基于鱼群摄食活动量化的精准投喂方法、系统及装置

1.本发明涉及图像分析处理和动物行为分析领域，特别是涉及一种基于鱼群摄食活动量化的精准投喂方法、系统及装置。


背景技术：

2.在集约化水产养殖中，准确评估鱼类的摄食水平，制定精准投喂方案不仅可以提高鱼类的生长速率，还可以节约人力物力成本。传统的饲养模式通常以人工劳动力为主，存在养殖效率低，劳动强度大，主观性强等多重问题，无法满足生产要求。目前，结合物联网、大数据、计算机视觉等技术的鱼类精准投喂系统有望解决上述问题。然而，要实现鱼类精准投喂系统，其前提是要准确评估鱼类的摄食水平。
3.计算机视觉技术作为一种快速、无损、便捷的测量分析方法，为鱼群的摄食活动分析提供了有效的手段。现有的基于计算机视觉的鱼群摄食活动分析方法主要分为传统的鱼群摄食活动分析方法和深度学习的鱼群摄食活动分析方法。前者可以对鱼群摄食过程的每一个瞬间进行量化，但在量化前需要进行背景分割和目标特征提取，只适用于特定场景，鲁棒性和实用性较差。后者避免了繁琐的学习过程，适用于多种场景，具有更好的准确性和鲁棒性，但该方法存在一些局限性：1)都是强监督的方法，需要标签指导学习；2)只能定性评估鱼类的摄食阶段，无法实现连续的量化。


技术实现要素：

4.本发明的目的是提供一种基于鱼群摄食活动量化的精准投喂方法、系统及装置，通过本发明不仅能够避免复杂的人工标注问题，提高了鱼群摄食活动量化的稳定性和精确度，同时可以根据鱼群自身摄食需求实现智能化的精准投喂，具有良好的适用性。
5.为实现上述目的，本发明提供了如下方案：一种基于鱼群摄食活动量化的精准投喂方法，所述精准投喂方法包括以下步骤：s1，获取鱼群活动视频库，包括鱼群非摄食视频集和鱼群摄食视频集；s2，利用鱼群非摄食视频集，基于深度无监督学习，构建鱼群摄食活动量化模型，对鱼群摄食活动进行连续的量化分析，具体包括：基于外观自编码器网络和运动自编码器网络，构建鱼群摄食活动量化模型，所述外观自编码器网络包括外观编码器模块、注意力模块和外观解码器模块，所述运动自编码器网络包括运动编码器模块、记忆模块和运动解码器模块；利用鱼群非摄食视频集，获取视频样本数据集，所述视频样本数据集为若干时间连续的视频样本；从所述视频样本数据集中提取固定帧数的视频序列，对所述视频序列进行转换，得到对应的灰度图序列和差帧图序列；将所述灰度图序列输入所述外观自编码器网络，将所述差帧图序列输入所述运动
自编码器网络，输出重构的灰度图序列和重构的差帧图序列；根据所述灰度图序列和所述重构的灰度图序列，确定外观损失函数；根据所述差帧图序列和所述重构的差帧图序列，确定运动损失函数；根据所述外观损失函数和所述运动损失函数，确定总损失函数；根据所述总损失函数迭代优化所述外观自编码器网络和所述运动自编码器网络中的参数，以对所述鱼群摄食活动量化模型进行训练，得到训练完成的鱼群摄食活动量化模型；采用所述训练完成的鱼群摄食活动量化模型对鱼群摄食视频集中待检测的鱼群摄食视频进行量化，得到连续的鱼群摄食活动指数。
6.s3，根据所述连续的鱼群摄食活动指数和检测阈值判断当前的鱼群是否正在摄食，根据判断结果自适应的调控投喂量；所述检测阈值，具体计算如下：采用所述训练完成的鱼群摄食活动量化模型对鱼群非摄食视频集中的视频进行量化，得到非摄食视频对应的鱼群摄食活动指数；根据所述的非摄食视频对应的鱼群摄食活动指数构建阈值学习样本集；根据所述阈值学习样本集，确定检测阈值，所述检测阈值包括：阈值学习样本集的样本中心c、阈值学习样本集中每个样本点到样本中心的距离的均值和标准差s。
7.本发明还提供了一种基于鱼群摄食活动量化的精准投喂系统，所述系统利用前述的基于鱼群摄食活动量化的精准投喂方法，所述系统包括：鱼群活动视频库获取单元，用于获取鱼群活动视频库，包括鱼群非摄食视频集和鱼群摄食视频集；量化分析单元，用于利用鱼群非摄食视频集，基于深度无监督学习，构建鱼群摄食活动量化模型，对鱼群摄食活动进行连续的量化分析，具体包括：基于外观自编码器网络和运动自编码器网络，构建鱼群摄食活动量化模型，所述外观自编码器网络包括外观编码器模块、注意力模块和外观解码器模块，所述运动自编码器网络包括运动编码器模块、记忆模块和运动解码器模块；利用鱼群非摄食视频集，获取视频样本数据集，所述视频样本数据集为若干时间连续的视频样本；从所述视频样本数据集中提取固定帧数的视频序列，对所述视频序列进行转换，得到对应的灰度图序列和差帧图序列；将所述灰度图序列输入所述外观自编码器网络，将所述差帧图序列输入所述运动自编码器网络，输出重构的灰度图序列和重构的差帧图序列；根据所述灰度图序列和所述重构的灰度图序列，确定外观损失函数；根据所述差帧图序列和所述重构的差帧图序列，确定运动损失函数；根据所述外观损失函数和所述运动损失函数，确定总损失函数；根据所述总损失函数迭代优化所述外观自编码器网络和所述运动自编码器网络中的参数，以对所述鱼群摄食活动量化模型进行训练，得到训练完成的鱼群摄食活动量化模型；采用所述训练完成的鱼群摄食活动量化模型对鱼群摄食视频集中待检测的鱼群
摄食视频进行量化，得到连续的鱼群摄食活动指数。
8.投喂决策单元，用于根据所述连续的鱼群摄食活动指数和检测阈值判断当前的鱼群是否正在摄食，根据判断结果自适应的调控投喂量；所述检测阈值，具体计算如下：采用所述训练完成的鱼群摄食活动量化模型对鱼群非摄食视频集中的视频进行量化，得到非摄食视频对应的鱼群摄食活动指数；根据所述的非摄食视频对应的鱼群摄食活动指数构建阈值学习样本集；根据所述阈值学习样本集，确定检测阈值，所述检测阈值包括：阈值学习样本集的样本中心c、阈值学习样本集中每个样本点到样本中心的距离的均值和标准差s。
9.本发明还提供了一种基于鱼群摄食活动量化的精准投喂装置，所述投喂装置利用前述的基于鱼群摄食活动量化的精准投喂方法，所述投喂装置包括：工业摄像机、核心处理器、投喂系统和显示平台；所述工业摄像机，与所述核心处理器相连，固定在循环水养殖池的顶部，所述工业摄像机面向水面，用于获取水产养殖池中鱼群活动视频，并将获取的视频传输至所述核心处理器；所述核心处理器，用于根据所述工业摄像机获取的水产养殖池中鱼群活动视频计算鱼群摄食活动指数和检测阈值，根据所述鱼群摄食活动指数和所述检测阈值，判断鱼群是否正在摄食，获得投喂决策结果；所述投喂系统，包括通信控制器、电磁阀和饵料仓；所述通信控制器与所述核心处理器相连，用于接收所述投喂决策结果，并根据所述投喂决策结果驱动所述电磁阀；所述饵料仓用于盛放饵料，所述饵料仓出料口处设有挡板；所述电磁阀用于控制所述挡板的开启或关闭，以调控投喂量；所述显示平台，与所述核心处理器相连，用于显示实时获取的鱼群活动视频，并显示实时计算的鱼群摄食活动指数，以及投喂决策结果。
10.根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明公开了一种基于鱼群摄食活动量化的精准投喂方法、系统及装置，该方法通过鱼群摄食活动量化模型实现了鱼群摄食活动的连续量化，并基于量化结果实现鱼群智能化的精准投喂，有效的节省了人力物力成本，保证了鱼群摄食福利的同时，降低了生产成本。
11.与现有技术相比，本发明的有益效果为：1）鱼群摄食活动量化模型充分利用无需标记的鱼群非摄食数据，避免了复杂繁琐的人工标注问题，极大的节省了标注成本；2）鱼群摄食活动量化模型充分考虑到鱼群在摄食过程中外观和运动变化的特点，通过模型对鱼群摄食过程中的外观变化信息和运动变化信息进行了量化，充分学习了鱼群摄食活动的时空变化规律，提高了鱼群摄食活动量化的准确性和可靠性；3）精准投喂系统迁移性强，数据收集及标注成本低，可以方便快捷的扩展到其他水产养殖环境中。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施
例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
13.图1为本发明实施例1提供的一种基于鱼群摄食活动量化的精准投喂方法的流程图；图2为本发明实施例1提供的一种基于鱼群摄食活动量化的精准投喂方法中步骤s2的鱼群摄食活动量化模型的训练和量化流程图；图3为鱼群摄食活动量化模型的总体示意图；图4为鱼群摄食活动量化模型自编码器的结构示意图；图5a为本发明提供的鱼群摄食活动量化模型的一种结果图；图5b为本发明提供的鱼群摄食活动量化模型的另一种结果图；图6为本发明实施例2提供的一种基于鱼群摄食活动量化的精准投喂系统的结构框图；图7为本发明实施例3提供的一种基于鱼群摄食活动量化的精准投喂装置的结构图；附图符号说明：工业摄像机-1，核心处理器-2，通信控制器-3，电磁阀-4，饵料仓-5，显示平台-6。
具体实施方式
14.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
15.鱼类摄食活动量化是实现精准投喂的前提基础。现有的基于计算机视觉的鱼群摄食活动分析方法主要分为传统的鱼群摄食活动分析方法和深度学习的鱼群摄食活动分析方法，前者可以对鱼群摄食过程的每一个瞬间进行量化，但在量化前需要进行背景分割和目标特征提取，只适用于特定场景，鲁棒性和实用性较差。后者避免了繁琐的学习过程，适用于多种场景，具有更好的准确性和鲁棒性。但该方法都是有监督的，需要大量的人工标注数据集（即现有技术中需要对鱼群摄食状态进行标注，从而获得不同摄食状态的标签，比如强、中、弱、无等）。与此同时，目前基于深度学习的鱼群摄食活动评估方法只能定性评估鱼群的摄食阶段，无法实现连续的定量表征。
16.为了解决上述问题，本发明提供了一种基于鱼群摄食活动量化的精准投喂方法、系统及装置，通过一种成本极低的无监督方法，在无需人工标注的情况下，实现了鱼群摄食活动的连续量化，解决了鱼群摄食活动自动评估存在的人工标注问题，提高了摄食活动量化的稳定性和精确度，进一步的，根据量化的摄食活动实现了投喂决策，可以根据鱼群自身摄食需求进行智能化精准投喂。
17.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
18.实施例1：请参阅图1，本发明提供了一种基于鱼群摄食活动量化的精准投喂方法，所述精准
投喂方法包括以下步骤：s1：获取鱼群活动视频库，包括鱼群非摄食视频集和鱼群摄食视频集；s2：利用鱼群非摄食视频集，基于深度无监督学习，构建鱼群摄食活动量化模型，对鱼群摄食活动进行连续的量化分析；s3：根据连续的鱼群摄食活动指数和检测阈值判断当前的鱼群是否正在摄食，根据判断结果自适应的调控投喂量，所述检测阈值，具体计算如下：采用所述训练完成的鱼群摄食活动量化模型对鱼群非摄食视频集中的视频进行量化，得到非摄食视频对应的鱼群摄食活动指数；根据所述的非摄食视频对应的鱼群摄食活动指数构建阈值学习样本集；计算所述阈值学习样本集s0所有样本的均值，得到样本中心c；计算所述阈值学习样本集s0中每个样本点xi到样本中心c的距离di，i=1
…
n，n为大于1的正整数，di的计算公式如下：；根据所述阈值学习样本集中每个样本点到样本中心的距离di，确定阈值学习样本集中每个样本点到样本中心的距离的均值和标准差s。
19.进一步的，如图2所示，步骤s2的鱼群摄食活动量化模型的训练和量化具体包括：s21：基于外观自编码器网络和运动自编码器网络，构建鱼群摄食活动量化模型，所述外观自编码器网络包括外观编码器模块、注意力模块和外观解码器模块，所述运动自编码器网络包括运动编码器模块、记忆模块和运动解码器模块；在本实施例中，注意力模块由danet（dual attention network，双注意力机制）的位置注意力机制和通道注意力机制构成；s22：利用鱼群非摄食视频集，获取视频样本数据集，所述视频样本数据集为若干时间连续的视频样本；s23：从所述视频样本数据集中提取固定帧数的视频序列，对所述视频序列进行转换，得到对应的灰度图序列和差帧图序列；s24：将所述灰度图序列输入所述外观自编码器网络，将所述差帧图序列输入所述运动自编码器网络，输出重构的灰度图序列和重构的差帧图序列；s25：根据所述灰度图序列和所述重构的灰度图序列，确定外观损失函数；根据所述差帧图序列和所述重构的差帧图序列，确定运动损失函数；根据所述外观损失函数和所述运动损失函数，确定总损失函数；s26：根据所述总损失函数迭代优化所述外观自编码器网络和所述运动自编码器网络中的参数，以对所述鱼群摄食活动量化模型进行训练，得到训练完成的鱼群摄食活动量化模型；s27：采用所述训练完成的鱼群摄食活动量化模型对鱼群摄食视频集中待检测的鱼群摄食视频进行量化，得到连续的鱼群摄食活动指数。
20.进一步地，在所述将灰度图序列输入所述外观自编码器网络之后，在所述确定外观损失函数之前，具体还包括：将灰度图序列中的每一帧灰度图依次输入到所述外观编码器模块中进行特征提
取，得到每一帧灰度图的外观特征表示；利用所述注意力模块关注所述每一帧灰度图的外观特征表示中的鱼群自身信息，忽略外部光线和背景噪声信息，得到每一帧灰度图的外观关注特征；将所述每一帧灰度图的外观关注特征依次输入到所述外观解码器模块中进行重构，得到每一帧重构后的灰度图；将所述每一帧重构后的灰度图进行叠加，得到重构的灰度图序列。
21.进一步地，在所述将差帧图序列输入所述运动自编码器网络之后，在所述确定运动损失函数之前，具体还包括：将差帧图序列输入到所述运动编码器模块进行特征提取，得到运动特征表示；利用所述记忆模块确定所述运动特征表示中鱼群非摄食状态下的典型运动特征；将所述鱼群非摄食状态下的典型运动特征输入到所述运动解码器模块中进行重构，得到重构的差帧图序列。
22.如图3和图4所示，鱼群摄食活动量化模型由外观自编码器网络和运动自编码器网络构成；其中外观自编码器网络用于重构灰度图序列，学习鱼群非摄食状态下的外观分布规律，由外观编码器模块、注意力模块和外观解码器模块构成，运动自编码器网络用于重构差帧图序列，学习鱼群非摄食状态下的运动变化规律，由运动编码器模块、记忆模块和运动解码器模块构成。
23.对于外观自编码器网络，首先将灰度图序列中的每一帧灰度图依次输入到外观编码器模块，外观编码器模块包括四个卷积层，每个卷积层后都有一个批处理化层和relu激活函数层，卷积层采用大小为3
×
3的卷积核，步长为2，外观编码器模块的作用是对输入的灰度图进行特征提取，得到外观特征表示，经过外观编码器模块每个卷积层后输出的特征图尺寸为[h/2
×
w/2
×
64，h/4
×
w/4
×
128，h/8
×
w/8
×
128，h/16
×
w/16
×
256]。
[0024]
为了降低养殖环境中光线和背景噪声影响，使外观自编码器网络学习到更多有用的外观信息，忽略无关背景信息，本发明在外观自编码器网络中加入了注意力模块，其中注意力模块使用了双重注意力机制，包括位置注意力分支和通道注意力分支；具体的，将外观编码器模块输出的外观特征表示分别输入到位置注意力分支和通道注意力分支中，利用位置注意力分支处理外观特征表示在空间维度上的有效特征，利用通道注意力分支处理外观特征表示在通道维度上的有效特征，然后将位置注意力分支输出的结果与通道注意力分支输出的结果进行融合，得到外观关注特征。
[0025]
然后，将外观关注特征输入到外观解码器模块，外观解码器模块包括四个反卷积层，除了最后一个反卷积层，其他反卷积层后都有一个批处理化层和relu激活函数层，反卷积层采用大小为3
×
3的卷积核，步长为2，外观解码器模块的作用是根据外观关注特征重构每一帧灰度图，将灰度图进行叠加，得到重构的灰度图序列，经过外观解码器模块每个反卷积层输出的特征图尺寸为[h/8
×
w/8
×
256，h/4
×
w/4
×
128，h/2
×
w/2
×
128，h
×w×
1]。
[0026]
对于运动自编码器网络，首先利用运动编码器模块对输入的差帧图序列进行特征提取，得到运动特征表示，运动编码器模块由四个卷积层构成，每个卷积层后都有一个批处理化层和relu激活函数层，卷积层采用大小为3
×
3的卷积核，步长为2，经过运动编码器模块每个卷积层后输出的特征图尺寸为[h/2
×
w/2
×
64，h/4
×
w/4
×
128，h/8
×
w/8
×
256，h/16
×
w/16
×
256]。
[0027]
在运动自编码器网络中，本发明添加了一个记忆模块来捕获鱼群非摄食状态下的典型运动特征，记忆模块可以使运动自编码器网络重构的运动特征更接近于鱼群非摄食状态下的样本，使得在量化过程中鱼群非摄食样本和摄食样本之间的运动区分度更高；记忆模块包括一个用来记录典型编码模板的存储器和一个用于访问该存储器的寻址操作符w，其中n为记忆单元个数，c为运动特征表示的维数；具体的，使用运动编码器模块输出的运动特征表示作为查询，使用寻址操作符w从存储器中检索到最接近的典型运动特征：其中，为典型运动特征，为寻址操作符w中的第i个值，mi为存储器m中第i个记忆单元的内容。使用余弦相似度来评估运动特征表示与存储器m中每个记忆单元的相似程度，得到寻址操作符w。
[0028]
将记忆模块输出的典型运动特征输入到运动解码器模块中，运动解码器模块根据典型运动特征进行重构，得到重构的差帧图序列，运动解码器模块包括四个反卷积层，除了最后一个反卷积层，其他反卷积层后都有一个批处理化层和relu激活函数层，反卷积层采用大小为3
×
3的卷积核，步长为2，经过运动解码器模块每个反卷积层输出的特征图尺寸为[h/8
×
w/8
×
256，h/4
×
w/4
×
128，h/2
×
w/2
×
64，h
×w×
15]。
[0029]
进一步地，在步骤s22中，获取视频样本数据集，具体包括：从鱼群非摄食视频集中依次取出鱼群非摄食状态下的视频；从所述的鱼群非摄食状态下的视频中随机提取视频样本，每个视频样本长度为200帧，视频样本间彼此不重叠；所有的视频样本都来自于非摄食状态下的视频，无需进一步标记。
[0030]
进一步地，在步骤s23中，使用滑动窗口法从视频样本数据集中提取固定帧数的视频序列，对视频序列进行转换，得到对应的灰度图序列和差帧图序列。
[0031]
进一步地，在步骤s26中，预先设定鱼群摄食活动量化模型训练的优化函数、迭代次数、批处理大小、学习率；按照预先设定对鱼群摄食活动量化模型进行迭代训练，当损失值收敛时，停止训练并确定网络的最优参数；将加载最优参数的鱼群摄食活动量化模型确定为训练完成的鱼群摄食活动量化模型；鱼群摄食活动量化模型的总损失函数由外观损失函数和运动损失函数构成：
其中，l为总损失函数，la为外观损失函数，用来约束外观自编码器网络以灰度图序列为输入得到的重构的灰度图序列与输入的灰度图序列尽可能相似，lm为运动损失函数，用来约束运动自编码器网络以差帧图序列为输入得到的重构的差帧图序列与输入的差帧图序列尽可能相似，xa为输入的灰度图序列，为重构的灰度图序列，xm为输入的差帧图序列，为重构的差帧图序列。
[0032]
进一步地，在步骤s27中，具体包括：从鱼群摄食视频集中选择待量化视频，从视频中依次读取固定帧数的视频序列；对所述视频序列进行转换，得到对应的灰度图序列和差帧图序列；将所述灰度图序列和差帧图序列输入到训练完成的鱼群摄食活动量化模型，分别得到重构的灰度图序列和重构的差帧图序列；通过所述灰度图序列和所述重构的灰度图序列计算外观重构误差，通过所述差帧图序列和所述重构的差帧图序列计算运动重构误差，其中外观重构误差可以反映鱼群在聚集度方面的变化，运动重构误差可以反映鱼群在抢食速度方面的变化；结合外观重构误差和运动重构误差，得到一个综合的鱼群摄食活动指数，该指数可以用于量化鱼群摄食活动，分数越高表示鱼群摄食越激烈，所述鱼群摄食活动指数的计算公式如下所示：其中，fai为鱼群摄食活动指数，xb为输入的灰度图序列，为重构的灰度图序列，xn为输入的差帧图序列，为重构的差帧图序列，λ为平衡分数，一般设置为0.5。
[0033]
进一步地，在步骤s3中，根据连续的鱼群摄食活动指数和检测阈值判断当前的鱼群是否正在摄食，根据判断结果自适应的调控投喂量，具体包括：判断是否成立，得到第一判断结果；其中，df为鱼群摄食活动指数到样本中心c的距离，为阈值学习样本集中每个样本点到样本中心的距离的均值，s为阈值学习样本集中每个样本点到样本中心的距离的标准差；若第一判断结果为是，则说明该鱼群摄食活动指数在摄食状态空间内，表示当前鱼群的视频序列中鱼群正在摄食，为摄食事件；若第一判断结果为否，则说明该鱼群摄食活动指数在非摄食状态空间内，表示当前鱼群的视频序列中鱼群已经完成摄食，为非摄食事件；判断所述非摄食事件的个数是否超过预设阈值，得到第二判断结果；若所述第二判断结果为否，则保持投饵机的开启；若所述第二判断结果为是，则关闭投饵机，本次投喂结束；图5a和图5b展示了本发明基于鱼群摄食活动量化的精准投喂方法对循环水养殖中鱼群摄食活动的连续量化结果，横坐标表示视频帧数，纵坐标表示鱼群摄食活动指数，曲线表示摄食视频每一个视频序列的鱼群摄食活动指数，阴影区域表示投饵机从开启到关闭的过程；从图5a和图5b的两个鱼群摄食活动量化结果中可以看出，在投喂前由于鱼群正常自由游动，因此fai值保持稳定波动不大；当投喂开始后，fai值迅速升高，这是由鱼群迅速
聚集争抢饵料造成的，随着投喂过程的继续，鱼群饱食程度不断提高，聚集度和抢食速度的下降使得fai值逐渐降低，当鱼群完全饱食后，fai值降低到投喂前水平，投喂停止；投喂结束后，fai值会略低于投喂前水平，这是由于鱼群摄食完成后，游动速度下降造成的。
[0034]
通过本发明提供的一种基于鱼群摄食活动量化的精准投喂方法，该方法可以连续量化鱼群的摄食活动，同时结合检测阈值实现智能的投喂决策，该方法可以根据鱼群具体摄食需求进行投喂，在保证鱼群生长速率的同时，又避免了饵料的浪费。
[0035]
实施例2：请参阅图6，本发明提供了一种基于鱼群摄食活动量化的精准投喂系统，所述系统利用实施例1所述的基于鱼群摄食活动量化的精准投喂方法，所述系统包括：鱼群活动视频库获取单元a1，用于获取鱼群活动视频库，包括鱼群非摄食视频集和鱼群摄食视频集；量化分析单元a2，用于利用鱼群非摄食视频集，基于深度无监督学习，构建鱼群摄食活动量化模型，对鱼群摄食活动进行连续的量化分析，具体包括：基于外观自编码器网络和运动自编码器网络，构建鱼群摄食活动量化模型，所述外观自编码器网络包括外观编码器模块、注意力模块和外观解码器模块，所述运动自编码器网络包括运动编码器模块、记忆模块和运动解码器模块；利用鱼群非摄食视频集，获取视频样本数据集，所述视频样本数据集为若干时间连续的视频样本；从所述视频样本数据集中提取固定帧数的视频序列，对所述视频序列进行转换，得到对应的灰度图序列和差帧图序列；将所述灰度图序列输入所述外观自编码器网络，将所述差帧图序列输入所述运动自编码器网络，输出重构的灰度图序列和重构的差帧图序列；根据所述灰度图序列和所述重构的灰度图序列，确定外观损失函数；根据所述差帧图序列和所述重构的差帧图序列，确定运动损失函数；根据所述外观损失函数和所述运动损失函数，确定总损失函数；根据所述总损失函数迭代优化所述外观自编码器网络和所述运动自编码器网络中的参数，以对所述鱼群摄食活动量化模型进行训练，得到训练完成的鱼群摄食活动量化模型；采用所述训练完成的鱼群摄食活动量化模型对鱼群摄食视频集中待检测的鱼群摄食视频进行量化，得到连续的鱼群摄食活动指数。
[0036]
投喂决策单元a3，用于根据所述连续的鱼群摄食活动指数和检测阈值判断当前的鱼群是否正在摄食，根据判断结果自适应的调控投喂量。
[0037]
实施例3：请参阅图7，本发明提供了一种基于鱼群摄食活动量化的精准投喂装置，所述装置利用实施例1所述的基于鱼群摄食活动量化的精准投喂方法，所述投喂装置包括：工业摄像机1、核心处理器2、投喂系统和显示平台6；所述工业摄像机1，与所述核心处理器2相连，固定在循环水养殖池的顶部，所述工业摄像机1面向水面，用于获取水产养殖池中鱼群活动视频，并将获取的视频传输至所述核心处理器2；
所述核心处理器2，用于根据所述工业摄像机1获取的水产养殖池中鱼群活动视频计算鱼群摄食活动指数和检测阈值，根据所述鱼群摄食活动指数和所述检测阈值，判断鱼群是否正在摄食，获得投喂决策结果；所述投喂系统，包括通信控制器3、电磁阀4和饵料仓5；所述通信控制器3与所述核心处理器2相连，用于接收所述投喂决策结果，并根据所述投喂决策结果驱动所述电磁阀4；所述饵料仓5用于盛放饵料，所述饵料仓出料口处设有挡板；所述电磁阀4用于控制所述挡板的开启或关闭，以调控投喂量；所述显示平台6，与所述核心处理器2相连，用于显示实时获取的鱼群活动视频，并显示实时计算的鱼群摄食活动指数，以及投喂决策结果。
[0038]
需要说明的是，所述核心处理器用于构建鱼群摄食活动量化模型，并在接收到所述工业摄像机获取的水产养殖池中鱼群活动视频后，利用训练完成的鱼群摄食活动量化模型获取鱼群摄食活动指数；根据鱼群摄食活动指数和检测阈值，判断鱼群是否正在摄食，获得投喂决策结果；所述训练完成的鱼群摄食活动量化模型为根据实施例1所述的一种基于鱼群摄食活动量化的精准投喂方法得到的模型。
[0039]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0040]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。