WO2023241126A1 - 水产养殖育种预测系统 - Google Patents

水产养殖育种预测系统 Download PDF

Info

Publication number
WO2023241126A1
WO2023241126A1 PCT/CN2023/080621 CN2023080621W WO2023241126A1 WO 2023241126 A1 WO2023241126 A1 WO 2023241126A1 CN 2023080621 W CN2023080621 W CN 2023080621W WO 2023241126 A1 WO2023241126 A1 WO 2023241126A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
formula
prediction
prediction system
collected
Prior art date
Application number
PCT/CN2023/080621
Other languages
English (en)
French (fr)
Inventor
刘定国
黄镇涛
Original Assignee
隆博远踪有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 隆博远踪有限公司 filed Critical 隆博远踪有限公司
Publication of WO2023241126A1 publication Critical patent/WO2023241126A1/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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

Definitions

  • the invention relates to an aquaculture breeding prediction system, in particular to a trend formula established using environmental factors to predict breeding conditions.
  • the invention provides an aquaculture breeding prediction system.
  • the aquaculture and prediction system is divided into two sections: process monitoring during the breeding of aquatic species, and a prediction mechanism that can provide results for the next breeding cycle.
  • the invention provides an aquaculture breeding prediction system, which includes:
  • Data collection unit for collecting environment-related data
  • the data processing unit arranges the collected environment-related data into a trend formula
  • the data analysis and prediction unit uses the trend formula to perform artificial intelligence analysis and prediction on the data to be predicted collected by the data collection unit.
  • the data collection unit collects environmental data through sensors, and stores the collected data in a database or display through a communication gateway.
  • the collected data is filtered, sorted and displayed by decrypting the source code.
  • the sensors include, but are not limited to, pH sensors, salinity sensors, dissolved oxygen sensors, conductivity sensors, ammonia nitrogen sensors, nitrite sensors, total dissolved solids sensors, water temperature sensors, and water level sensors. one or more.
  • the data processing unit uses a machine learning server to organize the collected environment-related data, and uses existing settings to arrange trends to obtain a trend formula.
  • the sensors will collect various water and environmental sensing parameters and broadcast them over the Internet to IoT dashboards and machine learning engines.
  • Machine learning servers are commercialized by leasing or building your own servers, which can be current cloud platform server suppliers, such as Google, Amazon, Microsoft machine learning servers, etc.
  • the existing setting is a standard preset formula in the machine learning server.
  • the data analysis and prediction unit is based on the trend formula and uses a learning formula to perform artificial intelligence analysis and prediction on the non-specific and suspected similar or close trend data to be measured collected by the data collection unit. .
  • the learning formula is a machine learning formula.
  • the learning formula is also a machine learning formula, which sorts out trends through continuously collected big data and targets them. Standard or improved or modified formulas are used to conduct a new round of artificial intelligence prediction results.
  • Artificial intelligence analysis can use, for example, Google's cloud artificial intelligence analysis engine called Vertex AI.
  • the data generated after the data results to be predicted are actually generated will be collected again by the data collection unit and processed by the data processing unit to adjust and improve the trend formula, and the improved The trend formula will be used for the next round of artificial intelligence analysis predictions.
  • Benchmarking environmental and water sensing parameters via a machine learning library will initially generate analytical results for further validation and proactive processes.
  • the machine learning formula will improve or improve the trend according to the larger series of big data to produce artificial intelligence prediction results.
  • All data will be processed by cloud-based servers, with the aim of triggering correlations between parameters and environmental parameters.
  • the machine learning server learns to understand patterns whenever there is evidence of data correlations, and finally the artificial intelligence server is able to derive machine learning hypotheses and predict the results of the next round of breeding.
  • the present invention uses the improved learning formula to conduct a new round of artificial intelligence analysis and prediction through non-specific and suspected similar or close trends collected by sensors.
  • the analysis results are machine-learned and improved through a new series of real-time sensor data.
  • Figure 1 shows the working principle and connection relationship of the aquaculture breeding prediction system.
  • Data is collected through data collection unit 1, using data
  • the processing unit 2 processes, and finally analyzes and predicts through the data analysis and prediction unit 3.
  • the analysis results are improved by machine learning through a new series of real-time sensor data to form a trend formula.
  • model 1.02 (tentative name)

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种水产养殖育种预测系统，具体的包括：数据收集单元（1），用于收集环境相关数据；数据处理单元（2），将收集的环境相关数据排列出走势公式；数据分析预测单元（3），利用所述走势公式，对所述数据收集单元（1）收集的待预测数据进行人工智能分析及预测。通过不断收集的大数据排列出走势并针对标准或已改善或改良的公式进行新一轮的人工智能预测，预测结果越准确。

Description

水产养殖育种预测系统 技术领域
本发明涉及一种水产养殖育种预测系统，具体涉及一种利用环境因素建立的走势公式来预测育种情况。
背景技术
目前，传统养殖一般都是采用较为陈旧的方法养殖各种物种和甲壳类，虽然养鱼者在养殖不同水品种方面有着丰富的经验，但相关的养殖方法较少被记录下来，以至于很多历史养殖信息无法检索。此外，无法直观地看到水的状况，养殖水质及环境的变化也缺乏过程控制，养殖户难以根据不同的环境场景监测水质，只能定期采集水样以检查有限的参数，但还是无法准确预测未来养殖变化。
发明内容
本发明提供了一种水产养殖育种预测系统。其中水产养殖与预测系统分为两个板块：水物种育种过程中的过程监控，以及能够为下一个育种周期提供结果的预测机制。
具体的为：
本发明提供一种水产养殖育种预测系统，包括：
数据收集单元，用于收集环境相关数据；
数据处理单元，将收集的环境相关数据排列出走势公式；
数据分析预测单元，利用所述走势公式，对所述数据收集单元收集的待预测数据进行人工智能分析及预测。
在一些实施例中，所述数据收集单元通过传感器收集环境数据，通过通讯闸道将收集的数据存在数据库或显示。
收集的数据通过解密原始码后进行筛选，排列并显示。
在一些实施例中，所述传感器包括但不限于酸碱度传感器，盐度传感器，溶氧量传感器，导电传感器，氨氮传感器，亚硝酸盐传感器，溶解性总固体值传感器，水温传感器，水位传感器中的一种或多种。
在一些实施例中，所述数据处理单元是利用机器学习服务器将收集的环境相关数据整理，并利用现有设定排列走势，得到走势公式。
传感器将收集各种水和环境传感参数，并通过互联网广播到物联网仪表板和机器学习引擎。
机器学习服务器商业化以租赁方式租用或自建服务器，可以是目前云端平台服务器供货商，如Google,亚马逊,微软机器学习服务器等等。
目前租用的商业机器学习服务器通常有“标准预设公式”，即“现有设定”可按照大数据的特性及指定排列进行初步学习，让使用者利用“标准公式”，也即“现有设定”进行微调。
在一些实施例中，所述现有设定为所述机器学习服务器中的标准预设公式。
在一些实施例中，所述数据分析预测单元是基于所述走势公式，利用学习公式，对所述数据收集单元收集的非特定及疑似雷同或接近的走势的待测数据进行人工智能分析及预测。
在一些实施例中，所述学习公式为机器学习公式。
学习公式也就是机器学习公式，通过不断收集的大数据排列出走势并针对 标准或已改善或改良的公式进行新一轮的人工智能预测结果。
人工智能分析可以采用例如Google的云端人工智能分析引擎，名为Vertex AI。
在一些实施例中，当所述待预测数据结果实际产生后产生的数据将再次被所述数据收集单元收集，并被所述数据处理单元处理以调整改善所述走势公式，改善后的所述走势公式将用于下一轮的人工智能分析预测。
通过机器学习库对环境和水传感参数进行基准测试，最初将生成分析结果，以便进行进一步验证并采取主动过程。当大数据越多，机器学习公式因应越多的一系列的大数据进行改善或改良后的走势进行人工智能预测结果，同类型或接近的走势越多，也代表人工智能的预测结果越准确。
所有数据都将由基于云的服务器处理，其目的是触发参数与环境参数之间的相互关系。机器学习服务器只要有数据相互关系的证据就进行学习以了解模式，最后人工智能服务器能够得出机器学习假设并预测下一轮育种结果。
本发明的有益效果：
本发明利用改善后的学习公式通过传感器收集的非特定及疑似雷同或接近的走势进行新一轮的人工智能分析及预测，分析结果通过新一系列实时传感器数据进行机器学习改善后的走势公式，通过不断收集的大数据排列出走势并针对标准或已改善或改良的公式进行新一轮的人工智能预测，预测结果越准确。
附图说明
图1为水产养殖育种预测系统工作原理及连接关系。1-数据收集单元；2-数据处理单元；3-数据分析预测单元。数据通过数据收集单元1收集，利用数据 处理单元2处理，最后通过数据分析预测单元3进行分析预测，分析结果通过新一系列实时传感器数据进行机器学习改善后的走势公式。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。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，都属于本发明的保护范围。此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
1、传感器采集数据：
数据A1，A2，A3……
数据B1，B2，B3……
数据C1，C2，C3……
(A、B、C……涉及酸碱度，盐度，溶氧量，导电，氨氮，亚硝酸盐，溶解性总固体值，水温，水位等)
2、数据库
非列序传感器数据收集
A1，B2，B1，A2，C1，B3，C2，A3，C3.
3、机器学习引擎
3.1按公式排列
A1,B1,C1
A2,B2,C2
A3,B3,C3...
3.2学习走势
A1+B1+C1＝走势1
A2+B2+C2＝走势2
A3+B3+C3＝走势3...
4、人工智能引擎
假设走势1+走势2＝模型1(模型可以通过多个走势组合)
当出现走势3时分析走势3比较接近哪一组模型(1或2)进行未来预测当走势3从预测变成实质走势后，分析预测vs实质并进行微调，变成优化后的模型1,暂命名模型1.01
当出现走势4时分析走势4比较接近哪段落的走势，并于模型1.01基础上进行未来预测
当走势4从预测变成实质走势后，分析预测vs实质并进行微调，便从模型1.02优化变成模型1.02(暂名)
重复此循环。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变凝，本发明的范围由权利要求及其等同物限定。

Claims (8)

  1. 一种水产养殖育种预测系统，包括：
    数据收集单元，用于收集环境相关数据；
    数据处理单元，将收集的环境相关数据排列出走势公式；
    数据分析预测单元，利用所述走势公式，对所述数据收集单元收集的待预测数据进行人工智能分析及预测。
  2. 根据权利要求1所述的水产养殖育种预测系统，其中，所述数据收集单元通过传感器收集环境数据，通过通讯闸道将收集的数据存在在数据库或显示。
  3. 根据权利要求2所述的水产养殖育种预测系统，其中，所述传感器包括但不限于酸碱度传感器，盐度传感器，溶氧量传感器，导电传感器，氨氮传感器，亚硝酸盐传感器，溶解性总固体值传感器，水温传感器，水位传感器中的一种或多种。
  4. 根据权利要求1所述的水产养殖育种预测系统，其中，所述数据处理单元是利用机器学习服务器将收集的环境相关数据整理，并利用现有设定排列走势，得到走势公式。
  5. 根据权利要求4所述的水产养殖育种预测系统，其中，所述现有设定为所述机器学习服务器中的标准预设公式。
  6. 根据权利要求1所述的水产养殖育种预测系统，其中，所述数据分析预测单元是基于所述走势公式，利用学习公式，对所述数据收集单元收集的非特定及疑似雷同或接近的走势的待测数据进行人工智能分析及预测。
  7. 根据权利要求6所述的水产养殖育种预测系统，其中，所述学习公式为机器学习公式。
  8. 根据权利要求1-7任一项所述的水产养殖育种预测系统，其中，当所述待 预测数据结果实际产生后产生的数据将再次被所述数据收集单元收集，并被所述数据处理单元处理以调整改善所述走势公式，改善后的所述走势公式将用于下一轮的人工智能分析预测。
PCT/CN2023/080621 2022-06-16 2023-03-09 水产养殖育种预测系统 WO2023241126A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
HK32022055286 2022-06-16
HK32022055286.5 2022-06-16

Publications (1)

Publication Number Publication Date
WO2023241126A1 true WO2023241126A1 (zh) 2023-12-21

Family

ID=86469459

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2023/080621 WO2023241126A1 (zh) 2022-06-16 2023-03-09 水产养殖育种预测系统

Country Status (3)

Country Link
CN (1) CN116187576A (zh)
TW (1) TWM651615U (zh)
WO (1) WO2023241126A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108717586A (zh) * 2018-05-10 2018-10-30 江南大学 一种基于长短时记忆网络的水产养殖环境溶解氧预测方法
CN112019607A (zh) * 2020-08-14 2020-12-01 华东师范大学 基于可视化云平台的智慧农场综合控制方法及系统
CN112858619A (zh) * 2021-03-03 2021-05-28 华南农业大学 一种对虾养殖水质的预测预警方法
US20210173118A1 (en) * 2019-12-06 2021-06-10 Toyota Jidosha Kabushiki Kaisha Environment prediction system and environment prediction method
CN114169250A (zh) * 2021-12-24 2022-03-11 中国农业大学 一种基于时空序列的溶解氧预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108717586A (zh) * 2018-05-10 2018-10-30 江南大学 一种基于长短时记忆网络的水产养殖环境溶解氧预测方法
US20210173118A1 (en) * 2019-12-06 2021-06-10 Toyota Jidosha Kabushiki Kaisha Environment prediction system and environment prediction method
CN112019607A (zh) * 2020-08-14 2020-12-01 华东师范大学 基于可视化云平台的智慧农场综合控制方法及系统
CN112858619A (zh) * 2021-03-03 2021-05-28 华南农业大学 一种对虾养殖水质的预测预警方法
CN114169250A (zh) * 2021-12-24 2022-03-11 中国农业大学 一种基于时空序列的溶解氧预测方法及系统

Also Published As

Publication number Publication date
CN116187576A (zh) 2023-05-30
TWM651615U (zh) 2024-02-11

Similar Documents

Publication Publication Date Title
JP2020500420A (ja) マシンラーニング基盤の半導体製造の収率予測システム及び方法
US20200202051A1 (en) Method for Predicting Outcome of an Modelling of a Process in a Bioreactor
Gengler Symposium review: Challenges and opportunities for evaluating and using the genetic potential of dairy cattle in the new era of sensor data from automation
CN116519895B (zh) 一种基于大数据平台的水质在线监测分析管理系统
JP6860773B2 (ja) 農地の土壌状態を予測するモノのインターネットシステム及びモデリング方法
US20190385707A1 (en) Phenotype measurement systems and methods
CN117322214B (zh) 一种基于神经网络的农作物肥料精准施用方法与系统
CN106940718A (zh) 一种获取候鸟迁徙路径描述的方法、装置及服务器
CN109711590B (zh) 渔业水质分析监测方法、装置和系统
CN109473148A (zh) 一种离子浓度预测方法、装置和计算机存储介质
CN112598443A (zh) 一种基于深度学习的线上渠道业务数据处理方法及系统
Zou et al. Bridging theory and experiments of priority effects
WO2023241126A1 (zh) 水产养殖育种预测系统
Shukla et al. Early detection of potato leaf diseases using convolutional neural network with web application
CN117072338A (zh) 柴油发动机自适应喷油控制策略系统及优化方法
CN109187898B (zh) 水产养殖环境中水质氨氮含量的软测量方法及装置
EP3126833B1 (en) A method of predicting phenotypic instability in a cell
CN115063021B (zh) 水库大坝工程对环境影响的识别方法、系统、设备及介质
CN115545962A (zh) 一种基于多传感器系统的作物生长周期管控方法及系统
Wei et al. Soft-sensor software design of dissolved oxygen in aquaculture
CN110414146B (zh) 一种基于深度学习的水环境治理项目设计参数优化方法
CN117252284B (zh) 一种工业丝油剂原料的智能筛选方法及系统
CN117974348B (zh) 一种智慧农业物联网监测系统
CN117436771B (zh) 蠕墨铸铁制品的智能在线质量监测与优化控制系统
Sani et al. Crop Recommendation System using Random Forest Algorithm in Machine Learning

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23822698

Country of ref document: EP

Kind code of ref document: A1