CN112767382A - 一种基于深度学习的鱼苗计数方法 - Google Patents
一种基于深度学习的鱼苗计数方法 Download PDFInfo
- Publication number
- CN112767382A CN112767382A CN202110124718.1A CN202110124718A CN112767382A CN 112767382 A CN112767382 A CN 112767382A CN 202110124718 A CN202110124718 A CN 202110124718A CN 112767382 A CN112767382 A CN 112767382A
- Authority
- CN
- China
- Prior art keywords
- fry
- images
- deep learning
- method based
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
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
- 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
- G06T2207/20081—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
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的鱼苗计数方法,属于统计方法技术领域。本发明的方法为:采集鱼苗图像,并对鱼苗图像进行标记得到标记图像;然后对标记图像进行缩放处理,使得所有的标记图像尺寸相同,再根据标记图像制作训练数据集;而后利用训练数据集对YOLOv3神经网络模型进行迭代训练得到优化模型;之后利用优化模型对重新采集的鱼苗图像进行识别并统计鱼苗的数量。本发明克服了现有技术中,鱼苗数量统计的效率和准确率较低的不足,提供了一种基于深度学习的鱼苗计数方法,通过优化模型统计鱼苗数量,从而提高了鱼苗数量的统计效率,并且提高了鱼苗数量统计的准确率。
Description
技术领域
本发明属于统计方法技术领域,更具体地说,涉及一种基于深度学习的鱼苗计数方法。
背景技术
鱼肉富含蛋白质,口感细腻,是中国人餐桌上一道必不可少的美味佳肴。在中国,市场对鱼的需求很大,规模化养殖是解决市场需求的必然选择。因此在中国形成了一条鱼类养殖到销售的产业链。获得鱼苗是这条产业链的开端,也是关键。传统鱼苗销售是基于人工统计或者经验称重。如今人工智能的兴起,智能化在越来越多领域得到应用,打破传统鱼苗计数方法是必然的趋势。
鱼苗孵化培育工厂培育鱼苗一周或者两周就要出售鱼苗。往往鱼苗个体非常小,长度大约在2-3cm左右。鱼苗往往是按照每条的价格进行出售。传统出售鱼苗的时候需要工人进行逐条清点,或者是按照重量大致估计出鱼苗的数量。前者加大了工厂的工作量,而且往往销售鱼苗较多的时候,需要人工清点很久,清点过程中会造成鱼苗的损耗,同时也加大了人工成本。另一种方法是通过称重估数,这种方法往往会造成数量不准,甚至会造成很大的误差,这样将造成工厂和客户之间有一方损失。
如今也出现一些利用深度学习的鱼苗计数的方法,例如发明创造名称为:一种基于机器视觉和深度学习的鱼苗便携式计数器(申请日:2018年10月15日;申请号:201811197077.7),该方案公开了一种基于机器视觉和深度学习的鱼苗便携式计数器,包括控制箱和鱼苗计数箱;控制箱位于鱼苗计数箱上,控制箱内设有控制板、显示操作屏,控制箱底面装有夜视鱼眼广角摄像头、红外补光灯,鱼苗计数箱内设有鱼苗计数盘和排水垫座,鱼苗计数盘设于排水垫座上,鱼苗计数盘侧面开有限位排水口,可使所测种类鱼苗无法上下迭置,排水垫座表面设有排水孔,排水垫座将鱼苗计数盘抬高以防水回流至鱼苗计数盘内。在获得鱼苗图像流后对鱼苗图像进行超分辨率重建,再利用深度卷积生成式对抗网络进行快速粗分割,最后进行精准语义分割,提取鱼苗轮廓,统计数量。本发明的计数器操作简便,能够实现鱼苗的快速无损精准计数,误差范围可控制在5%。但是该方案的不足之处在于:方法复杂不易操作,并且通过神经网络对鱼苗个体进行分割的过程中鱼苗个体粘连识别会带来影响,当密度很大时识别会造成分割轮廓模糊问题。神经网络每次分割时需要花费大量的时间。
综上所述,如何提高鱼苗数量统计的准确率以及效率,是现有技术亟需解决的问题。
发明内容
1.要解决的问题
本发明克服了现有技术中,鱼苗数量统计的效率和准确率较低的不足,提供了一种基于深度学习的鱼苗计数方法,通过优化模型统计鱼苗数量,从而提高了鱼苗数量的统计效率,并且提高了鱼苗数量统计的准确率。
2.技术方案
为了解决上述问题,本发明所采用的技术方案如下:
本发明的一种基于深度学习的鱼苗计数方法,包括采集鱼苗图像,并对鱼苗图像进行标记得到标记图像;然后根据标记图像制作训练数据集,再利用训练数据集对YOLOv3神经网络模型进行迭代训练得到优化模型;之后利用优化模型对重新采集的鱼苗图像进行识别并统计鱼苗的数量。
作为本发明进一步地改进,采集鱼苗图像的具体过程为:S100、将L条鱼苗放置于收纳筐内;S200、对收纳筐内的鱼苗进行视频录制,再对录制的视频进行抽帧得到若干张鱼苗图像;S300、另取L条鱼苗替换收纳筐内的鱼苗,重复步骤S200;重复K次步骤S300,将获得的所有的鱼苗图像作为采集的鱼苗图像,其中,K和L为正整数。
作为本发明进一步地改进,在制作训练数据集之前还包括:对标记图像进行缩放处理,使得所有的标记图像尺寸相同。
作为本发明进一步地改进,对YOLOv3神经网络模型进行迭代训练的具体过程为:将训练数据集传入至YOLOv3神经网络模型,根据训练数据集进行迭代训练得到优化模型和权重。
作为本发明进一步地改进,对重新采集的鱼苗图像进行识别统计的具体过程为:录制鱼苗视频,并从鱼苗视频中抽帧得到若干张鱼苗图像;再利用优化模型对若干张鱼苗图像分别进行识别检测并输出识别框信息,不同鱼苗图像对应不同的识别框信息,其中,一个识别框表示一条鱼苗;之后统计每张鱼苗图像的识别框数量,若某个识别框数量值重复次数大于等于n时,则将该识别框数量值作为鱼苗数量值,否则将识别框数量值中的最大值作为鱼苗数量值;其中,n为设定值,且n为正整数。
作为本发明进一步地改进,迭代次数为30次,且YOLOv3神经网络模型的loss值收敛到10。
作为本发明进一步地改进,通过蓝牙或者网络控制录制鱼苗视频。
作为本发明进一步地改进,对录制的视频进行抽帧的具体过程为:每隔m帧抽取一张帧图作为鱼苗图像,m为正整数。
作为本发明进一步地改进,利用OPENCV软件对鱼苗视频进行抽帧。
作为本发明进一步地改进,利用pycharm软件对鱼苗图像进行标注。
3.有益效果
相比于现有技术,本发明的有益效果为:
本发明的一种基于深度学习的鱼苗计数方法,通过优化YOLOv3神经网络模型实现对鱼苗数量的快速统计,不仅提高了鱼苗数量的统计效率,并且提高了鱼苗数量统计的准确率。进一步地,通过录制鱼苗视频即可实现鱼苗数量的统计,从而可以避免鱼苗数量统计时接触鱼苗导致的鱼苗损失的问题;此外,本发明的鱼苗计数方法操作简单,便于实现鱼苗数量的统计计算,进一步提高了鱼苗数量的统计效率。
附图说明
图1为本发明的方法流程示意图。
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;而且,各个实施例之间不是相对独立的,根据需要可以相互组合,从而达到更优的效果。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。
实施例1
结合图1所示,本发明的一种基于深度学习的鱼苗计数方法,通过训练YOLOv3神经网络模型得到优化模型,进而通过优化模型实现鱼苗计数,不仅提高了鱼苗数量统计的效率,并且大大提高了鱼苗数量统计的准确率。本发明的一种基于深度学习的鱼苗计数方法操作简便且易实现,具体步骤如下:
1)采集鱼苗图像
采集鱼苗图像,本发明采用手机或者摄像机采集鱼苗图像,具体过程如下:
步骤S100、将L条鱼苗放置于收纳筐内;其中,L为正整数,值得说明的是,鱼苗数量与收纳筐的底面积相关联,即收纳筐的底面积越大,放置的鱼苗数量范围越大,只需确保鱼苗之间互不重叠。本实施例中收纳筐的长*宽*高为31.5cm*24cm*9cm,L为8条。
S200、对收纳筐内的鱼苗进行视频录制,具体地,本实施例采用手机对收纳筐内的鱼苗进行视频录制,录制视频的像素为3000*4000。值得说明的是,收纳筐连接有俯拍支架,手机放置于俯拍支架上即可实现视频录制,本实施例中俯拍支架的高度为1.2m。此外,本实施例的俯拍支架连接有横杆,即可根据横杆调节手机伸出收纳筐的长度,本实施例的横杆长度为0.5m。值得进一步说明的是,本发明通过蓝牙或者网络控制录制鱼苗视频,即可实现远程控制手机录制视频或者拍摄图像,进一步通过俯拍支架可调整手机的高度,从而可以调节手机录制或者拍摄的画面,即可确保手机录制的画面包括整个收纳筐的底部。另外,本实施例中通过手机录制的鱼苗视频为5秒。
之后对录制的视频进行抽帧得到若干张鱼苗图像,具体地,每隔m帧抽取一张帧图作为鱼苗图像,m为正整数,本实施例中每隔3帧则保存一张鱼苗图像,一个鱼苗视频共抽取保存有45张图片。值得说明的是,本实施例利用OPENCV软件对鱼苗视频进行抽帧,图片保存格式为jpg格式。
S300、另取L条鱼苗替换收纳筐内的鱼苗,重复步骤S200,即重新45张获取鱼苗图像。
重复K次步骤S300,将获得的所有的鱼苗图像作为采集的鱼苗图像,即总共获取K+2批次鱼苗图像,K为正整数,本实施例中K为18,即本实施例共录制20次视频,而后抽帧共获得900张鱼苗图像,值得说明的是,不同的鱼苗图像中鱼苗姿态不同,即采集的鱼苗图像包括不同姿态的鱼苗,进一步可以提高目标识别网络的泛化能力。
2)标记鱼苗图像
对鱼苗图像进行标记得到标记图像,本实施例利用pycharm软件对鱼苗图像进行标注,具体地,利用pycharm软件中的labelimg程序包标记鱼苗头部,识别时可以根据鱼头识别鱼的种类。值得说明的是,由于识别时水池中鱼苗密度较大,鱼苗头部占比较小,且鱼苗彼此之间不会粘连,因此标记鱼苗头部可以提高识别效果。在标记时标签命名为该类鱼的名称,标记后的文件保存为xml格式,之后提取xml文件中对应图片中标记鱼头的位置,将图片地址信息和标记位置信息进行统一保存。
3)图像尺寸处理
对标记图像进行缩放处理,使得所有的标记图像尺寸相同。值得说明的是,因为后续的卷积过程中输出特征图一样,且卷积和上采样步骤相同,为了得到相同特征图需要将训练的图像缩放到统一尺寸。本实施例中标记图像经过卷积后输出的特征图尺寸分别为13*13、26*26、52*52,且输出的三张特征图需要经过5次步长为2的降采样(25=32),最低层的特征图为13*13,因此训练的标记图像尺寸需要是32的倍数,本实施例中训练时标记图像的尺寸调整大小为416*416,其中,图像的尺寸单位为像素。此外值得说明的是,缩放处理后的标记图像和原始的标记图像分别保存,若缩放处理后的标记图像尺寸不符合要求,则对原始的标记图像重新进行缩放处理得到所需尺寸的标记图像。
4)制作训练数据集
根据标记图像制作训练数据集;具体地,将缩放处理后尺寸相同的标记图像统一作为训练数据集。
5)训练模型
利用训练数据集对YOLOv3神经网络模型进行迭代训练得到优化模型;具体地,将训练数据集传入至YOLOv3神经网络模型,YOLOv3神经网络模型根据训练数据集进行迭代训练得到优化模型和权重。值得详细说明的是,训练模型的具体过程为:将训练数据集分为训练集和验证集,并设定YOLOv3神经网络模型的训练参数,而后将训练集的标记图像传入至YOLOv3神经网络模型并对YOLOv3神经网络模型进行迭代训练,根据训练反馈即loss值,对YOLOv3神经网络模型的网络模型结构进行调整得到优化模型,然后通过优化模型进行训练并输出权重,之后利用验证集的标记图像对优化模型进行验证。本实施例中训练集的标记图像数量和验证集的标记图像数量之比为9:1,每次传入4张标记图像至YOLOv3神经网络模型,待训练集中所有标记图像训练完后,即表明完成一个批次训练,本实施例中共训练17个批次,即本实施例中迭代次数为17次。此外,本实施例的YOLOv3神经网络模型的loss值收敛到10。值得说明的是,通过对YOLOv3神经网络模型的优化即可提高对鱼苗的识别率,进而可以实现对鱼苗的识别统计。
6)鱼苗识别统计
利用优化模型对重新采集的鱼苗图像进行识别并统计鱼苗的数量,需要说明的是,重新采集的鱼苗图像为待统计数量的鱼苗图像。本发明对重新采集的鱼苗图像进行识别统计的具体过程为:先录制鱼苗视频,并从鱼苗视频中抽帧得到若干张鱼苗图像;本实施例录制的鱼苗视频为5秒,鱼苗数量为200条,抽帧得到8张鱼苗图像。然后将若干张鱼苗图像传入至优化模型进行卷积,具体过程为:利用优化模型对若干张鱼苗图像分别进行识别检测并输出识别框信息,具体地,优化模型包括卷积层、激活层、批归一化层和上采样层,优化模型加载权重至每一层对鱼苗图像进行计算识别输出识别框信息,不同鱼苗图像对应不同的识别框信息,其中,一个识别框表示一条鱼苗;本实施例中共输出8张鱼苗图像对应的识别框信息。
之后统计每张鱼苗图像的识别框数量,当某个识别框数量值重复次数大于等于n时,则将该识别框数量值作为鱼苗数量值,否则将识别框数量值中的最大值作为鱼苗数量值,其中,n为设定值,且n为正整数。本实施例中设定n为6,本实施例输出的8张鱼苗图像对应的识别框数量分别为200,198,195,200,200,200,200,200;“200”的重复次数为6次,即输出鱼苗数量值为200条,该统计值与实际值相同。值得说明的是,本发明的优化模型可以装载至服务器,从而可以在任意地方录制鱼苗视频发至服务器进行识别统计,进而提高了鱼苗数量统计的简便性。
本发明的一种基于深度学习的鱼苗计数方法,通过优化YOLOv3神经网络模型实现对鱼苗数量的快速统计,不仅提高了鱼苗数量的统计效率,并且提高了鱼苗数量统计的准确率。进一步地,通过录制鱼苗视频即可实现鱼苗数量的统计,从而可以避免鱼苗数量统计时接触鱼苗导致的鱼苗损失的问题;此外,本发明的鱼苗计数方法操作简单,便于实现鱼苗数量的统计计算,进一步提高了鱼苗数量的统计效率。
在上文中结合具体的示例性实施例详细描述了本发明。但是,应当理解,可在不脱离由所附权利要求限定的本发明的范围的情况下进行各种修改和变型。详细的描述和附图应仅被认为是说明性的,而不是限制性的,如果存在任何这样的修改和变型,那么它们都将落入在此描述的本发明的范围内。此外,背景技术旨在为了说明本技术的研发现状和意义,并不旨在限制本发明或本申请和本发明的应用领域。
Claims (10)
1.一种基于深度学习的鱼苗计数方法,其特征在于,包括
采集鱼苗图像,并对鱼苗图像进行标记得到标记图像;
根据标记图像制作训练数据集;
利用训练数据集对YOLOv3神经网络模型进行迭代训练得到优化模型;
利用优化模型对重新采集的鱼苗图像进行识别并统计鱼苗的数量。
2.根据权利要求1所述的一种基于深度学习的鱼苗计数方法,其特征在于,采集鱼苗图像的具体过程为:
S100、将L条鱼苗放置于收纳筐内;
S200、对收纳筐内的鱼苗进行视频录制,再对录制的视频进行抽帧得到若干张鱼苗图像;
S300、另取L条鱼苗替换收纳筐内的鱼苗,重复步骤S200;
重复K次步骤S300,将获得的所有的鱼苗图像作为采集的鱼苗图像,其中,K和L为正整数。
3.根据权利要求1所述的一种基于深度学习的鱼苗计数方法,其特征在于,在制作训练数据集之前还包括:对标记图像进行缩放处理,使得所有的标记图像尺寸相同。
4.根据权利要求1所述的一种基于深度学习的鱼苗计数方法,其特征在于,对YOLOv3神经网络模型进行迭代训练的具体过程为:将训练数据集传入至YOLOv3神经网络模型中,YOLOv3神经网络模型根据训练数据集进行迭代训练得到优化模型和权重。
5.根据权利要求1所述的一种基于深度学习的鱼苗计数方法,其特征在于,对重新采集的鱼苗图像进行识别统计的具体过程为:
录制鱼苗视频,并从鱼苗视频中抽帧得到若干张鱼苗图像;
利用优化模型对若干张鱼苗图像分别进行识别检测并输出识别框信息,不同鱼苗图像对应不同的识别框信息,其中,一个识别框表示一条鱼苗;
统计每张鱼苗图像的识别框数量,若某个识别框数量值重复次数大于等于n时,则将该识别框数量值作为鱼苗数量值,否则将识别框数量值中的最大值作为鱼苗数量值;其中,n为设定值,且n为正整数。
6.根据权利要求4所述的一种基于深度学习的鱼苗计数方法,其特征在于,迭代次数为30次,且YOLOv3神经网络模型的loss值收敛到10。
7.根据权利要求2或5所述的一种基于深度学习的鱼苗计数方法,其特征在于,通过蓝牙或者网络控制录制鱼苗视频。
