CN114626460B - 一种藻类图像数据的水下采集与原位识别装置及方法 - Google Patents
一种藻类图像数据的水下采集与原位识别装置及方法 Download PDFInfo
- Publication number
- CN114626460B CN114626460B CN202210254959.2A CN202210254959A CN114626460B CN 114626460 B CN114626460 B CN 114626460B CN 202210254959 A CN202210254959 A CN 202210254959A CN 114626460 B CN114626460 B CN 114626460B
- Authority
- CN
- China
- Prior art keywords
- module
- algae
- camera
- image
- underwater
- 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
- 241000195493 Cryptophyta Species 0.000 title claims abstract description 66
- 238000011065 in-situ storage Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000003287 optical effect Effects 0.000 claims abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 229920000122 acrylonitrile butadiene styrene Polymers 0.000 claims description 25
- 239000003365 glass fiber Substances 0.000 claims description 25
- 239000011229 interlayer Substances 0.000 claims description 22
- 230000002572 peristaltic effect Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000009434 installation Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000010410 layer Substances 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000005498 polishing Methods 0.000 claims description 3
- 239000013049 sediment Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 239000013589 supplement Substances 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Studio Devices (AREA)
Abstract
本发明提供了一种藻类图像数据的水下采集与原位识别装置及方法，利用摄像头实时采集防水箱玻璃纤维面与ABS树脂立面之间夹层内的藻类数据，并传递至图像识别模块进行分析，通过网络模块上传服务器，使用者可以通过网络直接查看识别结果，方便快捷。摄像头下方设置有LED照明模组进行补光，四周设置有若干不同放大倍率的光学镜头，通过滑轨即可移动更换，实现调焦，减轻摄像头负担，便于获取高质量的藻类数据。本发明装置整体构造合理，完成布设后可实现自动化运行。本发明基于人工智能算法能够直接实现藻类种类的识别，提高了藻类监测效率和准确率，降低了监测成本，实现了藻类状态连续监测，为藻类爆发预警提供了技术支撑。
Description
技术领域
本发明属于藻类监测技术领域，尤其涉及一种藻类图像数据的水下采集与原位识别装置及方法。
背景技术
藻类在河湖水体中的大量繁殖，对自然环境和经济社会都会产生较大影响，因而对于藻类的研究仍是水利工程和环境工程领域的重点研究项目之一。
受限于藻类的微小体积以及藻类在水中复杂的运动状态，传统的对于藻类的监测方法，仍是首先获取水样，然后进行室内人工实验为主，数据采集效率低，时效性差；而且目前仍旧缺乏在水下原位获取小尺度上高清晰度的藻类图像数据的水下摄像装置。为此，亟需设计一种针对藻类图像数据进行水下采集与原位识别的装置，从而实现藻类状态的连续监测，并为藻类爆发预警提供重要技术支撑。
发明内容
针对现有技术中存在的不足，本发明提供了一种藻类图像数据的水下采集与原位识别装置及方法，有效解决了现有藻类监测方法所存在的效率低、监测成本高、监测准确率不高的问题。
本发明是通过以下技术手段实现上述技术目的的。
一种藻类图像数据的水下采集与原位识别装置，包括数据采集单元以及与之信号连接的数据处理单元，数据处理单元包括主板，主板上安装有主控模块，主控模块信号连接有控制器模块、恒流驱动模块、存储模块、信号转换模块、调制解调模块、图像识别模块以及网络模块；
数据采集单元包括防水箱，防水箱中安装有摄像头，摄像头通过CIS接口与主控模块信号连接，摄像头正对的防水箱箱面为玻璃纤维面，玻璃纤维面外侧平行布置有一个ABS树脂立面，ABS树脂立面的上端、下端均板与玻璃纤维面外壁面连接，左端和右两端与玻璃纤维面均不连接，ABS树脂立面与玻璃纤维面之间形成一个允许水流通过的夹层。
进一步地，所述防水箱中还安装有环形滑轨，摄像头位于环形滑轨中心，环形滑轨上滑动安装有多个光学镜头支座，光学镜头支座上安装有不同放大倍率的光学镜头，光学镜头的安装高度与摄像头相匹配，光学镜头支座的运动受电机模块控制，电机模块与控制器模块信号连接。
进一步地，所述防水箱中安装有蠕动泵，蠕动泵与恒流驱动模块信号连接；蠕动泵的两根过流管伸出防水箱后分别连接至夹层进水端和出水端。
进一步地，所述摄像头通过摄像头支座安装在防水箱中，摄像头支座上还安装有用于对摄像头拍摄成像区域进行补光的LED照明模组，LED照明模组与主控模块信号连接。
进一步地，所述ABS树脂立面与玻璃纤维面之间间距为0.5mm，ABS树脂立面、玻璃纤维面均经过磁研磨抛光处理。
进一步地，所述防水箱的其余面均由不透光的ABS树脂材料制成。
进一步地，所述图像识别模块用于对摄像头传递的摄像数据进行分割处理，并提取质量最好的帧作为识别用图像；图像识别模块中搭载有卷积神经网络的水下图像复原算法，用于对过曝、欠曝、模糊以及黏连藻类图像进行修正，得到清晰化的藻类图像；图像识别模块中还搭载有网络模型RN-Algae，用于对藻类图像进行识别。
进一步地，所述控制器模块控制电机模块和恒流驱动模块，分别用于控制光学镜头的移动和夹层内的过流速度；存储模块用于存储摄像头传递的藻类图像数据；信号转换模块用于将接收到的摄像数据信号转换为数字信号，以降低传输和存储负荷；网络模块通过无线网卡将存储模块存储的藻类图像数据以及图像识别模块处理后的结果上传至服务器。
利用上述藻类图像数据的水下采集与原位识别装置进行藻类图像数据的水下采集与原位识别的方法，包括如下步骤：
步骤1：将主板封装于防水箱中，将防水箱固定在支撑立杆上，根据待测水体水深，调节防水箱的安装位置和高度，然后将支撑立杆固定在水体底部沉积层中，外部电源对主板供电，进行藻类图像数据的水下采集与原位识别；
步骤2：通过控制器模块设置摄像头拍摄频率，调节蠕动泵功率以保证夹层内水流速度满足要求，然后摄像头自动拍摄5～10张夹层内的藻类图像作为预实验样本；
步骤3：图像识别模块对摄像头拍摄的预实验样本数据进行分析，判断是否满足算法识别要求；当图像亮度过低时，主控模块下发指令，控制LED照明模组打开以保证摄像区域光线充足；当图像焦距不满足要求时，主控模块下发指令，控制器模块控制电机模块工作，带动光学镜头旋转，直至选取到满足要求倍率的光学镜头；
步骤4：摄像头继续自动拍摄5～10张藻类图像并传递至图像识别模块进行分析，重复步骤3，直至预实验样本全部满足要求；
步骤5：摄像头按照设定拍摄频率自动拍摄夹层内的视频数据，并通过CIS接口传递至信号转换模块转换为数字信号，然后依次经过存储模块、主控模块、调制解调模块后最终传递至图像识别模块；图像识别模块分割视频数据并提取最优帧，再利用基于卷积神经网络的水下图像复原算法对提取的图像进行处理，对图像过曝、欠曝、模糊的栅格区域进行消除和改良，并基于凹点匹配算法对黏连藻类图像进行分割，最终得到满足藻类识别算法需要的高质量藻类图；
接着，图像识别模块基于网络模型RN-Algae，使用升级版的ResNet-50算法，针对藻类数据集Algae-6特点提取特征点，将图像与决策库进行比对，实时识别藻类品种，并以固定输出维度输出识别结果，识别结果传递至网络模块；
步骤6：网络模块通过无线网卡将结果上传至服务器，用户通过访问特定网址:查询识别结果。
本发明具有如下有益效果：
本发明所提供的水下采集与原位识别装置能够满足水下实时采集高质量藻类图片的需求，再结合人工智能算法能够直接实现藻类种类的识别，极大地提高了藻类监测效率和准确率，降低了监测成本，实现了藻类状态的连续监测，并为藻类爆发预警提供了重要的技术支撑。本发明的装置整体构造合理，完成布设后可实现自动化运行，有效降低了人工成本。主板可布设于浮标、立杆、水下机器人等多种载体之上，装置具有较强的普适性，可满足多种环境下的应用需要，另外，使用者可以通过网络直接查看图片拍摄与识别结果，方便快捷。
附图说明
图1为藻类图像数据的水下采集与原位识别装置结构示意图；
图2为防水箱结构俯视图；
图3为蠕动泵布置示意图；
图4为数据处理单元各模块连接示意图。
图中：1-ABS树脂立面；2-光学镜头；3-摄像头；4-蠕动泵；5-光学镜头支座；6-摄像头支座；7-滑轨；8-主板；9-玻璃纤维面；10-ABS树脂壁面；11-CIS接口；12-LED照明模组。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
在本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。术语“安装”、“连接”、“固定”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体的连接，可以是直接相连，也可以是通过中间媒介间接相连，还可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明所述的藻类图像数据的水下采集与原位识别装置，包括数据采集单元以及与之信号连接的数据处理单元。如图1至3所示，数据采集单元包括防水箱、光学镜头2、摄像头3、光学镜头支座5、摄像头支座6、滑轨7、蠕动泵4、LED照明模组12。如图1、4所示，数据处理单元包括主板8，主板8上安装有主控模块，主控模块信号连接有控制器模块、恒流驱动模块、存储模块、信号转换模块、调制解调模块、图像识别模块以及网络模块。
如图1、3、4所示，防水箱中通过摄像头支座6安装有摄像头3，摄像头3通过CIS接口11与主控模块信号连接，摄像数据通过信号转换模块转换后存储至存储模块中，同时进一步经由主控模块、调制解调模块传递至图像识别模块，进行后续藻类图像的识别与处理。
如图1、3所示，防水箱共有六个面，摄像头3正对的防水箱箱面由可透光的玻璃纤维材料制成，以下称作玻璃纤维面9，其余防水箱箱面由不透光的ABS树脂材料制成，以下称为ABS树脂壁面10，不透光ABS树脂壁面10的设置能够减少环境折射率、色散特性、目标对比度等因素对于成像效果的影响。
如图1、3所示，玻璃纤维面9外侧设置有一个与玻璃纤维面9尺寸完全相同的ABS树脂立面1，ABS树脂立面1与玻璃纤维面9平行布置，且ABS树脂立面1与玻璃纤维面9之间间距为0.5mm。ABS树脂立面1上端、下端均通过ABS树脂板与玻璃纤维面9外壁面连接，ABS树脂立面1左右两端与玻璃纤维面9均不连接，从而在ABS树脂立面1与玻璃纤维面9之间能够形成一个允许水流通过的薄夹层。
摄像头3只拍摄夹层内的藻类图片，可有效防止水体中大体积杂质通过，减少其对于成像的影响。所述玻璃纤维面9、ABS树脂立面1均做磁研磨抛光处理，能够增加壁面光滑程度，防止水体中的藻类或胶体颗粒物造成夹层堵塞。
如图2、3所示，防水箱中安装有蠕动泵4，蠕动泵4与恒流驱动模块信号连接；蠕动泵4的两根过流管伸出防水箱后分别连接至夹层进水端和出水端，当夹层中因堵塞而导致过流速度降低时，通过调节蠕动泵4的功率，来冲刷夹层内堵塞物，保证过流效果，进而保证摄像头拍摄效果。
如图2、3所示，防水箱中还安装有环形滑轨7，摄像头3位于环形滑轨7中心，环形滑轨7上滑动安装有多个光学镜头支座5，光学镜头支座5上安装有不同放大倍率（4、10、40、60、100倍）的光学镜头2，光学镜头2的安装高度与摄像头3相匹配。光学镜头支座5的运动受电机模块控制，电机模块与控制器模块信号连接。在拍摄不同品种藻类时可通过转动选用不同放大倍率的光学镜头2，光学镜头2用于额外调焦，以减小摄像头3的调节负担。LED照明模组12安装在摄像头3下方的摄像头支座6上，与主控模块信号连接，用于对摄像头3拍摄成像区域进行补光，保证成像效果。
如图4所示，在数据处理单元中，控制器模块控制电机模块和恒流驱动模块，分别用于控制光学镜头2的移动和夹层内的过流速度；存储模块用于存储摄像头3传递的藻类图像数据；信号转换模块用于将接收到的摄像数据信号转换为数字信号，以降低传输和存储负荷；网络模块通过无线网卡将处理结果上传至服务器。
图像识别模块用于对摄像头3传递的摄像数据进行分割处理，并提取质量最好的帧作为识别用图像，可避免直接取用拍摄图像而导致的失真和模糊等问题；图像识别模块中搭载有卷积神经网络的水下图像复原算法，用于对过曝、欠曝、模糊以及黏连藻类图像进行修正，得到更加清晰化的藻类图像，以满足人工智能算法识别的要求；图像识别模块中还搭载有网络模型RN-Algae，用于对藻类图像进行识别。
本发明所述的藻类图像数据的水下采集与原位识别方法，包括如下步骤：
步骤1：将主板8封装于防水箱中，将防水箱固定在支撑立杆上，根据待测水体水深，调节防水箱的安装位置和高度，然后将支撑立杆固定在水体底部沉积层中，外部电源供电，启动本发明所述水下采集与原位识别装置；
步骤2：通过控制器模块设置摄像头3的拍摄频率，调节蠕动泵4功率以保证夹层内水流速度满足要求，然后摄像头3自动拍摄5～10张夹层内的藻类图像作为预实验样本；
步骤3：图像识别模块对摄像头3拍摄的预实验样本数据进行分析，判断是否满足算法识别要求；当图像亮度过低时，主控模块下发指令，控制LED照明模组12打开以保证摄像区域光线充足；当图像焦距不满足要求时，主控模块下发指令，控制器模块控制电机模块工作，带动光学镜头2旋转，直至选取到满足要求倍率的光学镜头2；
步骤4：摄像头3继续自动拍摄5～10张藻类图像并传递至图像识别模块进行分析，重复步骤3，直至预实验样本全部满足要求；
步骤5：摄像头3按照设定拍摄频率自动拍摄夹层内的视频数据，并通过CIS接口11传递至信号转换模块转换为数字信号，然后最终传递至图像识别模块，由图像识别模块分割视频并提取最优帧，再利用基于卷积神经网络的水下图像复原算法对提取的图像进行处理，对图像过曝、欠曝、模糊等的栅格区域进行消除和改良，并基于凹点匹配算法对黏连藻类图像进行分割，最终得到满足藻类识别算法需要的高质量藻类图；
接着，图像识别模块基于网络模型RN-Algae，使用升级版的ResNet-50算法，针对藻类数据集Algae-6特点提取特征点，将图像与决策库进行比对，实时识别藻类品种，并以固定输出维度输出识别结果，识别结果传递至网络模块；
步骤6：网络模块通过无线网卡将结果上传至服务器，用户通过访问特定网址即可查询识别结果。
所述实施例中的电机模块与光学镜头支座的具体结构以及控制转动原理均为现有技术，因此本发明不再赘述。所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (5)
1.一种利用藻类图像数据的水下采集与原位识别装置进行藻类图像数据的水下采集与原位识别的方法，其特征在于，藻类图像数据的水下采集与原位识别装置包括数据采集单元以及与之信号连接的数据处理单元，数据处理单元包括主板(8)，主板(8)上安装有主控模块，主控模块信号连接有控制器模块、恒流驱动模块、存储模块、信号转换模块、调制解调模块、图像识别模块以及网络模块；
数据采集单元包括防水箱，防水箱中安装有摄像头(3)，摄像头(3)通过CIS接口(11)与主控模块信号连接，摄像头(3)正对的防水箱箱面为玻璃纤维面(9)，玻璃纤维面(9)外侧平行布置有一个ABS树脂立面(1)，ABS树脂立面(1)的上端、下端均板与玻璃纤维面(9)外壁面连接，左端和右两端与玻璃纤维面(9)均不连接，ABS树脂立面(1)与玻璃纤维面(9)之间形成一个允许水流通过的夹层；
所述防水箱中还安装有环形滑轨(7)，摄像头(3)位于环形滑轨(7)中心，环形滑轨(7)上滑动安装有多个光学镜头支座(5)，光学镜头支座(5)上安装有不同放大倍率的光学镜头(2)，光学镜头(2)的安装高度与摄像头(3)相匹配，光学镜头支座(5)的运动受电机模块控制，电机模块与控制器模块信号连接；
所述防水箱中安装有蠕动泵(4)，蠕动泵(4)与恒流驱动模块信号连接；蠕动泵(4)的两根过流管伸出防水箱后分别连接至夹层进水端和出水端；
所述摄像头(3)通过摄像头支座(6)安装在防水箱中，摄像头支座(6)上还安装有用于对摄像头(3)拍摄成像区域进行补光的LED照明模组(12)，LED照明模组(12)与主控模块信号连接；
藻类图像数据的水下采集与原位识别的方法，包括如下步骤：
步骤1：将主板(8)封装于防水箱中，将防水箱固定在支撑立杆上，根据待测水体水深，调节防水箱的安装位置和高度，然后将支撑立杆固定在水体底部沉积层中，外部电源对主板(8)供电，进行藻类图像数据的水下采集与原位识别；
步骤2：通过控制器模块设置摄像头(3)拍摄频率，调节蠕动泵(4)功率以保证夹层内水流速度满足要求，然后摄像头(3)自动拍摄5～10张夹层内的藻类图像作为预实验样本；
步骤3：图像识别模块对摄像头(3)拍摄的预实验样本数据进行分析，判断是否满足算法识别要求；当图像亮度过低时，主控模块下发指令，控制LED照明模组(12)打开以保证摄像区域光线充足；当图像焦距不满足要求时，主控模块下发指令，控制器模块控制电机模块工作，带动光学镜头(2)旋转，直至选取到满足要求倍率的光学镜头(2)；
步骤4：摄像头(3)继续自动拍摄5～10张藻类图像并传递至图像识别模块进行分析，重复步骤3，直至预实验样本全部满足要求；
步骤5：摄像头(3)按照设定拍摄频率自动拍摄夹层内的视频数据，并通过CIS接口(11)传递至信号转换模块转换为数字信号，然后依次经过存储模块、主控模块、调制解调模块后最终传递至图像识别模块；图像识别模块分割视频数据并提取最优帧，再利用基于卷积神经网络的水下图像复原算法对提取的图像进行处理，对图像过曝、欠曝、模糊的栅格区域进行消除和改良，并基于凹点匹配算法对黏连藻类图像进行分割，最终得到满足藻类识别算法需要的高质量藻类图；
接着，图像识别模块基于网络模型RN-Algae，使用升级版的ResNet-50算法，针对藻类数据集Algae-6特点提取特征点，将图像与决策库进行比对，实时识别藻类品种，并以固定输出维度输出识别结果，识别结果传递至网络模块；
步骤6：网络模块通过无线网卡将结果上传至服务器，用户通过访问特定网址:查询识别结果。
2.根据权利要求1所述的藻类图像数据的水下采集与原位识别方法，其特征在于，所述ABS树脂立面(1)与玻璃纤维面(9)之间间距为0.5mm，ABS树脂立面(1)、玻璃纤维面(9)均经过磁研磨抛光处理。
3.根据权利要求1所述的藻类图像数据的水下采集与原位识别方法，其特征在于，所述防水箱的其余面均由不透光的ABS树脂材料制成。
4.根据权利要求1所述的藻类图像数据的水下采集与原位识别方法，其特征在于，所述图像识别模块用于对摄像头(3)传递的摄像数据进行分割处理，并提取质量最好的帧作为识别用图像；图像识别模块中搭载有卷积神经网络的水下图像复原算法，用于对过曝、欠曝、模糊以及黏连藻类图像进行修正，得到清晰化的藻类图像；图像识别模块中还搭载有网络模型RN-Algae，用于对藻类图像进行识别。
5.根据权利要求1所述的藻类图像数据的水下采集与原位识别方法，其特征在于，所述控制器模块控制电机模块和恒流驱动模块，分别用于控制光学镜头(2)的移动和夹层内的过流速度；存储模块用于存储摄像头(3)传递的藻类图像数据；信号转换模块用于将接收到的摄像数据信号转换为数字信号，以降低传输和存储负荷；网络模块通过无线网卡将存储模块存储的藻类图像数据以及图像识别模块处理后的结果上传至服务器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210254959.2A CN114626460B (zh) | 2022-03-15 | 2022-03-15 | 一种藻类图像数据的水下采集与原位识别装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210254959.2A CN114626460B (zh) | 2022-03-15 | 2022-03-15 | 一种藻类图像数据的水下采集与原位识别装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114626460A CN114626460A (zh) | 2022-06-14 |
| CN114626460B true CN114626460B (zh) | 2024-06-07 |
Family
ID=81902975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210254959.2A Active CN114626460B (zh) | 2022-03-15 | 2022-03-15 | 一种藻类图像数据的水下采集与原位识别装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114626460B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115380812B (zh) * | 2022-07-07 | 2024-06-25 | 温州大学 | 一种食藻类生物的藻类繁殖装置及其养殖方法 |
| CN115242951A (zh) * | 2022-07-27 | 2022-10-25 | 国家海洋环境监测中心 | 一种基于图像扫描系统的浮游动物快速检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108549840A (zh) * | 2018-03-19 | 2018-09-18 | 广东核电合营有限公司 | 一种多模拟仪表同步快速识别的方法及装置 |
| CN109856138A (zh) * | 2018-12-18 | 2019-06-07 | 杭州电子科技大学 | 基于深度学习的深海网箱鱼类健康识别系统和方法 |
| CN111008566A (zh) * | 2019-11-06 | 2020-04-14 | 湖北工业大学 | 一种基于深度学习的针对校车学生下车遗漏检测装置及方法 |
-
2022
- 2022-03-15 CN CN202210254959.2A patent/CN114626460B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108549840A (zh) * | 2018-03-19 | 2018-09-18 | 广东核电合营有限公司 | 一种多模拟仪表同步快速识别的方法及装置 |
| CN109856138A (zh) * | 2018-12-18 | 2019-06-07 | 杭州电子科技大学 | 基于深度学习的深海网箱鱼类健康识别系统和方法 |
| CN111008566A (zh) * | 2019-11-06 | 2020-04-14 | 湖北工业大学 | 一种基于深度学习的针对校车学生下车遗漏检测装置及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114626460A (zh) | 2022-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114626460B (zh) | 一种藻类图像数据的水下采集与原位识别装置及方法 | |
| CN110614638A (zh) | 一种变电站巡检机器人自主采集方法及系统 | |
| CN208969330U (zh) | 一种空气中真菌孢子显微图像远程采集装置 | |
| CN109635802B (zh) | 农林业病害孢子图像信息远程监测系统 | |
| CN103708592A (zh) | 一种基于机器视觉的新型水处理方法及其装置 | |
| CN109714535A (zh) | 一种基于色差的自动对焦机器视觉测量装置及方法 | |
| CN101378501A (zh) | 红外全景联动监控装置及其控制方法 | |
| CN209745229U (zh) | 一种植物三维表型测量装置 | |
| CN104034637B (zh) | 基于机器视觉的金刚线颗粒在线质检装置 | |
| CN110243732B (zh) | 一种粒度范围为2-500um的全程矿浆磨矿粒度在线检测系统 | |
| CN208313762U (zh) | 一种泥沙颗粒沉降过程图像采集系统 | |
| CN114813492A (zh) | 一种水下微塑料显微拉曼原位测量系统 | |
| CN111912790B (zh) | 一种面向野外水体监测的自适应多波段-偏振光学成像系统及方法 | |
| CN110333236B (zh) | 浮游生物多视角原位检测装置 | |
| CN203259440U (zh) | 一种室内小型生态综合系统实验装置 | |
| CN110888230A (zh) | 一种智能生物显微镜 | |
| CN108345228A (zh) | 一种自供电的深海图像采集系统、方法及装置 | |
| CN1652574A (zh) | 昼夜远距离监视仪 | |
| CN117351436A (zh) | 一种河段过闸船舶吃水深度检测方法 | |
| CN208366779U (zh) | 一种LabCaMal絮团观测系统 | |
| CN209340804U (zh) | 一种壁画高清微距数字采集装置 | |
| CN213403234U (zh) | 图像增强型防水云台图像采集系统 | |
| CN109594797B (zh) | 一种旅居空间装备舒适环境自动适应装置及控制方法 | |
| CN112351217A (zh) | 图像增强型防水云台图像采集系统与方法 | |
| CN208607416U (zh) | 一种用于光学相机像质评定的点光源通信装置 |
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 |