CN116576782A - 一种水下鱼体长度测量方法 - Google Patents
一种水下鱼体长度测量方法 Download PDFInfo
- Publication number
- CN116576782A CN116576782A CN202310294481.0A CN202310294481A CN116576782A CN 116576782 A CN116576782 A CN 116576782A CN 202310294481 A CN202310294481 A CN 202310294481A CN 116576782 A CN116576782 A CN 116576782A
- Authority
- CN
- China
- Prior art keywords
- fish body
- fish
- length
- image
- target detection
- 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
Links
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 227
- 238000000691 measurement method Methods 0.000 title claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000005259 measurement Methods 0.000 claims abstract description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000009182 swimming Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000009360 aquaculture Methods 0.000 abstract description 10
- 244000144974 aquaculture Species 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 5
- 239000002028 Biomass Substances 0.000 abstract description 2
- 230000001276 controlling effect Effects 0.000 abstract description 2
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 101000642315 Homo sapiens Spermatogenesis-associated protein 17 Proteins 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 102100036408 Spermatogenesis-associated protein 17 Human genes 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting 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
- G01B11/04—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness specially adapted for measuring length or width of objects while moving
- G01B11/043—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness specially adapted for measuring length or width of objects while moving for measuring length
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请公开了一种水下鱼体长度测量方法,包括以下步骤:采集视频信息,基于所述视频信息构建鱼体目标检测模型;构建鱼体目标跟踪模型,基于所述鱼体目标检测模型和所述鱼体目标跟踪模型对所述视频信息中的鱼体进行跟踪拍摄,得到鱼体图像;基于所述鱼体图像计算鱼体长度。本申请解决现有了基于机器视觉与图像处理的无接触式测量方法在鱼体长度测量时具有较大的局限性,不能测量多角度鱼体、测量效率低下等问题。为投饵量优化、水质环境调控、品质分级提供决策依据,促进精细化、智能化、集约化的水产养殖模式演变,为水产养殖生物量估计带来了新的挑战和机遇。
Description
技术领域
本申请涉及水产养殖技术领域,具体涉及一种水下鱼体长度测量方法。
背景技术
