CN109509175B - 一种基于机器视觉和深度学习的鱼苗便携式计数器及计数方法 - Google Patents
一种基于机器视觉和深度学习的鱼苗便携式计数器及计数方法 Download PDFInfo
- Publication number
- CN109509175B CN109509175B CN201811197077.7A CN201811197077A CN109509175B CN 109509175 B CN109509175 B CN 109509175B CN 201811197077 A CN201811197077 A CN 201811197077A CN 109509175 B CN109509175 B CN 109509175B
- Authority
- CN
- China
- Prior art keywords
- fry
- counting
- box
- control box
- deep learning
- 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.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims description 27
- 230000004297 night vision Effects 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 241000251468 Actinopterygii Species 0.000 claims description 16
- 240000007651 Rubus glaucus Species 0.000 claims description 15
- 235000011034 Rubus glaucus Nutrition 0.000 claims description 15
- 235000009122 Rubus idaeus Nutrition 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000011161 development Methods 0.000 claims description 9
- 230000018109 developmental process Effects 0.000 claims description 9
- 239000013589 supplement Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 241000269978 Pleuronectiformes Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 241000209202 Bromus secalinus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10048—Infrared image
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉和深度学习的鱼苗便携式计数器，包括控制箱和鱼苗计数箱；控制箱位于鱼苗计数箱上，控制箱内设有控制板、显示操作屏，控制箱底面装有夜视鱼眼广角摄像头、红外补光灯，鱼苗计数箱内设有鱼苗计数盘和排水垫座，鱼苗计数盘设于排水垫座上，鱼苗计数盘侧面开有限位排水口，可使所测种类鱼苗无法上下叠置，排水垫座表面设有排水孔，排水垫座将鱼苗计数盘抬高以防水回流至鱼苗计数盘内。在获得鱼苗图像流后对鱼苗图像进行超分辨率重建，再利用深度卷积生成式对抗网络进行快速粗分割，最后进行精准语义分割，提取鱼苗轮廓，统计数量。本发明的计数器操作简便，能够实现鱼苗的快速无损精准计数，误差范围可控制在5％。
Description
技术领域
本发明涉及计量设备技术领域，具体涉及到一种基于机器视觉和深度学习的鱼苗便携式计数器及计数方法。
背景技术
近年来，鱼类凭借肉质鲜美、繁殖迅速的特点，其养殖规模不断扩大。鱼苗计数作业是养殖过程中的关键环节，对鱼苗的精准计数能够为养殖密度控制、饲料投放量确定提供重要的参考依据。
目前，鱼苗计数工作仍然主要依靠人工完成，常见方法有两种：用肉眼凭借经验估算计数，或用称重法估算计数。但是，此类鱼苗计数方法费时费力、准确率低，在市场上也由此出现了很多买卖骗局，直接损害了农民、养殖企业和相关科研工作人员的利益。因此，现亟需一种高效的鱼苗计数设备改变鱼苗计数作业的现状。
我国对于鱼苗计数设备及方法的研究工作开始于20世纪80年代，早期计数方法主要有光电计数法。申请公布号85105265A公开了一种水中鱼苗光电快速计数法；申请公布号CN106779039公开了一种利用红外计数器的鱼苗计数装置。然而，光电计数法易受鱼苗品种、大小等因素影响，且效率较低。
随着计算机视觉和图像处理技术的迅速发展，基于机器视觉的鱼苗计数方法在近几年逐渐兴起，并且由于其高效、便捷以及无损等特点得到了研究人员的广泛关注。授权公告号CN106204626A公开了一种基于图像处理的鱼苗计数器及计数方法，该方法所设计的鱼苗计数器利用计数箱内竖直向上的水流，将鱼苗均匀平铺在水面一层，用以控制鱼苗剧团，其在一定程度上存在伤苗现象；且该方法所设计的鱼苗计数器缺乏便携性，无法满足现阶段我国广大从事相关行业普通农户日常鱼苗计数工作；同时，复杂背景干扰、鱼苗图像粘连和重叠所带来的计数误差等问题仍然无法被有效的解决。总体来说，国内尚未研制出一款精确、高效并且适于推广应用的便携式鱼苗计数设备。
同时，如今人工智能已经成为一个具有众多实际应用和活跃研究课题的领域，并且正在蓬勃发展。深度学习是实现人工智能有效的解决方案，能够自动处理常规劳动(如处理图像)，支持基础科学研究。本发明运用深度学习技术让处理器从经验中学习，并根据层次化的概念体系来理解鱼苗计数机理。
本发明所设计的基于机器视觉和深度学习相结合的鱼苗便携式计数器及计数方法，其实现原理是通过深度学习技术提取图像内鱼苗轮廓数近似求解数量；其全封闭式的图像采集区通过红外补光灯提供稳定背景，且通过特殊设计的鱼苗计数盘限定水面高度以减少鱼苗重叠；其控制与图像处理以树莓派3B+为核心，通过web方式编写用户界面，在局域网内各类智能设备(手机、平板与电脑等)均可以通过输入树莓派IP地址实现远程控制。
发明内容
本发明要解决现有鱼苗计数设备中存在的问题，提供了一种基于机器视觉和深度学习的鱼苗便携式计数器及计数方法，该计数器具有高效率、高准确率，便于携带和操作简便等特点，利用巧妙的机械结构和基于机器视觉和深度学习相结合的优化算法进行鱼苗的计数作业。
本发明采用的技术方案如下：
一种基于机器视觉和深度学习的鱼苗便携式计数器，包括控制箱和鱼苗计数箱；控制箱位于鱼苗计数箱上，控制箱内设有控制板、显示操作屏，控制箱底面装有朝向鱼苗计数箱内的夜视鱼眼广角摄像头、红外补光灯，控制板与显示操作屏、夜视鱼眼广角摄像头相连，鱼苗计数箱内设有鱼苗计数盘和排水垫座，鱼苗计数盘设于排水垫座上，鱼苗计数盘为具有底面的容器，侧面开有限位排水口，限位排水口距底面的高度满足使所测种类鱼苗无法上下叠置，排水垫座表面设有排水孔，排水垫座将鱼苗计数盘抬高以防水回流至鱼苗计数盘内。
上述技术方案中，所述的控制板采用树莓派3B+型开发板，在局域网内各类智能设备(手机、平板与电脑等)均可以通过输入树莓派IP地址实现远程控制。
所述的显示操作屏为HDMI电容触摸屏，用以显示基于机器视觉的鱼苗计数系统的界面，该界面可以通过web方式编写。
所述的夜视鱼眼广角摄像头安装在控制箱底部中心，红外补光灯均匀设于夜视鱼眼广角摄像头周围。夜视鱼眼广角摄像头为控制板提供鱼苗图像流，夜视摄像头红外补光灯为采集的鱼苗图像流提供稳定背景。
当所测种类鱼苗为纺锤形鱼类、侧扁形鱼类或圆筒形鱼类，限位排水口距底面的高度为5cm至8cm。当所测种类鱼苗为平扁形鱼类，限位排水口距底面的高度为3cm至5cm。
一种基于机器视觉和深度学习的鱼苗便携式计数方法，基于上述计数器实现，包括如下步骤：
1)将鱼苗计数盘从待测鱼苗养殖池内盛出鱼苗，置入鱼苗计数箱内，装好控制箱，夜视鱼眼广角摄像头采集鱼苗图像流；
2)对获得的鱼苗图像利用层残差密集网络(Residual Dense Networks)进行超分辨率重建；即将输入的低分辨率鱼苗图像转化成高分辨率的鱼苗图像，以便于后续步骤对鱼苗区域进行特征提取与目标分割；
3)利用基于密集网络技术(Dense Networks)的深度卷积生成式对抗网络(DeepConvolutional Generative Adversarial Networks)实现鱼苗自身区域与其他杂质区域的快速粗分割，获得只含有鱼苗自身区域的效果图；
4)采用全卷积网络(Fully Convolutional Networks)对上述粗分割后的效果图进行精准语义分割，分割出表征每条鱼苗的像素区域；
5)提取鱼苗轮廓，计算所有轮廓面积并分析面积值规律，去除异常轮廓，统计其余轮廓数，即为鱼苗数量；
此外还可包括步骤6)，即重复步骤2)-5)若干次，除去最大值、最小值，求得平均值即为鱼苗计数盘中的鱼苗数。
本发明与现有鱼苗计数设备及方法相比所具有的优点和有益效果是：
本发明所设计的基于机器视觉和深度学习相结合的鱼苗便携式计数器及计数方法，操作简便，能够实现鱼苗的快速无损计数；其全封闭式的图像采集区通过红外补光灯提供稳定背景，且通过侧面有限位排水口的鱼苗计数盘限定水面高度以减少鱼苗的上下重叠，以实现目标对象为10mm至30mm鱼苗的精准计数，其单次测量范围为0至2000尾，其误差范围可控制在3％至5％；此外，本发明的控制与图像处理可以以树莓派3B+为核心，通过web方式编写用户界面，在局域网内各类智能设备(手机、平板与电脑等)均可以通过输入树莓派IP地址实现远程控制。
附图说明
图1是本发明的整体结构图；
图2是本发明的整体结构爆炸图；
图3是本发明的控制箱结构示意图；
图4是本发明的鱼苗计数盘结构示意图；
图5是本发明的排水垫座结构示意图。
图中：1.控制箱盖2.控制箱3.移动电源4.树莓派3B+型开发板5.7寸HDMI电容触摸屏6.夜视鱼眼广角摄像头7.夜视摄像头红外补光灯8.鱼苗计数箱9.鱼苗计数盘10.排水垫座。
具体实施方式
下面结合附图，详细说明一下本发明的具体实施方式。以下具体实施方式用于说明本发明，但不用来限制本发明的范围。
如图2所示，本发明所设计的一种基于机器视觉和深度学习的鱼苗便携式计数器，包括控制箱2、控制箱盖1、移动电源3、树莓派3B+型开发板4、7寸HDMI电容触摸屏5、夜视鱼眼广角摄像头6、夜视摄像头红外补光灯7、鱼苗计数箱8、鱼苗计数盘9、排水垫座10。
所述控制箱2顶部可插入控制箱盖1，为控制箱2内部移动电源3、树莓派3B+型开发板4、7寸HDMI电容触摸屏5、夜视鱼眼广角摄像头6和夜视摄像头红外补光灯7电子设备提供干燥、清洁的运行环境；
所述移动电源3安置在控制箱2内部，为树莓派3B+型开发板4、7寸HDMI电容触摸屏5、夜视鱼眼广角摄像头6和夜视摄像头红外补光灯7提供电能；
所述树莓派3B+型开发板4安置在控制箱2内部，连接7寸HDMI电容触摸屏5和夜视鱼眼广角摄像头6，是基于机器视觉的鱼苗计数方法实现的核心电子设备；
所述7寸HDMI电容触摸屏5安装在控制箱2主视斜面上，显示基于机器视觉的鱼苗计数系统界面，其界面通过web方式编写，在局域网内各类智能设备(手机、平板与电脑等)均可以通过输入树莓派IP地址实现远程控制，方便用户操作与读数；
所述夜视鱼眼广角摄像头6安装在控制箱底部中心，正对鱼苗计数盘9，为树莓派3B+型开发板4提供鱼苗图像流，与夜视摄像头红外补光灯7连接；
所述夜视摄像头红外补光灯7，分别在夜视鱼眼广角摄像头6两侧连接，为采集的鱼苗图像流提供稳定背景；
所述鱼苗计数盘9叠放在排水垫座10上，盘体侧面有限位排水口，开口位置距底面高度根据不同品种或大小的鱼苗及不同量程是可调的，针对纺锤形鱼类、侧扁形鱼类与圆筒形鱼类时开口位置距底面高度为5cm至8cm，针对平扁形鱼类开口位置距底面高度为3cm至5cm，以限制液面高度，从而减少鱼苗的上下重叠；
所述排水垫座10叠放在鱼苗计数箱8内，表面有排水孔，以防止水回流至鱼苗计数盘9；
所述鱼苗计数箱8提供全封闭式的图像采集区，配合夜视摄像头红外补光灯7为鱼苗图像流提供稳定背景，其顶部可插入控制箱2。
本发明所设计的基于机器视觉和深度学习的鱼苗计数方法，是利用深度学习技术提取图像内鱼苗轮廓数近似求解数量，其步骤如下：
a.利用所述基于机器视觉和深度学习相结合的鱼苗便携式计数器，获取鱼苗计数盘中的鱼苗群图像，其图像摄像环境稳定(红外光源恒定、无抖动)，图像中鱼苗计数盘内水质清洁，盘壁与鱼苗颜色有明显色差，且图像中盘内鱼苗无上下重叠；
b.将步骤a所得鱼苗图像经层残差密集网络(Residual Dense Networks)进行超分辨率重建，即将输入的低分辨率鱼苗图像转化成高分辨率的鱼苗图像，以便于后续步骤对鱼苗区域进行特征提取与目标分割；
c.在上述超分辨率图像基础上，利用基于密集网络(Dense Networks)技术的深度卷积生成式对抗网络(Deep Convolutional Generative Adversarial Networks)实现鱼苗自身区域与其他杂质区域的快速粗分割，获得只含有鱼苗自身区域的效果图；
d.借助于全卷集网络(Fully Convolutional Networks)实现上述粗分割效果图的精准语义分割，即分割出表征每条鱼苗的像素区域；
e.提取鱼苗轮廓，同时计算所有轮廓面积并分析面积值规律，去除异常轮廓，统计符合条件的轮廓数，即为鱼苗数量；
f.重复上述步骤9次，得到目标鱼苗群10个鱼苗数值，去掉1个最大值，去掉1个最小值，计算剩余鱼苗数值的平均值即为此次目标鱼苗群中鱼苗数。
工作时，首先，从控制箱2上取出控制箱盖1，打开移动电源3，启动树莓派3B+4，在7寸HDMI电容触摸屏5上可以看到系统界面，界面显示通过夜视鱼眼广角摄像头6获取的鱼苗计数盘图像流，在该界面上还可以有“计数”和“清零”按钮，以及读数区。
然后，把控制箱盖1插回到控制箱2中，并将控制箱2从鱼苗计数箱8上取出；用放置在鱼苗计数箱8内排水垫座10上的鱼苗计数盘9从待测鱼苗养殖池内盛出鱼苗，并放回原处。
最后，把控制箱2插回到鱼苗计数箱8中，点击“计数”按钮，完成此次鱼苗计数工作，记录并点击“清零”按钮，重复上述操作完成下次鱼苗计数工作。
本实施例在鱼苗计数盘9内投入500、1000、1500、2000尾鱼苗时，其计数结果分别为为精确的498、996、1497、1995条，其计数误差可控制在5％以内。
上述仅为本发明的具体实施方式，在不脱离本发明的构思和范围的情况下做出的各种变化和变型、所有等同的技术方案也属于本发明的范畴。
Claims (7)
1.一种基于机器视觉和深度学习的鱼苗便携式计数器，其特征在于，包括控制箱和鱼苗计数箱；控制箱位于鱼苗计数箱上，控制箱内设有控制板、显示操作屏，控制箱底面装有朝向鱼苗计数箱内的夜视鱼眼广角摄像头、红外补光灯，控制板与显示操作屏、夜视鱼眼广角摄像头相连，鱼苗计数箱内设有鱼苗计数盘和排水垫座，鱼苗计数盘设于排水垫座上，鱼苗计数盘为具有底面的容器，侧面开有限位排水口，限位排水口距底面的高度满足使所测种类鱼苗无法上下叠置，排水垫座表面设有排水孔，排水垫座将鱼苗计数盘抬高以防水回流至鱼苗计数盘内；所述的夜视鱼眼广角摄像头安装在控制箱底部中心，红外补光灯均匀设于夜视鱼眼广角摄像头周围。
2.根据权利要求1所述的基于机器视觉和深度学习的鱼苗便携式计数器，其特征在于，所述的控制板采用树莓派3B+型开发板。
3.根据权利要求1所述的基于机器视觉和深度学习的鱼苗便携式计数器，其特征在于，所述的显示操作屏为HDMI电容触摸屏。
4.根据权利要求1所述的基于机器视觉和深度学习的鱼苗便携式计数器，其特征在于，当所测种类鱼苗为纺锤形鱼类、侧扁形鱼类或圆筒形鱼类，限位排水口距底面的高度为5cm至8cm。
5.根据权利要求1所述的基于机器视觉和深度学习的鱼苗便携式计数器，其特征在于，当所测种类鱼苗为平扁形鱼类，限位排水口距底面的高度为3cm至5cm。
6.一种基于机器视觉和深度学习的鱼苗便携式计数方法，其特征在于，基于权利要求1所述的计数器实现，包括如下步骤：
1）将鱼苗计数盘从待测鱼苗养殖池内盛出鱼苗，置入鱼苗计数箱内，装好控制箱，夜视鱼眼广角摄像头采集鱼苗图像流；
2）对获得的鱼苗图像利用层残差密集网络进行超分辨率重建；
3）利用基于密集网络技术的深度卷积生成式对抗网络实现鱼苗自身区域与其他杂质区域的快速粗分割，获得只含有鱼苗自身区域的效果图；
4）采用全卷积网络对上述粗分割后的效果图进行精准语义分割，分割出表征每条鱼苗的像素区域；
5）提取鱼苗轮廓，计算所有轮廓面积并分析面积值规律，去除异常轮廓，统计其余轮廓数，即为鱼苗数量。
7.根据权利要求6所述的基于机器视觉和深度学习的鱼苗便携式计数方法，其特征在于，还包括步骤6），即重复步骤2）-5）若干次，除去最大值、最小值，求得平均值即为鱼苗计数盘中的鱼苗数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811197077.7A CN109509175B (zh) | 2018-10-15 | 2018-10-15 | 一种基于机器视觉和深度学习的鱼苗便携式计数器及计数方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811197077.7A CN109509175B (zh) | 2018-10-15 | 2018-10-15 | 一种基于机器视觉和深度学习的鱼苗便携式计数器及计数方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109509175A CN109509175A (zh) | 2019-03-22 |
| CN109509175B true CN109509175B (zh) | 2020-09-04 |
Family
ID=65746534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811197077.7A Active CN109509175B (zh) | 2018-10-15 | 2018-10-15 | 一种基于机器视觉和深度学习的鱼苗便携式计数器及计数方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109509175B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110074030B (zh) * | 2019-04-11 | 2020-11-20 | 浙江大学 | 一种融合机器视觉与红外检测技术的反馈式池塘循环水智能投饲系统 |
| CN111640139B (zh) * | 2020-05-22 | 2022-04-19 | 浙江大学 | 一种基于鱼群行为时空特性的循环水养殖水质智能预警装置和方法 |
| CN112215798B (zh) * | 2020-09-14 | 2024-05-10 | 江苏大学 | 一种基于机器视觉的鱼苗计数检测方法与装置 |
| CN112767382A (zh) * | 2021-01-29 | 2021-05-07 | 安徽工大信息技术有限公司 | 一种基于深度学习的鱼苗计数方法 |
| CN112991430B (zh) * | 2021-03-04 | 2024-03-19 | 浙江大学 | 一种基于机器视觉检测跟踪的鱼苗计数装置及方法 |
| CN113160137A (zh) * | 2021-03-19 | 2021-07-23 | 东营市阔海水产科技有限公司 | 虾苗计数方法、终端设备及存储介质 |
| CN113240650A (zh) * | 2021-05-19 | 2021-08-10 | 中国农业大学 | 基于深度学习密度图回归的鱼苗计数系统及计数方法 |
| CN113408687B (zh) * | 2021-06-24 | 2022-06-10 | 浙江大学 | 一种高通量鱼苗在线计数装置和方法 |
| CN113450375B (zh) * | 2021-07-12 | 2022-04-19 | 湖南大学 | 一种基于机器视觉的紧固件计数设备及方法 |
| CN114782376A (zh) * | 2022-04-24 | 2022-07-22 | 青岛森科特智能仪器有限公司 | 一种具有学习功能的鱼苗计数设备及其工作方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101430775A (zh) * | 2008-11-17 | 2009-05-13 | 浙江海洋学院 | 基于计算机视觉的鱼苗自动计数系统 |
| CN102805044A (zh) * | 2012-07-16 | 2012-12-05 | 宁波大学 | 基于计算机视频处理的鱼虾蟹苗自动计数装置及其方法 |
| CN203490730U (zh) * | 2013-08-08 | 2014-03-19 | 曲楠 | 鱼（虾）苗计数机 |
| CN104966122A (zh) * | 2015-07-11 | 2015-10-07 | 浙江大学宁波理工学院 | 一种基于计算机视觉的活鱼自动计数系统 |
| CN105374042A (zh) * | 2015-11-30 | 2016-03-02 | 中国计量学院 | 基于机器视觉的鱼苗在线自动计数装置与方法 |
| JP2016165238A (ja) * | 2015-03-09 | 2016-09-15 | Ｎｅｃソリューションイノベータ株式会社 | 同一魚判定装置、魚計数装置、魚計数用携帯端末、同一魚判定方法、魚計数方法、魚数予測装置、魚数予測方法、同一魚判定システム、魚計数システムおよび魚数予測システム |
| CN106204626A (zh) * | 2016-07-26 | 2016-12-07 | 浙江省海洋水产研究所 | 一种基于图像处理的鱼苗计数器及计数方法 |
-
2018
- 2018-10-15 CN CN201811197077.7A patent/CN109509175B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101430775A (zh) * | 2008-11-17 | 2009-05-13 | 浙江海洋学院 | 基于计算机视觉的鱼苗自动计数系统 |
| CN102805044A (zh) * | 2012-07-16 | 2012-12-05 | 宁波大学 | 基于计算机视频处理的鱼虾蟹苗自动计数装置及其方法 |
| CN203490730U (zh) * | 2013-08-08 | 2014-03-19 | 曲楠 | 鱼（虾）苗计数机 |
| JP2016165238A (ja) * | 2015-03-09 | 2016-09-15 | Ｎｅｃソリューションイノベータ株式会社 | 同一魚判定装置、魚計数装置、魚計数用携帯端末、同一魚判定方法、魚計数方法、魚数予測装置、魚数予測方法、同一魚判定システム、魚計数システムおよび魚数予測システム |
| CN104966122A (zh) * | 2015-07-11 | 2015-10-07 | 浙江大学宁波理工学院 | 一种基于计算机视觉的活鱼自动计数系统 |
| CN105374042A (zh) * | 2015-11-30 | 2016-03-02 | 中国计量学院 | 基于机器视觉的鱼苗在线自动计数装置与方法 |
| CN106204626A (zh) * | 2016-07-26 | 2016-12-07 | 浙江省海洋水产研究所 | 一种基于图像处理的鱼苗计数器及计数方法 |
Non-Patent Citations (4)
| Title |
|---|
| SEMI-SUPERVISED LEARNING-BASED LIVE FISH IDENTIFICATION IN AQUACULTURE USING MODIFIED DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS;J. Zhao;《American Society of Agricultural and Biological Engineers》;20180131;第61卷(第2期);第699-710页 * |
| 基于图像处理的鱼苗计数方法;黄玲 等;《湖北农业科学》;20120531;第51卷(第9期);第1880-1882页 * |
| 基于机器视觉跟踪的计数算法;郭俊 等;《传感器与微系统》;20180228;第37卷(第2期);第154-157、160页 * |
| 基于计算机视觉的鱼苗自动计数系统研究;王文静 等;《渔业现代化》;20160630;第43卷(第3期);第34-38、73页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109509175A (zh) | 2019-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109509175B (zh) | 一种基于机器视觉和深度学习的鱼苗便携式计数器及计数方法 | |
| Castelle et al. | Satellite-derived shoreline detection at a high-energy meso-macrotidal beach | |
| Zhang et al. | In-situ water level measurement using NIR-imaging video camera | |
| CN101430775B (zh) | 基于计算机视觉的鱼苗自动计数装置和方法 | |
| CN104112370B (zh) | 基于监控图像的停车场智能车位识别方法及系统 | |
| CN105374042B (zh) | 基于机器视觉的鱼苗在线自动计数装置与方法 | |
| CN109344894A (zh) | 基于多传感器融合和深度学习的垃圾分类识别方法及装置 | |
| CN105300854B (zh) | 雾滴参数测量装置及利用该装置的雾滴参数测量分析方法 | |
| CN109949296A (zh) | 一种输电线路缺陷识别方法、装置及存储介质 | |
| CN101520449B (zh) | 一种近岸海域水质采样点优化装置及优化方法 | |
| Rodriguez et al. | Optical fish trajectory measurement in fishways through computer vision and artificial neural networks | |
| Kasprak et al. | The effects of topographic surveying technique and data resolution on the detection and interpretation of geomorphic change | |
| CN107631782A (zh) | 一种基于Harris角点检测的水位检测方法 | |
| CN102222384A (zh) | 纸币多光谱图像分析方法 | |
| CN113240650A (zh) | 基于深度学习密度图回归的鱼苗计数系统及计数方法 | |
| CN101266258A (zh) | 湍动条件下低浓度污泥沉降速率的测量方法和装置 | |
| CN107578408B (zh) | 一种奶牛养殖场地面尿液面积的仿真测量装置与方法 | |
| CN107221005A (zh) | 物体检测方法及装置 | |
| CN102542154A (zh) | 一种基于云存储的病理数字切片的质量控制方法 | |
| CN114299490B (zh) | 一种肿瘤微环境异质性评价方法 | |
| Ojala et al. | Characterization of De Geer moraines in Finland based on LiDAR DEM mapping | |
| CN111079773A (zh) | 一种基于Mask R-CNN网络的砾石参数获取方法、装置、设备及存储介质 | |
| Thackeray et al. | Quantitative analysis of the importance of wind‐induced circulation for the spatial structuring of planktonic populations | |
| Sarmiento et al. | Methodology for classification of geographical features with remote sensing images: Application to tidal flats | |
| Hillier et al. | Production and preservation of the smallest drumlins |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190322 Assignee: Hainan Kuaiyu Biotechnology Co.,Ltd. Assignor: ZHEJIANG University Contract record no.: X2023980039124 Denomination of invention: A portable counter and counting method for fish fry based on machine vision and deep learning Granted publication date: 20200904 License type: Common License Record date: 20230804 |