CN109472883A - 巡塘方法和装置 - Google Patents
巡塘方法和装置 Download PDFInfo
- Publication number
- CN109472883A CN109472883A CN201811132341.9A CN201811132341A CN109472883A CN 109472883 A CN109472883 A CN 109472883A CN 201811132341 A CN201811132341 A CN 201811132341A CN 109472883 A CN109472883 A CN 109472883A
- Authority
- CN
- China
- Prior art keywords
- pond
- patrolled
- index
- aquatic livestock
- detection model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 244000144972 livestock Species 0.000 claims abstract description 148
- 238000001514 detection method Methods 0.000 claims abstract description 77
- 238000007689 inspection Methods 0.000 claims abstract description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 75
- 238000007667 floating Methods 0.000 claims description 16
- 241001465754 Metazoa Species 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 8
- 230000001052 transient effect Effects 0.000 claims description 7
- 238000009360 aquaculture Methods 0.000 abstract description 7
- 244000144974 aquaculture Species 0.000 abstract description 7
- 230000009467 reduction Effects 0.000 abstract description 5
- 238000013527 convolutional neural network Methods 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 241000251468 Actinopterygii Species 0.000 description 11
- 238000011176 pooling Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 241000143060 Americamysis bahia Species 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 239000003643 water by type Substances 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种巡塘方法和装置。其中,巡塘方法包括:获取待巡查池塘的水面图像;将水面图像输入至检测模型,获取检测模型输出的水面图像中指标水产动物的数量;将指标水产动物的数量与预先确定的数量阈值进行比较,根据比较的结果确定待巡查池塘的巡查结果。本发明实施例提供的巡塘方法和装置,通过将待巡查池塘的水面图像输入检测模型,获得指标水产动物的数量,并根据指标水产动物的数量确定待巡查池塘的巡查结果,能自动生成待巡查池塘的巡查结果,能减少省渔民巡塘次数、节省大量人工、减少养殖成本。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种巡塘方法和装置。
背景技术
水产养殖是农业生产的重要组成部分。传统的渔业养殖过程中,为了及时了解池塘的中池鱼的生长状况、避免过度浮头和泛塘,渔民每天通常会进行至少三次巡塘。巡塘是对养鱼工作的综合检查,通过巡塘可全面了解和掌握池、鱼状况和生产情况,使渔民能做到心中有数。通过巡塘可以将每个池塘每天的投饵、肥水、水温、气温、溶解氧、ph值的测定,注水、增氧等日常工作都应做好记录。通过巡塘,更有利于积累材料,分析问题,总结经验,提高养鱼效率。巡塘可以观察到池塘中的水质变化及养殖的鱼类和虾蟹类的活动情况,特别是清晨或傍晚,鱼类和虾蟹类不能维持正常呼吸活动,而被迫浮到水面张口吸气,这就是俗称的“浮头”,重则“泛塘”如不能及时发现并采取措施抢救,鱼类和虾蟹类就会因窒息而死亡,造成严重损失。
现有水产养殖中,巡塘由渔民人工完成,巡塘效率较低。渔民每天通常会进行多次巡塘,大量人工用于巡塘,导致浪费大量人工、增加养殖成本。
发明内容
针对现有技术存在的问题,本发明实施例提供巡塘方法和装置。
第一方面,本发明实施例提供一种巡塘方法,包括:
获取待巡查池塘的水面图像;
将所述水面图像输入至检测模型,获取所述检测模型输出的所述水面图像中指标水产动物的数量;
将所述指标水产动物的数量与预先确定的数量阈值进行比较,根据比较的结果确定待巡查池塘的巡查结果;
其中,所述检测模型是基于池塘水面样本的样本图像以及样本图像中指标水产动物的标签进行训练后得到的;所述指标水产动物的标签是根据所述样本图像预先确定的。
第二方面,本发明实施例提供一种巡塘装置,包括:
图像获取模块,用于获取待巡查池塘的水面图像;
分类计数模块,用于将所述水面图像输入至检测模型,获取所述检测模型输出的所述水面图像中指标水产动物的数量;
巡塘预警模块,用于将所述指标水产动物的数量与预先确定的数量阈值进行比较,根据比较的结果确定待巡查池塘的巡查结果;
其中,所述检测模型是基于池塘水面样本的样本图像以及样本图像中指标水产动物的标签进行训练后得到的;所述指标水产动物的标签是根据所述样本图像预先确定的。
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;以及
与所述处理器通信连接的至少一个存储器,其中:
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的各种可能的实现方式中任一种可能的实现方式所提供的巡塘方法。
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的各种可能的实现方式中任一种可能的实现方式所提供的巡塘方法。
本发明实施例提供的巡塘方法和装置,通过将待巡查池塘的水面图像输入检测模型,获得指标水产动物的数量,并根据指标水产动物的数量确定待巡查池塘的巡查结果,能自动生成待巡查池塘的巡查结果,能减少省渔民巡塘次数、节省大量人工、减少养殖成本,从而为增加渔民的收入提供技术支撑。
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为根据本发明实施例提供的巡塘方法的流程示意图;
图2为根据本发明实施例提供的巡塘装置的功能框图;
图3为根据本发明实施例提供的电子设备的实体结构示意图。
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。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。
为了克服现有技术的上述问题,本发明实施例提供一种巡塘方法,其发明构思是,通过图像采集设备(例如摄像头)自动采集池塘的水面图像,对采集的水面图像进行处理,获得水面图像中指标水产动物的数量,并根据水面图像中指标水产动物的数量确定巡塘结果。
图1为根据本发明实施例提供的巡塘方法的流程示意图。如图1所示,一种巡塘方法包括:步骤S101、获取待巡查池塘的水面图像。
需要说明的是,本发明实施例提供的巡塘方法适用于对养殖水产动物的池塘的巡查。养殖水产动物的池塘,可以为鱼类、虾类、蟹类或其他类的水产动物。例如,对养殖鱼类的池塘(即鱼塘)的巡塘。
具体地,当需要对待巡查池塘进行巡查时,通过固定的或可移动的图像采集设备对待巡查池塘的水面进行拍照后,根据拍照获得的图像数据,可以获取待巡查池塘的水面图像。
步骤S102、将水面图像输入至检测模型,获取检测模型输出的水面图像中指标水产动物的数量;其中,检测模型是基于池塘水面样本的样本图像以及样本图像中指标水产动物的标签进行训练后得到的;指标水产动物的标签是根据样本图像预先确定的。
可以理解的是,步骤S102之前,基于池塘水面样本的样本图像以及样本图像中指标水产动物的标签进行训练,可以得到检测模型。
池塘水面样本,指用于对检测模型进行训练的池塘在不同时刻的水面。通过对池塘水面样本进行拍照,可以获得池塘水面样本的样本图像。池塘水面样本对应的池塘中养殖的水产动物,与待巡查池塘中养殖的水产动物的种类相同。例如,二者中养殖的均为鱼类、或均为虾类,或均为蟹类。
获得池塘水面样本的样本图像后,对于每一池塘水面样本的样本图像,对样本图像中的各指标水产动物均进行标注,为每一指标水产动物标注预先确定的标签。对于每一类型的指标水产动物,标注该类型对应的标签。
指标水产动物,指能够表征池塘的状态的水产动物。例如,浮头是水产动物缺氧的标志,因此,浮头的水产动物,可以表征池塘中溶解氧的状态,从而反映池塘的状态对水产动物是否合适,即可以将浮头的水产动物作为指标水产动物。
由于涉及对图像进行处理和目标检测,检测模型可以是基于卷积神经网络(Convolutional Neural Network,简称CNN)以及改进的卷积神经网络建立的模型。改进的卷积神经网络至少包括RCNN(Region with CNN feature)、Fast-RCNN、Faster-RCNN或MobileNet,本发明实施例对此不作具体限制。
由于CNN的特征检测网络通过训练数据进行学习,所以在使用基于CNN以及改进的CNN建立原始模型时,避免了显式的特征抽取,而隐式地从训练数据中进行学习,将特征提取功能融合进检测模型中,使得检测模型能够直接用于处理基于图像的目标检测。
MobileNet是一种轻量级的卷积神经网络,尤其适用于在处理能力有限的硬件上运行,从而能减少数据的处理时间,更快地获得待巡查池塘的水面图像中指标水产动物的数量。
将已经为指标水产动物标注了预先确定的标签的样本图像作为训练数据。建立原始模型后,基于训练数据对原始模型进行训练,从而得到检测模型。
训练时,将已经为指标水产动物标注了预先确定的标签的样本图像输入原始模型,根据原始模型的输出确定损失误差;根据损失误差更新原始模型的参数,原始模型的参数包括卷积核的参数和神经元的偏置;将训练数据输入参数更新后的原始模型,进行下一轮训练。通过上述过程,可以实现对原始模型进行迭代训练,通过迭代训练直至损失误差收敛(即模型收敛),完成训练。
卷积核的参数的更新关系到目标检测的准确性,在目标检测中非常重要。卷积神经网络的学习过程就是根据训练数据来调整神经元之间的连接权重以及每个功能神经元的偏置,也就是卷积神经网络学习的收获,蕴含在连接权重与偏置中。
卷积核和偏置可以通过下面的公式表示
其中,等号左边的wl和bl分别表示更新后第l层各神经元的卷积核的参数和偏置;等号右边的wl和bl分别表示更新前第l层各神经元的卷积核的参数和偏置;Δwl和Δbl分别表示根据前向传播算法计算获得的第l层的卷积核的参数和偏置的更新量,α和β表示学习率,m表示第l层神经元的个数。对于α和β的具体取值,本发明实施例不作限制,例如可以均为0.01。
通过训练获得检测模型后,将待巡查池塘的水面图像输入至检测模型,通过检测模型检测待巡查池塘的水面图像中的指标水产动物,统计检测出的指标水产动物的数量并输出待巡查池塘的水面图像中指标水产动物的数量。
步骤S103、将指标水产动物的数量与预先确定的数量阈值进行比较,根据比较的结果确定待巡查池塘的巡查结果。
获得待巡查池塘的水面图像中指标水产动物的数量后,将指标水产动物的数量与预先确定的数量阈值进行比较。
预先确定的数量阈值的数量可以为一个或多个,从而将数量阈值形成的阈值区间与池塘的状态进行对应。例如,数量阈值的数量为一个时,可以将形成的两个阈值区间分别对应池塘的状态为正常和异常;数量阈值的数量为三个时,可以将形成的四个阈值区间分别对应池塘的状态为正常、轻微、严重、非常严重。
根据指标水产动物的数量与预先确定的数量阈值进行比较的结果,可以获得指标水产动物的数量落入的阈值区间,将指标水产动物的数量落入的阈值区间对应的池塘的状态作为巡查结果进行输出。
本发明实施例通过将待巡查池塘的水面图像输入检测模型,获得指标水产动物的数量,并根据指标水产动物的数量确定待巡查池塘的巡查结果,能自动生成待巡查池塘的巡查结果,能减少省渔民巡塘次数、节省大量人工、减少养殖成本,从而为增加渔民的收入提供技术支撑。
基于上述实施例的内容,指标水产动物包括:浮头的水产动物和/或死亡的水产动物。
浮头是水产动物缺氧的标志,浮头的水产动物的数量,可以表征池塘中溶解氧的状态,从而反映池塘的状态对水产动物是否合适,因此,可以将浮头的水产动物作为指标水产动物。
因缺氧、病害等原因会导致水产动物的死亡,死亡的水产动物的数量,可以表征池塘的状态是否合适水产动物的生存,从而反映池塘的状态对水产动物是否合适,因此,可以将死亡的水产动物作为指标水产动物。
可以理解的是,当指标水产动物为浮头的水产动物或死亡的水产动物时,相应地,通过步骤S102获得浮头的水产动物的数量或死亡的水产动物的数量;当指标水产动物为浮头的水产动物和死亡的水产动物时,通过步骤S102获得浮头的水产动物的数量和死亡的水产动物的数量。当指标水产动物为浮头的水产动物和死亡的水产动物时,可以分别对浮头的水产动物和死亡的水产动物预先确定数量阈值,结合浮头的水产动物的数量落入的阈值区间和死亡的水产动物的数量落入的阈值区间,确定待巡查池塘的巡查结果。
本发明实施例通过获取浮头的水产动物的数量,能通过浮头数量和频率进行分析,为渔民进行池塘环境的控制提供依据,便于渔民及时改善池塘环境,使池塘环境更适宜水产动物的生存,能降低养殖的死亡率、提高经济效益;通过获取死亡的水产动物的数量,确定待巡查池塘的巡查结果,能为病害防控和监测提供依据,便于渔民及时捕捞死亡的水产动物,能避免污染池塘、破坏水质、引发疾病,也便于对池塘环境进行控制和对水产动物的病害进行防控,能较少病害的发生,能降低养殖的死亡率、提高经济效益。进一步地,对浮头和漂浮的死亡水产动物的识别、分类、计数还有利于对水产动物的生长状况进行研究和跟踪,从而为饵料的投喂、疾病控制、养殖密度的控制提供科学的数据支撑,也有助于水产品生产过程的监督和溯源。
基于上述实施例的内容,获取待巡查池塘的水面图像的具体步骤包括:获取待巡查池塘的水面的原始图像数据,对原始图像数据进行去噪和二值化处理,获得待巡查池塘的水面图像。
可以理解的是,池塘通常位于露天环境,因此,受光照、天气、阴影、水的浑浊度等因素的影响,待巡查池塘的水面的原始图像数据的质量可能并不高、具有较大的噪声,从而导致对指标水产动物的检测结果的误差较高。
待巡查池塘的水面的原始图像数据,指图像采集设备拍照获得的、且未经过预处理的图像数据。
为了降低指标水产动物检测的误差,获得待巡查池塘的水面的原始图像数据后,需要对待巡查池塘的水面的原始图像数据进行预处理。
预处理至少包括去噪和二值化处理。先对待巡查池塘的水面的原始图像数据进行去噪处理,去除图像中的噪声;然后对去噪后的图像进行二值化处理,得到待巡查池塘的水面图像。
本发明实施例通过对原始图像数据进行去噪和二值化处理,获得待巡查池塘的水面图像,能克服外界环境等因素造成的干扰,能提高指标水产动物检测的准确率,从而能获得更准确的巡查结果。
基于上述实施例的内容,获取待巡查池塘的水面的原始图像数据的具体步骤包括:获取待巡查池塘水面各区域的图像数据,将采集的待巡查池塘水面各区域的图像数据进行图像拼接,获得待巡查池塘的水面的原始图像数据。
可以理解的是,池塘的面积通常较大,直接采集池塘整个水域的水面图像,会导致图像的分辨率较低,图像中指标水产动物所占的像素较少,不利于指标水产动物的检测,导致对指标水产动物的检测结果的误差较高。
为了降低指标水产动物检测的误差,具体地,先通过图像采集设备拍照采集待巡查池塘水面各区域的图像数据。每一上述区域为待巡查池塘整个水域的一部分,相邻上述区域之间存在重叠的水域,全部上述区域相加覆盖待巡查池塘整个水域。
获得待巡查池塘水面各区域的图像数据后,由于相邻区域之间存在重叠的水域,因此,通过图像拼接方法将采集的待巡查池塘水面各区域的图像数据进行图像拼接,可以获得待巡查池塘的水面的原始图像数据。采用的图像拼接方法,本发明实施例对此不作具体限制。
本发明实施例通过将采集的待巡查池塘水面各区域的图像数据进行图像拼接,获得待巡查池塘的水面的原始图像数据,能获得分辨率高的待巡查池塘的水面图像,有利于进行指标水产动物检测,能提高指标水产动物检测的准确率,从而能获得更准确的巡查结果。
基于上述实施例的内容,待巡查池塘水面各区域的图像数据是通过设置于无人机上的图像采集设备采集的。
具体地,由于池塘的面积通常较大,可以将图像采集设备设置于无人机上,通过控制无人机以预设的线路巡航,使无人机在贴近水面的高度进行低空飞行,飞行过程中图像采集设备采集待巡查池塘水面各区域的图像数据。
由于无人机具有较快的飞行速度,且能贴近水面,从而能更快速等完成待巡查池塘水面各区域的图像数据的采集,并能提高待巡查池塘水面各区域的图像数据的分辨率,获得分辨率高的待巡查池塘的水面图像,有利于进行指标水产动物检测,能提高指标水产动物检测的准确率,从而能获得更准确的巡查结果。
基于上述实施例的内容,将水面图像输入至检测模型,输出水面图像中指标水产动物的数量的具体步骤包括:将水面图像输入至检测模型中的检测网络,输出水面图像中指标水产动物的检测结果;将检测结果输入至检测模型中的计数器,输出水面图像中指标水产动物的数量。
具体地,检测模型包括检测网络和计数器。
检测网络,用于根据待巡查池塘的水面图像,获取待巡查池塘的水面图像中指标水产动物的检测结果。
计数器,用于对检测网络检测出的待巡查池塘的水面图像中指标水产动物进行计数。
将待巡查池塘的水面图像输入至检测模型中的检测网络,输出待巡查池塘的水面图像中指标水产动物的检测结果,检测结果以检测框的形式显示。每一检测框内,包括一只指标水产动物。即将待巡查池塘的水面图像中指标水产动物以检测框的形式标记。
检测网络可以由卷积层、池化层、全连接层和归一化层构成。卷积层、池化层、全连接层的层数均可以为一个或多个。
卷积层,用于进行特征提取。将前一层的输出作为卷积层的输入,卷积层的输入经过大小固定的卷积操作得到卷积层的输出。
卷积层的计算公式为:
其中,f表示函数符号;l表示卷积层的序号;和分别表示当前卷积层(第l层卷积层)的第j个特征图和上一卷积层(第l-1层卷积层)的第i个特征图;表示从上一卷积层的第i个特征图到当前卷积的第j个特征图的卷积核;表示当前卷积层的第j个偏置;f(x)表示神经元的激活函数;Mj表示第l-1层卷积层池化映射的个数。
可以选用任一常用的激活函数。例如,可以选取S型函数(Sigmoid函数)作为神经元的激活函数,Sigmoid函数表达式为:
其中,x表述函数的自变量。
池化层主要用于进行图像处理的卷积神经网络中。卷积层是对图像的一个邻域进行卷积得到图像的邻域特征,池化层就是使用池化(pooling)方法将小邻域内的特征点整合得到新的特征。池化的结果是使得特征减少、参数减少,降低特征图的维度,但池化的还包括为了保持某种不变性(旋转、平移、伸缩等)、为了保留更多的纹理等信息。
常用的池化方法包括均值池化(mean-pooling)、最大池化(max-pooling)和随机池化(Stochastic-pooling)三种。mean-pooling,即对邻域内特征点只求平均;max-pooling,即对邻域内特征点取最大。根据相关理论,特征提取的误差主要来自两个方面:一方面是邻域大小受限造成的估计值方差增大;另一方面是卷积层参数误差造成估计均值的偏移。一般来说,mean-pooling能减小第一种误差,更多的保留图像的背景信息;max-pooling能减小第二种误差,更多的保留纹理信息;Stochastic-pooling则介于两者之间,通过对像素点按照数值大小赋予概率,再按照概率进行亚采样,在平均意义上,与mean-pooling近似,在局部意义上,则服从max-pooling的准则。
可以采用上述三种池化方法中的任一种,本发明实施例对此不作具体限制。
例如,通过最大池化方法进行特征图进行降维,具体公式为
其中,g表示函数符号;表示当前卷积层(第l层卷积层)的第i个特征图;s×s表示池化模板的尺度;表示对应的模板的权值;表示当前卷积层的第i个偏置。
全连接层在整个卷积神经网络中起到分类器的作用。全连接层是将该全连接层的上一层的任何一个神经元与该全连接层的所有神经元都进行连接,将学习到的“分布式特征表示”映射到样本标记空间。在实际使用中,全连接层可由卷积操作实现:对上一层是全连接的全连接层,可以转化为卷积核为1x1的卷积;而上一层是卷积层的全连接层可以转化为卷积核为H×WH的全局卷积,H和W分别表示上一层是卷积层的输出结果的高和宽。
全连接层的输出结果可以表示为:
其中,s表示函数符号;表示全连接层第j个神经元的输出值,表示该全连接层的上一层第i个神经元的输出值,表示从该全连接层的上一层的第i个神经元到该全连接层的第j个神经元的卷积核,为该全连接层的第j偏置。
全连接层后连接一个归一化层。归一化层,可以采用softmax层。softmax层采用softmax函数作为多分类器。
获得待巡查池塘的水面图像中指标水产动物的检测结果后,将检测结果输入至检测模型中的计数器,通过对不同指标水产动物的检测框的计数,获得指标水产动物的数量并输出。
可以理解的是,当指标水产动物为浮头的水产动物或死亡的水产动物时,相应地,计数器为一个;当指标水产动物为浮头的水产动物和死亡的水产动物时,计数器为两个,两个计数器分别用于统计浮头的水产动物的数量和死亡的水产动物的数量。
本发明实施例基于卷积神经网络检测并统计待巡查池塘的水面图像中指标水产动物的数量,能更快速、准确地获得指标水产动物的数量,能提高指标水产动物检测的速度和准确率,从而能更快速地获得更准确的巡查结果。
基于上述实施例的内容,根据比较的结果确定待巡查池塘的巡查结果的具体步骤包括:根据比较的结果确定待巡查池塘的状态等级,并根据待巡查池塘的状态等级确定处置建议。
具体地,数量阈值形成的阈值区间与池塘的状态等级一一对应,获得待巡查池塘的水面图像中指标水产动物的数量后,将指标水产动物的数量与预先确定的数量阈值进行比较,确定指标水产动物的数量落入的阈值区间,从而能根据落入的阈值区间确定待巡查池塘的状态等级,将确定的待巡查池塘的状态等级作为巡查结果进行输出。
例如,数量阈值的数量为一个时,可以将形成的两个阈值区间分别对应池塘的状态等级为正常和异常;数量阈值的数量为三个时,可以将形成的四个阈值区间分别对应池塘的状态等级为正常、轻微、严重、非常严重。
确定的待巡查池塘的状态等级后,可以发出待巡查池塘的状态等级对应的预警信息,对渔民进行预警提示,还可以待巡查池塘的状态等级对应的处置建议,从而能提醒渔民注意待巡查池塘,及时对待巡查池塘进行处置,以减少水产动物的死亡、污染池塘、破坏水质、引发疾病。
发出巡查结果对应的预警信息可以通过声、光、电等方式中的至少一种实现,本发明实施例对此不作具体限制。
本发明实施例通过将待巡查池塘的水面图像输入检测模型,获得指标水产动物的数量,并根据指标水产动物的数量确定待巡查池塘的状态等级,并根据待巡查池塘的状态等级确定处置建议,能快速、方便地通知渔民应采取的处置操作,能提高处置效率、减少养殖成本。
图2为根据本发明实施例提供的巡塘装置的功能框图。基于上述各实施例的内容,如图2所示,一种巡塘装置包括:图像获取模块201、分类计数模块202和巡塘预警模块203,其中:
图像获取模块201,用于获取待巡查池塘的水面图像;
分类计数模块202,用于将水面图像输入至检测模型,获取检测模型输出的水面图像中指标水产动物的数量;
巡塘预警模块203,用于将指标水产动物的数量与预先确定的数量阈值进行比较,根据比较的结果确定待巡查池塘的巡查结果;
其中,检测模型是基于池塘水面样本的样本图像以及样本图像中指标水产动物的标签进行训练后得到的;指标水产动物的标签是根据样本图像预先确定的。
当需要对待巡查池塘进行巡查时,通过固定的或可移动的图像采集设备对待巡查池塘的水面进行拍照后,图像获取模块201可以根据拍照获得的图像数据,获取待巡查池塘的水面图像。
分类计数模块202将待巡查池塘的水面图像输入至检测模型,通过检测模型检测待巡查池塘的水面图像中的指标水产动物,统计检测出的指标水产动物的数量并输出待巡查池塘的水面图像中指标水产动物的数量。
巡塘预警模块203将指标水产动物的数量与预先确定的数量阈值进行比较,根据指标水产动物的数量与预先确定的数量阈值进行比较的结果,获得指标水产动物的数量落入的阈值区间,将指标水产动物的数量落入的阈值区间对应的池塘的状态作为巡查结果进行输出。
需要说明的是,需要说明的是,本发明实施例提供的巡塘装置可以设置于巡检机器人、智能手机、平板电脑等移动终端,也可以设置于服务端;训练获得的检测模型可以移植于巡检机器人、智能手机、平板电脑等移动终端或服务端。
本发明实施例提供的巡塘装置,用于执行本发明各实施例提供的巡塘方法,巡塘装置包括的各模块实现相应功能的具体方法和流程详见上述巡塘方法的实施例,此处不再赘述。
该巡塘装置用于前述各实施例的巡塘方法。因此,在前述各实施例中的巡塘方法中的描述和定义,可以用于本发明实施例中各执行模块的理解。
本发明实施例通过将待巡查池塘的水面图像输入检测模型,获得指标水产动物的数量,并根据指标水产动物的数量确定待巡查池塘的巡查结果,能自动生成待巡查池塘的巡查结果,能减少省渔民巡塘次数、节省大量人工、减少养殖成本,从而为增加渔民的收入提供技术支撑。
图3为根据本发明实施例提供的电子设备的实体结构示意图。基于上述实施例的内容,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储在存储器330上并可在处理器310上运行的计算机程序,以执行上述各实施例提供的方法,例如包括:获取待巡查池塘的水面图像;将水面图像输入至检测模型,获取检测模型输出的水面图像中指标水产动物的数量;将指标水产动物的数量与预先确定的数量阈值进行比较,根据比较的结果确定待巡查池塘的巡查结果;其中,检测模型是基于池塘水面样本的样本图像以及样本图像中指标水产动物的标签进行训练后得到的;指标水产动物的标签是根据样本图像预先确定的。
本发明另一实施例公开一种计算机程序产品,计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取待巡查池塘的水面图像;将水面图像输入至检测模型,获取检测模型输出的水面图像中指标水产动物的数量;将指标水产动物的数量与预先确定的数量阈值进行比较,根据比较的结果确定待巡查池塘的巡查结果;其中,检测模型是基于池塘水面样本的样本图像以及样本图像中指标水产动物的标签进行训练后得到的;指标水产动物的标签是根据样本图像预先确定的。
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,本发明实施例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。
本发明另一实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行上述各方法实施例所提供的方法,例如包括:获取待巡查池塘的水面图像;将水面图像输入至检测模型,获取检测模型输出的水面图像中指标水产动物的数量;将指标水产动物的数量与预先确定的数量阈值进行比较,根据比较的结果确定待巡查池塘的巡查结果;其中,检测模型是基于池塘水面样本的样本图像以及样本图像中指标水产动物的标签进行训练后得到的;指标水产动物的标签是根据样本图像预先确定的。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行上述各个实施例或者实施例的某些部分的方法。
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)
1.一种巡塘方法,其特征在于,包括:
获取待巡查池塘的水面图像;
将所述水面图像输入至检测模型,获取所述检测模型输出的所述水面图像中指标水产动物的数量;
将所述指标水产动物的数量与预先确定的数量阈值进行比较,根据比较的结果确定待巡查池塘的巡查结果;
其中,所述检测模型是基于池塘水面样本的样本图像以及样本图像中指标水产动物的标签进行训练后得到的;所述指标水产动物的标签是根据所述样本图像预先确定的。
2.根据权利要求1所述的方法,其特征在于,所述指标水产动物包括:
浮头的水产动物和/或死亡的水产动物。
3.根据权利要求1所述的方法,其特征在于,所述获取待巡查池塘的水面图像的具体步骤包括:
获取待巡查池塘的水面的原始图像数据,对所述原始图像数据进行去噪和二值化处理,获得所述待巡查池塘的水面图像。
4.根据权利要求3所述的方法,其特征在于,所述获取待巡查池塘的水面的原始图像数据的具体步骤包括:
获取待巡查池塘水面各区域的图像数据,将采集的待巡查池塘水面各区域的图像数据进行图像拼接,获得待巡查池塘的水面的原始图像数据。
5.根据权利要求4所述的方法,其特征在于,所述待巡查池塘水面各区域的图像数据是通过设置于无人机上的图像采集设备采集的。
6.根据权利要求1所述的方法,其特征在于,所述将所述水面图像输入至检测模型,输出所述水面图像中指标水产动物的数量的具体步骤包括:
将所述水面图像输入至所述检测模型中的检测网络,输出所述水面图像中指标水产动物的检测结果;
将所述检测结果输入至所述检测模型中的计数器,输出所述水面图像中指标水产动物的数量。
7.根据权利要求1至6任一所述的方法,其特征在于,所述根据比较的结果确定待巡查池塘的巡查结果的具体步骤包括:
根据所述比较的结果确定待巡查池塘的状态等级,并根据所述待巡查池塘的状态等级确定处置建议。
8.一种巡塘装置,其特征在于,包括:
图像获取模块,用于获取待巡查池塘的水面图像;
分类计数模块,用于将所述水面图像输入至检测模型,获取所述检测模型输出的所述水面图像中指标水产动物的数量;
巡塘预警模块,用于将所述指标水产动物的数量与预先确定的数量阈值进行比较,根据比较的结果确定待巡查池塘的巡查结果;
其中,所述检测模型是基于池塘水面样本的样本图像以及样本图像中指标水产动物的标签进行训练后得到的;所述指标水产动物的标签是根据所述样本图像预先确定的。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
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至7任一所述的方法。
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 |
---|---|---|---|
CN201811132341.9A CN109472883A (zh) | 2018-09-27 | 2018-09-27 | 巡塘方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811132341.9A CN109472883A (zh) | 2018-09-27 | 2018-09-27 | 巡塘方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109472883A true CN109472883A (zh) | 2019-03-15 |
Family
ID=65664576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811132341.9A Pending CN109472883A (zh) | 2018-09-27 | 2018-09-27 | 巡塘方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472883A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163253A (zh) * | 2019-04-18 | 2019-08-23 | 中国农业大学 | 鱼浮头程度检测方法及系统 |
CN110637764A (zh) * | 2019-08-29 | 2020-01-03 | 江苏大学 | 一种河蟹养殖投饵量的精准确定方法 |
CN111401386A (zh) * | 2020-03-30 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 牲畜舍栏的监控方法、装置、智能巡航机器人及存储介质 |
CN111753647A (zh) * | 2020-05-11 | 2020-10-09 | 广东无限阵列科技有限公司 | 一种禽畜养殖舍棚的自动识别方法、装置及存储介质 |
CN112257564A (zh) * | 2020-10-20 | 2021-01-22 | 青岛丰禾星普科技有限公司 | 水产品数量统计方法、终端设备及存储介质 |
CN112668631A (zh) * | 2020-12-24 | 2021-04-16 | 哈尔滨理工大学 | 基于卷积神经网络的移动端社区宠物识别方法 |
CN112906510A (zh) * | 2021-02-02 | 2021-06-04 | 中国水利水电科学研究院 | 一种渔业资源统计方法及系统 |
CN115200647A (zh) * | 2022-09-13 | 2022-10-18 | 北京生泰尔科技股份有限公司 | 一种水产养殖环境监测管理方法及系统 |
CN116935327A (zh) * | 2023-09-07 | 2023-10-24 | 深圳市明心数智科技有限公司 | 基于ai视觉的水产养殖监控方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102866237A (zh) * | 2012-09-06 | 2013-01-09 | 华南理工大学 | 一种基于视频识别的水质安全在线生物预警监测系统 |
NO20111385A1 (no) * | 2011-10-12 | 2013-04-15 | Salvision As | Fremgangsmåte og system for å detektere en lus på fisk |
CN103558822A (zh) * | 2013-10-31 | 2014-02-05 | 浙江海洋学院 | 水产养殖监控系统 |
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 |
CN105894131A (zh) * | 2016-04-28 | 2016-08-24 | 广东石油化工学院 | 一种吸果夜蛾快速预警方法 |
CN106680277A (zh) * | 2016-12-29 | 2017-05-17 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害监测方法及装置 |
CN106791659A (zh) * | 2016-12-26 | 2017-05-31 | 安徽天立泰科技股份有限公司 | 一种基于航拍拼接技术的森林病虫害监测与防护系统 |
CN107730495A (zh) * | 2017-10-25 | 2018-02-23 | 重庆祺璨科技有限公司 | 一种基于背景建模的鱼塘缺氧检测方法 |
CN108509976A (zh) * | 2018-02-12 | 2018-09-07 | 北京佳格天地科技有限公司 | 动物的识别装置和方法 |
-
2018
- 2018-09-27 CN CN201811132341.9A patent/CN109472883A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NO20111385A1 (no) * | 2011-10-12 | 2013-04-15 | Salvision As | Fremgangsmåte og system for å detektere en lus på fisk |
WO2013053597A1 (en) * | 2011-10-12 | 2013-04-18 | Salvision As | Method and system for detecting a louse on fish |
CN102866237A (zh) * | 2012-09-06 | 2013-01-09 | 华南理工大学 | 一种基于视频识别的水质安全在线生物预警监测系统 |
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 |
CN103558822A (zh) * | 2013-10-31 | 2014-02-05 | 浙江海洋学院 | 水产养殖监控系统 |
CN105894131A (zh) * | 2016-04-28 | 2016-08-24 | 广东石油化工学院 | 一种吸果夜蛾快速预警方法 |
CN106791659A (zh) * | 2016-12-26 | 2017-05-31 | 安徽天立泰科技股份有限公司 | 一种基于航拍拼接技术的森林病虫害监测与防护系统 |
CN106680277A (zh) * | 2016-12-29 | 2017-05-17 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害监测方法及装置 |
CN107730495A (zh) * | 2017-10-25 | 2018-02-23 | 重庆祺璨科技有限公司 | 一种基于背景建模的鱼塘缺氧检测方法 |
CN108509976A (zh) * | 2018-02-12 | 2018-09-07 | 北京佳格天地科技有限公司 | 动物的识别装置和方法 |
Non-Patent Citations (1)
Title |
---|
黄明祥等: "《松材线虫病害遥感监测与传播模拟研究》", 31 May 2012, 中国环境科学出版社 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163253A (zh) * | 2019-04-18 | 2019-08-23 | 中国农业大学 | 鱼浮头程度检测方法及系统 |
CN110637764B (zh) * | 2019-08-29 | 2022-01-11 | 江苏大学 | 一种河蟹养殖投饵量的精准确定方法 |
CN110637764A (zh) * | 2019-08-29 | 2020-01-03 | 江苏大学 | 一种河蟹养殖投饵量的精准确定方法 |
CN111401386A (zh) * | 2020-03-30 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 牲畜舍栏的监控方法、装置、智能巡航机器人及存储介质 |
CN111753647A (zh) * | 2020-05-11 | 2020-10-09 | 广东无限阵列科技有限公司 | 一种禽畜养殖舍棚的自动识别方法、装置及存储介质 |
CN111753647B (zh) * | 2020-05-11 | 2021-01-29 | 广东无限阵列科技有限公司 | 一种禽畜养殖舍棚的自动识别方法、装置及存储介质 |
CN112257564A (zh) * | 2020-10-20 | 2021-01-22 | 青岛丰禾星普科技有限公司 | 水产品数量统计方法、终端设备及存储介质 |
CN112257564B (zh) * | 2020-10-20 | 2022-07-12 | 青岛丰禾星普科技有限公司 | 水产品数量统计方法、终端设备及存储介质 |
CN112668631A (zh) * | 2020-12-24 | 2021-04-16 | 哈尔滨理工大学 | 基于卷积神经网络的移动端社区宠物识别方法 |
CN112668631B (zh) * | 2020-12-24 | 2022-06-24 | 哈尔滨理工大学 | 基于卷积神经网络的移动端社区宠物识别方法 |
CN112906510A (zh) * | 2021-02-02 | 2021-06-04 | 中国水利水电科学研究院 | 一种渔业资源统计方法及系统 |
CN115200647A (zh) * | 2022-09-13 | 2022-10-18 | 北京生泰尔科技股份有限公司 | 一种水产养殖环境监测管理方法及系统 |
CN116935327A (zh) * | 2023-09-07 | 2023-10-24 | 深圳市明心数智科技有限公司 | 基于ai视觉的水产养殖监控方法、装置、设备及存储介质 |
