CN116883828A - 一种智能化鱼类生长性能识别方法及分析系统 - Google Patents
一种智能化鱼类生长性能识别方法及分析系统 Download PDFInfo
- Publication number
- CN116883828A CN116883828A CN202311059752.0A CN202311059752A CN116883828A CN 116883828 A CN116883828 A CN 116883828A CN 202311059752 A CN202311059752 A CN 202311059752A CN 116883828 A CN116883828 A CN 116883828A
- Authority
- CN
- China
- Prior art keywords
- column
- fish
- digital image
- information
- white
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 131
- 238000004458 analytical method Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 27
- 238000012800 visualization Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000011160 research Methods 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/54—Browsing; Visualisation therefor
-
- 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
-
- 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
-
- 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)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种智能化鱼类生长性能识别方法及分析系统,其方法包括:对放置有待测鱼类的测量板进行自动化拍摄得到第二数字图像;对第二数字图像提取自适应阈值,进行黑白二值化;确定黑白二值图中目标区域左边界和右边界预设区域,自动提取左边界和右边界位置;计算出待测鱼类的全长信息;自动识别所述目标区域中尾叉最凹处,计算出待测鱼类的叉长信息;自动识别所述目标区域中尾椎骨末端,计算出待测鱼类的体长信息;自动获取待测鱼类的体重信息,并计算出待测鱼类的生长指标和体态指标。本发明既能提升水生态监测科研效率,也利于对鱼的生长情况进行监测,为生产上实现鱼类生长的自动化监测提供了技术支持。
Description
技术领域
本发明涉及水生物数据监测领域,具体涉及一种智能化鱼类生长性能识别方法及分析系统。
背景技术
当前鱼类测量主要是人工采用测量尺或者模具进行测量,人工读数,测量数据通过人工输入电脑进行记录,测量过程至少需要两人配合才能完成,耗时耗力,效率低下。整个过程人为因素较多,人工读数误差较大,手工记录容易出现错误,增大了数据的不确定性。
另外,随着渔业的发展及研究的深入,在各种实验过程中产生了大量的结构化和非结构化的数据。实验过程中采集的鱼类多样性及水域环境等相关的数据大都来自于手动测量及记录,效率低下,较大人为误差、费时费力;数据的保存没有统一标准,经常出现数据资料杂乱或者丢失的现象;后续针对性的研究也是基于表格的简单统计分析、重复性工作较多,缺乏数据的深入研究,延长了研究周期;研究结论需要专业技术人员进行分析解读,形成文字报告,调查测量结果具有一定的时间滞后。此外,由于实验方案或者研究问题的不同,数据格式及内容因人而异,不同项目数据的交叉使用或者共享也存在问题,大大降低了数据的可利用率和再使用。
发明内容
本发明所要解决的技术问题是提供一种智能化鱼类生长性能识别方法及分析系统,可以快速精确的测量出鱼类生长形态,以及大大提升了数据处理的效率,利于数据的更深入分析,能够有效缩短了研究周期及监测报告的周期。
本发明解决上述技术问题的技术方案如下:一种智能化鱼类生长性能识别方法,
用于对待测鱼类的生长形态数据进行自动化识别,包括以下步骤:
S1,设置已知尺寸的测量板,在预设位置以预设角度对空白的测量板进行自动化拍摄,得到第一数字图像,并获取所述第一数字图像的像素信息,且根据所述测量板的尺寸以及所述第一数字图像的像素信息计算出所述第一数字图像中单位像素对应的实际尺寸;
S2,将待测鱼类放置在所述测量板上,在所述预设位置以所述预设角度对放置有待测鱼类的测量板进行拍摄,得到第二数字图像;
S3,对所述第二数字图像进行灰度化,得到第二数字图像灰度图,根据所述第二数字图像灰度图提取自适应黑白二值化阈值,并根据所述自适应黑白二值化阈值对所述第二数字图像灰度图进行黑白二值化,得到第二数字图像黑白二值图;
S4,选定所述第二数字图像黑白二值图中目标区域的左边界预设区域和右边界预设区域,并结合所述第二数字图像灰度图中的像素信息,在所述第二数字图像黑白二值图中确定出所述目标区域的左边界位置和右边界位置;其中,所述目标区域为所述待测鱼类在所述第二数字图像黑白二值图中所占据的区域,所述左边界预设区域为待测鱼类头部占据的预设区域,所述右边界预设区域为待测鱼类尾部占据的预设区域;
S5,根据所述目标区域的左边界位置和右边界位置以及所述第一数字图像中单位像素对应的实际尺寸计算出待测鱼类的全长信息;
