本发明涉及一种用于池塘循环水养殖的智能投饲系统，尤其涉及一种基于深度学习的智能投饲系统，该系统可实时采集养殖槽内能够反映鱼群摄食情况的反馈数据，并利用深度学习服务器对这些反馈数据进行实时分析这些反馈数据，且该服务器能够自我学习、自我完善，模拟人工投喂行为，使分析结果更加接近鱼群摄食实际情况，将分析结果传送给该投饲系统的控制单元，控制单元根据实时分析结果进行相应投喂调整。结合了人工投喂和传统投饲设备投喂两者的优点，使投喂更加科学。
背景技术：
随着我国人民物质生活水平的提高，绿色、无公害的健康食品已成为人们的首选，而水产品含有丰富的营养成分，越来越受到广大的消费者的青睐。水产养殖则是水产品的重要来源，这极大程度推动了水产养殖业的快速发展。池塘循环水养殖是一种新型生态的池塘养殖模式，由于该模式是一种在一定空间内的高密度养殖方式，这样也就对水质提出更高的要求，目前池塘循环水养殖调节水质主要是通过在水槽流水末端吸污装置和外塘水草进行水质调节，这种水质调节方式处理能力是有限的，尤其对水体中的悬浮物去除效果很差。而投喂饲料剩余的残饵则是污染水质的重要来源，减少饲料投喂的残饵也就成为至关重要的环节，这样不仅减少水产养殖企业的饲料投入成本，而且在很大程度上控制了对水质污染。由于目前池塘循环水养殖投喂方式采用的是人工投喂或传统投饲机投喂。人工投喂虽然能够在一定程度上控制残饵的剩余量，但是人工投喂存在成本高、投喂效率低、稳定性较差等问题。传统的投饲机投喂虽然能够在一定程度上解决人工投喂方式存在的成本高、投喂效率低、稳定性较差等问题，但是很难控制投喂剩余的残饵以及投喂不足的问题。综上所述，池塘循环水养殖作为一种新型、环境友好型、高产的养殖模式，饲料投喂问题在很大程度限制了这种养殖模式的进一步推广。
技术实现要素：
本发明针对现有投饲技术的不足，提出了一种基于深度学习的智能投饲系统。
本发明的基于深度学习的智能投饲系统，包括：
机械投饲部分，用于将饲料输送到养殖槽中；
养殖槽数据采集部分，用于采集养殖槽水体温度、养殖外围环境温度以及鱼群行为数据、养殖槽集污数据，并将这些数据传送到深度学习服务器中；
深度学习服务器，实时分析数据采集装置获取到的数据，判断是否进行投喂，并向投饲控制部分发送投喂指令；
投饲控制部分，根据深度学习服务器发送的指令对机械投饲部分进行控制，执行投喂。
上述技术方案中，所述的机械投饲部分包括料仓、称重传感器、风送喂料装置、料仓下料装置；料仓下料装置设于料仓出口，风送喂料装置设于料仓下料装置出口，风送喂料装置配设有鼓风机，风送喂料装置出口设于养殖槽上方，称重传感器设于料仓底部。
所述的风送喂料装置和料仓下料装置均采用螺旋螺杆实现。
所述的养殖槽头端安装有鱼群行为采集高清摄像头、环境温度传感器以及设于水体中的水温度传感器，在养殖槽尾部设置有养殖槽集污数据采集高清摄像头。
所述的深度学习服务器具有如下功能：鱼群目标前景分割、鱼群摄食欲望程度判别、鱼群摄食活跃程度量化，深度学习服务器随着获取的数据的积累不断训练学习，判别是否需要投喂、投喂量及投喂时长。
所述的深度学习服务器基于tensorflow(python≧3.0)平台实现。
所述的鱼群目标前景分割具体步骤如下：
1)将鱼群行为数据中采集的鱼群画面分为全背景图片和非全背景图片，继而将上述全背景图片和非全背景图片输入密集连接卷积神经网络进行全监督训练，同时将该神经网络损失函数定义为：
l1＝-tlogp1(t＝1|m)-(1-t)logp1(t＝0|m)(1)
式中，m为输入的图像，t为输入图像标记，t∈{0,1}，t为1是表示当前图片含非背景信息，t为0时表示当前图片为全背景信息；p1(t＝i|m)为当前图片的归属于标记信息属性的概率；进行优化训练；
2)在已训练网络基础上，利用类激活映射(classactivationmappings)技术将鱼群前景目标以无监督的方式分割出。
所述的鱼群摄食欲望程度判别具体步骤如下：
1)在已分割的鱼群目标前景基础上，将其以时间序列形式输入至卷积神经网络中的alexnet模型中进行前处理；继而将前处理结果与当前时间序列内的养殖环境参数进行数据串联；所述的养殖环境参数包括：上水层水温、下水层水温、空气温度、氨氮含量、溶氧率、ph；上述参数在输入系统前均需进行one-hot编码；
2)将串联后的新的时间序列数据输入至基于长短记忆网络(longshorttermmemorynetworks)的递归神经网络中进行关联特征提取，无需经过网络最后的激活函数单元；
3)自定义当前输入时间序列数据所代表的鱼群当前摄食欲望的等级，将上述递归神经网络的输出结果输入至生成式对抗网络中，该网络智能中激活函数采用softmax函数，进行半监督学习；进而实现鱼群前景摄食欲望的判别。
所述的鱼群摄食活跃程度量化具体步骤如下：
1)在已分割的鱼群目标前景基础上，利用动能模型对鱼群当前摄食动能进行量化；
ek＝ce×ve2(2)
式中，ce和ve分别为当前鱼群摄食行为的无序程度和平均速度；其中ve利用horn-schunck光流对上述已分割鱼群目标前景计算得出，ce是通过信息熵对上述ve的无序性的计算结果；
2)自定义当前输入时间序列数据所代表的鱼群当前摄食活跃程度等级，将时间序列内的鱼群摄食动能集合输入基于门控循环单元(gatedrecurrentunit)的递归神经网络中进行全监督学习，需经过网络最后的激活函数单元，且激活函数为softmax函数；进而实现鱼群摄食活跃程度的等级量化。
本发明的系统是一种基于深度学习具有自我学习模仿人工投喂行为的智能投饲系统，整个系统通过以下几个部分具体实现：1、机械投饲部分；2、养殖槽数据采集部分；3、深度学习服务器；4、投饲控制部分。
机械投饲部分主要是通过各部件之间的配合将饲料输送到养殖槽中，主要是由料仓、料仓下料装置、风送喂料装置三个机械装置部分组成，其各主要机械装置部分之间的逻辑动作由投饲机控制部分统一管理控制。
养殖槽数据采集部分主要是通过相关传感器和高清摄像头采集养殖槽水体温度、养殖外围环境温度以及鱼群行为数据、养殖槽集污数据，并将这些数据传送到深度学习服务器中，作为深度学习服务器的数据来源。
深度学习服务器是利用获取到的数据来进行分析整合，计算后得到一个最能够反映鱼群当前实际的摄食状况，并根据这一摄食状况给投饲控制部分发送相关投饲指令。该服务器是一种模拟人工投喂行为的服务器，用来判断当前是否继续投喂、投喂量是多少以及一次投喂的时间。
投饲控制部分是根据深度学习服务器发送的指令来具体控制相关机械装置动作，也就是根据指令来执行相关逻辑操作，控制投喂量、投喂时间。
本发明可实现的功能有：
1、可实时采集养殖槽集污数据、鱼群行为数据、养殖槽内水体温度数据、环境温度数据，并将数据实时传送到深度学习服务器中，深度学习服务器通过分析整合这些数据，判断出当前鱼群是否需要摄食、需要投喂多少饲料，然后将这个判断结果数据自动传输到投喂控制系统中，投喂控制系统则进行针对性投饲；
2、由于本系统采用的是深度学习算法进行数据分析，所以该系统具有自我学习能力，随着时间的推移，积累更多反馈数据(集污槽数据、鱼群行为数据、水体温度数据、环境温度数据)，深度学习算法则通过这些积累的数据进行不断的自我学习、自我完善，使其判断结果更加精准、更加合理。最终实现功能相当于培养一个具有丰富投饲经验的工人，使其具有人的判断能力，但是比人工更加稳定、投入成本更加低廉。
附图说明
图1是智能投饲系统结构示意图；
图2是养殖槽内相关数据采集设备安装结构示意图；
图中：1、料仓；2、称重传感器；3、风送喂料装置；4、鼓风机；5、料仓下料装置；6、料仓支架；7、养殖槽；8、深度学习服务器；9、投饲控制柜；10、鱼群行为采集高清摄像头；11、水体温度传感器；12、环境温度传感器；13、养殖槽集污数据采集高清摄像头。
具体实施方式
以下结合实施例和附图详细叙述本发明的具体实施方式。
本发明系统的一种结构示意图如附图1所示，主要包括有机械投饲部分、养殖槽数据采集部分、深度学习服务器、投饲控制部分四个部分组成。其中机械投饲部分是具体的实施装置，养殖槽数据采集部分是为深度学习服务提供数据来源，深度学习服务器则根据获取到的数据进行分析做出投喂判断，向投饲控制单元发出相应的指令，投饲控制单元通过接收到指令来控制机械部分集体实施动作。整个系统是一个闭环的智能控制系统。
所述的机械投饲部分主要包括料仓1、称重传感器2、风送喂料装置3、鼓风机4、料仓下料装置5、料仓支架等六个部分组成。其中料仓1有三个均匀分布的支点用于固定料仓，三个称重传感器2通过螺丝固定与三个料仓支点连接，称重传感器2最后再与料仓支架固定连接。所述料仓喂料装置5通过标准的直径为400的法兰与料仓1进行固定连接，料仓喂料装置5采用螺旋螺杆进行下料，饲料通过重力作用落入风送喂料装置3中，风送喂料装置3再通过水平方向螺旋螺杆将饲料向前推进至风送口，推进至风送口的饲料通过鼓风机4输出的气量将饲料最终送入养殖槽内。
所述养殖槽数据采集部分的设备安装结构示意图如附图2所示，鱼群鱼群行为采集高清摄像头10固定于养殖槽7的池壁上沿，用于采集鱼群行为数据。水体温度传感器11固定于养殖水体中，用于测量水体实时温度数据。环境温度传感器12固定于养殖槽的池壁上沿，用于实时测量养殖槽外围空气温度。养殖槽集污数据采集高清摄像头13固定于养殖槽7池壁底部，用于实时获取养殖槽7的集污数据。
