CN113854221B - 智能喂食控制系统 - Google Patents
智能喂食控制系统 Download PDFInfo
- Publication number
- CN113854221B CN113854221B CN202111275075.7A CN202111275075A CN113854221B CN 113854221 B CN113854221 B CN 113854221B CN 202111275075 A CN202111275075 A CN 202111275075A CN 113854221 B CN113854221 B CN 113854221B
- Authority
- CN
- China
- Prior art keywords
- fish
- feeding
- module
- feed
- parameters
- 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
Links
- 241000251468 Actinopterygii Species 0.000 claims abstract description 310
- 239000000463 material Substances 0.000 claims abstract description 62
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims abstract description 22
- 230000033001 locomotion Effects 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 30
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 17
- 229910052760 oxygen Inorganic materials 0.000 claims description 17
- 239000001301 oxygen Substances 0.000 claims description 17
- 239000002245 particle Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 3
- 230000003031 feeding effect Effects 0.000 abstract description 3
- 235000019688 fish Nutrition 0.000 description 263
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 241000252229 Carassius auratus Species 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000004071 biological effect Effects 0.000 description 4
- 235000005911 diet Nutrition 0.000 description 4
- 230000037213 diet Effects 0.000 description 4
- 230000001766 physiological effect Effects 0.000 description 4
- 241000894007 species Species 0.000 description 4
- 230000001055 chewing effect Effects 0.000 description 3
- 230000029087 digestion Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009182 swimming Effects 0.000 description 3
- 241000972773 Aulopiformes Species 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 2
- 241000251125 Prionace glauca Species 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 2
- 241000610384 Sparisoma cretense Species 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 235000019515 salmon Nutrition 0.000 description 2
