摘要：近年来，随着人工智能与物联网的高速发展，研究人员通过各种技术手段观.测并记录养殖对象的摄食行为，并通过大量摄食行为数据研究摄食规律，进而研究投哏时间、投喂频率、投喂方式、投哏量等投喂策略。目前国内外对于投喂策略的研究大部分是基于养殖对象在投喂过程中的摄食行为采用各种技术手段进行量化，并以量化结果衡量养殖对象饱食程度以分为两种:基于养殖对象行为反馈的投喂策略研究和基于养殖对象的非行为反。按照量化对象的研究方向大致可馈的投喂策略研究。 关键词：基于视觉感知；工厂化养殖；智能投喂管理半夏去皮机
引言
中国对水产品的需求增加，水产养殖发展迅速随着人工智能和物联网等新技术的渗透，水产养殖逐渐向集约化、智能化、高质量和高产量发展，近年来，水产养殖中各种光学、声学和其他传感器的使用显着增加，传感器能够脱盲算法和模型的开发和应用，再加上传感器获得的大量数据，为鱼类提供了智能食物。智能饲料是一种基于不同传感器类型的饲料方法，用 于获取有关环境和鱼类种的信息，而决策和饲料喂养方法以及相关的算法模型是实现养鱼最佳饲料效率的重要手段之一。智能饲料无需增加劳动力，可以基于鱼的行为和状况，以较低的饲料成本在最佳环境中饲养鱼，实现最佳的生长效率。
1于边缘检测的体长测算方法数据集构建
在体长测算方法数据集的构建中，存在着三个问题:一是基于实际工况和摄像头安装条件，养殖池上方的摄像头并非垂直安裝，而是与养殖池水面中心存在约45度的夹角，这就造成了养殖池水平位置不同的鱼与摄像头的距离不同，且成像后的图像会发生竖直方向的压缩。二是由于养殖池具有一定深度，处于养殖池不同深度的鱼与摄像头的距离不同，加之光线折射造成鱼体长度难以识别。三是循环水养殖池中养殖密度高，养殖空间有限，这就造成了鱼数量密集，重叠部分极多，很大程度上影响数据集的质量。由于视频关键帧提取后的原始数据集中大部分图像水面都存在残饵，且残饵颗粒小漂浮面积广，如果采用随机挑选数据集的方式，会导致石斑鱼体长图像数据集图像噪声过多，影响体长测算方法的精准度。为了更好地实现淡水石斑鱼体长测算的目标，采用人工挑选的方式进行数据集构建，从24000张原始数据集中挑选水面无残饵的1000张图像作为体长测算方法的数据集。 然后对所挑选数据集图像进行透视变换，得到垂直于水面的效果。最后利用图像标记工具对图像数据集中姿态较好，位置处于水面表层且没有重叠的淡水石斑鱼进行标记画框。
在当今的文化中，由于养殖密度、个体鱼类库差异和计算能力限制，研究个体鱼类行为以指导饮食比较困难，因此研究鱼类库的整体行为对决策饮食更为实用。喂鱼时，鱼塘水面的纹理、形状和颜信息也会相应变化，研究喂鱼过程的图像特征是研究喂鱼行为的方法之一。图像纹理特征可以描述有关图像中对象表面的信息。提取纹理特征的主要方法有:灰度共生矩阵法、灰度差分矩阵法和高斯马尔可夫随机场模型。这些研究大多使用灰度共生矩阵方法提取纹理特征，该方法描述了图像空间中相距一定距离的两个相邻像素之间的灰度关系，具有良好的普遍性和代表性。形状特征主要包括图像边界和区域特征。颜特征是描述图像区域中对象表面属性的全局特征。研究发现，鱼类的行为和水面反射面积可以反映鱼类摄食活动强度的变化。采用灰度差统计、灰度共生矩阵法和高斯-马尔可夫随机场模型，提取了13种鱼纹理特征，采用主成分分析减小鱼纹理信息，最后采用SVM算法对BP神经网络中的鱼图像形状信息进行了进一步组合，检测到鱼的摄入量和识别状况。
在喂食过程中，鱼的面积和周长等参数也会相应改变。Sadoul等人通过计算鱼的面积和周长，分析了喂鱼过程中鱼的分散程度和游泳速度。结果表明，两个参数可以准确表达鱼的摄食行为。以先前的研究为基础，利用凹凸特征选择和xgnd XGBoost算法筛选出三大功率评价因子，加权混合法确定各评价因子的最优权值，最后得出功率活动的权值，从而提取了图像的颜、形状和纹理筛选多个特征可让您展开和表示比单一材质或造型特征更多的特征。此外，通过特征的加权融合可以进一步提高特征的有效性。是通过研究鱼的整体摄食行为来量化鱼的食欲状态来指导鱼的摄食的重要方法。与光流法相比，以纹理、颜、形状等特征为基础的鱼食法相对便宜，更易于实施。分析鱼饲料过程中的一系列特征、合理筛选特征、特征权重确定和自动学习算法组合，是识别鱼饲料行为、提高决策模型效果的关键。
锚钉
3鱼类行为识别系统
鱼类行为识别系统是一个智能识别系统，通过机器视觉和神经网络等技术监测鱼类行为。鱼类识别系统的硬件通常包括水下摄像机、视频地图、计算机等。其中，水下摄像机是一个重要的组成部分，主要负责海底鱼类的视频采集，并对各种角度的鱼类行为进行监测。
视像卡和电脑可以根据需要保存鱼类图像的长期视频捕获数据。管理人员可以远程观察海洋控制中心的鱼类生长情况。鱼类行为识别软件系统通过将多因素融合识别、图像搜索分析和大数据算法技术相结合，解决了公海水产养殖鱼类整个生命周期行为识别和分析技术薄弱的问题。通过将人工智能算法与图像采集、预处理、目标检测和跟踪等过程相结合，基于计算机视觉的鱼类生长过程中的行为识别技术可以识别和量化整个鱼类生长过程中的行为，如游泳、食物和身体颜变化海底摄影机用于收集鱼的状况数据、储存大小、频率和图像，并将其传送给智能分析软件，但这是因为鱼对海洋环境的物理颜具有一定的适应性，对海水的背景颜不太敏感。因此，有必要对采集的鱼类图像进行预处理，然后提取其特征，并开发一种识别鱼类行为的算法模型，以便对行为进行分类。鱼类行为识别包括图像预处理、特征提取、鱼类生长信息建模等过程。此外，水下摄像机采集的鱼图像中有图像噪声，因此需要在提取特征之前对图像进行预处理，包括灰度梯度、图像增强和过滤等过程，以消除噪声。在建立鱼类行为识别模型之前，必须提取有关鱼类特征的信息，包括形状、大小、纹理、颜和轮廓。建立标准鱼类行为样本数据库，为鱼类行为识别算法建模提供基本数据。
结束语
构建了精准投喂决策模型。将鱼重量、水体残饵状态分析方法与鱼摄食频率检测方法相结合，构建精准投喂决策模型。设计了投喂对比实验，采用精准投喂决策模型的人工模拟投喂方法在实验池进行投喂，采用传统定时定量的人工投喂方法在对照池进行投喂，在30天的实验周期结束后，实验池与对照池鱼的增重率近似，实验池的累积残饵量约为对照池的36.56%。智能投喂系统一方面能针对工厂化高密度养殖方式实现短时间大批量的投喂，同时也能实现小批量多次且精确控制时间和投饵量的精准投喂。
十二水磷酸氢二钠
参考文献
[1]饶勇,智能水产养殖投喂系统研制与应用.四川省,四川渔光物联技术有限公司,2019
DEWARP
[2]庞云剑.面向水产养殖智能投喂设备视觉伺服控制系统的设计与实现[D].上海海洋大学,2019
[3]池涛,庞云剑,沈晓晶.水产养殖智能投喂系统中单目视觉测量的研究[J].山东农业大学学报(自然科学版),2019
[4]李建峰.水产养殖精准投喂控制系统[D].武汉大学,2018
网络隔离[5]纠手才,张效莉.海水养殖智能投饵装备研究进展[J].海洋开发与管理,2018
项目类别：2020年省科技专项资金“大专项+任务清单”项目，2020sdr005.
