CN116843085A - 淡水鱼生长监控方法、装置、设备及存储介质 - Google Patents
淡水鱼生长监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116843085A CN116843085A CN202311096624.3A CN202311096624A CN116843085A CN 116843085 A CN116843085 A CN 116843085A CN 202311096624 A CN202311096624 A CN 202311096624A CN 116843085 A CN116843085 A CN 116843085A
- Authority
- CN
- China
- Prior art keywords
- fish
- growth
- data
- freshwater fish
- freshwater
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 687
- 239000013505 freshwater Substances 0.000 title claims abstract description 328
- 238000012544 monitoring process Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000004584 weight gain Effects 0.000 claims abstract description 126
- 235000019786 weight gain Nutrition 0.000 claims abstract description 126
- 238000004458 analytical method Methods 0.000 claims abstract description 107
- 239000011159 matrix material Substances 0.000 claims abstract description 75
- 239000013598 vector Substances 0.000 claims description 177
- 238000004364 calculation method Methods 0.000 claims description 63
- 230000006870 function Effects 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 28
- 238000012806 monitoring device Methods 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000013145 classification model Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 22
- 230000000875 corresponding effect Effects 0.000 description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 13
- 238000007726 management method Methods 0.000 description 10
- 241000252234 Hypophthalmichthys nobilis Species 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000037406 food intake Effects 0.000 description 5
- 235000012631 food intake Nutrition 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 235000012054 meals Nutrition 0.000 description 4
- 241000252232 Hypophthalmichthys Species 0.000 description 3
- 230000037396 body weight Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000004634 feeding behavior Effects 0.000 description 3
- 230000005802 health problem Effects 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 238000003892 spreading Methods 0.000 description 3
- 241000252210 Cyprinidae Species 0.000 description 2
- 208000034423 Delivery Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003031 feeding effect Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 241000252230 Ctenopharyngodon idella Species 0.000 description 1
- 241000288105 Grus Species 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 235000021050 feed intake Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 235000013402 health food Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000009372 pisciculture Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Environmental Sciences (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Marine Sciences & Fisheries (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Agronomy & Crop Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Zoology (AREA)
- Medical Informatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Mining & Mineral Resources (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明涉及人工智能领域,公开了一种淡水鱼生长监控方法、装置、设备及存储介质,用于通过淡水鱼生长监控的准确率。方法包括:对历史淡水鱼生长数据进行数据集划分,得到淡水鱼饲料投放数据和鱼群进食图像数据;进行鱼群总重量分析,得到鱼群生长曲线并进行鱼群增重分析,生成鱼群增重数据;进行鱼群进食面积分析,得到鱼群进食面积数据并进行生长特征分析,得到生长特征数据;得到目标生长特征矩阵;将目标生长特征矩阵输入淡水鱼生长监控模型进行淡水鱼生长趋势预测,得到淡水鱼生长预测数据并进行比对分析,生成淡水鱼生长分析结果,并通过淡水鱼监控系统对淡水鱼生长分析结果进行报告生成,得到鱼群生长监测报告。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种淡水鱼生长监控方法、装置、设备及存储介质。
背景技术
随着全球人口的不断增加和对食物需求的不断上升,养殖业作为重要的食品生产方式之一,变得越来越重要。在这种情况下,淡水鱼养殖成为了一个备受关注的领域,因为淡水鱼具有高蛋白质含量、生长速度较快等特点,能够满足人们对健康食品的需求。
然而,在淡水鱼养殖过程中,如何科学有效地监控鱼群的生长状态成为一个挑战。传统的养殖监控方法往往需要大量的人力和时间,难以实现实时、精确的监测。同时,淡水鱼的生长受到多种因素的影响,如饲料投放、环境温度、水质等,这些因素之间的复杂关系使得生长趋势的预测变得更加复杂。
发明内容
本发明提供了一种淡水鱼生长监控方法、装置、设备及存储介质,用于通过淡水鱼生长监控的准确率。
本发明第一方面提供了一种淡水鱼生长监控方法,所述淡水鱼生长监控方法包括:
通过预置的淡水鱼监控系统获取历史淡水鱼生长数据,并对所述历史淡水鱼生长数据进行数据集划分,得到淡水鱼饲料投放数据和鱼群进食图像数据;
对所述淡水鱼饲料投放数据进行鱼群总重量分析,得到鱼群生长曲线,并对所述鱼群生长曲线进行鱼群增重分析,生成鱼群增重数据;
对所述鱼群进食图像数据进行鱼群进食面积分析,得到鱼群进食面积数据,并对所述鱼群进食面积数据和所述鱼群生长曲线进行生长特征分析,得到生长特征数据;
对所述鱼群增重数据进行向量编码,生成鱼群增重编码向量,并对所生长特征数据进行向量编码,得到生长特征编码向量,以及对所述鱼群增重编码向量和所述生长特征编码向量进行矩阵转换,得到目标生长特征矩阵;
将所述目标生长特征矩阵输入预置的淡水鱼生长监控模型进行淡水鱼生长趋势预测,得到淡水鱼生长预测数据;
采集淡水鱼生长参数数据,并将所述淡水鱼生长预测数据和所述淡水鱼生长参数数据进行比对分析,生成淡水鱼生长分析结果,并通过所述淡水鱼监控系统对所述淡水鱼生长分析结果进行报告生成,得到鱼群生长监测报告。
