CN111127396A - 鱼类重量测算方法及装置 - Google Patents
鱼类重量测算方法及装置 Download PDFInfo
- Publication number
- CN111127396A CN111127396A CN201911150150.XA CN201911150150A CN111127396A CN 111127396 A CN111127396 A CN 111127396A CN 201911150150 A CN201911150150 A CN 201911150150A CN 111127396 A CN111127396 A CN 111127396A
- Authority
- CN
- China
- Prior art keywords
- fish
- calculated
- acquiring
- image
- weight
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 241000251468 Actinopterygii Species 0.000 claims abstract description 235
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000010219 correlation analysis Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 210000001015 abdomen Anatomy 0.000 claims description 5
- 230000037237 body shape Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000012214 genetic breeding Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 210000004894 snout Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer 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
- 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]
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种鱼类重量测算方法及装置,所述方法包括:获取待测算鱼类对应的拍摄图像,并根据拍摄图像获取待测算鱼类的特定点的位置信息,并根据特定点的位置信息以及拍摄图像的像素值获取特定点之间的实际距离;根据拍摄图像获取待测算鱼类的眼部的图像特征值,根据图像特征值及像素值计算得到待测算鱼类眼部的实际特征值;通过预设的关联分析法选取特定点之间的实际距离和待测算鱼类眼部的实际特征值中与鱼类重量相关的关联特征;将关联特征代入预设的神经网络模型,计算得到神经网络模型输出的待测算鱼类的重量预测值。采用本方法能够准确地进行鱼类重量测算。
Description
技术领域
本发明涉及图像分析处理和生物测量技术领域,尤其涉及一种鱼类重量测算方法及装置。
背景技术
在鱼类养殖生产过程中,需要经常性的获取各种鱼类的重量特征,因为鱼的重量特征为渔业生产提供了控制喂养、放养密度、质量分级、监控生长速度、收获操作的关键数据,此外,也是遗传选育的关键指标。
随着计算机技术和机器视觉技术的发展,对于鱼类的重量测算不是仅能借助于人工手动测量,利用机器视觉技术已经可以对鱼体的图像进行分析,进而准确估计鱼体的重量,该方法能够有效地减小人工称重带来的侵入性和劳动力成本损失。
但是,现有的鱼体重量测算方法并不是特别泛用,因为现有的方法没有考虑到体型可变鱼类在身体形态发生变化后(如河鲀在受到威胁几秒内身体会膨胀数倍),体长、体宽、体高、投影面积、体积等尺寸特征以及曲率、圆度、等效椭圆长短轴比等形状特征会发生很大改变,从而导致测算的结果不够准确。
发明内容
针对现有技术中存在的问题,本发明实施例提供一种准确的鱼类重量测算方法。
本发明实施例提供一种鱼类重量测算方法,包括:
获取待测算鱼类对应的拍摄图像,并根据所述拍摄图像获取所述待测算鱼类的特定点的位置信息,并根据所述特定点的位置信息以及所述拍摄图像的像素值获取所述特定点之间的实际距离;
根据所述拍摄图像获取所述待测算鱼类的眼部的图像特征值,根据所述图像特征值及所述像素值计算得到所述待测算鱼类眼部的实际特征值;
通过预设的关联分析法选取所述特定点之间的实际距离和所述待测算鱼类眼部的实际特征值中与鱼类重量相关的关联特征;
将所述关联特征代入预设的神经网络模型,计算得到所述神经网络模型输出的所述待测算鱼类的重量预测值。
在其中一个实施例中,所述方法还包括:
获取所述待测算鱼类的视频录像,并根据所述视频录像获取所述待测算鱼类发生体型变化的时间点;
对比所述时间点前后所述待测算鱼类的身体轮廓;
获取对比结果中所述身体轮廓未发生相对位置变化的点作为所述待测算鱼类的特定点。
在其中一个实施例中,所述方法还包括:
将所述鱼类重量设置为母因素,将所述所述特定点之间的实际距离和所述待测算鱼类眼部的实际特征值设置为子因素;
通过所述关联分析法分别计算所述母因素与所述子因素之间的关联系数;
选取根据所述关联系数计算的对应关联度大于特定阈值的子因素作为所述关联特征。
在其中一个实施例中,所述方法还包括:
通过图像识别方法识别图像背景和所述待测算鱼类的鱼鳍,去除所述图像中的图像背景和所述待测算鱼类的鱼鳍,将剩余图像进行二值化处理,输出二值图像;
所述根据所述拍摄图像获取所述待测算鱼类的特定点的位置信息,包括:
根据所述二值图像获取所述待测算鱼类的特定点的位置信息。
在其中一个实施例中,所述方法中,所述特定点,还包括:
所述待测算鱼类的鱼体吻端、所述待测算鱼类的鱼腹最大凹陷点、所述待测算鱼类的尾柄末端。
在其中一个实施例中,所述方法中,所述鱼类眼部的实际特征值,还包括:
眼径、眼间距、眼面积。
本发明实施例提供一种鱼类重量测算装置,包括:
第一获取模块,用于获取待测算鱼类对应的拍摄图像,并根据所述拍摄图像获取所述待测算鱼类的特定点的位置信息,并根据所述特定点的位置信息以及所述拍摄图像的像素值获取所述特定点之间的实际距离;
第二获取模块,用于根据所述拍摄图像获取所述待测算鱼类的眼部的图像特征值,根据所述图像特征值及所述像素值计算得到所述待测算鱼类眼部的实际特征值;
选取模块,用于通过预设的关联分析法选取所述特定点之间的实际距离和所述待测算鱼类眼部的实际特征值中与鱼类重量相关的关联特征;
计算模块,用于将所述关联特征代入预设的神经网络模型,计算得到所述神经网络模型输出的所述待测算鱼类的重量预测值。
在其中一个实施例中,所述装置还包括:
第三获取模块,用于获取所述待测算鱼类的视频录像,并根据所述视频录像获取所述待测算鱼类发生体型变化的时间点;
对比模块,用于对比所述时间点前后所述待测算鱼类的身体轮廓;
第四获取模块,用于获取对比结果中所述身体轮廓未发生相对位置变化的点作为所述待测算鱼类的特定点。
本发明实施例提供一种电子设备,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,所述处理器执行所述程序时实现上述鱼类重量测算方法的步骤。
本发明实施例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上述鱼类重量测算方法的步骤。
本发明实施例提供的鱼类重量测算方法及装置,通过获取待测算鱼类对应的拍摄图像,并根据拍摄图像获取待测算鱼类的特定点的位置信息以及拍摄图像的像素值获取特定点之间的实际距离;然后根据拍摄图像获取待测算鱼类的眼部的图像特征值以及像素值计算得到待测算鱼类眼部的实际特征值;通过预设的关联分析法选取特定点之间的实际距离和待测算鱼类眼部的实际特征值中与鱼类重量相关的关联特征;最后将关联特征代入预设的神经网络模型,计算得到神经网络模型输出的待测算鱼类的重量预测值。本方法避免了鱼类在身体形态发生变化后,测算的结果不够精确的问题,提供了一种准确的鱼类重量测算方法。
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为本发明实施例中鱼类重量测算方法的流程图;
图2为本发明实施例中鱼类重量测算装置的结构图;
图3为本发明实施例中电子设备结构示意图。
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。基于本发明中的实施例,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。
图1为本发明实施例提供的鱼类重量测算方法的流程示意图,如图1所示,本发明实施例提供了一种鱼类重量测算方法,包括:
步骤S101,获取待测算鱼类对应的拍摄图像,并根据所述拍摄图像获取所述待测算鱼类的特定点的位置信息,并根据所述特定点的位置信息以及所述拍摄图像的像素值获取所述特定点之间的实际距离。
具体地,待测算鱼类的特定点为鱼类的体型变化时,鱼类身体轮廓上不随体型变化而改变的点,特定点可以为待测算鱼类的鱼体吻端、鱼腹最大凹陷点、尾柄末端等部位,服务器获取待测算鱼类对应的拍摄图像,获取拍摄图像中待测算鱼类的特定点的位置信息,其中,位置信息为图像中各个特定点的位置以及各个特定点之间的图像距离,根据位置信息和像素值的比值可以计算待测算鱼类实际的特定点之间的距离。
步骤S102,根据所述拍摄图像获取所述待测算鱼类的眼部的图像特征值,根据所述图像特征值及所述像素值计算得到所述待测算鱼类眼部的实际特征值。
具体地,服务器获取拍摄图像中待测算鱼类的图像特征值,根据图像特征值和像素值的比值可以计算得到待测算鱼类实际的特征值,其中,特征值可以包括待测算鱼类的眼径、眼间距、眼面积,比如根据拍摄图像中眼间距为1cm,获取图像的像素值,可以计算得到待测算鱼类实际的眼间距。
步骤S103,通过预设的关联分析法选取所述特定点之间的实际距离和所述待测算鱼类眼部的实际特征值中与鱼类重量相关的关联特征。
具体地,预设的关联分析法可以为灰色关联分析法(GRA),根据因素之间发展趋势的相似或相异程度得到与鱼类重量相关的关联特征,关联特征可以为待测算鱼类的某两个特定点之间的距离,也可以为鱼类的眼径、眼间距、眼面积中的某个特征,灰色关联分析法从上述特征中选取与鱼类重量相关的关联特征,关联特征可以由灰色关联分析法计算得到的关联度判断,可以当关联度大于特定的阈值时,判定为关联特征。
步骤S104,将所述关联特征代入预设的神经网络模型,计算得到所述神经网络模型输出的所述待测算鱼类的重量预测值。
具体地,将关联特征代入预设的神经网络模型,其中,代入神经网络模型中后,可以根据神经网络模型中的传递函数tansig和purelin,训练函数为trainParam,设定Elman神经网络的均方误差目标值确定带测算鱼类隐藏层神经元的个数,然后根据隐藏层神经元的个数估算待测算鱼类的重量预测值。
本发明实施例提供的一种鱼类重量测算方法,通过获取待测算鱼类对应的拍摄图像,并根据拍摄图像获取待测算鱼类的特定点的位置信息以及拍摄图像的像素值获取特定点之间的实际距离;然后根据拍摄图像获取待测算鱼类的眼部的图像特征值以及像素值计算得到待测算鱼类眼部的实际特征值;通过预设的关联分析法选取特定点之间的实际距离和待测算鱼类眼部的实际特征值中与鱼类重量关联度大的关联特征;最后将关联特征代入预设的神经网络模型,计算得到神经网络模型输出的待测算鱼类的重量预测值。本方法避免了鱼类在身体形态发生变化后,测算的结果不够精确的问题,提供了一种准确的鱼类重量测算方法。
在上述实施例的基础上,所述鱼类重量测算方法,还包括:
获取所述待测算鱼类的视频录像,并根据所述视频录像获取所述待测算鱼类发生体型变化的时间点;
对比所述时间点前后所述待测算鱼类的身体轮廓;
获取对比结果中所述身体轮廓未发生相对位置变化的点作为所述待测算鱼类的特定点。
在本发明实施例中,服务器获取待测算鱼类的视频录像,其中,视频录像可以包含待测算鱼类发生体型变化的时间点,获取体型变化的时间点,并对比体型变化前后待测算鱼类的身体轮廓,体型变化后,待测算鱼类的部分部位不会发生变形,比如待测算鱼类的鱼体吻端、待测算鱼类的鱼腹最大凹陷点等,获取不会变形的变分部位作为待测算鱼类的特定点。
本发明实施例选取待测算鱼类体型变化前后不会发生变形的部位作为待测算鱼类的特定点,使重量预算结果更加准确。
在上述实施例的基础上,所述鱼类重量测算方法,还包括:
将所述鱼类重量设置为母因素,将所述所述特定点之间的实际距离和所述待测算鱼类眼部的实际特征值设置为子因素;
通过所述关联分析法分别计算所述母因素与所述子因素之间的关联系数;
选取根据所述关联系数计算出的关联度中中对应的关联度大于特定阈值的子因素作为所述关联特征。
本发明实施例中,可以利用预设的灰色关联分析法,选择鱼类重量为母因素,上述方法提取的鱼体实际尺寸特征,包括待测算鱼类的某两个特定点之间的距离,也可以为鱼类的眼径、眼间距、眼面积中的某个特征为子因素,分别计算各样本子因素与母因素的关联系数,得到它们之间的关联度,选择关联度大于预设的特定阈值的子因素特征作为后续模型的输入样本。
本发明实施例通过关联分析法选择与鱼类重量关联度大的子因素特征作为后续模型的输入样本,使重量预算结果更加准确。
在上述实施例的基础上,所述鱼类重量测算方法,还包括:
通过图像识别方法识别图像背景和所述待测算鱼类的鱼鳍,去除所述图像中的图像背景和所述待测算鱼类的鱼鳍,将剩余图像进行二值化处理,输出二值图像;
所述根据所述拍摄图像获取所述待测算鱼类的特定点的位置信息,包括:
根据所述二值图像获取所述待测算鱼类的特定点的位置信息。
本发明实施例中,服务器通过图像识别方法将影响图像对面的图像背景和待测算鱼类的鱼鳍去除,并将剩余的图像二值化处理,输出待测算鱼类的二值图像,得到二值图像后,根据二值图像可以确定合适阈值,得到鱼体目标轮廓,确定待测算鱼类的特定点的位置信息。
本发明实施例通过二值化处理将图像转化为二值图像,二值图像更方便后续的图像对比,得到更精确的对比结果。
图2为本发明实施例提供的一种的鱼类重量测算装置,包括:第一获取模块201、第二获取模块202、选取模块203、计算模块204,其中:
第一获取模块201,用于获取待测算鱼类对应的拍摄图像,并根据拍摄图像获取待测算鱼类的特定点的位置信息,并根据特定点的位置信息以及所述拍摄图像的像素值获取特定点之间的实际距离。
第二获取模块202,用于根据拍摄图像获取待测算鱼类的眼部的图像特征值,根据图像特征值及像素值计算得到待测算鱼类眼部的实际特征值。
选取模块203,用于通过预设的关联分析法选取特定点之间的实际距离和待测算鱼类眼部的实际特征值中与鱼类重量相关的关联特征。
计算模块204,用于将关联特征代入预设的神经网络模型,计算得到神经网络模型输出的待测算鱼类的重量预测值。
在一个实施例中,装置还可以包括:
第三获取模块,用于获取待测算鱼类的视频录像,并根据视频录像获取待测算鱼类发生体型变化的时间点。
对比模块,用于对比时间点前后待测算鱼类的身体轮廓。
第四获取模块,用于获取对比结果中身体轮廓未发生相对位置变化的点作为待测算鱼类的特定点。
在一个实施例中,装置还可以包括:
设置模块,用于将鱼类重量设置为母因素,将特定点之间的实际距离和待测算鱼类眼部的实际特征值设置为子因素。
第二计算模块,用于通过关联分析法分别计算母因素与子因素之间的关联系数。
选取模块,用于选取根据关联系数计算出的关联度中对应的关联度大于特定阈值的子因素作为关联特征。
在一个实施例中,装置还可以包括:
识别模块,用于通过图像识别方法识别图像背景和待测算鱼类的鱼鳍,去除图像中的图像背景和待测算鱼类的鱼鳍,将剩余图像进行二值化处理,输出二值图像,并根据二值图像获取待测算鱼类的特定点的位置信息。
在一个实施例中,装置还可以包括:
特定点模块,用于存储特定点,包括待测算鱼类的鱼体吻端、待测算鱼类的鱼腹最大凹陷点、待测算鱼类的尾柄末端。
在一个实施例中,装置还可以包括:
实际特征值模块,用于存储鱼类眼部的实际特征值,包括眼径、眼间距、眼面积。
关于鱼类重量测算装置的具体限定可以参见上文中对于鱼类重量测算方法的限定,在此不再赘述。上述鱼类重量测算装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和通信总线304,其中,处理器301,存储器302,通信接口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302中的逻辑指令,以执行如下方法:获取待测算鱼类对应的拍摄图像,并根据所述拍摄图像获取所述待测算鱼类的特定点的位置信息,并根据所述特定点的位置信息以及所述拍摄图像的像素值获取所述特定点之间的实际距离;根据所述拍摄图像获取所述待测算鱼类的眼部的图像特征值,根据所述图像特征值及所述像素值计算得到所述待测算鱼类眼部的实际特征值;通过预设的关联分析法选取所述特定点之间的实际距离和所述待测算鱼类眼部的实际特征值中与鱼类重量相关的关联特征;将所述关联特征代入预设的神经网络模型,计算得到所述神经网络模型输出的所述待测算鱼类的重量预测值。
此外,上述的存储器302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。
另一方面,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传输方法,例如包括:获取待测算鱼类对应的拍摄图像,并根据所述拍摄图像获取所述待测算鱼类的特定点的位置信息,并根据所述特定点的位置信息以及所述拍摄图像的像素值获取所述特定点之间的实际距离;根据所述拍摄图像获取所述待测算鱼类的眼部的图像特征值,根据所述图像特征值及所述像素值计算得到所述待测算鱼类眼部的实际特征值;通过预设的关联分析法选取所述特定点之间的实际距离和所述待测算鱼类眼部的实际特征值中与鱼类重量相关的关联特征;将所述关联特征代入预设的神经网络模型,计算得到所述神经网络模型输出的所述待测算鱼类的重量预测值。
以上所描述的装置实施例仅仅是示意性的,其中所述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所述的方法。
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)
1.一种鱼类重量测算方法,其特征在于,包括:
获取待测算鱼类对应的拍摄图像,并根据所述拍摄图像获取所述待测算鱼类的特定点的位置信息,并根据所述特定点的位置信息以及所述拍摄图像的像素值获取所述特定点之间的实际距离;
根据所述拍摄图像获取所述待测算鱼类的眼部的图像特征值,根据所述图像特征值及所述像素值计算得到所述待测算鱼类眼部的实际特征值;
通过预设的关联分析法选取所述特定点之间的实际距离和所述待测算鱼类眼部的实际特征值中与鱼类重量相关的关联特征;
将所述关联特征代入预设的神经网络模型,计算得到所述神经网络模型输出的所述待测算鱼类的重量预测值。
2.根据权利要求1所述的鱼类重量测算方法,其特征在于,所述方法还包括:
获取所述待测算鱼类的视频录像,并根据所述视频录像获取所述待测算鱼类发生体型变化的时间点;
对比所述时间点前后所述待测算鱼类的身体轮廓;
获取对比结果中所述身体轮廓未发生相对位置变化的点作为所述待测算鱼类的特定点。
3.根据权利要求1所述的鱼类重量测算方法,其特征在于,所述通过预设的关联分析法选取所述特定点之间的实际距离和所述待测算鱼类眼部的实际特征值中与鱼类重量相关的关联特征,包括:
将所述鱼类重量设置为母因素,将所述所述特定点之间的实际距离和所述待测算鱼类眼部的实际特征值设置为子因素;
通过所述关联分析法分别计算所述母因素与所述子因素之间的关联系数;
选取根据所述关联系数计算出的关联度中对应的关联度大于特定阈值的子因素作为所述关联特征。
4.根据权利要求1所述的鱼类重量测算方法,其特征在于,获取待测算鱼类对应的拍摄图像之后,还包括
通过图像识别方法识别图像背景和所述待测算鱼类的鱼鳍,去除所述图像中的图像背景和所述待测算鱼类的鱼鳍,将剩余图像进行二值化处理,输出二值图像;
所述根据所述拍摄图像获取所述待测算鱼类的特定点的位置信息,包括:
根据所述二值图像获取所述待测算鱼类的特定点的位置信息。
5.根据权利要求1所述的鱼类重量测算方法,其特征在于,所述特定点,包括:
所述待测算鱼类的鱼体吻端、所述待测算鱼类的鱼腹最大凹陷点、所述待测算鱼类的尾柄末端。
6.根据权利要求1所述的可靠性预计方法,其特征在于,所述鱼类眼部的实际特征值,包括:
眼径、眼间距、眼面积。
7.一种鱼类重量测算装置,其特征在于,所述装置包括:
第一获取模块,用于获取待测算鱼类对应的拍摄图像,并根据所述拍摄图像获取所述待测算鱼类的特定点的位置信息,并根据所述特定点的位置信息以及所述拍摄图像的像素值获取所述特定点之间的实际距离;
第二获取模块,用于根据所述拍摄图像获取所述待测算鱼类的眼部的图像特征值,根据所述图像特征值及所述像素值计算得到所述待测算鱼类眼部的实际特征值;
选取模块,用于通过预设的关联分析法选取所述特定点之间的实际距离和所述待测算鱼类眼部的实际特征值中与鱼类重量相关的关联特征;
计算模块,用于将所述关联特征代入预设的神经网络模型,计算得到所述神经网络模型输出的所述待测算鱼类的重量预测值。
8.根据权利要求7所述的鱼类重量测算装置,其特征在于,所述装置还包括:
第三获取模块,用于获取所述待测算鱼类的视频录像,并根据所述视频录像获取所述待测算鱼类发生体型变化的时间点;
对比模块,用于对比所述时间点前后所述待测算鱼类的身体轮廓;
第四获取模块,用于获取对比结果中所述身体轮廓未发生相对位置变化的点作为所述待测算鱼类的特定点。
9.一种电子设备,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任一项所述鱼类重量测算方法的步骤。
10.一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任一项所述鱼类重量测算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911150150.XA CN111127396B (zh) | 2019-11-21 | 2019-11-21 | 鱼类重量测算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911150150.XA CN111127396B (zh) | 2019-11-21 | 2019-11-21 | 鱼类重量测算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127396A true CN111127396A (zh) | 2020-05-08 |
CN111127396B CN111127396B (zh) | 2023-10-27 |
Family
ID=70496204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911150150.XA Active CN111127396B (zh) | 2019-11-21 | 2019-11-21 | 鱼类重量测算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127396B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233144A (zh) * | 2020-09-24 | 2021-01-15 | 中国农业大学 | 水下鱼体重量测量方法及装置 |
CN113065569A (zh) * | 2021-04-13 | 2021-07-02 | 广东省科学院智能制造研究所 | 基于神经网络的鱼质量估计方法及系统、装置与存储介质 |
CN114742806A (zh) * | 2022-04-21 | 2022-07-12 | 海南大学 | 一种基于关键点坐标回归的鱼体形态学特征测量方法 |
CN115601301A (zh) * | 2022-09-07 | 2023-01-13 | 中国科学院水生生物研究所(Cn) | 鱼类表型特征测量方法、系统、电子设备及存储介质 |
JP7237321B1 (ja) | 2022-07-29 | 2023-03-13 | 株式会社MizLinx | 魚体長計測装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009063343A (ja) * | 2007-09-05 | 2009-03-26 | Nippon Telegr & Teleph Corp <Ntt> | 魚の行動モニタリングシステムおよび魚の行動モニタリング方法 |
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 |
CN108363970A (zh) * | 2018-02-02 | 2018-08-03 | 鲁东大学 | 一种鱼种类的识别方法和系统 |
CN109272546A (zh) * | 2018-09-14 | 2019-01-25 | 中国农业大学 | 一种鱼苗长度测量方法及系统 |
US20190228218A1 (en) * | 2018-01-25 | 2019-07-25 | X Development Llc | Fish biomass, shape, and size determination |
-
2019
- 2019-11-21 CN CN201911150150.XA patent/CN111127396B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009063343A (ja) * | 2007-09-05 | 2009-03-26 | Nippon Telegr & Teleph Corp <Ntt> | 魚の行動モニタリングシステムおよび魚の行動モニタリング方法 |
US20190228218A1 (en) * | 2018-01-25 | 2019-07-25 | X Development Llc | Fish biomass, shape, and size determination |
CN108363970A (zh) * | 2018-02-02 | 2018-08-03 | 鲁东大学 | 一种鱼种类的识别方法和系统 |
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 |
CN109272546A (zh) * | 2018-09-14 | 2019-01-25 | 中国农业大学 | 一种鱼苗长度测量方法及系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233144A (zh) * | 2020-09-24 | 2021-01-15 | 中国农业大学 | 水下鱼体重量测量方法及装置 |
CN112233144B (zh) * | 2020-09-24 | 2024-05-28 | 中国农业大学 | 水下鱼体重量测量方法及装置 |
CN113065569A (zh) * | 2021-04-13 | 2021-07-02 | 广东省科学院智能制造研究所 | 基于神经网络的鱼质量估计方法及系统、装置与存储介质 |
CN113065569B (zh) * | 2021-04-13 | 2023-11-24 | 广东省科学院智能制造研究所 | 基于神经网络的鱼质量估计方法及系统、装置与存储介质 |
CN114742806A (zh) * | 2022-04-21 | 2022-07-12 | 海南大学 | 一种基于关键点坐标回归的鱼体形态学特征测量方法 |
JP7237321B1 (ja) | 2022-07-29 | 2023-03-13 | 株式会社MizLinx | 魚体長計測装置 |
JP7398764B1 (ja) | 2022-07-29 | 2023-12-15 | 株式会社MizLinx | 魚体長計測方法 |
JP2024018218A (ja) * | 2022-07-29 | 2024-02-08 | 株式会社MizLinx | 魚体長計測装置 |
CN115601301A (zh) * | 2022-09-07 | 2023-01-13 | 中国科学院水生生物研究所(Cn) | 鱼类表型特征测量方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111127396B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127396A (zh) | 鱼类重量测算方法及装置 | |
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
KR20240053658A (ko) | 물고기 부피 추정, 중량 추정, 및 분석 값 생성을 위한 시스템 및 방법 | |
CN111161311A (zh) | 一种基于深度学习的视觉多目标跟踪方法及装置 | |
CN115100512A (zh) | 一种海洋经济物种的监测识别捕捞方法、系统及存储介质 | |
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 | |
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 | |
CN112418327A (zh) | 图像分类模型的训练方法、装置、电子设备以及存储介质 | |
CN116206194A (zh) | 鱼群投喂方法、装置、系统及存储介质 | |
CN115147862A (zh) | 底栖动物自动识别方法、系统、电子设备和可读存储介质 | |
CN114612728A (zh) | 模型训练方法、装置、计算机设备及存储介质 | |
CN115512215A (zh) | 水下生物监测方法、装置及存储介质 | |
CN111563439A (zh) | 一种水产生物病害检测方法、装置及设备 | |
CN113762005B (zh) | 特征选择模型的训练、对象分类方法、装置、设备及介质 | |
CN112461342B (zh) | 水产品称重方法、终端设备及存储介质 | |
Pache et al. | Non-intrusively estimating the live body biomass of Pintado Real® fingerlings: A feature selection approach | |
CN113011532A (zh) | 分类模型训练方法、装置、计算设备及存储介质 | |
CN112270404A (zh) | 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法 | |
CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
CN110008881B (zh) | 多运动目标的奶牛行为的识别方法及装置 | |
CN111723688A (zh) | 人体动作识别结果的评价方法、装置和电子设备 | |
Han et al. | Mask_LaC R-CNN for measuring morphological features of fish | |
CN114972895A (zh) | 小龙虾品质无损检测方法及装置 | |
CN113837062A (zh) | 一种分类方法、装置、存储介质及电子设备 | |
WO2022171267A1 (en) | System, method, and computer executable code for organism quantification |
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 |