CN112348098A - 基于红外光栅的鱼类智能检测方法 - Google Patents

基于红外光栅的鱼类智能检测方法 Download PDF

Info

Publication number
CN112348098A
CN112348098A CN202011264385.4A CN202011264385A CN112348098A CN 112348098 A CN112348098 A CN 112348098A CN 202011264385 A CN202011264385 A CN 202011264385A CN 112348098 A CN112348098 A CN 112348098A
Authority
CN
China
Prior art keywords
fish
calculating
image
dimensional feature
grating
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
CN202011264385.4A
Other languages
English (en)
Other versions
CN112348098B (zh
Inventor
严映峰
陈帮富
田若朝
靳帅
卞高山
何海锋
何波
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.)
Chengdu Dahui Wulian Technology Co ltd
Guodian Dadu River Zhentouba Power Generation Co ltd
Original Assignee
Chengdu Dahui Wulian Technology Co ltd
Guodian Dadu River Zhentouba Power Generation Co ltd
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 Chengdu Dahui Wulian Technology Co ltd, Guodian Dadu River Zhentouba Power Generation Co ltd filed Critical Chengdu Dahui Wulian Technology Co ltd
Priority to CN202011264385.4A priority Critical patent/CN112348098B/zh
Publication of CN112348098A publication Critical patent/CN112348098A/zh
Application granted granted Critical
Publication of CN112348098B publication Critical patent/CN112348098B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
    • G01P3/64—Devices characterised by the determination of the time taken to traverse a fixed distance
    • G01P3/68—Devices characterised by the determination of the time taken to traverse a fixed distance using optical means, i.e. using infrared, visible, or ultraviolet light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于红外光栅的鱼类智能检测方法，其包括基于光栅信号获得过鱼图像，计算过鱼图像的七维特征向量A，并计算其与存储的所有种类鱼在不同生长阶段的七维特征向量C之间的欧氏距离；选取预设数量的最小欧式距离，并获得满足一定条件的最小欧式距离，确定出鱼可能位于的种类；之后计算过鱼图像对应鱼的游速A，获取满足一定条件的最小欧式距离对应的游速B，计算所有游速A与游速B之间的差异，并判断最小差异是否位于预设范围内，若是，则当前通过的鱼为最小差异的欧式距离对应的鱼种类；否则提醒管理人员新增当前通过的鱼在不同生长阶段的七维特征向量及每个生长阶段的平均游速至数据库。

Description

基于红外光栅的鱼类智能检测方法
技术领域
本发明涉及水下目标监测的方法，具体涉及一种基于红外光栅的鱼类智能检测方法。
背景技术
近年来我国兴建了大量各型水电站，这些电站的坝体给鱼类自由迁移造成了困难，尤其是季节性和生理性迁徙带来了问题，威胁到鱼类的生存和繁衍。为解决这一问题，目前新建的大坝上专门设计有供鱼类通过的鱼道，并利用光、声及生化诱鱼技术试图将鱼诱导到鱼道入口，引导并帮助其通过鱼道。
鱼道是在闸、坝或天然障碍处为沟通鱼类洄游通道而设置的一种过鱼建筑物，是河流生态***健康的评价指标之一，也是水利水电工程环境影响评价中生态环境保护的重要指标。当前，国内外对于鱼道的监测，主要在于监控过鱼的种类和数量，以验证鱼道的有效性，从而进行鱼道的改良，传统的鱼道中鱼类型的检测方式有基于光栅数据结合Hu不变矩，实现鱼类的确定，由于鱼在经过光栅时，若不能按照固定方式经过，其采集信息差距较大，使得难以实现过鱼类型的准确识别。
发明内容
针对现有技术中的上述不足，本发明提供的基于红外光栅的鱼类智能检测方法解决了现有技术中基于Hu不变矩进行鱼类识别准确率差的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于红外光栅的鱼类智能检测方法，其包括：
S1、接收位于过鱼通道处安装的红外光栅上传被遮挡产生的光栅信号，并基于连续的光栅信号得到过鱼图像；
S2、提取过鱼图像中鱼的轮廓，并计算轮廓的7个Hu不变矩构成当前过鱼图像的七维特征向量A；
S3、获取数据库中存储的所有种类鱼在不同生长阶段的七维特征向量C，并计算七维特征向量A与获取的所有七维特征向量之间的欧氏距离；
S4、对所有欧式距离进行递增排序，选取前面预设数量的欧式距离，从数据库中读取选取的欧式距离对应的鱼种类的标准差；
S5、判断是否存在一个欧式距离是否小于其对应的标准差的3倍标，若是，进入步骤S6，否则进入步骤S10；
S6、取过鱼图像对应的所有帧光栅信号中图形的中心点，计算相邻两帧光栅信号内的中心点的变化距离；
S7、根据相邻帧光栅的时间间隔和所有的变化距离，计算多个鱼的瞬时速度，之后计算同一过鱼图像的所有瞬时速度的平均值作为当前鱼的游速A；
S8、获取欧式距离对应的鱼所在生长阶段的平均游速，并将平均游速换算成过鱼图像对应时间段的游速B；
S9、计算所有游速A与游速B之间的差异，并判断最小差异是否位于预设范围内，若是，则当前通过的鱼为最小差异的欧式距离对应的鱼种类；否则进入步骤S10；
S10、提醒管理人员新增当前通过的鱼在不同生长阶段的七维特征向量及每个生长阶段的平均游速至数据库。
本发明的有益效果为：本方案首先基于红外光栅与Hu不变矩对过鱼图像中鱼可能存在的类型进行粗筛分，之后再在粗筛分的基础上结合鱼的游速对过鱼的类型进行确定，这种方式可以降低鱼进入红外光栅时姿势不标准，引起与类型确定不准确的问题。
附图说明
图1为红外光栅的鱼类智能检测方法的流程图。
图2为一组红外光栅的示意图。
图3为通过循环算法连接合并连续的光栅信号的程序代码。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
参考图1，图1示出了基于红外光栅的鱼类智能检测方法；如图1所示，该方法包括步骤S1至步骤S10。
