CN111713440A - 基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法 - Google Patents
基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法 Download PDFInfo
- Publication number
- CN111713440A CN111713440A CN202010285662.3A CN202010285662A CN111713440A CN 111713440 A CN111713440 A CN 111713440A CN 202010285662 A CN202010285662 A CN 202010285662A CN 111713440 A CN111713440 A CN 111713440A
- Authority
- CN
- China
- Prior art keywords
- feeding
- fish
- feed
- underwater imaging
- hyperspectral
- 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.)
- Pending
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003384 imaging method Methods 0.000 title claims abstract description 22
- 241001417495 Serranidae Species 0.000 title claims abstract description 15
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 15
- 241000251468 Actinopterygii Species 0.000 claims abstract description 48
- 239000000126 substance Substances 0.000 claims abstract description 20
- 235000003642 hunger Nutrition 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 16
- 235000013372 meat Nutrition 0.000 claims abstract description 10
- 230000004634 feeding behavior Effects 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims abstract description 5
- 238000010238 partial least squares regression Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 235000015097 nutrients Nutrition 0.000 claims description 4
- 102000004169 proteins and genes Human genes 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 230000037351 starvation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000002860 competitive effect Effects 0.000 claims description 3
- 238000002329 infrared spectrum Methods 0.000 claims description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 3
- 239000011707 mineral Substances 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 235000013343 vitamin Nutrition 0.000 claims description 3
- 229940088594 vitamin Drugs 0.000 claims description 3
- 229930003231 vitamin Natural products 0.000 claims description 3
- 239000011782 vitamin Substances 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 2
- 150000003839 salts Chemical class 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000005266 casting Methods 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 5
- 238000009395 breeding Methods 0.000 description 5
- 230000001488 breeding effect Effects 0.000 description 5
- 238000009360 aquaculture Methods 0.000 description 4
- 244000144974 aquaculture Species 0.000 description 4
- JYGXADMDTFJGBT-VWUMJDOOSA-N hydrocortisone Chemical compound O=C1CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 JYGXADMDTFJGBT-VWUMJDOOSA-N 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 206010000060 Abdominal distension Diseases 0.000 description 2
- 239000004382 Amylase Substances 0.000 description 2
- 102000013142 Amylases Human genes 0.000 description 2
- 108010065511 Amylases Proteins 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 235000019418 amylase Nutrition 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 235000019625 fat content Nutrition 0.000 description 2
- 229960000890 hydrocortisone Drugs 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241000357439 Epinephelus Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 229910017053 inorganic salt Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000003911 water pollution 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
- A01K61/80—Feeding devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Environmental Sciences (AREA)
- Fluid Mechanics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Marine Sciences & Fisheries (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Zoology (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Geometry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明公开一种基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法，包括：(1)获取鱼肉样本的光谱与高光谱图像，建立光谱数据与鱼肉内待测物质的相关性模型；(2)改变饲料种类及投喂方式，利用高光谱检测鱼肉内待测物质的含量并建立含量与饲料种类及投喂方式的关系；(3)选取最佳鱼肉品质所对应的饲料品种及投喂方式对养殖水产进行投喂。本发明利用高光谱技术实现鱼肉品质的快速、无损在线检测的要求，水下成像技术分析鱼群摄食行为并建立养殖对象饥饿程度评估系统，根据检测分析结果以及鱼肉饥饿程度来智能调控投饵机实现精准投饵，具有重要的科学研究价值和应用意义。
Description
技术领域
本发明涉及石斑鱼精准投饵及智能调控技术领域，具体涉及一种基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法。
背景技术
循环水是目前国内外推广程度较高的一种新型的高密度养殖模式，该模式能在一定能程度上有效缓解由传统养殖模式所带来的挑战。然而在实际生产中，该种养殖模式下养殖对象的投喂福利却很难得到保障，极易造成养殖对象饥饿或过度饱食，对鱼肉品质带来影响。不仅如此，饲料成本占水产养殖成本的40％以上，直接影响企业养殖经济效益。传统投喂方法中的人工投喂费时费力，成本过高，且投喂效率低、稳定性较差；而机器定时定量投喂一定程度上解决人工投喂方式存在的成本高、投喂效率低、稳定性较差等问题，但人工根据经验预设的投喂时间和投喂量与养殖对象的实际采食需求差异较大，容易造成饲料投喂不足或过量，继而导致养殖对象生长效能降低、饲料浪费以及养殖水体污染。
近些年来，有研究人员将机器视觉技术应用到水产领域，为高效快速地查看水产养殖过程中存在的问题提供了新的思路，并取得了较好的进展。随着图像处理和光谱学等现代分析技术的不断创新和发展，鱼肉品质的检测正朝着快速、经济、准确、无损的方向发展。高光谱成像技术融合了传统的光谱技术(反映化学组成等)和图像技术(反映形态学特征)，不仅能同时捕捉到被测样品的光谱信息和图像信息，而且具有高分辨率、无需预处理、非破坏性、检测速度快、易于操作等特点，既弥补了传统光谱技术不能提供被测样品空间信息的不足，也打破了图像技术不能提供光谱信息的局限性。目前，高光谱成像技术已在水产品无损检测方面获得大量研究，并产生诸多成果。
综上所述，针对水产养殖中投饲机投饵范围固定、投饲不均匀、饲料利用率低等问题，研发基于水下成像以及高光谱技术的高密度水产养殖的智能投饲技术。
发明内容
本发明提供一种基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法，基于水下机器人成像与高光谱鱼肉检测技术，建立养殖品饥饿识别模型，结合鱼群的运动规律及特点，判别投料最佳场所、数量及投料时间。
为实现上述的发明目的，本发明所采用的具体技术方案如下：
一种基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法，包括：
(1)获取鱼肉样本的光谱与高光谱图像，建立光谱数据与鱼肉内待测物质的相关性模型；
(2)改变饲料种类及投喂方式，利用高光谱检测鱼肉内待测物质的含量并建立含量与饲料种类及投喂方式的关系；
(3)选取最佳鱼肉品质所对应的饲料品种及投喂方式对养殖水产进行投喂。
作为优选的，所述的营养物质包括水分、蛋白质、脂肪、无机盐、矿物质和维生素。
作为优选的，采用可见/短波近红外400-1100nm和近红外900-1700nm获取鱼肉样本的光谱与高光谱图像。
作为优选的，提取样本图像的平均光谱并与其相应的待测物质含量化学值采用偏最小二乘回归和最小二乘支持向量机建立相关性模型。
作为优选的，采用基于竞争性自适应重加权算法分别在可见/短波近红外和近红外光谱区间提取16个和15个特征波长，并分别建立PLSR和LS-SVM模型；在选取最优模型用于预测物质含量。
作为优选的，利用水下成像采集鱼群图像，构建鱼群摄食行为的时空特征进行量化分析模型，同时结合递归神经网络和鱼群生理指标，评估鱼群整体饥饿程度。
作为优选的，通过高光谱获得的最佳饲料及投喂方式控制投喂装置对养殖对象进行投喂，并结合水下成像系统对养殖对象饥饿程度评估结果对养殖对象实时检测并实现对投喂装置的实时智能调控。
本发明中的基于高光谱技术的鱼肉品质模型，包括不同饵料的成分以及不同的投喂方式，高光谱检测鱼肉中营养物质含量进行检测并建模。
本发明中的养殖对象饥饿评估系统包括基于计算机视觉、图像处理和深度卷积神经网络技术，构建鱼群摄食行为的时空特征进行量化分析模型，同时结合递归神经网络和鱼群生理指标(肠胃饱满度、皮质醇、淀粉酶等)，建立适用于鱼群整体饥饿程度语义化的评估系统。
本发明在养殖对象饥饿程度评估系统的研究基础上，结合CFD模拟和力学分析技术，对投饲装置的各个机械部件(料仓、饲料传输部分、饲料投饲部分等)以及各个机械部件之间的衔接结构进行模拟和分析，基于养殖对象投喂福利智能调控投饲装置对鱼群进行投喂。
本发明利用高光谱技术实现鱼肉品质的快速、无损在线检测的要求，水下成像技术分析鱼群摄食行为并建立养殖对象饥饿程度评估系统，根据检测分析结果以及鱼肉饥饿程度来智能调控投饵机实现精准投饵，具有重要的科学研究价值和应用意义。
附图说明
图1为本实施例中石斑鱼精准投饵及调控方法的示意图；
图2为可见-近红外高光谱系统图；
图3为鱼肉样本的光谱曲线；
图4为不同脂肪含量的鱼肉成像图。
具体实施方式
下面结合实施例和附图来详细说明本发明，但本发明并不仅限于此。
本实施例中，基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法，整体结构见图1所示，包括以下内容：
采用的可见-近红外高光谱系统结构如图2所示，主要由光谱仪(ImSpector V10E，Specim，Spectral Imaging Ltd，芬兰)、线阵CCD相机(Hamamatsu，日本)、镜头、卤素灯光源、步进电机控制的传送带、计算机等组成。
鱼肉中富含水分、蛋白质、脂肪、无机盐、矿物质和维生素等营养物质。鱼肉中化学组成成分的含量及分布不同时，对鱼肉的品质会产生一定的影响，比如其肌肉内的水分含量和分布会影响鱼肉的口感，脂肪含量的多少则与鱼肉的嫩度有关等，如图4所示。高光谱属于分子振动的倍频和合频光谱，与含氢基团如O-H、N-H、C-H等的倍频和合频的吸收区域一致，可通过提取光谱数据，分析样品中的含氢基团的特征信息，对被测样品化学成分进行定性和定量分析，不同的光谱波长所对应的生化基团见表1。
表1不同光谱波长对应的生化基团
采用可见/短波近红外(400-1100nm)和近红外(900-1700nm)系统获取鱼肉样本的光谱与高光谱图像，如图3所示。提取样本图像的平均光谱并与其相应的被测物质(水分，脂肪，蛋白质......)含量化学值采用偏最小二乘回归(partial least squaresregression，PLSR)和最小二乘支持向量机(least-squares support vector machines，LS-SVM)建立相关性模型。为降低高光谱图像的共线性和冗余度,基于竞争性自适应重加权算法(competitiveadaptive reweighted sampling，CARS)分别在可见/短波近红外和近红外光谱区间提取16个和15个特征波长，并分别建立PLSR和LS-SVM模型。最后，将最优模型用于预测物质含量。改变饲料种类及投喂方式后，利用高光谱检测待测物质的含量并建立含量与饲料种类及投喂方式的联系，选取最佳鱼肉品质所对应的饲料品种及投喂方法对养殖水产进行投喂。
养殖对象饥饿评估系统包括基于计算机视觉、图像处理和深度卷积神经网络技术，构建鱼群摄食行为的时空特征进行量化分析模型，同时结合递归神经网络和鱼群生理指标(肠胃饱满度、皮质醇、淀粉酶等)，建立适用于鱼群整体饥饿程度语义化的评估系统。
在养殖对象饥饿程度评估系统的研究基础上，结合CFD模拟和力学分析技术，对投饲装置的各个机械部件(料仓、饲料传输部分、饲料投饲部分等)以及各个机械部件之间的衔接结构进行模拟和分析，设计基于养殖对象投喂福利的智能投饲装置机械机构。针对不同粒径饲料，利用CFD模拟技术对投饲装置的饲料传输部分进行动态模拟和优化。
通过高光谱获得的最佳饲料及投喂方式控制投喂装置对养殖对象进行投喂，并结合水下成像系统对养殖对象饥饿程度评估结果对养殖对象实时检测并实现对投喂装置的实时智能调控。
以上所述仅为本发明的较佳实施举例，并不用于限制本发明，凡在本发明精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法，其特征在于，包括：
(1)获取鱼肉样本的光谱与高光谱图像，建立光谱数据与鱼肉内待测物质的相关性模型；
(2)改变饲料种类及投喂方式，利用高光谱检测鱼肉内待测物质的含量并建立含量与饲料种类及投喂方式的关系；
(3)选取最佳鱼肉品质所对应的饲料品种及投喂方式对养殖水产进行投喂。
2.如权利要求1所述的基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法，其特征在于，所述的营养物质包括水分、蛋白质、脂肪、无机盐、矿物质和维生素。
3.如权利要求2所述的基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法，其特征在于，采用可见/短波近红外400-1100nm和近红外900-1700nm获取鱼肉样本的光谱与高光谱图像。
4.如权利要求3所述的基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法，其特征在于，提取样本图像的平均光谱并与其相应的待测物质含量化学值采用偏最小二乘回归和最小二乘支持向量机建立相关性模型。
5.如权利要求4所述的基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法，其特征在于，采用基于竞争性自适应重加权算法分别在可见/短波近红外和近红外光谱区间提取16个和15个特征波长，并分别建立PLSR和LS-SVM模型；在选取最优模型用于预测物质含量。
6.如权利要求1所述的基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法，其特征在于，利用水下成像采集鱼群图像，构建鱼群摄食行为的时空特征进行量化分析模型，同时结合递归神经网络和鱼群生理指标，评估鱼群整体饥饿程度。
7.如权利要求6所述的基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法，其特征在于，通过高光谱获得的最佳饲料及投喂方式控制投喂装置对养殖对象进行投喂，并结合水下成像系统对养殖对象饥饿程度评估结果对养殖对象实时检测并实现对投喂装置的实时智能调控。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010285662.3A CN111713440A (zh) | 2020-04-13 | 2020-04-13 | 基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010285662.3A CN111713440A (zh) | 2020-04-13 | 2020-04-13 | 基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111713440A true CN111713440A (zh) | 2020-09-29 |
Family
ID=72564112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010285662.3A Pending CN111713440A (zh) | 2020-04-13 | 2020-04-13 | 基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111713440A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591672A (zh) * | 2021-07-28 | 2021-11-02 | 常州大学 | 一种基于Mask-Rcnn识别鱼类状态的检测方法 |
| CN114136906A (zh) * | 2021-12-01 | 2022-03-04 | 浙江省海洋水产养殖研究所 | 一种基于高光谱鱼肉品质检测的智能渔场调控方法与系统 |
| CN115486391A (zh) * | 2022-09-13 | 2022-12-20 | 浙江大学 | 一种珍珠龙胆石斑鱼精准投喂养殖方法 |
| CN117530208A (zh) * | 2023-11-09 | 2024-02-09 | 广东省农业科学院动物科学研究所 | 一种基于光伏制氢的抗鱼类饥饿胁迫养殖方法 |
| CN118306717A (zh) * | 2024-06-07 | 2024-07-09 | 广东工业大学 | 一种基于机器视觉和高光谱成像的植物投料系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2933076A1 (en) * | 2013-12-20 | 2015-06-25 | Can Technologies, Inc. | Particle score calibration |
| CN107372267A (zh) * | 2017-08-11 | 2017-11-24 | 浙江大学 | 一种基于游泳型鱼类行为特征反馈的智能投饲系统 |
| CN110583550A (zh) * | 2019-09-20 | 2019-12-20 | 重庆工商大学 | 基于目标检测与跟踪的鱼虾参养殖精准投喂系统及装置 |
-
2020
- 2020-04-13 CN CN202010285662.3A patent/CN111713440A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2933076A1 (en) * | 2013-12-20 | 2015-06-25 | Can Technologies, Inc. | Particle score calibration |
| CN107372267A (zh) * | 2017-08-11 | 2017-11-24 | 浙江大学 | 一种基于游泳型鱼类行为特征反馈的智能投饲系统 |
| CN110583550A (zh) * | 2019-09-20 | 2019-12-20 | 重庆工商大学 | 基于目标检测与跟踪的鱼虾参养殖精准投喂系统及装置 |
Non-Patent Citations (4)
| Title |
|---|
| MOHAMMADMEHDI SABERIOON等: "Spectral imaging application to discriminate different diets of live rainbow trout (Oncorhynchus mykiss)", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 * |
| 朱逢乐: "基于光谱和高光谱成像技术的海水鱼品质快速无损检测", 《中国优秀博士学位论文全文数据库 工程科技Ⅰ辑》 * |
| 杨晓忱等: "不同饲养方式下鸡肉的高光谱识别研究", 《农业科学研究》 * |
| 陈丽婷: "3种优质青饲料对草鱼饲养效果及投喂技术研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591672A (zh) * | 2021-07-28 | 2021-11-02 | 常州大学 | 一种基于Mask-Rcnn识别鱼类状态的检测方法 |
| CN113591672B (zh) * | 2021-07-28 | 2024-05-03 | 常州大学 | 一种基于Mask-Rcnn识别鱼类状态的检测方法 |
| CN114136906A (zh) * | 2021-12-01 | 2022-03-04 | 浙江省海洋水产养殖研究所 | 一种基于高光谱鱼肉品质检测的智能渔场调控方法与系统 |
| CN115486391A (zh) * | 2022-09-13 | 2022-12-20 | 浙江大学 | 一种珍珠龙胆石斑鱼精准投喂养殖方法 |
| CN115486391B (zh) * | 2022-09-13 | 2024-02-06 | 浙江大学 | 一种珍珠龙胆石斑鱼精准投喂养殖方法 |
| CN117530208A (zh) * | 2023-11-09 | 2024-02-09 | 广东省农业科学院动物科学研究所 | 一种基于光伏制氢的抗鱼类饥饿胁迫养殖方法 |
| CN117530208B (zh) * | 2023-11-09 | 2024-05-24 | 广东省农业科学院动物科学研究所 | 一种基于光伏制氢的抗鱼类饥饿胁迫养殖方法 |
| CN118306717A (zh) * | 2024-06-07 | 2024-07-09 | 广东工业大学 | 一种基于机器视觉和高光谱成像的植物投料系统及方法 |
| CN118306717B (zh) * | 2024-06-07 | 2024-08-09 | 广东工业大学 | 一种基于机器视觉和高光谱成像的植物投料系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111713440A (zh) | 基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法 | |
| Wang et al. | Spectral detection techniques for non-destructively monitoring the quality, safety, and classification of fresh red meat | |
| CN101718683B (zh) | 快速检测叶片叶绿素含量的建模方法及检测方法 | |
| CN103344567B (zh) | 生鲜肉无损检测装置 | |
| CN110443262B (zh) | 基于计算机视觉的鱼体新鲜度快速无损检测方法及其装置 | |
| CN106596416A (zh) | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 | |
| CN108663367A (zh) | 一种基于鸡蛋容重的鸡蛋品质无损检测方法 | |
| CN101007308A (zh) | 基于机器视觉的珍珠实时检测和分级系统 | |
| CN105548028A (zh) | 禽蛋新鲜度的光纤光谱分级检测装置及其方法 | |
| Jia et al. | Hyperspectral Imaging (HSI) for meat quality evaluation across the supply chain: Current and future trends | |
| CN106383095A (zh) | 一种冷却羊肉表面细菌总数检测装置及方法 | |
| CN114136920A (zh) | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 | |
| CN112184791A (zh) | 一种基于cnn-lstm神经网络的牦牛体重预测方法 | |
| CN116297236A (zh) | 一种基于高光谱的单粒玉米种子活力鉴别方法及装置 | |
| Allen | Recent developments in the objective measurement of carcass and meat quality for industrial application | |
| Kamruzzaman | Optical sensing as analytical tools for meat tenderness measurements-A review | |
| CN113640229B (zh) | 一种大豆品质多参数的快速无损检测方法和装置 | |
| CN106568737A (zh) | 一种地面成像高光谱反演钾盐含量的方法 | |
| CN106018292A (zh) | 蛋清中蛋白质构象的无损检测装置及其方法 | |
| Valous et al. | Quality evaluation of meat cuts | |
| Cao et al. | A hybrid method for identifying the feeding behavior of tilapia | |
| CN116051512A (zh) | 一种焦炭粒度识别检测方法及检测系统 | |
| CN111802281B (zh) | 孵前种鸭蛋中受精蛋的光纤光谱分级检测装置及其方法 | |
| CN115266752A (zh) | 一种鸡胸肉白色条纹等级判定的方法及装置 | |
| CN108444798A (zh) | 一种基于生物散斑和惯性矩谱分析的牛肉掺假检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200929 |