CN117170442A - 智能水产养殖控制系统及其方法 - Google Patents
智能水产养殖控制系统及其方法 Download PDFInfo
- Publication number
- CN117170442A CN117170442A CN202311291341.4A CN202311291341A CN117170442A CN 117170442 A CN117170442 A CN 117170442A CN 202311291341 A CN202311291341 A CN 202311291341A CN 117170442 A CN117170442 A CN 117170442A
- Authority
- CN
- China
- Prior art keywords
- feature
- vector
- classification
- water temperature
- oxygen content
- 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
- 238000009360 aquaculture Methods 0.000 title claims abstract description 104
- 244000144974 aquaculture Species 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 32
- 241000251468 Actinopterygii Species 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims description 266
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 193
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 107
- 229910052760 oxygen Inorganic materials 0.000 claims description 107
- 239000001301 oxygen Substances 0.000 claims description 107
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000010586 diagram Methods 0.000 claims description 18
- 238000006073 displacement reaction Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012258 culturing Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 230000012010 growth Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 206010021143 Hypoxia Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007954 hypoxia Effects 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000036737 immune function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000020930 dietary requirements Nutrition 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- Farming Of Fish And Shellfish (AREA)
Abstract
本申请涉及水产养殖智能控制领域,其具体地公开了一种智能水产养殖控制系统及其方法,其通过溶解氧传感器、温度传感器分别采集待监测养殖池内不同位置的含氧量和水温以及通过摄像头采集待监测养殖池的不同位置的水位线图像,然后通过卷积神经网络分别对其进行特征提取和分析,从而得到用于表示待监测养殖池的养殖环境是否适合养殖水产鱼类的分类结果。这样,以便水产养殖者及时对养殖池的养殖环境进行调整,从而确保水产鱼类的养殖产量和质量。
Description
技术领域
本申请涉及水产养殖智能控制领域,且更为具体地,涉及一种智能水产养殖控制系统及其方法。
背景技术
随着社会生活水平的提高,各种水产养殖不断的涌现出来,其中一种广泛养殖的水产品是鱼类。但是,水产鱼类养殖对水中的含氧量、水温等要求较高。现有的水产鱼类养殖多数依靠人工作业,水产养殖者需要对养殖池内的各种指标进行测量,这样会消耗很大的人力和时间。而且,下雨天可能会造成养殖池水位线的上涨,一旦超出警戒线,可能会造成水产鱼类跑出养殖池的后果。
因此,期望一种智能水产养殖控制系统及其方法,通过对养殖池中的含氧量、水温以及水位线的实时监测,以便水产养殖者及时对养殖池的养殖环境进行调整,从而确保水产鱼类的养殖产量和质量。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种智能水产养殖控制系统及其方法,其通过溶解氧传感器、温度传感器分别采集待监测养殖池内不同位置的含氧量和水温以及通过摄像头采集待监测养殖池的不同位置的水位线图像,然后通过卷积神经网络分别对其进行特征提取和分析,从而得到用于表示待监测养殖池的养殖环境是否适合养殖水产鱼类的分类结果。这样,以便水产养殖者及时对养殖池的养殖环境进行调整,从而确保水产鱼类的养殖产量和质量。
