CN111650196B - 一种基于机器视觉技术的病虾红体病检测装置 - Google Patents
一种基于机器视觉技术的病虾红体病检测装置 Download PDFInfo
- Publication number
- CN111650196B CN111650196B CN202010286452.6A CN202010286452A CN111650196B CN 111650196 B CN111650196 B CN 111650196B CN 202010286452 A CN202010286452 A CN 202010286452A CN 111650196 B CN111650196 B CN 111650196B
- Authority
- CN
- China
- Prior art keywords
- image
- shrimps
- sick
- shrimp
- body disease
- 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
- 241000238557 Decapoda Species 0.000 title claims abstract description 54
- 201000010099 disease Diseases 0.000 title claims abstract description 28
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 241000143060 Americamysis bahia Species 0.000 claims 12
- 241000238553 Litopenaeus vannamei Species 0.000 description 4
- 241000700605 Viruses Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000049 pigment Substances 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000554541 Crangon crangon Species 0.000 description 1
- 238000002965 ELISA Methods 0.000 description 1
- 206010056474 Erythrosis Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method 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
- 230000000925 erythroid effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003752 polymerase chain reaction Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10024—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
- G06T2207/20—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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于机器视觉技术的病虾红体病检测装置,包括:升降活动的观测平台;带动所述观测平台升降的驱动机构;以及用于图像获取的相机;所述观测平台包括与所述驱动机构连接的边框,边框内为网状结构。本发明能够在虾体生长过程中进行红体病检测,及时判断虾体是否患病,能有效阻止疾病扩散。
Description
技术领域
本发明涉及病虾红体病检测领域,尤其是涉及一种基于机器视觉技术的病虾红体病检测装置。
背景技术
南美白对虾是中国极为重要的水产之一,由于其鲜美的味道和丰富的营养而备受消费者喜爱。然而,随着水产品养殖向集约化模式发展,病毒导致的传染性疾病越来越成为威胁对虾养殖业发展的重要因素。它们具有传播速度快、发病率高、致死率高等特点,给养虾业造成了严重的经济损失。
红体病是由桃拉病毒或者其他细菌引起的常见虾病。其中,桃拉综合症是由桃拉病毒引起的一种对虾传染病,被世界动物卫生组织列为必须申报的疾病。正常健康南美白对虾体色透亮、体表光滑、色素斑点大小均匀一致,而患有红体病的虾体色素扩散,体表发红,尤其在尾扇、尾节和腹肢更加明显。
目前,大部分养殖户的文化水平普遍不高,基层进行虾病诊断的专家相对短缺,导致虾病诊断不及时,更有许多养殖户急病乱投医,延误病情,甚至有可能使疾病扩散开来。有研究人员利用间接酶联免疫吸附测定技术或者聚合酶链式反应检测试剂盒检测对虾病原菌,来诊断对虾红体病,但是这些方法步骤繁琐,效率低。
发明内容
针对现有技术中存在的问题,本发明提供一种基于机器视觉技术的病虾红体病检测装置,用于在虾体生长过程中进行红体病检测,及时判断虾体是否患病,能有效阻止疾病扩散。
为实现上述的发明目的,本发明采用的具体技术方案如下:
一种基于机器视觉技术的病虾红体病检测装置,包括:
升降活动的观测平台;
带动所述观测平台升降的驱动机构;
以及用于图像获取的相机;
所述观测平台包括与所述驱动机构连接的边框,边框内为网状结构。
作为优选的,所述的驱动机构包括电机;一端连接所述的电机,另一端连接在观测平台边框行的绳索;以及绕设所述绳索的定滑轮组。
作为优选的,由驱动机构带动观测平台露出水面,利用相机拍摄观测平台上的虾体图像;
所述的病虾红体病检测装置还包括与所述相机连接的处理器,对获取的图像进行处理,判断是否为患病虾。
优选的,所述处理器的具体处理过程如下:
(1)利用相机获取虾体的图像;
(2)对图像中的检测目标进行分割与提取;
(3)对获取的图像进行像素点膨胀,标记连通区域;
(4)利用神经网络训练行预测,判断是否为患病虾。
在步骤(2)中,对获取虾体的图像灰度化处理,并采用阈值分割的方法,将对虾从背景中区分出来。
在步骤(2)的具体过程为:将原始彩色图像转换成灰度图像,绘出灰度直方图,新建一个全为0的矩阵,并求解背景峰与目标峰均值作为所求解的阈值,阈值设置为70,将图像中R值大于70的像素点标记为1。
作为优选的,所述的步骤(3)的具体过程为:
对于获取的图像中标记为1的像素点进行像素点膨胀,检测已标记为1的像素点与周围像素点的色差,若各通道差值均小于10,则将此区域连通成为一个具有n个被标记为1的连通区域,背景标记为0。
作为优选的,所述步骤(4)的具体步骤有:
4.1、对具有n个连通区域的图像分割成n张图,每张图包含一个连通区域;
4.2、采用若干张患病虾的图片和若干张噪声图片对卷积神经网络进行训练,并用此模型对结果进行预测,判断是否为患病虾。
本发明能够在虾体生长过程中进行红体病检测,及时判断虾体是否患病,能有效阻止疾病扩散。
附图说明
图1为本发明中病虾红体病检测的结构图。
图2为获取虾体的图像;a为对虾背景置零图像,b为像素点膨胀结果。
具体实施方式
下面结合实施例和附图来详细说明本发明,但本发明并不仅限于此。
本发明的检测装置主要包括观测平台1、相机2、定滑轮3、绳索4、定滑轮5和电机6。
一、观测平台升降
观测平台的整体形状是边长为1.5米的正方形,其边沿是金属材料,内部由密布的蓝色网线组成,其网孔的大小约为1毫米,保证虾不会在网孔漏下,同时能保证水能顺利漏下。平台四个角上分别连有相同的四根绳索,用于提拉观测平台又可保证平台水平。四根绳索连接于同一绳索,经过两个定滑轮连接电机。观测平台主要有两个作用,一是投放饵料,二是患病虾的检测。
首先,观测平台处于水面以下,将定量饵料投放至观测平台区域,南美白对虾完成正常的摄食。经过15分钟之后,虾基本完成摄食。然后,根据设置好的电机参数,电机拉动绳索,通过两个定滑轮向上拉动观测平台,将观测平台向上拉至固定高度。然后,等相机完成图像获取后,电机控制绳索将平台缓慢下降至水面以下的原始位置。周而复始,按照投饵的周期,定期检测染病虾的数量。
二、图像获取
由于水质较为浑浊,实际作业时,为了保证图像足够清晰,将被检测的虾拉至水面以上,直至平台处于静止状态,相机开始获取图像。相机固定于顶部一定高度,保证每次获取图像时,虾与相机具有相同的距离。
本发明采用单目视觉系统,就是利用单个相机对目标物进行图像信息采集。一个相机信息采集相对简单,存储方便,信息量较少,方便快捷,可以较好获取虾体的二维信息。
1.3.1目标分割与提取
由于空间中任何一种颜色都可以由红、绿、蓝三色组合而成,因此彩色图像可以分解成红、绿、蓝三个单色图像,每个像素点的颜色为3个字节数据。如(255,0,0)为红色,(0,255,0)为绿色,(0,0,255)为蓝色。为减小图像大小,对图像灰度化处理。灰度图像中每个像素点的颜色都处于白色到黑色之间的灰度色域,每点的像素值用灰度值标识。白色的灰度值为255,黑色的灰度值为0,由黑到白之间均匀地划分为256个等级,每个点的像素值为一个字节数据。
水池背景颜色为浅色,染病虾体的颜色为红色,正常虾体体色透亮,染病虾与其他颜色具有较为明显的差异,两者之间存在较大的差异,所以采用阈值分割的方法,将对虾从背景中区分出来。这种方法按照图像的灰度特性,将图像分成背景和目标两部分,实现简单、计算量小、性能较稳定。
首先,将原始彩色图像转换成灰度图像,绘出灰度直方图,新建一个全为0的矩阵,并求解背景峰与目标峰均值作为所求解的阈值,阈值设置为70,将图像中R值大于70的像素点标记为1。
1.3.2像素点膨胀
对于获取的图像中标记为1的像素点进行像素点膨胀,检测已标记为1的像素点与周围像素点的色差,若各通道差值均小于10,即|ΔR|<10,|ΔG|<10,|ΔB|<10,则将此区域连通成为一个具有n个被标记为1的连通区域,背景标记为0。如图2中a图为对虾背景置零图像,如图2中b图为像素点膨胀结果。
1.3.3神经网络训练
1.对具有n个连通区域的图像分割成n张像素数为28*28的图,每张图包含一个连通区域。
2.采用1000张患病虾的图片和1000张噪声图片对卷积神经网络进行训练,并用此模型对结果进行预测,判断是否为患病虾。
结果显示,卷积神经网络分类器的分类精度达到90.8333%,误差仅有9.1667%
以上所述仅为本发明的较佳实施举例,并不用于限制本发明,凡在本发明精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于机器视觉技术的病虾红体病检测装置,其特征在于,包括:
升降活动的观测平台;
带动所述观测平台升降的驱动机构;
以及用于图像获取的相机;
所述观测平台包括与所述驱动机构连接的边框,边框内为网状结构;
由驱动机构带动观测平台露出水面,利用相机拍摄观测平台上的虾体图像;
所述的病虾红体病检测装置还包括与所述相机连接的处理器,对获取的图像进行处理,判断是否为患病虾;所述处理器的具体处理过程如下:
(1)利用相机获取虾体的图像;
(2)对图像中的检测目标进行分割与提取;
(3)对获取的图像进行像素点膨胀,标记连通区域;
(4)利用神经网络训练行预测,判断是否为患病虾。
2.如权利要求1所述的基于机器视觉技术的病虾红体病检测装置,其特征在于,所述的驱动机构包括电机;一端连接所述的电机,另一端连接在观测平台边框行的绳索;以及绕设所述绳索的定滑轮组。
