CN114793963B - 一种大数据控制的鱼快速脆化环境控制方法 - Google Patents
一种大数据控制的鱼快速脆化环境控制方法 Download PDFInfo
- Publication number
- CN114793963B CN114793963B CN202210745329.5A CN202210745329A CN114793963B CN 114793963 B CN114793963 B CN 114793963B CN 202210745329 A CN202210745329 A CN 202210745329A CN 114793963 B CN114793963 B CN 114793963B
- Authority
- CN
- China
- Prior art keywords
- embrittlement
- culture
- index
- fish
- value
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K63/00—Receptacles for live fish, e.g. aquaria; Terraria
- A01K63/003—Aquaria; Terraria
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K63/00—Receptacles for live fish, e.g. aquaria; Terraria
- A01K63/04—Arrangements for treating water specially adapted to receptacles for live fish
- A01K63/042—Introducing gases into the water, e.g. aerators, air pumps
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K63/00—Receptacles for live fish, e.g. aquaria; Terraria
- A01K63/06—Arrangements for heating or lighting in, or attached to, receptacles for live fish
- A01K63/065—Heating or cooling devices
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Zoology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及大数据控制技术领域,具体公开了一种大数据控制的鱼快速脆化环境控制方法,通过利用大数据监测技术对池塘水体环境进行智能有效调控,测定待脆化鱼的血液指标以及对应的肌肉组织的弹性应力值计算得到鱼脆化指标,定量分析待脆化鱼的脆化程度从而作为鱼快速脆化环境智能调控的参考指标;并结合鱼脆化指标和对应的养殖参数的脆化养殖趋向曲线判断不同养殖过程中的脆化阶段,进行分段式趋向分析鱼的水体环境参数;通过实时监控养殖池中的各个水体环境参数,实现更高效精准地智能控制达到快速脆化环境指标,为商品脆肉鱼的高效养殖和标准化养殖提供了环境参考标准。
Description
技术领域
本发明涉及水产养殖监测、大数据控制技术领域,具体涉及一种大数据控制的鱼快速脆化环境控制方法。
背景技术
脆肉鱼是鱼类经投喂蚕豆饲育而成的养殖水特产,如脆肉鲩、脆肉罗非鱼,具有肉质鲜美、软滑爽脆等优点,其市场需求增加但水库产量有限。因此为了大力拓展脆肉鱼水产市场,人工池塘化养殖技术得到了广泛开展研究。鱼类经过脆化养殖是一个由量变到质变的渐进过程,不同水温、水流速度、水化学因子和蚕豆饲料投喂量等因素都会对脆肉鱼生长和品质造成影响。根据鱼的脆化度变化过程可分为“不脆”、低脆”、“中脆”、“高脆”,甚至转化为“过脆”,但目前业内在各阶段还没有明确的控制标准。因此,合理控制适宜的养殖水环境和投喂机制能进一步提高脆肉鱼品质和养殖效益。
传统的鱼养殖技术采用人工调控方式由于缺乏对不同养殖环境和不同鱼群摄食规律的适应性和多样性,不能确保池塘化养殖控制在最佳脆化养殖条件的同时,会导致池塘水体污染引发鱼类疾病。在现有技术中,专利公开号为CN113303271A公开了一种智能控制管理的脆肉罗非鱼养殖装置,但仅为根据鱼身大小控制投食份量,缺乏一种对促进鱼类脆化的水体环境因子的智能控制方法;专利公开号为CN111248145A公开了一种净化效率高且养殖成本低的渔业养殖系统,其数据采集单元能采集水体环境参数传递至控制单元和数据接收单元接收云服务器发出的动作指令,但局限于氨氮传感器及水溶氧传感器对水体净化功能的控制,其控制程度极大受限于单个传感器的监测性能,存在监测准确性低、调控不科学的问题,且尚未能公开一种根据鱼脆化度变化过程的智能养殖环境控制方法。
发明内容
鉴于以上所述现有方法的局限,本发明的目的在于提供一种大数据控制的鱼快速脆化环境控制方法,通过利用大数据监测技术对池塘水体环境进行智能有效调控,测定待脆化鱼的血液指标以及对应的肌肉组织的弹性应力值计算得到鱼脆化指标,定量分析待脆化鱼的脆化程度从而作为鱼快速脆化环境智能调控的参考指标;并结合鱼脆化指标和对应的养殖参数的脆化养殖趋向曲线判断不同养殖过程中的脆化阶段,进行分段式趋向分析鱼的水体环境参数;通过实时监控养殖池中的各个水体环境参数,实现更高效精准地智能控制达到快速脆化环境指标,为商品脆肉鱼的高效养殖和标准化养殖提供了环境参考标准。
为了实现上述目的,根据本发明的一方面,提供一种大数据控制的鱼快速脆化环境控制方法,所述方法包括以下步骤:
S100,在若干个试验养殖池中放养若干条同规格批次的待脆化鱼;
S200,每日分别获取各个试验养殖池中随时刻变化的水体环境参数大数据,以及每日的养殖参数变量;
S300,在不同养殖天数分别在各个试验养殖池中随机取样获得待脆化鱼样本,对待脆化鱼样本进行定量分析并测定对应的鱼脆化指标;
S400,根据各个试验养殖池中随着养殖天数递增对应的水体环境参数大数据构成水体环境参数变化数据库;并结合不同养殖天数对应的鱼脆化指标和养殖参数变量计算得到对应的脆化环境参数变化序列;
S500,根据各个试验养殖池中的脆化环境参数变化序列智能调控人工增氧设备和养殖加热恒温系统达到最佳脆化环境。
进一步地,在S100中,若干个试验养殖池中均配备封闭式循环水养殖系统,内置人工增氧设备和养殖加热恒温系统;若干个试验养殖池分别按预设顺序进行编号,编号序号记作i,i∈[1,n],n为试验养殖池总数量;其中设一个试验养殖池为对照组,同样使用i作为编号序号,i=1,其余试验养殖池均为实验组,编号序号i∈[2,n];其中,所述人工增氧设备包括增氧机、氧气锥、无能耗纯氧溶氧器和超微气泡发生器;所述养殖加热恒温系统包括空气能热泵机组;所述试验养殖池为用于养殖待脆化鱼的池塘,所述待脆化鱼包括鲩鱼、罗非鱼、鲤鱼和鲫鱼中任意一种或多种鱼的组合。
进一步地,在S200中,以每日对应测定时刻为记录最小单位,对各个试验养殖池在第d日对应t时刻分别测定各个水体环境参数,并构成随时刻变化的水体环境参数大数据,其中各个水体环境参数按存储顺序分别为钙离子Ca2+浓度记作Ca2,化学需氧量记作COD,溶解氧含量记作DO,酸碱度记作pH,盐度记作Sali,水体温度记作Temp,水流速度记作Speed;其中,通过传感器测定各个试验养殖池内池水的各个水体环境参数,所述传感器至少包括钙离子传感器、COD传感器、溶解氧传感器、ph数字传感器、盐度传感器、温度传感器和水流传感器;
各个养殖参数随着养殖天数变化,构成养殖参数变量记作Breed(d)={Feed(d),ADG(d), SD(d)},其中,Feed(d)表示为第d日的平均摄食量,ADG(d)表示为第d日的平均鱼净增重量,SD(d)表示为第d日的养殖密度,单位为尾/立方米;d值为养殖天数,d∈[1, N],N为养殖总天数,N∈[85, 127];t值为测定时刻,单位为h,t∈[t1, t2],t1为初始时刻,t2为结束时刻,t2=t1+T×time,T为时间间隔,T∈[1,24],time为测定总次数,time∈[1,24]。
