基于计算机视觉识别的养殖对象进食量估算方法及系统技术方案

本发明专利技术涉及智能水产养殖技术领域，具体涉及了一种基于计算机视觉识别的养殖对象进食量估算方法及系统。包括以下步骤：影像采集步骤：采集养殖区域内的养殖对象的影像数据；影像处理步骤：对影像数据进行预处理，得到分析数据集；影像分析步骤：以分析数据集作为样本数据训练模型，将实时获取到的影像数据输入训练好的模型，输出养殖对象的数量和体型特征；数据处理步骤：根据养殖对象的数量以及体型特征，对养殖对象的进食量进行分析，生成养殖对象进食量估算结果。能够提高对养殖对象进食量计量的准确性。计量的准确性。计量的准确性。

【技术实现步骤摘要】
基于计算机视觉识别的养殖对象进食量估算方法及系统


[0001]本专利技术涉及智能水产养殖
，具体涉及了一种基于计算机视觉识别的养殖对象进食量估算方法及系统。

技术介绍

[0002]水产养殖是农业生产的重要组成部分，我国水产养殖产量连续多年局世界第一，是世界上重要的水产品生产和出口大国之一，水产养殖以成为我国农业生产的重要组成部分，是不少地方农村经济发展的支柱产业。
[0003]现有的水产养殖投喂饲料的方式主要是采用人工投喂，采用人工喂养时，人们往往根据养殖对象饲养时间以及肉眼观看养殖对象的体积，决定投喂食物量，通过这种方式计算食物量，主要依靠人的主观判断，非常不准确，当食物投放过多后，不仅会造成食物的浪费，而且有可能造成养殖对象进食过多，造成养殖对象进食过多造成鱼类死亡，或者是饲料残留溶解带来毒害性。若投放食物量过少，会影响鱼类的生长速度，减低鱼类繁殖速度。

技术实现思路

[0004]本专利技术所解决的技术问题在于提供一种基于计算机视觉识别的养殖对象进食量估算方法及系统，能够提高对养殖对象进食量计量的准确性。
[0005]本专利技术提供的基础方案：一种基于计算机视觉识别的养殖对象进食量估算方法，包括以下步骤：
[0006]影像采集步骤：采集养殖区域内的养殖对象的影像数据；
[0007]影像处理步骤：对影像数据进行预处理，得到分析数据集；
[0008]影像分析步骤：以分析数据集作为样本数据训练模型，将实时获取到的影像数据输入训练好的模型，输出养殖对象的数量和体型特征；
[0009]数据处理步骤：根据养殖对象的数量以及体型特征，对养殖对象的进食量进行分析，生成养殖对象进食量估算结果。
[0010]本专利技术的原理及优点在于：通过摄像头采集养殖区域内的养殖对象的影像，对影像进行筛选，得到分析数据集，以分析数据集作为训练样本训练识别模型，将新获取到的影像数据输入识别模型中后，识别出养殖区域内养殖对象的数量以及体型特征，养殖对象的体型是决定进食量的主要影响因素，因为在本方案中，是对养殖对象的进食量进行估算，因此根据养殖对象的体型特征和数量，能够估算出养殖区域内养殖对象大致的进食量，从而能够更加准确地计算本次所需投喂食物量。相比于现有技术中通过人工观测的方式，获取到养殖对象的数量以及体型，对养殖对象进食量进行判断，根据分析出的养殖对象进食量，决定投喂量，能够更加精确地对养殖对象的进食量进行计量，同时也能够减少人工成本。
[0011]进一步，所述影像处理步骤包括以下步骤：
[0012]S110：获取养殖区域的深度，并根据养殖区域的深度设置分析区域；
[0013]S120：根据分析区域范围以及影像数据，分析养殖对象的非沉底时段，根据影像数
据分析养殖对象的非进食时段；
[0014]S130：提取养殖对象非沉底时段和非进食时段的交集中的关键帧，作为分析数据集。
[0015]选取训练样本时，对采集到的影像数据进行筛选，首先根据养殖区域的深度，设定分析区域，选取养殖对象在非进食时段时，且大部分位于分析区域内的影像数据。由于养殖对象在进食时，会比较集中，密度较大，影像中的养殖对象会存在较多的重叠，不利于通过影像对养殖对象的数量以及体型进行识别分析。同时，养殖对象若沉底，影像无法清晰的识别，因此通过选择养殖对象在非沉底且非进食的时段，此时养殖对象处于自然养殖状态下，影像中的养殖对象不会出现过多的重叠，更加容易统计影像数据中养殖对象的数量以及体型特征，并且大部分养殖对象没有沉底，使统计结果更加准确。以养殖对象非沉底且非进食的时段的影像数据训练模型，并进行分析，使得分析结果更加准确。
[0016]进一步，所述影像分析步骤具体包括以下步骤：
[0017]S210：对分析数据集进行标记，训练图像分割模型；
[0018]S220：将实时获取到的影像数据输入图像分割模型，图像分割模型对影像数据进行分割，得到养殖对象影像；
[0019]S230：根据养殖对象影像确定养殖对象的数量；
[0020]S240：获取参照目标参数，根据参照目标参数以及养殖对象影像，判断养殖对象的体型特征，所述体型特征包括体长和体宽。
[0021]对分析数据集中养殖对象沿轮廓进行标记，训练图像分割模型，之后将新获取到的影像输入到图像分割模型中，图像分割模型从输入的影像中自动分割出养殖对象影像，根据养殖对象影像识别出养殖对象数量和养殖对象的体型特征。
[0022]进一步，所述S220具体包括以下步骤：
[0023]S221：判断养殖对象影像中是否存在多个养殖对象重叠，若未重叠则标记为第一影像，若重叠则标记为第二影像；
[0024]S222：根据第一影像数量，计算第一养殖对象数量；
[0025]S223：获取第二影像中养殖对象头部数量以及尾部数量，根据头部数量以及尾部数量计算第二养殖对象数量；
[0026]S224：根据第一养殖对象数量和第二养殖对象数量，计算养殖对象总数量。
[0027]通过养殖对象影像对养殖对象数量进行计量时，若养殖对象影像不存在多个养殖对象重叠，则一个养殖对象影像中只存在一个养殖对象，因此直接通过计量养殖对象影像的数量，便能够计算出影像中未重叠的养殖对象数量，得到第一养殖对象数量。若是养殖对象影像存在重叠，则一个养殖对象影像中会存在多个养殖对象，因此通过计算养殖对象影像中的头部数量和尾部数量，计算出影像中重叠的养殖对象数量，得到第二养殖对象数量，第一养殖对象数量和第二养殖对象数量相加，得到养殖对象总数量。
[0028]进一步，所述数据处理步骤具体包括以下步骤：
[0029]S310：将养殖对象的体型特征输入已训练好的体重分析模型，得到养殖对象的体重数据；
[0030]S320：将养殖对象的体重数据以及养殖对象的数量输入已训练好的进食量分析模型，输出养殖对象进食量。
[0031]根据分析出的养殖对象的体长和体宽，通过训练好的体重分析模型，转换得到养殖对象的体重，再将养殖对象的体重输入已经训练好的进食量分析，通过养殖对象的体重对单个养殖对象的进食量进行分析，再根据养殖对象数量，确定最终输出养殖对象总的进食量。
[0032]进一步，所述数据处理步骤还包括以下步骤：
[0033]S311：获取外界影响因素；
[0034]所述S320中的进食量分析模型还根据养殖对象的体重数据、养殖对象数量以及外界影响因素分析养殖对象进食量。
[0035]养殖对象的进食量除了与自身的体重有关以外，还与一些外界影响因素有关，例如温度、pH值等。因此本申请中还将外界影响因素输入进食量分析模型，从多个方面考虑，提高对养殖对象进食量估算的精度。
[0036]进一步，还包括投喂分析步骤，投喂分析步骤包括以下步骤：
[0037]S410：获取养殖对象进食时段后的影像数据；
[0038]S420：根据养殖对象进食时段后的影像数据，分析残饵量；
...

【技术保护点】

【技术特征摘要】
1.基于计算机视觉识别的养殖对象进食量估算方法，其特征在于：包括以下步骤：影像采集步骤：采集养殖区域内的养殖对象的影像数据；影像处理步骤：对影像数据进行预处理，得到分析数据集；影像分析步骤：以分析数据集作为样本数据训练模型，将实时获取到的影像数据输入训练好的模型，输出养殖对象的数量和体型特征；数据处理步骤：根据养殖对象的数量以及体型特征，对养殖对象的进食量进行分析，生成养殖对象进食量估算结果。2.根据权利要求1所述的基于计算机视觉识别的养殖对象进食量估算方法，其特征在于：所述影像处理步骤具体包括以下步骤：S110：获取养殖区域的深度，并根据养殖区域的深度设置分析区域；S120：根据分析区域范围以及影像数据，分析养殖对象的非沉底时段，根据影像数据分析养殖对象的非进食时段；S130：提取养殖对象非沉底时段和非进食时段的交集中的关键帧，作为分析数据集。3.根据权利要求2所述的基于计算机视觉识别的养殖对象进食量估算方法，其特征在于：所述影像分析步骤具体包括以下步骤：S210：对分析数据集进行标记，训练图像分割模型；S220：将实时获取到的影像数据输入图像分割模型，图像分割模型对影像数据进行分割，得到养殖对象影像；S230：根据养殖对象影像确定养殖对象的数量；S240：获取参照目标参数，根据参照目标参数以及养殖对象影像，判断养殖对象的体型特征，所述体型特征包括体长和体宽。4.根据权利要求3所述的基于计算机视觉识别的养殖对象进食量估算方法，其特征在于：所述S220具体包括以下步骤：S221：判断养殖对象影像养殖...

【专利技术属性】
技术研发人员：杨军超，贾璐璐，齐高相，周月明，张冰，申渝，
申请(专利权)人：重庆南向泰斯环保技术研究院有限公司，
类型：发明
国别省市：