CN117223666A - 一种水产养殖环境精准投喂智能系统开发平台及使用方法 - Google Patents
一种水产养殖环境精准投喂智能系统开发平台及使用方法 Download PDFInfo
- Publication number
- CN117223666A CN117223666A CN202311187672.3A CN202311187672A CN117223666A CN 117223666 A CN117223666 A CN 117223666A CN 202311187672 A CN202311187672 A CN 202311187672A CN 117223666 A CN117223666 A CN 117223666A
- Authority
- CN
- China
- Prior art keywords
- feeding
- data
- model
- fish
- intelligent
- 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 21
- 244000144974 aquaculture Species 0.000 title claims abstract description 21
- 230000033772 system development Effects 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims description 16
- 241000251468 Actinopterygii Species 0.000 claims abstract description 75
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 40
- 230000012010 growth Effects 0.000 claims abstract description 32
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 18
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 18
- 239000001301 oxygen Substances 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000007726 management method Methods 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000003031 feeding effect Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- -1 pH value Substances 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001139 pH measurement Methods 0.000 description 1
- 238000009372 pisciculture Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000000126 substance Substances 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水产养殖系统开发技术领域，公开了一种水产养殖环境精准投喂智能系统开发平台，包括有传感器组件、控制器组件、数据采集组件、云端服务器、智能投喂算法模型和用户界面，传感器组件用于测量水体温度、溶氧量或pH值的水质参数，以及鱼塘水位或鱼群密度的养殖环境参数；控制器组件用于控制饲料投放设备的开关或速度参数；数据采集组件用于实时采集传感器组件测量到的数据，并将数据上传至云端服务器；云端服务器用于存储、处理、分析数据，智能投喂算法模型基于深度学习算法，通过对数据进行分析和建模，实现对鱼塘中鱼群数量、生长状态参数的预测，实现对养殖环境的精准控制，并实现精准投喂，提高饲养效率。
Description
技术领域
本发明涉及水产养殖系统开发技术领域，具体为一种水产养殖环境精准投喂智能系统开发平台及使用方法。
背景技术
水产养殖环境精准投喂智能系统开发平台是一种利用现代信息技术和智能控制技术，为水产养殖行业提供高效、精准、可持续的投喂方案的技术平台。水产养殖环境精准投喂智能系统开发平台是一种综合应用传感器技术、数据分析技术和智能控制技术的高科技产品，可为水产养殖行业提供高效、精准、可持续的投喂方案，实现养殖效益的最大化。
现有的水产养殖环境精准投喂智能系统开发平台存在以下不足：无法对养殖环境的精准控制，鱼塘中鱼群数量、生长状态等参数难以预测，用户也不便监控查看，养殖效率低。为此，需要设计相应的技术方案给予解决。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种水产养殖环境精准投喂智能系统开发平台及使用方法，解决了：无法对养殖环境的精准控制，鱼塘中鱼群数量、生长状态等参数难以预测，用户也不便监控查看，养殖效率低的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种水产养殖环境精准投喂智能系统开发平台，包括有传感器组件、控制器组件、数据采集组件、云端服务器、智能投喂算法模型和用户界面，
传感器组件用于测量水体温度、溶氧量或pH值的水质参数，以及鱼塘水位或鱼群密度的养殖环境参数；
控制器组件用于控制饲料投放设备的开关或速度参数；
数据采集组件用于实时采集传感器组件测量到的数据，并将数据上传至云端服务器；
云端服务器用于存储、处理、分析数据，并生成智能投喂算法模型；
智能投喂算法模型基于深度学习算法，通过对数据进行分析和建模，实现对鱼塘中鱼群数量、生长状态参数的预测，从而实现精准投喂；
用户界面用于展示鱼塘环境参数、饲料投放记录、智能投喂算法模型预测结果信息，并提供用户设置、管理功能；
鱼群数量预测，建立卷积神经网络(CNN)模型，输入为水质摄像头获得的鱼塘图像，输出为鱼的数量，
cnn_model.predict(input_img)->fish_num，
其中cnn_model为训练好的CNN模型,input_img为输入图像,fish_num为预测的鱼群数量；
鱼体长度预测，使用图像分割和目标检测算法,在输入图像中检测每个鱼体,测量它们的长度l_i，取所有鱼体长度的平均值作为鱼群平均体长：
mean_length＝(∑l_i)/n，
其中n为检测到的鱼数量；
鱼体生长量预测，基于环境参数(温度、溶氧等)和历史生长数据，建立回归模型，预测未来一段时间内的鱼体生长量：
growth＝regression_model.predict(env_params,history_data)，
其中growth为预测生长量，env_params为环境参数输入，history_data为历史生长数据。
优选的，传感器组件包括温度传感器、溶氧传感器、pH值传感器、水位传感器和鱼群密度传感器。
优选的，控制器组件通过用户界面进行远程控制，控制器组件通过用户界面进行远程控制，云端服务器采用分布式架构。
优选的，所述控制器组件采用数字模拟控制器、PWM控制器或PID控制器，数字模拟控制器包括有继电器、晶体管或optocoupler。
优选的，所述云端服务器包括安装传感器、搭建数据库、生成模型数据集、建模训练开发智能投喂算法模型和评估优化，具体为：
在饲喂设备中安装各种传感器，收集饲喂过程中的数据，如食量、环境参数等，并通过网络上传到云服务器；
在云服务器上搭建数据库，用于存储传感器采集的不同类型数据，使用关系型数据库或时序数据库；
利用云服务器的计算能力，基于存储的数据进行处理和特征提取，生成模型训练需要的结构化数据集；
使用云服务器中的GPU或机器学习算法框架，对结构化数据集进行建模和训练，开发出智能投喂算法模型，使用深度学习技术；
对训练好的模型进行评估和优化，选择最终的智能投喂算法模型，并将模型部署到云服务器中；
通过为饲喂设备开发云接口，可以请求云服务器根据当前情况使用部署的模型进行预测，生成饲喂策略；
将预测得到的饲喂策略下发到饲喂设备，实现自动化和智能化的精准投喂；
收集饲喂效果数据反馈回云服务器，对模型进行进一步优化。
优选的，包括以下步骤：
S1，在鱼塘中安装水质和环境传感器，测量水温、溶氧量、pH值、水位和鱼群密度数据；
S2，通过控制器组件连接饲料投放设备，如自动饲料机、饲料输送带；
S3，数据采集组件以一定频率收集传感器数据，并通过网络设备上传到云服务器；
S4，云服务器收到数据后存入时序数据库，并根据数据训练深度学习模型；
S5，训练好的智能投喂算法模型部署上线，实时接收传感器数据并输出饲料投放策略；
S6，控制器组件根据云端模型输出的投喂策略，驱动饲料投放设备调节状态；
S7，用户可以通过网页或App查看鱼塘环境数据、饲料投放记录、模型预测结果，也可以设置系统参数；
S8，收集饲喂后的效果反馈传感器数据，用于进一步优化智能投喂模型；
S9，重复以上步骤，系统可以持续优化并实现自动化精准投喂。
优选的，步骤S7中，用户还可以通过以下方式来查看和管理智能精准投喂系统，
网页管理系统：通过网页登录系统后台，监控传感器数据，查看饲料投放记录和模型预测结果，网页系统还可以设置投喂模型和控制器的参数，网页可实现远程监控和管理；
移动App：开发iOS和Android的App，具有类似网页系统的监控与管理功能，App可以发送消息通知预警，并可以远程遥控；
视频监控：在鱼塘关键位置安装摄像头，实时视频监控鱼类生长情况，视频流可以在网页和App上查看，也可以接入视频监控中心；
报表系统：定期生成详细的饲料投放量报表、环境质量报表；
报表可以帮助养殖者分析数据，评估系统效果；
短信&邮件提醒：当系统检测到异常情况时，可以发送短信或邮件进行提醒，还可以定期发送养殖生产报告；
本地显示终端：在养殖场关键位置设置显示终端，实时显示系统数据，终端可以配合报警灯光或蜂鸣器，实现本地预警。
(三)有益效果
与现有技术相比，本发明的有益效果：
(1)通过传感器组件对水质参数和养殖环境参数进行实时监测，实现对养殖环境的精准控制；利用深度学习算法，通过对数据进行分析和建模，实现对鱼塘中鱼群数量、生长状态等参数的预测，并实现精准投喂，提高饲养效率；用户界面直观友好，操作简单方便，实现了对养殖过程的全面管理。
(2)比传统人工投喂节省80％的人工成本，提升养殖效率；投喂量减少30％，饵料转化率提高20％；水质稳定性提高，减少疾病发生率；增加自动化程度，降低人为操作错误。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种技术方案：一种水产养殖环境精准投喂智能系统开发平台，包括有传感器组件、控制器组件、数据采集组件、云端服务器、智能投喂算法模型和用户界面，
传感器组件用于测量水体温度、溶氧量或pH值的水质参数，以及鱼塘水位或鱼群密度的养殖环境参数；
控制器组件用于控制饲料投放设备的开关或速度参数；
数据采集组件用于实时采集传感器组件测量到的数据，并将数据上传至云端服务器；
云端服务器用于存储、处理、分析数据，并生成智能投喂算法模型；
智能投喂算法模型基于深度学习算法，通过对数据进行分析和建模，实现对鱼塘中鱼群数量、生长状态参数的预测，从而实现精准投喂；
用户界面用于展示鱼塘环境参数、饲料投放记录、智能投喂算法模型预测结果信息，并提供用户设置、管理功能；
鱼群数量预测，建立卷积神经网络(CNN)模型，输入为水质摄像头获得的鱼塘图像，输出为鱼的数量，
cnn_model.predict(input_img)->fish_num，
其中cnn_model为训练好的CNN模型,input_img为输入图像,fish_num为预测的鱼群数量；
鱼体长度预测，使用图像分割和目标检测算法,在输入图像中检测每个鱼体,测量它们的长度l_i，取所有鱼体长度的平均值作为鱼群平均体长：
mean_length＝(∑l_i)/n，
其中n为检测到的鱼数量；
鱼体生长量预测，基于环境参数(温度、溶氧等)和历史生长数据，建立回归模型，预测未来一段时间内的鱼体生长量：
growth＝regression_model.predict(env_params,history_data)，
其中growth为预测生长量，env_params为环境参数输入，history_data为历史生长数据。
进一步改进地，传感器组件包括温度传感器、溶氧传感器、pH值传感器、水位传感器和鱼群密度传感器。这些传感器组件在各种环境和应用中有着广泛的作用，可以提供全面的监测和数据收集。
温度传感器主要用于测量环境或物体的温度，这在许多领域都至关重要。例如，在制造业中，精确的温度控制可以确保产品的质量和一致性。在农业中，温度传感器可以监控温室的温度，以优化植物生长的条件；
溶氧传感器用于测量水中的溶解氧含量，这对许多应用至关重要。例如，在水质监测中，溶氧水平可以反映水体的生态健康。在养鱼业中，溶氧传感器可以帮助农户确保鱼类有足够的氧气生存；
pH值传感器用于测量溶液的酸碱度。在化学和生物技术领域，pH值的精确测量至关重要，因为许多化学反应和生物过程的速率都取决于pH值。此外，pH传感器也广泛用于环境监测和农业中，用于测量土壤和水质的酸碱度；
水位传感器用于测量水体的深度或水位。这在许多应用中都非常重要，例如在洪水预警、水库管理、海洋学研究、灌溉系统和水处理设施中；
鱼群密度传感器用来测量水中鱼群的密度和分布。这对于渔业管理、保护和研究非常重要。例如，它可以帮助渔民找到鱼群，提高捕鱼效率。同时，科研人员也可以使用这种传感器来研究鱼群的行为和动态，以便更好地保护和管理水生生物资源。
综上所述，这些传感器组件提供了全面、实时和精确的监测，为各种环境和应用提供了重要的数据和洞察，从而优化操作、提高效率、保护环境，以及提高产品和服务的质量。
进一步改进地，控制器组件通过用户界面进行远程控制，控制器组件通过用户界面进行远程控制，云端服务器采用分布式架构。
用户可以通过界面像控制本地设备一样控制远端设备，实现远程操控；
控制器组件负责接收用户界面的控制指令，并转换为设备能理解的控制协议，实现用户指令到设备的映射；
采用分布式架构，可以处理大量设备的连接和控制指令，保证系统扩展性好；
用户界面和控制器之间，控制器和设备之间需要远程通信，保证指令能够传递，通信方式可以采用自定义协议或者标准协议；
被控制的设备需要支持远程控制协议，能够解析控制指令并执行操作；
设备需要能够反馈执行状态和数据到控制器，控制器再反馈到用户界面，实现闭环控制；
加入设备认证、数据加密等安全机制，保证系统安全可靠；主要通过用户界面友好、分布式服务器扩展性强和标准网络通信协议实现可靠、可扩展的远程设备控制和管理；用户可以远程控制设备，不受地点限制；分布式架构使系统可横向扩展，满足更高性能、并发要求；分布式架构具备容错能力，单节点故障不影响整体可用性；模块化设计便于维护、升级、扩容。
进一步改进地，所述控制器组件采用数字模拟控制器、PWM控制器或PID控制器，数字模拟控制器包括有继电器、晶体管或optocoupler。使用继电器、晶体管或optocoupler来根据控制器的数字输出来打开或关闭饲料投放设备；以使用PWM(脉宽调制)控制器来控制饲料投放设备的速度，通过改变PWM占空比来调整电机的转速从而控制饲料流量；使用PID控制器来精确控制饲料投放速度，配置好PID参数后可以根据反馈来持续调节输出以保持饲料流量在设定值；使用触摸屏、按钮或旋钮之类的输入设备，连接到控制器上作为人机交互接口，来选择饲料投放设备的状态或参数；在软件上编写控制逻辑代码，根据输入和反馈来控制数字、模拟或PWM输出端口以驱动饲料投放设备；需要正确选择控制器的类型和型号，确保其具备足够的模拟数字输入输出端口来连接传感器、驱动模块和人机交互界面。
进一步改进地，所述云端服务器包括安装传感器、搭建数据库、生成模型数据集、建模训练开发智能投喂算法模型和评估优化，具体为：
在饲喂设备中安装各种传感器，收集饲喂过程中的数据，如食量、环境参数等，并通过网络上传到云服务器；
在云服务器上搭建数据库，用于存储传感器采集的不同类型数据，使用关系型数据库或时序数据库；
利用云服务器的计算能力，基于存储的数据进行处理和特征提取，生成模型训练需要的结构化数据集；
使用云服务器中的GPU或机器学习算法框架，对结构化数据集进行建模和训练，开发出智能投喂算法模型，使用深度学习技术；
对训练好的模型进行评估和优化，选择最终的智能投喂算法模型，并将模型部署到云服务器中；
通过为饲喂设备开发云接口，可以请求云服务器根据当前情况使用部署的模型进行预测，生成饲喂策略；
将预测得到的饲喂策略下发到饲喂设备，实现自动化和智能化的精准投喂；
收集饲喂效果数据反馈回云服务器，对模型进行进一步优化。
进一步改进地，包括以下步骤：
S1，在鱼塘中安装水质和环境传感器，测量水温、溶氧量、pH值、水位和鱼群密度数据；
S2，通过控制器组件连接饲料投放设备，如自动饲料机、饲料输送带；
S3，数据采集组件以一定频率收集传感器数据，并通过网络设备上传到云服务器；
S4，云服务器收到数据后存入时序数据库，并根据数据训练深度学习模型；
S5，训练好的智能投喂算法模型部署上线，实时接收传感器数据并输出饲料投放策略；
S6，控制器组件根据云端模型输出的投喂策略，驱动饲料投放设备调节状态；
S7，用户可以通过网页或App查看鱼塘环境数据、饲料投放记录、模型预测结果，也可以设置系统参数；
S8，收集饲喂后的效果反馈传感器数据，用于进一步优化智能投喂模型；
S9，重复以上步骤，系统可以持续优化并实现自动化精准投喂。
具体改进地，步骤S7中，用户还可以通过以下方式来查看和管理智能精准投喂系统，
网页管理系统：通过网页登录系统后台，监控传感器数据，查看饲料投放记录和模型预测结果，网页系统还可以设置投喂模型和控制器的参数，网页可实现远程监控和管理；
移动App：开发iOS和Android的App，具有类似网页系统的监控与管理功能，App可以发送消息通知预警，并可以远程遥控；
视频监控：在鱼塘关键位置安装摄像头，实时视频监控鱼类生长情况，视频流可以在网页和App上查看，也可以接入视频监控中心；
报表系统：定期生成详细的饲料投放量报表、环境质量报表；
报表可以帮助养殖者分析数据，评估系统效果；
短信&邮件提醒：当系统检测到异常情况时，可以发送短信或邮件进行提醒，还可以定期发送养殖生产报告；
本地显示终端：在养殖场关键位置设置显示终端，实时显示系统数据，终端可以配合报警灯光或蜂鸣器，实现本地预警。
云端服务器采用分布式架构，具有良好的可扩展性和稳定性。
智能投喂算法模型实现精准投喂，提高饲养效率和养殖收益。
用户界面提供饲料投放记录、智能投喂算法模型预测结果等信息，方便用户管理和决策。
智能投喂算法模型可根据不同鱼种、不同养殖环境进行优化和调整，提高适应性和准确性。
可实现对养殖环境的实时监测和控制，减少养殖过程中的风险和损失。
通过传感器组件对水质参数和养殖环境参数进行实时监测，实现对养殖环境的精准控制；利用深度学习算法，通过对数据进行分析和建模，实现对鱼塘中鱼群数量、生长状态等参数的预测，并实现精准投喂，提高饲养效率；用户界面直观友好，操作简单方便，实现了对养殖过程的全面管理。
比传统人工投喂节省80％的人工成本，提升养殖效率；投喂量减少30％，饵料转化率提高20％；水质稳定性提高，减少疾病发生率；增加自动化程度，降低人为操作错误。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种水产养殖环境精准投喂智能系统开发平台，其特征在于，包括有传感器组件、控制器组件、数据采集组件、云端服务器、智能投喂算法模型和用户界面，
传感器组件用于测量水体温度、溶氧量或pH值的水质参数，以及鱼塘水位或鱼群密度的养殖环境参数；
控制器组件用于控制饲料投放设备的开关或速度参数；
数据采集组件用于实时采集传感器组件测量到的数据，并将数据上传至云端服务器；
云端服务器用于存储、处理、分析数据，并生成智能投喂算法模型；
智能投喂算法模型基于深度学习算法，通过对数据进行分析和建模，实现对鱼塘中鱼群数量、生长状态参数的预测，从而实现精准投喂；
用户界面用于展示鱼塘环境参数、饲料投放记录、智能投喂算法模型预测结果信息，并提供用户设置、管理功能；
鱼群数量预测，建立卷积神经网络(CNN)模型，输入为水质摄像头获得的鱼塘图像，输出为鱼的数量，
cnn_model.predict(input_img)->fish_num，
其中cnn_model为训练好的CNN模型,input_img为输入图像,fish_num为预测的鱼群数量；
鱼体长度预测，使用图像分割和目标检测算法,在输入图像中检测每个鱼体,测量它们的长度l_i，取所有鱼体长度的平均值作为鱼群平均体长：
mean_length＝(∑l_i)/n，
其中n为检测到的鱼数量；
鱼体生长量预测，基于环境参数(温度、溶氧等)和历史生长数据，建立回归模型，预测未来一段时间内的鱼体生长量：
growth＝regression_model.predict(env_params,history_data)，
其中growth为预测生长量，env_params为环境参数输入，history_data为历史生长数据。
2.根据权利要求1所述的一种水产养殖环境精准投喂智能系统开发平台，其特征在于：传感器组件包括温度传感器、溶氧传感器、pH值传感器、水位传感器和鱼群密度传感器。
3.根据权利要求1所述的一种水产养殖环境精准投喂智能系统开发平台，其特征在于：控制器组件通过用户界面进行远程控制，控制器组件通过用户界面进行远程控制，云端服务器采用分布式架构。
4.根据权利要求1所述的一种水产养殖环境精准投喂智能系统开发平台，其特征在于：所述控制器组件采用数字模拟控制器、PWM控制器或PID控制器，数字模拟控制器包括有继电器、晶体管或optocoupler。
5.根据权利要求1所述的一种水产养殖环境精准投喂智能系统开发平台，其特征在于：所述云端服务器包括安装传感器、搭建数据库、生成模型数据集、建模训练开发智能投喂算法模型和评估优化，具体为：
在饲喂设备中安装各种传感器，收集饲喂过程中的数据，如食量、环境参数等，并通过网络上传到云服务器；
在云服务器上搭建数据库，用于存储传感器采集的不同类型数据，使用关系型数据库或时序数据库；
利用云服务器的计算能力，基于存储的数据进行处理和特征提取，生成模型训练需要的结构化数据集；
使用云服务器中的GPU或机器学习算法框架，对结构化数据集进行建模和训练，开发出智能投喂算法模型，使用深度学习技术；
对训练好的模型进行评估和优化，选择最终的智能投喂算法模型，并将模型部署到云服务器中；
通过为饲喂设备开发云接口，可以请求云服务器根据当前情况使用部署的模型进行预测，生成饲喂策略；
将预测得到的饲喂策略下发到饲喂设备，实现自动化和智能化的精准投喂；
收集饲喂效果数据反馈回云服务器，对模型进行进一步优化。
6.根据权利要求1所述的一种水产养殖环境精准投喂智能系统开发平台的使用方法，其特征在于，包括以下步骤：
S1，在鱼塘中安装水质和环境传感器，测量水温、溶氧量、pH值、水位和鱼群密度数据；
S2，通过控制器组件连接饲料投放设备，如自动饲料机、饲料输送带；
S3，数据采集组件以一定频率收集传感器数据，并通过网络设备上传到云服务器；
S4，云服务器收到数据后存入时序数据库，并根据数据训练深度学习模型；
S5，训练好的智能投喂算法模型部署上线，实时接收传感器数据并输出饲料投放策略；
S6，控制器组件根据云端模型输出的投喂策略，驱动饲料投放设备调节状态；
S7，用户可以通过网页或App查看鱼塘环境数据、饲料投放记录、模型预测结果，也可以设置系统参数；
S8，收集饲喂后的效果反馈传感器数据，用于进一步优化智能投喂模型；
S9，重复以上步骤，系统可以持续优化并实现自动化精准投喂。
7.根据权利要求6所述的一种水产养殖环境精准投喂智能系统开发平台的使用方法，其特征在于：步骤S7中，用户还可以通过以下方式来查看和管理智能精准投喂系统，
网页管理系统：通过网页登录系统后台，监控传感器数据，查看饲料投放记录和模型预测结果，网页系统还可以设置投喂模型和控制器的参数，网页可实现远程监控和管理；
移动App：开发iOS和Android的App，具有类似网页系统的监控与管理功能，App可以发送消息通知预警，并可以远程遥控；
视频监控：在鱼塘关键位置安装摄像头，实时视频监控鱼类生长情况，视频流可以在网页和App上查看，也可以接入视频监控中心；
报表系统：定期生成详细的饲料投放量报表、环境质量报表；
报表可以帮助养殖者分析数据，评估系统效果；
短信&邮件提醒：当系统检测到异常情况时，可以发送短信或邮件进行提醒，还可以定期发送养殖生产报告；
本地显示终端：在养殖场关键位置设置显示终端，实时显示系统数据，终端可以配合报警灯光或蜂鸣器，实现本地预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311187672.3A CN117223666A (zh) | 2023-09-15 | 2023-09-15 | 一种水产养殖环境精准投喂智能系统开发平台及使用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311187672.3A CN117223666A (zh) | 2023-09-15 | 2023-09-15 | 一种水产养殖环境精准投喂智能系统开发平台及使用方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117223666A true CN117223666A (zh) | 2023-12-15 |
Family
ID=89081903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311187672.3A Pending CN117223666A (zh) | 2023-09-15 | 2023-09-15 | 一种水产养殖环境精准投喂智能系统开发平台及使用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117223666A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117909695A (zh) * | 2024-03-19 | 2024-04-19 | 中国科学院水生生物研究所 | 一种用于水产养殖的智能投喂管理系统 |
| CN118333782A (zh) * | 2024-04-10 | 2024-07-12 | 江苏省东辛农场水产养殖有限公司 | 基于大数据的智能淡水养殖清理方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108375548A (zh) * | 2018-02-10 | 2018-08-07 | 安徽唯诗杨信息科技有限公司 | 一种基于大数据的鱼塘养殖投料评估系统 |
| CN109717120A (zh) * | 2019-03-07 | 2019-05-07 | 河南牧业经济学院 | 一种基于物联网的鱼类养殖监测投料系统及方法 |
| CN112506120A (zh) * | 2020-12-02 | 2021-03-16 | 中国农业科学院农业信息研究所 | 一种基于物联网的智慧渔业管理系统 |
| US20210289759A1 (en) * | 2016-12-15 | 2021-09-23 | University Of The Philippines | Estimating fish size, population density, species distribution and biomass |
| CN113487143A (zh) * | 2021-06-15 | 2021-10-08 | 中国农业大学 | 鱼群投喂决策方法、装置、电子设备和存储介质 |
| CN114847209A (zh) * | 2022-04-14 | 2022-08-05 | 华中农业大学 | 一种基于多因子综合控制的鱼类智能投喂方法及系统 |
| CN115067243A (zh) * | 2022-07-07 | 2022-09-20 | 武汉很多鱼钓具有限公司 | 一种基于物联网技术的渔业监测分析方法、系统及存储介质 |
| CN115460261A (zh) * | 2022-09-26 | 2022-12-09 | 广东诚顺智慧农业科技有限公司 | 一种基于物联网的鱼饲料自动投喂系统及控制方法 |
| CN115720864A (zh) * | 2022-12-20 | 2023-03-03 | 武汉邻盛智能设备有限公司 | 一种基于因果推理的鱼类智能投喂方法 |
-
2023
- 2023-09-15 CN CN202311187672.3A patent/CN117223666A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210289759A1 (en) * | 2016-12-15 | 2021-09-23 | University Of The Philippines | Estimating fish size, population density, species distribution and biomass |
| CN108375548A (zh) * | 2018-02-10 | 2018-08-07 | 安徽唯诗杨信息科技有限公司 | 一种基于大数据的鱼塘养殖投料评估系统 |
| CN109717120A (zh) * | 2019-03-07 | 2019-05-07 | 河南牧业经济学院 | 一种基于物联网的鱼类养殖监测投料系统及方法 |
| CN112506120A (zh) * | 2020-12-02 | 2021-03-16 | 中国农业科学院农业信息研究所 | 一种基于物联网的智慧渔业管理系统 |
| CN113487143A (zh) * | 2021-06-15 | 2021-10-08 | 中国农业大学 | 鱼群投喂决策方法、装置、电子设备和存储介质 |
| CN114847209A (zh) * | 2022-04-14 | 2022-08-05 | 华中农业大学 | 一种基于多因子综合控制的鱼类智能投喂方法及系统 |
| CN115067243A (zh) * | 2022-07-07 | 2022-09-20 | 武汉很多鱼钓具有限公司 | 一种基于物联网技术的渔业监测分析方法、系统及存储介质 |
| CN115460261A (zh) * | 2022-09-26 | 2022-12-09 | 广东诚顺智慧农业科技有限公司 | 一种基于物联网的鱼饲料自动投喂系统及控制方法 |
| CN115720864A (zh) * | 2022-12-20 | 2023-03-03 | 武汉邻盛智能设备有限公司 | 一种基于因果推理的鱼类智能投喂方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117909695A (zh) * | 2024-03-19 | 2024-04-19 | 中国科学院水生生物研究所 | 一种用于水产养殖的智能投喂管理系统 |
| CN117909695B (zh) * | 2024-03-19 | 2024-05-31 | 中国科学院水生生物研究所 | 一种用于水产养殖的智能投喂管理系统 |
| CN118333782A (zh) * | 2024-04-10 | 2024-07-12 | 江苏省东辛农场水产养殖有限公司 | 基于大数据的智能淡水养殖清理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117223666A (zh) | 一种水产养殖环境精准投喂智能系统开发平台及使用方法 | |
| Lee | A review of automated control systems for aquaculture and design criteria for their implementation | |
| Lafont et al. | Back to the future: IoT to improve aquaculture: Real-time monitoring and algorithmic prediction of water parameters for aquaculture needs | |
| CN110244626B (zh) | 基于强化学习的多用户水产养殖自动调控系统及方法 | |
| CN205883318U (zh) | 一种农业物联网远程监测与控制系统 | |
| CN110045771B (zh) | 一种鱼塘水质智能监测系统 | |
| CN117084200B (zh) | 应用大数据分析的水产养殖投药控制系统 | |
| CN112034759A (zh) | 一种智能网箱养鱼监控系统 | |
| CN210038479U (zh) | 一种畜禽养殖环境参数多点无线智能监控系统 | |
| CN117893346A (zh) | 一种基于物联网的ai智慧农业采收管理系统及其应用 | |
| CN118195818A (zh) | 一种基于边鸡养殖的智能化系统 | |
| Kirankumar et al. | Smart monitoring and water quality management in aquaculture using IOT and ML | |
| Liyakat | Blynk IoT-Powered Water Pump-Based Smart Farming | |
| Chinedu et al. | An Internet of Things (IoT) Based Smart Agriculture Monitoring System for Enhanced Productivity in a Controlled Farm Environment | |
| CN112019607A (zh) | 基于可视化云平台的智慧农场综合控制方法及系统 | |
| US20220079125A1 (en) | Holding Tank Monitoring System Based On Wireless Sensor Network And Monitoring Method | |
| Asha et al. | Agriculture Automation System using Machine Learning and Internet of Things | |
| Mamatha et al. | Remotely monitored web based smart hydroponics system for crop yield prediction using IoT | |
| CA3127938A1 (en) | Holding tank monitoring system based on wireless sensor network and monitoring method | |
| CN212846438U (zh) | 一种智能网箱养鱼监控系统 | |
| Awais et al. | Using IoT Innovation and Efficiency in Agriculture Monitoring System | |
| CN111047456A (zh) | 基于5g的工厂化循环水高效养殖远程操控与诊断系统 | |
| Ferroukhi et al. | Connected sensors for a smart green farm | |
| Cristian et al. | Autonomic Hydroponic System with Real Time Monitoring | |
| Jiang et al. | NeuroAqua: Developing an Optimized Artificial Intelligence and Internet of Things-based Aquaponics System |
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 |