CN110298856B - 一种鱼体长度非接触式估算方法 - Google Patents
一种鱼体长度非接触式估算方法 Download PDFInfo
- Publication number
- CN110298856B CN110298856B CN201910531297.7A CN201910531297A CN110298856B CN 110298856 B CN110298856 B CN 110298856B CN 201910531297 A CN201910531297 A CN 201910531297A CN 110298856 B CN110298856 B CN 110298856B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- fish body
- pixel
- gray value
- fish
- 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
Images
Classifications
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10024—Color 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
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
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
本发明公开了一种鱼体长度非接触式估算方法,该方法进行远程图像获取,并利用远程获取的图像进行分析和处理,最终计算出鱼体长度;该非接触式估算方法不会对鱼体造成创伤,能够快速、高效地估算鱼体长度。
Description
技术领域
本发明涉及水产养殖领域,更具体地,涉及一种鱼体长度非接触式估算方法。
背景技术
水产养殖是农业生产的重要组成部分,科学、准确、及时获得养殖区域内鱼类的生长状况及不同生长状况鱼类的分布情况对养殖户科学决策、提高综合效益具有重要指导作用。而鱼体长度是反映鱼类的生长状况的一个关键指标,目前获取这这一生长指标的方法一般采用人工捕捞、人工测量的方法,这种人工操作方法存在人力成本高、不及时、不准确、易对被捕捞鱼体造成损伤等问题。针对水产养殖,迫切需要一种科学高效的鱼体生长状况估计及分析系统。
鱼体长度是鱼类的重要的生物学特征,该特征是评价鱼类生长速度、衡量鱼类生长环境的重要指标,进一步可以为产量预估、遗传评估、水产养殖决策提供支撑。因此,对水产养殖业来说,定期检测鱼体长度是一项非常重要的、常态化的工作,养殖者可以根据鱼体长度,判断鱼的生长状况、确定投饵量等。传统测量鱼体长度一般采用定期捕捞、抽样检测的办法,这种方法除了存在很容易对鱼体造成损伤、影响被捕捞鱼的后期生长发育等缺点外,还存在整体评估不科学、不准确、费时费力等问题。对于水产养殖户来说,迫切需要建立一种对鱼体不造成损伤、科学、准确、快速高效的鱼类生长状态评估系统和鱼体长度的估算方法。
发明内容
发明目的:本发明提出了一种鱼体长度非接触式估算方法,该方法能够非接触、无创伤、快速、高效估算鱼体长度。
技术方案:本发明公开了一种鱼体长度非接触式估算方法,包括如下步骤:
步骤1)远程图像获取:将摄像头安装在养殖区鱼类活动频繁区域上方,摄像头工作受控于远端应用服务器;采集的图像信息通过网关上传到云端,进而传到远端应用服务器并存储;
步骤2)图像处理与鱼体背部骨架曲线提取:远端应用服务器将来自养殖区域的现场图像进行处理后,提取鱼体背部骨架形态;
步骤3)通过背部骨架形态进行鱼体长度估算。
具体的,步骤1)将摄像头安装在养殖区鱼类活动频繁区域上方,当安装在养殖区上方摄像头的位置和高度固定后,采用大小为S×S标准块,将视场按标准块大小进行分割形成多个分割格,依次计算标准块边长S在视场内不同分割格的像素个数m;并拟合下面二次多项式:
m=b0+b1x+b2y+b3xy+b4x2+b5y2
分割后视场的左下角为坐标原点,向左为x轴正方向,向上为y轴正方向,x,y分别表示标准块在视场内的位置坐标;b0,b1,b2,b3,b4,b5是需要拟合的多项式系数。
具体的,步骤2)远端应用服务器将来自养殖区域的现场图像进行处理具体步骤如下:
