TWI740672B - 智慧養殖系統與方法 - Google Patents
智慧養殖系統與方法 Download PDFInfo
- Publication number
- TWI740672B TWI740672B TW109134849A TW109134849A TWI740672B TW I740672 B TWI740672 B TW I740672B TW 109134849 A TW109134849 A TW 109134849A TW 109134849 A TW109134849 A TW 109134849A TW I740672 B TWI740672 B TW I740672B
- Authority
- TW
- Taiwan
- Prior art keywords
- dragging
- bait
- length
- aquatic
- module
- Prior art date
Links
Images
Landscapes
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本發明提出一種智慧養殖系統,包括養殖池、投餌機、移動模組、攝影機與計算模組。移動模組設置於養殖池之上,投餌機連接至移動模組。計算模組用以透過攝影機取得影像,偵測影像中的水生物,計算對應水生物的至少一個指標。計算模組也用以根據指標計算投餌量,並且控制移動模組使投餌機移動至水生物的位置投入符合投餌量的飼料。
Description
本揭露是關於智慧養殖系統,能夠根據水生物的狀態適應性地決定投餌量。
在蝦養殖場中,蝦類的重量及長度對於養殖管理人員是一組重要的參考指標。由於蝦類長時間生活於水中,習知技術要量測蝦的重量必須要把蝦子打撈上來,這樣的做法需要許多人力,同時容易造成蝦子不安而死亡。如何改進上述做法,為此領域技術人員所關心的議題。
本發明的實施例提出一種智慧養殖系統,包括養殖池、投餌機、移動模組、攝影機與計算模組。移動模組設置於養殖池之上,投餌機連接至移動模組。攝影機用以擷取對應養殖池的影像。計算模組通訊連接至攝影機、移動模組與投餌機,用以取得影像,偵測影像中的水生物,計算對應水生物的至少一個指標,此指標包括拖糞量。計算模組也用以根據指標計算投餌量,並且控制移動模組使投餌機移動至水生物的位置投入符合投餌量的飼料。
在一些實施例中,計算模組用以將水生物的長度代入迴歸函式以計算水生物的重量,並根據水生物的重量計算投餌量。
在一些實施例中,計算模組還用以執行以下步驟:偵測影像中水生物的頭部與尾部,計算頭部與尾部之間的中軸線;從中軸線往尾部的方向設定一預設範圍,並判斷預設範圍內是否有糞便像素;以及若預設範圍內有糞便像素,計算出一拖糞長度以作為拖糞量。
在一些實施例中,上述計算拖糞長度的步驟包括:對糞便像素執行一廣度優先搜尋以計算拖糞長度;以及若拖糞長度大於一預設值,輸出拖糞長度以作為拖糞量,否則判斷無拖糞情況。
在一些實施例中,智慧養殖系統更包括清理模組,用以清理養殖池。計算模組還用以執行以下步驟:將養殖池畫分為多個區域;以及根據影像判斷每一個區域內水生物的數量,並根據水生物的數量來決定清理模組清理對應區域的頻率。
以另一個角度來說,本發明的實施例提出一種智慧養殖方法,適用於智慧養殖系統。此智慧養殖系統包括養殖池、投餌機、移動模組、攝影機,其中移動模組設置於養殖池之上,投餌機連接至移動模組。智慧養殖方法包括:透過攝影機擷取對應養殖池的影像;偵測影像中的水生物,計算對應水生物的至少一個指標,此指標包括拖糞量;以及根據指標計算一投餌量,並且控制移動模組使投餌機移動至水生物的位置投入符合投餌量的飼料。
圖1是根據一實施例繪示智慧養殖系統的示意圖。請參照圖1,智慧養殖系統100包括養殖池110、投餌機120、移動模組130、攝影機140、計算模組150與清理模組160與排汙管170。在此實施例中,從上方看養殖池110的形狀為圓形,養殖池110中所養的水生物為蝦子,但在其他實施例中也可以是魚或其他合適的水生物。移動模組130包括了馬達131與支架132,移動模組130設置在養殖池110的上方,攝影機140、投餌機120與清理模組160都連接至移動模組130。
投餌機120可用以投放飼料進養殖池110,並且飼料的數量(亦稱為投餌量)可由計算模組150所控制。攝影機140為水下攝影機,其中包括感光耦合元件(Charge-coupled Device,CCD)感測器、互補性氧化金屬半導體(Complementary Metal-Oxide Semiconductor)感測器或其他合適的感光元件,在一些實施例中攝影機140也可以感測紅外線或其他不可見光。計算模組150可為具有計算能力的各種電子裝置或電路,舉例來說,計算模組150可為個人電腦、筆記型電腦、伺服器或工業電腦,計算模組150可包括中央處理器、圖形處理器、微處理器、微控制器、影像處理晶片、特殊應用積體電路等。清理模組160具有抽取能力,用以清理在池底的排泄物或剩餘的飼料。
計算模組150可透過有線或無線的方式通訊連接至馬達131、攝影機140、投餌機120與清理模組160,藉此控制攝影機140、投餌機120與清理模組160的位置。具體來說,支架132為倒“T”型,馬達131由計算模組150所控制,透過馬達131的帶動,支架132可以360度旋轉。另一方面,移動模組130還包括多個滾輪與馬達(未繪示),分別連接至攝影機140、投餌機120與清理模組160,這些馬達也可由計算模組150所控制,使得攝影機140、投餌機120與清理模組160可在支架132上水平移動。以另一個角度來說,從養殖池110上方來看,馬達131可以決定極座標的角度,攝影機140、投餌機120與清理模組160所連接的馬達可以決定極座標的半徑,如此一來攝影機140、投餌機120與清理模組160可移動到養殖池110的任何一個位置。
攝影機140用以擷取對應於養殖池110的影像,此影像會傳送給計算模組150。計算模組150會偵測影像中的水生物,計算對應水生物的一或多個指標,這些指標可包括水生物的長度、寬度、重量、拖糞量等等。根據這些指標可以計算投餌量,接著計算模組150會控制移動模組130使得投餌機120移動到水生物的位置投入符合上述投餌量的飼料。如此一來,根據水生物的情況可以適應性地決定投餌量,不會浪費飼料,飼料也比較不會殘餘而汙染養殖池110中的水,水生物也可以吃到足夠的飼料而順利成長。
圖2是根據一實施例繪示所拍攝的影像的示意圖。請參照圖2,首先計算模組150可以透過一機器學習演算法來偵測影像中的水生物(在此實施例中為蝦子),此機器學習演算法例如為捲積神經網路,可採用TensorFlow、VOLO或任意合適的工具來執行物件偵測。在一些實施例中,在執行物件偵測以後可以得到一包圍框(bounding box),例如包圍框210,此包圍框210的長度可以設定為水生物211的長度,或者是將包圍框210的長度乘上一比例以得到水生物211的長度。在一些實施例中,在執行完物件偵測以後可以將每個像素分為蝦子與非蝦子,根據屬於蝦子的像素可以計算出水生物211的長度。在此可以將水生物211的長度代入事先訓練好的迴歸函式以計算水生物211的重量。具體來說,可以事先收集多筆水生物的長度,並藉由秤重的方式來取得水生物的重量,透過迴歸分析可以計算出長度與重量之間的迴歸函式,此迴歸函式可為線性函式、多項式函式、指數函數或其組合,本發明並不在此限。藉由上述做法,不需要將水生物211打撈上來便可以直接計算出水生物211的重量。在一些實施例中,根據此重量可以決定投餌量,一般來說重量越大則投餌量越大,可例如透過查表的方式來取得投餌量。
在一些實施例中可根據拖糞量來決定投餌量,此拖糞量指的是拖糞長度。具體來說,圖3是根據一實施例繪示計算拖糞長度的流程圖。請參照圖2與圖3,在步驟301中,根據機器學習演算法來偵測影像中水生物的頭部221與尾部222。在此實施例中,頭部221與尾部222都是由包圍框所圍繞。
在步驟302中,計算頭部221與尾部222之間的中軸線223。例如,從頭部221的包圍框的中心點延伸至尾部222的包圍框的中心點便形成中軸線223。
在一些實施例中,在步驟301中是將影像中的每個像素分類為頭部像素、尾部像素與其他類別。在步驟302中,可以從頭部像素的質心延伸至尾部像素的質心以形成中軸線223。
在步驟303中,從中軸線223往尾部222的方向設定一預設範圍230,此預設範圍230可經由實驗來決定其寬度與長度,本發明並不在此限。
在步驟304中,執行一機器學習演算法來將預設範圍230內的每個像素分類為糞便像素與非糞便像素。在此例子中,蝦子具有拖糞的情況,因此預設範圍230內具有多個糞便像素231。
在步驟305,判斷預設範圍230內是否有糞便像素,若沒有的話(也就是拖糞長度為0)則進行步驟306,判斷無拖糞情形。
如果步驟305的判斷結果為是,在步驟307中,對於糞便像素執行廣度優先搜尋(breadth-first search,BFS)。接著在步驟308中,根據廣度優先搜尋的結果計算出拖糞長度。舉例來說,從最靠近尾部222中心點的糞便像素開始執行廣度優先搜尋,鄰近的像素會被視為深度1的像素,接著往外擴散找到深度2的像素,一直到沒有鄰近的糞便像素為止,而最大的深度便是拖糞長度,本領域具有通常知識者當可理解廣度優先搜尋,在此並不詳細贅述。
在步驟309,判斷拖糞長度是否大於預設值,若是的話則在步驟310中輸出此拖糞長度以作為拖糞量,若否的話則回到步驟306,判斷沒有拖糞情況。一般來說拖糞長度越大表示蝦子吃得越飽,因此可以降低投餌量,反之當沒有拖糞情形或是拖糞長度比較小時可以增加投餌量。
請參照回圖1,在一些實施例中也可以根據水生物的數量來決定清理的頻率。具體來說,可以將養殖池110的底部畫分為多個區域,根據攝影機140所拍攝的影像可以判斷每一個區域內水生物的數量,根據此數量可以決定清理模組160清理對應區域的頻率。舉例來說,如果某一區域內水生物的數量超過一臨界值,則會頻繁地控制清理模組160至此區域進行清理,否則根據既有的排程來清理。在一些實施例中,上述的臨界值是將養殖池110中所有水生物的數量乘上x%,其中x為介於0~100的整數,本發明並不限制x的數值為多少。
在一些實施例中,智慧養殖系統100也可以在任意適當的位置設置發光源180,例如在養殖池110的水平兩側,此發光源180可發出紅光,當紅光照射到蝦子時可以顯現出蝦子的生殖腺,透過影像處理的技術可以偵測生殖腺的狀態,當判斷生殖腺發育成熟時可以發出警告,提醒養殖人員進行人工交配。
圖4是根據一實施例繪示智慧養殖方法的流程圖,此方法可以適用於圖1的智慧養殖系統100。請參照圖4,在步驟401,透過攝影機擷取對應於養殖池的影像。在步驟402,偵測影像中的水生物,計算水生物的至少一指標,其包括拖糞量。在步驟403,根據指標計算投餌量,並且控制移動模組使投餌機移動至水生物的位置投入符合投餌量的飼料。然而,圖4中各步驟已詳細說明如上,在此便不再贅述。值得注意的是,圖4中各步驟可以實作為多個程式碼或是電路,本發明並不在此限。此外,圖4的方法可以搭配以上實施例使用,也可以單獨使用。換言之,圖4的各步驟之間也可以加入其他的步驟。
在上述的智慧養殖系統與方法中,透過蝦子的重量與拖糞量可以適應性地決定投餌量,藉此不會浪費飼料,水生物也可以吃到足夠的飼料,經實驗發現這樣的機制在相同的養殖時間下可以增加蝦的重量。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100:智慧養殖系統
110:養殖池
120:投餌機
130:移動模組
131:馬達
132:支架
140:攝影機
150:計算模組
160:清理模組
170:排汙管
180:光源
210:包圍框
211:水生物
221:頭部
222:尾部
223:中軸線
230:預設範圍
231:糞便像素
301~310,401~403:步驟
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
[圖1]是根據一實施例繪示智慧養殖系統的示意圖。
[圖2]是根據一實施例繪示所拍攝的影像的示意圖。
[圖3]是根據一實施例繪示計算拖糞長度的流程圖。
[圖4]是根據一實施例繪示智慧養殖方法的流程圖。
210:包圍框
211:水生物
221:頭部
222:尾部
223:中軸線
230:預設範圍
231:糞便像素
Claims (8)
- 一種智慧養殖系統,包括:一養殖池;一投餌機;一移動模組,設置於該養殖池之上,其中該投餌機連接至該移動模組;一攝影機,用以擷取對應該養殖池的影像;以及一計算模組,通訊連接至該攝影機、該移動模組與該投餌機,用以取得該影像,偵測該影像中的水生物,計算對應該水生物的至少一指標,該至少一指標包括拖糞量,根據該至少一指標計算一投餌量,並且控制該移動模組使該投餌機移動至該水生物的位置投入符合該投餌量的飼料,其中該計算模組還用以執行以下步驟:偵測該影像中該水生物的頭部與尾部,計算該頭部與該尾部之間的中軸線;從該中軸線往該尾部的方向設定一預設範圍,並判斷該預設範圍內是否有糞便像素;以及若該預設範圍內有糞便像素,計算出一拖糞長度以作為該拖糞量。
- 如請求項1所述之智慧養殖系統,其中該至少一指標還包括該水生物的長度,該計算模組用以將該水生物的長度代入一迴歸函式以計算該水生物的重量,並根據該水生物的重量計算該投餌量。
- 如請求項1所述之智慧養殖系統,其中計算該拖糞長度的步驟包括:對該糞便像素執行一廣度優先搜尋以計算該拖糞長度;以及若該拖糞長度大於一預設值,輸出該拖糞長度以作為該拖糞量,否則判斷無拖糞情況。
- 如請求項1所述之智慧養殖系統,更包括:一清理模組,用以清理該養殖池,其中該計算模組還用以執行以下步驟:將該養殖池畫分為多個區域;以及根據該影像判斷每一該些區域內該水生物的數量,並根據該水生物的數量來決定該清理模組清理對應的該區域的頻率。
- 一種智慧養殖方法,適用於一智慧養殖系統,該智慧養殖系統包括一養殖池、一投餌機、一移動模組、一攝影機,該移動模組設置於該養殖池之上,該投餌機連接至該移動模組,該智慧養殖方法包括:透過該攝影機擷取對應該養殖池的影像;偵測該影像中的水生物,計算對應該水生物的至少一指標,該至少一指標包括拖糞量;偵測該影像中該水生物的頭部與尾部,計算該頭部與該 尾部之間的中軸線;從該中軸線往該尾部的方向設定一預設範圍,並判斷該預設範圍內是否有糞便像素;若該預設範圍內有糞便像素,計算出一拖糞長度以作為該拖糞量;以及根據該至少一指標計算一投餌量,並且控制該移動模組使該投餌機移動至該水生物的位置投入符合該投餌量的飼料。
- 如請求項5所述之智慧養殖方法,其中該至少一指標還包括該水生物的長度,該智慧養殖方法還包括:將該水生物的長度代入一迴歸函式以計算該水生物的重量,並根據該水生物的重量計算該投餌量。
- 如請求項5所述之智慧養殖方法,其中計算該拖糞長度的步驟包括:對該糞便像素執行一廣度優先搜尋以計算該拖糞長度;以及若該拖糞長度大於一預設值,輸出該拖糞長度以作為該拖糞量,否則判斷無拖糞情況。
- 如請求項5所述之智慧養殖方法,其中該智慧養殖系統更包括一清理模組,該智慧養殖方法還包括: 將該養殖池畫分為多個區域;以及根據該影像判斷每一該些區域內該水生物的數量,並根據該水生物的數量來決定該清理模組清理對應的該區域的頻率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109134849A TWI740672B (zh) | 2020-10-07 | 2020-10-07 | 智慧養殖系統與方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109134849A TWI740672B (zh) | 2020-10-07 | 2020-10-07 | 智慧養殖系統與方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI740672B true TWI740672B (zh) | 2021-09-21 |
TW202214099A TW202214099A (zh) | 2022-04-16 |
Family
ID=78777763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109134849A TWI740672B (zh) | 2020-10-07 | 2020-10-07 | 智慧養殖系統與方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI740672B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI784740B (zh) * | 2021-10-06 | 2022-11-21 | 智逐科技股份有限公司 | 家禽健康監測系統及其方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM587896U (zh) * | 2019-08-12 | 2019-12-21 | 國立中山大學 | 智慧養殖系統 |
-
2020
- 2020-10-07 TW TW109134849A patent/TWI740672B/zh active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM587896U (zh) * | 2019-08-12 | 2019-12-21 | 國立中山大學 | 智慧養殖系統 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI784740B (zh) * | 2021-10-06 | 2022-11-21 | 智逐科技股份有限公司 | 家禽健康監測系統及其方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202214099A (zh) | 2022-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11925173B2 (en) | Data collection system and method for feeding aquatic animals | |
Liu et al. | Measuring feeding activity of fish in RAS using computer vision | |
Zion | The use of computer vision technologies in aquaculture–a review | |
Fang et al. | Comparative study on poultry target tracking algorithms based on a deep regression network | |
Pinkiewicz et al. | A computer vision system to analyse the swimming behaviour of farmed fish in commercial aquaculture facilities: a case study using cage-held Atlantic salmon | |
Wei et al. | Intelligent monitoring and control technologies of open sea cage culture: A review | |
TWI736950B (zh) | 智慧養殖系統與方法 | |
WO2019232247A1 (en) | Biomass estimation in an aquaculture environment | |
Yang et al. | An automatic recognition framework for sow daily behaviours based on motion and image analyses | |
Wu et al. | Application of intelligent and unmanned equipment in aquaculture: A review | |
Lee et al. | Research Article The Use of Vision in a Sustainable Aquaculture Feeding System | |
CN103761565A (zh) | 基于计算机视觉的水下鱼虾蟹苗数量估计与行为监测装置及方法 | |
CN108182423A (zh) | 一种基于深度卷积神经网络的禽类动物行为识别方法 | |
TWI740672B (zh) | 智慧養殖系統與方法 | |
TWM587896U (zh) | 智慧養殖系統 | |
Kollis et al. | Weight estimation using image analysis and statistical modelling: A preliminary study | |
WO2022010816A1 (en) | Splash detection for surface splash scoring | |
CN113040088A (zh) | 水产养殖精准增氧方法、终端设备及可读存储介质 | |
Hassan et al. | Information fusion in aquaculture: A state-of the art review | |
JP2004089027A (ja) | 動物の行動解析方法、動物の行動解析システム、動物の行動解析プログラムならびにそれを記録したコンピュータ読み取り可能な記録媒体 | |
Yang et al. | A defencing algorithm based on deep learning improves the detection accuracy of caged chickens | |
Zhang et al. | Fully automatic system for fish biomass estimation based on deep neural network | |
US11881017B2 (en) | Turbidity determination using machine learning | |
CN112385588A (zh) | 智能养殖系统与方法 | |
Jang et al. | Abnormal behaviour in rock bream (Oplegnathus fasciatus) detected using deep learning-based image analysis |