计算机视觉技术在监测鱼类游泳行为中的研究进展

借助计算机视觉技术研究鱼类游泳行为已逐渐成为热点课题,它模拟生物视觉原理,通过处理采集的图片或视频获得动态目标参数信息,以达到对鱼类游泳行为监测分析的目的,本研究旨在介绍国内外该领域的研究进展,并展望其发展趋势。首先介绍鱼体监测目标的种类选择与影像获取方法,然后介绍影像中的背景去除与目标检测,并对影像数据直接和拟合提取目标参数的单个鱼体目标游泳参数提取方法,以及运动预测法和特征匹配法的多鱼体目标监测方法进行详细阐述,对游泳行为监测参数进行分类,并介绍了相关影像处理常用软件,最后总结了计算机视觉监测存在的难点及未来发展趋势。     

计算机视觉技术在猪行为识别中应用的研究进展

中国生猪养殖规模和数量在不断扩大,养殖信息化是今后生猪饲养监管的重要模式。计算机视觉技术作为信息处理的有效辅助技术,提供了一种自动化、非接触式、低成本、高收益且对动物无伤无压力的行为识别方式,可用于考量生猪健康状况并及时预防和发现疾病。介绍了猪行为识别视觉系统,回顾了视觉技术在生猪目标提取和个体识别、行为识别分析中的应用及算法,分析了现存视觉系统及行为识别方法在准确性、有效性与适用性方面存在的问题,提出了视觉系统的改进策略及今后计算机视觉技术在猪体识别和行为识别应用中的重点研究方向。     

潮汐对鱼类游泳行为影响的研究进展

潮汐是影响鱼类游泳行为的重要环境因子之一,鱼类在长期演化过程中,生理结构、生态习性等会随着潮汐周期性变化而改变。介绍了潮汐产生的原因及特性,总结了潮汐对鱼类游泳行为的影响,及鱼类在集群、摄食、繁殖等行为方面的适应性,并可根据潮汐动态变化和不同鱼类对潮汐适应性差异侦测鱼群、判断渔汛早晚和鱼群概况等,有利于开发利用海洋资源、保护海洋生态环境及建立资源管理型渔业。     

鱼类应激状态监测中计算机视觉技术的应用

分别从行为参数量化模式、应激状态行为变化等多个方面,对计算机视觉技术在鱼类应激状态下的监测模式进行研究,并提出对鱼行为进行量化研究的方法。按照鱼在不同条件下自身参数变化情况,联合统计方法及人工智能算法,构建精确的自动判别应激模式,为后续工作的开展提供参考。     

计算机视觉技术在农产品品质检测中的应用

从农产品表面缺陷与损伤识别、尺寸与面积检测、颜色识别、果梗识别、果形识别 5个方面综述了国内外在利用计算机视觉技术进行农产品品质检测的研究进展。     

计算机视觉在水产养殖与生产领域的应用

介绍了计算机视觉技术的概念及其基本组成,同时简单介绍了图像预处理的几种常见方法,综述了计算机视觉技术在水产养殖业的几种应用:鱼类对背景色选择习性、鱼类行为监控、鱼类游速监控、鱼类体色变化研究、投饵监控、鱼种辨别、鱼苗计数和鱼体称重等。     

计算机视觉技术在水果品质检测中的研究进展

水果的品质检测是水果分级的重要依据。随着计算机和图像处理技术的发展、计算机硬件成本的下降和性能的提升,计算机视觉检测技术在水果品质检测方面获得了越来越多的应用。为了能充分利用最新研究成果,该文从计算机视觉技术在水果外观品质和内部品质的检测两个方面,分别综述了国内外的研究进展,并对其发展方向进行了展望,以供我国研究人员做同类研究时参考。     

计算机视觉技术在农产品品质检测中的应用

当前,科学技术发展迅速,计算机运行速度得到显著提升,新型的计算机视觉技术也在农产品品质检测中得到了广泛的应用。通过采用计算机视觉技术,极大程度上促进了工作自动化程度及效率的提升,并且可适应较为复杂的环境,有效避免了因人工操作而产生的误差。基于此,从产品表面缺陷与损伤的识别、农产品尺寸与面积的检测,以及果形的识别这三个方面出发,就计算机视觉技术在农产品品质检测中的应用展开综述。     

基于多层记忆增强和残差时空变换器的鱼类异常运动行为检测

由于人工提取抽象特征方法捕获视频异常存在特征学习不足、特征选择困难和泛化性差的问题,笔者将计算机视觉技术引入鱼群异常运动行为检测研究中,采用无监督的学习方式,提出一种结合多层记忆增强和残差时空变换器的鱼类异常运动行为检测方法。该方法以U–Net网络为基础,利用其编码器和解码器对视频帧编码和解码,并根据预测帧和真实帧之间的差异实现异常行为检测。为了加强连续视频帧之间的时空信息特征联系,提出残差时间变换器模块和残差空间变换器模块以提升网络对时间信息和空间信息的建模能力。由于卷积神经网络具有一定的泛化能力,使用记忆增强模块代替U–Net网络中的跳跃连接,降低编码器对异常帧的表示能力。此外,采用生成对抗网络(GAN)技术生成更加真实的预测帧,从而提升网络的检测精度。结果表明：该方法能有效提取鱼群的运动特性和外观特性,在自制的两类鱼群数据集上的AUC(曲线下面积)分别达0.916和0.921,实现了鱼群异常运动行为检测。     

