CN114299494B - 一种水产品图像虫卵圆形特征检测方法及系统 - Google Patents
一种水产品图像虫卵圆形特征检测方法及系统 Download PDFInfo
- Publication number
- CN114299494B CN114299494B CN202210063026.5A CN202210063026A CN114299494B CN 114299494 B CN114299494 B CN 114299494B CN 202210063026 A CN202210063026 A CN 202210063026A CN 114299494 B CN114299494 B CN 114299494B
- Authority
- CN
- China
- Prior art keywords
- fixed point
- edgmat
- aquatic product
- value
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种水产品图像虫卵圆形特征检测方法及系统，通过对水产品图像进行灰度化与归一化处理得到预处理图像，并对预处理图像进行边缘检测得到边缘线图，在边缘线图进行定点得到搜索定点，根据搜索定点进行搜索检测出虫卵，实现了并行地对水产品样本图像进行圆形检测高效识别出虫卵并节约了时间成本的有益效果。
Description
技术领域
本发明属于生物检测技术、智能图像识别领域，具体涉及一种水产品图像虫卵圆形特征检测方法及系统。
背景技术
在水生动物的养殖生产中，基于养殖环境水质的客观差异，水产品与微生物在生产环境中的接触难以避免，有机饲养环境下的水产品感染寄生虫的概率有着增大的趋势。水产品感染的寄生虫会在水产品的肉质中留下虫卵，在其流通至市场被使用后难以被识别，误服的虫卵会对人体的健康产生深远持久的危害。虫卵多为圆形，在水产品进入市场流通前的加工流水线上单凭肉眼的识别效率准确率低且时间成本大。在申请号为CN202121308822.8的专利文献中提出的一种水产品中寄生虫检测用多功能透光台，尽管可进行多种类型水产品寄生虫的检验及用于检验结果的拍摄记录，但不能够对水产品样本中的虫卵通过图像采样的方式进行大规模并行化的检测，不足以对虫卵进行识别，时间成本大。
发明内容
本发明的目的在于提出一种水产品图像虫卵圆形特征检测方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
本发明提供了一种水产品图像虫卵圆形特征检测方法及系统，通过对水产品图像进行灰度化与归一化处理得到预处理图像，并对预处理图像进行边缘检测得到边缘线图，在边缘线图进行定点得到搜索定点，根据搜索定点进行搜索检测出虫卵。
为了实现上述目的，根据本发明的一方面，提供一种水产品图像虫卵圆形特征检测方法，所述方法包括以下步骤：
S100，利用扫描仪对水产品样本进行扫描得到水产品图像；
S200，对水产品图像进行灰度化与归一化处理得到预处理图像；
S300，对预处理图像进行边缘检测得到边缘线图；
S400，对边缘线图进行定点，得到搜索定点；
S500，根据搜索定点，进行搜索检测出疑似为虫卵的图像区域。
进一步地，在S100中，利用扫描仪对水产品样本进行扫描得到水产品图像的方法为：将水产品样本切割成形状相同面积相等厚度相等的多个薄片，将各个薄片均匀地平铺于一个平面上使用数字切片扫描系统或者电子显微镜进行扫描得到水产品图像，所述扫描仪即为数字切片扫描系统或者电子显微镜，在平台上各个薄片的边缘相互贴合，由此实现对多份不同的水产品样本进行并行的扫描与识别的效果，其中，水产包括大头鳕、罗非鱼、大头鱼、鲫鱼、塘角鱼与鲶鱼中的任意一种或多种。
进一步地，在S200中，对水产品图像进行灰度化与归一化处理得到预处理图像的方法为：使用灰度变换归一化将水产品图像的图像矩阵处理为预处理图像。
进一步地，在S300中，对预处理图像进行边缘检测得到边缘线图的方法为：使用Holistically-Nested Edge Detection 算法对预处理图像进行边缘检测，检测预处理图像上不同部分的边缘线，将预处理图像上的被检测为边缘线的像素点的像素值设置为1而其余的像素点的像素值设置为0，由此得到边缘线图。
进一步地，在S400中，对边缘线图进行定点，得到搜索定点的方法为：
将边缘线图记为图像矩阵Edgmat，记Edgmat的行的数量为n，Edgmat的列的数量为m，Edgmat的行的序号为i，i∈[1,n]，Edgmat的列的序号为j，j∈[1,m]，Edgmat中行序号为i列序号为j的元素为Edgmat(i,j)，像素点Edgmat(i,j)的像素值为edgmat(i,j)，对Edgmat进行计算其中各元素的定点值，定点值为对边缘线图中的像素点定位的进行定位计算得到的数值，记获取定点值的函数为f()，f(Edgmat(i,j))表示Edgmat(i,j)的定点值，计算f(Edgmat(i,j))的公式为，
其中，函数exp为以自然常数e为底的指数函数，sin表示正弦函数，π表示圆周率，计算f(Edgmat(i,j))的公式即为定点值的计算方法，计算定点值有益于在图像矩阵上快速定位出像素点具有高于其圆周范围内的像素点的像素值的数值变化趋势的像素点，由此在定位出图像上疑似虫卵区域的计算过程中减少了时间复杂度；
选出Edgmat中定点值f(Edgmat(i,j))数值最大的元素: 定点值数值最大的值为定点峰值，定点峰值为Edgmat中所有像素点的定点值的算术平均值或局部最大值，当Edgmat中存在多个元素的定点值等于定点峰值，选取 Edgmat中定点值等于定点峰值的多个元素，则选取其中的行序号与列序号相减的绝对值乘以行序号与列序号相加的和所得的积数值最大的一个元素，并以该一个元素作为搜索定点；若否，则将定点值数值最大的元素作为搜索定点；所得搜索定点作为进行搜索检测出虫卵的起始的像素点，由此实现了减低计算时间复杂度的效果。
进一步地，在S500中，根据搜索定点，进行搜索检测出疑似为虫卵的图像区域的方法为：
将边缘线图的图像矩阵记为矩阵Edgmat，记Edgmat的行的数量为n，Edgmat的列的数量为m，Edgmat的行的序号为i，i∈[1,n]，Edgmat的列的序号为j，j∈[1,m]，Edgmat中行序号为i列序号为j的元素为Edgmat(i,j)，搜索定点的行序号为i1，搜索定点的列序号为j1，搜索定点为Edgmat中行序号为i1列序号为j1的Edgmat(i1,j1)，i1属于[1,n]且j1属于[1,m]，将所得搜索定点作为进行搜索检测出虫卵的起始的像素点；
在以搜索定点Edgmat(i1,j1)为圆心处设置一个半径为r的圆记作圆O(i1,j1)， r的取值为正整数，r的数值的单位为像素，r的初始值为1像素；
使用圆O(i1,j1)，以搜索定点作为进行搜索检测出虫卵的起始的像素点，进行搜索的具体步骤为：
S501，设置集合rset以收集边缘线图中落在圆O(i1,j1)边上的各像素点；令集合rset的初始值为空；
S502，把边缘线图中落在圆O(i1,j1)边上的各像素点的像素值加入集合rset中；将集合rset中的各元素以变量ri表示，ri∈rset；
S503，设置变量Pit表示集合rset中元素的含量的筛选水平，筛选水平为进行筛选的数值，Pit的计算公式为，
根据集合rset中的元素计算出Pit的数值；
S504，进行判断是否满足Pit≥π，若是则转到S506，若否则转到S505；
S505，清空rset中的元素；令r数值增加1，使圆O(i1,j1)的边扩大；判断r的数值是否大于n乘以m的平方根，若是则转到S506，若否则转到S502；
S506，将圆O(i1,j1)的圆心坐标及其半径r输出；
由此得到输出后，圆O(i1,j1)的覆盖范围即为疑似为虫卵的图像区域，有利于批量式对图像进行圆周方向上的搜索，搜索出图像矩阵上存在圆形或近圆形的区域，实现了对水产品虫卵的圆形识别与检测。
本发明还提供了一种水产品图像虫卵圆形特征检测系统，所述一种水产品图像虫卵圆形特征检测系统包括：处理器、存储器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所述一种水产品图像虫卵圆形特征检测方法中的步骤以此应用于一种水产品图像虫卵圆形特征检测方法的虫卵识别，所述一种水产品图像虫卵圆形特征检测系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
样品扫描单元，用于利用扫描仪对水产品样本进行扫描得到水产品图像；
图像预处理单元，用于对水产品图像进行灰度化与归一化处理得到预处理图像；
边缘线检测单元，用于对预处理图像进行边缘检测得到边缘线图；
搜索定点单元，用于对边缘线图进行定点，得到搜索定点；
虫卵检测单元，用于根据搜索定点，进行搜索检测出虫卵。
本发明的有益效果为：本发明提供了一种水产品图像虫卵圆形特征检测方法及系统，通过对水产品图像进行灰度化与归一化处理得到预处理图像，并对预处理图像进行边缘检测得到边缘线图，在边缘线图进行定点得到搜索定点，根据搜索定点进行搜索检测出虫卵，实现了并行地对水产品样本图像进行圆形检测高效识别出虫卵并节约了时间成本的有益效果。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，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的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为一种水产品图像虫卵圆形特征检测方法的流程图；
图2所示为一种水产品图像虫卵圆形特征检测系统的系统结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
如图1所示为根据本发明的一种水产品图像虫卵圆形特征检测方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种水产品图像虫卵圆形特征检测方法及系统。
本发明提出一种水产品图像虫卵圆形特征检测方法，所述方法具体包括以下步骤：
S100，利用扫描仪对水产品样本进行扫描得到水产品图像；
S200，对水产品图像进行灰度化与归一化处理得到预处理图像；
S300，对预处理图像进行边缘检测得到边缘线图；
S400，对边缘线图进行定点，得到搜索定点；
S500，根据搜索定点，进行搜索检测出虫卵。
进一步地，在S100中，利用扫描仪对水产品样本进行扫描得到水产品图像的方法为：将水产品样本利用切割设备切割成形状相同面积相等厚度相等的多个薄片，将各个薄片均匀地平铺于一个平面上使用扫描仪进行扫描得到水产品图像，在平台上各个薄片的边缘相互贴合。
进一步地，在S200中，对水产品图像进行灰度化与归一化处理得到预处理图像的方法为：使用灰度变换归一化将水产品图像的图像矩阵处理为预处理图像。
进一步地，在S300中，对预处理图像进行边缘检测得到边缘线图的方法为：使用Holistically-Nested Edge Detection 算法(参见论文：Xie S, Tu Z. Holistically-Nested Edge Detection. IEEE, 2015.) 对预处理图像进行边缘检测，检测预处理图像上不同部分的边缘线，将预处理图像上的被检测为边缘线的像素点的像素值设置为1而其余的像素点的像素值设置为0，由此得到边缘线图。
进一步地，在S400中，对边缘线图进行定点，得到搜索定点的方法为：
将边缘线图记为图像矩阵Edgmat，记Edgmat的行的数量为n，Edgmat的列的数量为m，Edgmat的行的序号为i，i∈[1,n]，Edgmat的列的序号为j，j∈[1,m]，Edgmat中行序号为i列序号为j的元素为Edgmat(i,j)，像素点Edgmat(i,j)的像素值为edgmat(i,j)，对Edgmat进行计算其中各元素的定点值，定点值为对边缘线图中的像素点定位的进行定位计算得到的数值，记获取定点值的函数为f()，f(Edgmat(i,j))表示Edgmat(i,j)的定点值，计算f(Edgmat(i,j))的公式为，
其中，函数exp为以自然常数e为底的指数函数，sin表示正弦函数，π表示圆周率，计算f(Edgmat(i,j))的公式即为定点值的计算方法；
选出Edgmat中定点值f(Edgmat(i,j))数值最大的元素，进行判断定点值数值最大的元素是否有多于一个，若定点值数值最大的元素是有多于一个，则选取其中的行序号与列序号相减的绝对值乘以行序号与列序号相加的和所得的积数值最大的一个元素，并以该一个元素作为搜索定点；若否，则将定点值数值最大的元素作为搜索定点；所得搜索定点作为进行搜索检测出虫卵的起始的像素点。
进一步地，在S500中，根据搜索定点，进行搜索检测出虫卵的方法为：
将边缘线图的图像矩阵记为矩阵Edgmat，记Edgmat的行的数量为n，Edgmat的列的数量为m，Edgmat的行的序号为i，i∈[1,n]，Edgmat的列的序号为j，j∈[1,m]，Edgmat中行序号为i列序号为j的元素为Edgmat(i,j)，搜索定点的行序号为i1，搜索定点的列序号为j1，搜索定点为Edgmat中行序号为i1列序号为j1的Edgmat(i1,j1)，i1属于[1,n]且j1属于[1,m]，将所得搜索定点作为进行搜索检测出虫卵的起始的像素点；
在以搜索定点Edgmat(i1,j1)为圆心处设置一个半径为r的圆记作圆O(i1,j1)， r的取值为正整数，r的数值的单位为像素，r的初始值为1像素；
使用圆O(i1,j1)，以搜索定点作为进行搜索检测出虫卵的起始的像素点，进行搜索的具体步骤为：
S501，设置集合rset以收集边缘线图中落在圆O(i1,j1)边上的各像素点；令集合rset的初始值为空；
S502，把边缘线图中落在圆O(i1,j1)边上的各像素点加入集合rset中；将集合rset中的各元素以变量ri表示，ri∈rset；
S503，设置变量Pit表示集合rset中元素的含量的筛选水平，Pit的计算公式为，
根据集合rset中的元素计算出Pit的数值；
S504，进行判断是否满足Pit≥π，若是则转到S506，若否则转到S505；
S505，清空rset中的元素；令r数值增加1，使圆O(i1,j1)的边扩大；判断r的数值是否大于n乘以m的平方根，若是则转到S506，若否则转到S502；
S506，将圆O(i1,j1)的圆心坐标及其半径r输出；
由输出所得，圆O(i1,j1)的在水产品图像上对应的圆内封闭区间即为虫卵的监测区域。
所述一种水产品图像虫卵圆形特征检测系统包括：处理器、存储器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上述一种水产品图像虫卵圆形特征检测方法实施例中的步骤以此控制一种水产品图像虫卵圆形特征检测方法的虫卵识别应用，所述一种水产品图像虫卵圆形特征检测系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群。
本发明的实施例提供的一种水产品图像虫卵圆形特征检测系统，如图2所示，该实施例的一种水产品图像虫卵圆形特征检测系统包括：处理器、存储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上述一种水产品图像虫卵圆形特征检测方法实施例中的步骤以应用于一种水产品图像虫卵圆形特征检测方法的虫卵识别，所述处理器执行所述计算机程序运行在以下系统的单元中：
样品扫描单元，用于利用扫描仪对水产品样本进行扫描得到水产品图像；
图像预处理单元，用于对水产品图像进行灰度化与归一化处理得到预处理图像；
边缘线检测单元，用于对预处理图像进行边缘检测得到边缘线图；
搜索定点单元，用于对边缘线图进行定点，得到搜索定点；
虫卵检测单元，用于根据搜索定点，进行搜索检测出虫卵。
所述一种水产品图像虫卵圆形特征检测系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中。所述一种水产品图像虫卵圆形特征检测系统包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种水产品图像虫卵圆形特征检测方法及系统的示例，并不构成对一种水产品图像虫卵圆形特征检测方法及系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种水产品图像虫卵圆形特征检测系统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)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立元器件门电路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，所述处理器是所述一种水产品图像虫卵圆形特征检测系统的控制中心，利用各种接口和线路连接整个一种水产品图像虫卵圆形特征检测系统的各个分区域。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种水产品图像虫卵圆形特征检测方法及系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明提供了一种水产品图像虫卵圆形特征检测方法及系统，通过对水产品图像进行灰度化与归一化处理得到预处理图像，并对预处理图像进行边缘检测得到边缘线图，在边缘线图进行定点得到搜索定点，根据搜索定点进行搜索检测出虫卵，实现了并行地对水产品样本图像进行圆形检测高效识别出虫卵并节约了时间成本的有益效果。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (4)
1.一种水产品图像虫卵圆形特征检测方法，其特征在于，所述方法包括以下步骤：
S100，利用扫描仪对水产品样本进行扫描得到水产品图像；
S200，对水产品图像进行灰度化与归一化处理得到预处理图像；
S300，对预处理图像进行边缘检测得到边缘线图；
S400，对边缘线图进行定点，得到搜索定点；
S500，根据搜索定点，进行搜索检测出疑似为虫卵的图像区域；
其中，在S300中，对预处理图像进行边缘检测得到边缘线图的方法为：使用Holistically-Nested Edge Detection 算法对预处理图像进行边缘检测，检测预处理图像上不同部分的边缘线，将预处理图像上的被检测为边缘线的像素点的像素值设置为1而其余的像素点的像素值设置为0，由此得到边缘线图；
在S400中，对边缘线图进行定点，得到搜索定点的方法为：
将边缘线图记为图像矩阵Edgmat，记Edgmat的行的数量为n，Edgmat的列的数量为m，Edgmat的行的序号为i，i∈[1,n]，Edgmat的列的序号为j，j∈[1,m]，Edgmat中行序号为i列序号为j的元素为Edgmat(i,j)，像素点Edgmat(i,j)的像素值为edgmat(i,j)，对Edgmat进行计算其中各元素的定点值，记获取定点值的函数为f()，f(Edgmat(i,j))表示Edgmat(i,j)的定点值，计算f(Edgmat(i,j))的公式为，
计算f(Edgmat(i,j))的公式即为定点值的计算方法；
选出Edgmat中定点值f(Edgmat(i,j))数值: 定点值数值最大的值为定点峰值，或者定点峰值为Edgmat中所有像素点的定点值的算术平均值，当Edgmat中存在多个元素的定点值等于定点峰值，选取 Edgmat中定点值等于定点峰值的多个元素，则选取其中的行序号与列序号相减的绝对值乘以行序号与列序号相加的和所得的积数值最大的一个元素，并以该一个元素作为搜索定点；若否，则将定点值数值最大的元素作为搜索定点；所得搜索定点作为进行搜索检测出虫卵的起始的像素点；
在S500中，根据搜索定点，进行搜索检测出疑似为虫卵的图像区域的方法为：
搜索定点的行序号为i1，搜索定点的列序号为j1，搜索定点为Edgmat中行序号为i1列序号为j1的Edgmat(i1,j1)，i1属于[1,n]且j1属于[1,m]，将所得搜索定点作为进行搜索检测出虫卵的起始的像素点；
在以搜索定点Edgmat(i1,j1)为圆心处设置一个半径为r的圆记作圆O(i1,j1)， r的取值为正整数，r的数值的单位为像素，r的初始值为1像素；
使用圆O(i1,j1)，以搜索定点作为进行搜索检测出虫卵的起始的像素点，进行搜索的具体步骤为：
S501，设置集合rset以收集边缘线图中落在圆O(i1,j1)边上的各像素点；令集合rset的初始值为空；
S502，把边缘线图中落在圆O(i1,j1)边上的各像素点的像素值加入集合rset中；将集合rset中的各元素以变量ri表示，ri∈rset；
S503，设置变量Pit表示集合rset中元素的含量的筛选水平，Pit的计算公式为，
根据集合rset中的元素计算出Pit的数值；
S504，进行判断是否满足Pit≥π，若是则转到S506，若否则转到S505；
S505，清空rset中的元素；令r数值增加1，使圆O(i1,j1)的边扩大；判断r的数值是否大于n乘以m的平方根，若是则转到S506，若否则转到S502；
S506，将圆O(i1,j1)的圆心坐标及其半径r输出；
由此，圆O(i1,j1)的覆盖范围即为疑似为虫卵的图像区域。
2.根据权利要求1所述的一种水产品图像虫卵圆形特征检测方法，其特征在于，在S100中，利用扫描仪对水产品样本进行扫描得到水产品图像的方法为：将水产品样本切割成形状相同面积相等厚度相等的多个薄片，将各个薄片均匀地平铺于一个平面上进行扫描得到水产品图像，在平台上各个薄片的边缘相互贴合。
3.根据权利要求1所述的一种水产品图像虫卵圆形特征检测方法，其特征在于，在S200中，对水产品图像进行灰度化与归一化处理得到预处理图像的方法为：使用灰度变换归一化将水产品图像的图像矩阵处理为预处理图像。
4.一种水产品图像虫卵圆形特征检测系统，其特征在于，包括：处理器、存储器及存储在所述存储器中并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权利要求1至3中任一项的一种水产品图像虫卵圆形特征检测方法中的步骤，所述一种水产品图像虫卵圆形特征检测系统运行于桌上型计算机、笔记本、掌上电脑及云端数据中心的计算设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210063026.5A CN114299494B (zh) | 2022-01-20 | 2022-01-20 | 一种水产品图像虫卵圆形特征检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210063026.5A CN114299494B (zh) | 2022-01-20 | 2022-01-20 | 一种水产品图像虫卵圆形特征检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114299494A CN114299494A (zh) | 2022-04-08 |
| CN114299494B true CN114299494B (zh) | 2022-07-22 |
Family
ID=80978286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210063026.5A Active CN114299494B (zh) | 2022-01-20 | 2022-01-20 | 一种水产品图像虫卵圆形特征检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114299494B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102073872A (zh) * | 2011-01-20 | 2011-05-25 | 中国疾病预防控制中心寄生虫病预防控制所 | 基于图像的寄生虫虫卵形状识别方法 |
| CN104392240A (zh) * | 2014-10-28 | 2015-03-04 | 中国疾病预防控制中心寄生虫病预防控制所 | 一种基于多特征融合的寄生虫虫卵识别方法 |
| CN107545572A (zh) * | 2016-06-23 | 2018-01-05 | 爱威科技股份有限公司 | 图像中目标的处理方法和装置 |
| CN111582276A (zh) * | 2020-05-29 | 2020-08-25 | 北京语言大学 | 一种基于多特征融合的寄生虫虫卵的识别方法及系统 |
| CN111797706A (zh) * | 2020-06-11 | 2020-10-20 | 昭苏县西域马业有限责任公司 | 一种基于图像的寄生虫虫卵形状识别系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9773154B2 (en) * | 2015-10-09 | 2017-09-26 | Universidad Nacional Autónoma de México | System for the identification and quantification of helminth eggs in environmental samples |
-
2022
- 2022-01-20 CN CN202210063026.5A patent/CN114299494B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102073872A (zh) * | 2011-01-20 | 2011-05-25 | 中国疾病预防控制中心寄生虫病预防控制所 | 基于图像的寄生虫虫卵形状识别方法 |
| CN104392240A (zh) * | 2014-10-28 | 2015-03-04 | 中国疾病预防控制中心寄生虫病预防控制所 | 一种基于多特征融合的寄生虫虫卵识别方法 |
| CN107545572A (zh) * | 2016-06-23 | 2018-01-05 | 爱威科技股份有限公司 | 图像中目标的处理方法和装置 |
| CN111582276A (zh) * | 2020-05-29 | 2020-08-25 | 北京语言大学 | 一种基于多特征融合的寄生虫虫卵的识别方法及系统 |
| CN111797706A (zh) * | 2020-06-11 | 2020-10-20 | 昭苏县西域马业有限责任公司 | 一种基于图像的寄生虫虫卵形状识别系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| "基于图像边界特征的人体寄生虫虫卵形状分类算法研究";李峰 等;《计算机科学》;20120515;第39卷(第5期);第261-265页 * |
| "基于机器视觉的寄生虫卵显微图像自动识别研究";孟鑫;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20180115(第01期);I138-1104 * |
| Kristofer E. delas Peñas 等."Automated Detection of Helminth Eggs in Stool Samples Using Convolutional Neural Networks".《2020 IEEE REGION 10 CONFERENCE (TENCON)》.2020,第750-755段. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114299494A (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113466232B (zh) | 一种基于计算机图像的脆化鱼肉快速检测方法及系统 | |
| Osman et al. | A novel automated image analysis method for accurate adipocyte quantification | |
| CN112862756B (zh) | 识别甲状腺肿瘤病理图像中病变类型及基因突变的方法 | |
| CN116067964B (zh) | 一种利用缩合单宁促进鱼肌肉脆化的方法及系统 | |
| Carrión et al. | Automatic wound detection and size estimation using deep learning algorithms | |
| Doyle et al. | Morphometric methods for the analysis and classification of gastropods: a comparison using Littorina littorea | |
| CN117333489B (zh) | 一种薄膜破损检测装置及检测系统 | |
| Zhang et al. | MFCIS: an automatic leaf-based identification pipeline for plant cultivars using deep learning and persistent homology | |
| Vaux et al. | Geometric morphometric analysis reveals that the shells of male and female siphon whelks Penion chathamensis are the same size and shape | |
| CN114299494B (zh) | 一种水产品图像虫卵圆形特征检测方法及系统 | |
| CN116778309A (zh) | 残饵监测方法、装置、系统和存储介质 | |
| Poletti et al. | Automatic classification of chromosomes in Q-band images | |
| CN113155784A (zh) | 水体透明度检测方法、终端设备及存储介质 | |
| CN110880035B (zh) | 卷积神经网络的训练方法、装置及结节征象识别方法、装置 | |
| CN116205918A (zh) | 基于图卷积的多模态融合半导体检测方法、装置及介质 | |
| Krasnitz et al. | Target inference from collections of genomic intervals | |
| Soleymani et al. | Developing and integrating advanced movement features improves automated classification of ciliate species | |
| CN115479904A (zh) | 一种饲料单宁快速检测方法及系统 | |
| CN114611386A (zh) | 一种培养基混合比例优化方法、装置、设备及介质 | |
| Waqas et al. | Comparison of Image Features Descriptions for Diagnosis of Leaf Diseases | |
| CN115861275B (zh) | 细胞计数方法、装置、终端设备及介质 | |
| CN116959036B (zh) | 一种鱼脆化程度的评价方法 | |
| CN116663648B (zh) | 模型训练方法、装置、设备及存储介质 | |
| CN114660107B (zh) | 一种利用鱼肠道图像检测饲料中消炎成分的方法及系统 | |
| CN117215218B (zh) | 一种鱼类循环水养殖池的动态排污的控制方法 |
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 |