CN117115636A - 一种藻类与浮游生物分析方法、分析仪、介质及设备 - Google Patents
一种藻类与浮游生物分析方法、分析仪、介质及设备 Download PDFInfo
- Publication number
- CN117115636A CN117115636A CN202311173633.8A CN202311173633A CN117115636A CN 117115636 A CN117115636 A CN 117115636A CN 202311173633 A CN202311173633 A CN 202311173633A CN 117115636 A CN117115636 A CN 117115636A
- Authority
- CN
- China
- Prior art keywords
- image
- plankton
- algae
- sample
- images
- 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
- 241000195493 Cryptophyta Species 0.000 title claims abstract description 94
- 238000004458 analytical method Methods 0.000 title claims abstract description 82
- 238000001514 detection method Methods 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 230000000007 visual effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 82
- 230000008569 process Effects 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 239000012472 biological sample Substances 0.000 description 7
- 238000013145 classification model Methods 0.000 description 6
- 239000002028 Biomass Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出了一种藻类与浮游生物分析方法,该方法包括以下步骤:将藻类或浮游生物样本划分为多个扫描区域进行图像采集,每个扫描区域基于自动对焦连续拍摄清晰度最高的图像邻域内的多张图像;使用图像融合方法提取多张图像中对应样本中各个部分拍摄到的最清晰的图像部分融合为一张最清晰的图像;将融合后的图像输入到检测模型进行匹配分析,输出样本的样本类别及样本数量。通过图像采集、融合和分析技术实现了对样本的全面观察和分析,能够同时优化图像质量、提高分析效率和准确性,为藻类与浮游生物研究和监测提供了一种可靠的方法和工具。
Description
技术领域
本发明涉及生物科学与图像识别的交叉技术领域,具体为藻类与浮游生物分析方法。
背景技术
在相关的现有技术中,构建了海洋浮游生物自动分类识别模型,将获取到的海洋浮游生物的图像进行海洋浮游生物的自动分类识别,从而获得的海洋浮游生物的分类结果。然而,这一技术存在如下缺陷:
忽略图像质量对识别的影响:未考虑图像质量对识别结果的影响。在海洋环境中,图像可能受到浑浊水质、波浪和其他环境因素的影响,可能会导致图像模糊或包含噪声。这些质量问题可能会降低预设分类模型的性能,导致误识别或漏识别的情况发生。
不同区域的图像对模型的适用性限制:图像的不同区域可能具有差异明显的特征,若忽略这些区域差异,直接进行整体分类,可能导致识别精度的下降和检测定位的困难,对图像的细致分析和准确量化分析也受到了限制,影响了藻类检测的全面性、准确性以及进一步研究的深度。
整体分类框架的应用难以实现更精确的浮游生物识别:现有技术没有在分类学级别的各个层次上进行特征和属性的精细分析,导致在较高级别时无法准确捕捉共有特征,而在较低级别时可能难以精确识别特定特征,即无法在不同级别上综合考虑浮游生物的多样性特征,可能会造成误分类或遗漏,影响了分类和检测的可靠性和准确性。
为了至少部分解决以上技术问题,提出了本发明技术方案。
发明内容
为了实现上述目的,本发明旨在开发一种创新的藻类与浮游生物分析方法,将采用先进的深度学习算法和图像处理技术,结合可靠的模式识别算法,以快速、精确地识别水体中的浮游植物种类和数量,并提供颗粒度分布和生物量测定等重要参数。通过解决现有技术中存在的问题,本发明将极大地提高藻类和浮游动物分析的效率和准确性,从而为生态学调查、渔业、水产养殖、教育等行业提供一种可靠的方法和工具。
根据本发明的一方面,提供一种藻类与浮游生物分析方法,包括以下步骤:将藻类或浮游生物样本划分为多个扫描区域进行图像采集,每个扫描区域基于自动对焦连续拍摄清晰度最高的图像邻域内的多张图像;
使用图像融合方法提取多张图像中对应样本中各个部分拍摄到的最清晰的图像部分融合为一张最清晰的图像;
将融合后的图像输入到检测模型进行匹配分析,输出样本的样本类别及样本数量。
上述藻类与浮游生物分析方法还包括:目标检测算法接收到图像数据后,将图像数据和检测模型进行比对分析。
上述藻类与浮游生物分析方法还包括:使用藻类或浮游生物样品图谱数据库作为样本数据进行训练后所得到的检测模型。
上述藻类与浮游生物分析方法还包括:在图像邻域内拍摄同一相对位置不同高度的图片。
上述藻类与浮游生物分析方法还包括:使用三维立体图像融合技术,从同一相对位置不同高度的图片中提取多张二维图像中对应样本中各个部分拍摄到的最清晰的图像融合为一张二维图像。
上述藻类与浮游生物分析方法还包括:根据输出样本类别及样本数量分析得到生物群体相关数据并进行可视化展示。
上述藻类与浮游生物分析方法还包括:将藻类或浮游生物样本划分为多个扫描区域进行图像采集之前,还包括:接收用户设置的移动距离参数。
根据本发明的另一方面,提供一种藻类与浮游生物分析仪,包括:
包括上位机和下位机,其中,上位机用于与用户进行交互、发送指令和接收数据,包含了图像采集单元、图像处理单元和图像识别单元的控制逻辑和算法;下位机用于接收并响应上位机发送的指令,包含了执行图像采集的硬件设备和相关控制逻辑;
其中,上位机还用于,通过发送指令控制图像采集单元;图像采集单元用于,将藻类或浮游生物样本划分为多个扫描区域进行图像采集,每个扫描区域基于自动对焦连续拍摄清晰度最高的图像邻域内的多张图像;
上位机还用于,接收采集到的图像数据并传输给图像处理单元;图像处理单元用于,使用图像融合方法提取多张图像中对应样本中各个部分拍摄到的最清晰的图像部分融合为一张最清晰的图像;
上位机还用于,将融合后的图像输入到检测模型进行匹配分析,输出样本的样本类别及样本数量。
上述藻类与浮游生物分析仪还包括:上位机还用于,接受用户设置的移动距离参数,并将移动距离参数携带于指令中发送给下位机;下位机还用于,根据移动距离参数控制电机移动相应的步进距离,接收上位机发送的相机采集指令,采集相机里的一帧图像,如此循环采集,直到达到移动距离参数停止。
上述藻类与浮游生物分析仪还包括:数据报表单元,用于接收上位机传输的分析后的数据和图像,生成数据报表并进行展示。
根据本发明的另一方面,提供一种计算机可读存储介质,其上存储有计算机程序,其中,计算机程序被执行时实现如上所述的任一藻类与浮游生物分析法的步骤。
根据本发明的另一方面,提供一种计算机设备,包括处理器、存储器和存储于存储器上的计算机程序,其中,处理器执行计算机程序时实现如上所述的任一藻类与浮游生物分析法的步骤。
本发明提供了一种藻类与浮游生物分析方法,解决了生物实验人员在藻类和浮游生物检测工作中的问题。传统方法耗时且需要专业人员操作,通过引入自动化扫描图像、识别藻类数据和自动计算生物数据,大大缩短了检测时间。即使非专业人员也能轻松使用该方法和仪器进行藻类和浮游生物数据分析。这一改进大大提高了检测效率,提供了准确可靠的结果,并促进了藻类和浮游生物检测工作的发展和应用。
附图说明
并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例,并且与相关的文字描述一起用于解释本发明的原理。在这些附图中,类似的附图标记用于表示类似的要素。下面描述中的附图是本发明的一些实施例,而不是全部实施例。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,可以根据这些附图获得其他的附图。
图1示出了本发明的一实施例提供的藻类与浮游生物分析方法的流程图。
图2示出了本发明的一实施例提供的藻类与浮游生物分析仪的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
为了克服现有技术的问题,需要一种快速、准确且自动化的藻类分析方法,能够对水体中的浮游植物样本进行自动分类计数、大小测量、种类分类以及生物量测定,从而提供可靠的分析结果;还可以节省时间和人力成本,并且减少主观误差,提高分析的准确性和可重复性。
本发明的一实施例提供了一种藻类与浮游生物分析方法,具体如图1所示,包括:
S1: 将藻类或浮游生物样本划分为多个扫描区域进行图像采集,每个扫描区域基于自动对焦连续拍摄清晰度最高的图像邻域内的多张图像;
图像采集是整个藻类与浮游生物分析方法中的关键环节,通过将样本划分为多个扫描区域并进行自动对焦连续拍摄,能够获取到丰富而准确的图像数据。这种采集方式确保了在不同位置和深度上都能够捕捉到样本的详细信息。每个扫描区域都经过自动对焦来获得最清晰度最高的图像邻域内的多张图像。这种连续拍摄的方法能够覆盖样本的不同角度和形态,涵盖了藻类和浮游生物样本的各个特征和细节,这为后续的图像处理和分析提供了丰富的数据基础,提供更全面的视角。
在本发明实施例中,通过在图像邻域内拍摄同一相对位置但不同高度的多张图片,这意味着相机在一定范围内连续拍摄多张图像,每张图像的高度略有差异。通过控制下位机根据参数控制电机移动相应的步进距离后拍摄不同高度的邻域图像,可以获得多角度、立体的观察样本的能力。这种连续的图像采集方法能够提供以下优点和好处:不同位置的藻类样品可能由于深度变化或不同高度的分布而导致图像清晰度不一致。通过将这些不同高度的图像进行融合,可以选择每个位置上最清晰的图像部分,从而提高整体图像的清晰度;而且,不同高度的图像提供了样本在不同视角下的观察,有助于捕捉样本的形态特征和细节,通过分析这些图像,可以更准确地描述样本的形态变化、结构特征以及其与周围环境的相互作用。采集不同高度的邻域图像还可以提供样本在空间中的定位信息。通过对这些图像进行处理和分析,可以准确确定样本在水体中的位置和分布范围。连续采集不同高度的图像可以获得更多样本的观测数据,从而提高分析的准确性和可靠性。多角度的观察和数据采集有助于提供更全面的信息,支持对藻类与浮游生物的分类、计数和行为研究。此外,还能简化样本处理过程,传统的方法可能需要对不同高度或位置的样本进行单独的图像采集和处理,增加了操作的复杂性和耗时,而通过三维融合技术,可以将多个高度的图像融合为一张二维图像,简化了样本处理的流程,提高了效率。
因此,通过在图像邻域内拍摄同一相对位置但不同高度的多张图片,能够捕捉到样本的多个层面信息,以提高图像的清晰度和细节展示。通过选择每个图像中最清晰的部分并将其融合,可以消除图像中的模糊和噪声,提升图像的质量和可观察性。这一原理的基础是图像处理算法,其中包括对图像的增强、对比度调整、锐化等技术,以及图像融合算法,如加权平均、多尺度融合、局部区域融合等。通过这些处理和融合技术,系统能够生成一张最清晰的图像,用于后续的分析和识别过程。
在本申请的撰写过程中,发明人发现一些现有技术中所揭示的方法可能在某些局部目标图像清晰度方面具有优势,然而其仍然存在不稳定性、对噪声敏感以及环境适应性差等问题,限制了其在复杂环境下的实际应用。具体而言,有一些现有技术通过使用的轮廓提取算法,包括计算目标图像的梯度,再对图像进行二值化,最后提取出浮游生物的轮廓。使用的轮廓提取算法存在多个缺陷。这些缺陷主要包括以下几点:首先,现有算法对噪声比较敏感,即使存在轻微的噪声,也会导致算法产生大量杂散响应,从而生成过多的轮廓。这种情况使得算法难以正确找到目标图像的轮廓,因此轮廓提取过程失败,无法进一步进行后续操作。其次,针对浮游生物图像这种复杂环境,现有算法在计算目标图像的梯度后需要进行图像二值化操作。然而,二值化操作需要设定阈值,而阈值的设定直接影响到轮廓提取的效果。无论是设定固定阈值还是使用自适应阈值,都很难满足复杂环境下的需求。因此,常常出现计算后的目标图像轮廓未闭合,导致提取失败,最终结果不理想,甚至可能导致目标图像轮廓丢失。因此,现有技术中的轮廓提取算法仅适用于简单且单一的环境,对于复杂的浮游生物图像这类情况不适用。与之相对,本申请的技术方案针对整体图像采用了多个扫描区域的方法,确保了全局图像的清晰度。这一特点在处理浮游生物图像等复杂情境下具有重要意义,因为浮游生物的分布通常是全局性的,局部图像清晰度的提升并不能有效解决整体分类与检测的问题。因此,该方法能够在复杂环境中提高浮游生物的分类和检测准确性,大大提升了图像融合的稳定性与适应性。从而有效地克服了现有技术的缺陷。
在本发明实施例中,在将藻类或浮游生物样本划分为多个扫描区域进行图像采集之前,还可以接收用户设置的移动距离参数。这个移动距离参数的设定非常关键,它确保图像采集能够覆盖到样本的目标分析区域。
通过接收用户设置的移动距离参数,包括系统可以精确地控制下位机的移动距离,确保在每次采集图像时控制电机移动相应的步进距离,以及控制电机的图像采集工作在达到总步长时才停止。这样,在连续拍摄不同扫描区域的过程中,图像采集能够覆盖到整个样本的目标分析区域,确保获取到全面的样本信息。
用户可以根据具体的分析需求和样本特点,灵活地设置移动距离参数。例如,针对较大的样本,可以设置较大的移动距离以快速覆盖整个样本区域;而针对较小或复杂的样本,可以设置较小的移动距离以更精细地采集样本特征,同时,也可以根据目标分析区域的大小设置不同大小的总步长,以确保图像采集覆盖到样本的目标分析区域。
通过接收用户设置的移动距离参数并在图像采集过程中应用,本发明实施例能够确保图像采集覆盖到样本的目标分析区域,同时提高图像采集的效率、准确性和可靠性。这对于藻类与浮游生物分析的精确性和可靠性具有重要意义,为后续的图像处理和识别提供了高质量的数据基础。
S2:使用图像融合方法提取多张图像中对应样本中各个部分拍摄到的最清晰的图像部分融合为一张最清晰的图像;
在本发明实施例中,通过使用三维立体图像融合技术,从同一相对位置不同高度的图片中提取多张二维图像中对应样本中各个部分拍摄到的最清晰的图像融合为一张二维图像。
在本发明实施例中,使用三维立体图像融合技术,从同一相对位置不同高度的图片中提取所述多张二维图像中对应样本中各个部分拍摄到的最清晰的图像融合为一张二维图像,具体包含以下步骤:
图像融合预处理:对上位机采集到的图像进行预处理,包括缩放图像到合适的大小。
特征提取和图像融合:使用深度学习模型进行图像特征提取,比较特征相同的像素值的大小,并选择最大的像素值组成融合图像,将其缩放回原始图像大小,得到最清晰的图像。
以上图像融合方法,通过预处理、特征提取和图像融合等步骤,实现了从多张二维图像中提取最清晰部分并融合为一张二维图像,以便继续对检测到的目标进行标记和分割。这种方法能够提高图像清晰度、准确性和可视化效果,为藻类与浮游生物的分析和研究提供了有效的手段和技术。
这种图像融合技术能够提高图像的清晰度和细节展示,从而增强对样本的观察和分析能力。通过使用图像融合技术,能够更准确地观察和分析样本的特征,融合后的图像呈现了样本的最佳视角和最清晰的部分,使科研人员能够更好地观察样本的形状、纹理和细微变化。这对于藻类与浮游生物的分类、计数和特征分析具有重要意义。
此外,本发明实施例中的图像融合技术还可以提高图像的视觉效果和可视化效果。通过将多个视角的图像融合为一张图像,可以呈现出样本的立体感和空间感,使得样本的特征更加鲜明、生动,这也有助于科研人员更直观地理解和展示样本的特征和变化。
S3: 将融合后的图像输入到检测模型进行匹配分析,输出样本的样本类别及样本数量。
在本步骤中,利用目标检测算法接收到图像数据后,将图像数据和检测模型进行比对分析。具体而言,包括如下步骤:
目标检测和可视化展示:将融合后的图像输入到深度学习模型中,应用目标检测算法,输出检测框的置信度和标签,并在输出结果中绘制检测框进行可视化展示。
图像分割:应用图像分割技术,将检测到的藻类或浮游生物从结果图像中切割出单独的图片。
结果保存:将切割得到的单独图片保存,以便后续的分析、存档或展示。
融合后的图像将被输入到专门设计的检测模型(即目标检测算法)中进行匹配分析。这个检测模型可以是通过使用深度学习算法进行训练得到的,在一个优选的实施例中,该检测模型可以是利用藻类与浮游生物样品图谱数据库作为样本数据进行训练而得到的。该数据库包含了丰富的藻类与浮游生物的样本图像及其对应的样本类别信息。通过对这些样本数据进行深度学习或机器学习的训练,可以构建出一个高效的检测模型。
本发明实施例中,为了提高浮游生物的分类和检测准确性,可以采用逐级分类的方法。根据分类学的级别,如门、纲、目、科、属和种,可以为每个级别设置一个模型进行分类或检测。整个分类框架可以被视为一个树形结构,其中非叶子节点都具有一个分类模型和一个检测模型。通过逐级进行分类或检测,可以提高准确性。
这种逐级分类的方法可以确保在每个级别上对浮游生物进行更准确的识别。通过对每个级别的特征和属性进行分析,模型可以更好地区分不同的浮游生物类别。例如,在较高级别(如门或纲),模型可以识别出一些广泛共有的特征,而在较低级别(如种)时,模型可以更加专注于特定的特征来精确分类。
通过采用这种层次化的分类和检测方法,可以提高分类和检测的准确性。相比于直接进行整体分类或检测,逐级分类的方法更加细致,并且可以针对每个级别进行更精细的分析。这样可以避免混淆或错误地将不同的浮游生物类别归为同一类。因此,通过逐级分类或检测浮游生物或藻类,可以获得更高的准确性和可靠性。
通过将融合后的图像输入到目标检测模型中,系统能够自动识别和匹配图像中的样本类别,并计算出样本的数量。这依赖于先进的图像识别和分析技术,使得目标检测模型能够对图像中的特征进行精准提取和匹配,从而实现对样本的快速、准确的分析。
在处理融合图像时,可以采用两种模式,即分类模式和目标检测模式。
在分类模式中,首先对融合后的图像进行切割,将图像分成多个部分。然后,应用模型对每个切割后的部分图像进行分类,得到针对每个部分的分类结果。这些分类结果可以重新组合,展示在一个完整的图像中,从而得到一个完整的藻类检测结果图像。通过逐个切割和分类图像部分,能够提高藻类检测的准确性和精度。这种逐级分类的方法可以更好地捕捉融合图像中不同部分的细节和特征,从而增加了藻类分类的准确率。通过图像的切割,可以将融合后的图像分解成多个小块,使得每个小块都能够更好地被分类模型进行分析。由于每个小块相对较小且具有明确的边界,分类模型可以更准确地提取小块中的特征,并基于这些特征进行分类。在每个小块上应用模型进行分类后,得到了针对每个小块的分类结果。这些分类结果可以根据其在原始图像中的位置进行重新组合,形成一个完整的藻类检测结果图像。通过将分类结果重新组合,我们可以在一个图像中直观地了解整个融合图像中各个部分的藻类分布情况。相比于直接对整个融合图像进行分类,这种逐级分类的方法可以更细致地分析藻类的分布和特征。它能够更好地处理复杂的图像背景和融合效果,提高了藻类检测的准确性和可靠性。因此,分类模式通过图像的切割和逐级分类,能够提高融合图像中藻类检测的准确性。这种方法有效地利用了图像中不同部分的特征信息,使得分类模型能够更准确地识别和分类藻类,为进一步的分析和研究提供了可靠的技术支持。
