CN115486391A - 一种珍珠龙胆石斑鱼精准投喂养殖方法 - Google Patents
一种珍珠龙胆石斑鱼精准投喂养殖方法 Download PDFInfo
- Publication number
- CN115486391A CN115486391A CN202211110614.6A CN202211110614A CN115486391A CN 115486391 A CN115486391 A CN 115486391A CN 202211110614 A CN202211110614 A CN 202211110614A CN 115486391 A CN115486391 A CN 115486391A
- Authority
- CN
- China
- Prior art keywords
- fish school
- processed
- grouper
- image
- gathering
- 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.)
- Granted
Links
- 241001417495 Serranidae Species 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012258 culturing Methods 0.000 title claims abstract description 7
- 241001071795 Gentiana Species 0.000 title claims description 58
- 241000251468 Actinopterygii Species 0.000 claims abstract description 244
- 239000002344 surface layer Substances 0.000 claims abstract description 68
- 241001217936 Epinephelus lanceolatus Species 0.000 claims abstract description 59
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 230000002776 aggregation Effects 0.000 claims abstract description 37
- 238000004220 aggregation Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 26
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 25
- 239000001301 oxygen Substances 0.000 claims abstract description 25
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 25
- 238000009395 breeding Methods 0.000 claims abstract description 22
- 230000001488 breeding effect Effects 0.000 claims abstract description 20
- 235000019688 fish Nutrition 0.000 claims description 241
- 239000010410 layer Substances 0.000 claims description 63
- 235000005956 Cosmos caudatus Nutrition 0.000 claims description 18
- 244000293323 Cosmos caudatus Species 0.000 claims description 18
- 241000357439 Epinephelus Species 0.000 claims description 17
- 239000000411 inducer Substances 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 9
- 241000269821 Scombridae Species 0.000 claims description 7
- 235000020640 mackerel Nutrition 0.000 claims description 7
- 235000013305 food Nutrition 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 241000357444 Epinephelus coioides Species 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 3
- 235000003642 hunger Nutrition 0.000 abstract 1
- 238000005266 casting Methods 0.000 description 13
- 241000157862 Dicamptodontidae Species 0.000 description 6
- 238000009360 aquaculture Methods 0.000 description 5
- 244000144974 aquaculture Species 0.000 description 5
- 230000004931 aggregating effect Effects 0.000 description 4
- 241000656145 Thyrsites atun Species 0.000 description 3
- 238000012840 feeding operation Methods 0.000 description 3
