CN117011795A - 基于类高斯模糊支持度的河蟹生长状态无损监测评估平台及方法 - Google Patents

基于类高斯模糊支持度的河蟹生长状态无损监测评估平台及方法 Download PDF

Info

Publication number
CN117011795A
CN117011795A CN202310991764.0A CN202310991764A CN117011795A CN 117011795 A CN117011795 A CN 117011795A CN 202310991764 A CN202310991764 A CN 202310991764A CN 117011795 A CN117011795 A CN 117011795A
Authority
CN
China
Prior art keywords
river crab
river
platform
crab
growth state
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
Application number
CN202310991764.0A
Other languages
English (en)
Other versions
CN117011795B (zh
Inventor
肖茂华
刘思源
王逸之
任黎华
陈竹泉
朱虹
丁兰英
沈启扬
孙龙霞
耿国盛
孙志成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunshan Yangcheng Lake Hairy Crab Industry Research Institute
Nanjing Agricultural University
Jinling Institute of Technology
Original Assignee
Kunshan Yangcheng Lake Hairy Crab Industry Research Institute
Nanjing Agricultural University
Jinling Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunshan Yangcheng Lake Hairy Crab Industry Research Institute, Nanjing Agricultural University, Jinling Institute of Technology filed Critical Kunshan Yangcheng Lake Hairy Crab Industry Research Institute
Priority to CN202310991764.0A priority Critical patent/CN117011795B/zh
Publication of CN117011795A publication Critical patent/CN117011795A/zh
Application granted granted Critical
Publication of CN117011795B publication Critical patent/CN117011795B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供一种基于类高斯模糊支持度的河蟹生长状态无损监测评估平台及方法，利用河蟹自身的生物特性来解决河蟹在养殖塘养殖时环境阴暗、地形复杂导致的难以进行生长表型监测的难题。监测评估平台包括由引蟹地笼、河蟹信息收集平台组成的信息采集模块，还包括用于实现数据接收、数据分析、数据显示、辅助决策等功能的工控机。工控机采用历史图片对YOLOV5目标识别算法进行训练，训练后的模型可自动删除错误图片，减少图片处理量，同时构建类高斯模糊支持度函数对多平台采集的河蟹图片头胸甲颜色进行判别，可主动、快速以及更为准确地判断河蟹的生长状态，整个过程对河蟹生长完全无打扰，不会对其造成损伤。

Description

基于类高斯模糊支持度的河蟹生长状态无损监测评估平台及 方法
技术领域
本发明属于河蟹生长无损监测技术领域，尤其涉及一种基于类高斯模糊支持度的河蟹生长状态无损监测评估平台及方法。
背景技术
我国河蟹产量一直保持较高的水平，庞大的企业、消费群体使得河蟹智能生产机械都具有广阔的销售市场前景。
相比鱼、虾类经济水产养殖而言，开展中华绒螯蟹生态养殖及提升河蟹智慧养殖水平，存在水体环境复杂使得水质控制过程更为复杂、难以依据河蟹生长习性精准投饲和均匀投饲等问题，归根究底是当下河蟹养殖中生长数据采集方法难以做到无损，因此难以实时获得河蟹全面的生长数据，导致当下河蟹养殖过程仍以经验养殖为主，科学养殖水平较低。
现有河蟹生长数据采集方式主要为捕捞测量和水下测量两种。捕捞测量获得的数据非常准确，但极易激发被捕捞河蟹的应激反应，影响其生长状态，此种办法常用于小批量数据抽样调查，而不能用于评估大塘养殖河蟹时的整体生长状况；水下测量常用于鱼虾类的测量，要求水中可见度较好、遮挡物少和水体清澈程度要好，然而河蟹在白天光照充足时常趴伏于底泥、穴居或躲于水草根部，而当其夜间觅食时，环境光线太弱，两种情况均难以通过水下摄像头采集到较高数量清晰、完整的河蟹照片。
因此，如何提升采集河蟹照片的有效数据量，实现大塘生态养殖条件下河蟹生长状态的实时数据采集，是当下河蟹科学养殖水平提升亟需解决的问题。
发明内容
针对现有技术中存在的不足，本发明提供了一种基于类高斯模糊支持度的河蟹生长状态无损监测评估平台及方法，提升了采集河蟹照片的有效数据量，实现了大塘生态养殖条件下河蟹生长状态的实时数据采集与分析评估。
本发明通过以下技术手段实现上述技术目的。
一种基于类高斯模糊支持度的河蟹生长状态无损监测评估平台，包括倾斜布置的引蟹地笼，引蟹地笼一端伸入水下并设置进口供河蟹进入，另一端与信息收集平台连接并设置出口供河蟹爬出至信息收集平台上；信息收集平台包括水平安装在支撑架体上的平台平面，平台平面侧边安装有光电传感器，平台平面正中间位置处安装有压力传感器；支撑架体顶部的电器支架上安装有太阳能板、防水柜，防水柜内存放部件包括工控机、无线模块，电器支架上还安装有摄像头，且摄像头位于平台平面正上方。
进一步地，所述信息收集平台包括插入水中的多根平台支腿，平台支腿在高于水面5～10厘米的位置处开设有通孔，并通过螺栓、垫片、螺母相互连接组成支撑架体；平台平面放置在螺栓上并通过扎带绑紧固定，平台平面表面印有或者涂刷有橙色矩形框作为河蟹图像背景色。
进一步地，所述平台平面以及压力传感器的尺寸满足如下条件：
其中，X表示平台平面的长边长度；x表示压力传感器的称重平台长边长度。
一种利用上述基于类高斯模糊支持度的河蟹生长状态无损监测评估平台的河蟹生长状态无损监测方法，包括如下过程：
步骤1：将河蟹生长状态无损监测评估平台布置在待测养殖塘区域内；
步骤2：河蟹通过引蟹地笼爬入平台平面，光电传感器感应到有河蟹经过后，传递信号至工控机，工控机控制摄像头启动，拍摄河蟹图像数据并传递回工控机进行数据分析处理，同时，压力传感器将检测到的数据也传递至工控机进行分析处理；
步骤3：建立YOLO算法识别模型；
步骤4：河蟹生长数据获取；
工控机获取河蟹图像中的背景色的像素长度、河蟹头胸甲像素长度、河蟹头胸甲像素宽度，而背景色部分的实际长度为已知固定值，则进一步计算出河蟹生长尺寸，即河蟹实际头胸甲长度和河蟹实际头胸甲宽度；
步骤5：工控机利用YOLO算法识别模型，基于模糊评估算法进行河蟹生长状态评估；
步骤6：工控机结合评估结果输出河蟹生长状态相关的5维数据，供相关人员查看。
进一步地，所述步骤3的具体过程为：
步骤3.1：YOLO初始数据集建立；
设定养殖塘内布设的河蟹生长状态无损监测评估平台数量为n个，按照从西向东、从北向南的顺序分别依次编号为O1，O2,…,On，人工筛选拍摄到的图像，删除因其他干扰因素而误拍的图像，对符合要求的河蟹图像进行保存并对应命名图片数据集为O1p，O2p,…,Onp，其中，O代表原始数据集，下标p代表图片集；各河蟹生长状态无损监测评估平台所采集的图片均以拍摄时间命名，共12位阿拉伯数字；
步骤3.2：对实拍河蟹的图像进行标签，设训练数据集为m个，对应命名为T1p，T2p,…,Tmp，其中，T表训练数据集；
步骤3.3：训练数据集建立；
将初始数据集的各个图像尺寸统一成a*a*3，其中，a为图像像素值，3为图像的三通道值；然后拆分成多个低分辨率特征图，通过32通道的卷积层后转变成的特征图；
在特征图上生成规则网格，以每个网格中心为中心随机生成两个选择框，计算交并比IOU：
其中，A代表随机生成的选择框，B代表人工标记出的选择框；当IOU值大于75％时，代表该次选择范围满足条件则增加区域内权重值，依次重复进行迭代最终得到YOLO算法识别模型，用于后续的图像识别处理。
进一步地，所述步骤4中，河蟹实际头胸甲长度L通过下式计算得到：
河蟹实际头胸甲宽度W通过下式计算得到：
其中，表示河蟹图像中的背景色的像素长度；l表示河蟹图像中的河蟹头胸甲像素长度；w表示河蟹图像中的河蟹头胸甲像素宽度。
进一步地，所述步骤5的具体过程为：
步骤5.1：利用YOLO算法识别模型对拍摄到的河蟹图像进行处理，为了避免干扰因素影响时拍摄的图像污染数据集，只有经步骤3所建立的YOLO算法识别模型判断河蟹置信度大于75％的图像才进行保存，同时截取该图片中的河蟹头胸甲图片存入数据集F1p,…,Fnp，每张图片采用原图片拍摄时间进行命名，其中，F代表类高斯模糊支持度输入集；
步骤5.2：灰度处理；
对步骤5.1中所截取的河蟹头胸甲图像进行灰度化处理，并分别存入数据集FG1p,…,FGnp，其中，FG代表模糊灰度图片集；
步骤5.3：提取数据集FG1p,…,FGnp中的图片的所有灰度值并取平均数，记录如下：
其中，ci代表第i张图片的整体灰度值，取值范围为[0,255]；gj代表第j个像素点的灰度值，取值范围为[0,255]；z为待处理图片的像素点个数；
步骤5.4：构建如下所示的类高斯模糊支持度函数：
其中，di表示ci和cmtr的接近程度；sup表示支持函数；cmtr表示用于参照的成熟河蟹图片提取的灰度平均值，取值范围为[0,255]；γ≥σ≥0，γ和σ均为常数，通过γ和σ的取值共同决定支持度函数的衰减速度；
步骤5.5：定义输入模糊语义集，即模糊推理前件；
步骤5.6：定义输出模糊语义集，即模糊推理后件；
步骤5.7：建立如下所示的模糊推理规则：
Ru:If diis Duthensiis Sv
其中，Ru表示第u条规则；Du表示输入空间，为模糊语义集，u＝1,2,…；si为规则后件，表示生长状态推理结果；Sv表示输出空间，为模糊语义集，v＝1,2,…。
进一步地，所述步骤5.5中：
定义输入模糊语义集：di的取值范围为[0,1]，di＝1时，表示河蟹头胸甲颜色为墨绿色；di＝0时，表示河蟹头胸甲颜色为浅色；
所述步骤5.6中：
定义输出模糊语义集：设定si的取值范围为[0,1]，si＝1时，表示河蟹即将成熟；si＝0时，指示河蟹头胸甲颜色异常，患有疾病或刚蜕壳。
本发明具有如下有益效果：
本发明实现了对河蟹生长状态中关键变量(头胸甲尺寸、颜色、重量)的实时无人监控，在极大程度上改善了传统“捕捞-放回”监控方式的非实时性，可完全避免“捕捞-放回”监控方式带来的人为河蟹损伤及进一步激发的应激反应，有效提升数据获取效率，提高养殖户的经济效益。此外，本发明构建类高斯模糊支持度对所采集的河蟹头胸甲像素平均值进行推理可减少推理及模糊运算的次数，可快速获得当下河蟹生长状态，可为养殖户制定和修改投饲方案，对河蟹的疾病防治及用药方案提供较好的支持依据。
附图说明
图1为本发明所述河蟹生长状态无损监测评估平台整体结构示意图；
图2为本发明所述地笼与地笼支架连接示意图；
图3为本发明所述元器件组件安装示意图；
图4为本发明所述信息收集平台安装示意图；
图5为本发明所述平台平面安装详图；
图6为本发明所述河蟹生长状态无损监测评估整体流程图；
图中：1-引蟹地笼；2-元器件组件；3-信息收集平台；11-地笼；12-地笼支架；21-太阳能板；22-电器支架；23-防水柜；24-摄像头板；25-摄像头；26-光电传感器；27-压力传感器；31-平台支腿；32-挂饵梁；33-诱食剂；34-平台平面；351-螺栓；352-垫片；353-螺母；354-扎带。
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。
如图1所示，本发明所述基于类高斯模糊支持度的河蟹生长状态无损监测评估平台，包括引蟹地笼1、元器件组件2、信息收集平台3。
如图1、2所示，引蟹地笼1包括地笼11，地笼11由若干根地笼支架12支撑固定，且保持倾斜，其中，地笼支架12一端固定在水底，另一端与地笼11连接；地笼支架12的高度视养殖塘具体情况而定，保证地笼11的倾斜度适中，不宜过陡。地笼11出口尺寸小于进口尺寸，出口尺寸要求仅能供一只河蟹通过，出口下缘与信息收集平台3的平台平面34齐平，以便河蟹爬出后能够准确进入平台平面34上。
如图3、4、5所示，信息收集平台3包括插入水中的多根平台支腿31，平台支腿31在高于水面5～10厘米的位置处开设有通孔，并通过螺栓351、垫片352、螺母353相互连接组成支撑架体，且地笼11出口端固定在支撑架体上。平台平面34四角以及靠近四角的两侧壁位置处均打孔，平台平面34放置在螺栓351上并通过扎带354绑紧固定，平台平面34上印有或者涂刷有橙色矩形框作为采集的河蟹图像背景色。
如图4所示，地笼11另一侧的平台支腿31上固定有挂饵梁32，挂饵梁32上悬挂有诱食剂33，以引诱河蟹从地笼11出来后继续爬行直至从平台平面34后侧掉下，重新落入水中；平台支腿31的高度设计应使平台平面34正好高出水面5厘米，以免过低导致电器部件进水失效，以免过高导致河蟹下落时受损；平台平面34左右两侧均安装有挡板，保证河蟹能够有序地从平台平面34前侧进入，后侧爬出。
如图3所示，元器件组件2包太阳能板21、摄像头25、光电传感器26、压力传感器27、防水柜23。太阳能板21安装在电器支架22顶端，并可以通过转轴转动以调整向阳角度，提高发电效率，电器支架22固定在支撑架体顶部，电器支架22上还安装有防水柜23，防水柜23内存放有工控机、无线模块等部件；电器支架22下还安装有一块摄像头板24，用于固定摄像头25，摄像头25位于平台平面34上方。
如图3、4所示，光电传感器26安装在平台平面34侧边，优选设置在与摄像头25所在竖直平面的同一水平面上，以确保河蟹在触发到光电传感器26时应处于摄像头25正下方图像采集区域内。压力传感器27安装在平台平面34正中间位置处，并且高于平台平面34，以使河蟹位于压力传感器27上时不会被平台平面34支撑而导致测量不准。所有电器原件均通过信号线或者电线与防水柜23内的工控机连接。
所述平台平面34以及压力传感器27的尺寸需满足如下条件，以确保河蟹能尽可能从压力传感器27正上方经过，从而保证获得河蟹重量M的准确性：
其中，X表示平台平面34的长边长度；x表示压力传感器27的称重平台长边长度。
实际应用中，本发明所述的河蟹生长状态无损监测评估平台可以考虑设置3～5亩/个，在整片养殖塘内平均设置河蟹生长状态无损监测评估平台，即可得到整片养殖塘内的河蟹生长状况。
利用上述基于类高斯模糊支持度的河蟹生长状态无损监测评估平台的河蟹生长状态无损监测方法如图6所示，包括如下过程：
步骤1：将河蟹生长状态无损监测评估平台布置在待测养殖塘区域内；
步骤2：河蟹通过地笼11爬入平台平面34，光电传感器26感应到有河蟹经过后，传递信号至工控机，工控机控制摄像头25启动拍摄河蟹图像数据并传递回工控机进行数据分析处理，与此同时，压力传感器27将检测到的河蟹重量M也传递至工控机进行数据分析处理；
步骤3：工控机建立YOLO算法识别模型；
步骤3.1：YOLO初始数据集建立；
设定养殖塘内布设的河蟹生长状态无损监测评估平台(以下简称平台)数量为n个，按照从西向东、从北向南的顺序分别依次编号为O1，O2,…,On，人工筛选拍摄到的图像，删除因其他干扰因素而误拍的图像，对符合要求的河蟹图像进行保存并对应命名图片数据集为O1p，O2p,…,Onp，其中，O代表原始数据集(Original Set)，下标p代表图片集；
各平台所采集的图片均以拍摄时间命名，共12位阿拉伯数字：XX(年)XX(月)XX(日)XX(时，24小时制)XX(分)XX(秒)。
步骤3.2：对实拍河蟹的图像进行标签，设训练数据集为m个，对应命名为T1p，T2p,…,Tmp，其中，T表训练数据集(Training Set)，下标p代表图片集。
步骤3.3：训练数据集建立；
将初始数据集的各个图像尺寸统一成a*a*3，其中，a为图像像素值，3为图像的三通道值；然后拆分成多个低分辨率特征图，通过32通道的卷积层后转变成的特征图；
在特征图上生成规则网格，以每个网格中心为中心随机生成两个选择框，计算交并比(Intersection over Union，IOU)：
其中，A代表随机生成的选择框，B代表人工标记出的选择框；当IOU值大于75％时，代表该次选择范围满足条件则增加区域内权重值，依次重复进行迭代最终得到YOLO算法识别模型，用于后续的图像识别处理。
步骤4：河蟹生长数据获取；
工控机获取河蟹图像中的背景色的像素长度河蟹头胸甲(测量靠近头部一侧)像素长度l、河蟹头胸甲像素宽度w，而背景色部分的实际长度为已知固定值Φ(单位为cm)，则通过下式计算出河蟹生长尺寸：
河蟹实际头胸甲长度L为：
河蟹实际头胸甲宽度W为：
步骤5：工控机基于模糊评估算法进行河蟹生长状态评估，输出5维数据：(M，L，W，Du，Sv)；
步骤5.1：利用步骤3所建立的识别模型对拍摄到的图像进行处理，为了避免干扰因素影响时拍摄的图像污染数据集，只有经步骤3所建立的识别模型判断河蟹置信度大于75％的图像才进行保存，同时截取该图片中的河蟹头胸甲图片存入数据集F1p,…,Fnp，每张图片采用原图片拍摄时间(12位阿拉伯数字)进行命名，其中，F代表类高斯模糊支持度输入集。
步骤5.2：灰度处理；
对步骤5.1中所截取的河蟹头胸甲图像进行灰度化处理，并分别存入数据集FG1p,…,FGnp，其中，FG代表模糊灰度图片集。
步骤5.3：提取数据集FG1p,…,FGnp中的图片的所有灰度值并取平均数，记录如下：
其中，ci代表第i张图片的整体灰度值，取值范围为[0,255]；gj代表第j个像素点的灰度值，取值范围为[0,255]；z为待处理图片的像素点个数。
步骤5.4：构建如下所示的类高斯模糊支持度函数：
其中，di表示ci和cmtr的接近程度；sup表示支持函数(support)；cmtr表示用于参照的成熟河蟹图片提取的灰度平均值，取值范围为[0,255]；γ≥σ≥0，γ和σ均为常数，通过γ和σ的取值共同决定支持度函数的衰减速度。
步骤5.5：定义输入模糊语义集(模糊推理前件)：di的取值范围为[0,1]，di＝1时，表示该河蟹头胸甲颜色偏墨绿；di＝0时，表示该河蟹头胸甲颜色较浅；也就是说，随着di的取值越来越小，代表河蟹头胸甲颜色逐渐从墨绿越来越浅。
步骤5.6：定义输出模糊语义集(模糊推理后件)：设定规则后件si的取值范围为[0,1]，si＝1时，表示该河蟹即将成熟；si＝0时，指示该河蟹头胸甲颜色异常，患有疾病或刚蜕壳；也就是说，随着si的取值越来越小，代表河蟹成熟状态逐渐降低。
步骤5.7：建立如下所示的模糊推理规则：
Ru:If diis Duthensiis Sv
其中，Ru表示第u条规则；Du为输入空间，为模糊语义集，u＝1,2,…；si为规则后件，表示生长状态推理结果；Sv为输出空间，为模糊语义集，v＝1,2,…；
例如：设u＝1,2,3时，则：
输入空间 取值范围 模糊语义集
D1 0≤di＜0.3 颜色偏浅
D2 0.3≤di＜0.7 颜色偏黄
D3 0.7≤di≤1 颜色偏绿
设v＝1,2,3时，则：
输出空间 取值范围 模糊语义集
S1 0≤si＜0.3 状态异常
S2 0.3≤si＜0.7 正常，未成熟
S3 0.7≤si≤1 正常，即将成熟
则可以建立如下所示3条模糊推理规则：
R1:If diis D1thensiis S1(如果颜色偏浅，则该河蟹生长异常)
R2:If diis D2thensiis S2(如果颜色偏黄，则该河蟹生长正常，未成熟)
R3:If diis D3thensiis S3(如果颜色偏绿，则该河蟹生长正常，即将成熟)
实际应用中，di和si的具体取值范围可根据实际需要合理调整；模糊语义集也可根据实际情况合理定义，并不限制于将头胸甲颜色与成熟度关联，也可将头胸甲颜色与河蟹健康状况关联等。
步骤6：工控机上输出5维数据：(M，L，W，Du，Sv)，供相关人员查看以了解河蟹生长状况。
本发明所述地笼11是将常规的捕蟹地笼进行改造得到的，将收口放开仅可供一只河蟹爬出的宽度，并高度不断抬高至抬出水面。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 (8)

