CN116076421B - 一种通过投料工人的行为视觉分析得到精准投喂量的方法 - Google Patents
一种通过投料工人的行为视觉分析得到精准投喂量的方法 Download PDFInfo
- Publication number
- CN116076421B CN116076421B CN202211462489.5A CN202211462489A CN116076421B CN 116076421 B CN116076421 B CN 116076421B CN 202211462489 A CN202211462489 A CN 202211462489A CN 116076421 B CN116076421 B CN 116076421B
- Authority
- CN
- China
- Prior art keywords
- feeding
- data
- video stream
- visual analysis
- obtaining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000004458 analytical method Methods 0.000 title claims abstract description 49
- 230000000007 visual effect Effects 0.000 title claims abstract description 40
- 230000003542 behavioural effect Effects 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 30
- 241000251468 Actinopterygii Species 0.000 claims description 38
- 238000001514 detection method Methods 0.000 claims description 32
- 230000006399 behavior Effects 0.000 claims description 24
- 238000004806 packaging method and process Methods 0.000 claims description 22
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012840 feeding operation Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004858 feed analysis Methods 0.000 description 1
- 230000004634 feeding behavior Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K61/00—Culture of aquatic animals
- A01K61/80—Feeding devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Environmental Sciences (AREA)
- Zoology (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Marine Sciences & Fisheries (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种通过投料工人的行为视觉分析得到精准投喂量的方法,应用于投喂分析***,所述通过投料工人的行为视觉分析得到精准投喂量的方法包括:获取所述摄像装置的启动指令;基于所述启动指令启动所述摄像装置以获得投料过程的视频流数据;对所述视频流数据进行特征识别获得投料参数;基于所述投料参数进行云服务器深度学习得到投喂策略;根据所述投喂策略得到精准投喂量,并以所述精准投喂量进行精准投喂。本申请通过投料工人的行为视觉分析准确确定投喂时间及投喂量、投喂比,有利于提高鱼塘整体养殖效率,从而提高养殖户的经济效益。
Description
技术领域
本发明涉及养殖投喂技术领域,特别涉及一种通过投料工人的行为视觉分析得到精准投喂量的方法。
背景技术
中国有庞大的鱼塘养殖业,鱼塘养殖过程中,投喂时间与投喂量对鱼群的成长指标具有极大的影响。相关技术中,国内养殖的大部分投喂都是依赖人工操作在完成,工人将饲料运送到投料点,拆袋,装入投料机,投放完毕后,转移到下一个投喂点继续操作,直到投喂完毕;由于大部分的投料机都没有自动计量的功能,所以每个投喂点投喂的饲料数量和类别,只能通过工人人工登记,或者大部分养殖户不登记。这种做法有几率导致饲料投放不准确,或者投放错误,而没有任何办法查找原因。
发明内容
本发明的主要目的是提供一种通过投料工人的行为视觉分析得到精准投喂量的方法、得到精准投喂量的装置及可读存储介质,旨在解决现有技术中如何准确投喂,以提高鱼塘整体养殖效率的技术问题。
为实现上述目的,本发明提出一种通过投料工人的行为视觉分析得到精准投喂量的方法,应用于投喂分析***,所述投喂分析包括投料辅助装置、立杆式摄像装置及云服务器平台,所述立杆式摄像装置被配置于获取所述投料辅助装置的投料过程,所述立杆式摄像装置与云服务器平台通讯连接,所述通过投料工人的行为视觉分析得到精准投喂量的方法包括:
获取所述摄像装置的启动指令;
基于所述启动指令启动所述摄像装置以获得投料过程的视频流数据;
对所述视频流数据进行特征识别获得投料参数,其中,所述投料参数包括:投喂时间、投喂量、投喂饲料品类和/或投喂饲料配比;
基于所述投料参数进行云服务器深度学习得到投喂策略;
根据所述投喂策略得到精准投喂量,并以所述精准投喂量进行精准投喂。
优选地,所述投料辅助装置包括红外探测器,所述获取所述摄像装置的启动指令的步骤之前还包括:
获取红外探测器的探测信号及探测信号的持续时长;
确定存在探测信号并且所述持续时长大于预设值;
生成所述摄像装置的启动指令。
优选地,所述投料辅助装置、立杆式摄像装置包括一一对应的多组,所述生成所述摄像装置的启动指令的步骤包括:
将投料辅助装置的红外探测器与立杆式摄像装置进行配对;
根据配对结果生成配对成功的摄像装置的启动指令;和/或,
所述基于所述启动指令启动所述摄像装置以获得投料过程的视频流数据的步骤包括:
将投料辅助装置的红外探测器与立杆式摄像装置进行配对;
根据配对结果获取配对成功的红外探测器对应的投料辅助装置范围内的投料过程视频流数据。
优选地,所述基于所述启动指令启动所述摄像装置以获得投料过程的视频流数据的步骤之后还包括:
再次获取红外探测器的探测信号及探测信号的持续时长;
确定不存在探测信号且不存在探测信号的持续时长大于预设值,关闭所述摄像装置。
优选地,所述对所述视频流数据进行特征识别获得投料参数的步骤包括:
基于视频流数据获取关键帧图像数据;
基于关键帧图像数据获取饲料包装信息,其中,所述饲料包装信息包括包装颜色、包装形状、包装重量、包装剩余量以及成分表;
对所述饲料包装信息进行云服务器深度学习获得所述投料参数。
优选地,所述对所述视频流数据进行特征识别获得投料参数的步骤还包括:
基于视频流数据获取鱼塘水面的音频数据;
基于所述音频数据获取鱼塘鱼群的活跃度信息,其中,所述活跃度包括一级活跃度及二级活跃度;
对所述活跃度信息进行服务器深度学习获得所述投料参数。
优选地,所述基于所述启动指令启动所述摄像装置以获得投料过程的视频流数据的步骤之后还包括:
对所述视频流数据进行特征识别获得动作行为数据;
基于所述动作行为数据进行云服务器深度学习得到异常行为数据;
根据所述异常行为数据确定为异常行为事件;
基于所述异常行为事件生成追溯提示策略;
根据所述追溯提示策略向工人发送追溯提醒信息。
优选地,所述基于所述投料参数进行云服务器深度学习得到投喂策略的步骤包括:
获取鱼群生长数据及鱼塘产出数据;
根据投料参数、鱼群生长数据及鱼塘产出数据建立深度学习算法模型;
根据所述深度学习算法模型的物理特性得到投喂策略。
进一步地,本发明还提供一种得到精准投喂量的装置,包括存储器、处理器以及存储在所述存储器上用于实现精准投喂方法的控制程序,所述处理器用于执行实现所述精准投喂方法的控制程序,以实现如上所述通过投料工人的行为视觉分析得到精准投喂量的方法的步骤。
进一步地,本发明还提供一种可读存储介质,所述可读存储介质上存储有控制程序,所述控制程序被处理器执行时实现如上所述通过投料工人的行为视觉分析得到精准投喂量的方法的步骤。
本发明技术方案中,通过首先获取所述摄像装置的启动指令;然后基于所述启动指令启动所述摄像装置以获得投料过程的视频流数据;然后对所述视频流数据进行特征识别获得投料参数;再基于所述投料参数进行云服务器深度学习得到投喂策略;最后根据所述投喂策略得到精准投喂量,并以所述精准投喂量进行精准投喂。也即,根据控制指令来启动摄像装置,然后根据投料工人的行为视觉(摄像装置拍摄的视频数据)分析得到精准投喂量,如此,可准确确定投喂时间及投喂量,有利于提高鱼塘整体养殖效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明投喂分析***的结构示意图;
图2为本发明通过投料工人的行为视觉分析得到精准投喂量的方法一实施例的流程示意图;
图3为本发明通过投料工人的行为视觉分析得到精准投喂量的方法另一实施例的流程示意图;
图4为本发明通过投料工人的行为视觉分析得到精准投喂量的方法又一实施例的流程示意图;
图5为本发明通过投料工人的行为视觉分析得到精准投喂量的方法还一实施例的流程示意图;
图6为本发明通过投料工人的行为视觉分析得到精准投喂量的方法再一实施例的流程示意图;
图7为本发明通过投料工人的行为视觉分析得到精准投喂量的方法再一实施例的流程示意图:
图8为本发明通过投料工人的行为视觉分析得到精准投喂量的方法再一实施例的流程示意图:
图9为本发明通过投料工人的行为视觉分析得到精准投喂量的方法再一实施例的流程示意图;
图10为本发明通过投料工人的行为视觉分析得到精准投喂量的方法再一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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的一部分实施例,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他实施例,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后......)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,全文中的“和/或”包括三个方案,以A和/或B为例,包括A技术方案、B技术方案,以及A和B同时满足的技术方案;另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参照附图1,本申请提供一种通过投料工人的行为视觉分析得到精准投喂量的方法,并将该方法应用于应用于投喂分析***,所述投喂分析包括投料辅助装置100、立杆式摄像装置200及云服务器平台300,所述立杆式摄像装置200被配置于获取所述投料辅助装置100的投料过程,所述立杆式摄像装置200与云服务器平台300通讯连接,更具体地,投料辅助装置100包括有利于拍摄的背景挡板,有利于拍摄角度的作业平台,和红外感应器,该作业平台主要用于工人投料作业,红外感应器被配置于人体检测,当工人靠近投料辅助装置100时,获得红外检测信号;立杆式摄像装置200受云服务器平台300控制,与云服务器平台300通过有线方式或无线方式实现通讯连接,具体连接方式在此不做限制,立杆式摄像装置200还具备人体跟踪功能,即可在投料辅助装置100的作业范围内实现人体的跟踪,从而起到防止数据缺失的效果;云服务器平台300提供算法支持和策略推送服务,并且云服务器平台300可以同时接收多个不同鱼塘的视频数据,并对视频分析数据进行分析处理得到投放策略,数据结论可以实现云端共享,如此,可通过投料工人的行为视觉分析准确确定投喂时间及投喂量,有利于提高鱼塘整体养殖效率,提高养殖户的经济效益。
以下将主要描述通过投料工人的行为视觉分析得到精准投喂量的方法的具体步骤,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
参照附图2,所述通过投料工人的行为视觉分析得到精准投喂量的方法包括:
S100、获取所述摄像装置的启动指令;
S200、基于所述启动指令启动所述摄像装置以获得投料过程的视频流数据;
S300、对所述视频流数据进行特征识别获得投料参数,其中,所述投料参数包括:投喂时间、投喂量、投喂饲料品类和/或投喂饲料配比;
S400、基于所述投料参数进行云服务器深度学习得到投喂策略;
S500、根据所述投喂策略得到精准投喂量,并以所述精准投喂量进行精准投喂。
具体地,本实施例,通过首先获取所述摄像装置的启动指令;然后基于所述启动指令启动所述摄像装置以获得投料过程的视频流数据;然后对所述视频流数据进行特征识别获得投料参数;再基于所述投料参数进行云服务器深度学习得到投喂策略;最后根据所述投喂策略得到精准投喂量,并以所述精准投喂量进行精准投喂。也即,根据控制指令来启动摄像装置,然后根据投料工人的行为视觉(摄像装置拍摄的视频数据)分析得到精准投喂量。
更为具体地,获取所述摄像装置200的启动指令的方式有多种,如定时触发启动指令、人体近距离感应触发启动指令或人为控制启动指令,人为控制启动可通过启动按键、启动按钮或启动遥控器进行人为控制启动,而人体近距离感应触发启动的方式又可以是红外活体检测或NFC近距离传感检测,以下以红外检测控制摄像装置200的启动指令为例进行说明,即当投喂工人进入投料辅助装置100的作业平台范围内时,红外传感器检测到活体信号,向云服务器平台300发送检测信号,云服务器平台300接收到检测信号后,向摄像装置发送启动指令,从而控制摄像装置200的启动;摄像装置200启动后,拍摄连续的视频流数据并传输至云服务器平台300,云服务器平台300对频流数据进行特征识别获得投料参数,由于视频上带时间水印,因此,云服务器平台300可分析得出投喂时间,投料参数包括投喂时间、投喂量、投喂饲料品类以及投喂饲料配比等参数;云服务器深度学习可通过神经网络进行深度学习从而得到投喂策略,进而得到得到精准投喂量,并以所述精准投喂量进行精准投喂,神经网络进行深度学习类似人脑对多方数据进行分析、处理、归纳并作出决策的过程。
如此,通过投料工人的行为视觉分析准确确定投喂时间及投喂量,有利于提高鱼塘整体养殖效率,提高养殖户的经济效益。
为提高摄像装置200启动的灵活性,在一实施例中,采用红外检测的方式来控制摄像装置200的启动与关闭:参照附图3-4,所述投料辅助装置包括红外探测器,所述获取所述摄像装置的启动指令的步骤之前还包括:
S000、获取红外探测器的探测信号及探测信号的持续时长;
S010、确定存在探测信号并且所述持续时长大于预设值;
S020、生成所述摄像装置的启动指令。
具体地,当云服务器平台300获取到红外探测器的探测信号并且信号持续时长达到预设值时,如达到3S、5S或其他的预设时间时,说明,确实存在投喂工人在作业区域进行投喂作业,此时,云服务器平台300即生成所述摄像装置的启动指令;而当云服务器平台300获取到断断续续的探测信号时,说明,可能是工人路过此作业区域,此时,云服务器平台300不生成所述摄像装置的启动指令;生成所述摄像装置的启动指令之后,再执行S100-S500的步骤。
工人只要在作业,摄像机就一直连续拍摄,数据存储到本地空间,同时上报云端。
在其他实施例中,可以增加一个本地视觉计算的功能,视频一直在拍摄状态,不上报云端和存储,当有工人工作时,本地计算可以得知需要启动视频的存储和云端上报,以提高图像获取的准确性。
在其他实施例中,为了节能和降低流量费用,摄像装置200在无人到来的时候都应保持关闭状态;因此,所述基于所述启动指令启动所述摄像装置以获得投料过程的视频流数据的步骤之后还包括:
S600、再次获取红外探测器的探测信号及探测信号的持续时长;
S700、确定不存在探测信号且不存在探测信号的持续时长大于预设值,关闭所述摄像装置。
具体地,当云服务器平台300未获取到红外探测器的探测信号并且不存在探测信号的持续时长大于预设值时,说明投料工人已在该作业区域完成投料工作,此时,需要关闭对应区域的摄像装置200。
可以理解的是,一个鱼塘围绕鱼塘周围设置有多个不同的投料点,每个投料点都应设置投料辅助装置100、立杆式摄像装置200,即所述投料辅助装置100、立杆式摄像装置200包括一一对应的多组,并且每个投料辅助装置100只能与对应的摄像装置200进行配对成功;参照附图5,在一实施例中,所述生成所述摄像装置的启动指令的步骤包括:
S021、将投料辅助装置的红外探测器与立杆式摄像装置进行配对;
S022、根据配对结果生成配对成功的摄像装置的启动指令;
具体地,当某个投料辅助装置的红外探测器检测到工人在此作业时,即刻与所有的摄像装置进行配对,由于该红外探测器只能与对应位置的摄像装置200进行配对成功,因此,根据配对结果生成配对成功的摄像装置的启动指令,即仅启动对应位置的摄像装置200进行视频流获取;可以理解,当多个位置同时存在工人作业时,多个对应位置的摄像装置200也会同时启动以进行视频流获取。
需要说明的,由于摄像装置200具备人体跟踪功能,即可在投料辅助装置100的作业范围内实现人体的跟踪,从而起到防止数据缺失的效果,因此,摄像装置200存在误拍的风险,即拍摄非对应作业区域的视频,以对原始数据的造成错误的收集,导致云服务器平台300根据错误的原始数据进行分析而得出不正确、不准确的投喂结论。参照附图6,在一实施例中,所述基于所述启动指令启动所述摄像装置以获得投料过程的视频流数据的步骤包括:
S210、将投料辅助装置的红外探测器与立杆式摄像装置进行配对;
S220、根据配对结果获取配对成功的红外探测器对应的投料辅助装置范围内的投料过程视频流数据。
具体地,同样,当某个投料辅助装置的红外探测器检测到工人在此作业时,即刻与所有的摄像装置进行配对,由于该红外探测器只能与对应位置的摄像装置200进行配对成功,因此,根据配对结果生成配对成功的摄像装置的启动指令,即仅启动对应位置的摄像装置200进行视频流获取;而让摄像装置200只获取对应的投料辅助装置范围内的投料过程视频流数据的方式有多种,如控制摄像装置200的跟踪角度,或对视频流数据进行中间过程的处理删减其他区域特征的视频数据。
为提高视频信息的特征提取精确度,参照附图7,在其他实施例中,所述对所述视频流数据进行特征识别获得投料参数的步骤包括:
S310、基于视频流数据获取关键帧图像数据;
S320、基于关键帧图像数据获取饲料包装信息,其中,所述饲料包装信息包括包装颜色、包装形状、包装重量、包装剩余量以及成分表;
S330、对所述饲料包装信息进行云服务器深度学习获得所述投料参数。
具体地,首先将视频流数据分解成多张关键帧图像,关键帧图像为包括包装信息的图像以方便对包装信息进行特征提取,然后从关键帧图像中提取出饲料包装信息,饲料包装信息包括包装颜色、包装形状、包装重量、包装剩余量以及成分表;最后再对所述饲料包装信息进行云服务器深度学习获得所述投料参数,即通过拍摄工人的投料过程来分析得出投喂量、饲料品类等信息。本实施例得到的投料参数主要是投喂量、饲料品类或投料配比参数。
为进一步提高投料参数的获取准确性,提高投料决策的准确性,参照附图8,在其他实施例中,所述对所述视频流数据进行特征识别获得投料参数的步骤还包括:
S340、基于视频流数据获取鱼塘水面的音频数据;
S350、基于所述音频数据获取鱼塘鱼群的活跃度信息,其中,所述活跃度包括一级活跃度及二级活跃度:
S360、对所述活跃度信息进行服务器深度学习获得所述投料参数。
具体地,首先提取视频流数据中的声音特征,对声音特征进行处理后得到鱼塘鱼群的活跃度信息,如水面鱼群跳跃产生的声音越大,说明鱼群的活跃度越高,并且鱼群活跃度包括一级活跃度及二级活跃度,一级活跃度表示鱼群较活跃,进一步表明鱼群较饿,在水面争抢食物,此时间段适合投料;二级活跃度表示鱼群较安静,进一步表明鱼群还不饿,没有在水面争抢食物,此时段不适合投料。因此,本实施例可以对所述活跃度信息进行服务器深度学习获得所述投料参数,此投料参数主要是投料时间及最佳投料时间,从而方便后续确定投料最佳时间,避开活跃度低的时间进行投喂。
为良好的对投料工人进行管理,可采取不同的管理手段,参照附图9,在其他实施例中,所述基于所述启动指令启动所述摄像装置以获得投料过程的视频流数据的步骤之后还包括:
S800、对所述视频流数据进行特征识别获得动作行为数据;
S900、基于所述动作行为数据进行云服务器深度学习得到异常行为数据;
S1000、根据所述异常行为数据确定为异常行为事件;
S1100、基于所述异常行为事件生成追溯提示策略;
S1200、根据所述追溯提示策略向工人发送追溯提醒信息。
具体地,首先从视频流数据进行特征识别获得动作行为数据,然后分析工人行为有没有异常举动,比如投料动作明显少于正常值,以及抽烟、离开等行为也在分析范围内,如果有类似行为,记录为异常事件,并生成追溯提示策略;最后根据所述追溯提示策略向工人发送追溯提醒信息,如向工人发送“***检测到工作抽烟的行为,请下次注意”或“***检测到投料异常的行为,请下次注意”的短信。通过此方式来实现对投料工人进行追溯管理。
在其他实施例中,还可以添加对投喂机的联动控制,当出现投喂异常行为时,投喂机处于保护状态,即禁止投喂状态,同时远程通知相关负责人。
参照附图10,所述基于所述投料参数进行云服务器深度学习得到投喂策略的步骤包括:
S410、获取鱼群生长数据及鱼塘产出数据;
S420、根据投料参数、鱼群生长数据及鱼塘产出数据建立深度学习算法模型;
S430、根据所述深度学习算法模型的物理特性得到投喂策略。
具体地,鱼群生长数据及鱼塘产出数据可以是鱼群生长过程中养殖户观察统计的数据或评养殖经验得出的数据,还可以是以往鱼群销售时所得出的数据,然后根据投料参数(投料时间、投料最佳时间及投料配比、投料量)、鱼群生长数据及鱼塘产出数据建立深度学习算法模型;最后根据所述深度学习算法模型的物理特性得到投喂策略。多方数据在云端会聚合汇总、分析、归纳处理,结合养殖过程中鱼群的生长情况,即可预测出最佳的投喂配比和方式,可以将配方精确的投放数据(每次投喂都不一样),下发到每一个投喂机上,投喂工人根据提示操作,并且投喂数据可以作为资源被共享或者作为收费服务。
如此,不同池塘可以采用不同的饲料配比,饲料品牌,以及不同的投放时间进行投放,目的是在云端计算这些参数对鱼群生长的影响,从而计算出最佳的投喂方式和饲料配比方式。更进一步的,多个渔场的数据,可以在云端更加的聚合分析,对同一地区的同一品类的鱼群养殖数据进行分析,对比高产出和低产出鱼塘所采用的投喂方式和饲料配比,得出影响鱼群生长的最关键参数;通过投料工人的行为视觉分析准确确定投喂时间及投喂量、投喂比,有利于提高鱼塘整体养殖效率,提高养殖户的经济效益。
本发明实施例还提供一种得到精准投喂量的装置,包括存储器、处理器以及存储在所述存储器上用于实现精准投喂方法的控制程序,所述处理器用于执行实现所述精准投喂方法的控制程序,以实现如上所述通过投料工人的行为视觉分析得到精准投喂量的方法的步骤:
获取所述摄像装置的启动指令;
基于所述启动指令启动所述摄像装置以获得投料过程的视频流数据;
对所述视频流数据进行特征识别获得投料参数,其中,所述投料参数包括:投喂时间、投喂量、投喂饲料品类和/或投喂饲料配比;
基于所述投料参数进行云服务器深度学习得到投喂策略;
根据所述投喂策略得到精准投喂量,并以所述精准投喂量进行精准投喂。
本发明实施例还提供一种可读存储介质,所述可读存储介质上存储有控制程序,所述控制程序被处理器执行时实现如上所述通过投料工人的行为视觉分析得到精准投喂量的方法的步骤:
获取所述摄像装置的启动指令;
基于所述启动指令启动所述摄像装置以获得投料过程的视频流数据;
对所述视频流数据进行特征识别获得投料参数,其中,所述投料参数包括:投喂时间、投喂量、投喂饲料品类和/或投喂饲料配比;
基于所述投料参数进行云服务器深度学习得到投喂策略;
根据所述投喂策略得到精准投喂量,并以所述精准投喂量进行精准投喂。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种通过投料工人的行为视觉分析得到精准投喂量的方法,应用于投喂分析***,其特征在于,所述投喂分析***包括投料辅助装置、立杆式摄像装置及云服务器平台,所述立杆式摄像装置被配置于获取所述投料辅助装置的投料过程,所述立杆式摄像装置与云服务器平台通讯连接,所述通过投料工人的行为视觉分析得到精准投喂量的方法包括:
获取所述摄像装置的启动指令;
基于所述启动指令启动所述摄像装置以获得投料过程的视频流数据;
对所述视频流数据进行特征识别获得投料参数,其中,所述投料参数包括:投喂时间、投喂量、投喂饲料品类和/或投喂饲料配比;
基于所述投料参数进行云服务器深度学习得到投喂策略;
根据所述投喂策略得到精准投喂量,并以所述精准投喂量进行精准投喂。
2.如权利要求1所述的通过投料工人的行为视觉分析得到精准投喂量的方法,其特征在于,所述投料辅助装置包括红外探测器,所述获取所述摄像装置的启动指令的步骤之前还包括:
获取红外探测器的探测信号及探测信号的持续时长;
确定存在探测信号并且所述持续时长大于预设值;
生成所述摄像装置的启动指令。
3.如权利要求2所述的通过投料工人的行为视觉分析得到精准投喂量的方法,其特征在于,所述投料辅助装置、立杆式摄像装置包括一一对应的多组,所述生成所述摄像装置的启动指令的步骤包括:
将投料辅助装置的红外探测器与立杆式摄像装置进行配对;
根据配对结果生成配对成功的摄像装置的启动指令;和/或,
所述基于所述启动指令启动所述摄像装置以获得投料过程的视频流数据的步骤包括:
将投料辅助装置的红外探测器与立杆式摄像装置进行配对;
根据配对结果获取配对成功的红外探测器对应的投料辅助装置范围内的投料过程视频流数据。
4.如权利要求1所述的通过投料工人的行为视觉分析得到精准投喂量的方法,其特征在于,所述基于所述启动指令启动所述摄像装置以获得投料过程的视频流数据的步骤之后还包括:
再次获取红外探测器的探测信号及探测信号的持续时长;
确定不存在探测信号且不存在探测信号的持续时长大于预设值,关闭所述摄像装置。
5.如权利要求1所述的通过投料工人的行为视觉分析得到精准投喂量的方法,其特征在于,所述对所述视频流数据进行特征识别获得投料参数的步骤包括:
基于视频流数据获取关键帧图像数据;
基于关键帧图像数据获取饲料包装信息,其中,所述饲料包装信息包括包装颜色、包装形状、包装重量、包装剩余量以及成分表;
对所述饲料包装信息进行云服务器深度学习获得所述投料参数。
6.如权利要求5所述的通过投料工人的行为视觉分析得到精准投喂量的方法,其特征在于,所述对所述视频流数据进行特征识别获得投料参数的步骤还包括:
基于视频流数据获取鱼塘水面的音频数据;
基于所述音频数据获取鱼塘鱼群的活跃度信息,其中,所述活跃度包括一级活跃度及二级活跃度;
对所述活跃度信息进行服务器深度学习获得所述投料参数。
7.如权利要求1所述的通过投料工人的行为视觉分析得到精准投喂量的方法,其特征在于,所述基于所述启动指令启动所述摄像装置以获得投料过程的视频流数据的步骤之后还包括:
对所述视频流数据进行特征识别获得动作行为数据;
基于所述动作行为数据进行云服务器深度学习得到异常行为数据;
根据所述异常行为数据确定为异常行为事件;
基于所述异常行为事件生成追溯提示策略;
根据所述追溯提示策略向工人发送追溯提醒信息。
8.如权利要求1-7任一项所述的通过投料工人的行为视觉分析得到精准投喂量的方法,其特征在于,所述基于所述投料参数进行云服务器深度学习得到投喂策略的步骤包括:
获取鱼群生长数据及鱼塘产出数据;
根据投料参数、鱼群生长数据及鱼塘产出数据建立深度学习算法模型;
根据所述深度学习算法模型的物理特性得到投喂策略。
9.一种得到精准投喂量的装置,其特征在于,包括存储器、处理器以及存储在所述存储器上用于实现精准投喂方法的控制程序,所述处理器用于执行实现所述精准投喂方法的控制程序,以实现如权利要求1至8中任一项所述通过投料工人的行为视觉分析得到精准投喂量的方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有控制程序,所述控制程序被处理器执行时实现如权利要求1至8中任一项所述通过投料工人的行为视觉分析得到精准投喂量的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211462489.5A CN116076421B (zh) | 2022-11-21 | 2022-11-21 | 一种通过投料工人的行为视觉分析得到精准投喂量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211462489.5A CN116076421B (zh) | 2022-11-21 | 2022-11-21 | 一种通过投料工人的行为视觉分析得到精准投喂量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116076421A CN116076421A (zh) | 2023-05-09 |
CN116076421B true CN116076421B (zh) | 2024-04-16 |
Family
ID=86185726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211462489.5A Active CN116076421B (zh) | 2022-11-21 | 2022-11-21 | 一种通过投料工人的行为视觉分析得到精准投喂量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116076421B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2699372A1 (en) * | 2010-04-09 | 2011-10-09 | Kuo-Hung Tseng | Aquacultural remote control system |
CN105941176A (zh) * | 2016-05-06 | 2016-09-21 | 齐洪方 | 一种基于LabVIEW开发平台的智能养殖***及其控制方法 |
CN106774540A (zh) * | 2016-12-01 | 2017-05-31 | 上海工程技术大学 | 一种基于视频识别的智能养殖控制***及方法 |
CN107894758A (zh) * | 2017-12-28 | 2018-04-10 | 安徽金桥湾农业科技有限公司 | 一种基于物联网的智能鱼塘 |
CN108496868A (zh) * | 2018-04-09 | 2018-09-07 | 浙江庆渔堂农业科技有限公司 | 基于物联网技术的高密度鱼塘养殖自动投料*** |
CN108925481A (zh) * | 2018-05-31 | 2018-12-04 | 深圳市零度智控科技有限公司 | 一种基于图像识别的虾料自动投放设备及控制方法 |
JP2020078278A (ja) * | 2018-11-14 | 2020-05-28 | 株式会社 アイエスイー | 養殖魚の自動給餌方法並びに自動給餌システム |
WO2021016955A1 (zh) * | 2019-07-31 | 2021-02-04 | 唐山哈船科技有限公司 | 一种用于水产养殖的投料装置和方法 |
CN114586722A (zh) * | 2022-01-18 | 2022-06-07 | 江苏叁拾叁信息技术有限公司 | 一种智能投料无人船及其投料方法 |
CN114627401A (zh) * | 2021-07-29 | 2022-06-14 | 广州机智云物联网科技有限公司 | 鱼塘管理***、养殖设备控制方法、装置和计算机设备 |
CN114638779A (zh) * | 2021-07-29 | 2022-06-17 | 广州机智云物联网科技有限公司 | 纺织物质检***、方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8279349B2 (en) * | 2009-11-17 | 2012-10-02 | Nice Systems Ltd. | Automatic control of visual parameters in video processing |
-
2022
- 2022-11-21 CN CN202211462489.5A patent/CN116076421B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2699372A1 (en) * | 2010-04-09 | 2011-10-09 | Kuo-Hung Tseng | Aquacultural remote control system |
CN105941176A (zh) * | 2016-05-06 | 2016-09-21 | 齐洪方 | 一种基于LabVIEW开发平台的智能养殖***及其控制方法 |
CN106774540A (zh) * | 2016-12-01 | 2017-05-31 | 上海工程技术大学 | 一种基于视频识别的智能养殖控制***及方法 |
CN107894758A (zh) * | 2017-12-28 | 2018-04-10 | 安徽金桥湾农业科技有限公司 | 一种基于物联网的智能鱼塘 |
CN108496868A (zh) * | 2018-04-09 | 2018-09-07 | 浙江庆渔堂农业科技有限公司 | 基于物联网技术的高密度鱼塘养殖自动投料*** |
CN108925481A (zh) * | 2018-05-31 | 2018-12-04 | 深圳市零度智控科技有限公司 | 一种基于图像识别的虾料自动投放设备及控制方法 |
JP2020078278A (ja) * | 2018-11-14 | 2020-05-28 | 株式会社 アイエスイー | 養殖魚の自動給餌方法並びに自動給餌システム |
WO2021016955A1 (zh) * | 2019-07-31 | 2021-02-04 | 唐山哈船科技有限公司 | 一种用于水产养殖的投料装置和方法 |
CN114627401A (zh) * | 2021-07-29 | 2022-06-14 | 广州机智云物联网科技有限公司 | 鱼塘管理***、养殖设备控制方法、装置和计算机设备 |
CN114638779A (zh) * | 2021-07-29 | 2022-06-17 | 广州机智云物联网科技有限公司 | 纺织物质检***、方法、装置、计算机设备和存储介质 |
CN114586722A (zh) * | 2022-01-18 | 2022-06-07 | 江苏叁拾叁信息技术有限公司 | 一种智能投料无人船及其投料方法 |
Non-Patent Citations (2)
Title |
---|
水产养殖水下机器人研究进展;夏英凯;华中农业大学学报;20211231;第85-97页 * |
畜禽精准饲喂管理技术发展现状与展望;孟蕊;家畜生态学报;20211231;第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116076421A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11627726B2 (en) | System and method of estimating livestock weight | |
US8787621B2 (en) | Methods and systems for determining and displaying animal metrics | |
CN107667903B (zh) | 基于物联网的畜牧养殖活体体重监测方法 | |
CN109618961A (zh) | 一种家畜的智能投喂***和方法 | |
WO2014197631A1 (en) | Methods and systems for marking animals | |
CN109640641B (zh) | 投饵***、图像处理装置及图像处理方法 | |
US20220189192A1 (en) | Growth evaluation device, growth evaluation method, and growth evaluation program | |
CN111401386A (zh) | 牲畜舍栏的监控方法、装置、智能巡航机器人及存储介质 | |
US20210076570A1 (en) | Agricultural work apparatus, agricultural work management system, and program | |
JP7074185B2 (ja) | 特徴推定装置および特徴推定方法、プログラム | |
CN107454313A (zh) | 农用智能装置的拍照方法及拍照*** | |
JP2021164444A (ja) | 水棲動物検出装置、情報処理装置、端末装置、水棲動物検出システム、水棲動物検出方法、及び水棲動物検出プログラム | |
CN112775979A (zh) | 宠物陪伴机器人的控制方法、宠物陪伴机器人及芯片 | |
JPWO2019198701A1 (ja) | 分析装置、分析方法、プログラムおよび水中生物監視システム | |
CN116076421B (zh) | 一种通过投料工人的行为视觉分析得到精准投喂量的方法 | |
CN107703509B (zh) | 一种声呐探测鱼群选择最佳垂钓点的***和方法 | |
JP7223880B2 (ja) | 乳牛の乳首の検出畳み込みニューラルネットワークモデル及びその構築方法 | |
CN110889847A (zh) | 一种基于红外成像的核辐射损伤评估***、方法 | |
KR102404137B1 (ko) | 3d 영상을 기반으로한 거치형 가축 무게 추정 시스템과, 이를 이용한 가축 무게 추정 방법 | |
CN112153892B (zh) | 用于苍蝇管理的装置 | |
CN114092687A (zh) | 一种基于视觉识别的动物饲喂装置、方法和可读存储介质 | |
CN112116647B (zh) | 估重方法和估重装置 | |
CN113705282A (zh) | 信息采集装置、***、方法和信息采集车 | |
TW202114518A (zh) | 自動鳥類偵測及驅離的方法 | |
CN116439155B (zh) | 一种宠物陪伴方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |