CN111528143A - 一种鱼群摄食行为量化方法、系统、装置和存储介质 - Google Patents
一种鱼群摄食行为量化方法、系统、装置和存储介质 Download PDFInfo
- Publication number
- CN111528143A CN111528143A CN202010453962.8A CN202010453962A CN111528143A CN 111528143 A CN111528143 A CN 111528143A CN 202010453962 A CN202010453962 A CN 202010453962A CN 111528143 A CN111528143 A CN 111528143A
- Authority
- CN
- China
- Prior art keywords
- fish
- fish school
- speed
- feeding
- sampling
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000004634 feeding behavior Effects 0.000 title claims abstract description 40
- 238000011002 quantification Methods 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims description 7
- 241000251468 Actinopterygii Species 0.000 claims abstract description 147
- 238000009826 distribution Methods 0.000 claims abstract description 55
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 53
- 238000005070 sampling Methods 0.000 claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000009182 swimming Effects 0.000 claims abstract description 21
- 235000013305 food Nutrition 0.000 claims abstract description 8
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 10
- 238000009827 uniform distribution Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 244000144980 herd Species 0.000 claims description 4
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 claims description 3
- 238000009360 aquaculture Methods 0.000 abstract description 24
- 244000144974 aquaculture Species 0.000 abstract description 24
- 238000005265 energy consumption Methods 0.000 abstract description 5
- 238000012300 Sequence Analysis Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 5
- 235000003642 hunger Nutrition 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 241001596950 Larimichthys crocea Species 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 235000013332 fish product Nutrition 0.000 description 2
- 230000003134 recirculating effect Effects 0.000 description 2
- 230000037351 starvation Effects 0.000 description 2
- 206010020710 Hyperphagia Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 235000005686 eating Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000003031 feeding effect Effects 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009309 intensive farming Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000020830 overeating Nutrition 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000036186 satiety Effects 0.000 description 1
- 235000019627 satiety Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K61/00—Culture of aquatic animals
- A01K61/10—Culture of aquatic animals of fish
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K61/00—Culture of aquatic animals
- A01K61/80—Feeding devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
- G01P3/64—Devices characterised by the determination of the time taken to traverse a fixed distance
- G01P3/68—Devices characterised by the determination of the time taken to traverse a fixed distance using optical means, i.e. using infrared, visible, or ultraviolet light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Environmental Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biodiversity & Conservation Biology (AREA)
- Animal Husbandry (AREA)
- Zoology (AREA)
- Marine Sciences & Fisheries (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Farming Of Fish And Shellfish (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种鱼群摄食行为量化方法，包括以下步骤：1)采用摄像头对鱼群摄食过程进行采样；2)提取鱼群在距离水面N cm的水层采样图像，并提取鱼类的游动速度信息；3)在平均速度的基础上，提取时间序列上鱼群的两种速度分布；4)通过速度分布情况将采样图像分为活跃和不活跃两类；5)计算M分钟前鱼类的活跃指数，计算方法为：M分钟内，分类为活跃图像的数量；6)根据活跃图像的数量判断鱼群是否饱食。本发明鱼群摄食行为量化方法采用时间序列的分析方法，使用马尔科夫链蒙特卡洛方法判断鱼群进食过程中的速度分布，有效将鱼群摄食行为进行了量化，进而在喂食过程中降低饲料成本，优化水质条件，也会节约养殖水处理的能耗。
Description
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种鱼群摄食行为量化方法、系统、装置和存储介质鱼群摄食行为量化方法。
背景技术
中国水产养殖从业人员的平均年龄逐年上涨，从业人员数量不断减少，养殖过程自动化是中国水产养殖业健康发展的必然要求。自动化不仅节约劳动力，也让养殖产品上市过程可追溯，是未来发展的必由之路。鱼类产品是人类重要的蛋白质和能量来源，在人类生存与发展过程中起着重要作用，其主要来源于捕捞和水产养殖。随着人口的增长以及生态环境的退化，捕捞已经无法满足人类对鱼类资源的需求，水产养殖成为鱼类制品获取的重要途径。
水产养殖是指在人为控制下水生动植物繁殖、培育和收获的生产活动，其大致可分为粗放养殖、半粗放养殖和集约化养殖。前两种水产养殖方法过于依赖自然环境，且极易造成养殖水体的污染。集约化养殖通常指采用循环水养殖系统(RecirculatingAquaculture System,RAS)进行高密度养殖的水产养殖方法。其中池塘循环水养殖模式是多学科交叉和应用的水产养殖方法，其通常由养殖槽、投喂系统、排泄物收集系统、水质监测与净化系统等组成。随着水资源的日益匮乏和环境污染带来的压力，池塘循环水养殖模式正成为中国水产养殖的重要发展方向。
在池塘循环水养殖条件下实现鱼类精准投喂是产业亟待解决的关键科学问题。首先，饥饿和过分饱食都会对养殖对象的生长造成不利影响；其次，饲料成本占整个水产养殖成本的40％以上，因此提高饲料利用率对增加养殖效益有着重要的作用；另外，残余饲料也会影响鱼类自身生活的水环境，加重养殖系统水质处理载荷。因此，根据养殖对象实际摄食需求的精准投喂对促进鱼类福利化养殖生长具有重要意义。
目前在池塘循环水水产养殖模式中，饵料投喂主要依靠人工投饵以及机器定时定量投饵：人工投饵虽能较好地依靠人工经验对养殖对象的摄食欲望进行判断，提高饵料投喂的精准性，但人工成本较高，费时费力；而机器定时定量投喂虽然在一定程度上节省了人工成本，而在鱼类不同生长阶段都需要手动更改投饲量与投饲时间，不能最佳的适应鱼类生长。
