[发明专利]鱼群的摄食强度分级方法、装置及智能调速投饲机

说明书

本发明提供一种鱼群的摄食强度分级方法、装置及智能调速投饲机，该方法包括：获取鱼群摄食视频数据，并根据所述视频数据提取固定帧数的短视频段；将所述短视频段输入训练后的3D RESNET‑GLORE网络模型，输出鱼群摄食行为等级的识别结果；其中，所述3D RESNET‑GLORE网络模型为包括多组残差网络的模型，每组残差网络包括RESIDUAL残差块和GLORE单元。该方法能够真实反应鱼群的动态特性，从而有利于提高识别结果的准确性，同时基于包括RESIDUAL残差块和GLORE单元的3D RESNET‑GLORE网络模型，使得检测模型较少容量的情况下，能够具有较高的准确度。

技术领域

本发明涉及鱼类养殖领域，尤其涉及一种鱼群的摄食强度分级方法、装置及智能调速投饲机。

背景技术

水产养殖中，实时探测与监控养殖水体中的鱼群的摄食强度变化情况，是制定科学的投饵策略的重要依据之一，其可以有效减少饵料浪费，进而实现经济效益与生态效益双赢。近年来，机器视觉因其广泛的应用性和获取可靠数据的优点，并结合特定的图像预处理及增强算法，通过机器视觉的方法解决鱼群摄食强度分级问题成为可能。同时，随着深度学习技术的发展，深度学习因其能从海量信息中自动提取高维特征的优势，实现了远超传统机器学习的精确度。

目前，有方法通过获取鱼群摄食过程中的摄食图像；将所述摄食图像输入预设的卷积神经网络模型，输出鱼群的饥饿程度；根据鱼群的饥饿程度，控制投饵量。也有方法利用变分自动编码器对水下视频进行编码得到特征矩阵，然后将特征矩阵输入到卷积神经网络中，实现鱼群的摄食行为二分类，准确率可达89％。

目前基于传统机器学习的机器视觉方法虽然实现了鱼群摄食强度的分级，但是传统的机器学习算法依赖于手工提取特征，例如提取鱼群的形状、纹理、离散度和游动速度等特征，提取的一个或者多个鱼群摄食强度特征很难全面反应鱼群摄食强度。而深度学习模型通过多层序列自动提取高度非线性和复杂的特征，能够全面的反应鱼群摄食强度的信息。但是采用图片数据的深度学习鱼群摄食强度的分级方法，鱼群摄食图像不包含鱼群的运动信息，不能反应鱼群行为的前后连贯性。

发明内容

针对现有技术存在的问题，本发明提供一种鱼群的摄食强度分级方法、装置及智能调速投饲机。

本发明提供一种鱼群的摄食强度分级方法，包括：获取鱼群摄食视频数据，并根据所述视频数据提取固定帧数的短视频段；将所述固定帧数的短视频段输入训练后的3DResNet-GloRe网络模型，输出鱼群摄食行为等级的识别结果；其中，所述3D ResNet-GloRe网络模型，根据已知摄食行为等级的样本视频数据进行训练后得到；所述3D ResNet-GloRe网络模型为包括多组残差网络的模型，每组残差网络包括Residual残差块和GloRe单元。

根据本发明一个实施例的鱼群的摄食强度分级方法，所述将所述固定帧数的短视频段输入训练后的3D ResNet-GloRe网络模型，输出鱼群摄食行为等级的识别结果，包括：将所述短视频段输入3D ResNet-GloRe网络模型，经3D卷积层提取特征后，依次输入四组3D残差网络，再经由平均池化后，得到视频特征图；根据所述视频特征图，输出摄食行为识别结果；其中，3D ResNet-GloRe是将3D ResNet18每组的第二个残差块用轻量级3D GloReunit替换得到，3D ResNet-GloRe网络的每组3D残差网络，均包括一个Residual残差块和一个GloRe单元。

根据本发明一个实施例的鱼群的摄食强度分级方法，所述依次输入四组3D残差网络，再经由平均池化后，得到视频特征图，包括：将3D卷积层提取的特征输入第一组残差网络的3D Residual残差块；每一组残差网络的3D Residual残差块的输出，作为同组3DGloRe单元的输入，每组3D GloRe单元的输出作为下组3D Residual残差块的输入，直至得到第四组残差网络的GloRe单元输出结果；根据第四组残差网络的3D GloRe单元输出结果，进行平均池化后，得到所述视频特征图。