CN115720864A - 一种基于因果推理的鱼类智能投喂方法 - Google Patents

Abstract

本发明公开了一种基于因果推理的鱼类智能投喂方法，包括以下步骤：S1、获取鱼群信息、水质信息、外部环境信息、饲料信息、养殖设备信息，所述鱼群信息包括苗种初始体重W₀、苗种数量N、养殖天数D；所述水质信息包括溶氧量、PH值、水温、透明度、氨氮浓度、亚硝酸盐浓度；所述外部环境信息包括天气、环境温度。本发明能够结合专家先验知识和AI智能算法，根据实时采集的鱼群信息、水质信息、外部环境信息、饲料信息等构建鱼群投喂动态算法模型，智能联动投饵机，并通过分析鱼群摄食行为，自动调整投喂量，实现精准投喂，降低人工成本，提高产量。

Description

一种基于因果推理的鱼类智能投喂方法

技术领域

本发明涉及鱼类智能投喂方法技术领域，尤其涉及一种基于因果推理的鱼类智能投喂方法。

背景技术

随着我国人民物质生活水平的提高，水产品作为一种优质的高蛋白食品的同时也含有极其丰富的营养成分，越来越受到广大的消费者的青睐，水产养殖则是水产品的重要来源，这极大程度推动了水产养殖业的快速发展。目前我国的水产养殖主要的投喂方式仍然是人工投喂或传统的饲料机投喂，人工投喂虽然能在一定程度上控制残饵的剩余量，但是人工投喂存在劳动力成本高，投喂效率低、稳定性较差等问题，传统的投饵机投喂虽然能解决成本上的问题，但是由于其定时定量的特性很难控制投喂剩余的残饵以及投喂不足的问题。综上所述，水产养殖作为我国农业的至关重要的一环，现有的饲料投喂方式在很大程度上限制了水产养殖业的发展。

发明内容

本发明的目的在于：为了解决上述问题，而提出的一种基于因果推理的鱼类智能投喂方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于因果推理的鱼类智能投喂方法，包括以下步骤：

S1、获取鱼群信息、水质信息、外部环境信息、饲料信息、养殖设备信息，所述鱼群信息包括苗种初始体重W₀、苗种数量N、养殖天数D；所述水质信息包括溶氧量、PH值、水温、透明度、氨氮浓度、亚硝酸盐浓度；所述外部环境信息包括天气、环境温度；所述饲料信息包括饲料蛋白质含量CP、蛋白质消化率ADC_CP、脂肪含量CL、脂肪消化率ADC_CL、碳水化合物含量CHO、碳水化合物消化率ADC_CHO；所述养殖设备信息包括投饵机信息、抽水机信息、增氧机信息、摄像头信息。

优选地，所述水质信息中溶氧量、PH值、水温、透明度、氨氮浓度、亚硝酸盐浓度由对应的水质传感器获取，可通过后台配置传感器上传数据的频率。

优选地，所述外部环境信息通过气象局提供的气象API接口定时获取。

优选地，所述养殖设备中可通过远程控制投饵机实现定时定量投喂饲料，同时可实时反馈投料机的饵料量情况；可通过远程控制抽水机实现养殖区域抽水换水；可通过远程控制增氧机实现养殖区域增氧；可通过摄像机识别鱼群吃食行为。

优选地，S2、计算鱼群养殖N天后体重W_n：

其中N为养殖数量；

为根据标准养殖环境下的实验数据总结出来的鱼群体重计算公式；

为考虑到实际养殖环境差异性，利用AI算法模型和实时采集实际养殖环境数据构建的偏差值补偿模型，进一步地，

其中W₀为鱼苗初始体重；α_n为将养殖环境控制在符合鱼群最佳生长条件下，得出的不同鱼群种类，第n天的成长系数；

进一步地，

其中V_DO为溶氧量；V_PH为PH值；V_TEMP为水温；V_TUR为透明度；V_AN为氨氮浓度；V_NIT为亚硝酸盐浓度；weather为天气；temp为环境温度；D为养殖天数；通过皮尔逊相关系数计算公式，确认各参量与鱼群成长相关程度，根据相关程度以及采集的各参量历史数据，结合AI算法模型，构建各个养殖区域对应的鱼群体重预测偏差值补偿模型，输出偏差值

；

进一步地，前期将增加人工测算环节，通过人工捕捞养殖区域3～5条鱼，对其进行人工称重，记录鱼重，并对比通过公式计算的鱼重，如果两者间存在偏差，则对鱼群体重预测偏差值补偿模型进行修正，提高模型预测精准度。

优选地，S3、计算饲料投喂量feed：

feed＝W_n×feed_c+feed_a，

其中W_n为鱼群养殖N天后体重；feed_c为将养殖环境控制在符合鱼群最佳生长条件下，得出的不同鱼群种类，在不同生长周期的每千克投饵料量；feed_a为考虑到实际养殖环境差异性，利用AI算法模型和实时采集实际养殖环境数据构建的偏差值补偿模型：

进一步地，feed_a＝f(C_DO,V_TEMP,weather,temp,DE_feed,cycle）；

其中V_DO为溶氧量；V_TEMP为水温；weather为天气；temp为环境温度；DE_feed为饲料消化能含量，根据鱼群种类、所处成长周期，确认所需的蛋白质、脂肪、碳水化合物，同时根据所处饲料的蛋白质含量CP、蛋白质消化率ADC_CP、脂肪含量CL、脂肪消化率ADC_CL、碳水化合物含量CHO、碳水化合物消化率ADC_CHO，得出饲料消化能含量；cycle为鱼群所处成长周期。通过皮尔逊相关系数计算公式，确认各参量与鱼群摄食相关程度，根据相关程度以及采集的各参量历史数据，结合AI算法模型，构建各个养殖区域对应的鱼群投喂量预测偏差值补偿模型，输出偏差值feed_a。

优选地，S4、根据计算得出的饲料投喂量设置定时任务，自动控制投饵机定时定量投喂饲料。

优选地，S5、投喂量矫正：

通过智能摄像头实时监测养殖区域，对投喂后的鱼群摄食行为进行分析，如果投喂一段时间后，鱼群依然在水面上频繁游动等行为则判断饲料投喂量过少，增加饲料投喂量，同时修正鱼群投喂量预测偏差值补偿模型，提高投喂精准度，如果投喂一段时间后，水面存在饲料等则判断饲料投喂量过多，减少下次投饵机饲料投喂量，同时修正鱼群投喂量预测偏差值补偿模型，提高投喂精准度。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明能够结合专家先验知识和AI智能算法，根据实时采集的鱼群信息、水质信息、外部环境信息、饲料信息等构建鱼群投喂动态算法模型，智能联动投饵机，并通过分析鱼群摄食行为，自动调整投喂量，实现精准投喂，降低人工成本，提高产量。

附图说明

图1示出了根据本发明实施例提供的投喂方法的***框图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明提供一种技术方案：

一种基于因果推理的鱼类智能投喂方法，包括以下步骤：

S1、获取鱼群信息、水质信息、外部环境信息、饲料信息、养殖设备信息，所述鱼群信息包括苗种初始体重W₀、苗种数量N、养殖天数D；所述水质信息包括溶氧量、PH值、水温、透明度、氨氮浓度、亚硝酸盐浓度；所述外部环境信息包括天气、环境温度；所述饲料信息包括饲料蛋白质含量CP、蛋白质消化率ADC_CP、脂肪含量CL、脂肪消化率ADC_CL、碳水化合物含量CHO、碳水化合物消化率ADC_CHO；所述养殖设备信息包括投饵机信息、抽水机信息、增氧机信息、摄像头信息：

进一步地，所述水质信息中溶氧量、PH值、水温、透明度、氨氮浓度、亚硝酸盐浓度由对应的水质传感器获取，可通过后台配置传感器上传数据的频率；

进一步地，所述外部环境信息通过气象局提供的气象API接口定时获取：

进一步地，所述养殖设备中可通过远程控制投饵机实现定时定量投喂饲料，同时可实时反馈投料机的饵料量情况；可通过远程控制抽水机实现养殖区域抽水换水；可通过远程控制增氧机实现养殖区域增氧；可通过摄像机识别鱼群吃食行为；

S2、计算鱼群养殖N天后体重W_n：

其中N为养殖数量；

为根据标准养殖环境下的实验数据总结出来的鱼群体重计算公式；

为考虑到实际养殖环境差异性，利用AI算法模型和实时采集实际养殖环境数据构建的偏差值补偿模型；

进一步地，

其中W₀为鱼苗初始体重；α_n为将养殖环境控制在符合鱼群最佳生长条件下，得出的不同鱼群种类，第n天的成长系数；

进一步地，

其中V_DO为溶氧量；V_PH为PH值；V_TEMP为水温；V_TUR为透明度；V_AN为氨氮浓度；V_NIT为亚硝酸盐浓度；weather为天气；temp为环境温度；D为养殖天数；通过皮尔逊相关系数计算公式，确认各参量与鱼群成长相关程度，根据相关程度以及采集的各参量历史数据，结合AI算法模型，构建各个养殖区域对应的鱼群体重预测偏差值补偿模型，输出偏差值

进一步地，前期将增加人工测算环节，通过人工捕捞养殖区域3～5条鱼，对其进行人工称重，记录鱼重，并对比通过公式计算的鱼重，如果两者间存在偏差，则对鱼群体重预测偏差值补偿模型进行修正，提高模型预测精准度；

S3、计算饲料投喂量feed：

feed＝W_n×feed_c+feed_a，

其中W_n为鱼群养殖N天后体重；feed_c为将养殖环境控制在符合鱼群最佳生长条件下，得出的不同鱼群种类，在不同生长周期的每千克投饵料量；feed_a为考虑到实际养殖环境差异性，利用AI算法模型和实时采集实际养殖环境数据构建的偏差值补偿模型：

进一步地，feed_a＝f(C_DO,V_TEMP,weather,temp,DE_feed,cycle；

其中V_DO为溶氧量；V_TEMP为水温；weather为天气；temp为环境温度；DE_feed为饲料消化能含量，根据鱼群种类、所处成长周期，确认所需的蛋白质、脂肪、碳水化合物，同时根据所处饲料的蛋白质含量CP、蛋白质消化率ADC_CP、脂肪含量CL、脂肪消化率ADC_CL、碳水化合物含量CHO、碳水化合物消化率ADC_CHO，得出饲料消化能含量；cycle为鱼群所处成长周期。通过皮尔逊相关系数计算公式，确认各参量与鱼群摄食相关程度，根据相关程度以及采集的各参量历史数据，结合AI算法模型，构建各个养殖区域对应的鱼群投喂量预测偏差值补偿模型，输出偏差值feed_a：

S4、根据计算得出的饲料投喂量设置定时任务，自动控制投饵机定时定量投喂饲料；

S5、投喂量矫正：

通过智能摄像头实时监测养殖区域，对投喂后的鱼群摄食行为进行分析，如果投喂一段时间后，鱼群依然在水面上频繁游动等行为则判断饲料投喂量过少，增加饲料投喂量，同时修正鱼群投喂量预测偏差值补偿模型，提高投喂精准度，如果投喂一段时间后，水面存在饲料等则判断饲料投喂量过多，减少下次投饵机饲料投喂量，同时修正鱼群投喂量预测偏差值补偿模型，提高投喂精准度。

实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (1)

1.一种基于因果推理的鱼类智能投喂方法，其特征在于，包括以下步骤：

S1、获取鱼群信息、水质信息、外部环境信息、饲料信息、养殖设备信息，所述鱼群信息包括苗种初始体重W₀、苗种数量N、养殖天数D；所述水质信息包括溶氧量、PH值、水温、透明度、氨氮浓度、亚硝酸盐浓度；所述外部环境信息包括天气、环境温度；所述饲料信息包括饲料蛋白质含量CP、蛋白质消化率ADC_CP、脂肪含量CL、脂肪消化率ADC_CL、碳水化合物含量CHO、碳水化合物消化率ADC_CHO；所述养殖设备信息包括投饵机信息、抽水机信息、增氧机信息、摄像头信息：

进一步地，所述水质信息中溶氧量、PH值、水温、透明度、氨氮浓度、亚硝酸盐浓度由对应的水质传感器获取，可通过后台配置传感器上传数据的频率；

进一步地，所述外部环境信息通过气象局提供的气象API接口定时获取：

进一步地，所述养殖设备中可通过远程控制投饵机实现定时定量投喂饲料，同时可实时反馈投料机的饵料量情况；可通过远程控制抽水机实现养殖区域抽水换水；可通过远程控制增氧机实现养殖区域增氧；可通过摄像机识别鱼群吃食行为；

S2、计算鱼群养殖N天后体重W_n：

其中N为养殖数量；

为根据标准养殖环境下的实验数据总结出来的鱼群体重计算公式；

为考虑到实际养殖环境差异性，利用AI算法模型和实时采集实际养殖环境数据构建的偏差值补偿模型；

进一步地，

其中W₀为鱼苗初始体重；α_n为将养殖环境控制在符合鱼群最佳生长条件下，得出的不同鱼群种类，第n天的成长系数；

进一步地，

其中V_DO为溶氧量；V_PH为PH值；V_TEMP为水温；V_TUR为透明度；V_AN为氨氮浓度；V_NIT为亚硝酸盐浓度；weather为天气；temp为环境温度；D为养殖天数；通过皮尔逊相关系数计算公式，确认各参量与鱼群成长相关程度，根据相关程度以及采集的各参量历史数据，结合AI算法模型，构建各个养殖区域对应的鱼群体重预测偏差值补偿模型，输出偏差值

进一步地，前期将增加人工测算环节，通过人工捕捞养殖区域3～5条鱼，对其进行人工称重，记录鱼重，并对比通过公式计算的鱼重，如果两者间存在偏差，则对鱼群体重预测偏差值补偿模型进行修正，提高模型预测精准度；

S3、计算饲料投喂量feed：

feed＝W_n×feed_c+feed_a，

其中W_n为鱼群养殖N天后体重；feed_c为将养殖环境控制在符合鱼群最佳生长条件下，得出的不同鱼群种类，在不同生长周期的每千克投饵料量；feed_a为考虑到实际养殖环境差异性，利用AI算法模型和实时采集实际养殖环境数据构建的偏差值补偿模型：

进一步地，feed_a＝f(V_DO，V_TEMP，weather，temp，DE_feed，cycle)；

其中V_DO为溶氧量；V_TEMP为水温；weather为天气；temp为环境温度；DE_feed为饲料消化能含量，根据鱼群种类、所处成长周期，确认所需的蛋白质、脂肪、碳水化合物，同时根据所处饲料的蛋白质含量CP、蛋白质消化率ADC_CP、脂肪含量CL、脂肪消化率ADC_CL、碳水化合物含量CHO、碳水化合物消化率ADC_CHO，得出饲料消化能含量；cycle为鱼群所处成长周期。通过皮尔逊相关系数计算公式，确认各参量与鱼群摄食相关程度，根据相关程度以及采集的各参量历史数据，结合AI算法模型，构建各个养殖区域对应的鱼群投喂量预测偏差值补偿模型，输出偏差值feed_a：

S4、根据计算得出的饲料投喂量设置定时任务，自动控制投饵机定时定量投喂饲料；

S5、投喂量矫正：

通过智能摄像头实时监测养殖区域，对投喂后的鱼群摄食行为进行分析，如果投喂一段时间后，鱼群依然在水面上频繁游动等行为则判断饲料投喂量过少，增加饲料投喂量，同时修正鱼群投喂量预测偏差值补偿模型，提高投喂精准度，如果投喂一段时间后，水面存在饲料等则判断饲料投喂量过多，减少下次投饵机饲料投喂量，同时修正鱼群投喂量预测偏差值补偿模型，提高投喂精准度。

Images