CN111678441A - 一种基于深度学习的水下鱼类形体测量装置及方法 - Google Patents
一种基于深度学习的水下鱼类形体测量装置及方法 Download PDFInfo
- Publication number
- CN111678441A CN111678441A CN202010750460.1A CN202010750460A CN111678441A CN 111678441 A CN111678441 A CN 111678441A CN 202010750460 A CN202010750460 A CN 202010750460A CN 111678441 A CN111678441 A CN 111678441A
- Authority
- CN
- China
- Prior art keywords
- fish body
- image
- waterproof camera
- fish
- underwater
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 218
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 4
- 230000006854 communication Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 229910001220 stainless steel Inorganic materials 0.000 claims description 3
- 239000010935 stainless steel Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000037237 body shape Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000000691 measurement method Methods 0.000 claims 4
- 230000000694 effects Effects 0.000 abstract description 2
- 230000012010 growth Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000021332 multicellular organism growth Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/022—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by means of tv-camera scanning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/03—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by measuring coordinates of points
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G06T5/70—
-
- 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
- G06T7/11—Region-based segmentation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度学习的水下鱼类形体测量装置及方法,装置包括:适于放置于水下的第一防水摄像头以及第二防水摄像头、L型支架、至少一个水下照明设备以及边缘计算设备;其中,所述边缘计算设备与所述第一防水摄像头以及第二防水摄像头通信连接;所述L型支架包括相互连接的第一连接臂以及第二连接臂;所述第一防水摄像头设置于所述第一连接臂,且在第一防水摄像头附近设置有水下照明设备;所述第二防水摄像头设置于所述第二连接臂,且在第二防水摄像头附近设置有水下照明设备。本发明在测量时对鱼的损害风险低、测量准确度高、效果好。
Description
技术领域
本发明涉及测量领域,更具体地,涉及一种基于深度学习的水下鱼类形体测量装置及方法。
背景技术
我国作为渔业发展大国,鱼类养殖工厂规模庞大。鱼类生长数据测量在养殖过程中必不可少,关系到企业对鱼类鱼苗投放、饲料的投喂、病害防治、收获捕捞等。
