CN112614090B - 一种鱼类腹腔结构特征的识别方法及*** - Google Patents

一种鱼类腹腔结构特征的识别方法及*** Download PDF

Info

Publication number
CN112614090B
CN112614090B CN202011447369.9A CN202011447369A CN112614090B CN 112614090 B CN112614090 B CN 112614090B CN 202011447369 A CN202011447369 A CN 202011447369A CN 112614090 B CN112614090 B CN 112614090B
Authority
CN
China
Prior art keywords
fish
abdominal cavity
image
visible light
cavity structural
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.)
Active
Application number
CN202011447369.9A
Other languages
English (en)
Other versions
CN112614090A (zh
Inventor
欧阳杰
倪锦
肖哲非
郑晓伟
马田田
沈建
谈佳玉
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.)
Fishery Machinery and Instrument Research Institute of CAFS
Original Assignee
Fishery Machinery and Instrument Research Institute of CAFS
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 Fishery Machinery and Instrument Research Institute of CAFS filed Critical Fishery Machinery and Instrument Research Institute of CAFS
Priority to CN202011447369.9A priority Critical patent/CN112614090B/zh
Publication of CN112614090A publication Critical patent/CN112614090A/zh
Application granted granted Critical
Publication of CN112614090B publication Critical patent/CN112614090B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Processing Of Meat And Fish (AREA)

Abstract

本申请公开了一种鱼类腹腔结构特征的识别方法及***。所述方法包括：根据采集历史鱼类X射线影像和可见光图像，提取腹腔结构特征，得到鱼体腹腔结构特征数据库；提取待检测鱼类可见光图像的腹腔结构特征，将待检测鱼类可见光图像的腹腔结构特征与鱼体腹腔结构特征数据库中数据进行匹配，得到最优匹配结果；根据最优匹配结果，形成切割刀具的工作路径，指导剖切装置的工作。所述***包括：特征数据库模块、特征匹配模块以及剖切指导模块；本申请提高了剖切的精确度，解决了在鱼体腹腔剖切时，剖切装置易划破苦胆及内脏，从而影响鱼体品质，增加清洗工作量的问题。

