基于深度学习的最佳鱼类物种识别,以最大限度地提高鱼池的产量

科学领域:

• 水产养殖和渔业科学 水产养殖和渔业科学
• 人工智能在农业中的应用
• 环境监测 环境监测

背景情况:

• 水产养殖对印度经济至关重要,在全球鱼类生产方面排名第二.
• 为了最大限度地提高产量,确定适合特定池条件的鱼类物种至关重要.
• 传统方法在为水产养殖选择最佳物种方面缺乏效率.

研究的目的:

• 开发一个深度神经网络 (DNN) 模型,用于识别水产养殖中最好的鱼类.
• 用水质参数 (pH,温度,度) 来进行物种选择.
• 通过数据驱动的物种建议来增强鱼类生产.

主要方法:

• 一个由196个样本组成的数据集从印度泰兰加拉州瓦兰加尔的池中收集.
• 使用传感器测量了实时的水参数 (pH,温度,度).
• 实施了深度神经网络 (DNN) 模型,并与决策树,随机森林,SVC,KNN和天真贝叶斯分类器进行了比较.

主要成果:

• 与其他机器学习模型相比,拟议的DNN模型表现出优越的性能.
• 在训练和测试阶段,DNN模型实现了100%的准确性.
• 根据水的参数实现了鱼类物种的准确识别.

结论:

• 深度神经网络 (DNN) 为在水产养殖中选择最佳鱼类提供了高度准确的解决方案.
• 该模型的100%准确性突显了其在印度大幅提高鱼类生产的潜力.
• 这种人工智能驱动的方法可以通过提供精确的物种建议来彻底改变水产养殖管理.