專利：魚菜共生系統(tǒng)及基于魚類行為的蔬菜氮元素需求估算方法.pdf

19 中華 人民共和國 國家知識產(chǎn)權(quán)局 12 發(fā)明 專利申請 10 申請公布號 43 申請公布日 21 申請 號 202110661641 1 22 申請日 2021 06 15 71 申請人 中國農(nóng)業(yè)大 學(xué) 地址 100193 北京市海淀區(qū) 圓明園西路2號 72 發(fā)明人 李 道亮 劉暢 王廣旭 杜 玲 74 專利代理 機構(gòu) 北京衛(wèi)平智業(yè)專利代理事務(wù) 所 普通 合 伙 1 1392 代理人 閆萍 51 Int Cl G06T 7 00 2017 01 G06T 7 80 2017 01 G06N 3 04 2006 01 G06N 3 08 2006 01 G06Q 50 02 2012 01 54 發(fā)明名稱 魚菜共生系統(tǒng)及基于魚類行為的蔬菜氮元 素需求估算方法 57 摘要 本發(fā) 明屬于智能魚菜共養(yǎng)技術(shù)領(lǐng)域 涉及一 種魚菜共生系統(tǒng)及基于魚類行為的蔬菜氮元素 需求估算方法 魚菜共生系統(tǒng)包括 種菜池 養(yǎng)魚 池 抽水泵 攝像機 過濾器和計算機 估算方法 包括以下步驟 步驟1 建立魚菜共生系統(tǒng) 步驟 2 分析和統(tǒng)計魚類行為數(shù)據(jù) 步驟3 建立魚類活 躍度與氮元素濃度之間的模型關(guān)系 步驟4 將測 試集輸入到訓(xùn)練好的最優(yōu)模型中 得到水中氮元 素含量的預(yù)測值 本申請采用機器視覺與數(shù)學(xué)模 型分析結(jié)合的方式綜合計算魚類行為數(shù)據(jù) 充分 反映魚類在不同氮元素濃度條件 下的活躍程度 更全面可靠地將魚類行為與植物營養(yǎng)程度聯(lián)系 起來 將人工智能和魚菜共生系統(tǒng)進行有機融 合 具有廣闊的應(yīng)用前景和較高應(yīng)用價值 可實 現(xiàn)產(chǎn)業(yè) 化 權(quán)利要求書2頁 說明書6頁 附圖2頁 CN 113516635 A 2021 10 19 CN 113516635 A 1 一種魚菜共生系統(tǒng) 其特征在于 包括 種菜池 5 養(yǎng)魚池 4 抽水泵 攝像機 過濾 器和計算機 在所述養(yǎng)魚池 4 中盛水 養(yǎng)魚 所述種菜 池 5 為 一水槽 在所述水槽中盛水 種植蔬菜 所述水槽位于所述養(yǎng)魚池 4 的上 方 在所述水槽的側(cè)面的兩端分別設(shè)置進水口 2 和出 水口 3 在所述養(yǎng)魚池 4 中放置抽水泵 所述抽水泵通過管路將養(yǎng)魚池 4 中的水通過進水口 2 循環(huán)到水槽中 直到水槽中的 水位上升 至指定水位線 以供蔬菜吸 收養(yǎng)分 水槽中的水通過 出 水口 3 處安裝的水 管回流至 養(yǎng)魚池 4 中 在所述養(yǎng)魚池 4 的正上 方和 側(cè)面分別放置設(shè)有攝 像機 所述攝 像機與計算機連接 所述攝像機用于 拍攝養(yǎng)魚池 4 監(jiān)測魚類行為 并將采集到的視頻實時傳輸至后 臺 監(jiān)控室的計算機中 其中 養(yǎng) 魚池 4 正上方的攝像機獲得俯視的視頻 養(yǎng) 魚池 4 側(cè)面的攝 像機獲得側(cè)視的視頻 所述計算機用于 計算和分析 出一段時間內(nèi)魚類的行為數(shù)據(jù) 2 如權(quán)利要求1所述的魚菜共生系統(tǒng) 其特征在于 所述養(yǎng)魚池 4 的正上方的攝像機 為 3 60度的球型攝 像機 6 以便拍攝整個養(yǎng)魚池 4 的無 死角畫面 3 如權(quán)利要求1所述的魚菜共生系統(tǒng) 其特征在于 所述攝像機采集的視頻格式為mp4 格式 4 