排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
2.
基于支持向量机的鱼群摄食行为识别技术 总被引:1,自引:0,他引:1
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。 相似文献
3.
基于图像纹理特征的养殖鱼群摄食活动强度评估 总被引:3,自引:6,他引:3
为了解决循环水养殖中的投喂难题,该文以镜鲤为试验对象,基于计算机视觉技术,提出了一种通过分析鱼群的纹理来评估鱼群摄食活动强度的方法。首先利用均值背景建模重建出没有鱼群的背景图片,提取出目标鱼群,使用灰度共生矩阵对逆差矩、相关性、能量和对比度这4个纹理特征进行分析,得到鱼群的摄食活动强度。试验结果表明通过鱼群纹理的对比度与传统方法面积法得到的鱼群摄食活动强度,其线性决定系数可达0.894 2,说明该方法可以用来表征鱼群的摄食活动强度,研究结果为鱼群的摄食活性强度测量提供了一种参考方法。 相似文献
4.
针对养殖水质、水温及p H预测准确性低的问题,提出了一种基于粒子群优化BP神经网络的养殖水质参数预测方法。首先应用粒子群算法优化得出BP神经网络的初始权值和阈值,然后对得到的数据进行预处理,修复异常数据信息,再以当前时间的多个水质参数作为输入,下个时间点的水温、p H作为输出,建立养殖水质预测模型,最后利用采集的水质数据在BP神经网络中进行训练,并通过实验检验水质预测模型的可行性和预测性能。与支持向量回归(SVR)和传统BP神经网络相比,基于粒子群优化的BP神经网络在预测水温方面,均方根误差(RMSE)下降幅度分别为64.4%和86.7%;在预测p H方面,RMSE下降幅度分别为11.1%和78.9%。研究表明,基于粒子群优化的BP神经网络养殖水质预测模型具有灵活简便、预测精度高、易于实现的特点,同时具有很好的预测能力。 相似文献
1