CN115482210A - 对虾抗病表型的测定方法及系统 - Google Patents
对虾抗病表型的测定方法及系统 Download PDFInfo
- Publication number
- CN115482210A CN115482210A CN202211102236.7A CN202211102236A CN115482210A CN 115482210 A CN115482210 A CN 115482210A CN 202211102236 A CN202211102236 A CN 202211102236A CN 115482210 A CN115482210 A CN 115482210A
- Authority
- CN
- China
- Prior art keywords
- time
- real
- prawn
- prawns
- determining
- 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.)
- Pending
Links
- 241000238557 Decapoda Species 0.000 title claims abstract description 204
- 201000010099 disease Diseases 0.000 title claims abstract description 58
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000008859 change Effects 0.000 claims abstract description 27
- 230000004083 survival effect Effects 0.000 claims abstract description 19
- 244000052769 pathogen Species 0.000 claims abstract description 15
- 230000001717 pathogenic effect Effects 0.000 claims abstract description 15
- 208000015181 infectious disease Diseases 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000036544 posture Effects 0.000 claims description 95
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 46
- 210000005252 bulbus oculi Anatomy 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000009395 breeding Methods 0.000 claims description 10
- 230000001488 breeding effect Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 description 12
- 208000035240 Disease Resistance Diseases 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003556 assay Methods 0.000 description 2
- 230000001580 bacterial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009385 viral infection Effects 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K63/00—Receptacles for live fish, e.g. aquaria; Terraria
- A01K63/003—Aquaria; Terraria
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0007—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30004—Biomedical image processing
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种对虾抗病表型的测定方法及系统,解决现有对虾抗病表型测定过度依赖人力带来的精确性低、效率低、人力成本高等的技术问题。所述方法包括:获取病原感染后养殖的对虾的实时图像;基于所述实时图像确定对虾的实时姿态和实时位置;在所述实时姿态符合预设姿态时,判断所述实时位置是否符合预设位置变化条件;在所述实时位置符合预设位置变化条件时,将所述实时姿态符合所述预设姿态时的时间确定为对虾死亡时间,根据所述对虾死亡时间确定对虾存活时间,作为抗病表型;若所述实时位置不符合所述预设位置变化条件,继续执行判断所述实时姿态是否符合所述预设姿态的过程。
Description
技术领域
本发明属于水产养殖技术领域,具体地说,是涉及对虾表型的测定,更具体地说,是涉及对虾抗病表型的测定方法及系统。
背景技术
对虾病害问题一直困扰着其养殖业的发展,因此对培育抗病良种有着较为迫切的需求。作为抗病良种选育的前提,需要开展对虾抗病力测试,也就是对虾人工感染实验,获取对虾个体的抗病表型。
常规的对虾抗病力测试需要人工监测对虾死亡,由于人力成本限制,通常每隔数个小时(2~4小时)检查一遍对虾状态,找出死亡个体,记录死亡时间。然后,根据死亡时间确定作为对虾抗病表型的存活时间。在这种情况下,对虾个体的存活时间只能精确到小时,甚至数个小时,这样会导致在同一个监测时间段内,不同时间死亡的个体会被作为具有相同的存活时间处理,导致抗病表型不够准确,误差大,进而影响基于抗病表型进行对虾良种选育的有效性。
另外,当测试规模较大时,常规由人工监测并记录获取存活时间的方法,人力成本较高,测定效率低,限制了对虾抗病性状大规模测试的实现。
发明内容
本发明的目的在于提供一种对虾抗病表型的测定方法及系统,解决现有对虾抗病表型测定过度依赖人力带来的精确性低、效率低、人力成本高等的技术问题。
为实现上述发明目的,本发明提供的对虾抗病表型的测定方法采用下述技术方案予以实现:
一种对虾抗病表型的测定方法,所述方法包括:
获取病原感染后养殖的对虾的实时图像;
基于所述实时图像确定对虾的实时姿态和实时位置;
在所述实时姿态符合预设姿态时,判断所述实时位置是否符合预设位置变化条件;
在所述实时位置符合预设位置变化条件时,将所述实时姿态符合所述预设姿态时的时间确定为对虾死亡时间,根据所述对虾死亡时间确定对虾存活时间,作为抗病表型;
若所述实时位置不符合所述预设位置变化条件,继续执行判断所述实时姿态是否符合所述预设姿态的过程。
本申请的一些实施例中,获取病原感染后养殖的对虾的实时图像,基于所述实时图像确定对虾的实时姿态和实时位置,具体包括:
获取病原感染后养殖的对虾的实时图像;所述实时图像中包含有多尾对虾及每尾对虾所在的养殖单元区域;
从所述实时图像中分割出每个实时养殖单元区域图像;
基于所述实时养殖单元区域图像识别出每个所述养殖单元区域的标记和参考坐标点,以及识别出该养殖单元区域养殖的对虾的实时姿态及对虾的指定部位;
根据所述养殖单元区域的所述参考坐标点和该养殖单元区域养殖的对虾的所述指定部位确定该对虾在所述养殖单元区域的所述实时位置;
将所述养殖单元区域的所述标记、该养殖单元区域内的对虾的所述实时姿态及所述实时位置进行关联并存储。
本申请的一些实施例中,对虾的所述指定部位为对虾的眼球;
根据所述养殖单元区域的所述参考坐标点和该养殖单元区域养殖的对虾的所述指定部位确定该对虾在所述养殖单元区域的所述实时位置,具体包括:
在识别的对虾的指定部位为一个眼球时,测量该一个眼球的中心点与所述参考坐标点之间的距离,根据所述距离确定所述实时位置;
在识别的对虾的指定部位为两个眼球时,测量该两个眼球的中心点之间的连线的中点,测量所述中点与所述参考坐标点之间的距离,根据所述距离确定所述实时位置。
本申请的一些实施例中,所述预设位置变化条件包括:在设定时间段内所述实时位置的变化幅度小于预设幅度阈值。
为实现前述发明目的,本发明提供的对虾抗病表型的测定系统采用下述技术方案予以实现:
一种对虾抗病表型的测定系统,所述系统包括:
集中式养殖模块,其包括有蓄水箱、水槽和置于所述水槽内的多个养殖盒;所述蓄水箱通过进水管和出水管与所述水槽连通,在所述进水管上设置有水泵;所述养殖盒包括盒盖、盒底及盒侧壁,所述盒底及所述盒侧壁上均开设有网孔;
图像采集模块,其置于所述集中式养殖模块上方,用于采集所述集中式养殖模块养殖的对虾的实时图像;
光源,其置于所述集中式养殖模块上方;
图像处理模块,用于接收所述图像采集模块采集的所述实时图像,并采用上述的对虾抗病表型的测定方法测定抗病表型。
本发明还提供一种电子设备,包括处理器、存储器及存储在所述存储器上的计算机程序,所述处理器配置为执行所述计算机程序,实现上述的对虾抗病表型的测定方法。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的对虾抗病表型的测定方法。
与现有技术相比,本发明的优点和积极效果是:
本发明提供的对虾抗病表型的测定方法及系统,实时采集病原感染后养殖的对虾的图像,根据图像自动确定对虾的实时姿态和实时位置,在实时姿态符合预设姿态时再进行实时位置变化的判断,在实时位置符合了预设位置变化条件时,确定对虾为死亡状态,且其死亡时间为实时姿态符合预设姿态时的时间,实现对虾死亡时间的及时、准确获取,再基于死亡时间即可获得准确的对虾存活时间作为抗病表型;采用本发明的技术方案,即能利用图像采集及图像处理技术实现自动、快速地获得抗病表型,几乎无需人力参与,提高了抗病表型获取的精确性、快速高效性和大规模抗病测试的可行性,而且,先进行姿态判断,在姿态符合预设姿态时再根据位置进行判断,减少了误判几率,进一步提高了抗病表型获取的准确性。
结合附图阅读本发明的具体实施方式后,本发明的其他特点和优点将变得更加清楚。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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为本发明对虾抗病表型的测定系统一个实施例的部分结构示意图;
图2为本发明对虾抗病表型的测定系统一个实施例的另一部分结构示意图;
图3为本发明对虾抗病表型的测定方法一个实施例的流程图;
图4和图5分别为对虾两种不同姿态的示意图;
图6为本发明电子设备一个实施例的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下将结合附图和实施例,对本发明作进一步详细说明。
需要说明的是,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时,应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
为解决现有技术中依赖人工监测对虾抗病测试中对虾死亡时间来获取对虾抗病表型存在的精确性低、效率低、人力成本高、不适宜大规模对虾抗病测试应用等技术问题,本发明创造性地提出一种对虾抗病表型的测定方法及测定系统,利用图像采集模块规模采集对虾图像,自动识别对虾的姿态与位置,并根据识别结果自动判断对虾是否死亡和确定死亡时间,根据死亡时间确定存活时间,从而实现对虾抗病表型的自动化、精准性测定。
图1所示为本发明对虾抗病表型的测定系统一个实施例的部分结构示意图。
如图1所示,该实施例的对虾抗病表型的测定系统包括集中式养殖模块、图像采集模块、光源及图像处理模块。
其中,集中式养殖模块用于将对虾个体独立、集中式养殖。该实施例中,集中式养殖模块包括有蓄水箱11、水槽12和置于水槽12内的多个养殖盒13。其中,水槽12为方形,其放置于架体上,蓄水箱11位于架体的底部和/或侧部,蓄水箱11通过进水管14和出水管15分别与水槽12的两个对角位置连通。在进水管14上设置有水泵(图中未示出),在水泵的作用下,蓄水箱11中的水通过进水管14进入水槽12内,而水槽12内的水可通过出水管15回流到蓄水箱11中,实现整个集中式养殖模块内部的水呈现循环状态。
养殖盒13为长方体或正方体结构,根据对虾的大小,可设置其为10cm×10cm×10cm的正方体。多个养殖盒13按照n×n的排布结构紧密排布坐落在水槽12中。每个养殖盒13包括盒盖、盒底及盒侧壁,盒盖为透明式,在盒底及盒侧壁上均开始有网孔,使得每个养殖盒13内部的水体可以与外部自由交换。而且,每个养殖盒13的盒底距离水槽12的底部距离为10cm左右,以便在养殖盒也3与水槽12之间形成流动空间,既便于养殖水循环过程中水的流动,也便于清理水槽12底部的粪便等残渣,以保持养殖环境的洁净。在使用时,水槽12中的水位以刚刚没过养殖盒13的盒盖为宜。
为进行所养殖对虾个体的识别,每个养殖盒作为一个养殖单元区域,具有唯一的标记。每个养殖盒13还具有参考坐标点,以实现对其内所养殖对虾的相对位置的确定。如图2所示,将10×10共100个紧邻的养殖盒作为一个单元,行用数字依次编号,列用字母依次编号,从而,每个养殖盒以字母加数字的方式编号作为标记,自A1直至J10。将每个养殖盒距离其所在的养殖单元中心位置21最远的一个角设置为该养殖盒的参考坐标点。
图像采集模块置于集中式养殖模块上方,用于采集集中式养殖模块养殖的对虾的实时图像。光源也置于集中式养殖模块上方,为图像采集模块提供图像采集所需的亮度,保证获得清晰的图像。在一些实施例中,图像采集模块选用工业相机实现。具体的,结合图2所示,每m×m(m<n)个养殖盒上方的正中央设置一个相机,保证该相机下方的m×m个养殖盒均在该相机的拍摄视野中。
图像采集模块将按照设定采用频率采集实时图像,实时图像将传输至图像处理模块,由图像处理模块对图像进行处理,最终实现对虾抗病表型的测定。具体测定方法,参见后续实施例的描述。
图3所示为本发明对虾抗病表型的测定方法一个实施例的流程图。
如图3所示,该实施例采用下述过程来实现对虾抗病表型的自动测定。
步骤31:获取病原感染后养殖的对虾的实时图像。
具体的,采用图像采集模块如工业相机,获得测试的对虾的实时图像。且该对虾为经过病原感染的所养殖的对虾。
实时图像,是指由图像采集模块按照设定采用频率不断获取的当前图像。例如,图像采集模块每分钟采集一次图像。
步骤32:基于实时图像确定对虾的实时姿态和实时位置。
所获取的实时图像中,可能仅包括一尾对虾的图像,也可能包括多尾对虾的图像。如果仅包括一尾对虾的图像,则根据图像直接确定该对虾的实时姿态和实时位置,具体确定方法参见下面的描述。
通常的,图像采集模块所采集的实时图像中包含多尾对虾,还包含着每尾对虾所在的养殖单元区域,例如,图1实施例中的养殖盒。对于包含多尾对虾的实时图像,采用下述过程实现对每尾对虾实时姿态与实时位置的确定:
从实时图像中分割出每个实时养殖单元区域图像。养殖单元区域具有明显的边缘,还具有标记,通过边缘识别、标记识别等方法,均可实现对每个养殖单元区域图像的分割,进而获得每个实时养殖单元区域图像。具体图像分割方法可采用现有的图像识别技术来实现,在此不作具体限定和阐述。
基于实时养殖单元区域图像识别出每个养殖单元区域的标记和参考坐标点,以及识别出该养殖单元区域养殖的对虾的实时姿态及对虾的指定部位。每个养殖单元区域均预设有可与其他养殖单元区域进行区分的标记,例如,图1、图2实施例中的编号标记;每个养殖单元区域还预设有参考坐标点,如图1、图2实施例中的角部位置。养殖单元区域的标记及参考坐标点均可通过图像识别技术来实现。分割后的实时养殖单元区域图像中仅包含一尾对虾,然后,从该图像中进一步识别出该养殖单元区域的对虾的实时姿态以及对虾的指定部位。
根据养殖单元区域的参考坐标点和该养殖单元区域养殖的对虾的指定部位确定该对虾在养殖单元区域的实时位置。
将养殖单元区域的标记、该养殖单元区域内的对虾的实时姿态及实时位置进行关联并存储。
从图像中识别出对虾的实时姿态,可以采用现有技术来实现。通过对虾的姿态,可以初步判断对虾为活虾或者死虾。例如,基于特征检测手段检测对虾的关键点,根据关键点构建对虾在水中的姿势骨架结构,然后根据姿势骨架结构估计对虾的姿态,根据已知的活虾姿态和死虾姿态,进一步可判定识别出的姿态所对应的对虾的存活状态。
在另外一些实施例中,活虾的姿态通常是背面朝上、腹部朝下的趴卧姿势,尾部呈扇状打开,如图4所示;死虾的姿态通常是侧躺姿势,尾部合拢在一起,不呈现扇状,如图5所示。采集大量活虾图像和死虾图像,检测出对虾姿势及尾部形状特征作为训练数据,通过机器学习方法建立活虾姿态和死虾姿态的识别模型;再利用识别模型对实时图像进行识别,即可确定出对虾为存活姿态或死亡姿态的实时姿态。
从对虾图像中识别指定部位,也可采用现有技术来实现。例如,指定部位为虾的眼球、头胸甲、腹节、尾节等,采集大量对虾图像,检测出指定部位的特征作为训练数据,通过机器学习方法建立指定部位的识别模型;再利用识别模型对实时图像进行识别,即可识别出指定部位。同时,也能够确定出指定部位在图像中的位置,再结合养殖单元区域的参考坐标点,即可确定出对虾在养殖单元区域的实时位置。
在一些实施例中,对虾的指定部位为对虾的眼球。根据养殖单元区域的参考坐标点和该养殖单元区域养殖的对虾的指定部位确定该对虾在养殖单元区域的实时位置,具体包括:
在识别的对虾的指定部位仅为一个眼球时,测量该一个眼球的中心点与参考坐标点之间的距离,根据距离确定出实时位置。具体的,将养殖单元区域形成二维坐标系,将参考坐标点作为坐标系的原点,根据测量的距离确定出对虾的眼球在二维坐标系中的坐标位置,将该坐标位置确定为对虾在养殖单元区域的实时位置。
在识别的对虾的指定部位包含有两个眼球时,测量该两个眼球的中心点之间的连线的中点,测量中点与参考坐标点之间的距离,根据距离确定出对虾的实时位置。
步骤33:判断实时姿态是否符合预设姿态。若是,执行步骤34;否则,继续执行步骤32。
预设姿态为表征对虾可能为死亡状态的姿态。在步骤32获得对虾的实时姿态后,与预设姿态进行比较。若实时姿态与预设姿态相同或者相近,则判定符合预设姿态;否则,判定不符合预设姿态。姿态的具体比较的实现,可以采用现有技术,例如,通过计算两个姿态中的关键点的欧式距离的方式进行比较,该实施例对具体姿态比较过程的实现不作限定。
如果实时姿态不符合预设姿态,则继续执行步骤32,根据实时图像确定对虾的实时姿态和实时位置,直至实时姿态符合预设姿态,然后执行步骤34的过程。
步骤34:在实时姿态符合预设姿态时,判断实时位置是否符合预设位置变化条件。若是,执行步骤35;否则,转至步骤33。
实时姿态符合预设姿态,初步判断对虾为死亡状态。考虑到正常存活的对虾会出现暂时的侧躺或者侧倾姿态,为防止误判,在实时姿态符合预设姿态后,进一步根据对虾的位置进行判断,具体来说是判断对虾的实时位置是否符合预设位置变化条件,并根据判断结果进行不同的处理。
其中,预设位置变化条件包括:在设定时间段内实时位置的变化幅度小于预设幅度阈值。若实时位置的变化符合预设位置变化条件,即对虾在设定的时间段内位置没有发生较大的变动,则表明该对虾以及死亡。然后,执行步骤35的处理。若实时位置的变化不符合预设位置变化条件,即对虾在设定的时间段内位置发生了较大的变动,表明对虾仍处于存活状态,则转至步骤33,继续执行预设姿态的判断过程。应当理解,在设定时间段内,仍不断执行步骤31和步骤32的实时图像采集、实时图像处理的过程。
步骤35:将实时姿态符合预设姿态时的时间确定为对虾死亡时间,根据对虾死亡时间确定对虾存活时间,作为抗病表型。
在同时满足了实时姿态符合预设姿态、且实时位置与符合预设位置变化条件时,将判定实时姿态符合预设姿态时的时间确定为对虾死亡时间,实现对对虾死亡时间的更精确的记录。然后,根据对虾死亡时间计算出对虾存活时间,作为该对虾的抗病表型。
上述实施例通过实时采集病原感染后养殖的对虾的图像,根据图像自动确定对虾的实时姿态和实时位置,在实时姿态符合预设姿态时再进行实时位置变化的判断,在实时位置符合了预设位置变化条件时,确定对虾为死亡状态,且其死亡时间为实时姿态符合预设姿态时的时间,实现对虾死亡时间的及时、准确获取,再基于死亡时间即可获得准确的对虾存活时间作为抗病表型;采用本发明的技术方案,即能利用图像采集及图像处理技术实现自动、快速地获得抗病表型,几乎无需人力参与,提高了抗病表型获取的精确性、快速高效性和大规模抗病测试的可行性,而且,先进行姿态判断,在姿态符合预设姿态时再根据位置进行判断,减少了误判几率,进一步提高了抗病表型获取的准确性。
下面以一个具体实例进一步描述基于上述实施例提供的系统和方法进行对虾抗病表型测定的过程。
搭建1个具有20×20的养殖盒的集中式养殖模块,配置4个相机作为图像采集模块,每个相机对应10×10个养殖盒,水温调整在26-28℃。每个养殖盒采用字母与数字结合的方式进行编号作为标记,共采用20个字母(A~T)和20个数字(1~20)进行组合。
选择20个家系,每个家系随机选取20尾对虾个体,随后进行人工病原感染。病原感染时,针对病毒病原,采用单尾口饲的方式进行人工病毒感染,具体方法可采用现有技术来实现;针对细菌病原,以家系为单位采用细菌终浓度为107cfu/mL的菌液浸泡2小时以上进行对虾人工病原感染。
将感染后的对虾个体放入集中式养殖模块,每个养殖盒放入一尾对虾。
以抗病力测试开始的时间点作为零点,自动控制相机每隔1分钟完成一次集中式养殖模块的图像采集,夜间启动光源,确保能够采集到清晰的图像,所有采集的数据传输至计算机,通过计算机中的图像处理模块进行图像处理和识别。
通过图像处理模块对采集的养殖模块图像进行处理,按设定对每个养殖单元进行编号,具体编号从A1到T20,共计400个养殖盒;将每个养殖盒的图像分割出来,识别出对虾的实时姿态及实时位置。
为了防止判别错误,当识别到实时姿态符合预设姿态,也即为死虾姿态时,自动开始对比每1分钟所拍图像与前1分钟所拍图像中对虾在养殖盒中的相对位置。如果连续5分钟所拍的所有图像中对虾的相对位置没有变化,则判别虾已经死亡,记录5分钟前的时间点,也即实时姿态符合预设姿态时的时间点作为对虾的死亡时间,计算获取对虾的存活时间,将对虾的存活时间以及对虾所在的养殖盒的编号进行对应存储,完成数据记录。由此,在本测试中,对虾个体的存活时间可以精确到分钟。
测试期间,每天投喂4次人工配合饲料,每天换20%的海水,每隔6小时捞取一次死亡个体,直到90%以上的对虾死亡时,结束测试。从计算机中获取所有死亡个体的存活时间数据,以进行后续抗病表型的应用。
图5示出了本发明的电子设备一个实施例的结构框图。该电子设备包括处理器41、存储器42及存储在存储器42上的计算机程序421,处理器41配置为执行计算机程序421,实现图3实施例及其他实施例的对虾抗病表型的测定方法,并实现相应实施例的技术效果。
本发明的其他实施例还提供一种计算机存储介质,计算机存储介质上存储有计算机程序,计算机程序被处理器执行时,实现图3实施例及其他实施例的对虾抗病表型的测定方法,并实现相应实施例的技术效果。
上述的计算机存储介质,可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。计算机存储介质可以是通用或专用计算机能够存取的任何可用存储介质。
在一些实施例中,计算机存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称:ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于设备中。
以上实施例仅用以说明本发明的技术方案,而非对其进行限制;尽管参照前述实施例对本发明进行了详细的说明,对于本领域的普通技术人员来说,依然可以对前述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;而这些修改或替换,并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (7)
1.一种对虾抗病表型的测定方法,其特征在于,所述方法包括:
获取病原感染后养殖的对虾的实时图像;
基于所述实时图像确定对虾的实时姿态和实时位置;
在所述实时姿态符合预设姿态时,判断所述实时位置是否符合预设位置变化条件;
在所述实时位置符合预设位置变化条件时,将所述实时姿态符合所述预设姿态时的时间确定为对虾死亡时间,根据所述对虾死亡时间确定对虾存活时间,作为抗病表型;
若所述实时位置不符合所述预设位置变化条件,继续执行判断所述实时姿态是否符合所述预设姿态的过程。
2.根据权利要求1所述的对虾抗病表型的测定方法,其特征在于,获取病原感染后养殖的对虾的实时图像,基于所述实时图像确定对虾的实时姿态和实时位置,具体包括:
获取病原感染后养殖的对虾的实时图像;所述实时图像中包含有多尾对虾及每尾对虾所在的养殖单元区域;
从所述实时图像中分割出每个实时养殖单元区域图像;
基于所述实时养殖单元区域图像识别出每个所述养殖单元区域的标记和参考坐标点,以及识别出该养殖单元区域养殖的对虾的实时姿态及对虾的指定部位;
根据所述养殖单元区域的所述参考坐标点和该养殖单元区域养殖的对虾的所述指定部位确定该对虾在所述养殖单元区域的所述实时位置;
将所述养殖单元区域的所述标记、该养殖单元区域内的对虾的所述实时姿态及所述实时位置进行关联并存储。
3.根据权利要求2所述的对虾抗病表型的测定方法,其特征在于,
对虾的所述指定部位为对虾的眼球;
根据所述养殖单元区域的所述参考坐标点和该养殖单元区域养殖的对虾的所述指定部位确定该对虾在所述养殖单元区域的所述实时位置,具体包括:
在识别的对虾的指定部位为一个眼球时,测量该一个眼球的中心点与所述参考坐标点之间的距离,根据所述距离确定所述实时位置;
在识别的对虾的指定部位为两个眼球时,测量该两个眼球的中心点之间的连线的中点,测量所述中点与所述参考坐标点之间的距离,根据所述距离确定所述实时位置。
4.根据权利要求1至3中任一项所述的对虾抗病表型的测定方法,其特征在于,所述预设位置变化条件包括:在设定时间段内所述实时位置的变化幅度小于预设幅度阈值。
5.一种对虾抗病表型的测定系统,其特征在于,所述系统包括:
集中式养殖模块,其包括有蓄水箱、水槽和置于所述水槽内的多个养殖盒;所述蓄水箱通过进水管和出水管与所述水槽连通,在所述进水管上设置有水泵;所述养殖盒包括盒盖、盒底及盒侧壁,所述盒底及所述盒侧壁上均开设有网孔;
图像采集模块,其置于所述集中式养殖模块上方,用于采集所述集中式养殖模块养殖的对虾的实时图像;
光源,其置于所述集中式养殖模块上方;
图像处理模块,用于接收所述图像采集模块采集的所述实时图像,并采用上述权利要求1至4中任一项所述的对虾抗病表型的测定方法测定抗病表型。
6.一种电子设备,包括处理器、存储器及存储在所述存储器上的计算机程序,其特征在于,所述处理器配置为执行所述计算机程序,实现上述权利要求1至4中任一项所述的对虾抗病表型的测定方法。
7.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述权利要求1至4中任一项所述的对虾抗病表型的测定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211102236.7A CN115482210A (zh) | 2022-09-09 | 2022-09-09 | 对虾抗病表型的测定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211102236.7A CN115482210A (zh) | 2022-09-09 | 2022-09-09 | 对虾抗病表型的测定方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115482210A true CN115482210A (zh) | 2022-12-16 |
Family
ID=84392775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211102236.7A Pending CN115482210A (zh) | 2022-09-09 | 2022-09-09 | 对虾抗病表型的测定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115482210A (zh) |
-
2022
- 2022-09-09 CN CN202211102236.7A patent/CN115482210A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3413708B1 (en) | System and method for recording and monitoring health and development in living fish | |
CA3029931A1 (en) | Method and system for sorting live fish | |
CN109472883A (zh) | 巡塘方法和装置 | |
CN115067243A (zh) | 一种基于物联网技术的渔业监测分析方法、系统及存储介质 | |
CN114723965B (zh) | 一种鱼类关键点表型数据测量方法 | |
CN103026984A (zh) | 群体孵化蛋成活性的视觉检测分级装置及其方法 | |
CN105933652A (zh) | 一种基于图像识别定位的鲟鱼活性检测装置与方法 | |
CN112131921B (zh) | 基于立体视觉的生物自动量测系统及其量测方法 | |
CN112528823A (zh) | 一种基于关键帧检测和语义部件分割的条斑鲨运动行为分析方法及系统 | |
WO2005082138A1 (ja) | 漁業資源調査方法とその装置 | |
Lai et al. | Automatic measuring shrimp body length using CNN and an underwater imaging system | |
Zhou et al. | Detection of abnormal chicken droppings based on improved Faster R-CNN | |
CN115482210A (zh) | 对虾抗病表型的测定方法及系统 | |
CN207940236U (zh) | 鱼群自动健康检测及档案管理装置 | |
CN116452967A (zh) | 基于机器视觉的鱼游动速度识别方法 | |
CN117095197A (zh) | 基于视觉的鱼类进食状态识别方法、系统、装置和设备 | |
CN108376238B (zh) | 一种多目标无标记的水生生物识别追踪方法及系统 | |
CN116597309A (zh) | 集成萌芽期生长和苗期生理指标鉴选植物抗性品种的方法 | |
Chen et al. | Establishing an eyeball-weight relationship for Litopenaeus vannamei using machine vision technology | |
CN115914560A (zh) | 一种母猪智能精准饲喂方法、装置、电子设备和存储介质 | |
CN113658124B (zh) | 一种盘点水下养殖资产的方法 | |
CN115100513A (zh) | 基于计算机视觉识别的养殖对象进食量估算方法及系统 | |
Boyle et al. | Image-based estimation of oat panicle development using local texture patterns | |
CN114612898A (zh) | 一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法 | |
CN114419432A (zh) | 一种鱼群摄食强度评估方法及装置 |
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 |