3.如权利要求1所述的基于机器视觉技术的病虾红体病检测装置,其特征在于,在步骤(2)中,对获取虾体的图像灰度化处理,并采用阈值分割的方法,将对虾从背景中区分出来。
4.如权利要求3所述的基于机器视觉技术的病虾红体病检测装置,其特征在于,在步骤(2)的具体过程为:将原始彩色图像转换成灰度图像,绘出灰度直方图,新建一个全为0的矩阵,并求解背景峰与目标峰均值作为所求解的阈值,阈值设置为70,将图像中R值大于70的像素点标记为1。
5.如权利要求1所述的基于机器视觉技术的病虾红体病检测装置,其特征在于,所述的步骤(3)的具体过程为:
对于获取的图像中标记为1的像素点进行像素点膨胀,检测已标记为1的像素点与周围像素点的色差,若各通道差值均小于10,则将此区域连通成为一个具有n个被标记为1的连通区域,背景标记为0。
6.如权利要求1所述的基于机器视觉技术的病虾红体病检测装置,其特征在于,所述步骤(4)的具体步骤有:
4.1、对具有n个连通区域的图像分割成n张图,每张图包含一个连通区域;
4.2、采用若干张患病虾的图片和若干张噪声图片对卷积神经网络进行训练,并用此模型对结果进行预测,判断是否为患病虾。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010286452.6A CN111650196B (zh) | 2020-04-13 | 2020-04-13 | 一种基于机器视觉技术的病虾红体病检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010286452.6A CN111650196B (zh) | 2020-04-13 | 2020-04-13 | 一种基于机器视觉技术的病虾红体病检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111650196A CN111650196A (zh) | 2020-09-11 |
CN111650196B true CN111650196B (zh) | 2021-08-06 |
Family
ID=72346432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010286452.6A Active CN111650196B (zh) | 2020-04-13 | 2020-04-13 | 一种基于机器视觉技术的病虾红体病检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111650196B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232978B (zh) * | 2020-10-20 | 2022-11-04 | 青岛丰禾星普科技有限公司 | 水产品体长和重量检测方法、终端设备及存储介质 |
CN112841099A (zh) * | 2021-03-19 | 2021-05-28 | 东营市阔海水产科技有限公司 | 基于图像检测对虾头部病变的检测装置 |
CN113052114A (zh) * | 2021-04-02 | 2021-06-29 | 东营市阔海水产科技有限公司 | 死虾识别方法、终端设备及可读存储介质 |
CN113287566A (zh) * | 2021-05-08 | 2021-08-24 | 浙江省海洋水产养殖研究所 | 一种智能虾类养殖观测系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521600A (zh) * | 2011-11-03 | 2012-06-27 | 北京农业信息技术研究中心 | 基于机器视觉的南美白对虾病害识别方法及系统 |
CN102986604A (zh) * | 2012-12-12 | 2013-03-27 | 浙江海洋学院 | 一种章鱼智能捕捉装置及其使用方法 |
CN203814389U (zh) * | 2014-05-23 | 2014-09-10 | 三峡大学 | 鱼类的光照试验装置 |
JP2016202091A (ja) * | 2015-04-23 | 2016-12-08 | アンドウケミカル株式会社 | 育苗ポット |
CN106305641A (zh) * | 2016-08-20 | 2017-01-11 | 安徽农家宜生态养殖有限公司 | 一种自动升降的捕鱼设备 |
CN106550223A (zh) * | 2017-01-13 | 2017-03-29 | 湖南理工学院 | 一种用于水产养殖的死鱼监控装置及监控方法 |
CN109829465A (zh) * | 2019-01-03 | 2019-05-31 | 上海交通大学 | 一种搜寻对虾最佳吸取位置和识别尾肢特征的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113795145B (zh) * | 2019-06-12 | 2023-10-20 | 渔觅创新私人有限公司 | 水栖动物养殖支援系统、升降装置、投饵装置、水栖动物的养殖方法及水栖动物养殖支援介质 |
-
2020
- 2020-04-13 CN CN202010286452.6A patent/CN111650196B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521600A (zh) * | 2011-11-03 | 2012-06-27 | 北京农业信息技术研究中心 | 基于机器视觉的南美白对虾病害识别方法及系统 |
CN102986604A (zh) * | 2012-12-12 | 2013-03-27 | 浙江海洋学院 | 一种章鱼智能捕捉装置及其使用方法 |
CN203814389U (zh) * | 2014-05-23 | 2014-09-10 | 三峡大学 | 鱼类的光照试验装置 |
JP2016202091A (ja) * | 2015-04-23 | 2016-12-08 | アンドウケミカル株式会社 | 育苗ポット |
CN106305641A (zh) * | 2016-08-20 | 2017-01-11 | 安徽农家宜生态养殖有限公司 | 一种自动升降的捕鱼设备 |
CN106550223A (zh) * | 2017-01-13 | 2017-03-29 | 湖南理工学院 | 一种用于水产养殖的死鱼监控装置及监控方法 |
CN109829465A (zh) * | 2019-01-03 | 2019-05-31 | 上海交通大学 | 一种搜寻对虾最佳吸取位置和识别尾肢特征的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111650196A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111650196B (zh) | 一种基于机器视觉技术的病虾红体病检测装置 | |
Zion et al. | In-vivo fish sorting by computer vision | |
US11523590B2 (en) | Method and system for monitoring egg-laying performance of caged laying-hens at laying-hen positions | |
CN113795145B (zh) | 水栖动物养殖支援系统、升降装置、投饵装置、水栖动物的养殖方法及水栖动物养殖支援介质 | |
JP3101938B2 (ja) | 水棲生物用自動給餌装置及び方法 | |
CN106645605B (zh) | 基于机器视觉的禽类受精蛋检测方法 | |
Duan et al. | An automatic counting system for transparent pelagic fish eggs based on computer vision | |
CN111406693A (zh) | 基于仿生海鳗的海洋牧场渔业资源养护效果评价方法 | |
CN112184699A (zh) | 水产品健康检测方法、终端设备及存储介质 | |
CN112232978B (zh) | 水产品体长和重量检测方法、终端设备及存储介质 | |
Ibrahim Aliyu et al. | A proposed fish counting algorithm using digital image processing technique | |
CN107871316B (zh) | 基于深度神经网络的x光片手骨兴趣区域自动提取方法 | |
CN112232977A (zh) | 水产品养殖评估方法、终端设备及存储介质 | |
CN112257564B (zh) | 水产品数量统计方法、终端设备及存储介质 | |
CN111862246A (zh) | 对虾苗种智能计数方法及装置 | |
CN110089477A (zh) | 一种用于循环水养殖模式的鱼类福利化智能养殖系统及方法 | |
Taparhudee et al. | Application of unmanned aerial vehicle (UAV) with area image analysis of red tilapia weight estimation in river-based cage culture | |
Liu et al. | Evaluation of body weight of sea cucumber Apostichopus japonicus by computer vision | |
CN116152718A (zh) | 一种对虾养殖智能化观测装置及观测方法 | |
CN109118540B (zh) | 基于脊线提取的鲟鱼快速统计方法 | |
CN212379883U (zh) | 对虾苗种智能计数装置 | |
Taparhudee et al. | Weight estimation of Nile tilapia (Oreochromis niloticus Linn.) using image analysis with and without fins and tail | |
Setianingrum et al. | Identification of Plasmodium falciparum stages using support vector machine method | |
Mnasri et al. | Polychromatism in the thornback ray, Raja clavata (Chondrichthyes: Rajidae) off northern Tunisian coast (central Mediterranean) | |
CN117455909B (zh) | 一种鱼类进出自动化线鱼体鱼病检测方法 |
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 |