CN112113506A - 一种基于深度学习的水下移动物体测量装置及测量方法 - Google Patents
一种基于深度学习的水下移动物体测量装置及测量方法 Download PDFInfo
- Publication number
- CN112113506A CN112113506A CN202010899253.2A CN202010899253A CN112113506A CN 112113506 A CN112113506 A CN 112113506A CN 202010899253 A CN202010899253 A CN 202010899253A CN 112113506 A CN112113506 A CN 112113506A
- Authority
- CN
- China
- Prior art keywords
- image
- waterproof camera
- underwater
- deep learning
- length
- 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.)
- Withdrawn
Links
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
-
- 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
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0608—Height gauges
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Abstract
本发明提供了一种基于深度学习的水下移动物体测量装置及测试方法,包括支架、水下防水摄像头、配重块、数据处理单元;所述支架为倒L型不锈钢支架,包括水平杆和竖直杆;水下防水摄像头包括第一防水摄像头和第二防水摄像头,第一防水摄像头安装在水平杆上,第二防水摄像头安装在竖直杆上;配重设置在水平杆远离竖直杆一端;第一防水摄像头和第二防水摄像头与数据处理单元连接。本发明所述的一种基于深度学习的水下移动物体测量装置及测量方法在测量过程中无需将生物打捞出进行测量,省时省力,同时在测量过程中对生物类的物体如鱼的损害风险低、测量准确度高、效果好。
Description
技术领域
本发明属于测量领域,尤其是涉及一种基于深度学习的水下移动物体测量装置及测量方法。
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,且给物体造成压力、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
有鉴于此,本发明旨在提出一种基于深度学习的水下移动物体测量装置及测量方法,以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物体物体体长、体宽、体高测量装置及测量方法。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于深度学习的水下移动物体测量装置,包括支架、水下防水摄像头、配重块、数据处理单元;
所述支架为倒L型不锈钢支架,包括水平杆和竖直杆;
水下防水摄像头包括第一防水摄像头和第二防水摄像头,第一防水摄像头安装在水平杆上,第二防水摄像头安装在竖直杆上;
配重设置在水平杆远离竖直杆一端;
第一防水摄像头和第二防水摄像头与数据处理单元连接。
进一步的,还包括水下照明设备,所述水下照明设备在水平杆和竖直杆上设有多个。
进一步的,一种基于深度学习的水下移动物体测量装置的测量方法。包括:
将倒L型不锈钢支架沉入水中,并开启水下照明设备与水下防水摄像头,
第一防水摄像头用于获取物体上方图像,第二防水摄像头用于获取物体侧面图像,第一防水摄像头和第二防水摄像头将采集的物体图像发送至数据处理单元;
数据处理单元根据第一防水摄像头采集的图像计算图像中物体的长度和宽度,根据第二防水摄像头采集的图像计算图像中物体的高度。
进一步的,一种基于深度学习的水下移动物体测量装置的测量方法,包括以下步骤:
S1、水下防水摄像头将采集到的图像传输至数据处理单元;
S2、根据深度学习方法从图像中分割出物体图像;
S3、根据物体图像获得物体图像的二值化图像;
S4、根据二值化图像获取物体图像中物体的轮廓图像;
S5、根据物体的轮廓图像获取物体的轮廓对应的各像素点的坐标值;
S6、根据物体的轮廓对应的各像素点的坐标值,计算物体在物体图像中的长度、宽度。
进一步的,根据水下防水摄像头采集的图像计算图像中物体的长度、宽度和高度的方法为:
计算物体长度的方法:L=p1d1/a;
计算物体宽度的方法:W=p2d1/a;
计算物体高度的方法:H=p3d2/b;
其中L为物体体长,W为物体体宽,H为物体体高,p1为物体在水下防水摄像头采集的图像中的长度,p2为物体在水下防水摄像头采集的图像中的宽度,p3为物体在水下防水摄像头采集的图像中的高度,a、b为预设距离,d1为物体距离第一防水摄像头的距离,d2为物体距离第二防水摄像头的距离。
进一步的,所述数据处理单元包括带有128个GPU计算单元的Jetson Nano边缘计算设备。
进一步的,所述水下防水摄像头的镜头为CCD镜头。
相对于现有技术,本发明所述的一种基于深度学习的水下移动物体测量装置及测量方法具有以下优势:
本发明所述的一种基于深度学习的水下移动物体测量装置及测量方法在测量过程中无需将生物打捞出进行测量,省时省力,同时在测量过程中对生物类的物体如鱼的损害风险低、测量准确度高、效果好。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的基于深度学习的水下物体(以鱼为例)体长、体宽、体高测量装置的结构示意图;
图2为本发明实施例所述的水下鱼类体长测量方法的流程图示意图;
图3为本发明实施例所述的一种基于深度学习的水下移动物体测量装置的触摸显示屏的界面的示意图。
附图标记说明:
1-数据处理单元;2-第一防水摄像头;3-第二防水摄像头;4-水下照明设备;5-配重块;6-L型不锈钢支架。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
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“安装”、“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,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1至图3所示,一种基于深度学习的水下移动物体测量装置,包括支架、水下防水摄像头、配重块5、数据处理单元1;
所述支架为倒L型不锈钢支架6,包括水平杆和竖直杆;
水下防水摄像头包括第一防水摄像头2和第二防水摄像头3,第一防水摄像头2安装在水平杆上,第二防水摄像头3安装在竖直杆上;
配重设置在水平杆远离竖直杆一端;
第一防水摄像头2和第二防水摄像头3与数据处理单元1连接。
还包括水下照明设备4,所述水下照明设备4在水平杆和竖直杆上设有多个。
一种基于深度学习的水下移动物体测量装置的测量方法,将倒L型不锈钢支架6沉入水中,并开启水下照明设备4与水下防水摄像头,
第一防水摄像头2用于获取物体上方图像,第二防水摄像头3用于获取物体侧面图像,第一防水摄像头2和第二防水摄像头3将采集的物体图像发送至数据处理单元1;
数据处理单元1根据第一防水摄像头2采集的图像计算图像中物体的长度和宽度,根据第二防水摄像头3采集的图像计算图像中物体的高度。
一种基于深度学习的水下移动物体测量装置的测量方法,包括以下步骤:
S1、水下防水摄像头将采集到的图像传输至数据处理单元1;
S2、根据深度学习方法从图像中分割出物体图像;S3、根据物体图像获得物体图像的二值化图像;
S4、根据二值化图像获取物体图像中物体的轮廓图像;
S5、根据物体的轮廓图像获取物体的轮廓对应的各像素点的坐标值;
S6、根据物体的轮廓对应的各像素点的坐标值,计算物体在物体图像中的长度、宽度。
根据水下防水摄像头采集的图像计算图像中物体的长度、宽度和高度的方法为:
计算物体长度的方法:L=p1d1/a;
计算物体宽度的方法:W=p2d1/a;
计算物体高度的方法:H=p3d2/b;
其中L为物体体长,W为物体体宽,H为物体体高,p1为物体在水下防水摄像头采集的图像中的长度,p2为物体在水下防水摄像头采集的图像中的宽度,p3为物体在水下防水摄像头采集的图像中的高度,a、b为预设距离,d1为物体距离第一防水摄像头2的距离,d2为物体距离第二防水摄像头3的距离。
所述数据处理单元1包括带有128个GPU计算单元的Jetson Nano边缘计算设备。
所述水下防水摄像头的镜头为CCD镜头。
图1为本发明一实施例的基于深度学习的水下物体体长、体宽、体高测量装置的结构示意图。
如图1所示的一种基于深度学习的水下物体体长、体宽、体高测量装置,包括:第一防水摄像头2、第二防水摄像头3、倒L型不锈钢支架6、配重块5、水下照明设备4以及边缘计算设备1;
所述边缘计算设备1与所述第一和第二防水摄像头的双向连接,所述配重块5、所述水下照明设备4、所述第一和第二防水摄像头安装在所述倒L型不锈钢支架6上。
将所述倒L型不锈钢支架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和第二防水摄像头3,所述第一防水摄像头3和第二防水摄像头3将物体图像发送给所述边缘计算设备1。
所述第一防水摄像头2获取物体上方图像,所述第二防水摄像头3获取物体侧面图像。
值得说明的是,本实施例中的物体图像为彩色图像,以下同。
在一种具体实施例中,所述第一防水摄像头2和第二防水摄像头3的镜头为CCD镜头。第一防水摄像头2和第二防水摄像头3可通过USB接口线连接所述边缘计算设备1。
本发明由所述第一防水摄像头2和第二防水摄像头3将物体图像发送给所述边缘计算设备1,再根据所述两个摄像头拍摄的物体图像计算物体体长,物体不会脱离水池,不会给物体造成压力,可使物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。
还可根据采集的上述多个数据为养殖场建立物体生长参数数据库,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物体生长情况,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。
作为一种优选实施例,还包括:倒L型不锈钢支架6和配重块5。
所述配重块5固定在所述倒L型不锈钢支架6上,使其在水中能够保持平衡。
需要说明的是,所述倒L型不锈钢支架6上有固定锚点可以调节所述配重块在所述倒L型不锈钢支架6上的位置。
需要说明的是,所述第一防水摄像头2和第二防水摄像头3呈90度夹角安装,从而可以获得物体图像与第一防水摄像头2和第二防水摄像头3之间的距离。
值得说明的是,所述装置还可包括无线装置,可以用移动端设备通过无线连接所述边缘计算设备,显示水下防水摄像头2、3照射到的物体以及拍摄到的物体图像,并且还包括展示物体信息的页面。
本实施例中,通过移动端设备显示水下防水摄像头2、3照射到的物体图像,并同时可以查看所述物体图像经过算法处理后得到的图像以及相应的计算数据。
