CN113516635A - 鱼菜共生系统及基于鱼类行为的蔬菜氮元素需求估算方法 - Google Patents
鱼菜共生系统及基于鱼类行为的蔬菜氮元素需求估算方法 Download PDFInfo
- Publication number
- CN113516635A CN113516635A CN202110661641.1A CN202110661641A CN113516635A CN 113516635 A CN113516635 A CN 113516635A CN 202110661641 A CN202110661641 A CN 202110661641A CN 113516635 A CN113516635 A CN 113516635A
- Authority
- CN
- China
- Prior art keywords
- fish
- water
- fishpond
- vegetable
- model
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 126
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 124
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 62
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 52
- 230000006399 behavior Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 106
- 230000000694 effects Effects 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000033001 locomotion Effects 0.000 claims description 22
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 15
- 230000009182 swimming Effects 0.000 claims description 15
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000007787 long-term memory Effects 0.000 claims description 7
- 235000015097 nutrients Nutrition 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 7
- 230000003542 behavioural effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 239000012535 impurity Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 230000001863 plant nutrition Effects 0.000 abstract description 2
- 238000003501 co-culture Methods 0.000 abstract 2
- 235000016709 nutrition Nutrition 0.000 description 10
- 230000035764 nutrition Effects 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- JVMRPSJZNHXORP-UHFFFAOYSA-N ON=O.ON=O.ON=O.N Chemical compound ON=O.ON=O.ON=O.N JVMRPSJZNHXORP-UHFFFAOYSA-N 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Marketing (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Animal Husbandry (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)
- Image Analysis (AREA)
Abstract
本发明属于智能鱼菜共养技术领域，涉及一种鱼菜共生系统及基于鱼类行为的蔬菜氮元素需求估算方法。鱼菜共生系统包括：种菜池、养鱼池、抽水泵、摄像机、过滤器和计算机。估算方法包括以下步骤：步骤1：建立鱼菜共生系统；步骤2：分析和统计鱼类行为数据；步骤3：建立鱼类活跃度与氮元素浓度之间的模型关系；步骤4：将测试集输入到训练好的最优模型中，得到水中氮元素含量的预测值。本申请采用机器视觉与数学模型分析结合的方式综合计算鱼类行为数据，充分反映鱼类在不同氮元素浓度条件下的活跃程度，更全面可靠地将鱼类行为与植物营养程度联系起来；将人工智能和鱼菜共生系统进行有机融合，具有广阔的应用前景和较高应用价值，可实现产业化。
Description
技术领域
本发明属于智能鱼菜共生养殖技术领域，涉及一种鱼菜共生系统及基于鱼类行为的蔬菜氮元素需求估算方法。
背景技术
鱼菜共生是利用水产养殖排放水为植物提供营养，利用鱼饲料这种氮源生产鱼和蔬菜两种农产品，具有水和氮源利用效率高、不使用化肥和抗生素和对环境友好等特点，是一种可持续的农业发展方式。在传统的鱼菜共生系统中，氮元素作为蔬菜最主要的营养来源，包括：氨态氮(简称：氨氮)、亚硝态氮和硝酸态氮三种，其中，可被蔬菜直接吸收的为氨态氮和硝酸态氮，也是鱼菜共生系统中蔬菜最主要的氮元素来源。其诊断方法可以分为两类，一类是采用现代生物技术及化学实验手段，通过生理生化及组织形态分析，可以判断植物的营养平衡状况，直接对水培蔬菜中的氮元素进行检测和诊断。例如：利用蔬菜叶片各组织形态检验氮营养元素水平，也可以用解剖学与组织化学相结合的方法来检验植物中的营养平衡状况。另一类是：利用计算机视觉的方法，蔬菜在生长期如果缺乏氮元素，叶片会失绿黄化，或叶脉间失绿，果实的色泽和形状等也会出现异常等。因此可利用计算机视觉分析植物的特定症状、长势长相及叶片颜色等外观特性进行营养诊断。
以上现有技术具有以下缺点或不足：
生物化学的检测方法无法实时自动化地对植物氮元素的缺乏做出判断，效率较低；在采样过程中对植株损害严重，植物的全氮分析只能在实验室进行，结果较慢，且耗时耗力。光谱及计算机视觉的诊断方法也只有在植物表现出明显症状后才能进行诊断，因而不能及时发现问题，起不到主动预防的作用。且由于此种诊断依赖采集的植物图像，易与机械及物理损伤相混淆，更难做出正确的判断，所以在实际应用中有很大的局限性和延后性。除此之外，上述两类检测方法只是单一关注植物的生长状况，而忽略鱼类的个体状况。在鱼菜共生系统中，鱼和菜的生长是息息相关的。其效益的最大化建立在鱼类健康与蔬菜正常生长的前提下，通常情况下，水中氮元素含量对鱼类的影响更加直观和迅速，例如：氨氮含量增加时，鱼类会出现明显的应激行为，撞壁和摆尾次数明显增加，游速变快。除此之外，当硝酸态氮含量增加到一定程度时，反而会抑制鱼类的行为，出现明显的摄食量下降，活跃程度降低和游速变慢等不同程度的变化。因此，根据鱼类出现的不同行为可直接反应出水中氨态氮和硝酸态氮含量的变化，从而间接反应水中氮元素对植物的影响。只有不断调节水质环境，才能充分保证鱼和菜的正常生长，从而实现鱼菜共生体系的生态平衡。
发明内容
本申请根据鱼菜共生养殖系统的实际情况，利用摄像机对鱼类行为进行全天候的实时监测。将采集到的视频数据进行处理，统计鱼菜共生养殖系统中鱼类的每天的活跃程度，包括：游泳速度、运动距离和撞壁次数。再通过改变水中的氮元素含量，对不同氮元素含量下的鱼类活跃程度和蔬菜长势进行统计分析，建立氮元素含量与鱼类活跃程度和蔬菜营养之间的函数模型关系。从而将鱼的行为与蔬菜营养联系起来，解决传统方法中，只单一诊断蔬菜营养，而忽略鱼类生长的问题。
本申请利用计算机视觉技术监测鱼的行为，是一种无接触的诊断方法，且鱼类行为会因水中氮元素含量的改变，而迅速发生变化。因此，根据计算机采集到的鱼类行为变化的数据，可间接反应出当前鱼菜共生系统中氮元素含量的变化情况，从而为蔬菜是否需要补充营养元素做出辅助判断。
本申请提出的营养诊断方法无需使用任何生物化学类试剂，不会对环境和植株造成损害。并且整个监测和诊断过程不会对鱼菜共生系统的正常运行造成干扰，无需耗费大量的时间分析，可对鱼类行为进行实时监测。建立实时的鱼类行为变化与植物氮营养关系模型，可有效解决现有鱼菜共生系统中蔬菜氮营养检测方法速度慢的问题，且可同时注重鱼类的健康生长状态，具体技术方案如下：
一种鱼菜共生系统，包括：种菜池5、养鱼池4、抽水泵、摄像机、过滤器和计算机；
在所述养鱼池4中盛水，养鱼；
所述种菜池5为一水槽，在所述水槽中盛水，种植蔬菜；
所述水槽位于所述养鱼池4的上方；
在所述水槽的侧面的两端分别设置进水口2和出水口3；
在所述养鱼池4中放置抽水泵；
所述抽水泵通过管路将养鱼池4中的水通过进水口2循环到水槽中，直到水槽中的水位上升至指定水位线，以供蔬菜吸收养分；
水槽中的水通过出水口3处安装的水管回流至养鱼池4中；
在所述养鱼池4的正上方和侧面分别放置设有摄像机；所述摄像机与计算机连接；
所述摄像机用于：拍摄养鱼池4，监测鱼类行为，并将采集到的视频实时传输至后台监控室的计算机中；其中，养鱼池4正上方的摄像机获得俯视的视频；养鱼池4侧面的摄像机获得侧视的视频；
养鱼池4侧面的摄像机位于养鱼池4的侧方。
所述计算机用于：计算和分析出一段时间内鱼类的行为数据。
在上述技术方案的基础上，所述养鱼池4的正上方的摄像机为：360度的球型摄像机6，以便拍摄整个养鱼池4的无死角画面；所述养鱼池4的侧方的摄像机为：普通摄像机1。
在上述技术方案的基础上，所述摄像机采集的视频格式为mp4格式。
在上述技术方案的基础上，在所述养鱼池4旁放置过滤器；在水槽与养鱼池4之间的水管中接入所述过滤器，以便过滤水中的杂质。
一种基于鱼类行为的蔬菜氮元素需求估算方法，应用上述鱼菜共生系统，包括以下步骤：
步骤1：建立实时监测鱼类行为的鱼菜共生系统；
步骤2：分析和统计鱼类行为数据；
首先对摄像机采集的视频图像进行标定；
摄像机初步采集视频，
然后将采集的视频图像建立基于机器视觉的目标检测模型，具体是：
提取感兴趣区域，并人工标注感兴趣区域，作为目标检测模型；
摄像机采集感兴趣区域的视频，并实时传输至计算机中；
计算机计算和分析出一段时间内鱼类的行为数据；
所述行为数据包括：游泳速度(简称速度)、运动距离(简称距离)和撞壁次数；
所述游泳速度、运动距离和撞壁次数的三个分量构成鱼类行为活跃度数据；
步骤3：建立鱼类活跃度与氮元素浓度之间的模型关系；
获得养鱼池4中对应活跃度数据的水的氮元素含量；
对所述活跃度数据和相应的氮元素含量划分数据集，划分为：训练集和测试集；
将所述训练集输入混合模型的输入端，对混合模型进行训练，同时调整混合模型参数；
当所述混合模型达到精度要求时，得到训练好的最优模型，保存最优模型；当所述混合模型没有达到精度要求时，继续调整模型参数，直到得到最优模型；
所述混合模型为：基于卷积神经网络(CNN)与长短期内存网络(LSTM)的混合模型；
所述卷积神经网络作为混合模型的上层模块，包括：卷积层和池化层；
所述卷积层用于：提取输入端数据的特征；
所述池化层用于：对卷积层所提取的特征进行下采样，以精简模型参数；
所述长短期内存网络作为混合模型的下层模块；
所述长短期内存网络用于：对池化层下采样的特征进行学习，保留有用信息，遗忘无效信息，并将有用信息传输给全连接层；
所述全连接层用于：压缩输出层之前的数据，以减少数据流的体量和输出层的网络参数，并输出预测的氮元素结果；
步骤4：将测试集输入到训练好的最优模型中，得到水中氮元素含量的预测值。
LSTM在预测数据方面具有独特的优势。在长期时间序列预测中，LSTM可有效避免梯度消失的问题。因此选择CNN与LSTM结合的混合模型预测鱼类活跃度与水中氮元素含量之间的关系。
在上述技术方案的基础上，所述游泳速度的检测方法如下：
首先将计算机获取的视频分解成图像帧，运动时相邻两帧图像中鱼的位置分布会有所差异。再根据这种位置分布上的差异，选定鱼头的位置作为游泳速度测量的基准，计算前后相邻两图像帧中鱼头的距离变化，再用距离变化除以前后两图像帧的时间差，即可得到养鱼池4中鱼类的游泳速度(又称为运动速度)。
在上述技术方案的基础上，所述运动距离的检测方法如下：
首先提取出养鱼池4中自由游动鱼的骨架，然后将俯视图和侧视图中骨架特征的特征点联系起来，分别绘制出俯视图和侧视图的二维轨迹，再通过鱼类骨架特征点之间的联系，从而得到鱼类的三维运动轨迹，最后根据三维运动轨迹计算出鱼类在一定时间内的运动距离。
在上述技术方案的基础上，所述撞壁次数的检测方法如下：
在已对视频中自由游动的鱼个体跟踪的前提下，对视频中的养鱼池4的外壁进行标记，从池壁向养鱼池4中心扩充2cm的边界区域，在此阈值范围内检测到鱼头时，标记为一次撞壁行为。
在上述技术方案的基础上，所述鱼类行为活跃度数据的获取条件如下：
设置养鱼池4中水的氨氮浓度变化范围为：0mg/L-5mg/L；
从养鱼池4中水的氨氮浓度为0mg/L开始，每隔0.2mg改变一次氨氮浓度，直到水中氨氮浓度为：5mg/L；
设置养鱼池4中水的硝酸态氮浓度变化范围为：0-100mg/L；
从养鱼池4中水的硝酸态氮浓度为0mg/L开始，每隔10mg改变一次硝酸态氮浓度，直到水中硝酸态氮浓度为：100mg/L；
采集在上述不同氮元素浓度条件下，养鱼池4中鱼类的运动速度、运动距离以及撞壁次数作为活跃度数据。
在上述技术方案的基础上，将所述池化层的大小设置为1，可有助于避免混合模型过拟合。
本发明的有益技术效果如下：
1)快速无损：本发明采用计算机视觉技术，不需要对鱼和菜进行个体解剖和破坏性采样操作，可以快速准确地诊断水中氮元素浓度对蔬菜的营养程度。
2)可辨识度高：采用机器视觉与数学模型分析结合的方式综合计算鱼类行为数据，可充分反映鱼类在不同氮元素浓度条件下的活跃程度，更全面更可靠地将鱼类行为与植物营养程度联系起来。
3)将人工智能方法和鱼菜共生系统进行有机融合，具有广阔的应用前景和较高的应用价值，可以实现产业化。
附图说明
本发明有如下附图：
图1为本发明所述基于鱼类行为的蔬菜氮元素需求估算方法的流程示意图；
图2为本发明所述鱼菜共生系统结构示意图。
图3为图2中A-A的剖视结构示意图。
附图标记：
1.普通摄像机，2.进水口，3.出水口，4.养鱼池，5.种菜池，6.球型摄像机。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式做进一步详细描述。以下实施例仅用于说明本发明，但不用来限制本发明的范围。
如图1所示，本发明所述基于鱼类行为的蔬菜氮元素需求估算方法，包括以下步骤：
第一步：建立可实时监测鱼类行为的鱼菜共生系统。
搭建可对鱼类行为实时监测的鱼菜共生系统，其结构示意如图2所示。图3为图2的A-A剖视结构示意图。视频采集的格式为mp4，摄像机被放置在养鱼池4的正上方和侧面。其中正上方俯视图选择360度的球型摄像机6，可拍摄整个养鱼池4的无死角画面。侧面选择普通摄像机1。上方为可支撑蔬菜种植的水槽，所述种菜池5为一水槽；在所述水槽的侧面的两端分别设置进水口2和出水口3；
养鱼池4中放置抽水泵，将水循环到水槽中，供植物吸收养分，直到水位上升至指定水位线，水槽中的水通过水管回流至养鱼池4中。养鱼池4旁边放置可过滤水中杂质的过滤器。
第二步：分析和统计鱼类行为数据。
摄像机采集到的视频实时传输至后台监控室的计算机中，再利用计算机计算和分析出一段时间内鱼类的行为数据。所分析的行为数据包括：游泳速度、运动距离和撞壁次数；所述游泳速度、运动距离和撞壁次数的三个分量构成鱼类行为活跃度数据。
具体是：首先对摄像机采集的视频图像进行标定。数据处理时，先将采集的视频图像建立基于机器视觉的目标检测模型，提取感兴趣区域，并人工标注感兴趣区域，这也是作为后期模型训练的真实数据，然后选定基于卷积神经网络(CNN)与长短期内存网络(LSTM)的混合模型进行训练，在完成参数的优化和调整后，保存最优模型。
(1)速度的检测
首先将计算机获取的视频分解成图像帧，运动时相邻两帧图像中鱼的位置分布会有所差异。再根据这种位置分布上的差异，选定鱼头的位置作为速度测量的基准，计算前后两帧鱼头的距离变化，用这个距离变化除以前后两帧的时间差，即可得到养鱼池4中鱼类的运动速度。
(2)运动距离
首先提取出养鱼池4中自由游动鱼的骨架，然后将俯视图和侧视图中骨架特征的特征点联系起来。分别绘制出俯视图和侧视图的二维轨迹，再通过鱼类骨架特征点之间的联系，从而得到鱼类的三维运动轨迹，最后根据三维运动轨迹计算出鱼类在一定时间内的运动距离。
(3)撞壁次数
在已对视频中自由游动的鱼个体跟踪的前提下，对视频中的养鱼池4的外壁进行标记，从池壁向养鱼池4中心扩充2cm的边界区域，在此阈值范围内检测到鱼头时，标记为一次撞壁行为。
第三步：建立鱼类活跃度与氮元素浓度之间的模型关系
设置水中不同氮元素浓度间隔变化，采集不同浓度氮元素条件下养鱼池4中鱼类的运动速度、运动距离以及撞壁次数作为活跃度。
具体是：设置养鱼池4中水的氨氮浓度变化范围为：0mg/L-5mg/L；
从养鱼池4中水的氨氮浓度为0mg/L开始，每隔0.2mg改变一次氨氮浓度，直到水中氨氮浓度为：5mg/L；
设置养鱼池4中水的硝酸态氮浓度变化范围为：0-100mg/L；
从养鱼池4中水的硝酸态氮浓度为0mg/L开始，每隔10mg改变一次硝酸态氮浓度，直到水中硝酸态氮浓度为：100mg/L；
采集在上述不同氮元素浓度条件下，养鱼池4中鱼类的运动速度、运动距离以及撞壁次数作为活跃度数据。
对所述活跃度数据和相应的氮元素含量划分数据集，划分为：训练集和测试集；
将所述训练集输入混合模型的输入端，对混合模型进行训练，同时调整混合模型参数；
当所述混合模型达到精度要求时，得到训练好的最优模型，保存最优模型；当所述混合模型没有达到精度要求时，继续调整模型参数，直到得到最优模型；
所述混合模型为：基于卷积神经网络(CNN)与长短期内存网络(LSTM)的混合模型；
所述卷积神经网络作为混合模型的上层模块，包括：卷积层和池化层；
所述卷积层用于：提取输入端数据的特征；
所述池化层用于：对卷积层所提取的特征进行下采样，以精简模型参数；将池化层的大小设置为1，可有助于避免模型过拟合。
所述长短期内存网络作为混合模型的下层模块；
所述长短期内存网络用于：对池化层下采样的特征进行学习，保留有用信息，遗忘无效信息，并将有用信息传输给全连接层；
所述全连接层用于：压缩输出层之前的数据，以减少数据流的体量和输出层的网络参数，并输出预测的氮元素结果；
第四步：将测试集输入到训练好的最优模型中，得到水中氮元素含量的预测值。
LSTM在预测数据方面具有独特的优势。在长期时间序列预测中，LSTM可有效避免梯度消失的问题。因此选择CNN与LSTM结合的混合模型预测鱼类活跃度与水中氮元素含量之间的关系。
本发明并不局限于前述的具体实施方式。本发明可扩展到任何在本说明书中展示的新特征或任何新的组合，以及展示的任一新的方法或过程的步骤或任何新的组合。
本说明书中未做详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种鱼菜共生系统，其特征在于，包括：种菜池(5)、养鱼池(4)、抽水泵、摄像机、过滤器和计算机；
在所述养鱼池(4)中盛水，养鱼；
所述种菜池(5)为一水槽，在所述水槽中盛水，种植蔬菜；
所述水槽位于所述养鱼池(4)的上方；
在所述水槽的侧面的两端分别设置进水口(2)和出水口(3)；
在所述养鱼池(4)中放置抽水泵；
所述抽水泵通过管路将养鱼池(4)中的水通过进水口(2)循环到水槽中，直到水槽中的水位上升至指定水位线，以供蔬菜吸收养分；
水槽中的水通过出水口(3)处安装的水管回流至养鱼池(4)中；
在所述养鱼池(4)的正上方和侧面分别放置设有摄像机；所述摄像机与计算机连接；
所述摄像机用于：拍摄养鱼池(4)，监测鱼类行为，并将采集到的视频实时传输至后台监控室的计算机中；其中，养鱼池(4)正上方的摄像机获得俯视的视频；养鱼池(4)侧面的摄像机获得侧视的视频；
所述计算机用于：计算和分析出一段时间内鱼类的行为数据。
2.如权利要求1所述的鱼菜共生系统，其特征在于：所述养鱼池(4)的正上方的摄像机为：360度的球型摄像机(6)，以便拍摄整个养鱼池(4)的无死角画面。
3.如权利要求1所述的鱼菜共生系统，其特征在于：所述摄像机采集的视频格式为mp4格式。
4.如权利要求1所述的鱼菜共生系统，其特征在于：在所述养鱼池(4)旁放置过滤器；在水槽与养鱼池(4)之间的水管中接入所述过滤器，以便过滤水中的杂质。
5.一种基于鱼类行为的蔬菜氮元素需求估算方法，应用权利要求1-4任一权利要求所述的鱼菜共生系统，其特征在于，包括以下步骤：
步骤1：建立实时监测鱼类行为的鱼菜共生系统；
步骤2：分析和统计鱼类行为数据；
首先对摄像机采集的视频图像进行标定；
摄像机初步采集视频，
然后将采集的视频图像建立基于机器视觉的目标检测模型，具体是：
提取感兴趣区域，并人工标注感兴趣区域，作为目标检测模型；
摄像机采集感兴趣区域的视频，并实时传输至计算机中；
计算机计算和分析出一段时间内鱼类的行为数据；
所述行为数据包括：游泳速度、运动距离和撞壁次数；
所述游泳速度、运动距离和撞壁次数的三个分量构成鱼类行为活跃度数据；
步骤3：建立鱼类活跃度与氮元素浓度之间的模型关系；
获得养鱼池(4)中对应活跃度数据的水的氮元素含量；
对所述活跃度数据和相应的氮元素含量划分数据集，划分为：训练集和测试集；
将所述训练集输入混合模型的输入端，对混合模型进行训练，同时调整混合模型参数；
当所述混合模型达到精度要求时，得到训练好的最优模型，保存最优模型；当所述混合模型没有达到精度要求时，继续调整模型参数，直到得到最优模型；
所述混合模型为：基于卷积神经网络与长短期内存网络的混合模型；
所述卷积神经网络作为混合模型的上层模块，包括：卷积层和池化层；
所述卷积层用于：提取输入端数据的特征；
所述池化层用于：对卷积层所提取的特征进行下采样，以精简模型参数；
所述长短期内存网络作为混合模型的下层模块；
所述长短期内存网络用于：对池化层下采样的特征进行学习，保留有用信息，遗忘无效信息，并将有用信息传输给全连接层；
所述全连接层用于：压缩输出层之前的数据，以减少数据流的体量和输出层的网络参数，并输出预测的氮元素结果；
步骤4：将测试集输入到训练好的最优模型中，得到水中氮元素含量的预测值。
6.如权利要求5所述的基于鱼类行为的蔬菜氮元素需求估算方法，其特征在于：所述游泳速度的检测方法如下：
首先将计算机获取的视频分解成图像帧，选定鱼头的位置作为游泳速度测量的基准，计算前后相邻两图像帧中鱼头的距离变化，再用距离变化除以前后两图像帧的时间差，得到游泳速度。
7.如权利要求5所述的基于鱼类行为的蔬菜氮元素需求估算方法，其特征在于：所述运动距离的检测方法如下：
首先提取出养鱼池(4)中自由游动鱼的骨架，然后将俯视图和侧视图中骨架特征的特征点联系起来，分别绘制出俯视图和侧视图的二维轨迹，再通过鱼类骨架特征点之间的联系，从而得到鱼类的三维运动轨迹，最后根据三维运动轨迹计算出鱼类在一定时间内的运动距离。
8.如权利要求5所述的基于鱼类行为的蔬菜氮元素需求估算方法，其特征在于：所述撞壁次数的检测方法如下：
在已对视频中自由游动的鱼个体跟踪的前提下，对视频中的养鱼池(4)的外壁进行标记，从池壁向养鱼池(4)中心扩充2cm的边界区域，在此阈值范围内检测到鱼头时，标记为一次撞壁行为。
9.如权利要求5所述的基于鱼类行为的蔬菜氮元素需求估算方法，其特征在于：所述鱼类行为活跃度数据的获取条件如下：
设置养鱼池(4)中水的氨氮浓度变化范围为：0mg/L-5mg/L；
从养鱼池(4)中水的氨氮浓度为0mg/L开始，每隔0.2mg改变一次氨氮浓度，直到水中氨氮浓度为：5mg/L；
设置养鱼池(4)中水的硝酸态氮浓度变化范围为：0-100mg/L；
从养鱼池(4)中水的硝酸态氮浓度为0mg/L开始，每隔10mg改变一次硝酸态氮浓度，直到水中硝酸态氮浓度为：100mg/L；
采集在上述不同氮元素浓度条件下，养鱼池(4)中鱼类的运动速度、运动距离以及撞壁次数作为活跃度数据。
10.如权利要求5所述的基于鱼类行为的蔬菜氮元素需求估算方法，其特征在于：将所述池化层的大小设置为1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110661641.1A CN113516635B (zh) | 2021-06-15 | 2021-06-15 | 鱼菜共生系统及基于鱼类行为的蔬菜氮元素需求估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110661641.1A CN113516635B (zh) | 2021-06-15 | 2021-06-15 | 鱼菜共生系统及基于鱼类行为的蔬菜氮元素需求估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113516635A true CN113516635A (zh) | 2021-10-19 |
| CN113516635B CN113516635B (zh) | 2024-02-27 |
Family