- 229910052709 silver Inorganic materials 0.000 description 2
- 239000004332 silver Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241001518045 Bolinichthys indicus Species 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000019621 digestibility Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009372 pisciculture Methods 0.000 description 1
- 230000004083 survival effect Effects 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
- A01K61/85—Feeding devices for use with aquaria
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Environmental Sciences (AREA)
- Mathematical Optimization (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Marine Sciences & Fisheries (AREA)
- Zoology (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明涉及智能养鱼技术领域，具体涉及一种智能喂食控制系统，包括：数据采集模块，用于实时采集鱼缸内的图像信息和喂养参数；图像识别模块，用于在图像信息中识别鱼的种类以及鱼的运动形态；喂养判断模块，用于获取鱼的种类对应的预设喂养条件，判断喂养参数是否符合预设喂养条件；参数调整模块，用于采用模糊神经网络算法根据鱼的种类以及鱼的运动形态计算喂养参数的校正因子，根据校正因子对喂养参数进行调整；鱼料投放模块，用于接收投放鱼料的指令，并向鱼缸内投放鱼料。本发明采用模糊神经网络算法根据鱼的种类以及鱼的运动形态计算喂养参数的校正因子，根据校正因子对喂养参数进行调整，提高了喂养参数调整的精确性以及喂食的效果。
Description
技术领域
本发明涉及智能养鱼技术领域，具体涉及一种智能喂食控制系统。
背景技术
随着生活水平的不断提高，越来越多的人在家里养殖观赏鱼。虽说养鱼会给生活带来不少乐趣，但是需要经常给鱼进行喂食。当遇到工作繁忙或者出差、旅行，家里没有人的时候，无法及时给鱼喂食。
对此，可利用智能化的养鱼控制技术对鱼缸进行自动化管理，方便家里没有人的时候自动喂食。比如说，通过控制器实现自动化控制喂食，控制器与摄像头配合，在控制器内搭建卷积神经网络及模型，通过图像识别技术识别鱼缸中的鱼的种类及数量，达到精确投食和增强观赏性的目的；这样既能通过控制器实现自动控制及本地控制，又可以通过远程智能监控设备远程观测鱼缸并控制做出相应操作，从而实现鱼缸喂食的全自动化控制。
由于不同种类的鱼均有对应的适合的喂养条件，比如说，冷水鱼(锦鲤、草种金鱼、文种金鱼、龙种金鱼等)适合的PH值在6.8～7.5之间，适合的氧含量在6～8mg/L之间，适合的水温在20～25度之间，换水温差不宜大于3度；中型热带鱼(银鼓、蓝鲨、鹦鹉鱼和罗汉鱼等)适合的PH值在6.5～7.1之间，适合的氧含量在6～8mg/L之间，适合的水温在26～30度之间，最适宜温度28度，换水前后温差不宜大于1度；小型热带鱼(燕鱼、灯鱼、金波子和曼龙鱼等)适合的PH值在6.5～7.5之间，适合的氧含量在6～8mg/L之间，适合的水温在22～28度之间，换水前后温差不宜大于1度。但是，随着时间的推移，PH值、氧含量和水温均会发生变化，现有技术只能够实现全自动向鱼缸喂食，无法及时智能调整PH值、氧含量和水温(特别是氧含量)等喂养参数。
发明内容
本发明提供一种智能喂食控制系统，解决了现有技术无法及时智能调整喂养参数的技术问题。
本发明提供的基础方案为：智能喂食控制系统，包括：
数据采集模块，用于实时采集鱼缸内的图像信息和喂养参数；
图像识别模块，用于在图像信息中识别鱼的种类以及鱼的运动形态；
喂养判断模块，用于获取鱼的种类对应的预设喂养条件，判断喂养参数是否符合预设喂养条件：如果喂养参数符合预设喂养条件，发送投放鱼料的指令到鱼料投放模块；如果喂养参数不符合预设喂养条件，发送调整喂养参数的指令到参数调整模块；
参数调整模块，用于接收调整喂养参数的指令，采用模糊神经网络算法根据鱼的种类以及鱼的运动形态计算喂养参数的校正因子，根据校正因子对喂养参数进行调整，并在调整完毕之后发送再次采集的指令到数据采集模块；
鱼料投放模块，用于接收投放鱼料的指令，并向鱼缸内投放鱼料。
本发明的工作原理及优点在于：
(1)获取鱼缸内的喂养参数，确保喂养参数符合预设喂养条件时才进行喂食，相较于现有技术不考虑喂养条件直接进行喂食来说，保证了喂食时鱼缸内的喂养条件为适合的喂养条件，适合的喂养条件使得鱼能够进行最佳的生物活动(比如说游动)与最佳的生理活动(比如说消化)，有利于鱼料的充分吸收，也有利于鱼的生长，同时还减少了鱼料的浪费；
(2)获取鱼缸内的图像信息，在图像信息中识别鱼的种类，根据鱼的种类确定喂食的鱼料种类，鱼料种类与鱼的种类对应，确保鱼料的针对性，相较于现有技术不考虑鱼的种类直接进行喂食来说，确保喂食过程“投其所好”，使得鱼的种类与鱼料种类对应，既防止了鱼料的浪费，又能够避免鱼误食与之不对应的鱼料，从而避免鱼因误食造成生理不佳；此外，鱼的种类与鱼料种类对应，鱼只会向其对应的鱼料靠近，避免了喂食过程中鱼的结群、扎堆，由于鱼的结群、扎堆会延长鱼吃鱼料的时间，这样减少鱼的结群、扎堆，有利于鱼快速吃完鱼料，提高喂食效率；
(3)在投放鱼料之前根据校正因子智能化调整喂养参数，考虑了鱼的种类及其运动形态，相较于现有技术直接通过比较数值进行调整来说，能够提高调整的精确性，提高喂食的效果；此外，由于鱼的运动形态反映了鱼的生物活动(比如说游动)与生理活动(比如说消化)，先根据鱼的运动形态计算喂养参数的校正因子，后根据校正因子对喂养参数进行调整，实质上是根据鱼的生物活动和生理活动的变化规律对喂养参数进行调整，从而使得调整后的喂养参数与鱼当前的生物活动和生理活动相匹配，有利于鱼料的充分吸收，也有利于鱼的生长，同时还减少了鱼料的浪费。
本发明采用模糊神经网络算法根据鱼的种类以及鱼的运动形态计算喂养参数的校正因子，根据校正因子对喂养参数进行调整，考虑了鱼的种类及其运动形态，提高了喂养参数调整的精确性以及喂食的效果。
进一步，参数调整模块还用于获取预先采集的历史喂养参数，基于粒子群算法根据历史喂养参数对模糊神经网络算法进行训练。
有益效果在于：用粒子群算法根据历史喂养参数对模糊神经网络算法进行训练，可以提高计算得到的校正因子的精确度。
进一步，参数调整模块还用于对预先采集的历史喂养参数进行归一化处理。
有益效果在于：归一化处理可以将数据变为0～1之间的小数，也可以把有量纲表达式变为无量纲表达式，把数据映射到0～1范围之内，处理更加便捷快速。
进一步，鱼料投放模块还用于接收鱼的种类，根据鱼的种类确定投放的鱼料种类。
有益效果在于：不同种类的鱼偏好的鱼料种类可能不同，使得鱼料种类与鱼的种类对应，确保鱼料的针对性以投其所好。
进一步，图像识别模块还用于确定鱼的数量和体长；鱼料投放模块还用于根据鱼的数量和体长得到鱼的平均体长，并根据平均体长确定投放的鱼料粒径，鱼料粒径与平均体长成正比例。
有益效果在于：不同体长的鱼其体积大小也不同，通常体积较大的大鱼对鱼料的咀嚼能力强于体积较小的小鱼对鱼料的咀嚼能力，这样可以确保大部分鱼料能够被鱼完全咀嚼。
进一步，鱼料投放模块还用于根据平均体长确定投放的鱼料硬度，鱼料硬度与平均体长成正比例。
有益效果在于：同样的，体积较大的大鱼对鱼料的消化能力强于体积较小的小鱼对鱼料的消化能力，这样可以确保大部分鱼料能够被鱼快速消化和吸收。
进一步，鱼料投放模块还用于根据鱼的数量和体长确定所需喂食的鱼料投放量，鱼料投放量与鱼的数量和体长成正比。
有益效果在于：鱼料投放量根据鱼的数量和体长确定，确保鱼料投放量与鱼的数量和体长成正比，避免投放的鱼料过多或者过少，提高鱼料投放量的精准性。
进一步，鱼料投放模块还用于根据鱼的平均体长确定鱼料的投放次数，根据投放次数和鱼料投放量确定单次投放量，投放次数与鱼的平均体长成反比例。
有益效果在于：体积较大的大鱼吃鱼料的速度通常快于体积较小的小鱼吃鱼料的速度，鱼料投放量确定之后，投放次数越多，单次投放量越少，这样可确保每次投放的鱼料大部分能够被鱼吃完。
进一步，图像识别模块还用于按照预设缩放比例对图像信息进行缩放。
有益效果在于：这样可以得到所需分辨率的图像，便于准确进行识别。
进一步，喂养参数包括水温、氧含量和PH值。
有益效果在于：不同的鱼对水温、氧含量和PH值的要求不一样，这样可尽可能使得鱼缸内的环境适合鱼生存。
附图说明
图1为本发明智能喂食控制系统实施例的结构示意图。
具体实施方式
下面通过具体实施方式进一步详细的说明：
实施例1
实施例基本如附图1所示，包括：
数据采集模块，用于实时采集鱼缸内的图像信息和喂养参数；
图像识别模块，用于在图像信息中识别鱼的种类以及鱼的运动形态；
喂养判断模块，用于获取鱼的种类对应的预设喂养条件，判断喂养参数是否符合预设喂养条件：如果喂养参数符合预设喂养条件，发送投放鱼料的指令到鱼料投放模块；如果喂养参数不符合预设喂养条件，发送调整喂养参数的指令到参数调整模块；
参数调整模块，用于接收调整喂养参数的指令，采用模糊神经网络算法根据鱼的种类以及鱼的运动形态计算喂养参数的校正因子，根据校正因子对喂养参数进行调整，并在调整完毕之后发送再次采集的指令到数据采集模块；
鱼料投放模块，用于接收投放鱼料的指令，并向鱼缸内投放鱼料。
在本实施例中，数据采集模块包括摄像头、温度传感器、溶解氧传感器和PH测量传感器，图像识别模块、喂养判断模块和参数调整模块均集成在服务器上，通过软件/程序/代码/计算机指令实现其功能，鱼料投放模块包括单片机与执行机构，其中，执行机构为投放鱼料的机械结构，可参照现有技术。
具体实施过程如下：
S1、数据采集模块实时采集鱼缸内的图像信息和喂养参数。比如说，通过摄像头实时采集鱼缸内的图像信息，图像信息包括鱼缸水面的图像以及从不同角度采集的水中的图像，这些图像能够全面反映出鱼缸内的情况；喂养参数包括水温、氧含量和PH值，采用温度传感器实时获取鱼缸内的水温，采用溶解氧传感器实时获取鱼缸内的水的氧含量，采用PH测量传感器实时获取鱼缸内的水的PH值。
S2、图像识别模块在图像信息中识别鱼的种类以及鱼的运动形态。在本实施例中，首先，按照预设缩放比例对图像信息进行缩放，得到所需要的分辨率，进而得到缩放后的图像信息；然后，采用图像识别算法在图像信息中识别鱼的种类，比如说，根据鱼的颜色、轮廓、线条等识别鱼缸内的鱼到底是冷水鱼还是中型热带鱼；最后，采用图像识别算法在图像信息中识别鱼的运动形态，比如说，根据水花的形状识别鱼是正常运动还是剧烈运动，根据鱼头抬起的幅度识别鱼换气的紧迫程度，根据鱼尾摆动的幅度识别鱼游动的快慢。
S3、喂养判断模块获取鱼的种类对应的预设喂养条件，判断喂养参数是否符合预设喂养条件：如果喂养参数符合预设喂养条件，发送投放鱼料的指令到鱼料投放模块；如果喂养参数不符合预设喂养条件，发送调整喂养参数的指令到参数调整模块。
在本实施例中，预设喂养条件也就适合的喂养条件，由于不同种类的鱼所对应的适合的喂养条件是不同的，预设喂养条件也是不同的。通常，冷水鱼(锦鲤、草种金鱼、文种金鱼、龙种金鱼等)适合的PH值在6.8～7.5之间，适合的氧含量在6～8mg/L之间，适合的水温在20～25度之间，换水温差不宜大于3度；但是中型热带鱼(银鼓、蓝鲨、鹦鹉鱼和罗汉鱼等)适合的PH值在6.5～7.1之间，适合的氧含量在6～8mg/L之间，适合的水温在26～30度之间，最适宜温度28度，换水前后温差不宜大于1度。
如果说，鱼缸内的鱼是冷水鱼，逐个判断PH值是否在6.8～7.5之间、氧含量是否在6～8mg/L之间以及水温是否在20～25度之间，如果喂养参数符合预设喂养条件，发送投放鱼料的指令到鱼料投放模块，进行S5；反之，如果喂养参数不符合预设喂养条件，发送调整喂养参数的指令到参数调整模块，进行S4。
S4、参数调整模块接收调整喂养参数的指令，采用模糊神经网络算法根据鱼的种类以及鱼的运动形态计算喂养参数的校正因子，根据校正因子对喂养参数进行调整，并在调整完毕之后发送再次采集的指令到数据采集模块。
在本实施例中，首先，获取预先采集的历史喂养参数，并对预先采集的历史喂养参数进行归一化处理，比如说，将历史喂养参数的数据变为0～1之间的小数，把数据映射到0～1范围之内，提高处理效率；接着，基于粒子群算法根据历史喂养参数对模糊神经网络算法进行训练，得到训练后的模糊神经网络算法，提高计算得到的校正因子的精确度；然后，采用训练后的模糊神经网络算法根据鱼的种类以及鱼的运动形态计算喂养参数的校正因子，比如说，水温的校正因子为1.05；最后，根据校正因子对喂养参数进行调整，比如说，水温为20度，校正后的水温为21度，并在调整完毕之后发送再次采集的指令到数据采集模块。需要说明的是，参数调整模块需要搭配相应的硬件，比如说说加热器，通过控制加热器工作使得水温从20度升到21度，氧含量和PH的调整也是类似的道理。
S5、鱼料投放模块接收投放鱼料的指令，并向鱼缸内投放鱼料。在本实施例中，单片机接收鱼的种类之后，确定投放的鱼料种类，并控制执行机构投放鱼料，比如说，鱼缸内的鱼的种类为A种鱼，对应的鱼料种类为鱼料甲。不同种类的鱼偏好的鱼料种类可能不同，这样使得鱼料种类与鱼的种类对应，确保鱼料的针对性以投其所好。
实施例2
与实施例1不同之处仅在于，
S2中，图像识别模块还采用图像识别算法确定鱼的数量和体长。比如说，鱼缸中的鱼为A种鱼，A种鱼的数量可通过图像识别算法以及统计算法得到，记为N；每条A种鱼的体长也可通过图像识别算法得到，记为Lj，Lj为第j条A种鱼的体长，1≤j≤N。
S5中，鱼料投放模块还根据鱼的数量和体长得到鱼的平均体长，并根据平均体长确定投放的鱼料粒径和鱼料硬度，鱼料粒径和鱼料硬度均与平均体长成正比例。
首先，根据鱼的数量和体长得到鱼的平均体长La，La＝∑Lj/N，1≤j≤N。
然后，根据平均体长确定投放的鱼料粒径和鱼料硬度。
其一，根据鱼的平均体长确定投放的鱼料粒径。比如说，对于鱼料甲来说，R1＝γ1×La＝γ1×∑Lj/N，R1为鱼料甲的鱼料粒径，γ1为预先根据A种鱼的饮食习性得到的系数，1≤j≤N。这样，由于不同体长的鱼其体积大小也不同，通常体积较大的大鱼对鱼料的咀嚼能力强于体积较小的小鱼对鱼料的咀嚼能力，使得鱼料粒径与鱼的平均体长成正比例可以确保大部分鱼料能够被鱼咀嚼。