如權(quán)利要求1所述的魚菜共生系統(tǒng) 其特征在于 在所述養(yǎng)魚池 4 旁放置過濾器 在 水槽與養(yǎng)魚池 4 之間的水 管中接入所述過 濾器 以便過 濾 水中的雜質(zhì) 5 一種基于魚類行為的蔬菜氮元素需求估算方法 應(yīng)用權(quán)利要求1 4任一權(quán)利要求所 述的魚菜 共生系統(tǒng) 其特 征在于 包括以下步驟 步驟1 建立實時監(jiān)測魚類行為的魚菜 共生系統(tǒng) 步驟2 分析和統(tǒng)計魚類行為數(shù)據(jù) 首 先對攝 像機采集的視頻圖像進行 標(biāo)定 攝 像機初步采集視頻 然后將采集的視頻圖像建立基于 機器視 覺的目標(biāo)檢測模型 具體是 提取感興趣區(qū)域 并人工標(biāo)注感興趣區(qū)域 作為目標(biāo)檢測模型 攝 像機采集感興趣區(qū)域的視頻 并實時傳輸 至計算機中 計算機計算和分析 出一段時間內(nèi)魚類的行為數(shù)據(jù) 所述行為數(shù)據(jù)包括 游泳 速度 運動距離和撞壁次數(shù) 所述游泳 速度 運動距離和撞壁次數(shù)的三個分量構(gòu)成魚類行為活躍度數(shù)據(jù) 步驟3 建立魚類活躍度與氮元 素濃度之間的模型關(guān)系 獲得養(yǎng)魚池 4 中對應(yīng)活躍度數(shù)據(jù)的水的氮元 素含量 對所述活躍度數(shù)據(jù)和相應(yīng)的氮元 素含量劃分?jǐn)?shù)據(jù)集 劃分為 訓(xùn)練集和 測試集 將所述訓(xùn)練集輸入混合模型的輸入端 對混合模型進行訓(xùn)練 同時調(diào)整混合模型參數(shù) 當(dāng)所述混合模型達到精度要求 時 得到訓(xùn)練好的最優(yōu)模型 保存最優(yōu)模型 當(dāng)所述混合 模型沒有達 到精度要求時 繼續(xù)調(diào)整模型參數(shù) 直到得到最優(yōu) 模型 權(quán) 利 要 求 書 1 2 頁 2 CN 113516635 A 所述混合模型為 基于卷積神經(jīng)網(wǎng)絡(luò)與長短期內(nèi)存網(wǎng)絡(luò)的混合模型 所述卷積神經(jīng)網(wǎng)絡(luò)作為混合模型的上層模塊 包括 卷積層和池化層 所述卷積層用于 提取輸入端數(shù)據(jù)的特 征 所述池化層用于 對卷積層所提取的特 征進行 下采樣 以精簡模型參數(shù) 所述長短期內(nèi)存網(wǎng)絡(luò)作為混合模型的下層模塊 所述長短期內(nèi)存 網(wǎng)絡(luò)用于 對池化層下采樣的特征進行學(xué)習(xí) 保留有用信息 遺忘無效 信息 并將有用信息傳輸給全連接層 所述全連接層用于 壓縮輸出層之前的數(shù)據(jù) 以減少數(shù)據(jù)流的體量和輸出層的網(wǎng)絡(luò)參 數(shù) 并輸出 預(yù)測的氮元 素 結(jié)果 步驟4 將測試集輸入到訓(xùn)練好的最優(yōu) 模型中 得到水中氮元 素含量的預(yù)測值 6 如權(quán)利要求5所述的基于魚類行為的蔬菜氮元素需求估算方法 其特征在于 所述游 泳 速度的檢測方法如下 首先將計算機獲取的視頻分解成圖像幀 選定魚頭的位置作為游泳速度測量的基準(zhǔn) 計算前后相鄰兩圖像 幀中魚頭的距離變化 再用距離變化除以前后兩圖像 幀的時間差 得 到游泳 速度 7 如權(quán)利要求5所述的基于魚類行為的蔬菜氮元素需求估算方法 其特征在于 所述運 動距離的檢測方法如下 首先提取出養(yǎng)魚池 4 中自由游動魚的骨架 然后將俯視 圖和側(cè)視圖中骨架特征的特 征點聯(lián)系起來 分別 繪制出俯視圖和側(cè)視圖的二維軌跡 再通過魚類骨架特征點之間的聯(lián) 系 從而得到魚類的三維運動軌跡 最后根據(jù)三維運動軌跡計算出魚類在一定時間內(nèi)的運 