CN114419432B - 一种鱼群摄食强度评估方法及装置 - Google Patents
一种鱼群摄食强度评估方法及装置 Download PDFInfo
- Publication number
- CN114419432B CN114419432B CN202111592189.4A CN202111592189A CN114419432B CN 114419432 B CN114419432 B CN 114419432B CN 202111592189 A CN202111592189 A CN 202111592189A CN 114419432 B CN114419432 B CN 114419432B
- Authority
- CN
- China
- Prior art keywords
- feeding
- fish
- image
- detected
- ingestion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000037406 food intake Effects 0.000 title claims description 57
- 241000251468 Actinopterygii Species 0.000 claims abstract description 154
- 238000000605 extraction Methods 0.000 claims abstract description 39
- 238000013210 evaluation model Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000007621 cluster analysis Methods 0.000 claims abstract description 10
- 238000004220 aggregation Methods 0.000 claims description 31
- 230000002776 aggregation Effects 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000009360 aquaculture Methods 0.000 description 8
- 244000144974 aquaculture Species 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 235000012631 food intake Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000353172 Oplegnathus fasciatus Species 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000036186 satiety Effects 0.000 description 1
- 235000019627 satiety Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种鱼群摄食强度评估方法及装置,获取待检测的鱼群摄食图像,将摄食图像输入至特征提取模块，对待测图像中鱼体位置信息进行聚类分析，获得鱼群聚集度，并对待检测图像中的浮饵进行识别和计数；将获得的鱼群聚集度和浮饵数量输入至训练后的摄食强度评估模型中，获得摄食强度评估模型输出的摄食强度类型。摄食强度评估模型是基于不同摄食强度下的样本数据以及预先确定的摄食强度类型标签进行训练获得的。本发明的方法更加智能客观地对鱼群摄食强度进行评估，减少了人工劳动量，准确度高，能够指导养殖人员合理投饵，精准投喂。
Description
技术领域
本发明属于水产养殖领域，更具体地，涉及一种鱼群摄食强度评估方法及装置。
背景技术
水产养殖是我国农业生产的重要组成部分，虽然我国已是产鱼大国，但是缺乏专业的信息化建设，养殖方式相对落后，经济效益低。在水产养殖中，饲料是其中最主要的成本，一般占养殖总成本的50％～80％，如何降低饵料成本是水产养殖利润最大化的关键，不合理的投喂不仅会导致饲料浪费增加养殖成本，还会影响鱼类的正常生长、水质污染等问题。通过评估鱼群的摄食强度来指导投喂是最直接有效的方式，但是在当前的实际生产中还以人工观察的方式评估鱼群的摄食强度，这种评估方式容易受到观察者的养殖经验等因素的影响，主观性较强，常出现投喂不足或投喂过量的问题，并且在大规模的养殖过程中，人工观察的方式效率低、成本高。投喂饵料是否适量直接决定了水产品的质量、产量和养殖企业的经济效益。其中，对鱼群摄食强度准确评估是指导精准投喂的前提。因此，一种准确高效的鱼群摄食强度评估方法及装置对于实现精准投喂，提高水产品质量、产量和养殖企业经济效益有着重要意义。
发明内容
针对上述问题，本发明提出一种鱼群摄食强度评估方法及装置，用以解决当前水产养殖过程中对鱼群摄食强度评估不准确、效率低的问题。
本发明第一方面，提出一种鱼群摄食强度评估方法，包括：
将摄食图像输入至特征提取模块，对待测图像中鱼体位置信息进行聚类分析，获得鱼群聚集度，并对待检测图像中的浮饵进行识别和计数，获得浮饵数量，所述摄食图像为投喂饵料后经过t秒的鱼群摄食图像；
将获得的鱼群聚集度和浮饵数量输入至训练后的摄食强度评估模型中，获得摄食强度类型。
优选地，对待测图像中鱼体位置信息进行聚类分析之前，还包括：根据所述待测图像，采用鱼体检测模型获取待测图像中样本位置信息；所述鱼体检测模型是基于不同摄食强度下的摄食图像及预先确定好的标注标签训练得到的。
优选地，特征提取模块包括鱼群聚集度提取模型和浮饵计数模型；将所述待检测摄食图像输入至所述聚集度提取模型，输出对应的鱼群聚集度；将所述待检测摄食图像输入至所述浮饵计数模型，输出对应的浮饵数量。
优选地，鱼体检测模型为YOLO v3神经网络。
优选地，待检测摄食图像输入至所述聚集度提取模型，输出对应的鱼群聚集度，具体包括：以待检测图像中检测到的鱼体作为样本点，并以改进的K-means++算法作为聚集度提取模型，将选取的k个样本点作为聚类中心，待算法收敛或达到最大迭代次数，以各分类簇中样本点到其聚类中心的欧式距离以及各聚类中心到第一聚类中心的欧氏距离之和作为总距离，并根据总距离获取平均距离作为鱼群聚集度。
优选地，摄食强度评估模型为BP神经网络模型，所述BP神经网络模型是基于不同摄食强度下摄食图像提取的特征数据以及预先确定的摄食强度类型标签进行训练获得的。
优选地，不同摄食强度包括：弱摄食、一般摄食、中摄食和强摄食四种类型。
本发明第二方面，提出一种鱼群摄食强度评估装置，包括：
提取模块，用于根据待检测图像，对待测图像中鱼体位置信息进行聚类分析，获得鱼群聚集度，并对待检测图像中的浮饵进行识别和计数，获得浮饵数量；
评估模块，用于将获得的鱼群聚集度和浮饵数量输入至训练后的摄食强度评估模型中，获得所述待检测摄食图像中鱼群的摄食强度类型；所述摄食强度评估模型是基于不同摄食强度下摄食图像提取的特征数据以及预先确定的摄食强度类型标签进行训练获得的。
本发明第三方面，提出一种电子设备，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上述任一种鱼群摄食强度评估方法。
本发明第四方面，提出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上述任一种鱼群摄食强度评估方法。
本发明提出的一种鱼群摄食强度评估方法及装置，通过将鱼群摄食图像输入至特征提取模块，获取鱼群摄食过程中的聚集度和浮饵数量，并将提取结果输入至摄食强度评估模型中，得到鱼群的摄食强度类型。摄食强度评估的整个过程根据客观数据进行评估，克服了人工观察方式的不准确、效率低的问题，合理指导养殖人员投饲。
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为本发明实施例提供的鱼群摄食强度评估方法的流程示意图；
图2为本发明实施例提供的鱼群摄食强度评估装置结构示意图；
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
下面结合附图，对实施例作详细说明。
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作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。
本发明实施例提供了一种鱼群摄食强度评估方法。图1为本发明实施例提供的鱼群摄食强度评估方法的流程示意图，如图1所示，该方法包括：
步骤101，获取待检测的鱼群摄食图像,将摄食图像输入至特征提取模块，对待测图像中鱼体位置信息进行聚类分析，获得鱼群聚集度，并对待检测图像中的浮饵进行识别和计数，获得浮饵数量。
步骤102，将获得的鱼群聚集度和浮饵数量输入至训练后的摄食强度评估模型中，获得摄食强度评估模型输出的摄食强度类型。其中，摄食强度评估模型是基于不同摄食强度下的样本数据以及预先确定的摄食强度类型标签进行训练获得的。
