CN113591672A - 一种基于Mask-Rcnn识别鱼类状态的检测方法 - Google Patents

一种基于Mask-Rcnn识别鱼类状态的检测方法 Download PDF

Info

Publication number
CN113591672A
CN113591672A CN202110855887.2A CN202110855887A CN113591672A CN 113591672 A CN113591672 A CN 113591672A CN 202110855887 A CN202110855887 A CN 202110855887A CN 113591672 A CN113591672 A CN 113591672A
Authority
CN
China
Prior art keywords
fish
image data
mask
rcnn
data
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.)
Granted
Application number
CN202110855887.2A
Other languages
English (en)
Other versions
CN113591672B (zh
Inventor
牛广宇
钱思文
朱星臣
张继
张振伟
徐淑玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou University
Original Assignee
Changzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou University filed Critical Changzhou University
Priority to CN202110855887.2A priority Critical patent/CN113591672B/zh
Publication of CN113591672A publication Critical patent/CN113591672A/zh
Application granted granted Critical
Publication of CN113591672B publication Critical patent/CN113591672B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K61/00—Culture of aquatic animals
    • A01K61/80—Feeding devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K2227/00—Animals characterised by species
    • A01K2227/40—Fish
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Environmental Sciences (AREA)
  • Quality & Reliability (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Zoology (AREA)
  • Animal Husbandry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像识别技术领域，涉及一种基于Mask‑Rcnn识别鱼类状态的检测方法，包括以下步骤：S1、对视频数据进行灰度化处理、压缩、间隔M1帧选取图像数据帧；S2、选取连续M2帧图像数据进行时空卷积和降采样处理；S3、对每个图像数据帧赋予一个标签；S4、对图像数据帧进行灰度化处理、压缩；S5、每个图像数据帧利用大小为m×m像素的滑窗分成t个分块；S6、判断标签数据二的值与所在图像的标签数据一的值相等。本发明通过K‑Means算法标签鱼饥饿状态；通过检测鱼白占比标签鱼的死亡；通过Mask‑Rcnn模型的Softmax分类器对鱼饥饿状态和死亡状态准确分类。

Description

一种基于Mask-Rcnn识别鱼类状态的检测方法
技术领域
本发明涉及图像识别技术领域，尤其涉及一种基于Mask-Rcnn识别鱼类状态的检测方法。
背景技术
在水产养殖业，饲料成本永远是所有投入中最大的项目，优化投喂方案将大大降低成本。附加地，饲料利润率的提升，也可以减少残饵降解产生的毒素，减轻环境和养殖水体的压力，所以现代化的养殖工艺中一个优秀的投喂方案是重中之重。
现有技术方案是使用人工投喂养殖，只能靠饲养人员的个人经验和观察料台来投喂饲料。而往往在水产养殖中，养殖生物处在不断的生长过程中，所以需要实时的调整投喂方案,于是需要开发可以识别鱼虾的生长特性，从而实现自动投喂的系统。
现有鱼类养殖中还存在以下问题：
1、投喂时间无法准确把控：鱼类处在不断的生长过程中，传统的人工养殖方式投喂饲料时间都是固定的，无法根据鱼类的饥饿状态判断何时投喂。
2、鱼类死亡无法及时监控：通常鱼类死亡一段时间后会浮出水面，此时氨化作用已经进行一大半，死鱼体内的油脂就已经开始外渗，未能及时发现和处理外渗的油脂就会对水体造成污染。
发明内容
本发明解决的技术问题：通过K-Means算法标签鱼饥饿状态，为准确提供投喂时间提供依据；通过检测鱼白占比标签鱼的死亡，从而准确打捞死鱼提供依据；通过Mask-Rcnn模型的Softmax分类器对鱼饥饿状态和死亡状态准确分类。
本发明所采用的技术方案：一种基于Mask-Rcnn识别鱼类状态的检测方法，包括以下步骤：
S1、通过设置在鱼缸上的摄像机采集鱼类视频流数据，从采集到的视频流数据中选取一段数据作为视频数据一，对视频数据一进行灰度化处理、压缩、间隔M1帧选取一个图像数据帧形成样本一；
S2、对样本一中选取连续M2帧图像数据进行时空卷积和降采样处理；
S3、对样本一的每个图像数据帧赋予一个标签数据一，如果正常行为状态标签为1，异常行为状态为2；
S4、再对样本一中的图像数据帧进行灰度化处理、压缩，在压缩后的图像数据帧中，间隔M3帧选取一个图像数据帧形成样本二；
S5、将样本二中的每个图像数据帧利用大小为m×m像素的滑窗分成t个分块；
S6、给每个分块赋予一个标签数据二，当标签数据二的值与所在图像的标签数据一的值相等时，进入下一步；
S7、将所有分块融合成一个m×m×t行、n列的输入矩阵，同时形成一个n行、1列的标签矩阵；对输入矩阵和标签矩阵求互信息，并求出每m×m行的互信息总和，对各互信息总和降序排序；保留互信息总和排序第一的行、n列的矩阵，并按列拆解，对某一列，每m行作为新矩阵的一列，形成m行m列的新矩阵，对每个新矩阵做转置，最终获得n个大小为m×m的新分块矩阵；
S8、对S7得到的n个互信息最高的新分块矩阵，按每M4帧个连续分块的输入矩阵进行时空卷积和降采样处理，得到M5帧个特征图及对应的标签矩阵；
S9、将S8得到的M5帧个特征图与标签矩阵输入Mask-Rcnn模型的Softmax分类器中进行训练；
S10、从采集到鱼视频数据中再选取一段数据作为视频数据二(视频数据一和视频数据二不重复)，对视频数据二图像数据帧进行灰度化处理，压缩，每隔M6帧选取一个图像数据帧形成测试样本，对测试样本进行时空卷积和降采样处理；
S11、将S10测试样本数据输入训练好的Mask-Rcnn模型，验证Mask-Rcnn模型的准确性。
进一步的，所述S3的异常行为状态包括鱼饥饿状态和死亡状态。
进一步的，鱼饥饿状态检测包括：
S311、获取鱼体的坐标参数，计算出鱼的特征点坐标；
采用Opencv库函数cornerHarris()对鱼的图像进行检测，获取鱼的特征点坐标；
S312、使用坐标系绘制鱼体的特征点图；
使用python绘图库函数Matplotlib对鱼的特征点进行绘制；
S313、使用K-Means聚类算法求出聚类块、中心点、密集度参数；
求聚类块、中心点计算过程如下：
a)从输入的数据点集合中随机选择一个点作为第一个聚类中心μ1；
b)对于数据集中的每一个点xi，计算它与已选择的聚类中心中最近聚类中心的距离D(xi)＝argmin||xi-μr||^2……r＝1,2,...k；
c)选择下一个新的数据点作为新的聚类中心，选择的原则是：D(x)较大的点，被选取作为聚类中心的概率较大；
d)重复b和c直到选择出k个聚类质心；
e)利用这k个质心来作为初始化质心去运行标准的K-Means算法；
求密集度过程：
针对每个聚类块中最外侧的点，将其两两相连，计算其覆盖面积S1，然后再选取该聚类最外侧的点，计算其与中心点的距离L，计算以L为半径的圆的面积S2，密集度为S1/S2；
从而计算出饥饿程度＝密集度×聚类块的面积占比；
其中，聚类块面积占比＝聚类块面积Xn/聚类块总面积为X；使用Opencv库中的contourArea()函数，计算得到每个聚类块的面积X1，2，3…n，对其求和，可得到聚类块总面积X，第n个聚类块的面积占比即为Xn/X；
S314、按照不同的聚类块进行分类(如A、B、C组)，针对每个聚类块进行求中心以及计算点密度操作；
S315、对比投喂食前后，鱼食附近聚类块的密集度变化；如果在短时间内(30秒内)，密集度显著增大，比如从20％增加至60％，便判断鱼为饥饿状态；
进一步的，鱼死亡检测包括：
S321、利用Python-opencv库对图像数据的鱼特征点坐标对鱼体部分进行ROI的区域提取，得到鱼的图像面积Y；
采用hsv模型进行提取，hsv模型中颜色的参数分别是：色调(h：hue)，饱和度(s：saturation)，亮度(v：value)，对于白色，其hsv参数如下：h:0～180；s:0～30；v:221～255；
S322、将图像进行二值化处理、二值化是指将图像过滤为只有黑白两色，便于对鱼白部分的提取；
将图像进行直方图均衡化处理，接着使用opencv库中的inRange()函数对图像进行颜色检测，设置hsv的阈值为h:0～180；s:0～30；v:221～255；
S323、检测提取图像中鱼白的占比，计算公式为Y1/Y，例如当鱼白占比大于阈值30％时，则判断为鱼死亡；
通过inRange()函数得到二值化图像，使用opencv函数findContours()提取该图像中的轮廓，接着再使用contourArea()函数便可计算出鱼白的图像面积Y1；
进一步的，当鱼死亡达到一定数量后，联动检测系统发出警告，检测系统根据鱼缸中的死鱼数达到预警值触发系统告警提示。
本发明的有益效果是：
1、利用K-Means算法准确标签鱼饥饿状态；
2、通过检测鱼白占比，准确标签鱼的死亡状态；
3、通过Mask-Rcnn模型的Softmax分类器对鱼饥饿状态和死亡状态准确分类。
附图说明
图1是本发明基于基于Mask-Rcnn识别鱼类状态的检测方法流程图；
图2是本发明鱼饥饿状态和正常状态的效果对比图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
一种基于基于Mask-Rcnn识别鱼类状态的检测方法，如图1所示，S1、对采集到的视频流数据中选取一段数据作为视频数据一，对视频数据一进行灰度化处理、压缩、间隔100ms帧选取一个图像数据帧形成样本一；
S2、对样本一中选取连续10ms帧图像数据进行时空卷积和降采样处理；
S3、对样本一的每个图像数据帧赋予一个标签数据一，如果正常行为状态标签为1，异常行为状态为2；
S4、再对样本一中的图像数据帧进行灰度化处理、压缩，在压缩后的图像数据帧中，间隔10ms帧选取一个图像数据帧形成样本二；
S15、将样本二中的每个图像数据帧利用大小为256×256像素的滑窗分成10个分块；
S16、给每个分块赋予一个标签数据二，当标签数据二的值与所在图像的标签数据一的值相，进入下一步；
S7、将所有分块融合成一个256×256×10行、10列的输入矩阵，同时形成一个10行、1列的标签矩阵；对输入矩阵和标签矩阵求互信息，并求出每256×256行的互信息总和，对各互信息总和降序排序；保留互信息总和排序第一的行、10列的矩阵，并按列拆解，对某一列，每256行作为新矩阵的每一列，形成256行256列的新矩阵，对每个新矩阵做转置，最终获得10个大小为256×256的新分块矩阵；
S18、对S7得到的10个互信息最高的新分块矩阵，按每10ms帧个连续分块的输入矩阵进行时空卷积和降采样处理，得到10ms帧个特征图及对应的标签矩阵；
S19、将S18得到的10ms帧个特征图与标签矩阵输入Mask-Rcnn模型的Softmax分类器中进行训练；
S20、从采集到鱼视频数据中再选取一段数据作为视频数据二(视频数据一和视频数据二不重复)，对视频数据二图像数据帧进行灰度化处理，压缩，每隔10ms帧选取一个图像数据帧形成测试样本，对测试样本进行时空卷积和降采样处理；
S21、将S20测试样本数据输入训练好的Mask-Rcnn模型，验证Mask-Rcnn模型的准确性
进一步的，鱼饥饿状态检测包括：
S311、获取鱼体的坐标参数，计算出鱼的特征点坐标；
S312、使用坐标系绘制出这些点；
S313、使用K-Means聚类算法求出聚类块、中心点、密集度参数；
求聚类块、中心点：
a)从输入的数据点集合中随机选择一个点作为第一个聚类中心μ1；
b)对于数据集中的每一个点xi，计算它与已选择的聚类中心中最近聚类中心的距离D(xi)＝argmin||xi-μr||^2……r＝1,2,...k；
S314、按照不同的聚类块进行分类(如A、B、C组)，针对每个聚类块进行求中心以及计算点密度操作；
S315、对比投喂食前后，鱼食附近聚类块的密集度变化；指如果在短时间内，密集度由20％增加60％，便判断鱼为饥饿状态；
如图2所示为十四条鱼正常状态和饥饿状态下的特征点坐标图，图2的右图中左下角鱼群密集度明显增大，鱼为饥饿状态。
进一步的，鱼死亡检测包括：
S321、利用Python-opencv库对图像数据的鱼特征点坐标对鱼体部分进行ROI的区域提取；
S322、将图像进行二值化处理、二值化是指将图像过滤为只有黑白两色，便于对鱼白部分的提取；
S323、检测提取图像中鱼白的占比，当鱼白占比大于30％，则判断为鱼死亡。
本发明的有益效果：利用图像识别和Mask-Rcnn算法准确计算鱼的长度，并根据长度计算出重量，从而准确计算出饲料投喂量。利用K-Means算法，准确标签鱼饥饿状态；通过检测鱼白占比准确标签鱼的死亡状态。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (5)