動距離 8 如權(quán)利要求5所述的基于魚類行為的蔬菜氮元素需求估算方法 其特征在于 所述撞 壁次數(shù)的檢測方法如下 在已對視頻中自由游動的魚個體跟蹤的前提下 對視頻中的養(yǎng)魚池 4 的外壁進行標(biāo) 記 從池壁向養(yǎng) 魚池 4 中心擴充2c m的邊界區(qū)域 在此閾值范圍內(nèi)檢測到 魚頭時 標(biāo)記為一 次撞壁行為 9 如權(quán)利要求5所述的基于魚類行為的蔬菜氮元素需求估算方法 其特征在于 所述魚 類行為活躍度數(shù)據(jù)的獲取 條件如下 設(shè)置 養(yǎng)魚池 4 中水的氨 氮濃度變化范圍為 0mg L 5mg L 從養(yǎng)魚池 4 中水的氨氮濃度 為0mg L開始 每 隔0 2mg改變一次氨氮濃度 直到水中氨 氮濃度為 5mg L 設(shè)置 養(yǎng)魚池 4 中水的硝酸態(tài) 氮濃度變化范圍為 0 100mg L 從養(yǎng)魚池 4 中水的硝酸態(tài)氮濃度為0mg L開始 每隔10mg改變一次硝酸態(tài)氮濃度 直 到水中硝酸態(tài) 氮濃度為 10 0mg L 采集在上述不同氮元素濃度 條件下 養(yǎng)魚池 4 中魚類的運動速度 運動距離以及撞壁 次數(shù)作為活躍度數(shù)據(jù) 10 如權(quán)利要求5所述的基于魚類行為的蔬菜氮元素需求估算方法 其特征在于 將所 述池化層的大小設(shè)置為1 權(quán) 利 要 求 書 2 2 頁 3 CN 113516635 A 魚菜共生系統(tǒng)及 基于魚類行為的蔬菜氮元素需求估算方 法 技術(shù)領(lǐng)域 0001 本發(fā)明屬于智能魚菜共生養(yǎng)殖技術(shù)領(lǐng)域 涉及一種魚菜共生系統(tǒng)及基于魚類行為 的蔬菜氮元 素需求估算方法 背景技術(shù) 0002 魚菜共生是利用水產(chǎn)養(yǎng)殖排放水為植物提供營養(yǎng) 利用魚飼料這種氮源生產(chǎn)魚和 蔬菜兩種農(nóng)產(chǎn)品 具有 水和氮源利用效率高 不使用化肥和抗生素和對環(huán)境友好等特點 是 一種 可持續(xù)的農(nóng)業(yè)發(fā)展方式 在傳統(tǒng)的魚菜共生系統(tǒng)中 氮元素作為蔬菜最主要的營養(yǎng)來 源 包括 氨態(tài)氮 簡稱 氨氮 亞硝態(tài)氮和硝酸態(tài)氮三種 其中 可被蔬菜直接吸收的為氨 態(tài)氮和硝酸態(tài)氮 也是魚菜共生系統(tǒng)中蔬菜最主要的氮元素來源 其診斷方法可以分為兩 類 一類是采用現(xiàn)代生物技術(shù)及化學(xué)實驗手段 通過生理生化及組織形態(tài)分析 可以判斷植 物的營養(yǎng)平衡狀況 直接對水培蔬菜中的氮元素進 行檢測和診斷 例如 利用蔬菜葉片各 組 織形態(tài)檢驗氮營養(yǎng)元素水平 也可以用解剖學(xué)與組織化學(xué)相結(jié)合的方法來檢驗植物中的營 養(yǎng)平衡狀況 另一類是 利用計算機視覺的方法 蔬菜在生長期如果缺 乏氮元素 葉片會失 綠黃化 或葉脈間失綠 果 實的色澤和形狀等也會 出現(xiàn)異常等 因此可利用計算機視覺 分析 植物的特定癥狀 長勢長相及葉片顏色等外觀特性進行 營養(yǎng)診斷 0003 以上現(xiàn)有技 術(shù)具有以下缺 點或不足 0004 生物化學(xué)的檢測方法無法實時自動化地對植物氮元素的缺乏做出判斷 效率較 低 在采樣過程中對植株損害嚴(yán)重 植物的全氮分析只能在實驗室進行 結(jié)果較慢 且耗時 耗力 光譜及計算機視覺的診斷方法也只有在植物表現(xiàn)出明顯癥狀后才能進行診斷 因而 不能及時發(fā)現(xiàn)問題 起不到主動預(yù)防的作用 且由于此種診斷依賴采集的植物圖像 易與機 械及物理損傷相混淆 更難做出正確的判斷 所以在實際應(yīng)用中有很大的局限性和延后性 除此之外 上述兩類檢測方法只是單一關(guān)注植物的生長狀況 而忽略魚類的個體狀況 在魚 菜共生系統(tǒng)中 魚和菜的生長是息息相關(guān)的 其效益的最大化建立在魚類健康與 蔬菜正常 生長的前提下 通常情況下 水中氮元素含量對魚類的影響更加直觀和迅速 例如 氨氮含 量增加時 魚類會 出現(xiàn)明顯的應(yīng)激行為 撞 壁和擺尾次數(shù)明顯增加 游速變快 除此之外 當(dāng) 硝酸態(tài)氮含量增加到一定程度時 反而會抑制魚類的行為 出現(xiàn)明顯的攝食量下降 活躍程 度降低和游速變慢等不同程度的變化 因此 根據(jù)魚類出現(xiàn)的不同行為可直接反應(yīng)出水中 氨態(tài)氮和硝酸態(tài)氮含量的變化 從而間接反應(yīng)水中氮元素對植物的影響 只有不斷調(diào)節(jié)水 質(zhì)環(huán)境 才能充分保證魚和菜的正常生長 從而實現(xiàn)魚菜 共生體系的生態(tài) 平衡 發(fā)明內(nèi)容 0005 本申請根據(jù)魚菜共生養(yǎng)殖系統(tǒng)的實際情況 利用攝像機對魚類行為進行全天候的 實時監(jiān)測 將采集到的視頻數(shù)據(jù)進行處理 統(tǒng)計魚菜共生養(yǎng)殖系統(tǒng)中魚類的每天的活躍程 度 包括 游泳速度 運動距離和撞壁次數(shù) 再通過改變水中的氮元素含量 對不同氮元素含 量下的魚類活躍程度和蔬菜長勢進行 統(tǒng)計分析 建立氮元素含量與魚類活躍程度和蔬菜營 說 明 書 1 6 頁 4 CN 113516635 A 養(yǎng) 之 間的函數(shù)模型關(guān)系 從而將魚的行為與蔬菜營養(yǎng)聯(lián)系起來 解決傳統(tǒng)方法中 只單一診 斷蔬菜營養(yǎng) 而 忽略魚類生長的問題 0006 本申請利用計算機視覺技術(shù)監(jiān)測魚的行為 是一種無接觸的診斷方法 且魚類行 為會因水中氮元素含量的改變 而迅速發(fā)生變化 因此 根據(jù)計算機采集到的魚類行為變化 的數(shù)據(jù) 可間接反應(yīng)出當(dāng)前魚菜共生系統(tǒng)中氮元素含量的變化情況 從而為蔬菜是否需要 補充營養(yǎng)元 素做出輔助判斷 0007 本申請?zhí)岢龅臓I養(yǎng)診斷方法無需使用任何生物化學(xué)類試劑 不會對環(huán)境和植株造 成損害 并且整個監(jiān)測和診斷過程不會對魚菜共生系統(tǒng)的正常運行造成干擾 無需耗費大 量的時間分析 可對魚類行為進行實時監(jiān)測 建立實時的魚類行為變化與植物氮營養(yǎng)關(guān)系 模型 可有效解決現(xiàn)有魚菜共生系統(tǒng)中蔬菜氮營養(yǎng)檢測方法速度慢的問題 且可同時注重 魚類的健康生長狀態(tài) 具體技 術(shù)方案如下 0008 一種魚菜 共生系統(tǒng) 包括 種菜 池5 養(yǎng)魚池4 抽水泵 攝 像機 過 濾器和計算機 0009 在所述養(yǎng)魚池4中盛水 養(yǎng)魚 0010 所述種菜 池5為 一水槽 在所述水槽中盛水 種植蔬菜 0011 所述水槽位于所述養(yǎng)魚池4的上 方 0012 在所述水槽的側(cè)面的兩端分別設(shè)置進水口2和出 水口3 0013 在所述養(yǎng)魚池4中放置抽水泵 0014 所述抽水泵通過管路將養(yǎng)魚池4中的水通過進水口2循環(huán)到水槽中 直到水槽中的 水位上升 至指定水位線 以供蔬菜吸 收養(yǎng)分 0015 水槽中的水通過 出 水口3處安裝的水 管回流至 養(yǎng)魚池4中 0016 在所述養(yǎng)魚池4的正上 方和 側(cè)面分別放置設(shè)有攝 像機 所述攝 像機與計算機連接 0017 所述攝像機用于 拍攝養(yǎng)魚池4 監(jiān)測魚類行為 并將采集到的視頻實時傳輸至后 臺監(jiān)控室的計算機中 其中 養(yǎng) 魚池4正上方的攝像機獲得俯視的視頻 養(yǎng) 魚池4側(cè)面的攝像 機獲得側(cè)視的視頻 0018 養(yǎng)魚池4側(cè)面的攝 像機位于 養(yǎng)魚池4的側(cè)方 0019 所述計算機用于 計算和分析 出一段時間內(nèi)魚類的行為數(shù)據(jù) 0020 在上述技術(shù)方案的基礎(chǔ)上 所述養(yǎng)魚池4的正上方的攝像機為 360度的球型攝像 機 6 以便拍攝整個養(yǎng)魚池4的無 死角畫面 所述養(yǎng)魚池4的側(cè)方的攝 像機為 普通攝 像機1 0021 在上述 技 術(shù)方案的基礎(chǔ)上 所述攝 像機采集的視頻格式為mp4格式 0022 在上述技術(shù)方案的基礎(chǔ)上 在所述養(yǎng)魚池4旁放置過濾器 在水槽與養(yǎng)魚池4之間 的水 管中接入所述過 濾器 以便過 濾 水中的雜質(zhì) 0023 一種基于魚類行為的蔬菜氮元素需求估算方法 應(yīng)用上述魚菜共生系統(tǒng) 包括以 下步驟 0024 步驟1 建立實時監(jiān)測魚類行為的魚菜 共生系統(tǒng) 0025 步驟2 分析和統(tǒng)計魚類行為數(shù)據(jù) 0026 首 先對攝 像機采集的視頻圖像進行 標(biāo)定 0027 攝 像機初步采集視頻 0028 然后將采集的視頻圖像建立基于 機器視 覺的目標(biāo)檢測模型 具體是 0029 提取感興趣區(qū)域 并人工標(biāo)注感興趣區(qū)域 作為目標(biāo)檢測模型 說 明 書 2 6 頁 5 CN 113516635 A 0030 攝 像機采集感興趣區(qū)域的視頻 并實時傳輸 至計算機中 0031 計算機計算和分析 出一段時間內(nèi)魚類的行為數(shù)據(jù) 0032 所述行為數(shù)據(jù)包括 游泳 速度 簡稱速度 運動距離 簡稱距離 和撞壁次數(shù) 0033 所述游泳 速度 運動距離和撞壁次數(shù)的三個分量構(gòu)成魚類行為活躍度數(shù)據(jù) 0034 步驟3 建立魚類活躍度與氮元 素濃度之間的模型關(guān)系 0035 獲得養(yǎng)魚池4中對應(yīng)活躍度數(shù)據(jù)的水的氮元 素含量 0036 對所述活躍度數(shù)據(jù)和相應(yīng)的氮元 素含量劃分?jǐn)?shù)據(jù)集 劃分為 訓(xùn)練集和 測試集 0037 將所述訓(xùn)練集輸入混合模型的輸入端 對混合模型進行訓(xùn)練 同時調(diào)整混合模型 參數(shù) 0038 當(dāng)所述混合模型達到精度要求時 得到訓(xùn)練好的最優(yōu)模型 保存最優(yōu)模型 當(dāng)所述 混合模型沒有達 到精度要求時 繼續(xù)調(diào)整模型參數(shù) 直到得到最優(yōu) 模型 0039 所述混合模型為 基于卷積神經(jīng)網(wǎng)絡(luò) CN N 與長短期內(nèi)存網(wǎng)絡(luò) LSTM 的混合模型 0040 所述卷積神經(jīng)網(wǎng)絡(luò)作為混合模型的上層模塊 包括 卷積層和池化層 0041 所述卷積層用于 提取輸入端數(shù)據(jù)的特 征 0042 所述池化層用于 對卷積層所提取的特 征進行 下采樣 以精簡模型參數(shù) 0043 所述長短期內(nèi)存網(wǎng)絡(luò)作為混合模型的下層模塊 0044 所述長短期內(nèi)存網(wǎng)絡(luò)用于 對池化層下采樣的特征進行學(xué)習(xí) 保 留有用信息 遺忘 無效信息 并將有用信息傳輸給全連接層 0045 所述全連接層用于 壓縮輸出層之前的數(shù)據(jù) 以減少 數(shù)據(jù)流的體量和輸出層的網(wǎng) 絡(luò)參數(shù) 并輸出 預(yù)測的氮元 素 結(jié)果 0046 步驟4 將測試集輸入到訓(xùn)練好的最優(yōu) 模型中 得到水中氮元 素含量的預(yù)測值 0047 LSTM在預(yù)測數(shù)據(jù)方面具有獨特的優(yōu)勢 在長期 時間序列預(yù)測中 LSTM可有效避免 梯度消失的問題 因此選擇CNN與LSTM結(jié)合的混合模型預(yù)測魚類活躍度與水中氮元素含量 之間的關(guān)系 0048 在上述 技 術(shù)方案的基礎(chǔ)上 所述游泳 速度的檢測方法如下 0049 首先將計算機獲取的視頻分解成圖像幀 運動時相鄰兩幀圖像中魚的位置分布會 有 所差異 再根據(jù)這種位置 分布上的差異 選定魚頭的位置作為游泳速度測量的基準(zhǔn) 計算 前后相鄰兩圖像 幀中魚頭的距離變化 再用距離變化除以前后兩圖像 幀的時間差 即可得 到 養(yǎng)魚池4中魚類的游泳 速度 又稱為 運動速度 0050 在上述 技 術(shù)方案的基礎(chǔ)上 所述 運動距離的檢測方法如下 0051 首先提取出養(yǎng)魚池4中自由游動魚的骨架 然后將俯視圖和側(cè)視圖中骨架特征的 特征點聯(lián)系起來 分別繪制出俯視圖和側(cè)視圖的二維軌跡 再通過魚類骨架特征點之間的 聯(lián)系 從而得到魚類的三維運動軌跡 最后根據(jù)三維運動軌跡計算出魚類在一定時間內(nèi)的 運動距離 0052 在上述 技 術(shù)方案的基礎(chǔ)上 所述撞壁次數(shù)的檢測方法如下 0053 在已對視頻中自由游動的魚個體跟蹤的前提下 對視頻中的養(yǎng)魚池4的外壁進行 標(biāo)記 從池壁向養(yǎng) 魚池4中心擴充2c m的邊界區(qū)域 在此閾值范圍內(nèi)檢測到魚頭時 標(biāo)記 為一 次撞壁行為 0054 在上述 技 術(shù)方案的基礎(chǔ)上 所述魚類行為活躍度數(shù)據(jù)的獲取 條件如下 說 明 書 3 6 頁 6 CN 113516635 A 0055 設(shè)置 養(yǎng)魚池4中水的氨 氮濃度變化范圍為 0mg L 5mg L 0056 從養(yǎng)魚池4中水的氨氮濃度為0m g L開始 每隔0 2m g改變一次氨氮濃度 直到水中 氨 氮濃度為 5mg L 0057 設(shè)置 養(yǎng)魚池4中水的硝酸態(tài) 氮濃度變化范圍為 0 100mg L 0058 從養(yǎng)魚池4中水的硝酸態(tài)氮濃度為0mg L開始 每隔10mg改變一次硝酸態(tài)氮濃度 直到水中硝酸態(tài) 氮濃度為 10 0mg L 0059 采集在上述不同氮元素濃度條件下 養(yǎng)魚池4中魚類的運動速度 運動 距離以及撞 壁次數(shù)作為活躍度數(shù)據(jù) 0060 在上述技術(shù)方案的基礎(chǔ)上 將所述池化層的大小 設(shè)置為1 可有助于避免混合模型 過擬合 0061 本發(fā)明的有益 技 術(shù)效果如下 0062 1 快速無損 本發(fā)明采用計算機視覺技術(shù) 不需要對魚和菜進行個體解剖和破壞 性采樣 操作 可以快速準(zhǔn)確地診斷水中氮元 素濃度對蔬菜的營養(yǎng)程度 0063 2 可辨識度高 采用機器視覺與數(shù)學(xué)模型分析結(jié)合的方式綜合計算魚類行為數(shù) 據(jù) 可充分反映魚類在不同氮元素濃度條件下 的活躍程度 更全面更可靠地將魚類行為與 植物營養(yǎng)程度聯(lián)系起 來 0064 3 將人工智能方法和魚菜共生系統(tǒng)進行有機融合 具有廣闊的應(yīng)用前景和較高的 應(yīng)用價 值 可以實現(xiàn)產(chǎn)業(yè) 化 附圖說明 0065 本發(fā)明有如下附圖 0066 圖1為本發(fā)明所述基于魚類行為的蔬菜氮元 素需求估算方法的流 程 示 意圖 0067 圖2為本發(fā)明所述魚菜 共生系統(tǒng)結(jié)構(gòu)示 意圖 0068 圖3為圖2中A A的剖視結(jié)構(gòu)示 意圖 0069 附圖標(biāo)記 0070 1 普通攝 像機 2 進水口 3 出 水口 4 養(yǎng)魚池 5 種菜 池 6 球型攝 像機 具體實施方式 0071 下面結(jié)合附圖和實施例 對本發(fā)明的具體實施方式做進一步詳細(xì)描述 以下實施 例僅用于說明本發(fā)明 但不用來限制本發(fā)明的范圍 0072 如圖1所示 本發(fā)明所述基于魚類行為的蔬菜氮元素需求估算方法 包括以下步 驟 0073 第一 步 建立可實時監(jiān)測魚類行為的魚菜 共生系統(tǒng) 0074 搭建可對魚類行為實時監(jiān)測的魚菜共生系統(tǒng) 其結(jié)構(gòu) 示意如圖2 所示 圖3為圖2的 A A剖視結(jié)構(gòu)示意圖 視頻采集的格式為mp4 攝像機被放置在養(yǎng)魚池4的正上方和側(cè)面 其 中正上方俯視圖選擇360度的球型攝像機6 可拍攝整個養(yǎng) 魚池4的無死角畫 面 側(cè)面選擇普 通攝像機1 上方為可支撐蔬菜種植的水槽 所述種菜池5為一水槽 在所述水槽的側(cè)面的兩 端分別設(shè)置進水口2和出 水口3 0075 養(yǎng)魚池4中放置抽水泵 將水循環(huán)到水槽中 供植物 吸收養(yǎng)分 直到水位上升至指 說 明 書 4 6 頁 7 CN 113516635 A 定水位線 水槽中的水通過水管回流至養(yǎng)魚池4中 養(yǎng)魚池 旁邊放置可過濾水中雜質(zhì)的過 濾器 0076 第二 步 分析和統(tǒng)計魚類行為數(shù)據(jù) 0077 攝像機采集到的視頻實時傳輸至后臺監(jiān)控室的計算機中 再利用計算機計算和分 析出一段時間內(nèi)魚類的行為數(shù)據(jù) 所分析的行為數(shù)據(jù)包括 游泳速度 運動距離和撞壁次 數(shù) 所述游泳 速度 運動距離和撞壁次數(shù)的三個分量構(gòu)成魚類行為活躍度數(shù)據(jù) 0078 具體是 首先對攝像機采集的視頻圖像進行標(biāo)定 數(shù)據(jù)處理時 先將采集的視頻圖 像建立基于機器視覺的目標(biāo)檢測模型 提取感興趣區(qū)域 并人工標(biāo)注感興趣區(qū)域 這也是作 為后期模型訓(xùn)練的真實數(shù)據(jù) 然后選定基于卷積神經(jīng)網(wǎng)絡(luò) CNN 與長短期內(nèi)存網(wǎng)絡(luò) LSTM 的混合模型進行訓(xùn)練 在完成參數(shù)的優(yōu)化和調(diào)整后 保存最優(yōu) 模型 0079 1 速度的檢測 0080 首先將計算機獲取的視頻分解成圖像幀 運動時相鄰兩幀圖像中魚的位置分布會 有 所差異 再根據(jù)這種位置 分布上的差異 選定魚頭的位置作為速度測量的基準(zhǔn) 計算前后 兩幀魚頭的距離變化 用這個距離變化除以前后兩幀的時間差 即可得到養(yǎng) 魚池4中魚類的 運動速度 0081 2 運動距離 0082 首先提取出養(yǎng)魚池4中自由游動魚的骨架 然后將俯視圖和側(cè)視圖中骨架特征的 特征點聯(lián)系起來 分別繪制出俯視圖和側(cè)視圖的二維軌跡 再通過魚類骨架特征點之間的 聯(lián)系 從而得到魚類的三維運動軌跡 最后根據(jù)三維運動軌跡計算出魚類在一定時間內(nèi)的 運動距離 0083 3 撞壁次數(shù) 0084 在已對視頻中自由游動的魚個體跟蹤的前提下 對視頻中的養(yǎng)魚池4的外壁進行 標(biāo)記 從池壁向養(yǎng) 魚池4中心擴充2c m的邊界區(qū)域 在此閾值范圍內(nèi)檢測到魚頭時 標(biāo)記 為一 次撞壁行為 0085 第三 步 建立魚類活躍度與氮元 素濃度之間的模型關(guān)系 0086 設(shè)置水中不 同氮元素濃度間隔變化 采集不 同濃度氮元素條件下養(yǎng)魚池4中魚類 的運動速度 運動距離以及撞壁次數(shù)作為活躍度 0087 具體是 設(shè)置 養(yǎng)魚池4中水的氨 氮濃度變化范圍為 0mg L 5mg L 0088 從養(yǎng)魚池4中水的氨氮濃度為0m g L開始 每隔0 2m g改變一次氨氮濃度 直到水中 氨 氮濃度為 5mg L 0089 設(shè)置 養(yǎng)魚池4中水的硝酸態(tài) 氮濃度變化范圍為 0 100mg L 0090 從養(yǎng)魚池4中水的硝酸態(tài)氮濃度為0mg L開始 每隔10mg改變一次硝酸態(tài)氮濃度 直到水中硝酸態(tài) 氮濃度為 10 0mg L 0091 采集在上述不同氮元素濃度條件下 養(yǎng)魚池4中魚類的運動速度 運動 距離以及撞 壁次數(shù)作為活躍度數(shù)據(jù) 0092 對所述活躍度數(shù)據(jù)和相應(yīng)的氮元 素含量劃分?jǐn)?shù)據(jù)集 劃分為 訓(xùn)練集和 測試集 0093 將所述訓(xùn)練集輸入混合模型的輸入端 對混合模型進行訓(xùn)練 同時調(diào)整混合模型 參數(shù) 0094 當(dāng)所述混合模型達到精度要求時 得到訓(xùn)練好的最優(yōu)模型 保存最優(yōu)模型 當(dāng)所述 說 明 書 5 6 頁 8 CN 113516635 A 混合模型沒有達 到精度要求時 繼續(xù)調(diào)整模型參數(shù) 直到得到最優(yōu) 模型 0095 所述混合模型為 基于卷積神經(jīng)網(wǎng)絡(luò) CN N 與長短期內(nèi)存網(wǎng)絡(luò) LSTM 的混合模型 0096 所述卷積神經(jīng)網(wǎng)絡(luò)作為混合模型的上層模塊 包括 卷積層和池化層 0097 所述卷積層用于 提取輸入端數(shù)據(jù)的特 征 0098 所述池化層用于 對卷積層所提取的特征進行下采樣 以精簡模型參數(shù) 將池化層 的大小設(shè)置為1 可有助于避免模型 過擬合 0099 所述長短期內(nèi)存網(wǎng)絡(luò)作為混合模型的下層模塊 0100 所述長短期內(nèi)存網(wǎng)絡(luò)用于 對池化層下采樣的特征進行學(xué)習(xí) 保 留有用信息 遺忘 無效信息 并將有用信息傳輸給全連接層 0101 所述全連接層用于 壓縮輸出層之前的數(shù)據(jù) 以減少 數(shù)據(jù)流的體量和輸出層的網(wǎng) 絡(luò)參數(shù) 并輸出 預(yù)測的氮元 素 結(jié)果 0102 第四步 將測試集輸入到訓(xùn)練好的最優(yōu) 模型中 得到水中氮元 素含量的預(yù)測值 0103 LSTM在預(yù)測數(shù)據(jù)方面具有獨特的優(yōu)勢 在長期 時間序列預(yù)測中 LSTM可有效避免 梯度消失的問題 因此選擇CNN與LSTM結(jié)合的混合模型預(yù)測魚類活躍度與水中氮元素含量 之間的關(guān)系 0104 本發(fā)明并不局限于前述的具體實施方式 本發(fā)明可擴展到任何在本說明書中展示 的新特 征或任何新的組合 以及展示的任一 新的方法或過程的步驟或任何新的組合 0105 本說明書中未做詳細(xì)描述的內(nèi)容屬于 本領(lǐng)域?qū)I(yè) 技 術(shù)人員公知的現(xiàn)有技 術(shù) 說 明 書 6 6 頁 9 CN 113516635 A 圖1 說 明 書 附 圖 1 2 頁 10 CN 113516635 A 圖2 圖3 說 明 書 附 圖 2 2 頁 11 CN 113516635 A