CN117063868A - 一种鱼池智能投喂方法 - Google Patents
一种鱼池智能投喂方法 Download PDFInfo
- Publication number
- CN117063868A CN117063868A CN202311046453.3A CN202311046453A CN117063868A CN 117063868 A CN117063868 A CN 117063868A CN 202311046453 A CN202311046453 A CN 202311046453A CN 117063868 A CN117063868 A CN 117063868A
- Authority
- CN
- China
- Prior art keywords
- feeding
- camera
- fish pond
- image
- fish
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005266 casting Methods 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims description 26
- 230000037406 food intake Effects 0.000 claims description 14
- 238000005303 weighing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000007599 discharging Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000007664 blowing Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 49
- 238000001514 detection method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000009360 aquaculture Methods 0.000 description 7
- 244000144974 aquaculture Species 0.000 description 7
- 238000013461 design Methods 0.000 description 7
- 239000002699 waste material Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241001125889 Micropterus salmoides Species 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 3
- 230000036528 appetite Effects 0.000 description 3
- 235000019789 appetite Nutrition 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000005273 aeration Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000004634 feeding behavior Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- XXCCGRRUBBGZRE-UHFFFAOYSA-N 4-[1-hydroxy-2-(propan-2-ylamino)ethyl]-2-methoxyphenol Chemical compound COC1=CC(C(O)CNC(C)C)=CC=C1O XXCCGRRUBBGZRE-UHFFFAOYSA-N 0.000 description 1
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical compound O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 description 1
- 241000321429 Epinephelus itajara Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241000192710 Microcystis aeruginosa Species 0.000 description 1
- 241000269799 Perca fluviatilis Species 0.000 description 1
- 241000276707 Tilapia Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000021050 feed intake Nutrition 0.000 description 1
- 230000003031 feeding effect Effects 0.000 description 1
- 238000012840 feeding operation Methods 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000003134 recirculating effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- A01K61/60—Floating cultivation devices, e.g. rafts or floating fish-farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Environmental Sciences (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Marine Sciences & Fisheries (AREA)
