KR102638817B1 - 심층 신경망을 활용한 담수 어류 길이 측정 및 동정시스템 및 이의 방법 - Google Patents
심층 신경망을 활용한 담수 어류 길이 측정 및 동정시스템 및 이의 방법 Download PDFInfo
- Publication number
- KR102638817B1 KR102638817B1 KR1020230102448A KR20230102448A KR102638817B1 KR 102638817 B1 KR102638817 B1 KR 102638817B1 KR 1020230102448 A KR1020230102448 A KR 1020230102448A KR 20230102448 A KR20230102448 A KR 20230102448A KR 102638817 B1 KR102638817 B1 KR 102638817B1
- Authority
- KR
- South Korea
- Prior art keywords
- freshwater fish
- length
- image
- weight
- data
- Prior art date
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims description 23
- 238000013527 convolutional neural network Methods 0.000 title claims description 5
- 241000251468 Actinopterygii Species 0.000 claims abstract description 250
- 239000013505 freshwater Substances 0.000 claims abstract description 229
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 43
- 238000010276 construction Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000013480 data collection Methods 0.000 claims abstract description 7
- 241000894007 species Species 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000000877 morphologic effect Effects 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 5
- 210000003128 head Anatomy 0.000 description 5
- 241000404975 Synchiropus splendidus Species 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 241001609213 Carassius carassius Species 0.000 description 1
- 241001597062 Channa argus Species 0.000 description 1
- 241000252210 Cyprinidae Species 0.000 description 1
- 241000252233 Cyprinus carpio Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000234435 Lilium Species 0.000 description 1
- 241000722085 Synanceia horrida Species 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 241001233037 catfish Species 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000006 pectoral fin Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000004894 snout Anatomy 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/022—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by means of tv-camera scanning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/03—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by measuring coordinates of points
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G17/00—Apparatus for or methods of weighing material of special form or property
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
Abstract
본 발명은 담수 어류만을 포함하는 다수의 제1 이미지 (담수 어류의 동정 데이터 및 길이 및 무게 데이터를 구축하기 위한 이미지)를 수집하는 이미지 데이터 수집부 (101); 상기 다수의 제1 이미지를 필터링하고 노이즈를 제거하여 선명하게 하는 이미지 전처리 및 증강부(102); 상기 다수의 제1 이미지에 포함되는 다양한 종류의 담수 어류에 대한 어종별 특징을 학습하는 인공지능 학습부(103); 상기 인공지능 학습부(103)에서의 학습을 기초로 담수 어류 동정 데이터를 구축하는 담수 어류 동정 인공지능 구축부(104); 다수의 눈금자에 대한 데이터, 담수 어류 길이에 대한 데이터, 및 담수 어류 길이에 대응되는 무게의 데이터를 포함하는 담수 어류 길이 및 무게 데이터가 구축되는 담수 어류 길이 측정 및 무게 구축부(105); 및 담수 어류와 눈금자를 포함하는 신규의 제2 이미지(이미지 속의 담수어류의 동정, 길이 및 무게를 파악하기 위한 이미지)가 입력되면 상기 담수 어류 동정 데이터 및 상기 길이 및 무게 데이터에 기반하여 담수 어류의 동정(분류), 담수 어류의 길이 및 담수 어류의 무게를 예측하는 담수 어류 길이 측정 및 동정 예측부(106);를 포함하는 심층 신경망을 활용한 담수 어류 길이측정 및 동정 시스템에 관한 것이다.
Description
본 발명은 심층 신경망을 활용한 담수 어류 길이 측정 및 동정(분류) 시스템 및 이의 방법으로, 어류에서 나타나는 고유한 형태적 특징을 촬영 후 이미지화하여 종(Species) 수준까지 인식할 수 있는 심층 신경망을 활용한 담수 어류 길이 측정 및 동정 시스템 및 이의 방법에 관한 것이다.
국내외에서 담수 어류의 종 분류 및 계통연구는 골격구조, 체형, 꼬리지느러미의 모양, 비늘, 계수 형질(Meristic characteristics, 특정 부위의 개수를 파악하는 것)과 어류의 측정부위인 전장, 체장, 두장 (주둥이 끝에서 아가미 뚜껑 뒤끝가지의 길이), 체고(몸통의 가장 높은 부분에서의 수직 높이), 등지느러미 기점 거리, 가슴지느러미 기점거리, 배 지느러미 기점 거리(기준점과 대상점까지의 거리), 미병장(뒷지느러미 기저의 뒤끝에서 꼬리지느러미 기저 가운데까지의 직선거리), 미병고(꼬리자루의 가장 낮은 부분에서의 수직 높이), 안경(눈의 수평 최대 직경), 양안 간격, 체폭 등이 있는 이 직선 거리를 측정기로 계측한 형태 형질과 초기생활사의 특징 등을 바탕으로 하고 있으며 주로 성체를 중심으로 이루어지고 있다.
생물학적 종(Species)은 서로 다른 생물을 구별하는 생물학의 가장 기본적인 개념으로 생물 분류의 기본 단위이다. 또한 형태학적 주요 특징과 분화된 조상이 동일하며, 자연 생태에서의 교배를 통해 생식 능력을 가진 자손을 생산할 수 있는 개체들의 무리를 의미한다.
과거 종의 분류는 형태학적 특징과 유전학적 특징인 DNA 염기서열이나 아미노산 서열 등과 같은 분자생물학적 근거를 중요한 분류 형질로 이용해 왔다. 하지만 비전문가와 전문가에게 형태학적 분류와 유전학적 분류에 관한 방대한 데이터양을 학습시킨다는 것은 한계가 있다.
최근 인공 신경망(ANN: Artificial Neural Network)을 기반으로 한 기계 학습 기술인 딥러닝(Deep learning)은 곤충, 식물, 저서생물 등과 같은 생물학적인 분야에 적용되어 전문지식이 없는 비전공자도 쉽게 종 분류가 가능하도록 기술이 개발되는 중이며, 앞으로 다양한 생물 분류군에 적용해 나갈 전망이다.
본 발명이 이루고자 하는 기술적 과제는, 담수 환경에 서식하는 어류의 형태적인 특징을 카메라로 촬영하여 어류에 대한 이미지 데이터를 구축하고 해당 종에 대한 고유한 형태적 특정 형질을 딥러닝을 이용해 학습시켜 데이터화하고 담수 어류가 포함된 새로운 이미지를 입력하는 경우 종(Species) 수준까지 동정(분류)할 수 있게 하고자 한다.
또한, 본 발명에서는 담수 어류와 눈금자를 포함하는 신규 이미지가 입력되면 담수 어류의 동정, 길이 및 무게에 대한 정보를 제공할 수 있는 시스템을 제공하고자 한다.
본 발명은 담수 어류만을 포함하는 다수의 제1 이미지 (담수 어류의 동정 데이터 및 길이 및 무게 데이터를 구축하기 위한 이미지)를 수집하는 이미지 데이터 수집부 (101); 상기 다수의 제1 이미지를 필터링하고 노이즈를 제거하여 선명하게 하는 이미지 전처리 및 증강부(102); 상기 다수의 제1 이미지에 포함되는 다양한 종류의 담수 어류에 대한 어종별 특징을 학습하는 인공지능 학습부(103); 상기 인공지능 학습부(103)에서의 학습을 기초로 담수 어류 동정 데이터를 구축하는 담수 어류 동정 인공지능 구축부(104); 다수의 눈금자에 대한 데이터, 담수 어류 길이에 대한 데이터, 및 담수 어류 길이에 대응되는 무게의 데이터를 포함하는 담수 어류 길이 및 무게 데이터가 구축되는 담수 어류 길이 측정 및 무게 구축부(105); 및 담수 어류와 눈금자를 포함하는 신규의 제2 이미지(이미지 속의 담수어류의 동정, 길이 및 무게를 파악하기 위한 이미지)가 입력되면 상기 담수 어류 동정 데이터 및 상기 길이 및 무게 데이터에 기반하여 담수 어류의 동정(분류), 담수 어류의 길이 및 담수 어류의 무게를 예측하는 담수 어류 길이 측정 및 동정 예측부(106);를 포함하는 심층 신경망을 활용한 담수 어류 길이측정 및 동정 시스템에 관한 것이다.
또한, 본 발명에서 상기 담수 어류 길이 측정 및 동정 예측부(106)는 담수 어류 길이 측정 블록부(107)와 연계되며, 상기 담수 어류 길이 블록부(107)는 상기 제2 이미지로 부터 담수 어류의 길이와 무게를 예측하고 상기 담수 어류 길이 측정 및 동정 예측부(106)에 상기 예측된 길이와 무게를 통보할 수 있다.
또한, 본 발명에서 상기 담수 어류 길이 측정 블록부(107)는 눈금자 키 포인트 검출부(201), 담수 어류 좌표 검출부(202), 데이터베이스 눈금자 매칭부(203), 1cm 당 pixel 수 계산부(204), 담수 어류 길이 반환부(205) 및 담수 어류 무게 환산부(206)를 포함하고, 상기 눈금자 키 포인트 검출부(201)는 상기 제2 이미지에서 눈금자의 키 포인트(이미지내의 눈금자의 좌표)를 검출하고, 상기 담수 어류 좌표 검출부(202)는 상기 제2 이미지에서 담수 어류의 pixel 좌표를 검출하고, 상기 데이터베이스 눈금자 매칭부(203)는 상기 길이 및 무게 데이터에 포함되는 다수의 눈금자에 대한 데이터 중에서 상기 제2 이미지에서 검출한 눈금자와 대응되는 눈금자를 매칭시킬 수 있다.
상기 1cm 당 pixel 수 계산부(204)는
공식에 의해 1cm 당 pixel 수를 계산한다.
상기 담수 어류 길이 반환부(205)는 담수 어류 길이 (pixel값) = [제2 이미지에서 검출한 담수 어류의 마지막 x좌표 pixel값] - [제2 이미지에서 검출한 담수 어류의 처음 x좌표 pixel값]의 식과
의 공식에 의해 담수 어류 길이(cm)를 예측한다.
상기 담수 어류 무게 환산부(206)는 상기 담수 어류 길이(cm)와 상기 길이 및 무게 데이터에 기초하여 무게를 환산한다.
또한, 본 발명의 상기 인공지능 학습부(103)는 상기 다수의 제1 이미지에서 Xception 기반의 Convolutional Neural Network(CNN) 심층 신경망 방법에 의해 다양한 종류의 담수 어류의 어종별 특징을 학습하고, 상기 담수 어류 동정 인공지능 구축부(104)는 구축한 제1 담수 어류 동정(분류)데이터를 확인하고자 k-폴드 교차 검증(k=5) 방법으로 인공지능 검증을 진행하고, 교차 검증 과정에서 가장 높은 F1스코어를 나타낸 인공지능을 사용하며, 인공지능 검증에는 정확도(Accuracy) 및 F1스코어(F1-Score) 수치를 사용하여 성능을 확인한다.
정확도 및 F1스코어는 아래의 수식은
TP: True Positive, TN: True Negative, FP: False Positive, FN: False Negative로 한다.
또한, 본 발명은 담수 어류만을 포함하는 다수의 제1 이미지를 수집하는 단계(S1); 상기 다수의 제1 이미지를 필터링하고 노이즈를 제거하여 선명하게 하는 이미지 전처리 및 증강 단계(S2); 상기 다수의 제1 이미지에 포함되는 다양한 종류의 담수 어류에 대한 어종별 특징을 학습하는 인공지능 학습 단계(S3); 상기 인공지능 학습 단계(S3)에서의 학습을 기초로 담수 어류 동정 데이터를 구축하는 담수 어류 동정 인공지능 구축 단계(S4); 다수의 눈금자에 대한 데이터, 담수 어류 길이에 대한 데이터, 및 담수 어류 길이에 대응되는 무게의 데이터를 포함하는 담수 어류 길이 및 무게 데이터를 구축하는 단계(S5); 담수 어류와 눈금자를 포함하는 신규의 제2 이미지가 입력되면 상기 담수 어류 동정 데이터와 상기 담수 어류 길이 및 무게 데이터에 기반하여 담수 어류의 동정(분류), 담수 어류의 길이 및 담수 어류의 무게를 예측하는 단계(S6); 및 담수 어류의 동정(분류), 담수 어류의 길이 및 담수 어류의 무게를 출력하는 단계(S7)를 포함하는 것을 특징으로 하는 심층 신경망을 활용한 담수 어류 길이측정 및 동정 방법에 관한 것이다.
또한 본 발명에서 상기 담수 어류 길이 측정 및 동정 예측 단계(S6)는 a) 눈금자 키 포인트(눈금선)를 검출하는 단계(S6-1), b) 이미지내 담수 어류 좌표를 검출하는 단계(S6-2), c) 데이터 베이스 눈금자 매칭하는 단계(S6-3), d) 1cm 당 pixel수 계산하는 단계 (S6-4), e) 담수 어류 길이 변환하는 단계(S6-5), f) 담수 어류 무게 환산하는 단계(S6-6) 및 g) 길이 및 무게 출력하는 단계(S6-7)를 포함하고, 상기 눈금자 키 포인트(눈금선)를 검출하는 단계(S6-1)는 상기 제2 이미지에서 눈금자의 키 포인트(이미지내의 눈금자의 좌표)를 검출하고, 상기 이미지내 담수 어류 좌표를 검출하는 단계(S6-2)는 상기 제2 이미지에서 담수 어류의 pixel 좌표를 검출하고, 상기 데이터 베이스 눈금자 매칭하는 단계(S6-3)는 상기 담수 어류 길이 및 무게 데이터를 구축하는 단계(S5)에 포함되는 다수의 눈금자에 대한 데이터 중에서 상기 제2 이미지에서 검출한 눈금자와 대응되는 눈금자를 매칭시킨다
본 발명에 따르면 담수 및 해양 어류의 고유한 형태적 특징과 체장에 대한 정보를 딥러닝(Deep learning)을 이용해 이미지 학습을 시켜 어류 종 동정(분류)와 길이 측정이 가능한 시스템을 구축함으로써 사용자가 한번에 종과 길이에 대한 정보를 얻을 수 있는 효과가 있다.
또한, 현장에서 어류 채집시 전문지식이 없는 비전공자들도 이미지 촬영만으로 담수 어류의 종에 대한 분류와 길이 및 무게의 예측이 가능하다는 효과가 있다.
또한, 본 발명에서는 담수 어류와 함께 찍힌 눈금자 자체는 기울어지거나 선명하지 않아 담수 어류의 길이를 측정하는데 부적합할 수 있으므로 미리 구축된 눈금자 데이터와 매칭시켜서 보다 정확도를 높였다.
도 1a 및 도 1b는 본 발명 시스템 구성도이다.
도 2은 담수 어류 동정, 길이 및 무게 측정 시스템 흐름도이다.
도 3는 본 발명 시스템의 데이터베이스화된 다수의 눈금자의 예시도면이다.
도 4a은 눈금자와 담수어류를 포함하는 이미지의 예시도면이다.
도 4b는 이미지의 눈금자와 데이터 베이스의 눈금자를 매칭시키는 과정의 도면이다.
도 4c는 이미지의 눈금자와 데이터 베이스의 눈금자를 매칭된 상태의 도면이다.
도 5a은 눈금자와 담수어류를 포함하는 또 다른 이미지의 예시도면이다.
도 5b는 또 다른 이미지의 눈금자와 데이터 베이스의 눈금자를 매칭시키는 과정의 도면이다.
도 5c는 또 다른 이미지의 눈금자와 데이터 베이스의 눈금자를 매칭된 상태의 도면이다.
도 5d는 도 5a의 담수 어류 좌표값을 나타내는 도면이다.
도 5e는 또 다른 이미지의 PIXEL 기반 좌표값이다.
도 2은 담수 어류 동정, 길이 및 무게 측정 시스템 흐름도이다.
도 3는 본 발명 시스템의 데이터베이스화된 다수의 눈금자의 예시도면이다.
도 4a은 눈금자와 담수어류를 포함하는 이미지의 예시도면이다.
도 4b는 이미지의 눈금자와 데이터 베이스의 눈금자를 매칭시키는 과정의 도면이다.
도 4c는 이미지의 눈금자와 데이터 베이스의 눈금자를 매칭된 상태의 도면이다.
도 5a은 눈금자와 담수어류를 포함하는 또 다른 이미지의 예시도면이다.
도 5b는 또 다른 이미지의 눈금자와 데이터 베이스의 눈금자를 매칭시키는 과정의 도면이다.
도 5c는 또 다른 이미지의 눈금자와 데이터 베이스의 눈금자를 매칭된 상태의 도면이다.
도 5d는 도 5a의 담수 어류 좌표값을 나타내는 도면이다.
도 5e는 또 다른 이미지의 PIXEL 기반 좌표값이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
이하 발명의 바람직한 실시예에 따른 이미지를 이용한 딥러닝 기반의 생물종 분류장치 및 방법을 첨부된 도면 1을 참조하여 상세하게 설명한다.
도 1는 본 발명에 따른 심층 신경망을 활용한 담수 어류 길이 측정 및 동정 방법 및 장치의 흐름도로서, 1) 이미지 수집 단계(S1), 2) 이미지 전처리 및 증강 단계(S2), 3) 인공지능 학습 단계(S3), 4) 담수 어류 동정 인공지능 구축 단계(S4), 5) 담수 어류 길이 및 무게 데이터를 구축하는 단계(S5), 6) 담수 어류 길이 측정 및 동정 예측 단계(S6), 7) 예측 결과 출력하는 단계(S7)를 포함한다.
6) 담수 어류 길이 측정 및 동정 예측 단계(S6)에서는 a) 눈금자 키 포인트(눈금선)를 검출하는 단계(S6-1), b) 담수 어류 좌표를 검출하는 단계(S6-2), c) 데이터 베이스 눈금자 매칭하는 단계(S6-3), d) 1cm 당 pixel수 계산하는 단계 (S6-4), e) 담수 어류 길이 변환하는 단계(S6-5), f) 담수 어류 무게 환산하는 단계(S6-6), g) 길이 및 무게 출력하는 단계(S6-7)를 포함한다.
본 발명의 시스템 구성은 이미지 데이터 수집부 (101), 이미지 전처리 및 증강부(102), 인공지능 학습부(103), 담수 어류 동정 인공지능 구축부(104), 담수 어류 길이 측정 및 무게 구축부(105), 및 담수 어류 길이 측정 및 동정 예측부(106)를 포함하고, 담수 어류 길이 측정 및 동정 예측부(106)는 담수 어류 길이 측정 블록부(107)와 연동되며 상기 담수 어류 길이 측정 블록부(107)는 눈금자 키 포인트 검출부(201), 이미지 내 담수 어류 좌표 검출부(202), 데이터베이스 눈금자 매칭부(203), 1cm 당 pixel 수 계산부(204), 담수 어류 길이 반환부(205) 및 담수 어류 무게 환산부(206)를 포함한다.
상기 이미지 데이터 수집부(101)에서는 담수 어류를 포함하는 다수의 제1 이미지를 수집하는 역할을 한다.
상기 다수의 제1 이미지는 사용자가 직접 촬영하거나 인터넷 검색 등을 통해 담수 어류(쏘가리, 잉어, 피라미, 메기, 가물치, 붕어, 납자루, 돌고기, 쉬리 등)만을 포함하는 이미지이다.
상기 이미지 전처리 및 증강부(102)는 상기 이미지 데이터 수집부(101)에서 수집한 담수 어류만을 포함하는 이미지 (제1 이미지)를 필터링 하고 선명하게 하는 작업을 한다.
인공지능이 학습 가능한 전처리 방법에는 이미지 처리 기법을 적용하여 모든 이미지 크기를 일치시키고 이미지의 노이즈를 제거하는 과정이 포함된다. 전처리 과정 이후 회전, 반전 기법 등을 적용하여 전처리 된 이미지를 증강하여 다양한 이미지 형태를 확보한다. 최종적으로 이미지의 각 픽셀값에 255를 나누어 0 ~ 1 범위의 소수값을 갖는 정규화 작업을 적용한다.
상기 인공지능 학습부(103)는 담수 어류만이 선명하게 처리된 이미지(제1 이미지)를 Xception 기반의 Convolutional Neural Network(CNN) 심층 신경망 방법에 의해 다양한 종류의 담수 어류의 어종별 특징(어류 몸통에서 지느러미의 위치, 지느러미 길이 및 높이 비율, 어류 전체 몸통의 길이 비율대 지느러미 길이 비율, 꼬리의 위치, 꼬리의 모양, 꼬리의 길이 및 높이 비율, 눈의 크기, 눈의 위치, 머리 크기, 머리 모양, 몸통의 두께 등)을 학습하여 담수 어류별로 특징을 학습한다.
예를 들어, 담수 어류인 쏘가리만을 포함하는 다수의 제1 이미지로부터 쏘가리의 눈 모양, 눈 크기, 몸체 길이 비율, 지느러미 모양, 비율 등을 학습한다.
파이썬(Python) 프로그래밍 언어의 파이토치(Pytorch) 딥러닝 프레임워크를 사용하여 상기 이미지 전처리 및 증강부(102)에 의해 처리된 이미지를 인공지능이 학습하는 코드를 작성하여 학습을 진행한다. 아울러 인공지능 학습부(103)는 새로운 담수 어류 이미지가 파악되면 학습 데이터에 신규 데이터를 추가하여 재학습한다.
상기 담수 어류 동정 인공지능 구축부(104)는 상기 인공지능 학습부(103)에서 수행한 학습을 기초로 담수 어류 동정 (분류)을 위한 파이브 라인 (분류 데이터)인 담수 어류 동정 데이터를 구축하는 역할을 한다.
어류 몸통 전체의 길이, 어류 몸통에서 지느러미의 위치, 지느러미 길이 및 높이 비율, 어류 전체 몸통의 길이 비율대 지느러미 길이 비율, 꼬리의 위치, 꼬리의 모양, 꼬리의 길이 및 높이 비율, 눈의 크기, 눈의 위치, 머리 크기, 머리 모양, 몸통의 두께에 기초하는 차별의 정도에 기초하여 담수 어류 별로 특징을 분류하여 데이터를 구축한다.
학습된 인공지능은 담수 어류 종별 형태적 특징을 스스로 추출 후 학습하여 동정하는 알고리즘이다. 해당 인공지능은 158가지 종에 대해 예측 가능하며, 각 어종의 동정 확률을 도출한다.
상기 구축한 담수 어류 동정 인공지능의 성능을 확인하고자 k-폴드 교차 검증(k=5) 방법으로 검증을 진행한다. 교차 검증 과정에서 가장 높은 F1스코어를 나타낸 인공지능을 본 발명 장치에 사용하였다.
인공지능 검증에는 정확도(Accuracy) 및 F1스코어(F1-Score) 수치를 사용하여 성능을 확인하였다. 정확도 및 F1스코어는 아래의 수식으로 나타낸다
여기서 TP: True Positive, TN: True Negative, FP: False Positive, FN: False Negative를 나타낸다.
상기 담수 어류 길이 및 무게 구축부(105)는 도 3와 같이 다수의 눈금자를 데이터화하고 담수 어류를 포함하는 이미지에서 담수 어류의 길이를 측정하고 담수 어류의 길이와 담수 어류에 대응되는 담수 어류의 무게를 데이터화 한다.
이와 같이 담수 어류의 길이와 담수 어류의 길이에 따른 담수 어류의 무게 데이터가 구축된다.
상기 담수 어류 측량 및 동정 예측부(106)에 담수 어류와 눈금자를 포함하는 제2 이미지 (도 3a 및 4a의 이미지)가 입력되면 상기 담수 어류 동정 인공지능 구축부(104)의 담수 어류 동정 데이터와 상기 담수 어류 길이 및 무게 구축부(105)에서 구축된 길이 및 무게 데이터를 이용하여 새로 입력된 제2 이미지의 담수 어류의 동정(종류), 길이와 무게가 파악된다..
담수 어류의 길이를 파악하는 방법은 a) 눈금자 키 포인트(눈금선)를 검출하는 단계(S6-1), b) 이미지내 담수 어류 좌표를 검출하는 단계(S6-2), c) 데이터 베이스 눈금자 매칭하는 단계(S6-3), d) 1cm 당 pixel수 계산하는 단계 (S6-4), e) 담수 어류 길이 변환하는 단계(S6-5), f) 담수 어류 무게 환산 하는 단계(S6-6) 및 g) 길이 및 무게 출력하는 단계(S6-7)가 수행된다.
a) 눈금자 키 포인트(눈금선)를 검출하는 단계(S6-1)는 담수 어류 길이 측정을 위해 눈금자와 담수 어류를 포함하는 제2 이미지(도 3a 및 4a)에서 도 3c 및 도 4c에서처럼 눈금자의 키 포인트(이미지내의 눈금자의 좌표)를 검출한다.
SIFT 알고리즘을 활용하여 제2 이미지에서 자에 대한 키포인트(keypoint)를 검출한다. 키포인트가 검출되지 않을 경우 제2 이미지의 길이 측정 값은 null값으로 처리된다.
b) 이미지내 담수 어류 좌표를 검출하는 단계(S6-2)에서는 도 4d와 도 4e에서처럼 담수 어류의 이미지내 pixel 좌표를 검출한다.
c) 데이터 베이스 눈금자 매칭하는 단계(S6-3)는 도 3에서처럼 다수의 눈금자가 구축된 데이터 [상기 담수 어류 길이 및 무게 구축부(105)의 눈금자 데이터]에서 대응되는 눈금자를 찾아 도 4b와 도 5b에서처럼 눈금자를 매칭시킨다.
d) 1cm 당 pixel수 계산하는 단계는
Flann 기반 키포인트 매칭 방법으로 상기 눈금자의 키포인트와 길이 및 무게 데이터의 눈금자 키포인트 데이터베이스 간의 매칭을 진행한다. 매칭 시 RANSAC 알고리즘으로 매칭된 자 눈금에 대한 인라이어(Inlier)를 추출하여 최종 담수 어류 길이를 측정하는 1cm 당 pixel 수 계산부(204)를 거친다.
길이 측정 수식은 다음과 같다.
1cm 당 pixel 수 = [이미지내 눈금자의 마지막 눈금의 x좌표 (pixel 값) - 이미지내 눈금자의 첫 눈금의 x좌표 (pixel 값)] / [이미지내 눈금 수 -1]의 공식으로 값을 구한다.
예를 들어, 도 5c와 도 5e에서처럼, 매칭된 눈금자 15 (마지막 눈금)의 x좌표의 pixel 값이 3810이고 매칭된 눈금자 8 (처음 눈금)의 x좌표의 pixel 값은 100이라고 하면
1cm 당 pixel 수 = [3810 - 100]/ [8 -1] = 530 이 된다.
e) 담수 어류 길이 변환하는 단계(S6-5)는 도 5c 에서처럼 X2의 픽셀값에서 X1의 픽셀값을 빼서 구한다.
즉, 3450 - 800 =
2650
이 이미지내 물고기의 pixel값 길이가 된다.
이후 이미지내 물고기 길이 픽셀 값(pixel)을 1cm당 pixel 수로 나누면 물고기의 실제 길이 cm를 구할 수 있다.
즉, 2650/530 = 5cm의 길이를 구할 수 있다.
f) 담수 어류 무게 환산 하는 단계(S6-6)는 담수 어류의 종류와 길이에 따라 무게를 환산한다.
예를 들어, 어종 길이가 5cm이면 약 300g이라는 통계에 기초하여 환산한다
g) 길이 및 무게 출력하는 단계(S6-7)는 상기 담수 어류의 종류와 길이에 기초하여 무게를 출력하게 된다.
이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다.
그리하여, 본 발명은 여기에 제시된 실시 형태로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다. 또한, 단어 "예시적인"은 예, 일례, 또는 설명으로서 제공되는 것을 의미하기 위해 여기서 사용된다.
따라서, 본 명세서에서 도시 및 설명한 바람직한 실시 형태는, 본 발명의 사상 및 범주, 특히 필수적인 특성들을 벗어남이 없이 다양하게 변경, 변형 및 수정 실시될 수 있다. 즉, 본 명세서에서 개시 및 설명한 사항들은 첨부된 청구범위의 예시적인 것이고, 이에 본 발명의 범위가 제한되는 것은 아니므로, 본 발명은 첨부된 청구범위에 의해서만 그 범위를 특정할 수 있다.
101:이미지 데이터 수집부 102:이미지 전처리 및 증강부
103: 인공지능 학습부 104: 담수 어류 동정 인공지능 구축부
105: 담수 어류 길이 측정 및 무게 구축부
106: 담수 어류 길이 측정 및 동정 예측부
107: 담수 어류 길이 측정 블록부
201: 눈금자 키 포인트 검출부
202: 이미지 내 담수 어류 좌표 검출부
203: 데이터베이스 눈금자 매칭부
204: 1cm 당 pixel 수 계산부
205: 담수 어류 길이 반환부
206: 담수 어류 무게 환산부
103: 인공지능 학습부 104: 담수 어류 동정 인공지능 구축부
105: 담수 어류 길이 측정 및 무게 구축부
106: 담수 어류 길이 측정 및 동정 예측부
107: 담수 어류 길이 측정 블록부
201: 눈금자 키 포인트 검출부
202: 이미지 내 담수 어류 좌표 검출부
203: 데이터베이스 눈금자 매칭부
204: 1cm 당 pixel 수 계산부
205: 담수 어류 길이 반환부
206: 담수 어류 무게 환산부
Claims (5)
- 담수 어류만을 포함하는 다수의 제1 이미지를 수집하는 이미지 데이터 수집부 (101);
상기 다수의 제1 이미지를 필터링하고 노이즈를 제거하여 선명하게 하는 이미지 전처리 및 증강부(102);
상기 다수의 제1 이미지에 포함되는 다양한 종류의 담수 어류에 대한 어종별 특징을 학습하는 인공지능 학습부(103);
상기 인공지능 학습부(103)에서의 학습을 기초로 담수 어류 동정 데이터를 구축하는 담수 어류 동정 인공지능 구축부(104);
다수의 눈금자에 대한 데이터, 담수 어류 길이에 대한 데이터, 및 담수 어류 길이에 대응되는 무게를 포함하는 담수 어류 길이 및 무게 데이터가 구축되는 담수 어류 길이 및 무게 구축부(105); 및
담수 어류와 눈금자를 포함하는 제2 이미지가 입력되면 상기 담수 어류 동정 데이터 및 상기 담수 어류 길이 및 무게 데이터에 기반하여 담수 어류의 동정(분류), 담수 어류의 길이 및 담수 어류의 무게를 예측하는 담수 어류 길이 측정 및 동정 예측부(106);를 포함하고,
상기 담수 어류 길이 측정 및 동정 예측부(106)는 담수 어류 길이 측정 블록부(107)와 연계되며,
상기 담수 어류 길이 블록부(107)은 상기 제2 이미지로 부터 담수 어류의 길이와 무게를 예측하여 상기 담수 어류 길이 측정 및 동정 예측부(106)에 예측된 길이와 무게를 통보하고,
상기 담수 어류 길이 측정 블록부(107)는 눈금자 키 포인트 검출부(201), 담수 어류 좌표 검출부(202), 데이터베이스 눈금자 매칭부(203), 1cm 당 pixel 수 계산부(204), 담수 어류 길이 반환부(205) 및 담수 어류 무게 환산부(206)를 포함하고,
상기 눈금자 키 포인트 검출부(201)는 상기 제2 이미지에서 눈금자의 키 포인트(이미지내의 눈금자의 좌표)를 검출하고,
상기 담수 어류 좌표 검출부(202)는 상기 제2 이미지에서 담수 어류의 pixel 좌표를 검출하고,
상기 데이터베이스 눈금자 매칭부(203)는 상기 담수 어류 길이 및 무게 데이터에 포함되는 다수의 눈금자에 대한 데이터중에서 상기 제2 이미지에서 검출한 눈금자와 대응되는 눈금자를 매칭시키고,
상기 1cm 당 pixel 수 계산부(204)는
공식에 의해 1cm 당 pixel 수를 계산하고,
상기 담수 어류 길이 반환부(205)는
담수 어류 길이 (pixel값) = [제2 이미지에서 검출한 담수 어류의 마지막 x좌표 pixel값] - [제2 이미지에서 검출한 담수 어류의 처음 x좌표 pixel값]의 식과
의 공식에 의해 담수 어류 길이(cm)를 예측하고,
담수 어류 무게 환산부(206)는 상기 담수 어류 길이(cm)와 상기 담수 어류 길이 및 무게 데이터를 기초로 무게를 환산하는 것을 특징으로 하는 심층 신경망을 활용한 담수 어류 길이측정 및 동정 시스템. - 삭제
- 제1항에 있어서,
상기 인공지능 학습부(103)는 상기 다수의 제1 이미지에서 Xception 기반의 Convolutional Neural Network(CNN) 심층 신경망 방법에 의해 다양한 종류의 담수 어류의 어종별 특징을 학습하고,
상기 담수 어류 동정 인공지능 구축부(104)는 구축한 제1 담수 어류 동정(분류)데이터를 확인하고자 k-폴드 교차 검증(k=5) 방법으로 인공지능 검증을 진행하고, 교차 검증 과정에서 가장 높은 F1스코어를 나타낸 인공지능을 사용하며,
인공지능 검증에는 정확도(Accuracy) 및 F1스코어(F1-Score) 수치를 사용하여 성능을 확인하며
정확도 및 F1스코어는 아래의 수식은
TP: True Positive, TN: True Negative, FP: False Positive, FN: False Negative인 것을 특징으로 하는 심층 신경망을 활용한 담수 어류 길이측정 및 동정 시스템. - 담수 어류만을 포함하는 다수의 제1 이미지를 수집하는 이미지 수집 단계(S1);
상기 다수의 제1 이미지를 필터링하고 노이즈를 제거하여 선명하게 하는 이미지 전처리 및 증강 단계(S2);
상기 다수의 제1 이미지에 포함되는 다양한 종류의 담수 어류에 대한 어종별 특징을 학습하는 인공지능 학습 단계(S3);
상기 인공지능 학습 단계(S3)에서의 학습을 기초로 담수 어류 동정 데이터를 구축하는 단계(S4);
다수의 눈금자에 대한 데이터, 담수 어류 길이에 대한 데이터, 및 담수 어류 길이에 대응되는 무게의 데이터를 포함하는 담수 어류 길이 및 무게 데이터를 구축하는 단계(S5);
담수 어류와 눈금자를 포함하는 신규의 제2 이미지가 입력되면 상기 담수 어류 동정 데이터 및 상기 담수 어류 길이 및 무게 데이터에 기반하여 담수 어류의 동정(분류), 담수 어류의 길이 및 담수 어류의 무게를 예측하는 담수 어류 길이 측정 및 동정 예측 단계(S6); 및
담수 어류의 동정(분류), 담수 어류의 길이 및 담수 어류의 무게를 출력하는 단계(S7)를 포함하고,
상기 담수 어류 길이 측정 및 동정 예측 단계(S6)는 a) 눈금자 키 포인트(눈금선)를 검출하는 단계(S6-1), b) 이미지내 담수 어류 좌표를 검출하는 단계(S6-2), c) 데이터 베이스 눈금자 매칭하는 단계(S6-3), d) 1cm 당 pixel수 계산하는 단계 (S6-4), e) 담수 어류 길이 변환하는 단계(S6-5), f) 담수 어류 무게 환산하는 단계(S6-6) 및 g) 길이 및 무게 출력하는 단계(S6-7)를 포함하고,
상기 눈금자 키 포인트(눈금선)를 검출하는 단계(S6-1)는 상기 제2 이미지에서 눈금자의 키 포인트(이미지내의 눈금자의 좌표)를 검출하고,
상기 이미지내 담수 어류 좌표를 검출하는 단계(S6-2)는 상기 제2 이미지에서 담수 어류의 pixel 좌표를 검출하고,
상기 데이터 베이스 눈금자 매칭하는 단계(S6-3)는 상기 담수 어류 길이 및 무게 구축부(105)에 포함되는 다수의 눈금자에 대한 데이터 중에서 상기 제2 이미지에서 검출한 눈금자와 대응되는 눈금자를 매칭시키고,
상기 1cm 당 pixel수 계산하는 단계 (S6-4)는
공식에 의해 1cm 당 pixel 수를 계산하고,
상기 담수 어류 길이 변환하는 단계(S6-5)는
담수 어류 길이 (pixel값) = [제2 이미지에서 검출한 담수 어류의 마지막 x좌표 pixel값] - [제2 이미지에서 검출한 담수 어류의 처음 x좌표 pixel값]의 식과
의 공식에 의해 담수 어류 길이(cm)를 예측하고,
상기 담수 어류 무게 환산하는 단계(S6-6)는 상기 상기 담수 어류 길이 및 무게 데이터에 기초하여 무게를 환산하는 것을 특징으로 하는 심층 신경망을 활용한 담수 어류 길이측정 및 동정 방법.
- 삭제
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230102448A KR102638817B1 (ko) | 2023-08-04 | 2023-08-04 | 심층 신경망을 활용한 담수 어류 길이 측정 및 동정시스템 및 이의 방법 |
| KR1020240016197A KR102684011B1 (ko) | 2023-08-04 | 2024-02-01 | 심층 신경망을 활용한 담수 어류 길이 측정 및 동정 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230102448A KR102638817B1 (ko) | 2023-08-04 | 2023-08-04 | 심층 신경망을 활용한 담수 어류 길이 측정 및 동정시스템 및 이의 방법 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020240016197A Division KR102684011B1 (ko) | 2023-08-04 | 2024-02-01 | 심층 신경망을 활용한 담수 어류 길이 측정 및 동정 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102638817B1 true KR102638817B1 (ko) | 2024-02-22 |
Family
ID=90056401
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230102448A KR102638817B1 (ko) | 2023-08-04 | 2023-08-04 | 심층 신경망을 활용한 담수 어류 길이 측정 및 동정시스템 및 이의 방법 |
| KR1020240016197A KR102684011B1 (ko) | 2023-08-04 | 2024-02-01 | 심층 신경망을 활용한 담수 어류 길이 측정 및 동정 시스템 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020240016197A KR102684011B1 (ko) | 2023-08-04 | 2024-02-01 | 심층 신경망을 활용한 담수 어류 길이 측정 및 동정 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102638817B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100128118A (ko) | 2009-05-27 | 2010-12-07 | 서울대학교산학협력단 | 담수어류 종 판별용 프로브 및 디엔에이 칩 |
| KR20110092892A (ko) | 2010-02-10 | 2011-08-18 | 서울대학교산학협력단 | 담수어류 종 판별용 프로브 및 디엔에이 칩 |
| WO2017195117A1 (en) * | 2016-05-10 | 2017-11-16 | Navico Holding As | Apparatus and method for determining the length of a fish |
| KR20200109683A (ko) * | 2019-03-14 | 2020-09-23 | 경남과학기술대학교 산학협력단 | 어종 분류를 위한 데이터 적용 시스템 |
| JP2023528126A (ja) * | 2020-05-28 | 2023-07-04 | エックス デベロップメント エルエルシー | 水産養殖における分析及び選別 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114692895B (zh) * | 2022-04-07 | 2024-09-24 | 南通大学 | 一种鱼对水流形态感知和响应关系的提取方法及装置 |
-
2023
- 2023-08-04 KR KR1020230102448A patent/KR102638817B1/ko active IP Right Grant
-
2024
- 2024-02-01 KR KR1020240016197A patent/KR102684011B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100128118A (ko) | 2009-05-27 | 2010-12-07 | 서울대학교산학협력단 | 담수어류 종 판별용 프로브 및 디엔에이 칩 |
| KR20110092892A (ko) | 2010-02-10 | 2011-08-18 | 서울대학교산학협력단 | 담수어류 종 판별용 프로브 및 디엔에이 칩 |
| WO2017195117A1 (en) * | 2016-05-10 | 2017-11-16 | Navico Holding As | Apparatus and method for determining the length of a fish |
| KR20200109683A (ko) * | 2019-03-14 | 2020-09-23 | 경남과학기술대학교 산학협력단 | 어종 분류를 위한 데이터 적용 시스템 |
| JP2023528126A (ja) * | 2020-05-28 | 2023-07-04 | エックス デベロップメント エルエルシー | 水産養殖における分析及び選別 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102684011B1 (ko) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107316307B (zh) | 一种基于深度卷积神经网络的中医舌图像自动分割方法 | |
| Shi et al. | Automatic road crack detection using random structured forests | |
| CN108520226B (zh) | 一种基于躯体分解和显著性检测的行人重识别方法 | |
| CN107077626B (zh) | 动物用非侵入式多模态生物特征辨识系统 | |
| Roussel et al. | A computational model for C. elegans locomotory behavior: application to multiworm tracking | |
| CN108520215A (zh) | 基于多尺度联合特征编码器的单样本人脸识别方法 | |
| CN112991280A (zh) | 视觉检测方法、系统及电子设备 | |
| KR101343623B1 (ko) | 적응적 피부색 검출 방법, 그리고 이를 이용한 얼굴 검출 방법 및 그 장치 | |
| Wöber et al. | Identifying geographically differentiated features of Ethopian Nile tilapia (Oreochromis niloticus) morphology with machine learning | |
| CN115100714A (zh) | 基于人脸图像的活体检测方法、装置及服务器 | |
| CN114092378A (zh) | 动物健康检测的方法、装置、设备及存储介质 | |
| KR102638817B1 (ko) | 심층 신경망을 활용한 담수 어류 길이 측정 및 동정시스템 및 이의 방법 | |
| Setiawan et al. | Rice Leaf Disease Classification with Machine Learning: An Approach Using Nu-SVM | |
| Mahesh et al. | Silkworm cocoon classification using fusion of zernike moments-based shape descriptors and physical parameters for quality egg production | |
| CN117576616A (zh) | 一种基于深度学习的鱼类游泳行为预警方法、系统及装置 | |
| KR102682358B1 (ko) | 담수 어류와 눈금자를 포함하는 이미지로부터 어류의 동정, 길이 및 무게를 측정하는 시스템 | |
| CN116664585B (zh) | 基于深度学习的头皮健康状况检测方法及相关装置 | |
| CN116596921B (zh) | 一种焚烧炉渣分选方法及系统 | |
| CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
| CN112257730A (zh) | 植物害虫图像识别方法、装置、设备及存储介质 | |
| Hsieh et al. | A Video Surveillance System for Determining the Sexual Maturity of Cobia | |
| CN113627255B (zh) | 一种小鼠行为量化分析方法、装置、设备及可读存储介质 | |
| CN115641617A (zh) | 一种基于特征向量的指纹识别加密系统 | |
| Wu et al. | A closer look at segmentation uncertainty of scanned historical maps | |
| AL-Qaysi et al. | A hybrid Fuzzy Logic and Convolution Neural Network (FIS-CNN) for automatic detection and classification of objects in comet assay images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |