阅读说明：本技术 一种对虾草共生养殖方法 (Prawn grass symbiotic cultivation method ) 是由 熊建华 张彬 黎铭 韦信贤 童桂香 杨艳 林勇 于 2021-01-15 设计创作，主要内容包括：本发明公开了一种对虾草共生养殖方法,包括以下步骤：S1:搭建6X3X3的天然池塘,用生石灰化水后均匀泼洒消毒,10天后用氯硝柳胺340全塘消毒,再消毒5天后,设置进水阀门,选择茎长10cm以上的水草种植于浮排之上,持续培养3-4天后,放置对虾幼苗；S2:监控水的溶解氧含量、氨、氮含量,利用水下摄像头观察对虾、水草的数量以及对虾的脱壳情况、运动量和摄食量,采用强化学习算法根据水的溶解氧含量、氨、氮含量以及对虾、水草的数量添加抑制原生生物的药物或肥水培草产品和增氧剂的投放量以及光照程度。本发明利用深度学习模型和强化学习模型进行自动化的动态调整,具有宏观调控和实时调整,不需要人工进行控制,可以极大的提高对虾和水草的养殖成果。(The invention discloses a symbiotic cultivation method for prawns and weeds, which comprises the following steps: s1, building a natural pond of 6X3X3, dissolving water with quick lime, uniformly splashing and disinfecting, disinfecting with niclosamide 340 after 10 days, setting a water inlet valve after disinfecting for 5 days, selecting aquatic plants with stems longer than 10cm to plant on the floating raft, continuously culturing for 3-4 days, and placing prawn seedlings; s2, monitoring the dissolved oxygen content, ammonia and nitrogen content of water, observing the quantity of prawns and aquatic weeds and the shelling condition, exercise amount and food intake of the prawns by using an underwater camera, and adding a medicament for inhibiting protozoon or the adding amount of a water fertilizing and fertilizing culture product and an oxygenation agent and the illumination degree according to the dissolved oxygen content, the ammonia and nitrogen content of the water and the quantity of the prawns and the aquatic weeds by adopting a reinforcement learning algorithm. The invention utilizes the deep learning model and the reinforcement learning model to carry out automatic dynamic adjustment, has macroscopic regulation and real-time adjustment, does not need manual control, and can greatly improve the cultivation results of prawns and aquatic weeds.)

一种对虾草共生养殖方法

技术领域

本发明涉及对虾共生养殖技术领域，特别涉及一种对虾草共生养殖方法。

背景技术

原生生物和对虾产生的二氧化碳可以增加水草的存活率，同时，水草可以为原生生物和对虾提供养料，形成生态共生，为了保障对虾的供氧和成长通常需要用药物对原生生物进行抑制或者利用肥水产品进行培草，但如果量控制的不够，会导致水草数量过多，造成水草的大面积死亡，加重原生生物的生长，因此，需要对原生生物进行抑制的药品和肥水产品的投放量进行调控，形成生态平衡，有利于促进对虾的生长，但目前的调控通常为养殖人员依据经验进行调控，无法做到实时调控，极大的影响了对虾和水草的养殖效率。

发明内容

为了至少解决或部分解决上述问题，提供一种对虾草共生养殖方法，利用深度学习模型和强化学习模型进行自动化的动态调整，具有宏观调控和实时调整，不需要人工进行控制，可以极大的提高对虾和水草的养殖成果。

为了达到上述目的，本发明提供了如下的技术方案：

本发明一种对虾草共生养殖方法，包括以下步骤：

S1:搭建6X3X3的天然池塘，用生石灰化水后均匀泼洒消毒，10天后用氯硝柳胺340全塘消毒，再消毒5天后，设置进水阀门，选择茎长10cm以上的水草种植于浮排之上，持续培养3-4天后，放置对虾幼苗；

S2:监控水的溶解氧含量、氨、氮含量，利用水下摄像头观察对虾、水草的数量以及对虾的脱壳情况、运动量和摄食量，采用强化学习算法根据水的溶解氧含量、氨、氮含量以及对虾、水草的数量添加抑制原生生物的药物或肥水培草产品和增氧剂的投放量以及光照程度，利用专家数据库采用深度学习模型根据对虾的脱壳情况、运动量和摄食量和对虾数量动态调整对虾的投喂量。

作为本发明的一种优选技术方案，所述步骤S2中，强化学习算法根据水的溶解氧含量、氨、氮含量以及对虾数量、水草的数量作为状态数据，将添加抑制原生生物的药物或肥水培草产品以及光照程度作为策略，将水草的生长程度作为策略评价值输出策略，并根据策略以及状态数据计算出增氧剂的投放量。

作为本发明的一种优选技术方案，所述步骤S2中，利用特征提取提取对虾的脱壳情况、运动量和摄食量数据，根据该数据采用专家数据库进行聚类算法进行聚类，判断对虾处于何种生长类别，根据生长类别调整对虾的投喂量。

作为本发明的一种优选技术方案，所述聚类算法采用kmeans聚类算法，将虾的脱壳情况、运动量和摄食量数据为x^(m)，将虾的脱壳情况、运动量和摄食量数据放入专家数据库中得到训练样本集{x⁽¹⁾、x⁽²⁾……x^(m)}，再设定好k个类和每个类的质心为μ₁，μ₂，...，μ_k，重复下面过程直到收敛{

对于每一个样例i，计算其应该属于的类

对于每一个类j，重新计算该类的质心

}

x⁽ⁱ⁾属于训练样本集{x⁽¹⁾、x⁽²⁾……x^(m)}，c⁽ⁱ⁾代表样例i与k个类中距离最近的那个类，c⁽ⁱ⁾的值是1到k中的一个。质心μ_j代表我们对属于同一个类的样本中心点的期望值。

由上述计算可以得到C^(m)，即样例m与k个类中距离最近的那个类。

作为本发明的一种优选技术方案，所述步骤S2中，投喂饵料为活蠕虫幼体和有机颗粒饲料。

与现有技术相比，本发明的有益效果如下：

本发明利用深度学习模型和强化学习模型进行自动化的动态调整，通过对水草的生长调整来实现整体生态环境的宏观调控，且能够根据当前状态进行实时调整，相对于人工进行生态平衡更具效率，可以极大的提高对虾和水草的养殖成果。

具体实施方式

以下对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

此外，如果已知技术的详细描述对于示出本发明的特征是不必要的，则将其省略。

实施例1

本发明提供一种对虾草共生养殖方法，包括以下步骤：

S1:搭建6X3X3的天然池塘，用生石灰化水后均匀泼洒消毒，10天后用氯硝柳胺340全塘消毒，再消毒5天后，设置进水阀门，选择茎长10cm以上的水草种植于浮排之上，持续培养3-4天后，放置对虾幼苗；

S2:监控水的溶解氧含量、氨、氮含量，利用水下摄像头观察对虾、水草的数量以及对虾的脱壳情况、运动量和摄食量，采用强化学习算法根据水的溶解氧含量、氨、氮含量以及对虾、水草的数量添加抑制原生生物的药物或肥水培草产品和增氧剂的投放量以及光照程度，利用专家数据库采用深度学习模型根据对虾的脱壳情况、运动量和摄食量和对虾数量动态调整对虾的投喂量。

所述步骤S2中，强化学习算法根据水的溶解氧含量、氨、氮含量以及对虾数量、水草的数量作为状态数据，将添加抑制原生生物的药物或肥水培草产品以及光照程度作为策略，将水草的生长程度作为策略评价值输出策略，并根据策略以及状态数据计算出增氧剂的投放量。

所述步骤S2中，利用特征提取提取对虾的脱壳情况、运动量和摄食量数据，根据该数据采用专家数据库进行聚类算法进行聚类，判断对虾处于何种生长类别，根据生长类别调整对虾的投喂量。

所述聚类算法采用kmeans聚类算法，将虾的脱壳情况、运动量和摄食量数据为x^(m)，将虾的脱壳情况、运动量和摄食量数据放入专家数据库中得到训练样本集{x⁽¹⁾、x⁽²⁾……x^(m)}，再设定好k个类和每个类的质心为μ₁，μ₂，...，μ_k，重复下面过程直到收敛{

对于每一个样例i，计算其应该属于的类

对于每一个类j，重新计算该类的质心

}

x⁽ⁱ⁾属于训练样本集{x⁽¹⁾、x⁽²⁾……x^(m)}，c⁽ⁱ⁾代表样例i与k个类中距离最近的那个类，c⁽ⁱ⁾的值是1到k中的一个。质心μ_j代表我们对属于同一个类的样本中心点的期望值。

由上述计算可以得到C^(m)，即样例m与k个类中距离最近的那个类。

所述步骤S2中，投喂饵料为活蠕虫幼体和有机颗粒饲料。

具体的，利用水下摄像头采用特征提取的方式对对虾的脱壳情况、运动量和摄食量进行数据提取，然后利用聚类算法和专家数据库进行精确控制，可以保障对虾的进食的同时，减少饲料对水体的污染，同时，利用强化学习算法对当前状态数据进行判断，输出添加抑制原生生物的药物和肥水培草产品投放量的策略，保障生态的动态平衡，达到对虾产量稳步生长的效果。

本发明利用深度学习模型和强化学习模型进行自动化的动态调整，通过对水草的生长调整来实现整体生态环境的宏观调控，且能够根据当前状态进行实时调整，相对于人工进行生态平衡更具效率，可以极大的提高对虾和水草的养殖成果。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。