CN116548345B - 鱼虾投喂方法、装置、系统和存储介质 - Google Patents

鱼虾投喂方法、装置、系统和存储介质 Download PDF

Info

Publication number
CN116548345B
CN116548345B CN202310460023.XA CN202310460023A CN116548345B CN 116548345 B CN116548345 B CN 116548345B CN 202310460023 A CN202310460023 A CN 202310460023A CN 116548345 B CN116548345 B CN 116548345B
Authority
CN
China
Prior art keywords
feeding
probability
maximum
image
motion
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
Application number
CN202310460023.XA
Other languages
English (en)
Other versions
CN116548345A (zh
Inventor
武交峰
张维威
简志雄
车海波
卢冬雪
罗瑜清
李梓满
欧俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Vocational College of Environmental Protection Engineering
Original Assignee
Guangdong Vocational College of Environmental Protection Engineering
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Vocational College of Environmental Protection Engineering filed Critical Guangdong Vocational College of Environmental Protection Engineering
Priority to CN202310460023.XA priority Critical patent/CN116548345B/zh
Publication of CN116548345A publication Critical patent/CN116548345A/zh
Application granted granted Critical
Publication of CN116548345B publication Critical patent/CN116548345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A01K61/50—Culture of aquatic animals of shellfish
    • A01K61/59—Culture of aquatic animals of shellfish of crustaceans, e.g. lobsters or shrimps
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • 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)
  • Theoretical Computer Science (AREA)
  • Environmental Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Animal Husbandry (AREA)
  • Zoology (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及水产养殖技术领域，公开一种鱼虾投喂方法、装置、系统和存储介质。该方法包括：获取投喂时的进食图像；基于第一识别模型，对进食图像中的投喂对象进行静态形态识别，得到投喂对象对应每个静态形态的形态概率；基于第二识别模型，对进食图像中的投喂对象进行动作类别识别，得到投喂对象对应每个动作类别的类别概率；计算最大的形态概率与最大的类别概率的偏差，得到概率偏差值；当概率偏差值在第一偏差范围之外时，基于最大的形态概率与最大的类别概率两者中较大的一者对应的运动量输出运动量指标；根据运动量指标控制投喂装置进行投喂。本申请实施例可以提升投喂效率以及精确投饵量。

Description

鱼虾投喂方法、装置、系统和存储介质
技术领域
本发明涉及水产养殖技术领域，尤其是一种鱼虾投喂方法、装置、系统和存储介质。
背景技术
在许多地区的水产养殖业，绝大部分的农户依旧用传统的养殖方式对水产品进行投喂，机械化自动化的程度均较低，投料效率不高，饲料的用量全靠个人经验，每天需投喂饵料两次，养殖人员一般都是通过竹排划行到塘中进行人工撒料，投饵效率极低。
养殖过程中，过多的投饵量会导致鱼虾过于饱腹而缺乏运动，导致肉质变差，反之，投饵量过少则无法满足鱼虾的基本生长需求，影响其生长速度。鱼虾养殖的投饵量大多通过养殖人员多年的养殖经验确定，但据此确定的投饵量往往存在主观性，会出现较大误差。
发明内容
本发明的目的是提供一种鱼虾投喂方法、装置、系统和存储介质，旨在克服人工投喂导致效率低以及无法精确投饵量的缺陷。
第一方面，提供一种鱼虾投喂方法，包括：
获取投喂时的进食图像；
基于第一识别模型，对进食图像中的投喂对象进行静态形态识别，得到投喂对象对应每个静态形态的形态概率，所述静态形态对应至少一个运动量；
基于第二识别模型，对进食图像中的投喂对象进行动作类别识别，得到投喂对象对应每个动作类别的类别概率，所述动作类别对应至少一个运动量；
计算最大的形态概率与最大的类别概率的偏差，得到概率偏差值；
当概率偏差值在第一偏差范围之外时，基于最大的形态概率与最大的类别概率两者中较大的一者对应的运动量输出运动量指标；
根据运动量指标控制投喂装置进行投喂。
在一实施例中，所述鱼虾投喂方法，还包括：
当概率偏差值在第一偏差范围之内时，将最大的类别概率对应的多个运动量中最大的运动量作为运动量指标输出。
在一实施例中，所述基于最大的形态概率与最大的类别概率两者中较大的一者对应的运动量输出运动量指标，包括：
当最大的形态概率大于最大的类别概率时，根据第一离散参量输出运动量指标，使第一离散参量与运动量指标呈正相关，所述第一离散参量表征所述最大的形态概率对应的运动量的离散程度；
当最大的形态概率小于最大的类别概率时，根据第二离散参量输出运动量指标，使第二离散参量与运动量指标呈正相关，所述第二离散参量表征所述最大的类别概率对应的运动量的离散程度。
在一实施例中，所述鱼虾投喂方法，还包括：
基于最大的形态概率与最大的类别概率两者中较小的一者对应的运动量输出补偿指标；
根据补偿指标对运动量指标进行修正。
在一实施例中，所述基于第一识别模型，对进食图像中的投喂对象进行静态形态识别，包括：
调取多个不同的第一识别模型分别对进食图像进行识别；
对于每个第一识别模型，计算出进食图像的投喂对象对应每个静态形态的形态概率。
在一实施例中，所述基于第二识别模型，对进食图像中的投喂对象进行动作类别识别，包括：
调取多个不同的第二识别模型分别对进食图像进行识别；
对于每个第二识别模型，计算出进食图像的投喂对象对应每个动作类别的类别概率。
在一实施例中，所述根据所述运动量指标控制投喂装置进行投喂，包括：
根据运动量指标生成第一时长，所述第一时长与所述运动量指标呈正相关；
计算进食图像中各投喂对象对应的运动量指标的偏差，得到指标偏差值，根据指标偏差值生成第二时长，所述第二时长与所述指标偏差值呈正相关；
控制投喂装置开始投喂并进行计时，在计时到达第一时长之前，重复执行间停投喂流程，所述间停投喂流程为控制投喂装置进行投喂并进行计时，计时到达第二时长时控制投喂装置暂停投喂直至预设等待时长结束。
第二方面，提供一种鱼虾投喂装置，所述装置包括：
第一模块，用于获取投喂时的进食图像；
第二模块，用于基于第一识别模型，对进食图像中的投喂对象进行静态形态识别，得到投喂对象对应每个静态形态的形态概率，所述静态形态对应至少一个运动量；
第三模块，用于基于第二识别模型，对进食图像中的投喂对象进行动作类别识别，得到投喂对象对应每个动作类别的类别概率，所述动作类别对应至少一个运动量；
第四模块，用于计算最大的形态概率与最大的类别概率的偏差，得到概率偏差值；
第五模块，用于当概率偏差值在第一偏差范围之外时，基于最大的形态概率与最大的类别概率两者中较大的一者对应的运动量输出运动量指标；
第六模块，用于根据运动量指标控制投喂装置进行投喂。
第三方面，提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的鱼虾投喂方法。
第四方面，提供一种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程序，所述计算机程序被处理器执行时实现第一方面所述的鱼虾投喂方法。
本发明的有益效果：通过对进食图像中的投喂对象进行静态形态识别和动作类别识别，得到投喂对象对应各个静态形态的形态概率和对应各个动作类别的类别概率，计算最大的形态概率与最大的类别概率的偏差得到的概率偏差值，当概率偏差值在第一偏差范围之外时，基于最大的形态概率与最大的类别概率两者中较大的一者对应的运动量输出运动量指标，从而根据运动量指标控制投喂装置进行投喂，可以确定投喂对象当前最有可能的运动量，从而确定投喂对象当前最有可能需要的饲料投喂量，并驱使投喂装置自动投喂，克服人工投喂导致效率低以及无法精确投饵量的缺陷。
附图说明
图1是本申请第一个实施例提供的鱼虾投喂方法的流程图。
图2是本申请第二个实施例提供的鱼虾投喂方法的流程图。
图3是本申请第三个实施例提供的鱼虾投喂方法的流程图。