其中，用于图像获取的养殖系统包括一个循环水养殖池，养殖池直径为3.2m，水深1m。图像采集系统由3840*2160支架式摄像机、补光灯和计算机组成。养殖池中饲养50尾斑石鲷，均重68g，池内溶解氧含量保持在5.0±0.5mg/L，温度维持在22-25℃，另外PH、氨氮等水环境因素都维持在最适范围内。在开展实验前，实验鱼已在养殖池暂养数日，使其充分适应实验环境。
实验时，每天早上8:00进行投喂，为保证初始投喂时鱼处于强摄食状态，间隔24小时投喂一次投喂至鱼群至饱食状态为止，每次投饵总量在90±20g范围内，实验过程中使用图像采集系统获取鱼群摄食过程的视频数据。
具体地，获取待检测的鱼群摄食图像是投喂饵料后经过t秒的鱼群摄食图像，并对待检测鱼群摄食图像进行预处理操作，用于消除干扰信息，在进一步对图像处理时获得更高质量的数据。对原图像进行预处理之后将处理后图像输入至特征提取模块。
作为一种可选实施例，对待测图像中鱼体位置信息进行聚类分析之前，还包括：根据待测图像，采用鱼体检测模型获取待测图像中样本位置信息。其中，鱼体检测模型是基于不同摄食强度下的摄食图像及预先确定好的标注标签训练得到的。
近些年，卷积神经网络在计算机视觉领域取得了较大的研究成果，尤其是目标检测领域，大大的提高了检测准确率降低了检测时间。在实验的过程中，将获取的鱼群摄食图像输入至鱼体检测模型中，卷积神经网络将图像中的多个鱼体识别并将其用矩形框标记出来，建立坐标系，获得矩形框中心像素点(xi，yi)，i∈[1,n]，n为鱼的总个数，以获取坐标点作为鱼体位置映射到坐标系中形成散点图。
作为一种优选实施例，鱼体检测模型为YOLO v3(You only look once v3)神经网络；其中，鱼体检测模型是基于不同摄食强度下的摄食图像及预先确定好的标注标签训练得到的。
其中，随着深度学习的不断发展，卷积神经网络(Convolutional NeuralNetworks,CNN)在目标检测中的优势越来越明显，具有准确率高、鲁棒性强等优点，鱼体检测模型采用YOLO v3神经网络，YOLO系列模型是基于回归的目标识别模型，相对于基于区域的目标识别模型具有更快的速度。另外YOLO v3相对于YOLO v2也有较大的提升，不仅改善了YOLO v2在小目标识别上的不足，提高了识别准确率，而且还保留了YOLO v2中检测速度快的优点。
在训练鱼体检测模型之前，需要获取不同摄食强度下鱼群摄食的图像，并利用标注工具对其进行标注，对标注好的样本集进行划分，其中80％划分为训练样本，20％划分为测试样本。样本集划分完毕之后将训练样本输入至鱼体检测模型中，待模型训练至收敛后结束训练。
作为一种优选实施例，根据鱼群聚集度和浮饵数量的不同将样本集划分为不同的摄食强度，包括：弱摄食、一般摄食、中摄食和强摄食四种类型。不同的摄食强度可以采用数字进行标注：若鱼群处于弱摄食状态，标注为0；若鱼群处于一般摄食状态，标注为1；若鱼群处于中摄食状态，标注为2；若鱼群处于强摄食状态，标注为3。
作为一种优选实施例，特征提取模块包括聚集度提取模型和浮饵计数模型，包括但不限于如下步骤：
步骤1：将待检测摄食图像输入至聚集度提取模型，输出图像对应的鱼群聚集度。
作为一种优选实施例，以待检测图像中检测到的鱼体作为样本点，并以改进的K-means++算法作为聚集度提取模型，将选取的k个样本点作为聚类中心，待算法收敛后，以各分类簇中样本点到其聚类中心的欧式距离以及各聚类中心到第一聚类中心的欧氏距离之和作为总距离，并根据总距离获取平均距离作为鱼群聚集度。包括但不限于如下步骤：
(1)给定训练样本D＝{x1,x2,…,xn},xi∈R2,即每一个样本元素都是2维向量，n为样本点个数，待求聚类中心{m1,m2,…,mk},分别对应类标签{C1,C2,…,CK}；
(2)根据elbow method方法确定k值,计算公式如下：
(3)从训练样本中随机选取一个点作为第一个聚类中心m1，分别计算训练样本中非聚类中心点与各聚类中心之间的最短距离d(x)，每个样本点被选为下一个聚类中心点的概率为Pi，计算出每个样本点被选中的概率后采用轮盘发选出下一个聚类中心，概率Pi计算公式如下：
(4)重复步骤(3)，直到选出k个聚类中心；
(5)另其中1≤i≤k；
(6)计算每个非聚类中心点xi到各聚类中心点的距离，并将其归到距离最近的簇中，公式如下：
(7)样本点xi归类，Ci＝Ci∪{xi}；
(8)更新聚类中心，重新计算聚类中所有样本的均值并更新为新的聚类中心，公式如下：
(9)重复(6)-(8),直到中心点不变或者达到最大迭代次数时停止；
(10)求出各样本点到其聚类中心的距离T，公式如下：
(11)计算各聚类中心点到达第一聚类中心点的距离L：
(12)求出各样本点之间的平均距离作为鱼群聚集度P，计算公式如下：
作为一个优选实施例，以鱼体检测模型处理后得到的坐标点(xi，yi)表示鱼群摄食图像中鱼体的位置，以改进的K-means++算法在n个坐标点中选择k个作为聚类中心，待算法收敛或达到最大迭代次数，以各分类簇中样本点到其聚类中心的欧式距离以及各聚类中心到第一聚类中心的欧氏距离之和作为总距离，并根据总距离获取平均距离作为鱼群聚集度。
步骤2：将待检测摄食图像输入至浮饵计数模型，输出图像对应的浮饵数量。
其中，浮饵计数模型是基于包含不同黏连度浮饵的摄食图像及预先确定好的标注标签训练得到的。
具体地，将单帧待检测鱼群摄食图像输入至浮饵计数模型中，识别出图像中的浮饵，其中，浮饵包括单个浮饵和黏连浮饵。鱼群摄食图像中的浮饵数用下列公式来计算：
其中，N为浮饵总数，n为浮饵的黏连度等级，ri为在黏连度，mi为黏连度为i的浮饵数。
其中,浮饵的黏连度等级根据饵料的黏连个数划分，黏连度等级为{r1,r2,……，rn}时，对应的值为{1,2,……，n}。
优选地，在执行步骤102之前需要对摄食强度评估模型进行训练，摄食强度评估模型为神经网络模型。训练时，首先对步骤101中获取的鱼群摄食过程中的视频数据进行视频帧提取，并对各帧数据进行标注，标注方式采用上述的数字标注方式，使用标注好的图像对摄食强度评估模型训练至收敛。
作为一个优选实施例，摄食强度评估模型为BP神经网络模型。
其中，BP神经网络模型是基于不同摄食强度下摄食图像提取的特征数据以及预先确定的摄食强度类型标签进行训练获得的。
具体地，BP神经网络包括输入层、隐含层和输出层，是一种有效的神经网络学习方法，BP神经网络在训练的过程中通过信号的前向传播和误差的反向传播不断的调整网络中的权值以达到期望要求，具体训练步骤如下：
(1)神经网络网络初始化，根据输入输出序列确定神经网络的输入节点数ni、输出节点数oi、隐含层节点数pi和神经网络各层之间的连接权值和阈值，并设置学习速率，根据下式计算隐含层节点个数：
(2)对数据进行归一化处理，公式如下：
(3)输入归一化数据并计算各层神经网络的输出量；
(4)计算误差，根据预测结果yi和期望结果fi计算误差E，误差计算公式如下：
(5)权值、阈值更新，将误差值沿神经网络反向传播，对权值和阈值进行调整；
(6)若神经网络输出误差小于设定阈值或达到最大迭代次数则完成训练,否则,返回步骤(3)。
在本发明的一个优选实施例中，将不同鱼群摄食强度下的连续帧图像输入至特征提取模块对鱼群摄食过程中的鱼群聚集度和浮饵数量进行提取，得到鱼群在摄食过程中鱼群聚集度和浮饵数量的连续特征量，鱼群聚集度c∈[c1,c4]，浮饵数量n∈[n1,n4]，相应地，基于不同的摄食强度将鱼群聚集度和浮饵数量的阈值分别划分为[c1,c2,c3,c4]和[n1,n2,n3,n4]。
其中，基于不同的摄食强度其对应的阈值分别为：若鱼群聚集度c和浮饵数量n满足{(c,n)|0<c<c1,0<n<n1}时，则为强摄食状态；若满足{(c,n)|c1<c<c2,n1<n<n2}时，则为中摄食状态；若满足{(c,n)|c2<c<c3,n2<n<n3}时，则为一般摄食状态；若满足{(c,n)|c3<c<c4,n3<n<n4}时，则为弱摄食状态。
图2为本发明实施例提供的鱼群摄食强度评估装置结构图，如图2所示，该装置包括：提取模块201和评估模块202。其中提取模块201用于将摄食图像输入至特征提取模块，对待测图像中鱼体位置信息进行聚类分析，获得鱼群的聚集度，再对待检测图像中的浮饵进行识别和计数；评估模块202用于将提取鱼群聚集度和浮饵数量输入至训练后的摄食强度评估模型中，获得摄食强度评估模型输出的摄食强度类型；其中，摄食强度评估模型是基于不同摄食强度下摄食图像提取的特征数据以及预先确定的摄食强度类型标签进行训练获得的。
具体地，提取模块201获取待检测的鱼群摄食图像可以是鱼群摄食过程中进行实时拍摄后获得的任意一帧图像，并对待检测鱼群摄食图像进行预处理操作，用于消除干扰信息，在进一步对图像处理时获得更高质量的数据。对原图像进行预处理之后将处理后图像输入至特征提取模块，对待测图像中鱼体位置信息进行聚类分析，获得鱼群的聚集度，再对待检测图像中的浮饵进行识别和计数。
具体地，评估模块202将提取模块201获取的鱼群聚集度和浮饵数量特征值输入至训练后的摄食强度评估模型中，获得摄食强度评估模型输出的摄食强度类型；不同的摄食强度可以采用数字进行标注：若鱼群处于弱摄食状态，标注为0；若鱼群处于一般摄食状态，标注为1；若鱼群处于中摄食状态，标注为2；若鱼群处于强摄食状态，标注为3。