- Zoology (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种鱼池智能投喂方法,包括以下步骤:S1,云平台向投饵机发送待投喂点数据;S2,投饵机接收到云平台发送的待投喂点数据后,投饵机移动到待投喂点;S3,投饵机移动到待投喂点后,对待投喂点的鱼池进行投喂。本发明能够通过相机的数据采集实现定点投喂。
Description
技术领域
本发明涉及一种鱼养殖投喂技术领域,特别是涉及一种鱼池智能投喂方法。
背景技术
目前水产养殖方式可分为传统池塘养殖、网箱养殖和工厂化循环水养殖(Recirculating aquaculture system,RAS)三类。随着产业结构的升级调整,中国的水产养殖方式由低质、低效的粗放型养殖转向高质、高效的集约型养殖。工厂化循环水养殖因其水质可控,易于实现自动化、智能化,占据的市场份额逐渐提升。工厂化循环水养殖中成本主要包括鱼苗、饲料、水、电、人工,其中饲料成本占总成本40%~80%,是养殖中最重要的因素之一。当前多数水产养殖工厂采用人工投饵或投饵机定时定量投饵,需要大量劳动力,投喂量取决于养殖人员经验。投喂过少鱼无法健康成长;投喂过量将导致饵料浪费,提高养殖成本,造成水体污染。如何科学的投喂,做到适时适量,是实现工厂化养殖需要克服的重要环节。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种鱼池智能投喂方法。
为了实现本发明的上述目的,本发明提供了一种鱼池智能投喂方法,一种鱼池智能投喂方法,包括以下步骤:
S1,云平台向投饵机发送待投喂点数据;
S2,投饵机接收到云平台发送的待投喂点数据后,投饵机移动到待投喂点;
S3,投饵机移动到待投喂点后,对待投喂点的鱼池进行投喂。
在本发明的一种优选实施方式中,所述鱼池包括M×N矩阵式鱼池,从上到下、从左到右依次分别为第1鱼池、第2鱼池、第3鱼池、……、第MN鱼池,所述M为大于或者等于1的正整数,所述N为大于或者等于1的正整数,且MN不等于1,还包括设置在第m鱼池侧边的第m监控相机,所述m为小于或者等于MN的正整数,即是在第1鱼池侧边设置有第1监控相机,在第2鱼池侧边设置有第2监控相机,在第3鱼池侧边设置有第3监控相机,……,在第MN鱼池侧边设置有第MN监控相机;第m监控相机的监控数据端与交换机的第m数据端相连,即是第1监控相机的监控数据端与交换机的第1数据端相连,第2监控相机的监控数据端与交换机的第2数据端相连,第3监控相机的监控数据端与交换机的第3数据端相连,……,第MN监控相机的监控数据端与交换机的第MN数据端相连;交换机的通讯端与工控机的通讯端相连;
以及还包括云平台,将MN个相机采集的鱼池图像数据传输给云平台,云平台处理后,实现对鱼池投喂。
在本发明的一种优选实施方式中,所述相机型号为DS-2CD3425FD-IZ。
在本发明的一种优选实施方式中,在第n鱼池投喂点处设置有第n电子标签,所述n为小于或者等于MN的正整数,第n电子标签内存储有第n鱼池信息,第n鱼池信息包括第n鱼池ID、第n鱼池鱼投放时间、第n鱼池鱼条数之一或者任意组合;即是在第1鱼池投喂点处设置有第1电子标签,第1电子标签内存储有第1鱼池信息,第1鱼池信息包括第1鱼池ID、第1鱼池鱼投放时间、第1鱼池鱼条数之一或者任意组合;在第2鱼池投喂点处设置有第2电子标签,第2电子标签内存储有第2鱼池信息,第2鱼池信息包括第2鱼池ID、第2鱼池鱼投放时间、第2鱼池鱼条数之一或者任意组合;在第3鱼池投喂点处设置有第3电子标签,第3电子标签内存储有第3鱼池信息,第3鱼池信息包括第3鱼池ID、第3鱼池鱼投放时间、第3鱼池鱼条数之一或者任意组合;在第MN鱼池投喂点处设置有第MN电子标签,第MN电子标签内存储有第MN鱼池信息,第MN鱼池信息包括第MN鱼池ID、第MN鱼池鱼投放时间、第MN鱼池鱼条数之一或者任意组合;在投饵机底部设置有RFID识别模块,通过RFID识别模块识别电子标签中的数据信息。
在本发明的一种优选实施方式中,工控机将MN个相机采集的鱼池图像数据传输给云平台的方法包括以下步骤:
S11,工控机获取每个相机的相机ID,该相机ID为相机存储器的ID号;
S12,工控机统计接收到相机的图像数量,分别记作K1、K2、K3、……、KMN,K1表示工控机接收到第1监控相机的图像数量,K2表示工控机接收到第2监控相机的图像数量,K3表示工控机接收到第3监控相机的图像数量,KMN表示工控机接收到第MN监控相机的图像数量;令k=1;
S13,把第k相机的ID和统计的第k相机的图像数量传输给云平台;
S14,云平台接收到工控机发送的第k相机的ID和第k相机的图像数量后,生成第k相机的相机码集,将生成的相机码集存储于平台数据库中,并将相机码集发送给工控机;
S15,工控机接收到云平台发送的相机码集后,将相机码集中的相机码分给图像作为图像的图像名称;将具有图像名称的图像传输到云平台;
S16,云平台接收到图像后,提取图像名称,判断提取的图像名称是否存在于平台数据库:
若提取的图像名称存在于平台数据库,则将该图像进行存储;并将图像名称从平台数据库中删除;执行下一步;
若提取的图像名称不存在于平台数据库,则将该图像进行删除;执行下一步;
S17,判断平台数据库中是否还有相机码:
若平台数据库中不存在相机码,则k=k+1,执行下一步;
