【技术实现步骤摘要】
本申请涉及水产养殖及生态监测，具体是涉及到基于振动信号的鱼群摄食行为分级识别方法及系统。
技术介绍
1、在传统的水产养殖中，鱼类的喂养主要依赖于养殖户的经验判断。这样的方式存在很难观察鱼群状态和水质变化等问题，导致喂养策略的调整缺乏有效性，进而出现过量喂食或不足喂食等诸多问题。
2、为此提出的精准喂食的概念，是通过技术手段监测鱼群的行为，准确反映它们的活动状态和饥饿程度，进而调整喂食量，达到确保鱼类获得最佳的营养供给的同时，有效减少食物浪费，降低水质污染程度的目的。
3、作为现有的一些可监测及识别鱼群摄食行为的技术手段，有如下实施方案。如专利cn118303353a一种基于机器视觉的底层摄食鱼类投喂系统及方法公开了根据鱼群摄食视频截图计算鱼群摄食欲望量化结果的方案。
4、再比如专利cn113040081a基于鱼群游泳能耗分析的循环水养殖鱼类智能投喂决策系统公开了运用机器视觉和深度学习技术对循环水养殖鱼群的游泳能耗进行实时分析和评估的方案。
5、再比如专利cn110412230a一种基于鱼类行为的水污染监测预警装置及其预警方法公开了以鱼鳍传感器、ccd摄像头、光电感应器和碰撞感应器为采集单元，采集鱼类的平均游动速度、平均转弯次数、平均活动水深和总撞击频次来判定水污染程度的方案。
6、这些现有技术的核心思想是用视觉获取鱼群活动图像实现。但实地考察淡水养殖基地发现，诸如黑鱼等需要“肥”水养殖的环境，水质浊度高，再比如诸如罗非鱼等养殖水质能见度很低。因此基于视觉图像技术的方法在
7、对此，如专利cn113592896a基于图像处理的鱼类投喂方法、系统、设备及存储介质、专利cn215173990u水中监视鱼类行为活动和获取鱼类特征信息的装置、专利cn118075424a一种鱼类ai在线识别的水生态监测装置及方法、专利cn118323339a基于鱼类ai识别的便携式在线监测设备、专利cn117911790a一种基于改进yolox-nano算法的鱼类检测与识别方法等分别提出了从改善摄像头拍摄角度及对模糊图像的算法运算等方式改进的方案。
8、但是，即使改善也很难对极端环境变化，比如降水量骤增等因素引起的监测环境水质的变化做及时准确及综合性的判断。并且，水下拍摄涉及防水及高清摄像头，以及图像处理计算机，设备成本高。因此基于视觉图像的方法应用领域受限和高成本阻碍了技术应用推广。
技术实现思路
1、本申请针对上述现有技术在实际应用中，基于图像对鱼行为判断，因水浊引起图像质量下降，导致鱼群摄食行为识别精度变差，以及设备成本昂贵等问题，提出了一种基于振动信号的鱼群摄食行为分级识别方法及系统，旨在提高鱼类养殖的管理效率和精准度的同时，降低实现成本。
2、为实现上述目的，本申请采用了下列技术方案：
3、第一方面，本申请提供了基于振动信号的鱼群摄食行为分级识别方法，包括控制多个振动传感器同步采集鱼群摄食引起的振动信号；
4、对所述振动信号进行合成预处理，得到合成信号；
5、对合成信号依次进行滤波、分帧、小波变换处理进行特征提取，得到第一特征矩阵；
6、对所述第一特征矩阵进行降维处理，得到第二特征矩阵；
7、将所述第二特征矩阵输入到预先训练好的深度学习模型，得到鱼群摄食行为振动信号分级识别信号。
8、与现有技术相比，本申请以人工智能为基础，应用振动传感器对水下鱼群引起的振动进行检测，用较低成本实现了精准投喂，可以得到广泛推广的，提高养殖效率。
9、而一维的时间序列数据的振动信号，容易受到多种干扰项和噪声的影响的问题，利用多个振动传感器进行多维度信号提取，并通过智能多维信号处理链有效减少噪声和干扰，使其能够准确判断鱼群摄食行为的信息。
10、在一种可能的实施方式中，所述合成预处理包括：
11、将采集的多个振动信号分别进行滤波处理，将模拟信号转化成时间序列数字信号存储；
12、将多个时间序列数字信号进行去噪处理并用加权法进行合成，得到合成信号。
13、通过合成与处理，使得可以显著提升信号的质量和特征的可检测性，提高计算效率，扩展应用范围。也对后续数据的进一步处理提供了可靠的基础数据。
14、进一步地，一些实施例中还包括对振动信号进行合成得到合成振动信号shi的步骤，所述合成振动信号并将所得时间序列数字信号存储在待发缓存中。
15、在一种可能的实施方式中，对合成信号的滤波方式为软件滤波，分帧处理方式为自适应分帧处理。
16、在一种优选的实施方式中，所述深度学习模型为lstm深度学习模型。
17、在一种可能的实施方式中，还包括使用预先训练的lstm深度学习模型对所述主要特征信号进行摄食行为分级前，对所述lstm深度学习模型进行训练的步骤，所述lstm深度学习模型的训练步骤包括：
18、构建lstm模型；
19、初始化所述lstm深度学习模型的参数；
20、将整理好的特征数据加载到模型中，进行前向传播计算和反向传播算法计算梯度；
21、不断调整lstm深度学习模型的参数，使模型的损失函数不断减小，所述损失函数为交叉熵损失函数；
22、重复上述步骤，直至所述损失函数达到期望值，训练结束。
23、在一种优选的实施方式中，所述深度学习模型训练采用tensorflow深度学习框架。
24、第二方面，本申请还提供了应用如上所述的基于振动信号的鱼群摄食行为分级识别方法的基于振动信号的鱼群摄食行为分级识别系统，包括多个采集振动信号的数据采集模块、供电模块、控制所数据采集模块的主控模块、与主控模块进行人机交互的人机交互模块；
25、还包括对采集的数据进行信号处理的数据处理模块和对处理的数据进行深度学习和分级识别的边缘计算设备。
26、第二方面的一些可能的实施方式中，所述数据采集模块包括振动传感器、单片机、无线通信模块、adc转换模块、滤波模块组成，构成智能采集节点，所述振动传感器为加速度传感器。
27、第二方面的一种优选的实施方式中，所述供电模块采用锂电和太阳能板组合供电，供电模块有电量监测单元和控制单元，监测单元主要完成电量监测，控制单元主要实现工况下正常供电，闲时处于节点模式。
本文档来自技高网...【技术保护点】
1.基于振动信号的鱼群摄食行为分级识别方法，其特征在于，包括控制多个振动传感器同步采集鱼群摄食引起的振动信号；
2.如权利要求1所述的基于振动信号的鱼群摄食行为分级识别方法，其特征在于，所述合成预处理包括：
3.如权利要求2所述的基于振动信号的鱼群摄食行为分级识别方法，其特征在于，还包括对单个多路振动信号进行合成得到合成振动信号Shi的步骤，所述合成振动信号然后对多个传感器的合成信号Shi合成的步骤，所述合成振动信号S＝a1Sh1+a2Sh2+a3Sh3+a4Sh4,并将所得时间序列数字信号存储在待发缓存中。
4.如权利要求1所述的基于振动信号的鱼群摄食行为分级识别方法，其特征在于，对合成信号的滤波方式为软件滤波，分帧处理方式为自适应分帧处理。
5.如权利要求1所述的基于振动信号的鱼群摄食行为分级识别方法，其特征在于，所述深度学习模型为LSTM深度学习模型。
6.如权利要求5所述的基于振动信号的鱼群摄食行为分级识别方法，其特征在于，还包括使用预先训练的LSTM深度学习模型对所述主要特征信号进行摄食行为分级前，对所述LST
7.如权利要求5所述的基于振动信号的鱼群摄食行为分级识别方法，其特征在于，所述深度学习模型训练采用TensorFlow深度学习框架。
8.基于振动信号的鱼群摄食行为分级识别系统，其特征在于，应用如权利要求1至权利要求7任意一项权利要求所述的基于振动信号的鱼群摄食行为分级识别方法；
9.如权利要求8所述的基于振动信号的鱼群摄食行为分级识别系统，其特征在于，所述数据采集模块包括振动传感器、单片机、无线通信模块、ADC转换模块、滤波模块组成，构成智能采集节点，所述振动传感器为加速度传感器。
10.如权利要求8所述的基于振动信号的鱼群摄食行为分级识别系统，其特征在于，所述供电模块采用锂电和太阳能板组合供电，供电模块有电量监测单元和控制单元，监测单元主要完成电量监测，控制单元主要实现工况下正常供电，闲时处于节能模式。
...【技术特征摘要】
1.基于振动信号的鱼群摄食行为分级识别方法，其特征在于，包括控制多个振动传感器同步采集鱼群摄食引起的振动信号；
2.如权利要求1所述的基于振动信号的鱼群摄食行为分级识别方法，其特征在于，所述合成预处理包括：
3.如权利要求2所述的基于振动信号的鱼群摄食行为分级识别方法，其特征在于，还包括对单个多路振动信号进行合成得到合成振动信号shi的步骤，所述合成振动信号然后对多个传感器的合成信号shi合成的步骤，所述合成振动信号s＝a1sh1+a2sh2+a3sh3+a4sh4,并将所得时间序列数字信号存储在待发缓存中。
4.如权利要求1所述的基于振动信号的鱼群摄食行为分级识别方法，其特征在于，对合成信号的滤波方式为软件滤波，分帧处理方式为自适应分帧处理。
5.如权利要求1所述的基于振动信号的鱼群摄食行为分级识别方法，其特征在于，所述深度学习模型为lstm深度学习模型。
6.如权利要求5所述的基于振动信号的鱼群摄食行为分级识别方法，其特征在于，还包括使用预...
【专利技术属性】
技术研发人员：龙涛元，晏华成，宋国翠，王志刚，余梓建，蒋俊杰，赖添智，马文超，倪晓江，
申请(专利权)人：中山火炬职业技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。