TWI793879B - 水產養殖之水質調節方法 - Google Patents
水產養殖之水質調節方法 Download PDFInfo
- Publication number
- TWI793879B TWI793879B TW110144067A TW110144067A TWI793879B TW I793879 B TWI793879 B TW I793879B TW 110144067 A TW110144067 A TW 110144067A TW 110144067 A TW110144067 A TW 110144067A TW I793879 B TWI793879 B TW I793879B
- Authority
- TW
- Taiwan
- Prior art keywords
- water quality
- aquaculture
- support vector
- vector machine
- data
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
一種水產養殖之水質調節方法,係為利用多個感測器的不同屬性來取得目前水質的各個參數;並且利用第一微處理器來讀取前述的多種水質參數,並將該多種水質參數再傳送給該第二微處理器,該第二微處理器則將該多種水質參數進行一支持向量機分類,該支持向量機則依據該多種水質參數來分類並輸出對應的一分類標籤訊號給該第一微處理器,則該第一微處理器會再依據該分類標籤訊號來控制各個馬達的開啟、關閉、轉速大小等運作。
Description
本發明是關於一種水產養殖之水質調節方法,特別涉及一種可針對養殖池之水質進行預警監測,對於水質惡化可提早應對,並協助水產養殖業者可適時調整飼養方式,提高漁業產量、品質與競爭力的一種水質調節方法。
水產養殖屬於高勞力、高風險與高技術密集的產業,不同於其他容易觀察到生產物並能夠立即根據狀況反應處理的產業,養殖的魚蝦位於水下,天然環境條件上有著難以看到的難處,為了控制養殖風險,需大量人工定期觀察並量測魚蝦的成長資訊、是否生病、投藥是否有效果、計算所投放飼料之換肉率等相關工作,這些經常性的工作都需要耗費人工逐池進行取樣,一有閃失就可能會血本無歸。
並且因為全球氣候變遷,極端氣候趨於頻繁,如冬季的霸王級寒流、夏季颱風帶來的強降雨,甚至最近台灣缺水的危機都對養殖業造成嚴重影響,導致養殖業生物死亡率上升、產量下降與品質不穩定等問題一一浮現,因此如何有效的降低養殖風險等問題,乃是業界與學界亟於解決的問題之一。
有鑑於此,本發明則從水產養殖最重要的環境因素:養殖水域的水質來做監測及調控,用以降低養殖風險,讓水產養殖業者可適時調整飼養方式,提高水產養殖的產量、品質與競爭力。
本發明目的在於提供一種水產養殖之水質調節方法,藉以針對養殖池之水質進行預警監測,對於水質惡化可提早應對,並協助水產養殖業者可適時調整飼養方式,提高漁業產量、品質與競爭力。
為了達成上述目的,本發明實施例所揭露之水產養殖之水質調節方法,至少包括如下步驟:第一步驟:判斷是否已到達啟動多個感測器的預設時間。第二步驟:該多個感測器開始偵測水質資訊,並取得多個水質參數。第三步驟:一第一微處理器讀取該多個水質參數並傳送給一第二微處理器。第四步驟:該第二微處理器依據該多個水質參數來進行支持向量機的分類,並將該水質參數透過人機介面系統以圖像化方式呈現出來。第五步驟:該支持向量機分類後產生對應的分類標籤訊號,並將該分類標籤訊號輸出給該第一微處理器。第六步驟:該第一微處理器依據該分類標籤訊號來控制各個馬達的運作。
其中該支持向量機分類具有如下步驟:第一步驟:資料建立。第二步驟:判斷該資料是否以一線性支持向量機分類;
如果該資料是以該線性支持向量機分類,則進行下一步驟;反之,如果不是以該線性向量機分類,則會改以一非線性支持向量機分類,並進行一選擇核函數,然後再進行下一步驟。第三步驟:依據該線性支持向量機或選擇後的核函數來決定是否將該資料進行比例縮放。第四步驟:利用一網格搜尋法來調整該資料的一正規化參數和一核函數參數。第五步驟:將該資料分成80%的訓練資料和20%的測試資料,並進行交叉驗證。第六步驟:判斷該交叉驗證後的結果是否等於真實答案;如果交叉驗證的結果不等於真實答案,則重回第四步驟進行正規化參數與核函數參數的調整;反之,如果交叉驗證的結果等於真實答案,則輸出最佳分類參數。
以上關於本發明內容的說明及以下實施方式的說明係用以示範與解釋本發明的原理,並且提供本發明的專利申請範圍更進一步的解釋。
1:水產養殖之水質調節方法
11:感測器
111:溫度感測器
112:溶氧感測器
113:氨氮感測器
114:鹽度感測器
115:氫離子濃度指數感測器
12:第一微處理器
13:第二微處理器
131:人機介面系統
132:支持向量機
14:馬達
141:第一水車馬達
142:第二水車馬達
143:第三水車馬達
144:第一沉水馬達
145:第二沉水馬達
S100~S600:步驟
S110~S710:步驟
圖1為本發明的水產養殖之水質調節系統的整體方塊示意圖;
圖2為圖1的實施例之整體方塊示意圖;
圖3為本發明的水產養殖之水質調節方法的步驟流程圖;
圖4為本發明的支持向量機分類的步驟流程圖;
為使本發明實施例的目的、技術方案和優點更加清楚,下面將結合本發明實施例中的附圖,對本發明實施例中的技術方案進行清楚、完整地說明,顯然,所描述的實施例是本發明一部分實施例,而不是全部的實施例。基於本發明中的實施例,本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例,都屬本發明保護的範圍。
請參閱圖1及圖2,圖1為本發明的水產養殖之水質調節系統的整體方塊示意圖,圖2為圖1的實施例之整體方塊示意圖。該水產養殖之水質調節系統1,至少包括多個感測器11、一第一微處理器12、一第二微處理器13及多個相同或不同的馬達14。其中該多個感測器11電性連接該第一微處理器12,該第一微處理器12則電性連接該第二微處理器13及多個馬達14。
為了詳細說明本發明的技術手段,前述的多個感測器11在本發明的實施例中係採用一溫度感測器111、一溶氧感測器112、一氨氮感測器113、一鹽度感測器114及一氫離子濃度指數感測器115來做為說明,但該說明並不是用於限制本案的技術特徵。
其中該溫度感測器111可採用例如DS18B20感測器來偵測水體的溫度(Temperature,簡稱T);其中該溶氧感測器112可採用例如CAS-212DY感測器來偵測溶解於水中之氧氣濃度
(Dissolved Oxygen,簡稱DO);其中該氨氮感測器113可採用例如CWS-4200感測器來偵測水中的氨氮濃度(Ammonia nitrogen,簡稱NH3);其中該鹽度感測器114可採用例如CSDL-1SSY感測器來偵測溶解於水中的含鹽總量(Salinity,簡稱S);其中該氫離子濃度指數感測器115可採用例如E-201-C感測器來偵測水中的氫離子濃度(簡稱pH值)的變化。並且前述所提到的感測器11內都可設置有一時間計時器的功能,利用該時間計時器來自行預設時間以執行開啟或關閉偵測的動作。
前述的第一微處理器12為嵌入式系統,例如可採用myRIO-1900嵌入式設備等。
前述的第二微處理器13為運算系統,例如可採用桌上型電腦、筆記型電腦、智慧手機或平板電腦等。並且該運算系統上設置有一人機介面系統131和一監督式學習的演算法,例如可採用支持向量機(Support Vector Machine,簡稱SVM)132。
同樣的,為了詳細說明本發明的技術手段,前述的多個馬達14在本發明實施例中係採用三個水車馬達為第一水車馬達141、第二水車馬達142、第三水車馬達143及二個沉水馬達為第一沉水馬達144及第二沉水馬達145來做為說明,但該說明並不是用於限制本案的技術特徵。
其中該第一水車馬達141、第二水車馬達142及第三水車馬達143係各別設置在水面上的不同位置進行打水,利用快
速轉動後所產生的波浪,將其產生的溶氧氣泡帶離擴散,用於提高水中的氧氣含量。其中該第一沉水馬達144係用於進水,而該第二沉水馬達145係用於排水。
以上,需要特別說明的是:本發明的實施例為利用各個感測器11的不同屬性來取得目前水質的溫度參數、溶氧參數、氨氮參數、鹽度參數及pH參數;並且該第一微處理器12會將前述讀取到的5種參數傳送給該第二微處理器13的人機介面系統131呈現出來,並進行一支持向量機(Support Vector Machine,簡稱SVM)132的分類,該支持向量機132會依據該5種參數來分類並輸出對應的一標籤訊號給該第一微處理器12,該第一微處理器12再依據該標籤訊號來控制各個馬達的開啟、關閉、轉速大小等運作。
其中該人機介面系統131方面,使用者除可透過圖像化的方式直接閱讀數值得知資訊外,並可將個別參數所落於的區間顯示出來,當數值有異常時可以出現警示(例如燈亮),或當本發明的系統任一環節出現問題時,也會出現該系統的異常警示(例如燈亮),讓使用者可透過曲線圖得知水質變化的趨勢以方便做因應對策。
請參閱圖3,圖3為本發明的水產養殖之水質調節方法的步驟流程圖。本發明的水產養殖之水質調節方法,包括如下步驟:
第一步驟S100:判斷是否已到達啟動多個感測器的預設時間。如果預設時間還未到達,即持續判斷該預設時間是否到達?如果預設時間到達,則進行下一步驟。
第二步驟S200:多個感測器開始偵測水質資訊,並取得多個水質參數。
第三步驟S300:第一微處理器讀取該多個水質參數並傳送給第二微處理器。
第四步驟S400:第二微處理器依據該多個水質參數來進行支持向量機的分類,並將該水質參數透過一人機介面系統以圖像化方式呈現出來;
第五步驟S500:支持向量機分類後產生對應的分類標籤訊號,並將該分類標籤訊號輸出給該第一微處理器。
第六步驟S600:第一微處理器依據該分類標籤訊號來控制各個馬達的運作。
請參閱圖4,圖4為本發明的支持向量機分類的步驟流程圖。前述該第四步驟S400中的支持向量機132的分類,具有如下步驟:
第一步驟S110:資料建立。
第二步驟S210:判斷該資料是否以線性向量機分類?如果該資料是以線性向量機分類,則進行下一步驟;反之,如果不是以線性向量機分類,則會以非線性向量機分類,並且選
擇核函數,然後再進行下一步驟。其中該核函數至少包括有線性核函數(linear kernel)、多項式函數(polynomial kernel)、高斯徑向基底函數(radial basis function,簡稱RBF)或雙曲正切函數(hyperbolic tangent function)。
第三步驟S310:依據選擇後的核函數來決定是否將該資料進行比例縮放。其中該資料的比例縮放可採用三種方式,第一種為資料比例不縮放、第二種為資料比例縮放至[0,1]區間、第三種為資料比例縮放至[-1,+1]區間。
第四步驟S410:利用網格搜尋法調整正規化參數(C)和核函數參數(γ)。其中該C表示模型對誤差的懲罰係數,而該γ則反映了數據映射到高維特徵空間後的分布;所以C越大,模型越容易過擬合,而C越小,則模型越容易欠擬合。同樣的,當γ越大,支持向量越多,γ值越小,則支持向量越少。為維持模型在過擬合和欠擬合之間的平衡,往往最佳的參數范圍是C比較大,γ比較小;或者C比較小,γ比較大。也就是說當本發明的模型過擬合時,會增大C或者增大γ,但不會同時增加;而模型欠擬合的時候,則會減小C或者減小γ。
第五步驟S510:將該資料分成80%的訓練資料和20%的測試資料,並進行交叉驗證。其中該交叉驗證可採用例如一k折交叉驗證法(k-fold-cross-validation),該k折交叉驗證法係將資料隨機平均分成k個集合,然後將某一個集合當做「測試資料(Testing data)」,剩下的k-1個集合做為「訓練資料(Training
data)」,如此重複進行直到每一個集合都被當做「測試資料(Testing data)」為止。
第六步驟S610:判斷交叉驗證後的結果(predication results)是否等於真實答案(ground truth)。如果交叉驗證的結果不等於真實答案,則重回第四步驟S410進行C與γ參數的調整。如果交叉驗證的結果等於真實答案,則進行第七步驟S710:輸出最佳分類參數。
前述本發明實施例所採用的線性支持向量機分類的
方程式為:,其中α i 為拉格朗日乘數、x,x i
為特徵向量、y i 為資料標籤、b為偏差值。當用此該線性方程式f(x)對新的資料做分類時,當f(x)>1時則該資料與標註為+1的資料屬於同一類;反之當該資料與標註為-1的資料則屬於另一類。
前述本發明實施例所採用的4種核函數的方程式為:
(1)線性核函數的方程式為:K(x i .x j )=x i .x j T ,其中K為核函數、x i 和x j 為樣本、T為映射函數。
(3)高斯徑向基底函數的方程式為:K(x i .x j )=exp(-γ∥x i -x j ∥)2,其中K為核函數、xi和xj為樣本、∥x i -x j ∥為兩個樣本的特徵向量之間的平方歐幾里得距離、γ參數會影響每個支持向量對應的高斯作用的範圍。
(4)雙曲正切函數的方程式為:K(x i .x j )=tanh(kx i .x j +c),其中K為核函數、x i 和x j 為樣本、k和c為常數。
本發明的實施例以金目鱸魚為養殖對象,金目鱸為熱帶與亞熱帶魚類,棲息環境包括:淡水、半鹹水以及全海水,屬廣鹽性魚類且不耐低溫,全國養殖集中地以南部為主。因此為了適合金目鱸生長的養殖環境,本發明實施例將金目鱸適合生長的養殖環境參數,分為五個區間來建立養殖的最佳生長環境數據並給與支持向量機訓練,如下表1所示。
再利用前述表1建立的金目鱸養殖環境的數據,提供給支持向量機進行訓練,經支持向量機訓練結果後,將輸出如下表16種分別對應到不同的水質環境的分類標籤,再依據該分類標籤來控制不同的馬達,以達到水質環境調整的目的,如下表2所示。
前述該支持向量機訓練過程中的選擇核函數,透過下述該四種核函數,最終得到高斯徑向基底核函數(RBF)有最高的78.16%分類正確率,並用以做為本實施例的支持向量機所使用,如下表3所示。
前述該支持向量機訓練過程中的決定資料比例縮放,透過下述該三種比較,得出當資料縮放至[-1,+1]時,會有最高78.16%的分類正確率,並用以做為本實施例採用,將訓練資料縮放至[-1,+1],如下表4所示。
本實施例使用網格搜尋法找出每一種的參數組合,再利用5折交叉驗證法(k折交叉驗證法)的方式驗證準確性,最終找出當(C,γ)=(32768,0.5)時有最高95.029%的分類正確率。
雖然本發明以前述的諸項實施例揭露如上,然其並非用以限定本發明,任何熟習相像技藝者,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,因此本發明的專利保護範圍須視本說明書所附的權利要求的保護範圍所界定者為准。
S100~S600:步驟
Claims (10)
- 一種水產養殖之水質調節方法,包括如下步驟:第一步驟:判斷是否已到達啟動多個感測器的預設時間;第二步驟:該多個感測器開始偵測水質資訊,並取得多個水質參數;第三步驟:一第一微處理器讀取該多個水質參數並傳送給一第二微處理器;第四步驟:該第二微處理器依據該多個水質參數來進行支持向量機的分類,並將該水質參數透過一人機介面系統以圖像化方式呈現出來;第五步驟:該支持向量機分類後產生對應的分類標籤訊號,並將該分類標籤訊號輸出給該第一微處理器;第六步驟:該第一微處理器依據該分類標籤訊號來控制各個馬達的運作;其中該支持向量機分類具有如下步驟:第一步驟:資料建立;第二步驟:判斷該資料是否以一線性支持向量機分類;如果該資料是以該線性支持向量機分類,則進行下一步驟;反之,如果不是以該線性向量機分類,則會改以一非線性支持向量機分類,並進行一選擇核函數,然後再進行下一步驟; 第三步驟:依據該線性支持向量機或選擇後的核函數來決定是否將該資料進行比例縮放;第四步驟:利用一網格搜尋法來調整該資料的一正規化參數和一核函數參數;第五步驟:將該資料分成80%的訓練資料和20%的測試資料,並進行交叉驗證;第六步驟:判斷該交叉驗證後的結果是否等於真實答案;如果交叉驗證的結果不等於真實答案,則重回第四步驟進行正規化參數與核函數參數的調整;反之,如果交叉驗證的結果等於真實答案,則輸出最佳分類參數;其中該線性支持向量機分類的方程式為: ,其中α i 為拉格朗日乘數、x,x i 為 特徵向量、y i 為資料標籤、b為偏差值,而該非線性支持向量機分類的 方程式為:,其中α i 為拉格朗日乘 數、x,x i 為特徵向量、K為核函數、y i 為資料標籤、b為偏差值。
- 如請求項1所述之水產養殖之水質調節方法,其中該多個感測器至少包括一溫度感測器、一溶氧感測器、一氨氮感測器、一鹽度感測器及一氫離子濃度指數感測器。
- 如請求項1所述之水產養殖之水質調節方法,其中該水質參數至少包括一溫度參數、一溶氧參數、一氨氮參數、一鹽度參數及一氫離子濃度參數。
- 如請求項1所述之水產養殖之水質調節方法,其中該第一微處理器為嵌入式系統。
- 如請求項1所述之水產養殖之水質調節方法,其中該第二微處理器為裝設有一監督式學習演算法的運算系統。
- 如請求項1所述之水產養殖之水質調節方法,其中該核函數至少包括有一線性核函數、多項式函數、高斯徑向基底函數或雙曲正切函數。
- 如請求項6所述之水產養殖之水質調節方法,其中該線性核函數的方程式為:K(x i .x j )=x i .x j T ,其中K為核函數、x i 和x j 為樣本、T為映射函數。
- 如請求項6所述之水產養殖之水質調節方法,其中該高斯徑向基底函數的方程式為:K(x i .x j )=exp(-γ∥x i -x j ∥)2,其中K為核函數、x i 和x j 為樣本、∥x i -x j ∥為兩個樣本的特徵向量之間的平方歐幾里得距離、γ參數會影響每個支持向量對應的高斯作用的範圍。
- 如請求項6所述之水產養殖之水質調節方法,其中該雙曲正切函數的方程式為:K(x i .x j )=tanh(kx i .x j +c),其中K為核函數、x i 和x j 為樣本、k和c為常數。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110144067A TWI793879B (zh) | 2021-11-25 | 2021-11-25 | 水產養殖之水質調節方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110144067A TWI793879B (zh) | 2021-11-25 | 2021-11-25 | 水產養殖之水質調節方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI793879B true TWI793879B (zh) | 2023-02-21 |
TW202321161A TW202321161A (zh) | 2023-06-01 |
Family
ID=86689321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110144067A TWI793879B (zh) | 2021-11-25 | 2021-11-25 | 水產養殖之水質調節方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI793879B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5540819A (en) * | 1992-06-04 | 1996-07-30 | Nauchno-Proizvodstvennoe Obiedinenie "Ekran" Vsesojuzny Nauchno-Issledovatelsky I Ispytatelny Institut Meditsinskoi Tekhniki | Water treatment method |
TW200827307A (en) * | 2006-12-20 | 2008-07-01 | Univ Nat Chunghsing | The treating method of aquaculture waste-water and the apparatus thereof |
CN112321016A (zh) * | 2020-10-29 | 2021-02-05 | 广州花筑科技有限公司 | 一种具有水质监控功能的水处理设备 |
-
2021
- 2021-11-25 TW TW110144067A patent/TWI793879B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5540819A (en) * | 1992-06-04 | 1996-07-30 | Nauchno-Proizvodstvennoe Obiedinenie "Ekran" Vsesojuzny Nauchno-Issledovatelsky I Ispytatelny Institut Meditsinskoi Tekhniki | Water treatment method |
TW200827307A (en) * | 2006-12-20 | 2008-07-01 | Univ Nat Chunghsing | The treating method of aquaculture waste-water and the apparatus thereof |
CN112321016A (zh) * | 2020-10-29 | 2021-02-05 | 广州花筑科技有限公司 | 一种具有水质监控功能的水处理设备 |
Also Published As
Publication number | Publication date |
---|---|
TW202321161A (zh) | 2023-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Near infrared computer vision and neuro-fuzzy model-based feeding decision system for fish in aquaculture | |
Liu et al. | Prediction of dissolved oxygen content in river crab culture based on least squares support vector regression optimized by improved particle swarm optimization | |
CN115879771B (zh) | 一种养殖池塘溶解氧智能调控方法及系统 | |
CN109472883A (zh) | 巡塘方法和装置 | |
Coffey et al. | Diel patterns in swimming behavior of a vertically migrating deepwater shark, the bluntnose sixgill (Hexanchus griseus) | |
CN113158364A (zh) | 循环泵轴承故障检测方法及系统 | |
CN109657200B (zh) | 一种确定湖泊水库蓝藻水华爆发几率的方法 | |
CN113170758A (zh) | 一种基于鱼群行为和底部排污特性的变速流智能控制系统 | |
Zenooz et al. | Comparison of different artificial neural network architectures in modeling of Chlorella sp. flocculation | |
Yolanda et al. | Control of electrical conductivity for nft hydroponic systems using fuzzy logic and android environment | |
TWI793879B (zh) | 水產養殖之水質調節方法 | |
Musa et al. | An intelligent plant dissease detection system for smart hydroponic using convolutional neural network | |
Capetillo-Contreras et al. | Artificial Intelligence-Based Aquaculture System for Optimizing the Quality of Water: A Systematic Analysis | |
CN114442686B (zh) | 溶解氧浓度的控制方法、装置、电子设备及存储介质 | |
Natan et al. | Design and implementation of embedded water quality control and monitoring system for indoor shrimp cultivation | |
CN114296487A (zh) | 一种养殖池盐度参数智能调控方法及系统 | |
Palconit et al. | Multi-gene genetic programming of iot water quality index monitoring from fuzzified model for Oreochromis niloticus recirculating aquaculture system | |
Pitakphongmetha et al. | Internet of things for aquaculture in smart crab farming | |
Hu et al. | Big data analysis on water quality condition in a white shrimp farming environment | |
CN109781951B (zh) | 一种鱼塘水质监测系统及监测方法 | |
Mamatha et al. | Remotely monitored web based smart hydroponics system for crop yield prediction using IoT | |
Borowiak et al. | A straightforward logistic method for feeding a fed-batch baker's yeast culture | |
CN112001641B (zh) | 一种扇贝养殖区适宜性遥感评估系统 | |
CN116027835B (zh) | 一种高速增氧机控制方法及控制系统 | |
CN116998453B (zh) | 一种用于水产养殖的智能低氧预警系统 |