CN116723614B - 一种基于ai的自适应鱼类繁殖环境光照控制方法 - Google Patents
一种基于ai的自适应鱼类繁殖环境光照控制方法 Download PDFInfo
- Publication number
- CN116723614B CN116723614B CN202310885504.5A CN202310885504A CN116723614B CN 116723614 B CN116723614 B CN 116723614B CN 202310885504 A CN202310885504 A CN 202310885504A CN 116723614 B CN116723614 B CN 116723614B
- Authority
- CN
- China
- Prior art keywords
- fish
- illumination
- data
- behavior
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005286 illumination Methods 0.000 title claims abstract description 513
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 452
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 210
- 238000001514 detection method Methods 0.000 claims abstract description 113
- 238000012545 processing Methods 0.000 claims abstract description 108
- 230000009467 reduction Effects 0.000 claims abstract description 101
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000009395 breeding Methods 0.000 claims abstract description 16
- 230000001488 breeding effect Effects 0.000 claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 336
- 230000006870 function Effects 0.000 claims description 120
- 230000007613 environmental effect Effects 0.000 claims description 84
- 238000012937 correction Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 32
- 238000012544 monitoring process Methods 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 27
- 238000012795 verification Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 26
- 238000005516 engineering process Methods 0.000 claims description 23
- 238000003709 image segmentation Methods 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 22
- 238000009499 grossing Methods 0.000 claims description 21
- 238000013136 deep learning model Methods 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 12
- 230000000737 periodic effect Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000003542 behavioural effect Effects 0.000 claims description 7
- 230000036962 time dependent Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 241000894007 species Species 0.000 claims description 4
- 230000006698 induction Effects 0.000 claims description 3
- 238000005498 polishing Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 241001125889 Micropterus salmoides Species 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 20
- 230000000694 effects Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 9
- 230000036541 health Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000004791 biological behavior Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000010224 classification analysis Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009182 swimming Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000036528 appetite Effects 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
- H05B47/11—Controlling the light source in response to determined parameters by determining the brightness or colour temperature of ambient light
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/165—Controlling the light source following a pre-assigned programmed sequence; Logic control [LC]
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明涉及人工智能光照控制技术领域，尤其涉及一种基于AI的自适应鱼类繁殖环境光照控制方法。所述方法包括：通过传感器对鱼类繁殖环境进行数据采集处理，得到鱼类繁殖环境数据；利用环境降噪算法对鱼类繁殖环境数据进行降噪处理，得到鱼类繁殖环境降噪数据；通过计算机视觉算法对鱼类繁殖环境进行光照采集，得到光照数据；基于行为侦测算法利用光照数据对鱼类繁殖环境降噪数据进行行为侦测处理，得到鱼类行为数据；利用特征转换算法对鱼类行为数据进行特征提取，得到鱼类行为特征。本发明通过模型学习鱼类的生长行为状况以实现光照控制的自适应调整，能够有效提高加州鲈鱼苗种的生长速率。
Description
技术领域
本发明涉及人工智能光照控制技术领域，尤其涉及一种基于AI的自适应鱼类繁殖环境光照控制方法。
背景技术
在鱼类繁殖过程中，环境光照的控制是至关重要的一环，同时，适用于加州鲈鱼苗种孵化及养殖期间，适当的光照条件不仅可以刺激加州鲈鱼的食欲，提高加州鲈鱼苗种的生长速度，还可以调节加州鲈鱼的生物钟，影响其行为习惯，从而提高加州鲈鱼的生存率和繁殖能力。然而，由于鱼类对光照的需求在生命周期的不同阶段有很大的差异，因此，如何根据鱼类的实际生长状况和行为反应来动态、智能地调整环境光照，是鱼类繁殖技术中的一个重要问题。现有的环境光照控制技术主要是依赖人工设定或固定的控制策略。例如，养殖者可以根据经验或标准指南来设定灯光的亮度和颜色，或者使用定时器来模拟自然的日夜交替。然而，这种方法的效果往往难以满足鱼类生长的需求，因为它无法根据鱼类的实际反应来调整灯光，也无法适应环境条件和鱼类生长状况的变化。
发明内容
基于此，本发明有必要提供一种基于AI的自适应鱼类繁殖环境光照控制方法，以解决至少一个上述技术问题。
为实现上述目的，一种基于AI的自适应鱼类繁殖环境光照控制方法，包括以下步骤：
步骤S1：通过传感器对鱼类繁殖环境进行数据采集处理，得到鱼类繁殖环境数据；利用环境降噪算法对鱼类繁殖环境数据进行降噪处理，得到鱼类繁殖环境降噪数据；
