CN112906570A - 水产养殖投喂方法、终端设备及可读存储介质 - Google Patents
水产养殖投喂方法、终端设备及可读存储介质 Download PDFInfo
- Publication number
- CN112906570A CN112906570A CN202110193091.5A CN202110193091A CN112906570A CN 112906570 A CN112906570 A CN 112906570A CN 202110193091 A CN202110193091 A CN 202110193091A CN 112906570 A CN112906570 A CN 112906570A
- Authority
- CN
- China
- Prior art keywords
- feeding
- preset
- time
- aquatic economic
- aquaculture
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000009360 aquaculture Methods 0.000 title claims abstract description 41
- 244000144974 aquaculture Species 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 241001465754 Metazoa Species 0.000 claims abstract description 70
- 239000002245 particle Substances 0.000 claims abstract description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 20
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 241000238557 Decapoda Species 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 235000012054 meals Nutrition 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 210000002249 digestive system Anatomy 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 206010064147 Gastrointestinal inflammation Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000002934 diuretic Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Software Systems (AREA)
- Mining & Mineral Resources (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及水产养殖技术领域，具体涉及一种水产养殖投喂方法、终端设备及可读存储介质，其中，上述方法包括获取水产经济动物图像；分别检测水产经济动物图像中水产经济动物个体的体长；根据水产经济动物个体的体长选配目标饲料的粒径。本申请实施例提供的水产养殖投喂方法、终端设备及可读存储介质，利用机器视觉识别养殖池中水产经济动物的体长，进而根据体长选配适当粒径的饲料，改变了传统养殖业依靠经验人工投喂的情况，实现了水产养殖的精准投喂，解决了目前水产养殖领域难以精准选配饲料粒径的技术问题。
Description
技术领域
本申请涉及水产养殖技术领域，具体涉及一种水产养殖投喂方法、终端设备及可读存储介质。
背景技术
在水产养殖过程中，饲料投喂、换水及增氧是三个比较重要的环节。对于饲料投喂，现有的饲料在配方和组成等方面发展较为成熟，能够满足水产经济动物各个生长阶段的营养需要。除了饲料的营养及配方以外，饲料的粒径及饲料的投喂量也是养殖中的关键点。饲料粒径过大或过小，饲料投喂量不足或过量投喂，都会给水产经济动物健康生长造成影响。
发明内容
有鉴于此，本申请实施例提供了一种水产养殖投喂方法、终端设备及可读存储介质，以解决目前水产养殖领域难以精准选配饲料粒径的技术问题。
根据第一方面，本申请实施例提供了一种水产养殖投喂方法，包括：获取水产经济动物图像；分别检测所述水产经济动物图像中水产经济动物个体的体长；根据所述水产经济动物个体的体长选配目标饲料的粒径。
结合第一方面，在本申请的一些实施例中，所述分别检测所述水产经济动物图像中水产经济动物个体的体长的步骤，包括：根据预设的机器学习模型识别所述水产经济动物图像中的水产经济动物个体；分别检测所述水产经济动物个体的体长。
结合第一方面，在本申请的一些实施例中，所述根据所述水产经济动物个体的体长选配目标饲料的粒径的步骤，包括：根据所述水产经济动物个体的体长对所述水产经济动物个体进行分类；分别统计各个分类中水产经济动物个体的数量；根据各个分类中水产经济动物个体的数量计算目标比例；根据所述目标比例选配所述目标饲料的粒径。
结合第一方面，在本申请的一些实施例中，在所述根据所述水产经济动物个体的体长选配目标饲料的粒径的步骤之后，所述水产养殖投喂方法还包括：当根据预设投喂量投喂所述目标饲料后，获取实际进食时长；当实际进食时长小于预设进食时长时，补充投喂所述目标饲料；所述预设进食时长为与所述预设投喂量相对应的进食时长。
结合第一方面，在本申请的一些实施例中，当实际进食时长小于预设进食时长时，所述水产养殖投喂方法还包括：根据补充投喂量，更新所述预设投喂量。
结合第一方面，在本申请的一些实施例中，所述水产养殖投喂方法还包括：当实际进食时长大于预设进食时长时，根据实际进食时长与预设进食时长之差，更新所述预设投喂量。
结合第一方面，在本申请的一些实施例中，所述获取实际进食时长的步骤，包括：获取初始投喂时间；根据所述初始投喂时间和预设进食时长，计算第一观测时间；当到达所述第一观测时间后，根据预设的时间间隔获取水体图像序列；根据另一预设的机器学习模型逐一识别水体图像中的饲料；所述水体图像为所述水体图像序列中的图像；当在任一水体图像中未识别到饲料时，根据所述初始投喂时间和所述任一水体图像对应的采集时间，计算所述实际进食时长。
根据第二方面，本申请实施例提供了一种终端设备，包括：输入单元，用于获取水产经济动物图像；体长检测单元，用于分别检测所述水产经济动物图像中水产经济动物个体的体长；饲料选配单元，用于根据所述水产经济动物个体的体长选配目标饲料的粒径。
根据第三方面，本申请实施例提供了另一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面或第一方面任一实施方式所述方法的步骤。
根据第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面任一实施方式所述方法的步骤。
本申请实施例提供的水产养殖投喂方法、终端设备及可读存储介质，利用机器视觉识别养殖池中水产经济动物的体长，进而根据体长选配适当粒径的饲料，改变了传统养殖业依靠经验人工投喂的情况，实现了水产养殖的精准投喂，解决了目前水产养殖领域难以精准选配饲料粒径的技术问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的水产养殖投喂方法的一个具体示例的实现流程示意图；
图2是本申请实施例提供的水产养殖投喂方法的另一具体示例的实现流程示意图；
图3是本申请实施例提供的终端设备的一个具体示例的示意图；
图4是本申请实施例提供的终端设备的另一个具体示例的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
本申请实施例提供了一种水产养殖投喂方法，如图1所示，该方法可以包括以下步骤：
步骤S101：获取水产经济动物图像。
步骤S102：分别检测水产经济动物图像中水产经济动物个体的体长。
在一具体实施方式中，可以通过预设的机器学习模型识别水产经济动物图像中的水产经济动物个体，进而检测各个水产经济动物个体的体长。神经网络和深度学习等机器学习模型，已经广泛应用于人工智能的各个领域，其最常见的应用场景即分类。水产经济动物个体识别的本质也是分类问题。采用现有的机器学习模型并加以训练，能够实现对水产经济动物个体，例如对虾、鱼类、蟹类等个体的有效识别。
步骤S103：根据水产经济动物个体的体长选配目标饲料的粒径。
在实际的水产养殖中，对于同一养殖池中同时投放的鱼苗、虾苗或蟹苗，经过一段生长时间后，体长会存在差异。不同的体长对应不同的生长阶段，其所需要的饲料粒径也是不同的。以对虾养殖为例，对虾进食时需要抱住饲料颗粒，进而进食。不同体长的对虾能够恰好抱住的饲料粒径是不同的。为了使同一养殖池中不同体长的对虾都能够进食适当粒径的饲料颗粒，可以通过以下几个子步骤实现步骤S103的过程：
步骤S1031：根据水产经济动物个体的体长对水产经济动物个体进行分类。
步骤S1032：分别统计各个分类中水产经济动物个体的数量。
步骤S1033：根据各个分类中水产经济动物个体的数量计算目标比例。
步骤S1034：根据目标比例选配目标饲料的粒径。可以按照计算所得的目标比例，选择对应比例的饲料粒径，将按比例选配的饲料投放入养殖池，从而使养殖池中各种体长的个体都能够获得适当粒径的饲料颗粒，满足全部个体的进食和生长需要，避免个体间的生长发育差异进一步扩大。
在实际的养殖生产中，针对水产经济动物的每一餐的饲料投喂量都十分重要。投喂量不足会妨碍水产经济动物的生长发育，长时间积累后其影响不可忽视。而投喂量过大的不良影响则会更为快速的表现出来。以对虾养殖为例，任何一餐的过量投喂，都会严重影响对虾的胃肠消化系统，对虾会在过量进食后立即出现胃肠部的炎症，严重时会造成死亡，给养殖户造成经济损失。为了实现投放量的精准投喂，如图2所示，可以在步骤S103之后增设以下步骤：
步骤S104：当根据预设投喂量投喂目标饲料后，获取实际进食时长。预设进食时长是根据预设投喂量推算出的，与预设投喂量相对应的进食时长。
在一具体实施方式中，可以通过以下几个子步骤获取实际进食时长：
步骤S1041：获取初始投喂时间。
步骤S1042：根据初始投喂时间和预设进食时长，计算第一观测时间。
步骤S1043：当到达第一观测时间后，根据预设的时间间隔获取水体图像序列。
作为例子，当预设进食时长为30分钟时，可以将初始投喂时间后的20分钟作为第一观测时间，采集第一幅水体图像；此后，可以每间隔2分钟采集一幅水体图像，形成水体图像序列。
步骤S1044：根据另一预设的机器学习模型逐一识别水体图像中的饲料。水体图像为水体图像序列中的图像。
步骤S1045：当在任一水体图像中未识别到饲料时，根据初始投喂时间和该水体图像对应的采集时间，计算实际进食时长。
当在任一一幅水体图像中没有识别到任何饲料时，可以判定养殖池中的水产经济动物已经将本餐首次投喂的饲料全部进食完毕。相应的，这幅首次未检测到饲料的水体图像所对应的采集时间，即进食完毕的时间。进食完毕的时间与初始投喂时间之间的时间差，即实际进食时长。
步骤S105：判断实际进食时长是否小于预设进食时长。当实际进食时长小于预设进食时长时，执行步骤S106。
步骤S106：补充投喂目标饲料，根据补充投喂量，更新预设投喂量。当实际进食时长小于预设进食时长时，可以判定饲料投喂量不足，即预设投喂量不足以满足全体水产经济动物在现阶段的生长需要，应当及时补充投喂量，并适时调整和更新预设投喂量，从而使后续投喂能够一次性满足水产经济动物的进食需要。
当实际进食时长大于预设进食时长时，可以判定饲料投喂量过多，也需要尽快调整和更新预设投喂量，从而避免后续投喂再出现过量的问题，避免伤害水产经济动物的消化系统。具体的，当实际进食时长大于预设进食时长时，可以根据实际进食时长与预设进食时长之差，更新预设投喂量。
当实际进食时长与预设进食时长相符时，可以判定当前的预设投喂量是恰当合理的，无需重新调整或更新预设投喂量，可以在接下来一段时间内继续使用该预设投喂量。
本申请实施例提供的水产养殖投喂方法、终端设备及可读存储介质，利用机器视觉识别养殖池中水产经济动物的体长，进而根据体长选配适当粒径的饲料，改变了传统养殖业依靠经验人工投喂的情况，实现了水产养殖的精准投喂，解决了目前水产养殖领域难以精准选配饲料粒径的技术问题。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本申请实施例还提供了一种终端设备，如图3所示，该终端设备可以包括输入单元301、体长检测单元302和饲料选配单元303。
具体的，输入单元用于获取水产经济动物图像；其对应的工作过程可参见上述方法实施例中步骤S101的记载。
体长检测单元302用于分别检测水产经济动物图像中水产经济动物个体的体长；其对应的工作过程可参见上述方法实施例中步骤S102的记载。
饲料选配单元303用于根据水产经济动物个体的体长选配目标饲料的粒径；其对应的工作过程可参见上述方法实施例中步骤S103的记载。
在一具体实施方式中，饲料选配单元303还可以用于根据预设投喂量投喂目标饲料后，获取实际进食时长；在实际进食时长小于预设进食时长时，补充投喂目标饲料，并根据补充投喂量，更新预设投喂量；其对应的工作过程可参见上述方法实施例中步骤S104至步骤S106的记载。
图4是本申请一实施例提供的另一终端设备的示意图。如图4所示，该实施例的终端设备400包括：处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403，例如水产养殖投喂程序。所述处理器401执行所述计算机程序403时实现上述各个水产养殖投喂方法实施例中的步骤，例如图1所示的步骤S101至步骤S103。或者，所述处理器401执行所述计算机程序403时实现上述各装置实施例中各模块/单元的功能。
所述计算机程序403可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器402中，并由所述处理器401执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序403在所述终端设备400中的执行过程。例如，所述计算机程序403可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块)。
所述终端设备400可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器401、存储器402。本领域技术人员可以理解，图4仅仅是终端设备400的示例，并不构成对终端设备400的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器402可以是所述终端设备400的内部存储单元，例如终端设备400的硬盘或内存。所述存储器402也可以是所述终端设备400的外部存储设备，例如所述终端设备400上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器402还可以既包括所述终端设备400的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种水产养殖投喂方法，其特征在于，包括：
获取水产经济动物图像；
分别检测所述水产经济动物图像中水产经济动物个体的体长；
根据所述水产经济动物个体的体长选配目标饲料的粒径。
2.根据权利要求1所述的水产养殖投喂方法，其特征在于，所述分别检测所述水产经济动物图像中水产经济动物个体的体长的步骤，包括：
根据预设的机器学习模型识别所述水产经济动物图像中的水产经济动物个体；
分别检测所述水产经济动物个体的体长。
3.根据权利要求1所述的水产养殖投喂方法，其特征在于，所述根据所述水产经济动物个体的体长选配目标饲料的粒径的步骤，包括：
根据所述水产经济动物个体的体长对所述水产经济动物个体进行分类；
分别统计各个分类中水产经济动物个体的数量；
根据各个分类中水产经济动物个体的数量计算目标比例；
根据所述目标比例选配所述目标饲料的粒径。
4.根据权利要求1～3中任一项所述的水产养殖投喂方法，其特征在于，在所述根据所述水产经济动物个体的体长选配目标饲料的粒径的步骤之后，所述水产养殖投喂方法还包括：
当根据预设投喂量投喂所述目标饲料后，获取实际进食时长；
当实际进食时长小于预设进食时长时，补充投喂所述目标饲料；所述预设进食时长为与所述预设投喂量相对应的进食时长。
5.根据权利要求4所述的水产养殖投喂方法，其特征在于，当实际进食时长小于预设进食时长时，所述水产养殖投喂方法还包括：
根据补充投喂量，更新所述预设投喂量。
6.根据权利要求4所述的水产养殖投喂方法，其特征在于，所述水产养殖投喂方法还包括：
当实际进食时长大于预设进食时长时，根据实际进食时长与预设进食时长之差，更新所述预设投喂量。
7.根据权利要求4所述的水产养殖投喂方法，其特征在于，所述获取实际进食时长的步骤，包括：
获取初始投喂时间；
根据所述初始投喂时间和预设进食时长，计算第一观测时间；
当到达所述第一观测时间后，根据预设的时间间隔获取水体图像序列；
根据另一预设的机器学习模型逐一识别水体图像中的饲料；所述水体图像为所述水体图像序列中的图像；
当在任一水体图像中未识别到饲料时，根据所述初始投喂时间和所述任一水体图像对应的采集时间，计算所述实际进食时长。
8.一种终端设备，其特征在于，包括：
输入单元，用于获取水产经济动物图像；
体长检测单元，用于分别检测所述水产经济动物图像中水产经济动物个体的体长；
饲料选配单元，用于根据所述水产经济动物个体的体长选配目标饲料的粒径。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110193091.5A CN112906570A (zh) | 2021-02-20 | 2021-02-20 | 水产养殖投喂方法、终端设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110193091.5A CN112906570A (zh) | 2021-02-20 | 2021-02-20 | 水产养殖投喂方法、终端设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112906570A true CN112906570A (zh) | 2021-06-04 |
Family
ID=76124136
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110193091.5A Pending CN112906570A (zh) | 2021-02-20 | 2021-02-20 | 水产养殖投喂方法、终端设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112906570A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116548342A (zh) * | 2023-06-02 | 2023-08-08 | 上海左岸芯慧电子科技有限公司 | 一种水产养殖智能投喂方法、系统、介质及电子设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103444613A (zh) * | 2013-08-29 | 2013-12-18 | 北京农业信息技术研究中心 | 一种用于鱼类养殖的投喂控制系统及方法 |
| CN108229351A (zh) * | 2017-12-21 | 2018-06-29 | 深圳市欣博跃电子有限公司 | 一种动物养殖方法、动物养殖装置及电子设备 |
| CN108668929A (zh) * | 2018-03-12 | 2018-10-19 | 深圳市沃特沃德股份有限公司 | 喂食方法和喂食装置 |
| CN110754426A (zh) * | 2019-11-28 | 2020-02-07 | 深圳市慧农科技有限公司 | 一种背膘膘体自动检测以及动物自动饲喂方法、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 |
| CN111264405A (zh) * | 2020-02-19 | 2020-06-12 | 北京海益同展信息科技有限公司 | 一种饲喂方法、系统、装置、设备和计算机可读存储介质 |
| CN111372060A (zh) * | 2020-04-07 | 2020-07-03 | 北京海益同展信息科技有限公司 | 智能投饵方法、系统及巡检视觉装置 |
| CN111783745A (zh) * | 2020-08-06 | 2020-10-16 | 珠海南方利洋水产科技有限公司 | 一种应用于池塘养殖的鱼类健康判断方法、装置及计算机可读存储介质 |
| CN112232978A (zh) * | 2020-10-20 | 2021-01-15 | 青岛丰禾星普科技有限公司 | 水产品体长和重量检测方法、终端设备及存储介质 |
| CN112232977A (zh) * | 2020-10-20 | 2021-01-15 | 青岛丰禾星普科技有限公司 | 水产品养殖评估方法、终端设备及存储介质 |
| CN112331303A (zh) * | 2020-11-26 | 2021-02-05 | 小佩网络科技（上海）有限公司 | 宠物喂食计划生成方法、装置、电子设备及存储介质 |
-
2021
- 2021-02-20 CN CN202110193091.5A patent/CN112906570A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103444613A (zh) * | 2013-08-29 | 2013-12-18 | 北京农业信息技术研究中心 | 一种用于鱼类养殖的投喂控制系统及方法 |
| CN108229351A (zh) * | 2017-12-21 | 2018-06-29 | 深圳市欣博跃电子有限公司 | 一种动物养殖方法、动物养殖装置及电子设备 |
| CN108668929A (zh) * | 2018-03-12 | 2018-10-19 | 深圳市沃特沃德股份有限公司 | 喂食方法和喂食装置 |
| CN110754426A (zh) * | 2019-11-28 | 2020-02-07 | 深圳市慧农科技有限公司 | 一种背膘膘体自动检测以及动物自动饲喂方法、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 |
| CN111264405A (zh) * | 2020-02-19 | 2020-06-12 | 北京海益同展信息科技有限公司 | 一种饲喂方法、系统、装置、设备和计算机可读存储介质 |
| CN111372060A (zh) * | 2020-04-07 | 2020-07-03 | 北京海益同展信息科技有限公司 | 智能投饵方法、系统及巡检视觉装置 |
| CN111783745A (zh) * | 2020-08-06 | 2020-10-16 | 珠海南方利洋水产科技有限公司 | 一种应用于池塘养殖的鱼类健康判断方法、装置及计算机可读存储介质 |
| CN112232978A (zh) * | 2020-10-20 | 2021-01-15 | 青岛丰禾星普科技有限公司 | 水产品体长和重量检测方法、终端设备及存储介质 |
| CN112232977A (zh) * | 2020-10-20 | 2021-01-15 | 青岛丰禾星普科技有限公司 | 水产品养殖评估方法、终端设备及存储介质 |
| CN112331303A (zh) * | 2020-11-26 | 2021-02-05 | 小佩网络科技（上海）有限公司 | 宠物喂食计划生成方法、装置、电子设备及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| 占家智等: "《图说稻田小龙虾高产高效养殖关键技术》", 28 February 2019 * |
| 占家智等: "《稻田养殖虾蟹》", 30 June 2017 * |
| 唐兴本等: "浅谈南美白对虾科学投喂饵料技术", 《科学养鱼》 * |
