CN115049692B - 模拟自然生态的海洋水产养殖光照智能调节方法及系统 - Google Patents
模拟自然生态的海洋水产养殖光照智能调节方法及系统 Download PDFInfo
- Publication number
- CN115049692B CN115049692B CN202210975942.6A CN202210975942A CN115049692B CN 115049692 B CN115049692 B CN 115049692B CN 202210975942 A CN202210975942 A CN 202210975942A CN 115049692 B CN115049692 B CN 115049692B
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- moment
- connected domain
- node
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005286 illumination Methods 0.000 title claims abstract description 31
- 238000009360 aquaculture Methods 0.000 title claims abstract description 19
- 244000144974 aquaculture Species 0.000 title claims abstract description 19
- 241000251468 Actinopterygii Species 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000009182 swimming Effects 0.000 description 6
- 241000192710 Microcystis aeruginosa Species 0.000 description 3
- 230000029264 phototaxis Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种模拟自然生态的海洋水产养殖光照智能调节方法及系统。该方法将拍摄所得相邻两时刻的养殖池灰度图像进行帧差处理得到帧差图像后,根据连通域提取算法确定帧差图像中的连通域,以帧差图像上各个连通域为节点建立帧差图像的图结构,基于每个节点到所有节点的边权值中的最大值,得到了每个节点在灰度图像上所对应的区域内存在鱼的可能值,以所得可能值完成了对灰度图像上各个区域的增强处理,得到了更能准确表征养殖池中鱼群数量的增强处理后的灰度图像,在将增强处理后的灰度图像输入训练好的神经网络模型确定出更为准确的鱼群数量后,便可确定最为合适的光照强度,节约生产成本并提高养殖效果。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种模拟自然生态的海洋水产养殖光照智能调节方法及系统。
背景技术
由于当前海洋水产养殖大多在养殖车间进行,所以需要设置灯光为鱼类提供模拟自然光的光照,但由于鱼类中存在较多的趋光种类,当鱼类由于趋光性而过度聚集时便会导致局部溶氧度降低使水产死亡,为避免鱼类过度聚集死亡,便需要对养殖池中的鱼群数量进行准确判断,并根据鱼群数量适应性调整光照。
现有技术中所采用的较多的判断鱼群数量的方法,是采用神经网络对所拍摄的养殖池图像进行识别以得到鱼群数量,但该方法对鱼群数量的识别精确度,不但受到所选取的神经网络的类型、神经网络的训练方法的影响,实际上还直接受到输入神经网络以及用于训练神经网络的养殖池图像对鱼群的表征能力的影响。
所以,现有的以识别鱼群数量来调节养殖光照强度的养殖光照调节方法,存在着调节精确度改善的空间。
发明内容
为进一步提高鱼群数量识别精确度以提高养殖光照调节精确度,申请人提供了一种模拟自然生态的海洋水产养殖光照智能调节方法及系统,所采用的技术方案具体如下:
本发明的一种模拟自然生态的海洋水产养殖光照智能调节方法,包括以下步骤:
拍摄养殖池图像,并将拍摄所得养殖池图像灰度化处理得到灰度图像,将前一时刻的灰度图像与当前时刻的灰度图像进行帧差处理,得到帧差图像;
通过连通域提取算法确定所述帧差图像中的各个连通域,以帧差图像中每个连通域为节点,建立帧差图像的图结构,计算帧差图像的图结构中某个节点到任意一个节点的边权值,并确定所述某个节点到任意一个节点的边权值中的最大值;
确定所述某个节点所对应的连通域,在当前时刻的灰度图像中确定与所述某个节点所对应的连通域位置对应的区域,根据所述某个节点到任意一个节点的边权值中的最大值,确定所述区域中存在鱼的可能值;
计算当前时刻的灰度图像中,与每个连通域位置对应的区域中存在鱼的可能值,根据所得可能值,对当前时刻的灰度图像进行增强处理;
将增强处理后的当前时刻的灰度图像输入训练好的神经网络,确定当前时刻养殖池中鱼群数量,根据鱼群数量确定最佳光照强度。
本发明的有益效果为:
本发明该调节方法,首先将拍摄所得的相邻两时刻的养殖池灰度图像进行帧差处理得到帧差图像,然后根据连通域提取算法确定帧差图像中的连通域,之后以帧差图像上各个连通域为节点建立帧差图像的图结构,通过找出每个节点到所有节点的边权值中的最大值的方法,得到了每个节点在灰度图像上所对应的区域内存在鱼的可能值,以所得各个区域内存在鱼的可能值的大小完成对灰度图像上各个区域的增强处理,得到了能够更为准确表征养殖池中鱼群数量的增强处理后的灰度图像,并在将增强处理后的灰度图像输入训练好的神经网络模型确定更为准确的鱼群数量,从而可根据所获取的更为准确的鱼群数量确定最为合适的光照强度,节约生产成本并提高养殖效果。
进一步的,计算帧差图像的图结构中某个节点到任意一个节点的边权值的方法为:
所述二维信息熵的计算方法为:统计所述区域上各像素点的灰度值以及各像素点3*3邻域内的平均灰度值并构成二维向量,计算每种二维向量在所有二维向量中出现的频次,根据信息熵公式和各像素点对应所得二维向量的出现频次计算得到各个区域上的二维信息熵值;
所述第i-1时刻为前一时刻,所述第i时刻为当前时刻;
计算第i-1时刻的灰度图像中与第j个连通域对应的区域和第i时刻的灰度图像中与第j个连通域对应的区域的相似程度值:
其中,表示第i-1时刻的灰度图像中与第j个连通域对应的区域和第i时刻的灰度图像中与第j个连通域对应的区域的相似程度值,表示第i-1时刻的灰度图像中与第j个连通域对应的区域上二维向量的种类数,表示第i时刻的灰度图像中与第j个连通域对应的区域上二维向量的种类数;
计算帧差图像的图结构中,每个节点到其余节点的边权值:
进一步的,根据所述某个节点到任意一个节点的边权值中的最大值,确定所述区域中存在鱼的可能值的方法为:
当帧差图像的图结构中,第j个连通域对应节点到第l个连通域对应节点的边权值最大,则计算第i-1时刻的灰度图像中与第j个连通域对应的区域和第i时刻的灰度图像中与第l个连通域对应的区域之间的相似程度值,以相似程度值作为第i时刻的灰度图像中与第j个连通域对应的区域中存在鱼的可能值,。
进一步的,根据所得可能值,对当前时刻的灰度图像进行增强处理的方法为:
其中,表示当前第i时刻的灰度图像中与第j个连通域对应的区域内像素点灰度变化值的修正量,表示当前第i时刻的灰度图像中与第j个连通域对应的区域内像素点灰度变化值,表示当前第i时刻的灰度图像中与第j个连通域对应的区域内存在鱼的可能值;
根据所得修正量,对第i时刻的灰度图像中与第j个连通域对应的区域内像素点的灰度值进行修正,完成对当前时刻的灰度图像的增强处理。
进一步的,在得到所述训练好的神经网络模型的过程中,作为训练样本的由养殖池图像灰度化处理所得的灰度图像,同样经过了所述增强处理。
本发明还提供了一种模拟自然生态的海洋水产养殖光照智能调节系统,包括存储器和处理器,所述处理器用于执行存储在存储器中的指令以实现上述介绍的模拟自然生态的海洋水产养殖光照智能调节方法,并达到与该方法相同的效果。
附图说明
图1是本发明该种模拟自然生态的海洋水产养殖光照智能调节方法的流程图。
具体实施方式
下面结合附图及实施例,对本发明的一种模拟自然生态的海洋水产养殖光照智能调节方法进行详细说明。
方法实施例:
本发明的一种模拟自然生态的海洋水产养殖光照智能调节方法实施例,其整体流程如图1所示,具体过程如下:
S1、连续采集养殖池图像,将相邻采样时刻的两张图像进行异或操作与二值化处理,得到帧差图像,确定帧差图像中的连通域。
采用高清相机或者摄像机在养殖池上方连续拍摄完整的养殖池图像,并将所有所拍摄的图像进行灰度化处理。将前一时刻也即第i-1时刻的灰度图像与当前时刻也即第i时刻的灰度图像中各个像素点的灰度值进行异或操作,确定两张图像中的变化部分,也即两张图像中的不同部分,完成帧差操作,得到帧差图像。
通过连通域提取算法,确定帧差图像中的各个连通域,帧差图像中的连通域表征的是相邻两张养殖池图像中的变化区域,可以理解的是,该种变化区域的形成,一方面是因为养殖池中鱼类的游动形成的,另一方面也可能是伴随着养殖池水面的水花产生、消散过程而形成的。
S2、以帧差图像中每个连通域为节点,建立帧差图像的图结构,计算帧差图像的图结构中某个节点到任意一个节点的边权值,并确定该节点到任意一个节点的边权值中的最大值。
由于养殖池中的不同鱼存在游动速度快慢的区别,所以对于某些游动速度过慢的鱼类,其在经过了拍摄得到相邻两时刻图像的间隔时间后,游动的距离并未超出其前一时刻所在位置范围,导致帧差图像中对应形成的连通域,实际上是由相邻两时刻图像中同一条鱼在位置些许不同的两个区域的像素点组成的;而对于某些游动速度较快的鱼类,其在经过了拍摄得到相邻两时刻图像的间隔时间后,游动的距离较远已完全脱离了前一时刻所在位置范围,所以会在帧差图像中形成两个连通域。
可以毫无疑义地确定,假设某个连通域内有存在鱼类的可能,则前一时刻灰度图像上与该连通域对应的位置上的灰度情况,和当前时刻灰度图像上与另一个连通域对应的位置上的灰度情况,必然较为相似;或者,前一时刻灰度图像上与该连通域对应的位置上的灰度情况,和当前时刻灰度图像上与该通域对应的位置上的灰度情况相似。
也即,i-1时刻的灰度图像上与第j个连通域对应的位置上的灰度情况,和i时刻的灰度图像上与第l个连通域对应的位置上的灰度情况相似,其中l的取值对应了帧差图像上包括第j个连通域的所有连通域。
基于上述分析,本实施例建立帧差图像的图结构,将帧差图像上每个连通域为节点,以计算所得的每个节点到任意节点的所有边的边权值,来表征节点对应的连通域内存在鱼的可能性大小。
首先计算帧差图像的图结构中,每个节点自身到自身的边权值:
计算第i-1时刻的灰度图像中与第j个连通域对应的区域上的二维信息熵,以及第i时刻的灰度图像中与第j个连通域对应的区域上的二维信息熵。其中二维信息熵的计算方法为:先统计各像素点其3*3邻域内的平均灰度值和其灰度值作为二维向量,并计算同样的二维向量出现的次数,占所有像素点所对应的二维向量的占比,根据信息熵公式和各像素点二维向量对应的占比得到各个区域上的二维信息熵值。
基于所得二维信息熵,计算第i-1时刻的灰度图像中与第j个连通域对应的区域和第i时刻的灰度图像中与第j个连通域对应的区域的相似程度值:
其中,表示第i-1时刻的灰度图像中与第j个连通域对应的区域和第i时刻的灰度图像中与第j个连通域对应的区域的相似程度值,也即帧差图像的图结构中,第j个连通域对应节点从自身到自身的边权值,表示二维信息熵值的差值,其值越小,则近似程度越大,所以越大,近似程度越大,表示第i-1时刻的灰度图像中与第j个连通域对应的区域上二维向量的种类数,表示第i时刻的灰度图像中与第j个连通域对应的区域上二维向量的种类数,种类数越大,说明对应区域内的灰度值情况是由水花产生的可能性越低。
然后计算帧差图像的图结构中,每个节点到其余节点的边权值:
其中,表示帧差图像的图结构中,第j个连通域对应节点到第k个连通域对应节点的边权值,也即第j个连通域对应节点到除了第j个连通域外的其它连通域对应节点的边权值,表示第i-1时刻的灰度图像中与第j个连通域对应的区域和第i时刻的灰度图像中与第k个连通域对应的区域的相似程度值,相似程度值越大,表示越近似,则说明越可能是同一条鱼快速游动而在帧差图像中形成了两个连通域。
表示通过连通域提取算法,得到第j个连通域与第k个连通域之间面积的差值,面积差值越小,整体值就越大,面积差值由第j个连通域的面积与第k个连通域的面积作差得到,如果两个连通域面积中的其中一个过小,则存在鱼的可能性就越低,该连通域由水花形成的可能性就越大。
S3、根据所确定的某个节点到任意一个节点的边权值中的最大值,对当前时刻的养殖池灰度图像进行图像增强处理。
假设帧差图像的图结构中,第j个连通域对应节点到第l个连通域对应节点的边权值最大,则以第i-1时刻的灰度图像中与第j个连通域对应的区域和第i时刻的灰度图像中与第l个连通域对应的区域的相似程度值,作为第i时刻的灰度图像中与第j个连通域对应的区域中存在鱼的可能值,也即。
对当前时刻也即第i时刻的灰度图像,首先采用直方图均衡算法得到灰度图像中每个像素点的灰度变化值,用于对当前时刻也即第i时刻的灰度图像中的不同灰度值进行不同程度的增强,其中表示第i时刻的灰度图像中所有像素点的总个数。
然后,对于第i时刻的灰度图像中与第j个连通域对应的区域,根据所确定的该区域存在鱼的可能值,对该区域内像素点的灰度变化值进行修正,得到当前第i时刻的灰度图像中与第j个连通域对应的区域内像素点灰度变化值的修正量:
其中,表示当前第i时刻的灰度图像中与第j个连通域对应的区域内像素点灰度变化值的修正量,表示当前第i时刻的灰度图像中与第j个连通域对应的区域内像素点灰度变化值,表示当前第i时刻的灰度图像中与第j个连通域对应的区域内存在鱼的可能值,可能值越大,则对该区域内像素点的灰度变化值的修正程度越大。
由上述修正量计算方法,确定当前时刻也即第i时刻的灰度图像中与各个连通域对应的区域内灰度值的改变量,完成对当前时刻也即第i时刻的灰度图像的增强。
S4、将完成图像增强处理的当前时刻的养殖池灰度图输入训练好的神经网络,以确定鱼群数量,根据鱼群数量调整养殖池光照强度。
本实施例的神经网络模型为yolo-v3网络模型,所采用的训练样本同样进行了如本实施例的图像增强处理,神经网络模型的训练方法属于公知常识,本实施例不再赘述。
将经过图像增强处理的当前时刻也即第i时刻的灰度图像输入训练好的神经网络,便可确定当前时刻养殖池中鱼群数量,将所得养殖池中鱼群数量输入预设的鱼群数量与光照强度的对应关系,便可确定在当前时刻养殖池中鱼群数量情况下,最为合适的光照强度。
其中,最为合适的光照强度,指的是光源功率尽可能小,但又保证所发出的光照范围足够大而能有效防止鱼群趋光聚集,以实现保证养殖效果前提下的光源能耗的最小化。
系统实施例:
本发明还提供了一种模拟自然生态的海洋水产养殖光照智能调节系统实施例,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现一种模拟自然生态的海洋水产养殖光照智能调节方法的步骤。
处理器可以为微处理器MCU、可编程逻辑器件FPGA等处理装置。
存储器可为利用电能方式存储信息的各式存储器,RAM、ROM等;利用磁能方式存储信息的各式存储器,例如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘等;利用光学方式存储信息的各式存储器,例如CD、DVD等。当然,还有其他方式的存储器,例如量子存储器、石墨烯存储器等。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (4)
1.一种模拟自然生态的海洋水产养殖光照智能调节方法,其特征在于,包括以下步骤:
拍摄养殖池图像,并将拍摄所得养殖池图像灰度化处理得到灰度图像,将前一时刻的灰度图像与当前时刻的灰度图像进行帧差处理,得到帧差图像;
通过连通域提取算法确定所述帧差图像中的各个连通域,以帧差图像中每个连通域为节点,建立帧差图像的图结构,计算帧差图像的图结构中某个节点到任意一个节点的边权值,并确定所述某个节点到任意一个节点的边权值中的最大值;
确定所述某个节点所对应的连通域,在当前时刻的灰度图像中确定与所述某个节点所对应的连通域位置对应的区域,根据所述某个节点到任意一个节点的边权值中的最大值,确定所述区域中存在鱼的可能值;
计算当前时刻的灰度图像中,与每个连通域位置对应的区域中存在鱼的可能值,根据所得可能值,对当前时刻的灰度图像进行增强处理;
将增强处理后的当前时刻的灰度图像输入训练好的神经网络模型,确定当前时刻养殖池中鱼群数量,根据鱼群数量确定最佳光照强度;
计算帧差图像的图结构中某个节点到任意一个节点的边权值的方法为:
所述二维信息熵的计算方法为:统计所述区域上各像素点的灰度值以及各像素点3*3邻域内的平均灰度值并构成二维向量,计算每种二维向量在所有二维向量中出现的频次,根据信息熵公式和各像素点对应所得二维向量的出现频次计算得到各个区域上的二维信息熵值;
所述第i-1时刻为前一时刻,所述第i时刻为当前时刻;
计算第i-1时刻的灰度图像中与第j个连通域对应的区域和第i时刻的灰度图像中与第j个连通域对应的区域的相似程度值:
其中,表示第i-1时刻的灰度图像中与第j个连通域对应的区域和第i时刻的灰度图像中与第j个连通域对应的区域的相似程度值,表示第i-1时刻的灰度图像中与第j个连通域对应的区域上二维向量的种类数,表示第i时刻的灰度图像中与第j个连通域对应的区域上二维向量的种类数;
计算帧差图像的图结构中,每个节点到其余节点的边权值:
根据所述某个节点到任意一个节点的边权值中的最大值,确定所述区域中存在鱼的可能值的方法为:
2.根据权利要求1所述的模拟自然生态的海洋水产养殖光照智能调节方法,其特征在于,根据所得可能值,对当前时刻的灰度图像进行增强处理的方法为:
其中,表示当前第i时刻的灰度图像中与第j个连通域对应的区域内像素点灰度变化值的修正量,表示当前第i时刻的灰度图像中与第j个连通域对应的区域内像素点灰度变化值,表示当前第i时刻的灰度图像中与第j个连通域对应的区域内存在鱼的可能值;
根据所得修正量,对第i时刻的灰度图像中与第j个连通域对应的区域内像素点的灰度值进行修正,完成对当前时刻的灰度图像的增强处理。
3.根据权利要求1或2所述的模拟自然生态的海洋水产养殖光照智能调节方法,其特征在于,在得到所述训练好的神经网络模型的过程中,作为训练样本的由养殖池图像灰度化处理所得的灰度图像,同样经过了所述增强处理。
4.一种模拟自然生态的海洋水产养殖光照智能调节系统,其特征在于,包括存储器和处理器,所述处理器用于执行存储于所述存储器中的指令以实现如权利要求1~3任一项所述的模拟自然生态的海洋水产养殖光照智能调节方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210975942.6A CN115049692B (zh) | 2022-08-15 | 2022-08-15 | 模拟自然生态的海洋水产养殖光照智能调节方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210975942.6A CN115049692B (zh) | 2022-08-15 | 2022-08-15 | 模拟自然生态的海洋水产养殖光照智能调节方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049692A CN115049692A (zh) | 2022-09-13 |
CN115049692B true CN115049692B (zh) | 2022-12-16 |
Family
ID=83167026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210975942.6A Active CN115049692B (zh) | 2022-08-15 | 2022-08-15 | 模拟自然生态的海洋水产养殖光照智能调节方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049692B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116863322B (zh) * | 2023-07-28 | 2024-04-30 | 江苏中水东泽农业发展股份有限公司 | 基于ai的鱼类繁殖用自适应光照方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5522022A (en) * | 1993-11-24 | 1996-05-28 | Xerox Corporation | Analyzing an image showing a node-link structure |
CN111968081A (zh) * | 2020-07-30 | 2020-11-20 | 中国农业大学 | 鱼群自动计数方法、装置、电子设备及存储介质 |
CN111968159A (zh) * | 2020-08-28 | 2020-11-20 | 厦门大学 | 一种简单通用的鱼群视频图像轨迹追踪方法 |
CN113158926A (zh) * | 2021-04-26 | 2021-07-23 | 广东博智林机器人有限公司 | 一种高空抛物轨迹判别方法、装置、设备及存储介质 |
CN113327263A (zh) * | 2021-05-18 | 2021-08-31 | 浙江工业大学 | 一种基于图像视觉的鱼群活跃度监测方法 |
CN114451338A (zh) * | 2021-12-29 | 2022-05-10 | 北京市农林科学院信息技术研究中心 | 鱼群的摄食强度分级方法、装置及智能调速投饲机 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210008574A (ko) * | 2019-06-17 | 2021-01-25 | 포인드 주식회사 | 프레임 분할과 지능형 검출 pool을 이용한 다수의 카메라 영상에서 실시간 객체 검출 방법 |
CN113284162A (zh) * | 2021-06-16 | 2021-08-20 | 河南农道智能科技有限公司 | 基于人工智能的气密性检测中水体稳态检测方法及系统 |
-
2022
- 2022-08-15 CN CN202210975942.6A patent/CN115049692B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5522022A (en) * | 1993-11-24 | 1996-05-28 | Xerox Corporation | Analyzing an image showing a node-link structure |
CN111968081A (zh) * | 2020-07-30 | 2020-11-20 | 中国农业大学 | 鱼群自动计数方法、装置、电子设备及存储介质 |
CN111968159A (zh) * | 2020-08-28 | 2020-11-20 | 厦门大学 | 一种简单通用的鱼群视频图像轨迹追踪方法 |
CN113158926A (zh) * | 2021-04-26 | 2021-07-23 | 广东博智林机器人有限公司 | 一种高空抛物轨迹判别方法、装置、设备及存储介质 |
CN113327263A (zh) * | 2021-05-18 | 2021-08-31 | 浙江工业大学 | 一种基于图像视觉的鱼群活跃度监测方法 |
CN114451338A (zh) * | 2021-12-29 | 2022-05-10 | 北京市农林科学院信息技术研究中心 | 鱼群的摄食强度分级方法、装置及智能调速投饲机 |
Non-Patent Citations (3)
Title |
---|
Emerging Network-Based Tools in Movement Ecology;David M.P等;《Trends in Ecology&Evolution》;20160430;第31卷(第04期);全文 * |
基于人类视觉系统区域分裂的图割遥感图像分割算法研究;蒋华 等;《理论研究》;20110630;全文 * |
