CN104517128A - 一种螃蟹脱壳的红外监测方法和装置 - Google Patents

一种螃蟹脱壳的红外监测方法和装置 Download PDF

Info

Publication number
CN104517128A
CN104517128A CN201510026520.4A CN201510026520A CN104517128A CN 104517128 A CN104517128 A CN 104517128A CN 201510026520 A CN201510026520 A CN 201510026520A CN 104517128 A CN104517128 A CN 104517128A
Authority
CN
China
Prior art keywords
crab
shelling
image
infrared
sample image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201510026520.4A
Other languages
English (en)
Inventor
魏茂春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Shui Bei Robotization Science And Technology Ltd
Original Assignee
Xiamen Shui Bei Robotization Science And Technology Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen Shui Bei Robotization Science And Technology Ltd filed Critical Xiamen Shui Bei Robotization Science And Technology Ltd
Priority to CN201510026520.4A priority Critical patent/CN104517128A/zh
Publication of CN104517128A publication Critical patent/CN104517128A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种螃蟹脱壳的红外监测方法和装置，其通过以预设时间间隔对螃蟹进行红外摄像得到监测图像，并对所述的监测图像进行图像识别，判断螃蟹数量是否变为两只螃蟹，若识别结果为两只螃蟹则判断为脱壳结束，并进一步进行螃蟹脱壳结束的提醒，无需人工定期检查，降低了成本，而且不会对螃蟹脱壳产生干扰，成活率更高，从而实现软壳蟹的自动化生产，大大提高了生产效率，降低人工成本。

Description

一种螃蟹脱壳的红外监测方法和装置
技术领域
本发明涉及水产养殖技术领域，特别是一种螃蟹脱壳的红外监测方法及其应用该方法的装置。
背景技术
螃蟹肉富含维生素A及钙、磷、铁、维生素B1、维生素B2、维生素C、谷氨酸、甘氨酸、组氨酸、精氨酸、烟碱酸等，对身体有很好的滋补作用。但传统的螃蟹食用方法需要剥壳取肉，实在太麻烦，尤其是小朋友吃，常常需要大人花费大量的时间，另外对于爱美的女性也对螃蟹的不雅吃法避而远之。
但人们对螃蟹的喜爱依然不减，于是通过对螃蟹的生活习性的研究，人们逐渐开发了一种无需剥壳取肉的软壳蟹。软壳蟹是螃蟹褪壳后不久的一个短暂形态。螃蟹一生经过13次褪壳，每一次蜕变长大就是新的生命开始一般，在脱壳同时还脱去鳃、食囊、内脏，因而全身没有原来的一丝污垢。软壳蟹在自然界非常难得，因为螃蟹新的外壳会在脱壳的数小时后接触到水而逐渐变硬。软壳蟹之所以珍贵是因为只有在换壳的短短几个小时内全身软绵绵的，不仅连肉带壳都可以吃，而且比普通螃蟹更鲜美更有营养。
软壳蟹虽然好吃，但在养殖过程中需要耗费大量的人力物力。传统的软壳蟹的养殖方法主要依靠人工识别，每2－4小时需要人工检查一次，以在螃蟹脱壳期间及时搜集软壳蟹，花费较多的人力、物力，另外人工检查还可能干扰螃蟹脱壳，引起螃蟹脱壳失败，造成螃蟹死亡，不仅成本高，而且效率较低。
发明内容
本发明为解决上述问题，提供了一种螃蟹脱壳的红外监测方法和装置，其能够自动识别脱壳结束的螃蟹，效率更高。
为实现上述目的，本发明采用的技术方案为：
一种螃蟹脱壳的红外监测方法，其特征在于，包括以下步骤：
10.以预设时间间隔对螃蟹进行红外摄像，得到监测图像；
20.对所述的监测图像进行图像识别，判断螃蟹数量是否变为两只螃蟹，若识别结果为两只螃蟹则判断为脱壳结束，否则返回步骤10；
30.进行螃蟹脱壳结束的提醒。
优选的，所述的步骤20中对所述的监测图像进行图像识别，主要是通过卷积神经网络的方法进行判断所述的螃蟹数量是否变为两只螃蟹。
优选的，所述的步骤20中通过卷积神经网络的方法进行图像识别，进一步包括以下步骤：
21.收集单只螃蟹样本图像和两只螃蟹样本图像，并进行人工标注分类，将单只螃蟹样本图像标注为脱壳前图像类型，将两只螃蟹样本图像标注为脱壳结束图像类型；
22.将所述的单只螃蟹样本图像和两只螃蟹样本图像输入卷积神经网络系统进行分类模型的训练；
23.将所述的监测图像输入所述的分类模型中进行类型判断，若判断结果为脱壳结束图像类型，则判断为脱壳结束，否则返回步骤10。
优选的，所述步骤21中的单只螃蟹样本图像包括非脱壳期螃蟹样本图像和脱壳过程螃蟹样本图像。
优选的，所述步骤21中的两只螃蟹样本图像包括两只横向并排螃蟹样本图像、两只纵向并排螃蟹样本图像以及两只侧向排列螃蟹样本图像。
优选的，所述步骤22中将所述的单只螃蟹样本图像和两只螃蟹样本图像输入卷积神经网络系统进行分类模型的训练之前，先对所述的单只螃蟹样本图像或两只螃蟹图像进行轮廓提取得到轮廓图，并将轮廓图进行归一化处理后再输入卷积神经网络系统进行分类模型的训练。
优选的，所述步骤23中将所述的监测图像输入所述的分类模型中进行类型判断之前，先对所述的监测图像进行轮廓提取得到监测轮廓图，并将监测轮廓图进行归一化处理后再输入卷积神经网络系统进行分类模型的训练。
优选的，所述的步骤40中进行螃蟹脱壳结束的提醒，主要是通过在远程监控终端通过文字提醒或者声音提醒或者光信号提醒。
另外，本发明还提供了一种螃蟹脱壳的红外监测装置，其特征在于，其包括：
时钟模块，用于设置摄像的时间间隔；
红外探头，用于在预设的时间间隔对螃蟹进行红外摄像得到监测图像；
卷积神经网络模块，用于将所述的监测图像输入卷积神经网络系统的分类模型中进行类型判断，若判断结果为脱壳结束图像类型，则表示该螃蟹已经脱壳结束；
提醒模块，用于进行螃蟹脱壳结束的提醒。
优选的，所述的红外探头设置在螃蟹养殖区的上方位置。
本发明的有益效果是：
本发明的一种螃蟹脱壳的红外监测方法和装置，其通过以预设时间间隔对螃蟹进行红外摄像得到监测图像，并对所述的监测图像进行图像识别，判断螃蟹数量是否变为两只螃蟹，若识别结果为两只螃蟹则判断为脱壳结束，并进一步进行螃蟹脱壳结束的提醒，无需人工定期检查，降低了成本，而且不会对螃蟹脱壳产生干扰，成活率更高，从而实现软壳蟹的自动化生产，大大提高了生产效率，降低人工成本。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一种螃蟹脱壳的红外监测方法的流程简图；
图2为本发明一种螃蟹脱壳的红外监测装置的结构示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明的一种螃蟹脱壳的红外监测方法，其包括以下步骤：
10.以预设时间间隔对螃蟹进行红外摄像，得到监测图像；
20.对所述的监测图像进行图像识别，判断螃蟹数量是否变为两只螃蟹，若识别结果为两只螃蟹则判断为脱壳结束，否则返回步骤10；
30.进行螃蟹脱壳结束的提醒。
所述的步骤10中的时间间隔优选为1小时至4小时范围内，并且，无需从一开始就以预设时间间隔对螃蟹进行红外摄像，可预先设置摄像启动时间，到达该启动时间后，再以预设时间间隔对螃蟹进行红外摄像，从而节约运行成本。
所述的步骤20中对所述的监测图像进行图像识别，本实施例主要是通过卷积神经网络的方法进行判断所述的螃蟹数量是否变为两只螃蟹；具体包括以下步骤：
21.收集单只螃蟹样本图像和两只螃蟹样本图像，并进行人工标注分类，将单只螃蟹样本图像标注为脱壳前图像类型，将两只螃蟹样本图像标注为脱壳结束图像类型；
22.将所述的单只螃蟹样本图像和两只螃蟹样本图像输入卷积神经网络系统进行分类模型的训练；
23.将所述的监测图像输入所述的分类模型中进行类型判断，若判断结果为脱壳结束图像类型，则判断为脱壳结束，否则返回步骤10。
所述步骤21中的单只螃蟹样本图像包括非脱壳期螃蟹样本图像和脱壳过程螃蟹样本图像；所述的两只螃蟹样本图像包括两只横向并排螃蟹样本图像、两只纵向并排螃蟹样本图像以及两只侧向排列螃蟹样本图像。
所述步骤22中将所述的单只螃蟹样本图像和两只螃蟹样本图像输入卷积神经网络系统进行分类模型的训练之前，先对所述的单只螃蟹样本图像或两只螃蟹图像进行轮廓提取得到轮廓图，并将轮廓图进行归一化处理后再输入卷积神经网络系统进行分类模型的训练。
所述步骤23中将所述的监测图像输入所述的分类模型中进行类型判断之前，先对所述的监测图像进行轮廓提取得到监测轮廓图，并将监测轮廓图进行归一化处理后再输入卷积神经网络系统进行分类模型的训练。
上述对单只螃蟹样本图像、两只螃蟹样本图像、监测图像进行轮廓提取，主要是通过对所述的图像进行二值化处理；所述的二值化处理，主要是通过采用直接固定阈值法，选择一个阈值对图像进行二值化处理，当图像中的像素值小于该阈值时，可以置0或255，相反的，当图像中的像素值大于或等于该阈值时，可以置255或0，从而得到二值化的图像，该二值化的图像的像素值只有0和255；从而使得计算更简单，运行速度更快。
所述的步骤40中进行螃蟹脱壳结束的提醒，主要是通过在远程监控终端通过文字提醒或者声音提醒或者光信号提醒。
如图2所示，本发明还提供了一种螃蟹脱壳的红外监测装置，其包括：
时钟模块A，用于设置摄像的时间间隔；
红外探头B，用于在预设的时间间隔对螃蟹进行红外摄像得到监测图像；
卷积神经网络模块C，用于将所述的监测图像输入卷积神经网络系统的分类模型中进行类型判断，若判断结果为脱壳结束图像类型，则表示该螃蟹已经脱壳结束；
提醒模块D，用于进行螃蟹脱壳结束的提醒。
所述的红外探头B设置在螃蟹养殖区的上方位置
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。并且，本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成。
上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.一种螃蟹脱壳的红外监测方法，其特征在于，包括以下步骤：
10.以预设时间间隔对螃蟹进行红外摄像，得到监测图像；
20.对所述的监测图像进行图像识别，判断螃蟹数量是否变为两只螃蟹，若识别结果为两只螃蟹则判断为脱壳结束，否则返回步骤10；
30.进行螃蟹脱壳结束的提醒。
2.根据权利要求1所述的一种螃蟹脱壳的红外监测方法，其特征在于：所述的步骤20中对所述的监测图像进行图像识别，主要是通过卷积神经网络的方法进行判断所述的螃蟹数量是否变为两只螃蟹。
3.根据权利要求2所述的一种螃蟹脱壳的红外监测方法，其特征在于：所述的步骤20中通过卷积神经网络的方法进行图像识别，进一步包括以下步骤：
21.收集单只螃蟹样本图像和两只螃蟹样本图像，并进行人工标注分类，将单只螃蟹样本图像标注为脱壳前图像类型，将两只螃蟹样本图像标注为脱壳结束图像类型；
22.将所述的单只螃蟹样本图像和两只螃蟹样本图像输入卷积神经网络系统进行分类模型的训练；
23.将所述的监测图像输入所述的分类模型中进行类型判断，若判断结果为脱壳结束图像类型，则判断为脱壳结束，否则返回步骤10。
4.根据权利要求3所述的一种螃蟹脱壳的红外监测方法，其特征在于：所述步骤21中的单只螃蟹样本图像包括非脱壳期螃蟹样本图像和脱壳过程螃蟹样本图像。
5.根据权利要求3所述的一种螃蟹脱壳的红外监测方法，其特征在于：所述步骤21中的两只螃蟹样本图像包括两只横向并排螃蟹样本图像、两只纵向并排螃蟹样本图像以及两只侧向排列螃蟹样本图像。
6.根据权利要求3所述的一种螃蟹脱壳的红外监测方法，其特征在于：所述步骤22中将所述的单只螃蟹样本图像和两只螃蟹样本图像输入卷积神经网络系统进行分类模型的训练之前，先对所述的单只螃蟹样本图像或两只螃蟹图像进行轮廓提取得到轮廓图，并将轮廓图进行归一化处理后再输入卷积神经网络系统进行分类模型的训练。
7.根据权利要求6所述的一种螃蟹脱壳的红外监测方法，其特征在于：所述步骤23中将所述的监测图像输入所述的分类模型中进行类型判断之前，先对所述的监测图像进行轮廓提取得到监测轮廓图，并将监测轮廓图进行归一化处理后再输入卷积神经网络系统进行分类模型的训练。
8.根据权利要求1所述的一种螃蟹脱壳的红外监测方法，其特征在于：所述的步骤40中进行螃蟹脱壳结束的提醒，主要是通过在远程监控终端通过文字提醒或者声音提醒或者光信号提醒。
9.一种螃蟹脱壳的红外监测装置，其特征在于，其包括：
时钟模块，用于设置摄像的时间间隔；
红外探头，用于在预设的时间间隔对螃蟹进行红外摄像得到监测图像；
卷积神经网络模块，用于将所述的监测图像输入卷积神经网络系统的分类模型中进行类型判断，若判断结果为脱壳结束图像类型，则表示该螃蟹已经脱壳结束；
提醒模块，用于进行螃蟹脱壳结束的提醒。
10.根据权利要求9所述的一种螃蟹脱壳的红外监测装置，其特征在于：所述的红外探头设置在螃蟹养殖区的上方位置。
CN201510026520.4A 2015-01-20 2015-01-20 一种螃蟹脱壳的红外监测方法和装置 Pending CN104517128A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510026520.4A CN104517128A (zh) 2015-01-20 2015-01-20 一种螃蟹脱壳的红外监测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510026520.4A CN104517128A (zh) 2015-01-20 2015-01-20 一种螃蟹脱壳的红外监测方法和装置

Publications (1)

Publication Number Publication Date
CN104517128A true CN104517128A (zh) 2015-04-15

Family

ID=52792394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510026520.4A Pending CN104517128A (zh) 2015-01-20 2015-01-20 一种螃蟹脱壳的红外监测方法和装置

Country Status (1)

Country Link
CN (1) CN104517128A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101980250A (zh) * 2010-10-15 2011-02-23 北京航空航天大学 基于降维局部特征描述子和隐条件随机场的目标识别方法
CN103605330A (zh) * 2013-10-23 2014-02-26 浙江海洋学院 一种近海养殖远程监控系统及其监控方法
CN103902987A (zh) * 2014-04-17 2014-07-02 福州大学 一种基于卷积网络的台标识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101980250A (zh) * 2010-10-15 2011-02-23 北京航空航天大学 基于降维局部特征描述子和隐条件随机场的目标识别方法
CN103605330A (zh) * 2013-10-23 2014-02-26 浙江海洋学院 一种近海养殖远程监控系统及其监控方法
CN103902987A (zh) * 2014-04-17 2014-07-02 福州大学 一种基于卷积网络的台标识别方法

Similar Documents

Publication Publication Date Title
Ropert-Coudert et al. A fine-scale time budget of Cape gannets provides insights into the foraging strategies of coastal seabirds
Narazaki et al. Loggerhead turtles (Caretta caretta) use vision to forage on gelatinous prey in mid-water
Chen et al. Detection of aggressive behaviours in pigs using a RealSence depth sensor
Stien et al. A video analysis procedure for assessing vertical fish distribution in aquaculture tanks
Overvest et al. Social housing influences the behavior and feed intake of dairy calves during weaning
Guzhva et al. Feasibility study for the implementation of an automatic system for the detection of social interactions in the waiting area of automatic milking stations by using a video surveillance system
Déaux et al. Dingo (Canis lupus dingo) acoustic repertoire: form and contexts
TW202107392A (zh) 智慧養殖系統與方法
CN109872800A (zh) 一种饮食陪伴系统和饮食陪伴方法
CN104777802A (zh) 一种软壳蟹集约化养殖监控系统
CN111046808A (zh) 采用残差卷积神经网络和长短期记忆分类群养猪饮水和玩耍饮水器的分析方法
CN110414401A (zh) 一种基于pynq的智能监控系统及监控方法
Sorgeloos Aquaculture: the blue biotechnology of the future
Murray et al. Contemporary eco-food films: The documentary tradition
CN104517128A (zh) 一种螃蟹脱壳的红外监测方法和装置
CN104539912A (zh) 一种螃蟹脱壳的智能监测方法和装置
Zheng et al. Marinegpt: Unlocking secrets of ocean to the public
Schoder et al. Transmission Scenarios of Listeria monocytogenes on Small Ruminant On-Farm Dairies
Green Age-related differences in nursing behavior among American bison cows (Bison bison)
Reese et al. Spatial and temporal distribution and the potential for estuarine interactions between wild and hatchery chum salmon (Oncorhynchus keta) in Taku Inlet, Alaska
Rudd et al. Basking shark sub-surface behaviour revealed by animal-towed cameras
Zion et al. Ranching acoustically conditioned fish using an automatic fishing machine
Kohles et al. Rapid behavioral changes during early development in Peters’ tent-making bat (Uroderma bilobatum)
Kong et al. Detection of golden crucian carp based on YOLOV5
Hu et al. A Detection Systems For Molting Scylla Paramamosain Based On YOLO v4

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20150415

RJ01 Rejection of invention patent application after publication