CN109272546A - 一种鱼苗长度测量方法及系统 - Google Patents
一种鱼苗长度测量方法及系统 Download PDFInfo
- Publication number
- CN109272546A CN109272546A CN201811076314.4A CN201811076314A CN109272546A CN 109272546 A CN109272546 A CN 109272546A CN 201811076314 A CN201811076314 A CN 201811076314A CN 109272546 A CN109272546 A CN 109272546A
- Authority
- CN
- China
- Prior art keywords
- fry
- coordinate
- length
- left view
- tail portion
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种鱼苗长度测量方法及系统,该方法包括:通过双目视觉方法获取若干个鱼苗的长度,将所述若干个鱼苗照片作为训练样本集,将每一鱼苗样本的长度作为所述训练样本集的标签,所述训练样本集中包括若干个鱼苗的长度和所述若干个鱼苗的图像;将待测鱼苗图像作为测试样本集,通过训练后的神经网络模型,获取测试样本集中每一鱼苗的长度,所述训练后的神经网络模型通过迁移学习的深度网络模型所得。本发明实施例提供的一种鱼苗测量方法及系统,通过机器学习的方法获得待测鱼苗的长度,可以实现在鱼苗不离开水的情况下测量得到鱼苗的长度信息,减少对鱼苗的伤害。
Description
技术领域
本发明实施例涉及农业养殖技术领域,尤其涉及一种鱼苗长度测量方法及系统。
背景技术
随着互联网技术的日益快速发展,我国的渔业发展模式开始由原来的传统农业向现代化的精准渔业进行转变。对于养殖业也是如此。在鱼苗售卖过程中,需要根据其不同的长度对其进行分类,所以首先就需要获取鱼苗的相对精确度较高的长度信息。
传统方法中,都是将鱼苗放置于空气当中,然后用直尺等工具去测量鱼苗的尺寸,这种方法的弊端就是由于鱼苗较差的抵抗力导致鱼苗受到感染,从而影响鱼苗的寿命。
发明内容
本发明实施例提供一种鱼苗长度测量方法及系统,用以解决现有技术中只能将鱼苗放置于空气中进行测量,导致鱼苗受到感染的问题。
第一方面,本发明实施例提供一种鱼苗长度测量方法,包括:
通过双目视觉方法获取若干个鱼苗的长度,将所述若干个鱼苗照片作为训练样本集,将每一鱼苗样本的长度作为所述训练样本集的标签,所述训练样本集中包括若干个鱼苗的长度和所述若干个鱼苗的图像;
将待测鱼苗图像作为测试样本集,通过训练后的神经网络模型,获取测试样本集中每一鱼苗的长度,所述训练后的神经网络模型通过迁移学习的深度网络模型所得。
第二方面,本发明实施例提供一种鱼苗长度测量系统,包括:
训练模块,用于通过双目视觉方法获取若干个鱼苗的长度,将所述若干个鱼苗照片作为训练样本集,将每一鱼苗样本的长度作为所述训练样本集的标签,所述训练样本集中包括若干个鱼苗的长度和所述若干个鱼苗的图像;
测试模块,用于将待测鱼苗图像作为测试样本集,通过训练后的神经网络模型,获取测试样本集中每一鱼苗的长度,所述训练后的神经网络模型通过迁移学习的深度网络模型所得。
第三方面,本发明实施例提供一种电子设备,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于该测试设备与显示系统的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行第一方面提供的一种鱼苗长度测量方法。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面提供的一种鱼苗长度测量方法。
本发明实施例提供的一种鱼苗测量方法及系统,通过机器学习的方法获得待测鱼苗的长度,可以实现在鱼苗不离开水的情况下测量得到鱼苗的长度信息,减少对鱼苗的伤害。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种鱼苗长度测量方法的流程图;
图2为本发明实施例提供一种鱼苗长度测量系统的结构示意图;
图3示例了一种服务器的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一种鱼苗长度测量方法的流程图,如图1所示,该方法包括:
S1,通过双目视觉方法获取若干个鱼苗的长度,将所述若干个鱼苗照片作为训练样本集,将每一鱼苗样本的长度作为所述训练样本集的标签,所述训练样本集中包括若干个鱼苗的长度和所述若干个鱼苗的图像;
S2,将待测鱼苗图像作为测试样本集,通过训练后的神经网络模型,获取测试样本集中每一鱼苗的长度,所述训练后的神经网络模型通过迁移学习的深度网络模型所得。
在对鱼苗的长度进行测量时,首先将一些已知长度的鱼苗图像作为训练样本集,利用训练样本集中的样本对神经网络模型进行训练,得到训练后的神经网络模型。
将待测鱼苗的图像作为训练好的神经网络模型的输入,得到图像中待测鱼苗的长度。
本发明实施例通过机器学习算法实现对鱼苗长度的测量,可以保证在鱼苗不离开水的情况下,测量得到鱼苗的长度,减轻了在测量长度时对鱼苗造成的感染,减少了对鱼苗的伤害,并且通过机器学习算法对鱼苗实现长度的测量,测量效率较高。
在上述实施例的基础上,优选地,所述若干个鱼苗的长度通过如下方法获得:
对于任一鱼苗,获取所述任一鱼苗的左视差图像和所述任一鱼苗的右视差图像;
根据所述任一鱼苗的左视差图像和左视差参考图像集中每一左视差参考图像,获取所述左视差图像中所述任一鱼苗的头部坐标和尾部坐标;
根据所述任一鱼苗的右视差图像和右视差参考图像集中每一右视差参考图像,获取所述右视差图像中所述任一鱼苗的头部坐标和尾部坐标;
根据所述左视差图像中所述任一鱼苗的头部坐标和所述右视差图像中所述任一鱼苗的头部坐标,获取所述任一鱼苗在世界坐标系中的头部世界坐标;
根据所述左视差图像中所述任一鱼苗的尾部坐标和所述右视差图像中所述任一鱼苗的尾部坐标,获取所述任一鱼苗在世界坐标系中的尾部世界坐标;
根据所述任一鱼苗在世界坐标系中的头部世界坐标和尾部世界坐标,获取所述任一鱼苗的长度。
在训练神经网络模型时,需要知道一些鱼苗的长度,那么,这些鱼苗的长度时如何得到的呢?为了能让鱼苗在不离开水的情况下,也能测量出鱼苗的长度,本发明实施例中使用如下方法对测试样本集中的鱼苗长度进行测量:
通过双目视觉系统对鱼苗的长度进行测量。
以测试一个鱼缸中的鱼苗长度为例进行说明,在鱼缸的左右两边分别安装一个摄像机,称之为左摄像机和右摄像机,左摄像机用于获取左视差图,右摄像机用于获取右视差图。
为了便于描述,以测量一个鱼苗长度为例进行说明。
对于该鱼苗,通过左摄像机拍摄,得到该鱼苗的左视差图像,将该鱼苗的左视差图像和左视差图像集中每个左视差参考图像进行比对,得到该鱼苗在左视差图像中的头部坐标和尾部坐标。
同理,通过右摄像机拍摄,得到该鱼苗的右视差图像,将该鱼苗的右视差图像和右视差图像集中每个右视差参考图像进行比对,得到该鱼苗在右视差图像中的头部坐标和尾部坐标。
然后根据该鱼苗在左视差图像中的头部坐标和在右视差图像中的头部坐标,得到该鱼苗在世界坐标系中的头部世界坐标,同理,根据该鱼苗在左视差图像中的尾部坐标和在右视差图像中的尾部坐标,得到该鱼苗在世界坐标系中的尾部世界坐标。
最后,根据该鱼苗的头部世界坐标和该鱼苗的尾部世界坐标,得到该鱼苗的长度。
需要说明的是,左视差参考图像集中每个左视差参考图像的坐标是根据标定板得到的,标定板的长度与鱼缸表面的长宽大小相同,用Hough变换检测并提取标定板上每一个圆的圆心坐标,最后对其圆心求平均得到终极的圆心坐标。从而实现对摄像机以及鱼缸的标定。
在上述实施例的基础上,优选地,所述根据所述任一鱼苗的左视差图像和左视差参考图像集中每一左视差参考图像,获取所述左视差图像中所述任一鱼苗的头部坐标和尾部坐标,具体包括:
获取所述任一鱼苗的左视差图像的Fast角点特征;
通过归一化互相关立体匹配算法,将所述任一鱼苗的左视差图像的Fast角点特征和所述左视差参考图像集中每一左视差参考图像的Fast角点特征进行匹配,获取所述左视差图像中所述任一鱼苗的头部坐标和尾部坐标。
在左摄像机和右摄像机的角度、位置确定好以后,在相同位置采集鱼苗图像,将获得的鱼苗图像进行灰度以及二值化处理,然后对二值化图像利用fast角点特征算法进行角点提取,然后用归一化互相关立体匹配算法进行匹配。
具体地,是将该鱼苗左视差图像的Fast角点特征与左视差参考图像集中每个鱼苗的Fast角点特征进行匹配,并通过归一化互相关立体匹配算法,获取左视差图像中该鱼苗的头部坐标和尾部坐标。
需要说明的是,归一化互相关立体匹配算法具有精度高、鲁棒性强等特点,通过计算参考图像与待匹配图像的互相关值确定匹配的程度,互相关值最大时的位置确定了参考图像在待匹配图像中的位置。基于统计学习计算两组样本数据相关性的算法,其取值都在-1和1之间,而对图像来说,每个像素点都可以看作是RGB数值,这样整幅图像就可以看成是一个样本数据的集合。如果它有一个子集与另外一个样本数据相互匹配,则它的NCC值为1,表示两者的相关性很高,如果是-1,表示两者完全不相关,基于这个原理实现图像基于模板匹配识别的算法。
在上述实施例的基础上,优选地,所述根据所述左视差图像中所述任一鱼苗的头部坐标和所述右视差图像中所述任一鱼苗的头部坐标,获取所述任一鱼苗在世界坐标系中的头部世界坐标,具体通过如下公式获得:
其中,(x1,y1,z1)表示所述任一鱼苗在世界坐标系中的头部世界坐标,(xhl,yhl,zhl)表示所述左视差图像中所述任一鱼苗的头部坐标,(xhr,yhr,zhr)表示所述右视差图像中所述任一鱼苗的头部坐标,D表示左摄像机和右摄像机投影中心的距离,所述左视差图像通过所述左摄像机拍摄获得,所述右视差图像通过所述右摄像机拍摄获得。
具体地,根据上述公式获得该鱼苗的头部世界坐标。
在上述实施例的基础上,优选地,所述根据所述左视差图像中所述任一鱼苗的尾部坐标和所述右视差图像中所述任一鱼苗的尾部坐标,获取所述任一鱼苗在世界坐标系中的尾部世界坐标,具体通过如下公式获得:
其中,(x2,y2,z2)表示所述任一鱼苗在世界坐标系中的尾部世界坐标,(xtl,ytl,ztl)表示所述左视差图像中所述任一鱼苗的尾部坐标,(xtr,ytr,ztr)表示所述右视差图像中所述任一鱼苗的尾部坐标。
具体地,根据上述公式获取该鱼苗的尾部世界坐标。
在上述实施例的基础上,优选地,根据所述任一鱼苗在世界坐标系中的头部世界坐标和尾部世界坐标,获取所述任一鱼苗的长度,具体通过如下公式获得:
其中,(x1,y1,z1)表示所述任一鱼苗在世界坐标系中的头部世界坐标,(x2,y2,z2)表示所述任一鱼苗在世界坐标系中的尾部世界坐标。
本发明实施例提供的一种鱼苗测量方法,在需要大批量的测量鱼苗长度时,通过机器学习的方法可以高效率地待测出鱼苗的长度,在建立机器学习模型之间,通过双目视觉方法测量出少量鱼苗的长度,并将该鱼苗的长度作为训练样本,以上方案的鱼苗长度测量过程中,均可以实现在鱼苗不离开水的情况下测量得到鱼苗的长度信息,减少对鱼苗的伤害。
图2为本发明实施例提供一种鱼苗长度测量系统的结构示意图,如图2所示,该系统包括:训练模块201和测试模块202,其中:
训练模块201用于通过双目视觉方法获取若干个鱼苗的长度,将所述若干个鱼苗照片作为训练样本集,将每一鱼苗样本的长度作为所述训练样本集的标签,所述训练样本集中包括若干个鱼苗的长度和所述若干个鱼苗的图像;
测试模块202用于将待测鱼苗图像作为测试样本集,通过训练后的神经网络模型,获取测试样本集中每一鱼苗的长度,所述训练后的神经网络模型通过迁移学习的深度网络模型所得。
在对鱼苗的长度进行测量时,需要获得少量的已知长度的鱼苗图像,将这些已知长度的鱼苗图像作为训练样本集,利用训练样本集中的样本对神经网络模型进行训练,得到训练后的神经网络模型。
测量模块将待测鱼苗的图像作为训练好的神经网络模型的输入,得到图像中待测鱼苗的长度。
本系统实施例的具体执行过程与上述方法实施例的具体执行过程相同,详情请参考上述方法实施例,本系统实施例在此不再赘述。
图3示例了一种服务器的实体结构示意图,如图3所示,该服务器可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和总线340,其中,处理器310,通信接口320,存储器330通过总线340完成相互间的通信。通信接口340可以用于服务器与鱼苗测量系统之间的信息传输。处理器310可以调用存储器330中的逻辑指令,以执行如下方法:
S1,通过双目视觉方法获取若干个鱼苗的长度,将所述若干个鱼苗照片作为训练样本集,将每一鱼苗样本的长度作为所述训练样本集的标签,所述训练样本集中包括若干个鱼苗的长度和所述若干个鱼苗的图像;
S2,将待测鱼苗图像作为测试样本集,通过训练后的神经网络模型,获取测试样本集中每一鱼苗的长度,所述训练后的神经网络模型通过迁移学习的深度网络模型所得。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:
S1,通过双目视觉方法获取若干个鱼苗的长度,将所述若干个鱼苗照片作为训练样本集,将每一鱼苗样本的长度作为所述训练样本集的标签,所述训练样本集中包括若干个鱼苗的长度和所述若干个鱼苗的图像;
S2,将待测鱼苗图像作为测试样本集,通过训练后的神经网络模型,获取测试样本集中每一鱼苗的长度,所述训练后的神经网络模型通过迁移学习的深度网络模型所得。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种鱼苗长度测量方法,其特征在于,包括:
通过双目视觉方法获取若干个鱼苗的长度,将所述若干个鱼苗照片作为训练样本集,将每一鱼苗样本的长度作为所述训练样本集的标签,所述训练样本集中包括若干个鱼苗的长度和所述若干个鱼苗的图像;
将待测鱼苗图像作为测试样本集,通过训练后的神经网络模型,获取测试样本集中每一鱼苗的长度,所述训练后的神经网络模型通过迁移学习的深度网络模型所得。
2.根据权利要求1所述方法,其特征在于,所述若干个鱼苗的长度通过如下方法获得:
对于任一鱼苗,获取所述任一鱼苗的左视差图像和所述任一鱼苗的右视差图像;
根据所述任一鱼苗的左视差图像和左视差参考图像集中每一左视差参考图像,获取所述左视差图像中所述任一鱼苗的头部坐标和尾部坐标;
根据所述任一鱼苗的右视差图像和右视差参考图像集中每一右视差参考图像,获取所述右视差图像中所述任一鱼苗的头部坐标和尾部坐标;
根据所述左视差图像中所述任一鱼苗的头部坐标和所述右视差图像中所述任一鱼苗的头部坐标,获取所述任一鱼苗在世界坐标系中的头部世界坐标;
根据所述左视差图像中所述任一鱼苗的尾部坐标和所述右视差图像中所述任一鱼苗的尾部坐标,获取所述任一鱼苗在世界坐标系中的尾部世界坐标;
根据所述任一鱼苗在世界坐标系中的头部世界坐标和尾部世界坐标,获取所述任一鱼苗的长度。
3.根据权利要求2所述方法,其特征在于,所述根据所述任一鱼苗的左视差图像和左视差参考图像集中每一左视差参考图像,获取所述左视差图像中所述任一鱼苗的头部坐标和尾部坐标,具体包括:
获取所述任一鱼苗的左视差图像的Fast角点特征;
通过归一化互相关立体匹配算法,将所述任一鱼苗的左视差图像的Fast角点特征和所述左视差参考图像集中每一左视差参考图像的Fast角点特征进行匹配,获取所述左视差图像中所述任一鱼苗的头部坐标和尾部坐标。
4.根据权利要求2所述方法,其特征在于,所述根据所述任一鱼苗的右视差图像和右视差参考图像集中每一右视差参考图像,获取所述右视差图像中所述任一鱼苗的头部坐标和尾部坐标,具体包括:
获取所述任一鱼苗的右视差图像的Fast角点特征;
通过归一化互相关立体匹配算法,将所述任一鱼苗的右视差图像的Fast角点特征和所述右视差参考图像集中每一右视差参考图像的Fast角点特征进行匹配,获取所述右视差图像中所述任一鱼苗的头部坐标和尾部坐标。
5.根据权利要求2所述方法,其特征在于,所述根据所述左视差图像中所述任一鱼苗的头部坐标和所述右视差图像中所述任一鱼苗的头部坐标,获取所述任一鱼苗在世界坐标系中的头部世界坐标,具体通过如下公式获得:
其中,(x1,y1,z1)表示所述任一鱼苗在世界坐标系中的头部世界坐标,(xhl,yhl,zhl)表示所述左视差图像中所述任一鱼苗的头部坐标,(xhr,yhr,zhr)表示所述右视差图像中所述任一鱼苗的头部坐标,D表示左摄像机和右摄像机投影中心的距离,所述左视差图像通过所述左摄像机拍摄获得,所述右视差图像通过所述右摄像机拍摄获得。
6.根据权利要求5所述方法,其特征在于,所述根据所述左视差图像中所述任一鱼苗的尾部坐标和所述右视差图像中所述任一鱼苗的尾部坐标,获取所述任一鱼苗在世界坐标系中的尾部世界坐标,具体通过如下公式获得:
其中,(x2,y2,z2)表示所述任一鱼苗在世界坐标系中的尾部世界坐标,(xtl,ytl,ztl)表示所述左视差图像中所述任一鱼苗的尾部坐标,(xtr,ytr,ztr)表示所述右视差图像中所述任一鱼苗的尾部坐标。
7.根据权利要求2所述方法,其特征在于,根据所述任一鱼苗在世界坐标系中的头部世界坐标和尾部世界坐标,获取所述任一鱼苗的长度,具体通过如下公式获得:
其中,(x1,y1,z1)表示所述任一鱼苗在世界坐标系中的头部世界坐标,(x2,y2,z2)表示所述任一鱼苗在世界坐标系中的尾部世界坐标。
8.一种鱼苗长度测量系统,其特征在于,包括:
训练模块,用于通过双目视觉方法获取若干个鱼苗的长度,将所述若干个鱼苗照片作为训练样本集,将每一鱼苗样本的长度作为所述训练样本集的标签,所述训练样本集中包括若干个鱼苗的长度和所述若干个鱼苗的图像;
测试模块,用于将待测鱼苗图像作为测试样本集,通过训练后的神经网络模型,获取测试样本集中每一鱼苗的长度,所述训练后的神经网络模型通过迁移学习的深度网络模型所得。
9.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1-7中任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811076314.4A CN109272546B (zh) | 2018-09-14 | 2018-09-14 | 一种鱼苗长度测量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811076314.4A CN109272546B (zh) | 2018-09-14 | 2018-09-14 | 一种鱼苗长度测量方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272546A true CN109272546A (zh) | 2019-01-25 |
CN109272546B CN109272546B (zh) | 2020-12-08 |
Family
ID=65188417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811076314.4A Active CN109272546B (zh) | 2018-09-14 | 2018-09-14 | 一种鱼苗长度测量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272546B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127396A (zh) * | 2019-11-21 | 2020-05-08 | 中国农业大学 | 鱼类重量测算方法及装置 |
CN111724434A (zh) * | 2020-06-23 | 2020-09-29 | 江苏农牧科技职业学院 | 一种水产养殖体生长跟踪方法、装置、系统及介质 |
CN111738279A (zh) * | 2020-06-24 | 2020-10-02 | 西藏自治区农牧科学院水产科学研究所 | 一种无接触式鱼类形态表型自动获取装置及方法 |
CN111887853A (zh) * | 2020-07-13 | 2020-11-06 | 中国农业大学 | 一种基于双目视觉的鱼体长度测量装置及方法 |
CN113487143A (zh) * | 2021-06-15 | 2021-10-08 | 中国农业大学 | 鱼群投喂决策方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130034305A1 (en) * | 2011-08-04 | 2013-02-07 | University Of Southern California | Image-based crack quantification |
CN104063588A (zh) * | 2014-06-12 | 2014-09-24 | 东北大学 | 基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法 |
CN106091943A (zh) * | 2016-07-13 | 2016-11-09 | 浙江省海洋水产研究所 | 一种活鱼尺寸检测装置及检测方法 |
-
2018
- 2018-09-14 CN CN201811076314.4A patent/CN109272546B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130034305A1 (en) * | 2011-08-04 | 2013-02-07 | University Of Southern California | Image-based crack quantification |
CN104063588A (zh) * | 2014-06-12 | 2014-09-24 | 东北大学 | 基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法 |
CN106091943A (zh) * | 2016-07-13 | 2016-11-09 | 浙江省海洋水产研究所 | 一种活鱼尺寸检测装置及检测方法 |
Non-Patent Citations (4)
Title |
---|
C.COSTA 等: "Extracting fish size using dual underwater cameras", 《AQUACULTURAL ENGINEERING》 * |
F. N. BUDIMAN 等: "Utilization of Artificial Neural Network for the Estimation of Size and Position of Metallic Particle Adhering to Spacer in GIS", 《IEEE TRANSACTIONS ON DIELECTRICS AND ELECTRICAL INSULATION》 * |
刘同海: "基于双目视觉的猪体体尺参数提取算法优化及三维重构", 《中国博士学位论文全文数据库信息科技辑》 * |
刘喆: "基于图像分析的管道缺陷特征提取方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127396A (zh) * | 2019-11-21 | 2020-05-08 | 中国农业大学 | 鱼类重量测算方法及装置 |
CN111127396B (zh) * | 2019-11-21 | 2023-10-27 | 中国农业大学 | 鱼类重量测算方法及装置 |
CN111724434A (zh) * | 2020-06-23 | 2020-09-29 | 江苏农牧科技职业学院 | 一种水产养殖体生长跟踪方法、装置、系统及介质 |
CN111738279A (zh) * | 2020-06-24 | 2020-10-02 | 西藏自治区农牧科学院水产科学研究所 | 一种无接触式鱼类形态表型自动获取装置及方法 |
CN111887853A (zh) * | 2020-07-13 | 2020-11-06 | 中国农业大学 | 一种基于双目视觉的鱼体长度测量装置及方法 |
CN113487143A (zh) * | 2021-06-15 | 2021-10-08 | 中国农业大学 | 鱼群投喂决策方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109272546B (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272546A (zh) | 一种鱼苗长度测量方法及系统 | |
CN113409382B (zh) | 车辆损伤区域的测量方法和装置 | |
CN110378235A (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
CA3183713A1 (en) | Fish biomass, shape, and size determination | |
JP2021517470A (ja) | 家畜体重を見積もるシステムおよび方法 | |
EP4062374A1 (en) | Fish biomass, shape, size, or health determination | |
CN108229591A (zh) | 神经网络自适应训练方法和装置、设备、程序和存储介质 | |
CN107133986B (zh) | 一种基于二维标定物的相机标定方法 | |
CN103544492B (zh) | 基于深度图像三维曲面几何特征的目标识别方法和装置 | |
CN108961330A (zh) | 基于图像的猪体长测算方法及系统 | |
CN104182757A (zh) | 获取被测目标实际覆盖面积的方法及装置 | |
CN112233144B (zh) | 水下鱼体重量测量方法及装置 | |
Mirzaalian Dastjerdi et al. | Measuring surface area of skin lesions with 2D and 3D algorithms | |
CN109871829A (zh) | 一种基于深度学习的检测模型训练方法和装置 | |
CN108647264A (zh) | 一种基于支持向量机的图像自动标注方法及装置 | |
CN110738703A (zh) | 定位方法及装置、终端、存储介质 | |
CN115797359A (zh) | 基于电路板上锡膏的检测方法、设备和存储介质 | |
CN111563458A (zh) | 基于YOLOv3和OpenCV的目标检测与定位方法 | |
CN115082777A (zh) | 基于双目视觉的水下动态鱼类形态测量方法及装置 | |
CN112969023A (zh) | 图像拍摄方法、设备、存储介质以及计算机程序产品 | |
CN109815823A (zh) | 数据处理方法及相关产品 | |
CN109074663A (zh) | 物体体积测量方法、相关装置及计算机可读存储介质 | |
CN115886792A (zh) | 一种牲畜智能体尺测定方法、系统及装置 | |
CN115131437A (zh) | 位姿估计方法及相关模型的训练方法、装置、设备、介质 | |
Cui et al. | Global propagation of affine invariant features for robust matching |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |