CN111275269A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111275269A
CN111275269A CN202010134105.1A CN202010134105A CN111275269A CN 111275269 A CN111275269 A CN 111275269A CN 202010134105 A CN202010134105 A CN 202010134105A CN 111275269 A CN111275269 A CN 111275269A
Authority
CN
China
Prior art keywords
dissolved oxygen
fish
change
water
fish school
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.)
Withdrawn
Application number
CN202010134105.1A
Other languages
English (en)
Inventor
鲍玉军
张兵
宋珍伟
焦玉全
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 CN202010134105.1A priority Critical patent/CN111275269A/zh
Publication of CN111275269A publication Critical patent/CN111275269A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Farming Of Fish And Shellfish (AREA)

Abstract

本发明公开了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，其包括：水面鱼群二维图像预处理；鱼群行为特征分析；养殖水质溶解氧含量变化等级确定；T‑S模糊神经网络构建；养殖水质溶解氧含量变化程度预测。本发明依靠采集鱼群在水体溶解氧缺乏下的行为图像，对图像进行预处理并归纳出其异常行为特征，将之用于构建的“多入单出(MISO)”T‑S模糊神经网络系统，从而实现对水体溶解氧含量变化的科学预测，避免使用了大量较昂贵水质传感器及建立复杂溶解氧预测模型，降低了养殖风险和养殖成本，符合我国现阶段发展中国家淡水水产养殖的国情。

Description

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
技术领域
本发明属于智能水产养殖技术领域，具体为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。
背景技术
中国淡水水产养殖面积占总面积73.04％，且大部分集中在水资源相对丰富的长江中下游地区，淡水水产养殖在我国国民经济中占据重要地位。每年该地区仅因为水体溶解氧预警不及时而导致水产养殖数亿元的损失。
鱼类对外界的刺激和信息的感受与探测是它生存不可少的条件，且这些信息会在鱼群中迅速传播。在获得养殖鱼群在水面二维图像并利用图像处理算法处理的基础上，针对鱼类在水体溶解氧缺乏下的行为特征进行研究，最后将鱼群异常行为特征应用于所构建的T-S模糊神经网络系统，从而准确、可靠地对养殖水体溶解氧变化进行预测。这避免使用大量水质传感器及建立复杂预测模型预测，极大程度地降低了养殖风险和养殖成本，提高淡水水产养殖智能化和精确化管理水平，且符合我国现阶段发展中国家淡水水产养殖的国情，其研究方法并对水环境保护具有重要指导意义。
发明内容
本发明针对现有的技术问题，提供一种基于计算机视觉技术、动物行为学，分析养殖鱼在水体溶解氧缺乏下的各种异常行为，结合智能控制技术为水产养殖过程中水体溶解氧含量异常变化进行科学、可靠预警。目的是避免水产养殖中出现的经济损失并降低养殖成本，从而提高水产养殖的效率，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：一种基于养殖鱼异常行为的在线水质溶解氧变化预测方法，包括以下步骤：
步骤1，水面鱼群二维图像预处理；
步骤2，鱼群各个体在水面二维坐标确定；
步骤3，鱼群异常行为特征分析；
步骤4，水体溶解氧含量变化等级标准确定；
步骤5，T-S模糊神经网络构建；
步骤6，水体溶解氧含量变化程度预测。
与现有技术相比，本发明提供了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，具备以下有益效果：
本发明依靠基于计算机视觉技术的水产养殖鱼行为获取方法，实现鱼群中各个体在水面二维坐标的获取，结合动物行为学和水产养殖经验分析并表征鱼群在水体溶解氧缺乏下的各种异常行为特征，最终结合智能控制技术为水产养殖过程中水体溶解氧含量异常变化进行科学、可靠预警，这对高效水产养殖提供了精准地科学依据。从而避免了水产养殖中使用大量较昂贵水质传感器，降低了养殖风险和养殖成本，比较适合工厂高密度水产养殖。
附图说明
图1为本发明中鱼类对水体溶解氧的适应性示意图；
图2是本发明使用T-S模糊神经网络对养殖水体溶解氧含量变化预测流程。
图3为本发明中养殖鱼群在水体溶解氧缺乏下的二维行为特征排序、定级表。
具体实施方式
本发明针对现有的技术问题，提供一种基于计算机视觉技术、动物行为学，分析养殖鱼在水体溶解氧缺乏下的各种异常行为，结合智能控制技术为水产养殖过程中水体溶解氧含量异常变化进行科学、可靠预警。目的是避免水产养殖中出现的经济损失并降低养殖成本，从而提高水产养殖的效率，拟解决现有技术存在的问题。
本发明提供一种技术方案：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，包括以下步骤：
步骤1，水面鱼群二维图像预处理；
步骤2，鱼群各个体在水面二维坐标确定；
步骤3，鱼群异常行为特征分析；
步骤4，水体溶解氧含量变化等级标准确定；
步骤5，T-S模糊神经网络构建；
步骤6，水体溶解氧含量变化程度预测。
本实施例中，所述步骤1，水面鱼群二维图像预处理中，其方法如下：通过图像处理算法对图像进行预增强处理，提高鱼群的清晰度及对比度。
本实施例中，所述步骤2，鱼群各个体在水面二维坐标确定中，包括以下步骤：
2.1对增强后鱼群图像构建二值图像；
2.2执行滤波以及使用形态学算法去除图像中因噪声所造成的干扰区域；
2.3进行“距离变换”和“形态学重构”；
2.4通过确定各区域质心的方法实现鱼群中各个体目标在水面的二维坐标。
本实施例中，所述步骤3，鱼群异常行为特征分析中，方法如下：采用Delaunay三角剖分法构建鱼群Delaunay三角网，并在此基础计算能够描述鱼群集群特征的“鱼群重心”坐标。最后通过定义“集群半径”、“集群离散度”、“集群均速”和“集群平均鳃部呼吸频率”等四种参数对鱼群在水面异常行为特征进行表征。
本实施例中，所述步骤4，水体溶解氧含量变化等级标准确定中，方法如下：根据前面所归纳的鱼群在溶解氧缺乏下的“二维”行为特征参数对溶解氧含量变化程度进行排序、定级。
本实施例中，所述步骤5，T-S模糊神经网络构建中，将四种鱼群异常行为参数作为输入，溶解氧含量变化所对应的水体等级作为输出，构建T-S模糊神经网络。
本实施例中，所述步骤6，水体溶解氧含量变化程度预测中，其方法如下：将鱼群异常行为特征应用于所构建的T-S模糊神经网络系统，从而准确、可靠地对水体溶解氧含量变化进行预测，避免使用了大量较昂贵水质传感器及建立复杂溶解氧预测模型，降低了养殖风险及养殖成本。
参照图1、2、3，本发明通过图像处理算法对图像进行增强处理，从而有效 地去除图像中的“雾气”、提高鱼群的清晰度及对比度。为避免直接使用 Watershed算法分割鱼群时出现的较差效果以及所产生的过度分割，对增强后鱼 群图像执行滤波以及使用形态学“开运算”去除图像中因噪声(水体中存在的气 泡、杂质等)所造成的干扰区域后，进行“距离变换”和“形态学重构”，以尽 可能在使用分水岭算法分割图像之前过滤不期望的“局部最小值”区域，从而仅 仅在鱼群图像中所期望分割的位置保留“局部最小”。最后通过图像转为“标注 矩阵”后，即可容易地通过确定各区域质心的方法实现鱼群中各个体的质心坐标。
在获得鱼群各个体的质心坐标后，本发明采用Delaunay三角剖分法对鱼群中所有鱼以质心坐标为基础构建Delaunay三角网，并以此为基础进一步计算出能够描述鱼群集群特征的“鱼群重心”坐标。
实现Delaunay三角剖分，本发明则通过使用“逐点插入法”，其实现算法如下：
(1)构造一个超级三角形，包含所有散点，放入三角形链表。
(2)将“数据点集”中的散点依次逐个插入，在三角形链表中找出该点外接圆包含插入点的三角形(称为该点的影响三角形)，删除影响三角形的公共边，将插入点同影响三角形的全部顶点连接起来，从而完成一个点在Delaunay三角形链表中的插入。
(3)根据“局部最优化准则”对局部新形成的三角形进行优化。将形成的三角形放入Delaunay三角形链表。具体优化过程为：将两个具有公共边的三角形合并成一个凸多边形；以最大空外接圆为准则，观察第四个顶点是否在三角形的外接圆之内；如果在外接圆之内，则修正对角线，对调对角线，优化结束。
(4)循环执行上述第2步，直到所有散点插入完毕。
鱼群重心坐标(x,y)的计算公式如下：
Figure BDA0002395383730000051
其中，(xi,yi)为鱼群中各条鱼的质心坐标；n为鱼群中鱼的个数；m则为基于鱼群各个体二维坐标所构造的Delaunay三角网的三角形个数；