Description

一种鱼类腹腔结构特征的识别方法及***
技术领域
本申请涉及数据处理领域，具体而言，涉及一种鱼类腹腔结构特征的识别方法及***。
背景技术
目前，在鱼类加工中，剖腹主要是依靠人工完成，一般是利用手工工具将鱼腹切开，这种生产方式效率低、产品质量标准不易控制。现有的代替人工操作的完成鱼体剖腹的装置，利用刀具剖开鱼体腹部，但采用刀具剖切时刀尖可能会使鱼的苦胆及内脏被划破，使胆汁或内脏中的分泌物流出而影响鱼的品质及使得增加后续的清洗工作量。
现有技术中鱼体腹腔剖切时，剖切装置易划破苦胆及内脏，从而影响鱼体品质，增加清洗工作量的问题，目前尚未提出有效解决方案。
发明内容
本申请的主要目的在于提供一种鱼类腹腔结构特征的识别方法及***，以解决现有技术中鱼体腹腔剖切时，剖切装置易划破苦胆及内脏，从而影响鱼体品质，增加清洗工作量的问题。
为了实现上述目的，第一方面，本申请提供了一种鱼类腹腔结构特征的识别方法，包括如下步骤：
根据采集历史鱼类X射线影像和可见光图像，提取腹腔结构特征，得到鱼体腹腔结构特征数据库；
提取待检测鱼类可见光图像的腹腔结构特征，将待检测鱼类可见光图像的腹腔结构特征与鱼体腹腔结构特征数据库中数据进行匹配，得到最优匹配结果；
根据最优匹配结果，形成切割刀具的工作路径，指导剖切装置的工作。
根据采集历史鱼类X射线影像和可见光图像，提取腹腔结构特征，得到鱼体腹腔结构特征数据库，过程如下：
采集历史鱼类X射线影像和可见光图像；
对所述历史鱼类X射线影像和可见光图像进行预处理；
采用边缘轮廓拟合算法对所述预处理后的历史鱼类X射线影像和可见光图像，提取出鱼体外轮廓图像与腹腔轮廓图像；
集合所有鱼体外轮廓图像与腹腔轮廓图像，得到鱼体腹腔结构特征数据库。
所述对所述历史鱼类X射线影像进行预处理，包括：直方图均衡化进行图像增强，并采用高斯滤波消除噪音。
所述对所述历史鱼类可见光图像进行预处理，包括：RGB图像转灰度图像，并采用高斯滤波消除噪音。
所述采用边缘轮廓拟合算法对所述预处理后的历史鱼类X射线影像和可见光图像，分别提取出鱼体外轮廓图像与腹腔轮廓图像，包括如下步骤：
采用OTSU算法(OTSU大津法)获取所述预处理后的历史鱼类可见光图像的二值图像；
对于所述可见光图像的二值图像进行形态学处理，提取出鱼体外轮廓图像，得到可见光图像的鱼体图像外接矩形；
根据所述可见光图像的鱼体图像外接矩形对所述预处理后的历史鱼类X射线影像进行裁剪，保留所述历史鱼类X射线影像中的鱼体部分；
采用最小误差法，得到阈值T，对所述裁剪后的X射线影像进行二值化与形态学处理，得到腹腔连通域的轮廓点集合；
并对所述腹腔连通域的轮廓点做多边形逼近拟合，得到腹腔轮廓图像，即为拟合后的多边形。
所述根据最优匹配结果，形成切割刀具的工作路径，指导剖切装置的工作，包括如下步骤：
根据最优匹配结果，得到可见光图像鱼体图像外接矩形的短边中心线为参考线；
找到拟合后的多边形距离参考线垂直距离最长的一点，作为入刀点；
工作路径则为拟合后的多边形。
所述得到最优匹配结果，过程如下：
采集待检测鱼类可见光图像；
对待检测鱼类可见光图像进行预处理，包括：RGB图像转灰度图像以及高斯滤波。
利用边缘轮廓拟合算法提取出预处理后待检测鱼类可见光图像的鱼体外轮廓图像；所述边缘轮廓拟合算法包括：OTSU算法、二值化以及形态学处理。
将待检测鱼类可见光图像的鱼体外轮廓图像作为腹腔结构特征，与鱼体腹腔结构特征数据库中数据相匹配，得到最优匹配结果。
第二方面，本申请还提供了一种鱼类腹腔结构特征的识别***，采用所述的鱼类腹腔结构特征的识别方法实现，包括：特征数据库模块、特征匹配模块以及剖切指导模块；
所述特征数据库模块、特征匹配模块以及剖切指导模块依次顺序相连接；