传统鱼类体长测量方法主要靠人工测量,即通过游标卡尺、体重测量器等工具将活鱼打捞出来评估体长体重,但是这种方法耗时较长、劳动密集、效率低、易有遗漏,且给鱼体造成压力、增加损害的风险或降低鱼的进食率而抑制其生长。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的基于深度学习的水下鱼类形体测量装置及方法。
本发明第一实施例提供了一种基于深度学习的水下鱼类形体测量装置,包括:适于放置于水下的第一防水摄像头以及第二防水摄像头、L型支架、至少一个水下照明设备以及边缘计算设备;其中,
所述边缘计算设备与所述第一防水摄像头以及第二防水摄像头通信连接;
所述L型支架包括相互连接的第一连接臂以及第二连接臂;
所述第一防水摄像头设置于所述第一连接臂,且在第一防水摄像头附近设置有水下照明设备;
所述第二防水摄像头设置于所述第二连接臂,且在第二防水摄像头附近设置有水下照明设备。
优选地,还包括配重块,所述配重块固定在所述第一连接臂或者第二连接臂上。
优选地,所述边缘计算设备为带有128个GPU计算单元的Jetson Nano。
优选地,所述第一防水摄像头以及第二防水摄像头的镜头为CCD镜头。
优选地,所述L型支架由不锈钢制成。
优选地,还包括挂接件,所述挂接件连接于所述第一连接臂的两端,以承接所述L型支架。
本发明实施例还提供了一种基于深度学习的水下鱼类形体测量方法,适于应用于如上述的基于深度学习的水下鱼类形体测量装置,包括:
将所述L型支架沉入水中,并开启所述水下照明设备、第一防水摄像头以及第二防水摄像头;
将所述第一防水摄像头以及第二防水摄像头采集的鱼体图像发送给边缘计算设备;其中,所述第一防水摄像头获取鱼体上方图像,所述第二防水摄像头获取鱼体侧面图像;
由所述边缘计算设备根据所述鱼体上方图像以及鱼体侧面图像计算得到鱼体在图像中的第一形体参数;
根据鱼体在图像中的第一形体参数,获得鱼体实际的第二形体参数。
优选地,在将所述第一防水摄像头以及第二防水摄像头采集的鱼体图像发送给边缘计算设备之前,还包括:
基于所述边缘计算设备预置的深度学习模型,对鱼体图像进行检测和分割,对分割后的鱼体图像进行姿态矫正,将其旋转成横向摆放;
引入矩形长宽比约束,设置一个阈值,将长宽比小于阈值的鱼体图像筛除掉,从而获得体型较直的鱼体图像。
优选地,所述鱼体在图像中的第一形体参数包括鱼体在图像中的长度、宽度、高度;则由所述边缘计算设备根据所述鱼体上方图像以及鱼体侧面图像计算得到鱼体在图像中的第一形体参数包括:
根据所述鱼体上方图像计算鱼体在图像中的长度以及宽度;
根据所述鱼体侧面图像计算鱼体在图像中的高度。
优选地,根据所述鱼体上方图像计算鱼体在图像中的长度以及宽度具体包括:
根据所述深度学习方法从鱼体上方图像中分割出鱼体区域图像;
对所述鱼体区域图像进行二值化,获得二值化图像;
根据所述二值化图像获取鱼体区域图像中鱼体的轮廓图像;
根据所述鱼体的轮廓图像获取鱼体的轮廓对应的各像素点的坐标值;
根据所述鱼体的轮廓对应的各像素点的坐标值,计算鱼体在鱼体上方图像中的长度以及宽度。
优选地,鱼体实际的第二形体参数包括鱼体的体长、体宽以及体高;
则根据鱼体在图像中的第一形体参数,获得鱼体实际的第二形体参数具体如下:
L=p1d1/a (1)
W=p2d1/a (2)
H=p3d2/b (3)
其中L为鱼体的体长,W为鱼体的体宽,H为鱼体的体高,p1为鱼体在鱼体上方图像中的长度,p2为鱼体在鱼体上方图像中的宽度,p3为鱼体在鱼体右侧图像中的高度,a、b为预设距离,d1为鱼体距离第一防水摄像头的距离,d2为鱼体距离第二防水摄像头的距离。
上述一个实施例中,通过设置于L型支架上的第一防水摄像头以及第二防水摄像头从不同角度对鱼体图像进行采集,所述边缘计算设备在接收到鱼体上方图像以及鱼体侧面图像后,基于预先训练好的深度学习算法,可以计算出鱼体图像中的鱼体的体长、体宽以及体高等参数,由于整个测量过程,鱼体不会脱离水池,不会给鱼体造成压力,可使鱼体在稳定的条件下生长,降低损害的风险,也不会因为降低鱼的进食率而抑制其生长,耗时短、效率高。
附图说明
图1为本发明第一实施例的基于深度学习的水下鱼类形体测量装置的结构示意图。
图2为本发明一实施例提供的在移动端设备的显示屏显示鱼体参数的界面示意图。
图3为本发明第二实施例提供的基于深度学习的水下鱼类形体测量方法的流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
请参阅图1,本发明第一实施例提供了一种基于深度学习的水下鱼类形体测量装置,包括:适于放置于水下的第一防水摄像头2以及第二防水摄像头3、L型支架6、至少一个水下照明设备4以及边缘计算设备1;其中,
所述边缘计算设备1与所述第一防水摄像头2以及第二防水摄像头3通信连接;
所述L型支架6包括相互连接的第一连接臂61以及第二连接臂62;
所述第一防水摄像头2设置于所述第一连接臂61,且在第一防水摄像头2附近设置有水下照明设备4;
所述第二防水摄像头3设置于所述第二连接臂62,且在第二防水摄像头3附近设置有水下照明设备4。
在本实施例中,所述边缘计算设备1可为带有128个GPU计算单元的Jetson Nano,其与第一防水摄像头2以及第二防水摄像头3双向通信连接,从而实现彼此信息的交互。例如,所述边缘计算设备1可与第一防水摄像头2以及第二防水摄像头3通过USB接口进行连接。当然,还可以有其他的连接方式,例如,网口连接、COM口连接等,本发明不做具体限定。
在本实施例中,所述第一防水摄像头2以及第二防水摄像头3均具有防水功能,使得其在水下仍然能够正常的进行图像的拍摄,其中,第一防水摄像头2以及第二防水摄像头3的镜头可采用CCD镜头。当然,也可以是其他类型的镜头,本发明不做具体限定。
在本实施例中,所述L型支架6可由不锈钢制成,其包括互相垂直连接的第一连接臂61以及第二连接臂62,其中,所述第一防水摄像头2设置于所述第一连接臂61,从而从上方对在水中的鱼体进行拍摄,所述第二防水摄像头3设置于所述第二连接臂62,从而从侧面对水中的鱼体进行拍摄。当然,需要说明的是,所述L型支架6也可以用其他材料制成,本发明不做具体限定。
在本实施例中,考虑到水下的光照较弱,一般的,还需要在第一防水摄像头2以及第二防水摄像头3的附近设置照明光源,如设置本实施例的水下照明设备4。其中,在一个优选的实施例方式中,分别在第一防水摄像头2以及第二防水摄像头3的两侧均设置一个水下照明设备4,从而保证摄像头工作所需的照明环境。
在本实施例中,为了使得所述L型支架6能够更好的沉入水中,本实施例还进一步的还包括配重块5,所述配重块5固定在所述第一连接臂61或者第二连接臂62上。
其中,所述配置块5具有预定的重量,通过其重量,可以使得整个装置整体更容易的沉入到水中。
此外,所述L型支架6上设有固定锚点,从而可以调节所述配重块5在所述L型支架6上的位置。
在本实施例中,考虑到在水中L型支架6可能会发生摆动或者过于下沉,本实施例还进一步的挂接件,所述挂接件连接于所述第一连接臂61的两端,以承接所述L型支架6。
其中,例如,所述挂接件可包括两段挂绳,其中两段挂绳分别连接于第一连接臂61的一端,挂绳可以保证L型支架6的整体平滑而不会发生侧向的晃动,此外,也可以更好的控制L型支架6的下沉深度。
如图2所示,在本实施例中,需要说明的是,所述装置还可进一步的包括无线装置(如wifi模块、蓝牙模块或者4G模块等),用户可以通过移动端设备与该无线装置连接所述边缘计算设备1,从而获得边缘计算设备1接收到的鱼体图像以及计算出的鱼体参数,并在其显示界面上显示相应的鱼体参数。
以下详述本实施例的工作原理。
在本实施例中,在使用前,先将所述边缘计算设备1与所述第一防水摄像头2以及第二防水摄像头3进行双向连接,再将所述配重块5、所述水下照明设备4、所述第一防水摄像头2以及第二防水摄像头3安装在所述L型支架6上。
然后,将所述L型支架6沉入水中,并开启所述水下照明设备5与第一防水摄像头2以及第二防水摄像头3,所述第一防水摄像头2和第二防水摄像头3将采集到的鱼体图像发送给所述边缘计算设备1。其中,所述第一防水摄像头2获取鱼体上方图像,所述第二防水摄像头3获取鱼体侧面图像。且一般的,本实施例中的鱼体图像为彩色图像。
在本实施例中,所述边缘计算设备1在接收到所述鱼体上方图像以及鱼体侧面图像后,基于预先训练好的深度学习算法,可以计算出鱼体图像中的鱼体的体长、体宽以及体高等参数(具体测量过程将在第二实施例进行详细说明)。由于整个测量过程,鱼体不会脱离水池,不会给鱼体造成压力,可使鱼体在稳定的条件下生长,降低损害的风险,也不会因为降低鱼的进食率而抑制其生长,耗时短、效率高。
此外,还可根据采集的上述多个数据为养殖场建立鱼体生长参数数据库,对投喂机制、疫病监控、鱼群分析、异常行为等进行数据支持。用户可实现远程监控鱼体生长情况,对生长数据进行分析并建立更好的投喂机制及收获时间,达到最佳经济收益状态。
请参阅图3,本发明第二实施例还提供了一种基于深度学习的水下鱼类形体测量方法,适于应用于如上述任一实施例的基于深度学习的水下鱼类形体测量装置,包括:
S201,将所述L型支架沉入水中,并开启所述水下照明设备、第一防水摄像头以及第二防水摄像头。
S202,将所述第一防水摄像头以及第二防水摄像头采集的鱼体图像发送给边缘计算设备;其中,所述第一防水摄像头获取鱼体上方图像,所述第二防水摄像头获取鱼体侧面图像。
在本实施例中,在将鱼体图像发送给边缘计算设备之前,需要对鱼体图像进行筛选,筛选过程包括:
首先,根据所述边缘计算设备预置的深度学习模型对鱼体图像进行检测和分割,对分割后的鱼类图像进行姿态矫正,将其旋转成横向摆放。
然后,引入矩形长宽比约束,设置一个阈值,将长宽比小于阈值的图像筛除掉,从而获得体型较直的鱼体图像。
S203,由所述边缘计算设备根据所述鱼体上方图像以及鱼体侧面图像计算得到鱼体在图像中的第一形体参数。
具体地,在本实施例中,所述鱼体在图像中的第一形体参数包括鱼体在图像中的长度、宽度、高度。则步骤S203包括:
根据所述鱼体上方图像计算鱼体在图像中的长度以及宽度。
首先,根据深度学习模型从鱼体上方图像中分割出鱼体区域图像。
然后,对所述鱼体区域图像进行二值化,获得二值化图像。
在本实施例中,为了便于后续的处理,需要将提取到的鱼体区域图像进行灰度化。其中,将拍摄的彩色的图像转化成灰度图像的过程叫图像的灰度化处理,彩色图像中每个像素的颜色有R、G、B三个分量决定,而每个分量有255中值可取,而灰度图像是RGB三个分量相同的一种特殊彩色图像,所以采集到鱼体图像后,采用下述公式(1)将三个分量进行加权,得到灰度化图像。
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j) (1)
其中,f(i,j)为横向像素坐标点为i,纵向像素坐标点为j的像素点的像素的颜色,R(i,j)为横向像素坐标点为i,纵向像素坐标点为j的像素点的R分量,G(i,j)为横向像素坐标点为i,纵向像素坐标点为j的像素点的G分量,B(i,j)为横向像素坐标点为i,纵向像素坐标点为j的像素点的B分量。
灰度化之后为了使得计算方便,对得到的灰度化图像通过最大类间方差法处理,得到二值化图像。
具体包括:
将图像中的每个像素点的灰度值设置为0(黑色)和255(白色),让整个图像呈现只有黑和白的效果。当鱼体图像灰度化之后,执行二值化,通过计算图像中像素点矩阵中所有像素点的灰度值的平均值,然后让每一个像素点与平均值进行比较,小于平均值的设置为0,大于平均值的设置为255,得到二值化图像。
采用中值滤波的方式对所述二值化图像进行校正。
如果得到的二值化图像周围存在白色噪点,利用中值滤波器将像素矩阵遍历一遍,让与周围像素灰度值的差比较大的像素改取与周围像素值接近的值,消除孤立的噪声点。
接着,根据所述二值化图像获取鱼体区域图像中鱼体的轮廓图像。
例如,可以用canny算法对所述二值化图像进行轮廓提取,获取所述轮廓图像。
再接着,根据所述鱼体的轮廓图像获取鱼体的轮廓对应的各像素点的坐标值。
最后,根据所述鱼体的轮廓对应的各像素点的坐标值,计算鱼体在鱼体上方图像中的长度以及宽度。
以计算鱼体在鱼体图像中的长度为例,从左到右遍历轮廓上的各个白色像素点坐标值(x,y)并存入向量组中,找到纵向上的最小坐标点(x1,y1)与最大坐标点(x1,y2)(坐标点即为像素点,下同),利用下述公式(2)算出两个像素点之间的最大中心点(x1,y3),将所有中心点连成一条线,线长即为鱼体在图像中的长度。
y3=(y1+y2)/2 (2)
以计算鱼体在鱼体图像中的宽度为例:
从左到右遍历轮廓上的各个白色像素点坐标值(x,y)并存入向量组中,找到纵向上的最小坐标点(x1,y1)与最大坐标点(x1,y2)(坐标点即为像素点,下同),利用下述公式(3)算出两个像素点之间的最大距离|dis|,即为鱼体在图像中的宽度。
|dis|=(y2-y1) (3)
根据所述鱼体侧面图像计算鱼体在图像中的高度。
高度的测量可参照上述长度和宽度的计算方式,本发明在此不做赘述。
S204,根据鱼体在图像中的第一形体参数,获得鱼体实际的第二形体参数。
在本实施例中,鱼体实际的第二形体参数包括鱼体的体长、体宽以及体高;
则根据鱼体在图像中的第一形体参数,获得鱼体实际的第二形体参数具体如下:
L=p1d1/a (4)
W=p2d1/a (5)
H=p3d2/b (6)
其中L为鱼体的体长,W为鱼体的体宽,H为鱼体的体高,p1为鱼体在鱼体上方图像中的长度,p2为鱼体在鱼体上方图像中的宽度,p3为鱼体在鱼体右侧图像中的高度,a、b为预设距离,d1为鱼体距离第一防水摄像头的距离,d2为鱼体距离第二防水摄像头的距离。
在本实施例中,边缘计算设备可将接收到的数据,以图像拍摄时间分类,关联鱼体个体生长数据、视频图像数据,建立鱼体生长参数数据库,并保存至本地。
应当注意的是,在本发明的装置的各个部件中,根据其要实现的功能而对其中的部件进行了逻辑划分,但是,本发明不受限于此,可以根据需要对各个部件进行重新划分或者组合,例如,可以将一些部件组合为单个部件,或者可以将一些部件进一步分解为更多的子部件。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。单词“包括”不排除存在未列在权利要求中的元件或步骤。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。
以上实施方式仅适于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (10)
1.一种基于深度学习的水下鱼类形体测量装置,其特征在于,包括:适于放置于水下的第一防水摄像头以及第二防水摄像头、L型支架、至少一个水下照明设备以及边缘计算设备;其中,
所述边缘计算设备与所述第一防水摄像头以及第二防水摄像头通信连接;
所述L型支架包括相互连接的第一连接臂以及第二连接臂;
所述第一防水摄像头设置于所述第一连接臂,且在第一防水摄像头附近设置有水下照明设备;
所述第二防水摄像头设置于所述第二连接臂,且在第二防水摄像头附近设置有水下照明设备。
2.根据权利要求1所述的基于深度学习的水下鱼类形体测量装置,其特征在于,还包括配重块,所述配重块固定在所述第一连接臂或者第二连接臂上。
3.根据权利要求1所述的基于深度学习的水下鱼类形体测量装置,其特征在于,所述边缘计算设备为带有128个GPU计算单元的Jetson Nano。
4.根据权利要求1所述的基于深度学习的水下鱼类形体测量装置,其特征在于,所述第一防水摄像头以及第二防水摄像头的镜头为CCD镜头;所述L型支架由不锈钢制成。
5.根据权利要求1所述的基于深度学习的水下鱼类形体测量装置,其特征在于,还包括挂接件,所述挂接件连接于所述第一连接臂的两端,以承接所述L型支架。
6.一种基于深度学习的水下鱼类形体测量方法,适于应用于如权利要求1至5任意一项所述的基于深度学习的水下鱼类形体测量装置,其特征在于,包括:
将所述L型支架沉入水中,并开启所述水下照明设备、第一防水摄像头以及第二防水摄像头;
将所述第一防水摄像头以及第二防水摄像头采集的鱼体图像发送给边缘计算设备;其中,所述第一防水摄像头获取鱼体上方图像,所述第二防水摄像头获取鱼体侧面图像;
由所述边缘计算设备根据所述鱼体上方图像以及鱼体侧面图像计算得到鱼体在图像中的第一形体参数;
根据鱼体在图像中的第一形体参数,获得鱼体实际的第二形体参数。
7.根据权利要求7所述的基于深度学习的水下鱼类形体测量方法,其特征在于,在将所述第一防水摄像头以及第二防水摄像头采集的鱼体图像发送给边缘计算设备之前,还包括:
基于所述边缘计算设备预置的深度学习模型,对鱼体图像进行检测和分割,对分割后的鱼体图像进行姿态矫正,将其旋转成横向摆放;
引入矩形长宽比约束,设置一个阈值,将长宽比小于阈值的鱼体图像筛除掉,从而获得体型较直的鱼体图像。
8.根据权利要求7所述的基于深度学习的水下鱼类形体测量方法,其特征在于,所述鱼体在图像中的第一形体参数包括鱼体在图像中的长度、宽度、高度;则由所述边缘计算设备根据所述鱼体上方图像以及鱼体侧面图像计算得到鱼体在图像中的第一形体参数包括:
根据所述鱼体上方图像计算鱼体在图像中的长度以及宽度;
根据所述鱼体侧面图像计算鱼体在图像中的高度。
9.根据权利要求8所述的基于深度学习的水下鱼类形体测量方法,其特征在于,根据所述鱼体上方图像计算鱼体在图像中的长度以及宽度具体包括:
根据所述深度学习方法从鱼体上方图像中分割出鱼体区域图像;
对所述鱼体区域图像进行二值化,获得二值化图像;
根据所述二值化图像获取鱼体区域图像中鱼体的轮廓图像;
根据所述鱼体的轮廓图像获取鱼体的轮廓对应的各像素点的坐标值;
根据所述鱼体的轮廓对应的各像素点的坐标值,计算鱼体在鱼体上方图像中的长度以及宽度。
10.根据权利要求8所述的基于深度学习的水下鱼类形体测量方法,其特征在于,鱼体实际的第二形体参数包括鱼体的体长、体宽以及体高;
则根据鱼体在图像中的第一形体参数,获得鱼体实际的第二形体参数具体如下:
L=p1d1/a (1)
W=p2d1/a (2)
H=p3d2/b (3)
其中L为鱼体的体长,W为鱼体的体宽,H为鱼体的体高,p1为鱼体在鱼体上方图像中的长度,p2为鱼体在鱼体上方图像中的宽度,p3为鱼体在鱼体右侧图像中的高度,a、b为预设距离,d1为鱼体距离第一防水摄像头的距离,d2为鱼体距离第二防水摄像头的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010750460.1A CN111678441B (zh) | 2020-07-30 | 2020-07-30 | 一种基于深度学习的水下鱼类形体测量装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010750460.1A CN111678441B (zh) | 2020-07-30 | 2020-07-30 | 一种基于深度学习的水下鱼类形体测量装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111678441A true CN111678441A (zh) | 2020-09-18 |
CN111678441B CN111678441B (zh) | 2022-03-01 |
Family
ID=72458064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010750460.1A Active CN111678441B (zh) | 2020-07-30 | 2020-07-30 | 一种基于深度学习的水下鱼类形体测量装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111678441B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112113506A (zh) * | 2020-08-31 | 2020-12-22 | 天津蓝鳍海洋工程有限公司 | 一种基于深度学习的水下移动物体测量装置及测量方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992189A (zh) * | 2015-07-22 | 2015-10-21 | 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 |
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 |
CN105225229A (zh) * | 2015-09-07 | 2016-01-06 | 三峡大学 | 基于视频信号的鱼类过坝运动轨迹定位装置与方法 |
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 |
WO2019245722A1 (en) * | 2018-06-19 | 2019-12-26 | Aquabyte, Inc. | Sea lice detection and classification in an aquaculture environment |
-
2020
- 2020-07-30 CN CN202010750460.1A patent/CN111678441B/zh active Active
Patent Citations (5)
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 |
CN104992189A (zh) * | 2015-07-22 | 2015-10-21 | 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 |
CN105225229A (zh) * | 2015-09-07 | 2016-01-06 | 三峡大学 | 基于视频信号的鱼类过坝运动轨迹定位装置与方法 |
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 |
WO2019245722A1 (en) * | 2018-06-19 | 2019-12-26 | Aquabyte, Inc. | Sea lice detection and classification in an aquaculture environment |
Non-Patent Citations (2)
Title |
---|
徐嘉熠: "基于计算机视觉的鱼类识别研究与应用", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
胡涛: "基于深度学习的鱼类识别研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112113506A (zh) * | 2020-08-31 | 2020-12-22 | 天津蓝鳍海洋工程有限公司 | 一种基于深度学习的水下移动物体测量装置及测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111678441B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020046524A1 (en) | Automatic feed pellet monitoring based on camera footage in an aquaculture environment | |
CN112232978B (zh) | 水产品体长和重量检测方法、终端设备及存储介质 | |
WO2020046523A1 (en) | Optimal feeding based on signals in an aquaculture environment | |
KR102317988B1 (ko) | 이미지를 이용한 어류 종류 및 체장 측정 방법 | |
CN111738139A (zh) | 基于图像识别的养殖鱼监控方法及系统 | |
CN111678441B (zh) | 一种基于深度学习的水下鱼类形体测量装置及方法 | |
KR101106967B1 (ko) | 어류 계측 형질 측정 자동화 시스템 및 방법 | |
CN111696114A (zh) | 一种基于水下成像分析南美白对虾饥饿程度识别方法与装置 | |
CN108267122A (zh) | 一种基于机器视觉的水下鱼类体长测量装置及测量方法 | |
Kollis et al. | Weight estimation using image analysis and statistical modelling: A preliminary study | |
CN111161214A (zh) | 一种基于双目视觉的猪只体重测量及饮水行为识别系统及方法 | |
CN113516070A (zh) | 一种猪只点数方法 | |
CN208187400U (zh) | 一种基于机器视觉的鱼类体长测量装置 | |
CN115272887A (zh) | 基于无人机检测的海岸带垃圾识别方法、装置以及设备 | |
CN114627461A (zh) | 一种基于人工智能高精度识别水尺数据的方法及系统 | |
CN110197483A (zh) | 基于视频信号的深基坑裂缝检测方法 | |
CN109001215A (zh) | 一种基于机器视觉的电力接线端子缺陷检测系统 | |
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 | |
CN112113506A (zh) | 一种基于深度学习的水下移动物体测量装置及测量方法 | |
CN109118540B (zh) | 基于脊线提取的鲟鱼快速统计方法 | |
CN105427279A (zh) | 一种基于计算机视觉及物联网的草原旱情监测系统和方法 | |
CN112669302A (zh) | 吊弦缺陷检测方法、装置、电子设备及存储介质 | |
CN108052918A (zh) | 一种笔迹比对系统及方法 | |
CN114020074B (zh) | 一种养殖塘智能无人养殖系统及方法 | |
CN113902734A (zh) | 阴阳树脂分离控制方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230811 Address after: Unit 1801-1, No. 51 Chengyi Street, Phase III, Software Park, Xiamen City, Fujian Province, 361000 Patentee after: XIAMEN SENKE AITU INTELLIGENT TECHNOLOGY Co.,Ltd. Address before: 361024 No. 600, science and engineering road, Jimei District, Fujian, Xiamen Patentee before: XIAMEN University OF TECHNOLOGY |
|
TR01 | Transfer of patent right |