步骤21)灰度化:将获得的RGB图像,按下式进行处理,得到图像像素点的灰度值:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,R(i,j)G(i,j)B(i,j)分别是像素点的RGB分量;
步骤22)中值滤波:主要目的是减少噪声影响,采用的方法是将每个像素点的灰度值f(i,j)用它3×3邻域内各点灰度值的均值g(m,n)进行置换:
步骤23)二值化:二值化阈值取中值滤波后所有像素点灰度值的均值:
M、N分别为像素矩阵的行、列数,将灰度图片的所有像素点灰度值与阈值th进行比较,如果某像素点的灰度值小于等于阈值th,将该像素点灰度值置为0,如果某像素点的灰度值大于阈值th,将该像素点的灰度值置为255。
具体的,步骤2)远端应用服务器将来自养殖区域的现场图像进行处理后提取鱼体背部骨架形态具体步骤如下:
步骤24)边缘提取:利用像素点周边的8个邻近点的像素点灰度值,采用Sobel算子提取二维边缘轮廓,具体计算方法为:
S(i,j)=|g(i-1,j-1)+2g(i-1,j)+g(i-1,j+1)-(g(i+1,j-1)+2g(i+1,j)+g(i+1,j+1))|+|g(i-1,j-1)+2g(i,j)+g(i+1,j-1)-(g(i-1,j+1)+2g(i,j+1)+g(i+1,j+1))|
如果S(i,j)大于边界阈值,该点即为边界点;边界阈值具体可以为0.7。
步骤25)背部形态骨架提取:获得边缘轮廓的基础上,通过迭代运算,获得鱼体背部形态骨架。
具体的,步骤25)迭代运算具体过程为:
步骤251)导入步骤24)得到的二值图像,将步骤24)得到的像素点灰度值量化:将像素点灰度值为255的白色像素点的灰度值量化为1,黑色像素点的灰度值量化为0;
步骤252)标记变量M1=0,M2=0;
步骤253)扫描现场图像,标注所有非零像素点;
步骤254)选取一个步骤253)标注的非零像素点Pi,找出非零像素点Pi的八个邻域像素点Pi1~Pi8;
步骤255)N(Pi)表示与Pi相邻的8个像素点Pi1~Pi8中,像素点量化灰度值为1的总数目;S(Pi)表示从像素点Pi1开始,按顺时针方向搜索到Pi8,再回到Pi1的过程中,量化灰度值出现由0变化到1的累计次数;当同时满足如下条件时:
2≤N(Pi)≤6
S(Pi)=1
Pi1×Pi3×Pi5=0
Pi3×Pi5×Pi7=0
将Pi标记为删除像素点,并删除像素点Pi,初始化变量M1=0,M2=0;返回步骤254)重新选取一个非零像素点进行判断;否则跳至步骤256);
步骤256)若不满足步骤255)的四个条件则M1=M1+1,跳至步骤257);
步骤257)当N(Pi)、S(Pi)、Pi1~Pi8同时满足下列条件:
2≤N(Pi)≤6
S(Pi)=1
Pi1×Pi3×Pi7=0
Pi1×Pi5×Pi7=0
将Pi标记为删除像素点,并删除像素点Pi,初始化变量M1=0,M2=0;返回步骤254)重新选取一个非零像素点;否则跳至步骤258);
步骤258)若不满足步骤257)的四个条件则M2=M2+1,此时像素点Pi作为鱼体背部形态骨架的像素点;将变量M1和M2初始化使得M1=0,M2=0,跳至步骤步骤254)重新选取一个非零像素点,直至步骤253中所有标注的非零像素点被删除或作为鱼体背部形态骨架的像素点保留,最终形成由单个像素点连续相连的鱼体背部形态骨架。
具体的,步骤3)具体过程为:
步骤31)骨架像素点和鱼体长度计算:根据鱼体背部骨架,计算背部骨架在视场中某一分割格P内的像素个数mp,如果标准块的边长为S,可以求得该分割格内骨架像素所对应的长度mp×S/m;将所有鱼体背部骨架所占分割格对应长度相加,即可获得鱼体长度的估计值:
有益效果:本发明公开的一种鱼体长度非接触式估算方法,能够在不接触鱼体的情况下计算出鱼体长度,并且能够一次性估算市场内多条鱼体长度,无需逐个计算,效率较高。
附图说明
图1为本发明远程鱼体生长状况评估系统组成;
图2为本发明远程图像获取系统;
图3为本发明鱼体背部骨架提取流程图;
图4为本发明鱼体背部骨架提取算法;
图5为本发明骨架提取八邻域;
图6为本发明鱼体长度定义;
图7为本发明鱼体长度估计方法;
图8为本发明视场分割图;
图9为鱼体背部骨架在由标准块组成的视场内的示意图。
具体实施方式
本发明公开了一种鱼体长度非接触式估算方法,包括如下步骤:
步骤1)远程图像获取:图2为本发明构建的远程图像获取系统,非广角高清摄像头安装在养殖区鱼类活动频繁区域上方,摄像头工作受控于远端应用服务器;采集的图像信息通过网关上传到云端,进而传到远端应用服务器并存储;
将摄像头安装在养殖区鱼类活动频繁区域上方,当安装在养殖区上方摄像头的位置和高度固定后,采用大小为10×10标准块,本实施例中取标准块边长为10mm,单元正方形标准块边长具体由需要的计算精度确定;将视场按标准块大小进行分割,形成多个分割格P,依次计算标准块边长10mm在视场内不同分割格P的像素个数m;并拟合下面二次多项式:
m=b0+b1x+b2y+b3xy+b4x2+b5y2
分割后视场的左下角为坐标原点,向左为x轴正方向,向上为y轴正方向,x,y分别表示标准块在视场内的位置坐标;b0,b1,b2,b3,b4,b5是需要拟合的多项式系数。
步骤2)图像处理与鱼体背部骨架曲线提取:远端应用服务器将来自养殖区域的现场图像进行处理后,提取鱼体背部骨架形态;
远端应用服务器将来自养殖区域的现场图像进行处理具体步骤如下:
步骤21)灰度化:将获得的RGB图像,按下式进行处理,得到图像像素点的灰度值:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,R(i,j)G(i,j)B(i,j)分别是像素点的RGB分量;
步骤22)中值滤波:主要目的是减少噪声影响,采用的方法是将每个像素点的灰度值f(i,j)用它3×3邻域内各点灰度值的均值g(m,n)进行置换:
步骤23)二值化:二值化阈值取中值滤波后所有像素点灰度值的均值:
M、N分别为像素矩阵的行、列数,将灰度图片的所有像素点灰度值与阈值th进行比较,如果某像素点的灰度值小于等于阈值th,将该像素点灰度值置为0,如果某像素点的灰度值大于阈值th,将该像素点的灰度值置为255。
具体的,步骤2)远端应用服务器将来自养殖区域的现场图像进行处理后提取鱼体背部骨架形态具体步骤如下:
步骤24)边缘提取:利用像素点周边的8个邻近点的像素点灰度值,采用Sobel算子提取二维边缘轮廓,具体计算方法为:
S(i,j)=|g(i-1,j-1)+2g(i-1,j)+g(i-1,j+1)-(g(i+1,j-1)+2g(i+1,j)+g(i+1,j+1))|+|g(i-1,j-1)+2g(i,j)+g(i+1,j-1)-(g(i-1,j+1)+2g(i,j+1)+g(i+1,j+1))|
如果S(i,j)大于边界阈值,该点即为边界点;边界阈值具体可以为0.7。
步骤25)背部形态骨架提取:获得边缘轮廓的基础上,通过迭代运算,获得鱼体背部形态骨架,迭代运算具体过程如下:
步骤251)导入步骤24)得到的二值图像,将步骤24)得到的像素点灰度值量化:将像素点灰度值为255的白色像素点的灰度值量化为1,黑色像素点的灰度值量化为0;
步骤252)标记变量M1=0,M2=0;
步骤253)扫描现场图像,标注所有非零像素点;
步骤254)选取一个步骤253)标注的非零像素点Pi,找出非零像素点Pi的八个邻域像素点Pi1~Pi8;
步骤255)N(Pi)表示与Pi相邻的8个像素点Pi1~Pi8中,像素点量化灰度值为1的总数目;S(Pi)表示从像素点Pi1开始,按顺时针方向搜索到Pi8,再回到Pi1的过程中,量化灰度值出现由0变化到1的累计次数;当同时满足如下条件时:
2≤N(Pi)≤6
S(Pi)=1
Pi1×Pi3×Pi5=0
Pi3×Pi5×Pi7=0
将Pi标记为删除像素点,并删除像素点Pi,初始化变量M1=0,M2=0;返回步骤254)重新选取一个非零像素点进行判断;否则跳至步骤256);
步骤256)若不满足步骤255)的四个条件则M1=M1+1,跳至步骤257);
步骤257)当N(Pi)、S(Pi)、Pi1~Pi8同时满足下列条件:
2≤N(Pi)≤6
S(Pi)=1
Pi1×Pi3×Pi7=0
Pi1×Pi5×Pi7=0
将Pi标记为删除像素点,并删除像素点Pi,初始化变量M1=0,M2=0;返回步骤254)重新选取一个非零像素点;否则跳至步骤258);
步骤258)若不满足步骤257)的四个条件则M2=M2+1,此时像素点Pi作为鱼体背部形态骨架的像素点;将变量M1和M2初始化使得M1=0,M2=0,跳至步骤步骤254)重新选取一个非零像素点,直至步骤253中所有标注的非零像素点被删除或作为鱼体背部形态骨架的像素点保留,最终形成由单个像素点连续相连的鱼体背部形态骨架。
步骤3)通过背部骨架形态进行鱼体长度估算,具体步骤为:
步骤31)骨架像素点和鱼体长度计算:根据鱼体背部骨架,计算背部骨架在视场中某一分割格P内的像素个数mp,如果标准块的边长为10mm,可以求得该分割格内骨架像素所对应的长度mp×10/m;将所有鱼体背部骨架所占分割格对应长度相加,即可获得鱼体长度的估计值:
鱼体生长状况评估:将鱼体长度估计值存入生长信息数据库,按估计的鱼体长度将养殖区域内的鱼进行分级,并按统计规律估算出养殖区域内不同长度(等级)鱼的数量及分布状况,应用服务器根据这些信息对养殖区域鱼类生长状况进行评估、确定最佳投饵方案和最佳捕捞时间。并将上述信息以图形化、表格化等形式呈现。
Claims (4)
1.一种鱼体长度非接触式估算方法,其特征在于:包括如下步骤:
步骤1)远程图像获取:将摄像头安装在养殖区鱼类活动频繁区域上方,摄像头工作受控于远端应用服务器;采集的图像信息通过网关上传到云端,进而传到远端应用服务器并存储;
步骤2)图像处理与鱼体背部骨架曲线提取:远端应用服务器将来自养殖区域的现场图像进行处理后,提取鱼体背部骨架形态;
所述步骤2)远端应用服务器将来自养殖区域的现场图像进行处理具体步骤如下:
步骤21)灰度化:将获得的RGB图像,按下式进行处理,得到图像像素点的灰度值:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,R(i,j)G(i,j)B(i,j)分别是像素点的RGB分量;
步骤22)中值滤波:主要目的是减少噪声影响,采用的方法是将每个像素点的灰度值f(i,j)用它3×3邻域内各点灰度值的均值g(m,n)进行置换:
步骤23)二值化:二值化阈值取中值滤波后所有像素点灰度值的均值:
M、N分别为像素矩阵的行、列数,将灰度图片的所有像素点灰度值与阈值th进行比较,如果某像素点的灰度值小于等于阈值th,将该像素点灰度值置为0,如果某像素点的灰度值大于阈值th,将该像素点的灰度值置为255;
所述步骤2)远端应用服务器将来自养殖区域的现场图像进行处理后提取鱼体背部骨架形态具体步骤如下:
步骤24)边缘提取:利用像素点周边的8个邻近点的像素点灰度值,采用Sobel算子提取二维边缘轮廓,具体计算方法为:
S(i,j)=|g(i-1,j-1)+2g(i-1,j)+g(i-1,j+1)-(g(i+1,j-1)+2g(i+1,j)+g(i+1,j+1))
+|g(i-1,j-1)+2g(i,j)+g(i+1,j-1)-(g(i-1,j+1)+2g(i,j+1)+g(i+1,j+1))
如果S(i,j)大于边界阈值,该点即为边界点;
步骤25)背部形态骨架提取:获得边缘轮廓的基础上,通过迭代运算,获得鱼体背部形态骨架;
所述步骤25)迭代运算具体过程为:
步骤251)导入步骤24)得到的二值图像,将步骤24)得到的像素点灰度值量化:将像素点灰度值为255的白色像素点的灰度值量化为1,黑色像素点的灰度值量化为0;
步骤252)标记变量M1=0,M2=0;
步骤253)扫描现场图像,标注所有非零像素点;
步骤254)选取一个步骤253)标注的非零像素点Pi,找出非零像素点Pi的八个邻域像素点Pi1~Pi8;
步骤255)N(Pi)表示与Pi相邻的8个像素点Pi1~Pi8中,像素点量化灰度值为1的总数目;S(Pi)表示从像素点Pi1开始,按顺时针方向搜索到Pi8,再回到Pi1的过程中,量化灰度值出现由0变化到1的累计次数;当同时满足如下条件时:
2≤N(Pi)≤6
S(Pi)=1
Pi1×Pi3×Pi5=0
Pi3×Pi5×Pi7=0
将Pi标记为删除像素点,并删除像素点Pi,初始化变量M1=0,M2=0;返回步骤254)重新选取一个非零像素点;否则跳至步骤256);
步骤256)若不满足步骤255)的四个条件则M1=M1+1,跳至步骤257);
步骤257)当N(Pi)、S(Pi)、Pi1~Pi8同时满足下列条件:
2≤N(Pi)≤6
S(Pi)=1
Pi1×Pi3×Pi7=0
Pi1×Pi5×Pi7=0
将Pi标记为删除像素点,并删除像素点Pi,初始化变量M1=0,M2=0;返回步骤254)重新选取一个非零像素点;否则跳至步骤258);
步骤258)若不满足步骤257)的四个条件则M2=M2+1,此时像素点Pi作为鱼体背部形态骨架的像素点;将变量M1和M2初始化使得M1=0,M2=0,跳至步骤254)重新选取一个非零像素点,直至步骤253中所有标注的非零像素点被删除或作为鱼体背部形态骨架的像素点保留,最终形成由单个像素点连续相连的鱼体背部形态骨架;
步骤3)通过背部骨架形态进行鱼体长度估算。
2.根据权利要求1所述的一种鱼体长度非接触式估算方法,其特征在于:所述步骤24)边界阈值为0.7。
3.根据权利要求1所述的一种鱼体长度非接触式估算方法,其特征在于:
所述步骤1)将摄像头安装在养殖区鱼类活动频繁区域上方,当安装在养殖区上方摄像头的位置和高度固定后,采用大小为S×S标准块,将视场按标准块大小进行分割形成多个标准块分割格,依次计算标准块边长S在视场内不同分割格的像素个数m;并拟合下面二次多项式:
m=b0+b1x+b2y+b3xy+b4x2+b5y2
分割后视场的左下角为坐标原点,向左为x轴正方向,向上为y轴正方向,x,y分别表示标准块在视场内的位置坐标;b0,b1,b2,b3,b4,b5是需要拟合的多项式系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910531297.7A CN110298856B (zh) | 2019-06-19 | 2019-06-19 | 一种鱼体长度非接触式估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910531297.7A CN110298856B (zh) | 2019-06-19 | 2019-06-19 | 一种鱼体长度非接触式估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298856A CN110298856A (zh) | 2019-10-01 |
CN110298856B true CN110298856B (zh) | 2023-03-21 |
Family
ID=68028275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910531297.7A Active CN110298856B (zh) | 2019-06-19 | 2019-06-19 | 一种鱼体长度非接触式估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298856B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738279B (zh) * | 2020-06-24 | 2022-01-04 | 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 |
CN112514831B (zh) * | 2020-07-28 | 2022-06-10 | 上海市农业科学院 | 一种活体鳝鱼表型获取的装置与方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108827106A (zh) * | 2018-04-25 | 2018-11-16 | 北京农业信息技术研究中心 | 一种基于机器视觉的鱼类生长数据测量装置及测量方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105066885A (zh) * | 2015-07-11 | 2015-11-18 | 浙江大学宁波理工学院 | 一种鱼体尺寸和重量快速采集装置以及采集方法 |
PH12016000469A1 (en) * | 2016-12-15 | 2018-06-25 | Univ Of The Philippines Diliman | Estimating fish size, population density, species distribution and biomass |
CN208187400U (zh) * | 2018-04-25 | 2018-12-04 | 北京农业信息技术研究中心 | 一种基于机器视觉的鱼类体长测量装置 |
CN108267122A (zh) * | 2018-04-25 | 2018-07-10 | 北京农业信息技术研究中心 | 一种基于机器视觉的水下鱼类体长测量装置及测量方法 |
CN109118540B (zh) * | 2018-07-20 | 2021-05-04 | 宁波智哲信息科技有限公司 | 基于脊线提取的鲟鱼快速统计方法 |
CN109145808B (zh) * | 2018-08-17 | 2022-06-21 | 郑州轻工业学院 | 一种基于自适应鱼体弯曲模型的金枪鱼识别方法 |
-
2019
- 2019-06-19 CN CN201910531297.7A patent/CN110298856B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108827106A (zh) * | 2018-04-25 | 2018-11-16 | 北京农业信息技术研究中心 | 一种基于机器视觉的鱼类生长数据测量装置及测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110298856A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiao et al. | An automatic active contour method for sea cucumber segmentation in natural underwater environments | |
CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN104657706B (zh) | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 | |
Zhou et al. | An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images | |
CN108960011B (zh) | 部分遮挡的柑橘果实图像识别方法 | |
CN110298856B (zh) | 一种鱼体长度非接触式估算方法 | |
CN112766155A (zh) | 一种基于深度学习的海水养殖区提取方法 | |
CN112069985B (zh) | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 | |
CN111696150A (zh) | 一种叉尾鮰鱼表型数据的测量方法 | |
CN110378873B (zh) | 基于深度学习的水稻穗株谷粒原位无损计数方法 | |
CN114694144B (zh) | 一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法 | |
CN114092378A (zh) | 动物健康检测的方法、装置、设备及存储介质 | |
CN116523898A (zh) | 一种基于三维点云的烟草表型性状提取方法 | |
Mosley et al. | Image-based sorghum head counting when you only look once | |
Hacking et al. | Vineyard yield estimation using 2-D proximal sensing: A multitemporal approach | |
CN107993243B (zh) | 一种基于rgb图像的小麦分蘖数自动检测方法 | |
CN112380920B (zh) | 一种利用视频数据统计鱼苗数量的方法 | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 | |
CN101718674B (zh) | 一种测量散粒物料颗粒形状参数的方法 | |
CN117456358A (zh) | 一种基于YOLOv5神经网络的植物病虫害检测方法 | |
Li | 3D machine vision system for robotic weeding and plant phenotyping | |
CN114550069B (zh) | 一种基于深度学习的仔猪乳头计数方法 | |
CN116524344A (zh) | 一种基于rgb-d信息融合的番茄串采摘点检测方法 | |
Akila et al. | Automation in plant growth monitoring using high-precision image classification and virtual height measurement techniques |
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 |