基于机器学习的水产养殖智能调控方法与系统与流程

本发明涉及水产养殖领域，具体而言，涉及一种基于机器学习的水产养殖智能调控方法与系统。

背景技术：

1、传统水产养殖过程中的环境因子的不可控因素较多，导致传统的水产养殖模式靠天吃饭、病害隐患严重、产量模式不稳定。

2、随着科技的发展，一些智能养殖装置逐渐受到养殖户的青睐，然而，这些养殖装置的控制仍然比较初级，例如仅能实现投喂装置定时投喂、充氧机定时开机等，无法满足目前更加精细化的水产养殖需求。

技术实现思路

1、本发明的实施例提供了一种基于机器学习的水产养殖智能调控方法与系统。

2、第一方面，本发明实施例提供一种基于机器学习的水产养殖智能调控方法，所述方法包括：

3、利用水体检测装置获取水质检测信息，所述水质检测信息包括水体温度、酸碱度、氧含量、硝酸盐含量、亚硝酸盐含量、饲料残留比例中的至少一者；

4、利用水下图像检测装置获取鱼群检测信息，所述鱼群检测信息包括鱼群活跃度、鱼群数量、平均体长中的至少一者；

5、将所述水质检测信息以及所述鱼群检测信息输入基于机器学习得到的目标调控模型，得到目标调控信息；其中，所述目标调控信息输入目标水质预测模型得到的预测水质与目标水质的距离小于预设阈值，所述目标水质是基于所述鱼群检测信息确定的，所述目标调控模型是与所述目标水质预测模型联合训练得到的；

6、根据所述目标调控信息，对智能养殖装置的工作状态进行调控，所述智能养殖装置包括充氧装置、投喂装置、水循环处理装置中的至少一者。

7、可选地，所述目标调控模型与所述目标水质预测模型的联合训练包括以下步骤：

8、获取目标训练集，所述目标训练集包括经过预处理后的历史调控数据序列以及对应的历史检测数据序列，所述历史调控数据序列包括多个调控周期对于所述智能养殖装置的调控信息，所述历史检测序列包括所述智能养殖装置执行所述调控信息后预设时长检测到的水质检测信息以及鱼群检测信息；

9、从所述历史调控数据序列抽取多条调控数据并从所述历史检测数据序列中抽取一条检测数据构成样本数据以及标注信息，所述标注信息用于指示所述样本数据中的检测数据对应的调控数据；

10、基于所述样本数据训练得到目标水质预测模型，所述目标水质预测模型用于根据对于所述智能养殖装置的调控信息对调控后的水质进行预测；

11、对于所述历史检测数据序列中的每一条检测数据，根据所述检测数据中的鱼群检测信息，确定第一目标水质；

12、将所述检测数据输入初始调控模型，得到预测调控信息；

13、将所述预测调控信息输入所述目标水质预测模型，得到第二预测水质；

14、根据所述第二预测水质以及所述第一目标水质，确定第二损失参数；

15、根据所述第二损失参数，对所述初始调控模型的参数进行更新，得到所述目标调控模型。

16、可选地，所述基于所述样本数据训练得到目标水质预测模型，包括：

17、根据所述样本数据，构建调控特征矩阵以及检测数据特征矩阵；

18、根据所述调控特征矩阵以及所述检测数据特征矩阵进行特征级联，得到第一级联矩阵；

19、根据所述第一级联矩阵和预定义的多个过程特征向量确定中介特征向量；

20、根据所述调控特征矩阵、所述检测数据特征矩阵、所述中介特征向量和预定义的过滤矩阵确定第一调控特征矩阵和第一检测特征矩阵，其中，所述预定义的过滤矩阵用于使所述调控特征矩阵和所述检测数据特征矩阵相互过滤；

21、根据所述调控特征矩阵、所述检测数据特征矩阵、所述中介特征向量、所述第一调控特征矩阵以及所述第一检测特征矩阵确定模型更新函数；

22、根据所述模型更新函数对所述初始水质预测模型进行训练，以使训练后的初始水质预测模型用于学习样本数据所述调控特征矩阵与所述检测数据特征矩阵之间的关联影响参数、且所述调控特征矩阵与所述检测数据特征矩阵之间数据解耦。

23、可选地，所述根据所述第一级联矩阵和预定义的多个过程特征向量确定中介特征向量，包括：

24、确定所述第一级联矩阵和各个所述过程特征向量之间的第一矩阵距离；

25、根据所述第一矩阵距离对所述多个过程特征向量进行加权数值总和确定，得到所述中介特征向量。

26、可选地，所述调控特征矩阵包括多个第一调控数据矩阵，所述检测数据特征矩阵包括第一检测数据矩阵，所述根据所述调控特征矩阵以及所述检测数据特征矩阵进行特征级联，得到第一级联矩阵，包括：

27、将所述多个第一调控数据矩阵进行均值聚合，得到第一调控序列特征矩阵；

28、根据所述第一调控序列特征矩阵和所述第一检测数据矩阵进行特征级联，得到第一级联矩阵。

29、可选地，所述根据所述调控特征矩阵、所述检测数据特征矩阵、所述中介特征向量、所述第一调控特征矩阵以及所述第一检测特征矩阵确定模型更新函数，包括：

30、根据所述第一调控特征矩阵、所述第一检测特征矩阵以及预定义的权重分布信息，确定所述第一调控特征矩阵和所述第一检测特征矩阵之间是否对应的正类率；

31、根据所述正类率与所述样本数据对所对应的标注信息确定第一误差指标，并根据所述第一误差指标确定模型更新函数是否对应。

32、可选地，所述方法还包括：

33、获取包括多个样本数据的样本数据组；

34、基于所述样本数据组中多个所述样本数据对所对应的所述调控特征矩阵、所述检测数据特征矩阵、所述中介特征向量和所述预定义的过滤矩阵，确定第一调控特征矩阵组和第一检测特征矩阵组，其中，所述第一调控特征矩阵组中含有各个所述样本数据对应的第一调控特征矩阵、以及各个所述样本数据对应的第一检测特征矩阵，所述第一检测特征矩阵组中的各个第一检测特征矩阵包括第二检测数据矩阵，所述第一调控特征矩阵组中的各个第一调控特征矩阵包括多个第二调控数据矩阵；

35、根据所述第一调控序列特征矩阵，从所述第一检测特征矩阵组对应的多个所述第二检测数据矩阵中确定一个目标检测数据矩阵；

36、分别将所述第一调控特征矩阵组中的各个第一调控特征矩阵所对应的多个第二调控数据矩阵进行均值聚合，得到所述第一调控特征矩阵组中的各个第一调控特征矩阵所对应的第二调控序列特征矩阵；

37、根据所述第一检测数据矩阵，从所述第一调控特征矩阵组对应的多个所述第二调控序列特征矩阵中确定一个目标调控特征矩阵。

38、可选地，所述根据所述调控特征矩阵、所述检测数据特征矩阵、所述中介特征向量、所述第一调控特征矩阵以及所述第一检测特征矩阵确定模型更新函数，包括：

39、根据所述第一调控特征矩阵、所述第一检测特征矩阵、以及预定义的权重分布信息，确定所述第一调控特征矩阵和所述第一检测特征矩阵之间是否对应的正类率、所述第一调控特征矩阵和所述目标检测数据矩阵之间是否对应的正类率、以及所述第一检测特征矩阵和所述目标调控特征矩阵之间是否对应的正类率；

40、根据所述第一调控特征矩阵和所述第一检测特征矩阵之间是否对应的正类率、所述第一调控特征矩阵和所述目标检测数据矩阵之间是否对应的正类率、所述第一检测特征矩阵和所述目标调控特征矩阵之间是否对应的正类率、以及所述第一调控特征矩阵和所述第一检测特征矩阵对应的标注信息、所述第一调控特征矩阵和所述目标检测数据矩阵对应的标注信息、所述第一检测特征矩阵和所述目标调控特征矩阵之间的标注信息确定第一误差指标，并根据所述第一误差指标确定模型更新函数。

41、可选地，所述根据所述调控特征矩阵、所述检测数据特征矩阵、所述中介特征向量、所述第一调控特征矩阵以及所述第一检测特征矩阵确定模型更新函数，包括：

42、确定所述第一调控序列特征矩阵与所述第一检测数据矩阵之间的第二矩阵距离；

43、确定所述第一调控序列特征矩阵，以及多个所述第二检测数据矩阵中不与所述第一调控序列特征矩阵对应的第二检测数据矩阵之间的第三矩阵距离；

44、根据所述第二矩阵距离和所述第三矩阵距离确定第二误差指标，并根据所述第二误差指标确定模型更新函数；

45、所述根据所述调控特征矩阵、所述检测数据特征矩阵、所述中介特征向量、所述第一调控特征矩阵以及所述第一检测特征矩阵确定模型更新函数，包括：

46、确定所述第一检测数据矩阵与所述第一调控序列特征矩阵之间的第四矩阵距离；

47、确定所述第一检测数据矩阵，以及多个所述第二调控序列特征矩阵中不与所述第一检测数据矩阵相对应的第二调控序列特征矩阵之间的第五矩阵距离；

48、根据所述第四矩阵距离和所述第五矩阵距离确定第三误差指标，并根据所述第三误差指标确定模型更新函数。

49、第二方面，本发明实施例提供一种基于机器学习的水产养殖智能调控系统，所述系统包括计算机设备以及智能养殖装置；

50、所述计算机设备包括处理器及存储有计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述计算机设备执行第一方面中所述的基于机器学习的水产养殖智能调控方法。

51、相比现有技术，本发明提供的有益效果包括：通过水体检测装置与水下图像检测装置获取鱼群检测信息和水质检测信息，进而基于目标调控模型对采集到的信息进行分析确定目标调控信息，能够有效地确保调控后的水质能够满足良好的养殖条件，提高养殖效益。