基于水下视频的鱼类游动三维定位与示踪;李林波;《中国优秀硕士学位论文全文数据库农业科技辑》;20220531(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115049692A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Evaluation of fish feeding intensity in aquaculture using a convolutional neural network and machine vision | |
Hu et al. | Real-time nondestructive fish behavior detecting in mixed polyculture system using deep-learning and low-cost devices | |
CN114724022B (zh) | 融合SKNet与YOLOv5的养殖鱼群检测方法、系统和介质 | |
Le et al. | An automated fish counting algorithm in aquaculture based on image processing | |
CN110853070A (zh) | 基于显著性与Grabcut的水下海参图像分割方法 | |
CN113592896B (zh) | 基于图像处理的鱼类投喂方法、系统、设备及存储介质 | |
CN115049692B (zh) | 模拟自然生态的海洋水产养殖光照智能调节方法及系统 | |
Zhang et al. | A MobileNetV2-SENet-based method for identifying fish school feeding behavior | |
CN114202563A (zh) | 一种基于平衡性联合网络的鱼类多目标跟踪方法 | |
CN107103608A (zh) | 一种基于区域候选样本选择的显著性检测方法 | |
CN115497026A (zh) | 基于鱼群摄食活动量化的精准投喂方法、系统及装置 | |
CN116778309A (zh) | 残饵监测方法、装置、系统和存储介质 | |
CN116052064A (zh) | 鱼群摄食强度识别方法、装置、电子设备及投饵机 | |
Zhang et al. | Intelligent fish feeding based on machine vision: A review | |
Zhang et al. | MSIF-MobileNetV3: An improved MobileNetV3 based on multi-scale information fusion for fish feeding behavior analysis | |
McLeay et al. | Deep convolutional neural networks with transfer learning for waterline detection in mussel farms | |
Feng et al. | Fry counting models based on attention mechanism and YOLOv4-tiny | |
Cao et al. | Learning-based low-illumination image enhancer for underwater live crab detection | |
CN111553382A (zh) | 一种基于knn的鳙鱼分类方法 | |
Wang et al. | A literature review of underwater image detection | |
CN115861276A (zh) | 石墨膜片表面划痕检测方法和装置 | |
CN112907503B (zh) | 基于自适应卷积神经网络的南美白对虾品质检测方法 | |
Huo | Apple image segmentation model based on r component with swarm intelligence optimization algorithm | |
CN114419432A (zh) | 一种鱼群摄食强度评估方法及装置 | |
Yu et al. | An automatic detection and counting method for fish lateral line scales of underwater fish based on improved YOLOv5 |
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 |