CN109460097A - 一种鱼缸智能监控系统 - Google Patents

Abstract

本发明公开了一种鱼缸智能监控系统，其包括鱼缸监控系统和远程监控系统，鱼缸监控系统包括图像采集模块、供氧模块、显示模块、投食模块、温控模块和水质监测模块，并通过控制器实现自动化控制；控制器通过与图像采集模块中的摄像头配合，在控制器内搭建卷积神经网络及模型，通过图像识别技术，用于识别鱼缸中的鱼的种类及数量，达到精确投食和增强观赏性的目的。本发明既能通过控制器实现自动控制及本地控制，又可以通过远程智能监控设备远程观测鱼缸并控制做出相应操作，提高了鱼儿的成活率及鱼缸的趣味性，实现了鱼缸的全自动化控制，具有良好的应用前景，还可以应用于鱼类研究所，高档水族馆等地方。

Description

一种鱼缸智能监控系统

技术领域

本发明涉及鱼智能养殖技术领域，具体涉及一种鱼缸智能监控系统。

背景技术

随着人们生活水平的不断提高，养殖观赏鱼成为一种普遍的生活方式。但由于目前观赏鱼的种类繁多，对于市面上统一的大众类鱼缸，无法保证适合每种鱼的水质环境，进而大大降低了鱼的成活率。日常人们生活中经常遇到给鱼缸换水困难，不能及时喂食的问题，尤其在人们工作繁忙或者出差、旅行的过程中，无法及时给鱼缸换水、给鱼喂食，造成损失与困扰。随着智能化程度的提高，利用自动控制技术进行鱼缸的自动化管理将极大的方便人们养鱼。

发明内容

针对现有技术的上述不足，本发明提供了一种基于机器学习的鱼缸智能监控系统。

为达到上述发明目的，本发明所采用的技术方案为：

提供一种鱼缸智能监控系统，其包括鱼缸监控系统和远程监控系统，鱼缸监控系统包括图像采集模块、供氧模块、显示模块、投食模块、温控模块和水质监测模块，图像采集模块、供氧模块、显示模块、投食模块、温控模块和水质监测模块均与控制器连接；远程监控系统包括相互无线通信连接的云服务器和远程智能监控设备，控制器与云服务器通过无线通信模块连接。

进一步地，图像采集模块包括安装于鱼缸上的摄像头，摄像头与控制器连接。

进一步地，供氧模块包括安装于鱼缸内的氧浓度传感器和增氧泵，氧浓度传感器和增氧泵均与控制器连接。

进一步地，投食模块包括投食器，投食器与控制器连接。

进一步地，温控模块包括安装于鱼缸内的温度传感器和加热器，温度传感器和加热器均与控制器电连接。

进一步地，水质监测模块包括安装于鱼缸内的浊度传感器和水循环装置，浊度传感器和水循环装置均与控制器连接。

进一步地，云服务器包括数据管理程序和数据库，数据库包括三张数据表，三张数据表分别包括存储鱼缸环境参数的数据表、存储鱼缸设备工作状态的数据表和存储用户信息并判定是否为合法登陆用户的数据表。

一种鱼缸智能监控系统的鱼种类及数量识别方法，其包括以下步骤：

S1：摄像头采集鱼缸内鱼的图像信息，并输入控制器中，利用控制器中搭建好的卷积神经网络与训练好的模型，识别出图像中鱼儿的种类及数量；

S2：重复步骤S1，并且摄像头每隔一段设定的时间段采集一次图像，并利用置入控制器中的卷积神经网络与模型，最终识别出鱼缸内所有鱼儿的种类及数量；

S3：控制器根据鱼的种类及数量，控制投食器投入鱼缸内的食量的多少；

S4：鱼的种类及数量的信息通过显示模块显示出来，并发送给云服务器的数据库中，远程智能监控设备通过移动互联网获取数据库中的信息，并在远程智能监控设备上显示出鱼的百科信息。

进一步地，卷积神经网络及模型的搭建方法包括以下步骤：

S11：通过从网上下载鱼类图片数据作为数据集；

S12：将数据集中的图片数据处理成能够输入到卷积神经网络中的数据格式；

S13：将步骤S12中的图片数据输入到控制器中搭建的卷积神经网络中进行训练，并生成训练之后的模型，再将卷积神经网络及模型嵌入控制器中。

进一步地，步骤S12具体包括以下步骤：

S121：指定数据集所在的文件列表；

S122：创建文件列表列队；

S123：从文件列表列队中读取数据；

S124：对读取的数据进行预处理；

S125：将预处理后的数据整理成Batch输入卷积神经网络。

本发明的有益效果为：本方案利用物联网、自动化控制、机器学习等技术，提供了一种鱼缸智能监控系统，实现集供氧、水质监控、温度控制、自动投食、图像识别、远程监控为一体的鱼缸智能监控系统；通过图像识别的技术，摄像头采集鱼的图像信息并传输给控制器，输入控制器内的卷积神经网络，利用训练好的模型对鱼的种类及数量进行识别，达到检测出鱼缸内鱼的数量及种类的目的，从而可以精确控制投食，并且所有的监控信息可以通过显示模块显示出来。

本发明既能通过控制器实现自动控制及本地控制，又可以通过远程智能监控设备远程观测鱼缸并控制做出相应操作，提高了鱼儿的成活率及鱼缸的趣味性，实现了鱼缸的全自动化控制。本发明结构简单、实用性强，具有良好的应用前景，还可以应用于鱼类研究所，高档水族馆等地方。

附图说明

图1为鱼缸智能监控系统的结构图。

图2为鱼缸智能监控系统的原理图。

图3为卷积神经网络学习及识别流程图。

图4为数据集处理流程图。

图5为卷积神经网络结构图。

图6为投食器的结构示意图。

其中，1、电机，2、联轴器，3、进料口，4、螺旋体，5、观察室，6、出料口，7、轴承。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，鱼缸智能监控系统，其包括鱼缸监控系统和远程监控系统，鱼缸监控系统包括图像采集模块、供氧模块、显示模块、投食模块、温控模块和水质监测模块，图像采集模块、供氧模块、显示模块、投食模块、温控模块和水质监测模块均与控制器连接；远程监控系统包括相互无线通信连接的云服务器和智能监控设备，控制器与云服务器通过无线通信模块连接。

如图2所示，供氧模块包括安装于鱼缸内的氧浓度传感器和增氧泵，氧浓度传感器和增氧泵均与控制器连接；当鱼缸中的水的氧气浓度低于控制器设定阈值时，控制器自动打开增氧泵；当氧气浓度高于设定阈值时，关闭增氧泵。氧浓度传感器采用YC-2000HI型溶解氧传感器，其中溶解氧传感器测量范围0～20mg/L，测量精度±1rag/L，输出电压范围0～100mV。

投食模块包括投食器，投食器与控制器连接，投食器通过控制器可实现自动投食过程。控制器采用ZYNQ 7000，无线通信模块采用ESP8266WiFi模块。

如图6所示，投食器包括电机1和螺旋体4，螺旋体4包括转轴和外壳，转轴设置为螺旋状，转轴安装于外壳内，电机1安装于外壳的左端，并且通过联轴器2与转轴连接，外壳上的左端设置有进料口3与外壳内部导通，出料口6设在外壳的右端，用于向鱼缸内投放鱼料，转轴的右端通过轴承7安装；外壳上还设置有观察室5；鱼料通过进料口3投入螺旋体4内，电机1与控制器连接，当需要投食时，电机1转动，螺旋体4内的转轴旋转将鱼料推送到出料口6，达到自动投放鱼料的目的。

温控模块包括安装于鱼缸内的温度传感器和加热器，温度传感器和加热器均与控制器电连接；当鱼缸中的水温低于控制器设定阈值时，打开加热器进行加热，当水温高于设定阈值时，关闭加热器停止加热。温度传感器采用DS18B20数字温度传感器，温度测量范围为-55～+125℃，增量为0.5℃。

水质监测模块包括安装于鱼缸内的浊度传感器和水循环装置，浊度传感器和水循环装置均与控制器连接；当鱼缸中的水质浑浊度高于控制器设定的阈值时，打开水循环装置，进行换水动作；当水质低于设定阈值时，关闭水循环装置。浊度传感器采用浊度传感器TSW-20MK，检测范围为：0％～3.5％(0-4550NTU)。

云服务器包括数据管理程序和数据库，数据库包括三张数据表，三张数据表分别为负责存储鱼缸环境参数的数据表、负责存储鱼缸设备工作状态的数据表和负责存储用户信息并判定是否为合法登陆用户的数据表。

本方案通过无线通信模块将监测鱼缸的数据上传到云端服务器，并通过服务器数据管理程序将数据进行拆解，判断数据是否和上一次获取的数据相同，相同则不进行操作，不相同则更新数据库，分类存储在数据库中；当数据库中的数据更新时，云服务器同时也会将更新的数据推送给智能监控设备，智能监控设备可采用智能设备APP实现，达到对鱼缸远程监测的功能；当智能监控设备发送控制指令时，首先将数据传输到云服务器，云服务器将数据与数据库中的设备工作状态进行比较，如果不同，则更新数据库，同时将更新的状态下发至鱼缸监控系统，实现对鱼鱼缸监控系统远程控制的功能。

智能设备端APP的设计分为两个模块，一个模块是数据接收显示模块，另一个是控制数据上传模块。数据显示模块主功能是显示鱼缸端传递过来的环境参数，通过向服务器发送数据请求操作，服务器向智能设备下发环境参数数据包，通过APP进行数据的解包，并将数据逐条显示在相应位置。控制数据上传模块主要是负责控制命令的上传，当使用者需要进行相应操作时，APP将控制操作数据打包发送至服务器，服务器对数据进行处理分析然后下发至鱼缸端进而控制鱼缸相应设备的工作状态。

在鱼缸监控系统端，控制器将所有传感器的数据按照http报文的数据格式进行封装打包，然后通过post请求将数据传输到云服务器；在云服务器端建立一个数据库用于储存上传的鱼缸环境数据；智能监控设备通过移动互联网远程访问云服务器获取其中数据库中的信息，即可实现实时的监测鱼缸的环境参数，通过智能监控设备发送控制指令，更新至云服务器的控制数据表中的，并触发事件，将变化的数据传输给控制器进行处理。

通过对比国内外几大云服务器供应商(包括阿里云、腾讯云、百度云、亚马逊、微软等)的优缺点，因为本系统所需数据流量较小，综合考虑下阿里云价格较低，服务器配置满足本系统需求，故本发明选择阿里云作为远程通信的云服务器。

图像采集模块包括安装于鱼缸上的摄像头和设置于控制器内的数据采集模块、数据处理模块以及卷积神经网络，摄像头与控制器连接。摄像头采用IMX222型号的摄像头。

在本系统中，各个传感器及摄像头采集到的数据首先传递给控制器，控制器对采集到的数据进行判断并控制鱼缸各个监控模块进行操作，将鱼缸环境数据通过显示器进行显示并上传给云服务器，智能监控设备与服务器进行连接以获取数据并进行远程控制。

摄像头采集视频的帧数设置为100fps，则每10ms可以获得一张图像，对图像进行处理后输入控制器的中卷积神经网络，利用之前训练好的模型，即可获得鱼儿种类及数量的实时数据，根据此数据自动调整投食量。

如图5所示，卷积神经网络依次包括卷积层、池化层、卷积层、池化层、全连接层和输出层。本鱼缸智能监控系统的鱼种类及数量的方法包括以下步骤：

S1：摄像头采集鱼缸内鱼的图像信息，并输入控制器中，利用控制器中搭建好的卷积神经网络与训练好的模型，识别出图像中鱼儿的种类及数量；

S2：重复步骤S1，并且摄像头每隔10ms采集一次图像，并利用置入控制器中的卷积神经网络与模型，最终识别出鱼缸内所有鱼儿的种类及数量；

S3：控制器根据鱼的种类及数量，控制投食器投入鱼缸内的食量的多少；

S4：鱼的种类及数量的信息通过显示模块显示出来，并发送给云服务器的数据库中，远程智能监控设备通过移动互联网获取数据库中的信息，并在远程智能监控设备上显示出鱼的百科信息。

如图3所示，卷积神经网络及模型的搭建方法包括以下步骤：

S11：通过从网上下载鱼类图片数据作为数据集；

S12：将数据集中的图片数据处理成能够输入到卷积神经网络中的数据格式；

S13：将步骤S12中的图片数据输入到控制器中搭建的卷积神经网络中进行训练，并生成训练之后的模型，再将卷积神经网络及模型嵌入控制器中。

步骤S12具体包括以下步骤：

S121：指定数据集所在的文件列表；

S122：创建文件列表列队；

S123：从文件列表列队中读取数据；

S124：对读取的数据进行预处理；

S125：将预处理后的数据整理成Batch输入卷积神经网络。

由于训练集很大，图片很多，无法一次读取所有图片进行训练，因此先指定数据集所在的文件列表，找到所有图片的路径，将部分图片加入队列，在需要读取图片时再根据路径读取图片；当一个输入队列中的文件都被处理完后，它会将初始化时提供的文件列表中的文件重新加入队列进行处理。

图像的亮度、对比度等属性对图像的影响是非常大的，相同物体在不同亮度、对比度差别非常大。通过对图像的预处理，可以尽量避免模型受到无关因素的影响。在本发明中，数据预处理是指将数据集中的图像进行预处理，包括图像的解码与编码，图像的尺寸大小调整。在使用数据之前，要先对图像进行解码，将图像转为像素矩阵，再对图像进行裁剪使所有图像大小统一，之后输入卷积神经网络进行训练。

本发明的卷积神经网络是在tensorflow深度学习框架下搭建的，一共包含6层，如图5所示，卷积神经网络依次包括卷积层、池化层、卷积层、池化层、全连接层和输出层；在网络结构中，C1层和C3层都是卷积层，通过局部连接和权值共享的方法，一个可学习的卷积核对上一层的特征图进行卷积，之后通过一个激活函数得到输出特征图。其中，每个输出特征图可以组合卷积多个特征图的值。通过卷积操作，可以使原信号特征增加并降低噪音。

在网络结构中，S2和S4都是池化层，通过采样将初级的信号特征筛选并结合成更抽象、高级的信号特征；该过程对上一层输出进行子采样，可以减少数据的处理量，同时也可保留一定的有用信息。经过池化层，特征尺寸变小但数量不变。池化层的采样主要有平均采样和最大值采样，最大值采样比平均采样更具有优越性和有效性，因此，本发明采取最大值采样，采样大小为2*2，其输出特征图的大小是输入特征图的一半，即若输入特征图为2n*2n，输出特征图为n*n。

本发明中，S2池化层输入为28*34，输出为14*17。为了限制网络规模的大小，同时增强网络的非线性映射能力，网络在2次卷积池化对信号进行特征提取之后，接入一个全连接层。本发明中全连接输入为下采样层S4层特征图由二维变为一维后的特征，即6*4*6*7共2688个神经元，输出为128个神经元。最后一层输出层采用非线性分类能力强的Softmax回归作为分类器。

对数据集进行数据处理后，输入搭建好的卷积神经网络进行训练，即可得到训练之后的卷积神经网络模型；将卷积神经网络模型移植到控制器，控制器通过接收摄像头采集到的图像数据，即可输出图像中鱼儿的种类与数量。根据得到的鱼儿种类与数量的数据，控制投食器进行投食操作。

本方案利用物联网、自动化控制、机器学习等技术，提供了一种鱼缸智能监控系统，实现集供氧、水质监控、温度控制、自动投食、图像识别、远程监控为一体的鱼缸智能监控系统；通过图像识别的技术，摄像头采集鱼的图像信息并传输给控制器，输入控制器内的卷积神经网络，利用训练好的模型对鱼的种类及数量进行识别，达到检测出鱼缸内鱼的数量及种类的目的，从而可以精确控制投食，并且所有的监控信息可以通过显示模块显示出来。

本发明既能通过控制器实现自动控制及本地控制，又可以通过远程智能监控设备远程观测鱼缸并控制做出相应操作，提高了鱼儿的成活率及鱼缸的趣味性，实现了鱼缸的全自动化控制。本发明结构简单、实用性强，具有良好的应用前景，还可以应用于鱼类研究所，高档水族馆等地方。

Claims (10)

1.一种鱼缸智能监控系统，其特征在于，包括鱼缸监控系统和远程监控系统，所述鱼缸监控系统包括图像采集模块、供氧模块、显示模块、投食模块、温控模块和水质监测模块，所述图像采集模块、供氧模块、显示模块、投食模块、温控模块和水质监测模块均与控制器连接；所述远程监控系统包括相互无线通信连接的云服务器和远程智能监控设备，所述控制器与云服务器通过无线通信模块连接。

2.根据权利要求1所述的鱼缸智能监控系统，其特征在于，所述图像采集模块包括安装于鱼缸上的摄像头，所述摄像头与控制器连接。

3.根据权利要求1所述的鱼缸智能监控系统，其特征在于，所述供氧模块包括安装于鱼缸内的氧浓度传感器和增氧泵，所述氧浓度传感器和增氧泵均与控制器连接。

4.根据权利要求1所述的鱼缸智能监控系统，其特征在于，所述投食模块包括投食器，所述投食器与控制器连接。

5.根据权利要求1所述的鱼缸智能监控系统，其特征在于，所述温控模块包括安装于鱼缸内的温度传感器和加热器，所述温度传感器和加热器均与控制器电连接。

6.根据权利要求1所述的鱼缸智能监控系统，其特征在于，所述水质监测模块包括安装于鱼缸内的浊度传感器和水循环装置，所述浊度传感器和水循环装置均与控制器连接。

7.根据权利要求1所述的鱼缸智能监控系统，其特征在于，所述云服务器包括数据管理程序和数据库，所述数据库包括三张数据表，三张数据表分别包括存储鱼缸环境参数的数据表、存储鱼缸设备工作状态的数据表和存储用户信息并判定是否为合法登陆用户的数据表。

8.一种权利要求1-7任一项所述的鱼缸智能监控系统的鱼种类及数量识别方法，其特征在于，包括以下步骤：

S1：所述摄像头采集鱼缸内鱼的图像信息，并输入控制器中，利用控制器中搭建好的卷积神经网络与训练好的模型，识别出图像中鱼儿的种类及数量；

S2：重复步骤S1，并且摄像头每隔一段设定的时间段采集一次图像，并利用置入控制器中的卷积神经网络与模型，最终识别出鱼缸内所有鱼的种类及数量；

S3：控制器根据鱼的种类及数量，控制投食器投入鱼缸内的食量的多少；

S4：鱼的种类及数量的信息通过显示模块显示出来，并发送给云服务器的数据库中，远程智能监控设备通过移动互联网获取数据库中的信息，并在远程智能监控设备显示出鱼的百科信息。

9.根据权利要求8所述的鱼缸智能监控系统的图像识别方法，其特征在于，所述卷积神经网络及模型的搭建方法，具体包括以下步骤：

S11：通过从网上下载鱼类图片数据作为数据集；

S12：将数据集中的图片数据处理成能够输入到卷积神经网络中的数据格式；

S13：将步骤S12中的图片数据输入到控制器中搭建的卷积神经网络中进行训练，并生成训练之后的模型，再将卷积神经网络及模型嵌入控制器中。

10.根据权利要求9所述的鱼缸智能监控系统的图像识别方法，其特征在于，所述步骤S12具体包括以下步骤：

S121：指定所述数据集所在的文件列表；

S122：创建文件列表列队；

S123：从文件列表列队中读取数据；

S124：对读取的数据进行预处理；

S125：将预处理后的数据整理成Batch输入卷积神经网络。