[發(fā)明專利]基于圖像識(shí)別的水產(chǎn)集約化養(yǎng)殖飼料容量確定方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202310913354.4
• 申請(qǐng)日: 2023-07-25
• 公開（公告）號(hào): CN116630080A
• 公開（公告）日: 2023-08-22
• 發(fā)明（設(shè)計(jì)）人: 孫育平;陳曉瑛;黃文;黃敏偉;趙吉臣;阮灼豪;魯慧杰;鄒偉華;鄭艷蕓
• 申請(qǐng)（專利權(quán)）人: 廣東省農(nóng)業(yè)科學(xué)院動(dòng)物科學(xué)研究所
• 主分類號(hào): G06Q50/02
• 分類號(hào): G06Q50/02;G06N3/006;G06N3/0442;G06N3/0464;G06N3/08;G06V10/44;G06V10/764;G06V10/82;G06V20/05
• 代理公司: 廣州專理知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44493
• 代理人: 何梓龍

1.一種基于圖像識(shí)別的水產(chǎn)集約化養(yǎng)殖飼料容量確定方法，其特征在于，包括：

獲取水下的待投喂魚的魚群數(shù)據(jù)；其中，所述魚群數(shù)據(jù)包括：養(yǎng)殖水體不同區(qū)域的魚群圖像數(shù)據(jù)和所述養(yǎng)殖水體不同區(qū)域?qū)?yīng)的歷史投飼量，以及歷史生態(tài)環(huán)境數(shù)據(jù)、當(dāng)前生態(tài)環(huán)境數(shù)據(jù)和待投喂魚的種類數(shù)據(jù)；

將所述魚群圖像數(shù)據(jù)作為訓(xùn)練好的第一分布式多智能體的輸入，根據(jù)訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)對(duì)所述魚群圖像數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)，得到目標(biāo)檢測(cè)結(jié)果；其中，所述第一分布式多智能體包括：訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)、訓(xùn)練好的第一長(zhǎng)短期記憶網(wǎng)絡(luò)和訓(xùn)練好的第一強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)；

將所述歷史投飼量分別與所述歷史生態(tài)環(huán)境數(shù)據(jù)、所述當(dāng)前生態(tài)環(huán)境數(shù)據(jù)、所述種類數(shù)據(jù)和與所述養(yǎng)殖水體不同區(qū)域?qū)?yīng)的目標(biāo)檢測(cè)結(jié)果進(jìn)行組合，得到高維數(shù)據(jù)特征，并將所述高維數(shù)據(jù)特征作為所述第一長(zhǎng)短期記憶網(wǎng)絡(luò)的輸入，進(jìn)行時(shí)序相關(guān)的低維特征的提取，得到低維數(shù)據(jù)特征；

將所述低維數(shù)據(jù)特征作為所述第一強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)的觀測(cè)環(huán)境，進(jìn)行實(shí)時(shí)動(dòng)態(tài)的投飼量的分布式分配，得到由所述第一分布式多智能體最終輸出的當(dāng)前投飼量，根據(jù)所述當(dāng)前投飼量進(jìn)行分布式投喂。

2.如權(quán)利要求1所述的基于圖像識(shí)別的水產(chǎn)集約化養(yǎng)殖飼料容量確定方法，其特征在于，在所述根據(jù)訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)對(duì)所述魚群圖像數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)之前，包括：

將在水下劃分的多個(gè)養(yǎng)殖水體區(qū)域的訓(xùn)練魚群數(shù)據(jù)，分別作為不同智能體的訓(xùn)練數(shù)據(jù)，根據(jù)所述訓(xùn)練數(shù)據(jù)，每個(gè)智能體進(jìn)行分布式執(zhí)行，得到訓(xùn)練投飼量；

將每個(gè)智能體將對(duì)應(yīng)的訓(xùn)練魚群數(shù)據(jù)和對(duì)應(yīng)的訓(xùn)練投飼量存入經(jīng)驗(yàn)回放數(shù)據(jù)池中，以使集中訓(xùn)練智能體從所述經(jīng)驗(yàn)回放數(shù)據(jù)池中獲取經(jīng)驗(yàn)數(shù)據(jù)進(jìn)行集中式訓(xùn)練。

3.如權(quán)利要求2所述的基于圖像識(shí)別的水產(chǎn)集約化養(yǎng)殖飼料容量確定方法，其特征在于，所述將在水下劃分的多個(gè)養(yǎng)殖水體區(qū)域的訓(xùn)練魚群數(shù)據(jù)，分別作為不同智能體的訓(xùn)練數(shù)據(jù)，根據(jù)所述訓(xùn)練數(shù)據(jù)，每個(gè)智能體進(jìn)行分布式執(zhí)行，得到訓(xùn)練投飼量，包括：

將在水下劃分的多個(gè)養(yǎng)殖水體區(qū)域的預(yù)設(shè)魚群圖像數(shù)據(jù)分別作為對(duì)應(yīng)智能體初始的第二卷積神經(jīng)網(wǎng)絡(luò)的輸入，依次得到訓(xùn)練目標(biāo)檢測(cè)結(jié)果；

依次將訓(xùn)練歷史投飼量分別與訓(xùn)練歷史生態(tài)環(huán)境數(shù)據(jù)、訓(xùn)練當(dāng)前生態(tài)環(huán)境數(shù)據(jù)、訓(xùn)練種類數(shù)據(jù)和與所述訓(xùn)練目標(biāo)檢測(cè)結(jié)果進(jìn)行組合，得到對(duì)應(yīng)的訓(xùn)練高維數(shù)據(jù)特征，并將訓(xùn)練高維數(shù)據(jù)特征分別作為對(duì)應(yīng)智能體初始的第二長(zhǎng)短期記憶網(wǎng)絡(luò)的輸入，得到對(duì)應(yīng)的訓(xùn)練低維數(shù)據(jù)特征；

依次將訓(xùn)練低維數(shù)據(jù)特征作為對(duì)應(yīng)智能體初始的第二強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)的觀測(cè)環(huán)境，進(jìn)行投飼量的分布式分配，得到對(duì)應(yīng)的訓(xùn)練投飼量。

4.如權(quán)利要求2所述的基于圖像識(shí)別的水產(chǎn)集約化養(yǎng)殖飼料容量確定方法，其特征在于，所述將每個(gè)智能體將對(duì)應(yīng)的訓(xùn)練魚群數(shù)據(jù)和對(duì)應(yīng)的訓(xùn)練投飼量存入經(jīng)驗(yàn)回放數(shù)據(jù)池中，以使集中訓(xùn)練智能體從所述經(jīng)驗(yàn)回放數(shù)據(jù)池中獲取經(jīng)驗(yàn)數(shù)據(jù)進(jìn)行集中式訓(xùn)練，包括：

每個(gè)智能體將對(duì)應(yīng)的訓(xùn)練魚群數(shù)據(jù)和對(duì)應(yīng)的訓(xùn)練投飼量存入經(jīng)驗(yàn)回放數(shù)據(jù)池中，以使集中訓(xùn)練智能體按照訓(xùn)練閾值進(jìn)行集中訓(xùn)練后將訓(xùn)練模型的參數(shù)傳輸給每個(gè)智能體；其中，所述集中訓(xùn)練智能體與所述每個(gè)智能體采用相同的網(wǎng)絡(luò)框架。

5.如權(quán)利要求4所述的基于圖像識(shí)別的水產(chǎn)集約化養(yǎng)殖飼料容量確定方法，其特征在于，所述以使集中訓(xùn)練智能體從所述經(jīng)驗(yàn)回放數(shù)據(jù)池中獲取經(jīng)驗(yàn)數(shù)據(jù)進(jìn)行集中式訓(xùn)練，包括：

對(duì)所述集中訓(xùn)練智能體的第三卷積神經(jīng)網(wǎng)絡(luò)的第一損失函數(shù)、第三長(zhǎng)短期記憶網(wǎng)絡(luò)的第二損失函數(shù)和第三強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)的第三損失函數(shù)進(jìn)行賦權(quán)，得到所述集中訓(xùn)練智能體的總體損失函數(shù)；

根據(jù)所述總體損失函數(shù)對(duì)所述集中訓(xùn)練智能體的參數(shù)進(jìn)行更新，并將得到的更新參數(shù)傳輸給每個(gè)智能體。

6.如權(quán)利要求5所述的基于圖像識(shí)別的水產(chǎn)集約化養(yǎng)殖飼料容量確定方法，其特征在于，所述總體損失函數(shù)表示為：

，

其中，、和分別為第一損失函數(shù)、第二損失函數(shù)和第三損失函數(shù)的權(quán)重，、和分別為第個(gè)樣本的第一損失函數(shù)的分類子損失函數(shù)、定位子損失函數(shù)和置信度子損失函數(shù)的權(quán)重，為長(zhǎng)短期記憶網(wǎng)絡(luò)作為編碼器的第二損失函數(shù)，和分別為第個(gè)樣本的第三強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)的Q值和真實(shí)Q值，和的差是作為第三損失函數(shù)的時(shí)間差分誤差。