| 徐国方等: "《南美白对虾仿生态养殖技术》", 30 November 2008 * |
| 黄燕华: "《水产养殖实用技能》", 30 June 2012 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116548342A (zh) * | 2023-06-02 | 2023-08-08 | 上海左岸芯慧电子科技有限公司 | 一种水产养殖智能投喂方法、系统、介质及电子设备 |
| CN116548342B (zh) * | 2023-06-02 | 2023-12-05 | 上海左岸芯慧电子科技有限公司 | 一种水产养殖智能投喂方法、系统、介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Deep learning for smart fish farming: applications, opportunities and challenges | |
| Zion | The use of computer vision technologies in aquaculture–a review | |
| CN107992903A (zh) | 牲畜身份识别方法、装置、存储介质和电子设备 | |
| Navotas et al. | Fish identification and freshness classification through image processing using artificial neural network | |
| CN113040088A (zh) | 水产养殖精准增氧方法、终端设备及可读存储介质 | |
| CN112232978B (zh) | 水产品体长和重量检测方法、终端设备及存储介质 | |
| CN109117773A (zh) | 一种图像特征点检测方法、终端设备及存储介质 | |
| CN108229351B (zh) | 一种动物养殖方法、动物养殖装置及电子设备 | |
| CN112257564B (zh) | 水产品数量统计方法、终端设备及存储介质 | |
| CN116067964B (zh) | 一种利用缩合单宁促进鱼肌肉脆化的方法及系统 | |
| Ibrahim Aliyu et al. | A proposed fish counting algorithm using digital image processing technique | |
| CN108257122A (zh) | 基于机器视觉的纸张缺陷检测方法、装置及服务器 | |
| CN113615629A (zh) | 水产养殖水质监控方法、终端设备及可读存储介质 | |
| CN112906570A (zh) | 水产养殖投喂方法、终端设备及可读存储介质 | |
| CN112232977A (zh) | 水产品养殖评估方法、终端设备及存储介质 | |
| CN112419214A (zh) | 一种标注图像生成方法、装置、可读存储介质及终端设备 | |
| Zhang et al. | Fully automatic system for fish biomass estimation based on deep neural network | |
| Muñoz-Benavent et al. | Impact evaluation of deep learning on image segmentation for automatic bluefin tuna sizing | |
| CN112461342B (zh) | 水产品称重方法、终端设备及存储介质 | |
| Ashraf et al. | Comparative study between transfer learning models to detect shrimp diseases | |
| Junior et al. | Fingerlings mass estimation: A comparison between deep and shallow learning algorithms | |
| CN116432909B (zh) | 一种用于评价水产诱食性效果的试验方法 | |
| Gamara et al. | Artificial neural network-based decision support for shrimp feed type classification | |
| CN113052114A (zh) | 死虾识别方法、终端设备及可读存储介质 | |
| CN115619823A (zh) | 一种物体投放方法、装置、终端及计算机可读存储介质 |
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: 20210604 |