本发明专利技术水产养殖技术领域，尤其涉及一种鱼类摄食状态的检测方法。所述检测方法包括：获得鱼群采食时的纹理特征和形状特征；将所述鱼群采食时的纹理特征和形状特征代入预设深度森林模型中，得到所述待测鱼群的摄食状态。该方法将鱼群采食时的纹理特征和形状特征以及对应的摄食状态相结合构建深度森林模型，进而可以直接通过鱼群采食照片的纹理特征和形状特征判断鱼群的摄食状态，准确率高，可达到95％左右，这为鱼类的精准饲喂提供理论支持和解决途径。解决途径。解决途径。
【技术实现步骤摘要】
一种鱼类摄食状态的检测方法及装置
[0001]本专利技术涉及水产养殖
，尤其涉及一种鱼类摄食状态的检测方法及装置。
技术介绍
[0002]目前，集约化水产养殖的发展导致饲料在总成本中的比例增加。因此，在生产过程中投喂不足或者过度投喂，都会对鱼类的正常生长造成影响。投喂不足将导致鱼类体重下降，经济效益下滑。过度投喂会导致经济效益损失，而且未吃完的饲料也会污染环境，造成水体富营养化。因此在循环水养殖系统中，对鱼类精准投喂的控制提出了更高的要求。
[0003]现有技术对鱼类摄食行为的研究中，主要包括间接检测和直接检测两类方法。间接检测法是通过实时检测水中残余饵料数量，从而估计鱼群的摄食状态。但实际循环水养殖车间常常光线较弱、鱼群密集，导致从拍摄图片中分割残饵目标极其困难。中国专利申请号CN201710238952.0、名称为“一种水产养殖的自动投饵和水质监测控制系统及方法”用OTSU和EM算法计算残饵数量，但由于饵料重叠、鱼群和水草杂物等遮挡，造成测量精度不稳定，容易产生误差。直接检测法首先对目标鱼群的饥饿状态进行标记，然后将训练样本输入设定好的卷积神经网络里进行模型训练，该方法与传统检测方法相比，具有精度高的特点，但此类方法通常需要较大的样本量以及过多的超参数，导致实际操作困难。中国专利申请号CN201910805322.6、名称为“一种河蟹养殖投饵量的精准确定方法”用水下摄像头拍摄河蟹照片训练多层卷积神经网络，所需时间较长、设置超参数过多、需要样本量过大。
技术实现思路
[0004]为了解决现有技术中间接检测法测量结果误差较大，直接检测法需要较大的样本量以及过多的超参数的技术问题，本专利技术提供一种鱼类摄食状态的检测方法及装置。
[0005]第一方面，本专利技术提供一种鱼类摄食状态的检测方法，包括：
[0006]拍照得到鱼群采食图片；
[0007]提取所述鱼群采食图片的纹理特征和形状特征；
[0008]将所述纹理特征和形状特征输入预设深度森林模型中，得到所述待测鱼群的摄食状态；
[0009]所述预设深度森林模型为基于鱼群的摄食状态与对应的摄食时的纹理特征和形状特征训练得到；所述摄食状态包括饱腹、低度饥饿、中度饥饿和高度饥饿。
[0010]进一步地，提取所述鱼群采食图片的纹理特征和形状特征，具体为：
[0011]针对所述鱼群采食图片去除背景后建立灰度共生矩阵，将所述灰度共生矩阵的熵作为纹理特征；
[0012]将所述灰度共生矩阵的圆弧度作为形状特征。
[0013]进一步地，将所述纹理特征和形状特征输入预设深度森林模型中，得到所述待测鱼群的摄食状态，具体为：
[0014]通过多粒度扫描模块对所述纹理特征和形状特征进行扫描得到特征向量；
[0015]将所述特征向量输入多粒度扫描模块中的随机森林和完全随机森林后输出分类向量；
[0016]将所述分类向量与所述纹理特征和形状特征连接输入到所述预设深度森林模型中，得到所述待测鱼群的摄食状态。
[0017]进一步地，所述预设深度森林模型的构建方法如下：
[0018]对不同摄食状态的鱼群进行拍摄得到多张鱼群采食照片和每张鱼群采食照片对应的摄食状态；
[0019]针对每张鱼群采食照片去除背景，后建立相应的灰度共生矩阵；
[0020]针对每张鱼群采食照片对应的灰度共生矩阵进行处理，提取灰度共生矩阵的熵作为纹理特征，提取灰度共生矩阵的圆形度作为形状特征；
[0021]将每张鱼群采食照片对应的纹理特征和形状特征以及摄食状态作为一个训练样本，获得多个训练样本，利用多个训练样本对所述预设深度森林模型进行训练。
[0022]进一步地，针对每张鱼群采食照片去除背景，后建立相应的灰度共生矩阵，具体为：
[0023]利用均值背景法从多张鱼群采食照片中提取图像背景，利用背景差分法将每张鱼群采食照片和所述图像背景相减，提取运动的前景建立相应的灰度共生矩阵。
[0024]进一步地，提取运动的前景建立相应的灰度共生矩阵，具体为：
[0025]设定阈值T，针对运动的前景，逐个对像素点进行二值化处理得到二值化图像，再进行连通性分析得到仅有鱼体的图片，针对所述仅有鱼体的图片建立相应的灰度共生矩阵。
[0026]进一步地，利用多个训练样本对所述预设深度森林模型进行训练，具体为：
[0027]选用3个滑窗对多个训练样本进行扫描得到3类不同维度的特征向量，将特征向量输入一个随机森林和一个完全随机森林输出分类向量后串联所有的分类向量输入级联森林模块进行训练；
[0028]所述级联森林模块中每一层都由至少1个随机森林和至少1个完全随机森林组成，在输入分类向量后经过学习得到新的分类向量，将每一层得到的新的分类向量和输入的分类向量串联后输入到下一层中进行学习。
[0029]级联森林模块中每一层可以设置多个随机森林和多个完全随机森林，增加森林的数量可以更快提升模型的精度，但是同样会延长建模的时间。
[0030]进一步地，在所述级联森林模块中，从第二层开始，在每一层学习完成后设置交叉检验检测模型性能，若总体精度提升的幅度小于1％则完成所述预设深度森林模型的训练，否则，继续下一层的学习。
[0031]进一步地，所述摄食状态具体为：
[0032](1)饱腹：鱼儿饱腹状态，不摄食；
[0033](2)低度饥饿：鱼儿仅吃面前的食物，不游动摄食；
[0034](3)中度饥饿：鱼儿游动摄食，摄食后返回原位置；
[0035](4)高度饥饿：鱼儿在食物间游动并争抢食物。
[0036]本专利技术提供的方法可以针对多种鱼类进行摄食状态的检测，例如罗非鱼、斑石雕和镜鲤等。
[0037]第二方面，本专利技术提供一种鱼类摄食状态检测装置，包括：
[0038]图像采集模块，用于拍照得到鱼群采食图片；
[0039]特征提取模块，用于提取所述鱼群采食图片的纹理特征和形状特征；
[0040]摄食状态检测模块，用于将所述纹理特征和形状特征输入预设深度森林模型中，得到所述待测鱼群的摄食状态；
[0041]所述预设深度森林模型为基于鱼群的摄食状态与对应的摄食时的纹理特征和形状特征训练得到；所述摄食状态包括饱腹、低度饥饿、中度饥饿和高度饥饿。
[0042]本专利技术具备如下有益效果：
[0043]本专利技术将鱼群采食时的纹理特征和形状特征以及对应的摄食状态相结合构建深度森林模型，进而可以直接通过鱼群采食照片的纹理特征和形状特征判断鱼群的摄食状态。相较于现有技术的方法而言，判断结果准确，所需输入参数、样本量少，为鱼类的精准饲喂提供理论支持和解决途径。
附图说明
[0044]图1为本专利技术提供的鱼类摄食状态的检测方法的流程图。
具体实施方式
[0045]以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。
[0046]实施例1
[0047]本实施例提供一种基于深本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种鱼类摄食状态的检测方法，其特征在于，包括：拍照得到鱼群采食图片；提取所述鱼群采食图片的纹理特征和形状特征；将所述纹理特征和形状特征输入预设深度森林模型中，得到所述待测鱼群的摄食状态；所述预设深度森林模型为基于鱼群的摄食状态与对应的摄食时的纹理特征和形状特征训练得到；所述摄食状态包括饱腹、低度饥饿、中度饥饿和高度饥饿。2.根据权利要求1所述的检测方法，其特征在于，提取所述鱼群采食图片的纹理特征和形状特征，具体为：针对所述鱼群采食图片去除背景后建立灰度共生矩阵，将所述灰度共生矩阵的熵作为纹理特征；将所述灰度共生矩阵的圆弧度作为形状特征。3.根据权利要求1或2所述的检测方法，其特征在于，将所述纹理特征和形状特征输入预设深度森林模型中，得到所述待测鱼群的摄食状态，具体为：通过多粒度扫描模块对所述纹理特征和形状特征进行扫描得到特征向量；将所述特征向量输入多粒度扫描模块中的随机森林和完全随机森林后输出分类向量；将所述分类向量与所述纹理特征和形状特征连接输入到所述预设深度森林模型中，得到所述待测鱼群的摄食状态。4.根据权利要求1所述的检测方法，其特征在于，所述预设深度森林模型的构建方法如下：对不同摄食状态的鱼群进行拍摄得到多张鱼群采食照片和每张鱼群采食照片对应的摄食状态；针对每张鱼群采食照片去除背景，后建立相应的灰度共生矩阵；针对每张鱼群采食照片对应的灰度共生矩阵进行处理，提取灰度共生矩阵的熵作为纹理特征，提取灰度共生矩阵的圆形度作为形状特征；将每张鱼群采食照片对应的纹理特征和形状特征以及摄食状态作为一个训练样本，获得多个训练样本，利用多个训练样本对所述预设深度森林模型进行训练。5.根据权利要求4所述的检测方法，其特征在于，针对每张鱼群采食照片去除背景，后建立相应的灰度共生矩阵，具体为：利用均值背景法从多张鱼群采食照片中提取图像背景，利用背景差分法将每张鱼群采食照片和所述图像背景相减，...
【专利技术属性】
技术研发人员：刘春红，孔庆辰，叶荣珂，李道亮，陈英义，段青玲，张玉泉，蔡振鑫，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。