CN110826592A - 一种基于全卷积神经网络的对虾养殖残饵计数方法 - Google Patents
一种基于全卷积神经网络的对虾养殖残饵计数方法 Download PDFInfo
- Publication number
- CN110826592A CN110826592A CN201910907984.4A CN201910907984A CN110826592A CN 110826592 A CN110826592 A CN 110826592A CN 201910907984 A CN201910907984 A CN 201910907984A CN 110826592 A CN110826592 A CN 110826592A
- Authority
- CN
- China
- Prior art keywords
- neural network
- image
- convolution neural
- full convolution
- bait
- 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 32
- 241000238557 Decapoda Species 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 230000007797 corrosion Effects 0.000 claims abstract description 16
- 238000005260 corrosion Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000005530 etching Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- 238000009360 aquaculture Methods 0.000 description 5
- 244000144974 aquaculture Species 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000003628 erosive effect Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 239000002699 waste material Substances 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20—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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及残饵计数方法，尤其涉及一种基于全卷积神经网络的对虾养殖残饵计数方法。它包括以下步骤：S1、采集测试残饵图像；S2、标定；S3、按照比例分为测试集与训练集；S4、搭建模型；S5、预训练；S6、训练，测试，完善；S7、得到二值图像；S8、迭代腐蚀；S9、对极限腐蚀图像上的连通域进行计数求和即可以得到残饵图像上的残饵粒数。这种计数方法准确度较高。
Description
技术领域
本发明涉及残饵计数方法，尤其涉及一种基于全卷积神经网络的对虾养殖残饵计数方法。
背景技术
饵料浪费一直是水产养殖中的严重问题。由于饵料在水产养殖经济成本中占比较大，但养殖户投喂饲料时没有一个明确投喂量标准，过量投放的饵料将造成巨大的经济损失。另一方面，残饵中包含脂肪，维生素等营养物质会导致养殖水域过营养化恶化养殖环境，加重养殖生物的患病风险。因此，准确获取饵料的剩余情况，对于实现精准投喂，进一步了解鱼虾进食规律具有十分重要的现实意义。
随着深度学习的不断发展，全卷积神经网络(FCN)已经可以实现在像素级别上的图像识别。以往已有研究学者将传统的机器视觉计数应用于水产行业，例如：水产分级分类，残饵检测，疾病检测等。穆春华等人根据残饵和粪便在灰度分布、形状上的差异，提取平均灰度、骨架数等特征输入支持向量机(SVM)和改进的决策树,进而辨别残饵和粪便(穆春华，范良忠，刘鹰.基于计算机视觉的循环水养殖系统残饵识别研究[J].渔业现代化,2015,42(2):33-37.)。同济大学徐丽宏等人利用机器视觉与水下摄像机进行图像采集，运用面积法实现残饵计数研究。
从现有的研究可知，研究人员在检测残留饵料方面已有一些成果，但是传统图像处理算法在实际检测饵料时准确度较低，处理速度不够快，识别效果受干扰严重仅处于理论研究阶段在实际生产条件下难以应用。
因此，为了提高实际生产中饵料计数的准确性与快速性，考虑使用当下热门的计算机深度学习方法解决水产养殖中的残饵识别计数问题。
发明内容
本发明所要解决的技术问题是：提供一种准确度较高的基于全卷积神经网络的残饵计数方法。
本发明所采用的技术方案是：一种基于全卷积神经网络的对虾养殖残饵计数方法，它包括以下步骤：
S1、采集测试残饵图像；
S2、对步骤S1中采集到的测试残饵图像内的饵料和非饵料进行标定，得到一一对应的残饵原图与标定图，并且将每个原图与其对应的标定图组合形成一组图，得到多组图；
S3、将步骤S2得到的多组图按照比例分为测试集与训练集；
S4、搭建全卷积神经网络模型；
S5、使用经典训练集(经典训练集是指网上能下载下来的数据集)预训练步骤S4搭建好的全卷积神经网络模型，完善全卷积神经网络模型的权重参数；
S6、调用步骤S3得到的训练集对步骤S5预训练完成的全卷积神经网络模型进行训练，然后调用步骤S3得到的测试集检验训练完成的全卷积神经网络模型的准确度，并且完善全卷积神经网络模型；
S7、通过步骤S6完善的全卷积神经网络模型处理残饵图像，然后将处理后的残饵图像的饵料与非饵料分离，得到二值图像；
S8、对二值图进行迭代腐蚀操作，得到极限腐蚀图像；
S9、对极限腐蚀图像上的连通域进行计数求和即可以得到残饵图像上的残饵粒数。
采用以上方法与现有技术相比，本发明具有以下优点：
使用全卷积神经网络技术进行图像像素级识别，识别准确率较传统方法较高，图像处理速度更快；并且对于黏连的饵料计数使用迭代腐蚀计数的方法，计数准确适用于实际操作环境。
作为优选，所述步骤S1与步骤S6采集残饵图像均需要将拍摄设备的拍摄角度垂直与料台，并且需要将料台抬离水面后再进行图像采集。采用垂直拍摄，这样每次拍摄的角度都是一样的，降低误差，而且都是在料台抬离水面后进行拍摄，这样避免水下摄影，增加图像的清晰度，进而增加图像的准确性。
作为优选，步骤S2标定之前需要先将图像进行分割，然后对分割后的图像进行标定。由于原图像文件太大不容易使计算机捕获有用信息，所以分割后再进行标定会使得准确性更高。而且可以实现数据集扩大，同样也会增加识别的准确性。
作为优选，步骤S3中测试集与训练集的比值为1:3.5-4.5。训练集比测试集大4倍是训练与测试步骤所需数据量不同导致的，这样训练出来的模型准确度较高。
作为优选，所述全卷积神经网络模型采用改造过的U-Net模型，且U-Net模型由VGG-16卷积神经网络模型作为基础架构，并且使用迁移学习理念调用Keras内置的VGG-16参数降低训练负担。由于U-Net模型应用于医学图像分割，采用U-Net模型来识别残饵准确率较高，而且使用迁移学习理念调用Keras内置的VGG-16参数，这样可以降低训练负担，提高建模效率。
作为优选，全卷积神经网络模型的损失函数选择cross entropy，其计算公式为：
其中yi表示期望输出，Xi表示原始的实际输出，N表示样本总数。采用这种损失函数，实现多分类问题的损失计算。
作为优选，模型使用softmax作为分类函数对输出结果做归一化处理，公式为：
其中C为通道数，xi为某个像素位置模型输出的值，yi为对应的预测概率值。采用这种归一化处理，实现多目标识别。
作为优选，训练残饵数据集时的参数更新用随机梯度下降法。训练时采用随机梯度下降法，训练效果更好。
作为优选，步骤S7中先将饵料的像素值置为白色，将非饵料的像素值置为黑色，且每次腐蚀后的图像与上一次腐蚀图像对比，若有白色像素点连通域消失，则将腐蚀后的图像该处像素点重新置为白色。这样可以避免较小单粒饵料被腐蚀消失影响计数精度。
附图说明
图1为本发明一种基于全卷积神经网络的对虾养殖残饵计数方法的流程图。
图2为本发明一种基于全卷积神经网络的对虾养殖残饵计数方法中迭代腐蚀的流程图。
图3为本发明一种基于全卷积神经网络的对虾养殖残饵计数方法中全卷积神经网络模型的示意图。
具体实施方式
以下通过具体实施方式对本发明做进一步描述，但是本发明不仅限于以下具体实施方式。
如图1所示，本发明提供一种基于全卷积神经网络(FCN)的对虾养殖残留饵料计数方法，包括以下步骤：
步骤1：在料台上抛洒饵料后，将料台入水，30s后待饵料被充分消耗后将料台提起，垂直角度录制残饵图像。在视频中截取图片，对于饵料黏连与鱼虾等干扰要考虑全面，图片名称编号保存，JPG格式。
步骤1.1：由于原图像文件太大不容易使计算机捕获有用信息，将图像分割为255像素*255像素的小幅图像。
具体的，可以使用Photoshop软件，用矩形选框工具，将选框大小设定为固定值255*255像素对图像进行再次截取。
步骤2：使用Labelme软件对分割后的图像进行手工标定，即用手工方式对图像上不同目标进行精确的范围划定并给定像素值，残饵，鱼虾，背景分别标注。由于深度学习方法数据集庞大，此步骤也是本例工作量最大的部分。