8.根据权利要求2或5所述的一种基于深度学习的鱼苗计数方法,其特征在于,对录制的视频进行抽帧的具体过程为:每隔m帧抽取一张帧图作为鱼苗图像,m为正整数。
9.根据权利要求8所述的一种基于深度学习的鱼苗计数方法,其特征在于,利用OPENCV软件对鱼苗视频进行抽帧。
10.根据权利要求1~6任一项所述的一种基于深度学习的鱼苗计数方法,其特征在于,利用pycharm软件对鱼苗图像进行标注。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110124718.1A CN112767382A (zh) | 2021-01-29 | 2021-01-29 | 一种基于深度学习的鱼苗计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110124718.1A CN112767382A (zh) | 2021-01-29 | 2021-01-29 | 一种基于深度学习的鱼苗计数方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112767382A true CN112767382A (zh) | 2021-05-07 |
Family
ID=75707531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110124718.1A Pending CN112767382A (zh) | 2021-01-29 | 2021-01-29 | 一种基于深度学习的鱼苗计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767382A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240650A (zh) * | 2021-05-19 | 2021-08-10 | 中国农业大学 | 基于深度学习密度图回归的鱼苗计数系统及计数方法 |
CN113284164A (zh) * | 2021-05-19 | 2021-08-20 | 中国农业大学 | 虾群自动计数方法、装置、电子设备及存储介质 |
CN114240686A (zh) * | 2022-02-24 | 2022-03-25 | 深圳市旗扬特种装备技术工程有限公司 | 智慧渔业监测系统 |
CN114782376A (zh) * | 2022-04-24 | 2022-07-22 | 青岛森科特智能仪器有限公司 | 一种具有学习功能的鱼苗计数设备及其工作方法 |
CN116267753A (zh) * | 2023-03-23 | 2023-06-23 | 江苏科技大学 | 一种基于视觉和触觉的鱼苗分类计数装置及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805064A (zh) * | 2018-05-31 | 2018-11-13 | 中国农业大学 | 一种基于深度学习的鱼类定位检测和识别方法及系统 |
CN108875644A (zh) * | 2018-06-21 | 2018-11-23 | 四川盈乾建设工程有限公司 | 一种水生动物密度调查方法 |
CN108921058A (zh) * | 2018-06-19 | 2018-11-30 | 厦门大学 | 基于深度学习的鱼类识别方法、介质、终端设备及装置 |
CN109509175A (zh) * | 2018-10-15 | 2019-03-22 | 浙江大学 | 一种基于机器视觉和深度学习的鱼苗便携式计数器及计数方法 |
CN110606178A (zh) * | 2019-10-28 | 2019-12-24 | 南京工程学院 | 一种基于三目视觉的海底观测水下机器人及其控制方法 |
CN110688928A (zh) * | 2019-09-20 | 2020-01-14 | 北京海益同展信息科技有限公司 | 模型训练方法、装置、电子设备及计算机可读存储介质 |
CN111428785A (zh) * | 2020-03-23 | 2020-07-17 | 厦门大学 | 基于深度学习的河豚鱼个体识别方法 |
CN111640152A (zh) * | 2020-05-21 | 2020-09-08 | 浙江大学 | 一种鱼类生长监控方法和系统 |
CN111738139A (zh) * | 2020-06-19 | 2020-10-02 | 中国水产科学研究院渔业机械仪器研究所 | 基于图像识别的养殖鱼监控方法及系统 |
CN112183235A (zh) * | 2020-09-07 | 2021-01-05 | 根尖体育科技(北京)有限公司 | 针对运动场所进行视频采集的自动控制方法 |
-
2021
- 2021-01-29 CN CN202110124718.1A patent/CN112767382A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805064A (zh) * | 2018-05-31 | 2018-11-13 | 中国农业大学 | 一种基于深度学习的鱼类定位检测和识别方法及系统 |
CN108921058A (zh) * | 2018-06-19 | 2018-11-30 | 厦门大学 | 基于深度学习的鱼类识别方法、介质、终端设备及装置 |
CN108875644A (zh) * | 2018-06-21 | 2018-11-23 | 四川盈乾建设工程有限公司 | 一种水生动物密度调查方法 |
CN109509175A (zh) * | 2018-10-15 | 2019-03-22 | 浙江大学 | 一种基于机器视觉和深度学习的鱼苗便携式计数器及计数方法 |
CN110688928A (zh) * | 2019-09-20 | 2020-01-14 | 北京海益同展信息科技有限公司 | 模型训练方法、装置、电子设备及计算机可读存储介质 |
CN110606178A (zh) * | 2019-10-28 | 2019-12-24 | 南京工程学院 | 一种基于三目视觉的海底观测水下机器人及其控制方法 |
CN111428785A (zh) * | 2020-03-23 | 2020-07-17 | 厦门大学 | 基于深度学习的河豚鱼个体识别方法 |
CN111640152A (zh) * | 2020-05-21 | 2020-09-08 | 浙江大学 | 一种鱼类生长监控方法和系统 |
CN111738139A (zh) * | 2020-06-19 | 2020-10-02 | 中国水产科学研究院渔业机械仪器研究所 | 基于图像识别的养殖鱼监控方法及系统 |
CN112183235A (zh) * | 2020-09-07 | 2021-01-05 | 根尖体育科技(北京)有限公司 | 针对运动场所进行视频采集的自动控制方法 |
Non-Patent Citations (4)
Title |
---|
SHERYL MAY D. LAINEZ 等: "Automated Fingerlings Counting Using Convolutional Neural Network", 《2019 IEEE 4TH INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATION SYSTEMS》 * |
刘萍 等: "改进YOLOv3网络的海洋生物识别算法", 《计算机应用研究》 * |
李光昊 等: "基于YOLOv3的南海典型鱼类水下实时监测研究", 《现代计算机》 * |
袁利毫 等: "基于YOLOv3的水下小目标自主识别", 《海洋工程装备与技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240650A (zh) * | 2021-05-19 | 2021-08-10 | 中国农业大学 | 基于深度学习密度图回归的鱼苗计数系统及计数方法 |
CN113284164A (zh) * | 2021-05-19 | 2021-08-20 | 中国农业大学 | 虾群自动计数方法、装置、电子设备及存储介质 |
CN114240686A (zh) * | 2022-02-24 | 2022-03-25 | 深圳市旗扬特种装备技术工程有限公司 | 智慧渔业监测系统 |
CN114782376A (zh) * | 2022-04-24 | 2022-07-22 | 青岛森科特智能仪器有限公司 | 一种具有学习功能的鱼苗计数设备及其工作方法 |
CN116267753A (zh) * | 2023-03-23 | 2023-06-23 | 江苏科技大学 | 一种基于视觉和触觉的鱼苗分类计数装置及方法 |
CN116267753B (zh) * | 2023-03-23 | 2024-05-03 | 江苏科技大学 | 一种基于视觉和触觉的鱼苗分类计数装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112767382A (zh) | 一种基于深度学习的鱼苗计数方法 | |
CN109409365A (zh) | 一种基于深度目标检测的待采摘水果识别和定位方法 | |
CN108416353B (zh) | 基于深度全卷积神经网络的大田稻穗快速分割方法 | |
Huang et al. | Real-time classification of green coffee beans by using a convolutional neural network | |
CN106650795B (zh) | 酒店房型图像的排序方法 | |
CN110135430A (zh) | 一种基于深度神经网络的铝材模具id自动识别系统 | |
CN110807808A (zh) | 一种基于物理引擎和深度全卷积网络的商品识别方法 | |
CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
CN112085017B (zh) | 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法 | |
CN113793350A (zh) | 一种鱼苗计数物联设备及鱼苗情况统计方法 | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN112686152B (zh) | 一种多尺寸输入和多尺寸目标的农作物病虫害识别方法 | |
CN111339902A (zh) | 一种数显仪表的液晶屏示数识别方法及装置 | |
CN111950391A (zh) | 果树芽体的识别方法及装置 | |
Rahim et al. | Deep learning-based accurate grapevine inflorescence and flower quantification in unstructured vineyard images acquired using a mobile sensing platform | |
CN113191222A (zh) | 水下鱼类目标检测方法及装置 | |
CN111428743B (zh) | 商品识别方法、商品处理方法、装置及电子设备 | |
CN110705620A (zh) | 一种基于翻拍识别的陈列图像检测方法、装置及存储介质 | |
CN113222889B (zh) | 高分辨率图像下水产养殖物的工厂化养殖计数方法及装置 | |
CN113313692A (zh) | 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法 | |
CN117029673B (zh) | 一种基于人工智能实现的鱼类体表多尺寸测量方法 | |
CN108898059A (zh) | 花卉识别方法及其设备 | |
CN109146834A (zh) | 车辆定损方法及装置、计算机可读存储介质、终端 | |
CN115995017A (zh) | 一种果实识别与定位方法、装置及介质 | |
CN110298824A (zh) | 基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法 |
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 |