TWI661770B - 智慧深度學習農漁培養系統 - Google Patents
智慧深度學習農漁培養系統 Download PDFInfo
- Publication number
- TWI661770B TWI661770B TW107118801A TW107118801A TWI661770B TW I661770 B TWI661770 B TW I661770B TW 107118801 A TW107118801 A TW 107118801A TW 107118801 A TW107118801 A TW 107118801A TW I661770 B TWI661770 B TW I661770B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- growth
- deep learning
- crop
- assessment data
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 83
- 238000012549 training Methods 0.000 title claims abstract description 20
- 230000012010 growth Effects 0.000 claims abstract description 164
- 230000007613 environmental effect Effects 0.000 claims abstract description 95
- 230000010365 information processing Effects 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 241000251468 Actinopterygii Species 0.000 claims description 61
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 51
- 238000011156 evaluation Methods 0.000 claims description 37
- 238000007667 floating Methods 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 16
- 244000144974 aquaculture Species 0.000 claims description 14
- 238000009360 aquaculture Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000013136 deep learning model Methods 0.000 claims description 12
- 208000006877 Insect Bites and Stings Diseases 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 9
- 238000003306 harvesting Methods 0.000 claims description 9
- 241000252233 Cyprinus carpio Species 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 6
- 241000894007 species Species 0.000 claims description 6
- 241000881711 Acipenser sturio Species 0.000 claims description 5
- 244000038559 crop plants Species 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 3
- 230000001954 sterilising effect Effects 0.000 claims description 3
- 239000002917 insecticide Substances 0.000 claims description 2
- 230000008635 plant growth Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000004659 sterilization and disinfection Methods 0.000 claims description 2
- 230000009182 swimming Effects 0.000 claims description 2
- 238000004378 air conditioning Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 241000196324 Embryophyta Species 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000009395 breeding Methods 0.000 description 5
- 230000001488 breeding effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 241001519451 Abramis brama Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 239000004069 plant analysis Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000519995 Stachys sylvatica Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000012773 agricultural material Substances 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000009546 growth abnormality Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本發明係揭露一種智慧深度學習農漁培養系統，其包括影像擷取裝置、資訊處理裝置及資訊顯示裝置。影像擷取裝置用以擷取培養區域之生物生長狀態的培養區域影像。資訊處理裝置包含深度學習影像辨識模組，深度學習影像辨識模組建立有複數包含有生物生長狀態以及環境狀態之樣本影像的影像特徵資料庫，深度學習影像辨識模組用以將培養區域影像擷取處理為特徵影像，並將特徵影像與影像特徵資料庫中之各樣本影像進行影像比對分析，並輸出相應的生長評估數據或是環境狀態評估數。資訊顯示裝置用以將生長評估數據或是環境狀態評估數據顯示為生長評估資訊或環境狀態評估資訊，俾能依據生物生長及環境狀態而做出培養環境狀態調變或是相應生長培養應變等處理運作。
Description
本發明係有關一種智慧深度學習農漁培養系統，尤指一種可以依據生物生長及環境狀態而做出培養環境狀態調變或是相應生長培養應變等處理運作的農漁培養技術。
按，植栽或是養殖生長監控雖然是大規模農漁產業中重要的一個環節，但是習知生長監控技術僅是以影像擷取方式來記錄植栽或是養殖的生長狀態而已，而非以影像辨識技術來辨識植栽或是養殖生物之生長狀態，以致僅能以人力觀察方式來辨識植栽或是養殖生物的生長狀態，致使較無法做出較佳的培養環境狀態調變以因應即時的植栽或是養殖的生長狀態，因而造成植栽或是養殖生長誤判與監控不便的困擾情事產生，因此，如何開發出一套以影像辨識技術來辨識植栽或是養殖生物之生長狀態以做出較佳之培養環境狀態改變來因應植栽或是養殖生長狀態的影像監控技術實已成為相關技術領域業者所亟欲解決與挑戰的技術課題。
經本發明人專利檢索後發現，與本案相關的專利前案如下列所述：
1.發明第I495429號『水生物檢測方法』所示的專利，該專利係透過影像辨識方式分析處理，以計算出水中所養殖之魚類的體積差異程度，該專利雖然可以改善大魚吃小魚；或是大魚與小魚爭食飼料所致之
小魚苗生長率低以及存活率不高的情事發生；惟，該專利並非採用基於人工智慧的深度學習影像辨識技術，所以除了必須耗費更多的記憶體資源與辨識運算時間之外，影像辨識成功率亦無法有效提升，以致魚類體積辨識的誤判機率較高。其次，該專利並非是用來辨識魚類的生長及環境狀態，所以依據魚類的生長及環境狀態而做出培養環境狀態調變或是相應生長培養應變等處理運作。
2.發明第I562724號『可養殖分析的智慧水族箱系統及其方法』所示的專利，該專利係透過影像辨識方式分析處理，以判斷出水族物種的魚種及數量，該專利雖然可以依據得到之魚種種類及數量而調整魚類的生存環境參數，如過濾裝置、除菌裝置、水溫控制器等；惟，該專利並非採用基於人工智慧的深度學習影像辨識技術，所以除了必須耗費更多的記憶體資源與辨識運算時間之外，影像辨識成功率亦無法有效提升，以致魚類體積辨識的誤判機率較高。其次，該專利並非是用來辨識魚類的生長及環境狀態，而是依據魚種種類及數量來調整魚類的生存環境參數而已，以致當水中環境驟變時，較無法於第一時間做出緊急的因應處理運作。
3.發明第I570653號『植物症狀的處理方式建議系統、方法與記錄媒體』所示的專利，該專利係透過影像辨識方式分析處理，以辨識出植物是否有異常的症狀出現，該專利雖然可以依據植物分析資料和診斷特徵資料來決定針對異常症狀之植物進行診斷處理與建議；惟，該專利並非採用基於人工智慧的深度學習影像辨識技術，所以除了必須耗費更多的記憶體資源與辨識運算時間之外，影像辨識成功率亦無法有效提升，以致辨識植物是否具有異常症狀的誤判機率較高。其次，該專利並非是用來辨
植物的生長及環境狀態，而是依據植物分析資料和診斷特徵資料來決定針對異常症狀之植物進行診斷處理與建議，以致當植物生長環境驟變時，較無法於第一時間做出緊急的因應處理運作。
有鑑於此，尚未有一種可以依據生物生長及環境狀態做出培養環境狀態調變等處理運作的農漁培養技術的專利或是論文被提出，而且基於相關產業的迫切需求之下，本發明創作人乃經不斷的努力研發之下，終於研發出一套有別於上述習知技術與專利的本發明。
本發明第一目的，在於提供一種智慧深度學習農漁培養系統，主要是藉由人工智慧之深度學習影像辨識技術的建置，以影像辨識出生物生長及環境狀態等評估資訊，再依據該等評估資訊做出培養環境狀態調變或是相應生長培養應變等處理運作，故可有效提升生物培養的成功機率而提升農漁產品的收穫質與量。達成本發明第一目的採用之技術手段，係包括影像擷取裝置、資訊處理裝置及資訊顯示裝置。影像擷取裝置用以擷取培養區域之生物生長狀態的培養區域影像。資訊處理裝置包含深度學習影像辨識模組，深度學習影像辨識模組建立有複數包含有生物生長狀態以及環境狀態之樣本影像的影像特徵資料庫，深度學習影像辨識模組用以將培養區域影像擷取處理為特徵影像，並將特徵影像與影像特徵資料庫中之各樣本影像進行影像比對分析，並輸出相應的生長評估數據或是環境狀態評估數。資訊顯示裝置用以將生長評估數據或是環境狀態評估數據顯示為生長評估資訊或環境狀態評估資訊。
本發明第二目的，在於提供一種藉由主動監控農作物質與量以作為預期收穫評估依據的智慧深度學習農漁培養系統。達成本發明第二目的採用之技術手段，係包括影像擷取裝置、資訊處理裝置及資訊顯示裝
置。影像擷取裝置用以擷取培養區域之生物生長狀態的培養區域影像。資訊處理裝置包含深度學習影像辨識模組，深度學習影像辨識模組建立有複數包含有生物生長狀態以及環境狀態之樣本影像的影像特徵資料庫，深度學習影像辨識模組用以將培養區域影像擷取處理為特徵影像，並將特徵影像與影像特徵資料庫中之各樣本影像進行影像比對分析，並輸出相應的生長評估數據或是環境狀態評估數。資訊顯示裝置用以將生長評估數據或是環境狀態評估數據顯示為生長評估資訊或環境狀態評估資訊。其中，該生物係為農作物，該深度學習影像辨識模組將該培養區域影像包含每一農作物的該特徵影像依序設定一識別碼，該深度學習影像辨識模組係於一時間軸透過複數該培養區域影像以持續監控與記錄各該農作物之體積、顏色、表面缺陷以及數量的其中至少一種生長狀態，以作為該農作物之預期收穫評估的依據。
本發明第三目的，在於提供一種具備農作物生長位置定位與農作物生長異常監控功能的智慧深度學習農漁培養系統，主要是藉由影像定位的機能建置，除了可以有效監控農作物生長位置狀態之外，並可於農作物或環境發生異常狀況的第一時間，做出因應的處理動作，以確保農作物處於較佳的生長環境而提升農作物的收穫品質。達成本發明第三目的採用之技術手段，係包括影像擷取裝置、資訊處理裝置及資訊顯示裝置。影像擷取裝置用以擷取培養區域之生物生長狀態的培養區域影像。資訊處理裝置包含深度學習影像辨識模組，深度學習影像辨識模組建立有複數包含有生物生長狀態以及環境狀態之樣本影像的影像特徵資料庫，深度學習影像辨識模組用以將培養區域影像擷取處理為特徵影像，並將特徵影像與影像特徵資料庫中之各樣本影像進行影像比對分析，並輸出相應的生長評估數據或是環境狀態評估數。資訊顯示裝置用以將生長評估數據或是環境狀態評估數據顯示為生長評估資訊或環境狀態評估資訊。其中，該生物係為
農作物，該深度學習影像辨識模組更建立有一用以建立複數區塊座標定位參數資料的區塊參數資料庫，該深度學習影像辨識模組輸入即時擷取之該培養區域影像時，則進行影像前處理並計算每一該農作物之該特徵影像的重心座標，再將各該重心座標結合該區塊參數資料庫後代入一影像定位法中，以計算出每一該重心座標的實際座標位置；當該培養區域之其中一該農作物生長狀態異常時，該資訊處理裝置則輸出包含有該生物實際座標位置的位置訊號以及代表生長異常的提示訊號至該資訊顯示裝置中，再由該資訊顯示裝置顯示為位置資訊以及提示資訊。
本發明第四目的，在於提供一種具備水上浮台載具功能的智慧深度學習農漁培養系統，主要是藉由浮台載具之設置而可擷取水面與水中影像，經影像辨識後除了可以得到包括魚類數量、魚群種類、魚類群聚位置、魚類生命力評估、魚類活力評估以及魚類尺寸大小等生長評估數據，並可得到包括溫度、位置及水質等數據，藉此推動浮台載具推進至魚類群聚的主要位置上，因而得以依據評估數據而控制魚類的餵食量以及環境設備的運作調控。達成本發明第四目的採用之技術手段，係包括影像擷取裝置、資訊處理裝置及資訊顯示裝置。影像擷取裝置用以擷取培養區域之生物生長狀態的培養區域影像。資訊處理裝置包含深度學習影像辨識模組，深度學習影像辨識模組建立有複數包含有生物生長狀態以及環境狀態之樣本影像的影像特徵資料庫，深度學習影像辨識模組用以將培養區域影像擷取處理為特徵影像，並將特徵影像與影像特徵資料庫中之各樣本影像進行影像比對分析，並輸出相應的生長評估數據或是環境狀態評估數。資訊顯示裝置用以將生長評估數據或是環境狀態評估數據顯示為生長評估資訊或環境狀態評估資訊。其中，該生物係為養殖魚類，該培養區域係為魚塭，該魚塭設置一可漂浮在水面的浮台載具；該資訊顯示裝置包含一具有第一無線傳輸模組的智慧型手機；該資訊處理裝置包含一透過一網路通訊
模組與該智慧型手機訊號連結的雲端伺服器；該浮台載具設置包括有二該影像擷取裝置、一控制模組、一第二無線傳輸模組及一餵食機構；其一該影像擷取裝置設於該浮台載具上方位置，用以擷取該魚塭水面的該培養區域影像；其二該影像擷取裝置設於該浮台載具下方位置，用以擷取該魚塭水中的該培養區域影像，該控制模組透過該第二無線傳輸模組將水面及水中之該培養區域影像傳輸出去；該雲端伺服器透過該網路通訊模組及該智慧型手機接收水面及水中之該培養區域影像，並透過該深度學習影像辨識模組進行影像辨識，再依據影像比對分析結果對該智慧型手機依序輸出該水產養殖生物的該生長評估數據、該魚塭的環境狀態評估數據以及與該生長評估數據及該魚塭的環境狀態評估數據相應的餵食量數據；其中，該生長評估數據係選自魚類數量、魚群種類、魚類群聚位置、魚類生命力評估、魚類活力評估以及魚類尺寸大小的其中至少一種數據；該智慧型手機接收到該生長評估數據、該環境狀態評估數據及餵食量數據時，則於一顯示幕顯示該生長評估資訊、該環境狀態評估資訊及餵食量資訊，並透過該第二無線傳輸模組及該第一無線傳輸模組將該餵食量資訊之指令傳輸至該控制模組中，再由該控制模組依據該指令而調變控制該餵食機構的飼料餵食量。該浮台載具設置更包括有一設於該浮台載具下方位置用以感測水中溫度而產生溫度感測訊號的溫度感測器、一設於該浮台載具下方位置用以感測水質狀態而產生水質感測訊號的水質感測器、一設於該浮台載具上方位置用以感測該浮台載具所處位置訊號的位置定位模組及一可受該控制模組的驅動而推動該浮台載具移動的推進器；該控制模組依序將該溫度感測訊號、該水質感測訊號及該位置訊號處理轉換為溫度值、水質數據及位置數據，並透過該智慧型手機及該網路通訊模組上傳至該雲端伺服器；當該雲端伺服器輸出該魚群群聚位置數據時則連帶輸出主要之魚群群聚位置之位置指令，並透過該網路通訊模組及該智慧型手機將該位置指令傳輸至
該控制模組，再由該控制模組驅動該推進器將該浮台載具推進到該魚群群聚的主要位置上。
1‧‧‧培養區域
10‧‧‧影像擷取裝置
20‧‧‧資訊處理裝置
21‧‧‧深度學習影像辨識模組
210‧‧‧深度學習模型
210a‧‧‧影像特徵資料庫
22‧‧‧區塊參數資料庫
23‧‧‧網路通訊模組
24‧‧‧雲端伺服器
30‧‧‧資訊顯示裝置
31‧‧‧智慧型手機
310‧‧‧第一無線傳輸模組
40‧‧‧環境調控設備
50‧‧‧浮台載具
60‧‧‧控制模組
61‧‧‧第二無線傳輸模組
62‧‧‧溫度感測器
63‧‧‧水質感測器
64‧‧‧位置定位模組
65‧‧‧推進器
70‧‧‧餵食機構
圖1係本發明應用於水產養殖的實施示意圖。
圖2係本發明應用於農產栽種的實施示意圖。
圖3係本發明監控農作物生長前後的對照示意圖。
圖4係本發明所擷取的培養區域影像示意圖。
圖5係本發明將培養區域影像轉換為農作物生長異常的座標位置示意圖。
圖6係本發明數種生長狀態的樣本影像示意圖。
圖7係本發明數種環境狀態的樣本影像示意圖。
圖8係本發明深度學習模型的訓練階段的實施示意圖。
圖9係本發明深度學習模型的運行預測階段的實施示意圖。
圖10係本發明應用於水產養殖的另一種應用實施示意圖。
圖11係本發明一種應用實施的功能方塊示意圖。
圖12係本發明另一種應用實施的功能方塊示意圖。
為讓 貴審查委員能進一步瞭解本發明整體的技術特徵與達成本發明目的之技術手段，玆以具體實施例並配合圖式加以詳細說明：請配合參看圖1~3、6、7及圖11所示，為達成本發明第一目的之具體實施例，係包括影像擷取裝置10(包括複數個位在不同角度的攝像單元)、資訊處理裝置20、資訊顯示裝置30及環境調控設備40等技術特徵。影像擷取裝置10用以擷取一培養區域1(如植物工廠、稻田、麥
田、菜園、果園、動物養殖場或是水產養殖場等)之生物生長狀態的至少一培養區域影像。資訊處理裝置20包含一具備深度學習訓練功能以執行影像辨識的深度學習影像辨識模組21，深度學習影像辨識模組21建立至少一內建有複數包含有生物生長狀態以及環境狀態之樣本影像的影像特徵資料庫210a。深度學習影像辨識模組21用以將培養區域影像擷取處理為包含有生物生長狀態以及環境狀態的特徵影像，並將特徵影像與影像特徵資料庫210a中之各樣本影像進行影像比對分析，並依據影像比對分析結果輸出相應的生長評估數據；或是環境狀態評估數據。資訊顯示裝置30用以將生長評估數據或是環境狀態評估數據顯示為生長評估資訊或是環境狀態評估資訊；當生長評估數據或是環境狀態評估數據超過一預設閥值(如於影像特徵資料庫搜尋到符合特徵的樣本影像)時，資訊處理裝置20則輸出至少一種控制訊號觸發環境調控設備40，以針對培養區域1做出環境狀態調變的運作。至於環境調控設備40可以是供水設備、空調設備、光照控制設備、滅火設備、殺蟲設備、殺菌設備或是溫濕度感測/自動控制系統。
此外，必須說明的是，特徵影像可以自連續動態的培養區域影像中擷取，擷取速度大約是每秒數張；或是1~3秒擷取1張影像；尤其是，用於擷取魚類活動的特徵影像更是需要較快的影像擷取速度，至於農作物生長以及環境狀態的特徵影像則以較慢的影像擷取速度即可。
於本發明的一種具體實施例中，每一特徵樣本影像設定有一對應的生長評估資料；或環境狀態評估資料；當深度學習影像辨識模組21接收到即時擷取之連續數張的特徵影像時，則於影像特徵資料庫210a辨識出與特徵影像之特徵符合的該生長評估資料；或環境狀態評估資料，並輸出對應的生長評估數據；或環境狀態評估數據。
具體的，本實施例所稱的生物係指農作物而言，深度學習
影像辨識模組21將自特徵影像擷取之農作物輪廓與對應生長時間的樣本影像做影像比對分析，當農作物輪廓與對應生長時間的該樣本影像大致符合且農作物表面出現之枯萎或蟲咬痕的面積小於5%時，則輸出『生長狀態正常』的生長評估數據，當農作物輪廓尺寸大於對應生長時間的樣本影像且農作物表面沒有枯萎或蟲咬痕現象時，則輸出『生長狀態優異』的生長評估數據，當農作物輪廓尺寸略小於對應生長時間的樣本影像且農作物表面出現之枯萎或蟲咬痕的面積略小於5%時，則輸出生長狀態尚可的生長評估數據，當農作物輪廓尺寸小於對應生長時間的樣本影像且農作物表面出現之枯萎或蟲咬痕的面積大於5%時，則輸出『生物生長狀態不良』的生長評估數據。深度學習影像辨識模組21將特徵影像擷取之農作物結果面積與對應生長時間的樣本影像做影像比對分析，當農作物結果面積超過對應生長時間的樣本影像時，則輸出『收穫品質優異』的生長評估數據，當農作物結果面積與對應生長時間的樣本影像大致符合時，則輸出『收穫品質佳』的生長評估數據，當農作物結果面積小於對應生長時間的樣本影像時，則輸出『收穫品質不佳』的生長評估數據。深度學習影像辨識模組21將自特徵影像擷取之植株密度與對應生長時間的樣本影像做影像比對分析，當農作物植株密度大於對應生長時間的樣本影像之植株密度時，則輸出『植株過密』的生長評估數據，並做出因應疏植處理，當農作物植株密度與對應生長時間的樣本影像之植株密度大致符合時，則輸出『植株正常』的生長評估數據，當農作物植株密度小於對應生長時間的樣本影像之植株密度時，則輸出『植株過疏』的生長評估數據。
除此之外，上述生長評估數據更可以是如小面積農作物枯萎、大面積農作物枯萎、農作物整株枯萎、農作物部分枯萎(如圖6b、6d所示)、農作物或養殖生物遭蟲害、農作物出現白斑(如圖6c所示)、農作物出
現黃化、農作物出現蟲咬痕(如圖7d所示)、農作物出現黴菌狀、農作物或養殖生物遭野生動物襲擊、養殖生物群聚在固定區域或角落、水中養殖生物分散或是水中養殖生物翻肚的其中一種數據。
具體的，上述環境狀態評估資訊係選自培養區域遭污染、培養區域溫度過低、培養區域溫度過高、培養區域濕度過高、培養區域濕度過低、培養區域有雜物(如圖7c所示)、培養區域光照過強、培養區域光照不足、培養區域起火(如圖7a所示)、培養區域淹水(如圖7b所示)、土壤含水量過低、土壤含水量過高；或是水底能見度不佳(如圖7d所示)的其中至少一種資訊。
再請配合參看圖8~9所示，上述深度學習影像辨識模組21執行時則包含下列步驟：
(a)訓練階段步驟，係建立有至少一包含該影像特徵資料庫210a的深度學習模型210，並於影像特徵資料庫210a輸入巨量的樣本影像及影像辨識參數，並由深度學習模型210測試影像辨識的正確率，再判斷影像辨識正確率是否足夠，當判斷結果為是，則將辨識結果輸出及儲存；當判斷結果為否，則使深度學習模型210自我修正學習。
(b)運行預測階段步驟，係於深度學習模型210輸入即時擷取之特徵影像，並由深度學習模型210進行預測辨識分析後輸出生長評估數據或是環境狀態評估數據。
請配合參看圖1~3、6、7及圖11所示，為達成本發明第二目的之具體實施例，係包括影像擷取裝置10、資訊處理裝置20、資訊顯示裝置30及環境調控設備40等技術特徵。影像擷取裝置10用以擷取培養區域1之生物生長狀態的至少一培養區域影像。資訊處理裝置20包含一具備深度學習訓練功能以執行影像辨識的深度學習影像辨識模組21，深
度學習影像辨識模組21建立至少一內建有複數包含有生物生長狀態以及環境狀態之樣本影像的影像特徵資料庫210a，深度學習影像辨識模組21用以將培養區域影像擷取處理為包含有生物生長狀態以及環境狀態的特徵影像，並將特徵影像與該影像特徵資料庫210a中之各樣本影像進行影像比對分析，並依據影像比對分析結果輸出相應的生長評估數據；或是環境狀態評估數據。資訊顯示裝置30用以將生長評估數據或是環境狀態評估數據顯示為生長評估資訊或是環境狀態評估資訊；當生長評估數據或是環境狀態評估數據超過一預設閥值(如於影像特徵資料庫210a搜尋到符合特徵的樣本影像)時，資訊處理裝置20則輸出至少一種控制訊號觸發環境調控設備40，以針對培養區域1做出環境狀態調變的運作。本實施例的主要部分在於，上述生物係為農作物，深度學習影像辨識模組21將培養區域影像包含每一農作物的特徵影像依序設定一識別碼，深度學習影像辨識模組21係於一時間軸透過複數培養區域影像以持續監控與記錄各農作物之體積、顏色、表面缺陷以及數量的其中至少一種生長狀態，以作為農作物之預期收穫評估的依據。
請配合參看圖1~7及圖11所示，為達成本發明第三目的之具體實施例，係包括影像擷取裝置10、資訊處理裝置20、資訊顯示裝置30及環境調控設備40等技術特徵。影像擷取裝置10用以擷取培養區域1之生物生長狀態的至少一培養區域影像。資訊處理裝置20包含一具備深度學習訓練功能以執行影像辨識的深度學習影像辨識模組21，深度學習影像辨識模組21建立至少一內建有複數包含有生物生長狀態以及環境狀態之樣本影像的影像特徵資料庫210a。深度學習影像辨識模組21用以將培養區域影像擷取處理為包含有生物生長狀態以及環境狀態的特徵影像，並將特徵影像與影像特徵資料庫210a中之各樣本影像進行影像比對分析，並依據
影像比對分析結果輸出相應的生長評估數據；或是環境狀態評估數據。資訊顯示裝置30用以將生長評估數據或是環境狀態評估數據顯示為生長評估資訊或是環境狀態評估資訊。本實施例主要在於，當生長評估數據或是環境狀態評估數據超過一預設閥值(如於影像特徵資料庫搜尋到符合特徵的樣本影像)時，資訊處理裝置20則輸出至少一種控制訊號觸發環境調控設備40，以針對培養區域1做出環境狀態調變的運作。本實施例的主要部分在於，上述生物係指農作物而言，深度學習影像辨識模組21更建立有一用以建立複數區塊座標定位參數資料的區塊參數資料庫22。深度學習影像辨識模組21輸入即時擷取之培養區域影像時，則進行影像前處理並計算每一農作物之特徵影像的重心座標，再將各重心座標結合區塊參數資料庫22後代入一影像定位法中，以計算出每一重心座標的實際座標位置；當培養區域1之其中一農作物生長狀態異常時，資訊處理裝置20則輸出包含有生物實際座標位置的位置訊號以及代表生長異常的提示訊號至資訊顯示裝置30中，再由資訊顯示裝置30顯示為位置資訊以及提示資訊，如圖4~5所示。在圖5中，生長異常位置為圈選的座標位置，如P1(5,7)；P2(8,3)；P3(11,7)。
請配合參看圖10、12所示，為達成本發明第四目的之具體實施例，係包括影像擷取裝置10、資訊處理裝置20、資訊顯示裝置30及環境調控設備40等技術特徵。影像擷取裝置10用以擷取培養區域1之生物生長狀態的至少一培養區域影像。資訊處理裝置20包含一具備深度學習訓練功能以執行影像辨識的深度學習影像辨識模組21，深度學習影像辨識模組21建立至少一內建有複數包含有生物生長狀態以及環境狀態之樣本影像的影像特徵資料庫210a。深度學習影像辨識模組21用以將培養區域影像擷取處理為包含有生物生長狀態以及環境狀態的特徵影像，並將特徵影像與影像特徵資料庫210a中之各樣本影像進行影像比對分析，並依據影
像比對分析結果輸出相應的生長評估數據；或是環境狀態評估數據。資訊顯示裝置30用以將生長評估數據或是環境狀態評估數據顯示為生長評估資訊或是環境狀態評估資訊。本實施例主要在於，上述生物係為養殖魚類，上述培養區域1係為魚塭，並於魚塭設置一可漂浮在水面的浮台載具50。資訊顯示裝置30包含一具有第一無線傳輸模組310(如藍芽通訊模組)的智慧型手機31。資訊處理裝置20包含一透過一網路通訊模組23(如行動通訊網路及行動通訊模組之組合；或網際網路與網路通訊模組之組合)與智慧型手機31訊號連結的雲端伺服器24。並於浮台載具50設置包括有二組影像擷取裝置10、一控制模組60、一第二無線傳輸模組61(如藍芽通訊模組)及一餵食機構70。其一影像擷取裝置10設於浮台載具50上方位置，用以擷取魚塭水面的培養區域影像。其二影像擷取裝置10設於浮台載具50下方位置，用以擷取魚塭水中的培養區域影像。控制模組60透過第二無線傳輸模組61將水面及水中之培養區域影像傳輸出去。雲端伺服器24透過網路通訊模組23及智慧型手機31接收水面及水中之培養區域影像，並透過深度學習影像辨識模組21進行影像辨識，再依據影像比對分析結果對智慧型手機31依序輸出水產養殖生物的生長評估數據、魚塭的環境狀態評估數據以及與生長評估數據及魚塭的環境狀態評估數據相應的餵食量數據；其中，生長評估數據係選自魚類數量、魚群種類、魚類群聚位置、魚類生命力評估、魚類活力評估以及魚類尺寸大小的其中至少一種數據。智慧型手機31接收到生長評估數據、環境狀態評估數據及餵食量數據時，則於顯示幕顯示生長評估資訊、環境狀態評估資訊及餵食量資訊，並透過第二無線傳輸模組61及第一無線傳輸模組310將餵食量資訊之指令傳輸至控制模組60中，再由控制模組60依據指令而調變控制餵食機構70的飼料餵食量。
必須陳明的是，上述魚類生命力評估數據係指魚類的游動
速度、迴轉速度或是瞬間移動能力(即爆發力)而言。具體的，上述深度學習影像辨識模組21利用連續動態水中之培養區域影像，以影像辨識出魚類自預先定義為已知之一起始位置(即透過上述影像定位法之座標位置)移動至一結束位置(即透過上述影像定位法之另一座標位置)所需時間，以求出作為判定魚類生命力評估數據的速度值。
承上所述，請配合參看圖10、12所示，本實施例更包括有一設於浮台載具50下方位置用以感測水中溫度而產生溫度感測訊號的溫度感測器62、一設於浮台載具50下方位置用以感測水質狀態而產生水質感測訊號的水質感測器63、一設於浮台載具50上方位置用以感測浮台載具50所處位置訊號的位置定位模組64及一可受控制模組60的驅動而推動浮台載具50移動的推進器65。控制模組60依序將溫度感測訊號、水質感測訊號及位置訊號處理轉換為溫度值、水質數據及位置數據，並透過智慧型手機31及網路通訊模組23上傳至雲端伺服器24中；當雲端伺服器24輸出魚群群聚位置數據時，則連帶輸出主要之魚群群聚位置的位置指令，並透過網路通訊模組23及智慧型手機31將位置指令傳輸至控制模組60，再由控制模組60驅動推進器65將浮台載具50推進到預定之魚群群聚的主要位置上。除此之外，雲端伺服器24可以直接由網路通訊模組23或是透過智慧型手機31輸出至少一種控制訊號來觸發環境調控設備40，藉此得以針對魚塭做出環境狀態調變的運作，例如調變水溫；或是透過魚塭的換水而改善水質。
具體而言，本發明深度學習影像辨識模組21可以是一種卷積神經網路；但不以此為限，此卷積神經網路從影像擷取裝置10獲得培養區域影像後，經過影像預處理、特徵擷取、特徵選擇及特徵資料輸入，再到推理以及做出預測性辨識。另一方面，卷積神經網路的深度學習實
質，是通過構建具有多個隱層的機器學習模型及海量訓練數據，來達到學習更有用的特徵，從而最終提升分類或預測的準確性。卷積神經網路利用海量訓練數據來學習特徵辨識，於此方能刻畫出數據的豐富內在訊息。由於卷積神經網路為一種權值共享的網路結構，所以除了可以降低網路模型的複雜度之外，並可減少權值的數量。此優點在網路的輸入是多維圖像時表現的更為明顯，使圖像可以直接作為網路的輸入，避免了傳統影像辨識演算法中複雜的特徵擷取與數據重建過程。物件分類方式幾乎都是基於統計特徵，這就意味著在進行分辨前必須提取某些特徵。卷積神經網路可避免顯式的特徵取樣，隱式地從訓練數據中進行學習。這使得卷積神經網路明顯有別於其他基於神經網路的分類器，通過結構重組與減少權值將特徵擷取功能融合進多層感知器。它可以直接處理灰度圖片，能夠直接用於處理基於圖像的分類。卷積網路較一般神經網路在圖像處理方面有如下優點：輸入圖像與網路的拓撲結構能很好的吻合；特徵擷取與模式分類同時進行，並同時在訓練中產生；權重共享可以減少網路的訓練參數，使神經網路結構變得更為簡單，適應性更強。
以上所述，僅為本發明之可行實施例，並非用以限定本發明之專利範圍，凡舉依據下列請求項所述之內容、特徵以及其精神而為之其他變化的等效實施，皆應包含於本發明之專利範圍內。本發明所具體界定於請求項之結構特徵，未見於同類物品，且具實用性與進步性，已符合發明專利要件，爰依法具文提出申請，謹請 鈞局依法核予專利，以維護本申請人合法之權益。
Claims (9)
- 一種智慧深度學習農漁培養系統，其包括：至少一影像擷取裝置，其用以擷取一培養區域之生物生長狀態的至少一培養區域影像；至少一資訊處理裝置，其包含一具備深度學習訓練功能以執行影像辨識的深度學習影像辨識模組，該深度學習影像辨識模組建立至少一內建有複數包含有生物生長狀態以及環境狀態之樣本影像的影像特徵資料庫，該深度學習影像辨識模組用以將該培養區域影像擷取處理為包含有生物生長狀態以及環境狀態的特徵影像，並將該特徵影像與該影像特徵資料庫中之各該樣本影像進行影像比對分析，並依據影像比對分析結果輸出相應的生長評估數據；或是環境狀態評估數據；及一資訊顯示裝置，其用以將該生長評估數據或是該環境狀態評估數據顯示為生長評估資訊或是環境狀態評估資訊；其中，該深度學習影像辨識模組執行時則包含下列步驟：(a)訓練階段步驟，係建立有至少一包含該影像特徵資料庫的深度學習模型，並於該影像特徵資料庫輸入巨量的該樣本影像及影像辨識參數，並由該深度學習模型測試影像辨識的正確率，再判斷影像辨識正確率是否足夠，當判斷結果為是，則將辨識結果輸出及儲存；當判斷結果為否，則使該深度學習模型自我修正學習；及(b)運行預測階段步驟，係於該深度學習模型輸入即時擷取之該特徵影像，並由該深度學習模型進行預測辨識分析後輸出該生長評估數據或是環境狀態評估數據。
- 如請求項1所述之智慧深度學習農漁培養系統，其更包含一環境調控設備，當該生長評估數據或是該環境狀態評估數據超過一預設閥值時，該資訊處理裝置則輸出至少一種控制訊號觸發該環境調控設備，以針對該培養區域做出環境狀態調變的運作；該環境調控設備係選自供水設備、空調設備、光照控制設備、滅火設備、殺蟲設備、殺菌設備或是溫濕度感測/自動控制系統的其中至少二種。
- 如請求項1所述之智慧深度學習農漁培養系統，其中，每一該特徵樣本影像設定有一對應的生長評估資料；或環境狀態評估資料；當該深度學習影像辨識模組接收到即時擷取之連續數張的該特徵影像時，則於該影像特徵資料庫辨識出與該特徵影像之特徵符合的該生長評估資料；或該環境狀態評估資料，並輸出對應的該生長評估數據；或該環境狀態評估數據。
- 如請求項1所述之智慧深度學習農漁培養系統，其中，該生物係為農作物，該深度學習影像辨識模組將自該特徵影像擷取之農作物輪廓與對應生長時間的該樣本影像做影像比對分析，當該農作物輪廓與對應生長時間的該樣本影像大致符合且農作物表面出現之枯萎或蟲咬痕的面積小於5%時，則輸出生長狀態正常的生長評估數據，當該農作物輪廓尺寸大於對應生長時間的該樣本影像且農作物表面沒有枯萎或蟲咬痕的現象時，則輸出生長狀態優異的生長評估數據，當該農作物輪廓尺寸略小於對應生長時間的該樣本影像且農作物表面出現之枯萎或蟲咬痕的面積小於5%時，則輸出生長狀態尚可的生長評估數據，當該農作物輪廓尺寸小於對應生長時間的該樣本影像且農作物表面出現之枯萎或蟲咬痕的面積大於5%時，則輸出生物生長狀態不良的生長評估數據；該深度學習影像辨識模組將自該特徵影像擷取之農作物結果面積與對應生長時間的該樣本影像做影像比對分析，當該農作物結果面積超過對應生長時間的該樣本影像時，則輸出收穫品質優異的生長評估數據，當該農作物結果面積與對應生長時間的該樣本影像大致符合時，則輸出收穫品質佳的生長評估數據，當該農作物結果面積小於對應生長時間的該樣本影像時，則輸出收穫品質不佳的生長評估數據；該深度學習影像辨識模組將自該特徵影像擷取之植株密度與對應生長時間的該樣本影像做影像比對分析，當農作物植株密度大於對應生長時間的該樣本影像的植株密度時，則輸出植株過密的生長評估數據，當農作物植株密度與對應生長時間的該樣本影像之植株密度大致符合時，則輸出植株正常的生長評估數據，當農作物植株密度小於對應生長時間的該樣本影像之植株密度時，則輸出植株過疏的生長評估數據。
- 如請求項1所述之智慧深度學習農漁培養系統，其中，該生物係為農作物，該深度學習影像辨識模組將該培養區域影像包含每一農作物的該特徵影像依序設定一識別碼，該深度學習影像辨識模組係於一時間軸透過複數該培養區域影像以持續監控與記錄各該農作物之體積、顏色、表面缺陷以及數量的其中至少一種生長狀態，以作為該農作物之預期收穫評估的依據。
- 如請求項1所述之智慧深度學習農漁培養系統，其中，該生物係為農作物，該深度學習影像辨識模組更建立有一用以建立複數區塊座標定位參數資料的區塊參數資料庫，該深度學習影像辨識模組輸入即時擷取之該培養區域影像時，則進行影像前處理並計算每一該農作物之該特徵影像的重心座標，再將各該重心座標結合該區塊參數資料庫後代入一影像定位法中，以計算出每一該重心座標的實際座標位置；當該培養區域之其中一該農作物生長狀態異常時，該資訊處理裝置則輸出包含有該生物實際座標位置的位置訊號以及代表生長異常的提示訊號至該資訊顯示裝置中，再由該資訊顯示裝置顯示為位置資訊以及提示資訊。
- 如請求項1所述之智慧深度學習農漁培養系統，其中，該生物係為養殖魚類，該培養區域係為魚塭，該魚塭設置一可漂浮在水面的浮台載具；該資訊顯示裝置包含一具有第一無線傳輸模組的智慧型手機；該資訊處理裝置包含一透過一網路通訊模組與該智慧型手機訊號連結的雲端伺服器；該浮台載具設置包括有二該影像擷取裝置、一控制模組、一第二無線傳輸模組及一餵食機構；其一該影像擷取裝置設於該浮台載具上方位置，用以擷取該魚塭水面的該培養區域影像；其二該影像擷取裝置設於該浮台載具下方位置，用以擷取該魚塭水中的該培養區域影像，該控制模組透過該第二無線傳輸模組將水面及水中之該培養區域影像傳輸出去；該雲端伺服器透過該網路通訊模組及該智慧型手機接收水面及水中之該培養區域影像，並透過該深度學習影像辨識模組進行影像辨識，再依據影像比對分析結果對該智慧型手機依序輸出該水產養殖生物的該生長評估數據、該魚塭的環境狀態評估數據以及與該生長評估數據及該魚塭的環境狀態評估數據相應的餵食量數據；其中，該生長評估數據係選自魚類數量、魚群種類、魚類群聚位置、魚類生命力評估以及魚類尺寸大小的其中至少一種數據；該智慧型手機接收到該生長評估數據、該環境狀態評估數據及餵食量數據時，則於一顯示幕顯示該生長評估資訊、該環境狀態評估資訊及餵食量資訊，並透過該第二無線傳輸模組及該第一無線傳輸模組將該餵食量資訊之指令傳輸至該控制模組中，再由該控制模組依據該指令而調變控制該餵食機構的飼料餵食量。
- 如請求項7所述之智慧深度學習農漁培養系統，其中，該魚類生命力評估數據係選自該魚類之游動速度、迴轉速度以及瞬間移動能力的其中一種數據；該深度學習影像辨識模組利用連續動態水中之該培養區域影像，以影像辨識出該魚類自預先定義為已知之一起始位置移動至一結束位置所需時間，以求出作為判定該魚類生命力評估數據的速度值。
- 如請求項7所述之智慧深度學習農漁培養系統，其中，該浮台載具設置更包括有一設於該浮台載具下方位置用以感測水中溫度而產生溫度感測訊號的溫度感測器、一設於該浮台載具下方位置用以感測水質狀態而產生水質感測訊號的水質感測器、一設於該浮台載具上方位置用以感測該浮台載具所處位置訊號的位置定位模組及一可受該控制模組的驅動而推動該浮台載具移動的推進器；該控制模組依序將該溫度感測訊號、該水質感測訊號及該位置訊號處理轉換為溫度值、水質數據及位置數據，並透過該智慧型手機及該網路通訊模組上傳至該雲端伺服器；當該雲端伺服器輸出該魚群群聚位置數據時則連帶輸出至少一種主要之魚群群聚位置的位置指令，並透過該網路通訊模組及該智慧型手機將該位置指令傳輸至該控制模組，再由該控制模組驅動該推進器將該浮台載具推進到該魚群群聚的主要位置上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107118801A TWI661770B (zh) | 2018-05-31 | 2018-05-31 | 智慧深度學習農漁培養系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107118801A TWI661770B (zh) | 2018-05-31 | 2018-05-31 | 智慧深度學習農漁培養系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI661770B true TWI661770B (zh) | 2019-06-11 |
| TW202002772A TW202002772A (zh) | 2020-01-16 |
Family
ID=67764085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107118801A TWI661770B (zh) | 2018-05-31 | 2018-05-31 | 智慧深度學習農漁培養系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI661770B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111753775A (zh) * | 2020-06-29 | 2020-10-09 | 北京海益同展信息科技有限公司 | 鱼的生长评估方法、装置、设备及存储介质 |
| TWI795708B (zh) * | 2021-01-12 | 2023-03-11 | 鴻海精密工業股份有限公司 | 植物生長高度確定方法、裝置、電腦裝置及介質 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI779334B (zh) * | 2020-08-21 | 2022-10-01 | 國立臺灣海洋大學 | 移動式水中生物自動標記方法及水中生物影像自動標記系統 |
| TWI784349B (zh) | 2020-11-16 | 2022-11-21 | 國立政治大學 | 顯著圖產生方法及使用該方法的影像處理系統 |
| TWI799962B (zh) * | 2021-08-24 | 2023-04-21 | 國立臺灣海洋大學 | 人工智慧養殖魚群食慾判斷方法與系統 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI284019B (en) * | 2006-01-25 | 2007-07-21 | Tung-Wei Shr | A method for aquaculture management |
| TW201722262A (zh) * | 2015-12-28 | 2017-07-01 | 英業達股份有限公司 | 植物栽種輔助系統及其方法 |
-
2018
- 2018-05-31 TW TW107118801A patent/TWI661770B/zh not_active IP Right Cessation
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI284019B (en) * | 2006-01-25 | 2007-07-21 | Tung-Wei Shr | A method for aquaculture management |
| TW201722262A (zh) * | 2015-12-28 | 2017-07-01 | 英業達股份有限公司 | 植物栽種輔助系統及其方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111753775A (zh) * | 2020-06-29 | 2020-10-09 | 北京海益同展信息科技有限公司 | 鱼的生长评估方法、装置、设备及存储介质 |
| CN111753775B (zh) * | 2020-06-29 | 2023-09-26 | 京东科技信息技术有限公司 | 鱼的生长评估方法、装置、设备及存储介质 |
| TWI795708B (zh) * | 2021-01-12 | 2023-03-11 | 鴻海精密工業股份有限公司 | 植物生長高度確定方法、裝置、電腦裝置及介質 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202002772A (zh) | 2020-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI661770B (zh) | 智慧深度學習農漁培養系統 | |
| Subeesh et al. | Automation and digitization of agriculture using artificial intelligence and internet of things | |
| Ünal | Smart farming becomes even smarter with deep learning—a bibliographical analysis | |
| Føre et al. | Precision fish farming: A new framework to improve production in aquaculture | |
| EP3644717B1 (en) | Data collection method for feeding aquatic animals | |
| Rahman et al. | IoT enabled mushroom farm automation with Machine Learning to classify toxic mushrooms in Bangladesh | |
| Berckmans | Automatic on-line monitoring of animals by precision livestock farming | |
| NO345829B1 (en) | C-fish – fish welfare control | |
| Mishra et al. | Artificial intelligence and machine learning in agriculture: Transforming farming systems | |
| Fernando et al. | Intelligent disease detection system for greenhouse with a robotic monitoring system | |
| KR102393265B1 (ko) | 버섯 병해충 검출 시스템 | |
| TW202123152A (zh) | 蔬果監控系統及其方法 | |
| AU2021103499A4 (en) | An automated plantation health monitoring system and a method thereof | |
| JP6964851B2 (ja) | 保存環境判別プログラム | |
| Deepika et al. | Monitoring of Hydroponics Plant and Prediction of Leaf Disease using IOT | |
| US20220375239A1 (en) | System and methods to optimize yield in indoor farming | |
| Fu et al. | Neural Networks for Smart Agriculture | |
| Wanninayake et al. | IoT-Enabled Smart Solution for Rice Disease Detection, Yield Prediction, and Remediation | |
| Harjeet et al. | Machine vision technology, deep learning, and IoT in agricultural industry | |
| Mukherjee et al. | Real Time Agricultural Monitoring with Deep Learning Using Wireless Sensor Framework | |
| CN108288057B (zh) | 一种移动式家禽生命信息检测装置 | |
| CN113221776B (zh) | 一种基于人工智能对反刍动物一般行为识别的方法 | |
| CN115272943B (zh) | 一种基于数据处理的畜牧家禽进食异常识别方法 | |
| WO2024011681A1 (en) | An aquarium management system and a computer implemented method of determining quality of an aquatic environment thereof | |
| US20230103532A1 (en) | Non-contact, non-invasive, and quantitative agricultural monitoring devices and systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |