基于图像识别的水产集约化养殖饲料容量确定方法及系统技术方案

技术编号:38584128 阅读:15 留言:0更新日期:2023-08-26 23:27
本发明专利技术公开了一种基于图像识别的水产集约化养殖饲料容量确定方法及系统,包括:获取水下的待投喂鱼的鱼群数据;对鱼群图像数据进行作为第一分布式多智能体的输入进行目标检测,得到目标检测结果;将历史投饲量分别和历史生态环境数据与不同养殖区域对应的目标检测结果进行组合,得到高维数据特征,并将高维数据特征作为第一长短期记忆网络的输入,进行时序相关的低维特征的提取;并将低维数据特征作为第一强化学习网络的观测环境,进行实时动态的投饲量的分布式分配,并根据得到的当前投饲量进行分布式投喂;采用本发明专利技术能够提高对水产集约化养殖投饲量的精准把控,减轻因投饲导致的资源浪费和生态环境污染。致的资源浪费和生态环境污染。致的资源浪费和生态环境污染。

【技术实现步骤摘要】
基于图像识别的水产集约化养殖饲料容量确定方法及系统


[0001]本专利技术涉及水产养殖
,尤其涉及基于图像识别的水产集约化养殖饲料容量确定方法及系统。

技术介绍

[0002]投喂是决定水产养殖成本和水质的关键因素。对水产养殖动物,尤其是集约化养殖而言,开展精准投喂是优化水产养殖技术的重要组成部分。在水产养殖过程中,饲料投喂常采用人工手动、主观方式进行喂食,传统的人工投喂不仅耗费人力,而且容易出现投喂过多或不足的问题。通过无人船或者无人机等AI辅助投喂方式,是减少饲料浪费和优化水产养殖投喂的一种有效手段。然而,由于养殖环境复杂性和养殖动物行为的不确定性,准确识别水产养殖动物行为开展精准投喂面临重大挑战。现有技术通过无人船或者无人机采集图像信息后,对养殖鱼类建立饲料投喂数据化的数学模型,为了构建数学模型,需要获得单条鱼的重量和投放的苗种数量,然而,鱼的重量随着生长产生动态变化,不同地区的生态环境和鱼的种类都对饲料投喂产生不同的影响,并且,变化的生态环境在时序上存在关联性,苗种或多或少在数量上也会产生损失,构建数学模型获取的实际投放的苗种数量在饲养过程中的参考意义逐渐减小;此外,通过无人机进行投喂的方式还需进行无人机图像修正,且无人机或者无人船只能勘测到水面的鱼群状态,无法勘测到水下的鱼群状态,存在一定视觉盲区。
[0003]因此,不论是传统的人工投喂还是无人机或者无人船的AI模式进行投喂,都无法根据生态环境的时序性和鱼类的动态生长变化进行适应性调整,无法做到精确地饲料投喂,且适用性低。

技术实现思路

[0004]本专利技术的目的是针对上述现有技术的不足,提出基于图像识别的水产集约化养殖饲料容量确定方法及系统,能够精确获取养殖水体中的养殖容量,从而能够精确饲料投喂。
[0005]第一方面,本专利技术提供了一种基于图像识别的水产集约化养殖饲料容量确定方法,包括:获取水下的待投喂鱼的鱼群数据;其中,所述鱼群数据包括:养殖水体不同区域的鱼群图像数据和所述养殖水体不同区域对应的历史投饲量,以及历史生态环境数据、当前生态环境数据和待投喂鱼的种类数据;将所述鱼群图像数据作为训练好的第一分布式多智能体的输入,根据训练好的第一卷积神经网络对所述鱼群图像数据进行目标检测,得到目标检测结果;其中,所述第一分布式多智能体包括:训练好的第一卷积神经网络、训练好的第一长短期记忆网络和训练好的第一强化学习网络;将所述历史投饲量分别与所述历史生态环境数据、所述当前生态环境数据、所述种类数据和与所述养殖水体不同区域对应的目标检测结果进行组合,得到高维数据特征,
并将所述高维数据特征作为所述第一长短期记忆网络的输入,进行时序相关的低维特征的提取,得到低维数据特征;将所述低维数据特征作为所述第一强化学习网络的观测环境,进行实时动态的投饲量的分布式分配,得到由所述第一分布式多智能体最终输出的当前投饲量,根据所述当前投饲量进行分布式投喂。
[0006]本专利技术采用对水下的鱼群图像数据进行目标检测结果,能够精确获取养殖水体中的养殖容量,并与历史生态环境数据和当前生态环境数据进行组合,对得到的高维数据特征进行时序特征提取,能够获取到由于生态环境指标在时序上的相关性对投饲量的影响,从而能够精确饲料投喂;并且,通过强化学习进行投饲量的自适应调整,能够适应不同的鱼群,进一步提高饲料投喂的精确度,进而提高饲料投喂的适应性;此外,与现有技术相比,得到的当前投饲量并不依赖投放的苗种数量,因此,不限于初期投放的苗种数量,当养殖水体中种类的数量发生动态变化时,也能够适应不同生长期和数量动态变化的种类投喂,相比而言,具有更高的饲料投喂的精度,且具有更广泛的适应性,从而能够对水产集约化养殖投饲量进行精准把控,进而减轻因投饲导致的资源浪费和生态环境污染。
[0007]进一步,在所述根据训练好的第一卷积神经网络对所述鱼群图像数据进行目标检测之前,包括:将在水下划分的多个养殖水体区域的训练鱼群数据,分别作为不同智能体的训练数据,根据所述训练数据,每个智能体进行分布式执行,得到训练投饲量;将每个智能体将对应的训练鱼群数据和对应的训练投饲量存入经验回放数据池中,以使集中训练智能体从所述经验回放数据池中获取经验数据进行集中式训练。
[0008]进一步,所述将在水下划分的多个养殖水体区域的训练鱼群数据,分别作为不同智能体的训练数据,根据所述训练数据,每个智能体进行分布式执行,得到训练投饲量,包括:将在水下划分的多个养殖水体区域的预设鱼群图像数据分别作为对应智能体初始的第二卷积神经网络的输入,依次得到训练目标检测结果;依次将训练历史投饲量分别与训练历史生态环境数据、训练当前生态环境数据、训练种类数据和与所述训练目标检测结果进行组合,得到对应的训练高维数据特征,并将训练高维数据特征分别作为对应智能体初始的第二长短期记忆网络的输入,得到对应的训练低维数据特征;依次将训练低维数据特征作为对应智能体初始的第二强化学习网络的观测环境,进行投饲量的分布式分配,得到对应的训练投饲量。
[0009]进一步,所述将每个智能体将对应的训练鱼群数据和对应的训练投饲量存入经验回放数据池中,以使集中训练智能体从所述经验回放数据池中获取经验数据进行集中式训练,包括:每个智能体将对应的训练鱼群数据和对应的训练投饲量存入经验回放数据池中,以使集中训练智能体按照训练阈值进行集中训练后将训练模型的参数传输给每个智能体;其中,所述集中训练智能体与所述每个智能体采用相同的网络框架。
[0010]进一步,所述以使集中训练智能体从所述经验回放数据池中获取经验数据进行集中式训练,包括:
对所述集中训练智能体的第三卷积神经网络的第一损失函数、第三长短期记忆网络的第二损失函数和第三强化学习网络的第三损失函数进行赋权,得到所述集中训练智能体的总体损失函数;根据所述总体损失函数对所述集中训练智能体的参数进行更新,并将得到的更新参数传输给每个智能体。
[0011]优选地,所述总体损失函数可以表示为:,其中,、和分别为第一损失函数、第二损失函数和第三损失函数的权重,、和分别为第个样本的第一损失函数的分类子损失函数、定位子损失函数和置信度子损失函数的权重,为长短期记忆网络作为编码器的第二损失函数,和分别为第个样本的第三强化学习网络的Q值和真实Q值,和的差是作为第三损失函数的时间差分误差。
[0012]进一步,所述获取水下的待投喂鱼的鱼群数据,包括:将水下的养殖水体进行区域划分,依次获取每个养殖水体区域内的鱼群图像数据,并依次对鱼群图像数据进行预处理;其中,所述预处理包括:高斯滤波、图像去噪、图像增强和去除无目标的图像。
[0013]进一步,所述获取水下的待投喂鱼的鱼群数据,还包括:根据获取的年生态环境数据,选择与投饲量相关程度最大的若干生态环境特征,根据所述若干生态环境特征,得到若干天的历史生态环境数据和当前生态环境数据,具体为:将投饲量作为母序列,将年生态环境数据中的若干生态环境指标作为子序列;其中,所述生态环境指标包括:溶解氧、水温、空气最低气温、空气平均气温、空气最高气温、降水量、太本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于图像识别的水产集约化养殖饲料容量确定方法,其特征在于,包括:获取水下的待投喂鱼的鱼群数据;其中,所述鱼群数据包括:养殖水体不同区域的鱼群图像数据和所述养殖水体不同区域对应的历史投饲量,以及历史生态环境数据、当前生态环境数据和待投喂鱼的种类数据;将所述鱼群图像数据作为训练好的第一分布式多智能体的输入,根据训练好的第一卷积神经网络对所述鱼群图像数据进行目标检测,得到目标检测结果;其中,所述第一分布式多智能体包括:训练好的第一卷积神经网络、训练好的第一长短期记忆网络和训练好的第一强化学习网络;将所述历史投饲量分别与所述历史生态环境数据、所述当前生态环境数据、所述种类数据和与所述养殖水体不同区域对应的目标检测结果进行组合,得到高维数据特征,并将所述高维数据特征作为所述第一长短期记忆网络的输入,进行时序相关的低维特征的提取,得到低维数据特征;将所述低维数据特征作为所述第一强化学习网络的观测环境,进行实时动态的投饲量的分布式分配,得到由所述第一分布式多智能体最终输出的当前投饲量,根据所述当前投饲量进行分布式投喂。2.如权利要求1所述的基于图像识别的水产集约化养殖饲料容量确定方法,其特征在于,在所述根据训练好的第一卷积神经网络对所述鱼群图像数据进行目标检测之前,包括:将在水下划分的多个养殖水体区域的训练鱼群数据,分别作为不同智能体的训练数据,根据所述训练数据,每个智能体进行分布式执行,得到训练投饲量;将每个智能体将对应的训练鱼群数据和对应的训练投饲量存入经验回放数据池中,以使集中训练智能体从所述经验回放数据池中获取经验数据进行集中式训练。3.如权利要求2所述的基于图像识别的水产集约化养殖饲料容量确定方法,其特征在于,所述将在水下划分的多个养殖水体区域的训练鱼群数据,分别作为不同智能体的训练数据,根据所述训练数据,每个智能体进行分布式执行,得到训练投饲量,包括:将在水下划分的多个养殖水体区域的预设鱼群图像数据分别作为对应智能体初始的第二卷积神经网络的输入,依次得到训练目标检测结果;依次将训练历史投饲量分别与训练历史生态环境数据、训练当前生态环境数据、训练种类数据和与所述训练目标检测结果进行组合,得到对应的训练高维数据特征,并将训练高维数据特征分别作为对应智能体初始的第二长短期记忆网络的输入,得到对应的训练低维数据特征;依次将训练低维数据特征作为对应智能体初始的第二强化学习网络的观测环境,进行投饲量的分布式分配,得到对应的训练投饲量。4.如权利要求2所述的基于图像识别的水产集约化养殖饲料容量确定方法,其特征在于,所述将每个智能体将对应的训练鱼群数据和对应的训练投饲量存入经验回放数据池中,以使集中训练智能体从所述经验回放数据池中获取经验数据进行集中式训练,包括:每个智能体将对应的训练鱼群数据和对应的训练投饲量存入经验回放数据池中,以使集中训练智能体按照训练阈值进行集中训练后将训练模型的参数传输给每个智能体;其中,所述集中训练智能体与所述每个智能体采用相同的网络框架。5.如权利要求4所述的基于图像识别的水产集约化养殖饲料容量确定方法,其特征在
于,所述以使集中训练智能体从所述经验回放数据池中获取经验数据进行集中式训练,包括:对所述集中训练智能体的第三卷积神经网络的第一损失函数、第三长短期记忆网络的第二损失函数和第三强化学习网络的第三损失函数进行赋权,得到所述集中训练智能体的总体损失函数;根据所述总体损失函数对所述集中训练智能体的参数进行更新,并将得到...

【专利技术属性】
技术研发人员:孙育平陈晓瑛黄文黄敏伟赵吉臣阮灼豪鲁慧杰邹伟华郑艳芸
申请(专利权)人:广东省农业科学院动物科学研究所
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1