本发明实施例提供的一种鱼群摄食强度评估方法及装置，通过将鱼群摄食图像输入至特征提取模块，获取鱼群摄食过程中的聚集度和浮饵数量，并将提取结果输入至摄食强度评估模型中，得到鱼群的摄食强度类型。摄食强度评估的整个过程根据客观数据进行评估，克服了人工观察方式的不准确、效率低的问题，合理指导养殖人员投饲。
图3为本发明实施例提供的一种电子设备的实体结构示意图。如图3所示，该电子设备包含以下部分：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行鱼群摄食强度评估方法，该方法包括：将摄食图像输入至特征提取模块，对待测图像中鱼体位置信息进行聚类分析，获得鱼群的聚集度，再对待检测图像中的浮饵进行识别和计数；将提取鱼群聚集度和浮饵数量输入至训练后的摄食强度评估模型中，获得摄食强度评估模型输出的摄食强度类型。
此外，上述的存储器303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。
本发明实施例还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以执行上述各提供的鱼群摄鱼群摄食强度评估方法，该方法包括：将摄食图像输入至特征提取模块，对待测图像中鱼体位置信息进行聚类分析，获得鱼群的聚集度，再对待检测图像中的浮饵进行识别和计数；将提取鱼群聚集度和浮饵数量输入至训练后的摄食强度评估模型中，获得摄食强度评估模型输出的摄食强度类型。
以上所描述的电子设备等实施例仅仅是示意性的，其中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 (10)
1.一种鱼群摄食强度评估方法，其特征在于，包括：
将摄食图像输入至特征提取模块，对待测图像中鱼体位置信息进行聚类分析，获得鱼群聚集度，并对待检测图像中的浮饵进行识别和计数，获得浮饵数量，所述摄食图像为投喂饵料后经过t秒的鱼群摄食图像；
所述特征提取模块包括鱼群聚集度提取模型和浮饵计数模型；将待检测摄食图像输入至所述聚集度提取模型，输出对应的鱼群聚集度；将待检测摄食图像输入至所述浮饵计数模型，输出对应的浮饵数量；
将所述待检测摄食图像输入至所述聚集度提取模型，输出对应的鱼群聚集度，具体包括：以待检测图像中检测到的鱼体作为样本点，并以改进的K-means++算法作为聚集度提取模型，将选取的k个样本点作为聚类中心，待算法收敛或达到最大迭代次数，以各分类簇中样本点到其聚类中心的欧式距离以及各聚类中心到第一聚类中心的欧氏距离之和作为总距离，并根据总距离获取平均距离作为鱼群聚集度；
将获得的鱼群聚集度和浮饵数量输入至训练后的摄食强度评估模型中，获得摄食强度类型。
2.根据权利要求1所述的一种鱼群摄食强度评估方法，其特征在于，所述对待测图像中鱼体位置信息进行聚类分析之前，还包括：根据所述待测图像，采用鱼体检测模型获取待测图像中样本位置信息；所述鱼体检测模型是基于不同摄食强度下的摄食图像及预先确定好的标注标签训练得到的。
3.根据权利要求1或2所述的一种鱼群摄食强度评估方法，其特征在于，所述特征提取模块包括鱼群聚集度提取模型和浮饵计数模型；将所述待检测摄食图像输入至所述聚集度提取模型，输出对应的鱼群聚集度；将所述待检测摄食图像输入至所述浮饵计数模型，输出对应的浮饵数量。
4.根据权利要求2所述的一种鱼群摄食强度评估方法，其特征在于，所述鱼体检测模型为YOLO v3神经网络。
5.根据权利要求3所述的一种鱼群摄食强度评估方法，其特征在于，将所述待检测摄食图像输入至所述聚集度提取模型，输出对应的鱼群聚集度，具体包括：以待检测图像中检测到的鱼体作为样本点，并以改进的K-means++算法作为聚集度提取模型，将选取的k个样本点作为聚类中心，待算法收敛或达到最大迭代次数，以各分类簇中样本点到其聚类中心的欧式距离以及各聚类中心到第一聚类中心的欧氏距离之和作为总距离，并根据总距离获取平均距离作为鱼群聚集度。
6.根据权利要求1所述的一种鱼群摄食强度评估方法，其特征在于，所述摄食强度评估模型为BP神经网络模型，所述BP神经网络模型是基于不同摄食强度下摄食图像提取的特征数据以及预先确定的摄食强度类型标签进行训练获得的。
7.根据权利要求1、2或6所述的一种鱼群摄食强度评估方法，其特征在于，摄食强度包括：弱摄食、一般摄食、中摄食和强摄食四种类型。
8.一种用于实现权利要求1-7任一项所述的一种鱼群摄食强度评估方法的鱼群摄食强度评估装置，其特征在于，所述装置包括：
提取模块，用于根据待检测图像，对待测图像中鱼体位置信息进行聚类分析，获得鱼群聚集度，并对待检测图像中的浮饵进行识别和计数，获得浮饵数量；
