一种基于人工智能的无人机鱼类养殖方法及系统技术方案

本发明专利技术公开了一种基于人工智能的无人机鱼类养殖方法及系统，方法包括：数据采集、提取纹理特征、提取颜色特征、提取形状特征、确定输入参数和多品种鱼类状态分类。本发明专利技术属于智能养殖技术领域，具体是指一种基于人工智能的无人机鱼类养殖方法及系统，本方案通过改进第一、第二边缘检测算子的计算公式来改进最终边缘检测算子的计算公式，提高边缘检测的准确度，从而提高形状特征的提取质量；采用灰色关系分析方法确定输入参数，加强输入参数与实验结果之间的相关性，提高模型的收敛速度和预测精度；通过不断调整惯性权重的大小，使粒子向更好的搜索区域靠拢，避免陷入局部极小值而无法找到更优的全局解的问题。法找到更优的全局解的问题。法找到更优的全局解的问题。

【技术实现步骤摘要】
一种基于人工智能的无人机鱼类养殖方法及系统


[0001]本专利技术属于智能养殖
，具体是指一种基于人工智能的无人机鱼类养殖方法及系统。

技术介绍

[0002]基于图像建立分类模型一般选用边缘检测算法和角点提取组合的方式提取特征信息，利用提取的特征信息建立分类模型，但是现有的图像处理方法存在提取形状特征过程中图像边缘定位不准确的技术问题；存在输入参数过多导致分类模型过度拟合的技术问题；存在分类算法容易陷入局部极小值而无法找到更优的全局解的技术问题。

技术实现思路

[0003]针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于人工智能的无人机鱼类养殖方法及系统，针对提取形状特征过程中图像边缘定位不准确的技术问题，本专利技术通过改进第一、第二边缘检测算子的计算公式来改进最终边缘检测算子的计算公式，使图像边缘定位更加准确，提高边缘检测的准确度，从而提高形状特征的提取质量；针对输入参数过多导致分类模型过度拟合的技术问题，本专利技术采用灰色关系分析方法确定输入参数，加强输入参数与实验结果之间的相关性，提高模型的收敛速度和预测精度；针对分类算法容易陷入局部极小值而无法找到更优的全局解的技术问题，本专利技术通过不断调整惯性权重的大小，使优化参数向更好的搜索区域靠拢，避免陷入局部极小值而无法找到更优的全局解的问题。
[0004]本专利技术采取的技术方案如下：本专利技术提供的一种基于人工智能的无人机鱼类养殖方法，该方法包括以下步骤：步骤S1：数据采集，采集鱼类图像及对应标签，标签为鱼的品种和生长状态，将采集的鱼类图像作为鱼类图像；
[0005]步骤S2：提取纹理特征，基于鱼类图像的RGB三个通道的像素值计算出对应的灰度值，进而计算灰度共生矩阵和各中心像素的概率，最后通过计算对比度、能量、熵和均匀性得到纹理特征；
[0006]步骤S3：提取颜色特征，将鱼类图像转换为HSV颜色空间，然后将HSV颜色空间划分成若干个区间，进而计算颜色直方图，最后通过计算均值、方差、中位数和标准差得到颜色特征；
[0007]步骤S4：提取形状特征，通过计算第一边缘检测算子和计算第二边缘检测算子计算改进的边缘检测算子，然后通过计算小尺度图像边缘和计算大尺度图像边缘计算最终的图像边缘，再进行多边形拟合，最后通过计算轮廓长度、轮廓面积、中心距和离心率得到形状特征；
[0008]步骤S5：确定输入参数，首先构建分类数据集，然后通过设置参考序列构建比较矩阵，通过非量纲化数据得到非量纲化矩阵，通过计算灰色相关系数计算灰色相关度，最后确
定输入参数；
[0009]步骤S6：多品种鱼类状态分类，首先构建训练数据集和测试数据集，然后初始化优化参数位置和速度，生成多品种鱼类状态分类模型参数和训练多品种鱼类状态分类模型，通过初始化个体最优位置和全局最优位置，然后更新优化参数速度、位置和适应度值，再更新惯性权重、个体最优位置和全局最优位置，基于评估阈值确定最终的多品种鱼类状态分类模型，利用模型对无人机实时采集鱼类图像输出的鱼类品种和生长状态进行喂食。
[0010]进一步地，在步骤S2中，所述提取纹理特征具体包括以下步骤：步骤S21：计算灰度值，将鱼类图像的RGB三个通道的像素值计算出对应的灰度值，将得到的灰度值赋值给相应的像素点，得到灰度化图像，所用公式如下：A=0.299*R+0.587*G+0.114*B；式中，A是每个像素点的灰度值，R、G、B分别是红、绿、蓝通道的像素值，0.299、0.587、0.114分别是R、G、B对应的加权系数；
[0011]步骤S22：计算灰度共生矩阵，所用公式如下：；式中，G（i，j，δr，δc）是灰度共生矩阵，i和j分别是灰度级别，δr和δc分别是领域像素在行和列方向上的偏移量，Nr和Nc分别是灰度化图像的行数和列数，I（m，n）是灰度化图像第m行、第n列像素的灰度值；
[0012]步骤S23：计算概率，所用公式如下：；式中，P（i，j）是灰度共生矩阵中以灰度级别i为邻域像素、以灰度级别j为中心像素的概率，Npq是以p为中心、q为领域像素的出现次数，N1是灰度共生矩阵中所有元素的总和；
[0013]步骤S24：计算纹理特征，步骤如下：步骤S241：计算对比度，所用公式如下：C=∑
i
∑
j
（i，j）2*P（i，j）；式中，C是图像中像素间的对比度；
[0014]步骤S242：计算能量，所用公式如下：D=∑
i
∑
j
P（i，j）2；式中，D是能量；
[0015]步骤S243：计算熵，所用公式如下：E=
‑
∑
i
∑
j
P（i，j）*
㏒
（P（i，j））；式中，E是熵；
[0016]步骤S244：计算均匀性，所用公式如下：；式中，F是均匀性。
[0017]进一步地，在步骤S3中，所述提取颜色特征具体包括以下步骤：步骤S31：将鱼类图像转换为HSV颜色空间，步骤如下：步骤S311：归一化，将RGB彩色图像中的RGB值归一化至[0，1]；
[0018]步骤S312：计算色调，所用公式如下：；式中，H是色调且取值范围为[0
º
，360
º
]，Lmax和Lmin分别是R、G、B三个颜色通道中对应的最大值和最小值；
[0019]步骤S313：计算饱和度，所用公式如下：；式中，S是饱和度且取值范围为[0，1]；
[0020]步骤S314：计算亮度，所用公式如下：V=Lmax；式中，V是亮度且取值范围为[0，1]；
[0021]步骤S32：将HSV颜色空间划分成若干个区间，在HSV颜色空间中，将色调H均匀分为24个区间，将饱和度S和亮度V各自均匀分为10个区间；
[0022]步骤S33：计算颜色直方图，遍历图像中的每个像素，统计其所属颜色空间区间的数量，得到颜色直方图；
[0023]步骤S34：计算颜色特征，步骤如下：步骤S341：计算均值，所用公式如下：；式中，μ是均值，Mi是颜色直方图中第i个像素值的出现频率，N2是颜色直方图中像素值的总个数；
[0024]步骤S342：计算方差，所用公式如下：；式中，σ2是方差；
[0025]步骤S343：计算中位数，将颜色直方图中像素值按升序排序，取排在中间位置的值为中位数；
[0026]步骤S344：计算标准差，所用公式如下：
σ=sqrt（σ2）；式中，σ是标准差。
[0027]进一步地，在步骤S4中，所述提取形状特征具体包括以下步骤：步骤S41：图像去噪，基于步骤S21得到的灰度化图像进行图像去噪，所用公式如下：；式中，g（x，y）是去噪后的灰度化图像，f（x，y）是原始灰度化图像，k是归一化系数，r是高斯滤波器的半径，ωij是高斯滤波器的权值；
[0028]步骤S42：计算第一边缘检测算子，所用公式如下：Y1i=（g（x，y）
⊕
bi）<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的无人机鱼类养殖方法，其特征在于：该方法包括以下步骤：步骤S1：数据采集，采集鱼类图像及对应标签，标签为鱼的品种和生长状态，将采集的鱼类图像作为鱼类图像；步骤S2：提取纹理特征，计算对比度、能量、熵和均匀性得到纹理特征；步骤S3：提取颜色特征，计算均值、方差、中位数和标准差得到颜色特征；步骤S4：提取形状特征，通过计算第一边缘检测算子和计算第二边缘检测算子计算改进的边缘检测算子，然后通过计算小尺度图像边缘和计算大尺度图像边缘计算最终的图像边缘，再进行多边形拟合，最后通过计算轮廓长度、轮廓面积、中心距和离心率得到形状特征；步骤S5：确定输入参数，首先构建分类数据集，然后通过设置参考序列构建比较矩阵，通过非量纲化数据得到非量纲化矩阵，通过计算灰色相关系数计算灰色相关度，最后确定输入参数；步骤S6：多品种鱼类状态分类，首先构建训练数据集和测试数据集，然后初始化优化参数位置和速度，生成多品种鱼类状态分类模型参数和训练多品种鱼类状态分类模型，通过初始化个体最优位置和全局最优位置，然后更新优化参数速度、位置和适应度值，再更新惯性权重、个体最优位置和全局最优位置，基于评估阈值确定最终的多品种鱼类状态分类模型，利用模型对无人机实时采集鱼类图像输出的鱼类品种和生长状态进行喂食。2.根据权利要求1所述的一种基于人工智能的无人机鱼类养殖方法，其特征在于：在步骤S6中，所述多品种鱼类状态分类具体包括以下步骤：步骤S61：构建训练数据集和测试数据集，将分类数据集中不大于灰色相关度阈值的特征变量的维度信息删除，并获取数据对应标签，得到样本数据，所述对应标签是步骤S1采集的标签，随机选取70%的样本数据作为训练数据集，其余30%的样本数据作为测试数据集；步骤S62：初始化优化参数位置，对每个优化参数随机生成一个初始位置，所用公式如下：Y（i，j）=rand（0，1）*（U（j）
‑
L（j））+L（j）；式中，i是优化参数的编号，j是Y的维度，Y（i，j）是第i个优化参数在第j维的位置，rand（0，1）是生成0到1之间的随机数，U（j）是第j维的上界限制，L（j）是第j维的下界限制；步骤S63：初始化优化参数速度，对每个优化参数随机生成一个初始速度，所用公式如下：V（i，j）=rand（0，1）*（Vmax（j）
‑
Vmin（j））+Vmin（j）；式中，V（i，j）是第i个优化参数在第j维的速度，Vmax（j）是第j维的速度上限，Vmin（j）是第j维的速度下限；步骤S64：生成多品种鱼类状态分类模型参数，对于每个优化参数，根据当前位置生成一组多品种鱼类状态分类模型参数，一组多品种鱼类状态分类模型参数由一个惩罚因子和一个核函数参数组成，所用公式如下：C(i)=2
Y（i，1）
；G(i)=2
Y（i，2）
；式中，C（i）是多品种鱼类状态分类模型的惩罚因子，G（i）是多品种鱼类状态分类模型的核函数参数；
步骤S65：训练多品种鱼类状态分类模型，基于步骤S64确定的多品种鱼类状态分类模型参数以及步骤S61构建的训练数据集，对多品种鱼类状态分类模型进行训练，计算多品种鱼类状态分类模型的权重向量和偏置值，所用公式如下：wi=∑ai*ci*ei；；式中，wi是第i个二分类器的权重向量，ai是第i个样本的拉格朗日乘子，ci是第i个样本的特征向量，ei是第i个样本的对应标签，ti是第i个二分类器的偏置值，n是训练样本的数量，g（ci，cj）是核函数，cj是第j个样本的特征向量；步骤S66：计算优化参数适应度值，利用步骤S65训练好的多品种鱼类状态分类模型，对步骤S61构建的测试数据集进行预测，并计算适应度值，所用公式如下：；式中，f（i）是第i个优化参数的适应度值，k是对应标签的种类数量，Nj是第j个对应标签的样本量，yjl是第j个对应标签中第l个样本的真实对应标签，pjl（i）是第j个对应标签中第l个样本在第i个优化参数上的多品种鱼类状态分类模型的预测概率；步骤S67：初始化个体最优位置和全局最优位置，将步骤S62初始化的每个优化参数的初始位置作为对应优化参数的个体最优位置，将所有优化参数中适应度值最低的优化参数的个体最优位置作为全局最优位置；步骤S68：更新优化参数速度，所用公式如下：V（i，j）=h*V（i，j）+d1*rand（0，1）*（T1（i，j）
‑
Y（i，j））+d2*rand（0，1）*（T2（j）
‑
Y（i，j））；式中，h是惯性权重，T1（i，j）是第i个优化参数在第j个维度上的个体最优位置，T2（j）是全局最优位置在第j个维度上的值，d1和d2是学习因子，rand（0，1）是生成0到1之间的随机数；步骤S69：更新优化参数位置，所用公式如下：Y（i，j）=Y（i，j）+V（i，j）；式中，Y（i，j）是第i个优化参数在第j个维度上的位置；步骤S610：更新优化参数适应度值；步骤S611：更新惯性权重，所用公式如下：；式中，hmin是最小惯性权重，hmax是最大惯性权重，f是当前的适应度值，fmin是最小适应度值，favg是所有优化参数适应度的平均值；步骤S612：更新个体最优位置和全局最优位置，根据优化参数的适应度值更新优化参数的个体最优位置，并根据所有优化参数的个体最优位置更新全局最优位置；步骤S613：模型确定，预先设有评估阈值和最大迭代次数，当优化参数的适应度值低于
评估阈值则基于当前参数建立多品种鱼类状态分类模型并转至步骤S614；若达到最大迭代次数，则转至步骤S62；否则转至步骤S68；步骤S614：分类，无人机实时采集鱼类图像并输入至多品种鱼类状态分类模型中，基于模型输出的鱼类品种及生长状态进行喂食。3.根据权利要求1所述的一种基于人工智能的无人机鱼类养殖方法，其特征在于：在步骤S5中，所述确定输入参数具体包括以下步骤：步骤S51：构建分类数据集，基于步骤S2计算的纹理特征、步骤S3计算的颜色特征、步骤S4计算的形状特征和步骤S1采集的鱼类图像构建分类数据集，其中纹理特征的特征变量包括对比度、能量、熵和均匀性，颜色特征的特征变量包括均值、方差、中位数和标准差，形状特征的特征变量包括轮廓长度、轮廓面积、中心距和离心率；步骤S52：设置参考序列，预先从分类数据集中选择n个标准数据作为评估参数，所用公式如下：X0=（x0（1），x0（2），
…
，x0（n））；式中，X0是参考序列，n是评估参数的数量；步骤S53：构建比较矩阵，基于分类数据集中的样本数据，设置比较顺序，所用公式如下：；式中，X是比较矩阵，m是分类数据集中样本数据的数量；步骤S54：非量纲化数据，所用公式如下：；式中，xp（q）是比较矩阵X第p列第q行的原始数据，x
’
p（q）是原始数据xp（q）非量纲化处理后的非量纲化数据，xmin是比较矩阵X第p列的最小值，xmax是比较矩阵X第p列的最大值；步骤S55：非量纲化矩阵，所用公式如下：；式中，X
’
是非量纲化矩阵；步骤S56：计算灰色相关系数，计算每个样本数据序列和参考序列的相应元素之间的灰色相关系数，所用公式如下：；式中，εp（q）是第p个样本数据序列和参考序列在第q个评估参数之间的灰色相关系数，ρ是分辨率系数且0&lt;ρ&lt;1；步骤S57：计算灰色相关度，所用公式如下：
；式中，rp是第p个样本数据序列和参考序列在所有评估参数上的灰色相关度；步骤S58...

【专利技术属性】
技术研发人员：侯昕昊，杨森，王莹莹，王瑞雪，周骏，孙欣怡，裘伟豪，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：