步骤S2：通过计算机视觉算法模型对鱼类繁殖环境进行光照采集，得到光照数据；基于行为侦测算法利用光照数据对鱼类繁殖环境降噪数据进行行为侦测处理，得到鱼类行为数据；
步骤S3：利用特征提取技术对鱼类行为数据进行特征提取，得到鱼类行为特征；根据预设的深度学习模型对鱼类行为特征进行行为检测处理，得到鱼类生长行为状况；
步骤S4，包括：
步骤S41：通过数据采集技术对鱼类生长行为状况进行数据采集处理，得到鱼类生长行为数据；
步骤S42：对鱼类生长行为数据进行数据标准化处理，得到鱼类生长行为标准数据；
步骤S43：利用光照控制算法对鱼类生长行为标准数据进行光照控制调整，得到光照需求数据；
其中，光照控制算法函数公式如下所示：
；
式中，为在时间/>时的光照需求数据，/>为在时间/>时鱼类所能接受的光照强度，/>为/>的调整因子，/>为在时间/>时鱼类所能接受的光照强度变化率，/>为/>的调整因子，/>为在时间/>时鱼类所能接受的环境温度，/>为在时间/>时鱼类所能接受的环境温度变化率，/>为/>的调整因子，/>为在时间/>时鱼类所能接受的环境温度变化加速度，/>为/>的调整因子，/>为在时间/>时鱼类所能接受的光照强度周期性波动，/>为/>的调整因子，/>为光照需求数据的修正值；
本发明构建了一个光照控制算法函数的公式，用于对鱼类生长行为标准数据进行光照控制调整，能够提高光照环境的匹配度，使鱼类在适宜的光照环境下生长，减少光照环境不适应对鱼类生长的不良影响，并通过对光照强度、光照波动、温度等参数进行精确的调整，可以实现针对鱼类生长光照需求数据的最优控制效果。该算法函数公式充分考虑了在时间时鱼类所能接受的光照强度/>，/>的调整因子/>，在时间/>时鱼类所能接受的光照强度变化率/>，/>的调整因子/>，在时间/>时鱼类所能接受的环境温度/>，在时间/>时鱼类所能接受的环境温度变化率/>，/>的调整因子/>，在时间/>时鱼类所能接受的环境温度变化加速度/>，/>的调整因子/>，在时间/>时鱼类所能接受的光照强度周期性波动/>，/>的调整因子/>，根据在时间/>时的光照需求数据/>与以上各参数之间的相互关系构成了一种函数关系：
；
该算法函数公式实现了对鱼类生长行为标准数据的光照控制调整，同时，通过光照需求数据的修正值的引入可以根据实际情况进行调整，进一步提高光照控制算法的稳定性和适用性，从而提高获取光照需求数据的准确性。
步骤S5：利用自适应监控技术对光照需求数据进行监控处理，得到光照控制数据；通过傅里叶变换算法对光照控制数据进行频谱变换，得到光照控制信号；
步骤S6：根据光照控制信号响应光照控制器，以执行相应的光照调整策略。
本发明通过传感器对鱼类繁殖环境进行精细化的数据采集和处理，可以更加准确地了解鱼类繁殖环境的情况，从而为后续的控制和调节提供有效的数据基础。利用高效的环境降噪算法可以去除干扰因素和噪声，使得繁殖环境参数更加真实和准确，为后续分析提供了基础。通过选择合适的计算机视觉算法模型对鱼类繁殖环境进行光照采集，以得到光照数据，获得的光照数据可以用于判断鱼类繁殖环境中的光照强度和变化情况，为后续的光照控制提供必要的数据支持。行为侦测算法可以利用光照数据去除环境噪声和其它干扰因素对生物行为数据进行恰当提取和解析，从而发现和研究鱼类行为变化的规律，为后续研究行为特征提供必要的数据支持，还可以为鱼类的健康和生长情况进行提前预警。然后，通过特征提取技术对得到的鱼类行为数据进行特征提取，将鱼类行为数据处理成更加易于分析的数据特征，提高行为分析的效率，基于深度学习模型对鱼类行为特征进行检测可以高效地判断出鱼类行为特征所表达的生长状态，为后续的调节和管理提供重要依据。通过数据采集技术对鱼类生长行为状况进行数据采集处理，可以获取到鱼类在不同时间点的生长行为数据，通过对鱼类生长行为数据的采集和分析可以及时发现和解决鱼类繁殖中的问题，从而提高鱼类的生长和养殖效益，为后续的光照控制提供了数据来源。并通过对鱼类生长行为数据进行标准化处理，可以消除不同样本之间差异的影响，使得数据能够更好地进行比较、统计和分析。可以根据鱼类生长行为数据的不同特点选择适合的标准化方法，标准化处理能够提高数据分析的准确性和可靠性，为后续光照控制分析提供有力的支持。另外，通过选择合适的光照控制算法对鱼类生长行为标准数据进行光照控制调整，可以得到鱼类对光照强度的需求数据。光照强度是影响鱼类生长和健康状态的重要环境因素之一，合理的光照强度可以促进鱼类的生长和健康。光照控制算法可以根据不同的鱼类品种和生长阶段，智能地调整光照强度和周期，以适应鱼类的生长需求。通过自适应监控技术可以自动地对光照需求数据进行实时监测，并对不同情况的光照需求进行不同的调节，帮助管理者更好地维护鱼类繁殖环境，并利用傅里叶变换算法可以把时域信号变换到频域上，并且把频率分布情况表示出来，可以在实际光照控制中起到优化和帮助避免因过度控制造成的生态损害，从而得到更加准确的光照控制信号。在得到最后的光照控制信号后，可以通过光照控制器进行实际的光照调整策略，为鱼类提供更加合适的生长环境和光照条件，从而实现对光照强度的实时调整和优化。通过以上步骤的实施，根据鱼类的实际反应来自适应调整环境光照条件，从而能够有效地提高鱼类的生长速率。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明基于AI的自适应鱼类繁殖环境光照控制方法的步骤流程示意图；
图2为图1中步骤S1的详细步骤流程示意图；
图3为图2中步骤S13的详细步骤流程示意图；
图4为图1中步骤S2的详细步骤流程示意图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为实现上述目的，请参阅图1至图4，本发明提供了一种基于AI的自适应鱼类繁殖环境光照控制方法，所述方法包括以下步骤：
步骤S1：通过传感器对鱼类繁殖环境进行数据采集处理，得到鱼类繁殖环境数据；利用环境降噪算法对鱼类繁殖环境数据进行降噪处理，得到鱼类繁殖环境降噪数据；
步骤S2：通过计算机视觉算法模型对鱼类繁殖环境进行光照采集，得到光照数据；基于行为侦测算法利用光照数据对鱼类繁殖环境降噪数据进行行为侦测处理，得到鱼类行为数据；
步骤S3：利用特征提取技术对鱼类行为数据进行特征提取，得到鱼类行为特征；根据预设的深度学习模型对鱼类行为特征进行行为检测处理，得到鱼类生长行为状况；
步骤S4，包括：
步骤S41：通过数据采集技术对鱼类生长行为状况进行数据采集处理，得到鱼类生长行为数据；
步骤S42：对鱼类生长行为数据进行数据标准化处理，得到鱼类生长行为标准数据；
步骤S43：利用光照控制算法对鱼类生长行为标准数据进行光照控制调整，得到光照需求数据；
其中，光照控制算法函数公式如下所示：
；
式中，为在时间/>时的光照需求数据，/>为在时间/>时鱼类所能接受的光照强度，/>为/>的调整因子，/>为在时间/>时鱼类所能接受的光照强度变化率，/>为/>的调整因子，/>为在时间/>时鱼类所能接受的环境温度，/>为在时间/>时鱼类所能接受的环境温度变化率，/>为/>的调整因子，/>为在时间/>时鱼类所能接受的环境温度变化加速度，/>为/>的调整因子，/>为在时间/>时鱼类所能接受的光照强度周期性波动，/>为/>的调整因子，/>为光照需求数据的修正值；
步骤S5：利用自适应监控技术对光照需求数据进行监控处理，得到光照控制数据；通过傅里叶变换算法对光照控制数据进行频谱变换，得到光照控制信号；
步骤S6：根据光照控制信号响应光照控制器，以执行相应的光照调整策略。
本发明实施例中，请参考图1所示，为本发明基于AI的自适应鱼类繁殖环境光照控制方法的步骤流程示意图，在本实例中，所述基于AI的自适应鱼类繁殖环境光照控制方法的步骤包括：
步骤S1：通过传感器对鱼类繁殖环境进行数据采集处理，得到鱼类繁殖环境数据；利用环境降噪算法对鱼类繁殖环境数据进行降噪处理，得到鱼类繁殖环境降噪数据；
本发明实施例通过选择合适的传感器测量鱼类繁殖环境中的各种数据，并对其进行数据采集处理，以得到鱼类繁殖环境数据。然后，通过选择一个合适的环境降噪算法对鱼类繁殖环境数据进行降噪处理，在使用环境降噪算法进行降噪处理的过程中，需要设置合适的滤波器函数和调和平滑参数控制数据降噪的程度，确保降噪数据的完整性和准确性，最终得到鱼类繁殖环境降噪数据。
步骤S2：通过计算机视觉算法模型对鱼类繁殖环境进行光照采集，得到光照数据；基于行为侦测算法利用光照数据对鱼类繁殖环境降噪数据进行行为侦测处理，得到鱼类行为数据；
本发明实施例通过设置一个合适的计算机视觉算法模型对鱼类繁殖环境进行光照采集，通过光照摄像头采集图像数据，然后通过图像处理技术提取出鱼类繁殖环境的光照强度等相关信息，以得到光照数据。然后，对光照数据和鱼类繁殖环境降噪数据进行历史追溯处理以获取鱼类历史行为数据，最后，设置一个合适的行为侦测算法对鱼类历史行为数据进行行为侦测处理，并设置合适的行为数据、光照强度、光照强度相位差以及各权重参数对鱼类历史行为数据进行精细化分析鱼类行为变化，并根据实际情况对鱼类行为数据进行修正，最终得到更加准确的鱼类行为数据。
步骤S3：利用特征提取技术对鱼类行为数据进行特征提取，得到鱼类行为特征；根据预设的深度学习模型对鱼类行为特征进行行为检测处理，得到鱼类生长行为状况；
本发明实施例通过利用现有的特征提取技术对鱼类行为数据进行特征提取，以得到鱼类行为特征。然后，通过构建一个基于卷积神经网络的深度学习模型对鱼类行为特征进行行为检测处理，学习不同行为特征与鱼类生长行为状态之间的关系，并对其进行分类和统计分析，最终得到鱼类生长行为状况。