作为一种优选实施例,还包括:边缘计算设备;
所述边缘设备与所述水下防水摄像头2、3同USB接口线互相连接,接收来自所述摄像头的物体图像。
需要说明的是,所述边缘计算设备为带有128个GPU计算单元的Jetson Nano,预置分割物体的深度学习模型,能够从物体图像中自动检测并分割物体。
本发明的上述装置实施例仅为部分实施例,本领域技术人员在上述各装置实施例的基础上可得到的各种变形均在本发明的保护范围内。
图2为本发明一实施例提供的水下物体体长、体宽、体高测量方法的流程图。
如图2所示的一种基于所述的基于深度学习的水下物体测量装置的水下物体体长、体宽、体高测量方法,包括:
S201所述第一防水摄像头获取物体上方图像,所述第二防水摄像头获取物体侧面图像,将拍摄到的物体图像发给所述边缘计算设备。
S202所述边缘计算设备预置的深度学习模型对物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。
S203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物体图像。
S204对处理后的物体图像进行测量,以获得物体的体长、体宽、体高的数值。
本发明通过两个水下防水摄像头分别从两个方向的物体图像,再根据两个方向的物体图像计算物体体长、体宽、提高,物体不用脱离水池,不会给物体造成压力,可使物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。
作为一种优选实施例,所述步骤S204,包括:
根据所述物体上方图像计算物体在图像中的长度;
根据所述物体上方图像计算物体在图像中的宽度;
根据所述物体侧面图像计算物体在图像中的高度;
作为一种优选实施例,根据所述物体上方图像计算物体在图像中的长度、宽度,包括:
根据所述深度学习方法从图像中分割出物体图像。
根据所述物体图像获得物体图像的二值化图像;
可以理解的是,将采集到的第一物体图像进行灰度化;
值得说明的是,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,所以采集到鱼类图像后,采用下述公式(一)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) (一)
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。
本步骤具体包括: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。当物体图像灰度化之后,执行二值化,程序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,点击去噪点按钮,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。
根据所述二值化图像获取物体图像中物体的轮廓图像;
本步骤具体包括:利用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,并将结果显示在移动端界面上,界面如图3所示。
根据所述物体的轮廓图像获取物体的轮廓对应的各像素点的坐标值;
根据所述物体的轮廓对应的各像素点的坐标值,计算物体在物体图像中的长度、宽度。
下面描述根据物体图像中物体的轮廓图像计算物体在物体图像中的长度的具体步骤,包括:
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(二)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,线长即为物体在图像中的长度。
y3=(y1+y2)/2 (二)
下面描述根据物体图像中物体的轮廓图像计算物体在物体图像中的宽度的具体步骤,包括:
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(三)算出两个像素点之间的最大距离|dis|,即为物体在图像中的宽度。
|dis|=(y2-y1) (三)
作为一种优选实施例,根据所述物体在物体上方图像中长度、宽度和物体在侧方图像中的高度,计算物体的体长、体宽、体高,包括:
根据所述物体在物体上方图像中的长度、宽度和物体在物体侧面图像中的高度,通过公式(四)、(五)、(六)计算物体的体长、体宽、体高
L=p1d1/a (四)
W=p2d1/a (五)
H=p3d2/b (六)
其中L为物体体长,W为物体体宽,H为物体体高,p1为物体在物体上方图像中的长度,p2为物体在物体上方图像中的宽度,p3为物体在物体右侧图像中的高度,a、b为预设距离,d1为物体距离第一防水摄像头的距离,d2为物体距离第二防水摄像头的距离。
边缘计算设备将接收到的数据,以图像拍摄时间分类,关联物体个体生长数据、视频图像数据,建立物体生长参数数据库,并保存至本地。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的水下移动物体测量装置,其特征在于:包括支架、水下防水摄像头、配重块(5)、数据处理单元(1);
所述支架为倒L型不锈钢支架(6),包括水平杆和竖直杆;
水下防水摄像头包括第一防水摄像头(2)和第二防水摄像头(3),第一防水摄像头(2)安装在水平杆上,第二防水摄像头(3)安装在竖直杆上;
配重设置在水平杆远离竖直杆一端;
第一防水摄像头(2)和第二防水摄像头(3)与数据处理单元(1)连接。
2.根据权利要求1所述的一种基于深度学习的水下移动物体测量装置,其特征在于:还包括水下照明设备(4),所述水下照明设备(4)在水平杆和竖直杆上设有多个。
3.基于权利要求1或2任一所述的一种基于深度学习的水下移动物体测量装置的测量方法,其特征在于:
将倒L型不锈钢支架(6)沉入水中,并开启水下照明设备(4)与水下防水摄像头,
第一防水摄像头(2)用于获取物体上方图像,第二防水摄像头(3)用于获取物体侧面图像,第一防水摄像头(2)和第二防水摄像头(3)将采集的物体图像发送至数据处理单元(1);
数据处理单元(1)根据第一防水摄像头(2)采集的图像计算图像中物体的长度和宽度,根据第二防水摄像头(3)采集的图像计算图像中物体的高度。
4.根据权利要求3所述的一种基于深度学习的水下移动物体测量装置的测量方法,其特征在于,包括以下步骤:
S1、水下防水摄像头将采集到的图像传输至数据处理单元(1);
S2、根据深度学习方法从图像中分割出物体图像;
S3、根据物体图像获得物体图像的二值化图像;
S4、根据二值化图像获取物体图像中物体的轮廓图像;
S5、根据物体的轮廓图像获取物体的轮廓对应的各像素点的坐标值;
S6、根据物体的轮廓对应的各像素点的坐标值,计算物体在物体图像中的长度、宽度。
5.根据权利要求4所述的一种基于深度学习的水下移动物体测量装置的测量方法,其特征在于:步骤S3中所述的根据物体图像获得物体图像的二值化图像的方法为利用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。
6.根据权利要求4所述的一种基于深度学习的水下移动物体测量装置的测量方法,其特征在于:步骤S6中所述的根据物体的轮廓对应的各像素点的坐标值,计算物体在物体图像中的长度的方法为: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),利用下述公式:y3=(y1+y2)/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,线长即为物体在图像中的长度。
7.根据权利要求4所述的一种基于深度学习的水下移动物体测量装置的测量方法,其特征在于:步骤S6中所述的根据物体的轮廓对应的各像素点的坐标值,计算物体在物体图像中的宽度的方法为: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),利用下述公式:|dis|=(y2-y1),算出两个像素点之间的最大距离|dis|,即为物体在图像中的宽度。
8.根据权利要求3所述的一种基于深度学习的水下移动物体测量装置的测量方法,其特征在于:根据水下防水摄像头采集的图像计算图像中物体的长度、宽度和高度的方法为:
计算物体长度的方法:L=p1d1/a;
计算物体宽度的方法:W=p2d1/a;
计算物体高度的方法:H=p3d2/b;
其中L为物体体长,W为物体体宽,H为物体体高,p1为物体在水下防水摄像头采集的图像中的长度,p2为物体在水下防水摄像头采集的图像中的宽度,p3为物体在水下防水摄像头采集的图像中的高度,a、b为预设距离,d1为物体距离第一防水摄像头的距离,d2为物体距离第二防水摄像头的距离。
9.根据权利要求1所述的一种基于深度学习的水下移动物体测量装置,其特征在于:所述数据处理单元(1)包括带有128个GPU计算单元的Jetson Nano边缘计算设备。
10.根据权利要求1所述的一种基于深度学习的水下移动物体测量装置,其特征在于:所述水下防水摄像头的镜头为CCD镜头。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010899253.2A CN112113506A (zh) | 2020-08-31 | 2020-08-31 | 一种基于深度学习的水下移动物体测量装置及测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010899253.2A CN112113506A (zh) | 2020-08-31 | 2020-08-31 | 一种基于深度学习的水下移动物体测量装置及测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112113506A true CN112113506A (zh) | 2020-12-22 |
Family
ID=73805643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010899253.2A Withdrawn CN112113506A (zh) | 2020-08-31 | 2020-08-31 | 一种基于深度学习的水下移动物体测量装置及测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112113506A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114039998A (zh) * | 2021-11-04 | 2022-02-11 | 唐山瞳行科技有限公司 | 一种智慧渔业具有虾病监控功能系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776438A (zh) * | 2010-01-26 | 2010-07-14 | 武汉理工大学 | 道路标线测量装置及其测量方法 |
CN101957178A (zh) * | 2009-07-17 | 2011-01-26 | 上海同岩土木工程科技有限公司 | 一种隧道衬砌裂缝测量方法及其测量装置 |
CN103336282A (zh) * | 2013-06-17 | 2013-10-02 | 上海海事大学 | 一种自动船舱定位装置及其定位方法 |
CN104808210A (zh) * | 2015-04-16 | 2015-07-29 | 深圳大学 | 一种声纳和双目视觉成像系统的融合成像装置及方法 |
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 |
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 |
CN111678441A (zh) * | 2020-07-30 | 2020-09-18 | 厦门理工学院 | 一种基于深度学习的水下鱼类形体测量装置及方法 |
-
2020
- 2020-08-31 CN CN202010899253.2A patent/CN112113506A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957178A (zh) * | 2009-07-17 | 2011-01-26 | 上海同岩土木工程科技有限公司 | 一种隧道衬砌裂缝测量方法及其测量装置 |
CN101776438A (zh) * | 2010-01-26 | 2010-07-14 | 武汉理工大学 | 道路标线测量装置及其测量方法 |
CN103336282A (zh) * | 2013-06-17 | 2013-10-02 | 上海海事大学 | 一种自动船舱定位装置及其定位方法 |
CN104808210A (zh) * | 2015-04-16 | 2015-07-29 | 深圳大学 | 一种声纳和双目视觉成像系统的融合成像装置及方法 |
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 |
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 |
CN111678441A (zh) * | 2020-07-30 | 2020-09-18 | 厦门理工学院 | 一种基于深度学习的水下鱼类形体测量装置及方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114039998A (zh) * | 2021-11-04 | 2022-02-11 | 唐山瞳行科技有限公司 | 一种智慧渔业具有虾病监控功能系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104482860B (zh) | 鱼类形态参数自动测量装置和方法 | |
US20210289759A1 (en) | Estimating fish size, population density, species distribution and biomass | |
CN110084241B (zh) | 一种基于图像识别的电表自动读数方法 | |
CN109460740A (zh) | 基于ais与视频数据融合的船舶身份识别方法 | |
CN109816680B (zh) | 一种农作物株高的高通量计算方法 | |
CN101512551A (zh) | 用于测量动物身高的方法和系统 | |
CN107358627B (zh) | 基于Kinect相机的果实尺寸检测方法 | |
CN112362900A (zh) | 一种无人值守的水位流速监测摄像机及监测方法 | |
WO2022206161A1 (zh) | 一种基于特征点识别的块体运动实时检测方法 | |
CN111012353A (zh) | 一种基于人脸关键点识别的身高检测方法 | |
CN112102395B (zh) | 一种基于机器视觉的自主巡检的方法 | |
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 | |
US10375383B2 (en) | Method and apparatus for adjusting installation flatness of lens in real time | |
CN111553881A (zh) | 基于三维点云识别的检测铁塔形变的方法和系统 | |
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 | |
JP2020030750A (ja) | 影検出装置、影検出方法、影検出プログラム、学習装置、学習方法、及び学習プログラム | |
CN208187400U (zh) | 一种基于机器视觉的鱼类体长测量装置 | |
CN111678441B (zh) | 一种基于深度学习的水下鱼类形体测量装置及方法 | |
CN113518182A (zh) | 一种基于树莓派的黄瓜表型特征测量方法 | |
JP5652883B2 (ja) | 被写体の形態観察に用いる等高線画像生成方法,及びこれを用いる側弯症スクリーニングシステム | |
CN104112271A (zh) | 移动终端外壳侧面缺陷检测方法和系统 | |
CN110264511B (zh) | 一种参数测量的方法及其系统 | |
Du et al. | Computation method of phenotypic parameters based on distribution map of kernels for corn ears | |
CN111583174B (zh) | 基于点云数据的铁塔形变检测检测的方法和系统 | |
CN114119662A (zh) | 鱼类检测视觉系统中的图像处理方法及其系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201222 |