CN116206194A - 鱼群投喂方法、装置、系统及存储介质 - Google Patents
鱼群投喂方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN116206194A CN116206194A CN202310154931.6A CN202310154931A CN116206194A CN 116206194 A CN116206194 A CN 116206194A CN 202310154931 A CN202310154931 A CN 202310154931A CN 116206194 A CN116206194 A CN 116206194A
- Authority
- CN
- China
- Prior art keywords
- fish
- shoal
- feeding
- image
- morphological characteristics
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 241000251468 Actinopterygii Species 0.000 claims abstract description 280
- 230000000877 morphologic effect Effects 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims description 47
- 238000004088 simulation Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000009360 aquaculture Methods 0.000 abstract description 9
- 244000144974 aquaculture Species 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 235000021051 daily weight gain Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012840 feeding operation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000000007 visual effect 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
- A01K61/90—Sorting, grading, counting or marking live aquatic animals, e.g. sex determination
- A01K61/95—Sorting, grading, counting or marking live aquatic animals, e.g. sex determination specially adapted for fish
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Animal Husbandry (AREA)
- Zoology (AREA)
- Marine Sciences & Fisheries (AREA)
- Biodiversity & Conservation Biology (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Mining & Mineral Resources (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种鱼群投喂方法、装置、系统及存储介质,涉及水产养殖技术领域。鱼群投喂方法,包括:获取鱼群图像;根据鱼群图像提取鱼群中每条鱼的轮廓,并根据每条鱼的轮廓计算得到每条鱼的形态特征;根据每条鱼的形态特征预测得到每条鱼的质量;将每条鱼的形态特征和每条鱼的质量输入预设的模糊推理模型,得到鱼群的投喂量。本申请能够使得鱼群的投喂量更准确。
Description
技术领域
本申请涉及水产养殖技术领域,尤其涉及一种鱼群投喂方法、装置、系统及存储介质。
背景技术
相关技术中,水产养殖逐渐朝集约化、规模化发展,因此,对养殖方式提出了新的需求,自动化和智能化的养殖是发展的必然趋势。在水产养殖中,饲料是其中最主要的可变成本,一般占养殖总成本的60%~70%,有效控制饲料用量是减少水产养殖生产成本的关键。传统的人工或机械化作业是根据养殖人员的经验确定投饲量,这会增加水产养殖生产成本,但是鱼类摄食的饲料需求量因鱼种、生长阶段以及生活环境的不同而存在差异,单单凭借养殖人员的个人经验来进行投食操作,很容易造成饲料的浪费,浪费的饲料在鱼塘富集,从而造成鱼塘水质污染,最终使得鱼类生长周期变得缓慢。因此,如何对鱼群进行投喂,保证投喂量的准确性,成为了亟待解决的技术问题。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出了一种鱼群投喂方法、装置、系统及存储介质,能够使得鱼群的投喂量更准确。
根据本申请的第一方面实施例的鱼群投喂方法,包括:
获取鱼群图像,其中,所述鱼群图像包括鱼群的大小信息;
根据所述鱼群的大小信息计算鱼群中鱼的数量;
根据所述鱼群图像提取鱼群中每条鱼的轮廓,并根据每条鱼的轮廓计算得到每条鱼的形态特征;
根据每条鱼的形态特征预测得到每条鱼的质量;
将鱼群中鱼的数量和每条鱼的质量输入预设的模糊推理模型,得到鱼群的投喂量。
根据本申请实施例的鱼群投喂方法,至少具有如下有益效果:首先,获取鱼群图像,其中,鱼群图像包括鱼群的大小信息;其次,根据鱼群的大小信息计算鱼群中鱼的数量;然后,根据鱼群图像提取鱼群中每条鱼的轮廓,并根据每条鱼的轮廓计算得到每条鱼的形态特征;之后,根据每条鱼的形态特征预测得到每条鱼的质量;最后,将鱼群中鱼的数量和每条鱼的质量输入预设的模糊推理模型,得到鱼群的投喂量。本申请的鱼群投喂方法,根据鱼群每条鱼的质量确定投喂量,并且能够根据质量及时修正投喂量,确保每次的投喂量是最佳的数量,使得鱼类生长速度最快,而且还能够快速对不同鱼的投喂量进行预测,对于不同的鱼类及时作出调整,使得投喂量更加准确。因此,本申请的鱼群投喂方法,能够使得鱼群的投喂量更准确。
根据本申请的一些实施例,所述获取鱼群图像,包括:
根据双频识别声呐对鱼群进行扫描,得到扫描数据;
根据MATLAB中的I/O函数对所述扫描数据进行处理,得到所述鱼群图像,其中,所述鱼群图像包括鱼群的位置信息。
根据本申请的一些实施例,所述根据所述鱼群图像提取鱼群中每条鱼的轮廓,并根据每条鱼的轮廓计算得到每条鱼的形态特征,包括:
根据drawContours函数提取鱼群中每条鱼的轮廓;
根据鱼群中每条鱼的轮廓、minEnclosingCircle函数,计算出每条鱼的形态特征。
根据本申请的一些实施例,所述根据每条鱼的形态特征预测得到每条鱼的质量,包括:
根据每条鱼的形态特征中的长度、长度质量关系方程,预测得到每条鱼的质量。
根据本申请的一些实施例,所述模糊推理模型通过以下步骤得到:
采集各种鱼的生长数据,根据所述生长数据构建样本数据集;
根据所述样本数据集建立模拟数据库;
根据所述模拟数据库构建输入数据集、输出数据集,并根据输入数据集、输出数据集构建模糊推理模型。
根据本申请的一些实施例,所述模糊推理模型为自适应神经模糊系统。
根据本申请的一些实施例,所述鱼群投喂方法还包括:
根据所述投喂量、鱼群的位置信息,对鱼群进行投喂。
根据本申请的第二方面实施例的鱼群投喂装置,包括:
获取模块,用于获取鱼群图像,其中,所述鱼群图像包括鱼群的大小信息;
数量模块,用于根据所述鱼群的大小信息计算鱼群中鱼的数量;
形态模块,用于根据所述鱼群图像提取鱼群中每条鱼的轮廓,并根据每条鱼的轮廓计算得到每条鱼的形态特征;
质量模块,用于根据每条鱼的形态特征预测得到每条鱼的质量;
推理模块,用于将鱼群中鱼的数量和每条鱼的质量输入预设的模糊推理模型,得到鱼群的投喂量。
根据本申请的第三方面实施例的鱼群投喂系统,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
所述程序被存储在所述存储器中,所述处理器执行至少一个所述程序以实现如第一方面实施例所述的鱼群投喂方法。
根据本申请的第四方面实施例的计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如第一方面实施例所述的鱼群投喂方法。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
下面结合附图和实施例对本申请做进一步的说明,其中:
图1为本申请一个实施例所提供的鱼群投喂方法的流程示意图;
图2为本申请一个实施例所提供的模糊推理模型的结构示意图;
图3为本申请另一实施例所提供的生鱼群投喂方法的流程示意图;
图4为本申请一个实施例所提供的鱼群投喂装置的连接示意图;
图5为本申请一个实施例所提供的鱼群投喂系统的结构示意图。
附图标记:
获取模块100、数量模块110、形态模块120、质量模块130、推理模块140、存储器200、处理器300。
具体实施方式
下面详细描述本申请的实施例,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,仅用于解释本申请,而不能理解为对本申请的限制。
需要说明的是,虽然在系统示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于系统中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
在本申请的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本申请的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本申请中的具体含义。
本申请的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
下面,根据图1描述本申请实施例的鱼群投喂方法。
可以理解的是,如图1所示,提供了一种鱼群投喂方法,包括:
步骤S100,获取鱼群图像,其中,鱼群图像包括鱼群的大小信息;
步骤S110,根据鱼群的大小信息计算鱼群中鱼的数量;
步骤S120,根据鱼群图像提取鱼群中每条鱼的轮廓,并根据每条鱼的轮廓计算得到每条鱼的形态特征;
步骤S130,根据每条鱼的形态特征预测得到每条鱼的质量;
步骤S140,将鱼群中鱼的数量和每条鱼的质量输入预设的模糊推理模型,得到鱼群的投喂量。
首先,获取鱼群图像,其中,鱼群图像包括鱼群的大小信息;其次,根据鱼群的大小信息计算鱼群中鱼的数量;然后,根据鱼群图像提取鱼群中每条鱼的轮廓,并根据每条鱼的轮廓计算得到每条鱼的形态特征;之后,根据每条鱼的形态特征预测得到每条鱼的质量;最后,将鱼群中鱼的数量和每条鱼的质量输入预设的模糊推理模型,得到鱼群的投喂量。本申请的鱼群投喂方法,根据鱼群每条鱼的质量确定投喂量,并且能够根据质量及时修正投喂量,确保每次的投喂量是最佳的数量,使得鱼类生长速度最快,而且还能够快速对不同鱼的投喂量进行预测,对于不同的鱼类及时作出调整,使得投喂量更加准确。因此,本申请的鱼群投喂方法,能够使得鱼群的投喂量更准确。
可以理解的是,获取鱼群图像,包括:
根据双频识别声呐对鱼群进行扫描,得到扫描数据;
根据MATLAB中的I/O函数对扫描数据进行处理,得到鱼群图像,其中,鱼群图像包括鱼群的位置信息。
需要说明的是,首先通过双频识别声呐(DIDSON)对鱼群进行扫描,通过对返回的数据进行处理和建模,构建鱼类种群估计系统,DIDSON对鱼群进行扫描时,返回的数据通常是一个脉冲回波(Pulse Echo)形式的图像,图像中可以清楚地看到鱼群的位置和大小。使用计算机图像处理法来处理这个脉冲回拨,从而能够从DIDSON返回的数据中提取出鱼群图像。例如,使用MATLAB处理技术。首先,使用MATLAB的I/O函数将DIDSON返回的原始数据载入MATLAB中。具体的步骤如下:
1.使用MATLAB的“uigetfile”函数打开DIDSON原始数据文件,打开文件浏览器,以便浏览和选择DIDSON原始数据文件。
2.调用MATLAB的“fopen”函数打开原始数据文件,建立一个文件句柄,用于从中读取数据。
3.使用“fread”函数从文件句柄中读取DIDSON原始数据文件,将返回的数据存储在一个双精度矩阵中。
4.使用mat2gray函数将DIDSON原始数据转换为灰度图像,生成一个灰度图像矩阵。
5.使用MATLAB的“imshow”函数显示转换后的灰度图像。
6.使用imread函数将灰度图像从文件中读取到MATLAB中。
7.使用im2bw函数将灰度图像转换为二值图像:im2bw(I),其中I表示灰度图像。
8.保存二值图像:使用imwrite函数将二值图像保存到文件中。
9.使用find函数对图像进行查找,find函数可以查找二值图像中的鱼群,并将其图像提取出来:
BW=imread('fish.jpg');%读取图像
[row,col]=find(BW);%查找鱼群
Fish_image=BW(min(row):max(row),min(col):max(col));%提取鱼群所在图像
然后,使用imshow命令来显示提取出来的图像:
imshow(Fish_image);
这样就可以将每一个鱼群的位置定位出来。具体地,你需要使用im2bw函数来将原始图像转换为二进制图像,或者使用threshold函数来定义图像的阈值。
10.使用regionprops函数来获取每一个鱼群的位置、大小等信息。regionprops函数可以用于提取二进制图像中每一个区域的属性信息,这些属性信息包括中心点,面积,边界框等。
最后,可以根据从regionprops函数提取的信息来确定每一个鱼群的位置、大小等信息。
可以理解的是,根据鱼群图像提取鱼群中每条鱼的轮廓,并根据每条鱼的轮廓计算得到每条鱼的形态特征,包括:
根据drawContours函数提取鱼群中每条鱼的轮廓;
根据鱼群中每条鱼的轮廓、minEnclosingCircle函数,计算出每条鱼的形态特征。
可以理解的是,根据每条鱼的形态特征预测得到每条鱼的质量,包括:
根据每条鱼的形态特征中的长度、长度质量关系方程,预测得到每条鱼的质量。
需要说明的是,摄像头基于opencv的开发,能在根据鱼类的形态特征长度、宽度等预测出鱼的质量。我们设鱼的长度为L,视觉识别的轮毂为C,鱼的质量为M,建立关系方程。
L=f(C),M=g(L) (1)
其中,f为长度L与轮毂C的参数方程,g为质量M和长度L的参数方程。
使用opencv(opencv是一个基于Apache2.0许可(开源)发行的跨平台计算机视觉和机器学习软件库)中的drawContours函数可以根据图片中提取出的轮廓绘制出鱼的轮廓,然后使用minEnclosingCircle函数可以计算出鱼的长度。结合视觉传回来的数据拟合一下模型,对数据集进行测试可得出参数a、b、c。
进而可以推算出鱼类的质量。
可以理解的是,模糊推理模型通过以下步骤得到:
采集各种鱼的生长数据,根据生长数据构建样本数据集;
根据样本数据集建立模拟数据库;
根据模拟数据库构建输入数据集、输出数据集,并根据输入数据集、输出数据集构建模糊推理模型。
可以理解的是,模糊推理模型为自适应神经模糊系统。
需要说明的是,自适应神经网络模糊推理系统(ANFIS)为模糊建模的过程提供了一种从数据集中提取相应信息(模糊规则)的学习方法,是一种基于已有数据的建模方法。而建立的模糊系统模型能否很好地模拟这些数据并能用于预测是检验算法和模型的标准。