S6,从待测鱼类的尾部开始,在所述目标区域中逐列查找白色区域,并自动识别在所述目标区域中逐列查找白色区域的过程中首次出现白色区域中所有行连续时所对应列的列信息,且将在所述目标区域中逐列查找白色区域的过程中首次出现白色区域中所有行连续时所对应列的列信息作为尾叉最凹处所对应的列信息;根据所述全长信息、尾叉最凹处所对应的列信息以及所述第一数字图像中单位像素对应的实际尺寸计算出待测鱼类的叉长信息;
S7,根据所述第二数字图像灰度图中的像素信息计算出所述第二数字图像黑白二值图中白色区域从第列开始各列的像素平均值,从计算出的所有列的像素平均值中识别出从待测鱼类尾部至头部的方向像素平均值连续预设列都减小时的像素平均值首次减小列,根据所述全长信息、/>、所述像素平均值首次减小列以及所述第一数字图像中单位像素对应的实际尺寸计算出待测鱼类的体长信息;其中,/>为在所述目标区域中逐列查找白色区域的过程中首次出现白色区域中所有行连续时所对应列的列信息,亦即为尾叉最凹处所对应的列信息;
S8,自动获取待测鱼类的体重信息;基于第一函数,根据所述体长信息和所述体重信息计算出待测鱼类的生长指标;基于第二函数,根据所述体重信息和所述体长信息计算出待测鱼类的体态指标;
其中,待测鱼类的生长形态数据包括所述全长信息、所述叉长信息、所述体长信息、所述体重信息、所述生长指标以及所述体态指标。
本发明的有益效果是:本发明一种智能化鱼类生长性能识别方法采用基于图像处理的方法,自动采集鱼类体长、全长、体重等生长形态数据,采集数据快速精确,大大降低了人工读数及录取的数据的参与,有效提升了数据采集的效率,避免了人为读数的误差以及手工记录容易出现错误的问题。
基于上述一种智能化鱼类生长性能识别方法,本发明还提供一种智能化鱼类生长性能分析系统。
一种智能化鱼类生长性能分析系统,包括以下模块:
数据采集模块,其用于对待测鱼类的生长水体环境指标数据和生长形态数据、监测过程图像数据以及爬虫数据进行采集形成采集数据,并上传至云端存储;其中采集待测鱼类的生长形态数据通过上述所述智能化鱼类生长性能识别方法实现;
数据标准化模块,其用于对所述采集数据进行标准化,得到标准化数据;
模型分析及可视化模块,其用于对所述标准化数据进行指定流程或模型分析或/和自定义流程或模型分析,并对分析结果进行可视化处理,得到模型分析及可视化结果;
报告生成模块,其用于根据所述模型分析及可视化结果生成数据报告;
数据导出模块,其用于对所述标准化数据或/和所述模型分析及可视化结果或/和所述数据报告进行导出。
本发明的有益效果是:一种智能化鱼类生长性能分析系统能够自动存储所需采集数据,并将采集到的数据通过无线或者有线网络存入指定数据库,既提升了数据采集速度和准确率,也利于数据的汇总,降低了人为因素导致的误差;针对数据库的存储的数据,进行标准化处理,在规范数据存储的同时,也能够保存所有数据,便于数据的共享,提升了数据的可读性、再使用和可利用率;利用标准化格式的数据进行系统的数据处理、建模及分析,研究鱼类多样性等相关问题;依据数据分析结论,自动生成监测及研究报告,大大提升了数据处理的效率,利于数据的更深入分析,能够有效缩短了研究周期及监测报告的周期;因此本发明的系统不仅能够提升水生态监测科研效率,也利于生产上对于鱼的生长情况进行监测,为生产上实现鱼类生长的自动化监测提供了技术支持。
附图说明
图1为本发明一种智能化鱼类生长性能识别方法的流程图;
图2为全长信息、叉长信息、体长信息的标注示意图;
图3为本发明一种智能化鱼类生长性能分析系统的结构框图;
图4为本发明一种智能化鱼类生长性能分析系统中各模块功能展示图;
图5为本发明一种智能化鱼类生长性能分析系统中模块细化图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,一种智能化鱼类生长性能识别方法,包括以下步骤S1~S8:
S1,设置已知尺寸的测量板,在预设位置以预设角度对空白的测量板进行自动化拍摄,得到第一数字图像,并获取所述第一数字图像的像素信息,且根据所述测量板的尺寸以及所述第一数字图像的像素信息计算出所述第一数字图像中单位像素对应的实际尺寸。
在所述S1中:所述测量板为白色测量板,通过预先安装的气泡水平仪器,调整白色测量板的位置,使其与水平面保持平行。将白色测量板的中心线与镜头成像中心线保持平行或者位于成像的中心线上。并且白色测量板能够被相机全部拍摄到。
首先采集已知尺寸的白色测量板(;其中,/>为测量板的高度尺寸,/>为测量板的宽度尺寸)的第一数字图像,获取白色测量板在采集的第一数字图像的中的像素信息(;其中,/>为第一数字图像的高度像素信息,/>为第一数字图像的宽度像素信息),依据测量板的高度尺寸和宽度尺寸、第一数字图像的高度像素信息和宽度像素信息求得单位像素对应的实际长度分别为/>和/>,其中:
,/>;
在后续计算时,我们只利用。
S2,将待测鱼类放置在所述测量板上,在所述预设位置以所述预设角度对放置有待测鱼类的测量板进行拍摄,得到第二数字图像。
在所述S2中,具体将待测鱼类放置在所述测量板的中心线上(中心线提前标好),使待测鱼类的吻端和尾叉均位于白色测量板的中心线上,然后提取待测鱼类的数字图像,得到第二数字图像。
S3,对所述第二数字图像进行灰度化,得到第二数字图像灰度图,根据所述第二数字图像灰度图提取自适应黑白二值化阈值,并根据所述自适应黑白二值化阈值对所述第二数字图像灰度图进行黑白二值化,得到第二数字图像黑白二值图。
所述S3具体为:
S31,对所述第二数字图像进行灰度化,得到第二数字图像灰度图;
S32,对所述第二数字图像灰度图中的像素进行频率统计,得到第一峰值和第二峰值;具体的:对所述第二数字图像灰度图中出现的各灰度值所对应的像素的个数进行统计,选择像素个数最多的两个灰度值分别作为所述第一峰值和所述第二峰值,且所述第一峰值大于所述第二峰值;
S33,基于第三函数,根据所述第一峰值和所述第二峰值计算得到所述自适应黑白二值化阈值;其中,所述第三函数为:
;
具体的,为所述自适应黑白二值化阈值,/>为所述第一峰值,/>为所述第二峰值,为系数且/>的取值范围为0~0.5。
S34,根据所述自适应黑白二值化阈值对所述第二数字图像灰度图进行黑白二值化,得到第二数字图像黑白二值图;其中,在所述第二数字图像黑白二值图中,黑色为背景,白色为待测鱼类信息;黑白二值化的具体过程为,对于第二数字图像灰度图,将第二数字图像灰度图中像素值大于自适应黑白二值化阈值的像素都赋值为0,将像素值小于或等于自适应黑白二值化阈值的像素都赋值为255。
S4,选定所述第二数字图像黑白二值图中目标区域的左边界预设区域和右边界预设区域,并结合所述第二数字图像灰度图中的像素信息,在所述第二数字图像黑白二值图中确定出所述目标区域的左边界位置和右边界位置;其中,所述目标区域为所述待测鱼类在所述第二数字图像黑白二值图中所占据的区域,所述左边界预设区域为待测鱼类头部占据的预设区域,所述右边界预设区域为待测鱼类尾部占据的预设区域。
所述S4具体为:
S41,S41,选定所述第二数字图像黑白二值图中目标区域的左边界预设区域和右边界预设区域,并自动提取所述黑白二值图中所述左边界预设区域以及所述右边界预设区域的行列信息;
其中,所述目标区域为待测鱼类在所述第二数字图像黑白二值图中所占据的区域; 所述左边界预设区域为待测鱼类头部占据的预设区域,所述右边界预设区域为待测鱼类尾部占据的预设区域;具体的,假如所述第二数字图像黑白二值图中白色区域的图像宽度区间为,那么:左边界预设区域为/>,右边界预设区域为/>,n为像素列数且一般取值为3~10,其根据第二数字图像的整体清晰度确定;设置左、右边界预设区域的目的是优化利用自适应黑白二值化阈值出现的权重选择;
S42,从所述第二数字图像灰度图中自动提取出所述黑白二值图中所述左边界预设区域以及所述右边界预设区域的行列信息对应的像素信息;
S43,从所述左边界预设区域以及所述右边界预设区域的行列信息对应的像素信息中获取所述左边界预设区域以及所述右边界预设区域中的像素变化情况;
S44,基于所述左边界预设区域以及所述右边界预设区域中的像素变化情况,采用线性或者是非线性方法,自动识别所述目标区域的左边界位置和右边界位置(所述目标区域左边界位置和右边界位置即为所述目标区域左边界所在的像素列和右边界所在的像素列)。
S5,根据所述目标区域的左边界位置和右边界位置以及所述第一数字图像中单位像素对应的实际尺寸计算出待测鱼类的全长信息。
在所述S5中,计算待测鱼类的全长信息的公式为:
;
其中,为所述全长信息,/>为所述目标区域的右边界位置,/>为所述目标区域的左边界位置,/>为所述第一数字图像中单位像素对应的实际尺寸。
S6,从待测鱼类的尾部开始,在所述目标区域中逐列查找白色区域,并自动识别在所述目标区域中逐列查找白色区域的过程中首次出现白色区域中所有行连续时所对应列的列信息,且将在所述目标区域中逐列查找白色区域的过程中首次出现白色区域中所有行连续时所对应列的列信息作为尾叉最凹处所对应的列信息;根据所述全长信息、尾叉最凹处所对应的列信息以及所述第一数字图像中单位像素对应的实际尺寸计算出待测鱼类的叉长信息。
所述目标区域右边界为待测鱼类的尾部,所述S6具体为:
S61,在所述目标区域中从所述目标区域的右边界开始逐列查找白色区域,并记录当前查找列的白色区域中所有行的位置信息;
S62,根据当前查找列的白色区域中所有行的位置信息自动识别当前查找列的白色区域中所有行是否连续;若否则继续查找下一列;若是则记录当前查找列的列信息,且当前查找列的列信息即为在所述目标区域中逐列查找白色区域的过程中首次出现白色区域中所有行连续时所对应列的列信息,亦即为尾叉最凹处所对应的列信息;
判断当前查找列的白色区域中所有行是否连续的思想如下:例如针对某一列(或者图像的某一宽度比如width=200的位置),可以得到该列上所有的白色点所在的高度位置,然后通过相邻位置的两两差分的值是否大于某个值,如果大于这个值就不连续,如果小于等于这个值就连续。比如,这个值取1时,有这样一个数列:1,2,4,5,6,后面一个数减去前面一个数之后得到1,2,1,1,所以可以知道差分之后出现2 则不连续,不连续的位置为第2个和第3个之间;
S63,根据所述全长信息、尾叉最凹处所对应的列信息以及所述第一数字图像中单位像素对应的实际尺寸计算出待测鱼类的叉长信息;
其中,所述叉长信息的计算公式为:
;
具体的,为所述叉长信息,/>为所述全长信息,/>为在所述目标区域中逐列查找白色区域的过程中首次出现白色区域中所有行连续时所对应列的列信息,亦即为尾叉最凹处所对应的列信息,/>为所述第一数字图像中单位像素对应的实际尺寸。
S7,根据所述第二数字图像灰度图中的像素信息计算出所述第二数字图像黑白二值图中白色区域从第列开始各列的像素平均值,从计算出的所有列的像素平均值中识别出从待测鱼类尾部至头部的方向像素平均值连续预设列都减小时的像素平均值首次减小列,根据所述全长信息、/>、所述像素平均值首次减小列以及所述第一数字图像中单位像素对应的实际尺寸计算出待测鱼类的体长信息;其中,/>为在所述目标区域中逐列查找白色区域的过程中首次出现白色区域中所有行连续时所对应列的列信息,亦即为尾叉最凹处所对应的列信息。
所述S7具体为:
S71,获取所述第二数字图像黑白二值图中的白色区域,并从所述第二数字图像灰度图区域中提取所述第二数字图像黑白二值图中的白色区域所对应的像素信息;
S72,从第列开始沿待测鱼类尾部至头部的方向逐列自动计算所述第二数字图像黑白二值图中的白色区域中各列的平均像素值;
S73,若当平均像素值从第列开始减小,并连续预设列都减小时,则所述第/>列为所述像素平均值首次减小列,且将第/>列确定为待测鱼类的尾椎骨末端;
S74,根据所述全长信息、、所述像素平均值首次减小列以及所述第一数字图像中单位像素对应的实际尺寸计算出待测鱼类的体长信息;其中,所述体长信息计算公式为:
;
具体的,为所述体长信息,/>为所述全长信息,/>为在所述目标区域中逐列查找白色区域的过程中首次出现白色区域中所有行连续时所对应列的列信息,亦即为尾叉最凹处所对应的列信息,/>为从第/>列位置开始的所述像素平均值首次减小列的列信息,/>为所述第一数字图像中单位像素对应的实际尺寸。
S8,自动获取待测鱼类的体重信息;基于第一函数,根据所述体长信息和所述体重信息计算出待测鱼类的生长指标;基于第二函数,根据所述体重信息和所述体长信息计算出待测鱼类的体态指标;
其中,待测鱼类的生长形态数据包括所述全长信息、所述叉长信息、所述体长信息、所述体重信息、所述生长指标以及所述体态指标。具体的,所述全长信息、所述叉长信息、所述体长信息的标注如图2所示。
在所述S8中,
所述第一函数为:;所述第二函数为:/>;
其中,为所述体重信息,/>为所述体长信息,/>和/>为所述生长指标;具体的,将所述体重信息和所述体长信息代入所述第一函数进行数据拟合以获取/>和/>的值;/>为所述体态指标。
本发明一种智能化鱼类生长性能识别方法采用基于图像处理的方法,自动采集鱼类体长、全长、体重等生长形态数据,采集数据快速精确,大大降低了人工读数及录取的数据的参与,有效提升了数据采集的效率,避免了人为读数的误差以及手工记录容易出现错误的问题。
基于上述一种智能化鱼类生长性能识别方法,本发明还提供一种智能化鱼类生长性能分析系统。
如图3所示,一种智能化鱼类生长性能分析系统,包括以下模块:
数据采集模块,其用于对待测鱼类的生长水体环境指标数据和生长形态数据、监测过程图像数据以及爬虫数据进行采集形成采集数据,并上传至云端存储;其中采集待测鱼类的生长形态数据通过上述所述智能化鱼类生长性能识别方法实现;
数据标准化模块,其用于对所述采集数据进行标准化,得到标准化数据;
模型分析及可视化模块,其用于对所述标准化数据进行指定流程或模型分析或/和自定义流程或模型分析,并对分析结果进行可视化处理,得到模型分析及可视化结果;
报告生成模块,其用于根据所述模型分析及可视化结果生成数据报告;
数据导出模块,其用于对所述标准化数据或/和所述模型分析及可视化结果或/和所述数据报告进行导出。
在本具体实施例中,如图4和图5所示:
数据采集模块主要负责数据采集及上传,主要采集4类数据:生长水体环境指标数据、鱼类基本指标数据(即生长形态数据)、监测过程图像数据以及爬虫数据。具体的:利用具有无线传输功能的手持设备自动采集特定点位的水体环境指标,依据项目、点位、编号等信息对水体环境指标进行编码后,通过无线网络直接传输至云端数据库;利用具有自动测定鱼类基本指标的设备测定鱼类体长、全长、体重数据等数据,依据项目、点位、种类、编号等信息对鱼类进行编码后,将数据通过无线网络直接传输至云端数据库;利用相机等数字成像设备,记录项目采集过程或者测量过程中的图像信息(比如鱼类照片、采样过程、工作照片、手工记录信息、仪器测量结果等内容),并直接上传云端存储至特定数据库,部分图像中的信息需要通过数字图像识别技术,将识别的结果作为数据信息存入至数据库;利用爬虫等计算机技术,收集项目相关历史资料及研究成果,经人工确认后上传至数据库。
渔业研究数据主要分为结构化数据和非结构化数据。结构化数据主要包括鱼类数据、水体理化数据、微生物数据等,通过第一采集模块进行采集,并将采集到的数据通过无线网络直接上传云端存储至特定数据库。非结构化数据分为两种,一种是实验过程中所得的图像或者文本信息,利用第二采集模块进行采集,通过无线网络上传云端存储至同一数据库;另一种是收集的历史资料,比如已有相关研究结论、参考文献资料等,通过第三采集模块上传云端存储至同一数据库。
结构化数据的获取主要是采用特定的仪器或者装置采集;非结构化数据的实验所得的图像或者文本信息主要是通过数字图像装置采集;收集的历史资料主要通过网站爬虫等计算机技术采集。
另外,本系统中还可以包括数据更新模块;如图5所示:数据更新模块对于采集到的数据进行数据的更新管理,包括数据添加模块、数据新增模块。针对已有项目在不同时间采集的结构和非结构化数据,在数据添加模块进行添加;对新建项目采集的结构和非结构化数据,在数据新增模块进行新增。渔业项目有的为纵向项目,需要连续几年跟踪采集数据,一般一个季度进行一次,每次的采集内容保持不变;有的项目为横向项目,仅需采集一次数据,但采集的数据较多。针对每次采集的结构化或者非结构化数据,保存至数据库时需要区分是已有项目或者新项目的数据。针对已有项目,在已有数据的基础上进行汇总及增加;针对新建项目,保存采集的所有数据,以达到更新数据库的目的。
数据标准化模块主要对采集的数据依据提前预定的格式进行数据的标准化。
生长水体环境指标数据需要包含项目、时间、点位、水体各项物理(PH、水温、水深等)和化学(总氮、总磷等)属性。生长形态数据需要包含时间、项目、点位、工具种类、鱼类种类编号等信息。监测过程图像数据需要包含时间、项目、主要内容简介等。部分照片采用图像识别技术对其内容进行识别的信息,需要包含时间、项目、点位、指标信息等,然后将识别的信息与手持设备测量的数据进行融合。
数据标准化模块依据提前设定的规则将存入的各个类型的数据进行标准化处理,包括文件命名的标准化、数据属性名称的标准化、存放格式的标准化,不同来源数据的融合。
文件命名的标准化:包含项目、时间信息,文件包含文本、图片、表格等;
数据属性名称包含:包含项目、点位、属性、类别;
数据类型包含:数值型、字符型、时间型;
数据的融合:将仪器测量数据与识别的图像数据等不同来源的数据进行融合。