ID=78065882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110661641.1A Active CN113516635B (zh) | 2021-06-15 | 2021-06-15 | 鱼菜共生系统及基于鱼类行为的蔬菜氮元素需求估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113516635B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116245361A (zh) * | 2023-02-21 | 2023-06-09 | 中国农业大学 | 工厂化鱼菜共生循环水中氮素浓度预警方法、装置与系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS63133061A (ja) * | 1986-11-25 | 1988-06-04 | Hitachi Ltd | 魚態監視装置 |
| JP2005150840A (ja) * | 2003-11-11 | 2005-06-09 | Shikoku Res Inst Inc | 水質監視装置およびそれに用いる魚画像認識方法 |
| CN101520448A (zh) * | 2009-03-31 | 2009-09-02 | 深圳市开天源自动化工程有限公司 | 水质污染预警方法 |
| JP2010029771A (ja) * | 2008-07-28 | 2010-02-12 | Kobelco Eco-Solutions Co Ltd | 水質予測方法及び生物処理方法 |
| CN102012419A (zh) * | 2010-11-03 | 2011-04-13 | 浙江工业大学 | 基于视觉感知鱼类行为的生物水质监测系统 |
| CN106292802A (zh) * | 2016-09-18 | 2017-01-04 | 中国农业大学 | 一种用于鱼菜共生系统的智能预测控制系统及方法 |
| CN107169621A (zh) * | 2017-04-01 | 2017-09-15 | 中国农业大学 | 一种水体溶解氧预测方法及装置 |
| CN107730501A (zh) * | 2017-11-02 | 2018-02-23 | 西安邮电大学 | 一种鱼体尾频检测方法和系统 |
| CN108668680A (zh) * | 2018-05-21 | 2018-10-19 | 四川航天系统工程研究所 | 一种智能模块化鱼菜共生系统 |
| CN109002892A (zh) * | 2018-05-30 | 2018-12-14 | 江苏理工学院 | 一种改进de-gwo算法的实现方法 |
| WO2019113998A1 (zh) * | 2017-12-11 | 2019-06-20 | 江苏大学 | 一种盆栽生菜的综合长势监测方法及装置 |
| CN110031597A (zh) * | 2019-04-19 | 2019-07-19 | 燕山大学 | 一种生物式水质监测方法 |
| US20190303755A1 (en) * | 2018-04-02 | 2019-10-03 | International Business Machines Corporation | Water quality prediction |
| CN110956198A (zh) * | 2019-10-31 | 2020-04-03 | 东北大学 | 一种单目摄像机视觉测重方法 |
| KR20200045174A (ko) * | 2018-10-22 | 2020-05-04 | 삼환전기(유) | 양식장 모니터링 장치 |
| US20200245913A1 (en) * | 2018-11-29 | 2020-08-06 | January, Inc. | Systems, methods, and devices for biophysical modeling and response prediction |
-
2021
- 2021-06-15 CN CN202110661641.1A patent/CN113516635B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS63133061A (ja) * | 1986-11-25 | 1988-06-04 | Hitachi Ltd | 魚態監視装置 |
| JP2005150840A (ja) * | 2003-11-11 | 2005-06-09 | Shikoku Res Inst Inc | 水質監視装置およびそれに用いる魚画像認識方法 |
| JP2010029771A (ja) * | 2008-07-28 | 2010-02-12 | Kobelco Eco-Solutions Co Ltd | 水質予測方法及び生物処理方法 |
| CN101520448A (zh) * | 2009-03-31 | 2009-09-02 | 深圳市开天源自动化工程有限公司 | 水质污染预警方法 |
| CN102012419A (zh) * | 2010-11-03 | 2011-04-13 | 浙江工业大学 | 基于视觉感知鱼类行为的生物水质监测系统 |
| CN106292802A (zh) * | 2016-09-18 | 2017-01-04 | 中国农业大学 | 一种用于鱼菜共生系统的智能预测控制系统及方法 |
| CN107169621A (zh) * | 2017-04-01 | 2017-09-15 | 中国农业大学 | 一种水体溶解氧预测方法及装置 |
| CN107730501A (zh) * | 2017-11-02 | 2018-02-23 | 西安邮电大学 | 一种鱼体尾频检测方法和系统 |
| WO2019113998A1 (zh) * | 2017-12-11 | 2019-06-20 | 江苏大学 | 一种盆栽生菜的综合长势监测方法及装置 |
| US20190303755A1 (en) * | 2018-04-02 | 2019-10-03 | International Business Machines Corporation | Water quality prediction |
| CN108668680A (zh) * | 2018-05-21 | 2018-10-19 | 四川航天系统工程研究所 | 一种智能模块化鱼菜共生系统 |
| CN109002892A (zh) * | 2018-05-30 | 2018-12-14 | 江苏理工学院 | 一种改进de-gwo算法的实现方法 |
| KR20200045174A (ko) * | 2018-10-22 | 2020-05-04 | 삼환전기(유) | 양식장 모니터링 장치 |
| US20200245913A1 (en) * | 2018-11-29 | 2020-08-06 | January, Inc. | Systems, methods, and devices for biophysical modeling and response prediction |
| CN110031597A (zh) * | 2019-04-19 | 2019-07-19 | 燕山大学 | 一种生物式水质监测方法 |
| CN110956198A (zh) * | 2019-10-31 | 2020-04-03 | 东北大学 | 一种单目摄像机视觉测重方法 |
Non-Patent Citations (9)
| Title |
|---|
| H. ALZU\'BI, W. AL-NUAIMY, J. BUCKLEY, L. SNEDDON, I. YOUNG: "Real-time 3D fish tracking and behaviour analysis", PROCEEDINGS OF THE 2015 IEEE JORDAN CONFERENCE ON APPLIED ELECTRICAL ENGINEERING AND COMPUTING TECHNOLOGIES * |
| QIANGQIANG YE; XUEQIN YANG; CHAOBO CHEN; JINGCHENG WANG: "River Water Quality Parameters Prediction Method Based on LSTM-RNN Model", 2019 CHINESE CONTROL AND DECISION CONFERENCE (CCDC), 12 September 2019 (2019-09-12) * |
| SHUANGYIN LIU;LONGQIN XU;QIUCHENG LI;XUEHUA ZHAO;DAOLIANG LI: "Fault Diagnosis of Water Quality Monitoring Devices Based on Multiclass Support Vector Machines and Rule-Based Decision Trees", IEEE ACCESS, vol. 06 * |
| 于辉辉: "基于机器学习的池塘养殖水质关键因子预测方法研究", 中国博士学位论文全文数据库信息科技辑, no. 12, 15 December 2018 (2018-12-15) * |
| 任小娅: "鱼菜共生水质环境智能测控系统研发", 中国优秀硕士学位论文全文数据库 (农业科技辑), no. 01, 15 January 2020 (2020-01-15) * |
| 施;袁永明;张红燕;贺艳辉;: "罗非鱼池塘养殖溶解氧预测研究", 中国农学通报, no. 29 * |
| 毛力;肖炜;杨弘;: "用信息融合技术改进水产养殖水质监控系统", 水产学杂志, no. 02, 15 April 2015 (2015-04-15) * |
| 王丽娜;方景龙;: "基于视频理解的活体鱼水质监测实验", 杭州电子科技大学学报, no. 06 * |
| 陆宇辰;赵牧秋;: "不同鱼-菜比值共生系统的水体无机态氮磷含量变化", 土壤与作物, no. 01 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116245361A (zh) * | 2023-02-21 | 2023-06-09 | 中国农业大学 | 工厂化鱼菜共生循环水中氮素浓度预警方法、装置与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113516635B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Near infrared computer vision and neuro-fuzzy model-based feeding decision system for fish in aquaculture | |
| CN110583550B (zh) | 基于目标检测与跟踪的鱼虾参养殖精准投喂系统及装置 | |
| WO2020133560A1 (zh) | 基于大数据技术的家畜智能化养殖管理系统及方法 | |
| Du et al. | Broodstock breeding behaviour recognition based on Resnet50-LSTM with CBAM attention mechanism | |
| CN107830891B (zh) | 基于水产养殖水质ph值多参量数据采集装置的数据处理方法 | |
| CN114596448A (zh) | 一种肉鸭健康管理方法及其管理系统 | |
| Cevallos et al. | Vision-based analysis on leaves of tomato crops for classifying nutrient deficiency using convolutional neural networks | |
| CN113516635B (zh) | 鱼菜共生系统及基于鱼类行为的蔬菜氮元素需求估算方法 | |
| CN111680587B (zh) | 一种基于多目标跟踪的鸡群活动量实时估算方法及系统 | |
| CN110637764A (zh) | 一种河蟹养殖投饵量的精准确定方法 | |
| CN114140695A (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
| CN115294518A (zh) | 一种园艺植物温室精准栽培的智能监控方法及系统 | |
| CN116310338A (zh) | 一种基于实例和语义分割的单株荔枝红叶梢分割方法 | |
| Zhang et al. | CBAM+ ASFF-YOLOXs: An improved YOLOXs for guiding agronomic operation based on the identification of key growth stages of lettuce | |
| CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
| Mateo et al. | Identification of Macro-Nutrient Deficiency in Onion Leaves (Allium cepa L.) Using Convolutional Neural Network (CNN) | |
| CN114596509A (zh) | 一种基于机器视觉的水稻秧苗叶龄期识别方法 | |
| CN108038586B (zh) | 一种河蟹养殖的水环境评价方法及系统 | |
| Cao et al. | A hybrid method for identifying the feeding behavior of tilapia | |
| CN108845075B (zh) | 基于深度学习网络的堆肥腐熟实时预测方法 | |
| CN116543462A (zh) | 基于视频骨骼的奶牛行为识别判断奶牛健康状况的方法 | |
| CN114358163A (zh) | 一种基于孪生网络与深度数据的采食量监测方法及系统 | |
| Bryan et al. | Lettuce Root Development and Monitoring System Using Machine Learning in Hydroponics | |
| Lee | Development of a mushroom harvesting assistance system using computer vision | |
| Yu et al. | Research on precise phenotype identification and growth prediction of lettuce based on deep learning |
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 |