共查询到17条相似文献，搜索用时 375 毫秒
1.
《山东农业大学学报(自然科学版)》2019,(6)
水产品投喂方式的智能化、精准化控制是提高水产养殖投喂效率的关键。本文利用计算机视觉定位精度高,不受外界环境影响(如池塘水面的波浪等障碍物的影响)等优势,提出了基于单目视觉水产养殖智能投喂系统。系统通过在池塘内的投喂设备上搭载COMS摄像头来采集食场内的目标图像,利用零阶图像矩单目深度测距算法驱使投喂设备驶向目标食场,实施对水产品的投喂操作。本文详细分析了目标图像矩与目标距离存在的关系,并实验分析了投喂设备到达食场内的目标位置与实际目标位置的精确度及误差原因,验证了本系统对水产品的精确投喂具有很高的应用价值。 相似文献
2.
在水产养殖中,检测鱼类的摄食状态对于投喂控制具有重要意义。以镜鲤为实验对象,提出了一种基于鱼群图像的形状及纹理特征和BP神经网络的鱼群摄食行为检测方法。首先,对采集到的图片进行背景减、灰度化、二值化等处理,得到图像形状与纹理信息,然后计算鱼群图像的形状参数和图像熵,最后利用BP神经网络建模,对鱼群的摄食状态进行检测识别。结果显示,本方法的正确识别率达到98.0%。与单一的基于纹理的检测方法相比,不仅可以把因水面抖动、水花等不利因素的干扰作为纹理的特有属性进行分析,而且考虑了图像的形状信息,提高了检测的准确性,可以用于指导水产养殖中的精准投喂控制。 相似文献
3.
4.
5.
《广东农村实用技术》2006,(4):39-39
三、饲料投喂
投喂高效饲料是无公害养殖成功的保证。无公害水产养殖提倡使用全价膨化配合饲料，对草食性和杂食性鱼类，建议每周至少投喂一餐青饲料。饲料投喂应做到定时、定点、定质、定量“四定”，坚持少量多餐，每天投饲3～4次；同时以不影响鱼类下一顿抢食能力为前提来掌握目投喂量，就是每餐只喂8成饱，具体掌握到每餐投喂饲料时，到有60％～70％的鱼群离开时就可以停止投喂。 相似文献
6.
质量不同的鱼摄食能力不同,准确估计鱼体质量有利于水产养殖中鱼类精准投喂,避免饲料浪费及水体污染。首先使用1元硬币作为参照物采集鲫鱼图像和体重数据,其次对图像进行预处理,提取鲫鱼和硬币的特征值,最后采用BP神经网络、Elman神经网络以及Numpy库构建的神经网络实现多特征的鲫鱼质量估计。结果表明：使用BP和Elman神经网络估计鲫鱼质量时决定系数分别为0.925 6和0.906 4,均方误差分别为0.003 68和0.004 55。采用Numpy库构建的神经网络估计时决定系数值为0.823 7,均方误差值为0.008 1。因此,使用BPNN-面积-周长和Elman-面积-周长方法能够快速、准确地估计鱼体质量,实现水产养殖中鱼类的精准投喂,以及在鱼类被捕捞后根据质量进行分级,推进渔业现代化的进展。 相似文献
7.
<正>每年的7-9月份,很多地方便进入多雨季节。这段时间天气变化无常,暴雨,雷阵雨及阴雨天气一般较多,多的会持续半月以上。而此时恰是水产养殖生产的关键时期,随着气温,水温的逐渐升高,养殖投入品及杂物等开始出现腐败变质,加之久雨光照条件差,光综合能力弱,水体溶氧水平低,鱼类发生缺氧浮头机率大,易对水产养殖造成较大影响,因此,广大养殖户应加强雨季鱼类的养殖管理。一、科学调整投喂,确保鱼类营养之需六至九月是鱼类生长旺季,饲料效率高,但此时天气变化对鱼类的进食有很大影响,应科学进行投喂调整。投饵量应根据天气、水质及鱼类摄食情况灵活掌握。久雨时水体溶氧条件差,鱼 相似文献
8.
基于自适应模糊神经网络的鱼类投喂预测方法研究 总被引：1，自引：0，他引：1
在集约化水产养殖中,鱼类的投喂水平直接关系到养殖效率和生产成本。针对当前水产养殖中存在的投喂量不合理、饲料浪费严重的问题,以实现投喂量的精准预测为目的,提出了一种基于自适应模糊神经网络的鱼类投喂量预测方法。该方法以罗非鱼为研究对象,选择水温和鱼的平均体重2个因素作为输入变量,利用混合学习方法,通过训练和学习获得最优模糊规则库,基于自适应神经网络模糊推理系统（adaptive network fuzzy inference system,ANFIS）建立投喂量预测模型,取得了较好的预测效果。基于ANFIS的投喂量预测模型的均方根误差、平均绝对误差和平均绝对百分比误差分别为1.18、0.74和0003 1,均远远小于原始模糊推理投喂量预测模型的指标值,其网络预测能力优于原始模糊推理预测模型。因此,该模型不仅可以在无监督条件下对鱼进行科学投喂,节省人力成本,而且能为合理的投喂提供技术支撑和理论支持。 相似文献
9.
基于模糊逻辑控制的鱼塘养殖精准投饲系统设计与试验 总被引：1，自引：0，他引：1
为解决现有鱼塘养殖投饲模式粗放,养殖效率低的问题,基于模糊逻辑控制理论,设计一种鱼塘养殖精准投饲系统,采用Nash-Sutcliffe效率系数(NS)和均方根误差(RMSE)对传统投饲模式和精准投饲模式的决策性能进行评估,利用池塘试验,以鱼生长率、特定生长率和饵料系数为评价指标,分析了不同投饲模式对鱼生长的影响。设计的鱼塘养殖精准投饲系统主要包括水质监测系统、投喂决策控制系统和执行系统3个部分。首先通过水质监测系统获取投饲区养殖水体水质参数溶解氧饱和度(DO)和温度(T),结合投饲决策模型计算出目标所需投饲量,然后通过模块子程序控制驱动执行机构步进电机,带动齿轮齿条运动以调控供料斗开度,并采用测角法反馈饲料流量信息,调整目标投饲量,实现精准按需投饲作业。试验结果表明,精准投饲模式与传统投饲模式相比,NS值由-0.772提高至0.903,RMSE降低了19.671,鱼生长参数和产量不存在显著差异性(P0.05),但饵料系数同比降低9.23%,存在显著性差异性(P0.05)。研究表明,精准投饲模式系统决策控制性能良好,在不影响鱼类生长的情况下,有效提高了饵料利用率,降低饲料浪费,达到精准按需投饲的目的。 相似文献
10.
11.
研究了许氏平鲉Sebastes schlegeli幼鱼养殖过程中投饵量（30、38、46、54、62、70、86、102、120、140、160、180、200、220、240 mg/d）对鱼体的增重及对水环境中悬浮物、化学需氧量（COD）、氨氮（NH4＋-N）含量的影响。结果表明：幼鱼在生长过程中的最佳投饵量为160 mg/d,当投饵量小于160mg/d时,许氏平鲉的增长速度随投饵量的增加而增加;当投饵量大于160 mg/d时,再增加投饵量也并不能提高幼鱼的增长速度。投饵量对水体中固体悬浮物、COD、氨氮含量的影响与投饵量对幼鱼增重的影响的结果具有高度的一致性,存在投饵过量指示点（SZ）、COD污染指示点（CZ）、氨氮污染指示点（NZ）。当投饵量小于SZ、CZ、NZ时,悬浮物、COD、氨氮含量均随投饵量的增加而缓慢增加;当投饵量大于SZ、CZ、NZ时,悬浮物、COD、氨氮含量迅速增加。养殖水体中COD的自净符合一般水体COD的自净规律。根据试验结果建立了投饵量（T）与悬浮物含量（S）的模型为S=-18.86＋1.082T-0.0069T2＋0.0002T3,投饵量与COD的模型为COD=0.16＋0.977T-0.055T2＋0.00017T3,COD自净模型为C=113.4×exp（-0.68t）。 相似文献
12.
针对目前检测方法特征单一、样本数量少和鲁棒性低等问题,提出了一种基于多特征融合与机器学习的鱼类摄食行为的检测方法:利用图像处理技术提取鱼群摄食图像的颜色、形状和纹理特征,并对其进行归一化和特征融合处理,通过构建3层的BP神经网络对鱼群摄食行为进行检测。与SVM和KNN检测效果进行对比,BP神经网络的效果最好,精度可达97.1%。与传统的基于单一纹理特征方法相比,在保证时效性和增强鲁棒性的同时,准确率提高了4.1%。 相似文献
13.
14.
对人工养殖条件下高体革鯻(Scortumbarcoo)仔鱼的摄食特性进行了研究。在水温25.7～28.2℃条件下,对3日龄仔鱼进行开口饵料筛选,发现卤虫无节幼体是高体革鯻仔鱼最好的开口饵料,8日龄仔鱼开始摄食枝角类和桡足类,13日龄仔鱼全部摄食枝角类和桡足类,随着鱼体增长,仔鱼相对最大饱食量也增加。前期仔鱼(7日龄)在自然光照条件下于08:00-10:00、12:00-14:00、18:00-20:00时摄食活跃,尤以18:00-20:00的摄食最活跃,夜晚停止摄食;在持续光照条件下夜晚则有摄食活动;在持续黑暗条件下没有摄食活动。后期仔鱼(24日龄)在自然光照条件下09:00-13:00摄食较为活跃,摄食活动主要集中在白天,夜晚不摄食;在持续光照条件下整个夜晚均有摄食活动;在持续黑暗条件下有明显摄食节律,在10:00-12:00和20:00-22:00均出现摄食高峰,摄食活动对光的依赖性降低。试验结果表明,高体革鯻仔鱼摄食节律明显,属于典型的白天摄食类型,仔鱼摄食与光照有紧密关系。 相似文献
15.
Efficient fish feeding is currently one of biggest challenges in aquaculture to enhance the production of fish quality and quantity. In this review, an information fusion approach was used to integrate multi-sensor and computer vision techniques to make fish feeding more efficient and accurate. Information fusion is a well-known technology that has been used in different fields of artificial intelligence, robotics, image processing, computer vision, sensors and wireless sensor networks. Information fusion in aquaculture is a growing field of research that is used to enhance the performance of an “industrialized” ecosystem. This review study surveys different fish feeding systems using multi-sensor data fusion, computer vision technology, and different food intake models. In addition, different fish behavior monitoring techniques are discussed, and the parameters of water, pH, dissolved oxygen, turbidity, temperature etc., necessary for the fish feeding process, are examined. Moreover, the different waste management and fish disease diagnosis techniques using different technologies, expert systems and modeling are also reviewed. 相似文献
16.
17.
朱从容 《浙江水产学院学报》2008,(4):439-443
介绍了计算机视觉技术的概念及其系统组成,综述了计算机视觉技术在鱼种及形状识别、鱼只计数、鱼体尺寸和重量测量、投饵监控和鱼的行为监测中的应用。 相似文献