鱼群的摄食强度分级方法、装置及智能调速投饲机.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114451338A(43)申请公布日2022.05.10(21)申请号202111642230.4G06N3/04(2006.01)(22)申请日2021.12.29G06V20/40(2022.01)G06V10/774(2022.01)(71)申请人北京市农林科学院信息技术研究中G06V10/82(2022.01)心地址100097北京市海淀区曙光花园中路11号农科大厦A座1107(72)发明人周超冯双星杨信廷孙传恒赵振锡刘锦涛(74)专利代理机构北京路浩知识产权代理有限公司11002专利代理师郭亮(51)Int.Cl.A01K61/80(2017.01)A01K61/10(2017.01)G06K9/62(2022.01)权利要求书2页说明书9页附图4页(54)发明名称鱼群的摄食强度分级方法、装置及智能调速投饲机(57)摘要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3DRESNET‑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3DRESNET‑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。CN114451338ACN114451338A权利要求书1/2页1.一种鱼群的摄食强度分级方法，其特征在于，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3DResNet‑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3DResNet‑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3DResidual残差块和GloRe单元。2.根据权利要求1所述的鱼群的摄食强度分级方法，其特征在于，所述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，包括：将所述固定帧数的短视频段输入3DResNet‑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，3DResNet‑GloRe是将3DResNet18每组的第二个残差块用轻量级3DGloReunit替换得到，3DResNet‑GloRe每组3D残差网络，均包括一个Residual残差块和一个3DGloRe单元。3.根据权利要求2所述的鱼群的摄食强度分级方法，其特征在于，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3DResidual残差块；每一组残差网络的3DResidual残差块的输出，作为同组3DGloRe单元的输入，每组3DGloRe单元的输出作为下组3DResidual残差块的输入，直至得到第四组残差网络的3DGloRe单元输出结果；根据第四组残差网络的3DGloRe单元输出结果，进行平均池化后，得到所述视频特征图。4.根据权利要求1所述的鱼群的摄食强度分级方法，其特征在于，所述将所述固定帧数的短视频段输入训练后的3DResNet‑GloRe网络模型之前，还包括：获取不同等级的鱼群摄食行为视频数据，并分别提取不同的固定帧数的短视频段，作为不同的样本数据；确定样本数据的鱼群摄食行为等级，作为对应的标签；将每个样本的固定帧数的短视频段输入搭建的3DResNet‑GloRe网络模型，根据输出结果和对应的标签，对所述3DResNet‑GloRe网络模型的参数进行更新；重复对所述3DResNet‑GloRe网络模型的参数进行更新的过程，直至满足预设达标条件，得到所述训练后的3DResNet‑GloRe网络模型。5.根据权利要求1所述的鱼群的摄食强度分级方法，其特征在于，所述根据所述视频数据提取固定帧数的短视频段，包括：根据所述视频数据，通过预设大小的滑动窗口采样，提取连续的固定帧数的短视频段。6.根据权利要求1所述的鱼群的摄食强度分级方法，其特征在于，所述输出鱼群摄食行为等级的识别结果之后，还包括：根据所述鱼群摄食行为等级，控制投饲机投饵量或投饵速度。2CN114451338A权利要求书2/2页7.一种鱼群的摄食强度分级装置，其特征在于，包括：