根据本申请的第一方面,提供了一种智能水产养殖控制系统,其包括:
数据采集单元,用于通过溶解氧传感器、温度传感器分别采集待监测养殖池内不同位置的含氧量和水温以及通过摄像头采集待监测养殖池的不同位置的水位线图像;
序列编码单元,用于将所述待监测养殖池内不同位置的含氧量和水温分别通过包含一维卷积层和全连接层的序列编码器以得到含氧量特征向量和水温特征向量;
特征关联单元,用于将所述含氧量特征向量和所述水温特征向量进行特征关联以得到含氧量-水温关联特征矩阵;
卷积编码单元,用于将所述待监测养殖池的不同位置的水位线图像进行三维排列为输入张量后通过使用三维卷积核的卷积神经网络模型以得到水位线特征图;
降维单元,用于将所述水位线特征图进行沿通道维度的均值池化处理以得到水位线特征向量;
特征融合单元,用于将所述含氧量-水温关联特征矩阵和所述水位线特征向量进行融合以得到分类特征向量;
特征优化单元,用于对所述分类特征向量进行基于秩序化的位移先验优化以得到优化分类特征向量;
结果生成单元,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测养殖池的养殖环境是否适合养殖水产鱼类。
结合本申请的第一方面,在本申请的第一方面的一种智能水产养殖控制系统中,所述序列编码单元,包括:将所述待监测养殖池内不同位置的含氧量和水温分别排列为第一输入向量和第二输入向量;使用所述序列编码器的全连接层以如下公式对所述第一输入向量和所述第二输入向量分别进行全连接编码以提取出所述第一输入向量和所述第二输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中/>是所述第一输入向量和所述第二输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘法;以及
使用序列编码器的一维卷积层以如下公式对所述第一输入向量和所述第二输入向量分别进行一维卷积编码以提取出所述第一输入向量和所述第二输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述公式为:其中,/>为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,/>为第一卷积核的尺寸,/>表示所述第一输入向量和所述第二输入向量,/>表示对所述第一输入向量和所述第二输入向量进行一维卷积编码。
结合本申请的第一方面,在本申请的第一方面的一种智能水产养殖控制系统中,所述特征关联单元,用于:使用所述联合编码器以如下关联公式对所述含氧量特征向量和所述水温特征向量进行联合编码以生成所述含氧量-水温关联特征矩阵;其中,所述关联公式为:其中/>表示向量相乘,/>表示所述含氧量-水温关联特征矩阵,表示所述含氧量特征向量,/>表示所述水温特征向量,/>表示所述水温特征向量的转置。
根据本申请的第二方面,提供了一种智能水产养殖控制方法,其包括:
通过溶解氧传感器、温度传感器分别采集待监测养殖池内不同位置的含氧量和水温以及通过摄像头采集待监测养殖池的不同位置的水位线图像;
将所述待监测养殖池内不同位置的含氧量和水温分别通过包含一维卷积层和全连接层的序列编码器以得到含氧量特征向量和水温特征向量;
将所述含氧量特征向量和所述水温特征向量进行特征关联以得到含氧量-水温关联特征矩阵;
将所述待监测养殖池的不同位置的水位线图像进行三维排列为输入张量后通过使用三维卷积核的卷积神经网络模型以得到水位线特征图;
将所述水位线特征图进行沿通道维度的均值池化处理以得到水位线特征向量;
将所述含氧量-水温关联特征矩阵和所述水位线特征向量进行融合以得到分类特征向量;
对所述分类特征向量进行基于秩序化的位移先验优化以得到优化分类特征向量;
将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测养殖池的养殖环境是否适合养殖水产鱼类。
与现有技术相比,本申请提供的一种智能水产养殖控制系统及其方法,其通过溶解氧传感器、温度传感器分别采集待监测养殖池内不同位置的含氧量和水温以及通过摄像头采集待监测养殖池的不同位置的水位线图像,然后通过卷积神经网络分别对其进行特征提取和分析,从而得到用于表示待监测养殖池的养殖环境是否适合养殖水产鱼类的分类结果。这样,以便水产养殖者及时对养殖池的养殖环境进行调整,从而确保水产鱼类的养殖产量和质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的智能水产养殖控制系统的示意性框图。
图2图示了根据本申请实施例的智能水产养殖控制系统中特征优化单元的示意性框图。
图3图示了根据本申请实施例的智能水产养殖控制方法的流程图。
图4图示了根据本申请实施例的智能水产养殖控制方法的系统架构的示意图。
图5图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
示例性系统:图1图示了根据本申请实施例的智能水产养殖控制系统的示意性框图。如图1所示,根据本申请实施例的所述智能水产养殖控制系统100,包括:数据采集单元110,用于通过溶解氧传感器、温度传感器分别采集待监测养殖池内不同位置的含氧量和水温以及通过摄像头采集待监测养殖池的不同位置的水位线图像;序列编码单元120,用于将所述待监测养殖池内不同位置的含氧量和水温分别通过包含一维卷积层和全连接层的序列编码器以得到含氧量特征向量和水温特征向量;特征关联单元130,用于将所述含氧量特征向量和所述水温特征向量进行特征关联以得到含氧量-水温关联特征矩阵;卷积编码单元140,用于将所述待监测养殖池的不同位置的水位线图像进行三维排列为输入张量后通过使用三维卷积核的卷积神经网络模型以得到水位线特征图;降维单元150,用于将所述水位线特征图进行沿通道维度的均值池化处理以得到水位线特征向量;特征融合单元160,用于将所述含氧量-水温关联特征矩阵和所述水位线特征向量进行融合以得到分类特征向量;特征优化单元170,用于对所述分类特征向量进行基于秩序化的位移先验优化以得到优化分类特征向量;结果生成单元180,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测养殖池的养殖环境是否适合养殖水产鱼类。
在本申请实施例中,数据采集单元110,用于通过溶解氧传感器、温度传感器分别采集待监测养殖池内不同位置的含氧量和水温以及通过摄像头采集待监测养殖池的不同位置的水位线图像。如上述背景技术所述,随着社会生活水平的提高,各种水产养殖不断的涌现出来,其中一种广泛养殖的水产品是鱼类。但是,水产鱼类养殖对水中的含氧量、水温等要求较高。现有的水产鱼类养殖多数依靠人工作业,水产养殖者需要对养殖池内的各种指标进行测量,这样会消耗很大的人力和时间。而且,下雨天可能会造成养殖池水位线的上涨,一旦超出警戒线,可能会造成水产鱼类跑出养殖池的后果。因此,期望一种智能水产养殖控制系统及其方法,通过对养殖池中的含氧量、水温以及水位线的实时监测,以便水产养殖者及时对养殖池的养殖环境进行调整,从而确保水产鱼类的养殖产量和质量。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为水产养殖的智能控制提供了新的解决思路和方案。
应可以理解,监测养殖池的含氧量和水温是一种常见的判断养殖池是否适合养殖水产鱼类的方法之一。这两个因素对水产鱼类的生长和生存具有重要影响。其中,水中的氧气是鱼类呼吸的重要来源。当水中的氧气含量低于鱼类所需的水平时,会导致鱼类缺氧。缺氧会影响鱼类的新陈代谢、免疫功能和生长发育。严重的缺氧可能导致鱼类死亡。而水温直接影响鱼类的新陈代谢率、饮食摄取、生长速度和免疫功能。不同种类的鱼类对水温的适应范围有所不同。过高或过低的水温都可能对鱼类造成不良影响。过高的水温会导致鱼类代谢过快,增加饮食需求,增加病害的风险。过低的水温会降低鱼类的新陈代谢率,减缓生长速度,并增加对病害的易感性。因此,可以通过监测养殖池中的含氧量和水温来判断养殖池的养殖环境是否适合水产鱼类的生长,并及时向水产养殖者发出预警提示,以便其对养殖池进行调整维护。另外,考虑到降雨天气可能会造成养殖池内的水位线上涨,一旦水位线超出警戒线,可能会导致养殖鱼类跑出养殖池,导致产量降低。因此,也可以通过监测养殖池的水位线来判断养殖池的养殖环境是否适合养殖水产鱼类。具体地,通过溶解氧传感器、温度传感器分别采集待监测养殖池内不同位置的含氧量和水温以及通过摄像头采集待监测养殖池的不同位置的水位线图像。
在本申请实施例中,所述序列编码单元120,用于将所述待监测养殖池内不同位置的含氧量和水温分别通过包含一维卷积层和全连接层的序列编码器以得到含氧量特征向量和水温特征向量。考虑到所述待监测养殖池内不同位置的含氧量和水温是序列数据,对其进行特征提取时,可以使用在序列数据领域具有优异表现的序列编码器对二者进行卷积编码。进一步地,为了提取所述待监测养殖池内不同位置的水中含氧量和水温的高维变化特征,通过包含一维卷积层和全连接层的序列编码器对所述待监测养殖池内不同位置的含氧量和水温分别进行深度卷积编码以得到含氧量特征向量和水温特征向量。
在本申请的一个具体实施例中,所述序列编码单元120,包括:将所述待监测养殖池内不同位置的含氧量和水温分别排列为第一输入向量和第二输入向量;使用所述序列编码器的全连接层以如下公式对所述第一输入向量和所述第二输入向量分别进行全连接编码以提取出所述第一输入向量和所述第二输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中/>是所述第一输入向量和所述第二输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘法;以及
使用序列编码器的一维卷积层以如下公式对所述第一输入向量和所述第二输入向量分别进行一维卷积编码以提取出所述第一输入向量和所述第二输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述公式为:其中,/>为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,/>为第一卷积核的尺寸,/>表示所述第一输入向量和所述第二输入向量,/>表示对所述第一输入向量和所述第二输入向量进行一维卷积编码。
在本申请实施例中,所述特征关联单元130,用于将所述含氧量特征向量和所述水温特征向量进行特征关联以得到含氧量-水温关联特征矩阵。考虑到所述待监测养殖池内不同位置的含氧量和水温之间存在一定的关联,比如,水温升高会导致水体中的氧气溶解度下降,即溶解氧浓度降低。因此,为了对待监测养殖池内的含氧量和水温进行更全面、准确地特征提取,还需要提取二者的关联特征。具体地,将所述含氧量特征向量和所述水温特征向量进行特征关联以得到含氧量-水温关联特征矩阵。这样,就能够更准确地提取到待监测养殖池内的含氧量和水温的基于全局性的高维隐含变化特征。
在本申请的一个具体实施例中,所述特征关联单元130,用于:使用所述联合编码器以如下关联公式对所述含氧量特征向量和所述水温特征向量进行联合编码以生成所述含氧量-水温关联特征矩阵;其中,所述关联公式为:其中/>表示向量相乘,/>表示所述含氧量-水温关联特征矩阵,/>表示所述含氧量特征向量,/>表示所述水温特征向量,/>表示所述水温特征向量的转置。
在本申请实施例中,所述卷积编码单元140,用于将所述待监测养殖池的不同位置的水位线图像进行三维排列为输入张量后通过使用三维卷积核的卷积神经网络模型以得到水位线特征图。考虑到输入数据是一个图像数据集,如果直接对其进行特征提取,可能无法准确地提取到所述待监测养殖池的不同位置的水位线图像中各个水位线图像的特征分布以及各个水位线图像之间的隐含关联特征。因此,首先将所述待监测养殖池的不同位置的水位线图像进行三维排列为输入张量。通过将这些水位线图像排列在三维张量中,可以将时间维度和空间维度结合起来,以便模型能够同时考虑不同时间和空间位置上的水位信息。这样,可以保留图像之间的空间关系和拓扑结构。然后通过使用三维卷积核的卷积神经网络模型对所述输入张量进行深度卷积编码以得到水位线特征图。其中,通过所述使用三维卷积核的卷积神经网络模型对所述输入张量进行三维卷积操作,可以捕捉到养殖池中不同位置的水位信息之间的空间依赖关系,有助于理解水位的空间分布规律。
在本申请的一个具体实施例中,所述卷积编码单元140,用于:使用所述卷积神经网络模型在层的正向传递中对输入数据分别进行:基于所述卷积神经网络模型对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图;以及对所述池化特征图进行非线性激活以得到激活特征图;其中,所述卷积神经网络模型的最后一层的输出为所述水位线特征图,所述卷积神经网络模型的第一层的输入为所述输入张量。
在本申请实施例中,所述降维单元150,用于将所述水位线特征图进行沿通道维度的均值池化处理以得到水位线特征向量。应可以理解,所述水位线特征图中除了养殖池的水位线区域的特征,可能还会存在其他区域的特征分布信息。也就是,所述水位线特征图中只有局部的水位线区域是我们要进行特征提取的部分。而将其进行降维处理,可以将水位线区域的局部特征转化为全局特征表示,这有助于提高特征提取的准确率。具体地,将所述水位线特征图进行沿通道维度的均值池化处理以得到水位线特征向量。
在本申请的一个具体实施例中,所述降维单元150,用于:将所述水位线特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到所述水位线特征向量。
在本申请实施例中,所述特征融合单元160,用于将所述含氧量-水温关联特征矩阵和所述水位线特征向量进行融合以得到分类特征向量。考虑到需要从养殖池内的含氧量、水温以及水位线这三个方面对养殖池进行实时监测,因此,将所述含氧量-水温关联特征矩阵和所述水位线特征向量进行融合以获得待监测养殖池内的含氧量、水温以及水位线这三个影响因素的关联特征。具体地,将所述含氧量-水温关联特征矩阵和所述水位线特征向量进行融合以得到分类特征向量。
在本申请实施例中,所述特征优化单元170,用于对所述分类特征向量进行基于秩序化的位移先验优化以得到优化分类特征向量。应可以理解,在本申请的技术方案中,首先将所述分类特征向量进行向量切分以得到多个分类特征局部展开特征向量。也就是,所述分类特征向量本质上是多个分类特征局部展开特征向量的集合。这里,在所述分类特征向量的局部特征向量的集合中,所述多个分类特征局部展开特征向量之间存在相对顺序信息,且所述多个分类特征局部展开特征向量对于最终分类判断的贡献度不同,基于此,在本申请的技术方案中,对所述分类特征向量的特征向量集合进行基于秩序化的位移先验优化,以利用所述分类特征向量中各个分类特征局部展开特征向量之间存在相对顺序信息和类概率域的显著性差异来增强其分类性能。
具体地,在将所述分类特征向量进行向量切分以得到所述多个分类特征局部展开特征向量后,将所述多个分类特征局部展开特征向量通过基于转换器的上下文语义关联编码器以得到多个上下文分类特征局部展开特征向量。也就是,利用所述转换器的自注意力编码机制来捕捉所述各个分类特征局部展开特征向量之间的上下文语义关联信息以强化所述各个分类特征局部展开特征向量的信息表达的丰富度和关联度。接着,将所述多个上下文分类特征局部展开特征向量分别通过基于Softmax函数的分类域秩序值转换器以得到多个分类域秩序特征值,也就是,利用所述基于Softmax函数的分类域秩序值转换器来确定所述多个上下文分类特征局部展开特征向量在类概率域的贡献度,即所述多个分类域秩序特征值。并基于所述多个分类域秩序特征值之间的排序,对所述多个分类特征局部展开特征向量进行排序以得到分类特征局部展开特征向量的序列,也就是,基于所述多个分类域秩序特征值的数值大小来对所述多个分类特征局部展开特征向量进行序列化以使得相对更为显著的特征向量能够具有先发优势。同时,将所述多个分类域秩序特征值通过包含一维卷积层和Sigmoid激活函数的秩序化位移先验特征提取器以得到秩序化位移先验特征向量,并以所述秩序化位移先验特征向量中各个位置的特征值作为权重,对所述分类特征局部展开特征向量的序列中的各个分类特征局部展开特征向量进行加权以得到加权后分类特征局部展开特征向量的序列。也就是,利用一维卷积编码和非线性激活来捕捉所述多个分类特征局部展开特征向量在类概率域的高维隐含关联信息,以强化所述多个分类特征局部展开特征向量在类概率域的显著性。最终,将所述加权后分类特征局部展开特征向量的序列进行重构以得到所述优化分类特征向量。
图2图示了根据本申请实施例的智能水产养殖控制系统中特征优化单元的示意性框图。如图2所示,所述特征优化单元170,包括:向量切分子单元171,用于将所述分类特征向量进行向量切分以得到多个分类特征局部展开特征向量;特征关联子单元172,用于将所述多个分类特征局部展开特征向量通过基于转换器的上下文语义关联编码器以得到多个上下文分类特征局部展开特征向量;特征激活子单元173,用于将所述多个上下文分类特征局部展开特征向量分别通过基于Softmax函数的分类域秩序值转换器以得到多个分类域秩序特征值;排序子单元174,用于基于所述多个分类域秩序特征值之间的排序,对所述多个分类特征局部展开特征向量进行排序以得到分类特征局部展开特征向量的序列;特征提取子单元175,用于将所述多个分类域秩序特征值通过包含一维卷积层和Sigmoid激活函数的秩序化位移先验特征提取器以得到秩序化位移先验特征向量;特征向量加权子单元176,用于以所述秩序化位移先验特征向量中各个位置的特征值作为权重,对所述分类特征局部展开特征向量的序列中的各个分类特征局部展开特征向量进行加权以得到加权后分类特征局部展开特征向量的序列;特征向量序列重构子单元177,用于将所述加权后分类特征局部展开特征向量的序列进行重构以得到所述优化分类特征向量。
在本申请实施例中,所述结果生成单元180,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测养殖池的养殖环境是否适合养殖水产鱼类。为了判断待监测养殖池的养殖环境是否适合养殖水产鱼类,使用分类器对所述优化分类特征向量进行分类。分类器可以将所述优化分类特征向量映射到两个不同的分类标签中,这两个不同的分类标签分别为:待监测养殖池的养殖环境适合养殖水产鱼类以及待监测养殖池的养殖环境不适合养殖水产鱼类。这样,就可以通过分类结果来判断待监测养殖池的养殖环境并及时反馈给水产养殖者以便水产养殖者及时对养殖池的养殖环境进行调整,从而确保水产鱼类的养殖产量和质量。
在本申请的一个具体实施例中,所述结果生成单元180,用于:使用所述分类器以如下分类公式对所述优化分类特征向量进行处理以得到所述分类结果;其中,所述分类公式为:,其中,/>到/>为权重矩阵,/>到为偏置向量,/>为优化分类特征向量,/>表示归一化指数函数,/>表示所述分类结果。
综上,根据本申请实施例的所述智能水产养殖控制系统100被阐明,其通过溶解氧传感器、温度传感器分别采集待监测养殖池内不同位置的含氧量和水温以及通过摄像头采集待监测养殖池的不同位置的水位线图像,然后通过卷积神经网络分别对其进行特征提取和分析,从而得到用于表示待监测养殖池的养殖环境是否适合养殖水产鱼类的分类结果。这样,以便水产养殖者及时对养殖池的养殖环境进行调整,从而确保水产鱼类的养殖产量和质量。
如上所述,根据本申请实施例的所述智能水产养殖控制系统100可以实现在各种终端设备中,例如部署有智能水产养殖控制算法的服务器等。在一个示例中,根据智能水产养殖控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该智能水产养殖控制系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该智能水产养殖控制系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,智能水产养殖控制系统100与该终端设备也可以是分立的设备,并且智能水产养殖控制系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法:图3图示了根据本申请实施例的智能水产养殖控制方法的流程图。图4图示了根据本申请实施例的智能水产养殖控制方法的系统架构的示意图。如图3和图4所示,根据本申请实施例的智能水产养殖控制方法,包括:S110通过溶解氧传感器、温度传感器分别采集待监测养殖池内不同位置的含氧量和水温以及通过摄像头采集待监测养殖池的不同位置的水位线图像;S120,将所述待监测养殖池内不同位置的含氧量和水温分别通过包含一维卷积层和全连接层的序列编码器以得到含氧量特征向量和水温特征向量;S130,将所述含氧量特征向量和所述水温特征向量进行特征关联以得到含氧量-水温关联特征矩阵;S140,将所述待监测养殖池的不同位置的水位线图像进行三维排列为输入张量后通过使用三维卷积核的卷积神经网络模型以得到水位线特征图;S150,将所述水位线特征图进行沿通道维度的均值池化处理以得到水位线特征向量;S160,将所述含氧量-水温关联特征矩阵和所述水位线特征向量进行融合以得到分类特征向量;S170,将所述多个分类特征局部展开特征向量通过基于转换器的上下文语义关联编码器以得到多个上下文分类特征局部展开特征向量;S180,将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测养殖池的养殖环境是否适合养殖水产鱼类。
这里,本领域技术人员可以理解,上述智能水产养殖控制方法中的各个步骤的具体功能和操作已经在上面参考图1的智能水产养殖控制系统的描述中得到了详细介绍,并因此,将省略其重复描述。
示例性电子设备:下面,参考图5来描述根据本申请实施例的电子设备。
图5图示了根据本申请实施例的电子设备的框图。
如图5所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的智能水产养殖控制系统以及/或者其他期望的功能。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
示例性计算机程序产品和计算机可读存储介质:除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的智能水产养殖控制方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的智能水产养殖控制方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
应理解,本文中的具体的例子只是为了帮助本领域技术人员更好地理解本申请实施例,而非限制本申请实施例的范围。并且,在本申请的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种智能水产养殖控制系统,其特征在于,包括:
数据采集单元,用于通过溶解氧传感器、温度传感器分别采集待监测养殖池内不同位置的含氧量和水温以及通过摄像头采集待监测养殖池的不同位置的水位线图像;
序列编码单元,用于将所述待监测养殖池内不同位置的含氧量和水温分别通过包含一维卷积层和全连接层的序列编码器以得到含氧量特征向量和水温特征向量;
特征关联单元,用于将所述含氧量特征向量和所述水温特征向量进行特征关联以得到含氧量-水温关联特征矩阵;
卷积编码单元,用于将所述待监测养殖池的不同位置的水位线图像进行三维排列为输入张量后通过使用三维卷积核的卷积神经网络模型以得到水位线特征图;
降维单元,用于将所述水位线特征图进行沿通道维度的均值池化处理以得到水位线特征向量;
特征融合单元,用于将所述含氧量-水温关联特征矩阵和所述水位线特征向量进行融合以得到分类特征向量;
特征优化单元,用于对所述分类特征向量进行基于秩序化的位移先验优化以得到优化分类特征向量;
结果生成单元,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测养殖池的养殖环境是否适合养殖水产鱼类。
2.根据权利要求1所述的智能水产养殖控制系统,其特征在于,所述序列编码单元,包括:
将所述待监测养殖池内不同位置的含氧量和水温分别排列为第一输入向量和第二输入向量;
使用所述序列编码器的全连接层以如下公式对所述第一输入向量和所述第二输入向量分别进行全连接编码以提取出所述第一输入向量和所述第二输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中/>是所述第一输入向量和所述第二输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘法;以及
使用序列编码器的一维卷积层以如下公式对所述第一输入向量和所述第二输入向量分别进行一维卷积编码以提取出所述第一输入向量和所述第二输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述公式为:其中,/>为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,/>为第一卷积核的尺寸,/>表示所述第一输入向量和所述第二输入向量,/>表示对所述第一输入向量和所述第二输入向量进行一维卷积编码。
3.根据权利要求2所述的智能水产养殖控制系统,其特征在于,所述特征关联单元,用于:使用所述联合编码器以如下关联公式对所述含氧量特征向量和所述水温特征向量进行联合编码以生成所述含氧量-水温关联特征矩阵;
其中,所述关联公式为:其中/>表示向量相乘,/>表示所述含氧量-水温关联特征矩阵,/>表示所述含氧量特征向量,/>表示所述水温特征向量,/>表示所述水温特征向量的转置。
4.根据权利要求3所述的智能水产养殖控制系统,其特征在于,所述卷积编码单元,用于:使用所述卷积神经网络模型在层的正向传递中对输入数据分别进行:
基于所述卷积神经网络模型对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述卷积神经网络模型的最后一层的输出为所述水位线特征图,所述卷积神经网络模型的第一层的输入为所述输入张量。
5.根据权利要求4所述的智能水产养殖控制系统,其特征在于,所述降维单元,用于:将所述水位线特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到所述水位线特征向量。
6.根据权利要求5所述的智能水产养殖控制系统,其特征在于,所述特征优化单元,包括:
向量切分子单元,用于将所述分类特征向量进行向量切分以得到多个分类特征局部展开特征向量;
特征关联子单元,用于将所述多个分类特征局部展开特征向量通过基于转换器的上下文语义关联编码器以得到多个上下文分类特征局部展开特征向量;
特征激活子单元,用于将所述多个上下文分类特征局部展开特征向量分别通过基于Softmax函数的分类域秩序值转换器以得到多个分类域秩序特征值;
排序子单元,用于基于所述多个分类域秩序特征值之间的排序,对所述多个分类特征局部展开特征向量进行排序以得到分类特征局部展开特征向量的序列;
特征提取子单元,用于将所述多个分类域秩序特征值通过包含一维卷积层和Sigmoid激活函数的秩序化位移先验特征提取器以得到秩序化位移先验特征向量;
特征向量加权子单元,用于以所述秩序化位移先验特征向量中各个位置的特征值作为权重,对所述分类特征局部展开特征向量的序列中的各个分类特征局部展开特征向量进行加权以得到加权后分类特征局部展开特征向量的序列;
特征向量序列重构子单元,用于将所述加权后分类特征局部展开特征向量的序列进行重构以得到所述优化分类特征向量。
7.根据权利要求6所述的智能水产养殖控制系统,其特征在于,所述结果生成单元,用于:使用所述分类器以如下分类公式对所述优化分类特征向量进行处理以得到所述分类结果;
其中,所述分类公式为:,其中,/>到/>为权重矩阵,/>到/>为偏置向量,/>为优化分类特征向量,/>表示归一化指数函数,/>表示所述分类结果。
8.一种智能水产养殖控制方法,其特征在于,包括:
通过溶解氧传感器、温度传感器分别采集待监测养殖池内不同位置的含氧量和水温以及通过摄像头采集待监测养殖池的不同位置的水位线图像;
将所述待监测养殖池内不同位置的含氧量和水温分别通过包含一维卷积层和全连接层的序列编码器以得到含氧量特征向量和水温特征向量;
将所述含氧量特征向量和所述水温特征向量进行特征关联以得到含氧量-水温关联特征矩阵;
将所述待监测养殖池的不同位置的水位线图像进行三维排列为输入张量后通过使用三维卷积核的卷积神经网络模型以得到水位线特征图;
将所述水位线特征图进行沿通道维度的均值池化处理以得到水位线特征向量;
将所述含氧量-水温关联特征矩阵和所述水位线特征向量进行融合以得到分类特征向量;
对所述分类特征向量进行基于秩序化的位移先验优化以得到优化分类特征向量;
将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测养殖池的养殖环境是否适合养殖水产鱼类。
9.根据权利要求8所述的智能水产养殖控制方法,其特征在于,将所述待监测养殖池内不同位置的含氧量和水温分别通过包含一维卷积层和全连接层的序列编码器以得到含氧量特征向量和水温特征向量,包括:
将所述待监测养殖池内不同位置的含氧量和水温分别排列为第一输入向量和第二输入向量;
使用所述序列编码器的全连接层以如下公式对所述第一输入向量和所述第二输入向量分别进行全连接编码以提取出所述第一输入向量和所述第二输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中/>是所述第一输入向量和所述第二输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘法;以及
使用序列编码器的一维卷积层以如下公式对所述第一输入向量和所述第二输入向量分别进行一维卷积编码以提取出所述第一输入向量和所述第二输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述公式为:其中,/>为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,/>为第一卷积核的尺寸,/>表示所述第一输入向量和所述第二输入向量,/>表示对所述第一输入向量和所述第二输入向量进行一维卷积编码。
10.根据权利要求9所述的智能水产养殖控制方法,其特征在于,将所述含氧量特征向量和所述水温特征向量进行特征关联以得到含氧量-水温关联特征矩阵,用于:使用所述联合编码器以如下关联公式对所述含氧量特征向量和所述水温特征向量进行联合编码以生成所述含氧量-水温关联特征矩阵;
其中,所述关联公式为:其中/>表示向量相乘,/>表示所述含氧量-水温关联特征矩阵,/>表示所述含氧量特征向量,/>表示所述水温特征向量,/>表示所述水温特征向量的转置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311291341.4A CN117170442A (zh) | 2023-10-08 | 2023-10-08 | 智能水产养殖控制系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311291341.4A CN117170442A (zh) | 2023-10-08 | 2023-10-08 | 智能水产养殖控制系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117170442A true CN117170442A (zh) | 2023-12-05 |
Family
ID=88931858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311291341.4A Pending CN117170442A (zh) | 2023-10-08 | 2023-10-08 | 智能水产养殖控制系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117170442A (zh) |
-
2023
- 2023-10-08 CN CN202311291341.4A patent/CN117170442A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Evaluation of fish feeding intensity in aquaculture using a convolutional neural network and machine vision | |
Hu et al. | Real-time detection of uneaten feed pellets in underwater images for aquaculture using an improved YOLO-V4 network | |
CN115761813A (zh) | 基于大数据分析的智能控制系统及方法 | |
CN111709287A (zh) | 基于深度学习的断奶仔猪目标跟踪方法 | |
Wang et al. | Fast detection of cannibalism behavior of juvenile fish based on deep learning | |
Yu et al. | Non-contact weight estimation system for fish based on instance segmentation | |
Isa et al. | CNN transfer learning of shrimp detection for underwater vision system | |
Wen et al. | Lightweight silkworm recognition based on Multi-scale feature fusion | |
CN116295022A (zh) | 一种基于深度学习多参数融合的猪只体尺测量方法 | |
Tengtrairat et al. | Non-intrusive fish weight estimation in turbid water using deep learning and regression models | |
Li et al. | Yield estimation of high-density cotton fields using low-altitude UAV imaging and deep learning | |
Rappazzo et al. | EeLISA: Combating global warming through the rapid analysis of eelgrass wasting disease | |
Li et al. | Intelligent detection and behavior tracking under ammonia nitrogen stress | |
Elmessery et al. | YOLO-based model for automatic detection of broiler pathological phenomena through visual and thermal images in intensive poultry houses | |
CN116091786B (zh) | 猪只估重的全息体尺自编码方法、系统、设备及存储介质 | |
CN117170442A (zh) | 智能水产养殖控制系统及其方法 | |
Qian et al. | Real-time detection of Eichhornia crassipes based on efficient Yolov5 | |
Zhang et al. | Improved YOLOv4 recognition algorithm for pitaya based on coordinate attention and combinational convolution | |
Chen et al. | Feature Refinement Method Based on the Two-Stage Detection Framework for Similar Pest Detection in the Field | |
Han et al. | Mask_LaC R-CNN for measuring morphological features of fish | |
Yu et al. | An automatic detection and counting method for fish lateral line scales of underwater fish based on improved YOLOv5 | |
Wang et al. | Deep learning method for rapidly estimating pig body size | |
Bai-yi et al. | Detection of Ears of Rice in field Based on SSD | |
Zhao | Abnormal Behavior Fish and Population Detection Method based on Deep Learning | |
Zhao et al. | Age estimation of Caenorhabditis elegans with label distribution learning |
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 |