模型分析及可视化模块主要对标准化数据进行数据建模分析及可视化。
数据建模分析包含数据指标进行指定流程或模型分析,比如描述性统计分析、方差检验、聚类、典范排序等分析;也可进行探索性的自定义流程或模型分析,自定义流程包括数据处理规则筛选、模型选择及定义等。两种分析均包含个体层面、种群层面、群落层面,部分模型可进行生态系统层面分析。
可视化包含指标数据的可视化和分析结果的可视化。指标数据的可视化包括单指标数据的变化趋势、指标之间相互作用关系的可视化;对于模型分析的结果的可视化展示,包括分析过程的形成的表格、图像(折线图、饼图、散点图、矩阵图等)、计算模型等信息。
模型分析及可视化模块包含自定义模型模块和调用模型模块。自定义模型模块可以对数据进行特定的处理(包含对数据的加、减、乘、除等运算)之后,进行自定义的建模和统计分析;调用模型模块可以利用系统预先设定的模型,进行分析及建模。
可视化分为标准化数据可视化展示和模型分析结果可视化展示。标准化数据可视化展示,可通过数据的筛选、加减乘除运算、描述性统计分析等将分析结果通过图形、表格等形式进行展示;模型分析结果可视化展示是将通过模型进行分析得到的结果及过程,选择性的进行展示。
报告生成模块主要用于自动生成分析报告。在确定分析的项目、分析的时间、分析所用指标数据之后,依据第三步中的数据建模分析及可视化过程及结果,自动生成数据报告,供使用者或者相关人员查看。
数据导出模块用于数据导出。数据导出包含标准化数据导出、计算结果导出、自动报告导出。标准化数据的导出是指将标准化后的数据可进行选择性的导出。计算结果导出是指将数据建模分析及可视化过程中形成的图片或者表格进行导出。自动报告导出是指将自动生成的分析报告,依据特定的格式进行导出。导出内容中均包含对导出内容的简短描述、项目信息、时间,并对导出的表格、图片、文本等信息分类存放。
导出模块包含标准化数据的自定义导出、模型分析及结果导出、自动报告导出至特定路径。
标准化数据的自定义导出是指对标准化的指标数据,依据用户需求,自定义选择需要导出的指标,将其合并进行导出。
模型分析及结果导出是指针对建模分析过程中产生的分析结果(包含图片、表格等)的结果导出。
自动报告导出是指依据特定项目、在特定时间内、对某些特定指标进行建模分析的结果,自动生成分析报告,以文档的形式进行导出。
在本发明一种智能化鱼类生长性能分析系统中:
(1)该系统能够自动收集测量数据,通过无线网络或者有线网络,上传至特定服务器,降低了人工参与程度,有效提升数据采集效率及准确率。
(2)采用数据图像识别技术,自动识别鱼类生长指标并存入数据库,能够有效降低人工测量及汇总错误率,有效提升数据的准确率及数据汇总的效率。
(3)该系统能够将多源数据(手持测量仪器和数字图像成像装置)依据指定规则进行融合。
(4)该系统支持跨项目、跨时段的数据处理及建模分析,利于研究者或者使用者的时空分析;也可以进行特定区域的单物种或者单个环境指标的时空动态分析。
(5)该系统支持特定数据的标准格式导出,便于利用标准数据进行后续的研究与分析建模使用。
(6)该系统支持用户自定义数据分析流程及相应的数据处理,并对其结果进行导出,供用户使用。
(7)该系统依据湖泊鱼类数据自动生成数据分析报告,开创了渔业行业领域的新模式,弥补了该领域的技术空白,有效缩短了监测或者分析报告完成周期,降低了数据分析对专业人员的依赖程度。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能化鱼类生长性能识别方法,其特征在于,用于对待测鱼类的生长形态数据进行自动化识别,包括以下步骤:
S1,设置已知尺寸的测量板,在预设位置以预设角度对空白的测量板进行自动化拍摄,得到第一数字图像,并获取所述第一数字图像的像素信息,且根据所述测量板的尺寸以及所述第一数字图像的像素信息计算出所述第一数字图像中单位像素对应的实际尺寸;
S2,将待测鱼类放置在所述测量板上,在所述预设位置以所述预设角度对放置有待测鱼类的测量板进行拍摄,得到第二数字图像;
S3,对所述第二数字图像进行灰度化,得到第二数字图像灰度图,根据所述第二数字图像灰度图提取自适应黑白二值化阈值,并根据所述自适应黑白二值化阈值对所述第二数字图像灰度图进行黑白二值化,得到第二数字图像黑白二值图;
S4,选定所述第二数字图像黑白二值图中目标区域的左边界预设区域和右边界预设区域,并结合所述第二数字图像灰度图中的像素信息,在所述第二数字图像黑白二值图中确定出所述目标区域的左边界位置和右边界位置;其中,所述目标区域为所述待测鱼类在所述第二数字图像黑白二值图中所占据的区域,所述左边界预设区域为待测鱼类头部占据的预设区域,所述右边界预设区域为待测鱼类尾部占据的预设区域;
S5,根据所述目标区域的左边界位置和右边界位置以及所述第一数字图像中单位像素对应的实际尺寸计算出待测鱼类的全长信息;
S6,从待测鱼类的尾部开始,在所述目标区域中逐列查找白色区域,并自动识别在所述目标区域中逐列查找白色区域的过程中首次出现白色区域中所有行连续时所对应列的列信息,且将在所述目标区域中逐列查找白色区域的过程中首次出现白色区域中所有行连续时所对应列的列信息作为尾叉最凹处所对应的列信息;根据所述全长信息、尾叉最凹处所对应的列信息以及所述第一数字图像中单位像素对应的实际尺寸计算出待测鱼类的叉长信息;
S7,根据所述第二数字图像灰度图中的像素信息计算出所述第二数字图像黑白二值图中白色区域从第列开始各列的像素平均值,从计算出的所有列的像素平均值中识别出从待测鱼类尾部至头部的方向像素平均值连续预设列都减小时的像素平均值首次减小列,根据所述全长信息、/>、所述像素平均值首次减小列以及所述第一数字图像中单位像素对应的实际尺寸计算出待测鱼类的体长信息;其中,/>为在所述目标区域中逐列查找白色区域的过程中首次出现白色区域中所有行连续时所对应列的列信息,亦即为尾叉最凹处所对应的列信息;
S8,自动获取待测鱼类的体重信息;基于第一函数,根据所述体长信息和所述体重信息计算出待测鱼类的生长指标;基于第二函数,根据所述体重信息和所述体长信息计算出待测鱼类的体态指标;
其中,待测鱼类的生长形态数据包括所述全长信息、所述叉长信息、所述体长信息、所述体重信息、所述生长指标以及所述体态指标。
2.根据权利要求1所述的智能化鱼类生长性能识别方法,其特征在于,在所述S1中,所述测量板为白色测量板。
3.根据权利要求1所述的智能化鱼类生长性能识别智能化鱼类生长性能识别方法,其特征在于,所述S3具体为:
S31,对所述第二数字图像进行灰度化,得到第二数字图像灰度图;
S32,对所述第二数字图像灰度图中的像素进行频率统计,得到第一峰值和第二峰值;
S33,基于第三函数,根据所述第一峰值和所述第二峰值计算得到所述自适应黑白二值化阈值;其中,所述第三函数为:
;
具体的,为所述自适应黑白二值化阈值,/>为所述第一峰值,/>为所述第二峰值,/>为系数且/>;的取值范围为0~0.5;
S34,根据所述自适应黑白二值化阈值对所述第二数字图像灰度图进行黑白二值化,得到第二数字图像黑白二值图;其中,在所述第二数字图像黑白二值图中,黑色为背景,白色为待测鱼类信息。
4.根据权利要求3所述的智能化鱼类生长性能识别方法,其特征在于,所述S32具体为:
对所述第二数字图像灰度图中出现的各灰度值所对应的像素的个数进行统计,选择像素个数最多的两个灰度值分别作为所述第一峰值和所述第二峰值,且所述第一峰值大于所述第二峰值。
5.根据权利要求1所述的智能化鱼类生长性能识别方法,其特征在于,所述S4具体为:
S41,选定所述第二数字图像黑白二值图中目标区域的左边界预设区域和右边界预设区域,并自动提取所述黑白二值图中所述左边界预设区域以及所述右边界预设区域的行列信息;
S42,从所述第二数字图像灰度图中自动提取出所述黑白二值图中所述左边界预设区域以及所述右边界预设区域的行列信息对应的像素信息;
S43,从所述左边界预设区域以及所述右边界预设区域的行列信息对应的像素信息中获取所述左边界预设区域以及所述右边界预设区域中的像素变化情况;
S44,基于所述左边界预设区域以及所述右边界预设区域中的像素变化情况,采用线性或者是非线性方法,自动识别所述目标区域的左边界位置和右边界位置。
6.根据权利要求1所述的智能化鱼类生长性能识别方法,其特征在于,在所述S5中,计算待测鱼类的全长信息的公式为:
;
其中,为所述全长信息,/>为所述目标区域的右边界位置,/>为所述目标区域的左边界位置,/>为所述第一数字图像中单位像素对应的实际尺寸。
7.根据权利要求1所述的智能化鱼类生长性能识别方法,其特征在于,所述目标区域的右边界为待测鱼类的尾部,所述S6具体为:
S61,在所述目标区域中从所述目标区域的右边界开始逐列查找白色区域,并记录当前查找列的白色区域中所有行的位置信息;
S62,根据当前查找列的白色区域中所有行的位置信息自动识别当前查找列的白色区域中所有行是否连续;若否则继续查找下一列;若是则记录当前查找列的列信息,且当前查找列的列信息即为在所述目标区域中逐列查找白色区域的过程中首次出现白色区域中所有行连续时所对应列的列信息,亦即为尾叉最凹处所对应的列信息;
S63,根据所述全长信息、尾叉最凹处所对应的列信息以及所述第一数字图像中单位像素对应的实际尺寸计算出待测鱼类的叉长信息;
其中,所述叉长信息的计算公式为:
;
具体的,为所述叉长信息,/>为所述全长信息,/>为在所述目标区域中逐列查找白色区域的过程中首次出现白色区域中所有行连续时所对应列的列信息,亦即为尾叉最凹处所对应的列信息,/>为所述第一数字图像中单位像素对应的实际尺寸。
8.根据权利要求1所述的智能化鱼类生长性能识别方法,其特征在于,所述S7具体为:
S71,获取所述第二数字图像黑白二值图中的白色区域,并从所述第二数字图像灰度图区域中提取所述第二数字图像黑白二值图中的白色区域所对应的像素信息;
S72,从第列开始沿待测鱼类尾部至头部的方向逐列自动计算所述第二数字图像黑白二值图中的白色区域中各列的平均像素值;
S73,若当平均像素值从第列开始减小,并连续预设列都减小时,则所述第/>列为所述像素平均值首次减小列,且将第/>列确定为待测鱼类的尾椎骨末端;
S74,根据所述全长信息、、所述像素平均值首次减小列以及所述第一数字图像中单位像素对应的实际尺寸计算出待测鱼类的体长信息;其中,所述体长信息计算公式为:
;
具体的,为所述体长信息,/>为所述全长信息,/>为在所述目标区域中逐列查找白色区域的过程中首次出现白色区域中所有行连续时所对应列的列信息,亦即为尾叉最凹处所对应的列信息,/>为从第/>列位置开始的所述像素平均值首次减小列的列信息,/>为所述第一数字图像中单位像素对应的实际尺寸。
9.根据权利要求1所述的智能化鱼类生长性能识别方法,其特征在于,在所述S8中,
所述第一函数为:;所述第二函数为:/>;
其中,为所述体重信息,/>为所述体长信息,/>和/>为所述生长指标;具体的,将所述体重信息和所述体长信息代入所述第一函数进行数据拟合以获取/>和/>的值;/>为所述体态指标。
10.一种智能化鱼类生长性能分析系统,其特征在于,包括以下模块:
数据采集模块,其用于对待测鱼类的生长水体环境指标数据和生长形态数据、监测过程图像数据以及爬虫数据进行采集形成采集数据,并上传至云端存储;其中采集待测鱼类的生长形态数据通过权利要求1至9任一项所述智能化鱼类生长性能识别方法实现;
数据标准化模块,其用于对所述采集数据进行标准化,得到标准化数据;
模型分析及可视化模块,其用于对所述标准化数据进行指定流程或模型分析或/和自定义流程或模型分析,并对分析结果进行可视化处理,得到模型分析及可视化结果;
报告生成模块,其用于根据所述模型分析及可视化结果生成数据报告;
数据导出模块,其用于对所述标准化数据或/和所述模型分析及可视化结果或/和所述数据报告进行导出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311059752.0A CN116883828B (zh) | 2023-08-22 | 2023-08-22 | 一种智能化鱼类生长性能识别方法及分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311059752.0A CN116883828B (zh) | 2023-08-22 | 2023-08-22 | 一种智能化鱼类生长性能识别方法及分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116883828A true CN116883828A (zh) | 2023-10-13 |
CN116883828B CN116883828B (zh) | 2023-11-24 |
Family
ID=88260724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311059752.0A Active CN116883828B (zh) | 2023-08-22 | 2023-08-22 | 一种智能化鱼类生长性能识别方法及分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883828B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104931665A (zh) * | 2015-05-26 | 2015-09-23 | 上海海洋大学 | 一种秋刀鱼脊椎骨生长特性分析模型的构建方法 |
CN107506801A (zh) * | 2017-09-30 | 2017-12-22 | 河南省水产科学研究院 | 一种鱼类性状测量装置及方法 |
KR20180032488A (ko) * | 2016-09-22 | 2018-03-30 | 주식회사 아토즈소프트 | 이미지를 이용한 어류 종류 및 체장 측정 방법 |
CN107950436A (zh) * | 2017-12-01 | 2018-04-24 | 中国水产科学研究院南海水产研究所 | 一种通过耳石日轮估算黄唇鱼生长期的方法 |
WO2019232247A1 (en) * | 2018-06-01 | 2019-12-05 | Aquabyte, Inc. | Biomass estimation in an aquaculture environment |
CN111640152A (zh) * | 2020-05-21 | 2020-09-08 | 浙江大学 | 一种鱼类生长监控方法和系统 |
CN113487728A (zh) * | 2021-07-23 | 2021-10-08 | 中国科学院水生生物研究所 | 一种鱼体模型确定方法及系统 |
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 |
CN114241031A (zh) * | 2021-12-22 | 2022-03-25 | 华南农业大学 | 基于双视角融合的鱼类体尺测量和体重预测的方法及装置 |
KR20220074043A (ko) * | 2020-11-27 | 2022-06-03 | 호서대학교 산학협력단 | 심층신경망 및 영상처리를 이용한 어종 인식 및 체장 측정 방법 및 장치 |
CN114626952A (zh) * | 2022-01-28 | 2022-06-14 | 海南大学 | 一种新颖的鱼体形态学特征精准测量方法 |
CN115601301A (zh) * | 2022-09-07 | 2023-01-13 | 中国科学院水生生物研究所(Cn) | 鱼类表型特征测量方法、系统、电子设备及存储介质 |
CN115631453A (zh) * | 2022-07-14 | 2023-01-20 | 海煜(福州)生物科技有限公司 | 一种鱼类生长情况的智能化监测方法及系统 |
-
2023
- 2023-08-22 CN CN202311059752.0A patent/CN116883828B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104931665A (zh) * | 2015-05-26 | 2015-09-23 | 上海海洋大学 | 一种秋刀鱼脊椎骨生长特性分析模型的构建方法 |
KR20180032488A (ko) * | 2016-09-22 | 2018-03-30 | 주식회사 아토즈소프트 | 이미지를 이용한 어류 종류 및 체장 측정 방법 |
CN107506801A (zh) * | 2017-09-30 | 2017-12-22 | 河南省水产科学研究院 | 一种鱼类性状测量装置及方法 |
CN107950436A (zh) * | 2017-12-01 | 2018-04-24 | 中国水产科学研究院南海水产研究所 | 一种通过耳石日轮估算黄唇鱼生长期的方法 |
WO2019232247A1 (en) * | 2018-06-01 | 2019-12-05 | Aquabyte, Inc. | Biomass estimation in an aquaculture environment |
CN111640152A (zh) * | 2020-05-21 | 2020-09-08 | 浙江大学 | 一种鱼类生长监控方法和系统 |
KR20220074043A (ko) * | 2020-11-27 | 2022-06-03 | 호서대학교 산학협력단 | 심층신경망 및 영상처리를 이용한 어종 인식 및 체장 측정 방법 및 장치 |
CN113487728A (zh) * | 2021-07-23 | 2021-10-08 | 中国科学院水生生物研究所 | 一种鱼体模型确定方法及系统 |
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 |
CN114241031A (zh) * | 2021-12-22 | 2022-03-25 | 华南农业大学 | 基于双视角融合的鱼类体尺测量和体重预测的方法及装置 |
CN114626952A (zh) * | 2022-01-28 | 2022-06-14 | 海南大学 | 一种新颖的鱼体形态学特征精准测量方法 |
CN115631453A (zh) * | 2022-07-14 | 2023-01-20 | 海煜(福州)生物科技有限公司 | 一种鱼类生长情况的智能化监测方法及系统 |
CN115601301A (zh) * | 2022-09-07 | 2023-01-13 | 中国科学院水生生物研究所(Cn) | 鱼类表型特征测量方法、系统、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
G. HUANG等: "Length-weight relationships of nine fish species from the Qingjiang River, Yangtze River basin, China", 《J APPL ICHTHYOL.》, pages 164 - 166 * |
MINGMING HAO等: "The MeasurementofFishSizebyMachineVision-A Review", 《9TH INTERNATIONALCONFERENCEONCOMPUTERANDCOMPUTINGTECHNOLOGIESINAGRICULTURE(CCTA)》, pages 15 - 32 * |
单佳楠等: "基于机器视觉技术的金鲳鱼质量预测研究", 《渔业现代化》, vol. 50, no. 2, pages 58 - 66 * |
Also Published As
Publication number | Publication date |
---|---|
CN116883828B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977780A (zh) | 一种基于深度学习算法的硅藻的检测与识别方法 | |
CN108921165B (zh) | 基于水尺图像的水位识别方法 | |
CN111858980B (zh) | 一种岩芯盘内岩芯识别与编录的方法 | |
CN112013921A (zh) | 一种基于水位尺测量图像获取水位信息的方法、装置和系统 | |
CN114049577A (zh) | 一种鱼类规格的测量方法及系统 | |
CN113837159A (zh) | 一种基于机器视觉的仪表示数识别方法和装置 | |
Ingram et al. | Software for measuring root characters from digital images | |
CN116434266A (zh) | 一种医疗检验单的数据信息自动提取分析方法 | |
CN113360587A (zh) | 一种基于gis技术的土地测绘设备及测绘方法 | |
CN115854895A (zh) | 一种基于目标立木形态的非接触式立木胸径测量方法 | |
CN116883828B (zh) | 一种智能化鱼类生长性能识别方法及分析系统 | |
CN111784803A (zh) | 钻孔岩芯相互关系数据的自动采集系统及方法 | |
CN114264648A (zh) | 一种水质检测试纸识别方法和系统 | |
CN113820718A (zh) | 基于gis的长江水生生物调查管理信息系统 | |
Jaklič et al. | Automatic digitization of pluviograph strip charts | |
CN112185114B (zh) | 一种路谱数据的采集方法、装置、电子设备以及存储介质 | |
CN116912672A (zh) | 一种基于无人测量船的大型底栖无脊椎动物生物完整性评价方法 | |
CN116229001A (zh) | 一种基于空间熵的城市三维数字地图生成方法及系统 | |
CN108955909A (zh) | 一种基于机器视觉的油温表识别读数方法 | |
CN107610101B (zh) | 一种测量数字图像视觉平衡质量的方法 | |
CN110763297A (zh) | 一种基于视频智能识别水尺水位系统 | |
CN117874315B (zh) | 用户需求分析展示方法、系统、计算机设备和存储介质 | |
CN117807469B (zh) | 一种水下传感器数据采集方法、介质及系统 | |
CN220688652U (zh) | 一种草原湿地植物群落多样性调查装置 | |
CN217637612U (zh) | 一种用于获取肉鹅体尺特征及体重测量的装置 |
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 | ||
GR01 | Patent grant |