[发明专利]一种结合深度学习与Q-learning的活鱼运输水质智能调控方法和系统

权利要求书

1.一种活鱼运输水质智能调控方法，其特征在于，所述方法包括以下步骤：

S1、实时捕捉运输箱内水体的氨氮、溶解氧、pH信息，利用预先构建的水质分级模型给出相应的水质等级；

S2、捕获运输箱内鱼体图像，通过图像识别处理技术对鱼体状态进行识别；

S3、获取运输车振动频率，并结合水质等级信息和鱼体状态信息，根据预先构建的Q-learning模型的Q矩阵获得当前活鱼运输水质的最佳调控策略；

S4、根据Q矩阵的输出，对运输箱的水质进行相应的调控。

2.根据权利要求1所述的活鱼运输水质智能调控方法，其特征在于，所述步骤S1中通过预先训练的RBF神经网络输出水质等级，训练过程包括：分别通过氨氮传感器、溶氧传感器和pH传感器实时捕捉运输箱内水体的氨氮、溶解氧、pH信息；将氨氮、溶解氧、pH值输入RBF神经网络，使用激活函数将其映射到高维空间，并以真实的水质等级为网络的真实值，进行迭代更新，直到满足迭代最大次数或均方误差满足预设条件。

3.根据权利要求1所述的活鱼运输水质智能调控方法，其特征在于，所述步骤S2基于Faster-rcnn架构的深度神经网络对鱼体状态进行识别，包括：

(1)采集鱼体的图像，标定出正常游泳的鱼体和仰翻于水面的鱼体的坐标位置；

(2)标定后图像输入Faster-rcnn网络模型，先通过卷积层提取图像的特征，然后送入RPN网络，RPN网络的输出通过一个池化层、连接层进行回归和分类，计算是活鱼还是死鱼及其坐标位置，其中通过梯度下降，误差反向传播的方式回归其坐标位置，通过softmax函数执行分类功能。

4.根据权利要求1所述的活鱼运输水质智能调控方法，其特征在于，所述预先构建的Q-learning模型如下：

Q(s,a)＝r(s,a)+γmax{r(s’,a’)}

其中，Q(s,a)表示运输水质从水质等级、鱼体状态、振动频率构成的三元组s到动作a的映射函数，r(s,a)表示动作映射完成以后的及时奖励，γmax{r(s’,a’)}表示长期的回报，max{r(s’,a’)表示下一个时刻可能产生的最大及时奖励值，γ表示对未来的奖励值的衰减，s’表示下一个可能的三元组状态，a’表示下一个可能的水质调控动作。

5.根据权利要求4所述的活鱼运输水质智能调控方法，其特征在于，所述及时奖励定义为：r(s,a)＝(1-λ)(η-μ)，其中λ表示死鱼的个数，η表示水质等级，μ是振动频率。

6.一种活鱼运输水质智能调控系统，其特征在于，包括：

水质检测模块，用于实时捕捉运输箱内水体的氨氮、溶解氧、pH信息，通过RBF神经网络进行拟合，输出水质等级；

鱼体状态检测模块，用于捕获运输箱内鱼体图像，通过基于Faster-rcnn架构的深度神经网络对鱼体状态进行识别；

水质调控策略选择模块，用于获取运输车振动频率，并结合水质等级信息和鱼体状态信息，根据预先构建的Q-learning模型的Q矩阵获得当前活鱼运输水质的最佳调控策略；

执行模块，用于根据Q矩阵的输出，对运输箱的水质进行相应的调控。

7.根据权利要求6所述的活鱼运输水质智能调控系统，其特征在于，所述水质检测模块包括传感器单元和RBF神经网络计算单元，所述传感器单元包括氨氮传感器、溶氧传感器和pH传感器，分别用于实时捕捉运输箱内水体的氨氮、溶解氧、pH信息；然后送入RBF神经网络计算单元，所述RBF神经网络计算单元以氨氮、溶解氧、pH值作为输入，使用激活函数将其映射到高维空间，并以真实的水质等级为网络的真实值，不断地迭代更新，识别出不同水质的等级。