CN114004433A - 一种养殖鱼类生长环境调控方法及装置 - Google Patents

一种养殖鱼类生长环境调控方法及装置 Download PDF

Info

Publication number
CN114004433A
CN114004433A CN202010738136.8A CN202010738136A CN114004433A CN 114004433 A CN114004433 A CN 114004433A CN 202010738136 A CN202010738136 A CN 202010738136A CN 114004433 A CN114004433 A CN 114004433A
Authority
CN
China
Prior art keywords
fish
growth
data
index data
environment
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
Application number
CN202010738136.8A
Other languages
English (en)
Inventor
安冬
黄金泽
位耀光
李道亮
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.)
China Agricultural University
Original Assignee
China Agricultural 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 China Agricultural University filed Critical China Agricultural University
Priority to CN202010738136.8A priority Critical patent/CN114004433A/zh
Publication of CN114004433A publication Critical patent/CN114004433A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • A01K29/00—Other apparatus for animal husbandry
    • 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
    • A01K61/10—Culture of aquatic animals of fish
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Animal Husbandry (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Agronomy & Crop Science (AREA)
  • Zoology (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种养殖鱼类生长环境调控方法及装置，该方法包括：获取鱼类生长环境指标数据鱼类行为与生长指标数据，其中所述鱼类行为与生长指标数据是基于鱼类视频图像数据获得的鱼类行为与生长指标数据；将鱼类生长环境指标数据和鱼类行为与生长指标数据输入训练好的环境调控模型，得到对应鱼类生长环境的调控方案，其中，所述训练好的环境调控模型是根据样本鱼类生长环境指标数据、样本鱼类行为与生长指标数据、目标鱼类生长环境指标数据和目标鱼类行为与生长指标数据训练得到的；通过用多分支输出结构的深度学习网络，解决不利于推广的缺陷，利用机器学习模型参数取决于训练数据的特点，解决模型普适性差的问题。

Description

一种养殖鱼类生长环境调控方法及装置
技术领域
本发明涉及鱼类养殖技术领域，尤其涉及一种养殖鱼类生长环境调控方法及装置。
背景技术
工厂化循环水养殖是通过利用现代先进工业技术人工模拟养殖水生动物生长所需要的适宜环境条件，促进养殖鱼类快速、健康成长。因此，如何为养殖鱼类提供良好的生存环境，制定合理的投喂策略是目前生产管理上的难题，也是水产养殖科学中亟待解决的关键科学问题。
目前已有大量关于温度、光照(光照强度、光照周期、光照频率)、溶解氧含量以及摄食量是如何影响鱼类生长的研究。基于模糊物元模型和灰色关联度分析的方法，就鱼类生长适宜性同鱼类生长环境关联度进行分析，为流域鱼类资源的管理提供了有力的支持，但是现有技术中的模型往往仅能适应特定环境，普适性较差，不利于大规模应用。
因此如何更好的实现鱼类生长环境调控已经成为业界亟待解决的问题。
发明内容
本发明实施例提供一种养殖鱼类生长环境调控方法及装置，用以解决上述背景技术中提出的技术问题，或至少部分解决上述背景技术中提出的技术问题。
第一方面，本发明实施例提供一种养殖鱼类生长环境调控方法，包括：
获取鱼类生长环境指标数据和鱼类行为与生长指标数据，其中，所述鱼类行为与生长指标数据是基于鱼类视频图像数据获得的；
将所述鱼类生长环境指标数据和鱼类行为与生长指标数据输入训练好的环境调控模型，得到对应鱼类生长环境的调控方案；
其中，所述训练好的环境调控模型是根据样本鱼类生长环境指标数据、样本鱼类行为数据、样本鱼类生长指标数据、目标鱼类生长环境指标数据、目标鱼类行数据和目标鱼类生长指标数据训练得到的。
更具体的，所述鱼类行为与生长指标数据具体包括：鱼群平均游速、鱼群分散度、鱼群平均进食量、鱼群平均转弯次数、鱼群平均体长和鱼群平均质量；
所述环境指标数据包括光照强度、光照周期、光照频率、溶解氧以及温度。
更具体的，将所述鱼类生长环境指标数据和鱼类行为与生长指标数据输入训练好的环境调控模型的步骤之前，所述方法还包括：
将目标训练数据输入预设生长网络，通过预设生长网络挖掘不同环境指标下的鱼类生长规律，当满足第一预设条件时，得到训练好的生长模型；
提取生长模型的主干部分，将所述生长模型的结构及其权重作为预设调控网络的一部分，然后将样本训练数据和目标训练数据输入预设调控网络中，当满足第二预设条件时，得到训练好的环境调控模型；其中，所述目标训练数据是指目标鱼类生长环境指标数据、目标鱼类行数据和目标鱼类生长指标数据；
其中，所述样本训练数据为样本鱼类生长环境指标数据、样本鱼类行为数据和样本鱼类生长指标数据。
更具体的，将所述目标样本训练数据输入预设生长网络的步骤之前，所述方法还包括：
在多个不同历史时刻对应的不同鱼类生长环境指标下，计算各个相邻时刻样本鱼类平均质量差值信息；
按照体重差信息大小作为准则，选取整个生长期内鱼类平均质量差值信息最大的一组作为目标训练数据，得到目标鱼类生长环境指标数据和目标鱼类行为与生长指标数据，将其余的数据作为样本训练数据，得到样本鱼类生长环境指标数据和样本鱼类行为与生长指标数据。
更具体的，在所述获取鱼类生长环境指标数据鱼类行为与生长指标数据的步骤之前，所述方法还包括：
在受测区域按照预定时间隔采集环境水温、光照强度、光照周期、光照频率和溶解氧浓度得到鱼类生长环境指标数据。
第二方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述养殖鱼类生长环境调控方法的步骤。
第三方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述养殖鱼类生长环境调控方法的步骤。
本发明实施例提供的一种养殖鱼类生长环境调控方法及装置，通过采用多分支输出结构的深度学习网络，定性和定量地结合鱼类生长数据以及相关环境因子，明确提供在养殖场景下较合理的环境调控方案；针对现有技术中的模型仅用于特定环境下不利于推广的缺陷，本发明实施例利用机器学习模型参数取决于训练数据的特点，解决目前模型普适性差的问题；并且通过构建深度学习网络，减少人工抽取数据特征的步骤，降低出错的可能性，保证调控结果的稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例中所描述的养殖鱼类生长环境调控方法流程图；
图2为本发明一实施例中所描述的养殖鱼类生长环境调控方法示意图；
图3为本发明一实施例所描述的生长网络模型流程图；
图4为本发明一实施例所描述的生长网络模型结构图；
图5为本发明一实施例所描述的调控网络结构示意图；
图6为本发明一实施例所描述的LSTM神经元内部单元结构图；
图7为本发明一实施例所描述的养殖鱼类生长环境调控装置；
图8为本发明一实施例所描述的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明一实施例中所描述的养殖鱼类生长环境调控方法流程图，如图1所示，包括：
步骤S1,获取鱼类生长环境指标数据和鱼类行为与生长指标数据，其中，所述鱼类行为与生长指标数据是基于鱼类视频图像数据获得的；
步骤S2，将所述鱼类生长环境指标数据和鱼类行为与生长指标数据输入训练好的环境调控模型，得到对应鱼类生长环境的调控方案；
其中，所述训练好的环境调控模型是根据样本鱼类生长环境指标数据、样本鱼类行为数据、样本鱼类生长指标数据、目标鱼类生长环境指标数据、目标鱼类行数据和目标鱼类生长指标数据训练得到的。
具体的，本发明实施例可以根据实际应用场景，选择可调控的环境变量，科学合理地划分调控变量范围，根据划分范围进行人工干预，采集深水网箱中养殖鱼类在不同时刻的环境指标数据和鱼类视频图像数据。
本发明实施例中所描述的对所述鱼类视频图像数据进行分析具体是指用基于计算机视觉的鱼类行为分析模型、进食量估测模型以及鱼类体重、体长估测模型，计算得到环境指标相对应的鱼类行为与生长指标数据，具体包括：鱼群平均游速、鱼群分散度、鱼群平均转弯次数、鱼群平均进食量、鱼群平均体长和鱼群平均质量。
本发明实施例中所描述的样本鱼类生长环境指标数据和样本鱼类行为与生长指标数据是指样本训练数据。
本发明实施例中所描述的目标鱼类生长环境指标数据和目标鱼类行为与生长指标数据是指目标训练数据。
具体的，使用获取鱼类生长环境指标数据和鱼类行为与生长指标数据，按照体重变化量设定目标数据和样本数据。
本发明实施例中所描述的训练好的环境调控模型，是根据将经过训练的生长网络模型嵌入到预设调控网络中，然后在将预设调控网络训练得到的。
具体的，关于经过训练的生长网络模型，首先将目标数据中的鱼类行为数据、环境指标数据作为输入，鱼类生长指标数据作为输出，训练生长网络模型，提取关键网络结构及参数。
将经过训练的生长网络嵌入到调控网络中，同时在目标数据的基础上增加样本数据，即样本鱼类生长环境指标数据、样本鱼类行为与生长指标数据作为输入，输出环境调控变量和调控值作为调控方案。此外，调控变量指的是当判断为调整溶氧时，则需要按照调控值进行补氧操作；当判断为控温时，则需要根据调控值提高或降低温度；当判断为调整光照时，则需要按照具体光照调节类型，由此才能够确定光照调节方案。
在以上所述的各个实施例中，目标训练数据和样本训练数据包括的数据类型有：鱼类生长环境、行为与生长指标数据。具体包括：鱼类生长环境：光照强度、光照周期、光照频率、水温以及溶解氧；行为数据：鱼群平均游速、鱼群分散度、鱼群平均转弯次数、鱼群平均进食量；生长数据：鱼群平均体长和鱼群平均质量。
图2为本发明一实施例中所描述的养殖鱼类生长环境调控方法示意图，如图2所示，首先获取训练数据，然后按照体重变化量大小划分数据得到鱼类目标和样本训练数据。将目标训练数据的环境指标数据以及目标训练数据的行为数据输入到生长网络中，得到鱼群生长规律模型，抽取关键网络结构以及权重，将其作为调控网络的一部分，输入数据中增加样本训练数据的行为数据以及环境指标数据，根据深度学习模型挖掘不同环境指标下鱼类的生长规律差异，最终输出待调节指标以及调节范围。其中，调节指标包括：光照强度、光照周期、光照频率、水温以及溶解氧浓度。
图3为本发明一实施例所描述的生长网络模型流程图，如图3所示，首先进行数据的采集，在预处理阶段，使用行为模型、体重体长估测模型和进食量估测模型得到对应时刻鱼群平均游速、鱼群分散度、鱼群平均转弯次数以及进食量数据和体长、体重数据，对鱼群各个时刻内的平均体重和体长做一阶差分操作，根据体重差选出目标数据和样本数据。然后数据进行归一化处理，将目标数据输入的生长网络中，进行训练，包含权值初始化，利用LSTM神经网络对训练数据进行特征提取，经过全连接层经过前向传递得到输出值，然后求出输出值与目标值之间的误差进行反向传递，根据误差进行权值更新，最后得到生长网络模型。
图4为本发明一实施例所描述的生长网络模型结构图，如图4所示，在数据采集阶段，从受测系统当前所养殖鱼类的快速成长周期内，采集深水网箱T+1个时刻的水温、光照(光照强度、光照周期、光照频率)、溶解氧等环境数据以及对应的鱼类视频图像数据，其中T+1为正整数，使用鱼类行为分析模型以及生物特征(体重、体长、进食量)估测模型处理步骤一中通过摄像装置采集的鱼类活动信息数据，得到与步骤一中T+1个时刻相对应的鱼群平均游速、鱼群分散度、鱼群平均转弯次数、进食量等相关鱼类活动与生长数据信息体重差、体长差等。
在预处理阶段，对于鱼类生长信息数据，使用i+1时刻数据与第i时刻数据做差以减少分析模块模型误差影响，得到鱼类在快速成长周期内t个时刻内鱼类生长数据变化数据，其中i∈[0,t+1]，考虑到由于测量间隔过短可能导致鱼类生长数据变化较小，本发明拟采用tan-1)x)函数增加区分度，其中x为鱼类在快速成长周期内t个时刻内鱼类生长数据变化数据。
具体的，将数据按量纲分别进行归一化处理，得到t组数据集D＝{(xi,envxi,yi)|i＝1,2,...,t}，其中第i组列向量
Figure BDA0002605721030000071
分别代表归一化后的第i个历史采集时刻目标组数据的水温、光照(光照强度、光照周期、光照频率)、溶解氧条件下的鱼群平均游速、鱼群分散度、鱼群平均转弯次数、体重差、体长差以及进食量数据；第i组列向量的表达式可写为：
Figure BDA0002605721030000072
其中env＝{T,Ld,Lt,Lf,O}，分别代表归一化后的第i个历史采集时刻样本水温(T)、光照强度(Ld)、光照周期(Lt)、光照频率(Lf)、溶解氧(O)数据的鱼群平均游速、鱼群分散度、鱼群平均转弯次数、体重差、体长差以及进食量数据，yi＝[envi,yi]分别代表归一化后的第i个历史采集时刻样本数据与目标数据的环境因素以及差值。
其中，归一化公式如下所示。
Figure BDA0002605721030000081
在上述公式中，
Figure BDA0002605721030000082
表示第i时刻第k个指标的取值，其中k的取值可以为温度、光照强度、光照周期、光照频率、溶解氧、鱼类体重差、鱼群平均游速、鱼群分散度、鱼群平均转弯次数、鱼体长度差、进食量，min(Xk)表示Xk指标的最小值，max(Xk)表示Xk指标的最大值。
生长网络包含了2层LSTM层，每层隐藏单元数量分别为7和128个以及1个全连接层，输入时间步长为n＝7，用于对每个时刻的目标数据进行特征提取，激活函数为非线性ReLU激活函数，目标函数表达式为：
Figure BDA0002605721030000083
Figure BDA0002605721030000084
其中，y代表真实值，
Figure BDA0002605721030000085
代表预测值，
Figure BDA0002605721030000086
为鱼类体重差、
Figure BDA0002605721030000087
为鱼体长度差。采用Adam梯度下降算法更新权重和偏置，使网络损失最小，收敛后，抽取输入层和LSTM层，保存其权重。
图5为本发明一实施例所描述的调控网络结构示意图，如图5所示模型整体需要两部分输入，一部分是样本训练数据的环境数据、行为数据以及生长数据，另一部分是目标训练数据的环境数据和行为数据，通过LSTM神经网络模型挖掘不同环境指标下两种训练数据鱼类的生长规律，并在模型的训练过程中，抽取LSTM神经网络模型中样本训练数据和目标训练数据每一个时间步的记忆单元的值ci和ci'，分别求和做差；再抽取第t时刻样本训练数据和目标训练数据隐藏单元的输出值hn和hn'，将上述结果与第n时刻样本训练数据鱼类体重差
Figure BDA0002605721030000091
鱼体长度差
Figure BDA0002605721030000092
进食量
Figure BDA0002605721030000093
做拼接操作，输入全连接层中提取高维特征，分别用于未来时刻环境指标类别预测以及环境指标数值差值预测。
按照下面两个公式分别计算调整环境指标范围的均方根误差和调整环境指标类别的交叉熵损失函数。
Figure BDA0002605721030000094
Figure BDA0002605721030000095
其中ln+1代表目标数据中环境变量的真实值，
Figure BDA0002605721030000096
代表对应时刻模型的模拟值；p(lv＝z)为真实调控变量对应的概率，取值为{0,1}，
Figure BDA0002605721030000097
代表预测调控变量对应的概率，取值为[0,1]，其中envn+1＝{T,Ld,Lt,Lf,O}。使用反向传播算法调整模型中参数，直到模型迭代次数达到指定次数或误差小于可接受的阈值即停止训练并保存模型结果以及参数。
将所述鱼类生长环境指标数据和鱼类行为与生长指标数据输入训练好的环境调控模型，得到分类结果与调控结果，将调控结果进行预处理的逆向处理，综合考虑分类结果，得到受测深水网箱在当前环境下鱼类生长环境调控建议方案。
图6为本发明一实施例所描述的LSTM神经元内部单元结构图，如图6所示，其中，LSTM神经网络神经元的计算公式为：
神经元中的具体公式为：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
c't＝tanh(Wc·[ht-1,xt]+bc)
Figure BDA0002605721030000101
ot＝σ(Wo·[ht-1,xt]+bo)
Figure BDA0002605721030000102
其中，Wf是遗忘门的权重矩阵，[ht-1,xt]表示把两个向量连接成一个更长的向量，bf是遗忘门的偏置项，σ是门的激活函数。Wi是输入门的权重矩阵，bt是输入门的偏置项。c't表示当前输入的单元状态，由上一次的输出和本次的输入计算得出。ct表示当前时刻的单元状态，是由上一次的单元状态ct-1按元素乘以遗忘门ft后，与当前输入的单元状态c't按元素乘以输入门it的结果相加得出，其中
Figure BDA0002605721030000103
表示按元素乘Wo是输出门的权重矩阵，bo是输出门的偏置项。
图7为本发明一实施例所描述的养殖鱼类生长环境调控装置示意图，如图7所示，包括：分析模块710以及调控模块720；其中，分析模块710用于获取鱼类生长环境指标数据和鱼类行为与生长指标数据，其中，所述鱼类行为与生长指标数据是基于鱼类视频图像数据获得的；其中，调控模块720用于将所述鱼类生长环境指标数据和鱼类行为与生长指标数据输入训练好的环境调控模型，得到对应鱼类生长环境的调控方案；其中，所述训练好的环境调控模型是根据样本鱼类生长环境指标数据、样本鱼类行为数据、样本鱼类生长指标数据、目标鱼类生长环境指标数据、目标鱼类行数据和目标鱼类生长指标数据训练得到的。
本发明实施例提供的装置是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
本发明实施例通过用多分支输出结构的深度学习网络，结合鱼类生长数据以及相关环境因子，明确提供在养殖场景下较合理的环境调控方案；针对现有技术中的模型仅用于特定环境下不利于推广的缺陷，本发明实施例利用机器学习模型参数取决于训练数据的特点，解决目前模型普适性差的问题；并且通过构建深度学习网络，减少人工抽取数据特征的步骤，降低出错的可能性，保证调控结果的稳定性。
图8为本发明一实施例所描述的电子设备结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行如下方法：获取鱼类生长环境指标数据鱼类行为与生长指标数据，其中，所述鱼类行为与生长指标数据是基于鱼类视频图像数据获得的；将鱼类生长环境指标数据和鱼类行为与生长指标数据输入训练好的环境调控模型，得到对应鱼类生长环境的调控方案；其中，所述训练好的环境调控模型是根据样本鱼类生长环境指标数据、样本鱼类行为与生长指标数据、目标鱼类生长环境指标数据和目标鱼类行为与生长指标数据训练得到的。
此外，上述的存储器830中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取鱼类生长环境指标数据鱼类行为与生长指标数据；将鱼类生长环境指标数据和鱼类行为与生长指标数据输入训练好的环境调控模型，得到对应鱼类生长环境的调控方案。
本发明实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法，例如包括：获取鱼类生长环境指标数据鱼类行为与生长指标数据；将鱼类生长环境指标数据和鱼类行为与生长指标数据输入训练好的环境调控模型，得到对应鱼类生长环境的调控方案。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (8)

1.一种养殖鱼类生长环境调控方法，其特征在于，包括：
获取鱼类生长环境指标数据和鱼类行为与生长指标数据，其中，所述鱼类行为与生长指标数据是基于鱼类视频图像数据获得的；
将所述鱼类生长环境指标数据和鱼类行为与生长指标数据输入训练好的环境调控模型，得到对应鱼类生长环境的调控方案；
其中，所述训练好的环境调控模型是根据样本鱼类生长环境指标数据、样本鱼类行为数据、样本鱼类生长指标数据、目标鱼类生长环境指标数据、目标鱼类行为数据和目标鱼类生长指标数据训练得到的。
2.根据权利要求1所述养殖鱼类生长环境调控方法，其特征在于，所述鱼类行为与生长指标数据具体包括：鱼群平均游速、鱼群分散度、鱼群平均进食量、鱼群平均转弯次数、鱼群平均体长和鱼群平均质量；
所述环境指标数据包括光照强度、光照周期、光照频率、溶解氧以及温度。
3.根据权利要求1所述养殖鱼类生长环境调控方法，其特征在于，在所述将所述鱼类生长环境指标数据和鱼类行为与生长指标数据输入训练好的环境调控模型的步骤之前，所述方法还包括：
将目标训练数据输入预设生长网络，通过预设生长网络挖掘不同环境指标下的鱼类生长规律，当满足第一预设条件时，得到训练好的生长模型；
提取生长模型的主干部分，将所述生长模型的结构及其权重作为预设调控网络的一部分，然后将样本训练数据和目标训练数据输入预设调控网络中，当满足第二预设条件时，得到训练好的环境调控模型；
其中，所述目标训练数据是指目标鱼类生长环境指标数据、目标鱼类行数据和目标鱼类生长指标数据；
其中，所述样本训练数据为样本鱼类生长环境指标数据、样本鱼类行为数据和样本鱼类生长指标数据。
4.根据权利要求3所述养殖鱼类生长环境调控方法，其特征在于，将所述目标训练数据输入预设生长网络的步骤之前，所述方法还包括：
在多个不同历史时刻对应的不同鱼类生长环境指标下，计算各个相邻时刻样本鱼类平均质量差值信息；
按照体重差信息大小作为准则，选取整个生长期内鱼类平均质量差值信息最大的一组作为目标训练数据，得到目标鱼类生长环境指标数据和目标鱼类行为与生长指标数据，将其余的数据作为样本训练数据，得到样本鱼类生长环境指标数据和样本鱼类行为与生长指标数据。
5.根据权利要求4所述养殖鱼类生长环境调控方法，其特征在于，在所述获取鱼类生长环境指标数据鱼类行为与生长指标数据的步骤之前，所述方法还包括：
在受测区域按照预定时间隔采集环境水温、光照强度、光照周期、光照频率和溶解氧浓度得到鱼类生长环境指标数据。
6.一种养殖鱼类生长环境调控装置，其特征在于，包括：
分析模块，用于获取鱼类生长环境指标数据和鱼类行为与生长指标数据，其中，所述鱼类行为与生长指标数据是基于鱼类视频图像数据获得的；
调控模块，用于将所述鱼类生长环境指标数据和鱼类行为与生长指标数据输入训练好的环境调控模型，得到对应鱼类生长环境的调控方案；
其中，所述训练好的环境调控模型是根据样本鱼类生长环境指标数据、样本鱼类行为数据、样本鱼类生长指标数据、目标鱼类生长环境指标数据、目标鱼类行数据和目标鱼类生长指标数据训练得到的。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至5任一项所述养殖鱼类生长环境调控方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述养殖鱼类生长环境调控方法的步骤。
CN202010738136.8A 2020-07-28 2020-07-28 一种养殖鱼类生长环境调控方法及装置 Pending CN114004433A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010738136.8A CN114004433A (zh) 2020-07-28 2020-07-28 一种养殖鱼类生长环境调控方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010738136.8A CN114004433A (zh) 2020-07-28 2020-07-28 一种养殖鱼类生长环境调控方法及装置

Publications (1)

Publication Number Publication Date
CN114004433A true CN114004433A (zh) 2022-02-01

Family

ID=79920507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010738136.8A Pending CN114004433A (zh) 2020-07-28 2020-07-28 一种养殖鱼类生长环境调控方法及装置

Country Status (1)

Country Link
CN (1) CN114004433A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114847168A (zh) * 2022-05-17 2022-08-05 四川华能宝兴河水电有限责任公司 一种畜牧业智能化养殖系统
CN116193681A (zh) * 2023-04-24 2023-05-30 聊城市敏锐信息科技有限公司 电照明光源的光照调节电路装置及鱼缸照明系统
CN116863322A (zh) * 2023-07-28 2023-10-10 江苏中水东泽农业发展股份有限公司 基于ai的鱼类繁殖用自适应光照方法、装置及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114847168A (zh) * 2022-05-17 2022-08-05 四川华能宝兴河水电有限责任公司 一种畜牧业智能化养殖系统
CN114847168B (zh) * 2022-05-17 2023-03-28 四川华能宝兴河水电有限责任公司 一种畜牧业智能化养殖系统
CN116193681A (zh) * 2023-04-24 2023-05-30 聊城市敏锐信息科技有限公司 电照明光源的光照调节电路装置及鱼缸照明系统
CN116193681B (zh) * 2023-04-24 2023-06-27 聊城市敏锐信息科技有限公司 电照明光源的光照调节电路装置及鱼缸照明系统
CN116863322A (zh) * 2023-07-28 2023-10-10 江苏中水东泽农业发展股份有限公司 基于ai的鱼类繁殖用自适应光照方法、装置及存储介质
CN116863322B (zh) * 2023-07-28 2024-04-30 江苏中水东泽农业发展股份有限公司 基于ai的鱼类繁殖用自适应光照方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN114004433A (zh) 一种养殖鱼类生长环境调控方法及装置
Ta et al. Research on a dissolved oxygen prediction method for recirculating aquaculture systems based on a convolution neural network
CN110476839B (zh) 一种基于鱼类生长的优化调控方法及系统
Chen et al. Feed intake prediction model for group fish using the MEA-BP neural network in intensive aquaculture
Karul et al. Case studies on the use of neural networks in eutrophication modeling
Wei et al. Automatic image segmentation based on PCNN with adaptive threshold time constant
CN108614422B (zh) 陆基工厂循环水养殖中溶解氧优化控制方法、装置及系统
CN111080464A (zh) 一种池塘养殖水质关键因子预测方法及装置
CN113349111A (zh) 一种用于水产养殖物的动态投喂方法、系统和存储介质
Li et al. An adaptive method for fish growth prediction with empirical knowledge extraction
CN112884238A (zh) 光伏发电功率预测方法及装置
CN112215412A (zh) 溶解氧预测方法及装置
CN116884523B (zh) 一种海洋牧场水质多参数预测方法
CN113962819A (zh) 一种基于极限学习机的工厂化水产养殖溶解氧预测方法
Kundu et al. Growth acceleration is the key for identifying the most favorable food concentration of Artemia sp.
CN116630080B (zh) 基于图像识别的水产集约化养殖饲料容量确定方法及系统
CN109255200B (zh) 一种养殖水体氨氮的软测量方法及装置
CN117171624A (zh) 一种水禽养殖水质预测方法
CN109214513B (zh) 一种基于自适应深度置信网络的固液废弃物智能耦合处理方法
CN111612246A (zh) 农田土壤的重金属含量预测方法、装置、设备及存储介质
CN115601639A (zh) 一种图像分类模型的训练方法、系统及应用方法、系统
Guan et al. Reduce the difficulty of incremental learning with self-supervised learning
CN114386682A (zh) 一种基于环境建模的鱼类生长率预测方法及系统
Liu et al. Analysis of a stochastic inshore–offshore hairtail fishery model with Ornstein–Uhlenbeck process
CN109781951B (zh) 一种鱼塘水质监测系统及监测方法

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