1.一种基于类高斯模糊支持度的河蟹生长状态无损监测评估平台，其特征在于，包括倾斜布置的引蟹地笼(1)，引蟹地笼(1)一端伸入水下并设置进口供河蟹进入，另一端与信息收集平台(3)连接并设置出口供河蟹爬出至信息收集平台(3)上；信息收集平台(3)包括水平安装在支撑架体上的平台平面(34)，平台平面(34)侧边安装有光电传感器(26)，平台平面(34)正中间位置处安装有压力传感器(27)；支撑架体顶部的电器支架(22)上安装有太阳能板(21)、防水柜(23)，防水柜(23)内存放部件包括工控机、无线模块，电器支架(22)上还安装有摄像头(25)，且摄像头(25)位于平台平面(34)正上方。
2.根据权利要求1所述基于类高斯模糊支持度的河蟹生长状态无损监测评估平台，其特征在于，所述信息收集平台(3)包括插入水中的多根平台支腿(31)，平台支腿(31)在高于水面5～10厘米的位置处开设有通孔，并通过螺栓(351)、垫片(352)、螺母(353)相互连接组成支撑架体；平台平面(34)放置在螺栓(351)上并通过扎带(354)绑紧固定，平台平面(34)表面印有或者涂刷有橙色矩形框作为河蟹图像背景色。
3.根据权利要求2所述基于类高斯模糊支持度的河蟹生长状态无损监测评估平台，其特征在于，所述平台平面(34)以及压力传感器(27)的尺寸满足如下条件：
其中，X表示平台平面(34)的长边长度；x表示压力传感器(27)的称重平台长边长度。
4.一种利用权利要求1所述基于类高斯模糊支持度的河蟹生长状态无损监测评估平台的河蟹生长状态无损监测方法，其特征在于，包括如下过程：
步骤1：将河蟹生长状态无损监测评估平台布置在待测养殖塘区域内；
步骤2：河蟹通过引蟹地笼(1)爬入平台平面(34)，光电传感器(26)感应到有河蟹经过后，传递信号至工控机，工控机控制摄像头(25)启动，拍摄河蟹图像数据并传递回工控机进行数据分析处理，同时，压力传感器(27)将检测到的数据也传递至工控机进行分析处理；
步骤3：建立YOLO算法识别模型；
步骤4：河蟹生长数据获取；
工控机获取河蟹图像中的背景色的像素长度、河蟹头胸甲像素长度、河蟹头胸甲像素宽度，而背景色部分的实际长度为已知固定值，则进一步计算出河蟹生长尺寸，即河蟹实际头胸甲长度和河蟹实际头胸甲宽度；
步骤5：工控机利用YOLO算法识别模型，基于模糊评估算法进行河蟹生长状态评估；
步骤6：工控机结合评估结果输出河蟹生长状态相关的5维数据，供相关人员查看。
5.根据权利要求4所述的河蟹生长状态无损监测方法，其特征在于，所述步骤3的具体过程为：
步骤3.1：YOLO初始数据集建立；
设定养殖塘内布设的河蟹生长状态无损监测评估平台数量为n个，按照从西向东、从北向南的顺序分别依次编号为O1，O2,…,On，人工筛选拍摄到的图像，删除因其他干扰因素而误拍的图像，对符合要求的河蟹图像进行保存并对应命名图片数据集为O1p，O2p,…,Onp，其中，O代表原始数据集，下标p代表图片集；各河蟹生长状态无损监测评估平台所采集的图片均以拍摄时间命名，共12位阿拉伯数字；
步骤3.2：对实拍河蟹的图像进行标签，设训练数据集为m个，对应命名为T1p，T2p,…,Tmp，其中，T表训练数据集；
步骤3.3：训练数据集建立；
将初始数据集的各个图像尺寸统一成a*a*3，其中，a为图像像素值，3为图像的三通道值；然后拆分成多个低分辨率特征图，通过32通道的卷积层后转变成的特征图；
在特征图上生成规则网格，以每个网格中心为中心随机生成两个选择框，计算交并比IOU：
其中，A代表随机生成的选择框，B代表人工标记出的选择框；当IOU值大于75％时，代表该次选择范围满足条件则增加区域内权重值，依次重复进行迭代最终得到YOLO算法识别模型，用于后续的图像识别处理。
6.根据权利要求4所述的河蟹生长状态无损监测方法，其特征在于，所述步骤4中，河蟹实际头胸甲长度L通过下式计算得到：
河蟹实际头胸甲宽度W通过下式计算得到：
其中，表示河蟹图像中的背景色的像素长度；l表示河蟹图像中的河蟹头胸甲像素长度；w表示河蟹图像中的河蟹头胸甲像素宽度。
7.根据权利要求4所述的河蟹生长状态无损监测方法，其特征在于，所述步骤5的具体过程为：
步骤5.1：利用YOLO算法识别模型对拍摄到的河蟹图像进行处理，为了避免干扰因素影响时拍摄的图像污染数据集，只有经步骤3所建立的YOLO算法识别模型判断河蟹置信度大于75％的图像才进行保存，同时截取该图片中的河蟹头胸甲图片存入数据集F1p,…,Fnp，每张图片采用原图片拍摄时间进行命名，其中，F代表类高斯模糊支持度输入集；
步骤5.2：灰度处理；
对步骤5.1中所截取的河蟹头胸甲图像进行灰度化处理，并分别存入数据集FG1p,…,FGnp，其中，FG代表模糊灰度图片集；
步骤5.3：提取数据集FG1p,…,FGnp中的图片的所有灰度值并取平均数，记录如下：
其中，ci代表第i张图片的整体灰度值，取值范围为[0,255]；gj代表第j个像素点的灰度值，取值范围为[0,255]；z为待处理图片的像素点个数；
步骤5.4：构建如下所示的类高斯模糊支持度函数：
其中，di表示ci和cmtr的接近程度；sup表示支持函数；cmtr表示用于参照的成熟河蟹图片提取的灰度平均值，取值范围为[0,255]；γ≥σ≥0，γ和σ均为常数，通过γ和σ的取值共同决定支持度函数的衰减速度；
步骤5.5：定义输入模糊语义集；
步骤5.6：定义输出模糊语义集；
步骤5.7：建立如下所示的模糊推理规则：
Ru:If di is Du then si is Sv
其中，Ru表示第u条规则；Du表示输入空间，为模糊语义集，u＝1,2,…；si为规则后件，表示生长状态推理结果；Sv表示输出空间，为模糊语义集，v＝1,2,…。
8.根据权利要求7所述的河蟹生长状态无损监测方法，其特征在于，所述步骤5.5中：
定义输入模糊语义集：di的取值范围为[0,1]，di＝1时，表示河蟹头胸甲颜色为墨绿色；di＝0时，表示河蟹头胸甲颜色为浅色；
所述步骤5.6中：
定义输出模糊语义集：设定si的取值范围为[0,1]，si＝1时，表示河蟹即将成熟；si＝0时，指示河蟹头胸甲颜色异常，患有疾病或刚蜕壳。
CN202310991764.0A 2023-08-08 2023-08-08 基于类高斯模糊支持度的河蟹生长状态无损监测评估平台及方法 Active CN117011795B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310991764.0A CN117011795B (zh) 2023-08-08 2023-08-08 基于类高斯模糊支持度的河蟹生长状态无损监测评估平台及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310991764.0A CN117011795B (zh) 2023-08-08 2023-08-08 基于类高斯模糊支持度的河蟹生长状态无损监测评估平台及方法

