公共文化服务平台

搜索到224篇“ 摄食强度“的相关文章

户外养殖鱼群摄食强度视频分类模型研究: 2025年; 传统的鱼群养殖采用定点、定时的专人投喂方式,无法满足智能化养殖的需求。随着机器视觉发展和进步,越来越多的水产养殖采用该技术进行饵料投喂工作,以节约成本和提高效率。本文基于户外养殖池塘鱼群摄食强度视频数据集,搭建户外养殖池塘鱼群摄食强度分类模型,提出了一种基于迁移学习的长期循环记忆网络模型。模型利用迁移后的MobileNet V1网络和长短期记忆(Long short-term memory,LSTM)神经网络,搭建鱼群摄食强度视频分类网络模型,迁移后的MobileNet V1的输出与分类网络相连,进行视频数据分类,分类的准确率为85%。; 黄薪; 关键词：水产养殖

基于被动水声信号的加州鲈摄食强度识别: 2025年; 为解决高密度养殖加州鲈摄食强度识别难的问题,实现加州鲈的精准投喂,提出了一种基于被动水声信号的加州鲈鱼群摄食强度识别方法。该方法以高密度养殖条件下的加州鲈为研究对象,采用摄食声信号采集装置获取加州鲈鱼群的摄食声信号,经预处理后提取摄食声信号的多种特征,通过随机森林、皮尔逊(Pearson)相关性分析及主成分分析筛选出较为重要的特征,基于粒子群算法(particle swarm optimization,PSO)和多层感知机(multi-layer perceptron,MLP)建立PSO-MLP鱼群摄食强度识别模型。结果表明:基于PCA特征选择的PSO-MLP识别模型的分类识别效果更好,其准确率达到97.88%,识别时长为6.24 s,与基于随机森林和基于皮尔逊相关性分析的模型相比,识别准确率分别提高2.61%和1.02%,识别时长缩短1.04 s和1.09 s。说明基于被动水声信号的加州鲈鱼群摄食强度识别方法有效提高了鱼群摄食强度识别的准确率和效率,可为智能投喂系统的开发提供技术支持。; 李路周玉凡孙超奇周铖钰朱明朱明万鹏; 关键词：水产养殖加州鲈

基于音视频信息融合与Self-Attention-DSC-CNN6网络的鲈鱼摄食强度分类方法: 2025年; 摄食强度识别分类是实现水产养殖精准投喂的重要环节。现有的投喂方式存在过度依赖人工经验判断、投喂量不精确、饲料浪费严重等问题。基于多模态融合的鱼类摄食程度分类能够综合不同类型的数据(如:视频、声音和水质参数),为鱼群的投喂提供更加全面精准的决策依据。因此,提出了一种融合视频和音频数据的多模态融合框架,旨在提升鲈鱼摄食强度分类性能。将预处理后的Mel频谱图(Mel Spectrogram)和视频帧图像分别输入到Self-Attention-DSC-CNN6(Self-attention-depthwise separable convolution-CNN6)优化模型进行高层次的特征提取,并将提取的特征进一步拼接融合,最后将拼接后的特征经分类器分类。针对Self-Attention-DSC-CNN6优化模型,基于CNN6算法进行了改进,将传统卷积层替换为深度可分离卷积(Depthwise separable convolution,DSC)来达到减少计算复杂度的效果,并引入Self-Attention注意力机制以增强特征提取能力。实验结果显示,本文所提出的多模态融合框架鲈鱼摄食强度分类准确率达到90.24%,模型可以有效利用不同数据源信息,提升了对复杂环境中鱼群行为的理解,增强了模型决策能力,确保了投喂策略的及时性与准确性,从而有效减少了饲料浪费。; 李道亮李万超杜壮壮; 关键词：鲈鱼多模态融合

摄食强度检测方法及相关装置、设备和存储介质: 本申请公开了一种摄食强度检测方法及相关装置、设备和存储介质，其中，摄食强度检测方法包括：基于摄食检测模型对目标水域中目标水产物的摄食音频进行检测，得到第一摄食强度；其中，摄食检测模型基于样本音频集训练得到；获取第一摄食强...; 马林刘俊华杨仁友杨靓高天刘恒双叶威郑凯健

一种基于改进VGG16和声谱图的鱼类摄食强度评估方法: 本发明提供了一种基于改进VGG16和声谱图的鱼类摄食强度评估方法，涉及水产养殖领域。该方法采用水听器获取鱼类摄食声音信号，将摄食声音信号分为“强”，“中”，“弱”，“无”四类强度，并对其进行人工标注，并将声音信号转换为声...; 玛依思蔡卫明黄旭洋金婧马新莉范胜利回晓楠

珍珠龙胆石斑鱼摄食强度判别模型研究: 鱼类养殖生产中,饲料占养殖成本比例约40%以上,目前多采用人工对养殖鱼类进行饵料投喂,该方法依赖于养殖人员经验,无法精确控制饵料投喂粮,易导致饲料浪费和环境污染。因此,对养殖对象的智能化精准投喂是降低养殖成本和改善养殖环...; 董延彬; 关键词：计算机视觉技术卷积神经网络摄食强度

融合摄食过程声像特征的鱼类摄食强度量化方法研究被引量：1: 2024年; 基于鱼类摄食行为反馈的精准投喂是确保饲料高效利用与降低水体污染的有效手段,针对当前单一传感器难以精确测量鱼群摄食强度的难题,提出一种基于摄食过程声像特征融合的鱼类摄食强度量化方法。首先利用深度图包含的三维空间信息分析水体表层摄食鱼类数量,设计基于帧间差分运算的深度图能量变化测量系统表征鱼群摄食活跃程度;进而利用近红外光源因水面反射而导致的高亮度饱和点在近红外图中的位置变化测量水体流场的波动程度;同时利用音轨记录仪存储摄食音频。最后通过加权融合方式,综合摄食动态、水体流场变化、摄食音频三类具有不同物理属性的特征信息,精确量化了鱼群摄食强度,总体识别精确度达到97%。本文采用新的成像技术,取得分析速度与分析精度的最佳平衡,为精准投喂提供了一种鲁棒性强、分析速度快的实用方法。; 郑金存叶章颖赵建张慧黄平覃斌毅庞毅; 关键词：深度图加权融合

基于MobileViT-CBAM-BiLSTM的开放式养殖环境鱼群摄食强度分类模型被引量：1: 2024年; 鱼群摄食的精准投喂技术是实现智慧化水产养殖的一项关键技术。大多数精准投喂模型都是基于水质较清晰的室内养殖池,不太适用于开放式养殖环境。本研究通过水上视角采集构建了一套开放式池塘数据集,并对数据集进行数据增强增加其多样性,然后在轻量化神经网络MobileViT基础上,将CBAM注意力模块与MV2模块结合设计了CBAM-MV2模块,并嵌入BiLSTM循环神经网络用于识别分类,提出改进的MobileViT-CBAM-BiLSTM模型,提高了模型预测能力、鲁棒性和泛化性能,实现了鱼群摄食行为的三分类。实验结果显示,改进后MobileViT在采集的视频帧数据集上明显优于改进前的MobileViT,准确率98.61%,宏F1值达98.79%,相对于原始MobileViT准确率提高6.33个百分点,宏F1值提高6.75个百分点。; 徐立鸿徐立鸿龙伟蒋林华蒋林华; 关键词：CBAM

基于轴向特征校准和时间段网络的鱼群摄食强度分类模型研究: 2024年; 传统的水产养殖通过定量投喂或依靠人工经验投放饲料,易导致喂食不均、饲料浪费和环境污染等问题。旨在设计一种用于识别鱼群摄食强度的模型以提升投喂效率,减少污染。以时间段网络作为基础模型,捕捉鱼群长时间序列的摄食行为变化,加入时间移位操作,更细致地捕捉视频相邻帧之间的动态变化特征,并通过轴向特征校准自适应地调整特征,使模型能够更加精确地关注到鱼群摄食行为的不同轴向变化特征。实验表明,设计的模型相较于二维卷积网络(TSN),平均准确率提升10.0%,参数量仅提升5.2%;相较于三维卷积网络(C3D),平均准确率提升0.9%,参数量下降67.3%;相较于以Transformer为架构的Swin Transformer模型,平均准确率提升4.1%,参数量下降9.2%。表明设计的模型对于鱼群摄食强度识别分类更加准确,为制定鱼群的精确投喂策略提供了科学依据。; 徐波袁红春

基于YOLOv8模型的凡纳滨对虾(Litopenaeus vannamei)摄食强度量化及分类方法研究: 2024年; 为实现凡纳滨对虾(Litopenaeus vannamei)摄食强度量化及分类,克服投喂主观性,优化饲料利用率。实验采用YOLOv8模型对凡纳滨对虾进行识别和检测以及YOLOv8-segment模型对凡纳滨对虾的虾头进行分割,根据饲料区域内对虾的数量和虾头的像素面积,实现对虾摄食强度的量化,并利用Convnext模型将图像中对虾的摄食强度划分为强摄食、中摄食和低摄食3个级别。实验结果显示,迭代200次后,YOLOv8模型对饲料区域内对虾目标检测的mAP50达到了99.5%,YOLOv8-segment模型对虾头分割的mAP50达到了92.1%,展现了YOLOv8模型的强大性能。经实验验证发现,在不同摄食强度下饲料区域内对虾的数量和虾头的像素面积存在明显差异。Convnext模型对凡纳滨对虾3种摄食强度的图像分类准确率为98.8%。该方法可以客观有效地将对虾摄食强度进行量化,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理论基础和技术支撑。; 王磊王磊崔鸿武黄桢铭高阳李皓崔正国崔正国曲克明; 关键词：凡纳滨对虾计算机视觉

加载更多 ∨

相关作者

用户反馈

相关作者

用户登录

用户反馈