进一步地,在S300中,在不同养殖天数分别在各个试验养殖池中随机取样获得待脆化鱼样本,对待脆化鱼样本进行定量分析并测定对应的鱼脆化指标的方法为:
S301,在各个试验养殖池中分别随机取样获得对应在不同养殖天数的待脆化鱼样本,并记录当前养殖天数和取样次数;其中,将取样次数记为p,p∈[1,Psum],Psum为总取样次数,Psum = cell((N-1)/deta),cell函数为向上取整,N为养殖总天数,deta为取样间隔,deta∈[7, 28]日;当p≠Psum时,若第p次取样对应的养殖天数为第d日,则第p+1次取样对应的养殖天数为第d+deta日,其中p=1时d=1;当p=Psum时对应的养殖天数为第N日;
S302,对各个试验养殖池的待脆化鱼样本进行血液采集,每次抽取尾部静脉血液5mL,利用肝素抗凝得到若干个脆化鱼全血样本;
S303,分别定量测定各个试验养殖池中实验组和对照组对应的脆化鱼全血样本的葡萄糖-6-磷酸脱氢酶含量、血红蛋白含量、红细胞计数以及白细胞计数;并计算在第p次取样时实验组和对照组对应的脆化鱼全血样本的葡萄糖-6-磷酸脱氢酶含量的绝对差值记作dvG6PD(p),以及其血红蛋白含量的绝对差值记为dvHb(p)、红细胞计数的绝对差值记为dvRBC(p)和白细胞计数的绝对差值记为dvWBC(p);其中,测定葡萄糖-6-磷酸脱氢酶含量的方法可为定量比值法、Zinkham法、硝基四氮唑蓝法中任一种方法;测定血红蛋白含量的方法可为氰化高铁血红蛋白测定法、十二烷基月桂酰硫酸钠血红蛋白法、溴代十六烷基三甲胺血红蛋白测定法、碱羟高铁血红素法中任一种;
S304,切取各个试验养殖池的待脆化鱼样本的肌肉组织得到呈长条形状的肌肉样品,测定实验组中第p次取样的肌肉样品的肌肉单位弹性度记作Fm (p),测定对照组中第p次取样的肌肉样品的肌肉单位弹性度记作stdFm (p);肌肉单位弹性度的计算方法为弹簧测力计拉断肌肉样品时测定的拉力与肌肉样品的横截面积和长度的乘积之间的比值;其中所述肌肉组织可为背鳍肌、腹直肌、大侧肌、上棱肌、下棱肌中任意一种;
S305,计算各个试验养殖池中第p次取样的待脆化鱼样本对应的鱼脆化指标记作
embrit(p),其计算公式为:, 其中Bi(p)为第p次取
样的脆化鱼全血样本对应的血液指标系数,表达式为:,其中ln为以常数e为底数的自然对
数。
进一步地,在S400中,根据各个试验养殖池中随着养殖天数递增对应的水体环境参数大数据构成水体环境参数变化数据库,并结合不同养殖天数对应的鱼脆化指标和养殖参数变量计算得到对应的脆化环境参数变化序列的方法为:
S401,根据各个试验养殖池中随着养殖天数递增对应的水体环境参数大数据构成水体环境参数变化数据库,将水体环境参数变化数据库设为三阶张量记作WEd(index,t),其中第一维度为水体环境参数大数据中各个水体环境参数变量记作index,index为Ca2,COD, DO, pH, Sali, Temp, Speed中任意一项,第二维度为每日测定的对应t时刻,第三维度为养殖天数第d日;
S402,以第p次取样的鱼脆化指标对应的养殖天数作为第p个阶段分隔点,将第p个阶段分隔点对应的养殖天数记为第d1日,第p+1个阶段分隔点对应的养殖天数记为第d2日,则第d1日与第d2日之间的养殖天数记作第j个脆化时间段,其中p∈[1, Psum-1];j值为第p个阶段分隔点对应的脆化时间段序号,j∈[1, Psum-1];结合第p次取样的鱼脆化指标,分别计算各个试验养殖池对应的养殖参数变量在第j个脆化时间段中随着d值变化的变量构成一条曲线作为脆化养殖趋向曲线,其计算公式为:
其中,Trend(Breed(d), j)是脆化养殖趋向曲线在第j个脆化时间段对应的各个养殖参数在第d日的脆化养殖参数趋向值,Breed(d)是在第d日各个养殖参数构成的养殖参数变量,Breed(d) ={Feed(d), ADG(d), SD(d)},δ为脆化养殖趋向曲线对应变化系数,d1为第p个阶段分隔点对应的养殖天数,d2为第p+1个阶段分隔点对应的养殖天数,ln为以常数e为底数的自然对数;
S403,遍历j值取值范围,分别计算各个试验养殖池中第j个脆化时间段中第d日的养殖生长系数记作SGR(d, j),SGR(d, j) = Trend(ADG(d), j)×Trend(SD(d), j) / (d-d1),其中Trend(ADG(d), j)为第j个脆化时间段对应的平均鱼净增重量在第d日的脆化养殖参数趋向值,Trend(SD(d), j) 为第j个脆化时间段对应的养殖密度在第d日的脆化养殖参数趋向值;分别计算第j个脆化时间段中第d日的养殖摄食系数记作FCR(d, j),FCR(d,j) = Trend(ADG(d), j) / Trend(Feed(d), j),其中Trend(Feed(d), j)为第j个脆化时间段对应的平均摄食量在第d日的脆化养殖参数趋向值;
S404,遍历j值和d值的取值范围,分别计算各个试验养殖池的SGR(d, j)的一阶导数记为deSGR(d, j),查找deSGR(d, j)的数值从大于0变为小于或等于0时对应的d值记为转折点,若第j个脆化时间段中存在一个或多个转折点,则令j1=j,将第j1个脆化时间段对应的养殖天数标记为质变阶段,并将所有转折点对应的d值按从小到大顺序排列分别记为第kj1个脆化转折点,kj1∈[1, Kj1],Kj1为第j1个脆化时间段中存在的转折点个数;若第j个脆化时间段中不存在转折点,则令j2 = j,第j2个脆化时间段对应的养殖天数标记为量变阶段,并计算在第j2个脆化时间段内所有d值对应的Trend(Feed(d), j)的算术平均值作为第j2个量变摄食量记作avFeed(j2),以及对应的SGR(d, j)的算术平均值作为第j2个生长系数阈值记作avSGR(j2);其中,j1是脆化时间段为质变阶段的序号,j2是脆化时间段为量变阶段的序号, j1∈[0,P1],j2∈[0,P2],P1为质变阶段个数,P2为量变阶段个数,Psum=P1+P2+1;
S405,遍历j值和d值的取值范围,分别计算各个试验养殖池的Trend(Feed(d), j)的二阶导数记作sdeFeed(d,j),以及计算FCR(d, j)的二阶导数记作sdeFCR(d, j);进一步判断P1×P2是否等于零,确定第一脆化点、第二脆化点和第三脆化点对应的养殖天数;其中,当P1×P2=0时,计算QC(d,j)=sdeFeed(d,j)×sdeFCR(d,j),若QC(d,j)>0时j值最小对应的d值记作第一脆化点,若QC(d,j)<0时j值最小对应的d值记作第二脆化点,取第一脆化点和第二脆化点之间的养殖天数内对应的sdeFCR(d, j)数值最小对应的d值记作第三脆化点;当P1×P2≠0时,遍历j1值的取值范围,计算各个试验养殖池中第j1个脆化时间段内所有d值对应的FCR(d, j)的算术平均值记作avFCR(j1),取avFCR(j1)值最小对应的第j1个脆化时间段的d值记作第一脆化点;遍历j2值的取值范围,计算第j2个脆化时间段内所有d值对应的sdeFCR(d, j)的算术平均值记作avsdeFCR(j2),取avsdeFCR(j2)值最大对应的第j2个脆化时间段的d值记作第二脆化点,取avsdeFCR(j2)值最小对应的第j2个脆化时间段的d值记作第三脆化点;
S406,将d=1至第一脆化点之间的养殖天数记作第一脆化阶段,第一脆化点至第二脆化点之间的养殖天数记作第二脆化阶段,第二脆化点至第三脆化点之间的养殖天数记作第三脆化阶段,第三脆化点至d=N之间的养殖天数记作第四脆化阶段;结合对应养殖天数的水体环境参数变化数据库的数据,分别计算第i个试验养殖池对应在第一脆化阶段、第二脆化阶段、第三脆化阶段和第四脆化阶段的脆化环境参数变化序列,分别记作EM1i (index,d)、EM2i (index, d)、EM3i (index, d)和EM4i (index, d),其计算公式分别为:
其中,EM1i (index, d)表示为第i个试验养殖池对应在第一脆化阶段的脆化环境参数变化序列在养殖天数第d日对应各个水体环境参数index的数值,EM2i (index, d)表示为第i个试验养殖池对应在第二脆化阶段的脆化环境参数变化序列在养殖天数第d日对应各个水体环境参数index的数值,EM3i (index, d)表示为第i个试验养殖池对应在第三脆化阶段的脆化环境参数变化序列在养殖天数第d日对应各个水体环境参数index的数值,EM4i (index, d)表示为第i个试验养殖池对应在第四脆化阶段的脆化环境参数变化序列在养殖天数第d日对应各个水体环境参数index的数值,WEd(index,t)表示为水体环境参数变化数据库中在养殖天数第d日对应t时刻的各个水体环境参数index的数值;ds1为第一脆化点,ds2为第二脆化点,ds3为第三脆化点,t1为初始时刻,t2为结束时刻,time为测定总次数,index表示为水体环境参数变量。
进一步地,在S500中,根据各个试验养殖池中的脆化环境参数变化序列智能调控人工增氧设备和养殖加热恒温系统达到最佳脆化环境的方法为:
S501,遍历i的取值范围,分别计算第i个试验养殖池对应在第一脆化阶段、第二脆化阶段、第三脆化阶段和第四脆化阶段的脆化环境参数变化序列的导数,对应记作diffEM1i (index, d)、diffEM2i (index, d)、diffEM3i (index, d)和diffEM4i (index,d);分别查找各个index对应的diffEM1i (index, d)、diffEM2i (index, d)、diffEM3i(index, d)和diffEM4i (index, d)中数值最大值对应的d值,分别记作MAXd1(index, i)、MAXd2(index, i)、MAXd3(index, i)和MAXd4(index, i),并取出对应脆化环境参数变化序列分别在MAXd1(index, i)、MAXd2(index, i)、MAXd3(index, i)和MAXd4(index, i)值上index的数值作为对应的快速脆化指标,分别记作Rapid1(index,i)、Rapid2(index,i)、Rapid3(index,i)和Rapid4(index,i);
S502,在i的取值范围内计算Rapid1(index,i)、Rapid2(index,i)、Rapid3(index,i)和Rapid4(index,i)的算术平均值,分别记作各个水体环境参数对应的快速脆化环境指标;
S503,实时监控各个试验养殖池中的各个水体环境参数,并智能调控内置的人工增氧设备和养殖加热恒温系统;具体为,当各个水体环境参数大于或等于对应的快速脆化环境指标时,智能调控人工增氧设备,具体为降低超微气泡发生器和增氧机的功率、关闭氧气锥和无能耗纯氧溶氧器,以及由处理器控制养殖加热恒温系统升高池内水体温度和pH值,直至达到快速脆化环境指标后保持工作;当各个水体环境参数小于对应的快速脆化环境指标时,智能调控人工增氧设备,具体为提高超微气泡发生器和增氧机的功率、打开氧气锥和无能耗纯氧溶氧器,以及由处理器控制养殖加热恒温系统降低池内水体温度和pH值,直至达到快速脆化环境指标后保持工作,达到最佳脆化环境;其中,降低指降低当前功率的5%~10%,提高指提高当前功率的5%~10%。
本发明的有益效果为:本发明提供一种大数据控制的鱼快速脆化环境控制方法,(1)测定待脆化鱼在实验组和对照组之间的血液指标差值以及对应的肌肉组织的弹性应力值计算得到鱼脆化指标,定量分析待脆化鱼的脆化程度从而作为鱼快速脆化环境智能调控的参考指标;(2)结合不同取样次数的鱼脆化指标和对应的养殖参数的变化趋向曲线识别出养殖过程中的各个阶段转折点,进行分段式趋向分析鱼的水体环境参数;(3)通过实时监控养殖池中的各个水体环境参数,实现更高效精准地判断鱼快速脆化过程中的不同脆化阶段,获得不同的最优环境参数调控机制。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本发明的上述以及其他特征将更加明显,本发明附图中相同的参考标号表示相同或相似的元素,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,在附图中:
图1所示为一种大数据控制的鱼快速脆化环境控制方法于一实施例中的流程图;
图2所示为一种大数据控制的鱼快速脆化环境控制系统于一实施例中的系统结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本发明的一种大数据控制的鱼快速脆化环境控制方法的流程图,下面结合图1来阐述根据本发明的实施方式的一种大数据控制的鱼快速脆化环境控制方法。本发明提出一种大数据控制的鱼快速脆化环境控制方法,所述方法具体包括以下步骤:
S100,在若干个试验养殖池中放养若干条同规格批次的待脆化鱼;
S200,每日分别获取各个试验养殖池中随时刻变化的水体环境参数大数据,以及每日的养殖参数变量;
S300,在不同养殖天数分别在各个试验养殖池中随机取样获得待脆化鱼样本,对待脆化鱼样本进行定量分析并测定对应的鱼脆化指标;
S400,根据各个试验养殖池中随着养殖天数递增对应的水体环境参数大数据构成水体环境参数变化数据库;并结合不同养殖天数对应的鱼脆化指标和养殖参数变量计算得到对应的脆化环境参数变化序列;
S500,根据各个试验养殖池中的脆化环境参数变化序列智能调控各个水体环境参数对应的快速脆化环境指标达到最佳脆化环境。
进一步地,在S100中,若干个试验养殖池中均配备封闭式循环水养殖系统,内置人工增氧设备和养殖加热恒温系统;其中,所述人工增氧设备包括增氧机、氧气锥、无能耗纯氧溶氧器和超微气泡发生器;所述养殖加热恒温系统包括空气能热泵机组;若干个试验养殖池分别按预设顺序进行编号,编号序号记作i,i∈[1,n],n为试验养殖池总数量;其中设一个试验养殖池为对照组,编号序号i=1,其余试验养殖池均为实验组,编号序号i∈[2,n]。优选地,在本具体实施例中,若干个试验养殖池均为长方体结构,面积和体积可不一致,n =6;每日投喂饲料两次,在10:00 am和17:00 pm定时投喂,记录每次的投喂量和投喂1h后试验养殖池中的剩余饲料量,将分别两次投喂量与剩余饲料量之间的差值求均值记为平均摄食量;其中,对照组对应的试验养殖池投喂基础饲料,实验组对应的试验养殖池投喂50%蚕豆+50%基础饲料的复合饲料;其中,所述基础饲料的配方可为40%米糠、38%麸皮、10%豆饼、10%鱼粉和2%酵母粉组成,饲料系数为1.90。
优选地,在本具体实施例中,所述养殖加热恒温系统选用欧麦朗恒温养殖热泵机组,由处理器控制,每次出水温度恒定;自带三大过滤系统:消毒及pH值调整系统、砂缸过滤器、毛发收集器;可以有效调节池塘的pH值、去除污染物,保证池塘内的水始终保持干净。
进一步地,在S200中,以每日对应测定时刻为记录最小单位,对各个试验养殖池在第d日对应t时刻分别测定各个水体环境参数,并按预设顺序构成随时刻变化的水体环境参数大数据,其中各个水体环境参数按预设顺序分别为钙离子Ca2+浓度记作Ca2,化学需氧量记作COD,溶解氧含量记作DO,酸碱度记作pH,盐度记作Sali,水体温度记作Temp,水流速度记作Speed;各个养殖参数随着养殖天数变化,构成养殖参数变量记作Breed(d) ={Feed(d), ADG(d), SD(d)},其中,Feed(d)表示为第d日的平均摄食量,ADG(d)表示为第d日的平均鱼净增重量,SD(d)表示为第d日的养殖密度,单位为尾/立方米;d值为养殖天数,d∈[1,N],N为养殖总天数,N∈[85, 127];t值为测定时刻,单位为h,t∈[t1, t2],t1为初始时刻,t2为结束时刻,t2=t1+T×time,T为时间间隔,T∈[1,24],time为测定总次数,time∈[1,24]。优选地,设定t1=0,t2=24,T=2 h,time = 12。
优选地,使用水质参数速测平台连接专用水质溶解氧探头、COD探头、DO探头、pH探头、温度探针等传感器分别插入测定各个试验养殖池中的各个水体环境参数,可调节设置时间间隔进行数据采集,各个传感器数据按照对应第d日对应t时刻记录存储于水体环境参数大数据中;
或者,在各个试验养殖池的底部取样采集养殖水样,采用取样试管在第d日对应t时刻采集得到100 mL的养殖水样,利用EDTA二钠滴定法测定养殖水样的Ca2,使用COD测定仪检测养殖水样的COD,使用溶氧测定仪测定养殖水样的DO,使用pH计插入养殖水样测定pH,使用盐度计插入养殖水样测定Sali,按预设顺序记录存储于水体环境参数大数据中。
进一步地,在S300中,在不同养殖天数分别在各个试验养殖池中随机取样获得待脆化鱼样本,对待脆化鱼样本进行定量分析并测定对应的鱼脆化指标的方法为:
S301,在各个试验养殖池中分别随机取样获得对应在不同养殖天数的待脆化鱼样本,并记录当前养殖天数和取样次数;其中,将取样次数记为p,p∈[1,Psum],Psum为总取样次数,Psum = cell((N-1)/deta),cell函数为向上取整,N为养殖总天数,deta为取样间隔,deta∈[7, 28]日;当p≠Psum时,若第p次取样对应的养殖天数为第d日,则第p+1次取样对应的养殖天数为第d+deta日,其中p=1时d=1;当p=Psum时对应的养殖天数为第N日;优选地,在本具体实施例中N = 100,deta = 21,即Psum = 5;
S302,对各个试验养殖池的待脆化鱼样本进行血液采集,每次抽取尾部静脉血液5mL,利用肝素抗凝得到若干个脆化鱼全血样本;
S303,分别定量测定各个试验养殖池中实验组和对照组对应的脆化鱼全血样本的葡萄糖-6-磷酸脱氢酶含量、血红蛋白含量、红细胞计数以及白细胞计数;并计算在第p次取样时实验组和对照组对应的脆化鱼全血样本的葡萄糖-6-磷酸脱氢酶含量的绝对差值记作dvG6PD(p),以及其血红蛋白含量的绝对差值记为dvHb(p)、红细胞计数的绝对差值记为dvRBC(p)和白细胞计数的绝对差值记为dvWBC(p);其中,测定葡萄糖-6-磷酸脱氢酶含量的方法可为定量比值法、Zinkham法、硝基四氮唑蓝法中任一种方法;测定血红蛋白含量的方法可为氰化高铁血红蛋白测定法、十二烷基月桂酰硫酸钠血红蛋白法、溴代十六烷基三甲胺血红蛋白测定法、碱羟高铁血红素法中任一种;优选地,在本具体实施例中采用多参数血细胞分析仪测定脆化鱼全血样本中的血红蛋白含量、红细胞计数和白细胞计数;
S304,切取各个试验养殖池的待脆化鱼样本的肌肉组织得到呈长条形状的肌肉样品,利用弹簧测力计测定实验组中第p次取样的肌肉样品的肌肉单位弹性度记作Fm (p),测定对照组中第p次取样的肌肉样品的肌肉单位弹性度记作stdFm (p);肌肉单位弹性度的计算方法为弹簧测力计拉断肌肉样品时测定的拉力与肌肉样品的横截面积和长度的乘积之间的比值,单位为kg/cm3;其中所述肌肉组织可为背鳍肌、腹直肌、大侧肌、上棱肌、下棱肌等尾部和躯干部位的任一种;优选地,剪取所述呈长条形状的肌肉样品重量大约为20 g,长度不小于5 cm;
S305,计算各个试验养殖池中第p次取样的待脆化鱼样本对应的鱼脆化指标记作
embrit(p),其计算公式为:, 其中Bi(p)为第p
次取样的脆化鱼全血样本对应的血液指标系数,表达式为:,其中ln为以常数e为底数的自
然对数(由于鱼在脆化前后的血液生化指标会随着蚕豆在饲料中的添加量的提高而发生显
著变化,本发明在步骤S300测定待脆化鱼在实验组和对照组之间的血液指标差值以及对应
的肌肉组织的弹性应力值来结合计算鱼脆化指标,进一步量化待脆化鱼的脆化程度从而作
为鱼快速脆化环境智能调控的参考指标)。
进一步地,在S400中,根据各个试验养殖池中随着养殖天数递增对应的水体环境参数大数据构成水体环境参数变化数据库,并结合不同养殖天数对应的鱼脆化指标和养殖参数变量计算得到对应的脆化环境参数变化序列的方法为:
S401,根据各个试验养殖池中随着养殖天数递增对应的水体环境参数大数据构成水体环境参数变化数据库,将水体环境参数变化数据库设为三阶张量记作WEd(index,t),其中第一维度为水体环境参数大数据中各个水体环境参数变量记作index,其中index为Ca2, COD, DO, pH, Sali, Temp, Speed中任意一项,第二维度为每日测定的对应t时刻,第三维度为养殖天数第d日;
S402,以第p次取样的鱼脆化指标对应的养殖天数作为第p个阶段分隔点,将第p个阶段分隔点对应的养殖天数记为第d1日,第p+1个阶段分隔点对应的养殖天数记为第d2日,则第d1日与第d2日之间的养殖天数记作第j个脆化时间段,j值为第p个阶段分隔点对应的脆化时间段序号,j∈[1,Psum-1];结合第p次取样的鱼脆化指标,分别计算各个试验养殖池对应的养殖参数变量在第j个脆化时间段中随着d值变化的变量构成一条曲线作为脆化养殖趋向曲线,其计算公式为:
其中,Trend(Breed(d), j)是脆化养殖趋向曲线在第j个脆化时间段对应的各个养殖参数在第d日的脆化养殖参数趋向值,Breed(d)是在第d日各个养殖参数构成的养殖参数变量,Breed(d) ={Feed(d), ADG(d), SD(d)},δ为脆化养殖趋向曲线对应的变化系数,d1为第p个阶段分隔点对应的养殖天数,d2为第p+1个阶段分隔点对应的养殖天数,ln为以常数e为底数的自然对数;(求出第j个脆化时间段的脆化养殖趋向曲线,能较好地反映在各个脆化时间段中各个养殖参数随着鱼脆化指标波动的变化趋势,避免个别养殖天数对应养殖参数出现的计算误差或偶然干扰引起的养殖误差导致对脆化阶段的错误定点)。
S403,遍历j值取值范围,分别计算各个试验养殖池中第j个脆化时间段中第d日的养殖生长系数记作SGR(d, j),SGR(d, j) = Trend(ADG(d), j)×Trend(SD(d), j) / (d-d1),其中Trend(ADG(d), j)为第j个脆化时间段对应的平均鱼净增重量在第d日的脆化养殖参数趋向值,Trend(SD(d), j) 为第j个脆化时间段对应的养殖密度在第d日的脆化养殖参数趋向值;分别计算第j个脆化时间段中第d日的养殖摄食系数记作FCR(d, j),FCR(d,j) = Trend(ADG(d), j) / Trend(Feed(d), j),其中Trend(Feed(d), j)为第j个脆化时间段对应的平均摄食量在第d日的脆化养殖参数趋向值;
S404,遍历j值和d值的取值范围,分别计算各个试验养殖池的SGR(d, j)的一阶导数记为deSGR(d, j),查找deSGR(d, j)的数值从大于0变为小于或等于0时对应的d值记为转折点,若第j个脆化时间段中存在一个或多个转折点,则令j1=j,将第j1个脆化时间段对应的养殖天数标记为质变阶段,并将所有转折点对应的d值按从小到大顺序排列分别记为第kj1个脆化转折点,kj1∈[1, Kj1],Kj1为第j1个脆化时间段中存在的转折点个数;若第j个脆化时间段中不存在转折点,则令j2 = j,第j2个脆化时间段对应的养殖天数标记为量变阶段,并计算在第j2个脆化时间段内所有d值对应的Trend(Feed(d), j)的算术平均值作为第j2个量变摄食量记作avFeed(j2),以及对应的SGR(d, j)的算术平均值作为第j2个生长系数阈值记作avSGR(j2);其中,j1是脆化时间段为质变阶段的序号,j2是脆化时间段为量变阶段的序号, j1∈[0,P1],j2∈[0,P2],P1为质变阶段个数,P2为量变阶段个数,Psum=P1+P2+1,即标记为质变阶段的第j个脆化时间段即为第j1个脆化时间段,标记为量变阶段的第j个脆化时间段即为第j2个脆化时间段;
S405,遍历j值和d值的取值范围,分别计算各个试验养殖池的Trend(Feed(d), j)的二阶导数记作sdeFeed(d,j),以及计算FCR(d, j)的二阶导数记作sdeFCR(d, j);进一步判断P1×P2是否等于零,确定第一脆化点、第二脆化点和第三脆化点对应的养殖天数;其中,当P1×P2=0时,计算QC(d,j)=sdeFeed(d,j)×sdeFCR(d,j),若QC(d,j)>0时j值最小对应的d值记作第一脆化点,若QC(d,j)<0时j值最小对应的d值记作第二脆化点,取第一脆化点和第二脆化点之间的养殖天数内对应的sdeFCR(d, j)数值最小对应的d值记作第三脆化点;当P1×P2≠0时,遍历j1值的取值范围,计算各个试验养殖池中第j1个脆化时间段内所有d值对应的FCR(d, j)的算术平均值记作avFCR(j1),取avFCR(j1)值最小对应的第j1个脆化时间段的d值记作第一脆化点;遍历j2值的取值范围,计算第j2个脆化时间段内所有d值对应的sdeFCR(d, j)的算术平均值记作avsdeFCR(j2),取avsdeFCR(j2)值最大对应的第j2个脆化时间段的d值记作第二脆化点,取avsdeFCR(j2)值最小对应的第j2个脆化时间段的d值记作第三脆化点; S406,将d=1至第一脆化点之间的养殖天数记作第一脆化阶段,第一脆化点至第二脆化点之间的养殖天数记作第二脆化阶段,第二脆化点至第三脆化点之间的养殖天数记作第三脆化阶段,第三脆化点至d=N之间的养殖天数记作第四脆化阶段;结合对应养殖天数的水体环境参数变化数据库的数据,分别计算第i个试验养殖池对应在第一脆化阶段、第二脆化阶段、第三脆化阶段和第四脆化阶段的脆化环境参数变化序列,分别记作EM1i (index, d)、EM2i (index, d)、EM3i (index, d)和EM4i (index, d),其计算公式分别为:
其中,WEd(index,t)表示为水体环境参数变化数据库中在养殖天数第d日对应t时刻的各个水体环境参数index的数值;ds1为第一脆化点,ds2为第二脆化点,ds3为第三脆化点,t1为初始时刻,t2为结束时刻,time为测定总次数,index表示为水体环境参数变量,index可为Ca2, COD, DO, pH, Sali, Temp, Speed中任意一项;优选地,在本具体实施例中,ds1=21,ds2=72,ds3=98。
鱼的脆化程度会随着养殖天数,蚕豆投喂量以及摄食强度等因素而发生变化。其中,鱼的脆化程度可划分为不同的阶段,一级阶段表现为生长迅速、长膘翻倍、摄食系数低等,而二级阶段表现为摄食量下降、饲料转化率相对降低等,三级阶段待脆化鱼的摄食量大大下降,体重几乎不再增长,表明鱼已转化为脆肉鱼;若继续投喂蚕豆饲料,则脆肉鱼会“过脆”出现各器官功能性障碍,最终出现“肿身”死亡的风险。因此,在步骤S400中结合不同取样次数的鱼脆化指标和对应的养殖参数的变化趋向曲线识别出养殖过程中的各个阶段转折点,进行分段式趋向分析鱼的水体环境参数,实现更高效精准地定位鱼快速脆化过程中的不同脆化阶段,获得不同的最优环境参数调控机制。
进一步地,在S500中,根据各个试验养殖池中的脆化环境参数变化序列智能调控人工增氧设备和养殖加热恒温系统达到最佳脆化环境的方法为:
S501,遍历i的取值范围,分别计算第i个试验养殖池对应在第一脆化阶段、第二脆化阶段、第三脆化阶段和第四脆化阶段的脆化环境参数变化序列的导数,对应记作diffEM1i (index, d)、diffEM2i (index, d)、diffEM3i (index, d)和diffEM4i (index,d);分别查找各个index对应的diffEM1i (index, d)、diffEM2i (index, d)、diffEM3i(index, d)和diffEM4i (index, d)中数值最大值对应的d值,分别记作MAXd1(index, i)、MAXd2(index, i)、MAXd3(index, i)和MAXd4(index, i),并取出对应脆化环境参数变化序列分别在MAXd1(index, i)、MAXd2(index, i)、MAXd3(index, i)和MAXd4(index, i)值上index的数值作为对应的快速脆化指标,分别记作Rapid1(index,i)、Rapid2(index,i)、Rapid3(index,i)和Rapid4(index,i);
S502,在i的取值范围内计算Rapid1(index,i)、Rapid2(index,i)、Rapid3(index,i)和Rapid4(index,i)的算术平均值,分别记作各个水体环境参数对应的快速脆化环境指标;
S503,实时监控各个试验养殖池中的各个水体环境参数,并智能调控内置的人工增氧设备和养殖加热恒温系统;具体为,当各个水体环境参数大于或等于对应的快速脆化环境指标时,智能调控人工增氧设备,具体为降低超微气泡发生器和增氧机的功率、关闭氧气锥和无能耗纯氧溶氧器,以及由处理器控制养殖加热恒温系统升高池内水体温度和pH值,直至达到快速脆化环境指标后保持工作;当各个水体环境参数小于对应的快速脆化环境指标时,智能调控人工增氧设备,具体为提高超微气泡发生器和增氧机的功率、打开氧气锥和无能耗纯氧溶氧器,以及由处理器控制养殖加热恒温系统降低池内水体温度和pH值,直至达到快速脆化环境指标后保持工作,达到最佳脆化环境。
(根据在不同脆化阶段的脆化环境参数变化序列可量化各个水体环境参数的动态波动范围,通过计算快速脆化环境指标抵消各个试验养殖池中的偶然误差,能更精准地控制养殖池中在不同脆化阶段的快速脆化条件;而在氧气充足和温度略低的条件下更利于鱼的快速脆化程度,通过智能调控人工增氧设备和养殖加热恒温系统能实现利用大数据对脆化鱼养殖的水体环境参数控制,达到鱼快速脆化的目的)。
如图2所示为本发明的一种大数据控制的鱼快速脆化环境控制系统结构图,所述处理器执行所述计算机程序运行在以下系统的单元中:
大数据处理单元,用于存储各个试验养殖池中随时刻变化的水体环境参数大数据,以及养殖参数变量,并根据各个试验养殖池中随着养殖天数递增对应的水体环境参数大数据构成水体环境参数变化数据库;
鱼脆化指标计算单元,用于计算在各个试验养殖池中随机取样对应的鱼脆化指标;
脆化环境参数变化处理单元,用于根据各个试验养殖池中的水体环境参数变化数据库结合对应的鱼脆化指标和养殖参数变量,计算得到对应的脆化环境参数变化序列;
快速脆化环境指标计算单元,用于根据各个试验养殖池中的脆化环境参数变化序列计算各个水体环境参数对应的快速脆化环境指标;
环境参数智能调控单元,用于智能调控各个试验养殖池中内置的人工增氧设备和养殖加热恒温系统,使养殖池内水体环境参数调整达到最佳脆化环境。
所述一种大数据控制的鱼快速脆化环境控制系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中。所述一种大数据控制的鱼快速脆化环境控制系统包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种大数据控制的鱼快速脆化环境控制方法及系统的示例,并不构成对一种大数据控制的鱼快速脆化环境控制方法及系统的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种大数据控制的鱼快速脆化环境控制系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-ProgrammHCO3-le Gate Array,FPGA) 或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种大数据控制的鱼快速脆化环境控制系统的控制中心,利用各种接口和线路连接整个一种大数据控制的鱼快速脆化环境控制系统的各个分区域。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种大数据控制的鱼快速脆化环境控制方法及系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (3)
1.一种大数据控制的鱼快速脆化环境控制方法,其特征在于,所述方法包括以下步骤:
S100,在若干个试验养殖池中放养若干条同规格批次的待脆化鱼;
S200,每日分别获取各个试验养殖池中随时刻变化的水体环境参数大数据,以及每日的养殖参数变量;
S300,在不同养殖天数分别在各个试验养殖池中随机取样获得待脆化鱼样本,对待脆化鱼样本进行定量分析并测定对应的鱼脆化指标;
S400,根据各个试验养殖池中随着养殖天数递增对应的水体环境参数大数据构成水体环境参数变化数据库;并结合不同养殖天数对应的鱼脆化指标和养殖参数变量计算得到对应的脆化环境参数变化序列;
S500,根据各个试验养殖池中的脆化环境参数变化序列智能调控人工增氧设备和养殖加热恒温系统达到最佳脆化环境;
在S200中,以每日对应测定时刻为记录最小单位,对各个试验养殖池在第d日对应t时刻分别测定各个水体环境参数,并按预设顺序构成随时刻变化的水体环境参数大数据,其中各个水体环境参数按预设顺序分别为钙离子Ca2+浓度记作Ca2,化学需氧量记作COD,溶解氧含量记作DO,酸碱度记作pH,盐度记作Sali,水体温度记作Temp,水流速度记作Speed;各个养殖参数随着养殖天数变化,构成养殖参数变量记作Breed(d) ={Feed(d), ADG(d), SD(d)},其中,Feed(d)表示为第d日的平均摄食量,ADG(d)表示为第d日的平均鱼净增重量,SD(d)表示为第d日的养殖密度;d值为养殖天数,d∈[1, N],N为养殖总天数,N∈[85, 127];t值为测定时刻;
在S300中,在不同养殖天数分别在各个试验养殖池中随机取样获得待脆化鱼样本,对待脆化鱼样本进行定量分析并测定对应的鱼脆化指标的方法为:
S301,在各个试验养殖池中分别随机取样获得对应在不同养殖天数的待脆化鱼样本,并记录当前养殖天数和取样次数;其中,将取样次数记为p,p∈[1,Psum],Psum为总取样次数,Psum = cell((N-1)/deta),cell函数为向上取整,N为养殖总天数,deta为取样间隔,deta∈[7, 28]日;当p≠Psum时,若第p次取样对应的养殖天数为第d日,则第p+1次取样对应的养殖天数为第d+deta日,其中p=1时d=1;当p=Psum时对应的养殖天数为第N日;
S302,对各个试验养殖池的待脆化鱼样本进行血液采集,每次抽取尾部静脉血液5mL,利用肝素抗凝得到若干个脆化鱼全血样本;
S303,分别定量测定各个试验养殖池中实验组和对照组对应的脆化鱼全血样本的葡萄糖-6-磷酸脱氢酶含量、血红蛋白含量、红细胞计数以及白细胞计数;并计算在第p次取样时实验组和对照组对应的脆化鱼全血样本的葡萄糖-6-磷酸脱氢酶含量的绝对差值记作dvG6PD(p),以及其血红蛋白含量的绝对差值记为dvHb(p)、红细胞计数的绝对差值记为dvRBC(p)和白细胞计数的绝对差值记为dvWBC(p);其中,测定葡萄糖-6-磷酸脱氢酶含量的方法为定量比值法、Zinkham法、硝基四氮唑蓝法中任一种方法;测定血红蛋白含量的方法为氰化高铁血红蛋白测定法、十二烷基月桂酰硫酸钠血红蛋白法、溴代十六烷基三甲胺血红蛋白测定法、碱羟高铁血红素法中任一种;
S304,切取各个试验养殖池的待脆化鱼样本的肌肉组织得到呈长条形状的肌肉样品,测定实验组中第p次取样的肌肉样品的肌肉单位弹性度记作Fm (p),测定对照组中第p次取样的肌肉样品的肌肉单位弹性度记作stdFm (p);肌肉单位弹性度的计算方法为弹簧测力计拉断肌肉样品时测定的拉力与肌肉样品的横截面积和长度的乘积之间的比值;其中所述肌肉组织为背鳍肌、腹直肌、大侧肌、上棱肌、下棱肌中任意一种;
S305,计算各个试验养殖池中第p次取样的待脆化鱼样本对应的鱼脆化指标记作
embrit(p),其计算公式为:,其中Bi
(p)为第p次取样的脆化鱼全血样本对应的血液指标系数,表达式为:,其中ln为以常数e为
底数的自然对数;
在S400中,根据各个试验养殖池中随着养殖天数递增对应的水体环境参数大数据构成水体环境参数变化数据库;并结合不同养殖天数对应的鱼脆化指标和养殖参数变量计算得到对应的脆化环境参数变化序列的方法为:
S401,根据各个试验养殖池中随着养殖天数递增对应的水体环境参数大数据构成水体环境参数变化数据库,将水体环境参数变化数据库设为三阶张量记作WEd (index,t),其中第一维度为水体环境参数大数据中各个水体环境参数变量记作index,其中index为Ca2,COD, DO, pH, Sali, Temp, Speed中任意一项,第二维度为每日测定的对应t时刻,第三维度为养殖天数第d日;
S402,以第p次取样的鱼脆化指标对应的养殖天数作为第p个阶段分隔点,将第p个阶段分隔点对应的养殖天数记为第d1日,第p+1个阶段分隔点对应的养殖天数记为第d2日,则第d1日与第d2日之间的养殖天数记作第j个脆化时间段,j值为第p个阶段分隔点对应的脆化时间段序号,j∈[1,Psum-1];结合第p次取样的鱼脆化指标,分别计算各个试验养殖池对应的养殖参数变量在第j个脆化时间段中随着d值变化的变量构成一条曲线作为脆化养殖趋向曲线,其计算公式为:
d1=deta×(j-1)+1,
其中,Trend(Breed(d), j)是脆化养殖趋向曲线在第j个脆化时间段对应的各个养殖参数在第d日的脆化养殖参数趋向值,Breed(d)是在第d日各个养殖参数构成的养殖参数变量,Breed(d) ={Feed(d), ADG(d), SD(d)},δ为脆化养殖趋向曲线对应的变化系数,d1为第p个阶段分隔点对应的养殖天数,d2为第p+1个阶段分隔点对应的养殖天数,ln为以常数e为底数的自然对数;
S403,遍历j值取值范围,分别计算各个试验养殖池中第j个脆化时间段中第d日的养殖生长系数记作SGR(d, j),SGR(d, j) = Trend(ADG(d), j)×Trend(SD(d), j) / (d-d1),其中Trend(ADG(d), j)为第j个脆化时间段对应的平均鱼净增重量在第d日的脆化养殖参数趋向值,Trend(SD(d), j) 为第j个脆化时间段对应的养殖密度在第d日的脆化养殖参数趋向值;分别计算第j个脆化时间段中第d日的养殖摄食系数记作FCR(d, j),FCR(d, j) =Trend(ADG(d), j) / Trend(Feed(d), j),其中Trend(Feed(d), j)为第j个脆化时间段对应的平均摄食量在第d日的脆化养殖参数趋向值;
S404,遍历j值和d值的取值范围,分别计算各个试验养殖池的SGR(d, j)的一阶导数记为deSGR(d, j),查找deSGR(d, j)的数值从大于0变为小于或等于0时对应的d值记为转折点,若第j个脆化时间段中存在一个或多个转折点,则令j1=j,将第j1个脆化时间段对应的养殖天数标记为质变阶段,并将所有转折点对应的d值按从小到大顺序排列分别记为第kj1个脆化转折点,kj1∈[1, Kj1],Kj1为第j1个脆化时间段中存在的转折点个数;若第j个脆化时间段中不存在转折点,则令j2 = j,第j2个脆化时间段对应的养殖天数标记为量变阶段,并计算在第j2个脆化时间段内所有d值对应的Trend(Feed(d), j)的算术平均值作为第j2个量变摄食量记作avFeed(j2),以及对应的SGR(d, j)的算术平均值作为第j2个生长系数阈值记作avSGR(j2);其中,j1是脆化时间段为质变阶段的序号,j2是脆化时间段为量变阶段的序号,j1∈[0,P1],j2∈[0,P2],P1为质变阶段个数,P2为量变阶段个数,Psum=P1+P2+1;
S405,遍历j值和d值的取值范围,分别计算各个试验养殖池的Trend(Feed(d), j)的二阶导数记作sdeFeed(d,j),以及计算FCR(d, j)的二阶导数记作sdeFCR(d, j);进一步判断P1×P2是否等于零,确定第一脆化点、第二脆化点和第三脆化点对应的养殖天数;其中,当P1×P2=0时,计算QC(d,j)=sdeFeed(d,j)×sdeFCR(d,j),若QC(d,j)>0时j值最小对应的d值记作第一脆化点,若QC(d,j)<0时j值最小对应的d值记作第二脆化点,取第一脆化点和第二脆化点之间的养殖天数内对应的sdeFCR(d, j)数值最小对应的d值记作第三脆化点;当P1×P2≠0时,遍历j1值的取值范围,计算各个试验养殖池中第j1个脆化时间段内所有d值对应的FCR(d, j)的算术平均值记作avFCR(j1),取avFCR(j1)值最小对应的第j1个脆化时间段的d值记作第一脆化点;遍历j2值的取值范围,计算第j2个脆化时间段内所有d值对应的sdeFCR(d, j)的算术平均值记作avsdeFCR(j2),取avsdeFCR(j2)值最大对应的第j2个脆化时间段的d值记作第二脆化点,取avsdeFCR(j2)值最小对应的第j2个脆化时间段的d值记作第三脆化点;
S406,将d=1至第一脆化点之间的养殖天数记作第一脆化阶段,第一脆化点至第二脆化点之间的养殖天数记作第二脆化阶段,第二脆化点至第三脆化点之间的养殖天数记作第三脆化阶段,第三脆化点至d=N之间的养殖天数记作第四脆化阶段;结合对应养殖天数的水体环境参数变化数据库的数据,分别计算第i个试验养殖池对应在第一脆化阶段、第二脆化阶段、第三脆化阶段和第四脆化阶段的脆化环境参数变化序列,分别记作EM1i (index, d)、EM2i (index, d)、EM3i (index, d)和EM4i (index, d),其计算公式分别为:
其中,WEd (index,t)表示为水体环境参数变化数据库中在养殖天数第d日对应t时刻的各个水体环境参数index的数值;ds1为第一脆化点,ds2为第二脆化点,ds3为第三脆化点,t1为初始时刻,t2为结束时刻,time为测定总次数,index表示为水体环境参数变量,index为Ca2, COD, DO, pH, Sali, Temp, Speed中任意一项。
2.根据权利要求1所述的一种大数据控制的鱼快速脆化环境控制方法,其特征在于,在S100中,若干个试验养殖池中均配备封闭式循环水养殖系统,内置人工增氧设备和养殖加热恒温系统;其中,所述人工增氧设备包括增氧机、氧气锥、无能耗纯氧溶氧器和超微气泡发生器;所述养殖加热恒温系统包括空气能热泵机组;对若干个试验养殖池分别按预设顺序进行编号,编号序号记作i,i∈[1,n],n为试验养殖池总数量;其中设一个试验养殖池为对照组,编号序号i=1,其余试验养殖池均为实验组,编号序号i∈[2,n]。
3.根据权利要求2所述的一种大数据控制的鱼快速脆化环境控制方法,其特征在于,在S500中,根据各个试验养殖池中的脆化环境参数变化序列智能调控人工增氧设备和养殖加热恒温系统达到最佳脆化环境的方法为:
S501,遍历i的取值范围,分别计算第i个试验养殖池对应在第一脆化阶段、第二脆化阶段、第三脆化阶段和第四脆化阶段的脆化环境参数变化序列的导数,对应记作diffEM1i(index, d)、diffEM2i (index, d)、diffEM3i (index, d)和diffEM4i (index, d);分别查找各个index对应的diffEM1i (index, d)、diffEM2i (index, d)、diffEM3i (index, d)和diffEM4i (index, d)中数值最大值对应的d值,分别记作MAXd1(index, i)、MAXd2(index,i)、MAXd3(index, i)和MAXd4(index, i),并取出对应脆化环境参数变化序列分别在MAXd1(index, i)、MAXd2(index, i)、MAXd3(index, i)和MAXd4(index, i)值上index的数值作为对应的快速脆化指标,分别记作Rapid1(index,i)、Rapid2(index,i)、Rapid3(index,i)和Rapid4(index,i);
S502,在i的取值范围内计算Rapid1(index,i)、Rapid2(index,i)、Rapid3(index,i)和Rapid4(index,i)的算术平均值,分别记作各个水体环境参数对应的快速脆化环境指标;
S503,实时监控各个试验养殖池中的各个水体环境参数,并智能调控内置的人工增氧设备和养殖加热恒温系统;具体为,当各个水体环境参数大于或等于对应的快速脆化环境指标时,智能调控人工增氧设备,具体为降低超微气泡发生器和增氧机的功率、关闭氧气锥和无能耗纯氧溶氧器,以及由处理器控制养殖加热恒温系统升高池内水体温度和pH值,直至达到快速脆化环境指标后保持工作;当各个水体环境参数小于对应的快速脆化环境指标时,智能调控人工增氧设备,具体为提高超微气泡发生器和增氧机的功率、打开氧气锥和无能耗纯氧溶氧器,以及由处理器控制养殖加热恒温系统降低池内水体温度和pH值,直至达到快速脆化环境指标后保持工作,达到最佳脆化环境。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210745329.5A CN114793963B (zh) | 2022-06-29 | 2022-06-29 | 一种大数据控制的鱼快速脆化环境控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210745329.5A CN114793963B (zh) | 2022-06-29 | 2022-06-29 | 一种大数据控制的鱼快速脆化环境控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114793963A CN114793963A (zh) | 2022-07-29 |
CN114793963B true CN114793963B (zh) | 2022-09-02 |
Family
ID=82523356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210745329.5A Active CN114793963B (zh) | 2022-06-29 | 2022-06-29 | 一种大数据控制的鱼快速脆化环境控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114793963B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116067964B (zh) * | 2023-03-06 | 2023-06-09 | 广东省农业科学院动物科学研究所 | 一种利用缩合单宁促进鱼肌肉脆化的方法及系统 |
CN116991132B (zh) * | 2023-09-27 | 2023-12-08 | 广东省农业科学院动物科学研究所 | 一种鱼肉脆化饲料质量控制方法及系统 |
CN117530208A (zh) * | 2023-11-09 | 2024-02-09 | 广东省农业科学院动物科学研究所 | 一种基于光伏制氢的抗鱼类饥饿胁迫养殖方法 |
CN117539307B (zh) * | 2024-01-09 | 2024-03-22 | 北京盛拓达生物技术有限公司 | 一种复合酶生产过程自动管理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102870730A (zh) * | 2012-10-24 | 2013-01-16 | 衡东县土尚生态农业发展有限公司 | 一种草鱼养殖池塘及使用该池塘养殖脆肉草鱼的方法 |
CN109212173A (zh) * | 2018-08-28 | 2019-01-15 | 中国水产科学研究院珠江水产研究所 | 一种基于活体检测的脆肉鲩脆度分级方法 |
CN109601441A (zh) * | 2019-02-15 | 2019-04-12 | 安徽瀚沣渔业科技发展有限公司 | 一种富硒脆肉鲩的养殖方法 |
CN111624037A (zh) * | 2020-06-12 | 2020-09-04 | 顾晓东 | 一种基于大数据的水产养殖业水体环境智能监测系统 |
CN113303271A (zh) * | 2021-06-21 | 2021-08-27 | 中山火炬职业技术学院 | 一种鱼类脆肉化养殖的智能控制装置 |
CN113466232A (zh) * | 2021-09-01 | 2021-10-01 | 广东省农业科学院动物科学研究所 | 一种基于计算机图像的脆化鱼肉快速检测方法及系统 |
CN113907219A (zh) * | 2021-10-28 | 2022-01-11 | 广东优配供应链管理有限公司 | 一种罗非鱼脆化饲料及脆化养殖方法 |
-
2022
- 2022-06-29 CN CN202210745329.5A patent/CN114793963B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102870730A (zh) * | 2012-10-24 | 2013-01-16 | 衡东县土尚生态农业发展有限公司 | 一种草鱼养殖池塘及使用该池塘养殖脆肉草鱼的方法 |
CN109212173A (zh) * | 2018-08-28 | 2019-01-15 | 中国水产科学研究院珠江水产研究所 | 一种基于活体检测的脆肉鲩脆度分级方法 |
CN109601441A (zh) * | 2019-02-15 | 2019-04-12 | 安徽瀚沣渔业科技发展有限公司 | 一种富硒脆肉鲩的养殖方法 |
CN111624037A (zh) * | 2020-06-12 | 2020-09-04 | 顾晓东 | 一种基于大数据的水产养殖业水体环境智能监测系统 |
CN113303271A (zh) * | 2021-06-21 | 2021-08-27 | 中山火炬职业技术学院 | 一种鱼类脆肉化养殖的智能控制装置 |
CN113466232A (zh) * | 2021-09-01 | 2021-10-01 | 广东省农业科学院动物科学研究所 | 一种基于计算机图像的脆化鱼肉快速检测方法及系统 |
CN113907219A (zh) * | 2021-10-28 | 2022-01-11 | 广东优配供应链管理有限公司 | 一种罗非鱼脆化饲料及脆化养殖方法 |
Non-Patent Citations (2)
Title |
---|
草鱼脆化前后肌肉营养成分及其红细胞中葡萄糖-6-磷酸脱氢酶含量的比较;邝雪梅等;《海南大学学报(自然科学版)》;20040925;第22卷(第3期);第258-261页 * |
食物与水环境因子对草鱼(Ctenopharyngodon idellus C.et V)脆化过程的影响;谭乾开等;《生态学报》;20060730;第26卷(第7期);第2409-2415页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114793963A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114793963B (zh) | 一种大数据控制的鱼快速脆化环境控制方法 | |
Kirby-Smith et al. | Suspension-feeding aquaculture systems: effects of phytoplankton concentration and temperature on growth of the bay scallop | |
Buckley | RNA-DNA ratio: an index of larval fish growth in the sea | |
Riisgard et al. | Rates of water processing, oxygen consumption and efficiency of particle retention in veligers and young post-metamorphic Mytilus edulis | |
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 | |
Halbach | Population dynamics of rotifers and its consequences for ecotoxicology | |
Moran et al. | Ontogenetic scaling of fish metabolism in the mouse-to-elephant mass magnitude range | |
Ross | Energetics of Euphausia pacifica. II. Complete carbon and nitrogen budgets at 8 and 12 C throughout the life span | |
Oozeki et al. | Environmental factors affecting larval growth of Pacific saury, Cololabis saira, in the northwestern Pacific Ocean | |
Thomas et al. | Apparent ammonia-nitrogen production rates of white sturgeon (Acipenser transmontanus) in commercial aquaculture systems | |
CN116228455B (zh) | 一种叶尔羌高原鳅流水养殖试验数据处理方法 | |
Gerking | Physiological changes accompanying ageing in fishes | |
Thomas et al. | Oxygen consumption rates of white sturgeon under commercial culture conditions | |
Gophen et al. | The trophic status of zooplankton communities in Lake Kinneret (Israel) | |
Baker et al. | Short-term effects of rapid salinity reduction on seed clams (Mercenaria mercenaria) | |
Leard et al. | Seasonal values of selected blood parameters of farm-raised channel catfish (Ictalurus punctatus) in the Mississippi Delta | |
CN111754088A (zh) | 一种基于滤波的食物消化规律建模方法 | |
Coz-Rakovac et al. | Classification modeling of physiological stages in captive Balkan whip snakes using blood biochemistry parameters | |
Zhuang et al. | The influence of fresh weight and water temperature on metabolic rates and the energy budget of Meretrix meretrix Linnaeus | |
Chen et al. | Fish Prey, Food Habits, and Interspecific Relationships | |
Hatcher | The use of metabolic ratios for determining the catabolic substrates of a solitary ascidian | |
Winder et al. | Carbon as an indicator of Daphnia condition in an alpine lake | |
Nortvedt et al. | Multivariate evaluation of feed for Atlantic halibut | |
Wang et al. | Application of GA and SVM to estimate ammonia nitrogen in aquaculture | |
Sudakova et al. | A Comparative Assessment of Hematological Indicators of Paddlefish (Polyodon Spathula Walbaum, 1792) when Obtaining Mature Oocytes for Food and Fish-Breeding Purposes |
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 |