基于养殖鱼异常行为的在线水质溶解氧变化预测方法.pdf

《基于养殖鱼异常行为的在线水质溶解氧变化预测方法.pdf》由会员分享，可在线阅读，更多相关《基于养殖鱼异常行为的在线水质溶解氧变化预测方法.pdf（8页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010134105.1 (22)申请日 2020.02.28 (71)申请人 常州工学院 地址 213000 江苏省常州市辽河路666号 (72)发明人 鲍玉军张兵宋珍伟焦玉全 (74)专利代理机构 苏州拓云知识产权代理事务 所(普通合伙) 32344 代理人 王云峰 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/02(2012.01) G06T 7/73(2017.01) G06T 7/12(201。

2、7.01) G06T 5/00(2006.01) G06N 3/02(2006.01) (54)发明名称 一种基于养殖鱼异常行为的在线水质溶解 氧变化预测方法 (57)摘要 本发明公开了一种基于养殖鱼异常行为的 在线水质溶解氧变化预测方法， 其包括： 水面鱼 群二维图像预处理； 鱼群行为特征分析； 养殖水 质溶解氧含量变化等级确定； T-S模糊神经网络 构建； 养殖水质溶解氧含量变化程度预测。 本发 明依靠采集鱼群在水体溶解氧缺乏下的行为图 像， 对图像进行预处理并归纳出其异常行为特 征， 将之用于构建的 “多入单出(MISO)” T-S模糊 神经网络系统， 从而实现对水体溶解氧含量变化 的科。

3、学预测， 避免使用了大量较昂贵水质传感器 及建立复杂溶解氧预测模型， 降低了养殖风险和 养殖成本， 符合我国现阶段发展中国家淡水水产 养殖的国情。 权利要求书1页 说明书5页 附图1页 CN 111275269 A 2020.06.12 CN 111275269 A 1.一种基于养殖鱼异常行为的在线水质溶解氧变化预测方法， 其特征在于包括以下步 骤： 步骤1， 水面鱼群二维图像预处理； 步骤2， 鱼群各个体在水面二维坐标确定； 步骤3， 鱼群异常行为特征分析； 步骤4， 水体溶解氧含量变化等级标准确定； 步骤5， T-S模糊神经网络构建； 步骤6， 水体溶解氧含量变化程度预测。 2.根据权利要。

4、求1一种基于养殖鱼异常行为的在线水质溶解氧变化预测方法， 其特征 在于： 所述步骤1， 水面鱼群二维图像预处理中， 其方法如下： 通过图像处理算法对图像进行 预增强处理， 提高鱼群的清晰度及对比度。 3.根据权利要求1一种基于养殖鱼异常行为的在线水质溶解氧变化预测方法， 其特征 在于： 所述步骤2， 鱼群各个体在水面二维坐标确定中， 包括以下步骤： 2.1对增强后鱼群图像构建二值图像； 2.2执行滤波以及使用形态学算法去除图像中因噪声所造成的干扰区域； 2.3进行 “距离变换” 和 “形态学重构” ； 2.4通过确定各区域质心的方法实现鱼群中各个体目标在水面的二维坐标。 4.根据权利要求1一种。

5、AlexNet网络和SVM相结合的土地利用变化检测方法， 其特征在 于： 所述步骤3， 鱼群异常行为特征分析中， 方法如下： 采用Delaunay三角剖分法构建鱼群 Delaunay三角网， 并在此基础计算能够描述鱼群集群特征的 “鱼群重心” 坐标。 最后通过定 义 “集群半径” 、“集群离散度” 、“集群均速” 和 “集群平均鳃部呼吸频率” 等四种参数对鱼群 在水面异常行为特征进行表征。 5.根据权利要求1一种基于养殖鱼异常行为的在线水质溶解氧变化预测方法， 其特征 在于： 所述步骤4， 水体溶解氧含量变化等级标准确定中， 方法如下： 根据前面所归纳的鱼群 在溶解氧缺乏下的 “二维” 行为特。

6、征参数对溶解氧含量变化程度进行排序、 定级。 6.根据权利要求1一种基于养殖鱼异常行为的在线水质溶解氧变化预测方法， 其特征 在于： 所述步骤5， T-S模糊神经网络构建中， 将四种鱼群异常行为参数作为输入， 溶解氧含 量变化所对应的水体等级作为输出， 构建T-S模糊神经网络。 7.根据权利要求1一种基于养殖鱼异常行为的在线水质溶解氧变化预测方法， 其特征 在于： 所述步骤6， 水体溶解氧含量变化程度预测中， 其方法如下： 将鱼群异常行为特征应用 于所构建的T-S模糊神经网络系统， 从而准确、 可靠地对水体溶解氧含量变化进行预测， 避 免使用了大量较昂贵水质传感器及建立复杂溶解氧预测模型， 降。

7、低了养殖风险及养殖成 本。 权利要求书 1/1 页 2 CN 111275269 A 2 一种基于养殖鱼异常行为的在线水质溶解氧变化预测方法 技术领域 0001 本发明属于智能水产养殖技术领域， 具体为一种基于养殖鱼异常行为的在线水质 溶解氧变化预测方法。 背景技术 0002 中国淡水水产养殖面积占总面积73.04， 且大部分集中在水资源相对丰富的长 江中下游地区， 淡水水产养殖在我国国民经济中占据重要地位。 每年该地区仅因为水体溶 解氧预警不及时而导致水产养殖数亿元的损失。 0003 鱼类对外界的刺激和信息的感受与探测是它生存不可少的条件， 且这些信息会在 鱼群中迅速传播。 在获得养殖鱼群在。

8、水面二维图像并利用图像处理算法处理的基础上， 针 对鱼类在水体溶解氧缺乏下的行为特征进行研究， 最后将鱼群异常行为特征应用于所构建 的T-S模糊神经网络系统， 从而准确、 可靠地对养殖水体溶解氧变化进行预测。 这避免使用 大量水质传感器及建立复杂预测模型预测， 极大程度地降低了养殖风险和养殖成本， 提高 淡水水产养殖智能化和精确化管理水平， 且符合我国现阶段发展中国家淡水水产养殖的国 情， 其研究方法并对水环境保护具有重要指导意义。 发明内容 0004 本发明针对现有的技术问题， 提供一种基于计算机视觉技术、 动物行为学， 分析养 殖鱼在水体溶解氧缺乏下的各种异常行为， 结合智能控制技术为水产。

9、养殖过程中水体溶解 氧含量异常变化进行科学、 可靠预警。 目的是避免水产养殖中出现的经济损失并降低养殖 成本， 从而提高水产养殖的效率， 拟解决现有技术存在的问题。 0005 为实现上述目的， 本发明提供如下技术方案： 一种基于养殖鱼异常行为的在线水 质溶解氧变化预测方法， 包括以下步骤： 0006 步骤1， 水面鱼群二维图像预处理； 0007 步骤2， 鱼群各个体在水面二维坐标确定； 0008 步骤3， 鱼群异常行为特征分析； 0009 步骤4， 水体溶解氧含量变化等级标准确定； 0010 步骤5， T-S模糊神经网络构建； 0011 步骤6， 水体溶解氧含量变化程度预测。 0012 与现有。

10、技术相比， 本发明提供了一种基于养殖鱼异常行为的在线水质溶解氧变化 预测方法， 具备以下有益效果： 0013 本发明依靠基于计算机视觉技术的水产养殖鱼行为获取方法， 实现鱼群中各个体 在水面二维坐标的获取， 结合动物行为学和水产养殖经验分析并表征鱼群在水体溶解氧缺 乏下的各种异常行为特征， 最终结合智能控制技术为水产养殖过程中水体溶解氧含量异常 变化进行科学、 可靠预警， 这对高效水产养殖提供了精准地科学依据。 从而避免了水产养殖 中使用大量较昂贵水质传感器， 降低了养殖风险和养殖成本， 比较适合工厂高密度水产养 说明书 1/5 页 3 CN 111275269 A 3 殖。 附图说明 001。

11、4 图1为本发明中鱼类对水体溶解氧的适应性示意图； 0015 图2是本发明使用T-S模糊神经网络对养殖水体溶解氧含量变化预测流程。 图3为本发明中养殖鱼群在水体溶解氧缺乏下的二维行为特征排序、 定级表。 具体实施方式 0016 本发明针对现有的技术问题， 提供一种基于计算机视觉技术、 动物行为学， 分析养 殖鱼在水体溶解氧缺乏下的各种异常行为， 结合智能控制技术为水产养殖过程中水体溶解 氧含量异常变化进行科学、 可靠预警。 目的是避免水产养殖中出现的经济损失并降低养殖 成本， 从而提高水产养殖的效率， 拟解决现有技术存在的问题。 0017 本发明提供一种技术方案： 一种基于养殖鱼异常行为的在线。

12、水质溶解氧变化预测 方法， 包括以下步骤： 0018 步骤1， 水面鱼群二维图像预处理； 0019 步骤2， 鱼群各个体在水面二维坐标确定； 0020 步骤3， 鱼群异常行为特征分析； 0021 步骤4， 水体溶解氧含量变化等级标准确定； 0022 步骤5， T-S模糊神经网络构建； 0023 步骤6， 水体溶解氧含量变化程度预测。 0024 本实施例中， 所述步骤1， 水面鱼群二维图像预处理中， 其方法如下： 通过图像处理 算法对图像进行预增强处理， 提高鱼群的清晰度及对比度。 0025 本实施例中， 所述步骤2， 鱼群各个体在水面二维坐标确定中， 包括以下步骤： 0026 2.1对增强后鱼。

13、群图像构建二值图像； 0027 2.2执行滤波以及使用形态学算法去除图像中因噪声所造成的干扰区域； 0028 2.3进行 “距离变换” 和 “形态学重构” ； 0029 2.4通过确定各区域质心的方法实现鱼群中各个体目标在水面的二维坐标。 0030 本实施例中， 所述步骤3， 鱼群异常行为特征分析中， 方法如下： 采用Delaunay三角 剖分法构建鱼群Delaunay三角网， 并在此基础计算能够描述鱼群集群特征的 “鱼群重心” 坐 标。 最后通过定义 “集群半径” 、“集群离散度” 、“集群均速” 和 “集群平均鳃部呼吸频率” 等四 种参数对鱼群在水面异常行为特征进行表征。 0031 本实施。

14、例中， 所述步骤4， 水体溶解氧含量变化等级标准确定中， 方法如下： 根据前 面所归纳的鱼群在溶解氧缺乏下的 “二维” 行为特征参数对溶解氧含量变化程度进行排序、 定级。 0032 本实施例中， 所述步骤5， T-S模糊神经网络构建中， 将四种鱼群异常行为参数作为 输入， 溶解氧含量变化所对应的水体等级作为输出， 构建T-S模糊神经网络。 0033 本实施例中， 所述步骤6， 水体溶解氧含量变化程度预测中， 其方法如下： 将鱼群异 常行为特征应用于所构建的T-S模糊神经网络系统， 从而准确、 可靠地对水体溶解氧含量变 化进行预测， 避免使用了大量较昂贵水质传感器及建立复杂溶解氧预测模型， 降低。

15、了养殖 说明书 2/5 页 4 CN 111275269 A 4 风险及养殖成本。 0034 参照图1、 2、 3， 本发明通过图像处理算法对图像进行增强处理， 从而有效 地去除 图像中的 “雾气” 、 提高鱼群的清晰度及对比度。 为避免直接使用 Watershed算法分割鱼群 时出现的较差效果以及所产生的过度分割， 对增强后鱼 群图像执行滤波以及使用形态学 “开运算” 去除图像中因噪声(水体中存在的气 泡、 杂质等)所造成的干扰区域后， 进行 “距 离变换” 和 “形态学重构” ， 以尽 可能在使用分水岭算法分割图像之前过滤不期望的 “局部 最小值” 区域， 从而仅 仅在鱼群图像中所期望分割。

16、的位置保留 “局部最小” 。 最后通过图像 转为 “标注 矩阵” 后， 即可容易地通过确定各区域质心的方法实现鱼群中各个体的质心坐 标。 0035 在获得鱼群各个体的质心坐标后， 本发明采用Delaunay三角剖分法对鱼群中所有 鱼以质心坐标为基础构建Delaunay三角网， 并以此为基础进一步计算出能够描述鱼群集群 特征的 “鱼群重心” 坐标。 0036 实现Delaunay三角剖分， 本发明则通过使用 “逐点插入法” ， 其实现算法如下： 0037 (1)构造一个超级三角形， 包含所有散点， 放入三角形链表。 0038 (2)将 “数据点集” 中的散点依次逐个插入， 在三角形链表中找出该点。

17、外接圆包含 插入点的三角形(称为该点的影响三角形)， 删除影响三角形的公共边， 将插入点同影响三 角形的全部顶点连接起来， 从而完成一个点在Delaunay三角形链表中的插入。 0039 (3)根据 “局部最优化准则” 对局部新形成的三角形进行优化。 将形成的三角形放 入Delaunay三角形链表。 具体优化过程为： 将两个具有公共边的三角形合并成一个凸多边 形； 以最大空外接圆为准则， 观察第四个顶点是否在三角形的外接圆之内； 如果在外接圆之 内， 则修正对角线， 对调对角线， 优化结束。 0040 (4)循环执行上述第2步， 直到所有散点插入完毕。 0041 鱼群重心坐标(x,y)的计算公。

18、式如下： 0042 0043 其中， (xi,yi)为鱼群中各条鱼的质心坐标； n为鱼群中鱼的个数； m则为基于鱼群各 个体二维坐标所构造的Delaunay三角网的三角形个数； 0044 为较好地描述养殖鱼在水体溶解氧异常情况下的行为特征， 本发明定义了 “集群 半径” 、“集群离散度” 、“集群均速” 和 “集群平均鳃部呼吸频率” 等四种参数。 0045 (1)集群半径： 0046 0047 其中， (x,y)为鱼群的集群重心； (xi,yi)为每条红鲫鱼的质心坐标； n为鱼群中红鲫 鱼个数； 0048 (2)集群离散度： 说明书 3/5 页 5 CN 111275269 A 5 0049 。

19、0050 (3)集群均速： 0051 0052 其中， (xi1,yi1)和(xi2,yi2)分别为第i条鱼在1秒间隔的前后两帧图片中的质心坐 标； n为鱼群中鱼的总数。 0053 (4)集群平均鳃部呼吸频率： 0054 采用摄像头按30fps采集图像， 通过对10秒内300张图像进行鱼类鳃部运动统计， 从而获得鱼群的平均鳃部呼吸频率。 0055 不同品种的养殖鱼对溶解氧的需求是不同的， 不仅正常生长需求值、 呼吸困难点、 窒息点不同， 而且即使是同一品种鱼， 在不同的生长阶段对溶解氧的需求也不同， 这是由养 殖鱼自身的生理因素所决定的。 养殖鱼对溶解氧的适应水平具有一个适合其生长的最佳范 围。

20、， 其含量水平既不能过低， 也不能过高。 养殖鱼对溶解氧的适应及缺氧耐受遵循正态分布 规律， 如图1。 0056 结合上述特征参数和图1， 本发明将养殖鱼群在水体溶解氧缺乏下的二维行 为特 征进行进行排序、 定级， 如图3。 0057 本发明中利用T-S模糊神经网络预测养殖水体溶解氧含量变化程度流程如图2。 根 据所提供训练样本输入向量数、 输出向量数确定神经网络的输入和输出节点数， 本发明所 依据的鱼群行为参数为四种， 输出为溶解氧含量变化的水体等级， 即模糊神经网络的输入 节点和输出节点数分别为4和1。 并确定隶属度函数个数为8， 从而确定模糊神经网络的结构 为 “4-8-1” ， T-S。

21、模糊系统参数为p0-p4。 其中， T-S模糊神经网络的构建及其训练算法为： 0058 (1)设模糊神经网络的输入向量分别为x1,x2,.,xj(j1,2,.,k),即输入向量 表示为 Xx1,x2,.,xj(j1,2,.,k)。 对向量X按照进行归一化处 理， 获得归一化值样本Zi。 其中Xmin是样本中最小值， Xmax为样本中最大值。 0059(2)对输入向量Xx1,x2,.,xj计算其各输入量xj的隶属度 0060 0061其中， n为模糊子集数； k为输入向量中参数个数； 为隶属度函数的中心； 为隶 属度函数的宽度； 0062 (3)模糊化隶属度， 采用 “乘积法” 计算第i条规则在。

22、总输出中所占分量轻重的权 重。 0063 0064 (4)根据模糊计算结果计算模糊模型的输出值yi： 说明书 4/5 页 6 CN 111275269 A 6 0065 0066其中，为T-S模糊系统参数； 0067(5)计算输出误差E，其中ydi是模糊神经网络的期望输出； yi是模糊 神经网络的实际输出； 0068 (6)对模糊神经网络系数及参数进行修正： 0069 0070 0071 0072 0073 其中， i1,2,.,n； j1,2,.,k； 和 为学习率， 这里取0.05； 0074 (7)在训练模糊神经网络的时候， 当误差E小于预先设定值时则停止训练。 0075 以上所述， 仅为发明较佳的具体实施方式， 但本发明的保护范围并不局限于此， 任 何熟悉本技术领域的技术人员在发明揭露的技术范围内， 根据本发明的技术方案及其发明 构思加以等同替换或改变， 都应涵盖在本发明的保护范围之内。 说明书 5/5 页 7 CN 111275269 A 7 图1 图2 图3 说明书附图 1/1 页 8 CN 111275269 A 8 。