本发明属于水产养殖,具体涉及一种凡纳滨对虾摄食强度量化及分类方法和系统。
背景技术:
1、凡纳滨对虾(litopenaeus vannamei)原产于南美洲,是一种营养均衡的优质蛋白。凡纳滨对虾具有生长快、抗逆性强、适应性广、饲料转化率高等特点,是我国目前对虾养殖规模最大的品种。传统的投喂方式通常是根据经验并观察对虾的摄食情况确定投喂量,手工完成投喂工作,这往往忽略水温、水质、溶氧等因素的影响,导致投喂不精准,易造成饲料浪费。过量饲料沉积池底,还会产生氨氮、亚硝酸盐、硫化氢等有害物,败坏水质,滋生病菌,引发对虾病害。因此,实现对虾的精准投喂是减少饲料浪费、控制养殖成本、保证对虾健康生长的重要途径。
2、目前,被动声学、计算机视觉和遥测技术是用于水产养殖摄食行为研究的三种主要方法。被动声学监测(pam)是使用被动声学传感器(如水听器)记录和利用声音的技术,pam能够提取凡纳滨对虾饥饿时的运动声信号,通过对声信号进行时域和频域的分析,确定不同体型对虾运动声信号的特征参数,建立特征参数与对虾饥饿程度的对应幅度关系。在实验室条件下,依靠pam研制的声学自动喂食器已能够取代传统基于饲料托盘的方案,可以提高投喂效率,减少饲料的浪费。但是,pam容易受外界其他噪声的干扰,也不能对每个检测的个体进行独立识别。此外,pam受限于高成本和开发难,难以用于实际生产中。遥测技术是一种利用无线电波或其他信号来测量和记录动物行为和生理数据的方法。目前,这种技术已经应用于十足类动物的研究。然而,对虾的个体体积小,蜕皮频率高,给遥测设备的安装和维护带来了很大困难。因此,对虾的遥测技术还需要进一步的发展和完善。
3、计算机视觉是一种非侵入且经济的监控方法。目前,基于计算机视觉的鱼类摄食的相关研究已十分广泛,主要通过对鱼类摄食行为的分析和对水产养殖水体中饵料的检测,获取鱼类的摄食需求,进而做出智能化的投喂决策。周超等利用支持向量机(supportvector machine,svm)将游泳型鱼类摄食过程的剧烈程度分为强、中、一般和弱四类,实现了对摄食强度的评估,近红外在自然光照不足的时候仍能够取得较好的成像效果。陈志鹏等结合图像纹理和lucas-kanade光流法量化鱼群的摄食行为强度,并采用svm训练检测鱼的摄食状态。hu等提出了利用深度学习技术识别鱼类摄食饲料时产生的水波大小的方法,判断鱼类的饥饿和饱食,并且还结合了水温、溶氧、ph值等水质参数来辅助投喂决策,提高系统的适应性和准确性。然而,目前基于计算机视觉的对虾摄食方面鲜有研究。
技术实现思路
1、本发明旨在解决现有技术的不足,提出一种凡纳滨对虾摄食强度量化及分类方法和系统;使用特征提取模型对凡纳滨对虾的虾头进行检测与分割,根据虾头在饲料区域的像素面积,实现对虾摄食强度的量化,利用convnext将图像中对虾的摄食强度划分为强摄食、中摄食和低摄食三个级别。
2、为实现上述目的,本发明提供了如下方案:一种凡纳滨对虾摄食强度量化及分类方法,包括以下步骤:
3、s1、获取凡纳滨对虾养殖视频数据,并对所述视频数据进行帧截取,获得处理图像;
4、s2、对所述处理图像进行特征提取,得到虾头掩膜图像;
5、s3、基于所述虾头掩膜图像进行摄食强度量化与分类。
6、进一步优选地,s2包括:
7、s21、构建特征提取模型,对所述特征提取模型进行预训练,得到训练后的特征提取模型;
8、s22、基于训练后的特征提取模型对所述处理图像进行特征提取,得到所述虾头掩膜图像。
9、进一步优选地,所述特征提取模型包括:输入端、骨干网络、颈部、检测头以及分割分支;
10、所述输入端用于对所述处理图像进行数据增强操作,得到增强图像;
11、所述骨干网络用于提取所述增强图像的目标特征;
12、所述颈部采用特征金字塔网络以及路径聚合网络设计,用于对不同尺度的所述目标特征进行融合;
13、所述检测头用于对融合后的所述目标特征进行分类和回归,输出目标的位置;
14、所述分割分支用于对目标进行像素级分割。
15、进一步优选地,s3包括:
16、s31、计算所述虾头掩膜图像的像素面积,并基于所述像素面积对摄食强度进行量化,得到量化结果;
17、s32、构建分类模型,对所述分类模型进行训练,基于训练后的所述分类模型以及所述虾头掩膜图像进行分类,得到分类结果。
18、本发明还提供一种凡纳滨对虾摄食强度量化及分类系统,所述系统用于实现上述的方法,包括:数据获取模块、特征提取模块以及量化分类模块;
19、所述数据获取模块用于获取凡纳滨对虾养殖视频数据,并对所述视频数据进行帧截取,获得处理图像;
20、所述特征提取模块与所述数据获取模块连接,用于对所述处理图像进行特征提取,得到虾头掩膜图像;
21、所述量化分类模块与所述特征提取模块连接,用于基于所述虾头掩膜图像进行摄食强度量化与分类。
22、进一步优选地,所述特征提取模块包括:模型构建单元以及特征提取单元;
23、所述模型构建单元用于构建特征提取模型,对所述特征提取模型进行预训练,得到训练后的特征提取模型;
24、所述特征提取单元与所述模型构建单元连接,用于基于训练后的特征提取模型对所述处理图像进行特征提取,得到所述虾头掩膜图像。
25、进一步优选地,所述特征提取模型包括:输入端、骨干网络、颈部、检测头以及分割分支;
26、所述输入端用于对所述处理图像进行数据增强操作,得到增强图像;
27、所述骨干网络用于提取所述增强图像的目标特征;
28、所述颈部采用特征金字塔网络以及路径聚合网络设计,用于对不同尺度的所述目标特征进行融合;
29、所述检测头用于对融合后的所述目标特征进行分类和回归,输出目标的位置;
30、所述分割分支用于对目标进行像素级分割。
31、进一步优选地,所述量化分类模块包括:量化单元与分类单元;
32、所述量化单元用于计算所述虾头掩膜图像的像素面积,并基于所述像素面积对摄食强度进行量化,得到量化结果;
33、所述分类单元用于构建分类模型,对所述分类模型进行训练,基于训练后的所述分类模型以及所述虾头掩膜图像进行分类,得到分类结果。
34、与现有技术相比,本发明的有益效果为:
35、本发明提出的对虾摄食强度量化方法,旨在克服主观性,减少饲料浪费,以期为实现对虾的精准投喂提供技术支撑。在不同摄食强度下,饲料区域虾头的像素面积差距明显,因此,本发明提出的方法可以客观有效的将对虾的摄食强度进行量化,并将对虾的摄食强度进行分类,为实现对虾的精准投喂提供了一种新思路和技术支持。
1.一种凡纳滨对虾摄食强度量化及分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述一种凡纳滨对虾摄食强度量化及分类方法,其特征在于,s2包括:
3.根据权利要求2所述一种凡纳滨对虾摄食强度量化及分类方法,其特征在于,所述特征提取模型包括:输入端、骨干网络、颈部、检测头以及分割分支;
4.根据权利要求1所述一种凡纳滨对虾摄食强度量化及分类方法,其特征在于,s3包括:
5.一种凡纳滨对虾摄食强度量化及分类系统,所述系统用于实现权利要求1-4任一项所述的方法,其特征在于,包括:数据获取模块、特征提取模块以及量化分类模块;
6.根据权利要求5所述一种凡纳滨对虾摄食强度量化及分类系统,其特征在于,所述特征提取模块包括:模型构建单元以及特征提取单元;
7.根据权利要求6所述一种凡纳滨对虾摄食强度量化及分类系统,其特征在于,所述特征提取模型包括:输入端、骨干网络、颈部、检测头以及分割分支;
8.根据权利要求5所述一种凡纳滨对虾摄食强度量化及分类系统,其特征在于,所述量化分类模块包括:量化单元与分类单元;