基于多特征融合与机器学习的鱼类摄食行为的检测

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%。     

基于神经网络的多特征结合法鲫鱼质量估计

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。     

基于支持向量机的鱼群摄食行为识别技术

应用计算机视觉技术对镜鲤鱼群的摄食行为进行识别,减少养殖过程中人力的损耗,提出了一种基于图像纹理的鱼群摄食的自动检测识别方法。首先利用相机采集鱼群正常状态和摄食时的图片,之后对图片进行预处理,利用灰度差分统计法、灰度共生矩阵和高斯马尔科夫随机场模型提取鱼群的13个纹理特征,最后利用支持向量机(support vector machine,简称SVM)算法对鱼群图像进行分类识别。结果表明,支持向量机对测试集的识别率达到96.5%,运行时间为39.04 s,且使用主成分分析(principal component analysis,简称PCA)算法后,支持向量机对测试集的识别率达到93.5%,运行时间为0.63 s,可以达到对鱼群摄食自动识别的要求。     

水产养殖智能投喂系统中单目视觉测量的研究

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。     

基于近红外深度图的游泳型鱼类摄食强度实时测量

针对水产养殖过程中精准投喂难题,提出一种基于近红外深度图的鱼类摄食活动强度评估方法。该方法不以目标跟踪为基础,不受养殖现场光照条件限制,无须依赖于清澈的水体与稳定背景,通过对深度数据直接处理,以最低的计算量实现鱼类前景目标提取及背景图像剔除,用新方法获取清晰的鱼类摄食图像。进而通过深度图的目标像素点总数判断抢食鱼类的数量,结合目标像素点的变化率,实时反映出鱼类摄食活跃程度;与传统的基于二维图像纹理特征的分析方法相比,该方法大幅度地降低了计算量,为养殖现场的实时测控提供了可实施方案。实验结果表明：近红外深度图不受养殖现场成像条件的限制,能以简洁的数据形式有效地表征鱼类的摄食规律,其方法对于分析在水面抢食浮性饲料,并在非摄食阶段栖息于水体底部的鱼类具有理想的分析效果。论文为鱼类行为分析提出一种新的技术手段,对精准投喂的应用具有积极的指导意义。     

水产养殖投喂策略的研究进展

水生生物的摄食可以使个体获得能量以维持自身的生存、生长和繁殖,其摄食生长受诸多内源和外源因素的影响。自然状态下受水温、溶解氧、p H、亚硝酸盐、氨态氮等外源因素和动物的食性、体内激素等内源因素的影响。人工养殖条件下,投喂策略是重要的外源影响因素。当前我国水产养殖存在养殖密度过高、过量投饲、饲料水稳定性差、投喂策略多数仍旧是基于养殖生产者的经验等问题。因此研究合理的投喂策略,降低饲料对水环境的污染,对于我国现代化生态渔业的可持续发展有重要的意义。     

浅谈水产养殖过程中饵料的投喂技术

<正>随着水产养殖种类的不断增多以及养殖环境与养殖方式的不断转变,传统的饵料投喂技术已经不能满足现代水产养殖的需求,而饵料投喂技术是养殖主生产过程中重要环节,直接影响着养殖品种的产量和质量的提升。因此,必须综合考虑多方面因素对饵料投喂技术加以改良,从而实现"减量、增收、提质"的目的。本文主要分析了影响养殖对象摄食量的主要因素,重点从投喂原则、投喂数量、投喂方法、投喂次数以及投喂时间等方面讨论了水产养殖过     

基于自适应模糊神经网络的鱼类投喂预测方法研究

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0003 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。     

淡水池塘无公害成鱼养殖技术规范（二）

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。     

智慧渔业——“互联网+”智能化时代下的牧渔

基于“互联网+”的背景下,利用互联网这一优势来提升对现代牧渔生态环境的要求而讨论,分别从鱼群产子、智能化鱼群投喂次数、影响鱼群的摄食因素、利用互联网与智能化仿生技术对鱼苗进行最大限度地保护、成鱼的捕捞这五大模块展开讨论,将渔业与人工智能技术相结合,牧渔者可以准确地掌握和解决从鱼苗到成鱼生长过程中的问题,利用计算机视觉、物联网技术和机器人的开发,优化科学养殖,减少人为损失,缓解了牧渔业养殖压力,使渔业市场迈进稳定的可持续发展阶段。     

基于模糊逻辑控制的鱼塘养殖精准投饲系统设计与试验

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。     

湿地高分辨率遥感影像的变化检测

【目的】研究高分辨率遥感影像的湿地动态检测,为湿地资源的可持续发展提供信息支撑。【方法】充分利用面向像元和面向对象两种方法的优势和特点,结合多变量变化检测（MAD）,提出对MAD变量的面向对象后分类方法（OB-M方法）。【结果】基于MAD变换的差异影像集中了两期影像的变化信息,基于像元差异影像的面向对象后分类方法能成功的检测多时相遥感影像的几何配准误差、单时相阴影、光照季节变化等“伪变化信息”,成功提取变化/未变化信息。【结论】比较传统的面向对象分类后比较和MAD方法,提出的OB-M方法能较好地提高湿地变化/未变化信息检测的精度。     

3种划蝽食性的初步研究

以水绵、丝藻、死鱼、活鱼、活水草、死水草和底泥为供试食物,以存活时间、消化道残留物的颜色和食物的变化为依据,推断3种划蝽在实验室内的取食食物.研究表明,3种划蝽均能利用水藻和腐烂有机物,但它们的营养生态位发生了分化,显斑原划蝽(Cymatia apparens (Distant))嗜好取食丝藻,并能取食水绵、腐烂水草和死鱼,但不能利用底泥;钟丽烁划蝽(Sigara bellula (Horvath))嗜好水绵,能利用腐烂水草、底泥、丝藻和死鱼;沙棘小划蝽(Micronecta sahibergi (Jakovlev))嗜好丝藻和底泥,能取食死鱼、腐烂水草和水绵.     

一种基于混合纹理特征的木板材表面缺陷检测方法

利用计算机视觉技术检测木板材表面缺陷。提出了一种基于混合纹理特征的表面缺陷检测算法,能准确、鲁棒地检测出木板材表面图像中是否有缺陷。首先,分别使用灰度共生矩阵方法、Gabor滤波方法和几何不变矩方法提取了10个优化后的图像纹理及尺度、平移、旋转不变特征;然后,对特征向量进行有效组合;最后,基于融合后的混合纹理特征向量,应用BP人工神经网络对样本集进行训练和检测。实验表明,该方法能准确地对木板材表面缺陷进行检测,平均检测成功率达96.2%。     

计算机视觉技术在监测鱼类游泳行为中的研究进展

借助计算机视觉技术研究鱼类游泳行为已逐渐成为热点课题,它模拟生物视觉原理,通过处理采集的图片或视频获得动态目标参数信息,以达到对鱼类游泳行为监测分析的目的,本研究旨在介绍国内外该领域的研究进展,并展望其发展趋势。首先介绍鱼体监测目标的种类选择与影像获取方法,然后介绍影像中的背景去除与目标检测,并对影像数据直接和拟合提取目标参数的单个鱼体目标游泳参数提取方法,以及运动预测法和特征匹配法的多鱼体目标监测方法进行详细阐述,对游泳行为监测参数进行分类,并介绍了相关影像处理常用软件,最后总结了计算机视觉监测存在的难点及未来发展趋势。     

基于蚁群优化算法的图像边缘检测

图像边缘携带了图像的大部分主要信息。通过对图像进行边缘检测不仅能有效地提取图像信息降低计算的复杂度而且是图像测量、图像分割、图像压缩、模式识别等图像处理的基础。本文尝试将蚁群优化算法（Ant Colony Optimization, ACO）用于图像边缘检测，通过选取经典house图像和SAR机场图像设置阈值进行自适应边缘提取，实现了边缘的精确检测。实验结果显示，该算法能够有效地提取图像目标的轮廓信息，很好保持图像纹理，具有理想的抗干扰性能，保证了检测结果的准确性。     

基于视频区域动态特征的林火烟雾检测技术研究

  目的  视频监控越来越多地应用到森林火灾烟雾的早期检测中。现有的视频林火烟雾检测方法大多是基于像素提取烟雾特征进行分析检测,烟雾发生早期或烟雾距离摄像头较远时,在视频图像上烟雾仅呈现较小区域,且烟雾的扩散具有无规则性,背景环境复杂多变,导致基于像素的特征不明显,因此使基于像素的烟雾自动化检测难度增大。本文根据可见光视频图像处理原理,提出一种基于局部区域图像动态特征的林火视频烟雾检测方法,以提高林火视频烟雾检测准确度和灵敏度。  方法  以视频图像为研究对象,每秒取一帧生成图像序列,对图像序列进行多层次不同尺度分区;利用图像信噪比原理,计算分区后的连续图像序列的信噪比;根据背景图像信噪比得到自适应阈值,确定待检测图像序列发生亮度变化的图像块,即为疑似烟雾块;提取疑似烟雾块的LBP纹理特征,采用支持向量机区分出烟雾区域。  结果  利用HSV颜色空间的亮度分量,可以有效提取烟雾区域。选择有林火烟雾的视频,对提出的烟雾变化检测方法进行验证,分析结果表明该方法能确定烟雾发生所在的图像块,且能排除部分非烟雾干扰因素。  结论  本文提出了基于局部区域亮度特征和LBP纹理特征的视频林火烟雾检测技术,能准确定位烟雾发生区域,排除部分干扰因素,检测识别率平均达到92%以上,有助于实时林火烟雾自动检测,提高林火烟雾检测率,具有很强的实用性。      

鱼塘含氧量自动检测控制装置研究

传统的养鱼方法只注重向池塘大量投饵施肥,使池塘生态系常常处于＂生态饱和＂的状态下,同时导致水体含氧量不足。为了提高鱼类产品饲养的质量和数量,提升水产养殖技术的自动化水平,减轻渔民的劳动强度,降低水产养殖的成本,研制了一种鱼塘含氧量自动检测控制装置,实时监测水中的含氧量,自动启动水产增氧设备的运行,使鱼塘中水的含氧量的上下限保持在设定范围内,有效提高了鱼类的安全性,从而降低养殖成本。