CN114097676B - 一种拟穴青蟹的病害预测方法、系统及可存读介质 - Google Patents
一种拟穴青蟹的病害预测方法、系统及可存读介质 Download PDFInfo
- Publication number
- CN114097676B CN114097676B CN202111153396.XA CN202111153396A CN114097676B CN 114097676 B CN114097676 B CN 114097676B CN 202111153396 A CN202111153396 A CN 202111153396A CN 114097676 B CN114097676 B CN 114097676B
- Authority
- CN
- China
- Prior art keywords
- scylla paramamosain
- excrement
- time period
- probability
- predicting
- 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
- 241001672730 Scylla paramamosain Species 0.000 title claims abstract description 189
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 165
- 201000010099 disease Diseases 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 117
- 230000029142 excretion Effects 0.000 claims abstract description 74
- 230000008859 change Effects 0.000 claims abstract description 26
- 238000004140 cleaning Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000036760 body temperature Effects 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 2
- 241000238557 Decapoda Species 0.000 description 23
- 244000052616 bacterial pathogen Species 0.000 description 21
- 238000009395 breeding Methods 0.000 description 20
- 230000001488 breeding effect Effects 0.000 description 20
- 241000700605 Viruses Species 0.000 description 19
- 210000003608 fece Anatomy 0.000 description 16
- 230000008569 process Effects 0.000 description 8
- 239000013049 sediment Substances 0.000 description 8
- 235000012631 food intake Nutrition 0.000 description 7
- 239000003242 anti bacterial agent Substances 0.000 description 6
- 229940088710 antibiotic agent Drugs 0.000 description 6
- 230000004083 survival effect Effects 0.000 description 6
- 241000238097 Callinectes sapidus Species 0.000 description 5
- 206010021143 Hypoxia Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 241000894006 Bacteria Species 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000037406 food intake Effects 0.000 description 3
- 239000013535 sea water Substances 0.000 description 3
- 241000238119 Xanthoidea Species 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- ZRHANBBTXQZFSP-UHFFFAOYSA-M potassium;4-amino-3,5,6-trichloropyridine-2-carboxylate Chemical compound [K+].NC1=C(Cl)C(Cl)=NC(C([O-])=O)=C1Cl ZRHANBBTXQZFSP-UHFFFAOYSA-M 0.000 description 2
- 230000001850 reproductive effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 238000012545 processing Methods 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
- A01K61/50—Culture of aquatic animals of shellfish
- A01K61/59—Culture of aquatic animals of shellfish of crustaceans, e.g. lobsters or shrimps
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/15—Fishing
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Business, Economics & Management (AREA)
- Biodiversity & Conservation Biology (AREA)
- Animal Husbandry (AREA)
- Zoology (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明涉及一种拟穴青蟹的病害预测方法、系统及可存读介质，包括：获取当前池塘的水质理化指标数据；基于神经网络建立拟穴青蟹的病害预测模型，并获取拟穴青蟹病害的历史数据，将所述拟穴青蟹病害的历史数据导入所述拟穴青蟹的病害预测模型中训练；将所述水质理化指标数据导入所述拟穴青蟹的病害预测模型中，进而预测该池塘的病害繁殖指数；根据所述繁殖指数预测该池塘发生病害的概率。本发明通过根据温度的变化以及拟穴青蟹的数量来得到拟穴青蟹的喂食量，预测出拟穴青蟹的排泄量，通过排泄量来预测水质理化指标数据的变化，以基于水质指标数据来预测病害的发生概率、发生时间段，以确定清理排泄物的时间段以及提前采取措施预防病害的发生。
Description
技术领域
本发明涉及拟穴青蟹领域，尤其涉及一种拟穴青蟹的病害预测方法、系统及可存读介质。
背景技术
拟穴青蟹(Scylla paramamosain)俗称青蟹,是一种经济价值很高的海水养殖蟹类,广泛分布于热带和亚热带,是我国南方沿海各省份主要海水养殖对象之一。随着苗种培育技术的突破和养殖技术的改进,青蟹养殖规模和养殖产量逐年提高,已成为中国产量最高的海水养殖蟹类之一。然而,青蟹养殖过程中病害发生的频率呈逐年上升趋势,特别是甲壳溃疡病、黄体病、颤抖病等细菌性疾病的暴发给养殖户造成了巨大的经济损失,同时也严重制约了青蟹养殖产业的进一步发展。
成品蟹大量进食后，会增加排泄量，在这个阶段池底的沉淀物也会不断增加，由于成品蟹的排泄物中存在大量细菌，一方面影响了水质理化指标数据，如水体温度、水体PH值、水体的导电率等，由于水质理化数据发生变化，部分细菌和病毒在这样的水温和环境中会大量滋生，会引起成年蟹生病和死亡。而且，遇到温度较高的天气时，成品蟹的食量会增大，而用户无法根据温度的变化增加饲料或者增加的饲料过多，导致残留于供养池中，影响了供养池的水质指标数据，导致细菌的滋生。
发明内容
本发明克服了现有技术的不足，提供了一种拟穴青蟹的病害预测方法、系统及可存读介质。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种拟穴青蟹的病害预测方法，其特征在于，包括以下步骤：
获取当前池塘的水质理化指标数据，所述水质理化指标数据包括水体温度、水体的PH值、水体的电导率；
基于神经网络建立拟穴青蟹的病害预测模型，并获取拟穴青蟹病害的历史数据，将所述拟穴青蟹病害的历史数据导入所述拟穴青蟹的病害预测模型中训练；
将所述水质理化指标数据导入所述拟穴青蟹的病害预测模型中，进而预测该池塘的病害繁殖指数；
根据所述繁殖指数预测该池塘发生病害的概率。
进一步地，本发明的一个较佳实施例中，还包括以下步骤：
采集当前池塘的拟穴青蟹的数量；
基于所述拟穴青蟹的数量以及水体温度预测需要的投放的喂食量；
根据所述的喂食量计算出拟穴青蟹的排泄物的排泄量；
基于所述拟穴青蟹的排泄物的排泄量预测达到预设阀值的排泄物的时间段，并将该时间段作为清理排泄物的时间段。
进一步地，本发明的一个较佳实施例中，根据所述繁殖指数预测该池塘发生病害的概率，具体包括：
获取当前的拟穴青蟹的排泄物数值；
基于所述当前的拟穴青蟹的排泄物数值以及繁殖指数预测当前池塘的目标病害发生概率，并绘制对应的目标病害发生概率的概率图，并给予所述概率图对目标病害进行预测；
每获取一次排泄物数值，所述概率图更新一次，直至该概率图中的概率值大于预设概率阀值时，则标记大于该概率值所在的时间段为高风险区域时间段。
进一步地，本发明的一个较佳实施例中，基于所述拟穴青蟹的排泄物的排泄量预测达到预设阀值的排泄物的时间段，并将该时间段作为清理排泄物的时间段，具体包括：
每获取一次所述拟穴青蟹的排泄物的排泄量，当前的拟穴青蟹的排泄物数值增加一次，其增量为拟穴青蟹的排泄物的排泄量；
基于拟穴青蟹的排泄物的排泄量绘制拟穴青蟹的排泄物数值趋势图；
在所述拟穴青蟹的排泄物数值趋势图提取出达到预设阀值的排泄物的时间段。
进一步地，本发明的一个较佳实施例中，将所述水质理化指标数据导入所述拟穴青蟹的病害预测模型中，进而预测该池塘的病害繁殖指数，具体为：
根据所述水质理化指标数据预测发生的一种或者多种目标病害，并计算在该水质理化指标数据下的目标病害的繁殖指数。
进一步地，本发明的一个较佳实施例中，还包括以下步骤：
根据所述拟穴青蟹的排泄物的排泄量建立水质理化指标数据变化趋势模型；
从所述变化趋势模型中预测发生目标病害的水质理化指标数据。
本发明第二方面提供了一种拟穴青蟹的病害预测系统，其特征在于，该系统包括存储器、处理器，所述存储器中包括拟穴青蟹的病害预测方法程序，所述拟穴青蟹的病害预测方法程序被所述处理器执行时实现如下步骤：
获取当前池塘的水质理化指标数据，所述水质理化指标数据包括水体温度、水体的PH值、水体的电导率；
基于神经网络建立拟穴青蟹的病害预测模型，并获取拟穴青蟹病害的历史数据，将所述拟穴青蟹病害的历史数据导入所述拟穴青蟹的病害预测模型中训练；
将所述水质理化指标数据导入所述拟穴青蟹的病害预测模型中，进而预测该池塘的病害繁殖指数；
根据所述繁殖指数预测该池塘发生病害的概率。
进一步地，本发明的一个较佳实施例中，还包括以下步骤：
采集当前池塘的拟穴青蟹的数量；
基于所述拟穴青蟹的数量以及水体温度预测需要的投放的喂食量；
根据所述的喂食量计算出拟穴青蟹的排泄物的排泄量；
基于所述拟穴青蟹的排泄物的排泄量预测达到预设阀值的排泄物的时间段，并将该时间段作为清理排泄物的时间段。
进一步地，本发明的一个较佳实施例中，根据所述繁殖指数预测该池塘发生病害的概率，具体包括：
获取当前的拟穴青蟹的排泄物数值；
基于所述当前的拟穴青蟹的排泄物数值以及繁殖指数预测当前池塘的目标病害发生概率，并绘制对应的目标病害发生概率的概率图，并给予所述概率图对目标病害进行预测；
每获取一次排泄物数值，所述概率图更新一次，直至该概率图中的概率值大于预设概率阀值时，则标记大于该概率值所在的时间段为高风险区域时间段；
基于所述拟穴青蟹的排泄物的排泄量预测达到预设阀值的排泄物的时间段，并将该时间段作为清理排泄物的时间段，具体包括：
每获取一次所述拟穴青蟹的排泄物的排泄量，当前的拟穴青蟹的排泄物数值增加一次，其增量为拟穴青蟹的排泄物的排泄量；
基于拟穴青蟹的排泄物的排泄量绘制拟穴青蟹的排泄物数值趋势图；
在所述拟穴青蟹的排泄物数值趋势图提取出达到预设阀值的排泄物的时间段；
将所述水质理化指标数据导入所述拟穴青蟹的病害预测模型中，进而预测该池塘的病害繁殖指数，具体为：
根据所述水质理化指标数据预测发生的一种或者多种目标病害，并计算在该水质理化指标数据下的目标病害的繁殖指数；
根据所述拟穴青蟹的排泄物的排泄量建立水质理化指标数据变化趋势模型；
从所述变化趋势模型中预测发生目标病害的水质理化指标数据。
本发明第三方面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中包括拟穴青蟹的病害预测方法程序，所述拟穴青蟹的病害预测方法程序被处理器执行时，实现任一项所述的拟穴青蟹的病害预测方法的步骤。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：本发明通过根据温度的变化以及拟穴青蟹的数量来得到拟穴青蟹的喂食量，预测出拟穴青蟹的排泄量，从而通过排泄量来预测水质理化指标数据的变化，进而基于水质指标数据来预测病害的发生概率、发生时间段，从而确定清理排泄物的时间段以及提前采取措施预防病害的发生。一方面，在遇到温度较高的天气，成品蟹的食量会增大，在喂养上增加喂食量，避免成年蟹在生长过程中由于缺少食物而影响整体的生长。另一个方面，成品蟹大量进食后，会增加排泄量，在这个阶段池底的沉淀物也会不断增加，影响了水质理化指标数据，通过追踪该水质理化指标数据预测发生病害可能的一个或者多个时间段，进而提前做出合理的调整。
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简单地介绍，显而易见地，下面描述中的附图仅仅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实施例的附图。
图1示出了拟穴青蟹的病害预测方法的方法流程图；
图2示出了得到清理排泄物时间段的方法流程图；
图3示出了预测该池塘发生病害的方法流程图；
图4示出了得到清理排泄物时间段的具体方法流程图；
图5示出了一种拟穴青蟹的病害预测系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了拟穴青蟹的病害预测方法的方法流程图；
本发明第一方面提供了一种拟穴青蟹的病害预测方法，其特征在于，包括以下步骤：
S102:获取当前池塘的水质理化指标数据，所述水质理化指标数据包括水体温度、水体的PH值、水体的电导率；
S104:基于神经网络建立拟穴青蟹的病害预测模型，并获取拟穴青蟹病害的历史数据，将所述拟穴青蟹病害的历史数据导入所述拟穴青蟹的病害预测模型中训练；
S106:将所述水质理化指标数据导入所述拟穴青蟹的病害预测模型中，进而预测该池塘的病害繁殖指数；
S108:根据所述繁殖指数预测该池塘发生病害的概率。
需要说明的是，本方法采用的是人工神经网络模型对水质理化指标数据进行可能发生的病害预测，具体为：与拟穴青蟹历史发生的病害信息相对照，不同的病菌、病毒在不同的水质理化指标数据之下生存的能力各有差异性，一方面，主要由于拟穴青蟹排泄物不断的增加，水质理化指标数据不断发生变化，当该水质理化指标数据越来越趋向于病菌、病毒的最适生存条件时，病菌出现的可能性增大，繁殖指数表示在该环境之下的繁殖能力很强，进而池塘发生病害的概率亦增大；另一方面，由于排泄物中含有大量的有机物，该有机物能够提供给病菌进行正常的生命活动，而由于水质理化指标数据的变化，病毒有可能寄生在拟穴青蟹或者其他微生物之中，进而引发病害。通过水质理化数据来预测该池塘发生病害的概率，进而提前采取措施预防病害的发生。再一方面，由于病菌的繁殖，病菌在进行生命活动时消耗了水中的溶解氧，从而拟穴青蟹容易出现缺氧的现象，利用该方法不但有效地预防病害的发生，而且能够避免这种缺氧现象的发生。
图2示出了得到清理排泄物时间段的方法流程图；
进一步地，本发明的一个较佳实施例中，还包括以下步骤：
S202:采集当前池塘的拟穴青蟹的数量；
S204:基于所述拟穴青蟹的数量以及水体温度预测需要的投放的喂食量；
S206:根据所述的喂食量计算出拟穴青蟹的排泄物的排泄量；
S208:基于所述拟穴青蟹的排泄物的排泄量预测达到预设阀值的排泄物的时间段，并将该时间段作为清理排泄物的时间段。
需要说明的是，在监控设备，如摄像头、红外热成像仪的长期监控之下，预估出成年蟹和未成年蟹的数量，由于高温天气，成品蟹的食量会增大，在喂养上增加喂食量，根据当前的拟穴青蟹的数量以及水体的温度情况预测出需要的喂食量，能够避免成年蟹在生长过程中由于缺少食物而影响整体的生长。在拟穴青蟹大量进食之后，其排泄量亦增加，在增加到一定程度时，水质理化指标数据越来越趋向于某种病菌、病毒的最适生长的条件。因此，根据该排泄量能够得出需要进行清理排泄物的时间段，此类排泄物通常为池塘中底部的沉淀物。此方法通过温度的变化情况来调节喂食量，为养殖人员在拟穴青蟹的养殖过程中提供了可参考的数据，保证了饲料的利用率充分，不但能促进拟穴青蟹的生长，而且相当于缩短生长周期。
图3示出了预测该池塘发生病害的方法流程图；
进一步地，本发明的一个较佳实施例中，根据所述繁殖指数预测该池塘发生病害的概率，具体包括：
S302:获取当前的拟穴青蟹的排泄物数值；
S304:基于所述当前的拟穴青蟹的排泄物数值以及繁殖指数预测当前池塘的目标病害发生概率，并绘制对应的目标病害发生概率的概率图，并给予所述概率图对目标病害进行预测；
S306:每获取一次排泄物数值，所述概率图更新一次，直至该概率图中的概率值大于预设概率阀值时，则标记大于该概率值所在的时间段为高风险区域时间段。
需要说明的是，由于排泄物在池塘中不断的累积，繁殖指数不断发生变化，在一定的范围程度上，繁殖指数在一定的时间段内呈一定的类抛物模型，在某个最适生存条件节点呈现出最大值，其中满足：
其中W为繁殖指数，R为拟穴青蟹的排泄量，m为喂食的次数，i表示第i次的喂食，B为初始时的池塘的排泄量值，A为修正系数值。
其中，当繁殖指数为一定数值时，说明该繁殖环境适合一种或者多种病菌繁殖，而该繁殖指数在一定程度上预示着发生该病害的概率值，在与某种病菌、病毒繁殖的繁殖指数相同之时，此时发生该病害的概率值最大，即可以理解为在一定繁殖指数范围之内，病菌、病毒在该范围之内先从具备繁殖条件到最佳繁殖点，或者最终趋向于不具备繁殖条件。
图4示出了得到清理排泄物时间段的具体方法流程图；
进一步地，本发明的一个较佳实施例中，基于所述拟穴青蟹的排泄物的排泄量预测达到预设阀值的排泄物的时间段，并将该时间段作为清理排泄物的时间段，具体包括：
S402:每获取一次所述拟穴青蟹的排泄物的排泄量，当前的拟穴青蟹的排泄物数值增加一次，其增量为拟穴青蟹的排泄物的排泄量；
S404:基于拟穴青蟹的排泄物的排泄量绘制拟穴青蟹的排泄物数值趋势图；
S406:在所述拟穴青蟹的排泄物数值趋势图提取出达到预设阀值的排泄物的时间段。
需要说明的是，按照投放的喂食量的规律，喂食量每增加一次，其拟穴青蟹的排泄量随着增加，按照该拟穴青蟹的排泄量的规律进行预测达到需要进行清理的排泄物的时间段，即随着排泄量的增加，水质理化指标数据达到了病菌或者病毒的最佳繁殖指数，提醒用户需要在达到该最佳繁殖指数之前对该池塘进行清理。
进一步地，本发明的一个较佳实施例中，将所述水质理化指标数据导入所述拟穴青蟹的病害预测模型中，进而预测该池塘的病害繁殖指数，具体为：
根据所述水质理化指标数据预测发生的一种或者多种目标病害，并计算在该水质理化指标下数据的目标病害的繁殖指数。
进一步地，本发明的一个较佳实施例中，还包括以下步骤：
根据所述拟穴青蟹的排泄物的排泄量建立水质理化指标数据变化趋势模型；
从所述变化趋势模型中预测发生目标病害的水质理化指标数据。
需要说明的是，在某个清理池底的沉淀之前的时间段时，可能已经进入病菌、病毒繁殖的范围之内，但是未达到最佳的繁殖指数时间段，水质理化指标数据产生了变化，在一个时间段范围之内，水质理化指标数据的变化趋势为慢慢地符合某种病菌、病毒繁殖的范围之内，该时间段范围之内，病害发生的概率值不断增加；用户可在该时间段内进行智能调整饲料中抗病药物的配比，投放至池塘之中，一方面能减少药物的使用；另一方面，在该时间段之内，定时对池塘进行监测，使得用户在该时间段加大警惕，进而预防病害的发生。
综上所述，本发明通过根据温度的变化以及拟穴青蟹的数量来得到拟穴青蟹的喂食量，预测出拟穴青蟹的排泄量，从而通过排泄量来预测水质理化指标数据的变化，进而基于水质指标数据来预测病害的发生概率、发生时间段，从而确定清理排泄物的时间段以及提前采取措施预防病害的发生。一方面，在遇到温度较高的天气，成品蟹的食量会增大，在喂养上增加喂食量，避免成年蟹在生长过程中由于缺少食物而影响整体的生长。另一个方面，成品蟹大量进食后，会增加排泄量，在这个阶段池底的沉淀物也会不断增加，影响了水质理化指标数据，通过追踪该水质理化指标数据预测发生病害可能的一个或者多个时间段，进而提前做出合理的调整。
图5示出了一种拟穴青蟹的病害预测系统的系统框图。
本发明第二方面提供了一种拟穴青蟹的病害预测系统，其特征在于，该系统包括存储器41、处理器62，所述存储器41中包括拟穴青蟹的病害预测方法程序，所述拟穴青蟹的病害预测方法程序被所述处理器62执行时实现如下步骤：
获取当前池塘的水质理化指标数据，所述水质理化指标数据包括水体温度、水体的PH值、水体的电导率；
基于神经网络建立拟穴青蟹的病害预测模型，并获取拟穴青蟹病害的历史数据，将所述拟穴青蟹病害的历史数据导入所述拟穴青蟹的病害预测模型中训练；
将所述水质理化指标数据导入所述拟穴青蟹的病害预测模型中，进而预测该池塘的病害繁殖指数；
根据所述繁殖指数预测该池塘发生病害的概率。
需要说明的是，本方法采用的是人工神经网络模型对水质理化指标数据进行可能发生的病害预测，具体为：与拟穴青蟹历史发生的病害信息相对照，不同的病菌、病毒在不同的水质理化指标数据之下生存的能力各有差异性，一方面，主要由于拟穴青蟹排泄物不断的增加，水质理化指标数据不断发生变化，当该水质理化指标数据越来越趋向于病菌、病毒的最适生存条件时，病菌出现的可能性增大，繁殖指数表示在该环境之下的繁殖能力很强，进而池塘发生病害的概率亦增大；另一方面，由于排泄物中含有大量的有机物，该有机物能够提供给病菌进行正常的生命活动，而由于水质理化指标数据的变化，病毒有可能寄生在拟穴青蟹或者其他微生物之中，进而引发病害。通过水质理化数据来预测该池塘发生病害的概率，进而提前采取措施预防病害的发生。再一方面，由于病菌的繁殖，病菌在进行生命活动时消耗了水中的溶解氧，从而拟穴青蟹容易出现缺氧的现象，利用该方法不但有效地预防病害的发生，而且能够避免这种缺氧现象的发生。
进一步地，本发明的一个较佳实施例中，还包括以下步骤：
采集当前池塘的拟穴青蟹的数量；
基于所述拟穴青蟹的数量以及水体温度预测需要的投放的喂食量；
根据所述的喂食量计算出拟穴青蟹的排泄物的排泄量；
基于所述拟穴青蟹的排泄物的排泄量预测达到预设阀值的排泄物的时间段，并将该时间段作为清理排泄物的时间段。
需要说明的是，在监控设备，如摄像头、红外热成像仪的长期监控之下，预估出成年蟹和未成年蟹的数量，由于高温天气，成品蟹的食量会增大，在喂养上增加喂食量，根据当前的拟穴青蟹的数量以及水体的温度情况预测出需要的喂食量，能够避免成年蟹在生长过程中由于缺少食物而影响整体的生长。在拟穴青蟹大量进食之后，其排泄量亦增加，在增加到一定程度时，水质理化指标数据越来越趋向于某种病菌、病毒的最适生长的条件。因此，根据该排泄量能够得出需要进行清理排泄物的时间段，此类排泄物通常为池塘中底部的沉淀物。此方法通过温度的变化情况来调节喂食量，为养殖人员在拟穴青蟹的养殖过程中提供了可参考的数据，保证了饲料的利用率充分，不但能促进拟穴青蟹的生长，而且相当于缩短生长周期。
进一步地，本发明的一个较佳实施例中，根据所述繁殖指数预测该池塘发生病害的概率，具体包括：
获取当前的拟穴青蟹的排泄物数值；
基于所述当前的拟穴青蟹的排泄物数值以及繁殖指数预测当前池塘的目标病害发生概率，并绘制对应的目标病害发生概率的概率图，并给予所述概率图对目标病害进行预测；
每获取一次排泄物数值，所述概率图更新一次，直至该概率图中的概率值大于预设概率阀值时，则标记大于该概率值所在的时间段为高风险区域时间段；
基于所述拟穴青蟹的排泄物的排泄量预测达到预设阀值的排泄物的时间段，并将该时间段作为清理排泄物的时间段，具体包括：
每获取一次所述拟穴青蟹的排泄物的排泄量，当前的拟穴青蟹的排泄物数值增加一次，其增量为拟穴青蟹的排泄物的排泄量；
基于拟穴青蟹的排泄物的排泄量绘制拟穴青蟹的排泄物数值趋势图；
在所述拟穴青蟹的排泄物数值趋势图提取出达到预设阀值的排泄物的时间段；
将所述水质理化指标数据导入所述拟穴青蟹的病害预测模型中，进而预测该池塘的病害繁殖指数，具体为：
根据所述水质理化指标数据预测发生的一种或者多种目标病害，并计算在该水质理化指标数据下的目标病害的繁殖指数；
根据所述拟穴青蟹的排泄物的排泄量建立水质理化指标数据变化趋势模型；
从所述变化趋势模型中预测发生目标病害的水质理化指标数据。
需要说明的是，由于排泄物在池塘中不断的累积，繁殖指数不断发生变化，在一定的范围程度上，繁殖指数在一定的时间段内呈一定的类抛物模型，在某个最适生存条件节点呈现出最大值，其中满足：
其中W为繁殖指数，R为拟穴青蟹的排泄量，m为喂食的次数，i表示第i次的喂食，B为初始时的池塘的排泄量值，A为修正系数值。
其中，当繁殖指数为一定数值时，说明该繁殖环境适合一种或者多种病菌繁殖，而该繁殖指数在一定程度上预示着发生该病害的概率值，在与某种病菌、病毒繁殖的繁殖指数相同之时，此时发生该病害的概率值最大，即可以理解为在一定繁殖指数范围之内，病菌、病毒在该范围之内先从具备繁殖条件到最佳繁殖点，最终趋向于不具备繁殖条件。
需要说明的是，按照投放的喂食量的规律，喂食量每增加一次，其拟穴青蟹的排泄量随着增加，按照该拟穴青蟹的排泄量的规律进行预测达到需要进行清理的排泄物的时间段，即随着排泄量的增加，水质理化指标数据达到了病菌或者病毒的最佳繁殖指数，提醒用户需要在达到该最佳繁殖指数之前对该池塘进行清理。
需要说明的是，在某个清理池底的沉淀之前的时间段时，可能已经进入病菌、病毒繁殖的范围之内，但是未达到最佳的繁殖指数时间段，水质理化指标数据产生了变化，在一个时间段范围之内，水质理化指标数据的变化趋势为慢慢地符合某种病菌、病毒繁殖的范围之内，该时间段范围之内，病害发生的概率值不断增加；用户可在该时间段内进行智能调整饲料中抗病药物的配比，投放至池塘之中，一方面能减少药物的使用；另一方面，在该时间段之内，定时对池塘进行监测，使得用户在该时间段加大警惕，进而预防病害的发生。
综上所述，本发明通过根据温度的变化以及拟穴青蟹的数量来得到拟穴青蟹的喂食量，预测出拟穴青蟹的排泄量，从而通过排泄量来预测水质理化指标数据的变化，进而基于水质指标数据来预测病害的发生概率、发生时间段，从而确定清理排泄物的时间段以及提前采取措施预防病害的发生。一方面，在遇到温度较高的天气，成品蟹的食量会增大，在喂养上增加喂食量，避免成年蟹在生长过程中由于缺少食物而影响整体的生长。另一个方面，成品蟹大量进食后，会增加排泄量，在这个阶段池底的沉淀物也会不断增加，影响了水质理化指标数据，通过追踪该水质理化指标数据预测发生病害可能的一个或者多个时间段，进而提前做出合理的调整。
本发明第三方面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中包括拟穴青蟹的病害预测方法程序，所述拟穴青蟹的病害预测方法程序被处理器62执行时，实现任一项所述的拟穴青蟹的病害预测方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、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。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的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方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种拟穴青蟹的病害预测方法，其特征在于，包括以下步骤：
获取当前池塘的水质理化指标数据，所述水质理化指标数据包括水体温度、水体的PH值、水体的电导率；
基于神经网络建立拟穴青蟹的病害预测模型，并获取拟穴青蟹病害的历史数据，将所述拟穴青蟹病害的历史数据导入所述拟穴青蟹的病害预测模型中训练；
将所述水质理化指标数据导入所述拟穴青蟹的病害预测模型中，进而预测该池塘的病害繁殖指数；
根据所述繁殖指数预测该池塘发生病害的概率；
还包括以下步骤：
采集当前池塘的拟穴青蟹的数量；
基于所述拟穴青蟹的数量以及水体温度预测需要的投放的喂食量；
根据所述的喂食量计算出拟穴青蟹的排泄物的排泄量；
基于所述拟穴青蟹的排泄物的排泄量预测达到预设阀值的排泄物的时间段，并将该时间段作为清理排泄物的时间段；
根据所述繁殖指数预测该池塘发生病害的概率，具体包括：
获取当前的拟穴青蟹的排泄物数值；
基于所述当前的拟穴青蟹的排泄物数值以及繁殖指数预测当前池塘的目标病害发生概率，并绘制对应的目标病害发生概率的概率图，并给予所述概率图对目标病害进行预测；
每获取一次排泄物数值，所述概率图更新一次，直至该概率图中的概率值大于预设概率阀值时，则标记大于该概率值所在的时间段为高风险区域时间段；
基于所述拟穴青蟹的排泄物的排泄量预测达到预设阀值的排泄物的时间段，并将该时间段作为清理排泄物的时间段，具体包括：
每获取一次所述拟穴青蟹的排泄物的排泄量，当前的拟穴青蟹的排泄物数值增加一次，其增量为拟穴青蟹的排泄物的排泄量；
基于拟穴青蟹的排泄物的排泄量绘制拟穴青蟹的排泄物数值趋势图；
在所述拟穴青蟹的排泄物数值趋势图提取出达到预设阀值的排泄物的时间段。
2.根据权利要求1所述的一种拟穴青蟹的病害预测方法，其特征在于，将所述水质理化指标数据导入所述拟穴青蟹的病害预测模型中，进而预测该池塘的病害繁殖指数，具体为：
根据所述水质理化指标数据预测发生的一种或者多种目标病害，并计算在该水质理化指标数据下的目标病害的繁殖指数。
3.根据权利要求2所述的一种拟穴青蟹的病害预测方法，其特征在于，还包括以下步骤：
根据所述拟穴青蟹的排泄物的排泄量建立水质理化指标数据变化趋势模型；
从所述变化趋势模型中预测发生目标病害的水质理化指标数据。
4.一种拟穴青蟹的病害预测系统，其特征在于，该系统包括存储器、处理器，所述存储器中包括拟穴青蟹的病害预测方法程序，所述拟穴青蟹的病害预测方法程序被所述处理器执行时实现如下步骤：
获取当前池塘的水质理化指标数据，所述水质理化指标数据包括水体温度、水体的PH值、水体的电导率；
基于神经网络建立拟穴青蟹的病害预测模型，并获取拟穴青蟹病害的历史数据，将所述拟穴青蟹病害的历史数据导入所述拟穴青蟹的病害预测模型中训练；
将所述水质理化指标数据导入所述拟穴青蟹的病害预测模型中，进而预测该池塘的病害繁殖指数；
根据所述繁殖指数预测该池塘发生病害的概率；
还包括以下步骤：
采集当前池塘的拟穴青蟹的数量；
基于所述拟穴青蟹的数量以及水体温度预测需要的投放的喂食量；
根据所述的喂食量计算出拟穴青蟹的排泄物的排泄量；
基于所述拟穴青蟹的排泄物的排泄量预测达到预设阀值的排泄物的时间段，并将该时间段作为清理排泄物的时间段；
根据所述繁殖指数预测该池塘发生病害的概率，具体包括：
获取当前的拟穴青蟹的排泄物数值；
基于所述当前的拟穴青蟹的排泄物数值以及繁殖指数预测当前池塘的目标病害发生概率，并绘制对应的目标病害发生概率的概率图，并给予所述概率图对目标病害进行预测；
每获取一次排泄物数值，所述概率图更新一次，直至该概率图中的概率值大于预设概率阀值时，则标记大于该概率值所在的时间段为高风险区域时间段；
基于所述拟穴青蟹的排泄物的排泄量预测达到预设阀值的排泄物的时间段，并将该时间段作为清理排泄物的时间段，具体包括：
每获取一次所述拟穴青蟹的排泄物的排泄量，当前的拟穴青蟹的排泄物数值增加一次，其增量为拟穴青蟹的排泄物的排泄量；
基于拟穴青蟹的排泄物的排泄量绘制拟穴青蟹的排泄物数值趋势图；
在所述拟穴青蟹的排泄物数值趋势图提取出达到预设阀值的排泄物的时间段。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括拟穴青蟹的病害预测方法程序，所述拟穴青蟹的病害预测方法程序被处理器执行时，实现如权利要求1至3中任一项所述的拟穴青蟹的病害预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111153396.XA CN114097676B (zh) | 2021-09-29 | 2021-09-29 | 一种拟穴青蟹的病害预测方法、系统及可存读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111153396.XA CN114097676B (zh) | 2021-09-29 | 2021-09-29 | 一种拟穴青蟹的病害预测方法、系统及可存读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114097676A CN114097676A (zh) | 2022-03-01 |
| CN114097676B true CN114097676B (zh) | 2022-12-23 |
Family
ID=80441664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111153396.XA Active CN114097676B (zh) | 2021-09-29 | 2021-09-29 | 一种拟穴青蟹的病害预测方法、系统及可存读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114097676B (zh) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006067852A (ja) * | 2004-08-31 | 2006-03-16 | Univ Of Tokyo | ラクナ性脳梗塞の非ヒト霊長類疾患モデル動物 |
| CN102524147A (zh) * | 2012-03-22 | 2012-07-04 | 厦门大学 | 拟穴青蟹池塘分级养殖的方法 |
| CN106035144B (zh) * | 2016-05-30 | 2019-04-02 | 中国水产科学研究院黄海水产研究所 | 一种养殖虾蟹的抗病性状评估方法 |
-
2021
- 2021-09-29 CN CN202111153396.XA patent/CN114097676B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114097676A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kitada | Economic, ecological and genetic impacts of marine stock enhancement and sea ranching: A systematic review | |
| Hutchings et al. | The evolution of alternative mating strategies in variable environments | |
| Winemiller et al. | Why do most fish produce so many tiny offspring? | |
| CN111080464A (zh) | 一种池塘养殖水质关键因子预测方法及装置 | |
| Reid et al. | Restoration of lake trout in Parry Sound, Lake Huron | |
| Plaistow et al. | Age and size at maturity: sex, environmental variability and developmental thresholds | |
| CN103792918A (zh) | 一种基于物联网的智能化渔业养殖系统 | |
| Rahman et al. | Cage culture of sutchi catfish, Pangasius sutchi (Fowler 1937): effects of stocking density on growth, survival, yield and farm profitability | |
| TWI736415B (zh) | 智慧水產投餵管理系統及投餵方法 | |
| Tiwari et al. | Estimating carrying capacity at the green turtle nesting beach of East Island, French Frigate Shoals | |
| CN115049281A (zh) | 一种基于气象变化的南美白对虾养殖调控方法及系统 | |
| CN106259095A (zh) | 一种池塘淡水养殖鱼的行为对水产养殖方面的判断方法 | |
| Kaur et al. | Recent advancements in deep learning frameworks for precision fish farming opportunities, challenges, and applications | |
| CN110348767A (zh) | 一种日本沼虾常规育种中预测和避免近交程度的方法 | |
| Stieglitz et al. | Advancing production of marine fish in the United States: Olive flounder, Paralichthys olivaceus, aquaculture | |
| Yu et al. | The application and future of biofloc technology (BFT) in aquaculture industry: A review | |
| Nalepa et al. | Lake whitefish and Diporeia spp. in the Great Lakes: an overview | |
| CN114097676B (zh) | 一种拟穴青蟹的病害预测方法、系统及可存读介质 | |
| McMenamin et al. | Developmental dynamics of Ambystoma tigrinum in a changing landscape | |
| CN112931393A (zh) | 一种水产养殖用清理装置、清理系统及方法 | |
| CN110399774B (zh) | 渔业监护管理系统 | |
| CN115759487A (zh) | 南美白对虾养殖肥水作业窗口期的气象风险预测方法 | |
| Biswas et al. | Climate change impacts on fish catch in the world fishing grounds | |
| CN112858619A (zh) | 一种对虾养殖水质的预测预警方法 | |
| CN106538437B (zh) | 基于粗糙集理论的南美白对虾白斑病监控预警系统及方法 |
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 |