- 230000037406 food intake Effects 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 238000012136 culture method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- CVTZKFWZDBJAHE-UHFFFAOYSA-N [N].N Chemical class [N].N CVTZKFWZDBJAHE-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000002699 waste material Substances 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
- A01K61/10—Culture of aquatic animals of fish
-
- 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
- A01K61/80—Feeding devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- 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)
- Engineering & Computer Science (AREA)
- Environmental Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Zoology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种珍珠龙胆石斑鱼精准投喂养殖方法。步骤包括:将扩展鱼群聚集图像集输入石斑鱼数量与位置识别模型;将待处理鱼群聚集图像输入处理,获得鱼群聚集位置区域信息和表层数量;将珍珠龙胆石斑鱼的表层数量、溶解氧数据和温度数据以及预设养殖尾数作为模糊神经网络模型的输入,将实际数量作为输出训练;将检测数据集输入,输出实际数量;获得鱼群聚集位置和饵料的总投喂质量,将饵料投入鱼群聚集位置处,实现珍珠龙胆石斑鱼的精准投喂养殖。本发明方法提出了基于待进食珍珠龙胆石斑鱼数量和理想投喂量的控制流程,解决了饥饿石斑鱼数量无法感知的问题,从而精确得出单次最佳投喂量,实现养殖过程中的精准投喂,可以节约饵料用量,同时防止养殖水质下降。
Description
技术领域
本发明涉及了一种精准投喂养殖方法,具体涉及一种珍珠龙胆石斑鱼精准投喂养殖方法。
背景技术
目前在珍珠龙胆石斑鱼的工厂化养殖投饵作业中,大多还是由人工作业完成,饵料的投喂量依靠养殖人员视觉范围内的表层石斑鱼数量以及长期以来的个人养殖经验来确定的,但是在实际养殖过程中,珍珠龙胆石斑鱼在高位池中的分布是分层的,所以根据视觉范围内的表层石斑鱼数量进行投喂易出现多投喂和少投喂的情况,投喂量过少,不但会违背水产养殖规律,还容易严重降珍珠龙胆石斑鱼品质;投喂量过多,不仅会导致饵料浪费,最后导致水体水质下降。除了人工投饵作业,还有固定式投饵机定点定时投喂的方式,饵料的投喂也是根据养殖人员的主观判断。虽然在一定程度上减轻了养殖人员的劳动强度,但是仍然存在着投喂量不准确问题。除此之外,固定式投饵机在投喂作业时无法准确捕捉到鱼群的聚集区域,导致只能对固定区域进行投饵,从而导致大量饵料无法被石斑鱼捕食进而导致饵料大量浪费。
发明内容
为了解决背景技术中存在的问题,本发明所提供一种珍珠龙胆石斑鱼精准投喂方法。通过图像处理实时检测每个养殖池的鱼群的个数,结合石斑鱼摄食节律,精准控制投喂量进行投喂养殖作业。
本发明采用的技术方案是:
本发明的精准投喂养殖方法包括如下步骤:
1)在养殖有预设养殖尾数的驯化后的珍珠龙胆石斑鱼的高位池中心正上方的固定高度处安装摄像机和声诱器,摄像机向下朝向高位池,在高位池中设置溶解氧传感器和温度传感器;通过声诱器在不同的时间点发出声音使得高位池中的若干珍珠龙胆石斑鱼多次聚集,通过摄像机拍摄珍珠龙胆石斑鱼的若干张鱼群聚集图像,将各张鱼群聚集图像进行中值滤波处理后建立鱼群聚集图像集;具体可将摄像机安装在高位池中心正上方的4米处。
2)将鱼群聚集图像集使用数据标注和图像数据扩增技术处理后获得增强鱼群聚集图像集,将增强鱼群聚集图像集加入鱼群聚集图像集共同建立扩展鱼群聚集图像集,扩展鱼群聚集图像集中包括若干张扩展鱼群聚集图像。
3)建立石斑鱼数量与位置识别模型,将扩展鱼群聚集图像集作为训练集输入石斑鱼数量与位置识别模型中进行训练,获取训练完成的石斑鱼数量与位置识别模型。具体为将鱼群聚集图像集按照约4:1的比例随机划分训练集和验证集,再依次输入石斑鱼数量与位置识别模型中进行训练和验证。
4)通过声诱器在不同的时间点发出声音使得高位池中的若干珍珠龙胆石斑鱼多次聚集,通过摄像机拍摄高位池中若干张表层的珍珠龙胆石斑鱼的待处理鱼群聚集图像,针对每张待处理鱼群聚集图像,将待处理鱼群聚集图像输入训练完成的石斑鱼数量与位置识别模型中处理,处理后输出待处理鱼群聚集定位特征图和待处理鱼群聚集密度特征图,通过待处理鱼群聚集定位特征图获得待处理鱼群聚集图像中的表层的鱼群聚集位置区域信息,根据待处理鱼群聚集密度特征图使用回归计数法获得待处理鱼群聚集图像中的表层的珍珠龙胆石斑鱼的预测数量。
5)针对步骤4)中的每张珍珠龙胆石斑鱼的待处理鱼群聚集图像,通过溶解氧传感器和温度传感器分别实时获取待处理鱼群聚集图像拍摄时刻的高位池中的溶解氧数据和温度数据,将步骤4)中的待处理鱼群聚集图像中表层的珍珠龙胆石斑鱼的预测数量、高位池中的溶解氧数据和温度数据以及高位池中养殖的珍珠龙胆石斑鱼的预设养殖尾数共同构建待处理数据集;每张珍珠龙胆石斑鱼的待处理鱼群聚集图像均构建一个待处理数据集。
6)针对每张珍珠龙胆石斑鱼的待处理鱼群聚集图像及其待处理数据集,将待处理数据集输入模糊神经网络模型中,将待处理鱼群聚集图像中聚集的表层和表层以下的珍珠龙胆石斑鱼的实际数量作为模糊神经网络模型的输出,对模糊神经网络模型进行训练,获得训练完成的模糊神经网络模型;表层和表层以下的珍珠龙胆石斑鱼的实际数量具体通过将聚集的石斑鱼打捞后实际计数获得。
