[发明专利]一种基于深度学习的智能投饲系统

权利要求书

1.一种基于深度学习的智能投饲系统，其特征在于，包括：

机械投饲部分，用于将饲料输送到养殖槽中；

养殖槽数据采集部分，用于采集养殖槽水体温度、养殖外围环境温度以及鱼群行为数据、养殖槽集污数据，并将这些数据传送到深度学习服务器中；

深度学习服务器，实时分析数据采集装置获取到的数据，判断是否进行投喂，并向投饲控制部分发送投喂指令；

投饲控制部分，根据深度学习服务器发送的指令对机械投饲部分进行控制，执行投喂；

所述的深度学习服务器具有如下功能：鱼群目标前景分割、鱼群摄食欲望程度判别、鱼群摄食活跃程度量化，深度学习服务器随着获取的数据的积累不断训练学习，判别是否需要投喂、投喂量及投喂时长；

所述的鱼群目标前景分割具体步骤如下：

1)将鱼群行为数据中采集的鱼群画面分为全背景图片和非全背景图片，继而将上述全背景图片和非全背景图片输入密集连接卷积神经网络进行全监督训练，同时将该神经网络损失函数定义为：

L₁＝-tlog P₁(T＝1|M)-(1-t)log P₁(T＝0|M) (1)

式中，M为输入的图像，t为输入图像标记，t∈{0,1}，t为1是表示当前图片含非背景信息，t为0时表示当前图片为全背景信息；P₁(T＝i|M)为当前图片的归属于标记信息属性的概率；进行优化训练；

2)在已训练网络基础上，利用类激活映射(class activation mappings)技术将鱼群前景目标以无监督的方式分割出。

2.根据权利要求1所述的基于深度学习的智能投饲系统，其特征在于，所述的机械投饲部分包括料仓(1)、称重传感器(2)、风送喂料装置(3)、料仓下料装置(5)；料仓下料装置(5)设于料仓(1)出口，风送喂料装置(3)设于料仓下料装置(5)出口，风送喂料装置(3)配设有鼓风机(4)，风送喂料装置(3)出口设于养殖槽(7)上方，称重传感器(2)设于料仓(1)底部。

3.根据权利要求2所述的基于深度学习的智能投饲系统，其特征在于，所述的风送喂料装置(3)和料仓下料装置(5)均采用螺旋螺杆实现。

4.根据权利要求1所述的基于深度学习的智能投饲系统，其特征在于，所述的养殖槽(7)头端安装有鱼群行为采集高清摄像头(10)、环境温度传感器(12)以及设于水体中的水温度传感器(11)，在养殖槽(7)尾部设置有养殖槽集污数据采集高清摄像头(13)。

5.根据权利要求1所述的基于深度学习的智能投饲系统，其特征在于，所述的深度学习服务器基于Tensorflow平台实现。

6.根据权利要求1所述的基于深度学习的智能投饲系统，其特征在于，所述的鱼群摄食欲望程度判别具体步骤如下：

1)在已分割的鱼群目标前景基础上，将其以时间序列形式输入至卷积神经网络中的Alexnet模型中进行前处理；继而将前处理结果与当前时间序列内的养殖环境参数进行数据串联；所述的养殖环境参数包括：上水层水温、下水层水温、空气温度、氨氮含量、溶氧率、pH；上述参数在输入系统前均需进行One-Hot编码；

2)将串联后的新的时间序列数据输入至基于长短记忆网络(Long Short Term MemoryNetworks)的递归神经网络中进行关联特征提取，无需经过网络最后的激活函数单元；

3)自定义当前输入时间序列数据所代表的鱼群当前摄食欲望的等级，将上述递归神经网络的输出结果输入至生成式对抗网络中，该网络智能中激活函数采用softmax函数，进行半监督学习；进而实现鱼群前景摄食欲望的判别。

7.根据权利要求1所述的基于深度学习的智能投饲系统，其特征在于，所述的鱼群摄食活跃程度量化具体步骤如下：

1)在已分割的鱼群目标前景基础上，利用动能模型对鱼群当前摄食动能进行量化；

E_K＝C_E×v_E² (2)

式中，C_E和v_E分别为当前鱼群摄食行为的无序程度和平均速度；其中v_E利用Horn-Schunck光流对上述已分割鱼群目标前景计算得出，C_E是通过信息熵对上述v_E的无序性的计算结果；

2)自定义当前输入时间序列数据所代表的鱼群当前摄食活跃程度等级，将时间序列内的鱼群摄食动能集合输入基于门控循环单元(Gated Recurrent Unit)的递归神经网络中进行全监督学习，需经过网络最后的激活函数单元，且激活函数为softmax函数；进而实现鱼群摄食活跃程度的等级量化。