CN114359539A - 一种生鱼片中寄生虫高光谱图像智能识别方法 - Google Patents
一种生鱼片中寄生虫高光谱图像智能识别方法 Download PDFInfo
- Publication number
- CN114359539A CN114359539A CN202210263992.1A CN202210263992A CN114359539A CN 114359539 A CN114359539 A CN 114359539A CN 202210263992 A CN202210263992 A CN 202210263992A CN 114359539 A CN114359539 A CN 114359539A
- Authority
- CN
- China
- Prior art keywords
- model
- image
- derivative
- sashimi
- range
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 244000045947 parasite Species 0.000 title claims abstract description 26
- 238000001228 spectrum Methods 0.000 title claims description 28
- 230000003595 spectral effect Effects 0.000 claims abstract description 53
- 241000251468 Actinopterygii Species 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 235000013372 meat Nutrition 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000003287 optical effect Effects 0.000 abstract description 2
- 239000012620 biological material Substances 0.000 description 7
- 235000013601 eggs Nutrition 0.000 description 5
- 238000013145 classification model Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 210000003104 cytoplasmic structure Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000007431 microscopic evaluation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000399 optical microscopy Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/12—Meat; Fish
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Nonlinear Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于光学检测技术领域,公开了一种生鱼片中寄生虫高光谱图像智能识别方法,所述方法具体包括如下步骤:步骤1:获取生鱼片的300~1100nm范围内的高光谱图像;步骤2:提取高光谱图像在437~446nm波长中任一波长值时的灰度图像;对灰度图像进行中值滤波、二值化处理,可得到图像中鱼肉的位置范围;步骤3:提取高光谱图像中位置范围的像素点的光谱信号,将光谱信号进行一阶导数处理后得到一阶导数平均光谱信号,将一阶导数平均光谱信号导入到预设的第一模型、第二模型、第三模型中进行分析。该方法可精确度高的分辨出鱼片中的虫体。
Description
技术领域
本发明涉及光学检测技术领域,具体为一种生鱼片中寄生虫高光谱图像智能识别方法。
背景技术
CN201980030718.6公开了一种用于识别和任选地定量生物来源的离散对象的方法和系统,所述生物来源为诸如细胞、细胞质结构、寄生虫、寄生虫卵等,它们典型地是显微分析的对象。其可以以用于训练计算机识别样本中的目标生物材料的方法的形式来实施。该方法可以包括访问多个训练图像,所述训练图像通过包含目标生物材料和任选地非目标生物材料的一个或多个样本的光学显微术获得。训练图像由人类或计算机裁剪以产生裁剪图像,每个裁剪图像主要显示目标生物材料。然后,人类在可能识别的裁剪图像中的每一个中识别目标生物材料,并将识别标签与可能识别的裁剪图像中的每一个相关联。然后,将计算机实现的特征提取方法应用于每个标记的裁剪图像。然后,将计算机实现的学习方法应用于每个标记的裁剪图像,以将生物材料的提取特征与目标生物材料相关联。
具体到鱼片中的虫卵识别中,上述方法存在如下问题:
参考图1,图1中,虫卵和鱼片边缘的颜色相对较难分辨;参考图2,图2示出了生鱼片区域不同对象的原始平均光谱信号,图2中的光谱信号难于分辨和区别,无法实现虫体的分辨。
本方案所要解决的技术问题是:如何准确的分辨出鱼片中虫体。
发明内容
本发明的目的在于提供一种生鱼片中寄生虫高光谱图像智能识别方法,该方法可精确度高的分辨出鱼片中的虫体。
为实现上述目的,本发明提供如下技术方案:一种生鱼片中寄生虫高光谱图像智能识别方法,所述方法具体包括如下步骤:
步骤1:获取生鱼片的300~1100nm范围内的高光谱图像;
步骤2:提取高光谱图像在437~446nm波长中任一波长值时的灰度图像;对灰度图像进行中值滤波、二值化处理,可得到图像中鱼肉的位置范围;
步骤3:提取高光谱图像中位置范围的像素点的光谱信号,将光谱信号进行一阶导数处理,将一阶导数处理后的光谱信号导入到预设的第一模型、第二模型、第三模型中进行分析;
第一模型用于对484.88~655.95 nm范围内的一阶导数平均光谱信号进行分析,以表征虫体、鱼肉的边缘和鱼肉;
第二模型用于对368.37~461.18nm范围内的一阶导数平均光谱信号进行分析,以表征虫体和鱼肉;
第三模型用于对892.64~1002.86nm范围内的一阶导数平均光谱信号进行分析,以表征虫体和鱼肉的边缘;
通过第一模型、第二模型、第三模型识别该生鱼片中是否有寄生虫。
通过第一模型、第二模型、第三模型识别该生鱼片中是否有寄生虫的具体方法为:第一模型可以识别是否有寄生虫,第二模型可以识别是否为鱼肉,第三模型识别是否为边缘,如果第一模型识别为寄生虫且第二模型第三模型均未识别其为鱼肉和边缘,则该像素点为寄生虫。
在上述的生鱼片中寄生虫高光谱图像智能识别方法中,所述高光谱图像中有M*N个像素点,每个像素点具有光谱信号;
步骤2具体为:提取每个像素点的光谱信号在437~446nm波长中任一波长值时的灰度值,将M*N个像素点的光谱信号在437~446nm波长中任一波长值时的灰度值组合成为一个灰度图像;对灰度图像进行中值滤波、二值化处理、黑白翻转得到黑白图像,可得到黑白图像中鱼肉的位置范围。
在上述的生鱼片中寄生虫高光谱图像智能识别方法中,所述步骤3中第一模型、第二模型、第三模型的训练方法为:
步骤31:预先获取训练用的生鱼片的高光谱图像;
步骤32:将高光谱图像中的鱼肉、虫体、鱼肉边缘的像素点进行标识和分别取出;
步骤33:将步骤32得到的各像素点的484.88~655.95 nm范围内的一阶导数平均光谱信号导入到第一模型中进行训练,将步骤32得到的像素点的368.37~461.18nm范围内的一阶导数平均光谱信号导入到第二模型中进行训练,将步骤32得到的像素点的892.64~1002.86nm范围内的一阶导数平均光谱信号导入到第三模型中进行训练;
所述一阶导数平均光谱信号是指多条经过一阶导数处理的光谱信号在各波长处的响应值的集合。
在上述的生鱼片中寄生虫高光谱图像智能识别方法中,所述步骤3中的将光谱信号进行一阶导数处理的具体方法为:
先对步骤3中的光谱信号进行SG平滑滤波处理、SNV校正处理,最后进行一阶导数求导处理即可。
在上述的生鱼片中寄生虫高光谱图像智能识别方法中,所述步骤3还包括:根据第一模型、第二模型、第三模型所识别出属于虫体的像素点,得到虫体的所代表的像素点的集合以及该像素点的位置。
与现有技术相比,本发明的有益效果是:
本发明在437~446nm范围内选择一个波长对高光谱图像进行处理,可以非常准确的分辨肉片和背景,可将肉片的位置进行定位,然后再建立的模型,选择484.88~655.95nm、368.37~461.18nm、892.64~1002.86nm范围内的一阶导数平均光谱信号导入对应的模型中进行分析,可通过三个模型分别对虫体、鱼肉的边缘、鱼肉进行表征、对虫体和鱼肉进行表征、对虫体和鱼肉的边缘进行表征,通过三个模型的计算结果,可得到鱼片中是否有虫卵的结果,其相比于仅仅采用主模型-第一模型进行分析的准确度要明显的高。
附图说明
图1为生鱼片的照片;
图2为图1的高光谱图像的光谱信号;
图3为图1经过灰度处理后的黑白图形;
图4为高光谱图像的光谱信号经一阶导数处理后得到的光谱信号;
图5为中值滤波算法对灰度图像进行处理的示意图。
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。
实施例1
一种生鱼片中寄生虫高光谱图像智能识别方法,所述方法具体包括如下步骤:
步骤1:获取生鱼片的300~1100nm范围内的高光谱图像;高光谱图像中有M*N个像素点,每个像素点具有光谱信号;
该高光谱图像如图2所示,可见图2中,虫体、鱼肉的边缘、鱼肉三者很难分别开,虽然在图2中400nm左右、980nm左右能分辨开三种肉质,但是这容易受到鱼片厚度、光源角度等干扰噪声信号漂移,即不同的条件的鱼片会产生较为明显的差异性。
步骤2:提取高光谱图像在437~446nm波长中任一波长值时的灰度图像;对灰度图像进行中值滤波、二值化处理,可得到图像中鱼肉的位置范围;更为具体来说,本步骤具体为:提取每个像素点的光谱信号在437nm波长时的灰度值,将M*N个像素点的光谱信号在437nm波长时的灰度值组合成为一个灰度图像;对灰度图像进行中值滤波、二值化处理、黑白翻转得到黑白图像,可得到黑白图像中鱼肉的位置范围,具体可参考图3;
中值滤波借助图片上小区域内像素值差异较小的特点,可有效去除图像中可能存在的噪声点。参考图5,本案例采用3 × 3大小的滤波窗口。将窗口的中间位置像素值用窗口所有像素的平均值取代。窗口在整个图片上按照从左至右,从上至下依次移动窗口,每次移动1个像素格。
二值化处理是将灰度图像(像素值为0-255)转变为黑白图像(0纯黑和1纯白),有利于目标在图像上的定位。本案例中二值化阈值为0.8,即灰度值大于255*0.8=127.5的均变为纯白1,否则均变为纯黑1。
这是本案的一个重要创新点所在,本实施例试验过437~446nm之外的其他波长,均无法实现鱼肉区域(含鱼肉边缘)和背景的分离。在本实施例中,参考图3,在437nm处可以完美的实现鱼肉范围的区分。
步骤3:提取高光谱图像中位置范围的像素点的光谱信号,将光谱信号进行一阶导数处理,将一阶导数处理后的光谱信号导入到预设的第一模型、第二模型、第三模型中进行分析;
光谱信号是指关于光谱波段和光谱值之间的曲线,横坐标是波长(wavelength),纵坐标是反射率或光谱能量(refletance),如图2所示。
光谱信号的具体应用可见《西北农业科技大学学报(自然科学版)》,2005年第23卷,主题为《小麦条锈病高光谱遥感监测技术的研究》,蔡成静等著。其图1至4记载了某波段内的光谱信号。
单条光谱响应信号曲线的一阶导数,其计算公式为(光谱能量值X +1 - 光谱能量值X)/(波长X +1 - 波长X),其中X为光谱信号曲线中的第X个点值。
第一模型用于对484.88~655.95 nm范围内的一阶导数平均光谱信号进行分析,以表征虫体、鱼肉的边缘、鱼肉;
第二模型用于对368.37~461.18nm范围内的一阶导数平均光谱信号进行分析,以表征虫体和鱼肉;
第三模型用于对892.64~1002.86nm范围内的一阶导数平均光谱信号进行分析,以表征虫体和鱼肉的边缘;
如果第一模型、第二模型、第三模型识别出虫体的特征,则代表该生鱼片中有寄生虫,同时,根据第一模型、第二模型、第三模型识别出的属于虫体的像素点,得到虫体的所代表的像素点的集合以及该像素点的位置。
在本实施例中,所述步骤3中第一模型、第二模型、第三模型的训练方法为:
步骤31:预先获取训练用的生鱼片的高光谱图像;
步骤32:将高光谱图像中的鱼肉、虫体、鱼肉边缘的像素点进行标识和分别取出;
步骤33:将步骤32得到的各像素点的484.88~655.95 nm范围内的一阶导数平均光谱信号导入到第一模型中进行训练,将步骤32得到的像素点的368.37~461.18nm范围内的一阶导数平均光谱信号导入到第二模型中进行训练,将步骤32得到的像素点的892.64~1002.86nm范围内的一阶导数平均光谱信号导入到第三模型中进行训练。
一阶导数平均光谱信号的定义是:多条光谱响应信号曲线的一阶导数平均光谱信号为多条光谱响应信号曲线的一阶微曲线对应响应值的平均值。
多条光谱响应信号曲线是指同一个对象如同为虫体的多个像素的光谱响应信号曲线;光谱响应信号曲线进行一阶求导后得到一阶微曲线,多个一阶微曲线所对应的响应值的平均值所组成的曲线为一阶导数平均光谱信号;
比如在第一模型中,虽然图4中484.88-655.95 nm 的一阶导数处理的光谱信号区分并不如 368.37-461.18nm和892.64-1002.86nm的区间区别明显,但是484.88-655.95 nm区间的一阶导数平均光谱信号存在三个对象的所代表的曲线的曲率变化不同、交汇点不同、波形不同,最终其对鱼肉、虫体、边缘的区分贡献是最大的。
第一模型、第二模型、第三模型均为概率神经网络PNN,重复步骤31-33多次,可以得到成熟的第一模型、第二模型、第三模型。
采用 484.88-655.95 nm 一阶导数光谱建立虫体、鱼肉、边缘的主分类模型,本实验的识别正确率为 89.88%。采用 368.37-461.18nm 一阶导数光谱建立虫体和鱼肉的核定分类模型,本实验的识别正确率为 92.86%。892.64-1002.86nm 一阶导数光谱建立虫体和边缘的核定分类模型,本实验的识别正确率为 93.75%。
综上所述,基于以上三个模型和本实施例的方法,生鱼片的虫卵识别率可达到95%。
Claims (5)
1.一种生鱼片中寄生虫高光谱图像智能识别方法,其特征在于,所述方法具体包括如下步骤:
步骤1:获取生鱼片的300~1100nm范围内的高光谱图像;
步骤2:提取高光谱图像在437~446nm波长中任一波长值时的灰度图像;对灰度图像进行中值滤波、二值化处理,可得到图像中鱼肉的位置范围;
步骤3:提取高光谱图像中位置范围的像素点的光谱信号,将光谱信号进行一阶导数处理,将一阶导数处理后的光谱信号导入到预设的第一模型、第二模型、第三模型中进行分析;
第一模型用于对484.88~655.95 nm范围内的一阶导数平均光谱信号进行分析,以表征虫体、鱼肉的边缘和鱼肉;
第二模型用于对368.37~461.18nm范围内的一阶导数平均光谱信号进行分析,以表征虫体和鱼肉;
第三模型用于对892.64~1002.86nm范围内的一阶导数平均光谱信号进行分析,以表征虫体和鱼肉的边缘;
通过第一模型、第二模型、第三模型识别该生鱼片中是否有寄生虫。
2.根据权利要求1所述的生鱼片中寄生虫高光谱图像智能识别方法,其特征在于,所述高光谱图像中有M*N个像素点,每个像素点具有光谱信号;
步骤2具体为:提取每个像素点的光谱信号在437~446nm波长中任一波长值时的灰度值,将M*N个像素点的光谱信号在437~446nm波长中任一波长值时的灰度值组合成为一个灰度图像;对灰度图像进行中值滤波、二值化处理、黑白翻转得到黑白图像,可得到黑白图像中鱼肉的位置范围。
3.根据权利要求1所述的生鱼片中寄生虫高光谱图像智能识别方法,其特征在于,所述步骤3中第一模型、第二模型、第三模型的训练方法为:
步骤31:预先获取训练用的生鱼片的高光谱图像;
步骤32:将高光谱图像中的鱼肉、虫体、鱼肉边缘的像素点进行标识和分别取出;
步骤33:将步骤32得到的各像素点的484.88~655.95 nm范围内的一阶导数平均光谱信号导入到第一模型中进行训练,将步骤32得到的像素点的368.37~461.18nm范围内的一阶导数平均光谱信号导入到第二模型中进行训练,将步骤32得到的像素点的892.64~1002.86nm范围内的一阶导数平均光谱信号导入到第三模型中进行训练;
所述一阶导数平均光谱信号是指多条经过一阶导数处理的光谱信号在各波长处的响应值的集合。
4.根据权利要求1所述的生鱼片中寄生虫高光谱图像智能识别方法,其特征在于,所述步骤3中的将光谱信号进行一阶导数处理的具体方法为:
先对步骤3中的光谱信号进行SG平滑滤波处理、SNV校正处理,最后进行一阶导数求导处理即可。
5.根据权利要求1所述的生鱼片中寄生虫高光谱图像智能识别方法,其特征在于,所述步骤3还包括:根据第一模型、第二模型、第三模型所识别出属于虫体的像素点,得到虫体的所代表的像素点的集合以及该像素点的位置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210263992.1A CN114359539B (zh) | 2022-03-17 | 2022-03-17 | 一种生鱼片中寄生虫高光谱图像智能识别方法 |
US18/050,478 US11727669B1 (en) | 2022-03-17 | 2022-10-28 | Intelligent recognition method of hyperspectral image of parasites in raw fish |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210263992.1A CN114359539B (zh) | 2022-03-17 | 2022-03-17 | 一种生鱼片中寄生虫高光谱图像智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114359539A true CN114359539A (zh) | 2022-04-15 |
CN114359539B CN114359539B (zh) | 2022-06-21 |
Family
ID=81094331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210263992.1A Active CN114359539B (zh) | 2022-03-17 | 2022-03-17 | 一种生鱼片中寄生虫高光谱图像智能识别方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11727669B1 (zh) |
CN (1) | CN114359539B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CL2022003307A1 (es) * | 2022-11-24 | 2023-01-06 | Un sistema y método para la identificación de especies pelágicas fuera del agua. | |
CN117705754A (zh) * | 2023-11-30 | 2024-03-15 | 浙江大学 | 一种基于高光谱成像的纺织品聚酯纤维含量在线检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007286041A (ja) * | 2006-03-24 | 2007-11-01 | Nippon Suisan Kaisha Ltd | 異物の検出方法 |
US20080064058A1 (en) * | 2004-09-30 | 2008-03-13 | Paratest Aps | Method and System for Detection of Trichinella Larvae in Meat Samples |
US20080199080A1 (en) * | 2007-02-21 | 2008-08-21 | Board Of Regents Of University Of Nebraska | System and method for analyzing material properties using hyperspectral imaging |
CN102890092A (zh) * | 2012-10-12 | 2013-01-23 | 浙江大学 | 用于水蜜桃褐腐病缺陷检测的特征角余弦值方法 |
CN103487380A (zh) * | 2013-09-16 | 2014-01-01 | 浙江科技学院 | 一种梨树叶片上梨锈病斑的识别方法 |
CN111008970A (zh) * | 2019-12-11 | 2020-04-14 | 江南大学 | 基于高光谱图像采集系统的梅干菜中杂质检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11798662B2 (en) | 2018-03-07 | 2023-10-24 | Verdict Holdings Pty Ltd | Methods for identifying biological material by microscopy |
US11475689B2 (en) * | 2020-01-06 | 2022-10-18 | X Development Llc | Fish biomass, shape, size, or health determination |
US11490601B2 (en) * | 2020-12-23 | 2022-11-08 | X Development Llc | Self-calibrating ultrasonic removal of ectoparasites from fish |
-
2022
- 2022-03-17 CN CN202210263992.1A patent/CN114359539B/zh active Active
- 2022-10-28 US US18/050,478 patent/US11727669B1/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080064058A1 (en) * | 2004-09-30 | 2008-03-13 | Paratest Aps | Method and System for Detection of Trichinella Larvae in Meat Samples |
JP2007286041A (ja) * | 2006-03-24 | 2007-11-01 | Nippon Suisan Kaisha Ltd | 異物の検出方法 |
US20080199080A1 (en) * | 2007-02-21 | 2008-08-21 | Board Of Regents Of University Of Nebraska | System and method for analyzing material properties using hyperspectral imaging |
CN102890092A (zh) * | 2012-10-12 | 2013-01-23 | 浙江大学 | 用于水蜜桃褐腐病缺陷检测的特征角余弦值方法 |
CN103487380A (zh) * | 2013-09-16 | 2014-01-01 | 浙江科技学院 | 一种梨树叶片上梨锈病斑的识别方法 |
CN111008970A (zh) * | 2019-12-11 | 2020-04-14 | 江南大学 | 基于高光谱图像采集系统的梅干菜中杂质检测方法 |
Non-Patent Citations (2)
Title |
---|
WOLD J P ET AL: "Detection of parasites in cod filletsby using SIMCA classification in multispectral images in the visible andNIR region", 《APPLIED SPECTROSCOPY》 * |
杨贤林: "基于成像技术的海产鱼片中异尖线虫检测", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技I辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114359539B (zh) | 2022-06-21 |
US11727669B1 (en) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhargava et al. | Fruits and vegetables quality evaluation using computer vision: A review | |
Doh et al. | Automatic citrus fruit disease detection by phenotyping using machine learning | |
CN114359539B (zh) | 一种生鱼片中寄生虫高光谱图像智能识别方法 | |
EP2927311A1 (en) | Cell observation device, cell observation method and program thereof | |
Wang et al. | Mobile smart device-based vegetable disease and insect pest recognition method | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
Masood et al. | Plants disease segmentation using image processing | |
CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
Chandy | RGBD analysis for finding the different stages of maturity of fruits in farming | |
CN105067532A (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
Hekim et al. | A hybrid model based on the convolutional neural network model and artificial bee colony or particle swarm optimization-based iterative thresholding for the detection of bruised apples | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN110929787B (zh) | 一种基于图像的苹果客观定级系统 | |
CN114199880A (zh) | 一种基于边缘计算的柑橘病虫害实时检测方法 | |
JP6313886B1 (ja) | 捕獲虫類の同定方法 | |
CN112257730A (zh) | 植物害虫图像识别方法、装置、设备及存储介质 | |
Taujuddin et al. | Detection of plant disease on leaves using blobs detection and statistical analysis | |
CN116721385A (zh) | 一种基于机器学习的rgb摄像头数据蓝藻水华监测方法 | |
Choudhury | Segmentation techniques and challenges in plant phenotyping | |
KR101907563B1 (ko) | 초분광 영상을 이용한 유정란 내부 배아 생존유무 판별방법 | |
Saad et al. | Bio-inspired vision fusion for quality assessment of harumanis mangoes | |
Bini et al. | Intelligent agrobots for crop yield estimation using computer vision | |
CN113239837A (zh) | 一种基于机器学习的自然环境下绿色番茄识别方法 | |
Chang et al. | A feature extraction approach based on Hough transform to estimate growth responses of leaf lettuce |
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 |