水果检测中的边界追踪法

应用计算机视觉进行水果检测时 ,采用边界追踪技术能有效分割背景与样品 .文章根据梨、苹果等水果的外形特征 ,提出了一种改进的边界追踪方法 .该方法的操作图像可以是二值图像或灰度图像 ,图像中的样品被分割成 4个区域 ,为加快处理速度 ,根据水果外形来确定每个区域边界追踪方向的优先权 .对苹果、梨、芒果等水果图像进行了测试 ,结果表明 ,该方法追踪一幅大小为 15 0× 15 0像素的水果图像 ,所需时间不足 1s .     

机器视觉在农产品检测与分级中的应用与展望

计算机技术的发展与计算机速度的提高和硬件成本的下降,使得机器视觉技术在农产品检测领域中的应用越来越广泛,论述了国内外机器视觉技术在农产品检测中的应用研究和发展情况,同时指出了进一步研究的方向。     

基于计算机视觉的大米外观品质检测

提出了利用计算机视觉系统代替人眼对黄粒米、粒型等大米外观品质参数进行自动检测的方法，以适应农业工程中的自动化的要求。为了验证检测方法的可行性，采用了MATLAB软件开发平台来构造基于计算机视觉的大米外观品质检测算法。在对不同的大米图像处理的基础上，完成了对大米的黄粒米、粒型等的测定。实验结果表明，本算法及程序设计是有效可靠的。     

应用计算机视觉对番茄损伤分类的研究

文章研究了图像处理的去除噪声、图像分割、图像增强等多种低层处理的方法,建立用区域增长法进行番茄表面缺陷区域检测,用BP算法训练的多层前馈神经网络对番茄的损伤进行分类。结果表明,番茄损伤检测和分类的准确率不低于90%。     

基于计算机视觉和XGBoost的虾体活力检测

以南美白对虾为研究对象,提出一种基于计算机视觉和XGBoost的虾体活力检测方法：跟踪对虾应激前后的运动轨迹,提取运动行为特征参数;根据应激性红体现象提取对虾的颜色特征,通过灰度共生矩阵(GLCM)提取虾体应激形成水面波动的纹理特征;运用XGBoost 算法筛选出评价因子,通过加权融合确定评价因子的最佳权重;根据融合后特征对虾体活力强度进行检测。结果表明,提出的方法决定系数为0.905 6,识别准确率为98.61%,较单一颜色、单一纹理以及光流与纹理相结合的方法,识别准确率分别提高6.63%、2.05%和1.61%。     

基于计算机视觉的花生品质分级检测研究

【目的】建立能够对花生进行品质分级的计算机视觉无损检测方法。【方法】同步拍摄和扫描11类品质,每类品质100颗和100宗,每宗100颗不同等级的花生籽粒的正反面图像;参照国家标准量化花生品质籽粒的11个限制性检测项目,设计花生规格和品质等级的判别方法;测量每个籽粒的形态、纹理、颜色共3大类54个外观特征,采用主分量分析(PCA)进行特征优化,构建并比较BP神经网络(ANN)和支持向量机(SVM)品质检测模型;分别应用Matlab和Spss工具软件实现检测过程和对结果进行统计分析。【结果】前16个主分量的SVM模型,能够鉴别95%以上的不完善粒、霉变、杂质、异品种等不同品质的籽粒,与人工检测结果吻合度达到了93%,对100宗待检样品进行检测,规格和等级检测完全正确率达到了92%。【结论】研究结果为花生的品质分级检测提供了比较系统全面的量化标准和检测方法,该方法可推广应用于花生品质鉴别、分级筛选加工和商品分级定价等领域。     

一种基于解耦旋转锚框匹配策略的谷粒检测方法

【目的】基于计算机视觉技术建立水稻考种中谷粒计数与粒径的检测方法,节省考种人力成本,提升效率,有利于数字化育种体系建立。【方法】通过对比基于 YOLOv5l 骨架结构的水平框目标检测策略与基于 ResNet101 和 DarkNet53 骨架结构的旋转框检测策略,同时比较旋转框检测策略预测的水稻谷粒长宽比值与实际测量值之间的差异,验证该方法的可行性。【结果】旋转框的目标检测模型计算得到的水稻谷粒长宽比与实测值无显著差异,两者的均方根误差为 0.91~2.29;而水平框的目标检测模型计算的长宽比显著小于实测值,且均方根误差值（9.38~9.45）比旋转框的目标检测模型更大。基于水平框的目标检测策略与基于旋转框的检测策略在谷粒计数的精度几乎相当,但水平框检测模型无法实现水稻谷粒长宽比的准确计算,而使用旋转框的目标检测策略能够较为准确计算谷粒长宽比。【结论】基于解耦旋转锚框匹配策略可对水稻谷粒进行准确计数,相比传统水平框的目标检测策略,可降低检测中的背景噪声和密集堆积物体的漏检情况,同时快速准确计算水稻谷粒长宽比。该方法可以进一步应用到水稻品种识别中的谷粒长短和大小的计算,以及种子质量检测及品种鉴定等数字化育种场景中。