基于视觉感知的工厂化养殖智能投喂管理决策方法研究 .pdfVIP

基于视觉感知的工厂化养殖智能投喂管

理决策方法研究

摘要：近年来，随着人工智能与物联网的高速发展，研究人员通过各种技术

手段观.测并记录养殖对象的摄食行为，并通过大量摄食行为数据研究摄食规律，

进而研究投哏时间、投喂频率、投喂方式、投哏量等投喂策略。目前国内外对于

投喂策略的研究大部分是基于养殖对象在投喂过程中的摄食行为采用各种技术手

段进行量化，并以量化结果衡量养殖对象饱食程度以分为两种:基于养殖对象行

为反馈的投喂策略研究和基于养殖对象的非行为反。按照量化对象的研究方向大

致可馈的投喂策略研究。

关键词：基于视觉感知；工厂化养殖；智能投喂管理

引言

中国对水产品的需求增加，水产养殖发展迅速随着人工智能和物联网等新技

术的渗透，水产养殖逐渐向集约化、智能化、高质量和高产量发展，近年来，水

产养殖中各种光学、声学和其他传感器的使用显着增加，传感器能够脱盲算法和

模型的开发和应用，再加上传感器获得的大量数据，为鱼类提供了智能食物。智

能饲料是一种基于不同传感器类型的饲料方法，用于获取有关环境和鱼类种群的

信息，而决策和饲料喂养方法以及相关的算法模型是实现养鱼最佳饲料效率的重

要手段之一。智能饲料无需增加劳动力，可以基于鱼的行为和状况，以较低的饲

料成本在最佳环境中饲养鱼，实现最佳的生长效率。

1于边缘检测的体长测算方法数据集构建

在体长测算方法数据集的构建中，存在着三个问题:一是基于实际工况和摄

像头安装条件，养殖池上方的摄像头并非垂直安裝，而是与养殖池水面中心存在

约45度的夹角，这就造成了养殖池水平位置不同的鱼与摄像头的距离不同，且

成像后的图像会发生竖直方向的压缩。二是由于养殖池具有一定深度，处于养殖

池不同深度的鱼与摄像头的距离不同，加之光线折射造成鱼体长度难以识别。三

是循环水养殖池中养殖密度高，养殖空间有限，这就造成了鱼群数量密集，重叠

部分极多，很大程度上影响数据集的质量。由于视频关键帧提取后的原始数据集

中大部分图像水面都存在残饵，且残饵颗粒小漂浮面积广，如果采用随机挑选数

据集的方式，会导致石斑鱼体长图像数据集图像噪声过多，影响体长测算方法的

精准度。为了更好地实现淡水石斑鱼体长测算的目标，采用人工挑选的方式进行

数据集构建，从24000张原始数据集中挑选水面无残饵的1000张图像作为体长

测算方法的数据集。然后对所挑选数据集图像进行透视变换，得到垂直于水面的

效果。最后利用图像标记工具对图像数据集中姿态较好，位置处于水面表层且没

有重叠的淡水石斑鱼进行标记画框。

2纹理、颜色和形状等特征的分析方法

在当今的文化中，由于养殖密度、个体鱼类库差异和计算能力限制，研究个

体鱼类行为以指导饮食比较困难，因此研究鱼类库的整体行为对决策饮食更为实

用。喂鱼时，鱼塘水面的纹理、形状和颜色信息也会相应变化，研究喂鱼过程的

图像特征是研究喂鱼行为的方法之一。图像纹理特征可以描述有关图像中对象表

面的信息。提取纹理特征的主要方法有:灰度共生矩阵法、灰度差分矩阵法和高

斯马尔可夫随机场模型。这些研究大多使用灰度共生矩阵方法提取纹理特征，该

方法描述了图像空间中相距一定距离的两个相邻像素之间的灰度关系，具有良好

的普遍性和代表性。形状特征主要包括图像边界和区域特征。颜色特征是描述图

像区域中对象表面属性的全局特征。研究发现，鱼类的行为和水面反射面积可以

反映鱼类摄食活动强度的变化。采用灰度差统计、灰度共生矩阵法和高斯-马尔

可夫随机场模型，提取了13种鱼群纹理特征，采用主成分分析减小鱼群纹理信

息，最后采用SVM算法对BP神经网络中的鱼群图像形状信息进行了进一步组合，

检测到鱼群的摄入量和识别状况。在喂食过程中，鱼的面积和周长等参数也会相

应改变。Sadoul等人通过计算鱼的面积和周长，分析了喂鱼过程中鱼的分散程度

和游泳速度。结果表明，两个参数可以准确表达鱼的摄食行为。以先前的研究为

基础，利用凹凸特征选择和xgndXGBoost算法筛选出三大功率评价因子，加权

混合法确定各评价因子的最优权值，最后得出功率活动的权值，从而提取了图像

的颜色、形状和纹理筛选多个特征可让您展开和表示比单一材质或造型特征更多

的特征。此外，通过特征的加权融合可以进一步提高特征的有效性。是通过研究

鱼的整体摄食行为来量化鱼的食欲状态来指导鱼的摄食的重要方法。与光流法相

比，以纹理、颜色、形状等特征为基础的鱼食法相对便宜，更易于实施。分析鱼

饲料过程中的一系列特征、合理筛选特征、特征权重确定和自动学