【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及水產(chǎn)養(yǎng)殖，具體為一種智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)及方法。
技術(shù)介紹
1、隨著人口增長與消費(fèi)水平提升，對水產(chǎn)品的需求日益增加，傳統(tǒng)的水產(chǎn)養(yǎng)殖方式因其受到自然條件的嚴(yán)格限制，如季節(jié)變化、水域污染等因素的影響，已經(jīng)難以滿足市場的需求。在此背景下，工廠化循環(huán)水養(yǎng)殖作為一種先進(jìn)的養(yǎng)殖模式應(yīng)運(yùn)而生，其核心理念是通過工業(yè)化手段構(gòu)建一個(gè)封閉或半封閉的養(yǎng)殖系統(tǒng)，以實(shí)現(xiàn)對養(yǎng)殖過程的高度控制與管理，從而克服了傳統(tǒng)養(yǎng)殖方式的局限性。
2、工廠化循環(huán)水養(yǎng)殖系統(tǒng)的運(yùn)作基于水體循環(huán)再利用的原則，即養(yǎng)殖過程中產(chǎn)生的廢水經(jīng)過處理后重新用于養(yǎng)殖，這樣不僅能夠大幅降低水資源消耗，還能有效減少對環(huán)境的污染。此外，該系統(tǒng)還引入了現(xiàn)代化的信息技術(shù)，如物聯(lián)網(wǎng)技術(shù)，通過部署各種傳感器設(shè)備來收集有關(guān)水質(zhì)、溫度、溶解氧等關(guān)鍵環(huán)境參數(shù)的數(shù)據(jù)，并通過云計(jì)算平臺進(jìn)行分析處理，為養(yǎng)殖決策提供科學(xué)依據(jù)。
3、盡管如此，工廠化循環(huán)水養(yǎng)殖在實(shí)際應(yīng)用中依然面臨著不少挑戰(zhàn)。現(xiàn)有的數(shù)據(jù)管理系統(tǒng)往往較為靜態(tài)，難以根據(jù)養(yǎng)殖魚類的實(shí)際生物量(包括魚的體長和體寬)動(dòng)態(tài)調(diào)整養(yǎng)殖參數(shù)(包括養(yǎng)殖池環(huán)境參數(shù)和投喂工作參數(shù))。因此，如何構(gòu)建一個(gè)能夠靈活適應(yīng)不同生長情況的大數(shù)據(jù)決策控制系統(tǒng)，成為了推動(dòng)工廠化循環(huán)水養(yǎng)殖技術(shù)進(jìn)一步發(fā)展的關(guān)鍵課題。
技術(shù)實(shí)現(xiàn)思路
1、針對現(xiàn)有水產(chǎn)養(yǎng)殖平臺難以根據(jù)養(yǎng)殖魚類的實(shí)際生長情況來動(dòng)態(tài)調(diào)整養(yǎng)殖數(shù)據(jù)的問題，本專利技術(shù)提供了一種智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)及方法，通過實(shí)時(shí)預(yù)測當(dāng)前魚類的生物量來獲取匹
2、本專利技術(shù)是通過以下技術(shù)手段實(shí)現(xiàn)上述技術(shù)目的的。
3、一種智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)，包括：
4、數(shù)據(jù)庫，用于儲(chǔ)存不同養(yǎng)殖魚類所對應(yīng)的歷史養(yǎng)殖參數(shù)-生物量數(shù)據(jù)集；所述養(yǎng)殖參數(shù)包括養(yǎng)殖池環(huán)境參數(shù)和投喂工作參數(shù)，所述生物量包括魚的體長和體寬；
5、模型庫，用于儲(chǔ)存若干模型，包括基于歷史養(yǎng)殖參數(shù)-生物量數(shù)據(jù)集所構(gòu)建的養(yǎng)殖參數(shù)-生物量預(yù)測模型、用于根據(jù)生物圖像來預(yù)測生物量的機(jī)器視覺生物量模型；所述養(yǎng)殖參數(shù)-生物量預(yù)測模型能夠基于歷史養(yǎng)殖參數(shù)-生物量數(shù)據(jù)集的數(shù)據(jù)更新而進(jìn)行自學(xué)習(xí)優(yōu)化；
6、數(shù)據(jù)采集模塊，包括養(yǎng)殖參數(shù)采集裝置和圖像采集裝置，養(yǎng)殖參數(shù)采集裝置用于實(shí)時(shí)采集養(yǎng)殖池的養(yǎng)殖參數(shù)，圖像采集裝置用于拍攝生物圖像；
7、生物量預(yù)測模塊，用于根據(jù)養(yǎng)殖參數(shù)-生物量預(yù)測模型獲取實(shí)時(shí)采集到的養(yǎng)殖參數(shù)所對應(yīng)的預(yù)測生物量i；用于根據(jù)機(jī)器視覺生物量模型獲取拍攝到的生物圖像所對應(yīng)的預(yù)測生物量ii；將預(yù)測生物量i、預(yù)測生物量ii進(jìn)行加權(quán)融合，得到最終的預(yù)測生物量；
8、智能決策模塊，用于根據(jù)最終的預(yù)測生物量，在歷史養(yǎng)殖參數(shù)-生物量數(shù)據(jù)集中查找到對應(yīng)的目標(biāo)養(yǎng)殖參數(shù)，并將其與實(shí)時(shí)采集到的養(yǎng)殖參數(shù)對比，當(dāng)其中一項(xiàng)或多項(xiàng)同類型養(yǎng)殖參數(shù)的差值超過設(shè)定的閾值時(shí)，基于目標(biāo)養(yǎng)殖參數(shù)中的該項(xiàng)養(yǎng)殖參數(shù)生成對應(yīng)的決策優(yōu)化信息；
9、執(zhí)行模塊，用于依據(jù)決策優(yōu)化信息來調(diào)節(jié)養(yǎng)殖環(huán)境和投喂工作。
10、進(jìn)一步地，所述養(yǎng)殖池環(huán)境參數(shù)包括光照、水溫、溶解氧、ph值和氨氮量；所述投喂工作參數(shù)包括投喂時(shí)間和投喂量。
11、進(jìn)一步地，所述養(yǎng)殖參數(shù)-生物量預(yù)測模型的構(gòu)建方法為：首先，從歷史養(yǎng)殖參數(shù)-生物量數(shù)據(jù)集中抽取同種養(yǎng)殖魚類的歷史養(yǎng)殖參數(shù)-生物量數(shù)據(jù)集；其次，對數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、標(biāo)準(zhǔn)化和特征選擇，并將其隨機(jī)分為訓(xùn)練集和驗(yàn)證集；然后，使用訓(xùn)練集中的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，通過反向傳播算法優(yōu)化網(wǎng)絡(luò)權(quán)重，以最小化估算值與實(shí)際生物量之間的差異；最后，通過驗(yàn)證集中的數(shù)據(jù)驗(yàn)證模型性能，優(yōu)化模型參數(shù)，得到養(yǎng)殖參數(shù)-生物量預(yù)測模型。
12、進(jìn)一步地，所述養(yǎng)殖參數(shù)-生物量預(yù)測模型的自學(xué)習(xí)優(yōu)化過程如下：基于數(shù)據(jù)庫更新的同種養(yǎng)殖魚類的歷史養(yǎng)殖參數(shù)-生物量數(shù)據(jù)集，將養(yǎng)殖參數(shù)-生物量預(yù)測模型對更新的養(yǎng)殖參數(shù)的生物量估算結(jié)果與實(shí)際生物量對比，形成反饋機(jī)制；根據(jù)反饋結(jié)果調(diào)整養(yǎng)殖參數(shù)-生物量預(yù)測模型的模型參數(shù)，以實(shí)現(xiàn)自學(xué)習(xí)優(yōu)化。
13、進(jìn)一步地，所述執(zhí)行模塊包括：
14、環(huán)境管控模塊，包括用于控制水溫的恒溫機(jī)和用于控制光照的燈光設(shè)備；
15、水質(zhì)管控模塊，包括用于控制溶解氧的增氧機(jī)、用于控制ph值的酸堿調(diào)節(jié)投加設(shè)備和用于控制氨氮量的氨氮處理設(shè)備；
16、智能投喂模塊，包括用于控制投喂時(shí)間和投喂量的投喂機(jī)器人。
17、進(jìn)一步地，所述養(yǎng)殖參數(shù)采集裝置包括用于檢測水溫的溫度計(jì)、用于檢測溶解氧的溶氧儀、用于檢測ph值的ph計(jì)、用于檢測氨氮量的氨氮檢測儀、用于檢測光照強(qiáng)度的光照傳感器，以及信號收集器；所述信號收集器與智能投喂模塊信號連接，用于收集智能投喂模塊的投喂工作參數(shù)。
18、進(jìn)一步地，所述生物量預(yù)測模塊從拍攝的生物圖像中獲取預(yù)測生物量ii的具體方法為：采用卷積神經(jīng)網(wǎng)絡(luò)對圖像采集裝置傳輸過來的生物圖像進(jìn)行特征識別與圖像分割，將目標(biāo)魚類從背景和其他非相關(guān)對象中分離出來；隨后利用邊緣檢測算法提取目標(biāo)魚類的邊緣輪廓形狀；最后基于提取到的邊緣輪廓形狀計(jì)算出目標(biāo)魚類的預(yù)測生物量ii。
19、進(jìn)一步地，所述生物量預(yù)測模塊是采用加權(quán)平均法將預(yù)測生物量i、預(yù)測生物量ii進(jìn)行融合。
20、進(jìn)一步地，還包括生物量修正模塊，用于將人工檢測到的實(shí)測生物量輸入生物量預(yù)測模塊中，用以修正預(yù)測生物量i和預(yù)測生物量ii各自在加權(quán)融合過程中的權(quán)重值。
21、根據(jù)以上任一項(xiàng)所述智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)的優(yōu)化方法，其特征在于，包括以下步驟：
22、s1：養(yǎng)殖參數(shù)采集裝置實(shí)時(shí)采集養(yǎng)殖池的養(yǎng)殖參數(shù)，圖像采集裝置實(shí)時(shí)拍攝生物圖像；
23、s2：生物量預(yù)測模塊根據(jù)實(shí)時(shí)采集到的養(yǎng)殖參數(shù)和生物圖像獲取對應(yīng)的預(yù)測生物量i和預(yù)測生物量ii，并將預(yù)測生物量i和預(yù)測生物量ii加權(quán)融合后得到最終的預(yù)測生物量；
24、s3：智能決策模塊根據(jù)最終的預(yù)測生物量獲取對應(yīng)的目標(biāo)養(yǎng)殖參數(shù)，并將其與實(shí)時(shí)采集到的養(yǎng)殖參數(shù)對比，當(dāng)其中一項(xiàng)或多項(xiàng)同類型養(yǎng)殖參數(shù)的差值超過預(yù)設(shè)的閾值時(shí)，基于目標(biāo)養(yǎng)殖參數(shù)中的該項(xiàng)養(yǎng)殖參數(shù)生成對應(yīng)的決策優(yōu)化信息；
25、s4：執(zhí)行模塊依據(jù)決策優(yōu)化信息來調(diào)節(jié)養(yǎng)殖環(huán)境和投喂工作。
26、本專利技術(shù)的有益效果如下：
27、1.本專利技術(shù)基于養(yǎng)殖參數(shù)-生物量預(yù)測模型和機(jī)器視覺生物量模型獲取對應(yīng)的預(yù)測生物量i和預(yù)測生物量ii，并通過加權(quán)融合得到最終的預(yù)測生物量，這種多元化預(yù)測方式一方面減少了人工采集的需求，降低了人力成本，另一方面極大地提高了生物量預(yù)測的準(zhǔn)確性和可靠性。
28、2.本專利技術(shù)通過提高生物量預(yù)測的準(zhǔn)確性，為優(yōu)化養(yǎng)殖決策提供了可靠的數(shù)據(jù)支持，從而能夠更好地調(diào)整投喂策略和養(yǎng)殖環(huán)境條件，減少資源浪費(fèi)，提升養(yǎng)殖效率，確保養(yǎng)殖生物始終處于最佳生長狀態(tài)。
29、3.本專利技術(shù)中的養(yǎng)殖數(shù)據(jù)-生本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)，其特征在于，所述養(yǎng)殖池環(huán)境參數(shù)包括光照、水溫、溶解氧、pH值和氨氮量；所述投喂工作參數(shù)包括投喂時(shí)間和投喂量。
3.根據(jù)權(quán)利要求1所述的智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)，其特征在于，所述養(yǎng)殖參數(shù)-生物量預(yù)測模型的構(gòu)建方法為：首先，從歷史養(yǎng)殖參數(shù)-生物量數(shù)據(jù)集中抽取同種養(yǎng)殖魚類的歷史養(yǎng)殖參數(shù)-生物量數(shù)據(jù)集；其次，對數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、標(biāo)準(zhǔn)化和特征選擇，并將其隨機(jī)分為訓(xùn)練集和驗(yàn)證集；然后，使用訓(xùn)練集中的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，通過反向傳播算法優(yōu)化網(wǎng)絡(luò)權(quán)重，以最小化估算值與實(shí)際生物量之間的差異；最后，通過驗(yàn)證集中的數(shù)據(jù)驗(yàn)證模型性能，優(yōu)化模型參數(shù)，得到養(yǎng)殖參數(shù)-生物量預(yù)測模型。
4.根據(jù)權(quán)利要求1所述的智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)，其特征在于，所述養(yǎng)殖參數(shù)-生物量預(yù)測模型的自學(xué)習(xí)優(yōu)化過程如下：基于數(shù)據(jù)庫更新的同種養(yǎng)殖魚類的歷史養(yǎng)殖參數(shù)-生物量數(shù)據(jù)集，將養(yǎng)殖參數(shù)-生物量預(yù)測模型對更新的養(yǎng)殖參數(shù)的生物量估算結(jié)果與實(shí)際生物量對比，
5.根據(jù)權(quán)利要求1所述的智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)，其特征在于，所述執(zhí)行模塊包括：
6.根據(jù)權(quán)利要求1所述的智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)，其特征在于，所述養(yǎng)殖參數(shù)采集裝置包括用于檢測水溫的溫度計(jì)、用于檢測溶解氧的溶氧儀、用于檢測pH值的pH計(jì)、用于檢測氨氮量的氨氮檢測儀、用于檢測光照強(qiáng)度的光照傳感器，以及信號收集器；所述信號收集器與智能投喂模塊信號連接，用于收集智能投喂模塊的投喂工作參數(shù)。
7.根據(jù)權(quán)利要求1所述的智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)，其特征在于，所述生物量預(yù)測模塊從拍攝的生物圖像中獲取預(yù)測生物量II的具體方法為：采用卷積神經(jīng)網(wǎng)絡(luò)對圖像采集裝置傳輸過來的生物圖像進(jìn)行特征識別與圖像分割，將目標(biāo)魚類從背景和其他非相關(guān)對象中分離出來；隨后利用邊緣檢測算法提取目標(biāo)魚類的邊緣輪廓形狀；最后基于提取到的邊緣輪廓形狀計(jì)算出目標(biāo)魚類的預(yù)測生物量II。
8.根據(jù)權(quán)利要求1所述的智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)，其特征在于，所述生物量預(yù)測模塊是采用加權(quán)平均法將預(yù)測生物量I、預(yù)測生物量II進(jìn)行融合。
9.根據(jù)權(quán)利要求1所述的智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)，其特征在于，還包括生物量修正模塊，用于將人工檢測到的實(shí)測生物量輸入生物量預(yù)測模塊中，用以修正預(yù)測生物量I和預(yù)測生物量II各自在加權(quán)融合過程中的權(quán)重值。
10.根據(jù)權(quán)利要求1～9中任一項(xiàng)所述智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)的優(yōu)化方法，其特征在于，包括以下步驟：
...【技術(shù)特征摘要】
1.一種智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)，其特征在于，所述養(yǎng)殖池環(huán)境參數(shù)包括光照、水溫、溶解氧、ph值和氨氮量；所述投喂工作參數(shù)包括投喂時(shí)間和投喂量。
3.根據(jù)權(quán)利要求1所述的智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)，其特征在于，所述養(yǎng)殖參數(shù)-生物量預(yù)測模型的構(gòu)建方法為：首先，從歷史養(yǎng)殖參數(shù)-生物量數(shù)據(jù)集中抽取同種養(yǎng)殖魚類的歷史養(yǎng)殖參數(shù)-生物量數(shù)據(jù)集；其次，對數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、標(biāo)準(zhǔn)化和特征選擇，并將其隨機(jī)分為訓(xùn)練集和驗(yàn)證集；然后，使用訓(xùn)練集中的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，通過反向傳播算法優(yōu)化網(wǎng)絡(luò)權(quán)重，以最小化估算值與實(shí)際生物量之間的差異；最后，通過驗(yàn)證集中的數(shù)據(jù)驗(yàn)證模型性能，優(yōu)化模型參數(shù)，得到養(yǎng)殖參數(shù)-生物量預(yù)測模型。
4.根據(jù)權(quán)利要求1所述的智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)，其特征在于，所述養(yǎng)殖參數(shù)-生物量預(yù)測模型的自學(xué)習(xí)優(yōu)化過程如下：基于數(shù)據(jù)庫更新的同種養(yǎng)殖魚類的歷史養(yǎng)殖參數(shù)-生物量數(shù)據(jù)集，將養(yǎng)殖參數(shù)-生物量預(yù)測模型對更新的養(yǎng)殖參數(shù)的生物量估算結(jié)果與實(shí)際生物量對比，形成反饋機(jī)制；根據(jù)反饋結(jié)果調(diào)整養(yǎng)殖參數(shù)-生物量預(yù)測模型的模型參數(shù)，以實(shí)現(xiàn)自學(xué)習(xí)優(yōu)化。
5.根據(jù)權(quán)利要求1所述的智能化養(yǎng)殖工廠大數(shù)據(jù)決策優(yōu)化系統(tǒng)，其特征在于，所述執(zhí)行模塊包括：
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：陳源，劉馳，李長偉，戴理民，
申請(專利權(quán))人：江蘇大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會(huì)獲得科技券。