CN115601301A - 鱼类表型特征测量方法、系统、电子设备及存储介质 - Google Patents
鱼类表型特征测量方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115601301A CN115601301A CN202211099103.9A CN202211099103A CN115601301A CN 115601301 A CN115601301 A CN 115601301A CN 202211099103 A CN202211099103 A CN 202211099103A CN 115601301 A CN115601301 A CN 115601301A
- Authority
- CN
- China
- Prior art keywords
- fish
- underwater image
- target
- image
- prediction
- 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 40
- 241000251468 Actinopterygii Species 0.000 claims abstract description 110
- 230000009467 reduction Effects 0.000 claims abstract description 25
- 238000013136 deep learning model Methods 0.000 claims abstract description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 230000037396 body weight Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000000691 measurement method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000003287 optical effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 8
- 238000012546 transfer Methods 0.000 description 5
- 238000009360 aquaculture Methods 0.000 description 4
- 244000144974 aquaculture Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种鱼类表型特征测量方法、系统、电子设备及存储介质,属于鱼类表型特征测量领域。方法包括:获取养殖水域的水中图像;利用深度学习模型对所述水中图像进行预处理,得到含有多个预测框的水中图像;对所述含有多个预测框的水中图像进行降噪处理,得到降噪后的水中图像;根据所述降噪后的水中图像,确定目标预测框;根据所述目标预测框,确定目标的位置和鱼类表型特征;所述鱼类表型特征包括目标鱼的体长、体宽和体重。本发明提供了鱼类表型特征测量的效率以及准确性。
Description
技术领域
本发明涉及鱼类表型特征测量领域,特别是涉及一种鱼类表型特征测量方法、系统、电子设备及存储介质。
背景技术
在鱼类养殖过程中,鱼类表型特征能帮助养殖人员了解鱼类的生长状况,调整投喂饲料量、投喂频率等,从而确定捕捞时间、捕捞量。因此鱼类表型特征是鱼类养殖过程中重要的参考指标。
目前在水产养殖中,鱼类表型特征主要是通过人工手动测量,定期对养殖水域中的鱼类进行人工捕捞抽样、称重、测量长度,从而估计养殖水体鱼类的平均体长(鱼从头吻顶端到尾鳍基部的长度)、体重,这种方法耗时耗力误差较大,还会引起鱼类较大的应激反应和物理损伤,影响鱼类的健康和生长。因此,传统的方法对鱼类表型特征的调查远不能满足现代鱼类养殖的需求。
发明内容
本发明的目的是提供一种鱼类表型特征测量方法、系统、电子设备及存储介质,以解决现有技术中采用人工方式对鱼类表型特征进行测量,存在测量效率低、误差大的问题。
为实现上述目的,本发明提供了如下方案:
一种鱼类表型特征测量方法,包括:
获取养殖水域的水中图像;
利用深度学习模型对所述水中图像进行预处理,得到含有多个预测框的水中图像;
对所述含有多个预测框的水中图像进行降噪处理,得到降噪后的水中图像;
根据所述降噪后的水中图像,确定目标预测框;
根据所述目标预测框,确定目标鱼的位置和鱼类表型特征;所述鱼类表型特征包括目标鱼的体长、体宽和体重。
可选地,所述利用深度学习模型对所述水中图像进行预处理,得到含有多个预测框的水中图像,具体包括:
利用所述深度学习模型中的卷积层对所述水中图像进行处理,得到处理后的水中图像;
利用所述深度学习模型中的神经网络结构对所述处理后的水中图像进行处理,得到所述水中图像的多个预测框。
可选地,所述对所述含有多个预测框的水中图像进行降噪处理,得到降噪后的水中图像,具体包括:
利用空间域图像增强算法和频域图像增强算法对所述含有多个预测框的水中图像进行图像增强,得到增强后的水中图像;
采用小波去噪法对所述增强后的水中图像进行降噪处理,得到降噪后的水中图像。
可选地,所述采用小波去噪法对所述增强后的水中图像进行降噪处理,得到降噪后的水中图像,之后还包括:
利用深度学习模型对所述降噪后的水中图像进行深度学习,得到所述降噪后的水中图像的深度信息;
根据所述深度信息优化水中光线的入射分量和直射分量的分离过程,对所述降噪后的水中图像进行矫正。
可选地,所述根据所述降噪后的水中图像,确定目标预测框,具体包括:
根据所述降噪后的水中图像中的多个预测框,确定下一帧水中图像中的多个候选框;
提取所述多个候选框的特征,得到候选框特征;
根据所述候选框特征计算所述候选框与预测框的特征相似度;
选取特征相似度最高的候选框,作为目标预测框。
可选地,所述根据所述目标预测框,确定目标鱼的位置和鱼类表型特征,具体包括:
利用类光流跟踪算法对所述目标预测框进行跟踪,确定目标鱼的位置;
根据所述目标预测框进行目标鱼轮廓提取,得到目标鱼轮廓;
根据所述目标鱼轮廓,计算目标鱼的体长像素点和体宽像素点;
根据虚实转换关系,将所述体长像素点和所述体宽像素点转换成体长和体宽;
根据所述体长和所述体宽,计算目标鱼的体重。
一种鱼类表型特征测量系统,包括:
图像获取模块,用于获取养殖水域的水中图像;
预处理模块,用于利用深度学习模型对所述水中图像进行预处理,得到含有多个预测框的水中图像;
降噪模块,用于对所述含有多个预测框的水中图像进行降噪处理,得到降噪后的水中图像;
目标确定模块,用于根据所述降噪后的水中图像,确定目标预测框;
表型特征计算模块,用于根据所述目标预测框,确定目标鱼的位置和鱼类表型特征;所述鱼类表型特征包括目标鱼的体长、体宽和体重。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据上述的鱼类表型特征测量方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述的鱼类表型特征测量方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明的鱼类表型特征测量方法,通过获取养殖水域的水中图像,利用深度学习模型对水中图像进行预处理,得到含有多个预测框的水中图像;对含有多个预测框的水中图像进行降噪处理,得到降噪后的水中图像;根据所述降噪后的水中图像,确定目标预测框;根据目标预测框,确定目标鱼的位置和鱼类表型特征。本发明的方法避免了人工手动对鱼类的表型特征进行测量,实现了在不损伤鱼体的条件下估算鱼类表型特征,提高了鱼类表型特征测量的效率和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种鱼类表型特征测量方法的流程图;
图2为本发明提供的卷积层计算示意图;
图3为本发明提供的神经网络结构示意图;
图4为本发明提供的线性变换曲线图;
图5为本发明提供的分段线性变换曲线图;
图6为本发明提供的非线性对数变换曲线图;
图7为本发明提供的非线性指数变换曲线图;
图8为本发明提供的直方图均衡化变换曲线图;
图9为本发明提供的一种鱼类表型特征测量系统的结构图。
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。
本发明的目的是提供一种鱼类表型特征测量方法、系统、电子设备及存储介质,以解决现有技术中采用人工方式对鱼类表型特征进行测量,存在测量效率低、误差大的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的一种鱼类表型特征测量方法的流程图,如图1所示,本发明提供的鱼类表型特征测量方法包括:
步骤101:获取养殖水域的水中图像。在实际应用中,通过摄像头拍摄实时视频或输入已拍摄好的养殖水域的水中图像。
步骤102:利用深度学习模型对所述水中图像进行预处理,得到含有多个预测框的水中图像。
进一步地,所述步骤102,具体包括:
利用所述深度学习模型中的卷积层对所述水中图像进行处理,得到处理后的水中图像。
利用所述深度学习模型中的神经网络结构对所述处理后的水中图像进行处理,得到含有多个预测框的水中图像。
在实际应用中,本发明支持多种鱼类的识别,设计了一种通用的鱼类目标识别方法,从而能够有效地识别鱼类目标。本发明中深度学习模型包括卷积层计算,如图2所示,离散卷积的计算过程是利用卷积模板(卷积核、滤波器)在原图像(养殖水域的水中图像)上滑动,把对应位置上的元素相乘后加起来,得到最终的结果(处理后的水中图像),即实现滑动-相乘-叠加的操作,把图像变成数字化,方便机器识别。本发明设计的神经网络结构,如图3所示,神经网络结构(训练过程中还需调整优化)主要包含一些卷积层和最大池化层,其中有一些是1*1卷积,在神经网络结构的倒数第二层输出的大小是13*13卷积,是指把处理后的水中图像通过卷积或池化,最后输出包括多个13*13的预测框的水中图像。每一个预测框有5个预测值,有4个表示stx、sty、tw、th,(stx,sty)为目标框的中心点坐标,tw为预测框的宽,th为预测框的高,这4个来识别边框的位置和大小,还有一个数是confidence,表示预测框里有真正对象的概率。另外,图3中,卷积层中的向下箭头表示输入数据,向上箭头表示输出数据。
步骤103:对所述含有多个预测框的水中图像进行降噪处理,得到降噪后的水中图像。
进一步地,所述步骤103,具体包括:
利用空间域图像增强算法和频域图像增强算法对所述含有多个预测框的水中图像进行图像增强,得到增强后的水中图像。在实际应用中,通过空间域图像增强算法和频域图像增强算法把图像信息增强,并分辨出有对象的预测框和没对象的预测框,将没对象的预测框,当噪音处理掉。
采用小波去噪法对所述增强后的水中图像进行降噪处理,得到降噪后的水中图像。
进一步地,所述采用小波去噪法对所述增强后的水中图像进行降噪处理,得到降噪后的水中图像,之后还包括:
利用深度学习模型对所述降噪后的水中图像进行深度学习,得到所述降噪后的水中图像的深度信息。
根据所述深度信息优化水中光线的入射分量和直射分量的分离过程,对所述降噪后的水中图像进行矫正。
在实际应用中,结合水下视频图像的光学特性,设计并搭建基于水下光学模型和深度学习的去噪模型,利用空间域增强和频率域增强两种方法(空间域图像增强发和频域图像增强法),降低噪声,同时增强图像对比度;随后采用小波去噪等方法对增强后的水中图像进行实时的降噪处理。利用深度学习模型学习降噪后的水中图像的深层信息,进而优化水下光线的入射分量和直射分量的分离过程,从而提升视频质量,实现对水下视频(降噪后的水中图像)实时的矫正。
1、空间域图像增强法
线性变换是常用的空间域图像增强算法,令图像f(i,j)(含有多个预测框的水中图像)的灰度范围为[a,b],线性变换后图像g(i,j)的范围为[a',b'],如图4所示,g(i,j)与f(i,j)之间的关系式为:
为了突出感兴趣目标所在的灰度区间,相对抑制不感兴趣的灰度区间,可采用分段线性变换。设原图像f(i,j)在[0,Mf],感兴趣目标的灰度范围在[a,b],欲使其灰度范围拉伸到[c,d],如图5所示,则对应的分段线性变换表达式为:
非线性灰度变换当用某些非线性函数如对数函数、指数函数等,作为映射函数时,可实现图像灰度的非线性变换。
(1)对数变换,其中对数变换的一般表达式为:
其中,a,b,c是为了调整曲线的位置和形状而引入的参数。当希望对图像的低灰度区较大的拉伸而对高灰度区压缩时,可采用非线性对数变换,如图6所示,它能使图像灰度分布与人的视觉特性相匹配。
(2)指数变换的一般表达式为:
g(i,j)=bc[f(i,j)-a]-1
其中,参数a,b,c用来调整曲线的位置和形状,非线性指数变换能对图像的高灰度区给予较大的拉伸,如图7所示。
(3)直方图均衡化变换是将原图像通过某种变换,得到一幅灰度直方图为均匀分布的新图像的方法,如图8所示。
2、频域图像增强法
频域增强是利用图像变换方法将原来的图像空间中的图像以某种形式转换到其它空间中,然后利用该空间的特有性质方便地进行图像处理,最后再转换回原来的图像空间中,从而得到处理后的图像。
频域增强的主要步骤是:
(1)选择变换方法,将输入图像变换到频域空间。
(2)在频域空间中,根据处理目的设计一个转移函数并进行处理。根据转移函数选择三个滤波器(理想低通滤波器、Butterworth低通滤波器以及指数滤波器)当中一个滤波器使用,达到增强的目的。
(3)将所得结果用反变换得到图像增强。
理想低通滤波器
设傅立叶平面上理想低通滤波器离开原点的截止频率为D0,则理想低通滤波器的传递函数为:
(2)Butterworth低通滤波器
n阶Butterworth滤波器的传递函数为:
(3)指数高通滤波器
指数高通滤波器的传递函数为:
步骤104:根据所述降噪后的水中图像,确定目标预测框。
进一步地,所述步骤104,具体包括:
根据所述降噪后的水中图像中的多个预测框,确定下一帧水中图像中的多个候选框。
提取所述多个候选框的特征,得到候选框特征。
根据所述候选框特征计算所述候选框与预测框的特征相似度。
选取特征相似度最高的候选框,作为目标预测框。
在给定视频序列初始目标大小与位置的情况下,预测后续视频序列中该目标的大小与位置。输入降噪后的水中图像中的多个预测框,在下一帧中产生众多候选框,提取这些候选框的特征,并计算这些候选框的特征相似度并进行评分,最后在这些评分中找一个得分最高的候选框作为预测的目标(目标预测框)。
步骤105:根据所述目标预测框,确定目标鱼的位置和鱼类表型特征;所述鱼类表型特征包括目标鱼的体长、体宽和体重。
进一步地,所述步骤105,具体包括:
利用类光流跟踪算法对所述目标预测框进行跟踪,确定目标鱼的位置。
根据所述目标预测框进行目标鱼轮廓提取,得到目标鱼轮廓。
根据所述目标鱼轮廓,计算目标鱼的体长像素点和体宽像素点。
根据虚实转换关系,将所述体长像素点和所述体宽像素点转换成体长和体宽。
根据所述体长和所述体宽,计算目标鱼的体重。
本发明中采用类光流跟踪算法,对目标预测框中的每个像素点赋予一个速度矢量,这样就形成了一个运动矢量场。在某一特定时刻,目标预测框上的点与三维物体上的点一一对应,这种对应关系可以通过投影来计算得到。根据各个像素点的速度矢量特征,可以对目标预测框进行动态分析。如果目标预测框中没有运动目标,则光流矢量(光流矢量是二维矢量场,表示了一个点从第一帧到第二帧的位移,包括位移大小和方向)在整个图像区域是连续变化的。当图像中有运动物体(例如鱼类)时,目标和背景存在着相对运动。运动物体所形成的速度矢量必然和背景的速度矢量有所不同,如此便可以计算出运动物体的位置。需要提醒的是,利用光流法进行运动物体检测时,计算量较大,无法保证实时性和实用性。
其类光流跟踪算法主要包括:
(1)对一个连续的视频帧序列进行处理。
(2)针对每一个视频序列,利用目标检测方法,检测可能出现的前景目标。
(3)如果某一帧出现了前景目标,找到其具有代表性的关键特征点(可以随机产生,也可以利用角点来做特征点)。
(4)对之后的任意两个相邻视频帧而言,寻找上一帧中出现的关键特征点在当前帧中的最佳位置,从而得到前景目标在当前帧中的位置坐标。
(5)如此迭代进行,便可实现目标的跟踪。
根据识别到鱼类的图片信息,通过对识别区域(目标预测框)的目标进行轮廓提取,结合分析算法叠加的矩形框,计算该目标的长度和宽度,由于此时计算得到的是像素值,需要根据虚实映射关系,将体长和体宽的信息根据虚实映射关系转换成实际的长度,并根据公式W=(w2+h2)1/2×el-0.5计算出该目标的体重,其中,W表示鱼类重量,w表示鱼的体长,h表示鱼的体宽,l表示图像中目标的位置,通过在计算体重的过程中加入目标的位置,能够解决近大远小的问题。
本发明属于水产养殖和生态监测技术领域,提供了一种鱼类表型特征测量的方法,实现了在不损伤鱼体的条件下准确高效的估算鱼类表型特征。
图9为本发明提供的一种鱼类表型特征测量系统的结构图,如图9所示,本发明的一种鱼类表型特征测量系统,包括:
图像获取模块901,用于获取养殖水域的水中图像。
预处理模块902,用于利用深度学习模型对所述水中图像进行预处理,得到含有多个预测框的水中图像。
降噪模块903,用于对所述含有多个预测框的水中图像进行降噪处理,得到降噪后的水中图像。
目标确定模块904,用于根据所述降噪后的水中图像,确定目标预测框。
表型特征计算模块905,用于根据所述目标预测框,确定目标鱼的位置和鱼类表型特征;所述鱼类表型特征包括目标鱼的体长、体宽和体重。
本发明还提供了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的鱼类表型特征测量方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的鱼类表型特征测量方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种鱼类表型特征测量方法,其特征在于,包括:
获取养殖水域的水中图像;
利用深度学习模型对所述水中图像进行预处理,得到含有多个预测框的水中图像;
对所述含有多个预测框的水中图像进行降噪处理,得到降噪后的水中图像;
根据所述降噪后的水中图像,确定目标预测框;
根据所述目标预测框,确定目标鱼的位置和鱼类表型特征;所述鱼类表型特征包括目标鱼的体长、体宽和体重。
2.根据权利要求1所述的鱼类表型特征测量方法,其特征在于,所述利用深度学习模型对所述水中图像进行预处理,得到含有多个预测框的水中图像,具体包括:
利用所述深度学习模型中的卷积层对所述水中图像进行处理,得到处理后的水中图像;
利用所述深度学习模型中的神经网络结构对所述处理后的水中图像进行处理,得到所述水中图像的多个预测框。
3.根据权利要求1所述的鱼类表型特征测量方法,其特征在于,所述对所述含有多个预测框的水中图像进行降噪处理,得到降噪后的水中图像,具体包括:
利用空间域图像增强算法和频域图像增强算法对所述含有多个预测框的水中图像进行图像增强,得到增强后的水中图像;
采用小波去噪法对所述增强后的水中图像进行降噪处理,得到降噪后的水中图像。
4.根据权利要求3所述的鱼类表型特征测量方法,其特征在于,所述采用小波去噪法对所述增强后的水中图像进行降噪处理,得到降噪后的水中图像,之后还包括:
利用深度学习模型对所述降噪后的水中图像进行深度学习,得到所述降噪后的水中图像的深度信息;
根据所述深度信息优化水中光线的入射分量和直射分量的分离过程,对所述降噪后的水中图像进行矫正。
5.根据权利要求1所述的鱼类表型特征测量方法,其特征在于,所述根据所述降噪后的水中图像,确定目标预测框,具体包括:
根据所述降噪后的水中图像中的多个预测框,确定下一帧水中图像中的多个候选框;
提取所述多个候选框的特征,得到候选框特征;
根据所述候选框特征计算所述候选框与预测框的特征相似度;
选取特征相似度最高的候选框,作为目标预测框。
6.根据权利要求1所述的鱼类表型特征测量方法,其特征在于,所述根据所述目标预测框,确定目标的位置和鱼类表型特征,具体包括:
利用类光流跟踪算法对所述目标预测框进行跟踪,确定目标鱼的位置;
根据所述目标预测框进行目标鱼轮廓提取,得到目标鱼轮廓;
根据所述目标鱼轮廓,计算目标鱼的体长像素点和体宽像素点;
根据虚实转换关系,将所述体长像素点和所述体宽像素点转换成体长和体宽;
根据所述体长和所述体宽,计算目标鱼的体重。
7.一种鱼类表型特征测量系统,其特征在于,包括:
图像获取模块,用于获取养殖水域的水中图像;
预处理模块,用于利用深度学习模型对所述水中图像进行预处理,得到含有多个预测框的水中图像;
降噪模块,用于对所述含有多个预测框的水中图像进行降噪处理,得到降噪后的水中图像;
目标确定模块,用于根据所述降噪后的水中图像,确定目标预测框;
表型特征计算模块,用于根据所述目标预测框,确定目标鱼的位置和鱼类表型特征;所述鱼类表型特征包括目标鱼的体长、体宽和体重。
8.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1-6任一项所述的鱼类表型特征测量方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的鱼类表型特征测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211099103.9A CN115601301B (zh) | 2022-09-07 | 2022-09-07 | 鱼类表型特征测量方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211099103.9A CN115601301B (zh) | 2022-09-07 | 2022-09-07 | 鱼类表型特征测量方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115601301A true CN115601301A (zh) | 2023-01-13 |
CN115601301B CN115601301B (zh) | 2023-06-30 |
Family
ID=84843414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211099103.9A Active CN115601301B (zh) | 2022-09-07 | 2022-09-07 | 鱼类表型特征测量方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115601301B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883828A (zh) * | 2023-08-22 | 2023-10-13 | 中国科学院水生生物研究所 | 一种智能化鱼类生长性能识别方法及分析系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413324A (zh) * | 2013-07-29 | 2013-11-27 | 西北工业大学 | 航拍视频自动目标跟踪方法 |
GB201509514D0 (en) * | 2015-06-02 | 2015-07-15 | Fishfigure Ltd | A software application (app) on a computer or mobile device developed for measuring the size of a fish from a photograph. This process is called fishfigure. |
CN111127396A (zh) * | 2019-11-21 | 2020-05-08 | 中国农业大学 | 鱼类重量测算方法及装置 |
CN112906510A (zh) * | 2021-02-02 | 2021-06-04 | 中国水利水电科学研究院 | 一种渔业资源统计方法及系统 |
CN114049577A (zh) * | 2021-11-17 | 2022-02-15 | 中国水利水电科学研究院 | 一种鱼类规格的测量方法及系统 |
CN114485415A (zh) * | 2021-12-27 | 2022-05-13 | 中国水产科学研究院黄海水产研究所 | 一种底栖鱼类生长表型高效测量方法及装置 |
-
2022
- 2022-09-07 CN CN202211099103.9A patent/CN115601301B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413324A (zh) * | 2013-07-29 | 2013-11-27 | 西北工业大学 | 航拍视频自动目标跟踪方法 |
GB201509514D0 (en) * | 2015-06-02 | 2015-07-15 | Fishfigure Ltd | A software application (app) on a computer or mobile device developed for measuring the size of a fish from a photograph. This process is called fishfigure. |
CN111127396A (zh) * | 2019-11-21 | 2020-05-08 | 中国农业大学 | 鱼类重量测算方法及装置 |
CN112906510A (zh) * | 2021-02-02 | 2021-06-04 | 中国水利水电科学研究院 | 一种渔业资源统计方法及系统 |
CN114049577A (zh) * | 2021-11-17 | 2022-02-15 | 中国水利水电科学研究院 | 一种鱼类规格的测量方法及系统 |
CN114485415A (zh) * | 2021-12-27 | 2022-05-13 | 中国水产科学研究院黄海水产研究所 | 一种底栖鱼类生长表型高效测量方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883828A (zh) * | 2023-08-22 | 2023-10-13 | 中国科学院水生生物研究所 | 一种智能化鱼类生长性能识别方法及分析系统 |
CN116883828B (zh) * | 2023-08-22 | 2023-11-24 | 中国科学院水生生物研究所 | 一种智能化鱼类生长性能识别方法及分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115601301B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019148739A1 (zh) | 一种模糊图像综合处理方法和系统 | |
CN109872285B (zh) | 一种基于变分约束的Retinex低照度彩色图像增强方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN107301661A (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
CN110163818A (zh) | 一种用于海事无人机的低照度视频图像增强方法 | |
CN110135500A (zh) | 一种基于自适应深度特征滤波器的多场景下目标跟踪方法 | |
CN107767358B (zh) | 一种图像中物体模糊度确定方法和装置 | |
CN105205788A (zh) | 一种针对高通量基因测序图像的去噪方法 | |
CN104200434B (zh) | 一种基于噪声方差估计的非局部均值图像去噪方法 | |
CN109658340B (zh) | 基于rsvd与直方图保存的sar图像快速去噪方法 | |
CN113349111A (zh) | 一种用于水产养殖物的动态投喂方法、系统和存储介质 | |
CN115082336A (zh) | 一种基于机器学习的sar图像相干斑抑制方法 | |
CN115601301B (zh) | 鱼类表型特征测量方法、系统、电子设备及存储介质 | |
CN115439738A (zh) | 一种基于自监督协同重构的水下目标检测方法 | |
Niu et al. | Underwater Waste Recognition and Localization Based on Improved YOLOv5. | |
CN107945119B (zh) | 基于拜耳模式的图像内相关噪声估计方法 | |
CN110852335B (zh) | 一种基于多颜色特征融合与深度网络的目标跟踪系统 | |
CN113052794A (zh) | 一种基于边缘特征的图像清晰度识别方法 | |
CN109285148B (zh) | 基于重加权低秩和增强稀疏的红外弱小目标检测方法 | |
CN104616266B (zh) | 一种基于广义自回归异方差模型的噪声方差估计方法 | |
CN103839237B (zh) | 基于svd字典和线性最小均方误差估计的sar图像去斑方法 | |
CN115187855A (zh) | 一种海底底质声呐图像分类方法 | |
CN107274412A (zh) | 基于红外图像的小目标检测的方法 | |
CN112801903A (zh) | 一种基于视频降噪的目标跟踪方法、装置和计算机设备 | |
CN112927169A (zh) | 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法 |
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 |