我国对于投饲机的研究工作开始于20世纪90年代，主要有投射和气力两种投饲方式；同时，由于近几年循环水养殖模式的普及，出现了轨道式投饲机。虽然，随着三维建模与仿真软件的应用与发展，对上述投饲机的各机构不断进行优化，性能有较大提高。但其只是基于定时定量投喂模式的改动，并没有根据养殖对象所表现出的摄食行为进行智能化投喂。
水产养殖中成本饲料成本占养殖总成本的40％，优化投喂过程中不仅可以降低饲料成本，优化水质条件，提高鱼类福利，也会节约养殖水处理的能耗。
综上所述，现有技术存在以下缺陷和不足：
(1)现有的投喂技术优势是整合实时的多源的数据用于投喂时机的判断，但是鱼类摄食强度是一个时序信号，现有方法在分析鱼群摄食的时序数据方面并没有涉及；
(2)使用多元的传感器成本太高。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种鱼群摄食行为量化方法，有效将鱼群摄食行为进行了量化，进而在喂食过程中降低饲料成本，优化水质条件，提高鱼类福利，也会节约养殖水处理的能耗。
本发明的目的之二在于提供一种鱼群摄食行为量化系统。
本发明的目的之三在于提供一种鱼群摄食行为量化装置。
本发明的目的之四在于提供一种存储介质。
本发明的目的之一采用如下技术方案实现：
一种鱼群摄食行为量化方法，包括以下步骤：
采样步骤：采用摄像头对鱼群摄食过程进行采样；
信息提取步骤：提取鱼群在距离水面N cm的水层采样图像，并从所述采样图像中提取鱼类的游动速度信息；
速度计算步骤：依据所述游动速度信息计算鱼类的平均速度，在平均速度的基础上，提取时间序列上鱼群的两种速度分布情况；
图像分类步骤：通过所述速度分布情况将所述采样图像进行分类：一类为活跃，一类为不活跃；
活跃指数计算步骤：计算M分钟前鱼类的活跃指数，所述活跃指数的计算方法为：M分钟内，分类为活跃图像的数量；
判断步骤：根据所述活跃图像的数量判断鱼群是否饱食。
进一步地，在所述采样步骤中，所述摄像头为高清摄像头，像素为1760×1024；采样频率为3～5帧/秒。
进一步地，在所述信息提取步骤中，使用亮度定标的方法，提取鱼群在距离水面20～30cm的水层采样图像，对所述采样图像进行二值化处理后，使用密集光流法提取鱼类的游动速度信息。
进一步地，亮度定标按照以下步骤进行：水中放标有刻度的尺子，用摄像机照一下，测量不同刻度上的亮度。所有摄像头在测量之前都需进行的步骤。
进一步地，在所述速度计算步骤中，依据所述游动速度信息计算鱼类的平均速度，在平均速度的基础上，使用马尔科夫链蒙特卡洛法提取时间序列上鱼群的两种速度分布情况。
进一步地，鱼群的两种速度分布情况分别用V1，V2表示，V1，V2均呈正态分布：
V1～Normal(μ1，σ1)
V2～Normal(μ2，σ2)
其中μ1和μ2为正态分布的均值，σ1和，σ2为正态分布的标准差，设定0-20的均匀分布为正态分布参数的先验分布：
μ1～Uniform(1，20)，σ1～Uniform(1，20)
μ2～Uniform(1，20)，σ2～Uniform(1，20)
数据集中的任意样本点都属于上述两个分布，使用p和(1-p)表示样本点归属两种分布的概率，p服从(0,1)上的均匀分布：
p～Uniform(011)
得到摄食过程鱼群平均速度的分布V1，V2，将V1和V2分布中均值较大的分布划分为活跃状态，数值较小的分布划分为不活跃状态。
进一步地，在所述活跃指数计算步骤中，所述M分钟为1～3分钟。
进一步地，在所述判断步骤中，所述活跃图像的数量小于40％，则判断鱼群为饱食。
本发明的目的之二采用如下技术方案实现：
一种鱼群摄食行为量化系统，包括：
采样模块：用于对鱼群摄食过程进行采样；
信息提取模块：用于提取鱼群在距离水面N cm的水层采样图像，并从所述采样图像中提取鱼类的游动速度信息；
速度计算模块：用于在平均速度的基础上提取时间序列上鱼群的两种速度分布情况；所述平均速度依据所述游动速度信息进行计算；
图像分类模块：用于将所述采样图像进行分类：一类为活跃，一类为不活跃；所述采样图像通过所述速度分布情况进行分类；
活跃指数计算模块：用于计算M分钟前鱼类的活跃指数，所述活跃指数的计算方法为：M分钟内，分类为活跃图像的数量；
判断模块：用于以所述活跃图像的数量为依据判断鱼群是否饱食。
本发明的目的之三采用如下技术方案实现：
一种鱼群摄食行为量化装置，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行如权利要求1-7任一项所述的鱼群摄食行为量化方法。
本发明的目的之四采用如下技术方案实现：
一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于实现如权利要求1-7任一项所述的鱼群摄食行为量化方法。
相比现有技术，本发明的有益效果在于：
本发明鱼群摄食行为量化方法采用时间序列的分析方法，使用马尔科夫链蒙特卡洛方法判断鱼群进食过程中的速度分布，有效将鱼群摄食行为进行了量化，进而在喂食过程中降低饲料成本，优化水质条件，提高鱼类福利，也会节约养殖水处理的能耗；同时仅仅采用高清摄像机即可完成本方法，不要更多精密的传感器元件，实施成本低。
附图说明
图1为鱼类饱食状态时的速度分布图；
图2为鱼类饥饿状态时的速度分布图；
图3为本发明实施例1所提供的鱼群摄食行为量化方法的流程示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。在下述实施例中所采用的原材料、设备等除特殊限定外均可以通过购买方式获得。
本发明实施例的鱼群摄食行为量化方法，适用于所有游泳型鱼类。
一种鱼群摄食行为量化方法，包括以下步骤：
采样步骤：采用摄像头对鱼群摄食过程进行采样；
信息提取步骤：提取鱼群在距离水面N cm的水层采样图像，并从采样图像中提取鱼类的游动速度信息；
速度计算步骤：依据游动速度信息计算鱼类的平均速度，在平均速度的基础上，提取时间序列上鱼群的两种速度分布情况；
图像分类步骤：通过速度分布情况将采样图像进行分类：一类为活跃，一类为不活跃；
活跃指数计算步骤：计算M分钟前鱼类的活跃指数，活跃指数的计算方法为：M分钟内，分类为活跃图像的数量；
判断步骤：根据活跃图像的数量判断鱼群是否饱食。
作为进一步的实施方式，在采样步骤中，摄像头为高清摄像头，像素为1760×1024；采样频率为3～5帧/秒。
作为进一步的实施方式，在信息提取步骤中，使用亮度定标的方法，提取鱼群在距离水面20～30cm的水层采样图像，对采样图像进行二值化处理后，使用密集光流法提取鱼类的游动速度信息。
作为进一步的实施方式，在速度计算步骤中，依据游动速度信息计算鱼类的平均速度，在平均速度的基础上，使用马尔科夫链蒙特卡洛法提取时间序列上鱼群的两种速度分布情况。
作为进一步的实施方式，在活跃指数计算步骤中，M分钟为1～3分钟，优选为2分钟。
作为进一步的实施方式，在判断步骤中，活跃图像的数量小于40％，则判断鱼群为饱食。但活跃图像的数量需要依据鱼类的具体类型和实际的实验条件进行具体认定。
实施例1
试验鱼：实验对象为大黄鱼(体长：23.00±4.10cm)。
实验条件如下：饲养于圆形不透明水槽(直径550cm，高120cm)中，水位高80cm，水温保持在20℃。间隔式投喂，即每次投喂50g，若水面没有残余饲料，继续投喂50g，直到鱼群不再摄食。
实验系统包括一个红外补光灯(华联视-C12V)、一台海康威视CCD高清摄像机(型号：DS-2CD7A46F-IZS)和一个图像存储器。红外补光灯安装在水槽的侧上方，用来增加亮度和减少阴影和反光，并调整补光灯角度确保鱼群处于均匀光照背景下进行拍摄。摄像机安装在水槽的正上方，镜头正对下方水面，调整镜头使其拍摄范围覆盖整个鱼群画面。
具体的操作如下所述：
一种鱼群摄食行为量化方法，包括以下步骤：
采样步骤：采用像素为1760×1024的高清摄像头以5帧/秒的采样频率，对鱼群摄食过程进行采样。
信息提取步骤：使用亮度定标的方法，提取鱼群在距离水面30cm水层的图像，二值化后使用密集光流法提取鱼类的游动速度信息。
速度计算步骤：由于鱼群在进食和饱食状态下游动速度不同，在计算鱼类平均速度的基础上，使用马尔科夫链蒙特卡洛法提取时间序列上鱼群的两种速度分布。
使用两个正态分布描述鱼群的速度分布V1，V2：
V1～Normal(μ1，σ1)
V2～Normal(μ2，σ2)
其中μ1和μ2为正态分布的均值，σ1和，σ2为正态分布的标准差，设定0-20的均匀分布为正态分布参数的先验分布：
μ1～Uniform(1，20)，σ1～Uniform(1，20)
μ2～Uniform(1，20)，σ2～Uniform(1，20)
数据集中的任意样本点都属于上述两个分布，使用p和(1-p)表示样本点归属两种分布的概率，p服从(0,1)上的均匀分布：
p～Uniform(0，1)
得到摄食过程鱼群平均速度的分布V1，V2，将V1和V2分布中均值较大的分布划分为活跃状态，数值较小的分布划分为不活跃状态。
图像分类步骤：通过速度分布给采样后的图片分类：一类为活跃，一类为不活跃。如图1所示，为饱食状态时的速度分布图；图2为饥饿状态时的速度分布图。
活跃指数计算步骤：每一次采样都计算2分钟前鱼类的活跃指数，活跃指数计算方法定义为：两分钟内，分类为活跃图像的数量。
判断步骤：根据活跃图像的数量判断鱼群是否饱食。活跃度高于40％的时候，定义为活跃状态。每一秒取5张图片，分析计算图像中鱼的活跃度水平，超过40％的，定义为活跃，赋值为1(饥饿状态)。
需要说明的是，一般地，方法进行到第4步(图像分类步骤)分类之后就结束了，但中间会夹杂大量的虚假数据(鱼会受到周围个体影响产生行为变化)，因此，第五步(活跃指数计算步骤)将前2分钟内的活跃指数进行了加和，避免/减少虚假数据的影响，提高准确度。所有采样视频(图像)的处理，采用光流法，自身就带有时间属性，准确度高。
不同的实验条件和不同的实验对象，活跃图像的数量取值是不一样的，本实施例以40％为例。
将实施例1的方法应用到具体的自动投喂系统，自动投喂系统由两部分构成，第一部分是总控系统，第二部分是投喂机控制系统。第一部分用于分辨鱼类行为，控制投喂系统开启和结束。第二部分预测总投喂量，控制成本。这里涉及的两个系统，无论哪一个系统计算结束，均可以结束投喂过程。
实施例2
总控系统：
实施例2是基于实施例1的原理进行实际应用，实施例1的计算与总控系统公式是相同的，实施例1是计算步骤，实施例2是实际应用。具体如下：
贝叶斯推断可用于确定鱼类习惯是随时间逐渐变化或突然变化。泊松分布用于生成与观测数据匹配的随机数，以对描述鱼群平均游速的离散时间序列进行建模。每帧的平均速度用Vi表示，定义为：
Vi～Poisson(λ)
其中i是帧数，λ是模型的子变量。
假设投喂过程中存在一个投喂终止时间点t。鱼在终点t之前游得很快，而平均鱼的速度在终点t之后很慢。因此，变量λ具有两个值：
其中，i是帧数，λ1，λ2是模型的变量，t是与端点相对应的帧数。
如果在喂食过程中鱼的平均速度稳定，则λ1，λ2相等。要使用贝叶斯推理，需要分配λ1，λ2相应的先验概率，其取值范围为任何正数。对于任何正数，指数分布具有连续的密度函数。计算公式如下：
λ1～Exp(α)
λ2～Exp(α)
其中α是λ的超参数或父变量。
α的值会稍微影响模型。将α设置为观测值的平均值的倒数，以确保模型的客观性。计算公式如下：
其中N是数据集中的图片数量。
由于数据中的噪声，很难为投喂终点t选择先验概率。我们假设每个帧的先验分布是相同的。计算公式如下：
t～DiscreteUniform(1，N)
其中k∈[1，N]，N是数据集中的图片数。
实施例3
投喂机控制系统：
对于一个新产生的样本，根据上述方法计算其摄食行为的速度特征，将其分类为活跃或不活跃。一般有三种方法，一是不考虑数据分布的方差，将其分配给更靠近的群集中心。另一种简单的计算方法是重新运行上述MCMC，将新的样本加入原始数据集中。这种方法的缺点是，对于每个新的的数据点，推断速度都很慢。三是使用贝叶斯定理，这种方法不那么精确，但速度更快。与第一种方法相比，精确度高，比第二种方法要快。对于我们后验分布的特定样本参数集(μ0,σ0,μ1,σ1,p)，根据鱼的平均速度来判断鱼的食欲。假设饱食时大黄鱼的速度为V1，计算过程如下：
P(Sx＝full|v＝v1)＜P(Sx＝hungry|v＝v1)
其中Sx是鱼群的状态，V是鱼群的平均速度。分母相等且计算很困难，因此可以忽略不计。
摄食行为量化值s-index的计算
图像序列分为两类，若鱼群正在觅食。此条件标记为0。另一种类型则没有，该条件标记为1。s-index计算方法按采样顺序累加图像相对应的标签：
其中，i是图像序列的序列号，label是图像的标签。
相对摄食强度的计算
每次喂50克饲料，直到鱼饱为止。50克饲料中鱼的平均摄食活性fa计算如下：
其中t是投喂饲料的时刻，t+n是鱼吃掉50克饲料的时间。计算所有阶段的平均进食活动并对其进行归一化以进行数据拟合，归一化公式如下：
其中FAmin和FAmaxa分别是FA序列的最小值和最大值。
综上，本发明实施例所提供的鱼群摄食行为量化方法采用时间序列的分析方法，使用马尔科夫链蒙特卡洛方法判断鱼群进食过程中的速度分布，有效将鱼群摄食行为进行了量化，进而在喂食过程中降低饲料成本，优化水质条件，提高鱼类福利，也会节约养殖水处理的能耗。
实施例4
一种鱼群摄食行为量化系统，包括：
采样模块：用于对鱼群摄食过程进行采样；
信息提取模块：用于提取鱼群在距离水面N cm的水层采样图像，并从采样图像中提取鱼类的游动速度信息；
速度计算模块：用于在平均速度的基础上提取时间序列上鱼群的两种速度分布情况；平均速度依据游动速度信息进行计算；
图像分类模块：用于将采样图像进行分类：一类为活跃，一类为不活跃；采样图像通过速度分布情况进行分类；
活跃指数计算模块：用于计算M分钟前鱼类的活跃指数，活跃指数的计算方法为：M分钟内，分类为活跃图像的数量；
判断模块：用于以活跃图像的数量为依据判断鱼群是否饱食。
实施例5
一种鱼群摄食行为量化装置，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载程序以执行如实施例1的鱼群摄食行为量化方法。
实施例6
一种存储介质，其中存储有处理器可执行的指令，其特征在于，处理器可执行的指令在由处理器执行时用于实现如实施例1的鱼群摄食行为量化方法。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种鱼群摄食行为量化方法，其特征在于，包括以下步骤：
采样步骤：采用摄像头对鱼群摄食过程进行采样；
信息提取步骤：提取鱼群在距离水面N cm的水层采样图像，并从所述采样图像中提取鱼类的游动速度信息；
速度计算步骤：依据所述游动速度信息计算鱼类的平均速度，在平均速度的基础上，提取时间序列上鱼群的两种速度分布情况；
图像分类步骤：通过所述速度分布情况将所述采样图像进行分类：一类为活跃，一类为不活跃；
活跃指数计算步骤：计算M分钟前鱼类的活跃指数，所述活跃指数的计算方法为：M分钟内，分类为活跃图像的数量；
判断步骤：根据所述活跃图像的数量判断鱼群是否饱食。
2.如权利要求1所述的鱼群摄食行为量化方法，其特征在于，在所述采样步骤中，所述摄像头为高清摄像头，像素为1760×1024；采样频率为3～5帧/秒。
3.如权利要求1所述的鱼群摄食行为量化方法，其特征在于，在所述信息提取步骤中，使用亮度定标的方法，提取鱼群在距离水面20～30cm的水层采样图像，对所述采样图像进行二值化处理后，使用密集光流法提取鱼类的游动速度信息。
4.如权利要求1所述的鱼群摄食行为量化方法，其特征在于，在所述速度计算步骤中，依据所述游动速度信息计算鱼类的平均速度，在平均速度的基础上，使用马尔科夫链蒙特卡洛法提取时间序列上鱼群的两种速度分布情况。
5.如权利要求4所述的鱼群摄食行为量化方法，其特征在于，鱼群的两种速度分布情况分别用V1，V2表示，V1，V2均呈正态分布：
V1～Normal(μ1，σ1)
V2～Normal(μ2，σ2)
其中μ1和μ2为正态分布的均值，σ1和，σ2为正态分布的标准差，设定0-20的均匀分布为正态分布参数的先验分布：
μ1～Uniform(1，20)，σ1～Uniform(1，20)
μ2～Uniform(1，20)，σ2～Uniform(1，20)
数据集中的任意样本点都属于上述两个分布，使用p和(1-p)表示样本点归属两种分布的概率，p服从(0,1)上的均匀分布：
p～Uniform(0，1)
得到摄食过程鱼群平均速度的分布V1，V2，将V1和V2分布中均值较大的分布划分为活跃状态，数值较小的分布划分为不活跃状态。
6.如权利要求1所述的鱼群摄食行为量化方法，其特征在于，在所述活跃指数计算步骤中，所述M分钟为1～3分钟。
7.如权利要求1所述的鱼群摄食行为量化方法，其特征在于，在所述判断步骤中，所述活跃图像的数量小于40％，则判断鱼群为饱食。
8.一种鱼群摄食行为量化系统，其特征在于，包括：
采样模块：用于对鱼群摄食过程进行采样；
信息提取模块：用于提取鱼群在距离水面N cm的水层采样图像，并从所述采样图像中提取鱼类的游动速度信息；
速度计算模块：用于在平均速度的基础上提取时间序列上鱼群的两种速度分布情况；所述平均速度依据所述游动速度信息进行计算；
图像分类模块：用于将所述采样图像进行分类：一类为活跃，一类为不活跃；所述采样图像通过所述速度分布情况进行分类；
活跃指数计算模块：用于计算M分钟前鱼类的活跃指数，所述活跃指数的计算方法为：M分钟内，分类为活跃图像的数量；
判断模块：用于以所述活跃图像的数量为依据判断鱼群是否饱食。
9.一种鱼群摄食行为量化装置，其特征在于，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行如权利要求1-7任一项所述的鱼群摄食行为量化方法。
10.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于实现如权利要求1-7任一项所述的鱼群摄食行为量化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010453962.8A CN111528143B (zh) | 2020-05-26 | 2020-05-26 | 一种鱼群摄食行为量化方法、系统、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010453962.8A CN111528143B (zh) | 2020-05-26 | 2020-05-26 | 一种鱼群摄食行为量化方法、系统、装置和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111528143A true CN111528143A (zh) | 2020-08-14 |
| CN111528143B CN111528143B (zh) | 2021-08-20 |
Family
ID=71969601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010453962.8A Expired - Fee Related CN111528143B (zh) | 2020-05-26 | 2020-05-26 | 一种鱼群摄食行为量化方法、系统、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111528143B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112136741A (zh) * | 2020-08-28 | 2020-12-29 | 盐城工学院 | 视觉面积精准喂食方法 |
| CN112634202A (zh) * | 2020-12-04 | 2021-04-09 | 浙江省农业科学院 | 一种基于YOLOv3-Lite的混养鱼群行为检测的方法、装置及系统 |
| CN113040081A (zh) * | 2021-03-24 | 2021-06-29 | 浙江大学 | 基于鱼群游泳能耗分析的循环水养殖鱼类智能投喂决策系统 |
| CN113383730A (zh) * | 2021-06-11 | 2021-09-14 | 华中农业大学 | 一种基于水流扰动的鱼群摄食活跃度智能检测方法 |
| CN113749030A (zh) * | 2021-09-09 | 2021-12-07 | 浙江大学 | 一种适用于循环水养殖模式的鱼类福利化自适应投饲系统 |
| CN114419432A (zh) * | 2021-12-23 | 2022-04-29 | 中国农业大学 | 一种鱼群摄食强度评估方法及装置 |
| CN114451338A (zh) * | 2021-12-29 | 2022-05-10 | 北京市农林科学院信息技术研究中心 | 鱼群的摄食强度分级方法、装置及智能调速投饲机 |
| CN114466157A (zh) * | 2020-12-25 | 2022-05-10 | 海南聚能科技创新研究院有限公司 | 一种水下和水上摄像结合评价鱼苗数量和活力的系统 |
| CN115578678A (zh) * | 2022-11-08 | 2023-01-06 | 中国农业大学 | 一种鱼类摄食强度分类方法及系统 |
| CN116193681A (zh) * | 2023-04-24 | 2023-05-30 | 聊城市敏锐信息科技有限公司 | 电照明光源的光照调节电路装置及鱼缸照明系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN206638663U (zh) * | 2017-04-26 | 2017-11-14 | 山东中医药大学 | 一种斑马鱼温敏行为活跃度检测仪 |
| CN108450382A (zh) * | 2018-02-05 | 2018-08-28 | 浙江大学 | 一种基于深度学习的智能投饲系统 |
| CN111165414A (zh) * | 2020-01-15 | 2020-05-19 | 浙江大学 | 一种基于光-声耦合技术的游泳型鱼类自适应投喂装置及方法 |
-
2020
- 2020-05-26 CN CN202010453962.8A patent/CN111528143B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN206638663U (zh) * | 2017-04-26 | 2017-11-14 | 山东中医药大学 | 一种斑马鱼温敏行为活跃度检测仪 |
| CN108450382A (zh) * | 2018-02-05 | 2018-08-28 | 浙江大学 | 一种基于深度学习的智能投饲系统 |
| CN111165414A (zh) * | 2020-01-15 | 2020-05-19 | 浙江大学 | 一种基于光-声耦合技术的游泳型鱼类自适应投喂装置及方法 |
Non-Patent Citations (3)
| Title |
|---|
| ZIYI LIU ET AL: "Measuring feeding activity of fish in RAS using computer vision", 《AQUACULTURAL ENGINEERING》 * |
| 刘建等: "循环水养殖游泳型鱼类精准投喂研究", 《中国博士学位论文全文数据库农业科技辑》 * |
| 陈志鹏等: "基于光流法与图像纹理特征的鱼群摄食行为检测", 《南方农业学报》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112136741A (zh) * | 2020-08-28 | 2020-12-29 | 盐城工学院 | 视觉面积精准喂食方法 |
| CN112634202A (zh) * | 2020-12-04 | 2021-04-09 | 浙江省农业科学院 | 一种基于YOLOv3-Lite的混养鱼群行为检测的方法、装置及系统 |
| CN112634202B (zh) * | 2020-12-04 | 2024-09-24 | 浙江省农业科学院 | 一种基于YOLOv3-Lite的混养鱼群行为检测的方法、装置及系统 |
| CN114466157A (zh) * | 2020-12-25 | 2022-05-10 | 海南聚能科技创新研究院有限公司 | 一种水下和水上摄像结合评价鱼苗数量和活力的系统 |
| CN113040081A (zh) * | 2021-03-24 | 2021-06-29 | 浙江大学 | 基于鱼群游泳能耗分析的循环水养殖鱼类智能投喂决策系统 |
| CN113040081B (zh) * | 2021-03-24 | 2022-01-18 | 浙江大学 | 基于鱼群游泳能耗分析的循环水养殖鱼类投喂决策系统 |
| CN113383730A (zh) * | 2021-06-11 | 2021-09-14 | 华中农业大学 | 一种基于水流扰动的鱼群摄食活跃度智能检测方法 |
| CN113749030B (zh) * | 2021-09-09 | 2022-07-15 | 浙江大学 | 一种适用于循环水养殖模式的鱼类福利化自适应投饲系统 |
| CN113749030A (zh) * | 2021-09-09 | 2021-12-07 | 浙江大学 | 一种适用于循环水养殖模式的鱼类福利化自适应投饲系统 |
| CN114419432A (zh) * | 2021-12-23 | 2022-04-29 | 中国农业大学 | 一种鱼群摄食强度评估方法及装置 |
| CN114419432B (zh) * | 2021-12-23 | 2024-04-30 | 中国农业大学 | 一种鱼群摄食强度评估方法及装置 |
| CN114451338A (zh) * | 2021-12-29 | 2022-05-10 | 北京市农林科学院信息技术研究中心 | 鱼群的摄食强度分级方法、装置及智能调速投饲机 |
| CN115578678A (zh) * | 2022-11-08 | 2023-01-06 | 中国农业大学 | 一种鱼类摄食强度分类方法及系统 |
| CN116193681A (zh) * | 2023-04-24 | 2023-05-30 | 聊城市敏锐信息科技有限公司 | 电照明光源的光照调节电路装置及鱼缸照明系统 |
| CN116193681B (zh) * | 2023-04-24 | 2023-06-27 | 聊城市敏锐信息科技有限公司 | 电照明光源的光照调节电路装置及鱼缸照明系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111528143B (zh) | 2021-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111528143B (zh) | 一种鱼群摄食行为量化方法、系统、装置和存储介质 | |
| Zhou et al. | Near infrared computer vision and neuro-fuzzy model-based feeding decision system for fish in aquaculture | |
| Liu et al. | Measuring feeding activity of fish in RAS using computer vision | |
| An et al. | Application of computer vision in fish intelligent feeding system—A review | |
| Zion | The use of computer vision technologies in aquaculture–a review | |
| Feng et al. | Fish feeding intensity quantification using machine vision and a lightweight 3D ResNet-GloRe network | |
| CN111436386A (zh) | 一种游泳型养殖鱼基于摄食强度测量的养殖方法及系统 | |
| Lee et al. | Research Article The Use of Vision in a Sustainable Aquaculture Feeding System | |
| CN115067243B (zh) | 一种基于物联网技术的渔业监测分析方法、系统及存储介质 | |
| CN109472883A (zh) | 巡塘方法和装置 | |
| CN114467824B (zh) | 智能投饵船 | |
| Huang et al. | The prototype of a smart underwater surveillance system for shrimp farming | |
| CN115100513B (zh) | 基于计算机视觉识别的养殖对象进食量估算方法及系统 | |
| CN113040088A (zh) | 水产养殖精准增氧方法、终端设备及可读存储介质 | |
| CN114557308B (zh) | 应用于循环水养殖的精准投喂系统及方法 | |
| Tonachella et al. | An affordable and easy-to-use tool for automatic fish length and weight estimation in mariculture | |
| Lai et al. | Automatic measuring shrimp body length using CNN and an underwater imaging system | |
| Liu et al. | Visual detection on posture transformation characteristics of sows in late gestation based on Libra R-CNN | |
| CN116630080B (zh) | 基于图像识别的水产集约化养殖饲料容量确定方法及系统 | |
| CN116432909B (zh) | 一种用于评价水产诱食性效果的试验方法 | |
| Clay et al. | The effects of thin layers on the vertical distribution of larval Pacific herring, Clupea pallasi | |
| Talijančić et al. | Plastic responses of gilthead seabream Sparus aurata to wild and aquaculture pressured environments | |
| CN114419432B (zh) | 一种鱼群摄食强度评估方法及装置 | |
| CN113179981B (zh) | 基于深度学习的公寓式螃蟹辅助养殖方法、系统和装置 | |
| EP4008179A1 (en) | Method and system for determining biomass of aquatic animals |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210820 |