[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

说明书

本发明公开了一种结合深度学习与Q‑learning的活鱼运输水质智能调控方法及系统。方法包括：将实时捕捉水体的氨氮、溶解氧、pH信息通过RBF神经网络进行拟合，输出水质等级，建立水质分级模型；通过基于Faster‑rcnn架构的深度神经网络对活鱼进行定位与识别，建立Faster‑rcnn活鱼检测模型；依照活鱼运输水质对应的及时奖励值和长远回报值构建策略Q矩阵以获得活鱼运输水质的最佳调控策略，建立Q‑learning模型；最后将Q‑learning模型、水质分级模型、基于Faster‑rcnn活鱼检测模型部署到服务器上，对水质进行动态调控。本发明创造性地将深度学习方法和Q‑learning方法融合于活鱼运输水质的智能调控上，提出了一套精准化地活鱼运输水质调控方案，构建了活鱼运输水质调控系统，为活鱼运输安全提供了有力保障。

技术领域

本发明涉及水产养殖中的智能化控制，具体是一种活鱼运输水质智能调控方法和系统。

背景技术

活鱼运输是鱼类养殖业发展过程中不可缺少的一个环节，新品种的引进、亲鱼的收集、鱼市水产品的供应都离不开活鱼运输。由于运输条件的限制，活鱼运输环节易受水质恶化、受伤感染和应激胁迫等因素的影响，从而导致活鱼的存活率下降、损伤率升高(长距离运输损耗率＞10％)，这不仅给鱼类的质量安全带来风险，还制约了水产业的发展。因此，活鱼运输这一重要的生产环节面临的中心问题是如何提高鱼的成活率。

在现代活鱼运输体系中，水质评价是水质污染防控的一个重要环节。活鱼运输过程中的水质问题与氨氮(TAN)浓度、溶解氧(DO)浓度、酸碱度(pH值)有着密不可分的关系。在运输过程中，当鱼类在水中排出的氨超过12mg/L时，非离子氨进入鱼体后会导致呼吸困难、昏迷甚至死亡等现象的出现；当水体中溶解氧的浓度低于鱼类的窒息点时，鱼类也会因缺氧而大量死亡；鱼类适宜的水体pH值为6.5-8.5，若pH值长时间处在不正常的范围内，鱼类呼吸器官的表皮细胞会被损坏，从而降低鱼的吸氧能力。传统的水质评价常采用单因素或线性函数模型等评价方法，而运输水环境实际上是各因素交错构成的复杂系统，传统方法过于单一，不能全面客观地进行综合评价。因此，在活鱼运输的过程中对水质进行合理的评价以保证运输水环境的安全是一个亟需解决的问题。

目前，在活鱼运输水质智能评价或调控方面的研究较少。仅洪苑乾等研究了一套活鱼运输箱水质监控的系统，首先通过传感器检测箱体内的温度、DO和pH，然后将检测值送入PLC与设定值比较，最后得出相应的控制信号来驱动执行机构运行以控制水质。虽然该系统在一定程度上提高了鱼的存活率，但是仍存在操作复杂、效率低、耗时费力等缺点。因此，急需一种高效的水质智能调控系统来精准化地调控活鱼运输时的水质，为活鱼运输提供有力的安全保障。

发明内容

发明目的：针对现有的技术效率低下问题，本发明提供了一种结合深度学习与Q-learning的活鱼运输水质智能调控系统，创新性地将深度学习方法和Q-learning方法融合于活鱼运输水质的智能调控上，旨在解决传统水质监控系统存在的操作复杂、耗时费力等缺点。

技术方案：根据本发明的第一方面，提供一种活鱼运输水质智能调控方法，包括以下步骤：

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；

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；

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；

根据Q矩阵的输出，对运输箱的水质进行相应的调控。

根据本发明的第二方面，提供一种活鱼运输水质智能调控系统，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；