评估模块，用于将获得的鱼群聚集度和浮饵数量输入至训练后的摄食强度评估模型中，获得待检测摄食图像中鱼群的摄食强度类型；所述摄食强度评估模型是基于不同摄食强度下摄食图像提取的特征数据以及预先确定的摄食强度类型标签进行训练获得的。
9.一种电子设备，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7任一项所述的一种鱼群摄食强度评估方法。
10.一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7任一项所述的一种鱼群摄食强度评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111592189.4A CN114419432B (zh) | 2021-12-23 | 2021-12-23 | 一种鱼群摄食强度评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111592189.4A CN114419432B (zh) | 2021-12-23 | 2021-12-23 | 一种鱼群摄食强度评估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114419432A CN114419432A (zh) | 2022-04-29 |
| CN114419432B true CN114419432B (zh) | 2024-04-30 |
Family
ID=81267912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111592189.4A Active CN114419432B (zh) | 2021-12-23 | 2021-12-23 | 一种鱼群摄食强度评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114419432B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000201568A (ja) * | 1999-01-18 | 2000-07-25 | Hitachi Ltd | 水棲生物用自動給餌装置 |
| CN107422303A (zh) * | 2017-05-24 | 2017-12-01 | 青岛越洋水处理设备工程有限公司 | 基于声波定位及图像采集的全自动投饵方法 |
| KR101970303B1 (ko) * | 2018-07-31 | 2019-04-19 | 대한민국 | 어군탐지기에서의 수심별 어류유영패턴 분석을 통한 사료 자동 공급방법 |
| JP2020078278A (ja) * | 2018-11-14 | 2020-05-28 | 株式会社 アイエスイー | 養殖魚の自動給餌方法並びに自動給餌システム |
| CN111528143A (zh) * | 2020-05-26 | 2020-08-14 | 大连海洋大学 | 一种鱼群摄食行为量化方法、系统、装置和存储介质 |
| CN112634202A (zh) * | 2020-12-04 | 2021-04-09 | 浙江省农业科学院 | 一种基于YOLOv3-Lite的混养鱼群行为检测的方法、装置及系统 |
| KR102333428B1 (ko) * | 2021-01-25 | 2021-12-02 | 주식회사 시리오 | 인공지능 모델을 이용한 어군 탐지 방법, 장치 및 컴퓨터프로그램 |
-
2021
- 2021-12-23 CN CN202111592189.4A patent/CN114419432B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000201568A (ja) * | 1999-01-18 | 2000-07-25 | Hitachi Ltd | 水棲生物用自動給餌装置 |
| CN107422303A (zh) * | 2017-05-24 | 2017-12-01 | 青岛越洋水处理设备工程有限公司 | 基于声波定位及图像采集的全自动投饵方法 |
| KR101970303B1 (ko) * | 2018-07-31 | 2019-04-19 | 대한민국 | 어군탐지기에서의 수심별 어류유영패턴 분석을 통한 사료 자동 공급방법 |
| JP2020078278A (ja) * | 2018-11-14 | 2020-05-28 | 株式会社 アイエスイー | 養殖魚の自動給餌方法並びに自動給餌システム |
