CN116541672A - 基于声学信息和水面波动信息的鱼类养殖投喂量决策方法 - Google Patents
基于声学信息和水面波动信息的鱼类养殖投喂量决策方法 Download PDFInfo
- Publication number
- CN116541672A CN116541672A CN202310428730.0A CN202310428730A CN116541672A CN 116541672 A CN116541672 A CN 116541672A CN 202310428730 A CN202310428730 A CN 202310428730A CN 116541672 A CN116541672 A CN 116541672A
- Authority
- CN
- China
- Prior art keywords
- fish
- feeding
- ingestion
- water surface
- information
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 62
- 241000251468 Actinopterygii Species 0.000 claims abstract description 126
- 230000037406 food intake Effects 0.000 claims abstract description 86
- 230000008569 process Effects 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 230000003031 feeding effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000005236 sound signal Effects 0.000 claims description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 19
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 238000009432 framing Methods 0.000 claims description 6
- 238000009372 pisciculture Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 235000012631 food intake Nutrition 0.000 claims description 3
- 230000037433 frameshift Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000005266 casting Methods 0.000 claims description 2
- 235000003642 hunger Nutrition 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 description 7
- 238000009360 aquaculture Methods 0.000 description 4
- 244000144974 aquaculture Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 241001125889 Micropterus salmoides Species 0.000 description 2
- 238000005276 aerator Methods 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 241000218652 Larix Species 0.000 description 1
- 235000005590 Larix decidua Nutrition 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012840 feeding operation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
基于声学信息和水面波动信息的鱼类养殖投喂量决策方法，将鱼群的摄食活跃度分为四个等级；对鱼群摄食时的声音进行采集，得到鱼群摄食时的声音数据集，同步采集养殖水面波动情况，得到水面波动信息的数据集；对投喂时的鱼群摄食过程进行拍摄视频；对数据集进行预处理；对预处理后的信息进行特征值提取，将提取的特征值进行主成分分析得到鱼群摄食时的声信号和水面波动信号相融合的特征向量；分类器识别特征向量中的数据，将鱼群摄食状态判别为不同的摄食活跃度，依据所判别的摄食活跃度发出工作指令。该方法通过声学信息和水面波动信息识别的方式来判断鱼群的摄食活跃度，进而判断鱼群的饥饿程度，为饲料投喂机实现精准投喂提供技术支撑。
Description
技术领域
本发明涉及鱼类养殖技术领域，具体涉及一种基于声学信息和水面波动信息的鱼类养殖投喂量决策方法。
背景技术
饲养鱼群时鱼群的摄食活跃度是衡量鱼群饥饿程度的重要指标，摄食活跃程度越高说明鱼群越饥饿，以鱼群摄食时的活跃度变化作为指标，可以较为精准的控制饲料投喂机的运行，实现按需投喂饲料，避免饲料投喂过程中投喂不足或投喂过多的情况。而基于声学信息识别的方法对鱼群的摄食活跃度进行识别，此方法可避免光线和浑浊度的影响，但易受养殖环境中噪音的影响，虽然可在采集后进行降噪处理，当大型增氧机和排污机开启且鱼群摄食状态较弱时，降噪后仍很难准确检测出鱼群的摄食状态，而通过倾斜角传感器所得到的水面波动信息较为稳定且可避免噪音的影响。
发明内容
本发明提供一种基于声学信息和水面波动信息的鱼类养殖投喂量决策方法，该方法通过声学信息和水面波动信息识别的方式来判断鱼群的摄食活跃度，进而判断鱼群的饥饿程度，为饲料投喂机实现精准投喂提供技术支撑。
本发明采取的技术方案为：
基于声学信息和水面波动信息的鱼类养殖投喂量决策方法，包括以下步骤：
步骤一：将鱼群的摄食活跃度分为四个等级，分别为：摄食较活跃、摄食活跃、摄食不活跃、不摄食；
步骤二：通过水听器对鱼群摄食时的声音进行采集，得到鱼群摄食时的声音数据集，并利用倾斜角传感器同步采集养殖水面波动情况，得到水面波动信息的数据集；对投喂时的鱼群摄食过程进行拍摄视频；
步骤三：对步骤二获取到的鱼群摄食时的声音数据集和水面波动信息的数据集进行预处理；
步骤四：对步骤三预处理后的声音数据信息和水面波动信息进行特征值提取，并将提取的特征值进行主成分分析，通过主成分分析，得到鱼群摄食时的声信号和水面波动信号相融合的特征向量；
步骤五：将步骤四获得的特征向量导入分类器，分类器通过识别特征向量中的数据，将鱼群摄食状态判别为不同的摄食活跃度，依据所判别的摄食活跃度发出工作指令。
所述步骤一中，摄食较活跃指的是：鱼群迅速聚集于投饵区并进行抢食；
摄食活跃指的是：鱼群游至投饵区并进食，聚集度降低；
摄食不活跃指的是：鱼群进食缓慢，但没有剩余饵料；
不摄食指的是：鱼群不再摄食，有明显的剩余饵料。
所述步骤二具体包括：
首先通过Song Meter系列中的SM2+型声学记录仪，以及2个HTI-96-MIN型标准水听器，对声音进行采集，其中一个标准水听器用来采集养殖鱼群摄食过程中的声音，另一个用来采集相同环境下无鱼状态的声音，用以作背景噪声样本；同时通过数字式倾斜角传感器对水面的波动频率进行检测并采集得到目标数据；
在录取鱼群摄食时的声音信息和水面波动信息时，同步拍摄投喂时的鱼群摄食过程视频作为鱼群摄食活跃度的参照。
所述步骤三包括以下步骤：
S3.1：通过步骤二中采集到的无鱼状态背景噪声样本，对鱼群摄食过程的摄食声音信号进行降噪处理；
S3.2：将倾斜角传感器测得的采集得到目标数据信息中的奇异值进行去除；
S3.3：根据鱼群摄食拍摄的视频情况，对获得的鱼群摄食声信号段和水面波动信号段进行单次摄食过程区分，获得单次摄食过程的鱼群摄食声信号和水面波动信号；
S3.4：根据鱼群摄食拍摄的视频中鱼群摄食情况，对单次摄食过程的鱼群摄食活跃的声音状态和水面波动状态进行区分，分为单次摄食较活跃、单次摄食活跃、单次摄食不活跃和单次不摄食，为得到摄食过程中相关声特征的数据范围提供参照。
所述步骤四包括以下步骤：
S4.1：提取鱼群处于摄食状态时的音频数据的时域特征——短时能量：
设语音波形时域信号为x(n)、加窗函数w(n)，分帧处理后得到的第i帧语音信号为yi(n)，则yi(n)满足：