7)在高位池中的珍珠龙胆石斑鱼进食前,通过声诱器发出声音使得高位池中的若干珍珠龙胆石斑鱼聚集,通过摄像机拍摄高位池中的珍珠龙胆石斑鱼的检测鱼群聚集图像,对检测鱼群聚集图像进行步骤4)和5)中处理每张待处理鱼群聚集图像的相同的操作,获得检测鱼群聚集图像中的鱼群聚集位置区域信息和表层的珍珠龙胆石斑鱼的预测数量,通过溶解氧传感器和温度传感器分别实时获取检测鱼群聚集图像拍摄时刻的高位池中的溶解氧数据和温度数据,将检测鱼群聚集图像中的表层的珍珠龙胆石斑鱼的预测数量、检测鱼群聚集图像拍摄时刻的高位池中的溶解氧数据和温度数据以及高位池中养殖的珍珠龙胆石斑鱼的预设养殖尾数输入训练完成的模糊神经网络模型中,训练完成的模糊神经网络模型输出检测鱼群聚集图像中聚集的表层和表层以下的珍珠龙胆石斑鱼的实际数量。
8)根据步骤7)中的检测鱼群聚集图像中的鱼群聚集位置区域信息获得鱼群聚集位置,根据步骤7)中的检测鱼群聚集图像中聚集的表层和表层以下的珍珠龙胆石斑鱼的实际数量结合单个珍珠龙胆石斑鱼的饵料的预设单次投喂质量,计算获得检测鱼群聚集图像中的珍珠龙胆石斑鱼的饵料的实际总投喂质量,将质量为实际总投喂质量的饵料投入鱼群聚集位置处,实现珍珠龙胆石斑鱼的精准投喂养殖。
将摄像机所在位置定义为摄像机坐标系的原点,将投饵执行部分定义为投饵坐标系原点,则步骤7)中得到的鱼群聚集位置区域信息相对于摄像机坐标系原点的位置是确定的,通过坐标平移变换就可以确定投饵执行部分与鱼群聚集位置区域的位置差。
所述的步骤2)中,数据标注处理具体为在鱼群聚集图像集中的每张鱼群聚集图像中标记每条珍珠龙胆石斑鱼的中心点位置坐标。同时可获得鱼群聚集图像中的表层的珍珠龙胆石斑鱼的的数量。
所述的步骤3)中,建立的石斑鱼数量与位置识别模型包括特征提取主干网络Resnet50、定位分支和计数分支,石斑鱼数量与位置识别模型的输入首先输入到特征提取主干网络Resnet50中处理,特征提取主干网络Resnet50处理的输出再分别输入至定位分支和计数分支中处理。
定位分支包括依次连接的三个反卷积层和两个卷积层,计数分支包括依次连接的五个卷积层,定位分支的输入依次经过自身的三个反卷积层和两个卷积层处理后输出定位特征图,计数分支分别通过自身的前四个卷积层处理后和定位分支的第一个卷积层的输出进行合并,合并结果再输入至计数分支的第五个卷积层中处理,处理后输出密度特征图。
所述的步骤3)中,将扩展鱼群聚集图像集作为训练集输入石斑鱼数量与位置识别模型中进行训练,针对扩展鱼群聚集图像集中的每张扩展鱼群聚集图像,石斑鱼数量与位置识别模型处理后输出扩展鱼群聚集定位特征图和扩展鱼群聚集密度特征图;扩展鱼群聚集定位特征图中包括扩展鱼群聚集图像中的表层的每个珍珠龙胆石斑鱼的预测中心点位置;扩展鱼群聚集密度特征图使用回归计数法获得每张扩展鱼群聚集图像中的表层的珍珠龙胆石斑鱼的预测数量;石斑鱼数量与位置识别模型同时输出扩展鱼群聚集图像中的表层的每个珍珠龙胆石斑鱼的预测中心点位置的预测正确率和预测数量的预测正确率。
直至当次迭代计算获得的一张扩展鱼群聚集图像经石斑鱼数量与位置识别模型处理后输出的各个预测中心点位置的预测正确率以及当次计算及之前输入的各张扩展鱼群聚集图像中的表层的珍珠龙胆石斑鱼的预测数量的预测正确率达到90%及以上完成训练,获得训练完成的石斑鱼数量与位置识别模型。
所述的每张扩展鱼群聚集图像及其扩展鱼群聚集定位特征图,扩展鱼群聚集定位特征图中的每个像素点(x1,y1)的像素值H(x1,y1)以及扩展鱼群聚集密度特征图中的像素值总和D(x2,y2)具体如下:
其中,xi和yi分别为扩展鱼群聚集图像中标记的表层的第i条珍珠龙胆石斑鱼的中心点位置坐标的横坐标和纵坐标;σ为高斯核标准差,M为扩展鱼群聚集图像中标记的表层的珍珠龙胆石斑鱼的实际数量;δ(x2-xi,y2-yi)为扩展鱼群聚集密度特征图中每个像素点(x2,y2)的像素值;Gσ(x2,y2)为扩展鱼群聚集密度特征图中的像素点(x2,y2)的高斯内核。
所述的步骤4)中,通过待处理鱼群聚集定位特征图获得待处理鱼群聚集图像中的鱼群聚集位置区域信息,具体为通过待处理鱼群聚集定位特征图获得待处理鱼群聚集图像中的表层的每个珍珠龙胆石斑鱼的中心点位置信息,根据待处理鱼群聚集图像中的每个珍珠龙胆石斑鱼的中心点位置信息获得各个珍珠龙胆石斑鱼所在的区域的中心点位置作为鱼群聚集位置。
所述的步骤6)中,模糊神经网络模型包括后件网络和前件网络;后件网络包括依次连接的第一输入层、中间层和输出层,前件网络包括依次连接的第二输入层、模糊化层、规则层和去模糊化层,模糊神经网络模型的四个输入依次输入后件网络中处理后,经中间层处理后输出各自的输出结果,模糊神经网络模型的第三和第四个输入经中间层处理后的输出结果分别作为第三输出结果和第四输出结果;模糊神经网络模型的第三和第四个输入依次输入前件网络中处理,处理后的输出结果作为第三输出结果和第四输出结果输入至后件网络的输出层的连接权值;最终输入至输出层中的值进行求和处理后输出作为模糊神经网络模型的输出。
所述的步骤7)中,将每个检测数据集中的检测鱼群聚集图像中的表层的珍珠龙胆石斑鱼的预测数量、高位池中养殖的珍珠龙胆石斑鱼的预设养殖尾数、拍摄时刻的高位池中的溶解氧数据和温度数据依次作为模糊神经网络模型的后件网络的第一输入层的第一至第四输入进行处理。
在珍珠龙胆石斑鱼的驯化过程中,首先在鱼苗期在每次投喂前通过声诱器发出特定声音,发出特定声音后对珍珠龙胆石斑鱼进行投喂,在后续投喂中不断重复声音诱导进食训练,直至珍珠龙胆石斑鱼能够在声诱器发出声音后自动聚集觅食,从而达到对珍珠龙胆石斑鱼的鱼群声音聚集驯化投喂的控制。
所述的步骤6)中,在模糊神经网络模型训练时,具体采用采用梯度下降法进行训练。设置学习率为0.005,采用梯度下降法训练,直至训练平方和下降至 0.5停止训练。
所述的步骤8)中,根据步骤7)中的检测鱼群聚集图像中的表层和表层以下的珍珠龙胆石斑鱼的实际数量以及单个珍珠龙胆石斑鱼的饵料的预设单次投喂质量,计算获得检测鱼群聚集图像中的珍珠龙胆石斑鱼的饵料的实际总投喂质量,实际总投喂质量等于检测鱼群聚集图像中的表层和表层以下的珍珠龙胆石斑鱼的实际数量和单个珍珠龙胆石斑鱼的饵料的预设单次投喂质量的乘积。