具体的：
步骤2.1:背景图像像素值置为1，第一类目标置为2，以此类推。需注意，标注后的图像编号应与对应的原图一致。
步骤3：分别将原图与对应的标注图按照1:4比例分成测试集与训练集。
步骤3.1：将原图训练集储存于images_prepped_train文件夹，对应的标注图储存在annotations_prepped_train文件夹中。
步骤3.2：将原图测试集储存于images_prepped_test文件夹，对应的标注图储存在annotations_prepped_test文件夹中。
至此完成数据集的准备，由于深度学习的识别率与数据集的大小直接相关，故训练集与数据集应尽力丰富。
步骤4：本发明中的U-Net模型由经典的VGG-16卷积神经网络模型为基础构架，调用Keras内置函数covn_base＝keras.applications.VGG16(weights,include_top)，设置weight＝imagenet可以直接使用训练好的卷积层内置权重参数，但分类目标与经典权重不同，故include_top＝False，不引入内置分类器。
步骤4.1:模型损失函数选择cross entropy，其计算公式为：
其中yi表示期望输出，Xi表示原始的实际输出，N表示样本总数。
步骤4.2：模型使用softmax作为分类函数对输出结果做归一化处理，公式为：
其中C为通道数，xi为某个像素位置模型输出的值，yi为对应的预测概率值。
步骤4.3：训练残饵数据集时的参数更新用随机梯度下降法(stochasticgradient descent,SGD)。
mt+1＝ρ·mr+△ω
ωt+1＝ωt-lr·mt+1
其中mt为当前动量，mt+1为更新后的动量，ωt为当前参数，ωt+1为更新后的参数，△ω为反向传播得到的梯度，ρ为取值0到1之间的权重参数，lr为更新的步长，一般取值在0到1之间。
开始训练后可能出现以下异常，具体的：
步骤4.4：如果模型在训练数据上得到的交并比(IOU)相比于验证数据上得到的交并比要高出很多，那么一般是出现了模型的过拟合，应当停止训练重新调整模型。
具体的：
步骤4.4.1：若出现过拟合，可能是drop层设计的舍弃参数不合适，可提高数值，如50％的丢弃概率。
步骤4.4.2：数据集太小也会导致过拟合现象，若准备的数据集较小则进一步扩大数据集。经典的FCN数据集甚至可以达到上万张图像。
步骤4.4.3：鉴于U-net网络在类圆形图像上的识别精度，首选此模型，若过拟合问题严重，也可考虑更换FCN-8s等基于Vgg-16的经典的FCN模型。
步骤4.5：如果模型在训练集和验证集上的结果一直很差，那表明模型参数没有能够收敛，应当停止训练更改训练策略。
具体的：
步骤4.5.1：在使用随机梯度下降法作为参数更新理念的模型下，最可能影响模型收敛情况的原因是学习率(更新步长)lr选择不合理，可由默认的0.01调整为0.001。
步骤4.6：训练集和验证集的精度相差不大且持续增长则表明训练状态良好。
步骤5：预测后的图像将完成像素级别的分类(语义分割)由Opencv内置函数COLORS＝np.random.randint(0,255,size＝(len(CLASSES)-1,3)与dtype＝"uint8")，COLORS＝np.vstack([[0,0,0],COLORS]).astype("uint8")，将各类目标用随机颜色填充。
步骤5.1:用img.putpixel((i,j),()像素赋值函数将除饵料外的其他目标与背景像素值置为0(黑色)，完成非饵料目标的去除。
步骤5.2：将饵料目标像素值置为255(白色)，此时像素值只有0与255所以称为二值图。
步骤6：对二值图像进行迭代腐蚀操作，cv.getStructuringElement函数设置腐蚀算子大小为4*4。循环调用Erode函数进行腐蚀操作。
步骤6.1：每次腐蚀后的图像与上一次腐蚀图像对比，若有白色像素点连通域消失，则将腐蚀后的图像该处像素点重新置为255(白色)。避免较小单粒饵料被腐蚀消失影响计数精度。
步骤6.2：腐蚀操作循环到某次腐蚀图像为空集时停止，将上一次循环的结果作为最终输出图像，称为极限腐蚀图像。
步骤7：对经过极限腐蚀的图片中的白色像素连通域个数计数，即得到残饵数量。
具体的：
步骤7.1：遍历图像，如果当前元素为0则赋值一个label，label从大于1开始，如果像素的邻接像素的标签有大于1的，则当前元素赋值为大于1的最小的label。记录等价标签。连通域数等于label等价标签的个数减去label起始值。
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，本领域的技术人员应当理解，其依然可以对前述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同等替换；而这些修改或者替换，并不使相应的技术方案的本质脱离本发明各实施例技术方案的精神与范围。
Claims (9)
1.一种基于全卷积神经网络的对虾养殖残饵计数方法，其特征在于，它包括以下步骤：
S1、采集测试残饵图像；
S2、对步骤S1中采集到的测试残饵图像内的饵料和非饵料进行标定，得到一一对应的残饵原图与标定图，并且将每个原图与其对应的标定图组合形成一组图，得到多组图；
S3、将步骤S2得到的多组图按照比例分为测试集与训练集；
S4、搭建全卷积神经网络模型；
S5、使用经典训练集预训练步骤S4搭建好的全卷积神经网络模型，完善全卷积神经网络模型的权重参数；
S6、调用步骤S3得到的训练集对步骤S5预训练完成的全卷积神经网络模型进行训练，然后调用步骤S3得到的测试集检验训练完成的全卷积神经网络模型的准确度，并且完善全卷积神经网络模型；
S7、通过步骤S6完善的全卷积神经网络模型处理残饵图像，然后将处理后的残饵图像的饵料与非饵料分离，得到二值图像；
S8、对二值图进行迭代腐蚀操作，得到极限腐蚀图像；
S9、对极限腐蚀图像上的连通域进行计数求和即可以得到残饵图像上的残饵粒数。
2.根据权利要求1所述的一种基于全卷积神经网络的对虾养殖残饵计数方法，其特征在于：所述步骤S1与步骤S6采集残饵图像均需要将拍摄设备的拍摄角度垂直与料台，并且需要将料台抬离水面后再进行图像采集。
3.根据权利要求1所述的一种基于全卷积神经网络的对虾养殖残饵计数方法，其特征在于：步骤S2标定之前需要先将图像进行分割，然后对分割后的图像进行标定。
4.根据权利要求1所述的一种基于全卷积神经网络的对虾养殖残饵计数方法，其特征在于：步骤S3中测试集与训练集的比值为1:3.5-4.5。
5.根据权利要求1所述的一种基于全卷积神经网络的对虾养殖残饵计数方法，其特征在于：所述全卷积神经网络模型采用改造过的U-Net模型，且U-Net模型由VGG-16卷积神经网络模型作为基础架构，并且使用迁移学习理念调用Keras内置的VGG-16参数降低训练负担。
6.根据权利要求5所述的一种基于全卷积神经网络的对虾养殖残饵计数方法，其特征在于：全卷积神经网络模型的损失函数选择cross entropy，其计算公式为：
其中yi表示期望输出，Xi表示原始的实际输出，N表示样本总数。
7.根据权利要求5所述的一种基于全卷积神经网络的对虾养殖残饵计数方法，其特征在于：模型使用softmax作为分类函数对输出结果做归一化处理，公式为：
其中C为通道数，xi为某个像素位置模型输出的值，yi为对应的预测概率值。
8.根据权利要求5所述的一种基于全卷积神经网络的对虾养殖残饵计数方法，其特征在于：训练残饵数据集时的参数更新用随机梯度下降法。
9.根据权利要求1所述的一种基于全卷积神经网络的对虾养殖残饵计数方法，其特征在于：步骤S7中先将饵料的像素值置为白色，将非饵料的像素值置为黑色，且每次腐蚀后的图像与上一次腐蚀图像对比，若有白色像素点连通域消失，则将腐蚀后的图像该处像素点重新置为白色。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910907984.4A CN110826592A (zh) | 2019-09-25 | 2019-09-25 | 一种基于全卷积神经网络的对虾养殖残饵计数方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910907984.4A CN110826592A (zh) | 2019-09-25 | 2019-09-25 | 一种基于全卷积神经网络的对虾养殖残饵计数方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110826592A true CN110826592A (zh) | 2020-02-21 |
Family
ID=69548236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910907984.4A Pending CN110826592A (zh) | 2019-09-25 | 2019-09-25 | 一种基于全卷积神经网络的对虾养殖残饵计数方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110826592A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001884A (zh) * | 2020-07-14 | 2020-11-27 | 浙江大华技术股份有限公司 | 数量统计模型的训练方法、计数方法、设备及存储介质 |
| CN112766040A (zh) * | 2020-12-23 | 2021-05-07 | 北京农业信息技术研究中心 | 残余饵料的探测方法、设备、装置及可读存储介质 |
| CN113349111A (zh) * | 2021-05-25 | 2021-09-07 | 中国农业大学 | 一种用于水产养殖物的动态投喂方法、系统和存储介质 |
| CN113615629A (zh) * | 2021-03-19 | 2021-11-09 | 东营市阔海水产科技有限公司 | 水产养殖水质监控方法、终端设备及可读存储介质 |
| CN113812370A (zh) * | 2021-11-02 | 2021-12-21 | 广东科贸职业学院 | 基于视觉识别技术的虾苗计数装置及方法 |
| TWI757025B (zh) * | 2020-12-31 | 2022-03-01 | 國立中山大學 | 水產生物的計數系統與方法 |
| US11915445B2 (en) | 2020-12-31 | 2024-02-27 | National Sun Yat-Sen University | System and method for counting aquatic creatures |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578089A (zh) * | 2017-09-13 | 2018-01-12 | 中国水稻研究所 | 一种农作物灯诱测报害虫的自动识别与计数方法 |
| US20190019281A1 (en) * | 2017-07-14 | 2019-01-17 | Pioneer Hi-Bred International, Inc. | Methods of yield assessment with crop photometry |
| CN112862849A (zh) * | 2021-01-27 | 2021-05-28 | 四川农业大学 | 一种基于图像分割和全卷积神经网络的田间稻穗计数方法 |
-
2019
- 2019-09-25 CN CN201910907984.4A patent/CN110826592A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190019281A1 (en) * | 2017-07-14 | 2019-01-17 | Pioneer Hi-Bred International, Inc. | Methods of yield assessment with crop photometry |
| CN107578089A (zh) * | 2017-09-13 | 2018-01-12 | 中国水稻研究所 | 一种农作物灯诱测报害虫的自动识别与计数方法 |
| CN112862849A (zh) * | 2021-01-27 | 2021-05-28 | 四川农业大学 | 一种基于图像分割和全卷积神经网络的田间稻穗计数方法 |
Non-Patent Citations (3)
| Title |
|---|
| JIAN CHEN，ET.AL,: "Automatic Segmentation and Counting of Aphid Nymphs on Leaves Using Convolutional Neural Networks", 《AGRONOMY》 * |
| LAINEZ，ET.AL,: "Automated Fingerlings Counting Using Convolutional Neural Network", 《2019 IEEE 4TH INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATION SYSTEMS》 * |
| 杨吉宏，等: "基于二次分割的彩色图像目标自动计数算法", 《计算机工程与设计》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001884A (zh) * | 2020-07-14 | 2020-11-27 | 浙江大华技术股份有限公司 | 数量统计模型的训练方法、计数方法、设备及存储介质 |
| CN112766040A (zh) * | 2020-12-23 | 2021-05-07 | 北京农业信息技术研究中心 | 残余饵料的探测方法、设备、装置及可读存储介质 |
| CN112766040B (zh) * | 2020-12-23 | 2024-02-06 | 北京农业信息技术研究中心 | 残余饵料的探测方法、设备、装置及可读存储介质 |
| TWI757025B (zh) * | 2020-12-31 | 2022-03-01 | 國立中山大學 | 水產生物的計數系統與方法 |
| US11915445B2 (en) | 2020-12-31 | 2024-02-27 | National Sun Yat-Sen University | System and method for counting aquatic creatures |
| CN113615629A (zh) * | 2021-03-19 | 2021-11-09 | 东营市阔海水产科技有限公司 | 水产养殖水质监控方法、终端设备及可读存储介质 |
| CN113349111A (zh) * | 2021-05-25 | 2021-09-07 | 中国农业大学 | 一种用于水产养殖物的动态投喂方法、系统和存储介质 |
| CN113812370A (zh) * | 2021-11-02 | 2021-12-21 | 广东科贸职业学院 | 基于视觉识别技术的虾苗计数装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110826592A (zh) | 一种基于全卷积神经网络的对虾养殖残饵计数方法 | |
| CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
| CN113537106B (zh) | 一种基于YOLOv5的鱼类摄食行为识别方法 | |
| CN110135503B (zh) | 一种装配机器人零件深度学习识别方法 | |
| CN110060233B (zh) | 一种玉米果穗破损检测方法 | |
| CN113420643B (zh) | 基于深度可分离空洞卷积的轻量级水下目标检测方法 | |
| CN107067043A (zh) | 一种农作物病虫害检测方法 | |
| CN112712518B (zh) | 鱼类计数方法、装置、电子设备及存储介质 | |
| CN114451338B (zh) | 鱼群的摄食强度分级方法、装置及智能调速投饲机 | |
| CN112800994A (zh) | 鱼群摄食行为识别方法、装置、电子设备和存储介质 | |
| 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 | |
| CN114820435A (zh) | 基于改进AlexNet的辣椒叶片病害检测方法 | |
| CN117029673B (zh) | 一种基于人工智能实现的鱼类体表多尺寸测量方法 | |
| CN110163103A (zh) | 一种基于视频图像的生猪行为识别方法和装置 | |
| CN112417378A (zh) | 一种基于无人机图像处理的中华绒螯蟹质量估算方法 | |
| CN114565942A (zh) | 基于压缩YOLOv5的生猪面部检测的方法 | |
| CN112488244A (zh) | 一种利用热力图进行点标注方式的密集分布小目标害虫自动计数方法 | |
| CN113989536A (zh) | 一种基于布谷鸟搜索算法的番茄病害识别方法 | |
| CN111695560A (zh) | 基于卷积神经网络对农作物病虫害主动定位聚焦的方法 | |
| CN113240640B (zh) | 菌落计数方法、装置及计算机可读存储介质 | |
| CN113536896B (zh) | 基于改进Faster RCNN的绝缘子缺陷检测方法、装置及存储介质 | |
| CN113284164A (zh) | 虾群自动计数方法、装置、电子设备及存储介质 | |
| CN111914766B (zh) | 一种城市管理业务游商行为检测方法 | |
| CN112381044A (zh) | 一种鱼类摄食状态的检测方法及装置 | |
| CN113222889A (zh) | 高分辨率图像下水产养殖物的工厂化养殖计数方法及装置 |
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 |
Application publication date: 20200221 |
|
| RJ01 | Rejection of invention patent application after publication |