CN116935327B (zh) * | 2023-09-07 | 2023-12-22 | 深圳市明心数智科技有限公司 | 基于ai视觉的水产养殖监控方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472883A (zh) | 巡塘方法和装置 | |
Yang et al. | Deep learning for smart fish farming: applications, opportunities and challenges | |
Tm et al. | Tomato leaf disease detection using convolutional neural networks | |
Zhou et al. | Near infrared computer vision and neuro-fuzzy model-based feeding decision system for fish in aquaculture | |
Fan et al. | Automate fry counting using computer vision and multi-class least squares support vector machine | |
WO2019245722A1 (en) | Sea lice detection and classification in an aquaculture environment | |
Tang et al. | An improved YOLOv3 algorithm to detect molting in swimming crabs against a complex background | |
Concepcion II et al. | Lettuce growth stage identification based on phytomorphological variations using coupled color superpixels and multifold watershed transformation. | |
KR20200013171A (ko) | 인공지능 딥러닝을 이용한 스마트 양식장 관리 fems시스템 | |
Feng et al. | Fish feeding intensity quantification using machine vision and a lightweight 3D ResNet-GloRe network | |
Kaur et al. | Recent advancements in deep learning frameworks for precision fish farming opportunities, challenges, and applications | |
Kong et al. | A recurrent network based on active learning for the assessment of fish feeding status | |
Zeng et al. | Fish school feeding behavior quantification using acoustic signal and improved Swin Transformer | |
Zhang et al. | Intelligent fish feeding based on machine vision: A review | |
Hou et al. | Research on fish bait particles counting model based on improved MCNN | |
Darapaneni et al. | AI based farm fish disease detection system to help micro and small fish farmers | |
CN117063868A (zh) | 一种鱼池智能投喂方法 | |
Liu et al. | Research progress of computer vision technology in abnormal fish detection | |
CN110163253A (zh) | 鱼浮头程度检测方法及系统 | |
Galloway et al. | The ciona17 dataset for semantic segmentation of invasive species in a marine aquaculture environment | |
Martin et al. | Early pest detection in Greenhouses | |
Wei et al. | Small sample and efficient crop pest recognition method based on transfer learning and data transformation | |
Zhang et al. | From beasts to bytes: Revolutionizing zoological research with artificial intelligence | |
TWI746304B (zh) | 水產養殖管理方法及系統 | |
Yang et al. | Intelligent Feeding Algorithm for Recirculating Aquaculture System Based on Deep Learning |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190315 |