人工智能在漁業(yè)生產(chǎn)中的研究與應用

人工智能在漁業(yè)生產(chǎn)中的研究與應用主要內(nèi)容人工智能與現(xiàn)代漁業(yè)智能漁業(yè)關鍵技術研究智能漁業(yè)典型應用3200多年前的殷代“貞其雨、在圃漁”公元前460年（春秋戰(zhàn)國）--范蠡.《養(yǎng)魚經(jīng)》公元前206～（三國）--稻田養(yǎng)魚公元618～（唐朝）--混和養(yǎng)魚公元1368～（明朝）--魚池建設、魚種搭配、餌料投喂、魚病防治、桑基漁業(yè)公元1644～（清朝）--魚苗生產(chǎn)、運輸?shù)?958年—人工繁殖成功1960年—八字精養(yǎng)法—混養(yǎng)1978年（獲獎）—增氧機發(fā)明80年代—顆粒飼料應用2000年，循環(huán)水養(yǎng)殖2010年，物聯(lián)網(wǎng)技術2019年，深遠海養(yǎng)殖平臺“深藍一號”人工智能與現(xiàn)代漁業(yè)對保障國家食物安全發(fā)揮了重大作用世界第一

發(fā)展迅速世界水產(chǎn)品總產(chǎn)量6663萬噸35%65%中國其他國家數(shù)據(jù)來源：FAO[2014]1/3動物蛋白數(shù)據(jù)來源：中國統(tǒng)計年鑒單位：萬噸人工智能與現(xiàn)代漁業(yè)人工智能與現(xiàn)代漁業(yè)勞動生產(chǎn)率低人工智能與現(xiàn)代漁業(yè)勞動力成本大幅提升、老齡化嚴重誰來養(yǎng)魚？勞動力成本占70%勞動力年齡50-60歲

農(nóng)村老齡化有加大趨勢敢問水產(chǎn)路在何方？資源節(jié)約產(chǎn)出高效環(huán)境友好產(chǎn)品安全·

裝備化數(shù)字化網(wǎng)絡化智能化無人化轉(zhuǎn)型升級人工智能與現(xiàn)代漁業(yè)現(xiàn)代漁業(yè)需要智能信息化技術的支撐·養(yǎng)殖環(huán)境信息的全面感知·養(yǎng)殖個體行為的實時監(jiān)測與量化分析·裝備工作狀態(tài)的實施監(jiān)控·現(xiàn)場作業(yè)的智能自動化操作人工智能與現(xiàn)代漁業(yè)人工智能與現(xiàn)代漁業(yè)主要內(nèi)容人工智能與現(xiàn)代漁業(yè)智能漁業(yè)關鍵技術研究智能漁業(yè)典型應用智能漁業(yè)關鍵技術研究利用人工智能技術、物聯(lián)網(wǎng)技術、大數(shù)據(jù)技術，通過數(shù)據(jù)采集，數(shù)據(jù)傳輸，數(shù)據(jù)處理和自動控制來實現(xiàn)的漁業(yè)智能生產(chǎn)。數(shù)據(jù)傳輸數(shù)據(jù)處理作業(yè)控制數(shù)據(jù)采集利用傳感技術采集環(huán)境信息和魚類生長信息利用5G實現(xiàn)作物及環(huán)境信息傳輸?shù)教幚砟K基于智能算法對接受到數(shù)據(jù)進行分析與處理利用對處理后的農(nóng)業(yè)數(shù)據(jù)進行智能裝備自主作業(yè)智能漁業(yè)關鍵技術研究水產(chǎn)養(yǎng)殖信息的快速全方位獲取是實現(xiàn)水、餌、裝備高效管理和精準作業(yè)的前提和基礎。低成本、靈活、精度高、點測量、效率低、成本高無人機主動、高效、載荷有限、作業(yè)面積有限地面衛(wèi)星遙感效率高、覆蓋廣周期性限制、云霧影響大、分辨率低智能漁業(yè)關鍵技術研究水產(chǎn)養(yǎng)殖水質(zhì)傳感器精度受多重因素影響，通過構建溫度、鹽度、溶解氧、pH、氨氮等多參數(shù)的智能補償與校正算法，提高檢測精度。智能漁業(yè)關鍵技術研究Zigbee

+

NBIoT

+5G+北斗技術智能漁業(yè)關鍵技術研究DecomposingmaterialsLow

dissolvedoxygen

(cool)·養(yǎng)殖水質(zhì)實時在線預測、預警與智能控制模型High

dissolvedoxygen

(warm)養(yǎng)殖水質(zhì)時空預測模型從水質(zhì)監(jiān)測記錄中提取歷史水質(zhì)參數(shù)時間數(shù)據(jù)，預設多個傳感器采集的當前水質(zhì)參數(shù)空間數(shù)據(jù)?；谏疃葘W習的方法構建網(wǎng)絡預測模型，實現(xiàn)養(yǎng)殖水質(zhì)的時空預測。16增氧量增氧時間水溫溶解氧嵌入式終端云端預測溶氧智能控制系統(tǒng)傳感器控制柜增氧養(yǎng)殖水體環(huán)境數(shù)據(jù)上傳指令下發(fā)預測控制模型量化水產(chǎn)養(yǎng)殖水體環(huán)境中水質(zhì)數(shù)據(jù)的關鍵指標，融合實時水質(zhì)數(shù)據(jù)和智能控制策略，構建了基于嵌入式控制算法的智能增氧控制系統(tǒng)。數(shù)據(jù)分段數(shù)據(jù)預處理發(fā)現(xiàn)故障循環(huán)水養(yǎng)殖設備故障診斷模型加速度傳感器測電機振動信號判斷類型基于數(shù)據(jù)驅(qū)動的診斷模型從原始振動數(shù)據(jù)中提取判別和不變特征，通過該模型獲得循環(huán)數(shù)養(yǎng)殖設備故障診斷結果，故障分類準確率高，可以及時發(fā)現(xiàn)故障，提高了養(yǎng)殖生產(chǎn)的安全系數(shù)。專家知識庫 故障診斷實時數(shù)據(jù)水下圖像清晰化研究構建基于深度學習的水下圖像增強模型，實現(xiàn)海洋漁業(yè)圖像顏色校正、霧化去除、噪聲去除及紋理細節(jié)恢復，為后期海洋漁業(yè)目標檢測、識

別、疾病判斷等提供幫助。光氧脅迫下魚類行為模型結合不同光照、溶氧濃度，融合實時水質(zhì)數(shù)據(jù)和魚類行為知識庫，構建了基于魚類行為和環(huán)境指標的養(yǎng)殖水質(zhì)調(diào)控模型。魚類異常行為分析模型21不同軌跡代表的行為；與最適宜環(huán)境相比，不同行為的變化；通過計算機視覺相關方法獲取三文魚的游泳速度、軌跡等指標，并根據(jù)這些指標，研究不同光照強度、光色條件下，分析三文魚的異常行為。魚類生物量估測模型單目視頻雙目視頻單雙目視頻信息獲取

生物量估測長度重量應用投喂量調(diào)節(jié)養(yǎng)殖密度監(jiān)控時間密度建立養(yǎng)殖魚類目標檢測計數(shù)數(shù)據(jù)集，構建基于深度學習的魚類計數(shù)模型，結合雙目視覺與魚類體長-重量預測模型，構建基于三維重建的魚類重量估測模型，實現(xiàn)養(yǎng)殖環(huán)境下魚類生物量的估測?；隰~類行為分析的餌料投喂模型數(shù)據(jù)采集數(shù)據(jù)處理分析模型構建魚類正常狀態(tài)數(shù)據(jù)魚類攝食數(shù)據(jù)圖像分割速度聚集程度殘餌量多種數(shù)據(jù)量化值網(wǎng)絡參數(shù)與優(yōu)化模型準確率構建魚類實際需求的餌料投喂模型模型復雜度魚類飽食數(shù)據(jù)建立魚類攝食數(shù)據(jù)集，通過魚類運動速度、聚集程度和殘餌檢測等量化魚類實際攝食需求，進而衡量魚類投喂程度，構建基于魚類實際需求的餌料投喂模型，實現(xiàn)魚類的精準化投喂。水產(chǎn)物聯(lián)網(wǎng)云平臺分析整理從終端上傳的養(yǎng)殖數(shù)據(jù)，并在云端部署深度學習模型，建立平臺數(shù)據(jù)庫和專家知識庫，結合前端vue框架進行可視化，構建以養(yǎng)殖數(shù)據(jù)管理分析為中心的水產(chǎn)養(yǎng)殖云服務平臺。水下機器人運動姿態(tài)控制通過路徑規(guī)劃設定期望路徑，融合多傳感器完成水下機器人的實時定位，完成路徑的跟蹤控制，從而達到網(wǎng)衣自動巡檢。定位時融合IMU、DVL、GPS和深度傳感器輸出速度、位置、姿態(tài)信息，同時確定網(wǎng)衣破損位置，便于后期維護。水下機器人運動姿態(tài)控制模型26運動姿態(tài)控制模型姿態(tài)角的控制與分析對水下機器人航線角進行控制，為水下機器人進行圍網(wǎng)清洗與巡檢、實時動態(tài)水質(zhì)檢測等任務做基礎的運動控制工作?；谒聶C器人的網(wǎng)衣檢測27·實現(xiàn)基于成像尺寸變化的水下單目視覺測距，通過以下步驟獲得水下機器人和網(wǎng)衣的相對距離，結合水深傳感器和運動路線獲取機器人的大體定位。基于水下機器人的網(wǎng)衣檢測28主要內(nèi)容人工智能與現(xiàn)代漁業(yè)智能漁業(yè)關鍵技術研究智能漁業(yè)典型應用30陸基工廠化循環(huán)水養(yǎng)殖智能化測控31池塘養(yǎng)殖智能化測控大圍網(wǎng)智能養(yǎng)殖系統(tǒng)大圍網(wǎng)智能養(yǎng)殖系統(tǒng)智能網(wǎng)箱養(yǎng)殖系統(tǒng)

“海洋漁場1號”直徑110米、周長346m、高69米，養(yǎng)殖水體25萬立方米抗12級臺風