CN111738139A - 基于图像识别的养殖鱼监控方法及系统 - Google Patents
基于图像识别的养殖鱼监控方法及系统 Download PDFInfo
- Publication number
- CN111738139A CN111738139A CN202010564646.8A CN202010564646A CN111738139A CN 111738139 A CN111738139 A CN 111738139A CN 202010564646 A CN202010564646 A CN 202010564646A CN 111738139 A CN111738139 A CN 111738139A
- Authority
- CN
- China
- Prior art keywords
- fish
- image
- cultured
- images
- network model
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 146
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000011897 real-time detection Methods 0.000 claims abstract description 21
- 230000004083 survival effect Effects 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 20
- 238000009432 framing Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000009360 aquaculture Methods 0.000 description 8
- 244000144974 aquaculture Species 0.000 description 8
- 238000009372 pisciculture Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Marketing (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明公开了一种基于图像识别的养殖鱼监控方法,所述养殖鱼监控方法包括:构建并训练YOLO网络模型,获取死鱼识别模型权重,采集若干所述养殖鱼图像,并将若干所述养殖鱼图像拼接为完整的养殖鱼图像,在已训练的所述YOLO网络模型中调取所述死鱼识别模型权重并输入所述完整的养殖鱼图像进行实时检测,将实时检测结果存储于存储设备中,在图像界面显示所述实时检测结果并计算所述养殖鱼的存活率,和/或上传云端数据库,所述方法及系统可以实时监控养殖鱼在养殖池水面和水底的生存状况,并可以速度更快,准确度更高,更加智能的实时监控养殖鱼的生存状态。
Description
技术领域
本发明涉及计算机图像识别技术领域,具体涉及水产养殖中监控养殖品生存状态的方法及系统。
背景技术
现有技术中,在工厂化水产养殖生产过程中,养殖品的生存状态监控通常是由养殖户人工巡池完成的,而养殖户的时间有限,一天通常只巡池两次左右,而在非巡池时间段养殖品的生存状态就不得而知了。养殖场为了节约人工成本,会在车间顶部安装摄像头来监控车间养殖状况,但是摄像头往往不能全面覆盖养殖池而且也只能发现养殖池水面的状况,水底是否有异常情况是不清楚的。
因此,不管是视频监控还是巡池都需要人为的看守,而且池底的情况难以观察。所以,如何设计一种可以实时监控养殖池水面和水底养殖状况的水产养殖系统并且更快捷、更智能、更准确的实现养殖品生存状态的实时监控是目前亟待解决的问题。
发明内容
本发明要解决的技术问题是如何实时监控养殖鱼在养殖池水面和水底的状况并且如何更快捷、更智能、更准确的实时监控养殖鱼的生存状态,提供一种基于图像识别的养殖鱼监控方法及系统。
本发明是通过下述技术方案来解决上述技术问题:
一种基于图像识别的养殖鱼监控方法,所述养殖鱼监控方法包括:
构建并训练YOLO网络模型,获取死鱼识别模型权重;
采集若干所述养殖鱼图像,并将若干所述养殖鱼图像拼接为完整的养殖鱼图像
在已训练的所述YOLO网络模型中调取所述死鱼识别模型权重并输入所述完整的养殖鱼图像进行实时检测,将实时检测结果存储于存储设备中;
在图像界面显示所述实时检测结果并计算所述养殖鱼的存活率,和/或上传云端数据库。
较佳地,在构建所述YOLO网络模型之前还包括对目标养殖鱼图像的图像收集,图像处理及形成样本训练集,所述图像处理包括先对所述目标养殖鱼图像进行物理图像处理,再进行特征图像处理。
较佳地,构建所述YOLO网络模型之后,使用图像数据集对所述YOLO网络模型中的残差卷积网络进行物体分类训练。
进一步地,使用图像数据集对所述YOLO网络模型中的残差卷积网络进行物体分类训练之后,还包括使用样本训练集训练所述YOLO网络模型,所述样本训练集包括目标活鱼图像和目标死鱼图像。
较佳地,由若干摄像头采集若干所述养殖鱼图像拼接成所述完整的养殖鱼图像,所述若干摄像头分为水面摄像头组和水下摄像头组。
较佳地,所述实时检测结果包括:将在所述完整的养殖鱼图像中检测到的活养殖鱼图像框住,标注对应的活养殖鱼标签后存储于存储设备中,从而得到活养殖鱼数量。
进一步地,所述实时检测检测结果还包括:将在所述完整的养殖鱼图像中检测到的死养殖鱼图像框住,标注对应的死养殖鱼标签后存储于存储设备中,从而得到死养殖鱼数量。
一种养殖鱼监控系统,所述养殖鱼监控系统包括:
目标图像采集处理模块,用于对所述目标养殖鱼图像进行采集,处理并按一定格式输出;
图像数据集模块,对所述YOLO网络模型中的残差卷积网络进行训练得到部分训练的所述YOLO网络模型;
样本训练集模块,对进行部分训练后的所述YOLO网络模型再训练,获取死鱼识别模型权重;
图像采集与合成模块,多角度采集若干所述养殖鱼图像并拼接为所述完整的养殖鱼图像;
YOLO网络模型,训练后的所述YOLO网络模型用于实现实时养殖状况监控;以及,
输出模块,用于将存储于存储设备中的数据输出至图像界面和/或上传至云端数据库。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:可以实时监控养殖鱼在养殖池水面和水底的生存状况,并可以速度更快,准确度更高,更加智能的实时监控养殖鱼的生存状态。
附图说明
图1为本发明基于图像识别的养殖鱼监控方法及系统的一优选的实施例中的监控方法流程图;
图2为本发明基于图像识别的养殖鱼监控方法及系统的一实施例中的目标养殖鱼图像收集方法图;
图3为本发明基于图像识别的养殖鱼监控方法及系统的一实施例中获取样本训练集的流程图;
图4为本发明基于图像识别的养殖鱼监控方法及系统的一实施例中获取死鱼识别模型权重流程图;
图5为本发明基于图像识别的养殖鱼监控方法及系统的一实施例中养殖池及摄像头分布示意图;
图6为本发明基于图像识别的养殖鱼监控方法及系统的一实施例中实时检测结果及输出示意图。
图7为本发明基于图像识别的养殖鱼监控方法及系统的一实施例中养殖鱼监控系统框图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本申请的公开内容更加透彻全面。
需要说明的是,当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件并与之结合为一体,或者可能同时存在居中元件。本文所使用的术语“安装”、“一端”、“另一端”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示,为本发明一优选实施例的监控方法流程图,在养殖池中实时监控养殖鱼的方法包括如下步骤:
S10:收集养殖池中目标养殖鱼图像;
在一个可选的示例中,如图2所示,收集目标养殖鱼图像,有以下三种途径获得:
101:通过车间的监控视频截取各鱼池俯视图。
102:通过单反相机运用定格动画功能拍摄鱼池水面图像。
103:通过Gopro水下摄像机拍摄鱼池水下及池底的照片。
其中采集目标养殖鱼图像总数为8000~12000张,具体的,可以为8000张,10000张,12000张等,格式为jpg。
S20:对所述目标养殖鱼图像进行处理,将处理后的所述目标养殖鱼图像制作成样本训练集;
在一个可选的示例中,如图3所示,获取样本训练集的流程包括:
S201:将采集的目标养殖鱼图像进行图像处理;
所述图像处理包括:先进行物理图像处理再进行特征图像处理,所述物理图像处理具体包括:上下翻转、改变亮度25%~35%,具体的,可以为25%,30%,35%等、改变饱和度10%~20%,具体的,可以为10%,15%,20%等、改变对比度5%~15%,具体的,可以为5%,10%,15%,以及剔除不良图像具体包括:图像过于模糊、反光严重、曝光过强或过暗;所述特征图像处理包括:死鱼特征为鱼肚朝上、鱼侧趴于池底、鱼骨骼外露、鱼内脏外露、鱼体严重残缺,活鱼特征具体包括:鱼游泳姿态正常、鱼体完整。
S202:通过Model Arts中的智能标注,先手工将一些目标活鱼图像和目标死鱼图像打上相应的标签,接着通过Model Arts中的主动标注功能将剩余数以万计的图像进行自动标注;
S203:人工确认自动标注的照片是否有误,对一些错误进行修改,输出VOC格式的数据集,通过程序整理输出样本训练集。
在一个可选的示例中,通过Python程序整理出每个目标图像对应的文件位置形成样本训练集。
S30:构建YOLO网络模型,使用图像数据集对所述YOLO网络模型进行训练,再使用所述样本训练集对所述部分训练的所述YOLO网络模型再训练,获取死鱼识别模型权重;
在一个可选的示例中,可以构建YOLOv4网络模型,使用图像数据集对所述YOLOv4网络模型进行训练,再使用所述样本训练集对所述部分训练的所述YOLOv4网络模型再训练,获取死鱼识别模型权重。
在一个可选的示例中,如图4所示,为获取死鱼识别模型权重流程图:
S301:构建YOLO网络模型;
S302采用ImageNet图像数据集对所述YOLO网络模型中的残差卷积网络(CSPDarkNet-53)进行物体分类训练得到部分训练YOLO网络模型;
S303:将所述样本训练集以VOC数据集形式输入所述部分训练YOLO网络模型中的卷积神经网络进行训练,得到死鱼识别模型权重。
S40:由若干摄像头采集若干所述养殖鱼图像拼接成所述完整的养殖鱼图像;
在一个可选的示例中,如图5所述,为养殖池及摄像头分布示意图:
在所述养殖池100中,2组成120度圆周状均匀分布的若干摄像头分为水面摄像头组300和水下摄像头组400,所述若干摄像头固定在透明摄像头固定柱子200上,所述若干摄像头同时采集所述养殖鱼画面,然后将若干张所述养殖鱼图像拼接成一张完整的养殖鱼图像。
S50:在已训练的所述YOLO网络模型中调取所述死鱼识别模型权重并输入所述完整的养殖鱼图像进行实时检测,将实时检测结果存储于存储设备中,在图像界面显示所述实时检测结果并计算所述养殖鱼的存活率,和/或上传云端数据库。
在一个可选的示例中,为在已训练的所述YOLOv4网络模型中调取所述死鱼识别模型权重并输入所述完整的养殖鱼图像进行实时检测,将实时检测结果存储于存储设备中,在图像界面显示所述实时检测结果并计算所述养殖鱼的存活率,和/或上传云端数据库。
在一个可选的示例中,如图6所示,为实时检测结果及输出示意图:
S501:在已训练的所述YOLO网络型中调取所述死鱼识别模型权重和输入所述完整的养殖鱼图像;
S502:将在所述完整的养殖鱼图像中检测到的活养殖鱼图像框住,标注对应的活养殖鱼标签后存储于存储设备中,从而得到活养殖鱼数量;
S503:将在所述完整的养殖鱼图像中检测到的死养殖鱼图像框住,标注对应的死养殖鱼标签后存储于存储设备中,从而得到死养殖鱼数量;
S504:将所属活养殖鱼数量和死养殖鱼数量及存活率,在图像界面上显示和/或上传云端数据库。
在一个可选的示例中,可通过MQTT(Message Queuing Telemetry Transport,消息队列遥测传输)协议类型上传于云端,电脑客户端,手机app,微信公众号,进而将云端数据提供给用户。
如图7所示,为养殖鱼监控系统框图,所述养殖鱼监控系统框图包括:
目标图像采集处理模块702,用于对所述目标养殖鱼图像进行采集,处理并按一定格式输出;图像数据集模块704,对所述YOLO网络模型的残差卷积网络进行训练得到部分训练的所述YOLO网络模型;样本训练集模块703,对进行部分训练后的所述YOLO网络模型再训练,获取死鱼识别模型权重;图像采集与合成模块705,多角度采集若干所述养殖鱼图像并拼接为所述完整的养殖鱼图像;YOLO网络模型701,训练后的所述YOLO网络模型用于实现实时养殖状况监控;以及,输出模块706,用于将存储于存储中的数据输出至图像界面和/或上传至云端数据库。
在一个可选的示例中,所述养殖鱼监控系统框图中为YOLOv4网络模型。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (8)
1.一种基于图像识别的养殖鱼监控方法,其特征在于,所述养殖鱼监控方法包括:
构建并训练YOLO网络模型,获取死鱼识别模型权重;
采集若干所述养殖鱼图像,并将若干所述养殖鱼图像拼接为完整的养殖鱼图像;
在已训练的所述YOLO网络模型中调取所述死鱼识别模型权重并输入所述完整的养殖鱼图像进行实时检测,将实时检测结果存储于存储设备中;
在图像界面显示所述实时检测结果并计算所述养殖鱼的存活率,和/或上传云端数据库。
2.如权利要求1所述的养殖鱼监控方法,其特征在于,在构建所述YOLO网络模型之前还包括对目标养殖鱼图像的图像收集,图像处理及形成样本训练集,所述图像处理包括先对所述目标养殖鱼图像进行物理图像处理,再进行特征图像处理。
3.如权利要求1所述的养殖鱼监控方法,其特征在于,构建所述YOLO网络模型之后,使用图像数据集对所述YOLO网络模型中的残差卷积网络进行物体分类训练。
4.如权利要求3所述的养殖鱼监控方法,其特征在于,使用图像数据集对所述YOLO网络模型中的残差卷积网络进行物体分类训练之后,还包括使用样本训练集对已训练的所述YOLO网络模型再训练,所述样本训练集包括目标活鱼图像和目标死鱼图像。
5.如权利要求1所述的养殖鱼监控方法,其特征在于,由若干摄像头采集若干所述养殖鱼图像拼接成所述完整的养殖鱼图像,所述若干摄像头分为水面摄像头组和水下摄像头组。
6.如权利要求1所述的养殖鱼监控方法,其特征在于,所述实时检测结果包括:将在所述完整的养殖鱼图像中检测到的活养殖鱼图像框住,标注对应的活养殖鱼标签后存储于所述存储设备中,从而得到活养殖鱼数量。
7.如权利要求6所述的养殖鱼监控方法,其特征在于,所述实时检测检测结果还包括:将在所述完整的养殖鱼图像中检测到的死养殖鱼图像框住,标注对应的死养殖鱼标签后存储于所述存储设备中,从而得到死养殖鱼数量。
8.一种用于实现权利要求1所述的养殖鱼监控方法的养殖鱼监控系统,其特征在于,所述养殖鱼监控系统包括:
目标图像采集处理模块,用于对所述目标养殖鱼图像进行采集,处理并按一定格式输出;
图像数据集模块,对所述YOLO网络模型中的残差卷积网络进行训练得到部分训练的所述YOLO网络模型;
样本训练集模块,对进行部分训练后的所述YOLO网络模型再训练,获取死鱼识别模型权重;
图像采集与合成模块,多角度采集若干所述养殖鱼图像并拼接为所述完整的养殖鱼图像;
YOLO网络模型,训练后的所述YOLO网络模型用于实现实时养殖状况监控;以及,
输出模块,用于将存储于存储设备中的数据输出至图像界面和/或上传至云端数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010564646.8A CN111738139A (zh) | 2020-06-19 | 2020-06-19 | 基于图像识别的养殖鱼监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010564646.8A CN111738139A (zh) | 2020-06-19 | 2020-06-19 | 基于图像识别的养殖鱼监控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111738139A true CN111738139A (zh) | 2020-10-02 |
Family
ID=72650218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010564646.8A Pending CN111738139A (zh) | 2020-06-19 | 2020-06-19 | 基于图像识别的养殖鱼监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738139A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580662A (zh) * | 2020-12-09 | 2021-03-30 | 中国水产科学研究院渔业机械仪器研究所 | 一种基于图像特征识别鱼体方向的方法及系统 |
CN112767382A (zh) * | 2021-01-29 | 2021-05-07 | 安徽工大信息技术有限公司 | 一种基于深度学习的鱼苗计数方法 |
CN112965557A (zh) * | 2021-02-01 | 2021-06-15 | 三峡大学 | 智能龙虾养殖监测装置及监测方法 |
CN113076871A (zh) * | 2021-04-01 | 2021-07-06 | 华南理工大学 | 一种基于目标遮挡补偿的鱼群自动检测方法 |
CN113435396A (zh) * | 2021-07-13 | 2021-09-24 | 大连海洋大学 | 基于图像自适应抗噪的水下鱼群检测方法 |
CN113598122A (zh) * | 2021-08-04 | 2021-11-05 | 广东海洋大学 | 一种网箱死鱼收集机器人控制系统及方法 |
CN113793350A (zh) * | 2021-09-24 | 2021-12-14 | 安徽工大信息技术有限公司 | 一种鱼苗计数物联设备及鱼苗情况统计方法 |
CN114005137A (zh) * | 2021-10-23 | 2022-02-01 | 吉首大学 | 一种建立大鲵特征样本数据库识别大鲵个体身份的方法 |
CN114466157A (zh) * | 2020-12-25 | 2022-05-10 | 海南聚能科技创新研究院有限公司 | 一种水下和水上摄像结合评价鱼苗数量和活力的系统 |
NO20201382A1 (en) * | 2020-12-16 | 2022-06-17 | Createview As | A system for monitoring of dead fish |
CN114937200A (zh) * | 2022-05-25 | 2022-08-23 | 仲恺农业工程学院 | 基于深度学习的池塘死鱼检测方法、装置、设备及介质 |
CN115669587A (zh) * | 2022-12-30 | 2023-02-03 | 正大农业科学研究有限公司 | 养殖料台 |
CN117115688A (zh) * | 2023-08-17 | 2023-11-24 | 广东海洋大学 | 基于深度学习的低亮度环境下死鱼识别计数系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108990882A (zh) * | 2018-09-12 | 2018-12-14 | 中国水产科学研究院渔业机械仪器研究所 | 一种大型养殖池用中央多功能集中管理平台 |
CN109543679A (zh) * | 2018-11-16 | 2019-03-29 | 南京师范大学 | 一种基于深度卷积神经网络的死鱼识别方法及预警系统 |
CN109856138A (zh) * | 2018-12-18 | 2019-06-07 | 杭州电子科技大学 | 基于深度学习的深海网箱鱼类健康识别系统和方法 |
CN110910067A (zh) * | 2019-11-25 | 2020-03-24 | 南京师范大学 | 一种结合深度学习与Q-learning的活鱼运输水质智能调控方法和系统 |
CN111291840A (zh) * | 2020-05-12 | 2020-06-16 | 成都派沃智通科技有限公司 | 一种学生课堂行为识别系统、方法、介质及终端设备 |
-
2020
- 2020-06-19 CN CN202010564646.8A patent/CN111738139A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108990882A (zh) * | 2018-09-12 | 2018-12-14 | 中国水产科学研究院渔业机械仪器研究所 | 一种大型养殖池用中央多功能集中管理平台 |
CN109543679A (zh) * | 2018-11-16 | 2019-03-29 | 南京师范大学 | 一种基于深度卷积神经网络的死鱼识别方法及预警系统 |
CN109856138A (zh) * | 2018-12-18 | 2019-06-07 | 杭州电子科技大学 | 基于深度学习的深海网箱鱼类健康识别系统和方法 |
CN110910067A (zh) * | 2019-11-25 | 2020-03-24 | 南京师范大学 | 一种结合深度学习与Q-learning的活鱼运输水质智能调控方法和系统 |
CN111291840A (zh) * | 2020-05-12 | 2020-06-16 | 成都派沃智通科技有限公司 | 一种学生课堂行为识别系统、方法、介质及终端设备 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580662A (zh) * | 2020-12-09 | 2021-03-30 | 中国水产科学研究院渔业机械仪器研究所 | 一种基于图像特征识别鱼体方向的方法及系统 |
NO20201382A1 (en) * | 2020-12-16 | 2022-06-17 | Createview As | A system for monitoring of dead fish |
NO348007B1 (en) * | 2020-12-16 | 2024-06-17 | Createview As | A system for monitoring of dead fish |
WO2022129362A1 (en) * | 2020-12-16 | 2022-06-23 | Createview As | A system for monitoring of dead fish |
CN114466157A (zh) * | 2020-12-25 | 2022-05-10 | 海南聚能科技创新研究院有限公司 | 一种水下和水上摄像结合评价鱼苗数量和活力的系统 |
CN112767382A (zh) * | 2021-01-29 | 2021-05-07 | 安徽工大信息技术有限公司 | 一种基于深度学习的鱼苗计数方法 |
CN112965557A (zh) * | 2021-02-01 | 2021-06-15 | 三峡大学 | 智能龙虾养殖监测装置及监测方法 |
CN113076871A (zh) * | 2021-04-01 | 2021-07-06 | 华南理工大学 | 一种基于目标遮挡补偿的鱼群自动检测方法 |
CN113076871B (zh) * | 2021-04-01 | 2022-10-21 | 华南理工大学 | 一种基于目标遮挡补偿的鱼群自动检测方法 |
CN113435396A (zh) * | 2021-07-13 | 2021-09-24 | 大连海洋大学 | 基于图像自适应抗噪的水下鱼群检测方法 |
CN113435396B (zh) * | 2021-07-13 | 2022-05-20 | 大连海洋大学 | 基于图像自适应抗噪的水下鱼群检测方法 |
CN113598122A (zh) * | 2021-08-04 | 2021-11-05 | 广东海洋大学 | 一种网箱死鱼收集机器人控制系统及方法 |
CN113793350A (zh) * | 2021-09-24 | 2021-12-14 | 安徽工大信息技术有限公司 | 一种鱼苗计数物联设备及鱼苗情况统计方法 |
CN114005137A (zh) * | 2021-10-23 | 2022-02-01 | 吉首大学 | 一种建立大鲵特征样本数据库识别大鲵个体身份的方法 |
CN114005137B (zh) * | 2021-10-23 | 2024-07-05 | 吉首大学 | 一种建立大鲵特征样本数据库识别大鲵个体身份的方法 |
CN114937200A (zh) * | 2022-05-25 | 2022-08-23 | 仲恺农业工程学院 | 基于深度学习的池塘死鱼检测方法、装置、设备及介质 |
CN115669587A (zh) * | 2022-12-30 | 2023-02-03 | 正大农业科学研究有限公司 | 养殖料台 |
CN117115688A (zh) * | 2023-08-17 | 2023-11-24 | 广东海洋大学 | 基于深度学习的低亮度环境下死鱼识别计数系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738139A (zh) | 基于图像识别的养殖鱼监控方法及系统 | |
EP3789934A1 (en) | Method for calculating deviation relations of a population | |
US11048940B2 (en) | Recognition of weed in a natural environment | |
US20210289759A1 (en) | Estimating fish size, population density, species distribution and biomass | |
CN112131927B (zh) | 基于妊娠后期姿态转化特性的母猪分娩时间预测系统 | |
CN115661650A (zh) | 一种基于物联网数据监测的农场管理系统 | |
Huang et al. | The prototype of a smart underwater surveillance system for shrimp farming | |
WO2022010816A1 (en) | Splash detection for surface splash scoring | |
CN111611889A (zh) | 基于改进卷积神经网络的农田微型虫害识别装置 | |
CN114898405B (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
CN115578423A (zh) | 基于深度学习的鱼类关键点检测、个体追踪和生物量估算方法及系统 | |
CN113763196A (zh) | 一种基于改进YOLOv3的果园产量测定系统 | |
Pramudhita et al. | Strawberry Plant Diseases Classification Using CNN Based on MobileNetV3-Large and EfficientNet-B0 Architecture | |
CN115797844A (zh) | 一种基于神经网络的鱼体鱼病检测方法及系统 | |
CN116597332A (zh) | 一种基于无人机的茶树嫩芽检测方法及装置 | |
CN110796197A (zh) | 鱼种识别方法及系统 | |
Cao et al. | Learning-based low-illumination image enhancer for underwater live crab detection | |
Jovanović et al. | Splash detection in fish Plants surveillance videos using deep learning | |
CN117173631A (zh) | 一种生物多样性的监控方法和系统 | |
CN115379150A (zh) | 可远程自动化生成水稻生长过程动态视频的系统和方法 | |
US20230100268A1 (en) | Quantifying biotic damage on plant leaves, by convolutional neural networks | |
CN111814536B (zh) | 一种养殖监测方法和装置 | |
CN109558791B (zh) | 一种基于图像识别的寻笋装置及方法 | |
CN110460770B (zh) | 一种图像处理方法和系统 | |
CN116310658B (zh) | 一种基于球形摄像机建立储粮害虫图像数据集的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201002 |