CN110163253B - 鱼浮头程度检测方法及系统 - Google Patents
鱼浮头程度检测方法及系统 Download PDFInfo
- Publication number
- CN110163253B CN110163253B CN201910312960.4A CN201910312960A CN110163253B CN 110163253 B CN110163253 B CN 110163253B CN 201910312960 A CN201910312960 A CN 201910312960A CN 110163253 B CN110163253 B CN 110163253B
- Authority
- CN
- China
- Prior art keywords
- fish
- floating head
- information
- water body
- surface 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 79
- 241000251468 Actinopterygii Species 0.000 claims abstract description 162
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 127
- 241000791868 Selene orstedii Species 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 46
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 34
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 34
- 239000001301 oxygen Substances 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000004044 response Effects 0.000 claims abstract description 16
- 230000000638 stimulation Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000009360 aquaculture Methods 0.000 description 2
- 244000144974 aquaculture Species 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mining & Mineral Resources (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种鱼浮头程度检测方法及系统,该方法包括:获取待检测的水体表面图像,根据水体表面图像获取水体的鱼浮头信息;其中,鱼浮头信息包括浮头鱼的位置信息、水体的溶解氧信息及浮头鱼对外来刺激的反应信息中的至少一种;将鱼浮头信息输入至程度检测模型中,获得程度检测模型输出的鱼浮头程度信息;其中,程度检测模型是基于样本鱼浮头信息及预先确定的鱼浮头程度标签训练后获得的。本发明实施例相比于现有技术中人工观察的方式具有较高的自动化程度,提高了检测效率,减小了人力物力的消耗,并且检测结果不会受限于人的经验,得到的检测结果具有较高的准确度和可信度。
Description
技术领域
本发明涉及水产养殖领域,更具体地,涉及一种鱼浮头程度检测方法及系统。
背景技术
水产养殖是农业生产的重要组成部分。近年来,随着池塘养殖结构的调整,放养密度不断加大,因而池塘较容易出现鱼类因缺氧而浮头的现象。鱼浮头通常具有不同的程度:一般轻微浮头,短时消失,对鱼体的正常生活、生长不会带来损害性的影响;但如果经常浮头,尤其是严重的浮头和泛塘,轻则会影响鱼的生长速度,重则会使鱼生长停滞不前,更严重地,鱼会大面积死亡,造成毁灭性损失。因此,正确的判断浮头的轻重程度,并及时采取相应的防治办法对渔业的发展十分重要。现有技术中,主要通过人工巡塘的方法来判断鱼浮头的程度。但是,人工观察的方式对养殖人员的专业素养及敬业程度要求较高,且消耗大量的人力和物力,得到的结果的可信度和实时性低。
发明内容
为了解决上述问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的鱼浮头程度检测方法及系统。
