摘要
在水产养殖过程中，投喂是影响生产成本和鱼的生长福利的关键环节，通过对鱼类摄食行为进行，是实现精准投喂决策的重要依据。现阶段鱼投喂使用的投喂机还是根据人工经验定时定量的方式，导致投喂过多或不足。然而识别鱼类摄食行为可以有效地为精准投喂决策提供依据，由于养殖环境复杂和鱼类行为不确定性为准确识别鱼类摄食行为带来挑战。为提高鱼类摄食行为识别准确率，优化投喂策略，本文提出一种基于深度学习和鱼类摄食行为分析的智能投喂决策方法。首先将对鱼类摄食图像进行对比度增强等预处理操作，制作不同光照环境和摄食过程图像数据集；然后利用改进YOLOv5s算法对鱼类摄食图像进行识别，并结合Delaunay三角剖分和DeepSORT算法提取可以量化摄食行为的关键指标：聚集度和游动强度；最后构建基于摄食行为和体重、水温信息的ANFIS投喂预测决策模型，实现鱼类生长过程的按需投喂。为精准投喂设备研发提供参数依据。本文主要通过以下几个方面进行研究： 针对水下鱼类目标小、数量多以及运动过程中个体遮挡等问题，提出一种基于改进YOLOv5s的目标识别算法，通过对YOLOv5s特征提网络进行修剪，删除20×20相关特征图层，提高模型对小目标的检测速度；并通过添加CBAM注意力机制模块，加强模型对水下鱼类遮挡信息的识别能力。模型测试结果表明，本文优化的YOLOv5s模型相比较原YOLOv5s模型，检测精度P提升5.1%的同时提高了22.1%的运行速度。说明本文优化的YOLOv5s模型在检测精度与速度都有较好的效果，为鱼类摄食行为指标聚集度和游动强度的量化分析提供重要依据。 针对传统机器视觉获取鱼类遮挡图像信息准确性低的问题，提出了一种基于YOLOv5s结合Delaunay三角剖分和DeepSORT目标跟踪的鱼类摄食行为量化和分析方法，提取聚集度（FIFFB）和游动强度作为量化摄食行为的关键指标。实验结果表明，鱼类在不同摄食欲望下聚集度变化规律相同，在投喂过程中，FIFFB由初始值迅速减少到最低水平，在保持相对稳定时间后逐渐恢复至原始水平。相较于摄食欲望高的鱼类，摄食欲望为中和低的鱼类FIFFB恢复时间分别提前了15s、25s。当鱼类的摄食欲望为高、中和低时，投喂过程中游动强度从初始值快速增长到最高水平，分别为17.73cm/s、16.36cm/s和12.78cm/s，然后逐渐恢复至初始水平。这一摄食规律为鱼类的精准投喂提供了实时摄食欲望反馈以及控制策略的理论基础。 针对当前投喂控制系统不能根据鱼类的摄食欲望进行精准投喂控制决策，提出一种基于鱼类摄食行为、生物量体重信息和水温的自适应网络模糊推理投喂决策系统，通过将聚集度、水温以及平均体重作为投喂决策模型的输入，对投喂实验数据模糊化处理、隶属度选择、建立投喂决策控制规则，模型训练检测等步骤，对投喂量进行精准控制。仿真和实验结果表明，模型均方根误差RMSE以及平均绝对误差MAE分别为0.78和0.19，各项指标均小于传统FIS预测模型。在鱼类生长性能方面，ANFIS预测模型相对于FIS模型饲料利用率FCR提高约12.90%；同时体重相对误差FMAE相对提升31.28%，表明ANFIS预测模型投喂模式下鱼类规格更加均匀。该方法在提高饲料转化率的前提下，鱼类生长规格更具有优势，可有效提高生产者经济效益，为开发智能投喂设备决策系统提供理论依据。
NETL