CN110583550A - 基于目标检测与跟踪的鱼虾参养殖精准投喂系统及装置 - Google Patents

Abstract

本发明涉及喂饲装置技术领域，具体为一种基于目标检测与跟踪的鱼虾参养殖精准投喂系统及装置，该系统包括：投喂训练子系统，用于获取进食视频和训练模型，并利用进食视频对训练模型进行训练生成饥饿分析模型；投喂识别子系统，用于当投喂时获取进食图像，并对进食图像进行图像分析生成饥饿指标；投喂控制子系统，用于根据饥饿指标生成投喂时长，并根据投喂时长生成控制信息控制投喂装置进行投喂。采用本方案能够根据养殖生物的饥饿状态控制投喂装置进行喂食，以实现精准投喂。

Description

基于目标检测与跟踪的鱼虾参养殖精准投喂系统及装置

技术领域

本发明涉及喂饲装置技术领域，具体为一种基于目标检测与跟踪的鱼虾参养殖精准投喂系统及装置。

背景技术

目前，在水产行业中对于养殖投喂通常采用三种方式：一是纯人工的方式，工人通过经验观察，从而决定是否投喂以及投喂的用量，采用这样的方式，需要工作经验丰富的养殖人员才能实现，其次也需要大量的人力进行投喂，浪费过多的人力。二是半机械的方式，工人通过经验观察，决定是否投喂以及投喂的用量，从而控制投喂装置进行投喂，这样虽然解决了投喂的人力问题，但是仍需要经验丰富的养殖人员，其次投喂装置的投喂点固定，不便移动。三是全自动的方式，通过投喂装置定时定量进行投喂，由于养殖的鱼类在投喂时位置不同，其进食量也是不同的，另鱼类在不同阶段的食量是不同的，使得每次投喂量及投喂时长都不相同，采用定时定量的投喂方式容易造成食物的浪费，污染水质，或者使鱼类长期处于饥饿状态，不利于鱼类的生长。

发明内容

本发明意在提供一种基于目标检测与跟踪的鱼虾参养殖精准投喂系统及装置，能够根据养殖生物的饥饿状态控制投喂装置进行喂食，以实现精准投喂。

本发明提供基础方案：基于目标检测与跟踪的鱼虾参养殖精准投喂系统，包括：

投喂识别子系统，用于获取投喂时的进食图像，并对进食图像进行图像分析生成饥饿指标；

投喂控制子系统，用于根据饥饿指标生成投喂时长，并根据投喂时长生成控制信息控制投喂装置进行投喂。

基础方案的工作原理及有益效果：养殖生物在觅食状态和平时状态中其活动姿态不同，同样的处于不同饥饿状态下，养殖生物觅食时的活动姿态也不相同。基于这种活动姿态的不同，获取投喂时养殖生物的进食图像，根据进食图像进行分析生成饥饿指标，饥饿指标表征养殖生物的饥饿程度。根据饥饿指标生成投喂时长，即代表根据养殖生物的饥饿程度生成投喂时长，根据养殖生物的饥饿程度进行精准投喂，减少食物的浪费同时也能促进养殖生物的生长。投喂装置可采用现有的智能投喂装置，根据生成的投喂时长进行自动喂食，节省人力资源。

进一步，还包括：

投喂训练子系统，用于获取进食视频和训练模型，并利用进食视频对训练模型进行训练生成饥饿分析模型。

有益效果：训练模型可选用现有的神经网络模型，将若干进食视频作为训练集，通过进食视频对训练模型进行训练，从而生成饥饿分析模型，便于根据进食图像分析生成饥饿指标，从而实现精准投喂。

进一步，所述投喂识别子系统，包括：

图像分析模块，用于获取饥饿分析模型，并根据进食图像和饥饿分析模型生成饥饿指标。

有益效果：进食图像为投喂时养殖生物进食时的图像，向饥饿分析模型输入进食图像，从而获取饥饿指标，对养殖生物的饥饿程度进行判断，进而对养殖生物进行精准投喂。

进一步，所述投喂控制子系统，还包括：

投喂时长计算模块，用于获取马尔科夫链模型，并根据饥饿指标、马尔科夫链模型生成投喂时长。

有益效果：养殖生物在觅食过程中，随着觅食其饥饿指标不断的变化，根据这一系列指标建立马尔科夫链模型，通过马尔科夫链模型计算出要喂食的时间，即为投喂时长。

进一步，所述投喂训练子系统，包括：

视频采集模块，用于获取若干进食视频；

模型训练模块，用于获取训练模型，并逐一利用进食视频对训练模型进行训练，训练完成后获得饥饿分析模型，所述饥饿分析模型根据输入的进食图像输出饥饿指标。

有益效果：将若干养殖生物的进食视频作为训练集，对训练模型进行训练，从而获取饥饿分析模型，采用更多的进食视频使得获取的饥饿分析模型更加稳定，其输出的饥饿指标更加准确，便于后续实现养殖生物的精准投喂。

进一步，所述训练模型为卷积神经网络模型。

有益效果：采用卷积神经网络模型能够共享卷积核，提高训练效率，减小对高维数据的处理压力。

本发明还提供一种基于目标检测与跟踪的鱼虾参养殖精准投喂装置，该装置使用了上述的任一种基于目标检测与跟踪的鱼虾参养殖精准投喂系统。

有益效果：通过基于目标检测与跟踪的鱼虾参养殖精准投喂系统中生成的控制信息对投喂装置进行控制，从而实现精准投喂。

附图说明

图1为本发明基于目标检测与跟踪的鱼虾参养殖精准投喂系统实施例一的逻辑框图。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例一

基于目标检测与跟踪的鱼虾参养殖精准投喂系统，如附图1所示，包括投喂训练子系统、投喂识别子系统、投喂控制子系统、数据库、图像采集终端，数据库中预设若干进食视频。进食视频为养殖生物从投喂时到进食完毕的完整视频，养殖生物可以为鱼、虾、参等水产，也可以为猪、鸡、鸭等牲畜，在本实施例中，为便于说明将养殖生物定义为鱼。进食视频通过图像采集终端进行采集，图像采集终端可采用现有的视频采集装置(例如摄像头)，进食视频由人工进行筛选，选取完整进食过程(完整进食过程包括开始进食、进食中、结束进食)的视频作为进食视频，并将进食视频存储在数据库中作为训练集。

投喂训练子系统，包括：

视频采集模块，用于从数据库中获取若干进食视频。

模型训练模块，用于建立训练模型，从数据库中逐一获取进食视频作为训练集对训练模型进行训练，训练完成后获得饥饿分析模型，饥饿分析模型能够根据输入的进食图像输出饥饿指标，并将饥饿分析模型存储在数据库中。在本实施例中，饥饿指标为分值，其分值范围为0-1，分值越大饥饿程度越小。

训练模型可选用卷积神经网络模型、BP神经网络模型等，在本实施例中优选为卷积神经网络模型。卷积神经网络(convolutional neural network)通俗讲是卷积结构的深度神经网络，并且也是一种结构层级较多的监督型学习的神经网络，在图像分类、目标检测、声音识别等方面表现出极高的效率，几乎接近人类所能达到的认知标准和抽象的表达。虽然卷积神经网络的结构层级较多，但其占用的内存较少，网络参数的个数相对于其他神经网络而言较少，这样便极大的缓解了在神经网络中过拟合的问题。卷积神经网络通常包括：输入层，可以处理多维数据，通过对输入数据进行归一化处理提升卷积神经网络的学习效率和表现。隐含层，包括卷积层、池化层和全连接层常见构筑，通过卷积层对输入数据进行特征提取，其过程包括构建卷积核，根据卷积层参数决定卷积层输出特征图的尺寸，并根据激励函数协助表达负责特征；通过池化层对输出的特征图进行特征选择和信息过滤，其过程包括通过预设的池化函数，将特征图中单个点的结果替换为其相邻区域的特征图统计量；通过全连接层将特征图由空间拓扑机构展开为向量。输出层，使用逻辑函数或归一化指数函数输出分类标签。

模型建立模块，用于获取进食视频，并将进食视频拆分为若干帧图像，并从中获取鱼开始进食时的开始帧图像和鱼结束进食时的结束帧图像，并根据开始帧图像和结束帧图像生成鱼进食过程的进食时长。还用于根据饥饿分析模型对开始帧图像进行分析，并输出饥饿指标，为进食时长和饥饿指标建立联系(饥饿指标的分值越大，其进食时长越短)。对若干进食视频的进食时长和饥饿指标均建立联系后，根据建立联系的进食时长、饥饿指标构建马尔科夫链模型(即向马尔科夫链模型输入饥饿指标，其输出为进食时长)，并将马尔科夫链模型存储在数据库中。

图像采集终端，用于采集鱼在进食过程中活动姿态的视频，并发送给投喂识别子系统。

投喂识别子系统，包括：

图像获取模块，用于在投喂时，获取投喂装置生成的开始投喂信号发送给图像采集终端，并控制图像采集终端采集当前视频；还用于对当前视频进行拆分获取若干帧图像，并将鱼开始进食时的帧图像作为进食图像。

图像分析模块，用于从数据库中获取饥饿分析模型，并向饥饿分析模型输入进食图像，获得其输出的饥饿指标。

投喂控制子系统，包括：

投喂时长计算模块，用于从数据库中获取马尔科夫链模型，并向马尔科夫链模型输入饥饿指标，获取其输出的进食时长作为投喂时长。

信息控制模块，用于根据投喂时长生成控制信息以控制投喂装置进行投喂。投喂装置优选为现有的智能投喂装置，投喂装置能够在投喂时生成开始投喂信号，并在投喂时长结束时生成结束投喂信号。

实施例二

在鱼进食过程中，可能会出现鱼进食量过少，从而导致鱼发育过缓的情况，也可能出现鱼进食量过多，导致鱼发育过快的情况。鱼发育过缓相应的带来的经济效益也会降低，鱼发育过快相应的肉质较差，也会导致单品价值过低，从而影响整体的经济效益，因此在养殖过程中，应当避免这两种情况。

本实施例与实施例一的不同之处在于：基于目标检测与跟踪的鱼虾参养殖精准投喂系统，还包括进食控制子系统、水流控制装置。

投喂时长计算模块，用于将马尔科夫链模型输出的进食时长发送给进食控制子系统。

进食控制子系统，包括：

计算模块，用于获取进食时长，并根据预设的计算比例和进食时长生成第一时长。计算比例可为系统开发时固设，也可由养殖人员根据需求设置，在本实施例中，计算比例为系统固设的，其比例为六分之一，即当进食时长为六小时，则第一时长为一小时。

计时模块，用于获取到投喂装置在投喂时生成的开始投喂信号时，生成水流启动控制信号发送给水流控制装置，并根据第一时长进行计时，并在计时结束时生成水流停止控制信号发送给水流控制装置。还用于获取到投喂装置在投喂结束时生成的结束投喂信号时，根据预设的第二时长进行计时，并在计时结束时根据第一时长再次进行计时，并生成水流启动控制信号发送给水流控制装置，在第一时长的计时结束时生成水流停止控制信号发送给水流控制装置，同时将水流停止控制信号发送给运动模块。第二时长可为系统开发时固设，也可由养殖人员根据需求设置，在本实施例中，第二时长为系统固设的，其时长为二十分钟。为了避免将刚进食结束的鱼误判为进食量过多的鱼，因此设置第二时长，刚进食结束的鱼可在第二时长的计时过程中离开投喂点(为更好的养殖鱼，会设定固定的投喂点进行投喂)，而进食量过多的鱼会在投喂点继续觅食，由此减少误判的可能性。

水流控制装置，用于接收到水流启动控制信号时，在鱼前往或离开投喂点的路径上制造水流吸引鱼游动到运动点；还用于接收到水流停止控制信号时，在停止制造水流，使鱼从原来的路径游走。通过水流吸引鱼进行游动，从而将鱼从原来的路径吸引到运动点。

运动模块，用于接收到水流停止控制信号时，生成运动控制信号发送给水流控制装置，并根据预设的运动时长进行计时，在计时结束时，再次生成运动控制信号发送给水流控制装置。

水流控制装置，用于接收到运动控制信号时，在运动点生成旋转水涡使鱼沿着与水涡相反的方向游动，并在再次接收到运动控制信号时，停止在运动点生成旋转水涡。在其他实施例中，可在运动点制造水流使鱼沿着水流逆流而上游动。在运动点制造旋转水涡或水流，利用鱼逆流而上游动的特性，促使鱼进行运动。

当鱼的进食量过少时，其进食时长也会相应减少，同样的，当鱼进食量过多时，其进食时长也会相应的增加，根据进食时长进行区分，将最先离开进食点的鱼和最后离开进食点的鱼作为需要改善的鱼。通过促使鱼进行运动，针对进食量过少的鱼提高其进食量，针对进食量较多的鱼加大运动量，从而获得品质更好的鱼。

实施例三

为实现精准投喂，本申请还提供一种基于目标检测与跟踪的鱼虾参养殖精准投喂装置(该装置即为上述系统中记载的投喂装置)，该装置应用实施例一或实施例二中记载基于目标检测与跟踪的鱼虾参养殖精准投喂系统，包括控制器和投喂机本体，投喂机本体采用现有的能够设定工作时长的投喂装置，控制器安装在投喂机本体上。控制器用于控制投喂机本体投喂时，生成开始投喂信号，并发送给投喂识别子系统；还用于接收控制信息，并根据控制信息设定工作时长。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (7)

1.基于目标检测与跟踪的鱼虾参养殖精准投喂系统，其特征在于，包括：

投喂识别子系统，用于获取投喂时的进食图像，并对进食图像进行图像分析生成饥饿指标；

投喂控制子系统，用于根据饥饿指标生成投喂时长，并根据投喂时长生成控制信息控制投喂装置进行投喂。

2.根据权利要求1所述的基于目标检测与跟踪的鱼虾参养殖精准投喂系统，其特征在于，还包括：

投喂训练子系统，用于获取进食视频和训练模型，并利用进食视频对训练模型进行训练生成饥饿分析模型。

3.根据权利要求2所述的基于目标检测与跟踪的鱼虾参养殖精准投喂系统，其特征在于，所述投喂识别子系统，包括：

图像分析模块，用于获取饥饿分析模型，并根据进食图像和饥饿分析模型生成饥饿指标。

4.根据权利要求3所述的基于目标检测与跟踪的鱼虾参养殖精准投喂系统，其特征在于，所述投喂控制子系统，还包括：

投喂时长计算模块，用于获取马尔科夫链模型，并根据饥饿指标、马尔科夫链模型生成投喂时长。

5.根据权利要求2或4所述的基于目标检测与跟踪的鱼虾参养殖精准投喂系统，其特征在于，所述投喂训练子系统，包括：

视频采集模块，用于获取若干进食视频；

模型训练模块，用于获取训练模型，并逐一利用进食视频对训练模型进行训练，训练完成后获得饥饿分析模型，所述饥饿分析模型根据输入的进食图像输出饥饿指标。

6.根据权利要求5所述的基于目标检测与跟踪的鱼虾参养殖精准投喂系统，其特征在于：所述训练模型为卷积神经网络模型。

7.基于目标检测与跟踪的鱼虾参养殖精准投喂装置，其特征在于：该装置使用如权利要求1-6中任一项基于目标检测与跟踪的鱼虾参养殖精准投喂系统。