根据本发明实施例的第一方面,提供一种鱼浮头程度检测方法,该方法包括:获取待检测的水体表面图像,根据水体表面图像获取水体的鱼浮头信息;其中,鱼浮头信息包括浮头鱼的位置信息、水体的溶解氧信息及浮头鱼对外来刺激的反应信息中的至少一种;将鱼浮头信息输入至程度检测模型中,获得程度检测模型输出的鱼浮头程度信息;其中,程度检测模型是基于样本鱼浮头信息及预先确定的鱼浮头程度标签训练后获得的。
根据本发明实施例第二方面,提供了一种鱼浮头程度检测系统,该系统包括:获取模块,用于获取待检测的水体表面图像,根据水体表面图像获取水体的鱼浮头信息;其中,鱼浮头信息包括浮头鱼的位置信息、水体的溶解氧信息及浮头鱼对外来刺激的反应信息中的至少一种;检测模块,用于将鱼浮头信息输入至程度检测模型中,获得程度检测模型输出的鱼浮头程度信息;其中,程度检测模型是基于样本鱼浮头信息及预先确定的鱼浮头程度标签训练后获得的。
根据本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如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鱼浮头程度检测方法。
根据本发明实施例的第四方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如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鱼浮头程度检测方法。
本发明实施例提供的鱼浮头程度检测方法及系统,通过根据水体表面图像获取水体的鱼浮头信息,并将鱼浮头信息输入至程度检测模型中,获得程度检测模型输出的鱼浮头程度信息,相比于现有技术中人工观察的方式具有较高的自动化程度,提高了检测效率,减小了人力物力的消耗,并且检测结果不会受限于人的经验,得到的检测结果具有较高的准确度和可信度。
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简单地介绍。显而易见地,下面描述中的附图仅仅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,还可以根据这些图获得其他的附图。
图1为本发明实施例提供的鱼浮头程度检测方法的流程示意图;
图2为本发明实施例提供的鱼浮头程度检测系统的结构示意图;
图3为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做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。
本发明实施例提供一种鱼浮头程度检测方法,参见图1,该方法包括但不限于如下步骤:
步骤101、获取待检测的水体表面图像,根据水体表面图像获取水体的鱼浮头信息;其中,鱼浮头信息包括浮头鱼的位置信息、水体的溶解氧信息及浮头鱼对外来刺激的反应信息中的至少一种。
其中,水体可以是池塘,本发明实施例对此不作限定。水体表面图像可以是对待检测的水体进行实时视频拍摄后获得的视频中的任意一帧图像。具体地,在拍摄到视频后,可将视频传送给视频图像采集卡,图像采集卡将模拟图像信号转换成计算机能处理的数字图像信号,然后可以在数字图像信号中取出任意一帧图像作为水体表面图像。
具体地,在获取到水体表面图像后,可对水体表面进行预处理。预处理的目的是为了在进一步的处理过程中更容易获得所需的鱼浮头信息。预处理可包括:二值化处理、去噪处理和增强处理中的至少一种。进一步地,二值化处理可以使用OSTU最大类间差算法或其改进算法等,该方法可以解决阈值的自适应问题并且可以缩短计算时间;去噪处理可以采用中值滤波、形态学滤波等算法,本发明实施例对此不作具体限制;图像增强处理可以采用直方图均衡化,以对水体表面图像进行一定的增强。
在预处理完成后,对水体表面图像进行进一步处理,进一步处理的目的是为了得到鱼浮头信息。鱼浮头信息是能够表征水体的鱼浮头轻重程度的信息,例如可包括浮头鱼的位置信息、水体的溶解氧信息及浮头鱼对外来刺激的反应信息中的至少一种。
步骤102、将鱼浮头信息输入至程度检测模型中,获得程度检测模型输出的鱼浮头程度信息;其中,程度检测模型是基于样本鱼浮头信息及预先确定的鱼浮头程度标签训练后获得的。
具体地,在步骤101中获得了鱼浮头信息后,可将鱼浮头信息输入至程度检测模型中,从而获得该模型输出的鱼浮头程度信息。其中,鱼浮头程度信息用于描述待检测水体的鱼浮头的轻重程度。进一步地,鱼浮头程度信息具体可采用数字的方式表示,例如鱼浮头程度信息为0时,表示水体的鱼浮头程度为轻度;鱼浮头程度信息为1时,表示水体的鱼浮头程度为中度;鱼浮头程度信息为2时,表示水体的鱼浮头程度为重度。应当说明的是,上述采用数字表示鱼浮头程度信息的方式仅为一种具体的实现方式,本发明实施例的保护范围不限于此。
另外,在执行步骤102之前,需要构建出上述程度检测模型。首先需要采集数据获取训练样本,并创建神经网络模型。其中,训练样本通过如下方式获取:首先可采集不同鱼浮头程度的水体表面图像,然后根据水体表面图像获取样本鱼浮头信息;然后分别确定每一样本鱼浮头信息对应的鱼浮头程度标签(例如,鱼浮头分类标签包括0(轻度)、1(中度)和2(重度));多个鱼浮头信息及对应的鱼浮头程度标签组成训练样本。其中,神经网络模型可以选择为BP神经网络,但本发明实施例的保护范围神经网络模型的类型做限定。神经网络模型包括输入层、隐藏层和输出层。在获得上述训练样本和神经网络模型后,可对该模型进行训练,训练的具体步骤如下:
1)参数初始化,随机初始化网络的权值矩阵以及阈值;初始化训练误差Emin为一个小的正数;设置训练样本数为N,学习率为0<η<1;
2)输入训练样本,计算神经网络各层的输出量;
3)计算网络的输出误差,根据下式计算总体输出误差:
4)计算各层的误差信号;
5)调整各层的权值矩阵,根据自学习模型更新权值矩阵;
6)检查是否完成一次训练,若计数器n,n<N,n=n+1,返回步骤2),否则转向步骤7);
7)检查网络总体输出误差是否满足精度要求,若满足E<Emin,则训练结束;否则,置E=0,n=1,返回步骤2)。
本发明实施例提供的鱼浮头程度检测方法,通过根据水体表面图像获取水体的鱼浮头信息,并将鱼浮头信息输入至程度检测模型中,获得程度检测模型输出的鱼浮头程度信息,相比于现有技术中人工观察的方式具有较高的自动化程度,提高了检测效率,减小了人力物力的消耗,并且检测结果不会受限于人的经验,得到的检测结果具有较高的准确度和可信度。
基于上述实施例的内容,作为一种可选实施例,鱼浮头信息为浮头鱼的位置信息;相应地,提供一种根据水体表面图像获取水体的鱼浮头信息的方法,包括但不限于如下步骤:
步骤1、将水体表面图像输入至目标检测模型,获得目标检测模型输出的目标检测结果;其中,目标检测模型是基于样本水体表面图像及预先确定的目标检测结果标签训练后获得的。
其中,为了获取浮头鱼的位置信息,需要对水体表面图像进行目标(即为浮头鱼)检测。目前有很多高精度的目标检测算法,其中基于深度学习的目标检测算法在计算速度和检测精度上表现的尤为突出,因此,目标检测模型可以是基于卷积神经网络(Convolutional Neural Network,简称CNN)或者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,本发明实施例对目标检测模型具体的神经网络类型不作具体限定。
具体地,将水体表面图像输入到目标检测模型中,能够获得该模型输出的目标检测结果。其中,目标检测结果能够指示水体表面图像中每条浮头鱼的位置信息,例如可以矩形框的形式或者坐标的形式反映,本发明实施例对此不作限定。
其中,作为一种可选实施例,目标检测结果包括水体表面图像的副本图像,副本图像上设置有矩形框,每个矩形框位于一个检测到的浮头鱼的位置处。具体地,通过目标检测模型可以将水体表面图像中检测到的浮头鱼以副本图像中的矩形框的形式给出,矩形框的中心点像素位置为(xi,yi),i∈[1,N],N为矩形框个数。
步骤2、根据目标检测结果以及水体的轮廓信息,计算每一条浮头鱼与水体中心之间的第一欧式距离,以及计算每一条浮头鱼与最近的水体轮廓点之间的第二欧式距离。
具体地,可利用轮廓提取算法对水体表面图像中水体的轮廓进行提取,并以水体中心为坐标原点构建二维坐标系。然后可将矩形框中心点像素的位置坐标(xi,yi)映射到二维坐标系中,从而得到浮头鱼的散点图。基于浮头鱼的散点图可计算出每一条浮头鱼与水体中心的第一欧氏距离di0,并可计算出每一条浮头鱼与其最近的水体轮廓点之间的第二欧氏距离di1。
步骤3、对于每一条浮头鱼,将第一欧式距离与第二欧式距离之间的差值作为浮头鱼的位置信息。即可将di0-di1作为每一条浮头鱼的位置信息。
基于上述实施例的内容,作为一种可选实施例,鱼浮头信息为水体的溶解氧信息;相应地,提供一种根据水体表面图像获取水体的鱼浮头信息的方法,包括但不限于如下步骤:
步骤1’、将水体表面图像输入至鱼类识别模型,获得鱼类识别模型输出的每一条浮头鱼的类型信息;其中,鱼类识别模型是基于样本水体表面图像及预先确定的类型标注训练后获得的。
其中,由于每一种类的鱼都有其特定的溶解氧适宜范围,因此,若检测到某类鱼浮头,则表明该水体的溶解氧小于等于该类鱼溶解氧适宜范围的下限。因此,本发明实施例可通过检测浮头鱼的种类来获取水体的溶解氧信息。
具体地,将水体表面图像输入到鱼类识别模型后,能够获得该模型输出的每一条浮头鱼的类型信息。鱼类识别模型需要对图像进行目标分类,鱼类识别模型可以是基于卷积神经网络(Convolutional Neural Network,简称CNN)或者改进的卷积神经网络建立的模型,本发明实施例对此不作具体限制。在训练该分类模型之前,需要采集大规模养殖场景下的常见鱼类图像,利用标注工具对鱼类的类别信息进行标注,获得每一样本水体表面图像的类型标注。其中采集的图像以鱼的俯视图像为最优,这是由于本发明实施例针对的是鱼在水面浮头的场景。对采集到的样本集进行设计,将70%的样本划分为训练样本,15%的样本划分为验证样本,15%的样本划分为测试样本。之后将训练样本图像输入至分类模型进行模型训练,在对模型训练的同时利用验证样本数据来评估模型的误差,若误差持续下降,则继续训练直到满足预定的误差精度。若误差连续十次不下降,则终止训练,获得了训练完成的鱼类识别模型。
步骤2’、对于每一条浮头鱼,获取浮头鱼的类型信息所对应的溶解氧适宜范围,并根据溶解氧适宜范围确定水体的溶解氧信息。
具体地,若浮头鱼的类型只有一种,则可以确定当前水体的溶解氧地域该类型鱼的溶解氧适宜范围中的下限值;另外,由于不同类型的浮头鱼可能具有不同的溶解氧适宜范围,因此若有多种类型的鱼浮头了,则可以根据不同类型的浮头鱼的溶解氧适宜范围的值,综合确定当前水体的溶解氧信息。
基于上述实施例的内容,作为一种可选实施例,鱼浮头信息为浮头鱼对外来刺激的反应信息;相应地,提供一种根据水体表面图像获取水体的鱼浮头信息的方法,包括但不限于如下步骤:
步骤1”、获取水体表面图像中浮头鱼的目标区域以及目标区域的不变矩特征,并将不变矩特征作为浮头鱼的形状特征参数。
具体地,为了获得浮头鱼对外来刺激的反应信息,需要对水体表面图像中的浮头鱼进行目标跟踪。其中,目标区域即为水体表面图像中浮头鱼的图像区域。并具体可利用目标区域的7个不变矩特征中的前三个作为分割后的目标区域的形状特征参数。
步骤2”、根据形状特征参数确定每一条浮头鱼的重心坐标,并根据重心坐标对每一条受到外来刺激的浮头鱼的运动轨迹进行跟踪。
具体地,利用形状特征参数可以计算浮头鱼的重心坐标。对于(x,y)∈I,每个I代表一个目标区域,I(x,y)为像素值,其p+q阶原点不变矩计算如公式:
则浮头鱼的重心坐标(x0,y0)为x0=m10/m00,y0=m01/m00。
在获得了每一条浮头鱼的中心坐标后,可对每一条浮头鱼的轨迹进行跟踪。本发明实施例对具体采用的跟踪方法不作限定,以下以采用kalman滤波方法为例进行说明:
针对视频图像中的运动目标(即浮头鱼),可以建立目标位置的测量方程及目标状态的运动方程,分别如下式所示:
xk+1=Axk+wk
yk=Hxk+vk
其中,xk是k时刻目标的运动状态向量,可以包括目标的速度、位置、加速度、大小等状态分量。A是运动状态的转移矩阵,yk是k时刻目标位置等部分运动状态的测量值。H是测量矩阵,wk和vk分别表示运动过程噪声及测量过程的噪声。在Kalman滤波中,wk和vk都被假设成高斯白噪声,协方差矩阵分别记为Q、R,一般情况下,认为Q、R是固定不变的,即针对某类运动目标及某种测量系统,Q、R不随时间的改变而改变。
Kalman预测的迭代过程如下:
Kk=Apk|k-1HT(Hpk|k-1HT+R)-1 (2)
pk=(I-A-1KkH)pk|k-1 (4)
pk+1|k=ApkAT+Q (5)
k=k+1 (6)
其中,Kk为增益,为k-1时刻xk的估计值,yk为测量值,k=pk|k-1是一步预测误差协方差矩阵,(2)、(3)式完成测试,(4)、(5)式完成更新。基于上述原理可对水体表面图像所在的视频中的每一浮头鱼的运动轨迹进行跟踪。
步骤3”、根据运动轨迹获取浮头鱼的加速度信息,并将加速度信息作为反应信息。
设视频中前后两帧图像(水体表面图像可以为前一帧或后一帧)中浮头鱼重心的坐标分别为pi1=(xi1,yi1)和pi2=(xi2,yi2),时间间隔为s,单位为秒。浮头鱼i受惊吓后的游泳速度可表示如式:浮头鱼在受惊吓后的加速度为ai=(vi-v0)/s,由于鱼浮头几乎是静止不动的,所以v0=0,ai=vi/s。上述加速度即为浮头鱼对外来刺激的反应信息。
基于上述实施例的内容,作为一种可选实施例,提供一种获取水体表面图像中浮头鱼的目标区域以及目标区域的不变矩特征的方法,包括但不限于如下步骤:
对水体表面图像进行前景检测,获取浮头鱼的目标区域;对目标区域进行边缘检测,获得浮头鱼的边缘图像;根据边缘图像的边缘像素计算目标区域的不变矩特征。
具体地,为了简化计算,对前景提取后获取的前景图像(即去除了水体表面图像中静态背景的图像)进行边缘检测,得到每个目标(即浮头鱼)的边缘图像。在计算不变矩特征的过程中,不是把每个目标的所有像素都代入上式,而是只用边缘像素的边缘像素进行计算,这样可以减少求不变矩过程的计算量。
基于上述实施例的内容,作为一种可选实施例,在将鱼浮头信息输入至程度检测模型之前,还包括:分别对位置信息、溶解氧信息及反应信息进行归一化处理。
具体地,归一化处理所采用的方法为最大最小算法,可分别对每一种鱼浮头信息进行归一化处理。例如浮头鱼对外来刺激的反应的加速度数据集合为a={a1,a2,...,a3},其中ai为输入数据,amin为输入数据的最小值,amax为输入数据的最大值,则利用最大最小算法对其进行归一化的计算公式如下:
通过上述归一化处理,可以将位置信息、溶解氧信息和反应信息的数值大小均设定在一个固定的范围内,例如均在0至1的范围内。
综上,本发明实施例提供的鱼浮头程度检测方法具有如下有益效果:1)无需人为观察即可得到准确的浮头程度信息;2)综合分析表征鱼浮头程度的多种信息,如浮头鱼的类别信息、浮头的范围信息以及浮头时对外来刺激的反映信息,能够准确得到鱼浮头的程度,从而能够针对当前的浮头程度及时采取相应的措施。
基于上述实施例的内容,本发明实施例提供了一种鱼浮头程度检测系统,该鱼浮头程度检测系统用于执行上述方法实施例中的鱼浮头程度检测方法。参见图2,该系统包括:获取模块201和检测模块202;其中,获取模块201,用于获取待检测的水体表面图像,根据水体表面图像获取水体的鱼浮头信息;其中,鱼浮头信息包括浮头鱼的位置信息、水体的溶解氧信息及浮头鱼对外来刺激的反应信息中的至少一种;检测模块202,用于将鱼浮头信息输入至程度检测模型中,获得程度检测模型输出的鱼浮头程度信息;其中,程度检测模型是基于样本鱼浮头信息及预先确定的鱼浮头程度标签训练后获得的。
具体地,获取模块201在获取到水体表面图像后,可对水体表面进行预处理。预处理的目的是为了在进一步的处理过程中更容易获得所需的鱼浮头信息。预处理可包括:二值化处理、去噪处理和增强处理中的至少一种。获取模块201在预处理完成后,对水体表面图像进行进一步处理,进一步处理的目的是为了得到鱼浮头信息。检测模块202可将鱼浮头信息输入至程度检测模型中,从而获得该模型输出的鱼浮头程度信息。其中,鱼浮头程度信息用于描述待检测水体的鱼浮头的轻重程度。
本发明实施例提供的鱼浮头程度检测系统,通过根据水体表面图像获取水体的鱼浮头信息,并将鱼浮头信息输入至程度检测模型中,获得程度检测模型输出的鱼浮头程度信息,相比于现有技术中人工观察的方式具有较高的自动化程度,提高了检测效率,减小了人力物力的消耗,并且检测结果不会受限于人的经验,得到的检测结果具有较高的准确度和可信度。
本发明实施例提供了一种电子设备,如图3所示,该设备包括:处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303上并可在处理器301上运行的计算机程序,以执行上述各实施例提供的鱼浮头程度检测方法,例如包括:获取待检测的水体表面图像,根据水体表面图像获取水体的鱼浮头信息;其中,鱼浮头信息包括浮头鱼的位置信息、水体的溶解氧信息及浮头鱼对外来刺激的反应信息中的至少一种;将鱼浮头信息输入至程度检测模型中,获得程度检测模型输出的鱼浮头程度信息;其中,程度检测模型是基于样本鱼浮头信息及预先确定的鱼浮头程度标签训练后获得的。
此外,上述的存储器303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。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的鱼浮头程度检测方法,例如包括:获取待检测的水体表面图像,根据水体表面图像获取水体的鱼浮头信息;其中,鱼浮头信息包括浮头鱼的位置信息、水体的溶解氧信息及浮头鱼对外来刺激的反应信息中的至少一种;将鱼浮头信息输入至程度检测模型中,获得程度检测模型输出的鱼浮头程度信息;其中,程度检测模型是基于样本鱼浮头信息及预先确定的鱼浮头程度标签训练后获得的。
以上所描述的电子设备等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。基于这样的理解,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)执行各个实施例或者实施例的某些部分方法。
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 (9)
1.一种鱼浮头程度检测方法,其特征在于,包括:
获取待检测的水体表面图像,根据所述水体表面图像获取水体的鱼浮头信息;其中,所述鱼浮头信息包括浮头鱼的位置信息、水体的溶解氧信息及浮头鱼对外来刺激的反应信息中的至少一种;
将所述鱼浮头信息输入至程度检测模型中,获得所述程度检测模型输出的鱼浮头程度信息;其中,所述程度检测模型是基于样本鱼浮头信息及预先确定的鱼浮头程度标签训练后获得的;
其中,当所述鱼浮头信息为所述水体的溶解氧信息时,相应地,所述根据所述水体表面图像获取水体的鱼浮头信息,包括:
将所述水体表面图像输入至鱼类识别模型,获得所述鱼类识别模型输出的每一条浮头鱼的类型信息;其中,所述鱼类识别模型是基于样本水体表面图像及预先确定的类型标注训练后获得的;
对于每一条所述浮头鱼,获取所述浮头鱼的类型信息所对应的溶解氧适宜范围,并根据所述溶解氧适宜范围确定所述水体的溶解氧信息。
2.根据权利要求1所述的方法,其特征在于,所述鱼浮头信息为所述浮头鱼的位置信息;
相应地,所述根据所述水体表面图像获取水体的鱼浮头信息,包括:
将所述水体表面图像输入至目标检测模型,获得所述目标检测模型输出的目标检测结果;其中,所述目标检测模型是基于样本水体表面图像及预先确定的目标检测结果标签训练后获得的;
根据所述目标检测结果以及所述水体的轮廓信息,计算每一条所述浮头鱼与水体中心之间的第一欧式距离,以及计算每一条所述浮头鱼与最近的水体轮廓点之间的第二欧式距离;
对于每一条所述浮头鱼,将所述第一欧式距离与所述第二欧式距离之间的差值作为所述浮头鱼的所述位置信息。
3.根据权利要求2所述的方法,其特征在于,所述目标检测结果包括所述水体表面图像的副本图像,所述副本图像上设置有矩形框,每个所述矩形框位于一个检测到的所述浮头鱼的位置处。
4.根据权利要求1所述的方法,其特征在于,所述鱼浮头信息为所述浮头鱼对外来刺激的反应信息;
相应地,所述根据所述水体表面图像获取水体的鱼浮头信息,包括:
获取所述水体表面图像中所述浮头鱼的目标区域以及所述目标区域的不变矩特征,并将所述不变矩特征作为所述浮头鱼的形状特征参数;
根据所述形状特征参数确定每一条所述浮头鱼的重心坐标,并根据所述重心坐标对每一条受到外来刺激的所述浮头鱼的运动轨迹进行跟踪;
根据所述运动轨迹获取所述浮头鱼的加速度信息,并将所述加速度信息作为所述反应信息。
5.根据权利要求4所述的方法,其特征在于,所述获取所述水体表面图像中所述浮头鱼的目标区域以及所述目标区域的不变矩特征,包括:
对所述水体表面图像进行前景检测,获取所述浮头鱼的目标区域;
对所述目标区域进行边缘检测,获得所述浮头鱼的边缘图像;
根据所述边缘图像的边缘像素计算所述目标区域的不变矩特征。
6.根据权利要求1所述的方法,其特征在于,将所述鱼浮头信息输入至程度检测模型之前,还包括:
分别对所述位置信息、所述溶解氧信息及所述反应信息进行归一化处理。
7.一种鱼浮头程度检测系统,其特征在于,包括:
获取模块,用于获取待检测的水体表面图像,根据所述水体表面图像获取水体的鱼浮头信息;其中,所述鱼浮头信息包括浮头鱼的位置信息、水体的溶解氧信息及浮头鱼对外来刺激的反应信息中的至少一种;
检测模块,用于将所述鱼浮头信息输入至程度检测模型中,获得所述程度检测模型输出的鱼浮头程度信息;其中,所述程度检测模型是基于样本鱼浮头信息及预先确定的鱼浮头程度标签训练后获得的;
所述获取模块还用于,当所述鱼浮头信息为所述水体的溶解氧信息时,相应地,所述根据所述水体表面图像获取水体的鱼浮头信息,包括:
将所述水体表面图像输入至鱼类识别模型,获得所述鱼类识别模型输出的每一条浮头鱼的类型信息;其中,所述鱼类识别模型是基于样本水体表面图像及预先确定的类型标注训练后获得的;
对于每一条所述浮头鱼,获取所述浮头鱼的类型信息所对应的溶解氧适宜范围,并根据所述溶解氧适宜范围确定所述水体的溶解氧信息。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述鱼浮头程度检测方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述鱼浮头程度检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910312960.4A CN110163253B (zh) | 2019-04-18 | 2019-04-18 | 鱼浮头程度检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910312960.4A CN110163253B (zh) | 2019-04-18 | 2019-04-18 | 鱼浮头程度检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163253A CN110163253A (zh) | 2019-08-23 |
CN110163253B true CN110163253B (zh) | 2021-05-04 |
Family
ID=67639420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910312960.4A Active CN110163253B (zh) | 2019-04-18 | 2019-04-18 | 鱼浮头程度检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163253B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112965557A (zh) * | 2021-02-01 | 2021-06-15 | 三峡大学 | 智能龙虾养殖监测装置及监测方法 |
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08168345A (ja) * | 1994-12-16 | 1996-07-02 | Kirin Brewery Co Ltd | 低酸素耐性付与用の餌料およびこれを用いた魚類の輸送方法 |
CN201805812U (zh) * | 2010-09-12 | 2011-04-27 | 杨小林 | 一种养殖用水产浮头自动探测装置 |
CN104599285A (zh) * | 2015-02-27 | 2015-05-06 | 浪潮集团有限公司 | 一种基于遥感图像的水体信息提取方法及装置 |
CN106779418A (zh) * | 2016-12-20 | 2017-05-31 | 河海大学常州校区 | 基于神经网络和证据理论的水污染事件智能决策方法 |
CN106719115A (zh) * | 2016-10-26 | 2017-05-31 | 陈鸽 | 智能鱼类喂养方法及装置 |
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 |
CN208001872U (zh) * | 2018-03-16 | 2018-10-26 | 南京医科大学 | 一种简易高效斑马鱼低氧模型实验装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201063019Y (zh) * | 2007-08-08 | 2008-05-21 | 唐宏 | 水产类养殖中缺氧浮头自动监测装置 |
CN104992189B (zh) * | 2015-07-22 | 2018-07-27 | 河海大学常州校区 | 基于深度学习网络模型的鱼群异常行为识别方法 |
CN109472883A (zh) * | 2018-09-27 | 2019-03-15 | 中国农业大学 | 巡塘方法和装置 |
-
2019
- 2019-04-18 CN CN201910312960.4A patent/CN110163253B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08168345A (ja) * | 1994-12-16 | 1996-07-02 | Kirin Brewery Co Ltd | 低酸素耐性付与用の餌料およびこれを用いた魚類の輸送方法 |
CN201805812U (zh) * | 2010-09-12 | 2011-04-27 | 杨小林 | 一种养殖用水产浮头自动探测装置 |
CN104599285A (zh) * | 2015-02-27 | 2015-05-06 | 浪潮集团有限公司 | 一种基于遥感图像的水体信息提取方法及装置 |
CN106719115A (zh) * | 2016-10-26 | 2017-05-31 | 陈鸽 | 智能鱼类喂养方法及装置 |
CN106779418A (zh) * | 2016-12-20 | 2017-05-31 | 河海大学常州校区 | 基于神经网络和证据理论的水污染事件智能决策方法 |
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 |
CN208001872U (zh) * | 2018-03-16 | 2018-10-26 | 南京医科大学 | 一种简易高效斑马鱼低氧模型实验装置 |
Non-Patent Citations (2)
Title |
---|
面向水质监测的鱼群行为建模及异常检测方法研究;黄珊珊;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20140315;正文第2-3章 * |
鱼类浮头轻重程度的鉴别及应对措施;王化荣;《渔业致富指南》;20121231;第27页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110163253A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mohamed et al. | Msr-yolo: Method to enhance fish detection and tracking in fish farms | |
Li et al. | Automatic counting methods in aquaculture: A review | |
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 | |
CN107169954B (zh) | 一种基于并行卷积神经网络的图像显著性检测方法 | |
CN113592896B (zh) | 基于图像处理的鱼类投喂方法、系统、设备及存储介质 | |
CN110163253B (zh) | 鱼浮头程度检测方法及系统 | |
CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
CN108038515A (zh) | 无监督多目标检测跟踪方法及其存储装置与摄像装置 | |
CN110288033B (zh) | 一种基于卷积神经网络的甘蔗蔗节特征识别与定位方法 | |
CN103177266A (zh) | 储藏物害虫智能识别系统 | |
CN113349111A (zh) | 一种用于水产养殖物的动态投喂方法、系统和存储介质 | |
CN109359576B (zh) | 一种基于图像局部特征识别的动物数量估计方法 | |
CN110852358A (zh) | 一种基于深度学习的车辆类型判别方法 | |
CN111414995A (zh) | 小目标菌落的检测处理方法、装置、电子设备及介质 | |
CN115731282A (zh) | 基于深度学习的水下鱼类重量估计方法、系统及电子设备 | |
CN104573701B (zh) | 一种玉米雄穗性状的自动检测方法 | |
CN108154513A (zh) | 基于双光子成像数据的细胞自动探测和分割方法 | |
CN115294322A (zh) | 水下船底可疑目标检测方法、装置、电子设备及可读介质 | |
Zou et al. | Fish tracking based on feature fusion and scale adaptation in a real-world underwater environment | |
Palconit et al. | Counting of uneaten floating feed pellets in water surface images using ACF detector and Sobel edge operator | |
CN110008881B (zh) | 多运动目标的奶牛行为的识别方法及装置 | |
Li et al. | Brown rice germ integrity identification based on deep learning network | |
CN112215714A (zh) | 基于无人机的稻穗检测方法及装置 | |
CN108967246B (zh) | 虾苗定位方法 | |
CN115049692B (zh) | 模拟自然生态的海洋水产养殖光照智能调节方法及系统 |
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 |