因此,需要先构建样本数据,选择在实验室进行模拟,利用模拟技术采集各种鱼类的生长曲线数据。确定模拟实验的鱼类,调节水族箱内各项参数,如水温、水质、水流速度等。将同种鱼类放入水族箱内,并记录每日鱼类数量及体重,以计算其日增重。建立模拟数据库,将每日采集到的鱼类数量及体重数据进行记录,模拟数据库使用输入、输出数据集构建一个模糊推理系统,使隶属度函数适应输入输出数据。
可以理解的是,鱼群投喂方法还包括:
根据投喂量、鱼群的位置信息,对鱼群进行投喂。
需要说明的是,需要对ANFIS模糊推理模型进行训练。与模糊推理系统和神经网络系统相比,ANFIS既可以表达模糊语言变量,又具有学习功能。
需要说明的是,图2为两输入一输出的ANFIS结构。
第一层:每个节点i都是1个自适应节点,每个节点的输出是输入函数的隶属函数度。x1和x2为输入值;i为隶属函数度;μAi和μBi分别为语言变量A和B的隶属度函数;μx为一般隶属度函数。输入项隶属度函数采用钟型函数。钟形函数是隶属度中最为常用的函数,它在模糊逻辑中也具有非常重要的地位。钟型函数的形状主要由a、b、c三个参数决定,其中参数b通常为正,参数c位于曲线的中心。当这些参数的值改变时,钟型函数的形状也随之改变。钟型函数的数学表达式如下:
第二层:这一层的输出为所有输入信号的乘积,用来匹配模糊规则的前件,计算出每条规则的使用度。
o2,i=wi=μAi(x1)×μBi(x2),i=1,2 (4)
第三层:去模糊层,实现归一化计算。
第四层:每个节点为一个节点函数。式中,{c11,ci2,ci0}为节点参数设置;wi为规则使用度;wi为归一化计算值;yi为节点函数设置。
第五层:实现清晰化计算,并采用加权平均法。
采用梯度下降法对该模型进行训练,根据输入数据集,构建ANFIS模型结构,设定模型参数初值。计算模型输出值,并和实际输出数据集做对比,得到损失函数。求损失函数在模型参数空间的梯度,得到参数更新方向。根据梯度下降算法,更新模型参数,迭代模型参数,使损失函数最小。
重复以上步骤,直至损失函数收敛。根据该模型可计算出每次最适合鱼类生长的投喂量,对投喂结果进行无监督化学习,继续优化下一次的投喂决策,使得投喂量曲线趋于完美。
需要说明的是,如图3所示,可以利用训练数据改进ANFIS模糊推理的投喂量系统。将通过DIDSON所获得的鱼的数量、根据鱼的形态特征预测得到的平均体重,两个个参数作为输入,投喂量作为输出。以此为条件编写一个对数据自动进行深度学习计算的程序,设定好输入输出的变量和隶属函数和规则后,通过构建控制系统,经深度学习计算即可得到该模型最佳的投喂策略。
需要说明是,本本申请的鱼群投喂方法,采用声纳和摄像头作为获取鱼类体长信息的途径,利用了声呐装置进行对鱼塘中鱼群密度的检测,从而推算出鱼塘中的鱼的密度,使得数量的估算准确度能大大提高,为后续投喂量的计算作出了保障。进一步地,摄像头为单目摄像头,使用单目摄像头对单个鱼进行图像识别和记录出鱼长信息,能适应水下复杂的环境,对鱼长信息具有准确的判断。
需要说明是,本本申请的鱼群投喂方法,采取深度学习中的自适应网络模糊推理系统,对获取的鱼长信息进行深度学习,根据投喂量和鱼长变化的反馈量进行及时的修正,确保每次的投喂量是最佳的数量,使得鱼类生长速度最快,经济效益最高,相较于其他的机器学习模型,能够快速适应不同鱼塘中不同鱼的品类的投喂量的预测,对于不同的鱼类及时作出调整,使得投喂量更加准确。
下面结合附图4描述本申请是实力的鱼群投喂装置。
可以理解的是,提供了一种鱼群投喂装置,包括:
获取模块100,用于获取鱼群图像,其中,所述鱼群图像包括鱼群的大小信息;
数量模块110,用于根据所述鱼群的大小信息计算鱼群中鱼的数量;
形态模块120,用于根据所述鱼群图像提取鱼群中每条鱼的轮廓,并根据每条鱼的轮廓计算得到每条鱼的形态特征;
质量模块130,用于根据每条鱼的形态特征预测得到每条鱼的质量;
推理模块140,用于将鱼群中鱼的数量和每条鱼的质量输入预设的模糊推理模型,得到鱼群的投喂量。
下面参照图5描述根据本申请实施例的鱼群投喂系统。
可以理解的是,如图5所示,鱼群投喂系统,包括:
至少一个存储器200;
至少一个处理器300;
至少一个程序;
程序被存储在存储器200中,处理器300执行至少一个程序以实现上述的鱼群投喂方法。图5以一个处理器300为例。
处理器300和存储器200可以通过总线或其他方式连接,图5以通过总线连接为例。
存储器200作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及信号,如本申请实施例中的鱼群投喂系统对应的程序指令/信号。处理器300通过运行存储在存储器200中的非暂态软件程序、指令以及信号,从而执行各种功能应用以及数据处理,即实现上述方法实施例的鱼群投喂方法。
存储器200可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储上述鱼群投喂方法的相关数据等。此外,存储器200可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器200可选包括相对于处理器300远程设置的存储器,这些远程存储器可以通过网络连接至鱼群投喂系统。上述网络的实例包括但不限于物联网、软件定义网络、传感器网络、互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个信号存储在存储器200中,当被一个或者多个处理器300执行时,执行上述任意方法实施例中的鱼群投喂方法。例如,执行以上描述的图1中的方法。
下面参照图5描述根据本申请实施例的计算机可读存储介质。
如图5所示,计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器300执行,例如,被图5中的一个处理器300执行,可使得上述一个或多个处理器300执行上述方法实施例中的鱼群投喂方法。例如,执行以上描述的图1中的方法。
以上所描述的系统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单元来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质和通信介质。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读信号、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
上面结合附图对本申请实施例作了详细说明,但是本申请不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本申请宗旨的前提下作出各种变化。此外,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
Claims (10)
1.鱼群投喂方法,其特征在于,包括:
获取鱼群图像,其中,所述鱼群图像包括鱼群的大小信息;
根据所述鱼群的大小信息计算鱼群中鱼的数量;
根据所述鱼群图像提取鱼群中每条鱼的轮廓,并根据每条鱼的轮廓计算得到每条鱼的形态特征;
根据每条鱼的形态特征预测得到每条鱼的质量;
将鱼群中鱼的数量和每条鱼的质量输入预设的模糊推理模型,得到鱼群的投喂量。
2.根据权利要求1所述的鱼群投喂方法,其特征在于,所述获取鱼群图像,包括:
根据双频识别声呐对鱼群进行扫描,得到扫描数据;
根据MATLAB中的I/O函数对所述扫描数据进行处理,得到所述鱼群图像,其中,所述鱼群图像包括鱼群的位置信息。
3.根据权利要求2所述的鱼群投喂方法,其特征在于,所述根据所述鱼群图像提取鱼群中每条鱼的轮廓,并根据每条鱼的轮廓计算得到每条鱼的形态特征,包括:
根据drawContours函数提取鱼群中每条鱼的轮廓;
根据鱼群中每条鱼的轮廓、minEnclosingCircle函数,计算出每条鱼的形态特征。
4.根据权利要求1所述的鱼群投喂方法,其特征在于,所述根据每条鱼的形态特征预测得到每条鱼的质量,包括:
根据每条鱼的形态特征中的长度、长度质量关系方程,预测得到每条鱼的质量。
5.根据权利要求1所述的鱼群投喂方法,其特征在于,所述模糊推理模型通过以下步骤得到:
采集各种鱼的生长数据,根据所述生长数据构建样本数据集;
根据所述样本数据集建立模拟数据库;
根据所述模拟数据库构建输入数据集、输出数据集,并根据输入数据集、输出数据集构建模糊推理模型。
6.根据权利要求1所述的鱼群投喂方法,其特征在于,所述模糊推理模型为自适应神经模糊系统。
7.根据权利要求2所述的鱼群投喂方法,其特征在于,所述鱼群投喂方法还包括:
根据所述投喂量、鱼群的位置信息,对鱼群进行投喂。
8.鱼群投喂装置,其特征在于,包括:
获取模块,用于获取鱼群图像,其中,所述鱼群图像包括鱼群的大小信息;
数量模块,用于根据所述鱼群的大小信息计算鱼群中鱼的数量;
形态模块,用于根据所述鱼群图像提取鱼群中每条鱼的轮廓,并根据每条鱼的轮廓计算得到每条鱼的形态特征;
质量模块,用于根据每条鱼的形态特征预测得到每条鱼的质量;
推理模块,用于将鱼群中鱼的数量和每条鱼的质量输入预设的模糊推理模型,得到鱼群的投喂量。
9.鱼群投喂系统,其特征在于,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
所述程序被存储在所述存储器中,所述处理器执行至少一个所述程序以实现如权利要求1至7任意一项所述的鱼群投喂方法。
10.计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任意一项所述的鱼群投喂方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310154931.6A CN116206194A (zh) | 2023-02-22 | 2023-02-22 | 鱼群投喂方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310154931.6A CN116206194A (zh) | 2023-02-22 | 2023-02-22 | 鱼群投喂方法、装置、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116206194A true CN116206194A (zh) | 2023-06-02 |
Family
ID=86512473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310154931.6A Pending CN116206194A (zh) | 2023-02-22 | 2023-02-22 | 鱼群投喂方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116206194A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843085A (zh) * | 2023-08-29 | 2023-10-03 | 深圳市明心数智科技有限公司 | 淡水鱼生长监控方法、装置、设备及存储介质 |
