CN111968081B - 鱼群自动计数方法、装置、电子设备及存储介质 - Google Patents
鱼群自动计数方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111968081B CN111968081B CN202010750992.5A CN202010750992A CN111968081B CN 111968081 B CN111968081 B CN 111968081B CN 202010750992 A CN202010750992 A CN 202010750992A CN 111968081 B CN111968081 B CN 111968081B
- Authority
- CN
- China
- Prior art keywords
- target
- communication area
- target communication
- counting
- area
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000004891 communication Methods 0.000 claims abstract description 274
- 238000012549 training Methods 0.000 claims description 52
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 18
- 230000011218 segmentation Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000001464 adherent effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000009360 aquaculture Methods 0.000 description 2
- 244000144974 aquaculture Species 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011410 subtraction method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/10—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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种鱼群自动计数方法、装置、电子设备及存储介质,所述方法包括:采集待计数的目标图像;从所述目标图像中获取至少一个目标连通区域;确定所述目标连通区域的目标特征;对于每一个目标连通区域,基于其目标特征,确定其密度等级,并通过其密度等级对应的计数预测模型,获得其计数预测结果;基于所有的目标连通区域的计数预测结果,获得所述目标图像的计数预测结果;本发明实施例通过将目标连通区域划分成不同的等级,并使用不同等级分别对应的模型对目标图像中不同区域进行计数预测,提高了计数的准确性,解决了不同密度等级下目标连通区域样本不均衡问题,提高了目标计数预测的稳定性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种鱼群自动计数方法、装置、电子设备及存储介质。
背景技术
计数是指准确估计出目标区域内的物体数量,便于及时掌握目标区域内的信息,进行调节控制,在多个领域都有广泛应用。例如鱼群计数是水产养殖业中进行生物量估计的基础操作,不仅有助于养殖者准确计算繁殖率,估算生产潜力,也对存活率评估、养殖密度控制和运输销售管理等有着很好的指导作用。
现有的鱼群计数方法大多采用人工计数,存在耗时多、易出错、易损伤鱼体等问题。
因此,如何提出一种可以自动、准确、高效地实现计数的方法,成为亟需解决的问题。
发明内容
本发明实施例提供一种鱼群自动计数方法、装置、电子设备及存储介质,用以解决现有技术中耗时多、易出错、易损伤鱼体的缺陷,实现自动、准确、高效地实现计数。
第一方面,本发明实施例提供一种鱼群自动计数方法,包括:
采集待计数的目标图像;
从所述目标图像中获取至少一个目标连通区域;
确定所述目标连通区域的目标特征;
对于每一个目标连通区域,基于其目标特征,确定其密度等级,并通过其密度等级对应的计数预测模型,获得其计数预测结果;
基于所有的目标连通区域的计数预测结果,获得所述目标图像的计数预测结果。
根据本发明一个实施例的鱼群自动计数方法,所述对于每一个目标连通区域,基于其目标特征,确定其密度等级,并通过其密度等级对应的计数预测模型,获得其计数预测结果,具体包括:
对于每一个目标连通区域,基于其目标特征,确定其面积;
对于每一个目标连通区域,确定其面积所属的预设面积阈值范围,确定所述预设面积阈值范围对应的密度等级,为所述目标连通区域的密度等级;
对于每一个目标连通区域,基于其目标特征,通过其密度等级对应的计数预测模型,获得其计数预测结果。
根据本发明一个实施例的鱼群自动计数方法,所述从所述目标图像中获取至少一个目标连通区域,具体包括:
对所述目标图像进行预处理;
对所述预处理后的目标图像进行分割,获得目标连通区域。
根据本发明一个实施例的鱼群自动计数方法,所述对所述目标图像进行预处理,具体包括:
获取所述目标图像的颜色变换图像;
对所述颜色变换图像进行中值滤波处理,获得所述预处理后的目标图像。
根据本发明一个实施例的鱼群自动计数方法,所述对于每一个目标连通区域,确定其密度等级,基于其目标特征,通过其密度等级对应的计数预测模型,获得其计数预测结果之前,所述方法还包括:
从所述目标图像的所有目标连通区域中获取目标连通区域样本,对所述目标连通区域样本进行人工标记;
将所述目标连通区域样本划分为至少一个密度等级;
对于每一个密度等级中的目标连通区域样本,获取其中的训练样本,基于所述训练样本的目标特征及标记,训练获得所述密度等级对应的计数预测模型。
根据本发明一个实施例的鱼群自动计数方法,所述将所述目标连通区域训练样本划分为至少一个密度等级之后,所述方法还包括:
基于每一个目标连通区域训练样本的目标特征,确定其面积;
对所有目标连通区域训练样本的面积进行排序;