结合第一方面,在本发明第一方面的第一种实现方式中,所述通过预置的淡水鱼监控系统获取历史淡水鱼生长数据,并对所述历史淡水鱼生长数据进行数据集划分,得到淡水鱼饲料投放数据和鱼群进食图像数据,包括:
通过预置的淡水鱼监控系统获取历史淡水鱼生长数据,其中,所述淡水鱼监控系统包括:控制器、摄像头、传感器与IMP系统;
获取预先定义的多个饲料投放标签和进食图像标签,并将所述历史淡水鱼生长数据输入预置的标签数据分类模型;
通过所述标签数据分类模型对所述历史淡水鱼生长数据进行标签中心计算,得到饲料投放标签中心以及进食图像标签中心;
对所述历史淡水鱼生长数据与所述饲料投放标签中心的距离进行计算,得到多个第一特征中心距并对所述多个第一特征中心距进行平均值计算,得到第一平均中心距,以及对所述历史淡水鱼生长数据与所述进食图像标签中心的距离进行计算,得到多个第二特征中心距并对所述多个第二特征中心距进行平均值计算,得到第二平均中心距;
根据所述第一平均中心距对所述历史淡水鱼生长数据进行标签数据集分类,得到淡水鱼饲料投放数据,以及根据所述第二平均中心距对所述历史淡水鱼生长数据进行标签数据集分类,得到鱼群进食图像数据。
结合第一方面,在本发明第一方面的第二种实现方式中,所述对所述淡水鱼饲料投放数据进行鱼群总重量分析,得到鱼群生长曲线,并对所述鱼群生长曲线进行鱼群增重分析,生成鱼群增重数据,包括:
基于预设的多个统计时间段,并通过预置的鱼群总重量计算函数对所述淡水鱼饲料投放数据进行鱼群总重量计算,得到每个统计时间段的鱼群总重量;其中,所述鱼群总重量计算函数为:W1total=∑(F1+F2+F3+...+Fn)/n2;其中,W1total为鱼群总重量,F为统计时间段内每次饲料投放量,n为统计时间段内累计投放次数;
通过预置的概率密度函数,对每个统计时间段的鱼群总重量进行曲线拟合,得到鱼群生长曲线;
获取初始鱼群重量,并根据所述初始鱼群重量,通过预置的鱼群增重计算函数对所述鱼群生长曲线进行鱼群增重分析,得到鱼群增重数据;其中,所述鱼群增重计算函数为:W0-1=W1total-W0total,其中,W1total为鱼群总重量,W0total为初始鱼群重量。
结合第一方面,在本发明第一方面的第三种实现方式中,所述对所述鱼群进食图像数据进行鱼群进食面积分析,得到鱼群进食面积数据,并对所述鱼群进食面积数据和所述鱼群生长曲线进行生长特征分析,得到生长特征数据,包括:
对所述鱼群进食图像数据进行图像去噪和图像分割,得到标准进食图像数据;
对所述标准进食图像数据进行鱼群轮廓分析,得到目标鱼群轮廓数据,并对所述目标鱼群轮廓数据进行鱼群中心计算,得到多个鱼群中心关键点;
通过所述多个鱼群中心关键点构建所述目标鱼群轮廓数据的初始鱼群位置云图;
基于K次近邻算法对所述初始鱼群位置云图中的每个鱼群中心关键点进行近邻点识别,得到每个鱼群中心关键点对应的K个最近邻点;
分别计算所述K个最近邻点与对应的鱼群中心关键点之间的鱼群位置偏移量,并根据所述鱼群位置偏移量对所述初始鱼群位置云图进行漂移校正,得到目标鱼群位置云图;
通过所述目标鱼群位置云图计算鱼群进食面积,得到鱼群进食面积数据;
根据预置的鱼群进食面积与鱼群总重量之间的目标对应关系,对所述鱼群进食面积数据和所述鱼群生长曲线进行生长特征分析,得到生长特征数据。
结合第一方面,在本发明第一方面的第四种实现方式中,所述对所述鱼群增重数据进行向量编码,生成鱼群增重编码向量,并对所生长特征数据进行向量编码,得到生长特征编码向量,以及对所述鱼群增重编码向量和所述生长特征编码向量进行矩阵转换,得到目标生长特征矩阵,包括:
对所述鱼群增重数据进行向量编码,生成初始增重编码向量,并对所述初始增重编码向量进行标准化处理,得到鱼群增重编码向量;
对所生长特征数据进行向量编码,得到初始特征编码向量,并对所述初始特征编码向量进行标准化处理,得到生长特征编码向量;
获取预置的多个鱼群增重影响权重以及多个生长特征影响权重;
对所述多个鱼群增重影响权重与所述鱼群增重编码向量中的多个第一向量元素进行加权计算,生成加权增重编码向量;
对所述多个生长特征影响权重与所述生长特征编码向量中的多个第二向量元素进行加权计算,生成加权特征编码向量;
对所述加权增重编码向量和所述加权特征编码向量进行矩阵转换,得到目标生长特征矩阵。
结合第一方面,在本发明第一方面的第五种实现方式中,所述将所述目标生长特征矩阵输入预置的淡水鱼生长监控模型进行淡水鱼生长趋势预测,得到淡水鱼生长预测数据,包括:
将所述目标生长特征矩阵输入预置的淡水鱼生长监控模型,其中,所述淡水鱼生长监控模型包括:特征编码器和特征解码器;
通过所述特征编码器中的两层双向门限循环网络对所述目标生长特征矩阵进行特征提取,得到对应的特征隐码向量;
将所述特征隐码向量输入所述特征解码器,并通过所述特征解码器中的两层单向门限循环网络进行淡水鱼生长趋势预测,输出淡水鱼生长预测数据。
结合第一方面,在本发明第一方面的第六种实现方式中,所述采集淡水鱼生长参数数据,并将所述淡水鱼生长预测数据和所述淡水鱼生长参数数据进行比对分析,生成淡水鱼生长分析结果,并通过所述淡水鱼监控系统对所述淡水鱼生长分析结果进行报告生成,得到鱼群生长监测报告,包括:
通过所述监控系统,采集淡水鱼生长参数数据;
对所述淡水鱼生长预测数据进行特征提取,得到预测特征集合,并对所述淡水鱼生长参数数据进行特征提取,得到参数特征集合;
将所述预测特征集合映射至预置的第一特征空间,并将所述参数特征集合映射至预置的第二特征空间;
对所述第一特征空间和所述第二特征空间进行数据点偏差计算,得到目标偏差数据;
对所述目标偏差数据和预置的偏差阈值进行比对,若所述目标偏差数据大于或者等于所述偏差阈值,则确定淡水鱼生长分析结果为淡水鱼生长异常,若所述目标偏差数据小于所述偏差阈值,则确定淡水鱼生长分析结果为淡水鱼生长正常;
通过所述淡水鱼监控系统对所述淡水鱼生长分析结果进行报告生成,得到鱼群生长监测报告。
本发明第二方面提供了一种淡水鱼生长监控装置,所述淡水鱼生长监控装置包括:
获取模块,用于通过预置的淡水鱼监控系统获取历史淡水鱼生长数据,并对所述历史淡水鱼生长数据进行数据集划分,得到淡水鱼饲料投放数据和鱼群进食图像数据;
分析模块,用于对所述淡水鱼饲料投放数据进行鱼群总重量分析,得到鱼群生长曲线,并对所述鱼群生长曲线进行鱼群增重分析,生成鱼群增重数据;
处理模块,用于对所述鱼群进食图像数据进行鱼群进食面积分析,得到鱼群进食面积数据,并对所述鱼群进食面积数据和所述鱼群生长曲线进行生长特征分析,得到生长特征数据;
编码模块,用于对所述鱼群增重数据进行向量编码,生成鱼群增重编码向量,并对所生长特征数据进行向量编码,得到生长特征编码向量,以及对所述鱼群增重编码向量和所述生长特征编码向量进行矩阵转换,得到目标生长特征矩阵;
预测模块,用于将所述目标生长特征矩阵输入预置的淡水鱼生长监控模型进行淡水鱼生长趋势预测,得到淡水鱼生长预测数据;
生成模块,用于采集淡水鱼生长参数数据,并将所述淡水鱼生长预测数据和所述淡水鱼生长参数数据进行比对分析,生成淡水鱼生长分析结果,并通过所述淡水鱼监控系统对所述淡水鱼生长分析结果进行报告生成,得到鱼群生长监测报告。
本发明第三方面提供了一种淡水鱼生长监控设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述淡水鱼生长监控设备执行上述的淡水鱼生长监控方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的淡水鱼生长监控方法。
本发明提供的技术方案中,对历史淡水鱼生长数据进行数据集划分,得到淡水鱼饲料投放数据和鱼群进食图像数据;进行鱼群总重量分析,得到鱼群生长曲线并进行鱼群增重分析,生成鱼群增重数据;进行鱼群进食面积分析,得到鱼群进食面积数据并进行生长特征分析,得到生长特征数据;得到目标生长特征矩阵;将目标生长特征矩阵输入淡水鱼生长监控模型进行淡水鱼生长趋势预测,得到淡水鱼生长预测数据并进行比对分析,生成淡水鱼生长分析结果,并通过淡水鱼监控系统对淡水鱼生长分析结果进行报告生成,得到鱼群生长监测报告,本发明通过实时监测鱼群的生长状态和健康状况,允许养殖业者更好地调整饲料投放、环境参数等,以更精确地满足鱼群的需求,从而提高生产效率和鱼肉质量。通过合理的饲养管理,可以减少资源浪费,提高产出率,降低成本。通过提前预测鱼群生长趋势,有助于发现潜在的健康问题或异常情况,使养殖业者能够迅速采取措施,防止疾病蔓延,减少鱼群死亡率,降低经济损失。通过减少资源浪费、优化养殖管理,有助于推动淡水鱼养殖业向着更可持续的方向发展,减少养殖活动对环境的影响,有助于保护水体生态平衡,维护生态环境的可持续性,进而提高了淡水鱼生长监控的准确率。
附图说明
图1为本发明实施例中淡水鱼生长监控方法的一个实施例示意图;
图2为本发明实施例中生长特征分析的流程图;
图3为本发明实施例中矩阵转换的流程图;
图4为本发明实施例中淡水鱼生长趋势预测的流程图;
图5为本发明实施例中淡水鱼生长监控装置的一个实施例示意图;
图6为本发明实施例中淡水鱼生长监控设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种淡水鱼生长监控方法、装置、设备及存储介质,用于通过淡水鱼生长监控的准确率。本发明的说明书和权利要求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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中淡水鱼生长监控方法的一个实施例包括:
S101、通过预置的淡水鱼监控系统获取历史淡水鱼生长数据,并对历史淡水鱼生长数据进行数据集划分,得到淡水鱼饲料投放数据和鱼群进食图像数据;