为较好地描述养殖鱼在水体溶解氧异常情况下的行为特征，本发明定义了“集群半径”、“集群离散度”、“集群均速”和“集群平均鳃部呼吸频率”等四种参数。
(1)集群半径：
Figure BDA0002395383730000052
其中，(x,y)为鱼群的集群重心；(xi,yi)为每条红鲫鱼的质心坐标；n为鱼群中红鲫鱼个数；
(2)集群离散度：
Figure BDA0002395383730000061
(3)集群均速：
Figure BDA0002395383730000062
其中，(xi1,yi1)和(xi2,yi2)分别为第i条鱼在1秒间隔的前后两帧图片中的质心坐标；n为鱼群中鱼的总数。
(4)集群平均鳃部呼吸频率：
采用摄像头按30fps采集图像，通过对10秒内300张图像进行鱼类鳃部运动统计，从而获得鱼群的平均鳃部呼吸频率。
不同品种的养殖鱼对溶解氧的需求是不同的，不仅正常生长需求值、呼吸困难点、窒息点不同，而且即使是同一品种鱼，在不同的生长阶段对溶解氧的需求也不同，这是由养殖鱼自身的生理因素所决定的。养殖鱼对溶解氧的适应水平具有一个适合其生长的最佳范围，其含量水平既不能过低，也不能过高。养殖鱼对溶解氧的适应及缺氧耐受遵循正态分布规律，如图1。
结合上述特征参数和图1，本发明将养殖鱼群在水体溶解氧缺乏下的二维行 为特征进行进行排序、定级，如图3。
本发明中利用T-S模糊神经网络预测养殖水体溶解氧含量变化程度流程如图2。根据所提供训练样本输入向量数、输出向量数确定神经网络的输入和输出节点数，本发明所依据的鱼群行为参数为四种，输出为溶解氧含量变化的水体等级，即模糊神经网络的输入节点和输出节点数分别为4和1。并确定隶属度函数个数为8，从而确定模糊神经网络的结构为“4-8-1”，T-S模糊系统参数为p0-p4。其中，T-S模糊神经网络的构建及其训练算法为：
(1)设模糊神经网络的输入向量分别为x1,x2,...,xj(j＝1,2,...,k),即输入向量表示为 X＝[x1,x2,...,xj](j＝1,2,...,k)。对向量X按照
Figure BDA0002395383730000071
进行归一化处理，获得归一化值样本Zi。其中Xmin是样本中最小值，Xmax为样本中最大值。
(2)对输入向量X＝[x1,x2,...,xj]计算其各输入量xj的隶属度
Figure BDA0002395383730000072
Figure BDA0002395383730000073
其中，n为模糊子集数；k为输入向量中参数个数；
Figure BDA0002395383730000074
为隶属度函数的中心；
Figure BDA0002395383730000075
为隶属度函数的宽度；
(3)模糊化隶属度，采用“乘积法”计算第i条规则在总输出中所占分量轻重的权重。
Figure BDA0002395383730000076
(4)根据模糊计算结果计算模糊模型的输出值yi：
Figure BDA0002395383730000077
其中，
Figure BDA0002395383730000078
为T-S模糊系统参数；
(5)计算输出误差E，
Figure BDA0002395383730000079
其中ydi是模糊神经网络的期望输出；yi是模糊神经网络的实际输出；
(6)对模糊神经网络系数及参数进行修正：
Figure BDA0002395383730000081
Figure BDA0002395383730000082
Figure BDA0002395383730000083
Figure BDA0002395383730000084
其中，i＝1,2,...,n；j＝1,2,...,k；α和β为学习率，这里取0.05；
(7)在训练模糊神经网络的时候，当误差E小于预先设定值时则停止训练。
以上所述，仅为发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于养殖鱼异常行为的在线水质溶解氧变化预测方法，其特征在于包括以下步骤：
步骤1，水面鱼群二维图像预处理；
步骤2，鱼群各个体在水面二维坐标确定；
步骤3，鱼群异常行为特征分析；
步骤4，水体溶解氧含量变化等级标准确定；
步骤5，T-S模糊神经网络构建；
步骤6，水体溶解氧含量变化程度预测。
2.根据权利要求1一种基于养殖鱼异常行为的在线水质溶解氧变化预测方法，其特征在于：所述步骤1，水面鱼群二维图像预处理中，其方法如下：通过图像处理算法对图像进行预增强处理，提高鱼群的清晰度及对比度。
3.根据权利要求1一种基于养殖鱼异常行为的在线水质溶解氧变化预测方法，其特征在于：所述步骤2，鱼群各个体在水面二维坐标确定中，包括以下步骤：
2.1对增强后鱼群图像构建二值图像；
2.2执行滤波以及使用形态学算法去除图像中因噪声所造成的干扰区域；
2.3进行“距离变换”和“形态学重构”；
2.4通过确定各区域质心的方法实现鱼群中各个体目标在水面的二维坐标。
4.根据权利要求1一种AlexNet网络和SVM相结合的土地利用变化检测方法，其特征在于：所述步骤3，鱼群异常行为特征分析中，方法如下：采用Delaunay三角剖分法构建鱼群Delaunay三角网，并在此基础计算能够描述鱼群集群特征的“鱼群重心”坐标。最后通过定义“集群半径”、“集群离散度”、“集群均速”和“集群平均鳃部呼吸频率”等四种参数对鱼群在水面异常行为特征进行表征。
5.根据权利要求1一种基于养殖鱼异常行为的在线水质溶解氧变化预测方法，其特征在于：所述步骤4，水体溶解氧含量变化等级标准确定中，方法如下：根据前面所归纳的鱼群在溶解氧缺乏下的“二维”行为特征参数对溶解氧含量变化程度进行排序、定级。
6.根据权利要求1一种基于养殖鱼异常行为的在线水质溶解氧变化预测方法，其特征在于：所述步骤5，T-S模糊神经网络构建中，将四种鱼群异常行为参数作为输入，溶解氧含量变化所对应的水体等级作为输出，构建T-S模糊神经网络。
7.根据权利要求1一种基于养殖鱼异常行为的在线水质溶解氧变化预测方法，其特征在于：所述步骤6，水体溶解氧含量变化程度预测中，其方法如下：将鱼群异常行为特征应用于所构建的T-S模糊神经网络系统，从而准确、可靠地对水体溶解氧含量变化进行预测，避免使用了大量较昂贵水质传感器及建立复杂溶解氧预测模型，降低了养殖风险及养殖成本。
CN202010134105.1A 2020-02-28 2020-02-28 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 Withdrawn CN111275269A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010134105.1A CN111275269A (zh) 2020-02-28 2020-02-28 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010134105.1A CN111275269A (zh) 2020-02-28 2020-02-28 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

Publications (1)

Publication Number Publication Date
CN111275269A true CN111275269A (zh) 2020-06-12

Family

ID=71003717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010134105.1A Withdrawn CN111275269A (zh) 2020-02-28 2020-02-28 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

Country Status (1)

Country Link
CN (1) CN111275269A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238014A (zh) * 2021-04-19 2021-08-10 中国农业大学 一种基于鱼群行为的水质溶解氧预测方法及装置
CN114282724A (zh) * 2021-12-24 2022-04-05 中山职业技术学院 水产养殖水体水质预测系统和方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238014A (zh) * 2021-04-19 2021-08-10 中国农业大学 一种基于鱼群行为的水质溶解氧预测方法及装置
CN114282724A (zh) * 2021-12-24 2022-04-05 中山职业技术学院 水产养殖水体水质预测系统和方法

Similar Documents

Publication Publication Date Title
CN109591982B (zh) 一种无人监控水下养殖机器人
Mohamed et al. Msr-yolo: Method to enhance fish detection and tracking in fish farms
An et al. Application of computer vision in fish intelligent feeding system—A review
US20230281265A1 (en) Method for estimating body size and weight of pig based on deep learning
CN112598713A (zh) 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法
CN111243005A (zh) 牲畜估重方法、装置、设备以及计算机可读存储介质
CN113592896B (zh) 基于图像处理的鱼类投喂方法、系统、设备及存储介质
CN112825791B (zh) 一种基于深度学习与点云凸包化特征的奶牛体况评分方法
CN106529006A (zh) 基于深度图像的肉鸡生长模型拟合方法及装置
CN110853070A (zh) 基于显著性与Grabcut的水下海参图像分割方法
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
CN109472883A (zh) 巡塘方法和装置
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
CN106259095A (zh) 一种池塘淡水养殖鱼的行为对水产养殖方面的判断方法
CN113349111A (zh) 一种用于水产养殖物的动态投喂方法、系统和存储介质
CN109492535B (zh) 一种计算机视觉的母猪哺乳行为识别方法
CN111666897A (zh) 基于卷积神经网络的斑石鲷个体识别方法
CN113326743B (zh) 一种养殖背景条件下鱼群运动行为参数提取和分析方法
Isa et al. CNN transfer learning of shrimp detection for underwater vision system
CN115512215A (zh) 水下生物监测方法、装置及存储介质
Zhang et al. A comprehensive survey with quantitative comparison of image analysis methods for microorganism biovolume measurements
Bao et al. Representation of freshwater aquaculture fish behavior in low dissolved oxygen condition based on 3D computer vision
CN109978937A (zh) 一种基于深度学习和特征部位检测的牛体尺测量系统
CN113222889A (zh) 高分辨率图像下水产养殖物的工厂化养殖计数方法及装置
Zhang et al. Fully automatic system for fish biomass estimation based on deep neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200612