图4是图1中的步骤S106的流程图。
图5是本申请实施例提供的鱼虾投喂装置的结构示意图。
图6是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置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，可以以不同于装置中的模块划分，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“第一”、“第二”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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
相关技术中，淡水池塘的养殖多数仍采用人工喂养的方式，根据池塘里养殖的鱼或虾的数量及种类估计需要的养殖的鱼或虾的食量，然后采用人工抛洒方式喂养，采用这种方法喂饲，人工抛洒饲料量通过养殖人员多年的养殖经验确定，往往存在主观性，会出现较大误差，过多的投饵量会导致鱼虾过于饱腹而缺乏运动，导致肉质变差，反之，投饵量过少则无法满足鱼虾的基本生长需求，影响其生长速度。另外，饲养员只能沿着池塘边进行抛洒，这样可能造成池塘中间的鱼虾吃不饱，但是边上的鱼虾吃多了的问题，喂食不均匀，会导致鱼虾出现不同的症状，影响养殖业的发展。
基于此，本申请实施例提供了一种鱼虾投喂方法、装置、设备及存储介质，旨在克服人工投喂导致效率低以及无法精确投饵量的缺陷。
本申请实施例提供的鱼虾投喂方法、装置、设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的鱼虾投喂方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的鱼虾投喂方法，涉及人工智能技术领域。本申请实施例提供的鱼虾投喂方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现鱼虾投喂方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
图1是本申请实施例提供的鱼虾投喂方法的第一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S106。
步骤S101，获取投喂时的进食图像。
进食图像为投喂对象从投喂时到进食完毕的图像，投喂对象可以为鱼、虾等水产。在本实施例中，为便于说明将投喂对象定义为鱼。进食图像通过图像采集终端进行采集，图像采集终端可采用现有的图像采集装置(例如摄像头)，进食图像由人工进行筛选，选取完整进食过程(完整进食过程包括开始进食、进食中、结束进食)的若干帧图像作为进食图像，并将进食图像存储在数据库中。可以理解的是，在正式进行投喂之前，向投喂对象投喂少量的饲料，通过图像采集终端采集投喂对象从投喂时到进食完毕的图像，从而得到进食图像。
步骤S102，基于第一识别模型，对进食图像中的投喂对象进行静态形态识别，得到投喂对象对应每个静态形态的形态概率。
所述静态形态对应至少一个运动量。
其中，第一识别模型可以是通过多个进食图像通过网络模型训练获得的，可选地，获取多个进食图像(可以包括低分辨率、高分辨率、反光和遮挡等不同场景的进食图像)，并确定各进食图像中每个投喂对象的静态形态(确定静态形态的方式是通过将投喂对象与参照图像库中的静态形态图像进行比较，将与参照图像库中的静态形态图像相似的投喂对象标记为同一个静态形态的标签)，对于每个投喂对象，将投喂对象分割出来后进行边缘检测，得到该投喂对象的边缘信息，将该投喂对象的边缘信息并入RGB通道中形成四通道图像，并基于投喂对象的静态形态对第一识别模型进行训练，从而得到可以识别出投喂对象对应的静态形态的第一识别模型。第一识别模型可以采用Res50网络模型，可以利用canny算子对投喂对象进行边缘检测，从而得到投喂对象的边缘信息。
具体地，调用第一识别模型对进食图像中的投喂对象进行静态形态识别，从而得到该投喂对象对应每个静态形态的类别概率，每个静态形态对应至少一个运动量。示例性地，第一静态形态的形态概率为0.2(例如是扁瘦)，第二静态形态的形态概率为0.2(例如是腹胀)，第三静态形态的形态概率为0.4(例如是露头)，第四静态形态的形态概率为0.2(例如是失衡)，也就是说，该投喂对象最可能属于第四静态形态，其中，每个静态形态分别对应有3个运动量，第一静态形态的运动量为包括0.88、0.89和0.90，第二静态形态的运动量为包括0.27、0.24和0.28，第三静态形态的运动量为包括0.97、0.94和0.93，第四静态形态的运动量为包括0.11、0.09和0.08。
步骤S103，基于第二识别模型，对进食图像中的投喂对象进行动作类别识别，得到投喂对象对应每个动作类别的类别概率。
所述动作类别对应至少一个运动量。
其中，第二识别模型可以是通过多个进食图像通过网络模型训练获得的，可选地，获取多个进食图像(可以包括低分辨率、高分辨率、反光和遮挡等不同场景的进食图像)，并确定各进食图像中每个投喂对象的动作类别(确定动作类别的方式是通过投喂对象与参照图像库中的动作类别图像进行比较，将与参照图像库中的动作类别图像相似的投喂对象标记为同一个动作类别的标签)，对于每个投喂对象，将投喂对象分割出来后进行边缘检测，得到该投喂对象的边缘信息，将该投喂对象的边缘信息并入RGB通道中形成四通道图像，并基于投喂对象的动作类别对第二识别模型进行训练，从而得到可以识别出投喂对象对应的动作类别的第二识别模型。第二识别模型可以采用Res50网络模型，可以利用canny算子对投喂对象进行边缘检测，从而得到投喂对象的边缘信息。
具体地，调用第二识别模型对进食图像中的投喂对象进行动作类别识别，从而得到该投喂对象对应每个动作类别的类别概率，每个动作类别对应至少一个运动量。示例性地，第一动作类别的类别概率为0.3(例如是急游)，第二动作类别的类别概率为0.2(例如是慢游)，第三动作类别的类别概率为0.5(例如是吐泡)，也就是说，该投喂对象最可能属于第三动作类别，其中，每个动作类别分别对应有5个运动量，第一动作类别的运动量为包括0.72(轻度运动)、0.77(中轻运动)、0.82(中度运动)、0.87(中深运动)和0.92(深度运动)，第二动作类别的运动量为包括0.11(轻度运动)、0.21(中轻运动)、0.31(中度运动)、0.41(中深运动)和0.51(深度运动)，第三动作类别的运动量为包括0.75(轻度运动)、0.80(中轻运动)、0.85(中度运动)、0.90(中深运动)和0.95(深度运动)。
步骤S104，计算最大的形态概率与最大的类别概率的偏差，得到概率偏差值。
具体地，在全部的形态概率中选取数值最大的形态概率，在全部的类别概率中选取数值最大的类别概率，并对最大的形态概率的数值和最大的类别概率的数值作差，计算最大的形态概率与最大的类别概率的偏差，计算结果为概率偏差值。
示例性地，第一静态形态的形态概率为0.2(例如是扁瘦)，第二静态形态的形态概率为0.2(例如是腹胀)，第三静态形态的形态概率为0.4(例如是露头)，第四静态形态的形态概率为0.2(例如是失衡)，第一动作类别的类别概率为0.3(例如是急游)，第二动作类别的类别概率为0.2(例如是慢游)，第三动作类别的类别概率为0.5(例如是吐泡)，选取第三静态形态的形态概率0.4与第三动作类别的类别概率0.5作差，即第三静态形态的形态概率0.4减去第三动作类别的类别概率0.5，得到概率偏差值-0.1。
步骤S105，当概率偏差值在第一偏差范围之外时，基于最大的形态概率与最大的类别概率两者中较大的一者对应的运动量输出运动量指标。
具体地，当概率偏差值在第一偏差范围之外时，当最大的形态概率大于最大的类别概率，基于最大的形态概率对应的运动量计算并输出运动量指标，当最大的类别概率大于最大的形态概率，基于最大的类别概率对应的运动量计算并输出运动量指标。
示例性地，第一静态形态的形态概率为0.2(例如是扁瘦)，第二静态形态的形态概率为0.2(例如是腹胀)，第三静态形态的形态概率为0.4(例如是露头)，第四静态形态的形态概率为0.2(例如是失衡)，第一动作类别的类别概率为0.3(例如是急游)，第二动作类别的类别概率为0.2(例如是慢游)，第三动作类别的类别概率为0.5(例如是吐泡)，选取第三静态形态的形态概率0.4与第三动作类别的类别概率0.5作差，即第三静态形态的形态概率0.4减去第三动作类别的类别概率0.5，得到概率偏差值-0.1，第一偏差范围为±[0,0.08]，则确定为概率偏差值在第一偏差范围之外且最大的类别概率大于最大的形态概率，基于第三动作类别的类别概率对应若干个的运动量计算并输出运动量指标，计算运动量指标的原理可以是输出第三动作类别的类别概率对应若干个的运动量中的最大运动量，也可以是输出第三动作类别的类别概率对应若干个的运动量的平均值。
步骤S106，根据运动量指标控制投喂装置进行投喂。
具体地，不同的运动量指标对应不同的饲料投喂量，运动量指标的数值越大，对应的饲料投喂量越大，输出运动量指标对应的控制信号至投喂装置，控制投喂装置向池塘中投喂饲料。
本申请实施例所示意的步骤S101至步骤S106，通过对进食图像中的投喂对象进行静态形态识别和动作类别识别，得到投喂对象对应各个静态形态的形态概率和对应各个动作类别的类别概率，计算最大的形态概率与最大的类别概率的偏差得到的概率偏差值，当概率偏差值在第一偏差范围之外时，基于最大的形态概率与最大的类别概率两者中较大的一者对应的运动量输出运动量指标，从而根据运动量指标控制投喂装置进行投喂，可以确定投喂对象当前最有可能的运动量，从而确定投喂对象当前最有可能需要的饲料投喂量，并驱使投喂装置自动投喂，克服人工投喂导致效率低以及无法精确投饵量的缺陷。
图2是本申请实施例提供的鱼虾投喂方法的第二个可选的流程图，在图1实施例的基础上，图2中的方法还可以包括步骤S201。
步骤S201，当概率偏差值在第一偏差范围之内时，将最大的类别概率对应的多个运动量中最大的运动量作为运动量指标输出。
具体地，当概率偏差值在第一偏差范围之内时，表征最大的形态概率与最大的类别概率的偏差较小，静态形态识别和动作类别识别均不能得到较为明显的识别结果，无法从静态形态识别的识别结果中确定投喂对象当前的运动量，故将最大的类别概率对应的多个运动量中最大的运动量作为运动量指标输出。
示例性地，第一静态形态的形态概率为0.2(例如是扁瘦)3，第二静态形态的形态概率为0.2(例如是腹胀)3，第三静态形态(例如是露头)的形态概率为0.31，第四静态形态的形态概率为0.2(例如是失衡)3，第一动作类别的类别概率为0.3(例如是急游)2，第二动作类别(例如是慢游)的类别概率为0.32，第三动作类别(例如是吐泡)的类别概率为0.36，选取第三静态形态的形态概率0.31与第三动作类别的类别概率0.36作差，即第三静态形态的形态概率0.31减去第三动作类别的类别概率0.36，得到概率偏差值-0.05，第一偏差范围为±[0,0.08]，则确定为概率偏差值在第一偏差范围之内，将第三动作类别对应的多个运动量中最大的运动量作为运动量指标输出，第三动作类别的最大运动量为0.95。
在一个可行的实施方式中，步骤S105，包括：
当最大的形态概率大于最大的类别概率时，根据第一离散参量输出运动量指标，使第一离散参量与运动量指标呈正相关。
第一离散参量表征最大的形态概率对应的运动量的离散程度。
具体地，当最大的形态概率大于最大的类别概率时，若第一运动量偏差在第二偏差范围之外，则将最大的形态概率对应的多个运动量中最大的运动量作为运动量指标，若第一运动量偏差在第二偏差范围之内，则将最大的形态概率对应的多个运动量中的运动量平均值作为运动量指标。其中，第一运动量偏差为最大的形态概率对应的最大运动量和最小运动量之差。
当最大的形态概率小于最大的类别概率时，根据第二离散参量输出运动量指标，使第二离散参量与运动量指标呈正相关。
第二离散参量表征最大的类别概率对应的运动量的离散程度。
具体地，当最大的形态概率不大于最大的类别概率时，若第二运动量偏差在第二偏差范围之外，则将最大的类别概率对应的多个运动量中最大的运动量作为运动量指标，若第二运动量偏差在第二偏差范围之内，则将最大的类别概率对应的多个运动量中的运动量平均值作为运动量指标；其中，第二运动量偏差为最大的类别概率对应的最大运动量和最小运动量之差。
图3是本申请实施例提供的鱼虾投喂方法的第三个可选的流程图，在图1实施例的基础上，图3中的方法还可以包括步骤S301和步骤S302。
步骤S301，基于最大的形态概率与最大的类别概率两者中较小的一者对应的运动量输出补偿指标。
具体地，当最大的形态概率大于最大的类别概率，基于最大的类别概率对应的运动量计算并输出补偿指标，当最大的类别概率小于最大的形态概率，基于最大的形态概率对应的运动量计算并输出补偿指标。
计算补偿指标的原理可以是输出最大的形态概率或最大的类别概率对应若干个的运动量中的最大运动量，也可以是输出最大的形态概率或最大的类别概率对应若干个的运动量的平均值。
步骤S302，根据补偿指标对运动量指标进行修正。
具体地，根据补偿指标对运动量指标进行修正，可以是取补偿指标和修正前的运动量指标的平均值作为修正后的运动量指标。
在一个可行的实施方式中，步骤S102，包括：
调取多个不同的第一识别模型分别对进食图像进行识别；
对于每个第一识别模型，计算出进食图像的投喂对象对应每个静态形态的形态概率。
具体地，通过调取多个不同的第一识别模型对进食图像进行识别，进而对于每个第一识别模型，计算出进食图像对应每个静态形态的形态概率，从而确定每个静态形态会对应与第一识别模型数量相同的形态概率。
在一个可行的实施方式中，步骤S103，包括：
调取多个不同的第二识别模型分别对进食图像进行识别；
对于每个第二识别模型，计算出进食图像的投喂对象对应每个动作类别的类别概率。
具体地，通过调取多个不同的第二识别模型对进食图像进行识别，进而对于每个第二识别模型，计算出进食图像对应每个动作类别的类别概率，从而确定每个动作类别会对应与第二识别模型数量相同的类别概率。
请参阅图4，在一些实施例中，步骤S106可以包括但不限于包括步骤S401至步骤S403。
步骤S401，根据运动量指标生成第一时长。
步骤S402，计算进食图像中各投喂对象对应的运动量指标的偏差，得到指标偏差值，根据指标偏差值生成第二时长。
步骤S403，控制投喂装置开始投喂并进行计时，在计时到达第一时长之前，重复执行间停投喂流程。
其中，第一时长与运动量指标呈正相关，第二时长与指标偏差值呈正相关，间停投喂流程为控制投喂装置进行投喂并进行计时，计时到达第二时长时控制投喂装置暂停投喂直至预设等待时长结束。
在投喂对象进食过程中，可能会出现投喂对象进食量过少，从而导致投喂对象发育过缓的情况，也可能出现投喂对象进食量过多且投喂效果不均匀，导致部分投喂对象进食过多而发育过快的情况。投喂对象发育过缓相应的带来的经济效益也会降低，投喂对象发育过快相应的肉质较差，也会导致单品价值过低，从而影响整体的经济效益，因此在养殖过程中，应当避免这两种情况。
可以理解的是，第一时长为总进食时长，运动量指标越大，总进食时长越大，第二时长为分段进食时长，指标偏差值越大，分段进食时长越大。当运动量指标越大，生成的第一时长越长，饲料投喂量越大，从而满足投喂对象的当前所需进食量，当指标偏差值越大，表征进食图像中各个投喂对象的运动量越不均衡，生成的第二时长越大，从而延长第一时长内单次投喂的投喂时间，从而满足进食图像中各个投喂对象的不同进食量。
请参阅图5，本申请实施例还提供一种鱼虾投喂装置，可以实现上述鱼虾投喂方法，该装置包括：
第一模块501，用于获取投喂时的进食图像；
第二模块502，用于基于第一识别模型，对进食图像中的投喂对象进行静态形态识别，得到投喂对象对应每个静态形态的形态概率，所述静态形态对应至少一个运动量；
第三模块503，用于基于第二识别模型，对进食图像中的投喂对象进行动作类别识别，得到投喂对象对应每个动作类别的类别概率，所述动作类别对应至少一个运动量；
第四模块504，用于计算最大的形态概率与最大的类别概率的偏差，得到概率偏差值；
第五模块505，用于当概率偏差值在第一偏差范围之外时，基于最大的形态概率与最大的类别概率两者中较大的一者对应的运动量输出运动量指标；
第六模块506，用于根据运动量指标控制投喂装置进行投喂。
该鱼虾投喂装置的具体实施方式与上述鱼虾投喂方法的具体实施例基本相同，在此不再赘述。
本申请实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述鱼虾投喂方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图6，图6示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器601，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器602，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器602可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器602中，并由处理器601来调用执行本申请实施例的鱼虾投喂方法；
输入/输出接口603，用于实现信息输入及输出；
通信接口604，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线605，在设备的各个组件(例如处理器601、存储器602、输入/输出接口603和通信接口604)之间传输信息；
其中，处理器601、存储器602、输入/输出接口603和通信接口604通过总线605实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述鱼虾投喂方法。
存储器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以及非暂态性计算机可执行程序。此外，存储器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。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的鱼虾投喂方法、装置、电子设备及存储介质，通过对进食图像中的投喂对象进行静态形态识别和动作类别识别，得到投喂对象对应各个静态形态的形态概率和对应各个动作类别的类别概率，计算最大的形态概率与最大的类别概率的偏差得到的概率偏差值，当概率偏差值在第一偏差范围之外时，基于最大的形态概率与最大的类别概率两者中较大的一者对应的运动量输出运动量指标，从而根据运动量指标控制投喂装置进行投喂，可以确定投喂对象当前最有可能的运动量，从而确定投喂对象当前最有可能需要的饲料投喂量，并驱使投喂装置自动投喂，克服人工投喂导致效率低以及无法精确投饵量的缺陷。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置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，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述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。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种鱼虾投喂方法，其特征在于，包括：
获取投喂时的进食图像；
基于第一识别模型，对进食图像中的投喂对象进行静态形态识别，得到投喂对象对应每个静态形态的形态概率，所述静态形态对应至少一个运动量；
基于第二识别模型，对进食图像中的投喂对象进行动作类别识别，得到投喂对象对应每个动作类别的类别概率，所述动作类别对应至少一个运动量；
计算最大的形态概率与最大的类别概率的偏差，得到概率偏差值；
当概率偏差值在第一偏差范围之外时，基于最大的形态概率与最大的类别概率两者中较大的一者对应的运动量输出运动量指标；
根据运动量指标控制投喂装置进行投喂；
其中，所述静态形态包括：扁瘦形态、腹胀形态、露头形态和失衡形态；
所述第一识别模型通过多个所述进食图像通过网络模型训练获得；
所述通过多个所述进食图像通过网络模型训练获得所述第一识别模型的方式包括：
获取多个所述进食图像，并确定各进食图像中每个投喂对象的静态形态；
对于每个投喂对象，将投喂对象分割出来后进行边缘检测，得到该投喂对象的边缘信息；
将该投喂对象的边缘信息并入RGB通道中形成四通道图像，并基于投喂对象的静态形态对第一识别模型进行训练，得到所述第一识别模型；
其中，所述动作类别包括：急游、慢游和吐泡；
所述第二识别模型通过多个所述进食图像通过网络模型训练获得；
所述通过多个所述进食图像通过网络模型训练获得所述第二识别模型的方式包括：
获取多个所述进食图像，并确定各进食图像中每个投喂对象的动作类别；
对于每个投喂对象，将投喂对象分割出来后进行边缘检测，得到该投喂对象的边缘信息；
将该投喂对象的边缘信息并入RGB通道中形成四通道图像，并基于投喂对象的动作类别对第二识别模型进行训练，得到所述第二识别模型。
2.根据权利要求1所述的鱼虾投喂方法，其特征在于，所述鱼虾投喂方法，还包括：
当概率偏差值在第一偏差范围之内时，将最大的类别概率对应的多个运动量中最大的运动量作为运动量指标输出。
3.根据权利要求1所述的鱼虾投喂方法，其特征在于，所述基于最大的形态概率与最大的类别概率两者中较大的一者对应的运动量输出运动量指标，包括：
当最大的形态概率大于最大的类别概率时，根据第一离散参量输出运动量指标，使第一离散参量与运动量指标呈正相关，所述第一离散参量表征所述最大的形态概率对应的运动量的离散程度；
当最大的形态概率小于最大的类别概率时，根据第二离散参量输出运动量指标，使第二离散参量与运动量指标呈正相关，所述第二离散参量表征所述最大的类别概率对应的运动量的离散程度。
4.根据权利要求1所述的鱼虾投喂方法，其特征在于，所述鱼虾投喂方法，还包括：
基于最大的形态概率与最大的类别概率两者中较小的一者对应的运动量输出补偿指标；
根据补偿指标对运动量指标进行修正。
5.根据权利要求1所述的鱼虾投喂方法，其特征在于，所述基于第一识别模型，对进食图像中的投喂对象进行静态形态识别，包括：
调取多个不同的第一识别模型分别对进食图像进行识别；
对于每个第一识别模型，计算出进食图像的投喂对象对应每个静态形态的形态概率。
6.根据权利要求1所述的鱼虾投喂方法，其特征在于，所述基于第二识别模型，对进食图像中的投喂对象进行动作类别识别，包括：
调取多个不同的第二识别模型分别对进食图像进行识别；
对于每个第二识别模型，计算出进食图像的投喂对象对应每个动作类别的类别概率。
7.根据权利要求1所述的鱼虾投喂方法，其特征在于，所述根据所述运动量指标控制投喂装置进行投喂，包括：
根据运动量指标生成第一时长，所述第一时长与所述运动量指标呈正相关；
计算进食图像中各投喂对象对应的运动量指标的偏差，得到指标偏差值，根据指标偏差值生成第二时长，所述第二时长与所述指标偏差值呈正相关；
控制投喂装置开始投喂并进行计时，在计时到达第一时长之前，重复执行间停投喂流程，所述间停投喂流程为控制投喂装置进行投喂并进行计时，计时到达第二时长时控制投喂装置暂停投喂直至预设等待时长结束。
8.一种鱼虾投喂装置，其特征在于，所述装置包括：
第一模块，用于获取投喂时的进食图像；
第二模块，用于基于第一识别模型，对进食图像中的投喂对象进行静态形态识别，得到投喂对象对应每个静态形态的形态概率，所述静态形态对应至少一个运动量；
第三模块，用于基于第二识别模型，对进食图像中的投喂对象进行动作类别识别，得到投喂对象对应每个动作类别的类别概率，所述动作类别对应至少一个运动量；
第四模块，用于计算最大的形态概率与最大的类别概率的偏差，得到概率偏差值；
第五模块，用于当概率偏差值在第一偏差范围之外时，基于最大的形态概率与最大的类别概率两者中较大的一者对应的运动量输出运动量指标；
第六模块，用于根据运动量指标控制投喂装置进行投喂；
其中，所述静态形态包括：扁瘦形态、腹胀形态、露头形态和失衡形态；
所述第二模块包括用于通过多个所述进食图像通过网络模型训练获得所述第一识别模型的模块；
所述用于通过多个所述进食图像通过网络模型训练获得所述第一识别模型的模块包括：
用于获取多个所述进食图像，并确定各进食图像中每个投喂对象的静态形态的单元；
用于对于每个投喂对象，将投喂对象分割出来后进行边缘检测，得到该投喂对象的边缘信息的单元；
用于将该投喂对象的边缘信息并入RGB通道中形成四通道图像，并基于投喂对象的静态形态对第一识别模型进行训练，得到所述第一识别模型的单元；
其中，所述动作类别包括：急游、慢游和吐泡；
所述第三模块包括：用于通过多个所述进食图像通过网络模型训练获得所述第二识别模型的模块；
所述用于通过多个所述进食图像通过网络模型训练获得所述第二识别模型的模块包括：
用于获取多个所述进食图像，并确定各进食图像中每个投喂对象的动作类别的单元；
用于对于每个投喂对象，将投喂对象分割出来后进行边缘检测，得到该投喂对象的边缘信息的单元；
用于将该投喂对象的边缘信息并入RGB通道中形成四通道图像，并基于投喂对象的动作类别对第二识别模型进行训练，得到所述第二识别模型的单元。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的鱼虾投喂方法。
10.一种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程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的鱼虾投喂方法。
CN202310460023.XA 2023-04-25 2023-04-25 鱼虾投喂方法、装置、系统和存储介质 Active CN116548345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310460023.XA CN116548345B (zh) 2023-04-25 2023-04-25 鱼虾投喂方法、装置、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310460023.XA CN116548345B (zh) 2023-04-25 2023-04-25 鱼虾投喂方法、装置、系统和存储介质

Publications (2)

Publication Number Publication Date
CN116548345A CN116548345A (zh) 2023-08-08
CN116548345B true CN116548345B (zh) 2024-01-09

Family

ID=87495747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310460023.XA Active CN116548345B (zh) 2023-04-25 2023-04-25 鱼虾投喂方法、装置、系统和存储介质

Country Status (1)

Country Link
CN (1) CN116548345B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110583550A (zh) * 2019-09-20 2019-12-20 重庆工商大学 基于目标检测与跟踪的鱼虾参养殖精准投喂系统及装置
CN110942045A (zh) * 2019-12-05 2020-03-31 安徽信息工程学院 一种基于机器视觉的智能鱼缸投食系统
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
KR102274057B1 (ko) * 2020-06-12 2021-07-07 대한민국 양식수조내 어류의 먹이활동성 측정 장치 및 이를 이용한 먹이 공급 방법
CN113349111A (zh) * 2021-05-25 2021-09-07 中国农业大学 一种用于水产养殖物的动态投喂方法、系统和存储介质
CN113592896A (zh) * 2020-04-30 2021-11-02 中国农业大学 基于图像处理的鱼类投喂方法、系统、设备及存储介质
CN113780225A (zh) * 2021-09-17 2021-12-10 重庆煜鑫渔蔬园农业科技有限公司 基于深度学习和图像识别的鱼类喂食方法
CN114627554A (zh) * 2022-03-14 2022-06-14 江西增鑫科技股份有限公司 一种水产品自动化养殖投饲集中管理方法及系统
CN114627401A (zh) * 2021-07-29 2022-06-14 广州机智云物联网科技有限公司 鱼塘管理系统、养殖设备控制方法、装置和计算机设备
CN115100513A (zh) * 2022-06-28 2022-09-23 重庆工商大学 基于计算机视觉识别的养殖对象进食量估算方法及系统
CN115410152A (zh) * 2022-08-30 2022-11-29 中国水产科学研究院渔业机械仪器研究所 一种户外鱼类池塘养殖投喂监控系统
CN115619823A (zh) * 2022-09-16 2023-01-17 浙江大华技术股份有限公司 一种物体投放方法、装置、终端及计算机可读存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3174265A1 (en) * 2021-03-07 2022-09-15 William Stone Ai based feeding system and method for land based fish farms

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110583550A (zh) * 2019-09-20 2019-12-20 重庆工商大学 基于目标检测与跟踪的鱼虾参养殖精准投喂系统及装置
CN110942045A (zh) * 2019-12-05 2020-03-31 安徽信息工程学院 一种基于机器视觉的智能鱼缸投食系统
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
CN113592896A (zh) * 2020-04-30 2021-11-02 中国农业大学 基于图像处理的鱼类投喂方法、系统、设备及存储介质
KR102274057B1 (ko) * 2020-06-12 2021-07-07 대한민국 양식수조내 어류의 먹이활동성 측정 장치 및 이를 이용한 먹이 공급 방법
CN113349111A (zh) * 2021-05-25 2021-09-07 中国农业大学 一种用于水产养殖物的动态投喂方法、系统和存储介质
CN114627401A (zh) * 2021-07-29 2022-06-14 广州机智云物联网科技有限公司 鱼塘管理系统、养殖设备控制方法、装置和计算机设备
CN113780225A (zh) * 2021-09-17 2021-12-10 重庆煜鑫渔蔬园农业科技有限公司 基于深度学习和图像识别的鱼类喂食方法
CN114627554A (zh) * 2022-03-14 2022-06-14 江西增鑫科技股份有限公司 一种水产品自动化养殖投饲集中管理方法及系统
CN115100513A (zh) * 2022-06-28 2022-09-23 重庆工商大学 基于计算机视觉识别的养殖对象进食量估算方法及系统
CN115410152A (zh) * 2022-08-30 2022-11-29 中国水产科学研究院渔业机械仪器研究所 一种户外鱼类池塘养殖投喂监控系统
CN115619823A (zh) * 2022-09-16 2023-01-17 浙江大华技术股份有限公司 一种物体投放方法、装置、终端及计算机可读存储介质

Also Published As

Publication number Publication date
CN116548345A (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
Wang et al. ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images
Liu et al. Measuring feeding activity of fish in RAS using computer vision
CN108921105B (zh) 识别目标数量的方法、装置及计算机可读存储介质
Shafait et al. Towards automating underwater measurement of fish length: a comparison of semi-automatic and manual stereo–video measurements
CN104008367A (zh) 基于计算机视觉的育肥猪的自动行为分析系统及方法
CN112232978B (zh) 水产品体长和重量检测方法、终端设备及存储介质
CN112257564B (zh) 水产品数量统计方法、终端设备及存储介质
CN108229351B (zh) 一种动物养殖方法、动物养殖装置及电子设备
Lee et al. Research Article The Use of Vision in a Sustainable Aquaculture Feeding System
CN108182423A (zh) 一种基于深度卷积神经网络的禽类动物行为识别方法
CN107992903A (zh) 牲畜身份识别方法、装置、存储介质和电子设备
Navotas et al. Fish identification and freshness classification through image processing using artificial neural network
CN111161090B (zh) 圈养栏信息的确定方法、装置及系统、存储介质
US20200202511A1 (en) System and method to analyse an animal's image for market value determination
CN111297367A (zh) 一种动物状态监测方法、装置、电子设备及存储介质
CN109086696B (zh) 一种异常行为检测方法、装置、电子设备及存储介质
KR20160141247A (ko) 넙치 습성을 이용한 음향분석 먹이활성도 분석 시스템
CN116548345B (zh) 鱼虾投喂方法、装置、系统和存储介质
CN113379561A (zh) 一种家禽数量的智能计算方法、设备及介质
CN112461342A (zh) 水产品称重方法、终端设备及存储介质
CN114065801B (zh) 基于神经网络模型的土壤监测方法、系统和可读存储介质
CN115777560A (zh) 一种基于机器视觉分析技术的母猪智能化饲喂系统
CN114724067A (zh) 一种养殖场饲料监控方法、装置、电子设备及存储介质
CN114708233A (zh) 一种用于对猪胴体膘厚进行测量的方法及其相关产品
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

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