可以理解的是,本发明的执行主体可以为淡水鱼生长监控装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器预置的淡水鱼监控系统充当数据采集的核心,此系统利用控制器、摄像头、传感器与IMP系统等设备来收集淡水鱼的生长数据。这些数据经过处理和整理后,进入数据集划分阶段。在此阶段,历史淡水鱼生长数据被分成两个子集,即淡水鱼饲料投放数据和鱼群进食图像数据。为了更好地处理这些数据,系统引入了预先定义的多个饲料投放标签和进食图像标签。这些标签在标签数据分类模型中发挥作用,该模型使用历史淡水鱼生长数据作为输入,以便将数据关联到相应的标签中心。通过计算,得到了饲料投放标签中心以及进食图像标签中心,这些中心代表了不同类别数据的集中趋势。进一步,这些中心信息被用来衡量历史淡水鱼生长数据与饲料投放标签中心以及进食图像标签中心之间的距离。通过计算每个数据点与中心之间的距离,获得多个第一特征中心距和多个第二特征中心距。这些距离的平均值分别被计算,得到了第一平均中心距和第二平均中心距,这些平均值代表了数据分布的特征。根据第一平均中心距,历史淡水鱼生长数据被归类,从而得到淡水鱼饲料投放数据。类似地,通过第二平均中心距,历史淡水鱼生长数据也被归类,从而得到鱼群进食图像数据。这些步骤的目的在于准确地分配数据,使其能够在后续的分析和预测中得到有效利用。例如,假设服务器正在监测一批淡水鱼的生长情况。在历史数据中,服务器有不同时间点的鱼群总重量、饲料投放量和进食图像。通过淡水鱼监控系统,服务器将这些数据输入到标签数据分类模型中。模型分析数据后,计算出饲料投放标签中心和进食图像标签中心。服务器计算历史数据与这些标签中心的距离。假设某个数据点与饲料投放标签中心的距离为5,与进食图像标签中心的距离为3。经过多个数据点计算得到的第一平均中心距为4,第二平均中心距为2.5。根据第一平均中心距,服务器将历史数据中距离饲料投放标签中心较近的数据归类为淡水鱼饲料投放数据。同时,根据第二平均中心距,服务器将距离进食图像标签中心较近的数据归类为鱼群进食图像数据。通过这一分析,服务器获得了饲料投放数据和进食图像数据,这些数据将成为后续生长趋势预测和生长特征分析的基础。
S102、对淡水鱼饲料投放数据进行鱼群总重量分析,得到鱼群生长曲线,并对鱼群生长曲线进行鱼群增重分析,生成鱼群增重数据;
具体的,服务器分析淡水鱼饲料投放数据的鱼群总重量。这一过程利用预设的多个统计时间段,通过预置的鱼群总重量计算函数来计算每个统计时间段内鱼群的总重量。鱼群总重量计算函数为:W1total=∑(F1+F2+F3+...+Fn)/n2;其中,W1total为鱼群总重量,F为统计时间段内每次饲料投放量,n为统计时间段内累计投放次数。鱼群总重量计算函数采用累加的方式,将统计时间段内的每次饲料投放量相加,然后除以累计投放次数,得到平均饲料投放量。通过这个平均饲料投放量,可以估算出鱼群在每个统计时间段内的总重量。为了更好地描绘鱼群的生长情况,方法使用预置的概率密度函数对每个统计时间段的鱼群总重量进行曲线拟合。这个鱼群生长曲线展示了鱼群随着时间推移的总重量变化,从而提供了对鱼群生长趋势的直观认识。通过获取初始鱼群重量,使用预置的鱼群增重计算函数对鱼群生长曲线进行鱼群增重分析,从而获得了鱼群增重数据。鱼群增重计算函数为:W0-1=W1total-W0total,其中,W1total为鱼群总重量,W0total为初始鱼群重量。鱼群增重计算函数通过减去初始鱼群重量,计算每个统计时间段结束时的鱼群总重量与初始重量之间的差值,这个差值即为鱼群在该统计时间段内的增重。例如,假设服务器正在监测一批塘鳢的生长情况。服务器设定三个统计时间段,分别为一个月、两个月和三个月。根据鱼群总重量计算函数,服务器收集每个统计时间段内的饲料投放量并计算平均投放量。统计时间段为一个月时,投放量分别为2000克、2200克和3000克,累计投放次数为3次。平均投放量为(2000+2200+3000)/32=800克。因此,在一个月内,鱼群的总重量为800克。同样地,当统计时间段为两个月和三个月时,可以计算出相应的平均投放量和鱼群总重量。服务器使用预置的概率密度函数对这些鱼群总重量进行曲线拟合,得到了鱼群的生长曲线。假设初始鱼群重量为1000克,根据鱼群增重计算函数,服务器计算出每个统计时间段内的鱼群增重。例如,在一个月内,鱼群总重量为800克,初始重量为1000克,因此增重为800-1000=-200克。这是因为在短时间内,鱼群的增重不足以抵消其初始重量。通过这样的分析,服务器得到不同时间段内鱼群的增重情况,从而更好地了解鱼群的生长趋势和表现。
S103、对鱼群进食图像数据进行鱼群进食面积分析,得到鱼群进食面积数据,并对鱼群进食面积数据和鱼群生长曲线进行生长特征分析,得到生长特征数据;
需要说明的是,鱼群进食图像数据的分析从图像处理开始。通过图像去噪和图像分割,将原始的进食图像数据转换为清晰的标准进食图像数据,以便后续分析使用。针对标准进食图像数据,进行鱼群轮廓分析。识别出鱼群的轮廓,从而得到目标鱼群轮廓数据。通过计算目标鱼群轮廓数据的中心,获得多个鱼群中心关键点。利用这些鱼群中心关键点,构建初始鱼群位置云图。这个云图呈现了鱼群在图像中的初始分布情况。为了更准确地定位鱼群,采用K次近邻算法识别每个鱼群中心关键点的K个最近邻点。然后,计算每个最近邻点与其对应鱼群中心关键点之间的鱼群位置偏移量。根据这些偏移量,进行漂移校正,得到目标鱼群位置云图,确保鱼群位置的精准性。通过目标鱼群位置云图,进行鱼群进食面积的计算。根据云图中的位置信息,可以测量出鱼群在不同时间段内的进食面积,从而得到鱼群进食面积数据。根据预置的鱼群进食面积与鱼群总重量之间的目标对应关系,对鱼群进食面积数据和鱼群生长曲线进行生长特征分析。这些分析包括进食量与鱼群增重之间的关系,进食活动与生长曲线的关联等,从而得到生长特征数据。例如,假设服务器正在监测一批鲈鱼的生长情况。服务器收集了不同时间段内的进食图像数据,其中包含鲈鱼的进食情况。通过图像处理,服务器将原始的进食图像数据进行去噪和分割,得到清晰的标准进食图像数据。通过鱼群轮廓分析,服务器识别出标准进食图像中每条鲈鱼的轮廓,并计算出它们的中心关键点。基于K次近邻算法,服务器找到每个鲈鱼中心关键点的最近邻点,并计算出位置偏移量,对云图进行漂移校正,得到目标鱼群位置云图。通过云图,服务器计算每个时间段内鲈鱼的进食面积。这些数据反映了鲈鱼在不同时间段内的进食活动情况。在已知的鱼群进食面积与鱼群总重量之间的关系下,服务器分析进食面积数据和鲈鱼生长曲线之间的关联。例如,服务器观察进食面积是否与鲈鱼的增重呈现正相关,从而获得关于鲈鱼生长特征的重要信息。
S104、对鱼群增重数据进行向量编码,生成鱼群增重编码向量,并对所生长特征数据进行向量编码,得到生长特征编码向量,以及对鱼群增重编码向量和生长特征编码向量进行矩阵转换,得到目标生长特征矩阵;
具体的,对鱼群增重数据进行向量编码,生成初始增重编码向量。这一过程将鱼群增重数据表示为初始增重编码向量。对初始增重编码向量进行标准化处理,从而获得鱼群增重编码向量。类似地,生长特征数据也经过向量编码和标准化处理,得到生长特征编码向量。预先获取多个鱼群增重影响权重和多个生长特征影响权重。这些权重用于在后续的加权计算中,为不同的数据特征赋予不同的重要性。使用鱼群增重影响权重,对鱼群增重编码向量中的各个元素进行加权计算,生成加权增重编码向量。这一计算考虑了每个增重数据在整体中的重要程度,从而得到更有意义的向量表示。同样地,使用生长特征影响权重,对生长特征编码向量中的各个元素进行加权计算,生成加权特征编码向量。这个向量反映了生长特征数据的综合表现,考虑了不同特征的权重。通过对加权增重编码向量和加权特征编码向量进行矩阵转换,得到目标生长特征矩阵。这个矩阵将鱼群的增重和生长特征进行整合,形成一个全面的描述,可以用于后续的生长趋势预测和分析。例如,假设服务器正在监测一批草鱼的生长情况。服务器已经获得了鱼群的增重数据和生长特征数据,其中鱼群增重数据包括每个统计时间段内的增重情况,而生长特征数据包括鱼群的进食量、环境条件等信息。针对鱼群增重数据,服务器将这些数据进行向量编码,得到初始增重编码向量。然后,对初始增重编码向量进行标准化处理,获得鱼群增重编码向量。同样地,对生长特征数据进行向量编码和标准化处理,得到生长特征编码向量。假设服务器预先设定了鱼群增重影响权重为0.6,生长特征影响权重为0.4。根据这些权重,服务器对鱼群增重编码向量和生长特征编码向量进行加权计算。例如,对于鱼群增重编码向量中的第一个元素,如果其值为0.2,那么加权计算后的值为0.2*0.6=0.12。这样,服务器得到了加权增重编码向量和加权特征编码向量。通过矩阵转换,将这两个向量组合成目标生长特征矩阵。这个矩阵反映了鱼群的增重情况和生长特征的综合表现,是一个更全面的描述。通过这一系列的处理和计算,服务器得到一个具有综合性的目标生长特征矩阵,该矩阵为进一步的分析和预测提供了重要依据。
S105、将目标生长特征矩阵输入预置的淡水鱼生长监控模型进行淡水鱼生长趋势预测,得到淡水鱼生长预测数据;
具体的,服务器将目标生长特征矩阵输入到特征编码器中。特征编码器是一个由两层双向门限循环网络(BiGRU)构成的模块,其主要功能是从目标生长特征矩阵中提取重要特征,将这些特征表示为特征隐码向量。双向门限循环网络在处理时能够捕捉时序关系和上下文信息,有助于更好地提取特征。特征隐码向量将被输入到特征解码器中。特征解码器同样由两层单向门限循环网络(GRU)构成,其任务是利用特征隐码向量进行淡水鱼生长趋势预测。在这个过程中,模型会根据过去的特征信息来预测未来的生长趋势,从而输出淡水鱼生长预测数据。例如,假设服务器正在监测一批鲈鱼的生长情况。服务器已经获得了经过前述步骤处理的目标生长特征矩阵,其中包含了鲈鱼的各种生长特征信息,例如进食面积、水质参数等。服务器将目标生长特征矩阵输入到特征编码器中。该编码器由两层双向门限循环网络组成,它们在处理过程中可以同时考虑前向和后向的时序信息。通过这个编码器,模型从矩阵中抽取出关键的特征,并将其表示为特征隐码向量。特征隐码向量将被传递给特征解码器。这个解码器由两层单向门限循环网络构成,它们根据特征隐码向量预测未来的生长趋势。例如,鲈鱼的生长趋势受到进食量、环境温度等因素的影响,模型通过学习过去的特征来预测未来的生长状态。输出的淡水鱼生长预测数据是未来某个时间段内鲈鱼的平均重量、长度等。例如,模型会通过分析目标生长特征矩阵发现,在过去的时间段内,鲈鱼的进食量增加,水温保持稳定,这预示着未来鲈鱼的生长趋势会向正向发展,即体重和长度会增加。通过这一系列的处理和计算,服务器基于特征编码器和特征解码器的淡水鱼生长监控模型,得到对鲈鱼生长趋势的预测数据,为养殖管理者提供有用的信息,以便更好地调整养殖策略和做出决策。
S106、采集淡水鱼生长参数数据,并将淡水鱼生长预测数据和淡水鱼生长参数数据进行比对分析,生成淡水鱼生长分析结果,并通过淡水鱼监控系统对淡水鱼生长分析结果进行报告生成,得到鱼群生长监测报告。
具体的,使用监控系统采集淡水鱼生长参数数据,这些数据包括鱼群的体重、长度、进食量、环境温度等各种与生长相关的参数。这些数据是分析鱼群生长情况的基础。对淡水鱼生长预测数据进行特征提取,得到预测特征集合。这些特征是从模型预测结果中提取出来的,如预测的平均体重、长度等。同时,对采集到的淡水鱼生长参数数据进行特征提取,得到参数特征集合。这些特征是实际观测到的鱼群参数数据,如实际平均体重、长度等。将预测特征集合映射到预置的第一特征空间,将参数特征集合映射到预置的第二特征空间。这个映射可以是通过某种映射函数、降维方法或特征工程实现的,目的是将特征数据映射到更适合分析的特征空间中。在第一特征空间和第二特征空间中,进行数据点偏差计算。这意味着计算预测特征集合与参数特征集合之间的差异,从而了解预测值与实际观测值之间的差距。得到目标偏差数据后,将其与预置的偏差阈值进行比对。如果目标偏差数据大于或等于偏差阈值,说明预测结果与实际观测存在明显差异,表明淡水鱼的生长情况异常。如果目标偏差数据小于偏差阈值,则说明预测结果与实际观测较为一致,淡水鱼的生长情况正常。通过淡水鱼监控系统生成鱼群生长监测报告。如果分析结果表明生长异常,报告将详细说明预测与实际观测之间的差异,的原因,以及建议的应对措施。如果分析结果表明生长正常,报告将简要说明预测与实际观测的一致性,为养殖管理者提供对鱼群生长情况的全面了解。例如,假设服务器正在监测一批鲢鳙的生长情况,采集了鲢鳙的体重、长度、进食量等参数数据。服务器使用之前的淡水鱼生长预测模型,预测鲢鳙未来一段时间内的平均体重。预测结果显示,未来鲢鳙的平均体重将会增加。此时,将预测特征集合映射到第一特征空间,将参数特征集合映射到第二特征空间。计算目标偏差数据,发现预测结果与实际观测值相差不大,偏差数据小于偏差阈值。因此,根据比对分析,服务器得出结论,鲢鳙的生长情况正常。通过淡水鱼监控系统生成的鱼群生长监测报告将包括这一结论,以及具体的生长参数数据和预测结果,为养殖管理者提供对鲢鳙生长情况的准确评估和建议。
本发明实施例中,对历史淡水鱼生长数据进行数据集划分,得到淡水鱼饲料投放数据和鱼群进食图像数据;进行鱼群总重量分析,得到鱼群生长曲线并进行鱼群增重分析,生成鱼群增重数据;进行鱼群进食面积分析,得到鱼群进食面积数据并进行生长特征分析,得到生长特征数据;得到目标生长特征矩阵;将目标生长特征矩阵输入淡水鱼生长监控模型进行淡水鱼生长趋势预测,得到淡水鱼生长预测数据并进行比对分析,生成淡水鱼生长分析结果,并通过淡水鱼监控系统对淡水鱼生长分析结果进行报告生成,得到鱼群生长监测报告,本发明通过实时监测鱼群的生长状态和健康状况,允许养殖业者更好地调整饲料投放、环境参数等,以更精确地满足鱼群的需求,从而提高生产效率和鱼肉质量。通过合理的饲养管理,可以减少资源浪费,提高产出率,降低成本。通过提前预测鱼群生长趋势,有助于发现潜在的健康问题或异常情况,使养殖业者能够迅速采取措施,防止疾病蔓延,减少鱼群死亡率,降低经济损失。通过减少资源浪费、优化养殖管理,有助于推动淡水鱼养殖业向着更可持续的方向发展,减少养殖活动对环境的影响,有助于保护水体生态平衡,维护生态环境的可持续性,进而提高了淡水鱼生长监控的准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)通过预置的淡水鱼监控系统获取历史淡水鱼生长数据,其中,淡水鱼监控系统包括:控制器、摄像头、传感器与IMP系统;
(2)获取预先定义的多个饲料投放标签和进食图像标签,并将历史淡水鱼生长数据输入预置的标签数据分类模型;
(4)通过标签数据分类模型对历史淡水鱼生长数据进行标签中心计算,得到饲料投放标签中心以及进食图像标签中心;
(5)对历史淡水鱼生长数据与饲料投放标签中心的距离进行计算,得到多个第一特征中心距并对多个第一特征中心距进行平均值计算,得到第一平均中心距,以及对历史淡水鱼生长数据与进食图像标签中心的距离进行计算,得到多个第二特征中心距并对多个第二特征中心距进行平均值计算,得到第二平均中心距;
(6)根据第一平均中心距对历史淡水鱼生长数据进行标签数据集分类,得到淡水鱼饲料投放数据,以及根据第二平均中心距对历史淡水鱼生长数据进行标签数据集分类,得到鱼群进食图像数据。
具体的,服务器淡水鱼监控系统的构建包括了控制器、摄像头、传感器与IMP系统。控制器用于管理整个系统,摄像头用于拍摄鱼群进食图像,传感器用于监测环境参数如水质、温度等,而IMP系统是指信息管理平台,用于整合和分析数据。为了对历史淡水鱼生长数据进行处理,需要获取预先定义的多个饲料投放标签和进食图像标签。这些标签用于将数据进行分类,以便后续的分析和处理。将历史淡水鱼生长数据输入预置的标签数据分类模型。这个分类模型是一个机器学习模型,它能够根据饲料投放标签和进食图像标签将数据进行分类,从而形成不同的数据集。通过标签数据分类模型,可以进行标签中心计算。这意味着根据不同的标签,计算出饲料投放标签中心和进食图像标签中心。这些中心点代表了各自类别的中心特征。对历史淡水鱼生长数据与饲料投放标签中心的距离进行计算。通过计算数据点与标签中心之间的距离,得到多个第一特征中心距。同样,对这些距离进行平均值计算,得到第一平均中心距。同样地,对历史淡水鱼生长数据与进食图像标签中心的距离进行计算。通过计算数据点与进食图像标签中心之间的距离,得到多个第二特征中心距。对这些距离进行平均值计算,得到第二平均中心距。基于第一平均中心距对历史淡水鱼生长数据进行标签数据集分类,得到淡水鱼饲料投放数据。基于第二平均中心距对历史淡水鱼生长数据进行标签数据集分类,得到鱼群进食图像数据。这个过程使得历史数据根据平均中心距进行分类,从而得到具有相似特征的数据集。例如,假设服务器正在监测一批鲤鱼的生长情况,通过淡水鱼监控系统获取了历史淡水鱼生长数据。服务器预先定义了两个标签,一个是“大量投放”用于表示大量饲料投放,另一个是“正常投放”用于表示正常饲料投放。服务器将历史淡水鱼生长数据输入到标签数据分类模型中。模型根据数据的特征与预先定义的标签进行匹配,将数据分为“大量投放”和“正常投放”两个类别。通过标签中心计算,服务器计算出了“大量投放”类别和“正常投放”类别的饲料投放标签中心。计算历史数据与这两个标签中心的距离,得到第一特征中心距。同样,通过计算进食图像标签中心,得到了“大量投放”类别和“正常投放”类别的进食图像标签中心。计算历史数据与这两个标签中心的距离,得到第二特征中心距。计算第一特征中心距的平均值,得到第一平均中心距;计算第二特征中心距的平均值,得到第二平均中心距。然后,根据这两个平均中心距,对历史淡水鱼生长数据进行分类,得到淡水鱼饲料投放数据和鱼群进食图像数据。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)基于预设的多个统计时间段,并通过预置的鱼群总重量计算函数对淡水鱼饲料投放数据进行鱼群总重量计算,得到每个统计时间段的鱼群总重量;其中,鱼群总重量计算函数为:W1total=∑(F1+F2+F3+...+Fn)/n2;其中,W1total为鱼群总重量,F为统计时间段内每次饲料投放量,n为统计时间段内累计投放次数;
(2)通过预置的概率密度函数,对每个统计时间段的鱼群总重量进行曲线拟合,得到鱼群生长曲线;
(3)获取初始鱼群重量,并根据初始鱼群重量,通过预置的鱼群增重计算函数对鱼群生长曲线进行鱼群增重分析,得到鱼群增重数据;其中,鱼群增重计算函数为:W0-1=W1total-W0total,其中,W1total为鱼群总重量,W0total为初始鱼群重量。
具体的,根据预设的多个统计时间段,服务器将淡水鱼饲料投放数据划分为不同的时间段,比如每周、每月或每季度。在每个统计时间段内,服务器计算鱼群的总重量。鱼群总重量计算函数是一个关键的计算公式,它用于计算每个统计时间段内鱼群的总重量。该函数的表示为:W1total=∑(F1+F2+F3+...+Fn)/n2;其中,W1total为鱼群总重量,F为统计时间段内每次饲料投放量,n为统计时间段内累计投放次数。通过计算,服务器得到每个统计时间段的鱼群总重量。服务器使用预置的概率密度函数对每个统计时间段的鱼群总重量进行曲线拟合。概率密度函数是一个数学函数,可以描述不同鱼群总重量值出现的概率分布。通过拟合,服务器得到每个时间段鱼群总重量的分布情况,从而获得鱼群生长曲线。获取初始鱼群重量。这可以是监测开始时的鱼群总重量。服务器使用预置的鱼群增重计算函数进行分析,得到鱼群的增重数据。鱼群增重计算函数表示为:W0-1=W1total-W0total,其中,W1total为鱼群总重量,W0total为初始鱼群重量。通过计算增重量,服务器了解每个统计时间段内鱼群的生长情况,从而分析鱼群的增重趋势和速率。例如,假设服务器正在监控一批热带鱼的生长情况。服务器将监测时间分为每周统计一个时间段,然后根据投放的饲料量计算每周鱼群的总重量。在第一个周开始时,服务器记录了初始鱼群总重量为100克。在第一周内,服务器投放了总共60克的饲料,鱼群的投放次数为3次。通过鱼群总重量计算函数,服务器得到第一周的鱼群总重量:W1total=6.67g。在第二周内,服务器投放了总共75克的饲料,鱼群的投放次数为4次。通过计算,得到第二周的鱼群总重量:W1total=4.69g。以此类推,服务器得到每周的鱼群总重量数据。然后,服务器使用预置的概率密度函数对这些数据进行曲线拟合,得到鱼群的生长曲线。同时,假设在第一周结束时,鱼群的总重量达到了120克。通过鱼群增重计算函数,服务器得到第一周到第二周的增重数据:W0−1=4.69−6.67=−1.98克.这表示鱼群在第一周到第二周减少了1.98克。通过类似的方式,服务器分析每个时间段内的增重情况。
在一具体实施例中,如图2所示,执行步骤S103的过程可以具体包括如下步骤:
S201、对鱼群进食图像数据进行图像去噪和图像分割,得到标准进食图像数据;
S202、对标准进食图像数据进行鱼群轮廓分析,得到目标鱼群轮廓数据,并对目标鱼群轮廓数据进行鱼群中心计算,得到多个鱼群中心关键点;
S203、通过多个鱼群中心关键点构建目标鱼群轮廓数据的初始鱼群位置云图;
S204、基于K次近邻算法对初始鱼群位置云图中的每个鱼群中心关键点进行近邻点识别,得到每个鱼群中心关键点对应的K个最近邻点;
S205、分别计算K个最近邻点与对应的鱼群中心关键点之间的鱼群位置偏移量,并根据鱼群位置偏移量对初始鱼群位置云图进行漂移校正,得到目标鱼群位置云图;
S206、通过目标鱼群位置云图计算鱼群进食面积,得到鱼群进食面积数据;
S207、根据预置的鱼群进食面积与鱼群总重量之间的目标对应关系,对鱼群进食面积数据和鱼群生长曲线进行生长特征分析,得到生长特征数据。
具体的,服务器从摄像头获取到淡水鱼进食的图像数据,这些图像会包含一些噪声,因此需要进行图像去噪和分割,以获得标准的进食图像数据。图像去噪旨在消除图像中的噪声,使得后续的分析更加准确。图像分割则是将图像中的不同区域分离出来,以便进一步分析。这些步骤可以使用各种图像处理技术如滤波、阈值分割等来完成。对标准进食图像数据进行鱼群轮廓分析,目的是提取出鱼群的形状轮廓。这可以通过边缘检测和形态学操作等技术来实现。得到鱼群的轮廓数据后,可以计算出鱼群的中心位置,从而得到多个鱼群中心关键点。利用这些鱼群中心关键点,服务器构建目标鱼群轮廓数据的初始位置云图。这个云图表示了鱼群在图像中的初始分布情况。为了更精确地分析鱼群的位置,服务器采用K次近邻算法对初始鱼群位置云图中的每个鱼群中心关键点进行近邻点识别。这意味着服务器会找到每个中心关键点的K个最近邻点。这些最近邻点可以用来计算鱼群位置的偏移量。通过计算每个最近邻点与对应的鱼群中心关键点之间的偏移量,服务器根据这些偏移量对初始鱼群位置云图进行漂移校正,从而得到更准确的鱼群位置云图。利用目标鱼群位置云图,服务器计算鱼群的进食面积。通过区域的面积计算,服务器得到鱼群的进食面积数据。进一步地,根据预置的鱼群进食面积与鱼群总重量之间的关系,服务器对鱼群进食面积数据和鱼群生长曲线进行生长特征分析。这可以帮助服务器理解鱼群的进食行为与其生长之间的关系,以及预测鱼群的生长趋势。例如,假设服务器正在监测一批鲤鱼的进食情况。服务器通过摄像头捕捉了一段时间内的鱼群进食图像。服务器对这些图像进行去噪和分割,以获取清晰的鱼群图像。服务器对这些图像进行轮廓分析,提取出鱼群的轮廓,并计算出鱼群的中心点。服务器得到了多个鱼群中心关键点。利用这些关键点,服务器构建了初始鱼群位置云图,表示鱼群的分布情况。然后,服务器应用K次近邻算法,找到每个鱼群中心关键点的最近邻点,计算出偏移量,并对初始位置云图进行校正,得到了更准确的鱼群位置云图。通过这个云图,服务器计算出了鱼群的进食面积,这告诉服务器鱼群在不同时间段内的进食情况。根据预置的鱼群进食面积与鱼群总重量的关系,服务器分析鱼群的生长特征,了解鱼群的进食行为对其生长的影响。这有助于制定更有效的养殖管理策略,提高鱼群的生长效率。
在一具体实施例中,如图3所示,执行步骤S104的过程可以具体包括如下步骤:
S301、对鱼群增重数据进行向量编码,生成初始增重编码向量,并对初始增重编码向量进行标准化处理,得到鱼群增重编码向量;
S302、对所生长特征数据进行向量编码,得到初始特征编码向量,并对初始特征编码向量进行标准化处理,得到生长特征编码向量;
S303、获取预置的多个鱼群增重影响权重以及多个生长特征影响权重;
S304、对多个鱼群增重影响权重与鱼群增重编码向量中的多个第一向量元素进行加权计算,生成加权增重编码向量;
S305、对多个生长特征影响权重与生长特征编码向量中的多个第二向量元素进行加权计算,生成加权特征编码向量;
S306、对加权增重编码向量和加权特征编码向量进行矩阵转换,得到目标生长特征矩阵。
具体的,服务器要对鱼群增重数据进行向量编码,以生成初始增重编码向量。对于每个时间段,服务器将鱼群的增重数据按顺序排列,形成一个增重向量。例如,假设服务器有三个时间段的增重数据:[10,15,20]。这个向量代表了鱼群在每个时间段内的增重情况。服务器对初始增重编码向量进行标准化处理,以得到鱼群增重编码向量。标准化可以使向量的数值范围在一定区间内,方便后续处理。标准化的过程可以使用z-score标准化或者Min-Max标准化等方法。类似地,服务器对生长特征数据也进行向量编码,得到初始特征编码向量。这个向量表示了鱼群的生长特征,比如进食面积、生长曲线形状等。同样地,服务器对初始特征编码向量进行标准化处理,得到生长特征编码向量,使其数值范围合适。服务器获取预置的多个鱼群增重影响权重和多个生长特征影响权重。这些权重可以通过实验、经验或者其他方法得到,用来衡量鱼群增重数据和生长特征数据在生长预测中的重要性。然后,服务器对多个鱼群增重影响权重与鱼群增重编码向量中的多个第一向量元素进行加权计算,生成加权增重编码向量。加权的过程是将增重数据的每个元素与对应的权重相乘,然后求和得到加权后的值。类似地,服务器对多个生长特征影响权重与生长特征编码向量中的多个第二向量元素进行加权计算,生成加权特征编码向量。服务器将加权增重编码向量和加权特征编码向量进行矩阵转换,得到目标生长特征矩阵。这个矩阵表示了鱼群的生长特征在不同时间段的加权值,反映了鱼群生长的趋势和影响因素。例如,假设服务器有一批鱼群的增重数据如下:[10,15,20,12],以及对应的生长特征数据如下:[0.3,0.5,0.7,0.4]。服务器假设有两个预置的鱼群增重影响权重和生长特征影响权重分别为:[0.6,0.4]和[0.8,0.2]。对增重数据进行向量编码,得到初始增重编码向量:[10,15,20,12]。然后,对初始增重编码向量进行标准化处理,得到鱼群增重编码向量:[0.2,0.4,0.8,0.3]。同样地,对生长特征数据进行向量编码,得到初始特征编码向量:[0.3,0.5,0.7,0.4]。然后,对初始特征编码向量进行标准化处理,得到生长特征编码向量:[0.1,0.3,0.7,0.2]。根据预置的权重,进行加权计算得到加权增重编码向量:0.6×0.2+0.4×0.4=0.28、0.6×0.4+0.4×0.8=0.56、0.6×0.8+0.4×0.7=0.76、0.6×0.3+0.4×0.2=0.26。同时,根据预置的权重,进行加权计算得到加权特征编码向量:0.8×0.1+0.2×0.3=0.14、0.8×0.3+0.2×0.5=0.34、0.8×0.7+0.2×0.7=0.7、0.8×0.2+0.2×0.4=0.24。将加权增重编码向量和加权特征编码向量进行矩阵转换,得到目标生长特征矩阵:
0.28 0.2
0.56 0.34
0.74 0.6
0.3 0.28
这个目标生长特征矩阵综合了鱼群的增重数据和生长特征数据,并根据预置的权重进行加权计算,可以用于进一步的淡水鱼生长趋势预测和分析。这样的矩阵能够更准确地反映出不同数据的影响,为监测鱼群生长提供更多信息。
在一具体实施例中,如图4所示,执行步骤S105的过程可以具体包括如下步骤:
S401、将目标生长特征矩阵输入预置的淡水鱼生长监控模型,其中,淡水鱼生长监控模型包括:特征编码器和特征解码器;
S402、通过特征编码器中的两层双向门限循环网络对目标生长特征矩阵进行特征提取,得到对应的特征隐码向量;
S403、将特征隐码向量输入特征解码器,并通过特征解码器中的两层单向门限循环网络进行淡水鱼生长趋势预测,输出淡水鱼生长预测数据。
具体的,服务器将目标生长特征矩阵输入淡水鱼生长监控模型是淡水鱼生长监控方法中的一步。这个模型由特征编码器和特征解码器构成,通过对目标生长特征矩阵的处理,可以实现淡水鱼生长趋势的预测和分析。特征编码器和特征解码器是深度学习模型中常用的组件,它们可以将高维的输入数据转换为更具有信息表示的低维隐码,然后再将隐码解码为与原始数据相似的输出。在淡水鱼生长监控模型中,特征编码器负责对目标生长特征矩阵进行特征提取,得到对应的特征隐码向量。特征解码器则将这个特征隐码向量输入,通过一系列的处理,生成淡水鱼生长预测数据。特征编码器通常由多层神经网络构成,这里采用两层双向门限循环网络。双向门限循环网络可以同时考虑输入数据的前向和后向信息,有助于捕捉时间序列数据中的关联性。通过特征编码器,目标生长特征矩阵中的复杂关系被转化为特征隐码向量,其中包含了更高级别的信息。特征解码器则将特征隐码向量作为输入,通过两层单向门限循环网络进行处理。门限循环网络可以在处理序列数据时保留记忆,并且可以逐步生成预测数据。通过特征解码器,模型将特征隐码向量转化为淡水鱼生长趋势预测数据。例如,假设服务器有一个目标生长特征矩阵如下:
0.28 0.2
0.56 0.34
0.74 0.6
0.3 0.28
特征编码器会对这个矩阵进行处理,提取特征隐码向量。这个过程涉及多个神经网络层,将高维的矩阵转化为低维的特征表示。然后,这个特征隐码向量会被输入到特征解码器中。特征解码器通过单向门限循环网络对隐码向量进行处理,生成淡水鱼生长预测数据。预测数据可以是对未来时间段内鱼群生长的预测,根据隐码向量中的信息进行生成。通过这样的方式,淡水鱼生长监控模型可以将复杂的目标生长特征矩阵转化为更加简洁和有用的预测数据。这个模型可以在实际监测中使用,帮助养殖人员更好地了解鱼群的生长趋势,做出适当的管理决策。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)通过监控系统,采集淡水鱼生长参数数据;
(2)对淡水鱼生长预测数据进行特征提取,得到预测特征集合,并对淡水鱼生长参数数据进行特征提取,得到参数特征集合;
(3)将预测特征集合映射至预置的第一特征空间,并将参数特征集合映射至预置的第二特征空间;
(4)对第一特征空间和第二特征空间进行数据点偏差计算,得到目标偏差数据;
(5)对目标偏差数据和预置的偏差阈值进行比对,若目标偏差数据大于或者等于偏差阈值,则确定淡水鱼生长分析结果为淡水鱼生长异常,若目标偏差数据小于偏差阈值,则确定淡水鱼生长分析结果为淡水鱼生长正常;
(6)通过淡水鱼监控系统对淡水鱼生长分析结果进行报告生成,得到鱼群生长监测报告。
具体的,监控系统会配备一系列传感器和设备,如温度传感器、水质传感器、摄像头等,用于实时监测鱼群的生长环境和状态。这些传感器会定期或连续地收集各种数据,例如水温、水质指标、鱼群行为等,以获取淡水鱼生长参数数据。淡水鱼生长预测数据需要进行特征提取,以便能够与实际采集到的淡水鱼生长参数数据进行比对分析。特征提取的过程可以通过多种方法,如统计分析、机器学习技术等,将原始数据转化为具有代表性的特征集合。同样地,淡水鱼生长参数数据也需要进行特征提取,以便与预测数据进行比对。这些特征可以包括水温的变化趋势、水质指标的波动情况、鱼群的进食行为等。特征提取有助于将原始的监测数据转化为更有意义的信息,用于后续的分析。预测特征集合会被映射至预置的第一特征空间,而参数特征集合则会映射至预置的第二特征空间。这些特征空间的选择可以根据具体情况来确定,它们表示不同方面的信息,如生长趋势、环境变化等。在第一特征空间和第二特征空间中,会进行数据点偏差的计算。偏差计算可以通过计算预测特征集合与参数特征集合之间的距离或差异来完成。这个偏差数据将用于判断淡水鱼的生长情况是否正常。根据预置的偏差阈值,目标偏差数据会与之进行比对。若目标偏差数据大于或等于偏差阈值,就会确定淡水鱼的生长情况异常;若目标偏差数据小于偏差阈值,则会判定淡水鱼的生长情况正常。淡水鱼监控系统会根据生长分析的结果,生成鱼群生长监测报告。报告包括鱼群的生长状态、异常情况的描述、的原因分析等内容,以供养殖人员进行进一步的决策和管理。例如,假设服务器通过监控系统采集到了水温、pH值、进食次数等淡水鱼生长参数数据。同时,服务器已经进行了淡水鱼生长预测,得到了一组预测特征集合[0.6,0.3,0.7]和对应的参数特征集合[25.0,7.0,3]。服务器将预测特征集合映射至第一特征空间,参数特征集合映射至第二特征空间。然后,计算两个特征空间中的数据点偏差,得到目标偏差数据0.42。如果预置的偏差阈值为0.5,由于目标偏差数据小于阈值,服务器判定淡水鱼的生长情况为正常。监控系统将根据这个结果生成相应的鱼群生长监测报告,供养殖人员参考。
上面对本发明实施例中淡水鱼生长监控方法进行了描述,下面对本发明实施例中淡水鱼生长监控装置进行描述,请参阅图5,本发明实施例中淡水鱼生长监控装置一个实施例包括:
获取模块501,用于通过预置的淡水鱼监控系统获取历史淡水鱼生长数据,并对所述历史淡水鱼生长数据进行数据集划分,得到淡水鱼饲料投放数据和鱼群进食图像数据;
分析模块502,用于对所述淡水鱼饲料投放数据进行鱼群总重量分析,得到鱼群生长曲线,并对所述鱼群生长曲线进行鱼群增重分析,生成鱼群增重数据;
处理模块503,用于对所述鱼群进食图像数据进行鱼群进食面积分析,得到鱼群进食面积数据,并对所述鱼群进食面积数据和所述鱼群生长曲线进行生长特征分析,得到生长特征数据;
编码模块504,用于对所述鱼群增重数据进行向量编码,生成鱼群增重编码向量,并对所生长特征数据进行向量编码,得到生长特征编码向量,以及对所述鱼群增重编码向量和所述生长特征编码向量进行矩阵转换,得到目标生长特征矩阵;
预测模块505,用于将所述目标生长特征矩阵输入预置的淡水鱼生长监控模型进行淡水鱼生长趋势预测,得到淡水鱼生长预测数据;
生成模块506,用于采集淡水鱼生长参数数据,并将所述淡水鱼生长预测数据和所述淡水鱼生长参数数据进行比对分析,生成淡水鱼生长分析结果,并通过所述淡水鱼监控系统对所述淡水鱼生长分析结果进行报告生成,得到鱼群生长监测报告。
通过上述各个组成部分的协同合作,对历史淡水鱼生长数据进行数据集划分,得到淡水鱼饲料投放数据和鱼群进食图像数据;进行鱼群总重量分析,得到鱼群生长曲线并进行鱼群增重分析,生成鱼群增重数据;进行鱼群进食面积分析,得到鱼群进食面积数据并进行生长特征分析,得到生长特征数据;得到目标生长特征矩阵;将目标生长特征矩阵输入淡水鱼生长监控模型进行淡水鱼生长趋势预测,得到淡水鱼生长预测数据并进行比对分析,生成淡水鱼生长分析结果,并通过淡水鱼监控系统对淡水鱼生长分析结果进行报告生成,得到鱼群生长监测报告,本发明通过实时监测鱼群的生长状态和健康状况,允许养殖业者更好地调整饲料投放、环境参数等,以更精确地满足鱼群的需求,从而提高生产效率和鱼肉质量。通过合理的饲养管理,可以减少资源浪费,提高产出率,降低成本。通过提前预测鱼群生长趋势,有助于发现潜在的健康问题或异常情况,使养殖业者能够迅速采取措施,防止疾病蔓延,减少鱼群死亡率,降低经济损失。通过减少资源浪费、优化养殖管理,有助于推动淡水鱼养殖业向着更可持续的方向发展,减少养殖活动对环境的影响,有助于保护水体生态平衡,维护生态环境的可持续性,进而提高了淡水鱼生长监控的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的淡水鱼生长监控装置进行详细描述,下面从硬件处理的角度对本发明实施例中淡水鱼生长监控设备进行详细描述。
图6是本发明实施例提供的一种淡水鱼生长监控设备的结构示意图,该淡水鱼生长监控设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对淡水鱼生长监控设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在淡水鱼生长监控设备600上执行存储介质630中的一系列指令操作。
淡水鱼生长监控设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的淡水鱼生长监控设备结构并不构成对淡水鱼生长监控设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种淡水鱼生长监控设备,所述淡水鱼生长监控设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述淡水鱼生长监控方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述淡水鱼生长监控方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述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,本发明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,包括若干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)执行本发明各个实施例所述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,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种淡水鱼生长监控方法,其特征在于,所述淡水鱼生长监控方法包括:
通过预置的淡水鱼监控系统获取历史淡水鱼生长数据,并对所述历史淡水鱼生长数据进行数据集划分,得到淡水鱼饲料投放数据和鱼群进食图像数据;
对所述淡水鱼饲料投放数据进行鱼群总重量分析,得到鱼群生长曲线,并对所述鱼群生长曲线进行鱼群增重分析,生成鱼群增重数据;
对所述鱼群进食图像数据进行鱼群进食面积分析,得到鱼群进食面积数据,并对所述鱼群进食面积数据和所述鱼群生长曲线进行生长特征分析,得到生长特征数据;
对所述鱼群增重数据进行向量编码,生成鱼群增重编码向量,并对所生长特征数据进行向量编码,得到生长特征编码向量,以及对所述鱼群增重编码向量和所述生长特征编码向量进行矩阵转换,得到目标生长特征矩阵;
将所述目标生长特征矩阵输入预置的淡水鱼生长监控模型进行淡水鱼生长趋势预测,得到淡水鱼生长预测数据;
采集淡水鱼生长参数数据,并将所述淡水鱼生长预测数据和所述淡水鱼生长参数数据进行比对分析,生成淡水鱼生长分析结果,并通过所述淡水鱼监控系统对所述淡水鱼生长分析结果进行报告生成,得到鱼群生长监测报告。
2.根据权利要求1所述的淡水鱼生长监控方法,其特征在于,所述通过预置的淡水鱼监控系统获取历史淡水鱼生长数据,并对所述历史淡水鱼生长数据进行数据集划分,得到淡水鱼饲料投放数据和鱼群进食图像数据,包括:
通过预置的淡水鱼监控系统获取历史淡水鱼生长数据,其中,所述淡水鱼监控系统包括:控制器、摄像头、传感器与IMP系统;
获取预先定义的多个饲料投放标签和进食图像标签,并将所述历史淡水鱼生长数据输入预置的标签数据分类模型;
通过所述标签数据分类模型对所述历史淡水鱼生长数据进行标签中心计算,得到饲料投放标签中心以及进食图像标签中心;
对所述历史淡水鱼生长数据与所述饲料投放标签中心的距离进行计算,得到多个第一特征中心距并对所述多个第一特征中心距进行平均值计算,得到第一平均中心距,以及对所述历史淡水鱼生长数据与所述进食图像标签中心的距离进行计算,得到多个第二特征中心距并对所述多个第二特征中心距进行平均值计算,得到第二平均中心距;