在目标检测模式中,首先对融合后的图像进行锚框的聚类,以提高最终的检测准确率。聚类的目的是识别图像中的样本区域,并将其作为目标进行进一步的检测。随后,使用目标检测算法对图像进行检测,得到一个完整的藻类检测结果图像。最后,将整个图像中所有单个藻类的检测框切割出来,并将其划分为单个藻类的分类结果。这种方法通过聚类锚框和目标检测,能够显著提升融合图像的检测准确率和定位精度,实现对藻类的精细分类和定量分析。首先,对融合后的图像进行锚框的聚类,目的是将图像中的样本区域识别出来并进行聚类分组。通过聚类算法,将具有相似特征的锚框归为同一类别,从而减少了重复检测和误检的情况,提高了检测的准确性。接下来,利用目标检测算法对融合图像进行检测。目标检测算法能够自动识别锚框中的藻类目标,并在图像上标注出检测框和对应的类别信息。这样,可以得到一个完整的藻类检测结果图像,其中每个检测框表示一个藻类目标。最后,将整个图像中所有单个藻类的检测框切割出来,并将其划分为单个藻类的分类结果。这一步骤可以通过分割和提取检测框内的图像区域来实现,每个提取出的图像区域代表一个单独的藻类样本。这样,我们可以得到对融合图像中每个藻类的精细分类结果。通过聚类锚框和目标检测的方法,可以更准确地定位和分类融合图像中的藻类样本。相较于直接对整个图像进行分类,这种方法能够提高检测的准确率和定位的精度,同时能够处理复杂的图像背景和目标重叠的情况。
这两种模式的处理过程都是由算法程序自动完成的。它们利用图像分类、检测和切割的技术来实现融合图像的处理和分析。通过结合先进的图像识别和分析技术,这些模式能够提高藻类检测的准确性和效率,为进一步的研究和分析提供有力支持。
本发明实施例中,输出的结果以样本的类别及数量的形式呈现。这些数据可以被进一步处理和分析,用于评估水体中藻类与浮游生物的分布、生态状况以及生物量等重要指标。同时,这些分析结果也可以被用于科学研究、环境监测、水质评估等领域,为决策和管理提供有力的依据。
通过整个分析过程,从图像采集到图像处理再到图像识别,本发明实现了对藻类与浮游生物样本的快速、准确的分析。这种自动化分析方法不仅提高了效率和准确性,还减少了人为因素的干扰,为藻类与浮游生物分析提供了一种可靠、智能的解决方案。
本发明实施例中,还包括根据输出样本类别及样本数量分析得到藻类与浮游生物相关数据并进行可视化展示。通过对样本数据的统计和分析,可以得到关于藻类与浮游生物的多项重要指标,如不同类别样本的分布情况、各类别样本数量的比例、生物密度,生物量等等。
这些藻类与浮游生物相关的数据通过数据处理和计算得到,并经过合适的可视化方式进行展示,例如生成柱状图、饼图、热力图等形式。这样的可视化展示使得用户能够直观地了解样本的特征和分布情况,有助于快速、全面地理解样本数据的含义和趋势。
通过藻类与浮游生物相关数据的可视化展示,用户可以更好地了解水体中藻类与浮游生物的数量分布、种类组成以及生物群体的密度变化情况。这对于环境监测、水质评估、生态研究等领域具有重要意义,为决策者和研究人员提供直观、可靠的数据支持。
本发明所述的藻类与浮游生物分析仪,包括上位机1以及下位机2。如图2所示,上位机1用于与用户进行交互、发送指令和接收数据,包含了图像采集单元3、图像处理单元4和图像识别单元的控制逻辑和算法;下位机2用于接收并响应上位机发送的指令,包含了执行图像采集的硬件设备、电机移动标本设备和相关控制逻辑;
上位机1还用于,通过发送指令控制图像采集单元3;图像采集单元3用于,将藻类或浮游生物样本划分为多个扫描区域进行图像采集,每个扫描区域基于自动对焦连续拍摄清晰度最高的图像邻域内的多张图像;上位机1还用于,接收采集到的图像数据并传输给图像处理单元4;图像处理单元4用于,使用图像融合方法提取多张图像中对应样本中各个部分拍摄到的最清晰的图像部分融合为一张最清晰的图像;上位机1还用于,将融合后的图像输入到检测模型进行匹配分析,输出样本的样本类别及样本数量。
本发明所述的藻类与浮游生物分析仪的使用步骤如下:
步骤1. 实验开始之前,使用上位机1导入需要测试的生物样品图谱数据库。
步骤2. 实验室人员采集并处理生物样本,将其浓缩到适当的体积。
步骤3. 将处理后的生物样本注入到容器装置,并将其放置在设备上。通过实验人员的取样操作,将水样放置在藻类或浮游生物计数板上,准备进行生物样本的扫描采集。
步骤4. 下位机2接收上位机1发送的指令,包含了执行图像采集的硬件设备和相关控制逻辑。具体而言,下位机通过接收上位机的指令,并转换为机器指令,下发到机器,从机器中接收数据传达给上位机。根据指令,下位机2控制电机和摄像头等设备,将藻类或浮游生物样本划分为多个扫描区域进行图像采集。每个扫描区域基于自动对焦,连续拍摄清晰度最高的图像邻域内的多张图像。
步骤5. 上位机1接收采集到的图像数据,并将其传输给图像处理单元3。图像处理单元3利用图像融合方法,从多张图像中提取对应样本中各个部分拍摄到的最清晰的图像部分,并将其融合为一张最清晰的二维图像。
步骤6. 上位机1将融合后的图像输入到检测模型进行匹配分析,通过图像识别单元5的算法,输出样本的样本类别及样本数量。这些结果可以通过数据报表或图形报表的形式呈现给客户查看。
步骤7. 实验人员可以根据需要将相应的报表格式导出到电脑上进行存档。
通过以上步骤,使用藻类与浮游生物分析仪可以对生物样本进行自动化的图像采集、处理和分析。上位机1与下位机2协同工作,实现了远程控制和指令传输,下位机2的硬件设备包括电机和摄像头等,能够精确地划分扫描区域并进行图像采集。图像处理单元3使用图像融合技术提高图像清晰度,而图像识别单元5的算法则实现了样本的自动匹配分析。这种分析仪结合了图像处理和识别技术,能够为科研人员和实验室人员提供高效、准确的藻类及浮游生物分析服务。
本发明实施例中,上位机1还用于接受用户设置的移动距离参数,并将该移动距离参数携带于指令中发送给下位机2。下位机2则根据接收到的移动距离参数控制电机移动相应的步进距离。同时,下位机2还能够接收上位机1发送的相机采集指令,在每次移动后采集相机中的一帧图像,并循环执行该过程,直到达到设置的移动距离参数停止。
本发明实施例中,在以上步骤中,藻类与浮游生物分析仪还可以包括以下操作:
在步骤4之前,上位机1接收用户设置的移动距离参数,该参数用于确定在样本扫描过程中的移动范围。用户可以根据需要调整移动距离,以确保覆盖到样本的目标分析区域。
在步骤4中,上位机1将设置的移动距离参数携带于指令中,并发送给下位机2。下位机2接收到指令后,根据移动距离参数控制电机移动相应的步进距离,以实现样本扫描的精确定位和移动。
在每次移动后,下位机2接收上位机1发送的相机采集指令。下位机2根据指令控制相机进行图像采集,并将采集到的一帧图像传输给上位机1进行处理。
在步骤5中,上位机1接收到采集到的图像后,将其传输给图像处理单元3进行后续的图像融合和处理操作。图像处理单元3利用图像融合方法,将不同高度和位置的图像中对应样本各个部分拍摄到的最清晰的图像部分融合为一张最清晰的二维图像。
通过以上步骤,藻类与浮游生物分析仪实现了根据用户设置的移动距离参数进行样本扫描和图像采集。用户可以根据样本特点和需求,灵活地设置移动距离,以确保覆盖到目标分析区域。下位机通过控制电机的步进距离和相机的采集操作,实现了精确定位和连续采集图像的功能。这样的设计保证了样本的全面观察和数据获取,为后续的图像处理和分析提供了可靠的基础。
本发明提供了一种藻类与浮游生物分析仪,通过上位机和下位机的协同工作,实现了对藻类与浮游生物样本的全面分析。通过图像采集、融合和分析技术,本发明能够获取清晰、准确的样本图像,并输出样本的类别和数量信息。
本发明的方案具有多重有益效果:首先,通过自动对焦和连续拍摄技术,可以在不同位置和区域的图像邻域内获取样本的最清晰图像,提高了图像的质量和准确性。其次,通过图像融合技术,能够合成一张清晰的二维图像,消除了不同高度图像的模糊和失真,使得观察和分析样本更加方便和准确,同时也提升了预设分类模型的计算性能。此外,本发明还采用了自动化的图像处理和识别算法,能够快速、准确地对样本进行分类和计数,通过采用层次化的分类和检测方法,可以提高分类和检测的准确性。相比于直接进行整体分类或检测,逐级分类的方法更加细致,并且可以针对每个级别进行更精细的分析。这样可以避免混淆或错误地将不同的浮游生物类别归为同一类,提高了分析可靠性和准确性。最后,本发明支持用户设置移动距离参数,使得样本的目标分析区域可以灵活调整,增加了系统的适应性和可定制性。综上所述,本发明提供了一种高效、准确的藻类与浮游生物分析方法和分析仪,通过图像采集、融合和分析技术实现了对样本的全面观察和分析,能够同时优化图像质量、提高分析效率和准确性,为藻类与浮游生物研究和监测提供了一种可靠的方法和工具。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围。
Claims (12)
1.一种藻类与浮游生物分析方法,其特征在于,包括以下步骤:
将藻类或浮游生物样本划分为多个扫描区域进行图像采集,每个扫描区域基于自动对焦连续拍摄清晰度最高的图像邻域内的多张图像;
使用图像融合方法提取所述多张图像中对应样本中各个部分拍摄到的最清晰的图像部分融合为一张最清晰的图像;
将所述融合后的图像输入到检测模型进行匹配分析,输出所述样本的样本类别及样本数量。
2.根据权利要求1所述藻类与浮游生物分析方法,其特征在于,所述融合后的图像输入到检测模型进行匹配分析包括:目标检测算法接收到所述图像数据后,将所述图像数据和检测模型进行比对分析。
3.根据权利要求2所述的藻类与浮游生物分析方法,其特征在于,所述检测模型包括:使用藻类或浮游生物样品图谱数据库作为样本数据进行训练后所得到的检测模型。
4.根据权利要求1所述的藻类与浮游生物分析方法,其特征在于,所述图像邻域内的多张图像包括:在图像邻域内拍摄同一相对位置不同高度的图片。
5.根据权利要求4所述的藻类与浮游生物分析方法,其特征在于,所述图像融合方法包括:使用三维立体图像融合技术,从同一相对位置不同高度的图片中提取多张二维图像中对应样本中各个部分拍摄到的最清晰的图像融合为一张二维图像。
6.根据权利要求1所述的藻类与浮游生物分析方法,其特征在于,所述方法还包括:根据输出所述样本类别及样本数量分析得到生物群体相关数据并进行可视化展示。
7.根据权利要求1所述的藻类与浮游生物分析方法,其特征在于,所述将藻类或浮游生物样本划分为多个扫描区域进行图像采集之前,还包括:接收用户设置的移动距离参数。
8.一种藻类与浮游生物分析仪,其特征在于,包括:
包括上位机和下位机,其中,所述上位机用于与用户进行交互、发送指令和接收数据,包含了图像采集单元、图像处理单元和图像识别单元的控制逻辑和算法;所述下位机用于接收并响应上位机发送的指令,包含了执行图像采集的硬件设备和相关控制逻辑;
其中,所述上位机还用于,通过发送指令控制所述图像采集单元;所述图像采集单元用于,将藻类或浮游生物样本划分为多个扫描区域进行图像采集,每个扫描区域基于自动对焦连续拍摄清晰度最高的图像邻域内的多张图像;
所述上位机还用于,接收采集到的图像数据并传输给图像处理单元;所述图像处理单元用于,使用图像融合方法提取所述多张图像中对应样本中各个部分拍摄到的最清晰的图像部分融合为一张最清晰的图像;
所述上位机还用于,将所述融合后的图像输入到检测模型进行匹配分析,输出所述样本的样本类别及样本数量。
9.根据权利要求7所述的藻类与浮游生物分析仪,其特征在于:所述上位机还用于,接受用户设置的移动距离参数,并将所述移动距离参数携带于指令中发送给下位机;所述下位机还用于,根据所述移动距离参数控制电机移动相应的步进距离,接收所述上位机发送的相机采集指令,采集相机里的一帧图像,如此循环采集,直到达到所述移动距离参数停止。
10.根据权利要求8或9所述的藻类与浮游生物分析仪,其特征在于,所述分析仪还包括:数据报表单元,用于接收上位机传输的分析后的数据和图像,生成数据报表并进行展示。
11.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被执行时实现如上所述权利要求1-7中任一藻类与浮游生物分析方法的步骤。
12.一种计算机设备,包括处理器、存储器和存储于所述存储器上的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述权利要求1-7中任一藻类与浮游生物分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311173633.8A CN117115636A (zh) | 2023-09-12 | 2023-09-12 | 一种藻类与浮游生物分析方法、分析仪、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311173633.8A CN117115636A (zh) | 2023-09-12 | 2023-09-12 | 一种藻类与浮游生物分析方法、分析仪、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117115636A true CN117115636A (zh) | 2023-11-24 |
Family
ID=88798304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311173633.8A Pending CN117115636A (zh) | 2023-09-12 | 2023-09-12 | 一种藻类与浮游生物分析方法、分析仪、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115636A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105898135A (zh) * | 2015-11-15 | 2016-08-24 | 乐视移动智能信息技术(北京)有限公司 | 相机成像方法及相机装置 |
CN111275016A (zh) * | 2020-03-03 | 2020-06-12 | 湖南国科智瞳科技有限公司 | 一种玻片扫描影像采集与分析方法及装置 |
CN115272838A (zh) * | 2022-07-26 | 2022-11-01 | 山东大学 | 基于信息融合技术的海洋浮游生物自动识别方法及系统 |
WO2023065505A1 (zh) * | 2021-10-18 | 2023-04-27 | 深圳先进技术研究院 | 一种浮游生物原位观测的图像预处理方法及系统 |
-
2023
- 2023-09-12 CN CN202311173633.8A patent/CN117115636A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105898135A (zh) * | 2015-11-15 | 2016-08-24 | 乐视移动智能信息技术(北京)有限公司 | 相机成像方法及相机装置 |
CN111275016A (zh) * | 2020-03-03 | 2020-06-12 | 湖南国科智瞳科技有限公司 | 一种玻片扫描影像采集与分析方法及装置 |
WO2023065505A1 (zh) * | 2021-10-18 | 2023-04-27 | 深圳先进技术研究院 | 一种浮游生物原位观测的图像预处理方法及系统 |
CN115272838A (zh) * | 2022-07-26 | 2022-11-01 | 山东大学 | 基于信息融合技术的海洋浮游生物自动识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103528617B (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
US8600143B1 (en) | Method and system for hierarchical tissue analysis and classification | |
CN102704215B (zh) | 基于dst文件解析与机器视觉结合的绣布自动切割方法 | |
CN109313717A (zh) | 一种在神经网络中用于对象检测的模型构建 | |
US8649580B2 (en) | Image processing method, image processing apparatus, and computer-readable recording medium storing image processing program | |
CN109923554A (zh) | 图像处理 | |
CN108445011A (zh) | 一种基于深度学习的瑕疵检测系统及方法 | |
CN110736748A (zh) | 免疫组化核浆染色切片诊断方法及系统 | |
US20220012884A1 (en) | Image analysis system and analysis method | |
EP4290451A1 (en) | Deep neural network-based method for detecting living cell morphology, and related product | |
US20100279341A1 (en) | Methods and system for analyzing cells | |
CN109492534A (zh) | 一种基于Faster RCNN的跨场景多姿态的行人检测方法 | |
CN104101294A (zh) | 分析装置、分析程序以及分析系统 | |
CN110097537A (zh) | 一种基于三维纹理特征的肉质定量分析评价方法 | |
CN109740549A (zh) | 基于半监督cnn的sar图像目标检测系统和方法 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
Ma et al. | An intelligent object detection and measurement system based on trinocular vision | |
Bonton et al. | Colour image in 2D and 3D microscopy for the automation of pollen rate measurement | |
CN117115636A (zh) | 一种藻类与浮游生物分析方法、分析仪、介质及设备 | |
CN109300150B (zh) | 一种用于骨龄评估的手骨x光图像纹理特征提取方法 | |
Ahmad et al. | Colorectal cancer image classification using image pre-processing and multilayer Perceptron | |
US11315251B2 (en) | Method of operation of an artificial intelligence-equipped specimen scanning and analysis unit to digitally scan and analyze pathological specimen slides | |
López Flórez et al. | Automatic Cell Counting With YOLOv5: A Fluorescence Microscopy Approach | |
JP7006833B2 (ja) | 細胞解析装置 | |
CN111398323A (zh) | 一种矿物自动分析系统中自动获取x射线分析位置的计算方法 |
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 |