CN114255203A - 一种鱼苗数量估计方法及系统 - Google Patents

一种鱼苗数量估计方法及系统 Download PDF

Info

Publication number
CN114255203A
CN114255203A CN202011003948.4A CN202011003948A CN114255203A CN 114255203 A CN114255203 A CN 114255203A CN 202011003948 A CN202011003948 A CN 202011003948A CN 114255203 A CN114255203 A CN 114255203A
Authority
CN
China
Prior art keywords
fry
sample
image
matrix
quantity estimation
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
CN202011003948.4A
Other languages
English (en)
Other versions
CN114255203B (zh
Inventor
孙龙清
孙希蓓
李道亮
孙美娜
吴雨寒
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.)
China Agricultural University
Original Assignee
China Agricultural 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 China Agricultural University filed Critical China Agricultural University
Priority to CN202011003948.4A priority Critical patent/CN114255203B/zh
Publication of CN114255203A publication Critical patent/CN114255203A/zh
Application granted granted Critical
Publication of CN114255203B publication Critical patent/CN114255203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种鱼苗数量估计方法及系统，该方法包括：对待识别的鱼苗图像进行热力图处理，得到鱼苗热力矩阵；将所述鱼苗热力矩阵输入到训练好的鱼苗数量估计模型中，得到所述鱼苗图像中的鱼苗数量，其中，所述训练好的鱼苗数量估计模型是通过标记有鱼苗标签的样本鱼苗热力矩阵，对卷积神经网络进行训练得到的。本发明实施例通过将鱼苗图像的热力矩阵集与卷积神经网络模型结合，获取鱼苗图像中鱼苗数量的估计结果，能快速和便捷地对鱼苗数量进行估计，提高了鱼苗数量估计的准确度和效率，节省大量人力物力成本。

Description

一种鱼苗数量估计方法及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种鱼苗数量估计方法及系统。
背景技术
水产养殖是农业生产的重要组成部分，其中鱼苗数量的统计是渔业养殖的重要指标之一。随着对鱼类需求量的不断上升，鱼苗生产规模也不断地扩大，在鱼苗的饲养、运输和销售等环节均需对其数量进行控制。
现有的鱼苗数量估计普遍采用传统的采样人工统计方法，容易对鱼类本身造成损害；或者采用探测仪器，利用声呐等方法进行测量，但是此类方法只能对鱼苗的数量进行粗略的估计，结果误差较大。
因此，现在亟需一种鱼苗数量估计方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种鱼苗数量估计方法及系统。
第一方面，本发明实施例提供了一种鱼苗数量估计方法，包括：
对待识别的鱼苗图像进行热力图处理，得到鱼苗热力矩阵；
将所述鱼苗热力矩阵输入到训练好的鱼苗数量估计模型中，得到所述鱼苗图像中的鱼苗数量，其中，所述训练好的鱼苗数量估计模型是通过标记有鱼苗标签的样本鱼苗热力矩阵，对卷积神经网络进行训练得到的。
进一步地，所述训练好的鱼苗数量估计模型通过以下步骤训练得到：
对样本鱼苗图像进行灰度图像处理，得到样本鱼苗灰度图像；
对所述样本鱼苗图像和所述样本鱼苗灰度图像进行热力图处理，得到样本图像热力矩阵；
根据所述样本鱼苗灰度图像和所述样本图像热力矩阵，生成样本鱼苗热力矩阵，并对所述样本鱼苗热力矩阵的鱼苗区域标记鱼苗标签，构建样本数据集；
根据所述样本数据集，对卷积神经网络进行训练，得到训练好的鱼苗数量估计模型。
进一步地，在所述对样本鱼苗图像进行灰度图像处理，得到对应的样本鱼苗灰度图像之前，所述方法还包括：
通过自适应高斯混合模型，对样本图像中的背景区域和前景区域进行分离，得到样本鱼苗图像；
对所述样本鱼苗图像进行图像平滑处理，以根据图像平滑处理后的样本鱼苗图像构建样本训练集。
进一步地，所述对样本鱼苗图像进行灰度图像处理，得到样本鱼苗灰度图像，包括：
通过OTSU阈值分割法，对所述样本鱼苗图像进行分割处理，得到样本鱼苗灰度图像。
进一步地，所述对所述样本鱼苗图像和所述样本鱼苗灰度图像进行热力图处理，得到样本图像热力矩阵，包括：
对所述样本鱼苗图像进行热力图处理，得到双通道特征融合图；
将所述双通道特征融合图和所述样本鱼苗灰度图像进行联结处理，得到联结图；
将所述联结图进行热力图处理，得到样本图像热力图；
对所述样本图像热力图中所有R通道的值进行提取，得到样本图像热力矩阵。
进一步地，所述根据所述样本鱼苗灰度图像和所述样本图像热力矩阵，生成样本鱼苗热力矩阵，包括：
将所述样本鱼苗灰度图像进行二值化处理，得到样本鱼苗灰度矩阵；
将所述样本鱼苗灰度矩阵中鱼苗的像素点，替换为所述样本图像热力矩阵中所对应的值，得到样本鱼苗热力矩阵。
第二方面，本发明实施例提供了一种鱼苗数量估计系统，包括：
鱼苗热力图生成模块，用于对待识别的鱼苗图像进行热力图处理，得到鱼苗热力矩阵；
鱼苗数量估计模块，用于将所述鱼苗热力矩阵输入到训练好的鱼苗数量估计模型中，得到所述鱼苗图像中的鱼苗数量，其中，所述训练好的鱼苗数量估计模型是通过标记有鱼苗标签的样本鱼苗热力矩阵，对卷积神经网络进行训练得到的。
进一步地，所述系统还包括：
灰度图处理模块，用于对样本鱼苗图像进行灰度图像处理，得到样本鱼苗灰度图像；
热力图处理模块，用于对所述样本鱼苗图像和所述样本鱼苗灰度图像进行热力图处理，得到样本图像热力矩阵；
样本数据集构建模块，用于根据所述样本鱼苗灰度图像和所述样本图像热力矩阵，生成样本鱼苗热力矩阵，并对所述样本鱼苗热力矩阵的鱼苗区域标记鱼苗标签，构建样本数据集；
训练模块，用于根据所述样本数据集，对卷积神经网络进行训练，得到训练好的鱼苗数量估计模型。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种鱼苗数量估计方法及系统，通过将鱼苗图像的热力矩阵集与卷积神经网络模型结合，获取鱼苗图像中鱼苗数量的估计结果，能快速和便捷地对鱼苗数量进行估计，提高了鱼苗数量估计的准确度和效率，节省大量人力物力成本。
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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例提供的鱼苗数量估计方法的流程示意图；
图2为本发明实施例提供的鱼苗数量估计系统的结构示意图；
图3为本发明实施例提供的电子设备结构示意图。
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。基于本发明中的实施例，本领域普通技术人员在没有作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。
图1为本发明实施例提供的鱼苗数量估计方法的流程示意图，如图1所示，本发明实施例提供了一种鱼苗数量估计方法，包括：
步骤101，对待识别的鱼苗图像进行热力图处理，得到鱼苗热力矩阵；
步骤102，将所述鱼苗热力矩阵输入到训练好的鱼苗数量估计模型中，得到所述鱼苗图像中的鱼苗数量，其中，所述训练好的鱼苗数量估计模型是通过标记有鱼苗标签的样本鱼苗热力矩阵，对卷积神经网络进行训练得到的。
在本发明实施例中，采集若干幅待检测鱼苗的图像，基于深度学习的方法提取鱼苗图像的灰度图和热力图等特征，将得到的热力矩阵集与卷积神经网络模型结合，用训练之后的网络模型对热力矩阵集进行测试，得到模型的结果反馈，最终获取网络模型输出的待检测的鱼苗数量的估计结果。需要说明的是，本发明实施例提供的鱼苗数量估计方法，适用于对各类鱼的鱼苗数量进行估计。
本发明实施例提供的鱼苗数量估计方法，通过将鱼苗图像的热力矩阵集与卷积神经网络模型结合，获取鱼苗图像中鱼苗数量的估计结果，能快速和便捷地对鱼苗数量进行估计，提高了鱼苗数量估计的准确度和效率，节省大量人力物力成本。
在上述实施例的基础上，所述训练好的鱼苗数量估计模型通过以下步骤训练得到：
步骤S1，对样本鱼苗图像进行灰度图像处理，得到样本鱼苗灰度图像；
步骤S2，对所述样本鱼苗图像和所述样本鱼苗灰度图像进行热力图处理，得到样本图像热力矩阵；
步骤S3，根据所述样本鱼苗灰度图像和所述样本图像热力矩阵，生成样本鱼苗热力矩阵，并对所述样本鱼苗热力矩阵的鱼苗区域标记鱼苗标签，构建样本数据集；
步骤S4，根据所述样本数据集，对卷积神经网络进行训练，得到训练好的鱼苗数量估计模型。
在本发明实施例中，通过光学相机和摄像机等图像采集设备，采集待识别的鱼苗图像。对于每一待识别的鱼苗，可以采集若干幅图像。若干幅，指一幅或多幅。采集多幅图像时，可以分别通过不同的方向采集鱼苗的多个不同角度的图像。在通过图像采集设备采集待识别的鱼苗的图像之后，获取图像采集设备采集的待识别的鱼苗的若干幅图像，本发明实施例通过获取现有若干幅样本鱼苗图像对模型进行训练。优选地，在本发明实施例中，对收集到的样本鱼苗图像进行图像平滑，采用中值滤波的方法减小噪声对样本鱼苗图像的干扰，即用一个奇数点的窗口，将窗口中心点的值用窗口内各点的中值代替，可以减少图片杂质。
进一步地，从样本鱼苗图像中提取前景图像，然后，通过步骤S1，基于提取到的前景图像，对原始样本鱼苗图像中对应前景区域进行OTSU阈值分割法处理，从而对样本鱼苗图像进行分割，得到鱼体目标图像，即得到样本鱼苗灰度图像。
在上述实施例的基础上，在得到样本鱼苗灰度图像之后，所述对所述样本鱼苗图像和所述样本鱼苗灰度图像进行热力图处理，得到样本图像热力矩阵，包括：
对所述样本鱼苗图像进行热力图处理，得到双通道特征融合图；
将所述双通道特征融合图和所述样本鱼苗灰度图像进行联结处理，得到联结图；
将所述联结图进行热力图处理，得到样本图像热力图；
对所述样本图像热力图中所有R通道的值进行提取，得到样本图像热力矩阵。
在本发明实施例中，在步骤S2中，使用热力图通道构建新的特征图，具体为，通过1×1大小的卷积核对将原始的样本鱼苗图像(即步骤S1中未进行灰度图像处理的原始图像，为RGB图像)进行步长为1的卷积，得到一个双通道特征融合图，并将此双通道特征融合图与上述实施例中通过原始的样本鱼苗图像获得的对应样本鱼苗灰度图像进行联结，得到联结图；然后，通过大小为3×3的卷积核对联结图进行步长为1的卷积，重新得到一个联结图，即热力图；再提取该热力图中所有的R通道的值，生成一个样本图像热力矩阵。
进一步地，在上述实施例的基础上，所述根据所述样本鱼苗灰度图像和所述样本图像热力矩阵，生成样本鱼苗热力矩阵，包括：
将所述样本鱼苗灰度图像进行二值化处理，得到样本鱼苗灰度矩阵；
将所述样本鱼苗灰度矩阵中鱼苗的像素点，替换为所述样本图像热力矩阵中所对应的值，得到样本鱼苗热力矩阵。
在本发明实施例中，将步骤S1中获取得到的样本鱼苗灰度图像二值化为灰度矩阵，即将图像中鱼体的像素标记为255，其余部分像素标记为0，并且将所有值为255的像素点全部替换为步骤S3得到的样本图像热力矩阵中所对应的值，从而生成对应的样本鱼苗热力矩阵，并对该样本鱼苗热力矩阵的鱼苗区域标记鱼苗标签，构建样本数据集。最后，通过该样本训练集对卷积神经网络进行训练，从而得到训练好的鱼苗数量估计模型。
进一步地，在本发明实施例中，卷积神经网络由卷积层、下采样层和全连接层组成，输入图像在卷积层与滤波器进行卷积，得到若干个特征图，接着在下采样层进行模糊和泛化，最后通过全连接层输出用于识别图像的特征。其中，卷积层、池化层和全连接层的层数可以为一个或多个；卷积神经网络用于根据待检测的鱼苗图像，获取该图像的特征向量；卷积层，用于进行特征提取。将前一层的输出作为卷积层的输入，卷积层的输入经过大小固定的卷积操作得到卷积层的输出。卷积层第一个输出的计算公式为：
Figure BDA0002695254970000071
其中，f表示函数符号；l表示卷积层的序号；
Figure BDA0002695254970000072
和
Figure BDA0002695254970000073
分别表示当前卷积层(第l层卷积层)的第j个特征图和上一卷积层(第l-1层卷积层)的第i个特征图；
Figure BDA0002695254970000074
表示从上一卷积层的第i个特征图到当前卷积的第j个特征图的卷积核；
Figure BDA0002695254970000075
表示当前卷积层的第j个偏置；f(x)表示神经元的激活函数；Mj表示第l-1层卷积层池化映射的个数。
池化层主要用于进行图像处理的卷积神经网络中；卷积层是对图像的一个邻域进行卷积得到图像的邻域特征；池化层则是使用池化(pooling)方法将小邻域内的特征点整合得到新的特征，池化的结果是使得特征减少、参数减少，降低特征图的维度，但池化的还包括为了保持某种不变性(旋转、平移和伸缩等)以及为了保留更多的纹理等信息。
常用的池化方法包括均值池化(mean-pooling)、最大池化(max-pooling)和随机池化(Stochastic-pooling)三种。mean-pooling，即对邻域内特征点只求平均；max-pooling，即对邻域内特征点取最大。根据相关理论，特征提取的误差主要来自两个方面：一方面是邻域大小受限造成的估计值方差增大；另一方面是卷积层参数误差造成估计均值的偏移。一般来说，mean-pooling能减小第一种误差，更多的保留图像的背景信息；max-pooling能减小第二种误差，更多的保留纹理信息；Stochastic-pooling则介于两者之间，通过对像素点按照数值大小赋予概率，再按照概率进行亚采样，在平均意义上，与mean-pooling近似，在局部意义上，则服从max-pooling的准则。
本发明实施例的池化方法，可以采用上述三种池化方法中的任一种。例如，通过最大池化方法进行特征图进行降维，具体公式为：
Figure BDA0002695254970000081
其中，g表示函数符号；
Figure BDA0002695254970000082
表示当前卷积层(第l层卷积层)的第i个特征图；s×s表示池化模板的尺度；
Figure BDA0002695254970000083
表示
Figure BDA0002695254970000084
对应的模板的权值；
Figure BDA0002695254970000085
表示当前卷积层的第i个偏置。
全连接层在整个卷积神经网络中起到分类器的作用。全连接层是将该全连接层的上一层的任何一个神经元与该全连接层的所有神经元都进行连接，将学习到的“分布式特征表示”映射到样本标记空间。在实际使用中，全连接层可由卷积操作实现：对上一层是全连接的全连接层，可以转化为卷积核为1x1的卷积。全连接层的输出结果可以表示为：
Figure BDA0002695254970000086
其中，S表示函数符号；
Figure BDA0002695254970000087
表示全连接层第j个神经元的输出值，
Figure BDA0002695254970000088
表示该全连接层的上一层第i个神经元的输出值，
Figure BDA0002695254970000089
表示从该全连接层的上一层的第i个神经元到该全连接层的第j个神经元的卷积核，
Figure BDA00026952549700000810
为该全连接层的第j个偏置。
本发明实施例选用5000个带有人工标注标签的样本鱼苗热力矩阵，并将该矩阵数据集按照4:1的比例划分出训练集和测试集，从而对上述卷积神经网络进行训练。在本发明实施例中，标签可用于计算鱼苗的数量，对于每一待检测图像，通过人工计算鱼苗的数量，将人工识别的结果作为标签。进一步，将处理后提取得到的灰度图和热力图等特征输入至卷积神经网络模型，通过模型获取每一幅图像的特征向量；然后，卷积神经网络模型对各幅图像的特征向量进行识别，输出得到图像中的鱼苗数量。具体地，本发明实施例将每一幅图像的特征分别输入至卷积神经网络模型中与该图像对应的子网络中，以使得每一幅图像对应的子网络输出该图像的特征向量。
最后，用训练后的卷积神经网络模型对步骤S3中生成的样本鱼苗热力矩阵进行测试并得到结果反馈，最终获得估算出的样本鱼苗图像中的鱼苗数量，从而得到训练好的鱼苗数量估计模型。
在上述实施例的基础上，在所述对样本鱼苗图像进行灰度图像处理，得到对应的样本鱼苗灰度图像之前，所述方法还包括：
通过自适应高斯混合模型，对样本图像中的背景区域和前景区域进行分离，得到样本鱼苗图像；
对所述样本鱼苗图像进行图像平滑处理，以根据图像平滑处理后的样本鱼苗图像构建样本训练集。
在本发明实施例中，首先利用自适应高斯混合模型，根据样本图像的背景区域和前景目标区域在灰度上的差异，获取样本图像的前景图像和背景图像，从而实现一幅样本图像的背景和前景分离，在本发明实施例中，前景图像即为样本鱼苗图像。然后，对前景图像进行图像平滑，采用中值滤波的方法，从而减小噪声对图像的干扰。
在上述实施例的基础上，所述对样本鱼苗图像进行灰度图像处理，得到样本鱼苗灰度图像，包括：
通过OTSU阈值分割法，对所述样本鱼苗图像进行分割处理，得到样本鱼苗灰度图像。
在本发明实施中，对原始图像中的对应前景区域进行OTSU阈值分割法处理，得到鱼体目标。其中，设置待分割的原始图像为I，高为H，宽度为W，histogramI代表归一化的灰度直方图，histogramI(k)代表灰度值等于k的像素点个数在图像中占的比例，k∈[0,255]，计算公式如下：
计算灰度直方图的零阶累积矩：
Figure BDA0002695254970000091
计算灰度直方图的一阶累积矩：
Figure BDA0002695254970000092
计算待分割图像I总体的灰度平均值mean：
mean＝oneCumMoment(255)；
计算每一个灰度级作为阈值时，前景区域的平均灰度、背景区域的平均灰度于整幅图像的平均灰度的方差σ2(k),k∈[0,255]，并获取最大的σ2(k)，对应的k即为OTSU自动选取的阈值，即：
thresh＝argk∈[0,255)max(σ2(k))；
然后采用平均值法将图像转化为灰度图像。将彩色图像中的R、G、B三个分量的亮度求平均得到一个灰度值gray(i,j)：
Figure BDA0002695254970000101
图2为本发明实施例提供的鱼苗数量估计系统的结构示意图，如图2所示，本发明实施例提供了一种鱼苗数量估计系统，包括鱼苗热力图生成模块201和鱼苗数量估计模块202，其中，鱼苗热力图生成模块201用于对待识别的鱼苗图像进行热力图处理，得到鱼苗热力矩阵；鱼苗数量估计模块202用于将所述鱼苗热力矩阵输入到训练好的鱼苗数量估计模型中，得到所述鱼苗图像中的鱼苗数量，其中，所述训练好的鱼苗数量估计模型是通过标记有鱼苗标签的样本鱼苗热力矩阵，对卷积神经网络进行训练得到的。
本发明实施例提供的鱼苗数量估计系统，通过将鱼苗图像的热力矩阵集与卷积神经网络模型结合，获取鱼苗图像中鱼苗数量的估计结果，能快速和便捷地对鱼苗数量进行估计，提高了鱼苗数量估计的准确度和效率，节省大量人力物力成本。
在上述实施例的基础上，所述系统还包括灰度图处理模块、热力图处理模块、样本数据集构建模块和训练模块，其中，灰度图处理模块用于对样本鱼苗图像进行灰度图像处理，得到样本鱼苗灰度图像；热力图处理模块用于对所述样本鱼苗图像和所述样本鱼苗灰度图像进行热力图处理，得到样本图像热力矩阵；样本数据集构建模块用于根据所述样本鱼苗灰度图像和所述样本图像热力矩阵，生成样本鱼苗热力矩阵，并对所述样本鱼苗热力矩阵的鱼苗区域标记鱼苗标签，构建样本数据集；训练模块用于根据所述样本数据集，对卷积神经网络进行训练，得到训练好的鱼苗数量估计模型。
本发明实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图3为本发明实施例提供的电子设备结构示意图，参照图3，该电子设备可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行如下方法：对待识别的鱼苗图像进行热力图处理，得到鱼苗热力矩阵；将所述鱼苗热力矩阵输入到训练好的鱼苗数量估计模型中，得到所述鱼苗图像中的鱼苗数量，其中，所述训练好的鱼苗数量估计模型是通过标记有鱼苗标签的样本鱼苗热力矩阵，对卷积神经网络进行训练得到的。
此外，上述的存储器303中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的鱼苗数量估计方法，例如包括：对待识别的鱼苗图像进行热力图处理，得到鱼苗热力矩阵；将所述鱼苗热力矩阵输入到训练好的鱼苗数量估计模型中，得到所述鱼苗图像中的鱼苗数量，其中，所述训练好的鱼苗数量估计模型是通过标记有鱼苗标签的样本鱼苗热力矩阵，对卷积神经网络进行训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种鱼苗数量估计方法，其特征在于，包括：
对待识别的鱼苗图像进行热力图处理，得到鱼苗热力矩阵；
将所述鱼苗热力矩阵输入到训练好的鱼苗数量估计模型中，得到所述鱼苗图像中的鱼苗数量，其中，所述训练好的鱼苗数量估计模型是通过标记有鱼苗标签的样本鱼苗热力矩阵，对卷积神经网络进行训练得到的。
2.根据权利要求1所述的鱼苗数量估计方法，其特征在于，所述训练好的鱼苗数量估计模型通过以下步骤训练得到：
对样本鱼苗图像进行灰度图像处理，得到样本鱼苗灰度图像；
对所述样本鱼苗图像和所述样本鱼苗灰度图像进行热力图处理，得到样本图像热力矩阵；
根据所述样本鱼苗灰度图像和所述样本图像热力矩阵，生成样本鱼苗热力矩阵，并对所述样本鱼苗热力矩阵的鱼苗区域标记鱼苗标签，构建样本数据集；
根据所述样本数据集，对卷积神经网络进行训练，得到训练好的鱼苗数量估计模型。
3.根据权利要求2所述的鱼苗数量估计方法，其特征在于，在所述对样本鱼苗图像进行灰度图像处理，得到对应的样本鱼苗灰度图像之前，所述方法还包括：
通过自适应高斯混合模型，对样本图像中的背景区域和前景区域进行分离，得到样本鱼苗图像；
对所述样本鱼苗图像进行图像平滑处理，以根据图像平滑处理后的样本鱼苗图像构建样本训练集。
4.根据权利要求2所述的鱼苗数量估计方法，其特征在于，所述对样本鱼苗图像进行灰度图像处理，得到样本鱼苗灰度图像，包括：
通过OTSU阈值分割法，对所述样本鱼苗图像进行分割处理，得到样本鱼苗灰度图像。
5.根据权利要求2所述的鱼苗数量估计方法，其特征在于，所述对所述样本鱼苗图像和所述样本鱼苗灰度图像进行热力图处理，得到样本图像热力矩阵，包括：
对所述样本鱼苗图像进行热力图处理，得到双通道特征融合图；
将所述双通道特征融合图和所述样本鱼苗灰度图像进行联结处理，得到联结图；
将所述联结图进行热力图处理，得到样本图像热力图；
对所述样本图像热力图中所有R通道的值进行提取，得到样本图像热力矩阵。
6.根据权利要求2所述的鱼苗数量估计方法，其特征在于，所述根据所述样本鱼苗灰度图像和所述样本图像热力矩阵，生成样本鱼苗热力矩阵，包括：
将所述样本鱼苗灰度图像进行二值化处理，得到样本鱼苗灰度矩阵；
将所述样本鱼苗灰度矩阵中鱼苗的像素点，替换为所述样本图像热力矩阵中所对应的值，得到样本鱼苗热力矩阵。
7.一种鱼苗数量估计系统，其特征在于，包括：
鱼苗热力图生成模块，用于对待识别的鱼苗图像进行热力图处理，得到鱼苗热力矩阵；
鱼苗数量估计模块，用于将所述鱼苗热力矩阵输入到训练好的鱼苗数量估计模型中，得到所述鱼苗图像中的鱼苗数量，其中，所述训练好的鱼苗数量估计模型是通过标记有鱼苗标签的样本鱼苗热力矩阵，对卷积神经网络进行训练得到的。
8.根据权利要求7所述的鱼苗数量估计系统，其特征在于，所述系统还包括：
灰度图处理模块，用于对样本鱼苗图像进行灰度图像处理，得到样本鱼苗灰度图像；
热力图处理模块，用于对所述样本鱼苗图像和所述样本鱼苗灰度图像进行热力图处理，得到样本图像热力矩阵；
样本数据集构建模块，用于根据所述样本鱼苗灰度图像和所述样本图像热力矩阵，生成样本鱼苗热力矩阵，并对所述样本鱼苗热力矩阵的鱼苗区域标记鱼苗标签，构建样本数据集；
训练模块，用于根据所述样本数据集，对卷积神经网络进行训练，得到训练好的鱼苗数量估计模型。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至6任一项所述鱼苗数量估计方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述鱼苗数量估计方法的步骤。
CN202011003948.4A 2020-09-22 2020-09-22 一种鱼苗数量估计方法及系统 Active CN114255203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011003948.4A CN114255203B (zh) 2020-09-22 2020-09-22 一种鱼苗数量估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011003948.4A CN114255203B (zh) 2020-09-22 2020-09-22 一种鱼苗数量估计方法及系统

Publications (2)

Publication Number Publication Date
CN114255203A true CN114255203A (zh) 2022-03-29
CN114255203B CN114255203B (zh) 2024-04-09

Family

ID=80788485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011003948.4A Active CN114255203B (zh) 2020-09-22 2020-09-22 一种鱼苗数量估计方法及系统

Country Status (1)

Country Link
CN (1) CN114255203B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897848A (zh) * 2022-05-20 2022-08-12 中国农业大学 一种鱼苗计数方法、装置、电子设备与存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600577A (zh) * 2016-11-10 2017-04-26 华南理工大学 一种基于深度反卷积神经网络的细胞计数方法
WO2018082185A1 (zh) * 2016-11-03 2018-05-11 广州视源电子科技股份有限公司 图像处理方法和装置
CN108563975A (zh) * 2017-07-31 2018-09-21 汉鼎宇佑互联网股份有限公司 一种基于深度学习的高密度人群人数估计方法
WO2019242329A1 (zh) * 2018-06-20 2019-12-26 北京七鑫易维信息技术有限公司 一种卷积神经网络训练方法及装置
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
WO2020169043A1 (zh) * 2019-02-21 2020-08-27 苏州大学 一种密集人群计数的方法、装置、设备以及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018082185A1 (zh) * 2016-11-03 2018-05-11 广州视源电子科技股份有限公司 图像处理方法和装置
CN106600577A (zh) * 2016-11-10 2017-04-26 华南理工大学 一种基于深度反卷积神经网络的细胞计数方法
CN108563975A (zh) * 2017-07-31 2018-09-21 汉鼎宇佑互联网股份有限公司 一种基于深度学习的高密度人群人数估计方法
WO2019242329A1 (zh) * 2018-06-20 2019-12-26 北京七鑫易维信息技术有限公司 一种卷积神经网络训练方法及装置
WO2020169043A1 (zh) * 2019-02-21 2020-08-27 苏州大学 一种密集人群计数的方法、装置、设备以及存储介质
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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897848A (zh) * 2022-05-20 2022-08-12 中国农业大学 一种鱼苗计数方法、装置、电子设备与存储介质

Also Published As

Publication number Publication date
CN114255203B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN108510504B (zh) 图像分割方法和装置
CN110263819A (zh) 一种用于贝类图像的目标检测方法及装置
CN109740721B (zh) 麦穗计数方法及装置
CN110807775A (zh) 基于人工智能的中医舌像分割装置、方法及存储介质
JP6341650B2 (ja) 画像処理装置、画像処理方法及びプログラム
CN107506792B (zh) 一种半监督的显著对象检测方法
CN109615614B (zh) 基于多特征融合的眼底图像中血管的提取方法与电子设备
CN110046574A (zh) 基于深度学习的安全帽佩戴识别方法及设备
CN112418327B (zh) 图像分类模型的训练方法、装置、电子设备以及存储介质
CN110363103B (zh) 虫害识别方法、装置、计算机设备及存储介质
CN112750106A (zh) 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质
EP3989161A1 (en) Method and system for leaf age estimation based on morphological features extracted from segmented leaves
JP6107531B2 (ja) 特徴抽出プログラム及び情報処理装置
CN114444565B (zh) 一种图像篡改检测方法、终端设备及存储介质
CN112861718A (zh) 一种轻量级特征融合人群计数方法及系统
CN111882555B (zh) 基于深度学习的网衣检测方法、装置、设备及存储介质
CN111968081A (zh) 鱼群自动计数方法、装置、电子设备及存储介质
CN112598013A (zh) 基于神经网络的计算机视觉处理方法
CN107274425B (zh) 一种基于脉冲耦合神经网络的彩色图像分割方法及装置
JP7300027B2 (ja) 画像処理装置、画像処理方法、学習装置、学習方法、及びプログラム
CN104573701B (zh) 一种玉米雄穗性状的自动检测方法
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
CN110874835A (zh) 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质
CN114255203B (zh) 一种鱼苗数量估计方法及系统
CN114170224B (zh) 应用生成式染色归一化的细胞病理分类的系统及方法

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