基于排序后的目标连通区域训练样本的面积变化趋势,计算获得所有所述密度等级分别对应的预设面积阈值范围。
根据本发明一个实施例的鱼群自动计数方法,所述训练获得所述密度等级对应的计数预测模型之后,所述方法还包括:
对于每一个密度等级中的目标连通区域样本,获取其中的测试样本,基于所述测试样本,确定所述计数预测模型满足目标误差或所述的训练次数达到预设迭代次数。
第二方面,本发明实施例提供一种鱼群自动计数装置,包括:
采集模块,用于采集待计数的目标图像;
获取模块,用于从所述目标图像中获取至少一个目标连通区域;
确定模块,用于确定所述目标连通区域的目标特征;
预测模块,用于对于每一个目标连通区域,基于其目标特征,确定其密度等级,并通过其密度等级对应的计数预测模型,获得其计数预测结果;
计数模块,用于基于所有的目标连通区域的计数预测结果,获得所述目标图像的计数预测结果。
第三方面,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如第一方面提供的鱼群自动计数方法的步骤。
第四方面,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如第一方面提供的鱼群自动计数方法的步骤。
本发明实施例提供的鱼群自动计数方法、装置、电子设备及存储介质,通过将目标连通区域划分成不同的等级,并使用不同等级分别对应的模型对目标图像中不同区域进行计数预测,提高了计数的准确性,解决了不同密度等级下目标连通区域样本不均衡问题,提高了目标计数预测的稳定性。
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是本发明一实施例提供的鱼群自动计数方法的流程示意图;
图2是本发明一实施例提供的目标连通区域面积与样本数量关系示意图;
图3是本发明另一实施例提供的鱼群自动计数方法的流程示意图;
图4是本发明一实施例提供的鱼群自动计数装置的结构示意图;
图5是本发明一实施例提供的电子设备的结构示意图。
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。
随着计算机视觉技术的迅速发展,一种基于计算机视觉的计数方法应运而生,因其具有效率高、准确度高、所需设备简单等优点,成为一种研究计数的重要手段。该方法首先通过图像处理设备采集相应区域内的目标的图像,然后采用图像分析技术实现目标图像中目标计数。
下面对基于计算机视觉的鱼群计数方法进行说明。在实际水产养殖中,鱼生活在三维水体中,且由于鱼具有频繁游动的特点,导致鱼群图像中存在复杂多样的粘连现象。目前的基于计算机视觉的鱼群计数方法普遍针对非粘连鱼群或者粘连程度较轻的鱼群进行计数研究,在处理复杂粘连鱼群的计数问题上存在一定的局限性。针对上述问题,本发明各实施例提出的方法可以应用在鱼群计数场景中,形成了一种基于密度划分与局部回归的鱼群图像计数方法。
本发明各实施例的主要构思是:首先采集目标图像;其次采用图像处理技术提取出图像中的目标连通区域;再针对每一个连通区域提取目标图像特征;最后采用基于密度划分与局部回归的方法实现目标图像的计数。在基于密度划分与局部回归的方法中,首先采用基于连通区域面积的阈值法对目标连通区图像进行密度等级划分,在此基础上,针对每个密度等级中的样本集分别构建基于BPNN(BackPropagation Neural Network,基于误差反向传播神经网络)的回归模型,预测出目标连通区域图像中目标的数目,并将属于同一目标图像的连通区域预测结果进行合并,最终实现目标图像的计数。
本发明各实施例在进行鱼群计数时,首先采集鱼群俯视图像;其次采用图像处理技术提取出图像中的鱼群连通区域;再针对每一个连通区域提取鱼群图像特征;最后采用基于密度划分与局部回归的方法实现鱼群图像的计数。在基于密度划分与局部回归的方法中,首先采用基于连通区域面积的阈值法对鱼群连通区图像进行密度等级划分,在此基础上,针对每个密度等级中的样本集分别构建基于BPNN的回归模型,预测出鱼群连通区域图像中鱼的数目,并将属于同一鱼群图像的连通区域预测结果进行合并,最终实现鱼群图像的计数。本发明各实施例在进行鱼群计数时,提出了一种基于密度划分与局部回归的鱼群计数方法,解决了复杂粘连情况下的鱼群计数问题,提高了计数的准确性;提出了一种基于密度划分的数据集构造方式,解决了不同密度等级下鱼群连通区域样本不均衡问题,提高了鱼群计数的稳定性。
下面基于多个实施例进行详细解释。
图1是本发明一实施例提供的鱼群自动计数方法的流程示意图,如图1所示,所述方法包括以下步骤:
步骤100,采集待计数的目标图像;
具体地,首先要采集待计数的目标图像,在可以全方位拍摄到所有目标的地方安装摄像头,录制目标视频,截取视频帧,获得目标图像。
本实施例在进行鱼群计数时,在采集鱼群图像时,可以在养殖鱼池上方安装摄像头,录制鱼群视频,截取视频帧,获得鱼群俯视图像。具体在进行仿真操作时,可以在实验室搭建图像采集平台,进行鱼群图像采集。平台包括的硬件设备有:鱼缸1个、增氧机4台、摄像头1个,比如海康威视3T86FWDV2-I3S,800万像素,4mm焦距的摄像头、计算机1台等。采用支架将摄像头固定在鱼缸正上方,距离水面1.5m,通过网线连接摄像头与计算机,则采集到的鱼群视频数据被传送到计算机中存储。从采集到的鱼群视频数据中截取视频帧,则获得鱼群俯视图像。
步骤101,从所述目标图像中获取至少一个目标连通区域;
具体地,在获取目标图像后,可以对目标图像进行分割,获得至少一个目标连通区域,使得图像中相连或相邻的目标位于同一个目标连通区域中集中处理、计数。
可以理解的是,本实施例中,由于目标组成的目标群可能分布在不同的区域,因此可以获得至少一个目标连通区域。
本实施例在进行鱼群计数时,首先对鱼群图像进行预处理,其次采用背景减除法获取鱼群目标区域,最后采用形态学方法去除鱼群目标区域图像中的噪声,获得连通的鱼群目标区域。
其中,鱼群图像分割是指从鱼群图像中分割出目标鱼群,获得鱼群连通区域,是实现鱼群图像计数的前提和基础。
可以理解的是,为了取得更好的分割效果,本实施例中,可以在分割之前对鱼群图像进行预处理,在分割之后可以对分割结果进行噪声去除。
步骤102,确定所述目标连通区域的目标特征;
具体地,在获取至少一个目标连通区域中,可以针对每一个目标连通区域,提取四类图像特征即目标特征,包括像素特征、边缘特征、纹理特征和坐标特征。
可以理解的是,在选择需要提取的特征时,可以首先提取像素特征、边缘特征、纹理特征和坐标特征中的所有特征,并采用PCA(Principal Components Analysis,主成分分析)方法对所有特征进行分析,去除冗余特征,最终保留17个特征。
本实施例在进行鱼群计数时,鱼群图像特征提取是指提取鱼群图像中具有代表性的信息来表示整个图像信息,是区域回归鱼群计数的基础。本实施例中,可以针对分割后获得的鱼群连通区域图像提取特征,包括4类鱼群图像特征,分别为像素特征、边缘特征、纹理特征和坐标特征,共29个。
(1)像素特征;
像素特征提取分析的对象是前景像素,简单高效,能够很好地表征目标分布情况。本实施例中,可以提取4个像素特征,分别为鱼群连通区域面积(Area)、鱼群连通区域周长(Perimeter)、周长面积比(Per_area_ratio)和复杂度(Complexity)。周长面积比和复杂度计算公式如下:
(2)边缘特征;
边缘特征可以进一步捕获前景区域的局部和内部模式,与像素特征形成信息互补。本实施例中,可以提取1个边缘特征,边缘长度(Edge_num),即在Canny算子检测出的边缘图像上统计边缘像素的数目。
(3)纹理特征;
纹理特征能够有效区分高密度图像和低密度图像,解决遮挡问题,对目标分布进行更充分地描述。本实施例中,可以针对纹理特征,提取了灰度共生矩阵0°、45°、90°和135°四个方向上的能量(Asm)、熵(Ent)、对比度(Con)和相关性(Cor),共16个。计算公式如下。
其中,
式中,P(i,j)表示像素偏移量为(1,1)时共生灰度i,j出现的概率,四个方向上的各纹理特征依次采用下标0、1、2和3表示。
(4)坐标特征。
坐标特征能够表示目标鱼群在整个鱼群图像中的位置。由于摄像头拍摄视野的限制,处在图像边缘的鱼可能拍摄的不完整,导致具有相同鱼数目的连通区域中,相关特征值会存在较大差别。因此,本实施例中,可以引入坐标特征,采用鱼群连通区域的最小外接矩形的四个顶点坐标表示该连通区域在鱼群图像中的位置,共8个特征,表示为Rectij,i取值为0,1,2和3,表示四个顶点,j取值为0和1,表示横/纵坐标,坐标系原点为图像左上角。
在提取上述4类鱼群图像特征后,可以采用PCA方法对所有特征进行分析,去除冗余特征。根据选择“特征根值”大于1的成份作为提取主成份的原则,选择前4个成份代替原变量,最终保留17个特征。
步骤103,对于每一个目标连通区域,基于其目标特征,确定其密度等级,并通过其密度等级对应的计数预测模型,获得其计数预测结果;
具体地,在确定所述目标连通区域的目标特征后,对于每一个目标连通区域,可以基于其目标特征,确定其密度等级,进而确定其密度等级对应的计数预测模型,基于这一计数预测模型,获得这一目标连通区域的计数预测结果。
可以理解的是,本实施例中,目标连通区域的密度等级及每一密度等级对应的计数预测模型是预先确定的。
研究表明,目标数目和前景像素面积呈近似线性关系。因此,本实施例中,可以采用基于连通区域面积的阈值法进行鱼群连通区域密度等级划分,解决目标连通区域数据集不平衡问题。比如将目标连通区域密度等级分为低、中和高3级;可以理解的是,本实施例不对具体划分为多少个等级进行限制,可以根据实际目标连通区域密度情况进行调整。
具体地,由于在实际中,待计数的目标图像中低密度连通区域很多,中密度其次,高密度很少。这一情况导致目标连通区域数据集出现不平衡问题,若直接构建计数预测模型进行预测,得到的目标数目不准确。因此,针对上述问题,本实施例中,可以预先对目标连通区域进行密度分级,再针对不同密度等级的目标连通区域样本集分别构建计数预测模型。
因此,本实施例中,对于每一个目标连通区域,在进行预测计数之前,需要基于其目标特征,确定其密度等级,并获取其密度等级对应的计数预测模型,以实现计数预测。
本实施例在进行鱼群计数时,可以采用基于连通区域面积的阈值法将鱼群连通区域进行密度分级,解决鱼群连通区域数据集不平衡问题。
在实际中,鱼群图像中低密度连通区域很多,中密度其次,高密度很少。这一情况导致鱼群连通区域数据集出现不平衡问题,若直接构建预测模型进行预测,得到的鱼数目不准确。因此,本实施例可以对鱼群连通区域基于目标连通区域面积的阈值法进行鱼群连通区域密度等级划分,比如将鱼群连通区域密度等级分为低、中和高3级,再针对不同密度等级的鱼群连通区域样本集分别构建计数预测模型。
具体地,对于每一个目标连通区域,在确定其密度等级后,可以通过其密度等级对应的计数预测模型,获得其计数预测结果。
本实施例中,可以预先针对每一个密度等级中的目标连通区域分别构建基于BPNN的计数预测模型,因此,可以在计数预测时可以通过其密度等级对应的计数预测模型训练获得目标连通区域中目标的数目。
BPNN是一种信号前向传递、误差反向回馈的有监督的神经网络,具有自学习的优势。目标数目与目标连通区域特征因子的关系是一个非线性问题,而BPNN具有处理复杂非线性函数的能力。因此,本实施例中,可以采用BPNN作为连通区域鱼数目预测的算法。BPNN模型由输入层、隐含层和输出层以及层间结点连接组成。本实施例中,以目标连通区域特征作为输入层的输入参数,目标连通区域中目标数目为输出层的输出参数,综合考虑计算复杂度和模型精度,可以构建三层BPNN模型,其拓扑结构为17*35*1。其中,隐含层节点数根据Kolmogorov定理确定,表示如下。
h=2*n+1;
式中,h表示隐含层节点数,n表示输入层节点数。
输入层接收数据,输出层输出数据,前一层神经元连接到下一层神经元,收集上一层神经元传递来的信息,通过激活函数把值传递给下一层。本实施例中,隐含层激活函数为relu函数,输出层激活函数为purelin函数,表示如下。
relu(x)=max(0,x);
purelin(x)=x;
式中,x表示节点的输入信号。
训练阶段通过误差信号的反向传播,调整权值和阈值,使得误差最小。权值wij(jk)、阈值θj(k)表示如下。
Δwij(jk)=ηδj(k)oi(j);
Δθj(k)=ηδj(k);
其中,η表示误差反向传播学习率(0<η<1),oi(j)表示输入信号,δj(k)表示误差信号。
步骤104,基于所有的目标连通区域的计数预测结果,获得所述目标图像的计数预测结果。
具体地,在获取目标连通区域的计数预测结果后,可以基于所有的目标连通区域的计数预测结果,对属于同一张目标图像中的目标连通区域的预测结果进行整合,实现目标图像的计数。
由于目标图像中目标的数目均为整数,但基于BPNN预测模型得到的目标连通区域预测结果可能为小数,因此可以将目标连通区域目标数目的预测结果调整为整数,调整公式如下:
ad(t_b)=round(p(t_b));
式中,ad(t_b)表示调整后的目标连通区域t_b的整数值预测结果,p(t_b)表示目标连通区域t_b的原预测结果,round(p)表示对p(t_b)进行四舍五入操作。
目标图像中的目标数目表示如下:
式中,p(t)表示目标图像t的计数结果,m表示t中目标连通区域的个数。
本发明实施例提供的鱼群自动计数方法,通过将目标连通区域划分成不同的等级,并使用不同等级分别对应的模型对目标图像中不同区域进行计数预测,提高了计数的准确性,解决了不同密度等级下目标连通区域样本不均衡问题,提高了目标计数预测的稳定性。
在上述实施例的基础上,可选地,所述对于每一个目标连通区域,基于其目标特征,确定其密度等级,并通过其密度等级对应的计数预测模型,获得其计数预测结果,具体包括:
对于每一个目标连通区域,基于其目标特征,确定其面积;
对于每一个目标连通区域,确定其面积所属的预设面积阈值范围,确定所述预设面积阈值范围对应的密度等级,为所述目标连通区域的密度等级;对于每一个目标连通区域,基于其目标特征,通过其密度等级对应的计数预测模型,获得其计数预测结果。
具体地,本实施例中,对于每一个目标连通区域,在通过进行计数预测之前,可以首先基于其目标特征,主要是目标特征中的像素特征,确定其面积,根据其面积确定这一面积大小所在的密度等级,并通过其密度等级选取对应的计数预测模型进行计数预测。
具体地,本实施例中,在具体确定密度等级时,可以首先确定其面积所属的预设面积阈值范围,然后可以确定其预设面积阈值范围对应的密度等级为目标连通区域的密度等级。
本实施例中,可以假设den(t)表示目标连通区域t的密度等级,r表示t的目标连通区域面积占整个目标图像面积的比,例如,目标图像面积可以为300*300=90000,T1、T2表示密度等级划分的阈值,则目标连通区域的密度等级按如下规则确定:
If 0<r<=T1 Then
den(t)=low density;
Else if T1<r<=T2
den(t)=medium density;
Else
den(t)=high density.
即本实施例中,若目标连通区域的面积小于T1,则这一目标连通区域为低等密度等级;
若目标连通区域的面积大于T1,小于T2,则这一目标连通区域为中等密度等级;
若目标连通区域的面积大于T2,则这一目标连通区域为高等密度等级。
具体地,对于每一个目标连通区域,在获取了其密度等级后,可以确定这一密度等级对应的计数预测模型,并将其目标特征输入对应的计数预测模型中,输出获得其计数预测结果。
在上述实施例的基础上,可选地,所述从所述目标图像中获取至少一个目标连通区域,具体包括:
对所述目标图像进行预处理;
对所述预处理后的目标图像进行分割,获得目标连通区域。
具体地,获取至少一个目标连通区域,即对目标连通区域进行分割,本实施例中,具体操作包括对目标图像进行预处理,对预处理后的目标图像进行分割,以及分割后的目标图像的噪声去除,最后获得目标连通区域。
本实施例在进行鱼群计数时,鱼群连通区域分割的具体操作包括鱼群图像预处理、鱼群图像分割、鱼群图像噪声去除。首先对鱼群图像进行颜色空间转换、颜色分量提取和中值滤波处理的预处理操作;其次采用背景差分法将目标鱼群和图像背景分离开;最后通过开运算、闭运算、小面积去除和空洞填充,去除目标鱼群中孤立的小点、毛刺等噪声以及填充鱼体表面的空洞,获得鱼群连通区域图像。
具体采用背景差分法将目标鱼群和图像背景分离时,由于背景差分法是一种通过将图像与背景图像进行代数差运算,可以实现目标分割的方法。由于本实施例中采集的鱼群图像可能来自同一实验平台,所有图像具有相同的背景,因此本实施例中采用背景差分法实现目标鱼群的分割。操作公式如下。
t=t_fish-t_back;
式中,t表示去除了背景的鱼群图像,t_fish表示鱼群图像,即包含目标鱼群和背景,t_back表示背景图像。
最后在对鱼群图像进行噪声去除处理时,本实施例可以通过开运算、闭运算、小面积去除和空洞填充,去除图像中孤立的小点、毛刺等噪声以及填充鱼体表面的空洞,最终获得鱼群连通区域图像。空洞填充的基本思想是从图像的边缘来寻找背景连通域,将不在背景连通域内的点都赋为前景。核心公式如下:
式中,A表示鱼群图像边缘集合,Ac表示A的补集,B表示结构元素,Xk表示鱼群图像。
在上述实施例的基础上,可选地,所述对所述目标图像进行预处理,具体包括:
获取所述目标图像的颜色变换图像;
对所述颜色变换图像进行中值滤波处理,获得所述预处理后的目标图像。
具体地,在对目标图像进行预处理时,由于目标颜色和背景颜色可能十分相似,因此可以首先获取目标图像的颜色变换图像;再对颜色变换图像进行中值滤波处理,获得预处理后的目标图像。
本实施例在进行鱼群计数时,具体操作包括鱼群图像颜色空间转换、颜色分量提取和中值滤波。由于原始的鱼群RGB图像中,鱼体颜色与鱼缸背景颜色存在一定的相似性,通过对鱼群图像进行直方图观察,基于原始颜色空间图像难以设定合适的阈值进行分割。将原始鱼群图像转换至多个颜色空间后,发现鱼群目标在HSV(Hue-Saturation-Value)颜色空间中的V分量图像中与背景具有明显的颜色反差。因此,本实施例中,可以将提取HSV空间的V分量图像作为鱼群图像处理的初始图像。V分量的计算公式如下;
V=max(R+G+B);
式中,R,G和B分别为RGB颜色空间中像素点的像素值。在此基础上,对图像进行中值滤波处理,去除图像中的大部分噪声,同时保护目标鱼群的轮廓,以便提高分割效果。
在上述实施例的基础上,可选地,所述对于每一个目标连通区域,确定其密度等级,基于其目标特征,通过其密度等级对应的计数预测模型,获得其计数预测结果之前,所述方法还包括:
从所述目标图像的所有目标连通区域中获取目标连通区域样本,对所述目标连通区域样本进行人工标记;
将所述目标连通区域样本划分为至少一个密度等级;
对于每一个密度等级中的目标连通区域样本,获取其中的训练样本,基于所述训练样本的目标特征及标记,训练获得所述密度等级对应的计数预测模型。
具体地,可以从目标图像的所有目标连通区域中获取目标连通区域样本,对所有目标连通区域样本进行人工标记;然后将所述目标连通区域样本划分为至少一个密度等级,比如将目标连通区域密度等级分为低、中和高3级;可以理解的是,本实施例不对具体划分为多少个等级进行限制,可以根据实际目标连通区域密度情况进行调整;最后对于每一个密度等级中的目标连通区域样本,获取其中的训练样本,基于训练样本的目标特征及标记,训练获得所述密度等级对应的计数预测模型,即每一计数预测模型对应一个密度等级。
在上述实施例的基础上,可选地,所述将所述目标连通区域训练样本划分为至少一个密度等级之后,所述方法还包括:
基于每一个目标连通区域训练样本的目标特征,确定其面积;
对所有目标连通区域训练样本的面积进行排序;
基于排序后的目标连通区域训练样本的面积变化趋势,计算获得所有所述密度等级分别对应的预设面积阈值范围。
具体地,可以首先按照面积对目标连通区域训练样本进行升序排序,并以排序序号和连通区域面积分别为横纵坐标,进行多项式拟合;其次采用基于拟合曲线上点斜率的方法确定密度等级划分的阈值;最后根据阈值对目标连通区域的图像进行密度等级划分。
具体地,为了设置密度等级划分的阈值,首先按照目标连通区域面积对目标连通区域训练样本进行了升序排序,并以排序编号和连通区域面积分别为横纵坐标,进行了多项式拟合。
本实施例在进行鱼群计数时,鱼群连通区域密度等级划分,首先按照连通区域面积对鱼群连通区域样本进行了升序排序,并以样本编号和连通区域面积分别为横纵坐标,进行多项式拟合;其次采用基于拟合曲线上点斜率的方法确定密度等级划分的阈值;最后根据阈值对鱼群连通区域图像进行密度等级划分。
图2是本发明一实施例提供的目标连通区域面积与样本数量关系示意图,如图2所示,当连通区域面积较小时,样本数量非常多,当连通区域面积增加时,样本数量明显减少,当连通面积再度增加,样本数量再次急剧减少,这一变化与鱼群连通区域中的低、中、高密度样本数量相对应。曲线上点的斜率表示了该曲线的变化特征,因此采用计算曲线上每个点的斜率,选取两个最大斜率且有一定差距点的纵坐标值的方法来确定鱼群连通区域密度等级划分的阈值。
假设f(x)=anxn+an-1xn-1+...+a1x+a0表示曲线拟合的多项式方程,则曲线上的点(x,f(x))的斜率k表示如下。
k=nanxn-1+(n-1)an-1xn-2+…+a1;
本文确定的斜率最大且有一定差距的两个点的坐标分别为(27666,5571)和(25411,2917.5)。因此,T1的取值为2917.5/90000=0.0324,T2的取值为5571/90000=0.0619。
在上述实施例的基础上,可选地,所述训练获得所述密度等级对应的计数预测模型之后,所述方法还包括:
对于每一个密度等级中的目标连通区域样本,获取其中的测试样本,基于所述测试样本,确定所述计数预测模型满足目标误差或所述的训练次数达到预设迭代次数。
具体地,在计数预测模型过程中,为了获得更精确的计数预测结果,会对模型进行多次反复训练,获得最优模型。
本实施例中,可以预设训练次数,当计数预测模型经过反复训练的次数达到预设训练次数后,可以认为最终训练获得的计数预测模型为用于计数预测的模型。可以理解的是,本实施例中,预设训练次数可以根据实际情况进行调整,本实施例对此不做限制。
本实施例中,对于每一个密度等级中的目标连通区域样本,获取其中的测试样本,比如可以将目标连通区域样本按比例随机划分为测试样本和训练样本,训练样本用于反复训练计数预测模型,测试样本用于测试训练后的模型,确定测试准确率高于预设准确率后,可以认为最终训练获得的计数预测模型为用于计数预测的模型。可以理解的是,本实施例中,预设准确率可以根据实际情况进行调整,本实施例对此不做限制。
本发明实施例提供的鱼群自动计数方法,通过将目标连通区域划分成不同的等级,并使用不同等级分别对应的模型对目标图像中不同区域进行计数预测,提高了计数的准确性,解决了不同密度等级下目标连通区域样本不均衡问题,提高了目标计数预测的稳定性。
图3是本发明另一实施例提供的鱼群自动计数方法的流程示意图,如图3所示,所述方法包括以下步骤:
步骤300,目标图像采集;
具体地,首先可以采集待计数的目标图像,比如在可以全方位拍摄到所有目标的地方安装摄像头,录制目标视频,截取视频帧,获得目标图像。本实施例在进行鱼群计数时,在采集鱼群图像时,可以在养殖鱼池上方安装摄像头,录制鱼群视频,截取视频帧,获得鱼群俯视图像。
步骤301,获取目标连通区域;
具体地,在获取目标图像后,可以对目标图像进行分割,获得至少一个目标连通区域,使得图像中相连或相邻的目标位于同一个目标连通区域中集中处理、计数。
可以理解的是,本实施例中,由于目标组成的目标群可能分布在不同的区域,因此可以获得至少一个目标连通区域。
具体地,本实施例中,在获取目标连通区域时,可以首先对目标图像进行预处理,对预处理后的目标图像进行分割,以及分割后的目标图像的噪声去除,最后获得目标连通区域。
本实施例在进行鱼群计数时,首先对鱼群图像进行预处理,其次采用背景减除法获取鱼群目标区域,最后采用形态学方法去除鱼群目标区域图像中的噪声,获得连通的鱼群目标区域。
步骤302,密度等级划分;
具体地,本实施例中,可以预先对目标连通区域进行密度分级,再针对不同密度等级的目标连通区域样本集分别构建计数预测模型。
具体地,本实施例中,对于每一个目标连通区域,在进行密度等级划分时,可以首先获取其面积,确定其面积所属的预设面积阈值范围,确定这一预设面积阈值范围对应的密度等级,为这一目标连通区域的密度等级。
可以理解的是,密度等级及每一密度等级之间的阈值是预先确定的。
步骤303,获取密度等级对应的计数预测模型;
具体地,本实施例中,在确定了目标连通区域的密度等级后,对于每一个目标连通区域,可以确定其密度等级对应的计数预测模型,用于这一目标连通区域的计数预测。
可以理解的是,本实施例中,会预先获取每一密度等级的目标连通区域样本,用于训练每一密度等级对应的计数预测模型。
步骤304,目标连通区域计数预测;
具体地,对于每一目标连通区域,在获取其对应的计数预测模型后,即通过这一计数预测模型,基于这一目标连通区域的目标特征,获得模型输出结果,即计数预测结果。
步骤305,目标图像计数。
具体地,在获取目标连通区域的计数预测结果后,可以对同一张目标图像中目标连通区域的预测结果进行合并,实现目标图像的计数。
下面对本发明实施例提供的鱼群自动计数装置进行描述,下文描述的鱼群自动计数装置与上文描述的鱼群自动计数方法可相互对应参照。
图4是本发明一实施例提供的鱼群自动计数装置的结构示意图,如图4所示,所述装置包括:采集模块401,获取模块402,确定模块403,预测模块404,计数模块405。其中:
采集模块401用于采集待计数的目标图像;
获取模块402用于从所述目标图像中获取至少一个目标连通区域;
确定模块403用于确定所述目标连通区域的目标特征;
预测模块404用于对于每一个目标连通区域,基于其目标特征,确定其密度等级,并通过其密度等级对应的计数预测模型,获得其计数预测结果;
计数模块405用于基于所有的目标连通区域的计数预测结果,获得所述目标图像的计数预测结果。
具体地,鱼群自动计数装置可以通过采集模块401采集待计数的目标图像;再通过获取模块402从目标图像中获取至少一个目标连通区域;随后通过确定模块403确定目标连通区域的目标特征;对于每一个目标连通区域,然后通过预测模块404,基于其目标特征,确定其密度等级,并通过其密度等级对应的计数预测模型,获得其计数预测结果;最后,通过计数模块405基于所有的目标连通区域的计数预测结果,获得目标图像的计数预测结果。
本发明实施例提供的鱼群自动计数装置,通过将目标连通区域划分成不同的等级,并使用不同等级分别对应的模型对目标图像中不同区域进行计数预测,提高了计数的准确性,解决了不同密度等级下目标连通区域样本不均衡问题,提高了目标计数预测的稳定性。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(CommunicationsInterface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行鱼群自动计数方法,该方法包括:
采集待计数的目标图像;
从所述目标图像中获取至少一个目标连通区域;
确定所述目标连通区域的目标特征;
对于每一个目标连通区域,基于其目标特征,确定其密度等级,并通过其密度等级对应的计数预测模型,获得其计数预测结果;
基于所有的目标连通区域的计数预测结果,获得所述目标图像的计数预测结果。
此外,上述的存储器430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-OnlyMemory)、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计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的鱼群自动计数方法,该方法包括:
采集待计数的目标图像;
从所述目标图像中获取至少一个目标连通区域;
确定所述目标连通区域的目标特征;
对于每一个目标连通区域,基于其目标特征,确定其密度等级,并通过其密度等级对应的计数预测模型,获得其计数预测结果;
基于所有的目标连通区域的计数预测结果,获得所述目标图像的计数预测结果。
又一方面,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鱼群自动计数方法,该方法包括:
采集待计数的目标图像;
从所述目标图像中获取至少一个目标连通区域;
确定所述目标连通区域的目标特征;
对于每一个目标连通区域,基于其目标特征,确定其密度等级,并通过其密度等级对应的计数预测模型,获得其计数预测结果;
基于所有的目标连通区域的计数预测结果,获得所述目标图像的计数预测结果。
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 (8)
1.一种鱼群自动计数方法,其特征在于,包括:
采集待计数的目标图像;
从所述目标图像中获取至少一个目标连通区域;
确定所述目标连通区域的目标特征;
对于每一个目标连通区域,基于其目标特征,确定其密度等级,并通过其密度等级对应的计数预测模型,获得其计数预测结果;
基于所有的目标连通区域的计数预测结果,获得所述目标图像的计数预测结果;
所述对于每一个目标连通区域,确定其密度等级,基于其目标特征,通过其密度等级对应的计数预测模型,获得其计数预测结果之前,所述方法还包括:
从所述目标图像的所有目标连通区域中获取目标连通区域样本,对所述目标连通区域样本进行人工标记;
将所述目标连通区域样本划分为至少一个密度等级;
对于每一个密度等级中的目标连通区域样本,获取其中的训练样本,基于所述训练样本的目标特征及标记,训练获得所述密度等级对应的计数预测模型;
所述将所述目标连通区域训练样本划分为至少一个密度等级之后,所述方法还包括:
基于每一个目标连通区域训练样本的目标特征,确定其面积;
对所有目标连通区域训练样本的面积进行升序排序;
基于排序后的目标连通区域训练样本的面积变化趋势,计算获得所有所述密度等级分别对应的预设面积阈值范围;
所述基于排序后的目标连通区域训练样本的面积变化趋势,计算获得所有所述密度等级分别对应的预设面积阈值范围,包括:
将所有目标连通区域样本的排序编号和对应的目标连通区域样本的连通区域面积分别作为横坐标和纵坐标,获得所有目标连通区域样本的坐标,基于所有目标连通区域样本的坐标进行多项式拟合,获得多项式拟合曲线;
基于所述多项式拟合曲线上差距大于预设值且斜率最大的两个点的纵坐标值,确定预设面积阈值,基于所述预设面积阈值,计算获得所有所述密度等级分别对应的预设面积阈值范围;
其中,所述目标连通区域的目标特征包括像素特征、边缘特征、纹理特征和坐标特征,所述坐标特征包括所述目标连通区域的最小外接矩形的四个顶点坐标。
2.根据权利要求1所述的鱼群自动计数方法,其特征在于,所述对于每一个目标连通区域,基于其目标特征,确定其密度等级,并通过其密度等级对应的计数预测模型,获得其计数预测结果,具体包括:
对于每一个目标连通区域,基于其目标特征,确定其面积;
对于每一个目标连通区域,确定其面积所属的预设面积阈值范围,确定所述预设面积阈值范围对应的密度等级,为所述目标连通区域的密度等级;
对于每一个目标连通区域,基于其目标特征,通过其密度等级对应的计数预测模型,获得其计数预测结果。
3.根据权利要求1所述的鱼群自动计数方法,其特征在于,所述从所述目标图像中获取至少一个目标连通区域,具体包括:
对所述目标图像进行预处理;
对所述预处理后的目标图像进行分割,获得目标连通区域。
4.根据权利要求3所述的鱼群自动计数方法,其特征在于,所述对所述目标图像进行预处理,具体包括:
获取所述目标图像的颜色变换图像;
对所述颜色变换图像进行中值滤波处理,获得所述预处理后的目标图像。
5.根据权利要求1所述的鱼群自动计数方法,其特征在于,所述训练获得所述密度等级对应的计数预测模型之后,所述方法还包括:
对于每一个密度等级中的目标连通区域样本,获取其中的测试样本,基于所述测试样本,确定所述计数预测模型满足目标误差或所述的训练次数达到预设迭代次数。
6.一种鱼群自动计数装置,其特征在于,包括:
采集模块,用于采集待计数的目标图像;
获取模块,用于从所述目标图像中获取至少一个目标连通区域;
确定模块,用于确定所述目标连通区域的目标特征;
预测模块,用于对于每一个目标连通区域,基于其目标特征,确定其密度等级,并通过其密度等级对应的计数预测模型,获得其计数预测结果;
计数模块,用于基于所有的目标连通区域的计数预测结果,获得所述目标图像的计数预测结果;
所述装置还包括:
人工标记模块,用于在对于每一个目标连通区域,确定其密度等级,基于其目标特征,通过其密度等级对应的计数预测模型,获得其计数预测结果之前,从所述目标图像的所有目标连通区域中获取目标连通区域样本,对所述目标连通区域样本进行人工标记;
划分模块,用于将所述目标连通区域样本划分为至少一个密度等级;
训练模块,用于对于每一个密度等级中的目标连通区域样本,获取其中的训练样本,基于所述训练样本的目标特征及标记,训练获得所述密度等级对应的计数预测模型;
所述装置还包括:
第二确定模块,用于将所述目标连通区域训练样本划分为至少一个密度等级之后,基于每一个目标连通区域训练样本的目标特征,确定其面积;
排序模块,用于对所有目标连通区域训练样本的面积进行升序排序;
计算模块,用于基于排序后的目标连通区域训练样本的面积变化趋势,计算获得所有所述密度等级分别对应的预设面积阈值范围;
所述计算模块具体用于:
将所有目标连通区域样本的排序编号和对应的目标连通区域样本的连通区域面积分别作为横坐标和纵坐标,获得所有目标连通区域样本的坐标,基于所有目标连通区域样本的坐标进行多项式拟合,获得多项式拟合曲线;
基于所述多项式拟合曲线上差距大于预设值且斜率最大的两个点的纵坐标值,确定预设面积阈值,基于所述预设面积阈值,计算获得所有所述密度等级分别对应的预设面积阈值范围;
其中,所述目标连通区域的目标特征包括像素特征、边缘特征、纹理特征和坐标特征,所述坐标特征包括所述目标连通区域的最小外接矩形的四个顶点坐标。
7.一种电子设备,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5任一项所述鱼群自动计数方法的步骤。
8.一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5任一项所述鱼群自动计数方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010750992.5A CN111968081B (zh) | 2020-07-30 | 2020-07-30 | 鱼群自动计数方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010750992.5A CN111968081B (zh) | 2020-07-30 | 2020-07-30 | 鱼群自动计数方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111968081A CN111968081A (zh) | 2020-11-20 |
CN111968081B true CN111968081B (zh) | 2023-11-21 |
Family
ID=73362709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010750992.5A Active CN111968081B (zh) | 2020-07-30 | 2020-07-30 | 鱼群自动计数方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968081B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734714A (zh) * | 2020-12-31 | 2021-04-30 | 中国水产科学研究院渔业机械仪器研究所 | 一种计鱼数装置及方法 |
CN113025483A (zh) * | 2021-03-24 | 2021-06-25 | 四川若斌生物科技有限责任公司 | 一种微生物培养分析柜的采集分析系统及其分析方法 |
CN113643136B (zh) * | 2021-09-01 | 2024-06-18 | 京东科技信息技术有限公司 | 信息处理方法、系统和装置 |
CN115049692B (zh) * | 2022-08-15 | 2022-12-16 | 山东万牧农业科技有限公司郯城分公司 | 模拟自然生态的海洋水产养殖光照智能调节方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794406A (zh) * | 2010-04-06 | 2010-08-04 | 湖南省植物保护研究所 | 烟粉虱成虫密度自动计数系统 |
CN103577875A (zh) * | 2013-11-20 | 2014-02-12 | 北京联合大学 | 一种基于fast的计算机辅助cad人数统计方法 |
CN104021385A (zh) * | 2013-03-02 | 2014-09-03 | 北京信息科技大学 | 基于模板匹配及曲线拟合的视频字幕细化方法 |
CN104268506A (zh) * | 2014-09-15 | 2015-01-07 | 郑州天迈科技股份有限公司 | 基于深度图像的客流计数检测方法 |
CN107341480A (zh) * | 2017-07-12 | 2017-11-10 | 中国电子科技集团公司第二十八研究所 | 一种改进型pccnn神经网络模型的人群聚集检测方法 |
CN110473260A (zh) * | 2019-06-28 | 2019-11-19 | 国家海洋技术中心 | 一种波浪视频测量装置及方法 |
-
2020
- 2020-07-30 CN CN202010750992.5A patent/CN111968081B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794406A (zh) * | 2010-04-06 | 2010-08-04 | 湖南省植物保护研究所 | 烟粉虱成虫密度自动计数系统 |
CN104021385A (zh) * | 2013-03-02 | 2014-09-03 | 北京信息科技大学 | 基于模板匹配及曲线拟合的视频字幕细化方法 |
CN103577875A (zh) * | 2013-11-20 | 2014-02-12 | 北京联合大学 | 一种基于fast的计算机辅助cad人数统计方法 |
CN104268506A (zh) * | 2014-09-15 | 2015-01-07 | 郑州天迈科技股份有限公司 | 基于深度图像的客流计数检测方法 |
CN107341480A (zh) * | 2017-07-12 | 2017-11-10 | 中国电子科技集团公司第二十八研究所 | 一种改进型pccnn神经网络模型的人群聚集检测方法 |
CN110473260A (zh) * | 2019-06-28 | 2019-11-19 | 国家海洋技术中心 | 一种波浪视频测量装置及方法 |
Non-Patent Citations (4)
Title |
---|
COUNTING FISH IN SONAR IMAGES;Liang Liu et al.;IEEE;第3189-3193页 * |
基于人群密度预分类网络的深度人群计数算法研究;汪顺舟;中国优秀硕士学位论文全文数据库 信息科技辑(第1期);正文第31页 * |
基于机器视觉的鲜枣群体大小检测算法;李志明;;工业仪表与自动化装置(第05期);第29-32页 * |
基于细胞面积估计的蓝藻细胞计数;胡洋洋;王鑫;;江南大学学报(自然科学版)(第05期);第523-525页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111968081A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111968081B (zh) | 鱼群自动计数方法、装置、电子设备及存储介质 | |
Zhang et al. | Automatic fish counting method using image density grading and local regression | |
CN107527351B (zh) | 一种融合fcn和阈值分割的哺乳母猪图像分割方法 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
Alharbi et al. | Automatic counting of wheat spikes from wheat growth images | |
KR101743270B1 (ko) | 다수의 플랑크톤이 응집 혹은 산재해 있는 현미경 영상에서 딥러닝을 이용하여 개개 플랑크톤을 분리 및 인식하는 방법 | |
CN107330403B (zh) | 一种基于视频数据的牦牛计数方法 | |
CN106340016A (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
CN114998603B (zh) | 一种基于深度多尺度特征因子融合的水下目标检测方法 | |
CN111882561A (zh) | 一种癌细胞识别诊断系统 | |
Almero et al. | An aquaculture-based binary classifier for fish detection using multilayer artificial neural network | |
CN112633354B (zh) | 路面裂缝检测方法、装置、计算机设备和存储介质 | |
CN109543585A (zh) | 基于卷积神经网络的水下光学目标检测与识别方法 | |
CN113111716A (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
Muñoz-Benavent et al. | Impact evaluation of deep learning on image segmentation for automatic bluefin tuna sizing | |
CN112258525A (zh) | 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 | |
CN117315380A (zh) | 一种基于深度学习的肺炎ct图像分类方法及系统 | |
Ding et al. | Classification of chromosome karyotype based on faster-rcnn with the segmatation and enhancement preprocessing model | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
Orbert et al. | Watershed segmentation of binary images using distance transformations | |
Trotter et al. | Towards automatic cetacean photo-identification: A framework for fine-grain, few-shot learning in marine ecology | |
CN116563626B (zh) | 钢桥螺栓锈蚀率的预测方法 | |
Li et al. | Machine Vision-Based Hook Defect Detection |
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 |