| CN111528143A (zh) * | 2020-05-26 | 2020-08-14 | 大连海洋大学 | 一种鱼群摄食行为量化方法、系统、装置和存储介质 |
| CN112634202A (zh) * | 2020-12-04 | 2021-04-09 | 浙江省农业科学院 | 一种基于YOLOv3-Lite的混养鱼群行为检测的方法、装置及系统 |
| KR102333428B1 (ko) * | 2021-01-25 | 2021-12-02 | 주식회사 시리오 | 인공지능 모델을 이용한 어군 탐지 방법, 장치 및 컴퓨터프로그램 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114419432A (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115067243B (zh) | 一种基于物联网技术的渔业监测分析方法、系统及存储介质 | |
| CN113591671B (zh) | 一种基于Mask-Rcnn识别鱼类生长检测方法 | |
| CN103070119B (zh) | 一种以群组为单元的水产动物选择育种方法 | |
| CN110853070A (zh) | 基于显著性与Grabcut的水下海参图像分割方法 | |
| CN113592896B (zh) | 基于图像处理的鱼类投喂方法、系统、设备及存储介质 | |
| CN114419432B (zh) | 一种鱼群摄食强度评估方法及装置 | |
| CN112800994A (zh) | 鱼群摄食行为识别方法、装置、电子设备和存储介质 | |
| CN111666897A (zh) | 基于卷积神经网络的斑石鲷个体识别方法 | |
| WO2021032472A1 (en) | Methods and systems for predicting smoltification in fish through non-invasive means | |
| CN115200647A (zh) | 一种水产养殖环境监测管理方法及系统 | |
| CN116295022A (zh) | 一种基于深度学习多参数融合的猪只体尺测量方法 | |
| 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 | |
| Tonachella et al. | An affordable and easy-to-use tool for automatic fish length and weight estimation in mariculture | |
| Song et al. | Image-based apple disease detection based on residual neural network and transfer learning | |
| CN116579504A (zh) | 基于机器学习的池塘海水养殖水温的预测方法 | |
| CN110163253A (zh) | 鱼浮头程度检测方法及系统 | |
| CN115100513A (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 | |
| CN113658124B (zh) | 一种盘点水下养殖资产的方法 | |
| CN115049692A (zh) | 模拟自然生态的海洋水产养殖光照智能调节方法及系统 | |
| CN113284164A (zh) | 虾群自动计数方法、装置、电子设备及存储介质 | |
| CN111223574A (zh) | 一种基于大数据挖掘的南美白对虾肝肠孢虫病预警方法 | |
| CN116579508B (zh) | 一种鱼类预测方法、装置、设备及存储介质 | |
| Khan et al. | Hybrid Deep Learning Approach for Enhanced Animal Breed Classification and Prediction. | |
| Ma et al. | Investigation on the extraction of soybean brown spot based on improved genetic algorithm | |
| CN103679181B (zh) | 基于机器视觉的猪舍内猪只标记识别方法 |
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 |