问题或者至少部分地解决上述问题，本发明提供一种智能投喂控制方法及装置，用以有效提高对被投喂群体食欲的评估精度，从而更精确的调整投喂量。

一方面，本发明提供一种智能投喂控制方法，包括：S1，根据智能投喂过程的配置参数，采集被投喂群体摄食过程中的摄食图像；S2，根据所述配置参数，对所述摄食图像进行基于给定算法的图像数据处理，提取所述被投喂群体的摄食行为指标，并基于所述摄食行为指标实现投喂决策；S3，根据所述投喂决策，控制对所述被投喂群体的投喂时间及投喂量。

其中，步骤S2中所述对所述摄食图像进行基于给定算法的图像数据处理，提取所述被投喂群体的摄食行为指标的步骤进一步包括：基于所述摄食图像，利用所述给定算法，分别提取所述被投喂群体的聚集程度指标FI和抢食强度指标SI；相应的，步骤S2中所述基于所述摄食行为指标实现投喂决策的步骤进一步包括：基于所述聚集程度指标FI和所述抢食强度指标SI，利用根据行为指标模糊化处理构建并训练和测试好的自适应模糊推理模型ANFIS，获取开始投喂或者停止投喂的决策输出。

其中，根据所述行为指标模糊化处理构建所述自适应模糊推理模型ANFIS的步骤进一步包括：S21，初始化所述自适应模糊推理模型ANFIS的步长参数、上升速率参数及下降速率参数，并选取给定形状的隶属度函数；S22，分别按对应的设定划分标准确定所述聚集程度指标FI和所述抢食强度指标SI分别对应的行为指标模糊子集；S23，基于所述聚集程度指标FI和所述抢食强度指标SI分别对应的行为指标模糊子集，制定“if-then”的模糊控制规则。

其中，训练和测试所述自适应模糊推理模型ANFIS的步骤进一步包括：S24，选取满足设定数量要求的一组所述摄食图像作为样本图像，并分别提取各所述样本图像的所述聚集程度指标FI和所述抢食强度指标SI；S25，以所述聚集程度指标FI和所述抢食强度指标SI作为输入，以事先获取的各所述样本图像分别对应的投喂决策作为决策输出，形成训练和测试样本集；S26，选取所述训练和测试样本集中给定比例的样本作为训练样本，其余作为测试样本，并利用所述训练样本逐次训练所述自适应模糊推理模型ANFIS，直至训练完成；S27，利用所述测试样本对训练完成的所述自适应模糊推理模型ANFIS进行逐次测试，直至测试结果满足设定标准，测试完成。

另一方面，本发明提供一种智能投喂控制装置，包括：控制处理器以及分别与所述控制处理器连接的图像采集模块、存储模块、人机交互模块、通信接口模块和供电模块；所述人机交互模块用于设置智能投喂过程的配置参数，并传输至所述控制处理器；所述图像采集模块用于根据所述配置参数，采集被投喂群体摄食过程中的摄食图像，并将所述摄食图像上传至所述控制处理器；所述存储模块用于存储设置的所述配置参数和采集到的所述摄食图像；所述控制处理器用于根据所述配置参数，对所述摄食图像进行基于给定算法的图像数据处理，获取所述被投喂群体的摄食行为指标，并基于所述摄食行为指标实现投喂决策；所述通信接口模块连接投饵机，用于根据所述投喂决策实现所述智能投喂控制装置与所述投饵机间的数据及控制指令传输；所述供电模块用于为整个所述智能投喂控制装置提供驱动电源。

其中，所述图像采集模块进一步包括图像采集摄像头，且所述图像采集模块设置于投喂区的正上方，并使所述图像采集摄像头正对所述投喂区。

其中，所述通信接口模块进一步具体包括USB接口、以太网接口、RS232/485接口、IO接口、Wlan接口和4G接口中的一种或者多种。

其中，所述存储模块进一步包括NandFlash、SDRAM和NorFLASH中的一种或多种。

其中，所述控制处理器进一步具体为PC机或者工控机。

本发明提供的一种智能投喂控制方法及装置，通过对被投喂群体的摄食图像的处理以及ANFIS模型的建立，自动评估被投喂群体的摄食行为，并根据该摄食行为决策是否投喂以及是否继续投喂，能够有效提高对被投喂群体食欲的评估精度，从而更精确的调整投喂量。因此，能够在保证被投喂群体正常生长的前提下，极大的节省饲料开支，显着提高经济效益。

附图说明

图1为本发明实施例一种智能投喂控制方法的流程图；

图2为本发明实施例一种智能投喂控制方法中构建自适应模糊推理模型ANFIS的流程图；

图3为本发明实施例一种智能投喂控制方法中训练和测试自适应模糊推理模型ANFIS的流程图；

图4为本发明实施例一种智能投喂控制装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，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的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。

作为本发明实施例的一个方面，本实施例提供一种智能投喂控制方法，参考图1，为本发明实施例一种智能投喂控制方法的流程图，包括：

S1，根据智能投喂过程的配置参数，采集被投喂群体摄食过程中的摄食图像；

S2，根据所述配置参数，对所述摄食图像进行基于给定算法的图像数据处理，提取所述被投喂群体的摄食行为指标，并基于所述摄食行为指标实现投喂决策；

S3，根据所述投喂决策，控制对所述被投喂群体的投喂时间及投喂量。

可以理解为，本实施例在对被投喂群体进行智能投喂之前，事先已经对投喂过程的配置参数进行了设定，如图像的尺寸及分辨率、图像处理算法、计算精度及模型建立等。

步骤S1中，根据事先配置的配置参数中与图像采集相关的参数，利用设置在投喂区的图像采集设备，采集被投喂群体在摄食过程中的动态或静态图像，即摄食图像。以被投喂群体为鱼类为例，本步骤完成对鱼类摄食图像的采集。

步骤S2中，根据事先配置的配置参数中与图像处理相关的参数，利用给定的算法，对上述步骤中获取的摄食图像进行处理分析，从中提取被投喂群体对应的摄食行为指标。最后根据该摄食行为指标，利用实现建立的投喂决策模型，输出对被投喂群体的投喂决策。

步骤S3中，在根据上述步骤实现投喂决策之后，控制投喂机按照该投喂决策的决策输出对被投喂群体进行定时定量投喂。例如决策何时开始投喂、合适停止投喂、投喂持续时间以及连续投喂量等。

本发明实施例提供的一种智能投喂控制方法，通过对被投喂群体的摄食图像的处理以及ANFIS模型的建立，自动评估被投喂群体的摄食行为，并根据该摄食行为决策是否投喂以及是否继续投喂，能够有效提高对被投喂群体食欲的评估精度，从而更精确的调整投喂量。因此，能够在保证被投喂群体正常生长的前提下，极大的节省饲料开支，显着提高经济效益。

其中可选的，步骤S2中所述对所述摄食图像进行基于给定算法的图像数据处理，提取所述被投喂群体的摄食行为指标的步骤进一步包括：基于所述摄食图像，利用所述给定算法，分别提取所述被投喂群体的聚集程度指标FI和抢食强度指标SI；

相应的，步骤S2中所述基于所述摄食行为指标实现投喂决策的步骤进一步包括：基于所述聚集程度指标FI和所述抢食强度指标SI，利用根据行为指标模糊化处理构建并训练和测试好的自适应模糊推理模型ANFIS，获取开始投喂或者停止投喂的决策输出。

可以理解为，本实施例中选取被投喂群体的聚集程度指标FI和抢食强度指标SI，共两个指标作为评估被投喂群体的摄食行为的指标。因此需要从获取的被投喂群体的摄食图像中分别提取聚集程度指标FI和抢食强度指标SI。

具体实施时，首先从摄食图像中抠去图像背景，以获取目标物体的图像。然后，计算目标物体的质心并对其进行Delaunay三角剖分，得到Delaunay三角网；分别计算每个Delaunay三角形的周长，并取该帧图像中全部Delaunay三角形周长的平均值，得到被投喂群体的聚集程度指标FI。

同时，首先从摄食图像中抠去图像背景，提取出前景目标物体。然后对提取的前景目标物体进行灰度化处理后，生成灰度共生矩阵，并利用灰度共生矩阵计算图像纹理的特征(对比度)，从中提取被投喂群体的抢食强度指标SI。

同样以鱼群为例，对于根据上述实施例获取的鱼类摄食图像，提取鱼类摄食行为指标，包括聚集程度指标FI和抢食强度指标SI。

接下来，对于事先采集的多帧不同的摄食图像，分别根据上述处理流程提取各帧摄食图片分别对应的聚集程度指标FI和抢食强度指标SI，并根据经验或者其它决策方式，确定各组聚集程度指标FI和抢食强度指标SI下对应的投喂策略。

然后，根据各组聚集程度指标FI和抢食强度指标SI，以及与之对应的投喂策略，形成训练样本和测试样本，依次对构建的自适应模糊推理模型ANFIS进行训练和测试。成功完成训练和测试流程的自适应模糊推理模型ANFIS即可作为决策被投喂群体当前状态下的投喂策略的决策模型。

根据被投喂群体当前状态下的摄食图像，提取对应的聚集程度指标FI和抢食强度指标SI，并根据这两个指标，利用上述的决策模型决策对被投喂群体的投喂策略。如决策当前状态下开始投喂还是停止投喂。

其中，在一个实施例中，根据所述行为指标模糊化处理构建所述自适应模糊推理模型ANFIS的进一步处理步骤参考图2，为本发明实施例一种智能投喂控制方法中构建自适应模糊推理模型ANFIS的流程图，包括：

S21，初始化所述自适应模糊推理模型ANFIS的步长参数、上升速率参数及下降速率参数，并选取给定形状的隶属度函数。

可以理解为，本实施例对模型参数进行初始化设定，即对目标自适应模糊推理模型ANFIS的参数的设定，包括步长参数、上升速率参数及下降速率参数的初始化设定。同时包括对模糊推理模型隶属函数的选择。在一个实施例中，选取钟形隶属度函数作为目标自适应模糊推理模型ANFIS的隶属函数。

S22，分别按对应的设定划分标准确定所述聚集程度指标FI和所述抢食强度指标SI分别对应的行为指标模糊子集。

可以理解为，在自适应模糊推理模型中，需要将精确的指标数据进行模糊化处理，以映射到对应的模糊子集中，因此需要设定各指标参数分别对应的模糊子集。对于本实施例中的聚集程度指标FI和抢食强度指标SI，对其按以下方式进行模糊化处理：

对应聚集程度指标FI，设置三个模糊子集，即离散(big)、适中(middle)和拥挤(small)，以覆盖该行为指标的范围。对应抢食强度指标SI，设置另外三个模糊子集，即几乎不抢食(weak)、抢食程度一般(medium)和剧烈抢食(strong)，以覆盖该行为指标的范围。

实际应用时，决策模型根据输入行为指标的实际值，按照上述步骤选取的隶属函数，将该实际行为指标值对应到对应的模糊子集中，实现对输入行为指标的模糊化处理。

S23，基于所述聚集程度指标FI和所述抢食强度指标SI分别对应的行为指标模糊子集，制定“if-then”的模糊控制规则。

可以理解为，在根据上述步骤设定对行为指标的模糊化处理标准之后，还需对应设定模糊控制规则，以根据对输入行为指标进行上述模糊化处理的结果，进行投喂决策。在一个实施例中，根据聚集程度指标FI和抢食强度指标SI分别对应的模糊子集，制定如下“if-then”的模糊控制规则：

If(FI is big)and(SI is weak)then(feeding is stop)；

If(FI is big)and(SI is medium)then(feeding is stop)；

If(FI is big)and(SI is strong)then(feeding is start)；

If(FI is middle)and(SI is weak)then(feeding is stop)；

If(FI is middle)and(SI is medium)then(feeding is start)；

If(FI is middle)and(SI is strong)then(feeding is start)；

If(FI is small)and(SI is weak)then(feeding is stop)；

If(FI is small)and(SI is medium)then(feeding is start)；

If(FI is small)and(SI is strong)then(feeding is start)。

其中，在另一个实施例中，训练和测试所述自适应模糊推理模型ANFIS的进一步处理步骤参考图3，为本发明实施例一种智能投喂控制方法中训练和测试自适应模糊推理模型ANFIS的流程图，包括：

S24，选取满足设定数量要求的一组所述摄食图像作为样本图像，并分别提取各所述样本图像的所述聚集程度指标FI和所述抢食强度指标SI。

其中，首先选取历史状态下或者试验过程中的一组被投喂群体的摄食图像作为样本图像，该组摄食图像的总数量需要满足设定数量要求。然后根据上述实施例对该组摄食图像中的样本图像分别进行聚集程度指标FI和抢食强度指标SI提取。例如可以选取200帧摄食图像作为样本图像。

S25，以所述聚集程度指标FI和所述抢食强度指标SI作为输入，以事先获取的各所述样本图像分别对应的投喂决策作为决策输出，形成训练和测试样本集。

其中，可以理解为，对于根据上述步骤提取的聚集程度指标FI和抢食强度指标SI，获取各状态下的合理投喂决策。该合理投喂决策可以是根据人工观察和经验确定的，也可以是通过试验验证的。例如，当鱼对食物没有反应时，评分为0；否则，评分值为1。

以各组聚集程度指标FI和抢食强度指标SI为决策模型的输入，以对应的合理投喂决策为决策模型的决策输出，形成样本集，用于决策模型的训练和测试。因此，来自每个样本的数据包含两个输入数据(即聚集程度指标FI和抢食强度指标SI)及其相应的合理投喂决策(例如，继续或者停止投喂)。

S26，选取所述训练和测试样本集中给定比例的样本作为训练样本，其余作为测试样本，并利用所述训练样本逐次训练所述自适应模糊推理模型ANFIS，直至训练完成。

其中，对于根据上述步骤获取的样本集，选取其中一部分比例的样本作为训练样本对决策模型，即自适应模糊推理模型ANFIS，进行训练。而将样本集中其余样本作为测试样本，以对完成训练的决策模型进行测试，保证决策模型的决策准确率。例如对于上述步骤选取的200组样本，选取其中50％的样本数据作为训练样本，而其余50％的样本作为测试样本。

逐个利用选取的训练样本，逐次对构建的决策模型进行训练和参数修正，直至训练结果满足设定训练标准，则判定训练完成。

S27，利用所述测试样本对训练完成的所述自适应模糊推理模型ANFIS进行逐次测试，直至测试结果满足设定标准，测试完成。

其中，可以理解为，对于根据上述步骤训练完成的决策模型，逐个利用测试样本对该模型进行测试，直至测试结果满足设定测试标准，完成模型测试，输出最终的自适应模糊推理模型ANFIS。

由上述实施例可以看出，本发明通过获取被投喂群体摄食过程中的图像，并对图像进行处理以提取能表征摄食行为的关键指标(聚集程度FI和抢食强度SI)；最后将FI和SI作为自适用模糊推理系统ANFIS的输入，经过训练后，实现了投喂的决策控制(继续投喂或者停止投喂)。从而能够实时评估被投喂群体的食欲并作出决策判断，为生产实践中投喂管理提供可靠依据。

为了进一步说明本发明实施例，本实施例进行具体的举例说明，但不用来限制本发明的保护范围。

例如，以被投喂群体为鱼群为例，提取的行为指标FI和SI的范围分别为[380,620]和[0,0.35]。ANFIS模型的步长为0.01，下降速率为0.9，上升速率为1.1。当ANFIS模型输出的阈值设为0.55时，若ANFIS的输出量小于0.55，说明鱼没有食欲，此时应停止投喂。反之继续投喂。

试验结果表明，此时ANFIS模型正确决策的精度可以达到98％。经过三个月的养殖试验，与常规投喂率表的方法相比，本发明实施例的方法虽然在促进鱼类的生长并无显着差异(P>0.05)，但是饲料转化效率FCR可以改善10.77％，同时可以减少对水体的污染。

作为本发明实施例的另一个方面，本实施例提供一种智能投喂控制装置，参考图4，为本发明实施例一种智能投喂控制装置的结构示意图，包括：控制处理器1以及分别与控制处理器1连接的图像采集模块2、存储模块3、人机交互模块4、通信接口模块5和供电模块6。其中，

人机交互模块4用于设置智能投喂过程的配置参数，并传输至控制处理器1；

图像采集模块2用于根据所述配置参数，采集被投喂群体摄食过程中的摄食图像，并将所述摄食图像上传至控制处理器1；

存储模块3用于存储所述配置参数和采集到的所述摄食图像；

控制处理器1用于根据所述配置参数，对所述摄食图像进行基于给定算法的图像数据处理，获取所述被投喂群体的摄食行为指标，并基于所述摄食行为指标实现投喂决策；

通信接口模块5连接投饵机，用于根据所述投喂决策实现所述智能投喂控制装置与所述投饵机间的数据及控制指令传输；

供电模块6用于为整个所述智能投喂控制装置提供驱动电源。

可以理解为，本实施例中的智能投喂控制装置至少包括控制处理器1、图像采集模块2、存储模块3、人机交互模块4、通信接口模块5和供电模块6共六个组件，其中的控制处理器1与其余五个组件分别连接。供电模块6为整个智能投喂控制装置提供驱动电源。

其中，在一个实施例中，图像采集模块2进一步包括图像采集摄像头，且图像采集模块2设置于投喂区的正上方，并使所述图像采集摄像头正对所述投喂区。

可以理解为，在布置图像采集模块2时，为了保证最佳的图像采集视角，将图像采集模块2置于养殖区域投喂区的正上方，且使图像采集模块2的摄像头光线正对投喂区。以鱼类养殖为例将图像采集模块2置于养殖区域水面的正上方，并使图像采集模块2的光线垂直于养殖区域水面设置。

其中，图像采集模块2优选为工业相机，工业相机所采集的图像与该工业相机物理像素上接收的光线的反射强度呈线性分布。以鱼类养殖为例，实际应用中，相对于鱼池中的水对光线的吸收情况，由空气和水中小颗粒引起的光线散射可以忽略。在其中一个实施例中，工业相机采用型号为Manta G-223B工业相机，且其镜头型号为KOWA LM8HC，8mm定焦，其视场角为79.7×63.0。

其中可选的，通信接口模块5进一步具体可以包括USB接口、以太网接口、RS232/485接口、IO接口、Wlan接口和4G接口中的一种或者多种。

可以理解为，考虑到市面上常见的商用投饵机通常具有USB接口、以太网接口、RS232/485接口、IO接口、Wlan接口和4G接口中的一种或者几种通信接口，因此为确保本发明实施例中的投喂控制装置与投饵机的正常通讯，设置通信接口模块5包括对应的一种或多种通信接口。

其中，存储模块3进一步可以包括NandFlash、SDRAM和NorFLASH中的一种或多种。

其中，在一个实施例中，控制处理器1进一步具体为PC机或者工控机。当然，控制处理器1也可以采用其他处理器，选择不同的图像处理方法得到上述摄食行为指标，同样可以实现本发明的技术方案，得到基本相同的技术效果，同样落入本发明的保护范围。

其中的一个实施例中，人机交互模块4可以选取为触摸显示屏。

本发明实施例提供的一种智能投喂控制装置，通过其中的相应功能模块对被投喂群体的摄食图像的处理以及ANFIS模型的建立，自动评估被投喂群体的摄食行为，并根据该摄食行为决策是否投喂以及是否继续投喂，能够有效提高对被投喂群体食欲的评估精度，从而更精确的调整投喂量。因此，能够在保证被投喂群体正常生长的前提下，极大的节省饲料开支，显着提高经济效益。

另外，本领域内的技术人员应当理解的是，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤S以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤S。

需要说明的是，在本申请文件中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

本发明的说明书中，说明了大量具体细节。然而应当理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。同样的，应当理解的是，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上述对本发明的示例性实施例的描述中，本发明的各特征有时被一起分组到单个实施例、图、或者对其的描述中。

然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种智能投喂控制方法，其特征在于，包括：

S1，根据智能投喂过程的配置参数，采集被投喂群体摄食过程中的摄食图像；

S2，根据所述配置参数，对所述摄食图像进行基于给定算法的图像数据处理，提取所述被投喂群体的摄食行为指标，并基于所述摄食行为指标实现投喂决策；

S3，根据所述投喂决策，控制对所述被投喂群体的投喂时间及投喂量;步骤S2中所述对所述摄食图像进行基于给定算法的图像数据处理，提取所述被投喂群体的摄食行为指标的步骤进一步包括：

基于所述摄食图像，利用所述给定算法，分别提取所述被投喂群体的聚集程度指标FI和抢食强度指标SI；

相应的，步骤S2中所述基于所述摄食行为指标实现投喂决策的步骤进一步包括：

基于所述聚集程度指标FI和所述抢食强度指标SI，利用根据行为指标模糊化处理构建并训练和测试好的自适应模糊推理模型ANFIS，获取开始投喂或者停止投喂的决策输出；

在所述基于所述摄食图像，利用所述给定算法，分别提取所述被投喂群体的聚集程度指标FI和抢食强度指标SI中，提取所述被投喂群体的聚集程度指标FI具体包括：

从所述摄食图像中取出背景图像后，获取目标物体的图像；

计算所述目标物体的质心并对其进行Delaunay三角剖分，获取Delaunay三角网；

分别计算每个所述Delaunay三角网的周长，并获取周长平均值；

利用所述周长平均值表征所述聚集程度指标FI；

提取所述抢食强度指标SI具体包括：

从所述摄食图像中取出背景图像后，获取前景目标物体的图像；

对所述前景目标物体的图像进行灰度化处理后，生成灰度共生矩阵；

根据所述灰度共生矩阵获取所述摄食图像的图像纹理特征；

利用所述图像纹理特征表征所述抢食强度指标SI。

2.根据权利要求1所述的方法，其特征在于，根据所述行为指标模糊化处理构建所述自适应模糊推理模型ANFIS的步骤进一步包括：

S21，初始化所述自适应模糊推理模型ANFIS的步长参数、上升速率参数及下降速率参数，并选取给定形状的隶属度函数；

S22，分别按对应的设定划分标准确定所述聚集程度指标FI和所述抢食强度指标SI分别对应的行为指标模糊子集；

S23，基于所述聚集程度指标FI和所述抢食强度指标SI分别对应的行为指标模糊子集，制定“if-then”的模糊控制规则。

3.根据权利要求2所述的方法，其特征在于，训练和测试所述自适应模糊推理模型ANFIS的步骤进一步包括：

S24，选取满足设定数量要求的一组所述摄食图像作为样本图像，并分别提取各所述样本图像的所述聚集程度指标FI和所述抢食强度指标SI；

S25，以所述聚集程度指标FI和所述抢食强度指标SI作为输入，以事先获取的各所述样本图像分别对应的投喂决策作为决策输出，形成训练和测试样本集；

S26，选取所述训练和测试样本集中给定比例的样本作为训练样本，其余作为测试样本，并利用所述训练样本逐次训练所述自适应模糊推理模型ANFIS，直至训练完成；

S27，利用所述测试样本对训练完成的所述自适应模糊推理模型ANFIS进行逐次测试，直至测试结果满足设定标准，测试完成。

4.一种智能投喂控制装置，其特征在于，包括：控制处理器以及分别与所述控制处理器连接的图像采集模块、存储模块、人机交互模块、通信接口模块和供电模块；

所述人机交互模块用于设置智能投喂过程的配置参数，并传输至所述控制处理器；

所述图像采集模块用于根据所述配置参数，采集被投喂群体摄食过程中的摄食图像，并将所述摄食图像上传至所述控制处理器；

所述存储模块用于存储设置的所述配置参数和采集到的所述摄食图像；

所述控制处理器用于根据所述配置参数，对所述摄食图像进行基于给定算法的图像数据处理，获取所述被投喂群体的摄食行为指标，并基于所述摄食行为指标实现投喂决策；

所述通信接口模块连接投饵机，用于根据所述投喂决策实现所述智能投喂控制装置与所述投饵机间的数据及控制指令传输；

所述供电模块用于为整个所述智能投喂控制装置提供驱动电源;

所述对所述摄食图像进行基于给定算法的图像数据处理，提取所述被投喂群体的摄食行为指标的步骤进一步包括：

基于所述摄食图像，利用所述给定算法，分别提取所述被投喂群体的聚集程度指标FI和抢食强度指标SI；

相应的，步骤S2中所述基于所述摄食行为指标实现投喂决策的步骤进一步包括：

基于所述聚集程度指标FI和所述抢食强度指标SI，利用根据行为指标模糊化处理构建并训练和测试好的自适应模糊推理模型ANFIS，获取开始投喂或者停止投喂的决策输出；

在所述基于所述摄食图像，利用所述给定算法，分别提取所述被投喂群体的聚集程度指标FI和抢食强度指标SI中，提取所述被投喂群体的聚集程度指标FI具体包括：

从所述摄食图像中取出背景图像后，获取目标物体的图像；

计算所述目标物体的质心并对其进行Delaunay三角剖分，获取Delaunay三角网；

分别计算每个所述Delaunay三角网的周长，并获取周长平均值；

利用所述周长平均值表征所述聚集程度指标FI；

提取所述抢食强度指标SI具体包括：

从所述摄食图像中取出背景图像后，获取前景目标物体的图像；

对所述前景目标物体的图像进行灰度化处理后，生成灰度共生矩阵；

根据所述灰度共生矩阵获取所述摄食图像的图像纹理特征；

利用所述图像纹理特征表征所述抢食强度指标SI。

5.根据权利要求4所述的智能投喂控制装置，其特征在于，所述图像采集模块进一步包括图像采集摄像头，且所述图像采集模块设置于投喂区的正上方，并使所述图像采集摄像头正对所述投喂区。

6.根据权利要求4或5所述的智能投喂控制装置，其特征在于，所述通信接口模块进一步具体包括USB接口、以太网接口、RS232/485接口、IO接口、Wlan接口和4G接口中的一种或者多种。

7.根据权利要求6所述的智能投喂控制装置，其特征在于，所述存储模块进一步包括NandFlash、SDRAM和NorFLASH中的一种或多种。

8.根据权利要求4或5所述的智能投喂控制装置，其特征在于，所述控制处理器进一步具体为PC机或者工控机。

Images