所述特征数据库模块用于根据采集历史鱼类X射线影像和可见光图像，提取腹腔结构特征，得到鱼体腹腔结构特征数据库；
所述特征匹配模块用于提取待检测鱼类可见光图像的腹腔结构特征，将待检测鱼类可见光图像的腹腔结构特征与鱼体腹腔结构特征数据库中数据进行匹配，得到最优匹配结果；
所述剖切指导模块用于根据最优匹配结果，形成切割刀具的工作路径，指导剖切装置的工作。
有益技术效果：
本申请提出了一种鱼类腹腔结构特征的识别方法及***，提取腹腔结构特征，建立鱼体腹腔结构特征数据库，将待检测鱼类可见光图像的腹腔结构特征与鱼体腹腔结构特征数据库中数据进行匹配，得到最优匹配结果，从而指导剖切装置的工作，提高了剖切的精确度，解决了在鱼体腹腔剖切时，剖切装置易划破苦胆及内脏，从而影响鱼体品质，增加清洗工作量的问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的一种鱼类腹腔结构特征的识别方法流程图；
图2是根据本申请实施例提供的建立特征数据库流程图；
图3是根据本申请实施例提供的最优匹配结果流程图；
图4是根据本申请实施例提供的提取出鱼体外轮廓图像与腹腔轮廓图像流程图；
图5是根据本申请实施例提供的一种鱼类腹腔结构特征的识别***原理框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
另外，术语“多个”的含义应为两个以及两个以上。
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组合。下面将参考附图并结合实施例来详细说明本申请。
特征提取技术是计算机视觉和图像处理中的一个概念，利用计算机提取样品的图像信息，从图像中提取样品的特征，特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。因此我们提出一种鱼类腹腔结构特征的提取以及识别方法，根据鱼体腹腔结构特征，建立鱼体几何形态与腹腔结构特征数据库，指导剖切装置的贯入量，避免划破鱼的苦胆及内脏。
第一方面，本申请提供了一种鱼类腹腔结构特征的识别方法，如图1所示，包括如下步骤：
步骤S1：根据采集历史鱼类X射线影像和可见光图像，提取腹腔结构特征，得到鱼体腹腔结构特征数据库；
步骤S2：提取待检测鱼类可见光图像的腹腔结构特征，将待检测鱼类可见光图像的腹腔结构特征与鱼体腹腔结构特征数据库中数据进行匹配，得到最优匹配结果；
步骤S3：根据最优匹配结果，形成切割刀具的工作路径，指导剖切装置的工作。
根据采集历史鱼类X射线影像和可见光图像，提取腹腔结构特征，得到鱼体腹腔结构特征数据库，如图2所示，过程如下：
步骤S11：采集历史鱼类X射线影像和可见光图像；
步骤S12：对所述历史鱼类X射线影像和可见光图像进行预处理；
步骤S13：采用边缘轮廓拟合算法对所述预处理后的历史鱼类X射线影像和可见光图像，提取出鱼体外轮廓图像与腹腔轮廓图像；
步骤S14：集合所有鱼体外轮廓图像与腹腔轮廓图像，得到鱼体腹腔结构特征数据库。
所述对所述历史鱼类X射线影像进行预处理，包括：直方图均衡化进行图像增强，并采用高斯滤波消除噪音。
所述对所述历史鱼类可见光图像进行预处理，包括：RGB图像转灰度图像，并采用高斯滤波消除噪音。
所述采用边缘轮廓拟合算法对所述预处理后的历史鱼类X射线影像和可见光图像，分别提取出鱼体外轮廓图像与腹腔轮廓图像，如图4所示，包括如下步骤：
步骤S131：采用OTSU算法(OTSU大津法)获取所述预处理后的历史鱼类可见光图像的二值图像，具体如下：
假设阈值t分隔出图像的前景和背景(这里前景指鱼体，背景为非鱼体的部分)，前景的像素点数和整个图像像素点数的比值设为w0，平均灰度值设为u0，背景的像素点和整个图像的像素点数比值为w1，平均灰度值为u1。这样图像平均的灰度值为：u＝w0*u0+w1*u1
从最小灰度值到最大灰度值遍历t，当使得g＝w0*w1*(uo-u1)2最大时，t就为选定的阈值。,
二值化的公式为：
Figure BDA0002825168990000071
步骤S132：对于所述可见光图像的二值图像进行形态学处理，提取出鱼体外轮廓图像，得到可见光图像的鱼体图像外接矩形，具体如下：
二值化后进行形态学处理：
假设f(x)和g(x)是定义在离散空间F和G上的两个离散函数，其中f(x)为输入图像，g(x)为结构元素。则f(x)关于g(x)的腐蚀和膨胀分别定义为：
Figure BDA0002825168990000072
Figure BDA0002825168990000073
经过上述步骤获取的鱼体图像，求出鱼体图像的外接矩形。并对X光图像进行裁剪，仅留下鱼体图像的外接矩形。(这样X光图像中不用再处理传送带背景，而是把腹腔看做前景，鱼体其余部分看做背景。)
步骤S133：根据所述可见光图像的鱼体图像外接矩形对所述预处理后的历史鱼类X射线影像进行裁剪，保留所述历史鱼类X射线影像中的鱼体部分；
步骤S134：采用最小误差法，得到阈值T，对所述裁剪后的X射线影像进行二值化与形态学处理，得到腹腔连通域的轮廓点集合，具体为：
最小误差法原理：假设前景的灰度呈正态分布，密度为f1(x),均值和方差为μ1，σ1，前景像素点数占整个图像的像素点数为m，背景的灰度呈正态分布，密度为f2(x),均值和方差为μ2，σ2，背景像素点数占整个图像的像素点数为(1-m)。
混合概率密度为：f(x)＝m*f1(x)+(1-m)*f2(x)
当选定阈值为T时，前景为误分成背景和背景被误分为前景的总误差概率为：
Figure BDA0002825168990000081
求出使总误差概率最小的阈值T。
步骤S135：并对所述腹腔连通域的轮廓点做多边形逼近拟合，得到腹腔轮廓图像，即为拟合后的多边形，在opencv里采用findcontours和cvApproxPoly命令实现。
所述根据最优匹配结果，形成切割刀具的工作路径，指导剖切装置的工作，包括如下步骤：
根据最优匹配结果，得到可见光图像鱼体图像外接矩形的短边中心线为参考线，即经过短边中点并平行于长边的线；
找到拟合后的多边形距离参考线垂直距离最长的一点，作为入刀点；
工作路径则为拟合后的多边形。
所述得到最优匹配结果，如图3所示，过程如下：
步骤S21：采集待检测鱼类可见光图像；
步骤S22：对待检测鱼类可见光图像进行预处理，包括：RGB图像转灰度图像以及采用高斯滤波消除噪音；
步骤S23：利用边缘轮廓拟合算法提取出预处理后待检测鱼类可见光图像的鱼体外轮廓图像；所述边缘轮廓拟合算法包括：OTSU算法、二值化以及形态学处理。
步骤S24：将待检测鱼类可见光图像的鱼体外轮廓图像作为腹腔结构特征，与鱼体腹腔结构特征数据库中数据相匹配，得到最优匹配结果。
第二方面，本申请还提供了一种鱼类腹腔结构特征的识别***，采用所述的鱼类腹腔结构特征的识别方法实现，如图5所示，包括：特征数据库模块、特征匹配模块以及剖切指导模块；
所述特征数据库模块、特征匹配模块以及剖切指导模块依次顺序相连接；
所述特征数据库模块用于根据采集历史鱼类X射线影像和可见光图像，提取腹腔结构特征，得到鱼体腹腔结构特征数据库；
所述特征匹配模块用于提取待检测鱼类可见光图像的腹腔结构特征，将待检测鱼类可见光图像的腹腔结构特征与鱼体腹腔结构特征数据库中数据进行匹配，得到最优匹配结果；
所述剖切指导模块用于根据最优匹配结果，形成切割刀具的工作路径，指导剖切装置的工作。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (7)

1.一种鱼类腹腔结构特征的识别方法，其特征在于，包括如下步骤：
根据采集历史鱼类X射线影像和可见光图像，提取腹腔结构特征，得到鱼体腹腔结构特征数据库；
提取待检测鱼类可见光图像的腹腔结构特征，将待检测鱼类可见光图像的腹腔结构特征与鱼体腹腔结构特征数据库中数据进行匹配，得到最优匹配结果；
根据最优匹配结果，形成切割刀具的工作路径，指导剖切装置的工作；根据采集历史鱼类X射线影像和可见光图像，提取腹腔结构特征，得到鱼体腹腔结构特征数据库，过程如下：
采集历史鱼类X射线影像和可见光图像；
对所述历史鱼类X射线影像和可见光图像进行预处理；
采用边缘轮廓拟合算法对所述预处理后的历史鱼类X射线影像和可见光图像，分别提取出鱼体外轮廓图像与腹腔轮廓图像；
集合所有所述鱼体外轮廓图像与腹腔轮廓图像，得到鱼体腹腔结构特征数据库。
2.如权利要求1所述的鱼类腹腔结构特征的识别方法，其特征在于，所述对所述历史鱼类X射线影像进行预处理，包括：直方图均衡化进行图像增强，并采用高斯滤波消除噪音。
3.如权利要求1所述的鱼类腹腔结构特征的识别方法，其特征在于，所述对所述历史鱼类可见光图像进行预处理，包括：RGB图像转灰度图像，并采用高斯滤波消除噪音。
4.如权利要求1所述的鱼类腹腔结构特征的识别方法，其特征在于，所述采用边缘轮廓拟合算法对所述预处理后的历史鱼类X射线影像和可见光图像，分别提取出鱼体外轮廓图像与腹腔轮廓图像，包括如下步骤：
采用OTSU算法获取所述预处理后的历史鱼类可见光图像的二值图像；
对于所述可见光图像的二值图像进行形态学处理，提取出鱼体外轮廓图像，得到可见光图像的鱼体图像外接矩形；
根据所述可见光图像的鱼体图像外接矩形对所述预处理后的历史鱼类X射线影像进行裁剪，保留所述历史鱼类X射线影像中的鱼体部分；
采用最小误差法，得到阈值T，对所述裁剪后的X射线影像进行二值化与形态学处理，得到腹腔连通域的轮廓点集合；
并对所述腹腔连通域的轮廓点做多边形逼近拟合，得到腹腔轮廓图像，即为拟合后的多边形。
5.如权利要求1所述的鱼类腹腔结构特征的识别方法，其特征在于，所述根据最优匹配结果，形成切割刀具的工作路径，指导剖切装置的工作，包括如下步骤：
根据最优匹配结果，得到可见光图像鱼体图像外接矩形的短边中心线为参考线；
找到拟合后的多边形距离参考线垂直距离最长的一点，作为入刀点；
工作路径则为拟合后的多边形。
6.如权利要求1所述的鱼类腹腔结构特征的识别方法，其特征在于，所述得到最优匹配结果，过程如下：
采集待检测鱼类可见光图像；
对待检测鱼类可见光图像进行预处理，包括：RGB图像转灰度图像以及高斯滤波；
利用边缘轮廓拟合算法提取出预处理后待检测鱼类可见光图像的鱼体外轮廓图像；
将待检测鱼类可见光图像的鱼体外轮廓图像作为腹腔结构特征，与鱼体腹腔结构特征数据库中数据相匹配，得到最优匹配结果。
7.一种鱼类腹腔结构特征的识别***，其特征在于，采用如权利要求1-6任一项所述的鱼类腹腔结构特征的识别方法实现，包括：特征数据库模块、特征匹配模块以及剖切指导模块；
所述特征数据库模块、特征匹配模块以及剖切指导模块依次顺序相连接；
所述特征数据库模块用于根据采集历史鱼类X射线影像和可见光图像，提取腹腔结构特征，得到鱼体腹腔结构特征数据库；
所述特征匹配模块用于提取待检测鱼类可见光图像的腹腔结构特征，将待检测鱼类可见光图像的腹腔结构特征与鱼体腹腔结构特征数据库中数据进行匹配，得到最优匹配结果；
所述剖切指导模块用于根据最优匹配结果，形成切割刀具的工作路径，指导剖切装置的工作。
CN202011447369.9A 2020-12-09 2020-12-09 一种鱼类腹腔结构特征的识别方法及*** Active CN112614090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011447369.9A CN112614090B (zh) 2020-12-09 2020-12-09 一种鱼类腹腔结构特征的识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011447369.9A CN112614090B (zh) 2020-12-09 2020-12-09 一种鱼类腹腔结构特征的识别方法及***

Publications (2)

Publication Number Publication Date
CN112614090A CN112614090A (zh) 2021-04-06
CN112614090B true CN112614090B (zh) 2021-12-31

Family

ID=75232865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011447369.9A Active CN112614090B (zh) 2020-12-09 2020-12-09 一种鱼类腹腔结构特征的识别方法及***

Country Status (1)

Country Link
CN (1) CN112614090B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102339385A (zh) * 2011-07-28 2012-02-01 南京焦耳科技有限责任公司 基于组合光透视的叶中含梗及含梗率视觉识别检测方法
CN104938603A (zh) * 2015-07-17 2015-09-30 中国计量学院 全自动智能剥鱼皮方法
CN106778546A (zh) * 2016-11-29 2017-05-31 聚鑫智能科技（武汉）股份有限公司 一种基于可见光和非可见光的视觉识别方法及***
CN108564573A (zh) * 2018-03-30 2018-09-21 大连工业大学 面向鲅鱼切段机的鱼头鱼尾图像自动识别方法
CN108902274A (zh) * 2018-05-31 2018-11-30 中国水产科学研究院渔业机械仪器研究所 一种鱼类去内脏试验平台及方法
CN110243826A (zh) * 2019-07-10 2019-09-17 上海微现检测设备有限公司 一种产品在线检测方法及装置
CN110521757A (zh) * 2019-09-06 2019-12-03 江苏省农业科学院 基于图像识别***的智能淡水鱼自动骨肉开片机
CN110999944A (zh) * 2019-12-12 2020-04-14 江苏省农业科学院 一种大规格鱼类自动宰杀装置及控制方法
CN111754527A (zh) * 2020-06-24 2020-10-09 西藏自治区农牧科学院水产科学研究所 一种基于三维扫描模型的鱼类表型自动提取方法
CN111899260A (zh) * 2020-08-27 2020-11-06 上海联影医疗科技有限公司 ***x射线图像显示方法、装置和存储介质
CN112017201A (zh) * 2020-08-07 2020-12-01 湖北省农业科学院农产品加工与核农技术研究所 一种加工输送中鱼体头尾姿态判定方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4057215A1 (en) * 2013-10-22 2022-09-14 Eyenuk, Inc. Systems and methods for automated analysis of retinal images
JP6631624B2 (ja) * 2015-04-24 2020-01-15 株式会社ニコン Ｘ線検査装置、ｘ線検査方法および構造物の製造方法
DE102016104730A1 (de) * 2016-03-15 2017-09-21 Connaught Electronics Ltd. Verfahren zum Detektieren eines Objekts entlang einer Straße eines Kraftfahrzeugs, Rechenvorrichtung, Fahrerassistenzsystem sowie Kraftfahrzeug
DK3275313T3 (da) * 2016-07-29 2024-05-13 Nordischer Maschinenbau Indretning til registrering og evaluering af produktspecifikke informationer om produkter fra den levnedsmiddelforarbejdende industri samt system med en sådan indretning og fremgangsmåde til forarbejdning af produkter fra den levnedsmiddelforarbejdende industri
CN112017200B (zh) * 2020-08-07 2022-07-05 湖北省农业科学院农产品加工与核农技术研究所 一种基于视觉识别的鱼类姿态判定方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102339385A (zh) * 2011-07-28 2012-02-01 南京焦耳科技有限责任公司 基于组合光透视的叶中含梗及含梗率视觉识别检测方法
CN104938603A (zh) * 2015-07-17 2015-09-30 中国计量学院 全自动智能剥鱼皮方法
CN106778546A (zh) * 2016-11-29 2017-05-31 聚鑫智能科技（武汉）股份有限公司 一种基于可见光和非可见光的视觉识别方法及***
CN108564573A (zh) * 2018-03-30 2018-09-21 大连工业大学 面向鲅鱼切段机的鱼头鱼尾图像自动识别方法
CN108902274A (zh) * 2018-05-31 2018-11-30 中国水产科学研究院渔业机械仪器研究所 一种鱼类去内脏试验平台及方法
CN110243826A (zh) * 2019-07-10 2019-09-17 上海微现检测设备有限公司 一种产品在线检测方法及装置
CN110521757A (zh) * 2019-09-06 2019-12-03 江苏省农业科学院 基于图像识别***的智能淡水鱼自动骨肉开片机
CN110999944A (zh) * 2019-12-12 2020-04-14 江苏省农业科学院 一种大规格鱼类自动宰杀装置及控制方法
CN111754527A (zh) * 2020-06-24 2020-10-09 西藏自治区农牧科学院水产科学研究所 一种基于三维扫描模型的鱼类表型自动提取方法
CN112017201A (zh) * 2020-08-07 2020-12-01 湖北省农业科学院农产品加工与核农技术研究所 一种加工输送中鱼体头尾姿态判定方法
CN111899260A (zh) * 2020-08-27 2020-11-06 上海联影医疗科技有限公司 ***x射线图像显示方法、装置和存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Machine Vision Applications to Aquatic Foods: A Review;Bahar Gümüş等;《Turkish Journal of Fisheries and Aquatic Sciences》;20111231;第171-180页 *
Ruler Detection for Automatic Scaling of Fish Images;D. A. Konovalov等;《ICAIP 2017: Proceedings of the International Conference on Advances in Image Processing》;20170825;第90-95页 *
基于机器视觉的淡水鱼去鳞损伤无损检测识别方法;闫朋涛等;《食品工业》;20200320;第41卷(第03期);第184-187页 *
基于机器视觉的鱼类定制切段方法及设备设计;王成;《中国优秀博硕士学位论文全文数据库（硕士）_工程科技Ⅰ辑》;20180715;B024-260 *
水产品加工装备研究应用现状与发展趋势;欧阳杰等;《渔业现代化》;20171020;第44卷(第05期);第73-78页 *
淡水鱼加工生产线鱼体头尾腹背定向技术研究;何建雄;《中国优秀博硕士学位论文全文数据库（硕士）_农业科技辑》;20200115;D052-102 *

Also Published As

Publication number Publication date
CN112614090A (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN113466232B (zh) 一种基于计算机图像的脆化鱼肉快速检测方法及***
CN111986183B (zh) 一种染色体散型图像自动分割识别***及装置
WO1996009594A1 (en) Apparatus for automated identification of thick cell groupings on a biological specimen
CN112862808A (zh) 一种基于深度学习的乳腺癌超声图像的可解释性识别方法
CN103870808A (zh) 一种手指静脉识别方法
Yilmaz et al. An improved segmentation for raw G-band chromosome images
Rezaei et al. Gland segmentation in histopathology images using deep networks and handcrafted features
Devi et al. Image processing system for automatic segmentation and yield prediction of fruits using open CV
CN104504161B (zh) 一种基于机器人视觉平台的图像检索方法
CN115620075A (zh) 白细胞分类模型用数据集的生成方法、***及设备
CN112258545A (zh) 一种烟叶图像在线背景处理***及在线背景处理方法
CN112614090B (zh) 一种鱼类腹腔结构特征的识别方法及***
CN114998274A (zh) 对象的定位方法、装置、电子设备和可读存储介质
CN112381084B (zh) 断层图像的轮廓自动识别方法
CN112258532B (zh) 一种超声图像中胼胝体的定位及分割方法
CN110874835A (zh) 作物叶部病害抗性鉴定方法、***、电子设备及存储介质
Vyshnavi et al. Breast density classification in mammogram images
CN109002821B (zh) 一种基于连通域和切线斜率的网银盾数字识别方法
Kennel et al. Automatic identification of cell files in light microscopic images of conifer wood
CN115994921A (zh) 一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法
CN111950409B (zh) 一种道路标记线智能识别方法及***
CN113052177B (zh) 大蒜的疤识别方法、装置及分选设备
CN114170224A (zh) 应用生成式染色归一化的细胞病理分类的***及方法
Sabino et al. Automatic leukemia diagnosis
CN113210264A (zh) 烟草杂物剔除方法及装置

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