CN113312844B - 基于机器学习的循环水养殖监测系统 - Google Patents

基于机器学习的循环水养殖监测系统 Download PDF

Info

Publication number
CN113312844B
CN113312844B CN202110593943.XA CN202110593943A CN113312844B CN 113312844 B CN113312844 B CN 113312844B CN 202110593943 A CN202110593943 A CN 202110593943A CN 113312844 B CN113312844 B CN 113312844B
Authority
CN
China
Prior art keywords
water quality
water
culture
server
regulation
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.)
Active
Application number
CN202110593943.XA
Other languages
English (en)
Other versions
CN113312844A (zh
Inventor
杨军超
范玉淇
王建辉
申渝
陈猷鹏
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.)
Chongqing Nanxiangtai Environmental Protection Technology Research Institute Co ltd
Chongqing University
Chongqing Technology and Business University
Original Assignee
Chongqing Nanxiangtai Environmental Protection Technology Research Institute Co ltd
Chongqing University
Chongqing Technology and Business University
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 Chongqing Nanxiangtai Environmental Protection Technology Research Institute Co ltd, Chongqing University, Chongqing Technology and Business University filed Critical Chongqing Nanxiangtai Environmental Protection Technology Research Institute Co ltd
Priority to CN202110593943.XA priority Critical patent/CN113312844B/zh
Publication of CN113312844A publication Critical patent/CN113312844A/zh
Application granted granted Critical
Publication of CN113312844B publication Critical patent/CN113312844B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Farming Of Fish And Shellfish (AREA)

Abstract

本发明涉及机器学习的技术领域，具体为一种基于机器学习的循环水养殖监测系统，包括服务器，以及设置于养殖池内的水质调节组件，服务器获取养殖池内的水质参数和养殖图像；服务器预设有智能调控模型，服务器存储历史养殖记录，历史养殖记录包括历史水质参数、历史生长状态和历史调控信息，服务器将历史养殖记录作为训练样本训练智能调控模型；服务器接收水质参数和养殖图像，根据养殖图像生成养殖产品的生长状态，获取智能调控模型根据水质参数和生长状态输出的调控信息发送给水质调节组件；水质调节组件根据调控信息对养殖池内的养殖水体进行水质调控。采用本方案能够根据养殖产品的生长状态对养殖水体的水质进行调控。

Description

基于机器学习的循环水养殖监测系统
技术领域
本发明涉及机器学习的技术领域，具体为一种基于机器学习的循环水养殖监测系统。
背景技术
在循环水养殖环境中包括处理环境和养殖环境，处理环境通过对水体进行处理实现水体的循环使用，养殖环境用于实现养殖产品的养殖。为了确保养殖水体适宜养殖产品的生长，在养殖环境中设置多个水质监测传感器，水质监测传感器分布于养殖环境中的不同深度、不同区域，从而采集养殖环境中不同区域水体的水质参数，通过水质参数实现对养殖水体的水质监测。当水质参数超过养殖产品的标准范围时，根据水质参数和标准范围对养殖水体的水质进行调控，但是在养殖产品的不同生长状态下，所需的水质要求不同，采用相同的标准范围进行水质调控，难以满足养殖产品的养殖要求。
发明内容
本发明意在提供一种基于机器学习的循环水养殖监测系统，能够根据养殖产品的生长状态对养殖水体的水质进行调控。
本发明提供如下基础方案：
基于机器学习的循环水养殖监测系统，包括服务器，以及设置于养殖池内的水质调节组件，服务器用于获取养殖池内的水质参数和养殖图像；
服务器预设有智能调控模型，服务器还用于存储历史养殖记录，历史养殖记录包括历史水质参数、历史生长状态和历史调控信息，服务器还用于将历史养殖记录作为训练样本训练智能调控模型；
服务器还用于接收水质参数和养殖图像，根据养殖图像生成养殖产品的生长状态，获取智能调控模型根据水质参数和生长状态输出的调控信息发送给水质调节组件；
水质调节组件用于根据调控信息对养殖池内的养殖水体进行水质调控。
基础方案的有益效果：
历史养殖记录为服务器存储的养殖池历史进行养殖的相关信息，将历史养殖记录作为训练样本对智能调控模型进行训练，提高智能调控模型输出结果的准确性。
服务器根据养殖图像生成养殖产品的生长状态，智能调控模型的设置，结合水质参数和生长状态，预测当前生长状态下，需对水质进行调控的调控情况，即调控信息。根据调控信息控制水质调节组件。
水质调节组件根据调控信息对水质进行调控，采用本方案，通过历史养殖记录对智能调控模型进行训练，通过训练后的智能调控模型根据养殖产品的生长状态对养殖水体的水质进行调控，使得调控信息更符合养殖产品的实际养殖情况，从而使养殖产品达到最佳生长状态。
进一步，服务器还用于存储水质参数、养殖图像、生长状态和调控信息。
有益效果：对水质参数、养殖图像、生长状态和调控信息进行存储，管理者可调用相关信息进行查看，便于进行管理。
进一步，还包括设置于养殖池内的水质监测组件和图像采集模块，水质监测组件用于采集水质参数发送给服务器，图像采集模块用于采集养殖池内的养殖图像发送给服务器。
有益效果：水质监测组件的设置，用于采集养殖水体的各项水质参数，例如PH值、溶氧量、余氨等。图像采集模块的设置，用于采集养殖图像，养殖图像为拍摄的养殖池内的图像。
进一步，水质监测组件包括PH值测定仪、氨氮传感器、溶解氧传感器、余氯传感器、叶绿素传感器、悬浮物传感器、测温传感器、硝氮传感器中的一种或多种。
有益效果：根据养殖产品所需养殖环境的要求选择适宜的传感器构建水质监测组件。
进一步，还包括设置于养殖池的控制终端，服务器存储有水质预测模型和当前养殖信息，服务器还用于获取水质预测模型根据当前养殖信息输出的标准参数范围；
服务器还用于判断水质参数是否超出标准参数范围，若是，则生成进水控制信号发送给控制终端，控制终端用于根据进水控制信号增大养殖池的进水量；
服务器还用于再次接收水质参数，并判断再次接收的水质参数是否超过标准参数范围，若是，则生成设备检修信号，若否，则生成水体污染信号。
有益效果：水质预测模型的设置，根据当前养殖信息预测当前养殖池内水体的水质参数，预测的准确性和效率有所保障。标准参数范围并非点值，而是范围值，范围值与点值相比，具有一定的容错率，在水质参数位于合理范围内时，无需反复进行调节，降低控制成本。
当水质参数超出标准参数范围时，存在两种情况，一是此时养殖池内的水体受到污染，二是水质监测组件出现异常。由于进入养殖池的水体为适宜养殖产品生长的水体，因此本方案在水质参数超出标准参数范围时，增大养殖池的进水量，对养殖池内水体的水质进行调节，并再次接收水质参数进行判断，当再次接收的水质参数仍超过标准参数范围，则代表水质监测组件出现异常，此时生成设备检修信号，提醒工作人员对水质监测组件进行检修和更换。当再次接收的水质参数并未超过标准参数范围，则代表养殖池内该区域的水体出现异常，此时生成水体污染信号，提醒工作人员对养殖池内的水体进行查看和处理。
采用本方案在水质参数不符合标准参数范围时，自动对出现异常的原因进行分析，根据分析结果生成不同的提醒信号对工作人员进行提醒，降低工作人员分析及寻找异常原因的工作量，同时及时对异常情况进行处理，保证养殖产品的质量和产量。
进一步，服务器还用于当水质参数超过预设的参数阈值时，生成快速换水信号发送给控制终端，控制终端用于根据快速换水信号增大养殖池的进水量。
有益效果：预设的参数阈值为水质参数的适宜范围，用于判断水质是否出现严重问题，当水质参数超过参数阈值时，代表此时养殖池的水质出现严重问题，生成快速换水信号增大养殖池的进水量，从而对养殖池内的水体进行快速更换，缩短养殖产品在问题水体中的养殖时间，降低因水质出现疾病的概率，保证养殖产品的质量和产量。
进一步，水质预测模型和/或智能调控模型为BP神经网络模型。
有益效果：BP神经网络模型具有自学习和自适应能力，能够通过学习自动提取输出、输出数据间的合理规则，并自适应的将学习内容记忆于模型中，使得本方案的实时调控能力更为准确。
进一步，控制终端包括阻挡板，阻挡板与养殖池的底部和两侧固定连接，阻挡板用于沿养殖水体流动方向将养殖水体分隔为进水水体和出水水体，阻挡板上设有若干过水孔；
控制终端还包括用于遮挡过水孔的伸缩机构，伸缩机构与阻挡板滑动连接，水质监测组件设置在伸缩机构上，控制终端用于根据进水控制信号控制伸缩机构沿阻挡板滑动。
有益效果：阻挡板上设有过水孔，进入养殖池的水体为进水水体，当进水水体经过过水孔时为出水水体，过水孔的设置，不阻挡养殖水体的流动。伸缩机构的设置，能够在沿阻挡板滑动，从而实现对过水孔进行遮挡，阻挡板位置的不同相应的遮挡过水孔的数量或面积不同，从而实现对过水孔的流量进行控制。
进一步，伸缩机构包括固定座和伸缩板，固定座内设有数量不少于两个的电机，电机的输出轴均连接有丝杠，伸缩板的底部开设有限位孔，限位孔与固定座滑动连接，限位孔的底部开设有螺纹孔，丝杠远离输出轴的一端与螺纹孔螺纹连接。
有益效果：控制终端用于通过控制电机的正转和反转控制伸缩板沿阻挡板滑动，限位孔与固定座滑动连接，使得伸缩板沿固定座移动。当电机启动时，丝杠转动，由于螺纹孔的设置，以及伸缩板被固定座和阻挡板进行限定，此时伸缩板沿固定座移动，通过控制电机的正转和反转，控制伸缩板沿固定座上下运动，实现对过水孔遮挡数量和面积的调节。
附图说明
图1为本发明基于机器学习的循环水养殖监测系统实施例一的逻辑框图；
图2为本发明基于机器学习的循环水养殖监测系统实施例二的逻辑框图；
图3为本发明基于机器学习的循环水养殖监测系统实施例三的结构示意图；
图4为本发明基于机器学习的循环水养殖监测系统实施例三的主视剖视图；
图5为本发明基于机器学习的循环水养殖监测系统实施例四的逻辑框图。
具体实施方式
下面通过具体实施方式进一步详细说明：
说明书附图中的附图标记包括：阻挡板1、过水孔2、固定座3、伸缩板4、丝杠5。
实施例一
基于机器学习的循环水养殖监测系统，如附图1所示，包括服务器，以及设置于养殖池内的水质监测组件、图像采集模块和水质调节组件。水质监测组件包括PH值测定仪、氨氮传感器、溶解氧传感器、余氯传感器、叶绿素传感器、悬浮物传感器、测温传感器、硝氮传感器中的一种或多种，根据养殖产品所需养殖水体的要求选定传感器，在本实施例中，水质监测组件包括PH值测定仪、氨氮传感器和溶解氧传感器，相应的水质参数包括PH值、氨氮浓度和溶解氧浓度。图像采集模块为现有的水下摄像头。
水质监测组件用于采集水质参数发送给服务器，图像采集模块用于采集养殖池内的养殖图像发送给服务器。
服务器用于接收水质参数和养殖图像，根据养殖图像生成养殖产品的生长状态。具体的，服务器包括图像识别模块，图像识别模块用于接收养殖图像，基于图像识别技术对养殖图像进行图像识别生成养殖产品的生长状态。
服务器预设有智能调控模型，服务器还用于获取智能调控模型根据水质参数和生长状态输出的调控信息发送给水质调节组件。具体的，服务器还包括存储模块和模型预测模块，存储模块预设有智能调控模型，在本实施例中，智能调控模型为BP神经网络模型，存储模块还存有历史养殖记录，历史养殖记录包括历史水质参数、历史生长状态和历史调控信息，服务器用于将历史养殖记录作为训练样本训练智能调控模型。模型预测模块用于接收水质参数和生长状态时，调用存储模块存储的智能调控模型，获取智能调控模型根据水质参数和生长状态输出的调控信息。
服务器还用于存储水质参数、养殖图像、生长状态和调控信息。具体的，存储模块还用于关联存储水质参数、养殖图像、生长状态和调控信息。
