基于机器视觉的工厂化循环水养殖智能投喂策略

S951.2; 智能投喂策略是实现工厂化循环水养殖过程中饲料高效利用、降低养殖成本的关键.提出一种结合水面图像纹理判别和YOLOv5-BCH残饲检测的智能投喂策略.首先,以平静水面为基线,通过摄食过程水面图像纹理特征获得残饲识别帧;其次,通过采用BottleNet-CSP模块与CBAM模块分别对YOLOv5的Backbone和Neck端进行改进,增强了深度神经网络在空间和通道维度上的特征表示能力,且有效融合了多尺度特征.同时在Head部分设置3个微尺度检测头增强对水面小 目标特征的捕捉能力,使mAP0.5、mAP0.5∶0.95和精确率分别提升40.26％、15.59％和37.85％;最后,设...

Full description

Saved in:
Bibliographic Details
Published in渔业现代化 Vol. 51; no. 4; pp. 1 - 13
Main Authors 李脉, 李东升, 郑吉澍, 蒲德成, 李佩原, 韦秀丽
Format Journal Article
LanguageChinese
Published 西南山地智慧农业重点实验室(部省共建),重庆,401329 2024
重庆市农业科学院,重庆,401329
Subjects
deep learning
机器视觉
智能投饲策略
recirculating aquaculture
深度学习
残饲识别
工厂化循环水养殖
intelligent feeding strategy
residual baits recognition
machine vision
Online AccessGet full text
ISSN1007-9580
DOI10.3969/j.issn.1007-9580.2024.04.001

Cover

More Information
Summary:S951.2; 智能投喂策略是实现工厂化循环水养殖过程中饲料高效利用、降低养殖成本的关键.提出一种结合水面图像纹理判别和YOLOv5-BCH残饲检测的智能投喂策略.首先,以平静水面为基线,通过摄食过程水面图像纹理特征获得残饲识别帧;其次,通过采用BottleNet-CSP模块与CBAM模块分别对YOLOv5的Backbone和Neck端进行改进,增强了深度神经网络在空间和通道维度上的特征表示能力,且有效融合了多尺度特征.同时在Head部分设置3个微尺度检测头增强对水面小 目标特征的捕捉能力,使mAP0.5、mAP0.5∶0.95和精确率分别提升40.26％、15.59％和37.85％;最后,设计智能投喂系统并采用"试投+单轮多次"自适应投喂策略,有效降低了劳动力投入及饲料浪费.研究表明,该系统可代替人工实现全流程智能化投喂,为工厂养殖饲喂环节实现无人化提供参考.
ISSN:1007-9580
DOI:10.3969/j.issn.1007-9580.2024.04.001