单个珍珠龙胆石斑鱼的饵料的预设单次投喂质量具体为根据前期实验,结合珍珠龙胆石斑鱼与生长周期相关的摄食节律来确定的。聚集的鱼群均为饥饿的石斑鱼,故聚集的石斑鱼的数量不一定等于高位池中的石斑鱼的养殖尾数。
本发明的有益效果是:
相较于人工投喂或者固定式投饵机定时定点投喂的方法,本发明通过精确量化影响珍珠龙胆石斑鱼投喂量的重要因素,创新性的提出了基于待进食珍珠龙胆石斑鱼数量以及与生长周期相关的珍珠龙胆石斑鱼理想投喂量的控制流程,精确得出每个高位池中单次最佳投喂量,以此实现养殖过程中的精准投喂,可以节约饵料用量,同时可以防止由于饵料投入过多使得饵料不被鱼觅食而沉入水底,进而分解为氨氮化合物导致养殖水质下降的问题。
附图说明
图1为本发明整体流程图;
图2为本发明装置位置示意图;
图3为本发明石斑鱼数量与位置识别模型示意图;
图4为本发明模糊神经网络模型示意图。
图5为本发明养殖现场实验结果图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
如图1所示,本发明精准投喂养殖方法包括如下步骤:
1)在养殖有预设养殖尾数的驯化后的珍珠龙胆石斑鱼的高位池中心正上方的固定高度处安装摄像机和声诱器,摄像机向下朝向高位池,在高位池中设置溶解氧传感器和温度传感器,如图2所示;通过声诱器在不同的时间点发出声音使得高位池中的若干珍珠龙胆石斑鱼多次聚集,通过摄像机拍摄珍珠龙胆石斑鱼的若干张鱼群聚集图像,将各张鱼群聚集图像进行中值滤波处理后建立鱼群聚集图像集;具体可将摄像机安装在高位池中心正上方的4米处。
2)将鱼群聚集图像集使用数据标注和图像数据扩增技术处理后获得增强鱼群聚集图像集,将增强鱼群聚集图像集加入鱼群聚集图像集共同建立扩展鱼群聚集图像集,扩展鱼群聚集图像集中包括若干张扩展鱼群聚集图像。
步骤2)中,数据标注处理具体为在鱼群聚集图像集中的每张鱼群聚集图像中标记每条珍珠龙胆石斑鱼的中心点位置坐标。同时可获得鱼群聚集图像中的表层的珍珠龙胆石斑鱼的的数量。
3)建立石斑鱼数量与位置识别模型,将扩展鱼群聚集图像集作为训练集输入石斑鱼数量与位置识别模型中进行训练,获取训练完成的石斑鱼数量与位置识别模型。具体为将鱼群聚集图像集按照约4:1的比例随机划分训练集和验证集,再依次输入石斑鱼数量与位置识别模型中进行训练和验证。
如图3所示,步骤3)中,建立的石斑鱼数量与位置识别模型包括特征提取主干网络Resnet50、定位分支和计数分支,石斑鱼数量与位置识别模型的输入首先输入到特征提取主干网络Resnet50中处理,特征提取主干网络Resnet50处理的输出再分别输入至定位分支和计数分支中处理。
定位分支包括依次连接的三个反卷积层和两个卷积层,计数分支包括依次连接的五个卷积层,定位分支的输入依次经过自身的三个反卷积层和两个卷积层处理后输出定位特征图,计数分支分别通过自身的前四个卷积层处理后和定位分支的第一个卷积层的输出进行合并,合并结果再输入至计数分支的第五个卷积层中处理,处理后输出密度特征图。
步骤3)中,将扩展鱼群聚集图像集作为训练集输入石斑鱼数量与位置识别模型中进行训练,针对扩展鱼群聚集图像集中的每张扩展鱼群聚集图像,石斑鱼数量与位置识别模型处理后输出扩展鱼群聚集定位特征图和扩展鱼群聚集密度特征图;扩展鱼群聚集定位特征图中包括扩展鱼群聚集图像中的表层的每个珍珠龙胆石斑鱼的预测中心点位置;扩展鱼群聚集密度特征图使用回归计数法获得每张扩展鱼群聚集图像中的表层的珍珠龙胆石斑鱼的预测数量;石斑鱼数量与位置识别模型同时输出扩展鱼群聚集图像中的表层的每个珍珠龙胆石斑鱼的预测中心点位置的预测正确率和预测数量的预测正确率。
直至当次迭代计算获得的一张扩展鱼群聚集图像经石斑鱼数量与位置识别模型处理后输出的各个预测中心点位置的预测正确率以及当次计算及之前输入的各张扩展鱼群聚集图像中的表层的珍珠龙胆石斑鱼的预测数量的预测正确率达到90%及以上完成训练,获得训练完成的石斑鱼数量与位置识别模型。在实际的训练过程中,设置训练选取批大小为16,学习率为0.0001,迭代次数为100。
每张扩展鱼群聚集图像及其扩展鱼群聚集定位特征图,扩展鱼群聚集定位特征图中的每个像素点(x1,y1)的像素值H(x1,y1)以及扩展鱼群聚集密度特征图中的像素值总和D(x2,y2)具体如下:
其中,xi和yi分别为扩展鱼群聚集图像中标记的表层的第i条珍珠龙胆石斑鱼的中心点位置坐标的横坐标和纵坐标;σ为高斯核标准差,M为扩展鱼群聚集图像中标记的表层的珍珠龙胆石斑鱼的实际数量;δ(x2-xi,y2-yi)为扩展鱼群聚集密度特征图中每个像素点(x2,y2)的像素值;Gσ(x2,y2)为扩展鱼群聚集密度特征图中的像素点(x2,y2)的高斯内核。
4)通过声诱器在不同的时间点发出声音使得高位池中的若干珍珠龙胆石斑鱼多次聚集,通过摄像机拍摄高位池中若干张表层的珍珠龙胆石斑鱼的待处理鱼群聚集图像,针对每张待处理鱼群聚集图像,将待处理鱼群聚集图像输入训练完成的石斑鱼数量与位置识别模型中处理,处理后输出待处理鱼群聚集定位特征图和待处理鱼群聚集密度特征图,通过待处理鱼群聚集定位特征图获得待处理鱼群聚集图像中的表层的鱼群聚集位置区域信息,根据待处理鱼群聚集密度特征图使用回归计数法获得待处理鱼群聚集图像中的表层的珍珠龙胆石斑鱼的预测数量。
步骤4)中,通过待处理鱼群聚集定位特征图获得待处理鱼群聚集图像中的鱼群聚集位置区域信息,具体为通过待处理鱼群聚集定位特征图获得待处理鱼群聚集图像中的表层的每个珍珠龙胆石斑鱼的中心点位置信息,根据待处理鱼群聚集图像中的每个珍珠龙胆石斑鱼的中心点位置信息获得各个珍珠龙胆石斑鱼所在的区域的中心点位置作为鱼群聚集位置。
5)针对步骤4)中的每张珍珠龙胆石斑鱼的待处理鱼群聚集图像,通过溶解氧传感器和温度传感器分别实时获取待处理鱼群聚集图像拍摄时刻的高位池中的溶解氧数据和温度数据,将步骤4)中的待处理鱼群聚集图像中表层的珍珠龙胆石斑鱼的预测数量、高位池中的溶解氧数据和温度数据以及高位池中养殖的珍珠龙胆石斑鱼的预设养殖尾数共同构建待处理数据集;每张珍珠龙胆石斑鱼的待处理鱼群聚集图像均构建一个待处理数据集。