水质调节组件用于根据调控信息对养殖池内的养殖水体进行水质调控。水质调节组件包括加氧机、光照仪、粪便清理机中的一种或多种，在本实施例中，水质调节组件包括加氧机。例如当养殖水体中溶解氧含量较低时，需增加溶解氧含量，此时调控信息为加氧机的启动时长，即加氧机根据水质调控指令控制加氧的启闭。
实施例二
当水质参数不符合标准参数范围时，通常会认为是养殖水体出现问题，因此会选择更换养殖水体，而更换养殖水体涉及到较多环节，容易对养殖产品造成惊扰，同时在此阶段也会花费较长时间进行水体更换。但是实际上水质参数不符合标准参数范围还可能是其他原因所导致，例如水质监测传感器出现损坏或监测异常。
因此，本实施例与实施例一的不同之处在于：如附图2所示，还包括设置于养殖池的控制终端，服务器还包括控制判断模块、延时监测模块和模型控制模块。
在本实施例中，控制终端采用现有的水泵，通过水泵控制养殖池的进水量。
存储模块还用于存储当前养殖信息，在本实施例中，当前养殖信息包括当前时间、当前养殖信息、当前监测信息和当前控制信息。
存储模块还用于存储水质预测模型。模型预测模块还用于接收水质参数后，调用水质预测模型和当前养殖信息，获取水质预测模型根据当前养殖信息输出的标准参数范围。
控制判断模块用于接收水质参数，判断水质参数是否超出标准参数范围，若是，则生成进水控制信号发送给控制终端和延时监测模块，若否，则生成自动控制信号发送给模型控制模块。
控制终端用于接收进水控制信号，根据进水控制信号增大养殖池的进水量。延时监测模块用于发送进水控制信号时，根据预设时长进行倒计时，当倒计时结束时，生成计时结束信号发送给控制判断模块。为确保水质监测组件所采集的水质参数更加准确的反映养殖水体情况，延时判断，在本实施例中，预设时长为六十分钟。
控制判断模块用于接收计时结束信号后，再次接收水质参数时，判断再次接收的水质参数是否超过标准参数范围，若是，则生成设备检修信号，若否，则生成水体污染信号，将设备检修信号或水体污染信号反馈给交互终端。
在其他实施例中，服务器还包括异常判断模块，异常判断模块预设有参数阈值，参数阈值为水质参数的适宜范围，参数阈值用于判断水质是否出现严重问题；异常判断模块用于接收水质参数，判断水质参数是否超过参数阈值，若是，则生成快速换水信号发送给控制终端，在本实施例中，即为当水质参数中的PH值、氨氮浓度和溶解氧浓度任一项超过对应的参数阈值时，生成快速换水信号发送给控制终端。控制终端还用于接收快速换水信号时，增大养殖池的进水量。
实施例三
本实施例与实施例二的不同之处在于：控制终端的不同。
如附图3、附图4所示，养殖池内有养殖水体，养殖池内一端设有进水口，另一端设有出水口。在本实施例中，控制终端包括阻挡板1和伸缩机构，阻挡板1与养殖池的底部和两侧固定连接，阻挡板1用于沿养殖水体流动方向将养殖水体分隔为进水水体和出水水体，即靠近进水口一侧的养殖水体为进水水体，另一侧的养殖水体为出水水体，出水水体为养殖产品生长的环境。阻挡板1上设有若干过水孔2，过水孔2均匀分布于阻挡板1的上半部，阻挡板1的顶端高于养殖水体的上表面。
伸缩机构用于遮挡过水孔2，伸缩机构与阻挡板1滑动连接，具体的，伸缩机构包括固定座3和伸缩板4，固定座3与养殖池的底部固定连接，伸缩板4的一侧与阻挡板1的一侧相接触，固定座3的顶部周向延伸第一阻挡部。固定座3内电机，电机的数量不少于两个，在本实施例中，电机的数量为两个，两个电机沿垂直养殖水体流动的方向设置。电机的输出轴均连接有丝杠5，在本实施例中，丝杠5与输出轴键连接，丝杠5的轴向垂直于养殖水体的上表面。伸缩板4的底部开设有限位孔，限位孔的开口周向延伸形成第二阻挡部，第一阻挡部和第二阻挡部配合使用。限位孔的侧壁与固定座3的侧壁滑动连接，限位孔的底部开设有螺纹孔，丝杠5远离输出轴的一端与螺纹孔螺纹连接，丝杠5远离输出轴的一端高于养殖水体。在其他实施例中，伸缩机构采用电动伸缩板4，电动伸缩板4包括依次套接的板体，最内层的板体的底部与养殖池底部连接，最外层板体的一侧与阻挡板1的一侧相接触，最外层板体用于遮挡过水孔2。第一阻挡部和第二阻挡部的设置，用于防止伸缩板4从固定座3上脱出，同时实现对伸缩板4移动方向的限定。阻挡板1和固定座3均对伸缩板4的移动进行限定，使得伸缩板4的移动更加稳定。
在本实施例中，过水孔2为条形孔，过水孔2等距设置，则调节伸缩机构遮挡过水孔2的长度实现对过水孔2的过水量进行调节，即实现对养殖池的进水量进行调节。
在本实施例中，控制终端用于接收进水控制信号时，根据进水控制信号增大养殖池的进水量，具体的，启动电机，调用预设的控制量控制电机启动时长，使得伸缩板4下移，减小遮挡过水孔2的面积。控制终端还用于接收换水控制信息时，根据换水控制信息调节养殖池的进水量，具体的，根据换水控制信息控制电机正向或反向启动，通过控制启动时长，使得伸缩板4上移或下移，从而减小或增大遮挡过水孔2的面积。控制终端还用于接收快速换水信号时，启动电机，使得伸缩板4下移至最大量，此时伸缩板4不遮挡过水孔2，从而实现快速换水。
实施例四
本实施例与实施例二的不同之处在于：本实施例中，水质监测组件设置于伸缩板4上。本实施例中，水质监测组件的数量为多个，以三个水质监测组件为例进行说明，三个水质监测组件等距设置在伸缩板4上，用于采集不同养殖池不同深度的水质参数。如附图5所示，服务器还包括异常拟合模块、指令生成模块、差值判断模块和差值计算模块。
服务器还用于比对所有水质监测组件采集的水质参数，当任一水质监测组件对应的水质参数与其余水质参数的差值大于预设的异常差值时，生成异常提醒信号。具体的，异常拟合模块用于根据所有的水质参数进行拟合获得拟合曲线，根据拟合曲线和水质参数计算每一水质参数与拟合曲线的差值。差值判断模块预设有异常差值，异常差值是系统能够接受的不同水质监测组件相差的最大值。差值判断模块用于判断每一水质参数与拟合曲线的差值是否大于异常差值，当任一差值大于异常差值时，生成异常提醒信号。
存储模块存储有水质监测组件间隔的安装距离，存储模块还用于当生成异常提醒信号时，记录对应的水质参数和采集高度，即记录大于异常差值的差值对应的水质参数，及其水质监测组件的采集高度。
服务器还用于根据预设的水质监测组件的安装距离生成诊断控制信息发送给控制终端。具体的，指令生成模块根据安装距离生成诊断控制信息，当采集高度为其最小值时，即代表对应的水质监测组件位于最底端，此时需控制伸缩机构上移，相应的，当采集高度为其最大值时，即代表对应的水质监测组件位于最顶端，此时需控制伸缩机构下移。
控制终端用于根据诊断控制信息控制伸缩机构沿阻挡板1滑动，使得另一水质监测组件位于该深度，例如本实施例以三个水质监测组件为例进行说明，为便于区别，从上至下将水质监测组件分别定义为A、B、C对应的采集高度为x、y、z。当水质监测组件B所采集的水质参数与水质监测组件A、C所采集的水质参数相差过大时，控制伸缩板4下移安装距离，此时水质监测组件A的深度为采集高度y，水质监测组件B的深度为采集高度z。
为确保水质监测组件所采集的水质参数更加准确的反映养殖水体情况，延时监测模块还用于指令生成模块生成诊断控制信息时，根据预设时长进行倒计时，当倒计时结束时，生成计时结束信号发送给差值计算模块。当阻挡板1滑动完成后，延时六十分钟，待养殖水体稳定后记录水质参数。
服务器还用于当阻挡板1滑动完成后，记录相同采集高度的水质参数，比对两次记录的水质参数，当两次水质参数的差值小于预设的溢量差值时，生成水体污染信号，反之，生成设备检修信号。具体的，差值计算模块用于接收计时结束信号后，再次接收水质参数时，记录相同采集高度的水质参数，即采集高度y对应当前水质监测组件A所采集的水质参数和采集高度y对应的历史水质检测组件B所采集的水质参数，计算两次水质参数的差值。
差值判断模块还预设有溢量差值，溢量差值用于判断相同采集高度的水质参数是否相差较大，差值判断模块还用于判断两次水质参数的差值是否小于溢量差值，当两次水质参数的差值小于溢量差值时，生成水体污染信号，当两次水质参数的差值等于或大于溢量差值时，生成设备检修信号。
当某一水质监测组件所采集的水质参数明显异于其余水质监测组件所采集的水质参数时，存在两种情况，一是该水质监测组件所处区域的水体出现异常，二是该水质监测组件出现异常。本方案通过控制阻挡板1滑动，使得阻挡板1上另一水质监测组件移动至该水质监测组件在养殖池中的位置，通过两次不同水质监测组件在相同位置采集水质参数进行比对，根据比对结果进行判断，当两次水质参数相差不大，即代表养殖池内该区域的养殖水体出现异常，此时生成水体污染信号，提醒工作人员对养殖水体进行处理；当两次水质参数相差较大时，即代表水质监测组件出现异常，此时生成设备检修信号，提醒工作人员对水质监测组件进行检修和更换。采用本方案自动对水质参数异常情况进行分析，根据分析结果提醒工作人员，提高异常判断效率，降低工作人员的工作量。
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 (8)

1.基于机器学习的循环水养殖监测系统，其特征在于：包括服务器，以及设置于养殖池内的水质调节组件，服务器用于获取养殖池内的水质参数和养殖图像；
服务器预设有智能调控模型，服务器还用于存储历史养殖记录，历史养殖记录包括历史水质参数、历史生长状态和历史调控信息，服务器还用于将历史养殖记录作为训练样本训练智能调控模型；
服务器还用于接收水质参数和养殖图像，根据养殖图像生成养殖产品的生长状态，获取智能调控模型根据水质参数和生长状态输出的调控信息发送给水质调节组件；
水质调节组件用于根据调控信息对养殖池内的养殖水体进行水质调控；
还包括设置于养殖池的控制终端，服务器存储有水质预测模型和当前养殖信息，服务器还用于获取水质预测模型根据当前养殖信息输出的标准参数范围；
服务器还用于判断水质参数是否超出标准参数范围，若是，则生成进水控制信号发送给控制终端，控制终端用于根据进水控制信号增大养殖池的进水量；
服务器还用于再次接收水质参数，并判断再次接收的水质参数是否超过标准参数范围，若是，则生成设备检修信号，若否，则生成水体污染信号。
2.根据权利要求1所述的基于机器学习的循环水养殖监测系统，其特征在于：服务器还用于存储水质参数、养殖图像、生长状态和调控信息。
3.根据权利要求1所述的基于机器学习的循环水养殖监测系统，其特征在于：还包括设置于养殖池内的水质监测组件和图像采集模块，水质监测组件用于采集水质参数发送给服务器，图像采集模块用于采集养殖池内的养殖图像发送给服务器。
4.根据权利要求3所述的基于机器学习的循环水养殖监测系统，其特征在于：水质监测组件包括PH值测定仪、氨氮传感器、溶解氧传感器、余氯传感器、叶绿素传感器、悬浮物传感器、测温传感器、硝氮传感器中的一种或多种。
5.根据权利要求1所述的基于机器学习的循环水养殖监测系统，其特征在于：服务器还用于当水质参数超过预设的参数阈值时，生成快速换水信号发送给控制终端，控制终端用于根据快速换水信号增大养殖池的进水量。
6.根据权利要求1所述的基于机器学习的循环水养殖监测系统，其特征在于：水质预测模型和/或智能调控模型为BP神经网络模型。
7.根据权利要求1所述的基于机器学习的循环水养殖监测系统，其特征在于：控制终端包括阻挡板，阻挡板与养殖池的底部和两侧固定连接，阻挡板用于沿养殖水体流动方向将养殖水体分隔为进水水体和出水水体，阻挡板上设有若干过水孔；
控制终端还包括用于遮挡过水孔的伸缩机构，伸缩机构与阻挡板滑动连接，水质监测组件设置在伸缩机构上，控制终端用于根据进水控制信号控制伸缩机构沿阻挡板滑动。
8.根据权利要求7所述的基于机器学习的循环水养殖监测系统，其特征在于：伸缩机构包括固定座和伸缩板，固定座内设有数量不少于两个的电机，电机的输出轴均连接有丝杠，伸缩板的底部开设有限位孔，限位孔与固定座滑动连接，限位孔的底部开设有螺纹孔，丝杠远离输出轴的一端与螺纹孔螺纹连接。
CN202110593943.XA 2021-05-28 2021-05-28 基于机器学习的循环水养殖监测系统 Active CN113312844B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110593943.XA CN113312844B (zh) 2021-05-28 2021-05-28 基于机器学习的循环水养殖监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110593943.XA CN113312844B (zh) 2021-05-28 2021-05-28 基于机器学习的循环水养殖监测系统

Publications (2)

Publication Number Publication Date
CN113312844A CN113312844A (zh) 2021-08-27
CN113312844B true CN113312844B (zh) 2022-07-29

Family

ID=77376401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110593943.XA Active CN113312844B (zh) 2021-05-28 2021-05-28 基于机器学习的循环水养殖监测系统

Country Status (1)

Country Link
CN (1) CN113312844B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114348201B (zh) * 2021-12-31 2024-05-03 国信中船(青岛)海洋科技有限公司 一种用于养殖工船养殖舱舱壁的智能清理系统
CN114997536A (zh) * 2022-08-01 2022-09-02 中国水产科学研究院南海水产研究所 一种养殖尾水污染检测方法、系统及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101796928A (zh) * 2009-07-14 2010-08-11 大连水产学院 养殖水体水质参数对养殖生物生长状态影响的预测方法
CN102807301A (zh) * 2012-07-31 2012-12-05 天津大学 再生水厂出水水质在线监测与实时预测系统及其控制方法
CN109596545A (zh) * 2018-12-03 2019-04-09 北京英视睿达科技有限公司 全光谱水质监测设备质控方法
CN110476839A (zh) * 2019-07-24 2019-11-22 中国农业大学 一种基于鱼类生长的优化调控方法及系统
CN110542750A (zh) * 2019-09-24 2019-12-06 重庆工商大学 水产养殖水质智能检测控制方法与系统
MY180923A (en) * 2011-07-01 2020-12-12 Univ Seoul Ind Coop Found System for treating sewerage overflow using apparatus for automatically measuring water quality and dissolved air floatation

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111640139B (zh) * 2020-05-22 2022-04-19 浙江大学 一种基于鱼群行为时空特性的循环水养殖水质智能预警装置和方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101796928A (zh) * 2009-07-14 2010-08-11 大连水产学院 养殖水体水质参数对养殖生物生长状态影响的预测方法
MY180923A (en) * 2011-07-01 2020-12-12 Univ Seoul Ind Coop Found System for treating sewerage overflow using apparatus for automatically measuring water quality and dissolved air floatation
CN102807301A (zh) * 2012-07-31 2012-12-05 天津大学 再生水厂出水水质在线监测与实时预测系统及其控制方法
CN109596545A (zh) * 2018-12-03 2019-04-09 北京英视睿达科技有限公司 全光谱水质监测设备质控方法
CN110476839A (zh) * 2019-07-24 2019-11-22 中国农业大学 一种基于鱼类生长的优化调控方法及系统
CN110542750A (zh) * 2019-09-24 2019-12-06 重庆工商大学 水产养殖水质智能检测控制方法与系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Application of wavelet-artificial intelligence hybrid models for water quality prediction: a case study in Aji-Chay River, Iran;Rahim Barzegar 等;《Stoch Environ Res Risk Assess》;20160118;第1797–1819页 *
水量水质联合调控模型及其应用;付意成 等;《水电能源科学》;20090430;第27卷(第2期);第31-35页 *
活性污泥模型（ASMs）研究进展及其发展前景;彭玉 等;《应用化工》;20200510;第49卷(第5期);第1288-1292页 *
系统工程视野下的再生水饮用回用安全保障体系构建;胡洪营 等;《环境科学研究》;20180731;第31卷(第7期);第1163-1173页 *

Also Published As

Publication number Publication date
CN113312844A (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN113312844B (zh) 基于机器学习的循环水养殖监测系统
CN113317265B (zh) 一种循环水养殖智能控制系统
CN109717120A (zh) 一种基于物联网的鱼类养殖监测投料系统及方法
CN103761565B (zh) 基于计算机视觉的水下鱼虾蟹苗数量估计与行为监测装置及方法
JP6200519B2 (ja) 動物プランクトンを計数するためのシステム及び方法
WO2019203661A1 (en) C-fish – fish welfare control
CN110772260A (zh) 一种非接触式奶牛体尺测量装置及方法
CN110910067A (zh) 一种结合深度学习与Q-learning的活鱼运输水质智能调控方法和系统
CN110447562B (zh) 跛牛识别及自动分群方法及其系统
WO2019057558A1 (de) Autonomes unterwasserfahrzeug zur fischschwarmerkennung und verfahren zur verminderung von beifang in der fischerei
DE102009018324A1 (de) Tiertränke
KR101923804B1 (ko) 뱀장어 양식장용 자동사료 공급량 판별장치 및 그 방법
CN210641940U (zh) 跛牛识别及自动分群系统
CN114119275A (zh) 一种水下智能巡检装置
AT523459B1 (de) Vorrichtung zum Erfassen von Wasserorganismen
CN114586728A (zh) 鱼苗分选系统和分选方法
CN211534419U (zh) 一种非接触式奶牛体尺测量装置
CN112875827A (zh) 基于图像识别和数据挖掘的智能加药系统和水处理系统
CN106094700A (zh) 一种用于池塘养殖的饲料抛撒控制方法
Du et al. An automatic detection method for abnormal laying hen activities using a 3D depth camera
KR20240104312A (ko) 빅데이터 기반 양식 생산성 향상을 위한 데이터 처리 방법
KR101822735B1 (ko) 바이오플락 양식생물 측정방법 및 장치
CN205357943U (zh) 一种捕羊装置
CN107743924A (zh) 一种磁力杠杆式自动青蛙饲料投放器及视频分析方法
CN115170925A (zh) 一种畜禽水产重大疾病监测预警装置及其使用方法

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
GR01 Patent grant
GR01 Patent grant