若平台数据库中存在相机码,则请求工控机发送相机码所对应的图像,直至平台数据库中不存在相机码为止;执行下一步;
S18,判断k与MN间的关系:
若k>MN,则工控机接收到的MN个监控相机拍摄的图像都存储在云平台上了;
若k≤MN,执行步骤S13。
在本发明的一种优选实施方式中,在步骤S14中,云平台生成Kk个相机码的方法为:
CameraNok={Cameracalculationway(IDk-IDk,ξ-T0)},ξ=1、2、3、……、Kk;
其中,CameraNok表示云平台生成第k相机的相机码集;
Cameracalculationway()表示相机码计算方法,优选采用MD5;
IDk表示接收到的第k相机ID;
IDk,ξ表示接收到的第k相机的第ξ图像序号;
T0表示接收到第k相机ID时得时间;
-表示字符连接符。
在本发明的一种优选实施方式中,对鱼池投喂的方法包括以下步骤:
步骤1:自动上料机上电后,根据HMI界面设定投喂量、投喂鱼池、投喂时间,按轮次从储料仓释放不同规格饵料,下料过程实时读取称重传感器数据,达到设定量则停止,余料不足则从阶梯上料输送带补充饵料;
步骤2:下料完成后,关闭气动放料门,打开气动真空泵,采用定时方式负压输送无损输送饵料;时间到后开启压缩空气反吹装置,清理管道杂质,避免管道拥堵;
步骤3:饵料输送完成后,投饵机前进,通过RFID识别模块识别行走路径上射频信号,根据读取地址判断是否为设定鱼池;匹配成功,则投饵机停止前进;
步骤4:开启摄像头采集图像;
步骤5:投饵机结合称重传感器数据启动转鼓螺旋给料器完成下料;
步骤6:结合饵料识别和单轮多次投喂决策,若判断当前鱼群摄食欲望,摄食欲望低则停止投喂,摄食欲望高则重复步骤3到步骤6,继续投喂;
步骤7:判断任务是否完成,任务完成则返程充电,未完成则重复步骤2到步骤7。
在本发明的一种优选实施方式中,对鱼池进行投喂量决策的方法包括以下之一或者任意组合步骤:
S1,基于图像纹理的摄食强度量化;
S2,基于改进yolov5的饵料识别模型。
综上所述,由于采用了上述技术方案,本发明能够通过相机的数据采集实现定点投喂。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明工厂化循环水系统示意图。
图2是本发明投喂系统装备示意图。
图3是本发明投喂控制程序流程示意框图。
图4是本发明投饵视频采集系统框架示意图。
图5是本发明改进的yolov5网络结构示意图。
图6是本发明改进的yolov5 Head部分原理示意图。
图7是本发明单轮多次投喂决策路线示意图。
图8是本发明水面纹理特征强度量化示意图。
图9是本发明实验结果mAP0.5曲线对比示意图。
图10是本发明实验结果mAP0.5:0.95曲线对比示意图。
图11是本发明实验结果精度曲线对比示意图。
图12是本发明实验检测结果对比示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
鱼活动变化的强度能直接反映鱼的食欲,可使用光学、声学等传感设备,获得、处理和分析鱼的图像、声音和其他信息用于量化和识别鱼的摄食行为。为减少养殖过程劳动力和饲料浪费,Atoum等通过SVM对摄食水面图像分类,建立工厂化高密度养殖自动投喂系统。乔峰、胡立永等设计了一套嵌入式智能投饵系统,并通过鲈鱼在水面聚集程度实时判断是否停止投喂。朱明等利用MobileNetV3-Small网络模型根据鱼群摄食水面变化划分了鲈鱼摄食强度等级,实现自适应投喂。Chao Zhou等采用神经网络LeNet-5对罗非鱼摄食强度分级评估鱼群食欲。赵建等对摄食水面采用流光法和信息熵建立动能模型,分析鱼群摄食强度。陈明,周超,郭强等采用图像纹理特征鱼类对鱼群摄食活动强度分类。袁超等融合图像颜色和纹理特征,使用KPCA和SVM识别鱼群活动。穆春华等采用SVM和改进决策树识别水面残饵。郭俊等融合鱼群图像特征和声学特征,采用模糊逻辑推理实现精准投喂。Papadakis等搭建计算机视觉系统监测和分析鱼类行为。Siqi Zhao等建立自适应神经模糊推理系统(ANFIS),根据溶解氧和水温预测投喂量。Yaqian Wang等开发一种基于多任务网络的鱼类动态投饵方法,实现投料间隔的动态调整和停止投料决策。Shuangxing Feng等开发了3D ResNet鱼类摄食强度量化网络,实现摄食强度4级分类。Siyue Hou等采用改进MCNN实现小饵料颗粒计数。Lan Chen等建立鱼群摄入量与水温、溶解氧、平均鱼重和鱼数4个环境因子的映射关系。Adegboye提出了一种基于鱼的行为振动分析和神经网络的智能投饵系统,实现饲料分配。唐荣等采用PLC和称重传感器设计548.3mh2池塘养殖基地自动投喂系统,实现饲料出厂、运输、装料、投料全环节自动化。
然而,上述研究大多针对鱼群摄食行为进行了量化研究,通过摄食行为量化制定投喂决策的研究较少或已有投喂决策时间长,且未尝试应用于生产全环节进行省时省工省料问题的探索。为解决上述问题,本发明设计了一套鱼池智能投喂方法,该系统实现鱼饵料自动上料、称重、远距离运输、精准下料和自动投喂,投喂环节融合图像纹理特征、改进YOLOv5的饵料识别模型和单轮多次快速投喂策略,根据鱼群进食情况反馈实时判断是否继续投喂,实现工厂化养殖自适应高效投喂,并在重庆市高新区工厂化农业研发中心鲈鱼养殖基地投入生产应用,验证全程自动化投喂作业和自适应投喂决策的可行性。
1.投喂系统设计
1.1智能投喂系统整体方案设计
该工厂RAS系统主要包括:养殖鱼池(直径6m,水深2m,图1中示出2个鱼池,优选的为7×8矩阵式鱼池,共计56个鱼池)、水泵、UV杀菌器、流化床、纳米曝气盘(鱼池4角均匀布置)、液氧罐、微滤机组成,如图1所示。各鱼池配置气体流量调节阀,可保证鱼池溶氧维持在8mg/L(±0.5mg/L),不同组实验鱼池串联在一个系统,保证其他因素一致。
鱼池智能投喂方法(以下简称智能投喂系统)整体架构分为执行层、中控层、通信层和管理层。执行层包括自动上料机、饵料输送机、轨道式投饵机;中控层采用可编程逻辑控制器(PLC)和嵌入式工控机(Industrial Personal Computer,IPC)实现本地控制;通信层采用有线网络、无线WiFi(MOXA AWK-1131)实现设备间通信,RS485协议实现传感数据采集,PLC和工控机连接DTU,通过MQTT协议与云平台进行数据交互;管理层包括设备管理、数据中心、视频采集、预警中心,实现投喂任务制定、装备协同作业、设备维护管理和综合调度。
其中,云平台对接收到的鱼池图像数据处理来识别鱼池鱼群待进食区域的方法包括以下步骤:
S21,云平台对接收到的鱼池图像数据进行颜色分辨:
若云平台接收到的鱼池图像数据为三通道RGB鱼池图像数据,则把三通道RGB鱼池图像数据转换为灰度图像数据;把三通道RGB鱼池图像数据转换为灰度图像数据的方法包括以下步骤:
S211,把鱼池图像数据构成行列式像素点数据:
其中,RGB(i,j)表示在第i行第j列所在像素点的三通道RGB值;
i=1、2、3、……、Y,Y表示竖向像素点总个数;
j=1、2、3、……、X,X表示横向像素点总个数;
令x=1,y=1;
S212,GRAY(y,x)=R(y,x)×r+G(y,x)×g+B(y,x)×b,
其中,GRAY(y,x)表示在第y行第x列所在像素点的灰度值;
R(y,x)表示在第y行第x列所在像素点的三通道红色值;
B(y,x)表示在第y行第x列所在像素点的三通道蓝色值;
G(y,x)表示在第y行第x列所在像素点的三通道绿色值;
g表示三通道绿色值的融合系数;0≤g≤1;
B表示三通道蓝色值的融合系数;0≤b≤1;且r+g+b=1;
r表示三通道红色值的融合系数;0≤r≤1;
S213,判断x与X间的关系:
若x≥X,则计算下一步;
若x<X,则x=x+1;执行步骤S212;
S214,判断y与Y间的关系:
若y≥Y,则执行下一张图像;直至把接收到的所有图像数据变为灰度图像后,执行下一步;
若y<Y,则y=y+1;x=1;执行步骤S212;
若云平台接收到的鱼池图像数据为灰度图像,则执行下一步;
S22,把相同角度拍摄的P张灰度图像变为鱼池鱼群图像,把相同角度拍摄的P张灰度图像变为鱼池鱼群图像的方法为:
S221,令x′=1,x″=1,y′=1,y″=1,p=1;
S222,把GRAYp(y′,x′)放到第y′行第x′列像素集中;GRAYp(y′,x′)表示相同角度拍摄的第p张灰度图像在第y′行第x′列所在像素点的灰度值;
S223,判断p与P间的大小关系:
若p≥P,则p=1;执行下一步;
若p<P,则p=p+1;返回步骤S222;
S224,判断x′与X间的大小关系:
若x′≥X,则x′=1;执行下一步;
若x′<X,则x′=x′+1;返回步骤S222;
S225,判断y′与Y间的大小关系:
若y′≥Y,则执行下一步;
若y′<Y,则y′=y′+1;返回步骤S222;
S226,把第y″行第x″列集合{GRAY1(y″,x″),GRAY2(y″,x″),GRAY3(y″,x″),…,GRAYP(y″,x″)}中的灰度值依照从大到小的次序排列,GRAYζ(y″,x″)表示相同角度拍摄的第ζ张灰色图像在第y″行第x″列所在像素点的灰度值,ζ=1、2、3、……、P;
S227,
其中,GRAY′(y″,x″)表示灰色统一图像中在第y″行第x″列所在像素点的灰度值;
max表示第y″行第x″列集合{GRAY1(y″,x″),GRAY2(y″,x″),GRAY3(y″,x″),…,GRAYP(y″,x″)}中的灰度值依照从大到小的次序排列后处于max位的灰度值;
GRAYi′(y″,x″)表示第y″行第x″列集合{GRAY1(y″,x″),GRAY2(y″,x″),GRAY3(y″,x″),…,GRAYP(y″,x″)}中的灰度值依照从大到小的次序排列后处于i位的灰度值;
min表示第y″行第x″列集合{GRAY1(y″,x″),GRAY2(y″,x″),GRAY3(y″,x″),...,GRAYP(y″,x″)}中的灰度值依照从大到小的次序排列后处于min位的灰度值;max<min<P;一般的,max=2,min=P-1;
S228,判断x″与X间的关系:
若x″≥X,则执行下一步;
若x″<X,则x″=x″+1;返回步骤S226;
S229,判断y″与Y间的关系:
若y″≥Y,则执行下一步;
若y″<Y,则y″=y″+1;x″=1;返回步骤S226;
S23,将灰度值位于预设灰度下限阈值和预设灰度上限阈值之间的像素点作为鱼池鱼群待进食区域,预设灰度下限阈值小于预设灰度上限阈值。
1.2智能投喂控制系统设计
该智能投喂系统由自动上料机、饵料输送机、轨道式投饵机三个部分组成,如图2所示。
(1)自动上料机包括阶梯输送带、多规格饵料存储仓和饵料称重仓,采用PLC作为控制核心,可实现饵料自动装载上料,针对各鱼池不同生长时期、不同生物总量,准确测量每次投放饵料重量和剩余饵料重量。
(2)饵料输送机由真空泵、压缩空气反吹装置、气动放料门、输送软管组成,采用PLC作为控制核心,实现饵料从称重仓到投饵机的远距离无损运输。
(3)轨道式投饵机由储料仓、电池、行走机构、转鼓下料机、螺旋抛料盘、WiFi模块、RFID射频模块、视频采集模块、饵料称重模块组成,采用工控机作为控制核心,可实时接收远程指令完成定点投喂、定量下料、均匀抛料、返程充电功能,也部署基于机器视觉的投喂决策模型,实时处理鱼池图像信息,实现自适应投喂。
投喂系统工作步骤如图3所示:
步骤1:自动上料机上电后,根据HMI界面设定投喂量、投喂鱼池、投喂时间,按轮次从储料仓释放不同规格饵料,下料过程实时读取称重传感器数据,达到设定量则停止,余料不足则从阶梯上料输送带补充饵料;
步骤2:下料完成后,关闭气动放料门,打开气动真空泵,采用定时方式负压输送无损输送饵料。时间到后开启压缩空气反吹装置,清理管道杂质,避免管道拥堵;
步骤3:饵料输送完成后,投饵机前进,通过RFID识别模块识别行走路径上射频信号,根据读取地址判断是否为设定鱼池。匹配成功,则投饵机停止前进;
步骤4:开启摄像头采集图像;
步骤5:投饵机结合称重传感器数据启动转鼓螺旋给料器完成下料;
步骤6:结合饵料识别和单轮多次投喂决策,若判断当前鱼群摄食欲望,摄食欲望低则停止投喂,摄食欲望高则重复步骤3到步骤6,继续投喂;
步骤7:判断任务是否完成,任务完成则返程充电,未完成则重复步骤2到步骤7。
1.3图像采集系统设计
根据系统自动化投喂要求,图像采集系统需覆盖鱼池整个水面,同时减少阳光反射和相机倾斜摄影所带来的水面波纹干扰,系统设计选择海康威视相机(DS-2CD3425FD-IZ,采集图像为24Bit,分辨率2560×1440)固定于鱼池侧边,高度约2m。各鱼池监控相机通过有线连接至交换机,再由工控机进行统一采集和处理。执行决策通过WiFi模块,发送指令完成投饵机前进、停止、下料和抛洒动作,如图4所示。
2基于机器视觉的自适应投喂决策
加州鲈工厂化养殖饲料为浮饵,鱼进食结束后水面残饵量可以作为鱼群当前摄食状态强弱的量化指标,判断是否继续投喂,以达到节约饵料的目的。但在鱼群进食激烈时,水面反光、水花覆盖饵料、增氧曝气产生的水面气泡导致饵料检测精度低。常规的残饵检测为等待水面完全平静后识别水面残饵数量,耗时且浮饵浸泡后水体氨氮值快速上升,降低水质指标。为实现高效精准投喂、保证水质,通过摄食图像纹理特征反应当前水面整体波动情况,动态决定调用饵料数量识别模型时间,计算30s时间内水面残饵数量均值,确定当前鱼群摄食欲望。针对投喂前鱼群食欲无法提前探知的问题,在“图像纹理特征+残饵识别”量化鱼群摄食欲望的基础上,“采用试投+单轮多次”的投喂策略,通过少量饵料投喂试探鱼群状态,适时停止,可大幅降低饵料浪费。
2.1基于图像纹理的摄食强度量化
投饵后鱼群抢食会产生水花,引起水面波动,鱼群当前摄食强度可以通过图像纹理表征。通过灰度的空间相关特性来描述纹理的有力方法是灰度共生矩阵(Grey LevelCo-occurrence Matrix,GLCM)和灰度梯度共生矩阵(Gray-Gradient Co-occurenceMatrix,GGCM)。通过提取逆矩差、相关性、大梯度优势等19个特征表征鱼群摄食强度。灰度共生矩阵可表示为:
P(i,j)=#{(x1,y1),(x2,y2)∈f(x,y)M×N|((x1,y1)=i,f(x2,y2)=j)} (1)
式中#{set}表示集合set元素数量,f(x,y)为一幅二维图像,M,N表示该幅二维图像的宽高,f(x,y)M×N为一幅为宽高MN的二维图像,P为矩阵,P(i,j)为矩阵中的两点i和j,(x1,y1)、(x2,y2)表示该幅二维图像中2点,设d为两点间距离,θ表示2点与横坐标夹角,间距与角度的灰度共生矩阵可表示为P(i,j,d,θ),则相关性特征C可表示为:
其中,
本发明设置像素对距离为2,像素对角度0,灰度级别256。通过实验发现相关性特征与投喂后鱼群摄食由强到弱的规律一致,以相关性为基础,选一次投喂数据,采用皮尔森相关系数计算其余特征:
X、Y表示变量,本处为不同灰度共生矩阵特征值;
N表示特征值数量;
对比度、梯度均值等特征相似度高度一致,相似度绝对值在0.85~0.96间,能量、自相关等特征相似度较低,相似度绝对值在0.16~0.52间,为减小计算量便于本地部署,只代入相关性表征摄食水面波动强度进行后续计算。
2.2基于改进yolov5的饵料识别模型
本研究针对水面残饵检测中存在的小目标识别问题,以YOLOv5为基准模型,通过将BottleNet-CSP模块添加在Backbone位置执行残差运算,并将BottleNet-CSP模块多级计算与CBAM模块集成到Neck部分,增强对小目标特征的捕捉能力。同时在Head部分设置三个不同尺度的检测头用以检测多个规格的目标,以期进一步提升模型对复杂环境下的饵料识别的精准度。基于该模型,本研究将从饵料残留角度对鱼类摄食强度进行定量分析。具体算法如图5所示。
Backbone部分:是提取特征图中目标物体的关键步骤,用以从输入图像中提取上下文信息并调节转化模型参数。此处我们首先通过Focus模块进行对输入图像的切片操作,将得到的切片图片通过卷积操作输入至BottleNet-CSP模块执行残差运算。反复执行这一操作三次,将池化后的结果传入SPPF模块执行计算。运算过程中产生三个残差运算结果,分别将不同阶段计算的结果传入Neck部分,用以将不同尺度特征图上的特征进行融合,在融合之后得到的特征图上再进行预测。
Neck部分:用以将提取的信息输入头部之前尽可能多地整合这些信息。我们采取卷积与BottleNet-CSP模块多级计算的方式,利用Bottom-up path augmentation结构,自顶向下传达强语义特征的同时,还能够自底向上传达强定位特征。同时将CBAM集成到此部分,从而帮助网络在具有大区域覆盖的图像中找到感兴趣的区域。以上两种结构的组合在传递小对象信息方面起着重要作用,可有效防止信息丢失。
Head部分:修改了原始的YOLOv5,使其专门可用于小目标识别,如图6所示。通过设定三个不同尺度级别的检测头获取特征图,此三个检测头通过从颈部的BottleNet-CSP获取聚合的特征图来推断边界框和类,并输出预测的结果。添加的预测头是对微小物体更敏感。在增加一个额外的探测头后,虽然计算和存储开销增加了,但微小物体的探测性能却提高了。此架构包含两个主要模块,一个多头注意力模块和一个前馈神经网络(MLP),此结构有助于网络更好地收敛,并防止网络过度拟合。多头注意力机制可以帮助当前节点不仅关注当前像素,还可以获取上下文的语义。
损失函数采用以下方法来提升网络的训练速度以及推理的准确性。
(1)Angle cost
根据α的角度值来判断,最小化的对象,当α小于π/4最小化α,反之将最小化β。Angle cost计算如公式(4)所示:
其中,
这里α表示真实目标的纵向值与真实目标的横向值比率的反正切;
β表示真实目标的横向值与真实目标的纵向值比率的反正切;
指真实目标的横坐标值,/>指真实目标的纵向坐标值,其中的gt指实际目标框(Ground Truth),/>表示预测目标的横坐标值,/>表示预测目标的纵坐标值。
max(,)表示取两者中的较大者;
min(,)表示取两者中的较小者;
(2)Distance cost
Distance cost表示为真实的锚框和预测框的中心点之间的距离,对Distancecost的重定义如公式(5)所示:
其中,γ=2-Λ,当α逐渐地接近于零时,Distance cost的贡献会相应的降低。相对地,当α越是无限地接近于π/4,那么Distancecost贡献就会越大,而且随着角度不断的增加,γ将被赋予时间优先的距离值。
Δ表示真实的锚框和预测框的中心点之间的距离;
γ表示角变化因子;
cw表示宽损失因子;
ch表示高损失因子。
(3)Shape cost
Shape costΩ的定义如公式(6)所示:
其中,θ的值是唯一存在,表示为每个数据集的Shape cost,并且θ的值是非常重要的成分,定义了Shape cost的关注程度,当θ的值为1时。它将优化Shape的长宽比,以至于阻碍Shape的自由移动。
最终的损失函数定义如公式(7)所示:
¢表示候选框与标记框间的重合率。
因为Angle cost的增加,不仅可以获取到更加充分的表达,而且还降低了惩罚项出现为零的概率,这样会使得损失函数在收敛时更加稳定,从而提升回归精度,以便于减少预测的误差。
2.3基于最小二乘法的投喂策略
经长期生产实验发现,鱼群摄食欲望受水体环境溶氧、氨氮、上次投喂量、投喂时间、鱼自身健康状态等多重不定因素影响,为实现饵料的自适应停止投喂和尽量减少饵料浪费的目的,采用“试投喂+单轮多次投喂”的方式,将预投喂量分解,如图7所示。
(1)试投喂阶段。通过较少饵料试探当前鱼群的进食欲望,考虑饵料检测准确率,当水面残饵均值小于10颗则判定当前鱼群摄食欲望强,按照常量分次投喂,大于10颗判定当前鱼群摄食欲望弱,立刻停止投喂;
(2)常量投喂阶段。将剩余投饵量按均分方式,分次投喂,若水面残饵量小于本次投喂量10%,判定当前摄食欲望强,继续投喂;若水面残饵大于10%,判定当前摄食欲望若,停止投喂。
每次投喂后,对投喂视频取1秒25帧图像,并取识别饵料均值,得到1秒内水面残饵数量,并采用最小二乘法对调用残饵识别模型30s图像所识别残饵数量进行拟合。R2大于0.9则对此阶段计算残饵数量均值,若R2小于0.9,是因为鱼群零星抢食产生的水花干扰饵料检测,则剔除最大离群点,再次拟合,直到R2大于0.9再计算残饵均值。根据残饵数量判断是否投喂。
3实验结果
3.1基于图像纹理的摄食强度定性分析结果
饵料投喂后鱼群摄食经过大量抢食、零星抢食、结束抢食3个阶段,强度总体呈逐渐下降趋势,相关性特征趋势线与实际一致。考虑摄食过程水面受光干扰特征曲线噪声大,对特征数据依次进行降采样和非线性拟合处理,采样频率为1秒5帧,并采用Gauss函数作为拟合核函数,利用Levenberg-Marquardt优化迭代算法拟合出鱼群摄食水面纹理特征曲线。其中高斯函数如公式(8)所示:
式中,A表示幅值,B表示常数,xc为函数峰值点横坐标,δ表示函数标准差。
对拟合曲线进行二阶导数求解,二阶导数零点表示水面波动较平稳,此时间点引入饵料识别模型识别水面残饵,如图8所示。
3.2基于改进yolov5的饵料残留定量分析结果
对数据增强后的数据分别用YOLO5L模型、YOLOv8L模型和本发明改进后的算法模型进行训练,对三种结果进行对比。对比的结果图如图9~11所示。
在本图中,各曲线分别为mAP0.5、mAP0.5:0.95、precision随着训练次数的增加而变化的曲线图。从图中可以看出,随着训练次数的增加,本发明算法在数据增强之后的数据集上训练的效果相比原YOLO5L有所提升。另外,相对于未使用数据增强的原YOLO5L,使用过数据增强的YOLO5L模型效果也有了一定的提升。具体的实验结果如表1所示:
表1实验结果对比表
由表可知,本发明改进后的算法相比原算法模型mAP0.5提升了60.26%,mAP0.5:0.95提升了15.59%,Precision提升了37.85%。而相比于yolov8L,本发明算法的mAP0.5提升了38.60%,mAP0.5:0.95提升了20.37%,Precision提升了28.14%。
本发明使用训练完成之后的YOLO5L、YOLO8L、本发明算法从验证集中挑出三组图片进行检测,检测的结果如图12所示。
3.3系统实地验证
为验证基于机器视觉的大口黑鲈投喂系统和自适应投喂决策的实际效果。设计了工厂化养殖对比实验,研究选用鱼种已在鱼池饲养6个月的大口黑鲈,已适应工厂化养殖方式,鱼平均大小为0.3~0.4kg,根据实验需要选择鱼池分别投放400条鱼。饲料品牌选用杰大,饲料规格为8#(100颗约71g),饲料为浮性饲料,每天饲料投喂时间固定。实验组饲料投喂策略采取“试投+单轮多次”投喂的方式,试投喂量为100g,后续每次投喂约500g(±5%),由专业水产养殖人员从旁判断,保证每次投喂均为饱食投喂;对照组根据鱼池生物总量的1%采用投饵机进行定量投喂。当饵料抛洒后90s开始识别水面饵料数量(经长期生产实践,本实验环境下90s后水面较为平静饵料识别率高),90s~120s残饵量为50g,认定鱼群饱食本轮投喂结束。投喂7d,实验结果如下表。
表2 7d鲈鱼投喂对比实验
实验期间由水质指标pH变化范围在7.0~7.9,氨氮变化范围在0.3~0.5。由表1可知,定量投喂方法导致鱼不饱食现象普遍,第一天投喂中定量投喂方法残饵量为11g,但鱼并未饱食,“试投喂+单轮多次”残饵量为291g,存在微过量,保证了鱼进食充分;定量投喂方法无法实时反馈鱼群当前摄食状态,存在大量浪费现象,第四天投喂中定量投喂方法残饵量为1261g,饵料利用率仅为10.6%,“试投喂+单轮多次”投喂在试投喂阶段判断当前鱼群摄食欲望低,试投喂后立刻停止投喂,残饵量最终为87g。实验中定量投喂残饵总量为4500g,饵料总利用率为54.6%,“试投喂+单轮多次”投喂残饵总量为1365g,饵料总利用率为77.9%,饵料利用率提升29.9%。
实验结果表明:“试投喂+单轮多次”投喂方法通过将投喂量分次进行,通过水面残饵量判断鱼群摄食欲望,可有效减少鱼群摄食欲望低时的饵料大量浪费,鱼群摄食欲望强时保证鱼饱食。该投喂系统在一定程度上可以代替人工实现无人化投喂,为加州鲈工厂化养殖无人化提供有效支撑。
4结束语
(1)本发明针对大口黑鲈工厂化循环水养殖投喂环节智能化的需求,搭建了基于机器视觉的智能投饵系统,实现了鱼饵料自动上料、远距离运输和定量抛料。
(2)智能投喂系统所选择的饵料开始识别时间通过水面纹理特征动态决定,提高投喂环节作业效率。通过改进YOLOv5识别水面残饵停留数,量化鱼群当前饱食状态,实时决策是否停止投喂。并采用试投喂+单轮多次的投喂策略,能够适应鱼群动态投食规律,减少饵料浪费和水体污染。
(3)目前智能投喂系统所提出的单轮多次投喂决策,多次投喂阶段为常量,后续研究可以根据鱼群摄食状态动态调整投喂量,进一步较少饵料浪费。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (5)
1.一种鱼池智能投喂方法,其特征在于,包括以下步骤:
S1,云平台向投饵机发送待投喂点数据;
S2,投饵机接收到云平台发送的待投喂点数据后,投饵机移动到待投喂点;
S3,投饵机移动到待投喂点后,对待投喂点的鱼池进行投喂。
2.根据权利要求1所述的鱼池智能投喂方法,其特征在于,所述投饵机包括投饵机本体,在投饵机底部设置有用于固定安装RFID识别模块的RFID识别模块固定安装座,RFID识别模块固定安装在RFID识别模块固定安装座上,RFID识别模块的数据端与投饵机控制器的识别数据端相连;
在鱼池周边铺设有用于投饵机行走的道路,在M×N鱼池投喂点设置有用于RFID识别模块识别的电子标签,电子标签处于行走的道路上。
3.根据权利要求1所述的鱼池智能投喂方法,其特征在于,对鱼池投喂的方法还包括以下步骤:
步骤1:自动上料机上电后,根据HMI界面设定投喂量、投喂鱼池、投喂时间,按轮次从储料仓释放不同规格饵料,下料过程实时读取称重传感器数据,达到设定量则停止,余料不足则从阶梯上料输送带补充饵料;
步骤2:下料完成后,关闭气动放料门,打开气动真空泵,采用定时方式负压输送无损输送饵料;时间到后开启压缩空气反吹装置,清理管道杂质,避免管道拥堵;
步骤3:饵料输送完成后,投饵机前进,通过RFID识别模块识别行走路径上射频信号,根据读取地址判断是否为设定鱼池;匹配成功,则投饵机停止前进;
步骤4:开启摄像头采集图像;
步骤5:投饵机结合称重传感器数据启动转鼓螺旋给料器完成下料;
步骤6:结合饵料识别和单轮多次投喂决策,若判断当前鱼群摄食欲望,摄食欲望低则停止投喂,摄食欲望高则重复步骤3到步骤6,继续投喂;
步骤7:判断任务是否完成,任务完成则返程充电,未完成则重复步骤2到步骤7。
4.根据权利要求1所述的鱼池智能投喂方法,其特征在于,工控机将MN个相机采集的鱼池图像数据传输给云平台的方法包括以下步骤:
S11,工控机获取每个相机的相机ID,该相机ID为相机存储器的ID号;
S12,工控机统计接收到相机的图像数量,分别记作K1、K2、K3、……、KMN,K1表示工控机接收到第1监控相机的图像数量,K2表示工控机接收到第2监控相机的图像数量,K3表示工控机接收到第3监控相机的图像数量,KMN表示工控机接收到第MN监控相机的图像数量;令k=1;
S13,把第k相机的ID和统计的第k相机的图像数量传输给云平台;
S14,云平台接收到工控机发送的第k相机的ID和第k相机的图像数量后,生成第k相机的相机码集,将生成的相机码集存储于平台数据库中,并将相机码集发送给工控机;
S15,工控机接收到云平台发送的相机码集后,将相机码集中的相机码分给图像作为图像的图像名称;将具有图像名称的图像传输到云平台;
S16,云平台接收到图像后,提取图像名称,判断提取的图像名称是否存在于平台数据库:
若提取的图像名称存在于平台数据库,则将该图像进行存储;并将图像名称从平台数据库中删除;执行下一步;
若提取的图像名称不存在于平台数据库,则将该图像进行删除;执行下一步;
S17,判断平台数据库中是否还有相机码:
若平台数据库中不存在相机码,则k=k+1,执行下一步;
若平台数据库中存在相机码,则请求工控机发送相机码所对应的图像,直至平台数据库中不存在相机码为止;执行下一步;
S18,判断k与MN间的关系:
若k>MN,则工控机接收到的MN个监控相机拍摄的图像都存储在云平台上了;
若k≤MN,执行步骤S13。
5.根据权利要求1所述的鱼池智能投喂方法,其特征在于,对鱼池进行投喂量决策的方法包括以下之一或者任意组合步骤:
S1,基于图像纹理的摄食强度量化;
S2,基于改进yolov5的饵料识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311046453.3A CN117063868A (zh) | 2023-08-18 | 2023-08-18 | 一种鱼池智能投喂方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311046453.3A CN117063868A (zh) | 2023-08-18 | 2023-08-18 | 一种鱼池智能投喂方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117063868A true CN117063868A (zh) | 2023-11-17 |
Family
ID=88711070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311046453.3A Pending CN117063868A (zh) | 2023-08-18 | 2023-08-18 | 一种鱼池智能投喂方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117063868A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689491A (zh) * | 2024-02-02 | 2024-03-12 | 正大农业科学研究有限公司 | 虾料自动投放方法、装置、系统、电子设备及存储介质 |
-
2023
- 2023-08-18 CN CN202311046453.3A patent/CN117063868A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689491A (zh) * | 2024-02-02 | 2024-03-12 | 正大农业科学研究有限公司 | 虾料自动投放方法、装置、系统、电子设备及存储介质 |
CN117689491B (zh) * | 2024-02-02 | 2024-05-07 | 正大农业科学研究有限公司 | 虾料自动投放方法、装置、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11528885B2 (en) | Generating consensus feeding appetite forecasts | |
Hu et al. | A computer vision-based intelligent fish feeding system using deep learning techniques for aquaculture | |
Zhou et al. | Near infrared computer vision and neuro-fuzzy model-based feeding decision system for fish in aquaculture | |
EP3644717B1 (en) | Data collection method for feeding aquatic animals | |
EP3843542B1 (en) | Optimal feeding based on signals in an aquaculture environment | |
CN109472883A (zh) | 巡塘方法和装置 | |
CN113040081B (zh) | 基于鱼群游泳能耗分析的循环水养殖鱼类投喂决策系统 | |
CN112213962A (zh) | 一种基于生长模型与声呐反馈的智能投饲系统及方法 | |
CN117063868A (zh) | 一种鱼池智能投喂方法 | |
CN113349111A (zh) | 一种用于水产养殖物的动态投喂方法、系统和存储介质 | |
TWI661770B (zh) | 智慧深度學習農漁培養系統 | |
US20220067930A1 (en) | Systems and methods for predicting growth of a population of organisms | |
CN114467824A (zh) | 智能投饵船 | |
CN111372060A (zh) | 智能投饵方法、系统及巡检视觉装置 | |
CN110910067A (zh) | 一种结合深度学习与Q-learning的活鱼运输水质智能调控方法和系统 | |
CN111274975A (zh) | 猪只采食行为预测方法及装置 | |
CN112861734A (zh) | 一种料槽余食监测方法及系统 | |
CN113854221B (zh) | 智能喂食控制系统 | |
CN113780225A (zh) | 基于深度学习和图像识别的鱼类喂食方法 | |
Darapaneni et al. | AI based farm fish disease detection system to help micro and small fish farmers | |
CN116965362A (zh) | 一种基于机器视觉的大口黑鲈智能投喂系统 | |
Liang et al. | Recognition and classification of ornamental fish image based on machine vision | |
CN114419432B (zh) | 一种鱼群摄食强度评估方法及装置 | |
CN113408334A (zh) | 一种小龙虾全链条数据采集与智能检测方法及装置 | |
CN116724932B (zh) | 一种增殖放流苗种适应性暂养方法及系统 |
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 |