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

在審

• 申請?zhí)枺?/td>: 202310913354.4
• 申請日: 2023-07-25
• 公開（公告）號: CN116630080A
• 公開（公告）日: 2023-08-22
• 發(fā)明（設計）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（專利權）人: 廣東省農業(yè)科學院動物科學研究所
• 主分類號: G06Q50/02
• 分類號: G06Q50/02;G06N3/006;G06N3/0442;G06N3/0464;G06N3/08;G06V10/44;G06V10/764;G06V10/82;G06V20/05
• 代理公司: 廣州專理知識產權代理事務所(普通合伙) 44493
• 代理人: 何梓龍

本發(fā)明公開了一種基于圖像識別的水產集約化養(yǎng)殖飼料容量確定方法及系統(tǒng)，包括：獲取水下的待投喂魚的魚群數(shù)據(jù)；對魚群圖像數(shù)據(jù)進行作為第一分布式多智能體的輸入進行目標檢測，得到目標檢測結果；將歷史投飼量分別和歷史生態(tài)環(huán)境數(shù)據(jù)與不同養(yǎng)殖區(qū)域對應的目標檢測結果進行組合，得到高維數(shù)據(jù)特征，并將高維數(shù)據(jù)特征作為第一長短期記憶網絡的輸入，進行時序相關的低維特征的提取；并將低維數(shù)據(jù)特征作為第一強化學習網絡的觀測環(huán)境，進行實時動態(tài)的投飼量的分布式分配，并根據(jù)得到的當前投飼量進行分布式投喂；采用本發(fā)明能夠提高對水產集約化養(yǎng)殖投飼量的精準把控，減輕因投飼導致的資源浪費和生態(tài)環(huán)境污染。

技術領域

本發(fā)明涉及水產養(yǎng)殖技術領域，尤其涉及基于圖像識別的水產集約化養(yǎng)殖飼料容量確定方法及系統(tǒng)。

背景技術

投喂是決定水產養(yǎng)殖成本和水質的關鍵因素。對水產養(yǎng)殖動物，尤其是集約化養(yǎng)殖而言，開展精準投喂是優(yōu)化水產養(yǎng)殖技術的重要組成部分。在水產養(yǎng)殖過程中，飼料投喂常采用人工手動、主觀方式進行喂食，傳統(tǒng)的人工投喂不僅耗費人力，而且容易出現(xiàn)投喂過多或不足的問題。通過無人船或者無人機等AI輔助投喂方式，是減少飼料浪費和優(yōu)化水產養(yǎng)殖投喂的一種有效手段。然而，由于養(yǎng)殖環(huán)境復雜性和養(yǎng)殖動物行為的不確定性，準確識別水產養(yǎng)殖動物行為開展精準投喂面臨重大挑戰(zhàn)。現(xiàn)有技術通過無人船或者無人機采集圖像信息后，對養(yǎng)殖魚類建立飼料投喂數(shù)據(jù)化的數(shù)學模型，為了構建數(shù)學模型，需要獲得單條魚的重量和投放的苗種數(shù)量，然而，魚的重量隨著生長產生動態(tài)變化，不同地區(qū)的生態(tài)環(huán)境和魚的種類都對飼料投喂產生不同的影響，并且，變化的生態(tài)環(huán)境在時序上存在關聯(lián)性，苗種或多或少在數(shù)量上也會產生損失，構建數(shù)學模型獲取的實際投放的苗種數(shù)量在飼養(yǎng)過程中的參考意義逐漸減小；此外，通過無人機進行投喂的方式還需進行無人機圖像修正，且無人機或者無人船只能勘測到水面的魚群狀態(tài)，無法勘測到水下的魚群狀態(tài)，存在一定視覺盲區(qū)。

因此，不論是傳統(tǒng)的人工投喂還是無人機或者無人船的AI模式進行投喂，都無法根據(jù)生態(tài)環(huán)境的時序性和魚類的動態(tài)生長變化進行適應性調整，無法做到精確地飼料投喂，且適用性低。

發(fā)明內容

本發(fā)明的目的是針對上述現(xiàn)有技術的不足，提出基于圖像識別的水產集約化養(yǎng)殖飼料容量確定方法及系統(tǒng)，能夠精確獲取養(yǎng)殖水體中的養(yǎng)殖容量，從而能夠精確飼料投喂。

第一方面，本發(fā)明提供了一種基于圖像識別的水產集約化養(yǎng)殖飼料容量確定方法，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)域對應的歷史投飼量，以及歷史生態(tài)環(huán)境數(shù)據(jù)、當前生態(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)作為訓練好的第一分布式多智能體的輸入，根據(jù)訓練好的第一卷積神經網絡對所述魚群圖像數(shù)據(jù)進行目標檢測，得到目標檢測結果；其中，所述第一分布式多智能體包括：訓練好的第一卷積神經網絡、訓練好的第一長短期記憶網絡和訓練好的第一強化學習網絡；

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)域對應的目標檢測結果進行組合，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短期記憶網絡的輸入，進行時序相關的低維特征的提取，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化學習網絡的觀測環(huán)境，進行實時動態(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前投飼量，根據(jù)所述當前投飼量進行分布式投喂。