CN112232977A - 水产品养殖评估方法、终端设备及存储介质 - Google Patents
水产品养殖评估方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112232977A CN112232977A CN202011128057.1A CN202011128057A CN112232977A CN 112232977 A CN112232977 A CN 112232977A CN 202011128057 A CN202011128057 A CN 202011128057A CN 112232977 A CN112232977 A CN 112232977A
- Authority
- CN
- China
- Prior art keywords
- aquatic product
- target image
- aquatic
- liver
- percentage
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 230000036541 health Effects 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 42
- 210000004185 liver Anatomy 0.000 claims description 56
- 210000001035 gastrointestinal tract Anatomy 0.000 claims description 37
- 238000010801 machine learning Methods 0.000 claims description 24
- 210000000936 intestine Anatomy 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 20
- 210000001630 jejunum Anatomy 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 13
- 230000008961 swelling Effects 0.000 claims description 12
- 238000009360 aquaculture Methods 0.000 claims description 9
- 244000144974 aquaculture Species 0.000 claims description 9
- 230000000968 intestinal effect Effects 0.000 claims description 8
- 238000011077 uniformity evaluation Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 5
- 238000009313 farming Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000009395 breeding Methods 0.000 abstract description 2
- 230000001488 breeding effect Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 51
- 241000238557 Decapoda Species 0.000 description 43
- 241000251468 Actinopterygii Species 0.000 description 34
- 230000008569 process Effects 0.000 description 19
- 239000000463 material Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003902 lesion Effects 0.000 description 4
- 231100000915 pathological change Toxicity 0.000 description 4
- 230000036285 pathological change Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 241000590002 Helicobacter pylori Species 0.000 description 1
- 208000036142 Viral infection Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 229940037467 helicobacter pylori Drugs 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于人工智能技术领域，提供了一种水产品养殖评估方法、终端设备及存储介质，其中，上述方法包括：获取水产品在当前时间段的第一目标图像和水产品在前一时间段的第二目标图像；第一目标图像和第二目标图像中的水产品均处于稳定状态；根据第一目标图像对水产品的均匀度和健康情况进行评估；根据第一目标图像和第二目标图像对水产品的生长速度进行评估。本申请实施例提供的水产品养殖评估方法、终端设备及存储介质，能够规避人工操作，解决了传统的水产品养殖评估完全依靠人工操作的问题，有利于提高水产品养殖评估的抽样频率，改善传统人工统计信息连续性差的情况，排除了人为观测存在的主观因素干扰。
Description
技术领域
本申请属于人工智能技术领域，尤其涉及一种水产品养殖评估方法、终端设备及存储介质。
背景技术
水产养殖中的水产品，例如鱼、虾等生活于水中，对其形体、形态、习性的人为观测难度较大，在实际生产过程中对其生长速度、健康状况、摄食情况、行为习性的观测和分析难以准确进行，或只能通过阶段性的抽样测量和观测对其生物学和行为学特征进行定性描述。在实际生产过程中，技术人员对鱼、虾的观测以抽样调查为主。例如，在鱼类养殖过程中，将养殖池中的鱼捞出一定数量，对其进行体长、体重等形体指标测量，对其体表进行观测，判断其健康情况，进行数据记录。目前依靠人工操作的水产品观测和评估技术存在以下缺点：
1.操作繁琐，工作效率低下；
2.抽样数量有限，准确率较低；
3.观测频率低，信息连续性差；
4.人为观测存在主观因素干扰，以定性描述为主，难以实现定量分析和统计。
发明内容
有鉴于此，本申请实施例提供了一种水产品养殖评估方法、终端设备及存储介质，以解决目前完全依靠人工操作进行水产品养殖评估的问题。
根据第一方面，本申请实施例提供了一种水产品养殖评估方法，包括：获取水产品在当前时间段的第一目标图像和所述水产品在前一时间段的第二目标图像；所述第一目标图像和第二目标图像中的水产品均处于稳定状态；根据所述第一目标图像对所述水产品的均匀度和健康情况进行评估；根据所述第一目标图像和第二目标图像对所述水产品的生长速度进行评估。
结合第一方面，在本申请的一些实施例中，所述根据所述第一目标图像对所述水产品的均匀度和健康情况进行评估的步骤，包括：根据预设的机器学习模型，识别所述第一目标图像中的肝脏和/或肠道；根据识别到的肝脏和/或肠道，对所述水产品进行健康检测。
结合第一方面，在本申请的一些实施例中，所述根据识别到的肝脏和/或肠道，对所述水产品进行健康检测的步骤，包括：分别计算所述肝脏中出现红肿和颜色斑驳的百分比，以及所述肠道中出现断肠和空肠的百分比；根据所述肝脏中出现红肿的百分比、所述肝脏中出现颜色斑驳的百分比、所述肠道中出现断肠的百分比，和/或所述肠道中出现空肠的百分比，确定所述水产品健康或不健康。
结合第一方面，在本申请的一些实施例中，所述根据识别到的肝脏和/或肠道，对所述水产品进行健康检测的步骤，还包括：当确定所述水产品不健康时，根据所述肝脏中出现红肿的百分比、所述肝脏中出现颜色斑驳的百分比、所述肠道中出现断肠的百分比，和/或所述肠道中出现空肠的百分比，输出所述水产品的健康评估信息；所述健康评估信息包括所述水产品的疾病种类及对应的发病概率。
结合第一方面，在本申请的一些实施例中，所述根据所述第一目标图像对所述水产品的均匀度和健康情况进行评估的步骤，还包括：根据所述机器学习模型或另一预设的机器学习模型，识别所述第一目标图像中的水产品个体；分别测量识别到的各个水产品个体的体长；根据所述各个水产品个体的体长，计算所述水产品的群体体长极差和群体体长方差；根据所述群体体长极差和群体体长方差，输出所述水产品的均匀度评估信息。
结合第一方面，在本申请的一些实施例中，所述根据所述第一目标图像和第二目标图像对所述水产品的生长速度进行评估的步骤，包括：根据所述机器学习模型或预设的另一机器学习模型，分别识别所述第一目标图像和第二目标图像中的水产品个体；分别测量所述第一目标图像中识别到的各个水产品个体的体长，并筛选所述第一目标图像中的第一最大体长和第一最小体长；分别测量所述第二目标图像中识别到的各个水产品个体的体长，并筛选所述第二目标图像中的第二最大体长和第二最小体长；根据所述第一最大体长和第二最大体长之间的差值，以及所述第一最小体长和第二最小体长之间的差值，输出所述水产品的生长速度评估信息。
结合第一方面，在本申请的一些实施例中，所述水产品养殖评估方法还包括：根据所述水产品的均匀度评估结果、所述水产品的健康情况评估结果和所述水产品的生长速度结果，对所述水产品进行养殖情况综合评估。
根据第二方面，本申请实施例提供了一种终端设备，包括：输入单元，用于获取水产品在当前时间段的第一目标图像和所述水产品在前一时间段的第二目标图像；所述第一目标图像和第二目标图像中的水产品均处于稳定状态；评估单元，用于根据所述第一目标图像对所述水产品的均匀度和健康情况进行评估，以及根据所述第一目标图像和第二目标图像对所述水产品的生长速度进行评估。
根据第三方面，本申请实施例提供了另一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面或第一方面任一实施方式所述方法的步骤。
根据第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面任一实施方式所述方法的步骤。
本申请实施例提供的水产品养殖评估方法、终端设备及存储介质，通过机器视觉采集目标图像，进而利用机器学习模型对水产品进行健康检测情况、群体生长速度以及群体均匀度的评估，实现自动化的水产品养殖检测和监控，能够全天候自动采集图像和自动检测水产品的养殖情况。本申请实施例提供的水产品养殖评估方法、终端设备及存储介质，能够规避人工操作，解决了传统的水产品养殖监控完全依靠人工操作的问题，有利于提高水产品养殖监控的抽样频率，改善传统人工统计信息连续性差的情况，排除了人为观测存在的主观因素干扰。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的水产品养殖评估方法的一个具体示例的流程图；
图2是本申请实施例提供的水产品养殖评估方法的另一个具体示例的流程图；
图3是本申请实施例提供的终端设备的结构示意图；
图4是本申请实施例提供的另一终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
本申请实施例提供了一种水产品养殖评估方法，如图1所示，该方法可以包括以下步骤：
步骤S101：获取水产品在当前时间段的第一目标图像和水产品在前一时间段的第二目标图像。
鱼虾等水产品在刚离开水面的一小段时间内，往往会激烈弹跳。如果对鱼虾恰好处于弹跳时的图像进行后续的机器视觉分析，由于图像清晰度等问题，分析效果一般并不理想。为了提高后续步骤对鱼虾等水产品的个体识别、肝脏识别和肠道识别的准确度，需要采集水产品处于稳定状态下的目标图像。
水下摄像技术可以用于采集鱼虾等水产品的稳定图像，但是水下摄像设备的使用成本和维护成本较高，且适用场景局限，必须在清澈明亮的水域环境采集图片，而满足如此条件的生产场景甚少。例如，对虾养殖的水环境就较为浑浊；高密度工厂化鱼类养殖时，水环境也较为浑浊，此时水下摄像机便难以实现其功能。
在鱼虾等水产品在水中缓慢上升的过程中，一旦完全离开水面，才会刺激鱼虾弹跳。如果载有鱼虾等水产品的料台上升缓慢，并在水面处停止，即水面半没过或刚刚没过鱼虾的身体，此时鱼虾不会应激弹跳，且处在一种安静的匍匐状态，而非侧躺状态，形态稳定，更易于进行后一步的图像处理、测量工作。
为了采集水产品处于稳定状态下的目标图像，在一具体实施方式中，可以获取水产品从离开水面开始到在水面上悬停一段时间的视频，进而在该视频中截取符合要求的目标图像。具体的，可以在视频中首先确定并采集水产品上升至水面时对应的第一图像帧；然后，以该第一图像帧在视频中的时间为起点，根据预设的时间间隔在视频中截取第二图像帧，第二图像帧即目标图像。
在装有鱼虾等水产品的料台从水中上升到水面的过程中，当料台浸没在水中时，无法准确观察，观察的实际阶段应该是从料台露出水面开始，到离开水面并完成悬停，在料台开始下降时结束。这个过程中，在料台刚刚离开水面开始到悬停过程中的某一时间点，鱼虾会剧烈跳动，此时的视频过程，可用于机器视觉观察(可截取的高质量画面或可用帧)部分较少，增加了数据存储和传输的成本。在实际应用中，可以在前端就完成数据清洗，比如不对料台的上升过程进行视频录制，而是仅仅录制料台悬停的视频。
鱼虾本身的跳跃力度、持续时间及弹跳高度等动态指标很直观的反映了其健康程度和活跃度，这部分的视频可用于进行健康度和活跃度的评判，但就截取高质量稳定画面进行机器视觉识别而言并不适合。料台上升过程可以用来进行水产品活跃度和健康程度的判断。
在料台达到悬停高度后，或达到悬停高度5秒后的视频可以用于目标图像截取，进行个体识别、计数、肝脏和肠道等后续工作。在料台达到悬停高度后进行短暂的停留，目的在于等待鱼虾停止弹跳，处于相对稳定的姿态。
鱼虾等水产品在尚未离开水面但即将离开水面时，均处于安静的匍匐状态。因此，可以获取水产品从水中逐渐上升至水面的视频，并以水产品上升至水面时对应的第一图像帧在视频中的时间为起点，根据预设的时间间隔向前在视频中截取目标图像，该目标图像即水产品尚未离开水面但即将离开水面的图像。可以根据载有鱼虾等水产品的料台的上升速度，确定预设的时间间隔。对于水产品尚未离开水面但即将离开水面的图像，其中的水体高度较低，即使水体本身较为浑浊，但由于浑浊的水很浅，并不会对图像的清晰度产生较大的影响，一般并不会影响后续图像分析的过程和结果。
根据鱼虾等水产品的习性，鱼虾离水开水面后会激烈弹跳，一般持续时间较短，不超过10秒便会静止，这也是采集目标图像的好时机。在实际应用中，可以在视频中首先确定并采集水产品上升至水面时对应的第一图像帧；然后，以该第一图像帧在视频中的时间为起点，根据预设的时间间隔向后在视频中截取第二图像帧，该第二图像帧即鱼虾离开水面一段时间后处于稳定状态的目标图像。该第二图像帧中并没有水体，图像的清晰度较佳，不会受水体浑浊的任何影响。可以根据鱼虾离水开水面后持续弹跳的时间，确定预设的时间间隔，例如将预设的时间间隔设置为10秒钟。
通过拍摄视频并截取目标图像的方法有其优点。视频拍摄时间较长，其中必然可以截取到大量有效帧(画面)进行样本采集，用于机器学习或训练，初期需要大量有效样本训练机器视觉的识别和测量等工作，故采用视频拍摄。同时，视频拍摄的是动态画面，鱼虾的弹跳持续时间和弹跳强度(高低及力度)也直观反应了其健康状态(活跃度)，也是一种健康度评判指标，但需要人为量化评判标准。
视频拍摄也存在缺点，数据量大引起的传输、存储及数据清洗压力较大。为了规避视频数据量过大的问题，在实际应用中，可以省去拍摄视频的过程，而直接采集符合要求的目标图像。
在一具体实施方式中，可以检测处于水中的水产品在上升的过程中，水产品到水面的距离。当水产品到水面的距离处于预设的距离范围内时，采集水产品的目标图像。通过水产品到水面的距离，以及预设的距离范围，能够准确捕捉鱼虾等水产品尚未离开水面但即将离开水面的图像。
在另一具体实施方式中，可以在水产品从水中逐渐上升至水面并离开水面的过程中，获取水产品离开水面的持续时间。当水产品离开水面的持续时间达到预设的时间阈值时，采集水产品的目标图像。通过水产品离开水面的持续时间，以及预设的时间阈值，能够准确捕捉鱼虾等水产品离开水面一段时间后处于稳定状态的目标图像。
通过上述几个采集目标图像的方法，可以获得当前时间段(当前时间段指最近几天或当前时刻)对应的第一目标图像，以及前一时间段(前一时间段指相较于当前时间段更为靠前的几天)对应的第二目标图像。
步骤S102：根据第一目标图像对水产品的均匀度和健康情况进行评估。第一目标图像是水产品在当前时间段对应的目标图像，可以用于反应水产品当前的群体健康情况以及群体均匀度。
针对水产品的健康检测和评估，可以首先利用预设的机器学习模型，识别第一目标图像中的肝脏和/或肠道；再根据识别到的肝脏和/或肠道，对水产品进行健康检测。
神经网络和深度学习等机器学习模型，已经广泛应用于人工智能的各个领域，其最常见的应用场景即分类。水产品肝脏和肠道识别的本质也是分类问题。采用现有的机器学习模型并加以训练，能够实现对水产品肝脏和肠道的有效识别。
为了实现更优的图像识别效果，还可以在进行识别之前增设针对第一目标图像的预处理步骤。具体的，可以采用边缘锐化等图像处理技术对第一目标图像进行预处理，从而使第一目标图像中的水产品中肝脏和肠道的边缘更为突出，为下一步机器学习模型的识别做好准备。
除了对第一目标图像进行预处理，预处理还包括对视频的预处理。水产品健康判断需要针对“动态”进行预处理，即对视频进行剪裁，只保留一段“动态”画面即可。
机器学习模型需要通过大量的样本进行训练，直至其输出的识别正确率达到预设的阈值，为此，还可以增设针对机器学习模型的训练步骤。经过训练并且识别的正确率达标的机器学习模型方可应用于生产实际。
在利用识别到的肝脏和/或肠道，对水产品进行健康检测时，可以通过肝脏中出现红肿和颜色斑驳的百分比，以及肠道中出现断肠和空肠的百分比，来判断水产品的健康状况。
虾类的肝脏颜色受饲料颜色影响较大，但病变会体现红肿、深浅斑驳、发黄或发白等特征显著的病态。可以在比对正常颜色的基础上对上述病变特征进行描述和统计。正常颜色的确定需要人为设定参考值，可以人为输入一张肝脏正常颜色的图像作为标准值进行比对参考。
肝脏的正常颜色为深棕色或黑色，在病变时肝脏颜色会出现红肿、颜色斑驳、黄色或白色等改变。红肿(包括浅、中、深等不同程度的肝脏红肿)，多对应消化问题，一般为各类疾病的病变初期颜色；病变严重后肝脏会变浅(例如肝脏变为黄色或白色)；在病变过渡期，肝脏会出现斑驳色，比如红中带白或者红中带黄，并逐渐转为全黄或全白。肝脏出现黄白色一般是器质性病变的指针。在本申请实施例中，将透明也定义为一种颜色，可定义为白色的更浅色。
水产品肠道粗细程度以及肠道连续程度也是反应其健康状态的可靠指针。其中，“连续程度”为主要评判指标，例如，正常情况下，健康的虾类呈现满肠，即一条连续的黑线；而断肠(不连续、间断的黑线)或空肠(肠道消失，无黑线)则往往是虾类患病的表现。健康状态下降，出现消化问题或者发生病毒、细菌感染的情况下，虾类会出现“断肠”及“空肠”的情况。对于肠道的粗细程度中，则是越粗越好，健康虾类的肠道一般是比较粗的。
作为例子，可以分别计算肝脏中出现红肿和颜色斑驳的百分比，以及肠道中出现断肠和空肠的百分比；再根据肝脏中出现红肿的百分比、肝脏中出现颜色斑驳的百分比、肠道中出现满肠的百分比、肠道中出现断肠的百分比，和/或肠道中出现空肠的百分比，确定水产品健康或不健康。可以为肝脏红肿、肝脏颜色斑驳、满肠、断肠和空肠分别设置对应的阈值，只有在肝脏中出现红肿的百分比、肝脏中出现颜色斑驳的百分比、肠道中出现断肠的百分比和肠道中出现空肠的百分比，均未达到对应的预设阈值时，方可确定水产品健康。上述任一百分比出现达到或超过其对应阈值的情况，均不能认定水产品处于健康状态。
在一具体实施方式中，可以将肝脏红肿的百分比阈值设定为10％，将肝脏颜色斑驳的百分比阈值设定为10％，将空肠率的百分比阈值设定为15％，将断肠率的百分比阈值设定为10％，并依照计算出的实际百分比，对水产品当前的健康状态进行判别。
此外，还可以将肠道粗细程度也引入水产品健康评判中。例如，针对肠道粗细程度人为设定1-8分的参考值，要求肠道粗细程度7分以上的在90％以上，肠道粗细程度5-7分的在5％以下，肠道粗细程度5分的在5％以下。
上述内容仅为针对水产品健康状态的定性识别和检测，在实际应用中，还可以在确定水产品不健康的前提下，进一步根据肝脏中出现红肿的百分比、肝脏中出现颜色斑驳的百分比、肠道中出现断肠的百分比，和/或肠道中出现空肠的百分比，对水产品当前可能患有的疾病及对应的发病概率进行预测，输出水产品的健康评估信息。
健康状态下的虾体色纯净、透明，无斑，无浑浊区域，其肝脏颜色呈黑色或者深棕色(根据饲料颜色不同，健康虾类的肝脏颜色会有略微变化，但多为深色)，肠道粗壮，连续、饱满。当出现细菌或病毒感染时，例如虾类被幽门螺杆菌感染后，在初期其胃部呈现轻微的淡红色，肝脏胰脏的颜色开始发生病变，肠道变的模糊；如任由感染恶化，虾类的肠道会逐渐出现断肠甚至空肠，肝脏的颜色进一步变浅变淡；在感染后期会出现严重病变，虾类处于濒死状态，其肝脏变白甚至透明，肠道完全消失。
上述利用机器学习模型和第一目标图像对水产品进行健康情况评估的方法，直接对肝脏和肠道进行特征学习和识别，偏向于各个特征的独立识别，比如单纯提取、标注整个料台上虾类的肝脏，弱化甚至不再赋予个体鱼虾的概念，取而代之的是各种独立的特征，这样能够使健康监测方法整体功能平行开发及优化。
除此之外，也可以利用第一目标图像先识别水产品个体，再进一步在各个个体上进行体长、肝脏和肠道特征的识别及提取。这种水产品健康评估方法侧重于在实现个体识别及个体标注定位的基础上，再进行肝脏等特征提取、标注和描述，整体功能可能是一步步迭代完成的。
在步骤S102中，还需要利用第一目标图像对水产品的群体均匀度进行评估。具体的，可以首先根据上述机器学习模型或另一预设的机器学习模型，识别第一目标图像中的水产品个体；其次，分别测量识别到的各个水产品个体的体长；再次，根据各个水产品个体的体长，计算水产品的群体体长极差和群体体长方差；最后，根据群体体长极差和群体体长方差，输出水产品的均匀度评估信息。作为例子，可以事先设定不同区间范围内，群体体长极差和群体体长方差所对应的均匀度分值，利用实际计算得到的数据对水产品的均匀度进行打分，分值即水产品的均匀度评估信息。
步骤S103：根据第一目标图像和第二目标图像对水产品的生长速度进行评估。
可以利用不同时间段采集的第一目标图像和第二目标图像，对水产品在一个固定时间周期内的生长速度进行评估。具体的评估指标可以是群体中最大体长和最小体长的变化量。
首先，可以根据机器学习模型，分别识别第一目标图像和第二目标图像中的水产品个体；其次，分别测量第一目标图像中识别到的各个水产品个体的体长，并筛选第一目标图像中的第一最大体长和第一最小体长；再次，分别测量第二目标图像中识别到的各个水产品个体的体长，并筛选第二目标图像中的第二最大体长和第二最小体长；最后，根据第一最大体长和第二最大体长之间的差值，以及第一最小体长和第二最小体长之间的差值，输出所述水产品的生长速度评估信息。
图1所示的水产品养殖评估方法，对水产品的群体均匀度、健康情况和生长速度分别进行了评估。在实际应用中，综合考虑上述三种评估结果或评估信息，可以进一步对水产品的养殖情况进行整体评估，方便用户整体把握养殖现状，对养殖中出现的各类问题及时采取有效应对措施，避免造成经济损失。
图2示出了另一种水产品养殖评估方法，在图1所示的水产品养殖评估方法的最后增加了以下步骤以综合运用步骤S101至步骤S103所得的各个分项评估结果：
步骤S104：根据水产品的均匀度评估结果、水产品的健康情况评估结果和水产品的生长速度结果，对水产品进行养殖情况综合评估。
作为例子，针对水产品的群体均匀度、健康情况和生长速度等方面的评估结果可以是具体的分值，在步骤S104中，可以进一步对这些分值进行加权运算，最终得到能够整体反应水产品养殖现状的养殖情况综合评估分值，指导用户科学开展下一阶段的生产经营活动。
本申请实施例提供的水产品养殖评估方法、终端设备及存储介质，通过机器视觉采集目标图像，进而利用机器学习模型对水产品进行健康检测情况、群体生长速度以及群体均匀度的评估，实现自动化的水产品养殖检测和监控，能够全天候自动采集图像和自动检测水产品的养殖情况。本申请实施例提供的水产品养殖评估方法、终端设备及存储介质，能够规避人工操作，解决了传统的水产品养殖监控完全依靠人工操作的问题，有利于提高水产品养殖监控的抽样频率，改善传统人工统计信息连续性差的情况，排除了人为观测存在的主观因素干扰。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本申请实施例还提供了一种终端设备，如图3所示，该终端设备可以包括输入单元301和评估单元302。
具体的，输入单元301用于获取水产品在当前时间段的第一目标图像和水产品在前一时间段的第二目标图像；第一目标图像和第二目标图像中的水产品均处于稳定状态；其对应的工作过程可参见上述方法实施例中步骤S101的描述。
评估单元302用于根据第一目标图像对水产品的均匀度和健康情况进行评估，以及根据第一目标图像和第二目标图像对水产品的生长速度进行评估；其对应的工作过程可参见上述方法实施例中步骤S102和步骤S103的描述。
在实际应用中，评估单元302还可以用于根据水产品的均匀度评估结果、水产品的健康情况评估结果和水产品的生长速度结果，对水产品进行养殖情况综合评估；其对应的工作过程可参见上述方法实施例中步骤S104的描述。
图4是本申请一实施例提供的另一终端设备的示意图。如图4所示，该实施例的终端设备400包括：处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403，例如水产品健康检测程序。所述处理器401执行所述计算机程序403时实现上述各个水产品养殖评估方法实施例中的步骤，例如图1所示的步骤S101至步骤S103。或者，所述处理器401执行所述计算机程序403时实现上述各装置实施例中各模块/单元的功能，例如图3所示输入单元301、个体识别单元302和数量统计单元303的功能。
所述计算机程序403可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器402中，并由所述处理器401执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序403在所述终端设备400中的执行过程。例如，所述计算机程序403可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块)。
所述终端设备400可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器401、存储器402。本领域技术人员可以理解，图4仅仅是终端设备400的示例，并不构成对终端设备400的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器402可以是所述终端设备400的内部存储单元，例如终端设备400的硬盘或内存。所述存储器402也可以是所述终端设备400的外部存储设备，例如所述终端设备400上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器402还可以既包括所述终端设备400的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种水产品养殖评估方法，其特征在于，包括：
获取水产品在当前时间段的第一目标图像和所述水产品在前一时间段的第二目标图像；所述第一目标图像和第二目标图像中的水产品均处于稳定状态；
根据所述第一目标图像对所述水产品的均匀度和健康情况进行评估；
根据所述第一目标图像和第二目标图像对所述水产品的生长速度进行评估。
2.如权利要求1所述的水产品养殖评估方法，其特征在于，所述根据所述第一目标图像对所述水产品的均匀度和健康情况进行评估的步骤，包括：
根据预设的机器学习模型，识别所述第一目标图像中的肝脏和/或肠道；
根据识别到的肝脏和/或肠道，对所述水产品进行健康检测。
3.如权利要求2所述的水产品养殖评估方法，其特征在于，所述根据识别到的肝脏和/或肠道，对所述水产品进行健康检测的步骤，包括：
分别计算所述肝脏中出现红肿和颜色斑驳的百分比，以及所述肠道中出现断肠和空肠的百分比；
根据所述肝脏中出现红肿的百分比、所述肝脏中出现颜色斑驳的百分比、所述肠道中出现断肠的百分比，和/或所述肠道中出现空肠的百分比，确定所述水产品健康或不健康。
4.如权利要求3所述的水产品养殖评估方法，其特征在于，所述根据识别到的肝脏和/或肠道，对所述水产品进行健康检测的步骤，还包括：
当确定所述水产品不健康时，根据所述肝脏中出现红肿的百分比、所述肝脏中出现颜色斑驳的百分比、所述肠道中出现断肠的百分比，和/或所述肠道中出现空肠的百分比，输出所述水产品的健康评估信息；所述健康评估信息包括所述水产品的疾病种类及对应的发病概率。
5.如权利要求1所述的水产品养殖评估方法，其特征在于，所述根据所述第一目标图像对所述水产品的均匀度和健康情况进行评估的步骤，还包括：
根据所述机器学习模型或另一预设的机器学习模型，识别所述第一目标图像中的水产品个体；
分别测量识别到的各个水产品个体的体长；
根据所述各个水产品个体的体长，计算所述水产品的群体体长极差和群体体长方差；
根据所述群体体长极差和群体体长方差，输出所述水产品的均匀度评估信息。
6.如权利要求1所述的水产品养殖评估方法，其特征在于，所述根据所述第一目标图像和第二目标图像对所述水产品的生长速度进行评估的步骤，包括：
根据所述机器学习模型或预设的另一机器学习模型，分别识别所述第一目标图像和第二目标图像中的水产品个体；
分别测量所述第一目标图像中识别到的各个水产品个体的体长，并筛选所述第一目标图像中的第一最大体长和第一最小体长；
分别测量所述第二目标图像中识别到的各个水产品个体的体长，并筛选所述第二目标图像中的第二最大体长和第二最小体长；
根据所述第一最大体长和第二最大体长之间的差值，以及所述第一最小体长和第二最小体长之间的差值，输出所述水产品的生长速度评估信息。
7.如权利要求1所述的水产品养殖评估方法，其特征在于，所述水产品养殖评估方法还包括：
根据所述水产品的均匀度评估结果、所述水产品的健康情况评估结果和所述水产品的生长速度结果，对所述水产品进行养殖情况综合评估。
8.一种终端设备，其特征在于，包括：
输入单元，用于获取水产品在当前时间段的第一目标图像和所述水产品在前一时间段的第二目标图像；所述第一目标图像和第二目标图像中的水产品均处于稳定状态；
评估单元，用于根据所述第一目标图像对所述水产品的均匀度和健康情况进行评估，以及根据所述第一目标图像和第二目标图像对所述水产品的生长速度进行评估。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011128057.1A CN112232977A (zh) | 2020-10-20 | 2020-10-20 | 水产品养殖评估方法、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011128057.1A CN112232977A (zh) | 2020-10-20 | 2020-10-20 | 水产品养殖评估方法、终端设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112232977A true CN112232977A (zh) | 2021-01-15 |
Family
ID=74118766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011128057.1A Pending CN112232977A (zh) | 2020-10-20 | 2020-10-20 | 水产品养殖评估方法、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112232977A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884763A (zh) * | 2021-03-19 | 2021-06-01 | 东营市阔海水产科技有限公司 | 对虾头部异色检测方法、终端设备及可读存储介质 |
| CN112906570A (zh) * | 2021-02-20 | 2021-06-04 | 东营市阔海水产科技有限公司 | 水产养殖投喂方法、终端设备及可读存储介质 |
| CN112967349A (zh) * | 2021-04-02 | 2021-06-15 | 青岛丰禾星普科技有限公司 | 基于泡沫的水产养殖监控预警方法、终端设备及可读存储介质 |
| CN112967306A (zh) * | 2021-04-02 | 2021-06-15 | 青岛丰禾星普科技有限公司 | 对虾养殖中收获时机的评估方法、终端设备及可读存储介质 |
| CN113052114A (zh) * | 2021-04-02 | 2021-06-29 | 东营市阔海水产科技有限公司 | 死虾识别方法、终端设备及可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107179732A (zh) * | 2017-06-10 | 2017-09-19 | 复旦大学 | 一种基于物联网的水产养殖智能综合监测系统 |
| CN107950427A (zh) * | 2017-10-26 | 2018-04-24 | 宁波大学 | 用于检测水产养殖动物生命体征参数的检测装置及方法 |
| CN109591982A (zh) * | 2018-12-29 | 2019-04-09 | 浙江大学 | 一种无人监控水下养殖机器人 |
| CN111768402A (zh) * | 2020-07-08 | 2020-10-13 | 中国农业大学 | 一种基于mu-svm的冰鲜鲳鱼新鲜度评估方法 |
-
2020
- 2020-10-20 CN CN202011128057.1A patent/CN112232977A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107179732A (zh) * | 2017-06-10 | 2017-09-19 | 复旦大学 | 一种基于物联网的水产养殖智能综合监测系统 |
| CN107950427A (zh) * | 2017-10-26 | 2018-04-24 | 宁波大学 | 用于检测水产养殖动物生命体征参数的检测装置及方法 |
| CN109591982A (zh) * | 2018-12-29 | 2019-04-09 | 浙江大学 | 一种无人监控水下养殖机器人 |
| CN111768402A (zh) * | 2020-07-08 | 2020-10-13 | 中国农业大学 | 一种基于mu-svm的冰鲜鲳鱼新鲜度评估方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906570A (zh) * | 2021-02-20 | 2021-06-04 | 东营市阔海水产科技有限公司 | 水产养殖投喂方法、终端设备及可读存储介质 |
| CN112884763A (zh) * | 2021-03-19 | 2021-06-01 | 东营市阔海水产科技有限公司 | 对虾头部异色检测方法、终端设备及可读存储介质 |
| CN112967349A (zh) * | 2021-04-02 | 2021-06-15 | 青岛丰禾星普科技有限公司 | 基于泡沫的水产养殖监控预警方法、终端设备及可读存储介质 |
| CN112967306A (zh) * | 2021-04-02 | 2021-06-15 | 青岛丰禾星普科技有限公司 | 对虾养殖中收获时机的评估方法、终端设备及可读存储介质 |
| CN113052114A (zh) * | 2021-04-02 | 2021-06-29 | 东营市阔海水产科技有限公司 | 死虾识别方法、终端设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112232977A (zh) | 水产品养殖评估方法、终端设备及存储介质 | |
| CN112184699A (zh) | 水产品健康检测方法、终端设备及存储介质 | |
| CN112232978B (zh) | 水产品体长和重量检测方法、终端设备及存储介质 | |
| CN112257564B (zh) | 水产品数量统计方法、终端设备及存储介质 | |
| CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
| Zhou et al. | Near-infrared imaging to quantify the feeding behavior of fish in aquaculture | |
| CN111406693A (zh) | 基于仿生海鳗的海洋牧场渔业资源养护效果评价方法 | |
| Navotas et al. | Fish identification and freshness classification through image processing using artificial neural network | |
| CN110532899B (zh) | 基于热成像的母猪产前行为分类方法及系统 | |
| CN112016527A (zh) | 基于深度学习的大熊猫行为识别方法、系统、终端及介质 | |
| CN115861721B (zh) | 基于图像数据的畜禽养殖喷雾设备状态识别方法 | |
| CN114341951A (zh) | 通过非侵入性手段诊断甲壳类动物的疾病、生理变化或其他内部状况的方法和系统 | |
| CN109086696B (zh) | 一种异常行为检测方法、装置、电子设备及存储介质 | |
| CN115512215A (zh) | 水下生物监测方法、装置及存储介质 | |
| CN110956198B (zh) | 一种单目摄像机视觉测重方法 | |
| 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 | |
| CN112461342B (zh) | 水产品称重方法、终端设备及存储介质 | |
| CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
| Muñoz-Benavent et al. | Impact evaluation of deep learning on image segmentation for automatic bluefin tuna sizing | |
| CN109118540B (zh) | 基于脊线提取的鲟鱼快速统计方法 | |
| CN116152718A (zh) | 一种对虾养殖智能化观测装置及观测方法 | |
| CN113052114A (zh) | 死虾识别方法、终端设备及可读存储介质 | |
| CN112215107A (zh) | 一种猪的行为识别方法及装置、电子设备和存储介质 | |
| CN113989538A (zh) | 基于深度图像的鸡群均匀度估测方法、装置、系统及介质 | |
| Han et al. | Mask_LaC R-CNN for measuring morphological features of fish |
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 |
Application publication date: 20210115 |
|
| RJ01 | Rejection of invention patent application after publication |