6)针对每张珍珠龙胆石斑鱼的待处理鱼群聚集图像及其待处理数据集,将待处理数据集输入模糊神经网络模型中,将待处理鱼群聚集图像中聚集的表层和表层以下的珍珠龙胆石斑鱼的实际数量作为模糊神经网络模型的输出,对模糊神经网络模型进行训练,获得训练完成的模糊神经网络模型;表层和表层以下的珍珠龙胆石斑鱼的实际数量具体通过将聚集的石斑鱼打捞后实际计数获得。
如图4所示,步骤6)中,模糊神经网络模型包括后件网络和前件网络;后件网络包括依次连接的第一输入层、中间层和输出层,前件网络包括依次连接的第二输入层、模糊化层、规则层和去模糊化层,模糊神经网络模型的四个输入依次输入后件网络中处理后,经中间层处理后输出各自的输出结果,模糊神经网络模型的第三和第四个输入经中间层处理后的输出结果分别作为第三输出结果和第四输出结果;模糊神经网络模型的第三和第四个输入依次输入前件网络中处理,处理后的输出结果作为第三输出结果和第四输出结果输入至后件网络的输出层的连接权值;最终输入至输出层中的值进行求和处理后输出作为模糊神经网络模型的输出。
步骤6)中,在模糊神经网络模型训练时,具体采用采用梯度下降法进行训练。设置学习率为0.005,采用梯度下降法训练,直至训练平方和下降至0.5停止训练。
7)在高位池中的珍珠龙胆石斑鱼进食前,通过声诱器发出声音使得高位池中的若干珍珠龙胆石斑鱼聚集,通过摄像机拍摄高位池中的珍珠龙胆石斑鱼的检测鱼群聚集图像,对检测鱼群聚集图像进行步骤4)和5)中处理每张待处理鱼群聚集图像的相同的操作,获得检测鱼群聚集图像中的鱼群聚集位置区域信息和表层的珍珠龙胆石斑鱼的预测数量,通过溶解氧传感器和温度传感器分别实时获取检测鱼群聚集图像拍摄时刻的高位池中的溶解氧数据和温度数据,将检测鱼群聚集图像中的表层的珍珠龙胆石斑鱼的预测数量、检测鱼群聚集图像拍摄时刻的高位池中的溶解氧数据和温度数据以及高位池中养殖的珍珠龙胆石斑鱼的预设养殖尾数输入训练完成的模糊神经网络模型中,训练完成的模糊神经网络模型输出检测鱼群聚集图像中聚集的表层和表层以下的珍珠龙胆石斑鱼的实际数量。
步骤7)中,将每个检测数据集中的检测鱼群聚集图像中的表层的珍珠龙胆石斑鱼的预测数量、高位池中养殖的珍珠龙胆石斑鱼的预设养殖尾数、拍摄时刻的高位池中的溶解氧数据和温度数据依次作为模糊神经网络模型的后件网络的第一输入层的第一至第四输入进行处理。
在珍珠龙胆石斑鱼的驯化过程中,首先在鱼苗期在每次投喂前通过声诱器发出特定声音,发出特定声音后对珍珠龙胆石斑鱼进行投喂,在后续投喂中不断重复声音诱导进食训练,直至珍珠龙胆石斑鱼能够在声诱器发出声音后自动聚集觅食,从而达到对珍珠龙胆石斑鱼的鱼群声音聚集驯化投喂的控制。
8)根据步骤7)中的检测鱼群聚集图像中的鱼群聚集位置区域信息获得鱼群聚集位置,根据步骤7)中的检测鱼群聚集图像中聚集的表层和表层以下的珍珠龙胆石斑鱼的实际数量结合单个珍珠龙胆石斑鱼的饵料的预设单次投喂质量,计算获得检测鱼群聚集图像中的珍珠龙胆石斑鱼的饵料的实际总投喂质量,将质量为实际总投喂质量的饵料投入鱼群聚集位置处,实现珍珠龙胆石斑鱼的精准投喂养殖。
将摄像机所在位置定义为摄像机坐标系的原点,将投饵执行部分定义为投饵坐标系原点,则步骤7)中得到的鱼群聚集位置区域信息相对于摄像机坐标系原点的位置是确定的,通过坐标平移变换就可以确定投饵执行部分与鱼群聚集位置区域的位置差。
步骤8)中,根据步骤7)中的检测鱼群聚集图像中的表层和表层以下的珍珠龙胆石斑鱼的实际数量以及单个珍珠龙胆石斑鱼的饵料的预设单次投喂质量,计算获得检测鱼群聚集图像中的珍珠龙胆石斑鱼的饵料的实际总投喂质量,实际总投喂质量等于检测鱼群聚集图像中的表层和表层以下的珍珠龙胆石斑鱼的实际数量和单个珍珠龙胆石斑鱼的饵料的预设单次投喂质量的乘积。
单个珍珠龙胆石斑鱼的饵料的预设单次投喂质量具体为根据前期实验,结合珍珠龙胆石斑鱼与生长周期相关的摄食节律来确定的。聚集的鱼群均为饥饿的石斑鱼,故聚集的石斑鱼的数量不一定等于高位池中的石斑鱼的养殖尾数。
在养殖现场实验结果如图5所示,可见本发明提出的方法能可靠出预测出饥饿石斑鱼的总数。
Claims (10)
1.一种珍珠龙胆石斑鱼精准投喂养殖方法,其特征在于:包括如下步骤:
1)在养殖有预设养殖尾数的驯化后的珍珠龙胆石斑鱼的高位池中心正上方的固定高度处安装摄像机和声诱器,摄像机向下朝向高位池,在高位池中设置溶解氧传感器和温度传感器;通过声诱器在不同的时间点发出声音使得高位池中的若干珍珠龙胆石斑鱼多次聚集,通过摄像机拍摄珍珠龙胆石斑鱼的若干张鱼群聚集图像,将各张鱼群聚集图像进行中值滤波处理后建立鱼群聚集图像集;
2)将鱼群聚集图像集使用数据标注和图像数据扩增技术处理后获得增强鱼群聚集图像集,将增强鱼群聚集图像集加入鱼群聚集图像集共同建立扩展鱼群聚集图像集,扩展鱼群聚集图像集中包括若干张扩展鱼群聚集图像;
3)建立石斑鱼数量与位置识别模型,将扩展鱼群聚集图像集作为训练集输入石斑鱼数量与位置识别模型中进行训练,获取训练完成的石斑鱼数量与位置识别模型;
4)通过声诱器在不同的时间点发出声音使得高位池中的若干珍珠龙胆石斑鱼多次聚集,通过摄像机拍摄高位池中若干张表层的珍珠龙胆石斑鱼的待处理鱼群聚集图像,针对每张待处理鱼群聚集图像,将待处理鱼群聚集图像输入训练完成的石斑鱼数量与位置识别模型中处理,处理后输出待处理鱼群聚集定位特征图和待处理鱼群聚集密度特征图,通过待处理鱼群聚集定位特征图获得待处理鱼群聚集图像中的表层的鱼群聚集位置区域信息,根据待处理鱼群聚集密度特征图使用回归计数法获得待处理鱼群聚集图像中的表层的珍珠龙胆石斑鱼的预测数量;
5)针对步骤4)中的每张珍珠龙胆石斑鱼的待处理鱼群聚集图像,通过溶解氧传感器和温度传感器分别实时获取待处理鱼群聚集图像拍摄时刻的高位池中的溶解氧数据和温度数据,将步骤4)中的待处理鱼群聚集图像中表层的珍珠龙胆石斑鱼的预测数量、高位池中的溶解氧数据和温度数据以及高位池中养殖的珍珠龙胆石斑鱼的预设养殖尾数共同构建待处理数据集;每张珍珠龙胆石斑鱼的待处理鱼群聚集图像均构建一个待处理数据集;
6)针对每张珍珠龙胆石斑鱼的待处理鱼群聚集图像及其待处理数据集,将待处理数据集输入模糊神经网络模型中,将待处理鱼群聚集图像中聚集的表层和表层以下的珍珠龙胆石斑鱼的实际数量作为模糊神经网络模型的输出,对模糊神经网络模型进行训练,获得训练完成的模糊神经网络模型;
7)在高位池中的珍珠龙胆石斑鱼进食前,通过声诱器发出声音使得高位池中的若干珍珠龙胆石斑鱼聚集,通过摄像机拍摄高位池中的珍珠龙胆石斑鱼的检测鱼群聚集图像,对检测鱼群聚集图像进行步骤4)和5)中处理每张待处理鱼群聚集图像的相同的操作,获得检测鱼群聚集图像中的鱼群聚集位置区域信息和表层的珍珠龙胆石斑鱼的预测数量,通过溶解氧传感器和温度传感器分别实时获取检测鱼群聚集图像拍摄时刻的高位池中的溶解氧数据和温度数据,将检测鱼群聚集图像中的表层的珍珠龙胆石斑鱼的预测数量、检测鱼群聚集图像拍摄时刻的高位池中的溶解氧数据和温度数据以及高位池中养殖的珍珠龙胆石斑鱼的预设养殖尾数输入训练完成的模糊神经网络模型中,训练完成的模糊神经网络模型输出检测鱼群聚集图像中聚集的表层和表层以下的珍珠龙胆石斑鱼的实际数量;
8)根据步骤7)中的检测鱼群聚集图像中的鱼群聚集位置区域信息获得鱼群聚集位置,根据步骤7)中的检测鱼群聚集图像中聚集的表层和表层以下的珍珠龙胆石斑鱼的实际数量结合单个珍珠龙胆石斑鱼的饵料的预设单次投喂质量,计算获得检测鱼群聚集图像中的珍珠龙胆石斑鱼的饵料的实际总投喂质量,将质量为实际总投喂质量的饵料投入鱼群聚集位置处,实现珍珠龙胆石斑鱼的精准投喂养殖。
2.根据权利要求1所述的一种珍珠龙胆石斑鱼精准投喂养殖方法,其特征在于:所述的步骤2)中,数据标注处理具体为在鱼群聚集图像集中的每张鱼群聚集图像中标记每条珍珠龙胆石斑鱼的中心点位置坐标。
3.根据权利要求1所述的一种珍珠龙胆石斑鱼精准投喂养殖方法,其特征在于:所述的步骤3)中,建立的石斑鱼数量与位置识别模型包括特征提取主干网络Resnet50、定位分支和计数分支,石斑鱼数量与位置识别模型的输入首先输入到特征提取主干网络Resnet50中处理,特征提取主干网络Resnet50处理的输出再分别输入至定位分支和计数分支中处理;
定位分支包括依次连接的三个反卷积层和两个卷积层,计数分支包括依次连接的五个卷积层,定位分支的输入依次经过自身的三个反卷积层和两个卷积层处理后输出定位特征图,计数分支分别通过自身的前四个卷积层处理后和定位分支的第一个卷积层的输出进行合并,合并结果再输入至计数分支的第五个卷积层中处理,处理后输出密度特征图。
4.根据权利要求2所述的一种珍珠龙胆石斑鱼精准投喂养殖方法,其特征在于:所述的步骤3)中,将扩展鱼群聚集图像集作为训练集输入石斑鱼数量与位置识别模型中进行训练,针对扩展鱼群聚集图像集中的每张扩展鱼群聚集图像,石斑鱼数量与位置识别模型处理后输出扩展鱼群聚集定位特征图和扩展鱼群聚集密度特征图;扩展鱼群聚集定位特征图中包括扩展鱼群聚集图像中的表层的每个珍珠龙胆石斑鱼的预测中心点位置;扩展鱼群聚集密度特征图使用回归计数法获得每张扩展鱼群聚集图像中的表层的珍珠龙胆石斑鱼的预测数量;石斑鱼数量与位置识别模型同时输出扩展鱼群聚集图像中的表层的每个珍珠龙胆石斑鱼的预测中心点位置的预测正确率和预测数量的预测正确率;
直至当次迭代计算获得的一张扩展鱼群聚集图像经石斑鱼数量与位置识别模型处理后输出的各个预测中心点位置的预测正确率以及当次计算及之前输入的各张扩展鱼群聚集图像中的表层的珍珠龙胆石斑鱼的预测数量的预测正确率达到90%及以上完成训练,获得训练完成的石斑鱼数量与位置识别模型。
5.根据权利要求4所述的一种珍珠龙胆石斑鱼精准投喂养殖方法,其特征在于:所述的每张扩展鱼群聚集图像及其扩展鱼群聚集定位特征图,扩展鱼群聚集定位特征图中的每个像素点(x1,y1)的像素值H(x1,y1)以及扩展鱼群聚集密度特征图中的像素值总和D(x2,y2)具体如下:
其中,xi和yi分别为扩展鱼群聚集图像中标记的表层的第i条珍珠龙胆石斑鱼的中心点位置坐标的横坐标和纵坐标;σ为高斯核标准差,M为扩展鱼群聚集图像中标记的表层的珍珠龙胆石斑鱼的实际数量;δ(x2-xi,y2-yi)为扩展鱼群聚集密度特征图中每个像素点(x2,y2)的像素值;Gσ(x2,y2)为扩展鱼群聚集密度特征图中的像素点(x2,y2)的高斯内核。
6.根据权利要求4所述的一种珍珠龙胆石斑鱼精准投喂养殖方法,其特征在于:所述的步骤4)中,通过待处理鱼群聚集定位特征图获得待处理鱼群聚集图像中的鱼群聚集位置区域信息,具体为通过待处理鱼群聚集定位特征图获得待处理鱼群聚集图像中的表层的每个珍珠龙胆石斑鱼的中心点位置信息,根据待处理鱼群聚集图像中的每个珍珠龙胆石斑鱼的中心点位置信息获得各个珍珠龙胆石斑鱼所在的区域的中心点位置作为鱼群聚集位置。
7.根据权利要求4所述的一种珍珠龙胆石斑鱼精准投喂养殖方法,其特征在于:所述的步骤6)中,模糊神经网络模型包括后件网络和前件网络;后件网络包括依次连接的第一输入层、中间层和输出层,前件网络包括依次连接的第二输入层、模糊化层、规则层和去模糊化层,模糊神经网络模型的四个输入依次输入后件网络中处理后,经中间层处理后输出各自的输出结果,模糊神经网络模型的第三和第四个输入经中间层处理后的输出结果分别作为第三输出结果和第四输出结果;模糊神经网络模型的第三和第四个输入依次输入前件网络中处理,处理后的输出结果作为第三输出结果和第四输出结果输入至后件网络的输出层的连接权值;最终输入至输出层中的值进行求和处理后输出作为模糊神经网络模型的输出。
8.根据权利要求7所述的一种珍珠龙胆石斑鱼精准投喂养殖方法,其特征在于:所述的步骤7)中,将每个检测数据集中的检测鱼群聚集图像中的表层的珍珠龙胆石斑鱼的预测数量、高位池中养殖的珍珠龙胆石斑鱼的预设养殖尾数、拍摄时刻的高位池中的溶解氧数据和温度数据依次作为模糊神经网络模型的后件网络的第一输入层的第一至第四输入进行处理。
9.根据权利要求7所述的一种珍珠龙胆石斑鱼精准投喂养殖方法,其特征在于:所述的步骤6)中,在模糊神经网络模型训练时,具体采用采用梯度下降法进行训练。
10.根据权利要求1所述的一种珍珠龙胆石斑鱼精准投喂养殖方法,其特征在于:所述的步骤8)中,根据步骤7)中的检测鱼群聚集图像中的表层和表层以下的珍珠龙胆石斑鱼的实际数量以及单个珍珠龙胆石斑鱼的饵料的预设单次投喂质量,计算获得检测鱼群聚集图像中的珍珠龙胆石斑鱼的饵料的实际总投喂质量,实际总投喂质量等于检测鱼群聚集图像中的表层和表层以下的珍珠龙胆石斑鱼的实际数量和单个珍珠龙胆石斑鱼的饵料的预设单次投喂质量的乘积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211110614.6A CN115486391B (zh) | 2022-09-13 | 2022-09-13 | 一种珍珠龙胆石斑鱼精准投喂养殖方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211110614.6A CN115486391B (zh) | 2022-09-13 | 2022-09-13 | 一种珍珠龙胆石斑鱼精准投喂养殖方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115486391A true CN115486391A (zh) | 2022-12-20 |
CN115486391B CN115486391B (zh) | 2024-02-06 |
Family
ID=84468960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211110614.6A Active CN115486391B (zh) | 2022-09-13 | 2022-09-13 | 一种珍珠龙胆石斑鱼精准投喂养殖方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115486391B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630080A (zh) * | 2023-07-25 | 2023-08-22 | 广东省农业科学院动物科学研究所 | 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 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103444613A (zh) * | 2013-08-29 | 2013-12-18 | 北京农业信息技术研究中心 | 一种用于鱼类养殖的投喂控制系统及方法 |
US20140052422A1 (en) * | 2011-02-14 | 2014-02-20 | Jinquan Wan | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network |
CN107169621A (zh) * | 2017-04-01 | 2017-09-15 | 中国农业大学 | 一种水体溶解氧预测方法及装置 |
KR20180057785A (ko) * | 2016-11-22 | 2018-05-31 | 주식회사 글로비트 | 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법 |
CN111240200A (zh) * | 2020-01-16 | 2020-06-05 | 北京农业信息技术研究中心 | 鱼群投饵控制方法、鱼群投饵控制装置及投饵船 |
CN111713440A (zh) * | 2020-04-13 | 2020-09-29 | 浙江大学 | 基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法 |
CN211793783U (zh) * | 2020-02-28 | 2020-10-30 | 江苏农林职业技术学院 | 一种无人驾驶水产养殖多功能作业船 |
CN112400773A (zh) * | 2021-01-21 | 2021-02-26 | 南京农业大学 | 一种基于机器视觉技术的温室鱼苗智能投饲装置及方法 |
WO2021057748A1 (zh) * | 2019-09-24 | 2021-04-01 | 南京师范大学 | 一种远程水文监测系统 |
CN113854221A (zh) * | 2021-10-29 | 2021-12-31 | 广州市蓝得生命科技有限公司 | 智能喂食控制系统 |
CN113875670A (zh) * | 2021-10-08 | 2022-01-04 | 武汉理工大学 | 基于声呐阵列与视觉识别的智能水产精准投饲平台及投饲方法 |
-
2022
- 2022-09-13 CN CN202211110614.6A patent/CN115486391B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140052422A1 (en) * | 2011-02-14 | 2014-02-20 | Jinquan Wan | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network |
CN103444613A (zh) * | 2013-08-29 | 2013-12-18 | 北京农业信息技术研究中心 | 一种用于鱼类养殖的投喂控制系统及方法 |
KR20180057785A (ko) * | 2016-11-22 | 2018-05-31 | 주식회사 글로비트 | 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법 |
CN107169621A (zh) * | 2017-04-01 | 2017-09-15 | 中国农业大学 | 一种水体溶解氧预测方法及装置 |
WO2021057748A1 (zh) * | 2019-09-24 | 2021-04-01 | 南京师范大学 | 一种远程水文监测系统 |
CN111240200A (zh) * | 2020-01-16 | 2020-06-05 | 北京农业信息技术研究中心 | 鱼群投饵控制方法、鱼群投饵控制装置及投饵船 |
CN211793783U (zh) * | 2020-02-28 | 2020-10-30 | 江苏农林职业技术学院 | 一种无人驾驶水产养殖多功能作业船 |
CN111713440A (zh) * | 2020-04-13 | 2020-09-29 | 浙江大学 | 基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法 |
CN112400773A (zh) * | 2021-01-21 | 2021-02-26 | 南京农业大学 | 一种基于机器视觉技术的温室鱼苗智能投饲装置及方法 |
CN113875670A (zh) * | 2021-10-08 | 2022-01-04 | 武汉理工大学 | 基于声呐阵列与视觉识别的智能水产精准投饲平台及投饲方法 |
CN113854221A (zh) * | 2021-10-29 | 2021-12-31 | 广州市蓝得生命科技有限公司 | 智能喂食控制系统 |
Non-Patent Citations (2)
Title |
---|
胡利永;魏玉艳;郑堤;陈俊华: "基于机器视觉技术的智能投饵方法研究", 热带海洋学报, vol. 34, no. 4 * |
赵珂;肖治涛;董涛;何勇;聂鹏程;: "数字渔业装备在水产养殖中的应用推广", 农业工程, no. 03 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630080A (zh) * | 2023-07-25 | 2023-08-22 | 广东省农业科学院动物科学研究所 | 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 |
CN116630080B (zh) * | 2023-07-25 | 2024-01-26 | 广东省农业科学院动物科学研究所 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN115486391B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110476839B (zh) | 一种基于鱼类生长的优化调控方法及系统 | |
Føre et al. | Modelling growth performance and feeding behaviour of Atlantic salmon (Salmo salar L.) in commercial-size aquaculture net pens: Model details and validation through full-scale experiments | |
An et al. | Application of computer vision in fish intelligent feeding system—A review | |
CN114467824B (zh) | 智能投饵船 | |
de la Gándara et al. | Tuna aquaculture in Europe | |
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 | |
CN110826592A (zh) | 一种基于全卷积神经网络的对虾养殖残饵计数方法 | |
CN109472883A (zh) | 巡塘方法和装置 | |
CN115486391A (zh) | 一种珍珠龙胆石斑鱼精准投喂养殖方法 | |
WO2021032472A1 (en) | Methods and systems for predicting smoltification in fish through non-invasive means | |
Zenger et al. | The next wave in selective breeding: implementing genomic selection in aquaculture. | |
CN114004433A (zh) | 一种养殖鱼类生长环境调控方法及装置 | |
CN115797844A (zh) | 一种基于神经网络的鱼体鱼病检测方法及系统 | |
Li et al. | An adaptive method for fish growth prediction with empirical knowledge extraction | |
Blount et al. | Tools and criteria for ensuring estuarine stock enhancement programs maximise benefits and minimise impacts | |
Lim | Implementation of artificial intelligence in aquaculture and fisheries: deep learning, machine vision, big data, internet of things, robots and beyond | |
CN115669584B (zh) | 一种基于攻击性性状对三疣梭子蟹进行亲本选育的方法 | |
CN114557308B (zh) | 应用于循环水养殖的精准投喂系统及方法 | |
CN114419432B (zh) | 一种鱼群摄食强度评估方法及装置 | |
CN115049692B (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 | |
CN111275269A (zh) | 一种基于养殖鱼异常行为的在线水质溶解氧变化预测方法 | |
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 | |
Das et al. | Prospects of Smart Aquaculture in Indian Scenario: A New Horizon in the Management of Aquaculture Production Potential | |
EP4008179A1 (en) | Method and system for determining biomass of aquatic animals | |
CN113284164A (zh) | 虾群自动计数方法、装置、电子设备及存储介质 |
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 |