CN111862246A - 对虾苗种智能计数方法及装置 - Google Patents
对虾苗种智能计数方法及装置 Download PDFInfo
- Publication number
- CN111862246A CN111862246A CN202010781403.XA CN202010781403A CN111862246A CN 111862246 A CN111862246 A CN 111862246A CN 202010781403 A CN202010781403 A CN 202010781403A CN 111862246 A CN111862246 A CN 111862246A
- Authority
- CN
- China
- Prior art keywords
- contour
- prawn
- transparent
- image
- digital image
- 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
- 241000238557 Decapoda Species 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000002156 mixing Methods 0.000 claims description 12
- 238000003756 stirring Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 abstract 1
- 238000005260 corrosion Methods 0.000 abstract 1
- 239000000284 extract Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 230000008676 import Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002209 hydrophobic effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000238553 Litopenaeus vannamei Species 0.000 description 1
- 241000238552 Penaeus monodon Species 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005303 weighing 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
- G06T7/90—Determination of colour characteristics
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K61/00—Culture of aquatic animals
- A01K61/90—Sorting, grading, counting or marking live aquatic animals, e.g. sex determination
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Environmental Sciences (AREA)
- Zoology (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种可避免对虾苗种损伤、提高效率及准确率的对虾苗种智能计数方法及装置,是以数字摄像头定期提取流过透明圆管的含有待测对虾苗种水体的数字图像,经过直方图分析、二值化处理及使用9~12像素的圆形滤波核对二值图像进行腐烛操作,再使用7~9像素的圆形滤波核进行膨胀操作,得到适合识别和参数提取的二值分析图像,提取二值分析图像中的每个白色轮廓并计算轮廓面积、质心坐标、轮廓面积占边界区域的比例和轮廓直径等四个轮廓特征,用人工方法判断并构成正负样本集,从而通过支持相量机(SVM)算法模型学习及阈值参数建立分类参数,对待测对虾苗种进行分类计数。
Description
技术领域
本发明涉及水产品养殖领域,尤其是一种可避免对虾苗种损伤、提高效率及准确率的对虾苗种智能计数方法及装置。
背景技术
对虾(中国对虾、斑节对虾、日本对虾、南美白对虾等)养殖规模庞大,对虾苗种的准确计数十分重要。由于对虾苗种培育过程中普遍使用外观特征与苗种比较相近的大蠕虫等活体饵料,声波、红外线触发等物理计数装置难以区别,故目前普遍采用的是人工肉眼计数方法。 但是对虾苗种个体规格较小(1厘米左右)、数量大(几万到几十万尾,多则上亿),人工肉眼逐个计数不仅耗时长、成本高,而且准确度低,为此现有人工肉眼计数均采取随机抽样计数:一是重量法,即称取对虾苗种总重量,再随机抽取样本计算单位重量对虾苗种数量后求总数;二是体积法,即计算对虾苗种总水体,再随机抽取样本计算单位水体虾苗数量后求总数。无论哪种随机抽样计数方法,不仅对于苗种会有不同程度的损伤,而且样本数量的误差会成倍放大导致总数量的巨大差异,仍解决不了计数准确率低的问题。
发明内容
本发明为了解决现有技术所存在的上述技术问题,提供一种可避免对虾苗种损伤、提高效率及准确率的对虾苗种智能计数方法及装置。
本发明的技术解决方案是:一种对虾苗种智能计数方法,其特征在于依次按照如下步骤进行:
步骤1:将待测对虾苗种与体积为C立方厘米的水体混合;
步骤2:驱动含待测对虾苗种的水体以流量通过位于数字摄像头下方的透明圆管,数字摄像头间隔B帧采集一张数字图像,在数字图像上的固定部位截取长度像素为M的透明圆管区域Q;
所述A为数字摄像头的采集率,单位:帧/秒;
所述t为对虾苗种流过区域Q对应的透明圆管的时间,单位:秒;
所述L为区域Q对应的透明圆管的实际长度,单位:厘米;
所述S为对虾苗种每秒流过透明圆管的距离,单位:厘米/秒;
所述P为数字图像上透明圆管的长度像素与所对应透明圆管实际长度之比,单位:像素/厘米;
所述V是含对虾苗种的水体流量,单位:立方厘米/秒;
步骤3:对数字图像进行RGB三个色彩通道的直方图分析、二值化处理得到二值图像;
步骤4:使用9~12像素的圆形滤波核对二值图像进行腐烛操作,再使用7~9像素的圆形滤波核进行膨胀操作,得到适合识别和参数提取的二值分析图像;
步骤5:提取二值分析图像中的每个白色轮廓并计算轮廓面积,判断轮廓面积是否小于阈值,是,则删除,否,则计算除轮廓面积的如下轮廓特征:质心坐标、轮廓面积占边界区域的比例和轮廓直径;
步骤6:利用训练阶段得到的分类参数对所得到的轮廓特征进行分类、计数及显示;
所述分类参数是依次按照如下步骤建成:
步骤6.1依次按照步骤1、2、3、4得到每个轮廓的一组轮廓特征,人工判断目标轮廓内是否为虾苗,是,则标记该组轮廓特征为正样本,否,则标记该组轮廓特征为负样本,进而分别得到各含有2000~4000个样本的正样本集和负样本集;
步骤6.2根据正样本集和负样本集中每组轮廓特征建立属性数据表;
步骤6.3支持相量机算法模型以属性数据表中的数据进行学习,进而得到支持向量模型参数并选取阈值参数,将所述支持向量机模型参数和阈值参数配置为分类参数;
步骤7. 判断本帧数字图像的计数与前一帧数字图像的计数是否相等,是,转步骤8,否,重复步骤2~7;
步骤8. 判断是否连续C×A/(V×B)张数字图像的计数相等,是,计数结束,否,重复步骤2~7。
一种上述对虾苗种智能计数的装置,有支架,在支架上置有箱体,箱体的底部有水体进口及水体出口,水体进口及水体出口分别通过第一竖管、第二竖管与横置于箱体下方的透明圆管相接,在透明圆管的上方由上至下依次有数字摄像头、照明灯带及透光板,在透明圆管内设有流量传感器,所述箱体内设有泵体、苗种混匀室及苗种收集室,所述泵体的出口及水体出口均与苗种混匀室相通,苗种混匀室内有由电机驱动的搅拌叶片,所述苗种收集室与水体进口相通,所述数字摄像头和流量传感器均与单片机相接。
本发明是将计算机智能技术与机械自动化技术相结合,可有效提高对虾苗种计数效率及准确率;对虾苗种带水活体计数无损伤;回收于苗种收集室的对虾苗种可直接打包装运销售,方便快捷;所用装置结构简单、操作容易。
附图说明
图1是本发明实施例所采集的数字图像。
图2是图1截取数字图像区域Q的示意图。
图3是图2直方图分析示意图。
图4是图2的二值图像。
图5是图4的二值分析图像。
图6是本发明实施例显示对虾苗种总数的图像。
图7是本发明实施例所用装置结构示意图。
图8是本发明实施例所用装置中箱体内的结构示意图。
图9是本发明实施例电路原理框图。
具体实施方式
本发明的实施例所用装置如图7、8、9,有支架1,在支架1上置有箱体2,箱体2的底部有水体进口3及水体出口4,水体进口3及水体出口4分别通过第一竖管5-1、第二竖管5-2与横置于箱体2下方的透明圆管6相接,在透明圆管6的上方由上至下依次有数字摄像头7、照明灯带8及透光板9,照明灯带8上均布有多个LED灯。在透明圆管6内设有流量传感器10,箱体2内设有泵体11(管道泵)、苗种混匀室12及苗种收集室13,苗种收集室13上有多个小于对虾苗种的疏水孔且与水体进口3活动相接(如插接等)。所述泵体11的出口及水体出口4均与苗种混匀室12相通,苗种混匀室12内有由电机驱动的搅拌叶片14,苗种收集室13与水体进口3相通,数字摄像头7及流量传感器10均与单片机15相接。
测量时,先将不含待测对虾苗种的水体置于箱体2内,启动泵体11、电机、流量传感器10及数字摄像头7,通过透光板9调节图像识别所需光照环境,同时调节泵体11及电机在不损伤对虾苗种的前提下控制水体流量。当水体流量达到设定值且平稳后,依次按照如下步骤进行测量:
步骤1:可将带水的待测对虾苗种与箱体2内的水体混合,使箱体2内的水体体积为C立方厘米,即将待测对虾苗种与体积为C立方厘米的水体混合;
步骤2:驱动含待测对虾苗种的水体以流量通过位于数字摄像头7下方的透明圆管6:含对虾苗种的水体由泵体11泵入苗种混匀室12中,由搅拌叶片14分散拌匀对虾苗种,避免对虾苗种聚集抱团而影响识别。之后,拌匀的对虾苗种水体依次通过水体出口4、第二竖管5-2、透明圆管6、第一竖管5-1、水体进口3进入苗种收集室13内。进入苗种收集室13内水体通过疏水孔参与循环,而对虾苗种则截留于苗种收集室13。
数字摄像头间隔B帧采集一张数字图像(如图1所示),在数字图像上的固定部位截取长度像素为M的透明圆管区域Q(如图2所示框内区域);
所述A为数字摄像头的采集率,单位:帧/秒,一般为30帧/秒;
所述t为对虾苗种流过区域Q对应的透明圆管的时间,单位:秒;
所述L为区域Q对应的透明圆管的实际长度,单位:厘米;
所述S为对虾苗种每秒流过透明圆管的距离,单位:厘米/秒;
所述P为数字图像上透明圆管的长度像素与所对应透明圆管实际长度之比,单位:像素/厘米;
所述V是含对虾苗种的水体流量,单位:立方厘米/秒;
为了使得计算结果更精确,可以先按照设定的M'求出图像的间隔帧数B'并向上取整,反向推导出截取区域Q的长度像素M,对M进行反馈调整至得到整数B,进而再进行检测计数。
由于对虾苗种会经过t秒流过区域Q,故数字摄像头间隔B帧采集的两个数据帧中的对虾苗种一定不重复,即可保证流体检测对虾苗种的准确率,亦可减少多帧图像对单片机内存的占用,降低负载,同时减少计算量。
步骤3:对数字图像进行RGB三个色彩通道的直方图分析、二值化处理得到二值图像,直方图分析的结果及二值图像分别如图3、4所示,图3中从左至右依次为R、G、B;
步骤4:使用9~12像素的圆形滤波核对二值图像进行腐烛操作,再使用7~9像素的圆形滤波核进行膨胀操作,得到适合识别和参数提取的二值分析图像(如图5所示);
步骤5:提取二值分析图像中的每个白色轮廓并计算轮廓面积,判断轮廓面积是否小于阈值(如70000像素),是,则删除,否,则计算除轮廓面积的如下轮廓特征:质心坐标、轮廓面积占边界区域的比例和轮廓直径;
步骤6:利用训练阶段得到的分类参数对所得到的轮廓特征进行分类、计数及显示,显示的数字可位于本帧图像上(如图6所示);
所述分类参数是依次按照如下步骤建成:
步骤6.1依次按照步骤1、2、3、4得到每个轮廓的一组轮廓特征,人工判断目标轮廓内是否为虾苗,是,则标记该组轮廓特征为正样本,否,则标记该组轮廓特征为负样本,进而分别得到各含有2000~4000个样本的正样本集和负样本集;
步骤6.2根据正样本集和负样本集中每组轮廓特征(轮廓面积、质心坐标、轮廓面积占边界区域的比例和轮廓直径)建立如表1所示的属性数据表;Cx y 表示第x只虾苗的第y个属性值,如C2 1表示第2只虾苗的第1个属性值(轮廓面积),判定值分别为1(正样本)、0(负样本),可以得到其属性数据表(如表1所示):
表1
步骤6.3支持相量机(SVM)算法模型以属性数据表中的数据进行学习,进而得到支持向量模型参数并选取阈值参数,将所述支持向量机模型参数和阈值参数配置为分类参数;
步骤7. 判断本帧数字图像的计数与前一帧数字图像的计数是否相等(未增加),是,转步骤8,否,重复步骤2~7;
步骤8. 判断是否连续C×A/(V×B)张数字图像的计数相等,是,计数结束,否,重复步骤2~7。
所述C×A/(V×B)张数字图像是将体积为C立方厘米的水体循环一遍所提取的数字图像,如连续经过C×A/(V×B)张数字图像后计数仍未增加,则说明箱体2内的待测对虾苗种均得以计数而置于苗种收集室13内。
计数结束后,关闭泵体11、电机及数字摄像头7,将苗种收集室13与水体进口3分离并取下,使用纱网将苗种收集室13的苗种滤出打包装运。
实验:
选取体长1cm左右中国对虾苗种为实验对象,组织专业人员通过放大镜、显微镜等专业设备准确计量500尾虾苗为一个实验组,共计300实验组。其中150组采用本发明的方法及装置计数,剩余150组使用人工采取传统重量法计数,对比本发明与传统人工计数的效率和准确率。除去虾苗大面积死亡解体、意外流失等特殊情况,共获得有效数据236组,平均耗时和平均准确率结果为:本发明计数平均耗时58秒,准确率98.47%;人工计数平均耗时10分钟23秒,准确率97.8%。实验结果表明:使用本发明计数的准确率略高于传统人工计数,工作效率提高10倍以上。
Claims (2)
1.一种对虾苗种智能计数方法,其特征在于依次按照如下步骤进行:
步骤1:将待测对虾苗种与体积为C立方厘米的水体混合;
步骤2:驱动含待测对虾苗种的水体以流量通过位于数字摄像头下方的透明圆管,数字摄像头间隔B帧采集一张数字图像,在数字图像上的固定部位截取长度像素为M的透明圆管区域Q;
所述A为数字摄像头的采集率,单位:帧/秒;
所述t为对虾苗种流过区域Q对应的透明圆管的时间,单位:秒;
所述L为区域Q对应的透明圆管的实际长度,单位:厘米;
所述S为对虾苗种每秒流过透明圆管的距离,单位:厘米/秒;
所述P为数字图像上透明圆管的长度像素与所对应透明圆管实际长度之比,单位:像素/厘米;
所述V是含对虾苗种的水体流量,单位:立方厘米/秒;
步骤3:对数字图像进行RGB三个色彩通道的直方图分析、二值化处理得到二值图像;
步骤4:使用9~12像素的圆形滤波核对二值图像进行腐烛操作,再使用7~9像素的圆形滤波核进行膨胀操作,得到适合识别和参数提取的二值分析图像;
步骤5:提取二值分析图像中的每个白色轮廓并计算轮廓面积,判断轮廓面积是否小于阈值,是,则删除,否,则计算除轮廓面积的如下轮廓特征:质心坐标、轮廓面积占边界区域的比例和轮廓直径;
步骤6:利用训练阶段得到的分类参数对所得到的轮廓特征进行分类、计数及显示;
所述分类参数是依次按照如下步骤建成:
步骤6.1依次按照步骤1、2、3、4得到每个轮廓的一组轮廓特征,人工判断目标轮廓内是否为虾苗,是,则标记该组轮廓特征为正样本,否,则标记该组轮廓特征为负样本,进而分别得到各含有2000~4000个样本的正样本集和负样本集;
步骤6.2根据正样本集和负样本集中每组轮廓特征建立属性数据表;
步骤6.3支持相量机算法模型以属性数据表中的数据进行学习,进而得到支持向量模型参数并选取阈值参数,将所述支持向量机模型参数和阈值参数配置为分类参数;
步骤7. 判断本帧数字图像的计数与前一帧数字图像的计数是否相等,是,转步骤8,否,重复步骤2~7;
步骤8. 判断是否连续C×A/(V×B)张数字图像的计数相等,是,计数结束,否,重复步骤2~7。
2.一种如权利要求1所述对虾苗种智能计数的装置,其特征在于:有支架(1),在支架(1)上置有箱体(2),箱体(2)的底部有水体进口(3)及水体出口(4),水体进口(3)及水体出口(4)分别通过第一竖管(5-1)、第二竖管(5-2)与横置于箱体(2)下方的透明圆管(6)相接,在透明圆管(6)的上方由上至下依次有数字摄像头(7)、照明灯带(8)及透光板(9),在透明圆管(6)内设有流量传感器(10),所述箱体(2)内设有泵体(11)、苗种混匀室(12)及苗种收集室(13),所述泵体(11)的出口及水体出口(4)均与苗种混匀室(12)相通,苗种混匀室(12)内有由电机驱动的搅拌叶片(14),所述苗种收集室(13)与水体进口(3)相通,所述数字摄像头(7)和流量传感器(10)均与单片机(15)相接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010781403.XA CN111862246A (zh) | 2020-08-06 | 2020-08-06 | 对虾苗种智能计数方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010781403.XA CN111862246A (zh) | 2020-08-06 | 2020-08-06 | 对虾苗种智能计数方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111862246A true CN111862246A (zh) | 2020-10-30 |
Family
ID=72972250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010781403.XA Pending CN111862246A (zh) | 2020-08-06 | 2020-08-06 | 对虾苗种智能计数方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862246A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116385475A (zh) * | 2023-06-06 | 2023-07-04 | 四川腾盾科技有限公司 | 一种针对大型固定翼无人机自主着陆的跑道识别分割方法 |
CN116976797A (zh) * | 2023-09-25 | 2023-10-31 | 山洋自动化设备(苏州)有限公司 | 一种分类计数方法及系统 |
US11915445B2 (en) | 2020-12-31 | 2024-02-27 | National Sun Yat-Sen University | System and method for counting aquatic creatures |
-
2020
- 2020-08-06 CN CN202010781403.XA patent/CN111862246A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116385475A (zh) * | 2023-06-06 | 2023-07-04 | 四川腾盾科技有限公司 | 一种针对大型固定翼无人机自主着陆的跑道识别分割方法 |
CN116385475B (zh) * | 2023-06-06 | 2023-08-18 | 四川腾盾科技有限公司 | 一种针对大型固定翼无人机自主着陆的跑道识别分割方法 |
CN116976797A (zh) * | 2023-09-25 | 2023-10-31 | 山洋自动化设备(苏州)有限公司 | 一种分类计数方法及系统 |
CN116976797B (zh) * | 2023-09-25 | 2024-05-17 | 山洋自动化设备(苏州)有限公司 | 一种分类计数方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111862246A (zh) | 对虾苗种智能计数方法及装置 | |
CN101430775B (zh) | 基于计算机视觉的鱼苗自动计数装置和方法 | |
Zion et al. | In-vivo fish sorting by computer vision | |
CN103026984B (zh) | 群体孵化蛋成活性的视觉检测分级装置及其方法 | |
CN102110294B (zh) | 病鱼的鱼体图像处理方法及系统 | |
CN107094683A (zh) | 一种水产养殖的自动投饵和水质监测控制系统及方法 | |
CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
CN103630091B (zh) | 一种基于激光与图像处理技术的叶面积测量方法 | |
ES2660064T3 (es) | Sistema y procedimiento para contar zooplancton | |
CN108445746A (zh) | 一种智能投喂控制方法及装置 | |
CN112257564B (zh) | 水产品数量统计方法、终端设备及存储介质 | |
CN114723965B (zh) | 一种鱼类关键点表型数据测量方法 | |
CN112232978A (zh) | 水产品体长和重量检测方法、终端设备及存储介质 | |
CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
CN212379883U (zh) | 对虾苗种智能计数装置 | |
CN112526097A (zh) | 一种基于大数据分析的养殖水体环境智能监测管理系统 | |
CN113610101A (zh) | 一种谷粒萌发率测定方法 | |
CN105405145B (zh) | 一种基于图像分割技术的颗粒数粒方法 | |
CN106023235B (zh) | 一种农作物有效籽粒个数测量的方法 | |
CN113057212B (zh) | 死虾分拣装置 | |
CN109118540B (zh) | 基于脊线提取的鲟鱼快速统计方法 | |
CN107044947B (zh) | 一种基于图像特征的pm2.5污染指数的识别方法 | |
CN107038458A (zh) | 一种基于中华绒螯蟹背甲形态的产地判别方法 | |
CN201302730Y (zh) | 基于计算机视觉的鱼苗自动计数系统 | |
Chen et al. | Establishing an eyeball-weight relationship for Litopenaeus vannamei using machine vision technology |
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 |