相关实验视频
Updated: Jul 26, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.3K
数据驱动的数字工业水产养殖智能管理方案,基于多对象深度神经网络
Yueming Zhou1, Junchao Yang2, Amr Tolba3
1National Research Base of Intelligent Manufacturing Services, Chongqing Technology and Business University, Chongqing 400067, China.
Mathematical biosciences and engineering : MBE
|June 16, 2023
概括
本研究介绍了数字工业水产养殖的数据驱动智能管理方案. 多对象深度神经网络 (Mo-DIA) 有效地预测鱼类状况,并监测水质,以实现更智能的农业.
科学领域:
- 水产养殖是水产养殖的一种方式.
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 传统的水产养殖依赖于手工观察,限制了对鱼类和水质的全面监测.
- 该行业正在向智能,数据驱动的工业模式过渡.
研究的目的:
- 为数字化工业水产养殖提出数据驱动的智能管理方案.
- 通过使用先进的神经网络,加强鱼类状态和环境状态管理.
主要方法:
- 开发了一个多对象深度神经网络 (Mo-DIA),用于智能水产养殖管理.
- 利用双层隐藏的BP神经网络来预测鱼的体重,氧气消耗和养量.
- 采用LSTM神经网络,模拟水质数据中的时间相关性,以预测八个属性.
主要成果:
- 莫迪亚计划有效地管理数字水产养殖中的鱼类和环境状态.
- 该BP神经网络准确地预测了鱼类的主要代谢和生长指标.
- 该LSTM模型在预测多个水质参数方面表现出高准确性.
结论:
- 拟议的Mo-DIA为智能水产养殖管理提供了有效和准确的解决方案.
- 这种数据驱动的方法解决了现代水产养殖中手动观察的局限性.
- 该系统通过精确预测鱼类和环境条件,支持优化鱼类养殖.