我国水产养殖发展迅速。水产养殖业在我国渔业产业结构中占据重要地位,在促进我国渔业经济发展中发挥着重要作用。
随着互联网时代的到来,以及人工智能在各行业的迅速普及,未来依靠设备实现自动化的管理和控制这些要素,减少水产养殖的风险和降低水产养殖的成本。因此,未来智能化是水产养殖行业发展的趋势之一。
鱼类生长数据测量在养殖过程中必不可少,关系到养殖户对鱼类鱼苗投放、饲料的投喂、病害防治、收获捕捞等,对养殖户科学决策、提高综合效益具有重要指导作用,为渔业资源的评估和合理利用提供生物学依据。
目前,对鱼体采用的长度测量方法分为接触式测量与无接触式测量。接触式测量方法通常需要对鱼体进行麻醉、捕捞、人工测量等步骤,测量操作费时费力,当遇到鱼类数量巨大,鱼儿面露狰狞而拼命挣扎、跳动时,便会手足无措,无法实现准确、准时地测量,还会直接导致测量效率低、精准度低,并在测量过程中还会使鱼产生应激反应等负面影响,导致鱼生长迟滞甚至死亡,造成经济损失。因此,迫切需要发展无接触式测量方法取代接触式测量方法,以实现对鱼体长度进行快速、准确地测量。
现有的无接触式测量方法是通过机器视觉结合图像处理来测量鱼体的长度,但是,该无接触式测量的图像处理过程难以实现简洁化和智能化,在进行鱼体长度测量时具有较大的局限性,通常依赖于高质量的鱼体图像、鱼体在图像中的完美形态及鱼体在图像中与光轴的正交成像角度,并在测量过程中往往需要大量的人工介入,以参与对图像的预处理,尤其是需要人工标注鱼体的测量关键点(鱼体的嘴部和尾部),才能完成对鱼体长度的测量,严重影响了测量效率。
综上所述,在养殖鱼类图像测量技术发展过程中,尽管鱼体长度测量设计方面已得到较大地改进,但是仍然存在自由游动时鱼体弯曲、鱼体多角度的问题等。因此,设计一种用于养殖场内的适合多角度的水下鱼体测量装置及方法具有重要的意义和应用价值。
发明内容
本申请提供了一种水下鱼体长度测量方法,用以解决现有的基于机器视觉与图像处理的无接触式测量方法在鱼体长度测量时具有较大的局限性,不能测量多角度鱼体、测量效率低下等问题。
为达到上述目的,本申请提供了以下方案:
一种水下鱼体长度测量方法,包括以下步骤:
采集视频信息,基于所述视频信息构建鱼体目标检测模型;
构建鱼体目标跟踪模型,基于所述鱼体目标检测模型和所述鱼体目标跟踪模型对所述视频信息中的鱼体进行跟踪拍摄,得到鱼体图像;
基于所述鱼体图像计算鱼体长度。
优选的,所述鱼体目标检测模型的构建方法包括:
构建鱼体目标检测图像数据集;
基于所述鱼体目标检测数据集进行鱼体目标检测模型训练。
优选的,所述构建鱼体目标检测图像数据集的方法包括:
采集鱼体上方和侧方图像,并对所述鱼体上方和侧方图像进行数据标注,得到标注后图像数据;
对所述标注后图像数据按照预设比例划分为训练集、验证集和测试集,得到所述鱼体目标检测图像数据集。
优选的,所述鱼体目标检测模型的训练方法包括:
对所述鱼体目标检测图像数据集进行预处理,得到预处理后图像;
将所述预处理后图像输入目标检测网络进行训练,得到所述鱼体目标检测模型。
优选的,所述鱼体长度的计算方法包括:
利用第一防水摄像头获取鱼体俯视图,利用第二防水摄像头获取鱼体正视图;
基于所述鱼体俯视图获取第一数据,基于所述鱼体正视图获取第二数据;
基于所述鱼体图像、所述第一数据和所述第二数据,获取图像放大倍率;
基于所述第一数据、所述第二数据和所述图像放大倍率,计算所述鱼体长度。
优选的,所述第一数据包括:鱼体长厚比β、实际长厚比β0、鱼体在中心位置时目标检测框中心点到图像上侧距离v0和计算过程中目标检测框中心点到图像上侧距离v;
所述第二数据包括:鱼体长宽比α、实际长宽比α0、鱼体在中心位置时目标检测框中心点到图像上侧距离u0和计算过程中目标检测框中心点到图像上侧距离u。
优选的,所述鱼体长度计算方法包括:
按照鱼体在水中游动时状态,划分为不同的计算情况;
基于不同所述计算情况,得到所述鱼体长度。
优选的,所述计算情况包括:所述鱼体在所述第一防水摄像头和所述第二防水摄像头中为水平状态;
所述鱼体在所述第一防水摄像头中为倾斜状态,所述鱼体在所述第二防水摄像头中为水平状态;
所述鱼体在所述第一防水摄像头中为水平状态,所述鱼体在所述第二防水摄像头中为倾斜状态;
所述鱼体在所述第一防水摄像头和所述第二防水摄像头为倾斜状态。
本申请的有益效果为:
本申请解决现有了基于机器视觉与图像处理的无接触式测量方法在鱼体长度测量时具有较大的局限性,不能测量多角度鱼体、测量效率低下等问题。为投饵量优化、水质环境调控、品质分级提供决策依据,促进精细化、智能化、集约化的水产养殖模式演变,为水产养殖生物量估计带来了新的挑战和机遇。
附图说明
为了更清楚地说明本申请的技术方案,下面对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例的方法流程示意图;
图2是本申请实施例的YOLOv7网络的架构图;
图3是本申请实施例的第一防水摄像头和第二防水摄像头的布置示意图;
图4是本申请实施例的第一防水摄像头放大倍率散点图;
图5是本申请实施例的第二防水摄像头放大倍率散点图。
具体实施方式
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,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
在本实施例中,如图1所示,一种水下鱼体长度测量方法,包括以下步骤:
S1.采集视频信息,基于视频信息构建鱼体目标检测模型。
鱼体目标检测模型的构建方法包括:构建鱼体目标检测图像数据集;基于鱼体目标检测数据集进行鱼体目标检测模型训练。
其中,构建鱼体目标检测图像数据集的方法包括:采集鱼体上方和侧方图像,并对鱼体上方和侧方图像进行数据标注,得到标注后图像数据;对标注后图像数据按照预设比例划分为训练集、验证集和测试集,得到鱼体目标检测图像数据集。在本实施例中,将通过YOLOv7网络构建鱼体目标检测模型,利用边缘设备获取收集的上方与侧方鱼体图像,通过labelimg软件进行鱼体目标检测人工数据标注,根据名称从数据集原有的标注文件中匹配出每幅图像的标注信息,转换成YOLO标注格式文件,最后对所有图像数据按照80%、10%、10%的比例划分训练集、验证集、测试集,最终形成鱼体目标检测图像数据集。
鱼体目标检测模型的训练方法包括:对鱼体目标检测图像数据集进行预处理,得到预处理后图像;将预处理后图像输入至YOLOv7网络,对YOLOv7网络进行训练,得到鱼体目标检测模型。在本实施例中,如图2所示,YOLOv7网络由三个部分组成:input,backbone和head,其中backbone用于提取特征,head用于预测。根据图2的架构图走一遍网络流程:先对输入的图片预处理,对齐成640*640大小的RGB图片,输入到backbone网络中,根据backbone网络中的三层输出,在head层通过backbone网络继续输出三层不同size大小的featuremap(以下简称fm),经过RepVGG block和conv,对图像检测的三类任务(分类、前后背景分类、边框)预测,输出最后的结果。
S2.构建鱼体目标跟踪模型,基于鱼体目标检测模型和鱼体目标跟踪模型对视频信息中的鱼体进行跟踪拍摄,得到鱼体图像。
在本实施例中,鱼体目标跟踪模型构建是基于StrongSort,通过简单地在DeepSORT中装备各方面的先进组件,产生了StrongSORT,它可以在流行基准MOT17和MOT20上实现新的SOTA。StrongSORT中提出了两种轻量级、即插即用、模型无关、外观无关的算法来优化跟踪结果,首先,为了更好地利用全局信息,有几种方法提出使用全局链接模型将短轨迹与轨迹相关联,它们通常生成精确但不完整的轨迹,并将它们与全局信息相关联,尽管这些方法显著提高了跟踪性能,但它们都依赖于计算密集型模型,特别是外观特征,相比之下,提出了一种无外观链接模型(AFLink),该模型仅利用时空信息来预测两个输入的tracklet是否属于同一个ID。其次,线性插值被广泛用于补偿漏检,然而,它忽略了运动信息,这限制了插值位置的准确性,为了解决这一问题,提出了高斯平滑插值算法(GSI),该算法使用高斯过程回归算法来增强插值。
S3.基于所述鱼体图像计算鱼体长度。
鱼体长度的计算方法包括:利用第一防水摄像头获取鱼体俯视图,利用第二防水摄像头获取鱼体正视图;基于鱼体俯视图获取第一数据,基于鱼体正视图获取第二数据;基于鱼体图像、第一数据和第二数据,获取图像放大倍率;基于第一数据、第二数据和图像放大倍率,计算鱼体长度。
其中,第一数据包括:鱼体长厚比β、实际长厚比β0、鱼体在中心位置时目标检测框中心点到图像上侧距离v0和计算过程中目标检测框中心点到图像上侧距离v;第二数据包括:鱼体长宽比α、实际长宽比α0、鱼体在中心位置时目标检测框中心点到图像上侧距离u0和计算过程中目标检测框中心点到图像上侧距离u。在本实施例中,第一防水摄像头和第二防水摄像头的布置如图3所示,规定第一防水摄像头中拍摄的鱼体俯视图中,目标检测框的长宽之比即为鱼的长厚比β,第二防水摄像头拍摄的鱼体正视图中,目标检测框的长宽之比即为鱼的长宽比α。鱼体实际长厚比为β0,实际长宽比为α0。鱼在中心位置时记录第一防水摄像头拍摄的鱼体俯视图中,目标检测框中心点到图像上侧的距离为v0,第二防水摄像头拍摄的鱼体正视图中,目标检测框中心点到图像上侧的距离为u0。程序运行过程中,第一防水摄像头拍摄的鱼体俯视图中,目标检测框中心点到图像上侧的距离为v,第二防水摄像头拍摄的鱼体正视图中,目标检测框中心点到图像上侧的距离为u。
由于摄像头在水中会对鱼的大小进行改变,所以在与长度计算之前我们需要确定两个摄像头对鱼的放大倍率Δ。首先将鱼放到中心位置,也就是第一防水摄像头和第二防水摄像头中鱼体目标检测框与左右两边的距离相等,且两个摄像头中的鱼体长度相等。通过固定其中一个摄像头中鱼的位置,另一个摄像头中鱼从中心位置向上移动两点,向下移动两点,记录这五组数据。同样的,记录另外五组数据。y0为中心位置时的鱼长,y为移动后的鱼长,根据鱼移动距离与鱼体长度成正比,那么第一防水摄像头中拍摄图像满足公式(1),第二防水摄像头中拍摄图像满足公式(2)。
y-y0=Δ1(u-u0) (1)
y-y0=Δ2(v-v0) (2)
通过计算得出Δ1与Δ2相差很小,所以Δ取均值,即Δ=(Δ1+Δ2)/2。
第一防水摄像头的鱼长及第二防水摄像头中鱼中心与图像上侧距离u与标准点鱼中心与图像上侧距离u0之差的数据如表1所示,将数据绘制成散点图,所得趋势线的斜率即为第一摄像头的放大倍率,如图4所示。
表1
u-u0 | l_up |
x | y |
-368 | 371 |
-315 | 261 |
-232 | 181 |
-147 | 113 |
-129 | 88 |
-76 | 51 |
0 | 0 |
53 | -15 |
149 | -89 |
221 | -163 |
270 | -226 |
357 | -309 |
第二防水摄像头的鱼长及第一防水摄像头中鱼中心与图像上侧距离v与标准点鱼中心与图像上侧距离v0之差的数据如表2所示,将数据绘制成散点图,所得趋势线的斜率即为第二摄像头的放大倍率,如图5所示。
表2
v-v0 | l_down |
x | y |
-463 | 443 |
-382 | 300 |
-283 | 232 |
-204 | 149 |
-115 | 87 |
0 | 0 |
86 | -67 |
167 | -137 |
266 | -203 |
359 | -258 |
427 | -324 |
鱼体长度计算方法包括:按照鱼体在水中游动时状态,划分为不同的计算情况;基于不同计算情况,得到鱼体长度。其中,计算情况包括:鱼体在第一防水摄像头和第二防水摄像头中为水平状态;鱼体在第一防水摄像头中为倾斜状态,鱼体在第二防水摄像头中为水平状态;鱼体在第一防水摄像头中为水平状态,鱼体在第二防水摄像头中为倾斜状态;鱼体在第一防水摄像头和第二防水摄像头为倾斜状态。
在本实施例中,第一种状态为鱼体在第一防水摄像头和第二防水摄像头中为水平状态,判定条件为当测量的长宽比与实际长宽比之差小于ε1(ε1=0.1),如公式(3)所示。
α-α0<ε1 (3)
此时鱼体长度为第二防水摄像头所拍摄图像中鱼体目标检测框长度,即目标检测框右上角的横坐标减去左上角的横坐标xd,然后将所得长度进行修正,如公式(4)所示。
length=xd+Δ(v-v0) (4)
第二种状态为鱼体在第一防水摄像头中为倾斜状态,鱼体在第二防水摄像头中为水平状态,当鱼在图像中为倾斜状态时,鱼长为目标检测框对角线的长度,当鱼在图像中是水平状态时,鱼长为目标检测框的宽乘以长宽比;
length2=y2×α (6)
其中x1、y1为第一防水摄像头中目标检测框的长和宽,y2为第二防水摄像头中目标检测框的宽。
第二种状态的判定条件为第一防水摄像头中的鱼长length1与第二防水摄像头中的鱼长length2之差的绝对值小于ε2(ε2=50)像素,如公式(7)所示,此时鱼长即两个长度的平均值,如公式(8)所示。
abs(length1-length2)<ε2 (7)
length=(length1+length2)/2 (8)
第三种状态为鱼体在第一防水摄像头中为水平状态,鱼体在第二防水摄像头中为倾斜状态,当鱼在图像中是水平状态时,鱼长为目标检测框的宽乘以长宽比,当鱼在图像中为倾斜状态时,鱼长为目标检测框对角线的长度。判定条件为第一防水摄像头中的鱼长length1等于第二防水摄像头中的鱼长length2。
length1=y1*β (9)
其中,y1为第一防水摄像头中目标检测框的宽,x2、y2为第二防水摄像头中目标检测框的长和宽。
第三种状态的判定条件为第一防水摄像头中的鱼长length1与第二防水摄像头中的鱼长length2之差的绝对值小于ε2(ε2=50)像素,如公式(7)所示,此时鱼长即两个长度的平均值,如公式(8)所示。
abs(length1-length2)<ε2 (7)
length=(legth1+length2)/2 (8)
第四种状态为鱼体在第一防水摄像头和第二防水摄像头为倾斜状态,此时通过求体对角线的方式求鱼的长度,如公式(11)所示。
其中,x1、y1为第一防水摄像头中目标检测框的长和宽,y2为第二防水摄像头中目标检测框的宽。
以上四种方式计算出来的鱼体长度均为像素数,根据图像分辨率与中心位置的鱼长计算可得常数C,当像素数乘以C即为真实鱼体长度。
以上所述的实施例仅是对本申请优选方式进行的描述,并非对本申请的范围进行限定,在不脱离本申请设计精神的前提下,本领域普通技术人员对本申请的技术方案做出的各种变形和改进,均应落入本申请权利要求书确定的保护范围内。
Claims (8)
1.一种水下鱼体长度测量方法,其特征在于,包括以下步骤:
采集视频信息,基于所述视频信息构建鱼体目标检测模型;
构建鱼体目标跟踪模型,基于所述鱼体目标检测模型和所述鱼体目标跟踪模型对所述视频信息中的鱼体进行跟踪拍摄,得到鱼体图像;
基于所述鱼体图像计算鱼体长度。
2.根据权利要求1所述一种水下鱼体长度测量方法,其特征在于,所述鱼体目标检测模型的构建方法包括:
构建鱼体目标检测图像数据集;
基于所述鱼体目标检测数据集进行鱼体目标检测模型训练。
3.根据权利要求2所述一种水下鱼体长度测量方法,其特征在于,所述构建鱼体目标检测图像数据集的方法包括:
采集鱼体上方和侧方图像,并对所述鱼体上方和侧方图像进行数据标注,得到标注后图像数据;
对所述标注后图像数据按照预设比例划分为训练集、验证集和测试集,得到所述鱼体目标检测图像数据集。
4.根据权利要求2所述一种水下鱼体长度测量方法,其特征在于,所述鱼体目标检测模型的训练方法包括:
对所述鱼体目标检测图像数据集进行预处理,得到预处理后图像;
将所述预处理后图像输入目标检测网络进行训练,得到所述鱼体目标检测模型。
5.根据权利要求1所述一种水下鱼体长度测量方法,其特征在于,所述鱼体长度的计算方法包括:
利用第一防水摄像头获取鱼体俯视图,利用第二防水摄像头获取鱼体正视图;
基于所述鱼体俯视图获取第一数据,基于所述鱼体正视图获取第二数据;
基于所述鱼体图像、所述第一数据和所述第二数据,获取图像放大倍率;
基于所述第一数据、所述第二数据和所述图像放大倍率,计算所述鱼体长度。
6.根据权利要求5所述一种水下鱼体长度测量方法,其特征在于,所述第一数据包括:鱼体长厚比β、实际长厚比β0、鱼体在中心位置时目标检测框中心点到图像上侧距离v0和计算过程中目标检测框中心点到图像上侧距离v;
所述第二数据包括:鱼体长宽比α、实际长宽比α0、鱼体在中心位置时目标检测框中心点到图像上侧距离u0和计算过程中目标检测框中心点到图像上侧距离u。
7.根据权利要求6所述一种水下鱼体长度测量方法,其特征在于,所述鱼体长度计算方法包括:
按照鱼体在水中游动时状态,划分为不同的计算情况;
基于不同所述计算情况,得到所述鱼体长度。
8.根据权利要求7所述一种水下鱼体长度测量方法,其特征在于,所述计算情况包括:所述鱼体在所述第一防水摄像头和所述第二防水摄像头中为水平状态;
所述鱼体在所述第一防水摄像头中为倾斜状态,所述鱼体在所述第二防水摄像头中为水平状态;
所述鱼体在所述第一防水摄像头中为水平状态,所述鱼体在所述第二防水摄像头中为倾斜状态;
所述鱼体在所述第一防水摄像头和所述第二防水摄像头为倾斜状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294481.0A CN116576782B (zh) | 2023-03-24 | 2023-03-24 | 一种水下鱼体长度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294481.0A CN116576782B (zh) | 2023-03-24 | 2023-03-24 | 一种水下鱼体长度测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116576782A true CN116576782A (zh) | 2023-08-11 |
CN116576782B CN116576782B (zh) | 2024-02-06 |
Family
ID=87540221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310294481.0A Active CN116576782B (zh) | 2023-03-24 | 2023-03-24 | 一种水下鱼体长度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116576782B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145808A (zh) * | 2018-08-17 | 2019-01-04 | 郑州轻工业学院 | 一种基于自适应鱼体弯曲模型的金枪鱼识别方法 |
CN111696150A (zh) * | 2020-05-19 | 2020-09-22 | 杭州飞锐科技有限公司 | 一种叉尾鮰鱼表型数据的测量方法 |
US20210289759A1 (en) * | 2016-12-15 | 2021-09-23 | University Of The Philippines | Estimating fish size, population density, species distribution and biomass |
CN114049577A (zh) * | 2021-11-17 | 2022-02-15 | 中国水利水电科学研究院 | 一种鱼类规格的测量方法及*** |
CN115082777A (zh) * | 2022-04-26 | 2022-09-20 | 北京林业大学 | 基于双目视觉的水下动态鱼类形态测量方法及装置 |
JP7155375B1 (ja) * | 2021-10-13 | 2022-10-18 | マルハニチロ株式会社 | 測定システム、情報処理装置、情報処理方法およびプログラム |
-
2023
- 2023-03-24 CN CN202310294481.0A patent/CN116576782B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210289759A1 (en) * | 2016-12-15 | 2021-09-23 | University Of The Philippines | Estimating fish size, population density, species distribution and biomass |
CN109145808A (zh) * | 2018-08-17 | 2019-01-04 | 郑州轻工业学院 | 一种基于自适应鱼体弯曲模型的金枪鱼识别方法 |
CN111696150A (zh) * | 2020-05-19 | 2020-09-22 | 杭州飞锐科技有限公司 | 一种叉尾鮰鱼表型数据的测量方法 |
JP7155375B1 (ja) * | 2021-10-13 | 2022-10-18 | マルハニチロ株式会社 | 測定システム、情報処理装置、情報処理方法およびプログラム |
CN114049577A (zh) * | 2021-11-17 | 2022-02-15 | 中国水利水电科学研究院 | 一种鱼类规格的测量方法及*** |
CN115082777A (zh) * | 2022-04-26 | 2022-09-20 | 北京林业大学 | 基于双目视觉的水下动态鱼类形态测量方法及装置 |
Non-Patent Citations (1)
Title |
---|
王振宇: "利用水下摄影测量技术测量鱼类体长的可行性研究", 大连海洋大学学报 * |
Also Published As
Publication number | Publication date |
---|---|
CN116576782B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113537106B (zh) | 一种基于YOLOv5的鱼类摄食行为识别方法 | |
CN112883861B (zh) | 一种基于鱼群摄食状态细粒度分类的反馈式投饵控制方法 | |
CN114241031B (zh) | 基于双视角融合的鱼类体尺测量和体重预测的方法及装置 | |
CN114724022B (zh) | 融合SKNet与YOLOv5的养殖鱼群检测方法、***和介质 | |
CN110163798B (zh) | 渔场围网破损检测方法及*** | |
CN117029673B (zh) | 一种基于人工智能实现的鱼类体表多尺寸测量方法 | |
CN111887853B (zh) | 一种基于双目视觉的鱼体长度测量装置及方法 | |
CN113349111A (zh) | 一种用于水产养殖物的动态投喂方法、***和存储介质 | |
CN113313833A (zh) | 一种基于3d视觉技术的猪体重预估方法 | |
CN114049577A (zh) | 一种鱼类规格的测量方法及*** | |
CN112418171A (zh) | 一种基于深度学习的斑马鱼空间姿态与心脏位置估计方法 | |
JPWO2019198611A1 (ja) | 特徴推定装置および特徴推定方法 | |
CN113484867A (zh) | 一种基于成像声呐封闭空间下鱼群密度探测方法 | |
CN109840498B (zh) | 一种实时行人检测方法及神经网络、目标检测层 | |
Shi et al. | Underwater fish mass estimation using pattern matching based on binocular system | |
CN116576782B (zh) | 一种水下鱼体长度测量方法 | |
CN116452967B (zh) | 基于机器视觉的鱼游动速度识别方法 | |
CN115601301B (zh) | 鱼类表型特征测量方法、***、电子设备及存储介质 | |
CN115843733A (zh) | 一种基于机器视觉的河蟹养殖电子食台装置及工作方法 | |
CN115049692A (zh) | 模拟自然生态的海洋水产养殖光照智能调节方法及*** | |
CN111145344B (zh) | 一种用于雪雕3d重建的结构光测量方法 | |
Deng et al. | An automatic body length estimating method for Micropterus salmoides using local water surface stereo vision | |
CN113284164A (zh) | 虾群自动计数方法、装置、电子设备及存储介质 | |
CN116912671A (zh) | 一种鱼类智能投喂方法及装置 | |
US20240029289A1 (en) | System and method for estimating a length of underwater creatures |
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 |