其二，根据鱼的平均体长确定投放的鱼料硬度。比如说，对于鱼料甲来说，B1＝δ1×La＝δ1×∑Lj/N，B1为鱼料甲的鱼料硬度，δ1为预先根据A种鱼的饮食习性得到的系数，1≤j≤N。这样，由于体积较大的大鱼对鱼料的消化能力强于体积较小的小鱼对鱼料的消化能力，鱼料硬度与鱼的平均体长成正比例，可以确保大部分鱼料能够被鱼快速消化和吸收。
实施例3
与实施例2不同之处仅在于，
S5中，鱼料投放模块还根据鱼的数量和体长确定所需喂食的鱼料投放量，鱼料投放量与鱼的数量和体长成正比；根据鱼的平均体长确定鱼料的投放次数，根据投放次数和鱼料投放量确定单次投放量，投放次数与鱼的平均体长成反比例。
其一，根据鱼的数量和体长确定所需喂食的鱼料投放量。比如说，鱼料甲的鱼料投放量Q1＝α×∑Lj，α为预先根据A种鱼的饮食习性得到的系数，1≤j≤N；鱼料投放量根据鱼的数量和体长确定，确保鱼料投放量与鱼的数量和体长成正比，避免投放的鱼料过多或者过少，提高鱼料投放量的精准性。
其二，根据鱼的平均体长确定鱼料的投放次数，根据投放次数和鱼料投放量确定单次投放量。比如说，对于鱼料甲来说，T1＝ξ1×(1/La)＝ξ1×(1/∑Lj/N)，T1为鱼料甲的喂食次数，ξ1为预先根据A种鱼的饮食习性得到的系数，1≤j≤N，单次投放量q1＝Q1/T1；鱼料投放量确定之后，投放次数越多，单次投放量越少，这样可确保每次投放的鱼料大部分能够被鱼吃完。
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.智能喂食控制系统，其特征在于，包括：
数据采集模块，用于实时采集鱼缸内的图像信息和喂养参数；
图像识别模块，用于在图像信息中识别鱼的种类以及鱼的运动形态；
喂养判断模块，用于获取鱼的种类对应的预设喂养条件，判断喂养参数是否符合预设喂养条件：如果喂养参数符合预设喂养条件，发送投放鱼料的指令到鱼料投放模块；如果喂养参数不符合预设喂养条件，发送调整喂养参数的指令到参数调整模块；
参数调整模块，用于接收调整喂养参数的指令，获取预先采集的历史喂养参数，基于粒子群算法根据历史喂养参数对模糊神经网络算法进行训练，得到训练后的模糊神经网络算法，采用训练后的模糊神经网络算法根据鱼的种类以及鱼的运动形态计算喂养参数的校正因子，根据校正因子对喂养参数进行调整，并在调整完毕之后发送再次采集的指令到数据采集模块；
鱼料投放模块，用于接收投放鱼料的指令，并向鱼缸内投放鱼料；
所述喂养参数包括水温、氧含量和PH值。
2.如权利要求1所述的智能喂食控制系统，其特征在于，参数调整模块还用于对预先采集的历史喂养参数进行归一化处理。
3.如权利要求2所述的智能喂食控制系统，其特征在于，鱼料投放模块还用于接收鱼的种类，根据鱼的种类确定投放的鱼料种类。
4.如权利要求3所述的智能喂食控制系统，其特征在于，图像识别模块还用于确定鱼的数量和体长；鱼料投放模块还用于根据鱼的数量和体长得到鱼的平均体长，并根据平均体长确定投放的鱼料粒径，鱼料粒径与平均体长成正比例。
5.如权利要求4所述的智能喂食控制系统，其特征在于，鱼料投放模块还用于根据平均体长确定投放的鱼料硬度，鱼料硬度与平均体长成正比例。
6.如权利要求5所述的智能喂食控制系统，其特征在于，鱼料投放模块还用于根据鱼的数量和体长确定所需喂食的鱼料投放量，鱼料投放量与鱼的数量和体长成正比。
7.如权利要求6所述的智能喂食控制系统，其特征在于，鱼料投放模块还用于根据鱼的平均体长确定鱼料的投放次数，根据投放次数和鱼料投放量确定单次投放量，投放次数与鱼的平均体长成反比例。
8.如权利要求7所述的智能喂食控制系统，其特征在于，图像识别模块还用于按照预设缩放比例对图像信息进行缩放。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111275075.7A CN113854221B (zh) | 2021-10-29 | 2021-10-29 | 智能喂食控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111275075.7A CN113854221B (zh) | 2021-10-29 | 2021-10-29 | 智能喂食控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113854221A CN113854221A (zh) | 2021-12-31 |
| CN113854221B true CN113854221B (zh) | 2022-11-18 |
Family
ID=78986246
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111275075.7A Active CN113854221B (zh) | 2021-10-29 | 2021-10-29 | 智能喂食控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113854221B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116026016A (zh) * | 2023-01-30 | 2023-04-28 | 青岛海尔空调器有限总公司 | 空调器与鱼缸的互联控制方法、装置及空调器 |
| CN116977929B (zh) * | 2023-07-31 | 2024-06-11 | 广西大学 | 基于鱼类打水行为监测的种群识别方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1993010659A2 (de) * | 1991-11-29 | 1993-06-10 | Johann Steiner | Verfahren und vorrichtungen zum versorgen von tieren mit futter |
| JPH10313730A (ja) * | 1997-05-15 | 1998-12-02 | Hitachi Ltd | 水棲生物用自動給餌装置 |
| CN105684977A (zh) * | 2016-03-22 | 2016-06-22 | 深圳市智汇十方科技有限公司 | 一种鱼缸智能喂鱼器 |
| CN112956440A (zh) * | 2021-02-04 | 2021-06-15 | 成都通威水产科技有限公司 | 一种鱼塘精准投喂的方法及其控制系统 |
| CN113075945A (zh) * | 2020-01-05 | 2021-07-06 | 重庆城市管理职业学院 | 一种基于环境信息反馈的养鱼池环境监控系统 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5706816B2 (ja) * | 2009-04-07 | 2015-04-22 | 日本水産株式会社 | 養殖魚の給餌方法及び給餌システム |
| NO331769B1 (no) * | 2010-05-18 | 2012-03-26 | Uni I Stavanger | System og fremgangsmate for styrt fôring av oppdrettsfisk |
| JP2014035330A (ja) * | 2012-08-10 | 2014-02-24 | Fisheries Research Agency | 魚の品質状態判定装置 |
| CN103218669B (zh) * | 2013-03-19 | 2016-12-28 | 中山大学 | 一种智能的活鱼养殖水质综合预测方法 |
| CN105475215A (zh) * | 2015-11-30 | 2016-04-13 | 成都聚汇才科技有限公司 | 一种基于桥式整流稳压电路的智能鱼缸增氧机控制系统 |
| CN106561531A (zh) * | 2016-10-26 | 2017-04-19 | 陈鸽 | 鱼缸控制系统 |
| PH12016000469A1 (en) * | 2016-12-15 | 2018-06-25 | Univ Of The Philippines Diliman | Estimating fish size, population density, species distribution and biomass |
| CN107439416A (zh) * | 2017-07-14 | 2017-12-08 | 重庆七棵树农业技术服务有限公司 | 一种禽类喂食槽 |
| US20190021292A1 (en) * | 2017-07-21 | 2019-01-24 | RoboGardens LLC | System and method for adaptive aquatic feeding based on image processing |
| CN110045771B (zh) * | 2019-04-19 | 2020-12-08 | 淮阴工学院 | 一种鱼塘水质智能监测系统 |
| CN110956310B (zh) * | 2019-11-14 | 2023-04-28 | 佛山科学技术学院 | 基于特征选取和支持向量的鱼饲料投量预测方法及系统 |
| CN110810320B (zh) * | 2019-12-06 | 2022-07-22 | 国网江苏省电力有限公司常州供电分公司 | 一种水产养殖系统的增氧控制方法及水产养殖系统 |
| CN111165414B (zh) * | 2020-01-15 | 2020-11-17 | 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 |
-
2021
- 2021-10-29 CN CN202111275075.7A patent/CN113854221B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1993010659A2 (de) * | 1991-11-29 | 1993-06-10 | Johann Steiner | Verfahren und vorrichtungen zum versorgen von tieren mit futter |
| JPH10313730A (ja) * | 1997-05-15 | 1998-12-02 | Hitachi Ltd | 水棲生物用自動給餌装置 |
| CN105684977A (zh) * | 2016-03-22 | 2016-06-22 | 深圳市智汇十方科技有限公司 | 一种鱼缸智能喂鱼器 |
| CN113075945A (zh) * | 2020-01-05 | 2021-07-06 | 重庆城市管理职业学院 | 一种基于环境信息反馈的养鱼池环境监控系统 |
| CN112956440A (zh) * | 2021-02-04 | 2021-06-15 | 成都通威水产科技有限公司 | 一种鱼塘精准投喂的方法及其控制系统 |
Non-Patent Citations (1)
| Title |
|---|
| 军曹鱼人工育苗饵料投喂技术的初步研究;孙丽华;《热带海洋学报》;20060330;第24-30页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113854221A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113854221B (zh) | 智能喂食控制系统 | |
| JP6739049B2 (ja) | 養殖魚の自動給餌方法並びに自動給餌システム | |
| CN113040081B (zh) | 基于鱼群游泳能耗分析的循环水养殖鱼类投喂决策系统 | |
| CN114467824B (zh) | 智能投饵船 | |
| JPH09262040A (ja) | 水棲生物用自動給餌装置及び方法 | |
| EP1913536A2 (en) | System and method for optimizing animal production using genotype information | |
| CN116649236B (zh) | 一种奶牛养殖饲喂监控管理系统 | |
| US20230284600A1 (en) | Smart aquaculture grow out system | |
| CN114128661B (zh) | 一种基于河蟹生长模型的池塘河蟹精准投饵方法 | |
| CN114847209A (zh) | 一种基于多因子综合控制的鱼类智能投喂方法及系统 | |
| Davis et al. | Feeding and fish husbandry | |
| Tanveer et al. | A technical review on feeders in aquaculture | |
| CN106797892A (zh) | 一种日粮浓度实时智能控制与反馈饲喂系统 | |
| CN115720864A (zh) | 一种基于因果推理的鱼类智能投喂方法 | |
| CN117063868A (zh) | 一种鱼池智能投喂方法 | |
| CN113780225A (zh) | 基于深度学习和图像识别的鱼类喂食方法 | |
| CN207219818U (zh) | 一种基于gps和雷达的自动巡航投饵机 | |
| CN212306525U (zh) | 一种鱼饵投放控制系统 | |
| CN113854222B (zh) | 智能喂食控制方法 | |
| CN214431116U (zh) | 基于水面波动信息的游泳型鱼类自适应投喂装置 | |
| CN211510270U (zh) | 一种基于大数据分析的智能水产养殖池 | |
| Moore | The role of feeds and feeding in aquatic animal production | |
| CN116965362A (zh) | 一种基于机器视觉的大口黑鲈智能投喂系统 | |
| US20230389529A1 (en) | Adaptive feeding of aquatic organisms in an aquaculture environment | |
| CN116548342B (zh) | 一种水产养殖智能投喂方法、系统、介质及电子设备 |
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 |