yi(n)＝w(n)*x((i-1)*inc+n),1≤n≤L,1≤i≤fn
式中，w(n)为窗函数，一般为矩形窗或hanning窗；yi(n)是一帧的数值，n＝1,2,…L,i＝1,2,…fn，L为帧长；inc为帧移长度；fn为分帧后的总帧数；计算第i帧语音信号yi(n)的短时能量公式为：
式中：E(i)为第i帧的短时能量；
S4.2：提取鱼群处于摄食状态时的音频数据的频域特征——小波包分解：
根据小波包分解提取多尺度空间能量特征的原理，把不同分解尺度上的信号能量求解出来，将这些能量值按尺度顺序排列诚特征向量供识别使用。若进行4层小波包分解，则能够得到16维频段能量特征，其计算公式如下：
E(j,i)＝∑k∈z[ps(n,j,k)]2
式中：E(j,i)表示在分解层次j上第i各结点的能量值；k＝1，2，…，n，Z表示整数；Ps(n,j,k)是小波包分解系数；
每一维有一频段能量，故小波包分解后得到16个频段能量特征值。
S4.3：在通过倾斜角传感器测得的信息中，提取出水面波动信息的短时能量；其提取方法和步骤S4.1中的短时能量特征提取一致；
S4.4：对步骤S1)、步骤S2)、步骤S3)中所提取的声音信息的短时能量、小波包分解后16维频段能量和水面波动信息的短时能量，这18个特征值进行主成分分析。主成分分析的数学模型如下：
其中，ujp———标准化系数；
xip———第i个水声信号样本的第p个标准化特征；
zij———第i个水声信号样本的第j个主成分变量；
得到鱼群摄食时声信号和水面波动信号相融合的特征向量，用于摄食活跃程度的识别分析。
所述步骤五中，将所得到的特征向量导入分类器，分类器进而对其进行分类判断并由控制器发出工作指令，包括以下步骤：
S5.1：将特征向量导入分类器，分类器通过识别特征向量中的数据，将鱼群摄食状态判别为不同的摄食活跃度；
S5.2：若识别为摄食较活跃，则控制器发出继续正常工作指令；
若识别为摄食活跃，则控制器发出减少投喂量至原来的60％的指令；
若识别为摄食不活跃，则控制器发出减少投喂量至原来的20％的指令；
若识别为不摄食，则通过控制器发出停止工作的指令。
本发明基于声学信息和水面波动信息的鱼类养殖投喂量决策方法，技术效果如下：
1)本发明提出的鱼类养殖投喂量决策方法，将水面波动信息与声学信息相结合，通过实时检测鱼类摄食需求达到精准投喂作业，为鱼类提供适量的食物与营养，并创造良好的环境条件。
2)本发明步骤一中，将鱼分为4个等级，分别为：摄食较活跃、摄食活跃、摄食不活跃、不摄食，对鱼的摄食状态分类较为精细，为对鱼群进行精细投喂提供了决策依据。
3)本发明步骤二中，在进行信号采集时，同时采集了鱼群摄食的水声信号和水面波动信号，采集的这两种信号可避免养殖环境中光线和浑浊度的影响，且两种信号融合后的信息较为准确，可避免噪音的影响。
4)本发明步骤三中，对采集到的信号进行预处理可有效避免信号采集时养殖环境中大部分噪音的影响，使后续决策的准确率更高。
5)本发明步骤四中，在对采集到的信号进行特征提取后进行主成分分析可降低特征向量的维度，避免了分类训练时的过拟合，使后续决策的准确率更高。
6)本发明基于声学信息识别的方法对鱼群的摄食活跃度进行识别，可避免养殖环境中光线和浑浊度的影响，但易受养殖环境中噪音的影响，虽然在采集后可进行降噪处理，当大型增氧机和排污机开启且鱼群摄食状态较弱时，降噪后仍很难准确检测出鱼群的摄食状态，而通过倾斜角传感器所得到的水面波动信息较为稳定且可避免噪音的影响。通过这种信息融合的方式可以精准的根据鱼的摄食食欲控制投喂时间和投喂量，给鱼提供良好得生长环境。
附图说明
图1为基于被动声学信息和水面波动信息的水产养殖饲料投喂机的智能化控制系统的系统结构图。
图2为本发明鱼类养殖投喂量决策方法流程图。
图3(a)为连续五个大口黑鲈鱼群摄食过程的原始信号波形图；
图3(b)为图3(a)对应的短时能量波形图。
图4为无鱼状态的背景噪声在Audition2020中的呈现图。
图5为鱼群摄食声信号在Audition2020中的呈现图。
图6(a)为无鱼摄食状态下水面波动信号图；
图6(b)为鱼群摄食状态下水面波动信号图。
其中：红、绿、蓝三种颜色的曲线分别代表x轴方向、y轴方向和z轴方向的角速度。图7为水面波动信息的短时能量图。
具体实施方式
本发明的目的是提供一种声学信息和水面波动信息相融合的鱼类养殖投喂量决策方法，包括：采集鱼群在当前环境和状态下的摄食声音及水面波动状态，提取养殖水面的波动信息和声音信息，从所得信息中提取数据，将这些数据进行比对综合分析，通过训练后的分类器判别此种信号是在鱼群何种摄食状态下得到的信号，进而判断鱼群的摄食活跃度，为投喂机的下次投喂提供决策依据。其能够有效的提取出鱼群摄食时的相关数据特征，通过此特征可较为精准的判断鱼群摄食的活跃度，实现投喂机较为精准的投喂。
(一)、采集装置：
如图1所示，此采集装置和信号分析装置相连接，在此实例中，具体采集装置为Song Meter系列中的SM2+型声学记录仪，以及2个HTI-96-MIN型标准水听器，其中一个标准水听器用来采集养殖鱼群摄食过程中的声音，另一个用来采集相同环境下无鱼状态的声音，用以作背景噪声样本。同步采集数字式倾斜角传感器对水面的波动频率进行检测并得到目标数据。同时视频录制设备采集鱼群在摄食全过程的视频，用以辅助判断鱼群的摄食活跃度。在此实例中，在圈养式高密度养殖大口黑鲈的状态下，采集了300组样本数据，将这100组数据分为两组，其中100组作为分类器的训练集，另外200组用来鉴别此种方法的准确度。同时，通过倾斜角传感器采集水面波动信息。
(二)、信号分析装置：
此装置与控制器和信号采集装置相连接，用于对获取到的鱼群摄食声信号及养殖水面波动信息进行处理分析，并将分析结果输入控制器，让控制器基于分析结果确定相应的工作指令，并将相应指令发送至饲料投喂机。所述指令包括继续正常工作指令、将投喂量减少至正常投喂量的确定百分比的指令和停止工作指令。
如图1所示，此信号分析装置连接有相应服务器，用于计算比较相应的特征值。其计算分析过程是本发明中的基于被动声学信息和养殖水面波动信息的水产养殖饲料投喂机的控制方法，其技术路线如图2所示，包括以下步骤：
(1)：通过信号采集装置采集到的无鱼摄食状态背景噪声样本，其中，无鱼状态的背景噪声在Audition2020中的呈现如图4所示。
对鱼群摄食过程的摄食声信号进行降噪处理，同时通过倾斜角传感器采集鱼群摄食时的水面波动信息并将波动信息中的奇异值去除；
(2)：根据鱼群摄食情况视频对获得的鱼群摄食声信号段和养殖水面波动信号段进行单次摄食过程区分，获得单次摄食过程的鱼群摄食声信号和水面波动信号；鱼群摄食声信号在Audition2020中的呈现如图5所示。无鱼摄食状态下水面波动信号如图6(a)所示，鱼群摄食状态下水面波动信号如图6(b)所示。
(3)：提取鱼群处于摄食状态时的音频数据的时域特征——短时能量。设语音波形时域信号为x(n)、加窗函数w(n)，分帧处理后得到的第i帧语音信号为yi(n)，则yi(n)满足：
yi(n)＝w(n)*x((i-1)*inc+n),1≤n≤,1≤i≤fn；
式中，w(n)为窗函数，一般为矩形窗或hanning窗；yi(n)是一帧的数值，n＝1,2,…L,i＝1,2,…fn，L为帧长；inc为帧移长度；fn为分帧后的总帧数。计算第i帧语音信号yi(n)的短时能量公式为：
式中：E(i)为第i帧的短时能量。对所采集的鱼群摄食声数据的短时能量进行分析，图3为连续五个大口黑鲈鱼群摄食过程的原始信号波形和对应的短时能量，由图3(a)、图3(b)可知，各个大口黑鲈鱼群摄食过程短时能量变化幅度较为明显，随着摄食过程的进行，大口黑鲈鱼群摄食的活跃度不断降低，鱼群摄食过程的短时能量也不断下降。
表1大口黑鲈鱼群不同摄食活跃状态短时能量显著性差异分析
表1为大口黑鲈鱼群不同摄食活跃状态短时能量显著性差异分析表，大口黑鲈鱼群在摄食过程的短时能量在0.05显著性水平下存在显著差异，鱼群摄食活跃时的摄食过程中的摄食过程短时能量平均值比摄食不活跃时的摄食过程短时能量平均值大。
(4)：提取鱼群处于摄食状态时的音频数据的频域特征——小波包分解。根据小波包分解提取多尺度空间能量特征的原理，把不同分解尺度上的信号能量求解出来，将这些能量值按尺度顺序排列诚特征向量供识别使用。其计算公式如下：
E(j,i)＝∑k∈Z[ps(n,j,k)]2；
式中：E(j,i)表示在分解层次j上第i各结点的能量值；Ps(n,j,k)是小波包分解系数。本案例进行的是4层小波包分解，得到16维频段能量特征。
(5)：在通过倾斜角传感器测得的信息中提取出水面波动信息的短时能量，如图7所示。水面波动信息的短时能量图。其提取方法与(1)中的短时能量特征提取一致。
(6)：对(3)、(4)、(5)中所提取的声音信息的短时能量、小波包分解后16维频段能量(每一维有一频段能量，故小波包分解后得到16个频段能量特征值)和水面波动信息的短时能量这18个特征值进行主成分分析。主成分分析的数学模型如下：
其中，ujp———标准化系数；
xip———第i个水声信号样本的第p个标准化特征；
zij———第i个水声信号样本的第j个主成分变量；
得到鱼群摄食时声信号和水面波动信号相融合的特征向量。
通过上述所提取的特征建立鱼声信号特征向量X＝(x1，x2，…，x18)，其中：x1为鱼群摄食声信号的短时平均能量，x2为水面波动信号的短时能量，x3～x18为鱼群摄食声信号的小波包分解频段能量。
(7)：将特征向量导入分类器，分类器通过识别特征向量中的数据将鱼群摄食状态判别为不同的摄食活跃度。若识别为摄食较活跃，则控制器发出继续正常工作指令；若识别为摄食活跃，则控制器发出减少投喂量至原来的60％的指令；若识别为摄食不活跃，则控制器发出减少投喂量至原来的20％的指令；若识别为不摄食，则通过控制器发出停止工作的指令。
(三)、控制器：
控制器用于接收信号分析处理装置所发出的声信号数据处理结果，基于此结果确定相应的工作指令，并让饲料投喂机执行相应的指令。
本实施例中采集了鱼群摄食时的声音信息和同步的水面波动信息各200条，每条代表鱼群一餐的摄食过程信息，其中：100条声音信息和水面波动信息作为分类器的训练集，另外100条作为分类器的测试集，测试集的准确率达到了96.7％，具有较高的准确率。
Claims (6)
1.基于声学信息和水面波动信息的鱼类养殖投喂量决策方法，其特征在于包括以下步骤：
步骤一：将鱼群的摄食活跃度分为四个等级，分别为：摄食较活跃、摄食活跃、摄食不活跃、不摄食；
步骤二：对鱼群摄食时的声音进行采集，得到鱼群摄食时的声音数据集，同步采集养殖水面波动情况，得到水面波动信息的数据集；对投喂时的鱼群摄食过程进行拍摄视频；
步骤三：对步骤二获取到的鱼群摄食时的声音数据集和水面波动信息的数据集进行预处理；
步骤四：对步骤三预处理后的声音数据信息和水面波动信息进行特征值提取，并将提取的特征值进行主成分分析，通过主成分分析，得到鱼群摄食时的声信号和水面波动信号相融合的特征向量；
步骤五：将步骤四获得的特征向量导入分类器，分类器通过识别特征向量中的数据，将鱼群摄食状态判别为不同的摄食活跃度，依据所判别的摄食活跃度发出工作指令。
2.根据权利要求1所述基于声学信息和水面波动信息的鱼类养殖投喂量决策方法，其特征在于：所述步骤一中，摄食较活跃指的是：鱼群迅速聚集于投饵区并进行抢食；
摄食活跃指的是：鱼群游至投饵区并进食，聚集度降低；
摄食不活跃指的是：鱼群进食缓慢，但没有剩余饵料；
不摄食指的是：鱼群不再摄食，有明显的剩余饵料。
3.根据权利要求1所述基于声学信息和水面波动信息的鱼类养殖投喂量决策方法，其特征在于：所述步骤二具体包括：
首先通过声学记录仪，以及2个水听器，对声音进行采集，其中一个水听器用来采集养殖鱼群摄食过程中的声音，另一个用来采集相同环境下无鱼状态的声音，用以作背景噪声样本；同时通过数字式倾斜角传感器对水面的波动频率进行检测并采集得到目标数据。
在录取鱼群摄食时的声音信息和水面波动信息时，同步拍摄投喂时的鱼群摄食过程视频作为鱼群摄食活跃度的参照。
4.根据权利要求1所述基于声学信息和水面波动信息的鱼类养殖投喂量决策方法，其特征在于：所述步骤三包括以下步骤：
S3.1：通过步骤二中采集到的无鱼状态背景噪声样本，对鱼群摄食过程的摄食声音信号进行降噪处理；
S3.2：将倾斜角传感器测得的采集得到目标数据信息中的奇异值进行去除；
S3.3：根据鱼群摄食拍摄的视频情况，对获得的鱼群摄食声信号段和水面波动信号段进行单次摄食过程区分，获得单次摄食过程的鱼群摄食声信号和水面波动信号；
S3.4：根据鱼群摄食拍摄的视频中鱼群摄食情况，对单次摄食过程的鱼群摄食活跃的声音状态和水面波动状态进行区分，分为单次摄食较活跃、单次摄食活跃、单次摄食不活跃和单次不摄食。
5.根据权利要求1所述基于声学信息和水面波动信息的鱼类养殖投喂量决策方法，其特征在于：所述步骤四包括以下步骤：
S4.1：提取鱼群处于摄食状态时的音频数据的时域特征——短时能量：
设语音波形时域信号为x(n)、加窗函数w(n)，分帧处理后得到的第i帧语音信号为yi(n)，则yi(n)满足：
yi(n)＝w(n)*x((i-1)*inc+n),1≤n≤L,1≤≤fn
式中，w(n)为窗函数，一般为矩形窗或hanning窗；yi(n)是一帧的数值，n＝1,2,…L,i＝1,2,…fn，L为帧长；inc为帧移长度；fn为分帧后的总帧数；计算第i帧语音信号yi(n)的短时能量公式为：
式中：E(i)为第i帧的短时能量；
S4.2：提取鱼群处于摄食状态时的音频数据的频域特征——小波包分解：
根据小波包分解提取多尺度空间能量特征的原理，把不同分解尺度上的信号能量求解出来，将这些能量值按尺度顺序排列诚特征向量供识别使用；若进行4层小波包分解，则能够得到16维频段能量特征，其计算公式如下：
E(j,i)＝∑k∈Z[ps(n,j,k)]2
式中：E(j,i)表示在分解层次j上第i各结点的能量值；k＝1，2，…，n，Z表示整数；Ps(n,j,k)是小波包分解系数；
每一维有一频段能量，故小波包分解后得到16个频段能量特征值；
S4.3：在通过倾斜角传感器测得的信息中，提取出水面波动信息的短时能量；
S4.4：对步骤S1)、步骤S2)、步骤S3)中所提取的声音信息的短时能量、小波包分解后16维频段能量和水面波动信息的短时能量，这18个特征值进行主成分分析；主成分分析的数学模型如下：
其中，ujp———标准化系数；
xip———第i个水声信号样本的第p个标准化特征；
zij———第i个水声信号样本的第j个主成分变量。
得到鱼群摄食时声信号和水面波动信号相融合的特征向量，用于摄食活跃程度的识别分析。
6.根据权利要求1所述基于声学信息和水面波动信息的鱼类养殖投喂量决策方法，其特征在于：所述步骤五中将所得到的特征向量导入分类器，分类器进而对其进行分类判断并由控制器发出工作指令，包括以下步骤：
S5.1：将特征向量导入分类器，分类器通过识别特征向量中的数据，将鱼群摄食状态判别为不同的摄食活跃度；
S5.2：若识别为摄食较活跃，则控制器发出继续正常工作指令；
若识别为摄食活跃，则控制器发出减少投喂量至原来的60％的指令；
若识别为摄食不活跃，则控制器发出减少投喂量至原来的20％的指令；
若识别为不摄食，则通过控制器发出停止工作的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310428730.0A CN116541672A (zh) | 2023-04-20 | 2023-04-20 | 基于声学信息和水面波动信息的鱼类养殖投喂量决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310428730.0A CN116541672A (zh) | 2023-04-20 | 2023-04-20 | 基于声学信息和水面波动信息的鱼类养殖投喂量决策方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116541672A true CN116541672A (zh) | 2023-08-04 |
Family
ID=87455321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310428730.0A Pending CN116541672A (zh) | 2023-04-20 | 2023-04-20 | 基于声学信息和水面波动信息的鱼类养殖投喂量决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116541672A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117337796A (zh) * | 2023-11-13 | 2024-01-05 | 江苏省淡水水产研究所 | 一种针对淡水鱼养殖池塘浮性料的智能精准投饲方法 |
-
2023
- 2023-04-20 CN CN202310428730.0A patent/CN116541672A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117337796A (zh) * | 2023-11-13 | 2024-01-05 | 江苏省淡水水产研究所 | 一种针对淡水鱼养殖池塘浮性料的智能精准投饲方法 |
| CN117337796B (zh) * | 2023-11-13 | 2024-04-30 | 江苏省淡水水产研究所 | 一种针对淡水鱼养殖池塘浮性料的智能精准投饲方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Smith et al. | The use of passive acoustics to measure feed consumption by Penaeus monodon (giant tiger prawn) in cultured systems | |
| CN106847262A (zh) | 一种猪呼吸道疾病自动识别报警方法 | |
| CN109243470A (zh) | 基于音频技术的肉鸡咳嗽监测方法 | |
| CN116541672A (zh) | 基于声学信息和水面波动信息的鱼类养殖投喂量决策方法 | |
| CN112331231B (zh) | 基于音频技术的肉鸡采食量检测系统 | |
| CN108520758B (zh) | 一种视听觉跨模态物体材质检索方法及系统 | |
| CN106417143B (zh) | 一种基于被动声学信息的淡水鱼品种识别装置和方法 | |
| CN115578678A (zh) | 一种鱼类摄食强度分类方法及系统 | |
| Bravo et al. | Species-specific audio detection: a comparison of three template-based detection algorithms using random forests | |
| CN112526097A (zh) | 一种基于大数据分析的养殖水体环境智能监测管理系统 | |
| Beslin et al. | Automatic acoustic estimation of sperm whale size distributions achieved through machine recognition of on-axis clicks | |
| CN110580916A (zh) | 体重声学测量模型的创建方法与体重测量方法、装置 | |
| CN115170942A (zh) | 一种声音与视觉多级融合的鱼类行为识别方法 | |
| CN116778309A (zh) | 残饵监测方法、装置、系统和存储介质 | |
| 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 | |
| CN106376511A (zh) | 一种基于被动声学信息的淡水鱼存活率预测装置及方法 | |
| Mahale et al. | Biodiversity assessment using passive acoustic recordings from off-reef location—Unsupervised learning to classify fish vocalization | |
| CN1190125C (zh) | 雏鸡性别自动化鉴别方法和系统 | |
| CN112184627A (zh) | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 | |
| CN109633113B (zh) | 基于青鳉鱼逐级行为模型的水质监测预警方法及系统 | |
| Thode et al. | A comparison of acoustic and visual metrics of sperm whale longline depredation | |
| CN110046655A (zh) | 一种基于集成学习的音频场景识别方法 | |
| Martinez-Rau et al. | Daylong acoustic recordings of grazing and rumination activities in dairy cows | |
| TW202309823A (zh) | 人工智慧養殖魚群食慾判斷方法與系統 | |
| Kannappan et al. | Automated detection of scallops in their natural environment |
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 |