Publications (2)

Publication Number Publication Date
CN117011795A true CN117011795A (zh) 2023-11-07
CN117011795B CN117011795B (zh) 2024-02-13

Family

ID=88566971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310991764.0A Active CN117011795B (zh) 2023-08-08 2023-08-08 基于类高斯模糊支持度的河蟹生长状态无损监测评估平台及方法

Country Status (1)

Country Link
CN (1) CN117011795B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107743142A (zh) * 2017-10-12 2018-02-27 江苏大学 一种基于水下视频监控与云计算平台的蟹塘养殖健康管理系统及方法
CN108965800A (zh) * 2018-07-02 2018-12-07 合肥裕亿农业技术开发有限公司 一种基于水下视频监控的蟹塘养殖健康管理系统
WO2020134255A1 (zh) * 2018-12-27 2020-07-02 南京芊玥机器人科技有限公司 一种基于机器视觉对鱼类生长情况进行监测的方法
CN114581816A (zh) * 2022-02-18 2022-06-03 河南科技学院 一种植物工厂茄果类蔬菜果实实时检测与计数方法
CN115359324A (zh) * 2022-09-21 2022-11-18 中国水产科学研究院东海水产研究所 一种中华绒螯蟹头胸甲特征点识别的方法
CN115830436A (zh) * 2022-09-21 2023-03-21 北部湾大学 一种基于深度学习的海洋生物智能检测方法
CN218835247U (zh) * 2022-09-08 2023-04-11 南京农业大学 一种基于机器视觉的螃蟹智能分拣分级系统
CN116273984A (zh) * 2023-05-25 2023-06-23 南京农业大学 一种基于视觉检测的河蟹品质分级装置及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107743142A (zh) * 2017-10-12 2018-02-27 江苏大学 一种基于水下视频监控与云计算平台的蟹塘养殖健康管理系统及方法
CN108965800A (zh) * 2018-07-02 2018-12-07 合肥裕亿农业技术开发有限公司 一种基于水下视频监控的蟹塘养殖健康管理系统
WO2020134255A1 (zh) * 2018-12-27 2020-07-02 南京芊玥机器人科技有限公司 一种基于机器视觉对鱼类生长情况进行监测的方法
CN114581816A (zh) * 2022-02-18 2022-06-03 河南科技学院 一种植物工厂茄果类蔬菜果实实时检测与计数方法
CN218835247U (zh) * 2022-09-08 2023-04-11 南京农业大学 一种基于机器视觉的螃蟹智能分拣分级系统
CN115359324A (zh) * 2022-09-21 2022-11-18 中国水产科学研究院东海水产研究所 一种中华绒螯蟹头胸甲特征点识别的方法
CN115830436A (zh) * 2022-09-21 2023-03-21 北部湾大学 一种基于深度学习的海洋生物智能检测方法
CN116273984A (zh) * 2023-05-25 2023-06-23 南京农业大学 一种基于视觉检测的河蟹品质分级装置及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAN WANG 等: "Quality Grading of River Crabs Based on Machine Vision and GA-BPNN", 《SENSORS》, pages 1 - 19 *
周志强 等: "基于图像处理的河蟹分级系统设计", 《南方农机》, pages 8 - 18 *
张云 等: "中华绒螯蟹蟹壳颜色的识别量化研究", 《江苏农业科学》, no. 06, pages 115 - 117 *
赵德安 等: "基于机器视觉的水下河蟹识别方法", 《农业机械学报》, vol. 50, no. 3, pages 151 - 158 *

Also Published As

Publication number Publication date
CN117011795B (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN113795145B (zh) 水栖动物养殖支援系统、升降装置、投饵装置、水栖动物的养殖方法及水栖动物养殖支援介质
CN101916438B (zh) 半球摄影法获取水稻冠层叶面积指数和平均叶倾角的方法
Bell et al. The utility of satellites and autonomous remote sensing platforms for monitoring offshore aquaculture farms: a case study for canopy forming kelps
CN112345458A (zh) 一种基于无人机多光谱影像的小麦产量估测方法
CN108414455A (zh) 用于农业保险理赔的农作物雹灾遥感监测方法
CN102778212A (zh) 一种利用数码相机获取水稻冠层叶面积指数的方法及装置
CN107610122B (zh) 一种基于Micro-CT的单籽粒谷物内部虫害检测方法
CN107578408B (zh) 一种奶牛养殖场地面尿液面积的仿真测量装置与方法
CN109583663A (zh) 一种适用于养殖池塘的夜间水质溶氧量预测方法
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
CN110910067A (zh) 一种结合深度学习与Q-learning的活鱼运输水质智能调控方法和系统
CN109213017A (zh) 水产养殖智能投饲系统及方法
CN111680587B (zh) 一种基于多目标跟踪的鸡群活动量实时估算方法及系统
CN114898405B (zh) 基于边缘计算的便携式肉鸡异常监测系统
CN211746249U (zh) 一种笼内鸡只识别装置
CN107830891A (zh) 水产养殖水质pH值多参量数据采集装置及数据处理方法
CN111862246A (zh) 对虾苗种智能计数方法及装置
CN112986157A (zh) 一种养殖水环境预警调控方法、装置及系统
CN112907546A (zh) 肉牛体尺非接触测量装置及方法
CN115512215A (zh) 水下生物监测方法、装置及存储介质
CN113933450A (zh) 一种海洋生态系统海草床固碳能力估算方法
CN117011795B (zh) 基于类高斯模糊支持度的河蟹生长状态无损监测评估平台及方法
CN212379883U (zh) 对虾苗种智能计数装置
CN116341786B (zh) 一种基于可控农业的植物繁育管理系统及方法
CN112577956A (zh) 一种基于智能设备拍照功能的玉米考种系统及方法

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