CN108967246A - 虾苗定位方法 - Google Patents
虾苗定位方法 Download PDFInfo
- Publication number
- CN108967246A CN108967246A CN201811148649.2A CN201811148649A CN108967246A CN 108967246 A CN108967246 A CN 108967246A CN 201811148649 A CN201811148649 A CN 201811148649A CN 108967246 A CN108967246 A CN 108967246A
- Authority
- CN
- China
- Prior art keywords
- shrimp seedling
- shrimp
- seedling
- image
- skeleton
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000004807 localization Effects 0.000 title claims abstract description 17
- 241000143060 Americamysis bahia Species 0.000 title abstract description 12
- 241000238557 Decapoda Species 0.000 claims abstract description 144
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000033001 locomotion Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 210000000988 bone and bone Anatomy 0.000 claims 1
- 239000012535 impurity Substances 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Biophysics (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种虾苗定位方法，对接收到的虾苗数字图像进行预处理，提取出虾苗轮廓；对提取出的虾苗轮廓作最小外接矩形，以最小外接矩形的长轴方向和中心位置为基准，构建虾苗识别矩形；对虾苗数字图像中的全部虾苗识别矩形内的图像，利用预建的虾苗识别模型进行虾苗识别，并且对识别出的虾苗进行方向识别；对识别出的虾苗进行骨架提取，获得虾苗躯干，虾苗躯干与水平线的夹角即为虾苗的方向；判断虾苗骨架是否存在有效角点，如果存在，则进行角点检测，如果不存在有效角点，则根据虾苗识别模型寻找最佳匹配的虾苗图像；将虾苗完整骨架旋转并将其角点放于待定位虾苗骨架的前端点位置后进行角点检测，进而得到虾苗的精准位置。
Description
技术领域
本发明属于水产养殖技术领域，特别涉及一种虾苗定位方法。
背景技术
虾类行为是指虾类对水环境的盐度、pH值、温度、溶解氧含量等外部环境和生理状态等内部环境改变时的外在反应，开展虾类行为量化研究对促进养殖方式改进和养殖技术提升具有积极作用。在虾类行为量化研究过程中能否有效进行虾类定位并对其进行跟踪是决定虾类行为研究成败的关键因子，而虾苗因体型较小、身体透光性强等特点又是虾检测和定位中的难点。
目前运动虾类识别及虾的行为研究大多采用的是人工观测法，然而由于人工观测易受外界影响，具有主观性，使得观测的标准难以统一，且其结果很难量化。机器视觉技术因拥有非接触、高精度、可量化等特点目前已广泛用在动植物的自动识别领域。使用机器视觉进行虾的行为分析，首先需准确地检测出虾的具体位置，虾的定位好坏直接影响到后续的跟踪及行为分析的结果，因此虾的定位研究显得极为重要。
由于虾苗体型较小、自身透光性强、应激反应剧烈等特征造成了虾苗图像的失真，致使特征点丢失，这些特点决定了一般的方法并不适合虾苗的定位研究，至今也未有虾类定位技术的相关报道。
发明内容
本发明提供一种虾苗定位方法，目的是解决对于虾苗运动的机器视觉研究中，难以对虾苗准确定位的问题。
本发明实施例之一，一种虾苗定位方法，该方法包括以下步骤：
S101,对接收到的虾苗数字图像进行预处理，提取出虾苗轮廓；
S102，对提取出的虾苗轮廓作最小外接矩形，以最小外接矩形的长轴方向和中心位置为基准，构建虾苗识别矩形；
S103，对虾苗数字图像中的全部虾苗识别矩形内的图像，利用预建的虾苗识别模型进行虾苗识别，并且对识别出的虾苗进行方向识别；
S104，对识别出的虾苗进行骨架提取，获得虾苗躯干，虾苗躯干与水平线的夹角即为虾苗的方向；
S105，判断虾苗骨架是否存在有效角点，如果存在，则进行角点检测。角点是指两条以上的边缘的交点，角点指示了图像在二维空间内灰度变化剧烈的位置，是和周围的邻点有着明显差异的像素点。
如果不存在有效角点，则根据虾苗识别模型寻找最佳匹配的虾苗图像。使用LS-SVM模型识别出待定位虾苗的基础方向，即虾苗头部的方向，并可得到其骨架的前端点。提取最佳匹配虾苗的骨架，然后将其角点放在待定位虾苗不完整骨架的前端点位置，以前端点为中心，旋转完整骨架使其躯干与待定位虾苗骨架躯干重合，且头部方向一致。最后对旋转后的完整骨架进行角点检测，角点位置即为虾苗此时的精准位置。
本发明的运动虾苗定位方法，可以迅速有效地对不同大小、不同运动状态的虾苗进行定位，为下一步的虾类行为量化研究打下坚实的基础。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1本发明实施例中为使用背景差分法去除虾苗图像背景后的待识别虾苗图像。
图2本发明实施例中为使用中值滤波及拉普拉斯锐化后的待识别虾苗图像。
图3本发明实施例中为进行阈值分割及形态学处理后的待识别虾苗图像。
图4本发明实施例中为去除小面积轮廓后的虾苗轮廓提取图像。
图5本发明实施例中为构建标准矩形框后的待识别虾苗图像。
图6本发明实施例中为虾苗最终定位结果图。
图7根据本发明实施的运动虾苗定位方法的流程图。
具体实施方式
PCA(principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据压缩算法。在PCA中，数据从原来的坐标系转换到新的坐标系，由数据本身决定。转换坐标系时，以方差最大的方向作为坐标轴方向，因为数据的最大方差给出了数据的最重要的信息。第一个新坐标轴选择的是原始数据中方差最大的方法，第二个新坐标轴选择的是与第一个新坐标轴正交且方差次大的方向。重复该过程，重复次数为原始数据的特征维数。
SVM(Support Vector Machine)指的是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。LS-SVM就是最小二乘支持向量机,，是SVM(支持向量机)的一种。
根据一个或者多个实施例，如图7所示，一种基于改进PCA+LS-SVM和骨架修复的运动虾苗定位方法。该方法包括以下步骤:
(1)构建LS-SVM算法识别训练集(300张图像)进行训练。主要步骤包括：
①截取100×100像素的虾苗图像200张(其中静止虾苗图像80张，运动虾苗图像120张)、非虾苗图像100张构建训练集；
②使用改进的PCA方法对训练集图片进行特征提取、数据降维，并分析主成分，最终确定主成分数为18，累计贡献率为99.93％；
③使用LS-SVM算法进行训练，得到SVM算法识别模型，既可以对虾苗进行识别还可以对虾苗的基本方向(虾头向上还是向下)进行识别。
(2)对待识别图像进行预处理。
①首先使用背景差分法去除虾苗图像背景得到图1；
②对图1进行中值滤波，再对其进行拉普拉斯锐化，得到图2；
③再对图2进行阈值分割，为了减少连通区域，排除图像中由于虾苗本身透光性造成的过分割现象，并使后面的图像处理获得好的效果，需要对图像进行形态学处理，即分别从横向和纵向方向进行闭运算和膨胀操作。得到图3；
④对图3进行轮廓提取，因为图3存在一些由粪便和残饵等造成的噪声点，为去除这些小的噪声点，统计各个轮廓的面积大小，并且利用先验知识，可以预先估计虾苗区域的面积，对于和目标面积相差甚远的小面积区域可以将其去除，从而得到图4。
(3)在图1中构建图4中所有轮廓的最小外接矩形，以最小外接矩形长轴方向和中心位置为为基础在需要识别的原图中构建标准矩形，结果如图5所示，并以形心为中心在标准矩形外部填充白色像素点构造尺寸为100×100矩形识别区域。最后分别截取这个识别区域待进行识别；
(4)遍历所有的矩形识别区域，利用LS-SVM算法进行虾苗识别及基本方向识别。其中，以水平线为基准，虾头位于水平线以上判定虾苗基本方向为上，反之则为下；
(5)然后对识别为虾苗的图像进行骨架提取，并用最小二乘法进行直线拟合，其中最长的直线即为虾苗躯干，虾苗躯干与水平线的夹角即为虾苗此时具体的方向；
(6)接着判断骨架是否存在有效角点，存在时，使用改进的Harris算法进行角点检测。否则使用LS-SVM模型在训练集中寻找最佳匹配的完整虾苗图像，识别出待定位虾苗的基础方向，即虾苗头部的方向，并可得到其骨架的前端点。提取最佳匹配虾苗的骨架，然后将其角点放在待定位虾苗不完整骨架的前端点位置，以前端点为中心，旋转完整骨架使其躯干与待定位虾苗骨架躯干重合，且头部方向一致。最后对旋转后的完整骨架进行角点检测，角点位置即为虾苗此时的精准位置。虾苗的最终定位结果如图6所示。
本发明的实施例，基于改进PCA+LS-SVM和骨架修复的运动虾苗定位方法可以成功对不同大小和不同运动状态的运动虾苗进行定位，无需人工干预，可以为虾苗下一步的行为研究提供技术支持。
值得说明的是，虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (7)
1.一种虾苗定位方法，其特征在于，该方法包括以下步骤：
S101,对接收到的虾苗数字图像进行预处理，提取出虾苗轮廓；
S102，对提取出的虾苗轮廓作最小外接矩形，以最小外接矩形的长轴方向和中心位置为基准，构建虾苗识别矩形；
S103，对虾苗数字图像中的全部虾苗识别矩形内的图像，利用预建的虾苗识别模型进行虾苗识别，并且对识别出的虾苗进行方向识别；
S104，对识别出的虾苗进行骨架提取，获得虾苗躯干，虾苗躯干与水平线的夹角即为虾苗的方向；
S105，判断虾苗骨架是否存在有效角点，如果存在，则进行角点检测，
如果不存在有效角点，则根据虾苗识别模型寻找最佳匹配的虾苗图像，将虾苗完整骨架旋转并将其角点放于待定位虾苗骨架的前端点位置后进行角点检测，进而得到虾苗的精准位置。
2.根据权利要求1所述的虾苗定位方法，其特征在于，S101中的图像预处理包括：
S201，首先使用背景差分法去除虾苗数字图像背景；
S202，接着对虾苗图像进行中值滤波和拉普拉斯锐化；
S203，再对虾苗图像进行阈值分割，分别从横向和纵向方向进行闭运算和膨胀操作；
S204,消除杂质引起的虾苗图像中的噪声点，对虾苗进行轮廓提取。
3.根据权利要求1所述的虾苗定位方法，其特征在于，在步骤S102中，构建虾苗识别矩形的过程进一步包括；以最小外接矩形长轴方向和中心位置为为基础构建标准矩形，并以形心为中心在标准矩形外部填充白色像素点构造尺寸为100×100的虾苗识别矩形区域。
4.根据权利要求3所述的虾苗定位方法，其特征在于，在步骤S103，对识别出的虾苗进行方向识别的方法是：以水平线为基准，虾头位于水平线以上判定虾苗的基本方向为上，反之则为下。
5.根据权利要求4所述的虾苗定位方法，其特征在于，在步骤S104，对识别出的虾苗进行骨架提取，并用最小二乘法进行骨架的直线拟合，其中最长的直线即为虾苗躯干，虾苗躯干与水平线的夹角即为虾苗的具体方向。
6.根据权利要求5所述的虾苗定位方法，其特征在于，步骤S105，判断虾苗骨架是否存在有效角点，如果存在，则使用改进的Harris算法进行角点检测。
7.根据权利要求6所述的虾苗定位方法，其特征在于，步骤S103中，虾苗识别模型建立方法包括：
截取100×100像素的虾苗图像若干张、非虾苗图像若干张构成训练集,其中虾苗图像中包含不同大小、不同运动状态的虾苗；
使用改进的PCA方法进行特征提取，数据降维；
使用LS-SVM算法进行训练，确定LS-SVM虾苗识别模型，既可以对虾苗进行识别还可以对虾苗的基本方向进行识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811148649.2A CN108967246B (zh) | 2018-09-29 | 2018-09-29 | 虾苗定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811148649.2A CN108967246B (zh) | 2018-09-29 | 2018-09-29 | 虾苗定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108967246A true CN108967246A (zh) | 2018-12-11 |
| CN108967246B CN108967246B (zh) | 2020-08-11 |
Family
ID=64543151
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811148649.2A Active CN108967246B (zh) | 2018-09-29 | 2018-09-29 | 虾苗定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108967246B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112674014A (zh) * | 2020-12-18 | 2021-04-20 | 浙江大学 | 一种南美白对虾个体标记识别方法、装置、计算机设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103810718A (zh) * | 2012-11-15 | 2014-05-21 | 浙江大华技术股份有限公司 | 一种剧烈运动目标检测方法和装置 |
| CN105389586A (zh) * | 2015-10-20 | 2016-03-09 | 浙江大学 | 一种基于计算机视觉自动检测虾体完整性的方法 |
-
2018
- 2018-09-29 CN CN201811148649.2A patent/CN108967246B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103810718A (zh) * | 2012-11-15 | 2014-05-21 | 浙江大华技术股份有限公司 | 一种剧烈运动目标检测方法和装置 |
| CN105389586A (zh) * | 2015-10-20 | 2016-03-09 | 浙江大学 | 一种基于计算机视觉自动检测虾体完整性的方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112674014A (zh) * | 2020-12-18 | 2021-04-20 | 浙江大学 | 一种南美白对虾个体标记识别方法、装置、计算机设备及存储介质 |
| CN112674014B (zh) * | 2020-12-18 | 2021-12-21 | 浙江大学 | 一种南美白对虾个体标记识别方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108967246B (zh) | 2020-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
| CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
| Lippi et al. | A yolo-based pest detection system for precision agriculture | |
| Qing et al. | Automated counting of rice planthoppers in paddy fields based on image processing | |
| CN105389586B (zh) | 一种基于计算机视觉自动检测虾体完整性的方法 | |
| CN105989601B (zh) | 基于机器视觉的农业agv玉米行间导航基准线提取方法 | |
| Zhou et al. | An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images | |
| CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
| CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
| CN108133471B (zh) | 一种基于人工蜂群算法的机器人导航路径提取方法及装置 | |
| CN110309808A (zh) | 一种大范围尺度空间下的自适应烟雾根节点检测方法 | |
| CN111161295A (zh) | 一种菜品图像背景剥离方法 | |
| Sanaeifar et al. | Advancing precision agriculture: The potential of deep learning for cereal plant head detection | |
| CN105913425A (zh) | 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法 | |
| CN113536958A (zh) | 导航路径提取方法、装置、农业机器人和存储介质 | |
| CN116977960A (zh) | 一种基于实例分割的水稻秧苗行检测方法 | |
| CN112016391B (zh) | 基于高分辨率卫星遥感影像的鱼塘识别方法、系统及介质 | |
| CN108967246A (zh) | 虾苗定位方法 | |
| CN110276759A (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
| CN112257730A (zh) | 植物害虫图像识别方法、装置、设备及存储介质 | |
| CN109657540A (zh) | 枯死树定位方法及系统 | |
| CN108664979A (zh) | 基于图像识别的玉米叶部病虫害检测模型的构建方法及应用 | |
| Cai et al. | Novel image segmentation based on machine learning and its application to plant analysis | |
| CN110135481B (zh) | 一种农作物病变检测方法以及检测装置 | |
| Tian et al. | Point-cut: Fixation point-based image segmentation using random walk model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Shijing Inventor after: Wang Shuai Inventor after: Tang Rong Inventor before: Wang Shuai Inventor before: Liu Shijing Inventor before: Tang Rong |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |