饥饿程度的准确判别是实现水产养殖精准投喂的关键环节。目前常见的投喂方式多依赖人工经验,缺乏客观依据,容易导致投喂量不当和过度投喂等问题。在现有的鱼类摄食行为分类方法中,多数依据摄食时产生的水花剧烈程度来定性评估摄食强度,...饥饿程度的准确判别是实现水产养殖精准投喂的关键环节。目前常见的投喂方式多依赖人工经验,缺乏客观依据,容易导致投喂量不当和过度投喂等问题。在现有的鱼类摄食行为分类方法中,多数依据摄食时产生的水花剧烈程度来定性评估摄食强度,但这类标准主观性强,本质上仍未脱离对人工经验的依赖。在水产养殖中,约15%~30%的饲料因过度投喂而浪费,其中过度投喂贡献12.3%。因此,提出了一种基于深度视频与红外视频融合的量化检测方法,旨在提升鲈鱼摄食强度精准判定。将深度视频与红外视频的帧图像输入到DAIF-MOG2(Depth And Infrared Fusion-Mixture of Gaussians 2)优化模型进行特征提取,并将提取后结果进行融合与饥饿度评估,最后给出量化饥饿程度分数。针对DAIF-MOG2优化模型,基于MOG2算法进行了改进,将单阶段单模态学习优化为分阶段多模态学习,提高了学习稳定性并弥补了单一模态的局限性,引入了形状特征约束与物理空间的验证约束,提升了复杂环境下整体检测性能与鲁棒性。实验结果表明,提出的多模态融合模型鲈鱼摄食强度量化判定方法,准确率达到94.2%,相较于原始MOG2模型,综合性能提升51.6%,能够快速实现鱼类饥饿程度判断,有效利用多模态信息,确保实际养殖场景下鲈鱼投喂的及时性与准确性,减少饲料浪费情况。展开更多
文摘饥饿程度的准确判别是实现水产养殖精准投喂的关键环节。目前常见的投喂方式多依赖人工经验,缺乏客观依据,容易导致投喂量不当和过度投喂等问题。在现有的鱼类摄食行为分类方法中,多数依据摄食时产生的水花剧烈程度来定性评估摄食强度,但这类标准主观性强,本质上仍未脱离对人工经验的依赖。在水产养殖中,约15%~30%的饲料因过度投喂而浪费,其中过度投喂贡献12.3%。因此,提出了一种基于深度视频与红外视频融合的量化检测方法,旨在提升鲈鱼摄食强度精准判定。将深度视频与红外视频的帧图像输入到DAIF-MOG2(Depth And Infrared Fusion-Mixture of Gaussians 2)优化模型进行特征提取,并将提取后结果进行融合与饥饿度评估,最后给出量化饥饿程度分数。针对DAIF-MOG2优化模型,基于MOG2算法进行了改进,将单阶段单模态学习优化为分阶段多模态学习,提高了学习稳定性并弥补了单一模态的局限性,引入了形状特征约束与物理空间的验证约束,提升了复杂环境下整体检测性能与鲁棒性。实验结果表明,提出的多模态融合模型鲈鱼摄食强度量化判定方法,准确率达到94.2%,相较于原始MOG2模型,综合性能提升51.6%,能够快速实现鱼类饥饿程度判断,有效利用多模态信息,确保实际养殖场景下鲈鱼投喂的及时性与准确性,减少饲料浪费情况。
