CN117617168A - 一种渔业精准投喂系统 - Google Patents
一种渔业精准投喂系统 Download PDFInfo
- Publication number
- CN117617168A CN117617168A CN202311580467.3A CN202311580467A CN117617168A CN 117617168 A CN117617168 A CN 117617168A CN 202311580467 A CN202311580467 A CN 202311580467A CN 117617168 A CN117617168 A CN 117617168A
- Authority
- CN
- China
- Prior art keywords
- fish
- feeding
- module
- feed
- underwater
- 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 claims abstract description 120
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 36
- 238000001514 detection method Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000006872 improvement Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000004873 anchoring Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 240000007651 Rubus glaucus Species 0.000 claims description 3
- 235000011034 Rubus glaucus Nutrition 0.000 claims description 3
- 235000009122 Rubus idaeus Nutrition 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012840 feeding operation Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 235000013372 meat Nutrition 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 230000036039 immunity Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000003911 water pollution Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000214 effect on organisms Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material 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
本发明公开了一种渔业精准投喂系统，涉及渔业养殖技术领域，包括：水中识别装置、边缘端服务器、智能投料装置，水中识别装置、边缘端服务器、智能投料装置依次相连；水中识别装置，用于获取含鱼类运动的视频流信息并通过局域网发送至边缘端服务器；边缘端服务器，用于通过预训练的YOLOv8网络对视频流信息中的目标鱼类进行识别并计数，确定不同区域的目标鱼类的实时比例，获取不同区域的饲料用量数据并发送至对应的智能投料装置；智能投料装置，基于接收的饲料用量数据完成投喂。本发明使用深度学习计算机视觉技术，较为精准地通过各区域鱼的分布来投料；通过智能精准投喂的方式节省鱼饲料，防止过量投料带来的水质污染。
Description
技术领域
本发明涉及渔业养殖技术领域，更具体的说是涉及一种渔业精准投喂系统。
背景技术
目前我国大部分养殖场采用人工投喂的方式，平均100亩地需要一名技术人员。人工投喂饲料主要依靠工人的工作经验，通过对鱼群数量的大致估计，不同鱼类的食用饲料情况、快慢、多少来大致计算所需要投喂的饲料重量。人工投喂不仅会增加生产成本还与鱼类对饲料量的需求存在一定偏差，并且对工作人员的经验丰富程度和熟练程度有较高要求。同时在全面信息化和智能化的今天，已经涌现了不少针对智能投喂饲料而研发出的产品。比如定时定点投喂系统，操作人员可以在平台上预先设计好投喂时间和投喂的重量。不过与此同时操作人员还需要在一段时间后根据鱼类的生长状况重新修改投喂的时间、次数以及投喂饲料的重量，但依然无法实现全面的自动化投料。虽然市面上已经出现了部分投喂机器可以通过调整投喂速率、投喂范围来减少工作人员的工作量以及饲料袋的使用，但常为了鱼类充分生长而过量投料造成饲料浪费，增加了饲料成本与水质保障的压力。
在实际渔业养殖中，鱼塘常出现鱼分布不均的问题，尤其在大范围水域这个现象更为明显，而通常人们会采取水域内平均且过量的投料策略，这会使得饲料浪费而增加成本，同时，没被食用的鱼饲料还会造成水体富营养化，污染水质，影响鱼的生存环境，使得鱼的病死率增加。
因此，如何综合各区域鱼的分布、鱼的生长规律、日期、温度、饲料种类等因素，构建出一套能够精准且科学地进行投喂的自动化系统是本领域技术人员亟需解决的技术问题。
发明内容
有鉴于此，本发明提供了一种渔业精准投喂系统，使用深度学习计算机视觉技术，较为精准地通过各区域鱼的分布来投料；通过智能精准投喂的方式节省鱼饲料，防止过量投料带来的水质污染。
为了实现上述目的，本发明提供如下技术方案：
一种渔业精准投喂系统，包括：水中识别装置、边缘端服务器、智能投料装置，水中识别装置、边缘端服务器、智能投料装置依次相连；
水中识别装置，用于获取含鱼类运动的视频流信息并通过局域网发送至边缘端服务器；
边缘端服务器，用于通过预训练的YOLOv8网络对视频流信息中的目标鱼类进行识别并计数，确定不同区域的目标鱼类的实时比例，获取不同区域的饲料用量数据并发送至对应的智能投料装置；
智能投料装置，基于接收的饲料用量数据完成投喂。
可选的，水中识别装置包括用于供电与数据传输的水上部分、用于获取视频流信息的水下部分；
水上部分包括：用于监测水面情况的水上摄像头、对水上摄像头进行供电的电能供应模块、对水上摄像头所采集数据进行暂存和无线发送的通信模块；
水下部分包括：用于获取水下图像信息的水下摄像头、用于稳定水下摄像头的锚定装置。
可选的，电能供应模块包括依次连接的太阳能电池板、蓄电池和降压供电模块，降压供电模块的输出端与水上摄像头相连。
可选的，通信模块为树莓派picow开发板。
可选的，边缘端服务器包括：图像获取模块、模型改进模块、计数模块、饲料用量确定模块；
图像获取模块，用于从视频流信息中选取具有一条或多条完整轮廓的目标鱼类图像，对目标鱼类图像进行清洗并以整尾鱼、鱼头、鱼尾完成图像标注，获得预处理图像；
模型改进模块，用于对选取的YOLOv8基本模型进行改进，得到预训练的YOLOv8网络；
计数模块，通过预训练的YOLOv8网络对每一帧预处理图像进行识别，获取每一区域中的目标鱼类尾数并确定不同区域的目标鱼类的实时比例；
饲料用量确定模块，基于目标鱼类在不同时期生长所需的饲料量和数学模型，获取各区域的饲料用量数据。
可选的，模型改进模块包括：注意力机制引入子模块、损失函数调整子模块、抗噪子模块；
注意力机制引入子模块，用于在YOLOv8基本模型的Neck部分中的连接层和卷积层之间添加SimAM注意力模块，统一权值；
损失函数调整子模块，用于将YOLOv8基本模型中的小目标检测层的损失权重降低，将中目标检测层、大目标检测层的损失权重提高；
抗噪子模块，通过在模型训练时使用Label Smoothing策略，得到预训练的YOLOv8网络。
可选的，计数模块包括：局部优选子模块、平均子模块、比例获取子模块；
局部优选子模块，基于鱼头、鱼尾和整尾鱼三种类型对每一帧图像进行识别并计数，取三者的最大值作为该帧视频的鱼数；
平均子模块，用于将视频流中的鱼数与视频流的总帧数取平均，得到各个局部区域的平均鱼数；
比例获取子模块，基于各个局部区域的平均鱼数，得到每一个局部区域总鱼数占鱼塘鱼苗总数的比例。
可选的，饲料用量确定模块获取的各区域的饲料用量数据表示为：
Qi＝kapRi(i＝1,2,3,…,m)；
式中：Qi表示第i个区域的投料量；k表示饲料系数，即生产单位质量鱼肉所需要的饲料投放量；a表示饲料的搭配比例，p表示鱼塘内的计划鱼产量，Ri表示第i个区域的目标鱼类的实时比例。
可选的，智能投料装置包括：上位机、投料机；
上位机，用于在设定的投放时间向投料机发出投料指令，通过控制投料机的工作时间和方向进行投料数量和投料位置的控制；
投料机，基于投料指令完成投料操作。
经由上述的技术方案可知，与现有技术相比，本发明提供了一种渔业精准投喂系统，通过对养殖水域进行分区并在每一块水域部署水中识别装置，通过摄像头获取水下鱼类活动视频信息并通过无线网络将数据传输至边缘端服务器，利用预训练的神经网络对视频流信息进行识别并计数，确定不同区域的目标鱼类的实时比例，按照数学模型给出不同区域的饲料用量并传输至投料机。本发明使用深度学习计算机视觉技术，能够较为精准地通过各区域鱼的分布来投料，具有智能化的优点；通过智能精准投喂的方式，节省了鱼饲料，同时能够防止过量投料带来的水质污染，水上部分采取太阳能供电模式，进一步节省能源，具有节约和绿色的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的渔业精准投喂系统的结构图；
图2为本发明提供的图像标注示意图；
图3为本发明提供的不同月份鱼饲料大致投喂重量。
具体实施方式
下面将结合本发明实施例中的附图，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。
本发明实施例公开了一种渔业精准投喂系统，如图1所示，包括：水中识别装置、边缘端服务器、智能投料装置，水中识别装置、边缘端服务器、智能投料装置依次相连；
水中识别装置，用于获取含鱼类运动的视频流信息并通过局域网发送至边缘端服务器；
边缘端服务器，用于通过预训练的YOLOv8网络对视频流信息中的目标鱼类进行识别并计数，确定不同区域的目标鱼类的实时比例，获取不同区域的饲料用量数据并发送至对应的智能投料装置；
智能投料装置，基于接收的饲料用量数据完成投喂。
1、水中识别装置
水中识别装置包括用于供电与数据传输的水上部分、用于获取视频流信息的水下部分；
水上部分包括：用于监测水面情况的水上摄像头、对水上摄像头进行供电的电能供应模块、对水上摄像头所采集数据进行暂存和无线发送的通信模块。其中，电能供应模块包括依次连接的太阳能电池板、蓄电池和降压供电模块，降压供电模块的输出端与水上摄像头相连；由于水上平台与岸边的距离较远，从岸上引出电缆进行供电会对水面行船带来不便，本实施例采用太阳能电池板和蓄电池组合的方式对部署在水面的装置进行供电，可以在阴雨天气中保障其电能供应并且很长一段时间不需要维护。通信模块为树莓派picow开发板，可以实现摄像头采集数据的暂存和数据的无线发送，也可以拓展为使用通讯模块进行数据传输。
水下部分包括：用于获取水下图像信息的水下摄像头、用于稳定水下摄像头的锚定装置。锚定装置可以防止水下摄像头在风力、波浪等作用下的位移；水下摄像头可以获取水下的图像信息，为鱼群数量的识别和监测收集相关的数据。
2、边缘端服务器
边缘端服务器通过RTSP协议对水中传来的视频流进行处理，由于需要同一时间段内对多区域的视频流进行处理，因此本实施例对视频流的检测采取多进程并行的方式。
2.1图像获取模块
从视频流信息中选取具有一条或多条完整轮廓的目标鱼类图像，提高所选图像质量，对目标鱼类图像进行清洗并使用在线网站Make Sense对图像进行标注，参照图2将整尾鱼、鱼头、鱼尾分别标注为“fish”、“head”、“tail”，获得预处理图像。
2.2模型改进模块
随着近年来深度学习快速发展，一系列基于卷积神经网络的图像识别模型涌现。在鱼类数量统计领域，学者们针对检测对象与检测环境的不同采取了不同的检测方法。YOLO系列神经网络模型在鱼类检测中有较高的mAP值，YOLOv8模型能够有效处理养殖环境中存在的各种干扰因素，如水波、遮挡、背景杂乱等，提高了鱼类检测和计数的准确性和鲁棒性。由于YOLO系列为one-stage模型，能够更快地对目标图片进行识别响应，可以为养殖户提供实时的反馈；在实际运用中较为成熟，成本较为低廉，因此本实施例选择YOLOv8作为此次深度学习的基本模型。YOLOv8中有n、s、m、l、x五种基本模型，由于本实施例需要对水中目标鱼类进行实时检测，可以选用其中较轻量级的s模型来提高部署速度。
然而，在对多区域的鱼进行检测时，需要满足速度快、抗噪能力强的特点，并且水中的养殖鱼目标大多都是中大目标，因此，本实施例的模型改进模块给出了以下三种改进措施，测试平台均为Windows系统，显卡为RTX3050。
(1)注意力机制引入子模块
在对鱼的数量进行实时检测时，需要多台设备同时向服务器发送视频流信号，容易造成信息超载的问题，而本实施例通过引入注意力机制，可以使输入信息聚焦于更重要的信息，从而提高神经网络模型的检测效率。
SimAM是一种无参数的用于卷积神经网络的注意力机制，是一种能够统一权值的注意力模块。与其他注意力机制相比，SimAM无需向原始网络提供参数，而是在推断特征图的3-D关注权重值。该模块能够避免在结构调整上花费太多精力，在视觉任务中具有灵活性和有效性。
在本实施例中，将SimAM注意力模块添加在YOLOv8s模型的Neck部分中的第十二层(连接层)和第十三层(3*3的卷积层)之间。与YOLOv8s原始模型相比，加入SimAM能够在mAP@.5几乎不变的前提下对检测速度有一定提升，印证了此次改进的可行性。
(2)损失函数调整子模块
鉴于水下对目标鱼类的检测会受到光线不足的限制，对一定距离外的生物的拍摄效果较差，参考意义较差。为进一步提高检测速度，本实施例创新性地在损失函数中，将YOLOv8基本模型中的小目标检测层的损失权重降低，将中目标检测层、大目标检测层的损失权重提高。
具体的，在YOLOv8默认的损失函数中，从最低层(特征尺寸最小)到最高层(特征尺寸最大)的损失权重分别为4.0、1.0和0.4；修改后对应的权重为3.0、2.0和0.8。与YOLOv8s原始模型相比，mAP@.5和运行速度上基本不变，但更改损失函数后的模型的召回率有所提升，有利于对鱼类进行计数时，尽可能完整地检测到目标位置的鱼。
其中，召回率的计算公式如下：
式中：TP表示预测为正样本，实际为正样本；FN表示为预测为负样本，实际为正样本。
(3)抗噪子模块
本实施例需要在水下对鱼类进行检测，而水下环境中获取信息的噪音比较大，因此建立的模型需要有一定的抗噪能力，同时为弥补简单分类中信息熵较少的问题，训练模型时使用Label Smoothing策略。
YOLOv8s原始模型可能存在过拟合的情况，其对于做出的预测有时过于自信，可能会导致预测严重偏离真实的情况。使用Label Smoothing后能够在一定程度上缓解该问题，相当于做了一定程度的数据增强，增强了模型的泛化能力。使用该策略能够提升mAP@.5，印证了该训练策略的可行性。
2.3计数模块
通过预训练的YOLOv8网络对每一帧预处理图像进行识别，获取每一区域中的目标鱼类尾数并确定不同区域的目标鱼类的实时比例。
(1)局部优选子模块
将鱼塘分成m个区域，对于每个区域均提取投料前三分钟的视频流信息进行推理检测，基于鱼头、鱼尾和整尾鱼三种类型对每一帧图像进行识别并计数，取三者的最大值作为该帧视频的鱼数xa(a＝1,2,3,…,t)，其中t为视频流三分钟的总帧数。
(2)平均子模块
将视频流中的鱼数与视频流的总帧数t取平均，得到各个局部区域的平均鱼数ni(i＝1,2,3,…,m)。
(3)比例获取子模块
基于各个局部区域的平均鱼数，得到每一个局部区域总鱼数占鱼塘鱼苗总数的比例，可以表示为：
2.4饲料用量确定模块
确定局部区域鱼苗的总数后，只需知道投放的饲料重量与鱼的线性关系，就可以知道该区域要投放多少饲料。此外需考虑鱼的大小和月份，本实施例所选地投放鱼苗的时间约为每年的3月份。
饲料用量确定模块获取的各区域的饲料用量数据表示为：
Qi＝kapRi(i＝1,2,3,…,m)；
式中：Qi表示第i个区域的投料量；k表示饲料系数，即生产单位质量鱼肉所需要的饲料投放量；a表示饲料的搭配比例，p表示鱼塘内的计划鱼产量，Ri表示第i个区域的目标鱼类的实时比例。
除此之外，鱼饲料的投喂量占年投喂量的比例(参照图3)和投喂频率也会随着月份变化：在3月份投喂年投喂量的1％，在4月份投喂年投喂量的4％，在5月份投喂年投喂量的8％，在6月份投喂年投喂量的15％，在7月份、8月份、9月份均投喂年投喂量的20％，在10月份投喂年投喂量的9％，在11月份投喂年投喂量的3％；且3-6月份每天投食4次，7-9月份每天投食3次，10月份之后每天投食2次。
3、智能投料装置
边缘端服务器对采集到的视频数据进行识别后，会根据估算的鱼群数量和状态生成对应的投料方案，并将其发送至水上终端和养殖管理员的设备中。
智能投料装置包括：上位机、投料机；上位机，用于在设定的投放时间向投料机发出投料指令，通过控制投料机的工作时间和方向进行投料数量和投料位置的控制；投料机，基于投料指令完成投料操作。同时，本实施例支持由养殖人员自行设定投料方案，添加临时投料任务等功能。
除此之外，本实施例主要使用Socket编程接口、TCP传输层协议和RTSP应用层协议。
本实施例主要需要对水下录制的视频文件进行传输。需要进行数据压缩，以减小数据量，提高传输效率。与此同时在选择压缩格式时需要考虑图像质量、传输速度和压缩比等因素。本实施例采用的是TCP传输层协议，由于TCP协议对数据大小有限制，因此需要将压缩后的图像数据进行分包。一般情况下，将图像数据分成固定大小的数据包进行传输。TCP协议是面向连接的协议，传输数据之前需要先建立连接。建立连接后，将数据包发送给接收方，并等待接收方的确认信息。在数据传输过程中，需要考虑数据包的丢失、重传等情况，以保证数据传输的可靠性。对此做出有如下解决方案：
对于图像数据的传输，本实施例采用将数据采集终端(包含一个水下摄像头和无线网接入设备)采集得到的视频数据进行压缩后，通过RTSP推流至水上的转发设备，水上转发设备再将视频流转发至边缘端服务器上，然后由相应的深度学习模型对数据库内的视频进行实时的识别处理，并将最终结果反馈至管理员设备中。
对于图像数据库，在接收到视频数据后，会将其按照发送的IP地址(对应了数据收集装置的编号)进行分类归档，以便于后续的识别处理和数据展示。
同时，为方便用户的使用，可以通过设计相关系统网页进行可视化监测投喂，使用户能实时掌握养殖水域鱼的分布情况与饲料投喂情况。为避免使用者知识水平差异较大的情况，可以在网页中加入人性化的使用说明，便于对系统进行操作，通过在网页中加入相关后续服务与联系方式来保障售后服务。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种渔业精准投喂系统，其特征在于，包括：水中识别装置、边缘端服务器、智能投料装置，水中识别装置、边缘端服务器、智能投料装置依次相连；
水中识别装置，用于获取含鱼类运动的视频流信息并通过局域网发送至边缘端服务器；
边缘端服务器，用于通过预训练的YOLOv8网络对视频流信息中的目标鱼类进行识别并计数，确定不同区域的目标鱼类的实时比例，获取不同区域的饲料用量数据并发送至对应的智能投料装置；
智能投料装置，基于接收的饲料用量数据完成投喂。
2.根据权利要求1所述的一种渔业精准投喂系统，其特征在于，水中识别装置包括用于供电与数据传输的水上部分、用于获取视频流信息的水下部分；
水上部分包括：用于监测水面情况的水上摄像头、对水上摄像头进行供电的电能供应模块、对水上摄像头所采集数据进行暂存和无线发送的通信模块；
水下部分包括：用于获取水下图像信息的水下摄像头、用于稳定水下摄像头的锚定装置。
3.根据权利要求2所述的一种渔业精准投喂系统，其特征在于，电能供应模块包括依次连接的太阳能电池板、蓄电池和降压供电模块，降压供电模块的输出端与水上摄像头相连。
4.根据权利要求2所述的一种渔业精准投喂系统，其特征在于，通信模块为树莓派picow开发板。
5.根据权利要求1所述的一种渔业精准投喂系统，其特征在于，边缘端服务器包括：图像获取模块、模型改进模块、计数模块、饲料用量确定模块；
图像获取模块，用于从视频流信息中选取具有一条或多条完整轮廓的目标鱼类图像，对目标鱼类图像进行清洗并以整尾鱼、鱼头、鱼尾完成图像标注，获得预处理图像；
模型改进模块，用于对选取的YOLOv8基本模型进行改进，得到预训练的YOLOv8网络；
计数模块，通过预训练的YOLOv8网络对每一帧预处理图像进行识别，获取每一区域中的目标鱼类尾数并确定不同区域的目标鱼类的实时比例；
饲料用量确定模块，基于目标鱼类在不同时期生长所需的饲料量和数学模型，获取各区域的饲料用量数据。
6.根据权利要求5所述的一种渔业精准投喂系统，其特征在于，模型改进模块包括：注意力机制引入子模块、损失函数调整子模块、抗噪子模块；
注意力机制引入子模块，用于在YOLOv8基本模型的Neck部分中的连接层和卷积层之间添加SimAM注意力模块，统一权值；
损失函数调整子模块，用于将YOLOv8基本模型中的小目标检测层的损失权重降低，将中目标检测层、大目标检测层的损失权重提高；
抗噪子模块，通过在模型训练时使用Label Smoothing策略，得到预训练的YOLOv8网络。
7.根据权利要求5所述的一种渔业精准投喂系统，其特征在于，计数模块包括：局部优选子模块、平均子模块、比例获取子模块；
局部优选子模块，基于鱼头、鱼尾和整尾鱼三种类型对每一帧图像进行识别并计数，取三者的最大值作为该帧视频的鱼数；
平均子模块，用于将视频流中的鱼数与视频流的总帧数取平均，得到各个局部区域的平均鱼数；
比例获取子模块，基于各个局部区域的平均鱼数，得到每一个局部区域总鱼数占鱼塘鱼苗总数的比例。
8.根据权利要求5所述的一种渔业精准投喂系统，其特征在于，饲料用量确定模块获取的各区域的饲料用量数据表示为：
Qi＝kapRi(i＝1,2,3,…,m)；
式中：Qi表示第i个区域的投料量；k表示饲料系数，即生产单位质量鱼肉所需要的饲料投放量；a表示饲料的搭配比例，p表示鱼塘内的计划鱼产量，Ri表示第i个区域的目标鱼类的实时比例。
9.根据权利要求1所述的一种渔业精准投喂系统，其特征在于，智能投料装置包括：上位机、投料机；
上位机，用于在设定的投放时间向投料机发出投料指令，通过控制投料机的工作时间和方向进行投料数量和投料位置的控制；
投料机，基于投料指令完成投料操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311580467.3A CN117617168A (zh) | 2023-11-24 | 2023-11-24 | 一种渔业精准投喂系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311580467.3A CN117617168A (zh) | 2023-11-24 | 2023-11-24 | 一种渔业精准投喂系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117617168A true CN117617168A (zh) | 2024-03-01 |
Family
ID=90031468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311580467.3A Pending CN117617168A (zh) | 2023-11-24 | 2023-11-24 | 一种渔业精准投喂系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117617168A (zh) |
-
2023
- 2023-11-24 CN CN202311580467.3A patent/CN117617168A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107094683B (zh) | 一种水产养殖的自动投饵和水质监测控制系统 | |
| EP3843542B1 (en) | Optimal feeding based on signals in an aquaculture environment | |
| AU2019101786A4 (en) | Intelligent pig group rearing weighing method and apparatus, electronic device and storage medium | |
| Wang et al. | Intelligent fish farm—the future of aquaculture | |
| CN108875647B (zh) | 一种基于牲畜身份的移动轨迹监测方法和系统 | |
| US20200375155A1 (en) | Feedback feeding system for pond recirculation with fusion of machine vision and infrared detection | |
| WO2019232247A1 (en) | Biomass estimation in an aquaculture environment | |
| JP2021511012A (ja) | 魚測定ステーション管理 | |
| 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 | |
| CN203492583U (zh) | 一种预防南美白对虾养殖水体富营养化的视频监控装置 | |
| CN103858807A (zh) | 基于物联网的投饵机终端 | |
| CN101894220A (zh) | 一种畜禽健康状况数据采集系统 | |
| CN204423134U (zh) | 一机整合多参数水产养殖远程监控系统 | |
| CN110754426B (zh) | 一种背膘膘体自动检测以及动物自动饲喂方法、系统 | |
| US20240040995A1 (en) | Method, apparatus and system for detecting carbon emission-involved gas from ruminant | |
| JPWO2021038753A1 (ja) | 水棲動物検出装置、情報処理装置、端末装置、水棲動物検出システム、水棲動物検出方法、及び水棲動物検出プログラム | |
| CN112931318A (zh) | 一种边云协同的海洋大黄鱼智能化养殖管理系统 | |
| WO2022010816A1 (en) | Splash detection for surface splash scoring | |
| TWM578511U (zh) | Marine farming feed system | |
| CN108605907A (zh) | 一种智能钓鱼方法及装置 | |
| CN117617168A (zh) | 一种渔业精准投喂系统 | |
| CN117095197A (zh) | 基于视觉的鱼类进食状态识别方法、系统、装置和设备 | |
| CN115843733A (zh) | 一种基于机器视觉的河蟹养殖电子食台装置及工作方法 | |
| US20220390275A1 (en) | Underwater camera as light sensor | |
| CN114511801A (zh) | 一种虫害识别模型训练方法、虫害监测方法和电子设备 |
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 |