1.一种基于Mask-Rcnn识别鱼类状态的检测方法，其特征在于，包括如下步骤：
S1、从采集到的视频流数据中选取一段数据作为视频数据一，对视频数据一进行灰度化处理、压缩、间隔M1帧选取一个图像数据帧形成样本一；
S2、对样本一中选取连续M2帧图像数据进行时空卷积和降采样处理；
S3、对样本一的每个图像数据帧赋予一个标签数据一，标签为正常行为状态和异常行为状态；
S4、对样本一中的图像数据帧进行灰度化处理、压缩，在压缩后的图像数据帧中，间隔M3帧选取一个图像数据帧形成样本二；
S5、将样本二中的每个图像数据帧利用大小为m×m像素的滑窗分成t个分块；
S6、给每个分块赋予一个标签数据二，当标签数据二的值与所在图像的标签数据一的值相等时，进入下一步；
S7、将所有分块融合成一个m×m×t行、n列的输入矩阵，同时形成n行、1列的标签矩阵；对输入矩阵和标签矩阵求互信息，并求出每m×m行的互信息总和，对各互信息总和降序排序；保留互信息总和排序第一的行、n列的矩阵，并按列拆解，对某一列，每m行作为新矩阵的一列，形成m行m列的新矩阵，对每个新矩阵做转置，最终获得n个大小为m×m的新分块矩阵；
S8、对所述S7得到的n个互信息最高的新分块矩阵，按每M4帧个连续分块的输入矩阵进行时空卷积和降采样处理，得到M5帧特征图及对应的标签矩阵；
S9、将所述S8得到的M5帧个特征图与标签矩阵输入Mask-Rcnn模型的Softmax分类器中进行训练；
S10、从采集到鱼视频数据中再选取一段数据作为视频数据二，对视频数据二图像数据帧进行灰度化处理，压缩，每隔M6帧选取一个图像数据帧形成测试样本，对测试样本进行时空卷积和降采样处理；
S11、将所述S10测试样本数据输入训练好的Mask-Rcnn模型，验证Mask-Rcnn模型的准确性。
2.如权利要求1所述的基于Mask-Rcnn识别鱼类状态的检测方法，其特征在于：所述S3的异常行为状态包括鱼饥饿状态和鱼死亡状态。
3.如权利要求2所述的基于Mask-Rcnn识别鱼类状态的检测方法，其特征在于，所述鱼饥饿状态检测包括：
S311、获取鱼体的坐标参数，计算出鱼的特征点坐标；
S312、使用坐标系绘制鱼体的特征点图；
S313、使用K-Means聚类算法求出聚类块、中心点、密集度参数；
S314、按照不同的聚类块进行分类为A、B、C组，针对每个聚类块进行求中心点、密集度参数；
S315、对比投喂食前后，根据鱼食附近聚类块的密集度变化，判断鱼为饥饿状态。
4.如权利要求2所述的基于Mask-Rcnn识别鱼类状态的检测方法，其特征在于，所述鱼死亡状态包括：
S321、利用Python-opencv库对图像数据的鱼特征点坐标对鱼体部分进行ROI的区域提取；
S322、将图像进行二值化处理、二值化是指将图像过滤为只有黑白两色，便于对鱼白部分的提取；
S323、检测提取图像中鱼白的占比，当鱼白占比大于阈值，则判断为鱼死亡。
5.如权利要求4所述的基于Mask-Rcnn识别鱼类状态的检测方法，其特征在于，当所述鱼死亡达到一定数量后，联动检测系统发出警告。
CN202110855887.2A 2021-07-28 2021-07-28 一种基于Mask-Rcnn识别鱼类状态的检测方法 Active CN113591672B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110855887.2A CN113591672B (zh) 2021-07-28 2021-07-28 一种基于Mask-Rcnn识别鱼类状态的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110855887.2A CN113591672B (zh) 2021-07-28 2021-07-28 一种基于Mask-Rcnn识别鱼类状态的检测方法

Publications (2)

Publication Number Publication Date
CN113591672A true CN113591672A (zh) 2021-11-02
CN113591672B CN113591672B (zh) 2024-05-03

Family

ID=78251324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110855887.2A Active CN113591672B (zh) 2021-07-28 2021-07-28 一种基于Mask-Rcnn识别鱼类状态的检测方法

Country Status (1)

Country Link
CN (1) CN113591672B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101292636A (zh) * 2008-02-14 2008-10-29 浙江海洋学院海洋与渔业研究所 一种网箱养殖黄姑鱼的方法
CN104992189A (zh) * 2015-07-22 2015-10-21 河海大学常州校区 基于深度学习网络模型的鱼群异常行为识别方法
CN106922588A (zh) * 2017-03-13 2017-07-07 张珍妮 一种智能喂鱼器
CN107318737A (zh) * 2015-05-15 2017-11-07 合肥智慧龙图腾知识产权股份有限公司 基于数据通信的定时鱼食喂投机构
CN107422303A (zh) * 2017-05-24 2017-12-01 青岛越洋水处理设备工程有限公司 基于声波定位及图像采集的全自动投饵方法
CN107996487A (zh) * 2017-12-04 2018-05-08 湖南理工学院 一种鱼缸自动投食装置及方法
CN109214468A (zh) * 2018-10-18 2019-01-15 浙江工业大学 一种基于可拓距优化聚类中心的数据聚类方法
CN109543679A (zh) * 2018-11-16 2019-03-29 南京师范大学 一种基于深度卷积神经网络的死鱼识别方法及预警系统
CN110583550A (zh) * 2019-09-20 2019-12-20 重庆工商大学 基于目标检测与跟踪的鱼虾参养殖精准投喂系统及装置
CN110856184A (zh) * 2019-11-26 2020-02-28 西安航空学院 基于k均值算法的双层结构无线传感器网络节点部署方法
CN111713440A (zh) * 2020-04-13 2020-09-29 浙江大学 基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法
CN112931377A (zh) * 2021-02-07 2021-06-11 金华市广信网络工程有限责任公司 一种基于图像活体识别的鱼池饲料投放控制系统与方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101292636A (zh) * 2008-02-14 2008-10-29 浙江海洋学院海洋与渔业研究所 一种网箱养殖黄姑鱼的方法
CN107318737A (zh) * 2015-05-15 2017-11-07 合肥智慧龙图腾知识产权股份有限公司 基于数据通信的定时鱼食喂投机构
CN104992189A (zh) * 2015-07-22 2015-10-21 河海大学常州校区 基于深度学习网络模型的鱼群异常行为识别方法
CN106922588A (zh) * 2017-03-13 2017-07-07 张珍妮 一种智能喂鱼器
CN107422303A (zh) * 2017-05-24 2017-12-01 青岛越洋水处理设备工程有限公司 基于声波定位及图像采集的全自动投饵方法
CN107996487A (zh) * 2017-12-04 2018-05-08 湖南理工学院 一种鱼缸自动投食装置及方法
CN109214468A (zh) * 2018-10-18 2019-01-15 浙江工业大学 一种基于可拓距优化聚类中心的数据聚类方法
CN109543679A (zh) * 2018-11-16 2019-03-29 南京师范大学 一种基于深度卷积神经网络的死鱼识别方法及预警系统
CN110583550A (zh) * 2019-09-20 2019-12-20 重庆工商大学 基于目标检测与跟踪的鱼虾参养殖精准投喂系统及装置
CN110856184A (zh) * 2019-11-26 2020-02-28 西安航空学院 基于k均值算法的双层结构无线传感器网络节点部署方法
CN111713440A (zh) * 2020-04-13 2020-09-29 浙江大学 基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法
CN112931377A (zh) * 2021-02-07 2021-06-11 金华市广信网络工程有限责任公司 一种基于图像活体识别的鱼池饲料投放控制系统与方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴江: "怎样识别饲养鱼类的饥饱", 中国水产, no. 03 *
崔存河;金宪;杨成辉;刘霞;蔡勋;: "饥饿后再投喂对哲罗鱼生长和体成分的影响", 黑龙江水产, no. 03 *
贾成功: "基于鱼群摄食规律的投饵系统研究", 《机械工程师》 *

Also Published As

Publication number Publication date
CN113591672B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
Tm et al. Tomato leaf disease detection using convolutional neural networks
CN111178197B (zh) 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法
CN110532900B (zh) 基于U-Net和LS-CNN的人脸表情识别方法
Cecotti et al. Grape detection with convolutional neural networks
Latha et al. Automatic detection of tea leaf diseases using deep convolution neural network
Aruraj et al. Detection and classification of diseases of banana plant using local binary pattern and support vector machine
CN104992223A (zh) 基于深度学习的密集人数估计方法
CN106874862B (zh) 基于子模技术和半监督学习的人群计数方法
Pinto et al. Crop disease classification using texture analysis
CN109145964B (zh) 一种实现图像颜色聚类的方法和系统
CN113761259A (zh) 一种图像处理方法、装置以及计算机设备
CN110348349A (zh) 一种收集、分析猪行为视频数据的方法和系统
CN112257702A (zh) 一种基于增量学习的农作物病害识别方法
CN112528823A (zh) 一种基于关键帧检测和语义部件分割的条斑鲨运动行为分析方法及系统
Kumar et al. Identification of plant diseases using image processing and image recognition
Wang et al. Pig face recognition model based on a cascaded network
CN117253024B (zh) 一种基于机器视觉的工业盐质检管控方法及系统
Patel et al. A survey on plant leaf disease detection
CN114022688A (zh) 一种实时的牲畜身份识别方法
Bhadur et al. Agricultural crops disease identification and classification through leaf images using machine learning and deep learning technique: a review
CN112257730A (zh) 植物害虫图像识别方法、装置、设备及存储介质
CN113591672A (zh) 一种基于Mask-Rcnn识别鱼类状态的检测方法
AU2021101682A4 (en) Automatic plant leaf disease diagnosis with machine learning and deep convolutional neural networks
CN114511849A (zh) 一种基于图注意力网络的葡萄疏果识别方法
CN114943929A (zh) 基于图像融合技术的鱼类异常行为实时检测方法

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