所述的深度学习服务器是基于tensorflow(python≧3.0)平台的。该平台的功能包含鱼群目标前景分割、鱼群摄食欲望程度判别、鱼群摄食活跃程度量化，即该服务器根据鱼群行为参数、养殖槽集污参数、环境参数来判别是否需要投喂。
对于鱼群目标前景分割。首先利用密集连接卷积神经网络(denselyconnectedconvolutionalneuralnetworks)和批重归一化(batchrenormalization)技术将鱼群目标前景以半监督学习的形式分割出。具体步骤如下：
1)人工将高清摄像机10拍摄到的画面人工定义全背景图片和非全背景图片(只需定义，无需标记出非全背景图片中鱼群的具体位置)，继而将上述背景图片和非背景图片输入密集连接卷积神经网络进行全监督训练，同时将该神经网络损失函数定义为：
l1＝-tlogp1(t＝1|m)-(1-t)logp1(t＝0|m)(1)
式中，m为输入的图像，t为输入图像标记，t∈{0,1}，t为1是表示当前图片含非背景信息，t为0时表示当前图片为全背景信息。p1(t＝i|m)为当前图片的归属于标记信息属性的概率。本神经网络采用基于adam优化器进行优化训练，其中该优化器矩估计指数衰减参数(beta1和beta2)分别设置为0.5和0.999；学习率设置为0.001，而其衰减因子设为0.1。训练过程中最小批(mini-batch)设置为64；
2)在已训练网络基础上，利用类激活映射(classactivationmappings)技术将鱼群前景目标已无监督的方式分割出。
对于鱼群摄食欲望程度判别。利用卷积神经网络(convolutionalneuralnetworks)、递归神经网络(recurrentneuralnetworks)和生成式对抗网络(generativeadversarialnetworks)对鱼群摄食欲望程度进行判别，从而决断是否需要投喂。具体操作步骤如下：
1)在上述已分割的鱼群前景目标基础上，将其以时间序列形式输入至卷积神经网络中的alexnet模型中进行前处理；继而将前处理结果与当前时间序列内的养殖环境参数(参数包括：上水层水温、下水层水温、空气温度、氨氮含量、溶氧率、ph；上述参数在输入系统前均需进行one-hot编码)进行数据串联；
2)将串联后的新的时间序列数据输入至基于长短记忆网络(longshorttermmemorynetworks)的递归神经网络中进行关联特征提取(该步骤中无需经过网络最后的激活函数单元)；
3)结合人工经验(人工定义当前输入时间序列数据所代表的鱼群当前摄食欲望等级)，将上述递归神经网络的输出结果输入至生成式对抗网络中(激活函数采用softmax函数)，并进行半监督学习；进而实现鱼群前景摄食欲望的判别。
本网络采用基于adam优化器进行优化训练，其中该优化器矩估计指数衰减参数(beta1和beta2)分别设置为0.9和0.999；学习率设置为0.001，而其衰减因子设为0.1。训练过程中最小批(mini-batch)设置为32。
对于鱼群摄食活跃程度量化。利用动能模型和递归神经网络对鱼群摄食过程中的摄食活跃程度进行量化，从而决断何时停止当前投喂。具体操作步骤如下：
3)在上述分割的鱼群目标前景基础上，利用动能模型(公式2)对鱼群当前摄食动能进行量化；
ek＝ce×ve2(2)
式中，ce和ve分别为当前鱼群摄食行为的无序程度和平均速度；其中ve是利用horn-schunck光流对上述已分割鱼群前景计算得出的，ce则是通过信息熵对上述ve的无序性的计算结果。
4)结合人工经验(人工定义当前输入时间序列数据所代表的鱼群当前摄食活跃程度等级)将时间序列内的鱼群摄食动能集合输入基于门控循环单元(gatedrecurrentunit)的递归神经网络中进行全监督学习(该步骤中需经过网络最后的激活函数单元，且激活函数为softmax函数)；进而实现鱼群摄食活跃程度的等级量化。
本网络采用基于adam优化器进行优化训练，其中该优化器矩估计指数衰减参数(beta1和beta2)分别设置为0.9和0.999；学习率设置为0.002，而其衰减因子设为0.5。训练过程中最小批(mini-batch)设置为64。
所述投饲控制部分利用电气元件对机械投饲部分进行控制，可以采用plc作为控制器。该部分不对投饲策略进行判断，只根据深度学习服务器所判断投饲策略来进行对投饲机械部分的控制。
综上所述，本发明设计理念是模拟人工投喂行为，更加科学进行投喂，根据鱼群实际摄食情况投喂，改变了传统投饲设备的单一的投饲方式，将人工投喂的优点和传统投饲设备的优点相结合，使投饲成本更加低廉、更加高效、更加精准科学。
上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。