根据所述第一平均中心距对所述历史淡水鱼生长数据进行标签数据集分类,得到淡水鱼饲料投放数据,以及根据所述第二平均中心距对所述历史淡水鱼生长数据进行标签数据集分类,得到鱼群进食图像数据。
3.根据权利要求1所述的淡水鱼生长监控方法,其特征在于,所述对所述淡水鱼饲料投放数据进行鱼群总重量分析,得到鱼群生长曲线,并对所述鱼群生长曲线进行鱼群增重分析,生成鱼群增重数据,包括:
基于预设的多个统计时间段,并通过预置的鱼群总重量计算函数对所述淡水鱼饲料投放数据进行鱼群总重量计算,得到每个统计时间段的鱼群总重量;其中,所述鱼群总重量计算函数为:W1total=∑(F1+F2+F3+...+Fn)/n2;其中,W1total为鱼群总重量,F为统计时间段内每次饲料投放量,n为统计时间段内累计投放次数;
通过预置的概率密度函数,对每个统计时间段的鱼群总重量进行曲线拟合,得到鱼群生长曲线;
获取初始鱼群重量,并根据所述初始鱼群重量,通过预置的鱼群增重计算函数对所述鱼群生长曲线进行鱼群增重分析,得到鱼群增重数据;其中,所述鱼群增重计算函数为:W0-1=W1total-W0total,其中,W1total为鱼群总重量,W0total为初始鱼群重量。
4.根据权利要求1所述的淡水鱼生长监控方法,其特征在于,所述对所述鱼群进食图像数据进行鱼群进食面积分析,得到鱼群进食面积数据,并对所述鱼群进食面积数据和所述鱼群生长曲线进行生长特征分析,得到生长特征数据,包括:
对所述鱼群进食图像数据进行图像去噪和图像分割,得到标准进食图像数据;
对所述标准进食图像数据进行鱼群轮廓分析,得到目标鱼群轮廓数据,并对所述目标鱼群轮廓数据进行鱼群中心计算,得到多个鱼群中心关键点;
通过所述多个鱼群中心关键点构建所述目标鱼群轮廓数据的初始鱼群位置云图;
基于K次近邻算法对所述初始鱼群位置云图中的每个鱼群中心关键点进行近邻点识别,得到每个鱼群中心关键点对应的K个最近邻点;
分别计算所述K个最近邻点与对应的鱼群中心关键点之间的鱼群位置偏移量,并根据所述鱼群位置偏移量对所述初始鱼群位置云图进行漂移校正,得到目标鱼群位置云图;
通过所述目标鱼群位置云图计算鱼群进食面积,得到鱼群进食面积数据;
根据预置的鱼群进食面积与鱼群总重量之间的目标对应关系,对所述鱼群进食面积数据和所述鱼群生长曲线进行生长特征分析,得到生长特征数据。
5.根据权利要求1所述的淡水鱼生长监控方法,其特征在于,所述对所述鱼群增重数据进行向量编码,生成鱼群增重编码向量,并对所生长特征数据进行向量编码,得到生长特征编码向量,以及对所述鱼群增重编码向量和所述生长特征编码向量进行矩阵转换,得到目标生长特征矩阵,包括:
对所述鱼群增重数据进行向量编码,生成初始增重编码向量,并对所述初始增重编码向量进行标准化处理,得到鱼群增重编码向量;
对所生长特征数据进行向量编码,得到初始特征编码向量,并对所述初始特征编码向量进行标准化处理,得到生长特征编码向量;
获取预置的多个鱼群增重影响权重以及多个生长特征影响权重;
对所述多个鱼群增重影响权重与所述鱼群增重编码向量中的多个第一向量元素进行加权计算,生成加权增重编码向量;
对所述多个生长特征影响权重与所述生长特征编码向量中的多个第二向量元素进行加权计算,生成加权特征编码向量;
对所述加权增重编码向量和所述加权特征编码向量进行矩阵转换,得到目标生长特征矩阵。
6.根据权利要求1所述的淡水鱼生长监控方法,其特征在于,所述将所述目标生长特征矩阵输入预置的淡水鱼生长监控模型进行淡水鱼生长趋势预测,得到淡水鱼生长预测数据,包括:
将所述目标生长特征矩阵输入预置的淡水鱼生长监控模型,其中,所述淡水鱼生长监控模型包括:特征编码器和特征解码器;
通过所述特征编码器中的两层双向门限循环网络对所述目标生长特征矩阵进行特征提取,得到对应的特征隐码向量;
将所述特征隐码向量输入所述特征解码器,并通过所述特征解码器中的两层单向门限循环网络进行淡水鱼生长趋势预测,输出淡水鱼生长预测数据。
7.根据权利要求1所述的淡水鱼生长监控方法,其特征在于,所述采集淡水鱼生长参数数据,并将所述淡水鱼生长预测数据和所述淡水鱼生长参数数据进行比对分析,生成淡水鱼生长分析结果,并通过所述淡水鱼监控系统对所述淡水鱼生长分析结果进行报告生成,得到鱼群生长监测报告,包括:
通过所述监控系统,采集淡水鱼生长参数数据;
对所述淡水鱼生长预测数据进行特征提取,得到预测特征集合,并对所述淡水鱼生长参数数据进行特征提取,得到参数特征集合;
将所述预测特征集合映射至预置的第一特征空间,并将所述参数特征集合映射至预置的第二特征空间;
对所述第一特征空间和所述第二特征空间进行数据点偏差计算,得到目标偏差数据;
对所述目标偏差数据和预置的偏差阈值进行比对,若所述目标偏差数据大于或者等于所述偏差阈值,则确定淡水鱼生长分析结果为淡水鱼生长异常,若所述目标偏差数据小于所述偏差阈值,则确定淡水鱼生长分析结果为淡水鱼生长正常;
通过所述淡水鱼监控系统对所述淡水鱼生长分析结果进行报告生成,得到鱼群生长监测报告。
8.一种淡水鱼生长监控装置,其特征在于,所述淡水鱼生长监控装置包括:
获取模块,用于通过预置的淡水鱼监控系统获取历史淡水鱼生长数据,并对所述历史淡水鱼生长数据进行数据集划分,得到淡水鱼饲料投放数据和鱼群进食图像数据;
分析模块,用于对所述淡水鱼饲料投放数据进行鱼群总重量分析,得到鱼群生长曲线,并对所述鱼群生长曲线进行鱼群增重分析,生成鱼群增重数据;
处理模块,用于对所述鱼群进食图像数据进行鱼群进食面积分析,得到鱼群进食面积数据,并对所述鱼群进食面积数据和所述鱼群生长曲线进行生长特征分析,得到生长特征数据;
编码模块,用于对所述鱼群增重数据进行向量编码,生成鱼群增重编码向量,并对所生长特征数据进行向量编码,得到生长特征编码向量,以及对所述鱼群增重编码向量和所述生长特征编码向量进行矩阵转换,得到目标生长特征矩阵;
预测模块,用于将所述目标生长特征矩阵输入预置的淡水鱼生长监控模型进行淡水鱼生长趋势预测,得到淡水鱼生长预测数据;
生成模块,用于采集淡水鱼生长参数数据,并将所述淡水鱼生长预测数据和所述淡水鱼生长参数数据进行比对分析,生成淡水鱼生长分析结果,并通过所述淡水鱼监控系统对所述淡水鱼生长分析结果进行报告生成,得到鱼群生长监测报告。
9.一种淡水鱼生长监控设备,其特征在于,所述淡水鱼生长监控设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述淡水鱼生长监控设备执行如权利要求1-7中任一项所述的淡水鱼生长监控方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的淡水鱼生长监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311096624.3A CN116843085B (zh) | 2023-08-29 | 2023-08-29 | 淡水鱼生长监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311096624.3A CN116843085B (zh) | 2023-08-29 | 2023-08-29 | 淡水鱼生长监控方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116843085A true CN116843085A (zh) | 2023-10-03 |
CN116843085B CN116843085B (zh) | 2023-12-01 |
Family
ID=88165509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311096624.3A Active CN116843085B (zh) | 2023-08-29 | 2023-08-29 | 淡水鱼生长监控方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843085B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117470306A (zh) * | 2023-10-31 | 2024-01-30 | 上海永大菌业有限公司 | 一种菇棚生长环境监测分析方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101720682A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院水生生物研究所 | 湖泊鳜鱼规模化养殖方法 |
US20200113158A1 (en) * | 2017-06-28 | 2020-04-16 | Observe Technologies Limited | Data collection system and method for feeding aquatic animals |
CN111325522A (zh) * | 2020-02-24 | 2020-06-23 | 浪潮天元通信信息系统有限公司 | 一种基于物联网的智能渔业养殖管理方法和系统 |
WO2020134255A1 (zh) * | 2018-12-27 | 2020-07-02 | 南京芊玥机器人科技有限公司 | 一种基于机器视觉对鱼类生长情况进行监测的方法 |
US20210321593A1 (en) * | 2020-04-21 | 2021-10-21 | InnovaSea Systems, Inc. | Systems and methods for fish volume estimation, weight estimation, and analytic value generation |
CN113537639A (zh) * | 2021-08-16 | 2021-10-22 | 华中农业大学 | 一种养殖环境参数-鱼类生长预测模型建立方法及系统 |
US20220067930A1 (en) * | 2018-12-21 | 2022-03-03 | Xpertsea Solutions Inc. | Systems and methods for predicting growth of a population of organisms |
KR20220064712A (ko) * | 2020-11-12 | 2022-05-19 | 인트플로우 주식회사 | 영상 기반 가축 개체 성장 추이 모니터링 장치 및 방법 |
CN116206194A (zh) * | 2023-02-22 | 2023-06-02 | 五邑大学 | 鱼群投喂方法、装置、系统及存储介质 |
CN116311001A (zh) * | 2023-05-18 | 2023-06-23 | 北京市农林科学院信息技术研究中心 | 鱼群行为识别方法、装置、系统、设备及介质 |
CN116630080A (zh) * | 2023-07-25 | 2023-08-22 | 广东省农业科学院动物科学研究所 | 基于图像识别的水产集约化养殖饲料容量确定方法及系统 |
-
2023
- 2023-08-29 CN CN202311096624.3A patent/CN116843085B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101720682A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院水生生物研究所 | 湖泊鳜鱼规模化养殖方法 |
US20200113158A1 (en) * | 2017-06-28 | 2020-04-16 | Observe Technologies Limited | Data collection system and method for feeding aquatic animals |
US20220067930A1 (en) * | 2018-12-21 | 2022-03-03 | Xpertsea Solutions Inc. | Systems and methods for predicting growth of a population of organisms |
WO2020134255A1 (zh) * | 2018-12-27 | 2020-07-02 | 南京芊玥机器人科技有限公司 | 一种基于机器视觉对鱼类生长情况进行监测的方法 |
CN111325522A (zh) * | 2020-02-24 | 2020-06-23 | 浪潮天元通信信息系统有限公司 | 一种基于物联网的智能渔业养殖管理方法和系统 |
US20210321593A1 (en) * | 2020-04-21 | 2021-10-21 | InnovaSea Systems, Inc. | Systems and methods for fish volume estimation, weight estimation, and analytic value generation |
KR20220064712A (ko) * | 2020-11-12 | 2022-05-19 | 인트플로우 주식회사 | 영상 기반 가축 개체 성장 추이 모니터링 장치 및 방법 |
CN113537639A (zh) * | 2021-08-16 | 2021-10-22 | 华中农业大学 | 一种养殖环境参数-鱼类生长预测模型建立方法及系统 |
CN116206194A (zh) * | 2023-02-22 | 2023-06-02 | 五邑大学 | 鱼群投喂方法、装置、系统及存储介质 |
CN116311001A (zh) * | 2023-05-18 | 2023-06-23 | 北京市农林科学院信息技术研究中心 | 鱼群行为识别方法、装置、系统、设备及介质 |
CN116630080A (zh) * | 2023-07-25 | 2023-08-22 | 广东省农业科学院动物科学研究所 | 基于图像识别的水产集约化养殖饲料容量确定方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117470306A (zh) * | 2023-10-31 | 2024-01-30 | 上海永大菌业有限公司 | 一种菇棚生长环境监测分析方法及系统 |
CN117470306B (zh) * | 2023-10-31 | 2024-04-02 | 上海永大菌业有限公司 | 一种菇棚生长环境监测分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116843085B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Baek et al. | Using machine vision to analyze and classify Caenorhabditis elegans behavioral phenotypes quantitatively | |
CN116843085B (zh) | 淡水鱼生长监控方法、装置、设备及存储介质 | |
CN114742477B (zh) | 企业订单数据处理方法、装置、设备及存储介质 | |
Feiyang et al. | Monitoring behavior of poultry based on RFID radio frequency network | |
Pandiyan et al. | Heterogeneous internet of things organization predictive analysis platform for apple leaf diseases recognition | |
CN114611738A (zh) | 一种基于用户用电行为分析的负荷预测方法 | |
Resti et al. | Identification of corn plant diseases and pests based on digital images using multinomial naïve bayes and k-nearest neighbor | |
Mertens et al. | An intelligent control chart for monitoring of autocorrelated egg production process data based on a synergistic control strategy | |
CN112686433B (zh) | 快递数量的预测方法、装置、设备及存储介质 | |
CN117371604A (zh) | 一种基于智能感知的农业生产预测方法及系统 | |
Pazhayamadom et al. | Self-starting CUSUM approach for monitoring data poor fisheries | |
CN111311318A (zh) | 用户流失预警的方法、装置、设备及存储介质 | |
Pazhayamadom et al. | Decision Interval Cumulative Sum Harvest Control Rules (DI-CUSUM-HCR) for managing fisheries with limited historical information | |
O'Leary et al. | An evaluation of machine learning approaches for milk volume prediction in Ireland | |
CN115616408A (zh) | 电池热管理数据处理方法及系统 | |
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 | |
Chong et al. | Knowledge Discovery Through the Machine Learning of Farming Parameters and Yield Performance | |
CN117787511B (zh) | 一种工厂化高密度水产养殖监测预警方法及其系统 | |
CN117670066B (zh) | 基于智能决策的司库管理方法、系统、设备及存储介质 | |
CN117591989B (zh) | 一种针对畜禽活动的数据监控方法和系统 | |
CN115731473B (zh) | 面向农田植物非正常变化的遥感图像分析方法 | |
Yaddarabullah et al. | Implementation Internet of Things for Feeding Catfish Water Quality Analysis Using Linear Regression and K-Nearest Neighbor | |
CN117136886A (zh) | 一种增殖放流大型鱼类亲体的方法 | |
Sheriff et al. | Complex event processing for effective poultry management in farmlands with predictive analytics | |
Senanayaka et al. | Surveillance and Predictive Information System for Tea Smallholdings (SPIS-TS) |
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 |