CN114049577A - 一种鱼类规格的测量方法及系统 - Google Patents
一种鱼类规格的测量方法及系统 Download PDFInfo
- Publication number
- CN114049577A CN114049577A CN202111361057.0A CN202111361057A CN114049577A CN 114049577 A CN114049577 A CN 114049577A CN 202111361057 A CN202111361057 A CN 202111361057A CN 114049577 A CN114049577 A CN 114049577A
- Authority
- CN
- China
- Prior art keywords
- fish
- image
- length
- detected
- pixel
- 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
- 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
- G01G—WEIGHING
- G01G17/00—Apparatus for or methods of weighing material of special form or property
- G01G17/08—Apparatus for or methods of weighing material of special form or property for weighing livestock
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种鱼类规格的测量方法及系统,方法包括获取待测鱼类图像;将待测鱼类图像输入到鱼类识别模型中,输出待测鱼类图像中每条鱼的像素鱼长;鱼类识别模型是利用标注历史鱼类图像数据集,基于YOLOV5目标检测模型进行训练得到的;像素鱼长为鱼的体长在图像上所占的像素个数;获取拍摄待测鱼类图像的摄像头与待测鱼类之间的拍摄距离;根据像素鱼长和拍摄距离,确定待测鱼类图像中每条鱼的实际体长。本发明通过建立鱼类识别模型,能够实现鱼类规格的自动测量,提高了测量的效率和精度,减少了对鱼类的损伤。
Description
技术领域
本发明涉及鱼类检测技术领域,特别是涉及一种鱼类规格的测量方法及系统。
背景技术
鱼类资源调查主要包括在品种识别、鱼龄判断、数量统计、规格(实际体长和体重)测量方面。早期的调查方法主要包括张网捕捞、PIT遥测和声呐探测等。这些方法存在对鱼有损伤,识别不准确、不及时以及效率低下等问题。
上世纪以来,计算机信息技术飞速发展,深度学习在计算机视觉等多个领域取得重大突破,将深度学习的强大能力及优势运用到鱼类图像识别领域,是对鱼类图像识别的一次重大创新和提升。但是传统的监测识别方法或深度学习的鱼类识别技术用于鱼类的品种识别,规格测量仍然依赖于人工测量,测量的效率和精度都很低,且容易对鱼类造成损伤。
发明内容
本发明的目的是提供一种鱼类规格的测量方法及系统,能够实现鱼类规格的自动测量,提高了测量的效率和精度,减少了对鱼类的损伤。
为实现上述目的,本发明提供了如下方案:
一种鱼类规格的测量方法,包括:
获取待测鱼类图像;
将所述待测鱼类图像输入到鱼类识别模型中,输出待测鱼类图像中每条鱼的像素鱼长;所述鱼类识别模型是利用标注历史鱼类图像数据集,基于YOLOV5目标检测模型进行训练得到的;所述像素鱼长为鱼的体长在图像上所占的像素个数;
获取拍摄所述待测鱼类图像的摄像头与待测鱼类之间的拍摄距离;
根据所述像素鱼长和所述拍摄距离,确定待测鱼类图像中每条鱼的实际体长。
可选的,在所述根据所述像素鱼长和所述拍摄距离,确定待测鱼类图像中每条鱼的实际体长之后,还包括:
将所述待测鱼类图像输入到鱼类识别模型中,输出待测鱼类图像中每条鱼的种类;
根据所述待测鱼类图像中多条鱼的种类和实际体长,利用种类-实际体长-体重关系确定待测鱼类图像中每条鱼的体重。
可选的,在所述获取待测鱼类图像之前,还包括:
获取鱼类历史图像;
将所述鱼类历史图像中的鱼类进行预测框标注和种类标注,得到多张标注历史鱼类图像作为标注历史鱼类图像数据集;
将标注历史鱼类图像中预测框所占的像素个数确定为标注鱼类的像素鱼长;
以所述标注历史鱼类图像数据集为输入,以图像中每条鱼的种类以及像素鱼长为输出,基于YOLOV5目标检测模型进行训练,获取目标鱼类的识别权重,得到鱼类识别模型。
可选的,所述根据所述像素鱼长和所述拍摄距离,确定待测鱼类图像中每条鱼的实际体长,具体包括:
获取所述摄像头的横向分辨率和横向拍摄实际长度;
根据所述横向分辨率和所述横向拍摄实际长度,利用公式α=A/B+β,确定摄像头的比例因子;
根据所述比例因子和所述像素鱼长,利用公式L=α*d,确定待测鱼类图像中每条鱼的实际体长;
其中,α为比例因子,A为横向拍摄实际长度,B为横向分辨率,β为校正因子,L为实际体长,d为像素鱼长。
一种鱼类规格的测量系统,包括:
待测鱼类图像获取模块,用于获取待测鱼类图像;
像素鱼长确定模块,用于将所述待测鱼类图像输入到鱼类识别模型中,输出待测鱼类图像中每条鱼的像素鱼长;所述鱼类识别模型是利用标注历史鱼类图像数据集,基于YOLOV5目标检测模型进行训练得到的;所述像素鱼长为鱼的体长在图像上所占的像素个数;
拍摄距离确定模块,用于获取拍摄所述待测鱼类图像的摄像头与待测鱼类之间的拍摄距离;
实际体长确定模块,用于根据所述像素鱼长和所述拍摄距离,确定待测鱼类图像中每条鱼的实际体长。
可选的,所述系统,还包括:
种类获取模块,用于将所述待测鱼类图像输入到鱼类识别模型中,输出待测鱼类图像中每条鱼的种类;
体重确定模块,用于根据所述待测鱼类图像中多条鱼的种类和实际体长,利用种类-实际体长-体重关系确定待测鱼类图像中每条鱼的体重。
可选的,所述系统,还包括:
鱼类历史图像获取模块,用于获取鱼类历史图像;
标注模块,用于将所述鱼类历史图像中的鱼类进行预测框标注和种类标注,得到多张标注历史鱼类图像作为标注历史鱼类图像数据集;
标注鱼类的像素鱼长确定模块,用于将标注历史鱼类图像中预测框所占的像素个数确定为标注鱼类的像素鱼长;
鱼类识别模型确定模块,用于以所述标注历史鱼类图像数据集为输入,以图像中每条鱼的种类以及像素鱼长为输出,基于YOLOV5目标检测模型进行训练,获取目标鱼类的识别权重,得到鱼类识别模型。
可选的,所述实际体长确定模块,具体包括:
数据获取单元,用于获取所述摄像头的横向分辨率和横向拍摄实际长度;
比例因子确定单元,用于根据所述横向分辨率和所述横向拍摄实际长度,利用公式α=A/B+β,确定摄像头的比例因子;
实际体长确定单元,用于根据所述比例因子和所述像素鱼长,利用公式L=α*d,确定待测鱼类图像中每条鱼的实际体长;
其中,α为比例因子,A为横向拍摄实际长度,B为横向分辨率,β为校正因子,L为实际体长,d为像素鱼长。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种鱼类规格的测量方法及系统,方法包括获取待测鱼类图像;将待测鱼类图像输入到鱼类识别模型中,输出待测鱼类图像中每条鱼的像素鱼长;鱼类识别模型是利用标注历史鱼类图像数据集,基于YOLOV5目标检测模型进行训练得到的;像素鱼长为鱼的体长在图像上所占的像素个数;获取拍摄待测鱼类图像的摄像头与待测鱼类之间的拍摄距离;根据像素鱼长和拍摄距离,确定待测鱼类图像中每条鱼的实际体长。本发明通过建立鱼类识别模型,能够实现鱼类规格的自动测量,提高了测量的效率和精度,减少了对鱼类的损伤。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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为本发明实施例中鱼类规格的测量方法流程图;
图2为本发明实施例中鱼类体长自动测量原理图;
图3为本发明实施例中鱼类规格自动测量流程图;
图4为本发明实施例中预测框示意图;
图5为本发明实施例中标注示意图;
图6为本发明实施例中结果示意图;
图7为本发明实施例中预测误差示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
本发明的目的是提供一种鱼类规格的测量方法及系统,能够实现鱼类规格的自动测量,提高了测量的效率和精度,减少了对鱼类的损伤。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例中鱼类规格的测量方法流程图,如图1,本发明提供了一种鱼类规格的测量方法,包括:
步骤101:获取待测鱼类图像;
步骤102:将待测鱼类图像输入到鱼类识别模型中,输出待测鱼类图像中每条鱼的像素鱼长;鱼类识别模型是利用标注历史鱼类图像数据集,基于YOLOV5目标检测模型进行训练得到的;像素鱼长为鱼的体长在图像上所占的像素个数;
步骤103:获取拍摄待测鱼类图像的摄像头与待测鱼类之间的拍摄距离;
步骤104:根据像素鱼长和拍摄距离,确定待测鱼类图像中每条鱼的实际体长。
在步骤104之后,还包括:
将待测鱼类图像输入到鱼类识别模型中,输出待测鱼类图像中每条鱼的种类;
根据待测鱼类图像中多条鱼的种类和实际体长,利用种类-实际体长-体重关系确定待测鱼类图像中每条鱼的体重。
在步骤101之前,还包括:
获取鱼类历史图像;
将鱼类历史图像中的鱼类进行预测框标注和种类标注,得到多张标注历史鱼类图像作为标注历史鱼类图像数据集;
将标注历史鱼类图像中预测框所占的像素个数确定为标注鱼类的像素鱼长;
以标注历史鱼类图像数据集为输入,以图像中每条鱼的种类以及像素鱼长为输出,基于YOLOV5目标检测模型进行训练,获取目标鱼类的识别权重,得到鱼类识别模型。
步骤104,具体包括:
获取摄像头的横向分辨率和横向拍摄实际长度;
根据横向分辨率和横向拍摄实际长度,利用公式α=A/B+β,确定摄像头的比例因子;
根据比例因子和像素鱼长,利用公式L=α*d,确定待测鱼类图像中每条鱼的实际体长;
其中,α为比例因子,A为横向拍摄实际长度,B为横向分辨率,β为校正因子,L为实际体长,d为像素鱼长。
图2为本发明实施例中鱼类体长自动测量原理图,如图2,图像本质上是由像素构成,即小的方形元素块,每个像素都有不同的颜色值,单位面积内的像素越多,分辨率越高,图像的效果也就越好。因此,对于图像,可以用分辨率来表示图像的大小,例如,分辨率1080*720代表图像中长有1080个像素,宽有720个像素。图像分辨率的大小主要由拍摄的设备决定。同时,拍摄设备的拍摄范围,即在一定距离内摄像机所能拍摄到的场景最左端和最右端的距离差B是已知的,因此可以根据图像的分辨率与拍摄设备的拍摄范围建立相应的比例关系α,为了增强公式的适用性,增加了校正因子β。由此,得到图像中任意两点的真实距离的计算式为:
α=A/B+β(1)
式中:
α——比例因子;
A——摄像头实际拍摄长度;
B——相机对应的横向分辨率;
β——校正因子0.002(由经验所得);
因此将(1)式与YOLOV5模型输出的目标检测框结合,可实现鱼类体长的自动估计:在YOLOV5的模型代码中添加关于(1)式的计算公式,即将事先得到的比例因子α作为参数输入至YOLOV5模型当中,同时获取输入框的横向边缘距离d(像素鱼长),然后由式子L=α*d,得到鱼类的真实体长L,同时将体长L在输出端输出。
鱼类体重自动测量原理:
鱼类体长-体重(L-W)关系是鱼类生物学中的一个基本关系,应用比较普遍。其中VonBertalanffy方程通过假设鱼类体重与体长的平方成正比,提出了VonBertalanffy生长方程,奠定了鱼类生长研究的基础。目前鱼类体长-体重关系应用较多的方程为:W=bLa。
式中,W为体重,a和b的值为体长-体重的关系参数,为无量纲参数,该参数与鱼的种类和年龄有关,参数由统计分析给出。因此,可以通过统计分析,建立各种鱼类的体长-体重关系表,然后将关系输入至电脑中,建立体长-体重关系数据库。
在通过YOLOv5模型获取待检测目标鱼类的种类和体长信息后,可以通过数据库索引的方法,获取目标鱼类的体重信息。
如图3,本发明具体包括如下步骤:
(1)采集鱼类图像,制作鱼类图像数据集,注意,应该采集不同情形下鱼类的图像。
具体的步骤如下:
a)利用图像采集设备,采集水下鱼类图像,要求图像的分辨率在512*512以上,采集的图像应包括不同浊度和光照条件等多种情形,各种情形图像数量应为400张左右。
b)将采集后的图像统一命名编号,然后使用MSRCP或CLAHE图像增强算法进行图像增强处理。
c)制作训练集。根据鱼类的名称,使用labelme标记工具对图像进行标注,得到标注后的鱼类图像标签,转码处理为模型待读取的txt格式。标注示意图如图5。其中Huanglading代表的是鱼类的名称,0.99代表的是置信度,也就是通常说的概率。所谓输出框边缘像素的距离是指该输出框横向边缘的距离,它在图像中可以以像素的形式表示。但是获取目标鱼类的精确预测框,就必须对模型进行训练后才能得到预测框。
(2)将标注好的鱼类图像作为训练集放入YOLOV5模型中,根据图像内容及标签,调整模型后对数据集进行训练。经过训练后得到鱼类检测的权重模型。所谓权重模型,即模型参数文件,是YOLOV5模型中进行目标检测所必需的文件。
调整模型参数包括选择配置文件、调整训练参数、即训练的次数,YOLOv5模型中一共有4种类型的配置文件,模型结构的大小依次为YOLO5l、YOLO5m、YOLO5x和YOLO5s,模型结构越大对计算机的配置要求越高。
(3)将训练好的模型权重载入YOLOv5模型中,然后将待检测的鱼类图像或视频以图像的形式输入至训练好的模型中,基于YOLOV5模型识别出的目标鱼类的预测框,确定鱼类头部至尾部之间的像素宽度d。预测框示意图,与侧结果示意如图6.
(4)获取待检测图像的分辨率以及图像采集设备的拍摄范围,通过(1)式子计算距离与像素的比例α,最后根据由L=α*d,得到鱼类的真实体长。
(5)根据鱼类种类和体长数据,在数据库中索引,输出鱼类的真实体重。预测误差如图7所示。
经实验,该方法可有效的测量鱼类的体长,准确率在95%以上。
其中,待检测的图像指的是通过视频采集设备采集的鱼类实时图像或者是其他存储的鱼类图像数据,并非是上文提到的数据集。
检测框指的是YOLOv5目标检测模型在识别目标时,由目标检测模型计算后输出的一种沿着物体边缘的边框。
鱼类体长-体重数据库是基于对鱼类进行测量,然后经过数理统计后分析得出的,并将结果输入至模型中建立数据库,最终实现鱼类规格自动输出。
本发明还提供了一种鱼类规格的测量系统,包括:
待测鱼类图像获取模块,用于获取待测鱼类图像;
像素鱼长确定模块,用于将待测鱼类图像输入到鱼类识别模型中,输出待测鱼类图像中每条鱼的像素鱼长;鱼类识别模型是利用标注历史鱼类图像数据集,基于YOLOV5目标检测模型进行训练得到的;像素鱼长为鱼的体长在图像上所占的像素个数;
拍摄距离确定模块,用于获取拍摄待测鱼类图像的摄像头与待测鱼类之间的拍摄距离;
实际体长确定模块,用于根据像素鱼长和拍摄距离,确定待测鱼类图像中每条鱼的实际体长。
本发明还提供的鱼类规格的测量系统,还包括:
种类获取模块,用于将待测鱼类图像输入到鱼类识别模型中,输出待测鱼类图像中每条鱼的种类;
体重确定模块,用于根据待测鱼类图像中多条鱼的种类和实际体长,利用种类-实际体长-体重关系确定待测鱼类图像中每条鱼的体重。
本发明还提供的鱼类规格的测量系统,还包括:
鱼类历史图像获取模块,用于获取鱼类历史图像;
标注模块,用于将鱼类历史图像中的鱼类进行预测框标注和种类标注,得到多张标注历史鱼类图像作为标注历史鱼类图像数据集;
标注鱼类的像素鱼长确定模块,用于将标注历史鱼类图像中预测框所占的像素个数确定为标注鱼类的像素鱼长;
鱼类识别模型确定模块,用于以标注历史鱼类图像数据集为输入,以图像中每条鱼的种类以及像素鱼长为输出,基于YOLOV5目标检测模型进行训练,获取目标鱼类的识别权重,得到鱼类识别模型。
具体的,实际体长确定模块,具体包括:
数据获取单元,用于获取摄像头的横向分辨率和横向拍摄实际长度;
比例因子确定单元,用于根据横向分辨率和横向拍摄实际长度,利用公式α=A/B+β,确定摄像头的比例因子;
实际体长确定单元,用于根据比例因子和像素鱼长,利用公式L=α*d,确定待测鱼类图像中每条鱼的实际体长;
其中,α为比例因子,A为横向拍摄实际长度,B为横向分辨率,β为校正因子,L为实际体长,d为像素鱼长。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种鱼类规格的测量方法,其特征在于,所述方法,包括:
获取待测鱼类图像;
将所述待测鱼类图像输入到鱼类识别模型中,输出待测鱼类图像中每条鱼的像素鱼长;所述鱼类识别模型是利用标注历史鱼类图像数据集,基于YOLOV5目标检测模型进行训练得到的;所述像素鱼长为鱼的体长在图像上所占的像素个数;
获取拍摄所述待测鱼类图像的摄像头与待测鱼类之间的拍摄距离;
根据所述像素鱼长和所述拍摄距离,确定待测鱼类图像中每条鱼的实际体长。
2.根据权利要求1所述的鱼类规格的测量方法,其特征在于,在所述根据所述像素鱼长和所述拍摄距离,确定待测鱼类图像中每条鱼的实际体长之后,还包括:
将所述待测鱼类图像输入到鱼类识别模型中,输出待测鱼类图像中每条鱼的种类;
根据所述待测鱼类图像中多条鱼的种类和实际体长,利用种类-实际体长-体重关系确定待测鱼类图像中每条鱼的体重。
3.根据权利要求1所述的鱼类规格的测量方法,其特征在于,在所述获取待测鱼类图像之前,还包括:
获取鱼类历史图像;
将所述鱼类历史图像中的鱼类进行预测框标注和种类标注,得到多张标注历史鱼类图像作为标注历史鱼类图像数据集;
将标注历史鱼类图像中预测框所占的像素个数确定为标注鱼类的像素鱼长;
以所述标注历史鱼类图像数据集为输入,以图像中每条鱼的种类以及像素鱼长为输出,基于YOLOV5目标检测模型进行训练,获取目标鱼类的识别权重,得到鱼类识别模型。
4.根据权利要求1所述的鱼类规格的测量方法,其特征在于,所述根据所述像素鱼长和所述拍摄距离,确定待测鱼类图像中每条鱼的实际体长,具体包括:
获取所述摄像头的横向分辨率和横向拍摄实际长度;
根据所述横向分辨率和所述横向拍摄实际长度,利用公式α=A/B+β,确定摄像头的比例因子;
根据所述比例因子和所述像素鱼长,利用公式L=α*d,确定待测鱼类图像中每条鱼的实际体长;
其中,α为比例因子,A为横向拍摄实际长度,B为横向分辨率,β为校正因子,L为实际体长,d为像素鱼长。
5.一种鱼类规格的测量系统,其特征在于,所述系统,包括:
待测鱼类图像获取模块,用于获取待测鱼类图像;
像素鱼长确定模块,用于将所述待测鱼类图像输入到鱼类识别模型中,输出待测鱼类图像中每条鱼的像素鱼长;所述鱼类识别模型是利用标注历史鱼类图像数据集,基于YOLOV5目标检测模型进行训练得到的;所述像素鱼长为鱼的体长在图像上所占的像素个数;
拍摄距离确定模块,用于获取拍摄所述待测鱼类图像的摄像头与待测鱼类之间的拍摄距离;
实际体长确定模块,用于根据所述像素鱼长和所述拍摄距离,确定待测鱼类图像中每条鱼的实际体长。
6.根据权利要求5所述的鱼类规格的测量系统,其特征在于,所述系统,还包括:
种类获取模块,用于将所述待测鱼类图像输入到鱼类识别模型中,输出待测鱼类图像中每条鱼的种类;
体重确定模块,用于根据所述待测鱼类图像中多条鱼的种类和实际体长,利用种类-实际体长-体重关系确定待测鱼类图像中每条鱼的体重。
7.根据权利要求5所述的鱼类规格的测量系统,其特征在于,所述系统,还包括:
鱼类历史图像获取模块,用于获取鱼类历史图像;
标注模块,用于将所述鱼类历史图像中的鱼类进行预测框标注和种类标注,得到多张标注历史鱼类图像作为标注历史鱼类图像数据集;
标注鱼类的像素鱼长确定模块,用于将标注历史鱼类图像中预测框所占的像素个数确定为标注鱼类的像素鱼长;
鱼类识别模型确定模块,用于以所述标注历史鱼类图像数据集为输入,以图像中每条鱼的种类以及像素鱼长为输出,基于YOLOV5目标检测模型进行训练,获取目标鱼类的识别权重,得到鱼类识别模型。
8.根据权利要求5所述的鱼类规格的测量系统,其特征在于,所述实际体长确定模块,具体包括:
数据获取单元,用于获取所述摄像头的横向分辨率和横向拍摄实际长度;
比例因子确定单元,用于根据所述横向分辨率和所述横向拍摄实际长度,利用公式α=A/B+β,确定摄像头的比例因子;
实际体长确定单元,用于根据所述比例因子和所述像素鱼长,利用公式L=α*d,确定待测鱼类图像中每条鱼的实际体长;
其中,α为比例因子,A为横向拍摄实际长度,B为横向分辨率,β为校正因子,L为实际体长,d为像素鱼长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361057.0A CN114049577A (zh) | 2021-11-17 | 2021-11-17 | 一种鱼类规格的测量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361057.0A CN114049577A (zh) | 2021-11-17 | 2021-11-17 | 一种鱼类规格的测量方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114049577A true CN114049577A (zh) | 2022-02-15 |
Family
ID=80209677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111361057.0A Pending CN114049577A (zh) | 2021-11-17 | 2021-11-17 | 一种鱼类规格的测量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049577A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601301A (zh) * | 2022-09-07 | 2023-01-13 | 中国科学院水生生物研究所(Cn) | 鱼类表型特征测量方法、系统、电子设备及存储介质 |
CN115690546A (zh) * | 2022-12-30 | 2023-02-03 | 正大农业科学研究有限公司 | 虾长测量方法、装置、电子设备及存储介质 |
CN116576782A (zh) * | 2023-03-24 | 2023-08-11 | 青岛励图高科信息技术有限公司 | 一种水下鱼体长度测量方法 |
CN116883828A (zh) * | 2023-08-22 | 2023-10-13 | 中国科学院水生生物研究所 | 一种智能化鱼类生长性能识别方法及分析系统 |
Citations (7)
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 |
CN109784378A (zh) * | 2018-12-27 | 2019-05-21 | 南京芊玥机器人科技有限公司 | 一种基于机器视觉的水下捕鱼方法 |
WO2020046523A1 (en) * | 2018-08-27 | 2020-03-05 | Aquabyte, Inc. | Optimal feeding based on signals in an aquaculture environment |
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 |
CN112668450A (zh) * | 2020-12-24 | 2021-04-16 | 南京泓图人工智能技术研究院有限公司 | 一种基于yolov5的鱼类检测与识别方法 |
CN113180640A (zh) * | 2021-04-30 | 2021-07-30 | 山东大学 | 一种家畜养殖用尺寸测量方法及系统 |
CN113591671A (zh) * | 2021-07-28 | 2021-11-02 | 常州大学 | 一种基于Mask-Rcnn识别鱼类生长检测方法 |
-
2021
- 2021-11-17 CN CN202111361057.0A patent/CN114049577A/zh active Pending
Patent Citations (7)
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 |
WO2020046523A1 (en) * | 2018-08-27 | 2020-03-05 | Aquabyte, Inc. | Optimal feeding based on signals in an aquaculture environment |
CN109784378A (zh) * | 2018-12-27 | 2019-05-21 | 南京芊玥机器人科技有限公司 | 一种基于机器视觉的水下捕鱼方法 |
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 |
CN112668450A (zh) * | 2020-12-24 | 2021-04-16 | 南京泓图人工智能技术研究院有限公司 | 一种基于yolov5的鱼类检测与识别方法 |
CN113180640A (zh) * | 2021-04-30 | 2021-07-30 | 山东大学 | 一种家畜养殖用尺寸测量方法及系统 |
CN113591671A (zh) * | 2021-07-28 | 2021-11-02 | 常州大学 | 一种基于Mask-Rcnn识别鱼类生长检测方法 |
Non-Patent Citations (4)
Title |
---|
HAOTIAN WU ET AL.: "fishery monitoring system with AUV based on YOLO and SGBM", 《PROCEEDINGS OF THE 38TH CHINESE CONTROL CONFERENCE》 * |
张磊: "基于图像处理的公路路面裂缝检测技术研究", 《机械设计与制造工程》 * |
李思发 等: "《中国淡水主要养殖鱼类种质研究》", 28 February 1998, 上海科学技术出版社 * |
王博: "基于Matlab图像处理的水泥路面裂缝检测研究", 《商洛学院学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601301A (zh) * | 2022-09-07 | 2023-01-13 | 中国科学院水生生物研究所(Cn) | 鱼类表型特征测量方法、系统、电子设备及存储介质 |
CN115690546A (zh) * | 2022-12-30 | 2023-02-03 | 正大农业科学研究有限公司 | 虾长测量方法、装置、电子设备及存储介质 |
CN116576782A (zh) * | 2023-03-24 | 2023-08-11 | 青岛励图高科信息技术有限公司 | 一种水下鱼体长度测量方法 |
CN116576782B (zh) * | 2023-03-24 | 2024-02-06 | 青岛励图高科信息技术有限公司 | 一种水下鱼体长度测量方法 |
CN116883828A (zh) * | 2023-08-22 | 2023-10-13 | 中国科学院水生生物研究所 | 一种智能化鱼类生长性能识别方法及分析系统 |
CN116883828B (zh) * | 2023-08-22 | 2023-11-24 | 中国科学院水生生物研究所 | 一种智能化鱼类生长性能识别方法及分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114049577A (zh) | 一种鱼类规格的测量方法及系统 | |
CN109785337B (zh) | 一种基于实例分割算法的栏内哺乳动物清点方法 | |
WO2021051885A1 (zh) | 目标标注的方法及装置 | |
CN106780537B (zh) | 一种基于图像处理的方格蔟蚕茧筛选装置及方法 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN108921057B (zh) | 基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置 | |
WO2017204660A1 (en) | Arrangement and method for measuring the biological mass of fish, and use of the arrangement | |
CN112232978B (zh) | 水产品体长和重量检测方法、终端设备及存储介质 | |
CN109919007B (zh) | 一种生成红外图像标注信息的方法 | |
CN110307903B (zh) | 一种家禽特定部位无接触温度动态测量的方法 | |
CN111160210A (zh) | 一种基于视频的水流速检测方法及系统 | |
CN110246171B (zh) | 一种实时单目视频深度估计方法 | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN114529946A (zh) | 基于自监督学习的行人重识别方法、装置、设备及存储介质 | |
CN111145205B (zh) | 基于红外图像的多猪只场景下猪体温检测方法 | |
CN113658147B (zh) | 一种基于深度学习的工件尺寸测量装置及方法 | |
RU2362164C2 (ru) | Способ измерения объема круглых лесоматериалов | |
CN115830514B (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
CN107292340A (zh) | 基于卷积神经网络的侧线鳞识别方法 | |
CN110705698A (zh) | 尺度自适应感知的目标计数深度网络设计方法 | |
CN112153320B (zh) | 一种物品尺寸的测量方法、装置、电子设备和存储介质 | |
CN114998185A (zh) | 一种基于YOLOv5模型的泥浆泌水率实时检测方法 | |
CN114596437A (zh) | 一种图像背景分割方法及系统 | |
CN113554606B (zh) | 一种深度学习的图像分析方法 | |
CN115100688B (zh) | 一种基于深度学习的鱼类资源快速识别方法和系统 |
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 |