(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211177642.X (22)申请日 2022.09.27 (71)申请人 中国农业大 学 地址 100083 北京市海淀区 圆明园西路2号 (72)发明人 安冬　王雅倩　于晓宁　位耀光　 李道亮　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 万慧华 (51)Int.Cl. G06V 20/40(2022.01) G06Q 50/02(2012.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 20/52(2022.01) (54)发明名称 基于鱼群摄食活动量化的精 准投喂方法、 系 统及装置 (57)摘要 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， 涉及图像分析处 理和动物行为分析领域。 所述精准投喂方法包 括： 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； 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； 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。 本发明通过引入深度无监督学习， 可 以在无需数据标注的情况下实现鱼群摄食活动 的连续量化， 并基于连续量化值实现了鱼群智能 化的精准投喂， 可 以有效保证鱼群摄食福利， 避 免饵料浪费。 权利要求书4页 说明书10页 附图7页 CN 115497026 A 2022.12.20 CN 115497026 A 1.一种基于鱼群 摄食活动量 化的精准投喂方法， 其特 征在于， 所述方法包括： 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。 2.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。 3.根据权利要求1所述的基于鱼群摄食活动量化的精准投 喂方法， 其特征在于， 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。 4.根据权利要求1所述的基于鱼群摄食活动量化的精准投 喂方法， 其特征在于， 在所述权　利　要　求　书 1/4 页 2 CN 115497026 A 2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。 5.根据权利要求1所述的基于鱼群摄食活动量化的精准投 喂方法， 其特征在于， 所述总 损失函数的计算公式如下： 其中，L为总损失函数， La为外观损失函数， Lm为运动损失函数， 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。 6.根据权利要求1所述的基于鱼群摄食活动量化的精准投 喂方法， 其特征在于， 所述采 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， 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； 根据所述灰度图序列和差帧图序列及所述重构的灰度图序列和重构的差帧图序列， 确 定所述鱼群 摄食活动指数， 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。 7.根据权利要求1所述的基于鱼群摄食活动量化的精准投 喂方法， 其特征在于， 所述根 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， 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为阈值权　利　要　求　书 2/4 页 3 CN 115497026 A 3