CN112017200B - 一种基于视觉识别的鱼类姿态判定方法 - Google Patents
一种基于视觉识别的鱼类姿态判定方法 Download PDFInfo
- Publication number
- CN112017200B CN112017200B CN202010789083.2A CN202010789083A CN112017200B CN 112017200 B CN112017200 B CN 112017200B CN 202010789083 A CN202010789083 A CN 202010789083A CN 112017200 B CN112017200 B CN 112017200B
- Authority
- CN
- China
- Prior art keywords
- fish
- image
- fish body
- gray
- method based
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000000007 visual effect Effects 0.000 title claims abstract description 18
- 241000251468 Actinopterygii Species 0.000 claims abstract description 211
- 210000001015 abdomen Anatomy 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000036544 posture Effects 0.000 claims description 28
- 238000005260 corrosion Methods 0.000 claims description 17
- 230000007797 corrosion Effects 0.000 claims description 17
- 230000000873 masking effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 abstract 1
- 235000019688 fish Nutrition 0.000 description 144
- 230000003187 abdominal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000269821 Scombridae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 235000020640 mackerel Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009182 swimming Effects 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20024—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于视觉识别的鱼类姿态判定方法,首先获取待判定姿态的鱼图像,对鱼图像进行预处理,得到灰度图像和二值图像;对二值图像进行轮廓提取,获得鱼体轮廓图像;以鱼体头尾两个定位点为圆心,以相同的半径绘制圆形,判断两个圆形内鱼体面积的大小,面积大的定位点为鱼头方向;鱼体腹背姿态判定,将鱼体近似看为一个椭圆,对鱼体轮廓图像进行椭圆拟合,得到鱼体轮廓的椭圆方程,椭圆的长轴看作是鱼体的中轴线;以中轴线为分界线将灰度图像中椭圆轮廓内图形分别定义为R1区域和R2区域,对R1区域和R2区域分别进行灰度值求均值计算,均值大的区域为鱼腹方向。本发明无需建立数据库模型,无需接触,通过视觉识别可以直接判断,快速高效。
Description
技术领域
本发明属于水产品加工领域,涉及一种鱼体姿态判断方法,具体涉及一种基于视觉识别的鱼类姿态判定方法。
背景技术
在鱼类规模化加工生产中,基于图像识别的鱼体姿态判定(即鱼体的头尾朝向、腹背朝向)至关重要。现有技术中,多采用基于鱼体轮廓的图像识别方法,该方法需先取得大量原料鱼图像资料,再通过不同建模方式(偏最小二乘法、神经网络等)进行建模,得到此类鱼的关键轮廓数据。利用包含关键轮廓数据的数据库,与待处理鱼的采集图像进行比对,从而实现待处理鱼的姿态判定。但该方法存在不同种类鱼的关键轮廓数据无法通用,且需要提前采集大量图像建立数据库的问题。
发明内容
本发明的目的是提供一种基于视觉识别的鱼类姿态判定方法,该方法可判定出目标鱼的头尾朝向及腹背朝向,且无需预建立模型库,也无需深度学习,可以直接判断,快速得出结果。
本发明所采用的技术方案是:
一种基于视觉识别的鱼类姿态判定方法,其特征在于,包括以下步骤:
步骤1,获取待判定姿态的鱼图像,对鱼图像进行预处理,得到灰度图像和二值图像;
步骤2、对二值图像进行轮廓跟踪,获得鱼体轮廓图像;
步骤3、鱼体头尾姿态判断:
步骤3.1、定位点获取,获取鱼体轮廓图像沿着输送方向的前后两个端点作为定位点,分别为前定位点P1和后定位点P2;
步骤3.2、以两个定位点为圆心,以相同的半径R0绘制圆形,对圆形曲线与鱼体轮廓曲线交汇的部分进行填充,得到2个填充图形,分别为前填充图形和后填充图形;
步骤3.3、判断两个填充图形面积的大小,如果前填充图形大于后填充图形,则前定位点为鱼头方向;否则,后定位点为鱼头方向;
步骤4、鱼体腹背姿态判定
步骤4.1、将鱼体近似看为一个椭圆,对步骤2中鱼体轮廓图像进行椭圆拟合,得到鱼体轮廓的椭圆方程,椭圆的长轴看作是鱼体的中轴线;
步骤4.2、以中轴线为分界线将灰度图像中椭圆轮廓内图形分别定义为R1区域和R2区域,对R1区域和R2区域分别进行灰度值求均值计算,均值大的区域为鱼腹方向,另一个区域则为鱼背方向。
进一步地,所述步骤1中,采用选择中值滤波器对二值图像进行滤波去噪处理,之后再提取鱼体轮廓。
进一步地,所述步骤3.1中,所述定位点获取具体方法如下:
定义鱼体输送方向为X轴方向,图像内,与X轴垂直的方向为Y轴,在鱼体轮廓图像内分别从X轴两端沿着Y轴逐个像素扫描,扫描完一列后朝图像中间平移一个像素点继续扫描,从X轴前端扫描第一个灰度值为255的像素点的坐标即为前定位点P1(x1,y1),从X轴后端扫描第一个灰度值为255的像素点的坐标即为后定位点P2(x2,y2)。
进一步地,步骤3.2中,所述半径R0为20-52%L,L为鱼体长度。
进一步地优选,所述半径R0为20-36%L。
进一步地,所述L通过前定位点和后定位点之间的距离确定。
进一步地,步骤3.3中,判断填充图形面积采用像元计数法,具体公式如下:
S1=Count(D(P1(x1,y1),F(x,y))<=R0∩F(x,y)==255)
S2=Count(D(P2(x2,y2),F(x,y))<=R0∩F(x,y)==255)
上式中,S1为以前定位点P1为圆心所画圆内的鱼体像元个数,S2为以后定位点P2为圆心所画圆内的鱼体像元个数,Count为计数函数,F(x,y)为鱼体的二值图像内任意一像元点,R0为所画圆的半径,D为两像元点之间的距离,如果S1>S2,则P1为鱼的头部,P2为鱼的尾部,否则P2为鱼的头部,P1为鱼的尾部。
进一步地,步骤4.1中,对鱼体进行椭圆拟合时,先去掉鱼体的尾部,去掉的尾部为鱼体总长的10%-20%,拟合过程中在最小二乘的准则下通过二次曲线拟合得到椭圆方程。
进一步地,步骤4.2中,灰度值计算方法如下:
首先对鱼体的二值图像进行腐蚀处理,然后用二值图像减去腐蚀处理后的图,此时结果图像中只保留了鱼体轮廓及其向内一定范围内的鱼体区域,保留的区域分布在中轴线两侧,分别用R1和R2表示;最后通过将经过二值图像减去腐蚀处理后的图像与鱼体的灰度图像进行掩膜处理得到灰度计数图像,并通过比较灰度计数图像中轴线两侧鱼体区域的灰度值均值即可判定出鱼体的腹背姿态;为了排除鱼体头尾部灰度的干扰,在比较灰度值的过程中,对鱼体头尾各去掉一部分,去掉长度为鱼体总长的10%-20%,只考虑鱼体中间的60%-80%部分。
进一步地,步骤4.2中,得到灰度计数图像采用的计算公式如下:
F1=F-Ferode
Fmask=mask(f,F1)
上式中,Ferode(x,y)为腐蚀化后的图像,Θ为腐蚀操作运算符,Fc表示补集,表示空集,F为鱼体的二值图像,B为腐蚀操作的结构元素,F1为鱼体的二值图像减去腐蚀处理后的图像,f为鱼体的灰度图像,mask为图像掩膜处理运算符,Fmask为对鱼体的灰度图像进行掩膜处理后的图像,即灰度计数图像。
进一步地,步骤4.2中,在灰度计数图像上统计判断灰度值公式如下:
上式中,Fmask为对鱼体的灰度图像进行掩膜处理后的灰度计数图像,N1和N2分别为区域R1和R2中的像元数,Mean1和Mean2分别为区域R1和R2的像元的灰度值均值,如果Mean1>Mean2,则R1为腹部,R2为背部,否则,R2为腹部,R1为背部。
本发明的有益效果是:
1.鱼类在水下运动时,通过鱼腹部鱼鳔体积变化即可实现上下移动,通过尾部摆动实现前后移动,因此鱼体重心位于鱼体中部靠头部偏背部处。因此,从鱼体头部点向重心处的轮廓变化较大,而鱼体尾部向重心处的轮廓变化较为平缓。当以鱼体首尾点为圆心画圆时,鱼头圆形与鱼体轮廓交汇形成的面积较大,当半径介于20-36%鱼体长度时候,面积比大于2(根据实施例中数据考虑误差,可以认为半径20%鱼体长度时候,面积比约等于2),面积比大于2使得头尾姿态识别的精度极高,通过简单的常规图像分割处理方法即可准确识别,无需高精度和复杂的算法。
2.由于大部分鱼体腹部颜色较浅,脊背部颜色较深;当转化为灰度图像后,则腹部图像灰度值较大,脊背部灰度值较小,通过合理控制特定比较区域,即可实现对鱼体腹背姿态判定。
3.本发明根据比较特定区域的面积和灰度值,可以快速简便完成鱼体全姿态检测,不同种类、不同大小鱼体的判定仅需调整半径参数和灰度值轮廓参数,无需采集鱼体图像数据,无需创建数据库。该方法简单快捷、比对速度高,大大提高了鱼体识别效率。
附图说明
图1是本发明实施例中鱼类姿态判定方法流程示意图。
图2为本发明头尾姿态判断过程示意图。
图3为本发明四种基本鱼体姿态示意图。
图4为本发明鱼体椭圆中轴线分割示意图。
图5为本发明实施例中拟合椭圆计算中轴线示意图。
图6为本发明实施例中腐蚀处理示意图。
图7为本发明掩膜处理示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明,但不能用来限制本发明的范围。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1所示,一种基于视觉识别的鱼类姿态判定方法,包括以下步骤:
步骤1,获取输送中待判定姿态的鱼图像,图像既可以是静态的图像,也可以是在鱼体输送过程中固定拍摄点拍摄的鱼体图像,包括jpg、bmp或者raw格式图像。对采集的鱼体图像进行预处理,包括背景分割、轮廓跟踪,获得鱼体轮廓图像,进行存储;
1)对鱼图像进行预处理,首先进行灰度化,得到灰度图像f;
2)图像二值化
对获取的鱼体图像进行图像直方图分析,确定背景与前景目标分割的灰度阈值,生成二值图像,具体过程如下式所示:
其中,f(x,y)为获得的鱼体灰度图像,f'(x,y)为二值图像,Thd为背景与前景目标分割的阈值。
3)二值图像去噪
由于图像二值化会不可避免的受到噪声的干扰,从而影响后续的图像信息提取,需要对其进行滤波去噪处理。鉴于中值滤波器既具有良好的去噪能力,同时又能很好的保持图像的边缘信息,因此本专利选择中值滤波器对二值图像进行滤波去噪,如下式表示:
公式(2)中,F(x,y)为去噪后的二值图像,A为窗口大小,一般取3*3像元,Median为中值运算符。
步骤2、鱼体轮廓跟踪;
采用8连通区域的轮廓跟踪方法,提取鱼体的轮廓图像。
步骤3、鱼体头尾姿态判断:
步骤3.1、定位点获取,获取鱼体轮廓图像沿着输送方向的前后两个端点作为定位点,分别为前定位点P1和后定位点P2;需要说明的是受限于传送带的宽度设置,一般鱼体不可能横置在传送带上,一般与传送带夹角在0°~45°之间,鱼在传送带上的位置,基本可以分为上述的4种情形,如图3所示。
所述定位点获取具体方法如下:
定义鱼体输送方向为X轴方向,图像内,与X轴垂直的方向为Y轴,在鱼体轮廓图像内分别从X轴两端沿着Y轴逐个像素扫描,扫描完一列后朝图像中间平移一个像素点继续扫描,从X轴前端扫描第一个灰度值为255的像素点的坐标即为前定位点P1(x1,y1),从X轴后端扫描第一个灰度值为255的像素点的坐标即为后定位点P2(x2,y2)。
步骤3.2、面积计算及比较,判定头尾姿态
根据步骤3.1确定的定位点,可以确定鱼的体长(头尾定位点之间的距离),然后以头尾定位点为圆心,以30%的体长为半径切割鱼体,计算并比较切割鱼体的面积,面积大的部分对应的定位点为鱼体的头部,面积小的部分对应的定位点为鱼体的尾部,记沿着输送方向前后两个定位点分别为前定位点P1(x1,y1)和后定位点P2(x2,y2),计算过程如下:
公式(3)中,Si为满足括号内条件的像元个数,Count为计数函数,F(x,y)为鱼体的二值图像内任意一像元点,L为鱼的体长,D为两像元点的距离,如果S1>S2,则P1为鱼的头部,P2为鱼的尾部,否则P2为鱼的头部,P1为鱼的尾部。
需要说明的是,本发明上述计算是以传送带颜色比鱼体颜色深为例,如果传送带采用浅色或者白色,那么公式(1)和公式(3)中灰度值判定需要做相应的调整,该调整采用现有公知常识即可完成。
步骤4、鱼体腹背姿态判定
步骤4.1、中轴线确定
考虑到去除鱼尾部分的鱼体轮廓类似于一个椭圆,因此根据鱼体的轮廓线(去除鱼尾部分),可在最小二乘的准则下通过二次曲线拟合得到椭圆方程,椭圆的长轴可以认为是鱼体的中轴线,如图5所示,拟合的椭圆方程可以用下式表示:
Ax2+Bxy+cy2+Dx+Ey+F=0 公式(4)
由椭圆的标准方程(公式(4)),可以得到椭圆的中心(xc,yc),长轴a,短轴b以及长轴转角θ五个参数,具体计算公式如下所示:
由上述椭圆的参数,可以求得椭圆长轴的方程,如下所示:
y=tanθ·x 公式(6)
公式(6)即为鱼体的中轴线,需要注意的是,公式(6)是以椭圆的中心作为坐标原点进行描述的。
步骤4.2、特征灰度区域确定
鉴于鱼体腹部和背部在图像上的灰度差异,可以根据这种灰度差异判定鱼体的腹部和背部。具体的,以中轴线为分界线将灰度图像中椭圆轮廓内图形分别定义为R1区域和R2区域,对R1区域和R2区域分别进行灰度值求均值计算,均值大的区域为鱼腹方向,另一个区域则为鱼背方向。此外,为了排除鱼体头部和尾部的干扰,在提取鱼体特征灰度区域时,去掉鱼体的头部(体长的20%)和尾部(体长的20%),只保留鱼体的中间部分(体长的60%)。
1)首先根据要求设计一种合适的形态学腐蚀操作结构元素,并用其对鱼体的二值图像进行腐蚀处理,然后用用鱼体的二值图像减去腐蚀处理后的图像,即可得到鱼体的部分腹部和背部区域,如图6所示,具体过程如下式所示:
灰度值的计算及比较,判定鱼体腹背姿态
经过二值图像减去腐蚀处理后的图像后,结果图像中只保留了鱼体轮廓及其向内一定范围内的鱼体区域,保留的区域分布在中轴线两侧,分别用R1和R2表示。最后通过将经过二值图像减去腐蚀处理后的图像与鱼体的灰度图像进行掩膜处理得到灰度计数图像(如图7所示),并通过比较灰度计数图像中轴线两侧鱼体区域的灰度值均值即可判定出鱼体的腹背姿态。为了排除鱼体头尾部灰度的干扰,在比较灰度值的过程中,对鱼体头尾各去掉一部分,去掉长度为鱼体总长的10%-20%,只考虑鱼体中间的60%-80%部分。具体过程如下:
Fmask=mask(f,F1)
公式(8)中,f为鱼体的灰度图像,mask为图像掩膜处理运算符,Fmask为对鱼体的灰度图像进行掩膜处理后的图像(灰度计数图像),N1和N2分别为区域R1和R2中的像元数,Mean1和Mean2分别为区域R1和R2的像元灰度值的均值,如果Mean1>Mean2,则R1为腹部,R2为背部,否则,R2为腹部,R1为背部。
以鲐鱼体长212mm为例,本发明实施例中判断的一组数据如下表所示。
圆形半径 | 前部圆形面积 | 后部圆形面积 | 面积比 | 半径占体长比例 |
42.4 | 894 | 460 | 1.94 | 20% |
50.88 | 1201 | 554 | 2.17 | 24% |
59.36 | 1532 | 693 | 2.21 | 28% |
67.84 | 1879 | 883 | 2.13 | 32% |
76.32 | 2236 | 1119 | 2.00 | 36% |
84.8 | 2594 | 1400 | 1.85 | 40% |
93.28 | 2945 | 1704 | 1.73 | 44% |
101.76 | 3287 | 2024 | 1.62 | 48% |
110.24 | 3618 | 2354 | 1.54 | 52% |
由上表可知,半径选取为鱼体52%的时候,面积比还可以达到1.54,具有较高的区分度,可以很好的进行实际应用。
需要说明的是,上述具体图像处理的技术也可以采用任何现有中其他成熟技术,具体的采用什么技术识别鱼体轮廓和灰度值计数并不影响本发明技术方案实施,本发明的发明点在于如何判断鱼体头尾姿态和腹背姿态的思路。当然不排除上述具体方法是本发明快速判断鱼体姿态的最优手段之一。
以上实施方式仅用于说明本发明,而非对本发明的限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行各种组合、修改或者等同替换,都不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于视觉识别的鱼类姿态判定方法,其特征在于,包括以下步骤:
步骤1,获取输送中待判定姿态的鱼图像,对鱼图像进行预处理,得到灰度图像和二值图像;
步骤2、对鱼体的二值图像进行轮廓跟踪,获得鱼体轮廓图像;
步骤3、鱼体头尾姿态判断:
步骤3.1、定位点获取,获取鱼体轮廓图像沿着输送方向的前后两个端点作为定位点,分别为前定位点P1和后定位点P2;
步骤3.2、以两个定位点为圆心,以相同的半径R0绘制圆形,对圆形曲线与鱼体轮廓曲线交汇的部分进行填充,得到2个填充图形,分别为前填充图形和后填充图形;
步骤3.3、判断两个填充图形面积的大小,如果前填充图形大于后填充图形,则前定位点为鱼头方向;否则,后定位点为鱼头方向;
步骤4、鱼体腹背姿态判定
步骤4.1、将鱼体近似看为一个椭圆,对步骤2中鱼体轮廓图像进行椭圆拟合,得到鱼体轮廓的椭圆方程,椭圆的长轴看作鱼体的中轴线;
步骤4.2、以中轴线为分界线将灰度图像中椭圆轮廓内图形分别定义为R1区域和R2区域,对R1区域和R2区域分别进行灰度值求均值计算,均值大的区域为鱼腹方向,另一个区域则为鱼背方向。
2.如权利要求1所述基于视觉识别的鱼类姿态判定方法,其特征在于:所述步骤1中,采用选择中值滤波器对二值图像进行滤波去噪处理,之后再提取鱼体轮廓。
3.如权利要求1所述基于视觉识别的鱼类姿态判定方法,其特征在于:所述步骤3.1中,所述定位点获取具体方法如下:
定义鱼体输送方向为X轴方向,图像内,与X轴垂直的方向为Y轴,在鱼体轮廓图像内分别从X轴两端沿着Y轴逐个像素扫描,扫描完一列后朝图像中间平移一个像素点继续扫描,从X轴前端扫描第一个灰度值为255的像素点的坐标即为前定位点P1(x1,y1),从X轴后端扫描第一个灰度值为255的像素点的坐标即为后定位点P2(x2,y2)。
4.如权利要求1所述基于视觉识别的鱼类姿态判定方法,其特征在于:步骤3.2中,所述半径R0为20-52%L,L为鱼体长度。
5.如权利要求4所述基于视觉识别的鱼类姿态判定方法,其特征在于:所述L通过前定位点和后定位点之间的距离确定。
6.如权利要求1所述基于视觉识别的鱼类姿态判定方法,其特征在于:步骤3.3中,判断填充图形面积采用像元计数法,具体公式如下:
S1=Count(D(P1(x1,y1),F(x,y))<=R0∩F(x,y)==255)
S2=Count(D(P2(x2,y2),F(x,y))<=R0∩F(x,y)==255)
上式中,S1为以前定位点P1为圆心所画圆内的鱼体像元个数,S2为以后定位点P2为圆心所画圆内的鱼体像元个数,Count为计数函数,F(x,y)为鱼体的二值图像内任意一像元点,R0为所画圆的半径,D为两像元点之间的距离,如果S1>S2,则P1为鱼的头部,P2为鱼的尾部,否则P2为鱼的头部,P1为鱼的尾部。
7.如权利要求1所述基于视觉识别的鱼类姿态判定方法,其特征在于:步骤4.1中,对鱼体进行椭圆拟合时,先去掉鱼体的尾部,去掉的尾部为鱼体总长的10%-20%,拟合过程中在最小二乘的准则下通过二次曲线拟合得到椭圆方程。
8.如权利要求1所述基于视觉识别的鱼类姿态判定方法,其特征在于:步骤4.2中,灰度值计算方法如下:
首先对鱼体的二值图像进行腐蚀处理,然后用二值图像减去腐蚀处理后的图,此时结果图像中只保留了鱼体轮廓及其向内一定范围内的鱼体区域,保留的区域分布在中轴线两侧,分别用R1和R2表示;最后通过将经过二值图像减去腐蚀处理后的图像与鱼体的灰度图像进行掩膜处理得到灰度计数图像,并通过比较灰度计数图像中轴线两侧鱼体区域的灰度值均值即可判定出鱼体的腹背姿态;为了排除鱼体头尾部灰度的干扰,在比较灰度值的过程中,对鱼体头尾各去掉一部分,去掉长度为鱼体总长的10%-20%,只考虑鱼体中间的60%-80%部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010789083.2A CN112017200B (zh) | 2020-08-07 | 2020-08-07 | 一种基于视觉识别的鱼类姿态判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010789083.2A CN112017200B (zh) | 2020-08-07 | 2020-08-07 | 一种基于视觉识别的鱼类姿态判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112017200A CN112017200A (zh) | 2020-12-01 |
CN112017200B true CN112017200B (zh) | 2022-07-05 |
Family
ID=73499356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010789083.2A Active CN112017200B (zh) | 2020-08-07 | 2020-08-07 | 一种基于视觉识别的鱼类姿态判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112017200B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017201B (zh) * | 2020-08-07 | 2024-03-19 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种加工输送中鱼体头尾姿态判定方法 |
CN112614090B (zh) * | 2020-12-09 | 2021-12-31 | 中国水产科学研究院渔业机械仪器研究所 | 一种鱼类腹腔结构特征的识别方法及系统 |
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 |
CN114304245A (zh) * | 2022-01-13 | 2022-04-12 | 武汉轻工大学 | 一种鱼头连续自动去除系统 |
CN115049837B (zh) * | 2022-08-11 | 2022-11-18 | 合肥高维数据技术有限公司 | 特征图干扰去除方法和包含该方法的屏摄水印识别方法 |
CN117809331A (zh) * | 2023-11-20 | 2024-04-02 | 中国水产科学研究院南海水产研究所 | 鱼体游动姿态的检测方法、装置、电子设备及存储介质 |
CN117351526B (zh) * | 2023-12-05 | 2024-03-22 | 深圳纯和医药有限公司 | 一种血管内超声图像的血管内膜自动识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011005395A (ja) * | 2009-06-24 | 2011-01-13 | Kinki Univ | 魚体形状選別装置 |
CN104966072A (zh) * | 2015-07-08 | 2015-10-07 | 河海大学常州校区 | 一种基于形状的无色标机器鱼位姿识别算法 |
CN105678749A (zh) * | 2015-12-30 | 2016-06-15 | 中国水产科学研究院渔业机械仪器研究所 | 一种基于视觉的鲜鱼方向判别方法 |
CN110706289A (zh) * | 2019-10-24 | 2020-01-17 | 中国科学技术大学 | 姿态测量方法及装置 |
CN111290327A (zh) * | 2020-02-02 | 2020-06-16 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种鱼类姿态判定装置及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4804987B2 (ja) * | 2006-03-31 | 2011-11-02 | 国立大学法人岩手大学 | 魚頭有用部位の採取方法及び魚頭有用部位の採取装置 |
-
2020
- 2020-08-07 CN CN202010789083.2A patent/CN112017200B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011005395A (ja) * | 2009-06-24 | 2011-01-13 | Kinki Univ | 魚体形状選別装置 |
CN104966072A (zh) * | 2015-07-08 | 2015-10-07 | 河海大学常州校区 | 一种基于形状的无色标机器鱼位姿识别算法 |
CN105678749A (zh) * | 2015-12-30 | 2016-06-15 | 中国水产科学研究院渔业机械仪器研究所 | 一种基于视觉的鲜鱼方向判别方法 |
CN110706289A (zh) * | 2019-10-24 | 2020-01-17 | 中国科学技术大学 | 姿态测量方法及装置 |
CN111290327A (zh) * | 2020-02-02 | 2020-06-16 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种鱼类姿态判定装置及方法 |
Non-Patent Citations (3)
Title |
---|
Multi-Scale Fish Segmentation Refinement and Missing Shape Recovery;Gaoang Wang等;《IEEE Access》;20190501;第52836-52845页 * |
基于机器视觉的鲫鱼和鲤鱼品种识别方法研究;万鹏 等;《广东农业科学》;20121231(第17期);第184-187页 * |
显微操作中斑马鱼幼鱼心脏识别与监测方法;佟明斯 等;《哈尔滨工业大学学报》;20200630;第52卷(第6期);第182-187页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112017200A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112017200B (zh) | 一种基于视觉识别的鱼类姿态判定方法 | |
US5265173A (en) | Rectilinear object image matcher | |
WO2022205525A1 (zh) | 基于双目视觉自主式水下机器人回收导引伪光源去除方法 | |
CN108960011B (zh) | 部分遮挡的柑橘果实图像识别方法 | |
CN108376403B (zh) | 基于霍夫圆变换的网格菌落图像分割方法 | |
CN109886935A (zh) | 一种基于深度学习的道面异物检测方法 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN113484867B (zh) | 一种基于成像声呐封闭空间下鱼群密度探测方法 | |
CN105913425B (zh) | 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法 | |
CN112541889A (zh) | 一种多层级模型的复杂纹理对象表面缺陷检测方法 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN111310754A (zh) | 一种分割车牌字符的方法 | |
CN112686265A (zh) | 一种基于层级轮廓提取的象形文字分割方法 | |
CN115830018A (zh) | 基于深度学习与双目视觉的碳素块检测方法及系统 | |
CN113781413B (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN113705505B (zh) | 一种面向海洋渔业的船舶目标检测方法和系统 | |
CN112465740B (zh) | 一种基于显微操作系统的目标吸持点定位方法及系统 | |
CN112102189B (zh) | 一种线结构光光条中心线提取方法 | |
CN116993764B (zh) | 一种胃部ct智能分割提取方法 | |
CN112381084B (zh) | 断层图像的轮廓自动识别方法 | |
CN112017201A (zh) | 一种加工输送中鱼体头尾姿态判定方法 | |
CN110008955B (zh) | 一种汽车刹车片表面字符压印质量检验方法 | |
CN112750143B (zh) | 一种基于极值法的茎柔鱼形态特征提取方法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN113780421B (zh) | 基于人工智能的脑部pet影像识别方法 |
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 |