步骤S4，包括：
步骤S41：通过数据采集技术对鱼类生长行为状况进行数据采集处理，得到鱼类生长行为数据；
本发明实施例通过采用数据采集技术对鱼类生长行为状况进行数据采集处理，获取鱼类在不同时间点的行为数据，其中包括鱼类的游动速度、游动方向、呼吸频率等多种生长行为指标，通过各指标分析鱼类的生长状态和需求数据，最终得到鱼类生长行为数据。
步骤S42：对鱼类生长行为数据进行数据标准化处理，得到鱼类生长行为标准数据；
本发明实施例根据鱼类生长行为数据的特点选择z-score标准化方法对各项指标进行统一的数值范围转换处理，最终得到鱼类生长行为标准数据。
步骤S43：利用光照控制算法对鱼类生长行为标准数据进行光照控制调整，得到光照需求数据；
本发明实施例通过选择一个合适的光照控制算法对标准化后的鱼类生长行为数据进行光照控制调整，光照控制算法可以根据鱼类生长行为标准数据以及设计要求，计算出对应的光照强度和周期性波动，并通过对光照强度、光照波动、温度等参数进行精确的调整，以满足鱼类的生长需求，最终得到光照需求数据。
其中，光照控制算法函数公式如下所示：
；
式中，为在时间/>时的光照需求数据，/>为在时间/>时鱼类所能接受的光照强度，/>为/>的调整因子，/>为在时间/>时鱼类所能接受的光照强度变化率，/>为/>的调整因子，/>为在时间/>时鱼类所能接受的环境温度，/>为在时间/>时鱼类所能接受的环境温度变化率，/>为/>的调整因子，/>为在时间/>时鱼类所能接受的环境温度变化加速度，/>为/>的调整因子，/>为在时间/>时鱼类所能接受的光照强度周期性波动，/>为/>的调整因子，/>为光照需求数据的修正值；
本发明构建了一个光照控制算法函数的公式，用于对鱼类生长行为标准数据进行光照控制调整，能够提高光照环境的匹配度，使鱼类在适宜的光照环境下生长，减少光照环境不适应对鱼类生长的不良影响，并通过对光照强度、光照波动、温度等参数进行精确的调整，可以实现针对鱼类生长光照需求数据的最优控制效果。该算法函数公式充分考虑了在时间时鱼类所能接受的光照强度/>，/>的调整因子/>，在时间/>时鱼类所能接受的光照强度变化率/>，/>的调整因子/>，在时间/>时鱼类所能接受的环境温度/>，在时间/>时鱼类所能接受的环境温度变化率/>，/>的调整因子/>，在时间/>时鱼类所能接受的环境温度变化加速度/>，/>的调整因子/>，在时间/>时鱼类所能接受的光照强度周期性波动/>，/>的调整因子/>，根据在时间/>时的光照需求数据/>与以上各参数之间的相互关系构成了一种函数关系：
；
该算法函数公式实现了对鱼类生长行为标准数据的光照控制调整，同时，通过光照需求数据的修正值的引入可以根据实际情况进行调整，进一步提高光照控制算法的稳定性和适用性，从而提高获取光照需求数据的准确性。
步骤S5：利用自适应监控技术对光照需求数据进行监控处理，得到光照控制数据；通过傅里叶变换算法对光照控制数据进行频谱变换，得到光照控制信号；
本发明实施例通过利用光照控制系统中的自适应监控技术对光照需求数据进行监控处理，以得到光照控制数据。然后，通过设置一个合适的傅里叶变换算法对光照控制数据进行频谱变换，将光照控制数据转化为离散采样的时域信号，对离散化后的时域信号进行傅里叶变换，进一步分析时域信号波形的频率分量和频域性质，最终得到光照控制信号。
步骤S6：根据光照控制信号响应光照控制器，以执行相应的光照调整策略。
本发明实施例通过使用光照感应器感知光照控制信号并将其传输到光照控制器中，响应于光照控制器，根据光照实际需求制定合适的光照控制方案，将制定好的光照控制方案传输到光照控制器中执行相应的光照调整策略。
本发明通过传感器对鱼类繁殖环境进行精细化的数据采集和处理，可以更加准确地了解鱼类繁殖环境的情况，从而为后续的控制和调节提供有效的数据基础。利用高效的环境降噪算法可以去除干扰因素和噪声，使得繁殖环境参数更加真实和准确，为后续分析提供了基础。通过选择合适的计算机视觉算法模型对鱼类繁殖环境进行光照采集，以得到光照数据，获得的光照数据可以用于判断鱼类繁殖环境中的光照强度和变化情况，为后续的光照控制提供必要的数据支持。行为侦测算法可以利用光照数据去除环境噪声和其它干扰因素对生物行为数据进行恰当提取和解析，从而发现和研究鱼类行为变化的规律，为后续研究行为特征提供必要的数据支持，还可以为鱼类的健康和生长情况进行提前预警。然后，通过特征提取技术对得到的鱼类行为数据进行特征提取，将鱼类行为数据处理成更加易于分析的数据特征，提高行为分析的效率，基于深度学习模型对鱼类行为特征进行检测可以高效地判断出鱼类行为特征所表达的生长状态，为后续的调节和管理提供重要依据。通过数据采集技术对鱼类生长行为状况进行数据采集处理，可以获取到鱼类在不同时间点的生长行为数据，通过对鱼类生长行为数据的采集和分析可以及时发现和解决鱼类繁殖中的问题，从而提高鱼类的生长和养殖效益，为后续的光照控制提供了数据来源。并通过对鱼类生长行为数据进行标准化处理，可以消除不同样本之间差异的影响，使得数据能够更好地进行比较、统计和分析。可以根据鱼类生长行为数据的不同特点选择适合的标准化方法，标准化处理能够提高数据分析的准确性和可靠性，为后续光照控制分析提供有力的支持。另外，通过选择合适的光照控制算法对鱼类生长行为标准数据进行光照控制调整，可以得到鱼类对光照强度的需求数据。光照强度是影响鱼类生长和健康状态的重要环境因素之一，合理的光照强度可以促进鱼类的生长和健康。光照控制算法可以根据不同的鱼类品种和生长阶段，智能地调整光照强度和周期，以适应鱼类的生长需求。通过自适应监控技术可以自动地对光照需求数据进行实时监测，并对不同情况的光照需求进行不同的调节，帮助管理者更好地维护鱼类繁殖环境，并利用傅里叶变换算法可以把时域信号变换到频域上，并且把频率分布情况表示出来，可以在实际光照控制中起到优化和帮助避免因过度控制造成的生态损害，从而得到更加准确的光照控制信号。在得到最后的光照控制信号后，可以通过光照控制器进行实际的光照调整策略，为鱼类提供更加合适的生长环境和光照条件，从而实现对光照强度的实时调整和优化。通过以上步骤的实施，根据鱼类的实际反应来自适应调整环境光照条件，从而能够有效地提高鱼类的生长速率。
优选地，步骤S1包括以下步骤：
步骤S11：通过传感器对鱼类繁殖环境进行数据采集，得到鱼类繁殖环境初始数据；
步骤S12：对鱼类繁殖环境初始数据进行数据预处理，得到鱼类繁殖环境数据；
步骤S13：利用环境降噪算法对鱼类繁殖环境数据进行降噪处理，得到鱼类繁殖环境降噪数据。
作为本发明的一个实施例，参考图2所示，为图1中步骤S1的详细步骤流程示意图，在本实施例中步骤S1包括以下步骤：
步骤S11：通过传感器对鱼类繁殖环境进行数据采集，得到鱼类繁殖环境初始数据；
本发明实施例通过使用温度传感器、水质传感器、光照传感器等多种传感器分别测量水温、水质、光照等鱼类繁殖环境数据，并对其进行数据采集处理，最终得到鱼类繁殖环境初始数据。
步骤S12：对鱼类繁殖环境初始数据进行数据预处理，得到鱼类繁殖环境数据；
本发明实施例通过对采集到的鱼类繁殖环境初始数据进行数据清洗、数据缺失值填充、异常值处理等操作后，最终得到鱼类繁殖环境数据。
步骤S13：利用环境降噪算法对鱼类繁殖环境数据进行降噪处理，得到鱼类繁殖环境降噪数据。
本发明实施例通过选择一个合适的环境降噪算法对鱼类繁殖环境数据进行降噪处理，在使用环境降噪算法进行降噪处理的过程中，需要设置合适的滤波器函数和调和平滑参数控制数据降噪的程度，确保降噪数据的完整性和准确性，最终得到鱼类繁殖环境降噪数据。
本发明通过传感器实时监测和采集鱼类繁殖环境中的数据，为后续的降噪处理提供了数据来源，通过传感器对鱼类繁殖环境进行数据采集的好处在于可以实现自动化监控和数据采集，能够高效地收集大量数据，并实时反馈鱼类状况，帮助鱼类的繁殖成功率更高，减少疾病发生率，降低养殖成本。鱼类繁殖环境初始数据是复杂的、多样化的，可能存在一些异常值或噪声，需要对其进行数据预处理。数据预处理的目的是为了提高数据的质量和准确性，使后续的数据分析更加有效和准确。另外，在采集鱼类繁殖环境数据时，由于各种原因数据中可能存在噪声或异常值，为了准确提取数据的特征和规律，需要对鱼类繁殖环境数据进行降噪处理。通过选择一个合适的环境降噪算法，可以有效地去除鱼类繁殖环境数据中的噪声，同时保留鱼类繁殖环境数据中的有用信息。通过利用环境降噪算法对鱼类繁殖环境数据进行降噪处理，可以提高鱼类繁殖环境数据的准确性和可靠性，为后续的分析和预测提供更为准确的基础。
优选地，步骤S13包括以下步骤：
步骤S131：利用环境降噪算法对鱼类繁殖环境数据进行降噪处理，得到环境噪声值；
其中，环境降噪算法函数如下所示：
；
式中，为环境噪声值，/>为时间变量，/>为鱼类繁殖环境数据中第/>个数据项的频域函数，/>为频域函数/>的滤波器函数，/>为鱼类繁殖环境数据的频域参数，/>为滤波器函数的调整参数，/>为鱼类繁殖环境数据频域参数的调和平滑参数，/>为影响衰减因子，/>为临近时间变量，/>为噪声空间分布调整系数，/>为归一化系数，/>为环境噪声值的修正值；
步骤S132：根据预设的环境噪声阈值对环境噪声值进行判断，若环境噪声值大于或等于预设的环境噪声阈值时，则剔除该环境噪声值对应的鱼类繁殖环境数据，得到鱼类繁殖环境降噪数据；
步骤S133：根据预设的环境噪声阈值对环境噪声值进行判断，若环境噪声值小于预设的环境噪声阈值时，则将鱼类繁殖环境数据定义为鱼类繁殖环境降噪数据。
作为本发明的一个实施例，参考图3所示，为图2中步骤S13的详细步骤流程示意图，在本实施例中步骤S13包括以下步骤：
步骤S131：利用环境降噪算法对鱼类繁殖环境数据进行降噪处理，得到环境噪声值；
本发明实施例通过选择合适的环境降噪算法对鱼类繁殖环境数据进行降噪处理，利用选择的环境降噪算法对鱼类繁殖环境数据进行滤波平滑处理，通过环境降噪算法对每个鱼类繁殖环境数据进行噪声值计算，最终得到环境噪声值。
其中，环境降噪算法函数如下所示：
；
式中，为环境噪声值，/>为时间变量，/>为鱼类繁殖环境数据中第/>个数据项的频域函数，/>为频域函数/>的滤波器函数，/>为鱼类繁殖环境数据的频域参数，/>为滤波器函数的调整参数，/>为鱼类繁殖环境数据频域参数的调和平滑参数，/>为影响衰减因子，/>为临近时间变量，/>为噪声空间分布调整系数，/>为归一化系数，/>为环境噪声值的修正值；
本发明构建了一个环境降噪算法函数的公式，为了消除鱼类繁殖环境数据中的环境噪声源对后续鱼类行为检测过程的影响，需要对鱼类繁殖环境数据进行降噪处理，以得到更加干净、准确的鱼类繁殖环境降噪数据，通过该环境降噪算法能够有效地去除鱼类繁殖环境数据中的噪声和干扰信号，从而减少外部因素对鱼类繁殖环境数据的干扰，提高数据质量和可靠性，为后续的数据分析和应用提供可靠的数据基础。该算法函数公式充分考虑了时间变量，鱼类繁殖环境数据中第/>个数据项的频域函数/>，频域函数/>的滤波器函数/>，鱼类繁殖环境数据的频域参数/>，滤波器函数的调整参数/>，鱼类繁殖环境数据频域参数的调和平滑参数/>，影响衰减因子/>，临近时间变量/>，噪声空间分布调整系数/>，并且需要通过归一化系数/>对得到的环境噪声值进行归一化处理，根据环境噪声值/>与各参数之间的相互关系构成一种函数关系，实现了对鱼类繁殖环境数据的降噪处理，同时，该算法函数公式中的环境噪声值的修正值/>可以根据实际情况进行调整，从而提高环境降噪算法的准确性和鲁棒性。
步骤S132：根据预设的环境噪声阈值对环境噪声值进行判断，若环境噪声值大于或等于预设的环境噪声阈值时，则剔除该环境噪声值对应的鱼类繁殖环境数据，得到鱼类繁殖环境降噪数据；
本发明实施例根据预设的环境噪声阈值，判断计算得到的环境噪声值是否超过预设的环境噪声阈值，当环境噪声值大于或等于预设的环境噪声阈值时，说明该鱼类繁殖环境数据中的噪声干扰影响较大，剔除该环境噪声值对应的鱼类繁殖环境数据，最终得到鱼类繁殖环境降噪数据。
步骤S133：根据预设的环境噪声阈值对环境噪声值进行判断，若环境噪声值小于预设的环境噪声阈值时，则将鱼类繁殖环境数据定义为鱼类繁殖环境降噪数据。
本发明实施例根据预设的环境噪声阈值，判断计算得到的环境噪声值是否超过预设的环境噪声阈值，当环境噪声值小于预设的环境噪声阈值时，说明鱼类繁殖环境数据中的噪声干扰较小，则直接将该环境噪声值对应的鱼类繁殖环境数据定义为鱼类繁殖环境降噪数据。
本发明通过选择的环境降噪算法对鱼类繁殖环境数据进行降噪处理，能够降低鱼类繁殖环境数据中的噪声干扰，并且可以提高鱼类繁殖环境数据的准确性和可靠性。在环境降噪算法的实现过程中，通过建立鱼类繁殖环境数据的频域函数，利用滤波器函数将高频噪声滤除，并通过调整参数设置来控制滤波器的效果，同时，影响衰减因子和噪声空间分布调整系数也是调整该算法性能的重要参数，从而提高环境降噪算法的自适应性和鲁棒性。然后，根据预设的环境噪声阈值对计算得到的环境噪声值进行判断，当环境噪声值大于或等于预设的环境噪声阈值时，意味着鱼类繁殖环境数据中的噪声干扰影响较大，需要将其剔除，以得到鱼类繁殖环境降噪数据。这样可以确保数据质量，更好地反映出鱼类繁殖环境的真实状态，为后续的鱼类行为检测和光照环境分析提供准确、可靠的数据基础。当环境噪声值小于预设的环境噪声阈值时，说明鱼类繁殖环境数据中的噪声干扰较小，可以将鱼类繁殖环境数据定义为鱼类繁殖环境降噪数据。这样可以最大程度地保留原始数据信息，避免因剔除过多的数据而导致的信息丢失。
优选地，步骤S2包括以下步骤：
步骤S21：通过计算机视觉算法模型对鱼类繁殖环境进行光照采集，得到光照数据；
步骤S22：根据历史追溯算法对光照数据和鱼类繁殖环境降噪数据进行历史检测，得到鱼类历史行为数据；
其中，历史追溯算法函数如下所示：
；
式中，为历史追溯算法函数，/>为光照数据，/>为鱼类繁殖环境降噪数据，/>为历史时间维度，/>为时间积分变量，/>为进行历史检测的次数，/>为光照数据的调和平滑参数，/>为鱼类繁殖环境降噪数据的调和平滑参数，/>为历史时间维度的调和平滑参数，/>为历史追溯算法函数的修正值；
步骤S23：利用行为侦测算法对鱼类历史行为数据进行行为侦测处理，得到鱼类行为数据；
其中，行为侦测算法函数如下所示：
；
式中，为行为侦测算法函数，/>为行为侦测时间间隔，/>为在时间/>时鱼类历史行为数据中的行为数据，/>为行为数据的权重参数，/>为在时间/>时鱼类历史行为数据中的光照强度，/>为光照强度的权重参数，/>为光照强度的相位差，/>为光照强度相位差的权重参数，/>为行为衰减系数，/>为行为侦测算法函数的修正值。
作为本发明的一个实施例，参考图4所示，为图1中步骤S2的详细步骤流程示意图，在本实施例中步骤S2包括以下步骤：
步骤S21：通过计算机视觉算法模型对鱼类繁殖环境进行光照采集，得到光照数据；
本发明实施例通过设置一个合适的计算机视觉算法模型对鱼类繁殖环境进行光照采集，最终得到光照数据。
步骤S22：根据历史追溯算法对光照数据和鱼类繁殖环境降噪数据进行历史检测，得到鱼类历史行为数据；
本发明实施例通过设置一个合适的历史追溯算法在指定的时间范围内对光照数据、鱼类繁殖环境降噪数据和历史时间维度进行积分和平滑处理，最终得到鱼类历史行为数据。
其中，历史追溯算法函数如下所示：
；
式中，为历史追溯算法函数，/>为光照数据，/>为鱼类繁殖环境降噪数据，/>为历史时间维度，/>为时间积分变量，/>为进行历史检测的次数，/>为光照数据的调和平滑参数，/>为鱼类繁殖环境降噪数据的调和平滑参数，/>为历史时间维度的调和平滑参数，/>为历史追溯算法函数的修正值；
本发明构建了一个历史追溯算法函数的公式，用于对光照数据和鱼类繁殖环境降噪数据进行历史检测，该历史追溯算法函数能够通过对光照数据、鱼类繁殖环境降噪数据和历史时间维度的综合积分求解分析，以得到更加完整、全面的鱼类历史行为数据，并且通过对光照数据和鱼类繁殖环境降噪数据进行高精度的历史追踪，从而提高鱼类历史行为数据的准确性和可靠性。该算法函数公式充分考虑了光照数据，鱼类繁殖环境降噪数据/>，历史时间维度/>，时间积分变量/>，进行历史检测的次数/>，光照数据的调和平滑参数/>，鱼类繁殖环境降噪数据的调和平滑参数/>，历史时间维度的调和平滑参数/>，根据历史追溯算法函数/>与以上各参数之间的相互关系构成了一种函数关系：
；
该算法函数公式实现了对光照数据和鱼类繁殖环境降噪数据的历史检测，同时，该算法函数公式中的历史追溯算法函数的修正值可以根据实际情况进行调整，从而提高历史追溯算法的准确性和适用性。
步骤S23：利用行为侦测算法对鱼类历史行为数据进行行为侦测处理，得到鱼类行为数据；
本发明实施例根据选择一个合适的行为侦测算法对鱼类历史行为数据进行行为侦测处理，通过选择合适的行为数据、光照强度、光照强度相位差以及各权重参数对鱼类历史行为数据进行精细化分析鱼类行为变化，并根据实际情况对鱼类行为数据进行修正，最终得到更加准确的鱼类行为数据。
其中，行为侦测算法函数如下所示：
；
式中，为行为侦测算法函数，/>为行为侦测时间间隔，/>为在时间/>时鱼类历史行为数据中的行为数据，/>为行为数据的权重参数，/>为在时间/>时鱼类历史行为数据中的光照强度，/>为光照强度的权重参数，/>为光照强度的相位差，/>为光照强度相位差的权重参数，/>为行为衰减系数，/>为行为侦测算法函数的修正值。
本发明构建了一个行为侦测算法函数的公式，用于对鱼类历史行为数据进行行为侦测处理，通过选择合适的行为数据、光照强度、光照强度相位差以及各权重参数对鱼类历史行为数据进行精细化分析鱼类行为变化，从而提高行为检测的准确性。该算法函数公式充分考虑了行为侦测时间间隔，在时间/>时鱼类历史行为数据中的行为数据/>，行为数据的权重参数/>，在时间/>时鱼类历史行为数据中的光照强度/>，光照强度的权重参数/>，光照强度的相位差/>，光照强度相位差的权重参数/>，行为衰减系数/>，根据行为侦测算法函数/>与各参数之间的相互关系构成了一种函数关系，实现了对鱼类历史行为数据的行为侦测处理，同时，通过行为侦测算法函数的修正值/>可以根据实际情况进行调整，从而提高行为侦测算法函数的准确性和适用性。
本发明通过利用计算机视觉算法模型对鱼类繁殖环境进行光照采集，可以获取到鱼类生活环境中的光照强度数据。这样可以在后续的处理中为鱼类行为的分析提供基础数据。然后，通过历史追溯算法对光照数据和鱼类繁殖环境降噪数据进行历史检测，能够根据历史数据和模型预测来重构鱼类历史行为数据。通过调整调和平滑参数，可以在一定程度上减少噪声干扰和抖动，从而优化历史数据的检测效果，为后续的鱼类行为分析提供更为准确和稳定的数据基础。最后，通过行为侦测算法对鱼类历史行为数据进行行为侦测处理，可以进一步解析鱼类的行为模式，发现鱼类的规律性行为特征。该算法可以通过调整权重参数和衰减系数，提高算法的自适应性和鲁棒性，增强算法的可靠性和稳定性。
优选地，步骤S21包括以下步骤：
步骤S211：构建计算机视觉算法模型，其中计算机视觉算法模型包括图像分割算法、图像增强算法和光照计算算法；
本发明实施例通过构建一个合适的计算机视觉算法模型，该计算机视觉算法模型包括图像分割算法、图像增强算法和光照计算算法，其中图像分割算法是将一幅图像分成多个部分或多个对象的技术。对于鱼类繁殖环境中的光照图像，通过采用该图像分割算法将光照图像中的光照区域分离出来，以便后续的光照信息采集和处理。图像增强算法是将一幅图像进行增强或改善图像质量的技术。对于通过图像分割算法分离后的光照区域图像，通过采用基于对比度增强的图像增强算法对光照区域图像进行对比度增强处理，强化光照信息，提高光照数据的准确度和可靠性。而光照计算算法是将光照信息转换为数据信息的技术。对于经过图像增强算法对比度增强处理后的光照信息图像，通过采用基于物理模型的光照计算算法对光照信息图像进行数学模拟和分析，计算出光照数据，以便对鱼类繁殖环境进行精细化管理和优化调整。
步骤S212：通过光照摄像头从鱼类繁殖环境中获取光照信息，得到光照图像；利用图像分割算法对光照图像中的光照区域进行分离处理，得到光照区域图像；
本发明实施例通过光照摄像头从鱼类繁殖环境中拍摄光照信息图片，以得到光照图像，然后采集到光照图像后，利用图像分割算法对光照图像中的每个光照区域进行特征提取，利用权重参数对光照区域进行加权处理，将光照图像中的光照区域分离出来，从而得到分离的光照区域图像。
其中，图像分割算法函数公式如下所示：
；
式中，为在光照区域/>上的光照区域图像，/>为光照图像中的光照区域数量，/>为第/>个光照区域的权重系数，/>为光照区域/>的特征提取函数，/>为光照区域的所有可能光照区域集合，/>为可能光照区域/>的特征提取函数，为图像分割算法函数的核函数，/>为光照区域图像的修正值；
本发明构建了一个图像分割算法函数的公式，用于对光照图像中的光照区域进行分离处理，该图像分割算法通过特征提取函数对光照图像中的每个光照区域进行特征提取，然后利用权重参数对光照区域进行加权处理，从而得到分离的光照区域图像。在光照区域图像中，某些光照区域可能比较暗淡或者有噪声等问题，因此需要对其进行修正处理。图像分割算法可以通过调整修正参数，提高光照区域图像的质量，从而提高后续处理的准确性和可靠性。该算法函数公式充分考虑了光照图像中的光照区域数量，第/>个光照区域的权重系数/>，光照区域/>的特征提取函数/>，光照区域的所有可能光照区域集合，可能光照区域/>的特征提取函数/>，图像分割算法函数的核函数，根据在光照区域/>上的光照区域图像/>与以上各参数之间的相互关系构成了一种函数关系/>，实现了对光照图像中光照区域的分离处理，同时，该算法函数公式中的光照区域图像的修正值/>可以根据实际情况进行调整，从而提高图像分割算法的适用性和稳定性。
步骤S213：利用图像增强算法对光照区域图像进行对比增强处理，得到光照信息图像；
本发明实施例通过使用图像增强算法对分离的光照区域图像进行对比增强处理，提高光照区域图像的对比度，使得光照区域更加突出，最终得到光照信息图像。
其中，图像增强算法函数公式如下所示：
；
式中，为在光照区域/>上的光照信息图像，/>为进行对比增强处理的光照区域数量，/>为第/>个光照区域的扩展滤波器权重系数，/>为光照区域/>的特征提取函数，/>为增强区域的响应函数，/>为图像增强算法函数的核函数，/>为光照信息图像的修正值；
本发明构建了一个图像增强算法函数的公式，用于对光照区域图像进行对比增强处理，在鱼类繁殖环境光照数据计算中，通过该图像增强算法提高光照区域图像的对比度，让光照区域更加突出，从而更好地提取光照信息。该算法函数公式充分考虑了进行对比增强处理的光照区域数量，第/>个光照区域的扩展滤波器权重系数/>，光照区域/>的特征提取函数/>，增强区域的响应函数/>，图像增强算法函数的核函数，根据在光照区域/>上的光照信息图像/>与以上各参数之间的相互关系构成了一种函数关系/>，实现了对光照区域图像的对比增强处理，同时，该算法函数公式中的光照信息图像的修正值/>可以根据实际情况进行调整，从而提高图像增强算法的适用性和稳定性。
步骤S214：利用光照计算算法对光照信息图像进行分析采集处理，以得到光照数据；
本发明实施例通过使用光照计算算法计算光线在光照信息图像表面的反射和折射，并获取光照信息图像表面的亮度和阴影情况，以得到光照信息图像的光照效果，通过光照效果精确地获取鱼类繁殖环境的光照信息，最终得到光照数据。
其中，光照计算算法函数公式如下所示：
；
式中，为光照数据，/>为鱼类繁殖环境光照强度，/>为环境反射系数，/>为光照信息图像点光源强度，/>为光照信息图像点光源数量，/>为光照信息图像漫反射系数，/>为光照信息图像表面法线向量，/>为光照信息图像点光源到光照信息图像表面的方向向量，/>为镜像反射系数，/>为光照信息图像点光源到光照信息图像表面镜像的方向向量，/>为光照信息图像表面镜像法线向量，/>为镜像抛光系数，/>为光照数据的修正值。
本发明构建了一个光照计算算法函数的公式，用于对光照信息图像进行分析采集处理，该算法用来计算光照在物体表面的反射和折射情况，进而在场景中生成真实感的光照效果。在鱼类繁殖环境光照计算中，采用光照计算算法可以精确地获取鱼类繁殖环境的光照信息，有助于分析和预测鱼类的繁殖情况。通过计算光线在光照信息图像表面的反射和折射，可以获取光照信息图像表面的亮度和阴影情况，从而得到光照信息图像的光线反射特征。该算法函数公式充分考虑了鱼类繁殖环境光照强度，环境反射系数/>，光照信息图像点光源强度/>，光照信息图像点光源数量/>，光照信息图像漫反射系数/>，光照信息图像表面法线向量/>，光照信息图像点光源到光照信息图像表面的方向向量/>，镜像反射系数，光照信息图像点光源到光照信息图像表面镜像的方向向量/>，光照信息图像表面镜像法线向量/>，镜像抛光系数/>，根据光照数据/>与以上各参数之间的相互关联关系构成了一种函数关系/>，实现了对光照信息图像的分析采集处理，同时，通过光照数据的修正值/>的引入可以根据实际情况进行调整，进一步提高光照计算算法的稳定性和适用性，从而提高光照数据计算的准确性。
本发明通过构建计算机视觉算法模型，该计算机视觉算法模型通过图像分割算法、图像增强算法和光照计算算法结合使用，可以处理在不同的光照条件下拍摄的鱼类繁殖环境光照图像，从而提高光照数据的获取和处理效率，进一步加光照数据的准确性和稳定性。该模型的主要任务是从光照图像中提取光照区域，对光照区域进行增强和处理，以获取鱼类繁殖环境的光照数据。光照图像通过光照摄像头采集，并利用图像分割算法进行光照区域提取，光照区域是与环境光源相连的区域，可以提供有用的光照信息。通过图像分割算法可以将光照图像中的光照区域分离出来，有利于更加准确地处理光照信息，提高后续处理的可靠性。然后，对利用图像分割算法得到的光照区域图像进行对比增强处理，它能使弱光照区域更加明亮，光照区域更加饱和，提高了光照区域图像的质量，有助于提高光照区域中光照信息的显示效果，进一步加光照数据的准确性和可视性。最后，通过光照计算算法可以对光照信息图像进行分析处理，得到了更为准确和全面的光照数据，可以为后续的鱼类行为分析提供更多的参考依据。
优选地，步骤S3包括以下步骤：
步骤S31：利用特征提取技术对鱼类行为数据进行特征提取，得到鱼类行为特征；
本发明实施例通过利用现有的特征提取技术将原始的鱼类行为数据转化为更具有意义的特征数据，最终得到鱼类行为特征。
步骤S32：对鱼类行为特征进行数据集提取处理，得到鱼类行为特征数据集；
本发明实施例通过对鱼类行为特征进行数据集提取处理，进行数据清洗、数据分类、数据标注等步骤后，将处理后的鱼类行为特征存储到数据集中，最终得到鱼类行为特征数据集。
步骤S33：根据预设的深度学习模型对鱼类行为特征数据集进行行为检测处理，得到鱼类生长行为状况。
本发明实施例通过构建一个基于卷积神经网络的深度学习模型对鱼类行为特征数据集进行行为检测处理，识别出不同鱼类的生长行为状态，学习不同行为特征与鱼类生长行为状态之间的关系，并对其进行分类和统计分析，最终得到鱼类生长行为状况。
本发明通过利用特征提取技术对鱼类行为数据进行特征提取，从而得到鱼类行为特征，这些鱼类行为特征反映了鱼类的生长行为状况，可以帮助养殖场管理者了解鱼类的行为特征，为后续的鱼类行为检测提供了特征数据来源。通过对鱼类行为特征的提取和预处理，将鱼类行为数据转化为可用于模型构建的数据集，该数据集可以用于训练各种机器学习和深度学习模型，提高鱼类行为状态识别的精度和准确率。通过使用预设的深度学习模型对鱼类行为特征数据集进行训练，以学习不同行为特征与鱼类生长行为状态之间的关系，并识别鱼类的生长行为状况，通过选择适当的深度学习模型，可以大大提高鱼类生长行为的识别准确性。
优选地，步骤S33包括以下步骤：
步骤S331：将鱼类行为特征数据集划分为训练数据集、验证数据集和测试数据集；
本发明实施例通过将鱼类行为特征数据集按照一定比例划分为训练数据集、验证数据集和测试数据集，按照的划分比例为7：2：1将数据集划分为70%的训练数据集、20%的验证数据集和10%的测试数据集。
步骤S332：构建基于卷积神经网络的行为检测模型，其中行为检测模型包括模型训练、模型验证和模型测试；
本发明实施例根据鱼类行为检测的实际情况，利用卷积神经网络构建行为检测模型对鱼类行为特征数据集进行行为检测处理，该行为检测模型包括模型训练、模型验证和模型测试，其中通过训练数据集对模型进行训练，验证数据集对模型进行验证，同时利用测试数据集对模型进行评估，用来提高行为检测模型的泛化性能和鲁棒性。
步骤S333：将训练数据集输入至构建的行为检测模型进行模型训练，并通过行为损失函数对模型进行调优处理，得到验证模型；利用验证模型对验证数据集进行模型验证，以得到测试模型；
本发明实施例通过将训练数据集输入至构建的行为检测模型进行模型训练，并通过选择合适的行为损失函数对模型进行调优处理，以得到验证模型。行为损失函数主要是用来衡量模型预测结果和真实结果之间的差异，该行为损失函数通过对行为检测速度以及加速度进行平滑约束，用来确保检测结果的平滑性和连续性。然后，利用验证模型对验证数据集进行模型验证，并根据验证结果进行适当的调整，以得到更为精确的测试模型。
其中，行为损失函数公式如下所示：
；
；
式中，为行为损失函数，/>为在时间/>时与第/>种行为相关的鱼类行为特征值，/>为在时间/>时与初始行为相关的鱼类行为特征值，/>为鱼类行为特征值对应的行为数量，/>为第/>种行为相关的鱼类行为特征值的权重系数，/>为行为检测初始时间，/>为行为检测结束时间，/>为行为检测速度平滑约束参数，/>为行为检测加速度平滑约束函数，为行为检测加速度平滑约束参数，/>为行为损失函数的修正值；
本发明构建了一个行为损失函数的公式，用于计算行为检测模型的损失值，在通过行为检测模型对训练数据集进行训练时，为了帮助模型尽可能地拟合数据，通过使用该行为损失函数作为模型优化的指标，来评估行为检测模型训练过程的准确性。该函数公式充分考虑了在时间时与第/>种行为相关的鱼类行为特征值/>，在时间/>时与初始行为相关的鱼类行为特征值/>，行为检测初始时间/>，行为检测结束时间/>，鱼类行为特征值对应的行为数量/>和第/>种行为相关的鱼类行为特征值的权重系数/>，通过以上参数构成了一种交叉熵损失函数关系/>，并通过行为检测速度平滑约束参数/>，行为检测初始时间/>，行为检测结束时间/>和在时间/>时与第/>种行为相关的鱼类行为特征值/>构成了速度平滑约束关系/>，另外，该公式还考虑了行为检测加速度平滑约束参数/>，行为检测初始时间/>，行为检测结束时间/>和在时间/>时与第/>种行为相关的鱼类行为特征值/>构成了加速度平滑约束关系，根据行为损失函数/>与各参数之间的相互关联关系构成了一种针对模型参数优化处理的行为损失函数关系：
；
该函数公式实现了对行为检测模型的调优处理，同时，通过行为损失函数的修正值的引入，可以针对在模型训练时所出现的特殊情况进行调整，进一步提高行为损失函数的适用性和稳定性，从而提高基于卷积神经网络的行为检测模型的泛化能力和鲁棒性。
步骤S334：利用测试模型对测试数据集进行模型测试，得到最优行为检测模型；并将鱼类行为特征数据集重新输入至最优行为检测模型进行行为检测处理，得到鱼类生长行为状况。
本发明实施例利用划分后的测试数据集输入至测试模型中进行模型评估，通过计算模型的准确率、召回率、F1值等指标，对模型进一步优化处理，以得到更高效更准确的最优行为检测模型，同时将鱼类行为特征数据集重新输入至最优行为检测模型进行行为检测处理，最终得到鱼类生长行为状况。
本发明通过将鱼类行为特征数据集划分为训练数据集、验证数据集和测试数据集，主要目的是为了训练、验证和测试行为检测模型，以提高行为检测模型的泛化能力。划分数据集的方法一般是随机选择一定比例的数据样本作为训练数据集、验证数据集和测试数据集。其中，训练数据集用于训练模型，验证数据集用于评估模型的性能和调整模型参数，测试数据集用于测试模型的泛化性能和评估模型的实际应用效果。然后，通过构建基于卷积神经网络的行为检测模型，其中行为检测模型包括模型训练、模型验证和模型测试。卷积神经网络是一种深度学习模型，它可以自动从数据中学习特征，具有很强的特征提取能力和强大的非线性建模能力，因此在行为检测中得到了广泛应用。在构建行为检测模型时，需要注意选择合适的神经网络结构和参数，以提高模型的分类准确率和泛化性能。将训练数据集输入至构建的行为检测模型进行模型训练，并通过行为损失函数对模型进行调优处理，得到验证模型；利用验证模型对验证数据集进行模型验证，以得到测试模型。其中行为损失函数是该深度学习模型中的损失函数，它可以用于衡量模型输出与实际标签之间的差距，并帮助优化模型参数。在行为检测中，行为损失函数可以用于衡量模型输出与实际行为状态之间的相似性，进而提高行为检测模型的准确率和鲁棒性。最后，通过测试数据集评估行为检测模型的真实性能，以及模型在实际应用中的可行性和优越性。同时，可以根据行为检测结果及时调整光照管理策略，保证鱼类的生长和健康，从而能够有效提高鱼类的生长速率。
优选地，步骤S5包括以下步骤：
步骤S51：利用自适应监控技术对光照需求数据进行监控处理，得到光照控制数据；
本发明实施例通过利用光照控制系统中的自适应监控技术对光照需求数据进行监控处理，选择合适的监测设备进行光照需求数据的监测，并对监测设备进行参数设置，包括监测参数、监测精度、监测时间周期等参数，将设定好的监测设备安装在需要进行光照控制的区域内，启动监测设备，进行光照需求数据的实时监测，将所得到的监测数据传输到光照控制系统中，进行处理和分析，最终得到光照控制数据。
步骤S52：对光照控制数据进行数字信号编码处理，以生成光照控制数字信号；
本发明实施例根据具体要求选择脉冲编码调制的数字信号编码方式对监测得到的光照控制数据进行数字信号编码处理，最终生成光照控制数字信号。
步骤S53：对光照控制数字信号进行时域转换处理，得到光照控制时域；
本发明实施例根据光照控制数字信号的特点选择小波变换时域转换方式对光照控制数字信号进行时域转换处理，最终得到光照控制时域。
步骤S54：通过傅里叶变换算法对光照控制时域进行频谱变换，得到光照控制信号；
本发明实施例通过选择一个合适的傅里叶变换算法对光照控制时域进行频谱变换，将光照控制时域转化为离散采样的时域信号，对离散化后的时域信号进行傅里叶变换，进一步分析时域信号波形的频率分量和频域性质，最终得到光照控制信号。
其中，傅里叶变换算法函数公式如下所示：
；
式中，为傅里叶变换算法函数，/>为频率参数，/>为光照控制时域，/>为时域分量参数，/>为虚部参数，/>、/>、/>、/>和/>为描述时域分量参数/>的非线性关系系数，/>和/>为描述时域分量参数/>的周期性参数，/>为时域分量参数与描述频率参数的二次项系数，/>为傅里叶变换算法函数的修正值。
本发明构建了一个傅里叶变换算法函数的公式，用于对得到的光照控制时域进行频谱变换，通过该算法将光照控制时域转换为频域信号，获取频域信号的频率信息、周期性特征与非线性特征，通过频率信息得到光照控制时域在不同频率下的功率谱密度，利用周期性特征与非线性特征获取频域信息的周期性波动和变化，从而获得更加全面和准确的光照控制信号。该算法函数公式充分考虑了频率参数，光照控制时域/>，时域分量参数/>，虚部参数/>，描述时域分量参数/>的非线性关系系数/>、/>、/>、/>和/>，描述时域分量参数/>的周期性参数/>和/>，时域分量参数与描述频率参数的二次项系数/>，根据傅里叶变换算法函数/>构成了一种函数关系/>，实现了对光照控制时域的频谱变换，同时，通过傅里叶变换算法函数的修正值/>的引入可以根据实际情况进行调整，从而提高傅里叶变换算法的稳定性和适用性。
本发明通过自适应监控技术对光照需求数据进行监控处理，可以根据实时的鱼类繁殖环境变化，调整光照控制参数，使得光照强度和周期能够适应鱼类的生长需求。自适应监控技术一般采用反馈控制的方法，根据实时监测数据对光照控制参数进行动态调整，从而使得养殖环境能够保持稳定和良好的状态。自适应监控技术能够提高设备的自适应性和适应性，有效降低养殖成本和风险。再之，通过对光照控制数据进行数字信号编码处理，可以将光照控制数据转化为数字信号，方便后续的时域转换处理，数字信号编码处理可以实现数据的压缩和加密，提高数据传输的速度和安全性。然后，通过对光照控制数字信号进行时域转换处理，可以将数字信号转化为时域信号，进一步分析光照控制波形的频率分量和时域性质，为后续的频域分析和处理提供必要的数据支持。最后，通过傅里叶变换算法对光照控制时域进行频谱变换，可以将光照控制时域转化为时域信号，进一步分析时域信号波形的频率分量和频域性质，从而实现对信号的精细控制和优化。
优选地，步骤S6包括以下步骤：
利用光照感应器对光照控制信号进行信息感应处理，得到光照控制信息；
本发明实施例通过使用光照感应器感知光照控制信号并将其传输到光照控制系统中，进行信号处理和计算，通过比较器将光照控制信号转换为电信号进行处理，最终得到光照控制信息。
优选地，通过光照控制信息响应光照控制器制定光照控制方案，根据光照控制方案执行相应的光照调整策略。
本发明实施例通过光照控制信息响应光照控制系统中的光照控制器，根据光照实际需求制定合适的光照控制方案，将制定好的光照控制方案传输到光照控制器中，进行分析和计算。在分析和计算过程中，通过采用数字信号处理器、微处理器等工具进行光照控制方案的精确计算和实现。根据计算结果执行相应的光照调整策略。
本发明通过利用光照感应器对光照控制信号进行信息感应处理，可以实时感知鱼类繁殖环境中的光照强度和周期，获得有关光照控制的实时信息。光照感应器一般采用光敏电阻、光电二极管等光电转换器件，能够将光照控制信号转化为电信号，提供给光照控制系统。光照感应器可以根据不同的光照强度和周期变化，输出不同的电信号，可以实现对鱼类繁殖环境光照的高灵敏度监测和控制，从而获取准确的光照控制信息。通过光照控制信息响应光照控制系统中的光照控制器制定光照控制方案，该光照控制器一般由运算控制器、信号处理器、驱动器等组成，能够自动识别和响应光照感应器的输出信号，实现对光照强度和周期的精确调整。光照控制器可以根据光照控制信息制定相应的光照调整方案，从而实现光照强度和周期的实时调整和优化。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于AI的自适应鱼类繁殖环境光照控制方法，其特征在于，包括以下步骤：
步骤S1：通过传感器对鱼类繁殖环境进行数据采集处理，得到鱼类繁殖环境数据；利用环境降噪算法对鱼类繁殖环境数据进行降噪处理，得到鱼类繁殖环境降噪数据；
步骤S2：通过计算机视觉算法模型对鱼类繁殖环境进行光照采集，得到光照数据；基于行为侦测算法利用光照数据对鱼类繁殖环境降噪数据进行行为侦测处理，得到鱼类行为数据；
步骤S3：利用特征提取技术对鱼类行为数据进行特征提取，得到鱼类行为特征；根据预设的深度学习模型对鱼类行为特征进行行为检测处理，得到鱼类生长行为状况；
步骤S4，包括：
步骤S41：通过数据采集技术对鱼类生长行为状况进行数据采集处理，得到鱼类生长行为数据；
步骤S42：对鱼类生长行为数据进行数据标准化处理，得到鱼类生长行为标准数据；
步骤S43：利用光照控制算法对鱼类生长行为标准数据进行光照控制调整，得到光照需求数据；
其中，光照控制算法函数公式如下所示：
；
式中，为在时间/>时的光照需求数据，/>为在时间/>时鱼类所能接受的光照强度，为/>的调整因子，/>为在时间/>时鱼类所能接受的光照强度变化率，/>为/>的调整因子，/>为在时间/>时鱼类所能接受的环境温度，/>为在时间/>时鱼类所能接受的环境温度变化率，/>为/>的调整因子，/>为在时间/>时鱼类所能接受的环境温度变化加速度，/>为/>的调整因子，/>为在时间/>时鱼类所能接受的光照强度周期性波动，/>为/>的调整因子，/>为光照需求数据的修正值；
步骤S5：利用自适应监控技术对光照需求数据进行监控处理，得到光照控制数据；通过傅里叶变换算法对光照控制数据进行频谱变换，得到光照控制信号；
步骤S6：根据光照控制信号响应光照控制器，以执行相应的光照调整策略。
2.根据权利要求1所述的基于AI的自适应鱼类繁殖环境光照控制方法，其特征在于，步骤S1包括以下步骤：
步骤S11：通过传感器对鱼类繁殖环境进行数据采集，得到鱼类繁殖环境初始数据；
步骤S12：对鱼类繁殖环境初始数据进行数据预处理，得到鱼类繁殖环境数据；
步骤S13：利用环境降噪算法对鱼类繁殖环境数据进行降噪处理，得到鱼类繁殖环境降噪数据。
3.根据权利要求2所述的基于AI的自适应鱼类繁殖环境光照控制方法，其特征在于，步骤S13包括以下步骤：
步骤S131：利用环境降噪算法对鱼类繁殖环境数据进行降噪处理，得到环境噪声值；
其中，环境降噪算法函数如下所示：
；
式中，为环境噪声值，/>为时间变量，/>为鱼类繁殖环境数据中第/>个数据项的频域函数，/>为频域函数/>的滤波器函数，/>为鱼类繁殖环境数据的频域参数，/>为滤波器函数的调整参数，/>为鱼类繁殖环境数据频域参数的调和平滑参数，/>为影响衰减因子，为临近时间变量，/>为噪声空间分布调整系数，/>为归一化系数，/>为环境噪声值的修正值；
步骤S132：根据预设的环境噪声阈值对环境噪声值进行判断，若环境噪声值大于或等于预设的环境噪声阈值时，则剔除该环境噪声值对应的鱼类繁殖环境数据，得到鱼类繁殖环境降噪数据；
步骤S133：根据预设的环境噪声阈值对环境噪声值进行判断，若环境噪声值小于预设的环境噪声阈值时，则将鱼类繁殖环境数据定义为鱼类繁殖环境降噪数据。
4.根据权利要求1所述的基于AI的自适应鱼类繁殖环境光照控制方法，其特征在于，步骤S2包括以下步骤：
步骤S21：通过计算机视觉算法模型对鱼类繁殖环境进行光照采集，得到光照数据；
步骤S22：根据历史追溯算法对光照数据和鱼类繁殖环境降噪数据进行历史检测，得到鱼类历史行为数据；
其中，历史追溯算法函数如下所示：
；
式中，为历史追溯算法函数，/>为光照数据，/>为鱼类繁殖环境降噪数据，/>为历史时间维度，/>为时间积分变量，/>为进行历史检测的次数，/>为光照数据的调和平滑参数，/>为鱼类繁殖环境降噪数据的调和平滑参数，/>为历史时间维度的调和平滑参数，/>为历史追溯算法函数的修正值；
步骤S23：利用行为侦测算法对鱼类历史行为数据进行行为侦测处理，得到鱼类行为数据；
其中，行为侦测算法函数如下所示：
；
式中，为行为侦测算法函数，/>为行为侦测时间间隔，/>为在时间/>时鱼类历史行为数据中的行为数据，/>为行为数据的权重参数，/>为在时间/>时鱼类历史行为数据中的光照强度，/>为光照强度的权重参数，/>为光照强度的相位差，/>为光照强度相位差的权重参数，/>为行为衰减系数，/>为行为侦测算法函数的修正值。
5.根据权利要求4所述的基于AI的自适应鱼类繁殖环境光照控制方法，其特征在于，步骤S21包括以下步骤：
步骤S211：构建计算机视觉算法模型，其中计算机视觉算法模型包括图像分割算法、图像增强算法和光照计算算法；
步骤S212：通过光照摄像头从鱼类繁殖环境中获取光照信息，得到光照图像；利用图像分割算法对光照图像中的光照区域进行分离处理，得到光照区域图像；
其中，图像分割算法函数公式如下所示：
；
式中，为在光照区域/>上的光照区域图像，/>为光照图像中的光照区域数量，/>为第/>个光照区域的权重系数，/>为光照区域/>的特征提取函数，/>为光照区域的所有可能光照区域集合，/>为可能光照区域/>的特征提取函数，为图像分割算法函数的核函数，/>为光照区域图像的修正值；
步骤S213：利用图像增强算法对光照区域图像进行对比增强处理，得到光照信息图像；
其中，图像增强算法函数公式如下所示：
；
式中，为在光照区域/>上的光照信息图像，/>为进行对比增强处理的光照区域数量，/>为第/>个光照区域的扩展滤波器权重系数，/>为光照区域/>的特征提取函数，/>为增强区域的响应函数，/>为图像增强算法函数的核函数，/>为光照信息图像的修正值；
步骤S214：利用光照计算算法对光照信息图像进行分析采集处理，以得到光照数据；
其中，光照计算算法函数公式如下所示：
；
式中，为光照数据，/>为鱼类繁殖环境光照强度，/>为环境反射系数，/>为光照信息图像点光源强度，/>为光照信息图像点光源数量，/>为光照信息图像漫反射系数，/>为光照信息图像表面法线向量，/>为光照信息图像点光源到光照信息图像表面的方向向量，/>为镜像反射系数，/>为光照信息图像点光源到光照信息图像表面镜像的方向向量，/>为光照信息图像表面镜像法线向量，/>为镜像抛光系数，/>为光照数据的修正值。
6.根据权利要求1所述的基于AI的自适应鱼类繁殖环境光照控制方法，其特征在于，步骤S3包括以下步骤：
步骤S31：利用特征提取技术对鱼类行为数据进行特征提取，得到鱼类行为特征；
步骤S32：对鱼类行为特征进行数据集提取处理，得到鱼类行为特征数据集；
步骤S33：根据预设的深度学习模型对鱼类行为特征数据集进行行为检测处理，得到鱼类生长行为状况。
7.根据权利要求6所述的基于AI的自适应鱼类繁殖环境光照控制方法，其特征在于，步骤S33包括以下步骤：
步骤S331：将鱼类行为特征数据集划分为训练数据集、验证数据集和测试数据集；
步骤S332：构建基于卷积神经网络的行为检测模型，其中行为检测模型包括模型训练、模型验证和模型测试；
步骤S333：将训练数据集输入至构建的行为检测模型进行模型训练，并通过行为损失函数对模型进行调优处理，得到验证模型；利用验证模型对验证数据集进行模型验证，以得到测试模型；
其中，行为损失函数公式如下所示：
；
；
式中，为行为损失函数，/>为在时间/>时与第/>种行为相关的鱼类行为特征值，为在时间/>时与初始行为相关的鱼类行为特征值，/>为鱼类行为特征值对应的行为数量，/>为第/>种行为相关的鱼类行为特征值的权重系数，/>为行为检测初始时间，/>为行为检测结束时间，/>为行为检测速度平滑约束参数，/>为行为检测加速度平滑约束函数，/>为行为检测加速度平滑约束参数，/>为行为损失函数的修正值；
步骤S334：利用测试模型对测试数据集进行模型测试，得到最优行为检测模型；并将鱼类行为特征数据集重新输入至最优行为检测模型进行行为检测处理，得到鱼类生长行为状况。
8.根据权利要求1所述的基于AI的自适应鱼类繁殖环境光照控制方法，其特征在于，步骤S5包括以下步骤：
步骤S51：利用自适应监控技术对光照需求数据进行监控处理，得到光照控制数据；
步骤S52：对光照控制数据进行数字信号编码处理，以生成光照控制数字信号；
步骤S53：对光照控制数字信号进行时域转换处理，得到光照控制时域；
步骤S54：通过傅里叶变换算法对光照控制时域进行频谱变换，得到光照控制信号；
其中，傅里叶变换算法函数公式如下所示：
；
式中，为傅里叶变换算法函数，/>为频率参数，/>为光照控制时域，/>为时域分量参数，/>为虚部参数，/>、/>、/>、/>和/>为描述时域分量参数/>的非线性关系系数，/>和/>为描述时域分量参数/>的周期性参数，/>为时域分量参数与描述频率参数的二次项系数，/>为傅里叶变换算法函数的修正值。
9.根据权利要求1所述的基于AI的自适应鱼类繁殖环境光照控制方法，其特征在于，步骤S6包括以下步骤：
利用光照感应器对光照控制信号进行信息感应处理，得到光照控制信息；
通过光照控制信息响应光照控制器制定光照控制方案，根据光照控制方案执行相应的光照调整策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310885504.5A CN116723614B (zh) | 2023-07-19 | 2023-07-19 | 一种基于ai的自适应鱼类繁殖环境光照控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310885504.5A CN116723614B (zh) | 2023-07-19 | 2023-07-19 | 一种基于ai的自适应鱼类繁殖环境光照控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116723614A CN116723614A (zh) | 2023-09-08 |
| CN116723614B true CN116723614B (zh) | 2024-03-19 |
Family
ID=87864592
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310885504.5A Active CN116723614B (zh) | 2023-07-19 | 2023-07-19 | 一种基于ai的自适应鱼类繁殖环境光照控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116723614B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105979773A (zh) * | 2013-12-10 | 2016-09-28 | 飞利浦灯具控股公司 | 用于鱼类的人造照明系统和提供鱼类照明的方法 |
| CN113516563A (zh) * | 2021-07-21 | 2021-10-19 | 中国农业大学 | 基于传感数据的鱼类养殖环境调节方法、系统及存储介质 |
| CN115443940A (zh) * | 2022-09-19 | 2022-12-09 | 广东海联帮科技有限公司 | 一种含有光强调节的鱼菜共生调节系统 |
| CN116009595A (zh) * | 2022-12-27 | 2023-04-25 | 中国农业大学 | 一种太阳能板调节方法、装置及智能水产养殖方法、系统 |
| CN116058195A (zh) * | 2023-04-06 | 2023-05-05 | 中国农业大学 | 一种叶菜生长环境光照调控方法、系统及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021097368A1 (en) * | 2019-11-13 | 2021-05-20 | 80 Acres Urban Agriculture Inc. | Method and apparatus for autonomous indoor farming |
-
2023
- 2023-07-19 CN CN202310885504.5A patent/CN116723614B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105979773A (zh) * | 2013-12-10 | 2016-09-28 | 飞利浦灯具控股公司 | 用于鱼类的人造照明系统和提供鱼类照明的方法 |
| CN113516563A (zh) * | 2021-07-21 | 2021-10-19 | 中国农业大学 | 基于传感数据的鱼类养殖环境调节方法、系统及存储介质 |
| CN115443940A (zh) * | 2022-09-19 | 2022-12-09 | 广东海联帮科技有限公司 | 一种含有光强调节的鱼菜共生调节系统 |
| CN116009595A (zh) * | 2022-12-27 | 2023-04-25 | 中国农业大学 | 一种太阳能板调节方法、装置及智能水产养殖方法、系统 |
| CN116058195A (zh) * | 2023-04-06 | 2023-05-05 | 中国农业大学 | 一种叶菜生长环境光照调控方法、系统及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116723614A (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11888316B2 (en) | Method and system of predicting electric system load based on wavelet noise reduction and EMD-ARIMA | |
| CN117057517B (zh) | 基于数字孪生的电力数据高效处理方法及系统 | |
| NO20210919A1 (en) | Systems and methods for predicting growth of a population of organisms | |
| CN116311539B (zh) | 基于毫米波的睡眠动作捕捉方法、装置、设备及存储介质 | |
| CN116692297A (zh) | 基于物联网的垃圾桶检测方法、装置、设备及存储介质 | |
| JP2008228759A (ja) | 意識低下判定装置及びプログラム | |
| CN111814866A (zh) | 一种病虫害预警方法、装置、计算机设备及存储介质 | |
| CN116723614B (zh) | 一种基于ai的自适应鱼类繁殖环境光照控制方法 | |
| CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
| CN117222069B (zh) | 照明驱动电源的智能控制方法 | |
| Lemikhova et al. | Transfer learning for few-shot plants recognition: Antarctic station greenhouse use-case | |
| CN117079005A (zh) | 一种光缆故障监测方法、系统、装置及可读存储介质 | |
| CN117052970A (zh) | 用于气动球阀装配的智能控制系统及其方法 | |
| Chen et al. | Classification of rice appearance quality based on LS-SVM using machine vision | |
| CN109242219B (zh) | 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置 | |
| CN111601418A (zh) | 色温调节方法、装置、存储介质和处理器 | |
| Makinana et al. | Quality parameter assessment on iris images | |
| CN114118157A (zh) | 一种基于植物电信号的光照信息诊断方法及系统 | |
| JP6929260B2 (ja) | 時系列特徴抽出装置、時系列特徴抽出方法及びプログラム | |
| CN117278073B (zh) | 一种超宽带天线信号自动调整方法 | |
| CN117690273B (zh) | 烟雾报警器的复位方法、装置、设备及存储介质 | |
| CN114359895B (zh) | 一种食品新鲜度检测的方法及系统 | |
| US20240085465A1 (en) | Method and system for identifying operating status of electrical appliance based on non-intrusive load monitoring | |
| CN117782198A (zh) | 一种基于云边端架构的公路机电设备运行监测方法及系统 | |
| CN117763687A (zh) | 一种基于bim模型的建筑损伤预测系统及方法 |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 214000 High-tech Agricultural Demonstration Park in Anzhen Street, Xishan District, Wuxi City, Jiangsu Province Applicant after: Jiangsu Zhongshui Dongze Agricultural Development Co.,Ltd. Address before: 2201, Wuxi Chamber of Commerce Building, No. 1 Financial 8th Street, Wuxi Economic Development Zone, Wuxi City, Jiangsu Province, 214000 Applicant before: Jiangsu Zhongshui Dongze Agricultural Development Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |