CN114241291A - 基于惰性元素标记法与计算机视觉的诱食剂筛选方法 - Google Patents
基于惰性元素标记法与计算机视觉的诱食剂筛选方法 Download PDFInfo
- Publication number
- CN114241291A CN114241291A CN202111537325.XA CN202111537325A CN114241291A CN 114241291 A CN114241291 A CN 114241291A CN 202111537325 A CN202111537325 A CN 202111537325A CN 114241291 A CN114241291 A CN 114241291A
- Authority
- CN
- China
- Prior art keywords
- phagostimulant
- screening
- ingestion
- feed
- camera
- 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
Links
- 238000012216 screening Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000002372 labelling Methods 0.000 title claims abstract description 17
- 230000037406 food intake Effects 0.000 claims abstract description 53
- 241001465754 Metazoa Species 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 48
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 43
- 230000033001 locomotion Effects 0.000 claims abstract description 31
- 238000009360 aquaculture Methods 0.000 claims abstract description 25
- 244000144974 aquaculture Species 0.000 claims abstract description 25
- 241000251468 Actinopterygii Species 0.000 claims description 31
- 230000011218 segmentation Effects 0.000 claims description 12
- MRELNEQAGSRDBK-UHFFFAOYSA-N lanthanum(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[La+3].[La+3] MRELNEQAGSRDBK-UHFFFAOYSA-N 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- PLDDOISOJJCEMH-UHFFFAOYSA-N neodymium(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[Nd+3].[Nd+3] PLDDOISOJJCEMH-UHFFFAOYSA-N 0.000 claims description 6
- 238000005266 casting Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 210000003608 fece Anatomy 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000004587 chromatography analysis Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- SIWVEOZUMHYXCS-UHFFFAOYSA-N oxo(oxoyttriooxy)yttrium Chemical compound O=[Y]O[Y]=O SIWVEOZUMHYXCS-UHFFFAOYSA-N 0.000 claims description 3
- UZLYXNNZYFBAQO-UHFFFAOYSA-N oxygen(2-);ytterbium(3+) Chemical compound [O-2].[O-2].[O-2].[Yb+3].[Yb+3] UZLYXNNZYFBAQO-UHFFFAOYSA-N 0.000 claims description 3
- 229910001954 samarium oxide Inorganic materials 0.000 claims description 3
- 229940075630 samarium oxide Drugs 0.000 claims description 3
- FKTOIHSPIPYAPE-UHFFFAOYSA-N samarium(iii) oxide Chemical compound [O-2].[O-2].[O-2].[Sm+3].[Sm+3] FKTOIHSPIPYAPE-UHFFFAOYSA-N 0.000 claims description 3
- 229910003454 ytterbium oxide Inorganic materials 0.000 claims description 3
- 229940075624 ytterbium oxide Drugs 0.000 claims description 3
- 238000000643 oven drying Methods 0.000 claims description 2
- 241000143060 Americamysis bahia Species 0.000 description 8
- 241000238557 Decapoda Species 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 208000035240 Disease Resistance Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 235000021178 picnic Nutrition 0.000 description 1
- 238000001637 plasma atomic emission spectroscopy Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/76—Television signal recording
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Human Resources & Organizations (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及动物饲料领域，具体涉及一种基于惰性元素标记法与计算机视觉的诱食剂筛选方法，包括：将含诱食剂的饲料放入对应的养殖水体中，在养殖水体外部设置水上摄像机，在养殖水体内部设置水下摄像机；基于试验动物体内的惰性元素含量对饲料进行初筛，得到诱食剂偏好值；基于摄像机获取的图像得到试验动物的运动轨迹、摄食强度、响应速度和摄食时间，基于运动轨迹、摄食强度、响应速度和摄食时间得到相应饲料的进食等级；结合诱食剂偏好值和进食等级对诱食剂进行筛选。可以对制取的饲料在养殖水体中基于惰性元素含量进行筛选得到诱食剂偏好值，然后通过摄像机记录进食情况以得到进食等级以提高饲料筛选的准确度。
Description
技术领域
本发明涉及动物饲料领域，尤其涉及一种基于惰性元素标记法与计算机视觉的诱食剂筛选方法。
背景技术
人工配合饲料的气味和口感与鱼、虾的天然饲料存在较大差异，常导致鱼虾对人工配合饲料的摄食积极性不高，甚至拒食，存在鱼虾幼苗期人工饲料驯食困难，生长期摄食差、造成能量摄入不足、生长性能低，抗病力差，严重影响养殖的经济效益。影响鱼类摄食最重要的因素是饲料的化学组成，为解决这一问题，在开发人工配合饲料时需要添加特定的诱食剂，以达到促进摄食，提高生长性能和抗病能力的目的。
因此，鱼虾饲料诱食剂的筛选极为重要，然而由于鱼虾生存在水环境中，导致摄食情况难于观察，这为研究鱼虾摄食和诱食剂的筛选带来较大困难。
发明内容
本发明的目的在于提供一种基于惰性元素标记法与计算机视觉的诱食剂筛选方法，旨在提高水产动物饲料诱食剂的筛选效率。
为实现上述目的，本发明提供了一种基于惰性元素标记法与计算机视觉的诱食剂筛选方法，包括将含诱食剂的饲料放入对应的养殖水体中，在养殖水体外部设置水上摄像机，在养殖水体内部设置水下摄像机；
基于试验动物体内的惰性元素含量对饲料进行初筛，得到诱食剂偏好值；
基于摄像机获取的图像得到试验动物的运动轨迹、摄食强度、响应速度和摄食时间，基于运动轨迹、摄食强度、响应速度和摄食时间得到相应饲料的进食等级；
结合诱食剂偏好值和进食等级对诱食剂进行筛选。
其中，所述基于试验动物体内的惰性元素含量对饲料进行初筛，得到诱食剂偏好值的具体步骤是：
在制备多种含有诱食剂的饲料时加入惰性元素标记物；
在具有指定数量的试验动物的养殖水体内投入饲料；
经过指定时间将残余的饲料回收；
回收试验动物的粪便并进行预处理；
采用等离子发光色谱测定烘干后粪便的惰性元素含量，生成试验动物对诱食剂的偏好值。
其中，所述惰性元素标记物为氧化钇、氧化镧、氧化钐、氧化钕和氧化镱中的任意一种。
其中，所述回收试验动物的粪便并进行预处理的具体方式是：用捞网收集包膜完整的粪便，并放入-20℃的冰箱保存，然后在70℃的温度下进行烘干。
其中，所述基于摄像机获取的图像得到试验动物的运动轨迹的具体步骤是：
采用背景差分法对鱼类运动图像进行初次分割；
使用OTSU阈值分割算法对初次分割的图像进行二次分割，得到处理图像；
利用一阶矩对处理图像进行处理得到试验动物的实时位置；
提取试验动物的轮廓和骨架，计算鱼体与图像坐标轴形成的角度，根据方向判定准则，实现鱼类运动方向的自动检测；
将运动分割技术与CAMShift算法结合，用于视频图像序列中的鱼类运动目标跟踪，并提取试验动物运动的轨迹。
其中，所述基于摄像机获取的图像得到试验动物的摄食强度的具体步骤是：
对摄像机获取的图像进行预处理；
基于灰度共生矩阵提取摄食图像的纹理特征变量信息；
基于纹理特征变量信息构建数据集；
基于数据集对向量机分类器进行训练，得到强度识别模型；
基于强度识别模型得到摄食强度。
其中，所述在养殖水体外部设置水上摄像机，在养殖水体内部设置水下摄像机的具体方式是：
水上摄像机镜头朝向养殖水体中心，水下摄像机放置位于离水面50CM深度，且位于投饵范围边缘的位置。
其中，所述基于运动轨迹、摄食强度、响应速度和摄食时间得到相应饲料的进食等级的具体步骤是：生成运动轨迹的包络图；获取包络图和投食面积的比值，得到第一判断值；获取摄食强度和标准强度的比值，得到第二判断值；获取响应速度和标准速度的比值，得到第三判断值；获取摄食时间和标准时间的比值，得到第四判断值；基于第一判断值、第二判断值、第三判断值和第四判断值的权重计算进食等级。
本发明的一种基于惰性元素标记法与计算机视觉的诱食剂筛选方法，包括：将含诱食剂的饲料放入对应的养殖水体中，在养殖水体外部设置水上摄像机，在养殖水体内部设置水下摄像机；基于试验动物体内的惰性元素含量对饲料进行初筛，得到诱食剂偏好值；基于摄像机获取的图像得到试验动物的运动轨迹、摄食强度、响应速度和摄食时间，基于运动轨迹、摄食强度、响应速度和摄食时间得到相应饲料的进食等级；结合诱食剂偏好值和进食等级对诱食剂进行筛选。通过上述方式可以快速对制取的含有不同浓度诱食剂的饲料或者不同物质的饲料在养殖水体中基于惰性元素含量进行筛选，得到诱食剂偏好值，然后通过摄像机记录进食情况以得到进食等级，结合诱食剂偏好值进行饲料的筛选以提高饲料筛选的准确度。
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的附图。
图1是本发明的一种基于惰性元素标记法与计算机视觉的诱食剂筛选方法的流程图。
图2是本发明基于试验动物体内的惰性元素含量对饲料进行初筛的流程图。
图3是本发明的基于摄像机获取的图像得到试验动物的运动轨迹的流程图。
图4是本发明的得到相应饲料的进食等级的流程图。
图5是本发明基于摄像机获取的图像得到试验动物的摄食强度的流程图。
图6是摄像机在养殖水体的放置位置图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
请参阅图1～图6，本发明提供一种基于惰性元素标记法与计算机视觉的诱食剂筛选方法，包括：
S101将通过初筛的饲料放入养殖水体中，在养殖水体外部设置水上摄像机，在养殖水体内部设置水下摄像机；
具体方式是：水上摄像机镜头朝向养殖水体中心，水下摄像机放置位于离水面50CM深度，且位于投饵范围边缘的位置。
请参阅图5，水上摄像机与水下摄像机通过Cat5e线缆接入WIFI通信单元，摄像机的WIFI通信单元与智能监控系统的WIFI传输模块链接，向实验中心传输视频数据，视频数据保存到实验中心的智能存储服务器中。
S102基于试验动物体内的惰性元素含量对饲料进行初筛，得到诱食剂偏好值；
具体步骤是：
S201在制备多种诱食剂的饲料时加入惰性元素标记物；
其中的多种诱食剂的饲料可以是同种饲料但是含有不同浓度的诱食剂，或者不同种饲料并含有相同浓度的诱食剂，从而可以同时对诱食剂和饲料进行筛选。所述惰性元素标记物为氧化钇、氧化镧、氧化钐、氧化钕和氧化镱其中的任意一种。
S202在具有指定数量的试验动物的养殖水体内投入饲料；
S203经过指定时间将残余的饲料回收；
比如可以设置每缸内同尾数，同大小的鱼虾3缸作为一个重复，试验鱼每天在上午和下午分别投喂含有惰性元素标记物的不同浓度的诱食剂饲料，每次过量投喂停水停气，于精确投喂0.5h后将残饵回收。
S204回收试验动物的粪便并进行预处理；
具体方式是：投喂试验开始三天后，用捞网收集包膜完整的粪便，并放入-20℃的冰箱保存，然后在70℃的温度下进行烘干。
S205采用等离子发光色谱测定烘干后粪便的惰性元素含量，生成试验动物对饲料的偏好值。
在实验组的鱼虾食用了含有惰性元素标记物的不同浓度的诱食剂饲料之后，利用等离子发光色谱(ICP-MS)测定烘干后粪便的惰性元素含量，鱼虾对不同浓度的促摄食物质的饲料偏好值，通过粪便中特定的惰性元素的相对比例来确定。
S103基于摄像机获取的图像得到试验动物的运动轨迹、摄食强度、响应速度和摄食时间，基于运动轨迹、摄食强度、响应速度和摄食时间得到相应饲料的进食等级；
其中，基于摄像机获取的图像得到试验动物的运动轨迹具体步骤是：
S301采用背景差分法对鱼类运动图像进行初次分割；
S302使用OTSU阈值分割算法对初次分割的图像进行二次分割，得到处理图像；
S303利用一阶矩对处理图像进行处理得到试验动物的实时位置；
S304提取试验动物的轮廓和骨架，计算鱼体与图像坐标轴形成的角度，根据方向判定准则，实现鱼类运动方向的自动检测；
S305将运动分割技术与CAMShift算法结合，用于视频图像序列中的鱼类运动目标跟踪，并提取试验动物运动的轨迹。
所述基于摄像机获取的图像得到试验动物的摄食强度的具体步骤是：
S501对摄像机获取的图像进行预处理；
摄食强度表示鱼类胃内或肠道内食物饱满的程度，可以采用核磁共振胡总或者其他成像方式获取图像，然后将获取的图像去除噪点，并转换成灰度图。
S502基于灰度共生矩阵提取摄食图像的纹理特征变量信息；
灰度共生矩阵，指的是一种通过研究灰度的空间相关特性来描述纹理的常用方法，灰度直方图是对图像上单个像素具有某个灰度进行统计的结果，而灰度共生矩阵是对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到的。从而可以基于纹理特征变量信息结合实际的摄食强度情况进行标记。
S503基于纹理特征变量信息构建数据集；
将上述标记后的纹理特征变量信息生成数据集用于训练。
S504基于数据集对向量机分类器进行训练，得到强度识别模型；
S505基于强度识别模型得到摄食强度。
摄食强度的计算中，依然是基于摄像机得到的图像，经过一系列图像处理步骤后,利用灰度共生矩阵提取摄食图像的纹理特征变量信息,包括对比度、能量、相关性、逆差距和熵等。之后，将这5个特征变量作为输入向量构建了模型的数据集，并训练了支持向量机分类器。为了提高模型分类的准确率，利用网格搜索法选取支持向量机分类器的最优惩罚系数c和核函数参数g。最后利用训练好的模型将鱼虾的摄食强度分为弱、一般、中和强4类,最终实现了鱼类摄食强度的评估。
为了更加准确地进行量化并和其他指标结合，综合判断诱食剂的性质，可以在上述判断的基础上，将摄食强度数值化，即提取纹理特征变量的面积和标准面积的比值，范围在0～1，并将这些比值分成4个区间分别对应上述4个类别。
响应速度和摄食时间的计算中，利用视频系统录制的残饵视频做图像灰度变换、图像二值化和边缘检测等预处理,获得残饵图像轮廓；通过设定残饵轮廓面积阈值标记残饵图像,并粗略计数残饵数量。然后对标记的成分分析,得出残饵中夹杂有大量粪便等杂质,杂质主要成分是粪便；根据残饵和粪便在图像颜色、轮廓、纹理方面的差异,提取平均灰度值、周长面积比、凸壳面积比、骨架数、对比度、逆差距六个特征,分别运用支持向量机、决策树算法对提取的特征数据做分类处理,实现残饵识别；最后对两种算法的识别效果进行分析,又由于决策树生成残饵识别模型简单,实时性好,方便移植,选择用决策树生成的残饵识别模型来筛选并标记图像中的残饵,实现视频中残饵的精确计数。
通过水上及水下摄像机获取到的图像可以分析投饵前与投饵前后投饵区域的图像变化，从中可以计算出鱼虾对于诱食剂饲料响应时间。
通过水上摄像机获取到的图像标记投饵开始的状态，利用残饵的计数算法，在计算机内设置残饵余量阀值，当残饵余量达到预设阀值时，标记当前阀值图像，通过对比投饵开始与残饵余量达到预设阀值的图像时间，从而获得摄食时间。
所述基于运动轨迹、摄食强度、响应速度和摄食时间得到相应饲料的进食等级的具体步骤是：
S401设定投食面积、标准强度、标准速度和标准时间，并生成运动轨迹的包络图；
按照实际操作时的投食面积、所选择的目标动物胃部体积、目标动物在食用对比饲料时的标准速度和标准时间，运动轨迹主要指试验动物移动轨迹在水平方向上的投影，为了减小偶然性的事件，可以对包络图中的轨迹密度进行测量，去除轨迹密度低的区域。
S402获取包络图和投食面积的比值，得到第一判断值；
通过第一判断值可以判断诱食剂对鱼类的吸引程度，如果吸引程度高，则包络图就相对于投食面积更加集中，第一判断值的值就越大。
S403获取摄食强度和标准强度的比值，得到第二判断值；
标准强度基于对比饲料的摄食强度得到，如果诱食剂的效果更好，则第二判断值的值就越大。
S404获取响应速度和标准速度的比值，得到第三判断值；
标准速度基于对比饲料的响应速度得到，如果诱食剂的效果更好，则第三判断值的值就越大。
S405基于第一判断值、第二判断值、第三判断值和第四判断值的权重计算进食等级。
设第一判断值为A、第二判断值为B、第三判断值为C、第四判断值为D，它们分别对应的权重为a1、a2、a3、a4，则进食等级Y的计算公式为：
Y＝a1A+a2B+a3C+a4D
S104结合诱食剂偏好值和进食等级对诱食剂进行筛选。
结合诱食剂偏好值和进食等级共同对诱食剂进行筛选，以提高筛选的准确性。可选的一种方式是将两个值分别归一化后相加进行计算。
本发明的一种基于惰性元素标记法与计算机视觉的诱食剂筛选方法，包括：将含诱食剂的饲料放入对应的养殖水体中，在养殖水体外部设置水上摄像机，在养殖水体内部设置水下摄像机；
基于试验动物体内的惰性元素含量对饲料进行初筛，得到诱食剂偏好值；
基于摄像机获取的图像得到试验动物的运动轨迹、摄食强度、响应速度和摄食时间，基于运动轨迹、摄食强度、响应速度和摄食时间得到相应饲料的进食等级；
结合诱食剂偏好值和进食等级对诱食剂进行筛选。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (8)
1.一种基于惰性元素标记法与计算机视觉的诱食剂筛选方法，其特征在于，
包括：将含诱食剂的饲料放入对应的养殖水体中，在养殖水体外部设置水上摄像机，在养殖水体内部设置水下摄像机；
基于试验动物体内的惰性元素含量对饲料进行初筛，得到诱食剂偏好值；
基于摄像机获取的图像得到试验动物的运动轨迹、摄食强度、响应速度和摄食时间，基于运动轨迹、摄食强度、响应速度和摄食时间得到相应饲料的进食等级；
结合诱食剂偏好值和进食等级对诱食剂进行筛选。
2.如权利要求1所述的一种基于惰性元素标记法与计算机视觉的诱食剂筛选方法，其特征在于，
所述基于试验动物体内的惰性元素含量对饲料进行初筛，得到诱食剂偏好值的具体步骤是：
在制备多种含有诱食剂的饲料时加入惰性元素标记物；
在具有指定数量的试验动物的养殖水体内投入饲料；
经过指定时间将残余的饲料回收；
回收试验动物的粪便并进行预处理；
采用等离子发光色谱测定烘干后粪便的惰性元素含量，生成试验动物对诱食剂的偏好值。
3.如权利要求2所述的一种基于惰性元素标记法与计算机视觉的诱食剂筛选方法，其特征在于，
所述惰性元素标记物为氧化钇、氧化镧、氧化钐、氧化钕和氧化镱中的任意一种。
4.如权利要求3所述的一种基于惰性元素标记法与计算机视觉的诱食剂筛选方法，其特征在于，
所述回收试验动物的粪便并进行预处理的具体方式是：用捞网收集包膜完整的粪便，并放入-20℃的冰箱保存，然后在70℃的温度下进行烘干。
5.如权利要求1所述的一种基于惰性元素标记法与计算机视觉的诱食剂筛选方法，其特征在于，
所述基于摄像机获取的图像得到试验动物的运动轨迹的具体步骤是：
采用背景差分法对鱼类运动图像进行初次分割；
使用OTSU阈值分割算法对初次分割的图像进行二次分割，得到处理图像；
利用一阶矩对处理图像进行处理得到试验动物的实时位置；
提取试验动物的轮廓和骨架，计算鱼体与图像坐标轴形成的角度，根据方向判定准则，实现鱼类运动方向的自动检测；
将运动分割技术与CAMShift算法结合，用于视频图像序列中的鱼类运动目标跟踪，并提取试验动物运动的轨迹。
6.如权利要求1所述的一种基于惰性元素标记法与计算机视觉的诱食剂筛选方法，其特征在于，
所述基于摄像机获取的图像得到试验动物的摄食强度的具体步骤是：
对摄像机获取的图像进行预处理；
基于灰度共生矩阵提取摄食图像的纹理特征变量信息；
基于纹理特征变量信息构建数据集；
基于数据集对向量机分类器进行训练，得到强度识别模型；
基于强度识别模型得到摄食强度。
7.如权利要求1所述的一种基于惰性元素标记法与计算机视觉的诱食剂筛选方法，其特征在于，
所述在养殖水体外部设置水上摄像机，在养殖水体内部设置水下摄像机的具体方式是：
水上摄像机镜头朝向养殖水体中心，水下摄像机放置位于离水面50CM深度，且位于投饵范围边缘的位置。
8.如权利要求1所述的一种基于惰性元素标记法与计算机视觉的诱食剂筛选方法，其特征在于，
所述得到相应饲料的进食等级的具体步骤是：
设定投食面积、标准强度、标准速度和标准时间，并生成运动轨迹的包络图；获取包络图和投食面积的比值，得到第一判断值；
获取摄食强度和标准强度的比值，得到第二判断值；
获取响应速度和标准速度的比值，得到第三判断值；
获取摄食时间和标准时间的比值，得到第四判断值；
基于第一判断值、第二判断值、第三判断值和第四判断值的权重计算进食等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111537325.XA CN114241291A (zh) | 2021-12-15 | 2021-12-15 | 基于惰性元素标记法与计算机视觉的诱食剂筛选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111537325.XA CN114241291A (zh) | 2021-12-15 | 2021-12-15 | 基于惰性元素标记法与计算机视觉的诱食剂筛选方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114241291A true CN114241291A (zh) | 2022-03-25 |
Family
ID=80756745
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111537325.XA Pending CN114241291A (zh) | 2021-12-15 | 2021-12-15 | 基于惰性元素标记法与计算机视觉的诱食剂筛选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114241291A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116432909A (zh) * | 2023-06-13 | 2023-07-14 | 广东省农业科学院动物科学研究所 | 一种用于评价水产诱食性效果的试验方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090049473A (ko) * | 2007-11-13 | 2009-05-18 | 안철민 | 방류 해양생물용 형광표지표 |
| CN203788911U (zh) * | 2014-01-22 | 2014-08-27 | 广东省农业科学院动物科学研究所 | 一种快速筛选水产动物诱食剂的系统 |
| CN109784378A (zh) * | 2018-12-27 | 2019-05-21 | 南京芊玥机器人科技有限公司 | 一种基于机器视觉的水下捕鱼方法 |
| CN111627047A (zh) * | 2020-05-20 | 2020-09-04 | 上海海洋大学 | 水下鱼类动态视觉序列运动目标检测方法 |
| CN112131921A (zh) * | 2019-06-25 | 2020-12-25 | 海盛科技有限公司 | 基于立体视觉的生物自动量测系统及其量测方法 |
| US20210045364A1 (en) * | 2019-08-12 | 2021-02-18 | National Sun Yat-Sen University | System and method for smart aquaculture |
| EP3843542A1 (en) * | 2018-08-27 | 2021-07-07 | Aquabyte, Inc. | Optimal feeding based on signals in an aquaculture environment |
-
2021
- 2021-12-15 CN CN202111537325.XA patent/CN114241291A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090049473A (ko) * | 2007-11-13 | 2009-05-18 | 안철민 | 방류 해양생물용 형광표지표 |
| CN203788911U (zh) * | 2014-01-22 | 2014-08-27 | 广东省农业科学院动物科学研究所 | 一种快速筛选水产动物诱食剂的系统 |
| EP3843542A1 (en) * | 2018-08-27 | 2021-07-07 | Aquabyte, Inc. | Optimal feeding based on signals in an aquaculture environment |
| CN109784378A (zh) * | 2018-12-27 | 2019-05-21 | 南京芊玥机器人科技有限公司 | 一种基于机器视觉的水下捕鱼方法 |
| WO2020134255A1 (zh) * | 2018-12-27 | 2020-07-02 | 南京芊玥机器人科技有限公司 | 一种基于机器视觉对鱼类生长情况进行监测的方法 |
| CN112131921A (zh) * | 2019-06-25 | 2020-12-25 | 海盛科技有限公司 | 基于立体视觉的生物自动量测系统及其量测方法 |
| US20210045364A1 (en) * | 2019-08-12 | 2021-02-18 | National Sun Yat-Sen University | System and method for smart aquaculture |
| CN111627047A (zh) * | 2020-05-20 | 2020-09-04 | 上海海洋大学 | 水下鱼类动态视觉序列运动目标检测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116432909A (zh) * | 2023-06-13 | 2023-07-14 | 广东省农业科学院动物科学研究所 | 一种用于评价水产诱食性效果的试验方法 |
| CN116432909B (zh) * | 2023-06-13 | 2023-10-20 | 广东省农业科学院动物科学研究所 | 一种用于评价水产诱食性效果的试验方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Muñoz-Benavent et al. | Enhanced fish bending model for automatic tuna sizing using computer vision | |
| Meekan et al. | Population size and structure of whale sharks Rhincodon typus at Ningaloo Reef, Western Australia | |
| CN111406693A (zh) | 基于仿生海鳗的海洋牧场渔业资源养护效果评价方法 | |
| Zion et al. | In-vivo fish sorting by computer vision | |
| 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 | |
| CN114724022B (zh) | 融合SKNet与YOLOv5的养殖鱼群检测方法、系统和介质 | |
| Lainez et al. | Automated fingerlings counting using convolutional neural network | |
| CN112883861B (zh) | 一种基于鱼群摄食状态细粒度分类的反馈式投饵控制方法 | |
| CN115100513B (zh) | 基于计算机视觉识别的养殖对象进食量估算方法及系统 | |
| CN114241291A (zh) | 基于惰性元素标记法与计算机视觉的诱食剂筛选方法 | |
| CN114612454A (zh) | 一种鱼类摄食状态检测方法 | |
| Mourato et al. | Spatio-temporal distribution and target species in a longline fishery off the southeastern coast of Brazil | |
| CN113284164A (zh) | 虾群自动计数方法、装置、电子设备及存储介质 | |
| CN114557308A (zh) | 应用于循环水养殖的精准投喂系统及方法 | |
| Taparhudee et al. | Application of unmanned aerial vehicle (UAV) with area image analysis of red tilapia weight estimation in river-based cage culture | |
| CN116432909B (zh) | 一种用于评价水产诱食性效果的试验方法 | |
| Yoshida et al. | Monitoring of cage-cultured sea cucumbers using an underwater time-lapse camera and deep learning-based image analysis | |
| Taparhudee et al. | Weight estimation of Nile tilapia (Oreochromis niloticus Linn.) using image analysis with and without fins and tail | |
| TW202309776A (zh) | 智慧養殖魚隻數量估算方法及系統 | |
| TW202309823A (zh) | 人工智慧養殖魚群食慾判斷方法與系統 | |
| CN114419432A (zh) | 一种鱼群摄食强度评估方法及装置 | |
| Lin et al. | A Real-Time Counting Method of Fish based on the Instance Segmentation | |
| Chang et al. | Artificial intelligence–based image recognition for measuring the size of grouper in mariculture | |
| CN115294612B (zh) | 基于图形识别的畜禽喂养控制方法 | |
| Nugraha | Study of Tunas (Thunnus spp.) Swimming Layer Using Tuna Long Liner in the Northern Indian Ocean, Indonesia |
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 |