CN116863322A (zh) * | 2023-07-28 | 2023-10-10 | 江苏中水东泽农业发展股份有限公司 | 基于ai的鱼类繁殖用自适应光照方法、装置及存储介质 |
-
2023
- 2023-02-22 CN CN202310154931.6A patent/CN116206194A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116863322A (zh) * | 2023-07-28 | 2023-10-10 | 江苏中水东泽农业发展股份有限公司 | 基于ai的鱼类繁殖用自适应光照方法、装置及存储介质 |
CN116863322B (zh) * | 2023-07-28 | 2024-04-30 | 江苏中水东泽农业发展股份有限公司 | 基于ai的鱼类繁殖用自适应光照方法、装置及存储介质 |
CN116843085A (zh) * | 2023-08-29 | 2023-10-03 | 深圳市明心数智科技有限公司 | 淡水鱼生长监控方法、装置、设备及存储介质 |
CN116843085B (zh) * | 2023-08-29 | 2023-12-01 | 深圳市明心数智科技有限公司 | 淡水鱼生长监控方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Computer vision models in intelligent aquaculture with emphasis on fish detection and behavior analysis: a review | |
CN116206194A (zh) | 鱼群投喂方法、装置、系统及存储介质 | |
Zhou et al. | Evaluation of fish feeding intensity in aquaculture using a convolutional neural network and machine vision | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
CN108629370B (zh) | 一种基于深度置信网络的分类识别算法及装置 | |
CN113591671B (zh) | 一种基于Mask-Rcnn识别鱼类生长检测方法 | |
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 | |
CN113349111A (zh) | 一种用于水产养殖物的动态投喂方法、系统和存储介质 | |
CN111127396B (zh) | 鱼类重量测算方法及装置 | |
Zheng et al. | A fish population counting method using fuzzy artificial neural network | |
CN114724022A (zh) | 融合SKNet与YOLOv5的养殖鱼群检测方法、系统和介质 | |
CN113592896A (zh) | 基于图像处理的鱼类投喂方法、系统、设备及存储介质 | |
CN115578423A (zh) | 基于深度学习的鱼类关键点检测、个体追踪和生物量估算方法及系统 | |
CN116486296A (zh) | 目标检测方法、装置及计算机可读存储介质 | |
CN116778309A (zh) | 残饵监测方法、装置、系统和存储介质 | |
CN115731282A (zh) | 基于深度学习的水下鱼类重量估计方法、系统及电子设备 | |
CN116051410A (zh) | 基于图像增强的羊毛羊绒纤维表面形态结构图识别方法 | |
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 | |
CN113284122A (zh) | 基于深度学习的卷纸包装缺陷检测方法、装置及存储介质 | |
CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
CN112270404A (zh) | 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法 | |
CN108845075B (zh) | 基于深度学习网络的堆肥腐熟实时预测方法 | |
CN112907503B (zh) | 基于自适应卷积神经网络的南美白对虾品质检测方法 | |
CN113642847B (zh) | 对虾质量的估算方法和装置 | |
Zhou et al. | Defect detection method for steel based on semantic segmentation |
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 |