一种鱼群定性分级投喂方法技术

本发明专利技术公开了一种鱼群定性分级投喂方法

【技术实现步骤摘要】
一种鱼群定性分级投喂方法、终端及存储介质


[0001]本专利技术涉及水产养殖
，具体涉及一种鱼群定性分级投喂方法
、
终端及存储介质
。

技术介绍

[0002]渔业是全球最大的食品生产行业之一，而投喂系统是现代渔业中的一个重要组成部分
。
[0003]传统的投喂不足主要在以下几个方面：
[0004](1)
如果投喂过多，会导致饲料被浪费，增加养殖成本，降低饲料利用率
。
[0005](2)
如果投喂过少，会导致鱼群个体间的竞争加剧，一些弱小或者年幼的鱼可能会因为无法获取足够的饲料而生长缓慢，甚至死亡
。
[0006](3)
无法精准投喂，传统的自动投喂技术通常是根据预设的程序进行投喂，没有考虑到鱼的实际需求和池塘环境的变化，缺乏智能性和灵活性
。
[0007](4)
污染环境，过多的饲料还会导致池塘水质的恶化，产生氨氮
、
亚硝酸盐等化合物，对鱼虾的健康生长产生不利影响
。
[0008]因此，目前亟需一种能提高喂养效率
、
减少饲料浪费
、
提高鱼类的生产率和健康水平的投喂方法来解决上述问题
。

技术实现思路

[0009]本专利技术为解决以上不足，目的在于提供一种鱼群定性分级投喂方法
、
终端及存储介质，采用本方案，通过使用声呐球加球机摄像头的定性分级算法实现渔业的自动投喂，以提高喂养效率
、
减少饲料浪费
、
提高鱼类的生产率和健康水平
。
[0010]本专利技术通过下述技术方案实现：
[0011]一种鱼群定性分级投喂方法，包括以下步骤：
[0012]通过声呐球和摄像头分别采集投喂区域的视频数据；
[0013]根据声呐球的视频数据检测并统计投喂区域的鱼群尾数；根据摄像头的视频数据检测并统计投喂区域的运动区域面积；
[0014]根据统计的鱼群尾数和运动区域面积，分别得到鱼群数量的变化曲线和运动区域面积的变化曲线；
[0015]将鱼群尾数的变化曲线和运动区域面积的变化曲线相互拟合，得到定性分级模型；
[0016]根据所述定性分级模型，对鱼群进行定性分级，实时评估鱼群活跃程度；
[0017]根据所述鱼群活跃程度，控制投喂量
。
[0018]更进一步的方案，通过声呐球采集投喂区域的视频数据时，还包括以下具体步骤：
[0019]固定声呐球，并设置探测参数；
[0020]控制声呐球对投喂区域进行鱼群吃食情况的探测生成出模拟鱼群信号显示；
[0021]随后根据设定的时间阈值，分别录制投喂前
、
投喂中和投喂后在所述时间阈值内的视屏数据
。
[0022]更进一步的方案，通过摄像头采集投喂区域的视频数据时，包括以下具体步骤：
[0023]固定摄像头，并设置拍摄角度；
[0024]控制摄像头对投喂区域鱼群吃食情况进行观察水面的波动特征；
[0025]随后根据设定的时间阈值，分别录制投喂前
、
投喂中和投喂后在所述时间阈值内的视屏数据
。
[0026]更进一步的方案，在根据声呐球的视频数据检测并统计投喂区域的鱼群尾数时，还包括以下具体步骤：
[0027]对鱼群尾数的视频数据进行解码，并标记出鱼的信息；
[0028]随后通过图像增强方法增加数据量，整合为声呐鱼数据集；
[0029]使用目标检测算法，并通过机器学习训练，得到召回率和准确率最好的模型权重；
[0030]通过训练好的模型，编写代码处理连续的声呐视频图片，分别对投喂前
、
投喂中和投喂后在所述时间阈值内的视屏数据进行鱼群尾数的统计
。
[0031]更进一步的方案，所述的使用目标检测算法，并通过机器学习训练，得到召回率和准确率最好的模型权重时，还包括以下具体步骤：
[0032]将所述声呐鱼数据集转换成
yolo
格式的数据集；
[0033]随后使用
YOLOv8
目标检测算法，修改骨干网络中的
C2f
模块改进成
C2f
‑
faster
模块，通过
Pytorch
框架平台进行机器学习有监督训练若干批次；
[0034]最后使用
mAP
指标选出召回率和准确率最好的模型权重
。
[0035]更进一步的方案，在根据摄像头的视频数据检测并统计投喂区域的运动区域面积时，还包括以下具体步骤：
[0036]对运动区域面积的视频数据用
MOG2
算法，通过使用两个高斯分布来描述图像中每个像素点的颜色概率分布，进行前后背景的分离，从图片中提取出前景；
[0037]随后通过设定的投喂区域矩形框抠图出投喂区域前景图，并对其进行图像二值化加图像膨胀处理得到鱼群在投喂区域的运动噪点图像；
[0038]然后对图像中的白色像素进行统计，计算在投喂区域图像中的面积；
[0039]最后依次分别对投喂前
、
投喂中和投喂后在所述时间阈值内的视屏数据进行鱼群在水面上的运动区域面积统计
。
[0040]更进一步的方案，所述定性分级模型为：
[0041]R
＝
α
·
S+
β
·
C
；
[0042]式中：
R
为定性分级系数，
S
为声呐球检测到的鱼群尾数，
C
为球机摄像头检测到的鱼群运动区域面积，
α
表示水下修正系数，
β
表示水面修正系数
。
[0043]更进一步的方案，在对鱼群进行定性分级时，所述鱼群活跃程度包括三级，当
R
低于
12
％定性为一级，此时停止投喂；
R
处于
12
％～
15
％定性为二级，此时减少投喂量；
R
大于
15
％定性为三级，此时增加投喂量
。
[0044]本专利技术与现有技术相比，具有如下的优点和有益效果：
[0045]1.
本专利技术提供的一种鱼群定性分级投喂方法
、
终端及存储介质，通过声呐球图像上检测鱼群的数量变化；球机摄像头图像上检测鱼群的活动范围；使用球机摄像头采集水
面数据加声呐球采集水下数据相结合的方法在渔业池塘投喂场景中的应用，结合
AI
算法对池塘水面鱼群的面积范围和水下鱼群尾数进行分析
。
[0046]2.
本专利技术提供的一种鱼群定性分级投喂方法
、
终端及存储介本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种鱼群定性分级投喂方法，其特征在于，包括以下步骤：通过声呐球和摄像头分别采集投喂区域的视频数据；根据声呐球的视频数据检测并统计投喂区域的鱼群尾数；根据摄像头的视频数据检测并统计投喂区域的运动区域面积；根据统计的鱼群尾数和运动区域面积，分别得到鱼群数量的变化曲线和运动区域面积的变化曲线；将鱼群尾数的变化曲线和运动区域面积的变化曲线相互拟合，得到定性分级模型；根据所述定性分级模型，对鱼群进行定性分级，实时评估鱼群活跃程度；根据所述鱼群活跃程度，控制投喂量
。2.
根据权利要求1所述的一种鱼群定性分级投喂方法，其特征在于，通过声呐球采集投喂区域的视频数据时，还包括以下具体步骤：固定声呐球，并设置探测参数；控制声呐球对投喂区域进行鱼群吃食情况的探测生成出模拟鱼群信号显示；随后根据设定的时间阈值，分别录制投喂前
、
投喂中和投喂后在所述时间阈值内的视屏数据
。3.
根据权利要求2所述的一种鱼群定性分级投喂方法，其特征在于，通过摄像头采集投喂区域的视频数据时，包括以下具体步骤：固定摄像头，并设置拍摄角度；控制摄像头对投喂区域鱼群吃食情况进行观察水面的波动特征；随后根据设定的时间阈值，分别录制投喂前
、
投喂中和投喂后在所述时间阈值内的视屏数据
。4.
根据权利要求2所述的一种鱼群定性分级投喂方法，其特征在于，在根据声呐球的视频数据检测并统计投喂区域的鱼群尾数时，还包括以下具体步骤：对鱼群尾数的视频数据进行解码，并标记出鱼的信息；随后通过图像增强方法增加数据量，整合为声呐鱼数据集；使用目标检测算法，并通过机器学习训练，得到召回率和准确率最好的模型权重；通过训练好的模型，编写代码处理连续的声呐视频图片，分别对投喂前
、
投喂中和投喂后在所述时间阈值内的视屏数据进行鱼群尾数的统计
。5.
根据权利要求4所述的一种鱼群定性分级投喂方法，其特征在于，所述的使用目标检测算法，并通过机器学习训练，得到召回率和准确率最好的模型权重时，还包括以下具体步骤：将所述声呐鱼数据集转换成
yolo
格式的数据集；随后使用
YOLOv8
目标检测算法，修改骨干网络中的
C2f
模块改进成
C2f
‑
faster
模块，通过
Pytorch
框架平台进行机器学习有监督训练若干批次；...

【专利技术属性】
技术研发人员：饶勇，邓才鑫，刘超，张庭葛，郎洋，
申请(专利权)人：四川渔光物联技术有限公司，
类型：发明
国别省市：