在步骤S1中，接收位于过鱼通道处安装的红外光栅(红外光栅的示意图参考图2)上传被遮挡产生的光栅信号，并基于连续的光栅信号得到过鱼图像。其中红外光栅的扫描频率为100Hz。
实施时，本方案优选得到过鱼图像的方法为：将每一帧光栅信号的十六进制数据转化为二进制，通过循环算法连接合并连续的光栅信号得到过鱼图像；其中循环算法的代码可以参见图3。
在步骤S2中，提取过鱼图像中鱼的轮廓，并计算轮廓的7个Hu不变矩构成当前过鱼图像的七维特征向量A；
在步骤S3中，获取数据库中存储的所有种类鱼在不同生长阶段的七维特征向量C，并计算七维特征向量A与获取的所有七维特征向量之间的欧氏距离。
在本发明的一个实施例中，数据库中存储的所有种类鱼在不同生长阶段的七维特征向量的获取方法包括：
获取同一种类鱼在不同生长阶段通过过鱼通道的视频和图像，并提取每个阶段鱼的图像轮廓；
根据Hu氏不变矩算法，计算图像轮廓的7个Hu氏不变矩，形成图像轮廓的七维特征向量B；
根据七维特征向量，求出每一维度的一阶原点矩，采用七个维度的一阶原点矩组合构成鱼每个生长阶段最终的七维特征向量C。
在步骤S4中，对所有欧式距离进行递增排序，选取前面预设数量的欧式距离，从数据库中读取选取的欧式距离对应的鱼种类的标准差；
实施时，本方案优选所述标准差的获取方法为：
计算同一种类鱼所有生长阶段的七维特征向量C的平均值，作为平均七维特征向量；
计算同一种类鱼所有生长阶段的七维特征向量C与平均七维特征向量之间的欧式距离的标准差δ：
Figure BDA0002775647940000041
其中，xi为同一种类鱼第i个生长阶段的七维特征向量C；xa为平均七维特征向量；N为同一种类鱼的生长阶段总个数。
在步骤S5中，判断是否存在一个选取的欧式距离小于其对应的标准差的3倍标，若是，进入步骤S6，否则进入步骤S10；
在步骤S6中，取过鱼图像对应的所有帧光栅信号中图形的中心点，计算相邻两帧光栅信号内的中心点的变化距离；
在步骤S7中，根据相邻帧光栅的时间间隔和所有的变化距离，计算多个鱼的瞬时速度，之后计算同一过鱼图像的所有瞬时速度的平均值作为当前鱼的游速A；
在步骤S8中，获取欧式距离(该欧式距离满足其小于其对应的标准差的3倍标的条件)对应的鱼所在生长阶段的平均游速，并将平均游速换算成过鱼图像对应时间段的游速B；
为了进一步提高得到的游速A的准确性，在步骤S7和步骤S8之间还包括：
获取过鱼通道两侧的红外光栅在预设时间段内的光栅信号，并采用循环算法连接合并连续的光栅信号得到过鱼图像；
提取过鱼图像中轮廓的最小外接矩形，比较两套基于所有过鱼图像得到的最小外接矩形；
选取两套红外光栅之间匹配度最好的一对最小外接矩形，并根据两个最小外接矩形之间的时间差和两侧的红外光栅的间距，计算当前鱼的游速C；
计算游速A和游速C的加权平均值，并采用加权平均值更新游速A。
在步骤S9中，计算所有游速A与游速B之间的差异，并判断最小差异是否位于预设范围内，若是，则当前通过的鱼为最小差异的欧式距离对应的鱼种类；否则进入步骤S10；
在步骤S10中，提醒管理人员新增当前通过的鱼在不同生长阶段的七维特征向量及每个生长阶段的平均游速至数据库。
本方案提供的基于红外光栅的鱼类智能检测方法还包括计算鱼的长高：
提取过鱼图像中轮廓的最小外接矩形，并将所述最小外接矩形的长和宽分别作为当前鱼的长和宽。
综上所述，本方案提供的基于红外光栅的鱼类智能检测方法相对现有的基于Hu不变矩进行鱼类识别而言，其准确率得到了大幅度的提高。

Claims (7)

1.基于红外光栅的鱼类智能检测方法，其特征在于，包括：
S1、接收位于过鱼通道处安装的红外光栅上传被遮挡产生的光栅信号，并基于连续的光栅信号得到过鱼图像；
S2、提取过鱼图像中鱼的轮廓，并计算轮廓的7个Hu不变矩构成当前过鱼图像的七维特征向量A；
S3、获取数据库中存储的所有种类鱼在不同生长阶段的七维特征向量C，并计算七维特征向量A与获取的所有七维特征向量C之间的欧氏距离；
S4、对所有欧式距离进行递增排序，选取前面预设数量的欧式距离，从数据库中读取选取的欧式距离对应的鱼种类的标准差；
S5，判断是否存在一个选取的欧式距离小于其对应的标准差的3倍标，若是，进入步骤S6，否则进入步骤S10；
S6、取过鱼图像对应的所有帧光栅信号中图形的中心点，计算相邻两帧光栅信号内的中心点的变化距离；
S7、根据相邻帧光栅的时间间隔和所有的变化距离，计算多个鱼的瞬时速度，之后计算同一过鱼图像的所有瞬时速度的平均值作为当前鱼的游速A；
S8、获取欧式距离对应的鱼所在生长阶段的平均游速，并将平均游速换算成过鱼图像对应时间段的游速B；
S9、计算所有游速A与游速B之间的差异，并判断最小差异是否位于预设范围内，若是，则当前通过的鱼为最小差异的欧式距离对应的鱼种类；否则进入步骤S10；
S10、提醒管理人员新增当前通过的鱼在不同生长阶段的七维特征向量及每个生长阶段的平均游速至数据库。
2.根据权利要求1所述的基于红外光栅的鱼类智能检测方法，其特征在于，所述数据库中存储的所有种类鱼在不同生长阶段的七维特征向量的获取方法包括：
获取同一种类鱼在不同生长阶段通过过鱼通道的视频和图像，并提取每个阶段鱼的图像轮廓；
根据Hu氏不变矩算法，计算图像轮廓的7个Hu氏不变矩，形成图像轮廓的七维特征向量B；
根据七维特征向量，求出每一维度的一阶原点矩，采用七个维度的一阶原点矩组合构成鱼每个生长阶段最终的七维特征向量C。
3.根据权利要求1所述的基于红外光栅的鱼类智能检测方法，其特征在于，所述标准差的获取方法为：
计算同一种类鱼所有生长阶段的七维特征向量C的平均值，作为平均七维特征向量；
计算同一种类鱼所有生长阶段的七维特征向量C与平均七维特征向量之间的欧式距离的标准差δ：
Figure FDA0002775647930000021
其中，xi为同一种类鱼第i个生长阶段的七维特征向量C；xa为平均七维特征向量；N为同一种类鱼的生长阶段总个数。
4.根据权利要求1所述的基于红外光栅的鱼类智能检测方法，其特征在于，得到过鱼图像的方法为：将每一帧光栅信号的十六进制数据转化为二进制，通过循环算法连接合并连续的光栅信号得到过鱼图像。
5.根据权利要求1-4任一所述的基于红外光栅的鱼类智能检测方法，其特征在于，还包括计算鱼的长高：
提取过鱼图像中轮廓的最小外接矩形，并将所述最小外接矩形的长和宽分别作为当前鱼的长和宽。
6.根据权利要求1-4任一所述的基于红外光栅的鱼类智能检测方法，其特征在于，步骤S7和步骤S8之间还包括：
获取过鱼通道两侧的红外光栅在预设时间段内的光栅信号，并采用循环算法连接合并连续的光栅信号得到过鱼图像；
提取过鱼图像中轮廓的最小外接矩形，比较两套基于所有过鱼图像得到的最小外接矩形；
选取两套红外光栅之间匹配度最好的一对最小外接矩形，并根据两个最小外接矩形之间的时间差和两侧的红外光栅的间距，计算当前鱼的游速C；
计算游速A和游速C的加权平均值，并采用加权平均值更新游速A。
7.根据权利要求1-4任一所述的基于红外光栅的鱼类智能检测方法，其特征在于，所述红外光栅的扫描频率为100Hz。
CN202011264385.4A 2020-11-12 2020-11-12 基于红外光栅的鱼类智能检测方法 Active CN112348098B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011264385.4A CN112348098B (zh) 2020-11-12 2020-11-12 基于红外光栅的鱼类智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011264385.4A CN112348098B (zh) 2020-11-12 2020-11-12 基于红外光栅的鱼类智能检测方法

Publications (2)

Publication Number Publication Date
CN112348098A true CN112348098A (zh) 2021-02-09
CN112348098B CN112348098B (zh) 2024-07-09

Family

ID=74362748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011264385.4A Active CN112348098B (zh) 2020-11-12 2020-11-12 基于红外光栅的鱼类智能检测方法

Country Status (1)

Country Link
CN (1) CN112348098B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113197145A (zh) * 2021-05-08 2021-08-03 浙江大学 基于循环神经网络与红外测量光栅的鱼类生物量估算***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100880839B1 (ko) * 2008-07-18 2009-02-03 (주) 에스앤비하이드로 어류의 소상과 비소상 장면을 선별적으로 송출하기 위한수중 관찰시스템 및 수중 관찰방법
CN107909137A (zh) * 2017-11-27 2018-04-13 南瑞集团有限公司 一种鱼道过鱼计数和识别方法
CN108363970A (zh) * 2018-02-02 2018-08-03 鲁东大学 一种鱼种类的识别方法和***
CN108805064A (zh) * 2018-05-31 2018-11-13 中国农业大学 一种基于深度学习的鱼类定位检测和识别方法及***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100880839B1 (ko) * 2008-07-18 2009-02-03 (주) 에스앤비하이드로 어류의 소상과 비소상 장면을 선별적으로 송출하기 위한수중 관찰시스템 및 수중 관찰방법
CN107909137A (zh) * 2017-11-27 2018-04-13 南瑞集团有限公司 一种鱼道过鱼计数和识别方法
CN108363970A (zh) * 2018-02-02 2018-08-03 鲁东大学 一种鱼种类的识别方法和***
CN108805064A (zh) * 2018-05-31 2018-11-13 中国农业大学 一种基于深度学习的鱼类定位检测和识别方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王义川 等: "鱼道过鱼效果监测方法述评", 生态学杂志, vol. 38, no. 02, 31 December 2019 (2019-12-31), pages 586 - 593 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113197145A (zh) * 2021-05-08 2021-08-03 浙江大学 基于循环神经网络与红外测量光栅的鱼类生物量估算***

Also Published As

Publication number Publication date
CN112348098B (zh) 2024-07-09

Similar Documents

Publication Publication Date Title
CN108710919A (zh) 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法
US10311322B2 (en) Character information recognition method based on image processing
CN104008399B (zh) 一种仪表检测中基于支持向量机的仪表指针抖动的识别方法
CN115049936A (zh) 一种面向高分遥感影像的边界增强型语义分割方法
CN106951919A (zh) 一种基于对抗生成网络的流速监测实现方法
CN114049477B (zh) 一种过鱼鱼道***、鱼类数量和种类的动态识别跟踪方法
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN115457004B (zh) 基于计算机视觉的锌膏的智能检测方法
US20090202145A1 (en) Learning appartus, learning method, recognition apparatus, recognition method, and program
CN107945200A (zh) 图像二值化分割方法
CN110084129B (zh) 一种基于机器视觉的河流漂浮物实时检测方法
CN106127144B (zh) 采用时谱空一体化特征模型的点源风险源自动提取方法
CN112348098A (zh) 基于红外光栅的鱼类智能检测方法
CN112418124A (zh) 基于视频图像的鱼类智能监测方法
CN111062381A (zh) 一种基于深度学习的车牌位置检测方法
CN112766056A (zh) 一种基于深度神经网络的弱光环境车道线检测方法、装置
CN114092378A (zh) 动物健康检测的方法、装置、设备及存储介质
CN110689092B (zh) 一种基于数据导向的鞋底花纹图像深度聚类方法
CN110516615A (zh) 基于卷积神经网络的人车分流控制方法
CN109886991B (zh) 一种基于邻域强度纹理编码的红外成像河道检测方法
CN115152671B (zh) 改善珍稀鱼类种群生境的水利工程调控***及调控方法
CN110427907A (zh) 一种灰度图边界检测和噪声帧填充的人脸识别预处理方法
CN113343861B (zh) 一种基于神经网络模型的遥感图像水体区域提取方法
CN115170535A (zh) 一种基于图像识别的水电工程鱼道过鱼计数方法和***
CN111369503B (zh) 一种基于卷积神经网络对图像中的铅笔进行精确计数的方法

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
CB02 Change of applicant information

Address after: 614700 No.1, section 4, Binhe Road, Jinkouhe District, Leshan City, Sichuan Province

Applicant after: Guoneng Dadu River Zhentouba Power Generation Co.,Ltd.

Applicant after: CHENGDU DAHUI WULIAN TECHNOLOGY Co.,Ltd.

Address before: 614700 No.1, section 4, Binhe Road, Jinkouhe District, Leshan City, Sichuan Province

Applicant before: GUODIAN DADU RIVER ZHENTOUBA POWER GENERATION Co.,Ltd.

Applicant before: CHENGDU DAHUI WULIAN TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant