采用机器视觉和傅里叶频谱特征的循环水养殖鱼类摄食状态判别

为精准判别工厂化循环水养殖池中鱼类摄食行为动态,实现精准投喂,该研究提出一种基于傅里叶频谱特征提取并通过支持向量机分类的鱼类摄食行为判断方法.首先,对采集到的工厂化循环水养殖池中鱼群的摄食影像作水花前景提取,并从空域转化至频域;然后,在频域内构建环形滤波器,通过频谱滤波确定特征向量提取范围(更明显表征图像灰度变化剧烈程...     

基于轻量级神经网络MobileNetV3-Small的鲈鱼摄食状态分类

在集约化水产养殖过程中,饲料投喂是控制养殖成本,提高养殖效率的关键。室外环境复杂多变且难以控制,适用于此环境的移动设备计算能力较弱,通过识别鱼类摄食状态实现智能投喂仍存在困难。针对此种现象,该研究选取了轻量级神经网络MobileNetV3-Small对鲈鱼摄食状态进行分类。通过水上摄像机采集水面鲈鱼进食图像,根据鲈鱼进食规律选取每轮投喂后第80～110秒的图片建立数据集,经训练后的MobileNetV3-Small网络模型在测试集的准确率达到99.60%,召回率为99.40%,精准率为99.80%,F1分数为99.60%。通过与ResNet-18, ShuffleNetV2和MobileNetV3-Large深度学习模型相比,MobileNetV3-Small模型的计算量最小为582 M,平均分类速率最大为39.21帧/s。与传统机器学习模型KNN（K-Nearest Neighbors）、SVM（Support Vector Machine）、GBDT（Gradient Boosting Decision Tree）和Stacking相比,MobileNetV3-Small模型的综合准确率高出12.74、23.85、3.60和2.78个百分点。为进一步验证该模型有效性,在室外真实养殖环境进行投喂试验。结果显示,与人工投喂相比,基于该分类模型决策的鲈鱼投喂方式的饵料系数为1.42,质量增加率为5.56%。在室外真实养殖环境下,MobileNetV3-Small模型对鲈鱼摄食状态有较好的分类效果,基于该分类模型决策的鲈鱼投喂方式在一定程度上能够代替养殖人员进行决策,为室外集约化养殖环境下的高效智能投喂提供了参考。     

循环水养殖大口黑鲈摄食颗粒饲料的声学特征

为突破智能投饲系统的技术瓶颈,近年来采用被动声学技术开展鱼虾摄食行为研究成为热点之一。该研究主要采用被动声学技术获取单体大口黑鲈（Micropterus salmoides）摄食声信号,从混合信号中提取完善的摄食信号,筛选可作为衡量大口黑鲈摄食活跃度的声学特征参数,以期对摄食活跃度进行量化。根据大口黑鲈喂食期间的同步音频与视频记录,确定信号类别并进行标记,主要提取每次吞食饲料的时域与频域特征,对比各参数与吞食次序之间的相关度。研究结果表明,摄食声信号能量主要集中于4.2～7.4 kHz,且大口黑鲈吞食间隔与吞食次序呈正相关,稳定性较强;而时域特征中的波形振幅极差与频域特征的功率积分值均与吞食次序呈负相关。吞食间隔、振幅极差及功率积分值均可以作为衡量摄食活跃度的量化指标,而共振峰与平均梅尔倒谱系数可作为摄食声识别参数,研究结果可为今后养殖鱼类被动声学智能投饲系统研发提供理论基础。     

基于机器视觉的水下鲆鲽鱼类质量估计

为了更好地解决水下鲆鲽类等底栖鱼的质量估计问题,本研究获取了半滑舌鳎（Cynoglossus semilaevis）在不同生长阶段的图像和质量数据,利用图像处理技术测量出鱼的面积,并将面积与质量进行数据拟合建立模型。结果表明面积与质量的相关性可达到0.9682,测试平均相对误差为6.17%。由于鱼的质量还受其他形状参数的影响,同时测量了等效椭圆长短轴比和圆形度因子,对面积、等效椭圆长短轴比和质量,面积、圆形度因子和质量分别进行三维拟合,质量估计的平均相对误差分别为5.50%、5.62%。通过验证表明,对水底鱼拍摄的图像经过水底模板校准后的处理结果,与水外面拍摄处理后的结果一致,因此在不捕捞的情况下可以实现水底活体鲆鲽类鱼的质量估计。     

基于图像纹理特征的养殖鱼群摄食活动强度评估

为了解决循环水养殖中的投喂难题,该文以镜鲤为试验对象,基于计算机视觉技术,提出了一种通过分析鱼群的纹理来评估鱼群摄食活动强度的方法。首先利用均值背景建模重建出没有鱼群的背景图片,提取出目标鱼群,使用灰度共生矩阵对逆差矩、相关性、能量和对比度这4个纹理特征进行分析,得到鱼群的摄食活动强度。试验结果表明通过鱼群纹理的对比度与传统方法面积法得到的鱼群摄食活动强度,其线性决定系数可达0.894 2,说明该方法可以用来表征鱼群的摄食活动强度,研究结果为鱼群的摄食活性强度测量提供了一种参考方法。     

基于机器视觉的玉米施肥智能机器系统设计概述

分析了采用机器视觉识别大田玉米的生长状况进而实现大田玉米定时、定点、变量精确施肥和实现农业机组的视觉自主导航和无人驾驶的机理。重点介绍了开发研制的玉米施肥智能机器系统的总体设计和所采取的相关技术的概况。     

基于机器视觉的烟叶加料有效面积检测

介绍了通过运用机器视觉的方式,检测在卷烟制造制丝加料环节中香料在烟叶中的有效附着面积,即加料的有效面积.通过此检测方式能够完善在加料环节的有效面积测定方法,从而进一步提高卷烟产品质量.     

基于机器视觉的田间杂草识别技术研究进展

田间杂草识别技术是实现变量喷洒除草剂以保护环境的关键所在。针对国内外在精细农业的杂草识别领域,全面、系统地分析了基于机器视觉的田间杂草识别技术的研究进展与应用状况,以促进该项技术在中国的应用和发展。分别阐述了利用植物和背景形状特征、纹理特征、颜色特征和多光谱特征识别田间杂草技术的理论依据、特征参数、研究状况和问题所在,并指出了实现田间实时识别的难点。     

基于机器视觉的草地蝗虫识别方法

为了准确、自动地提取蝗虫信息进行蝗灾测报,提出了一种基于机器视觉的草地蝗虫识别方法,用于超低空蝗灾预警系统所自动采集的视频中草地蝗虫头数信息的提取。该方法先根据跃起草地蝗虫的背景构成,把原始图像分为天空子图像和草地子图像;然后,采用帧间差分法检测两子图像中的运动区域;最后,运用蝗虫的形态特征因子对检测的运动区域进行再分类,识别跃起蝗虫。把自动识别的跃起蝗虫头数,带入建立的跃起蝗虫头数与和地面蝗虫头数之间的数学模型中,从而得到地面蝗虫的数量,进行地面上草地蝗虫的间接计数。试验结果表明:跃起草地蝗虫的识别率为80%～100%,由建立跃起蝗虫和地面蝗虫的之间模型计算的地面草地蝗虫的精度大于80%。因此,基于机器视觉的草地蝗虫识别方法能满足蝗虫精准测报的要求。     

基于机器视觉的松林天牛远程智能监测系统

松墨天牛和褐梗天牛是松树上两种重要蛀干害虫,及时获取松林天牛的数量变化趋势是松林害虫精准防治的重要前提。为此,该研究构建一款基于机器视觉的松林天牛远程智能监测系统。系统主要由诱捕器模块、天牛检测模块和系统Web端三部分组成。诱捕器模块通常放置于松林重点区域来诱捕天牛害虫,并通过摄像头定时采集天牛图像;天牛检测模型部署于边缘端,以深度学习YOLOv5s模型为基础搭建轻量化检测模型,实现边缘端的天牛实时检测统计;检测结果经无线传输在系统Web端进行呈现,实现天牛数据可追溯。试验结果表明,智能监测系统对天牛监测效果良好,模型的准确率为94.4%,召回率为93.6%,IoU阈值为0.5下的平均精度均值(m AP0.5)为96.2%,单张推理耗时为1.40 s,模型大小为9.3 MB;用户可通过系统Web端查看天牛数量变化趋势。该系统可实现诱捕器场景下的天牛远程智能监测,对提高森林害虫防控智能化水平具有重要意义。     

计算机视觉技术在水产养殖中的应用与展望

该文从养殖动物的生物量测量、行为监测和应激状态评估等方面综述了计算机视觉技术在水产养殖中生物信息获取方面的研究进展,并提出了进一步研究的方向是用图像处理技术量化鱼的行为的新方法,鱼在各种应激和养殖条件下行为变化的量化研究和人工智能技术的应用等方面。     

鱼类养殖智能投喂方法研究进展

在鱼类养殖过程中,饲料成本是主要养殖成本,如何做到合理投喂是减少养殖成本、提高养殖效益的关键。智能投喂是基于各类传感器获取环境和鱼群的各类信息,结合相关算法模型进行决策的投喂方式,是提高鱼类养殖投喂效率的重要手段。目前,鱼类的智能投喂已经取得了一些成果,但由于复杂多变的养殖环境和鱼类行为的不确定性,实现鱼类智能投喂仍面临挑战。该研究综述了鱼类养殖智能投喂的应用与进展,包括基于计算机视觉技术的鱼类摄食行为分析与饲料检测,声学技术、其他传感器技术和生物模型在智能投喂中的应用与发展。此外,分析了投饵机和投喂系统的研究现状,并总结了目前研究存在的问题。今后,要进一步加强水产、工学、信息等多学科的交叉融合,对鱼类图像、声音、生长规律与生物特征等多种信息进行综合分析应用,以提高投喂系统对多场景和多种养殖方式的适应性。     

基于光流法的鱼群摄食状态细粒度分类算法

对鱼群摄食状态的细粒度分类有利于更精细地描述鱼群的摄食行为.该研究基于工厂化的循环养殖池环境提出了一种利用光流法进行特征提取的鱼群摄食状态细粒度分类算法.算法对鱼群的巡游视频进行摄食状态分类,首先通过光流法提取视频内鱼群的帧间运动特征,其次构建了一个帧间运动特征分类网络对该特征进行细粒度分类,最后基于投票策略确定视频的...     

基于改进YOLOv8和多目标跟踪的鱼苗计数方法

水产养殖业中鱼苗的数量检测是一个重要环节。针对传统的人工计数方法效率低、精度差、易造成鱼苗应激和损伤等问题,该研究以体长20～50 mm的草鱼苗为检测对象,提出了一种基于改进YOLOv8和多目标跟踪的小鱼苗计数方法。根据鱼苗目标小且检测速度要求高的特点,在YOLOv8算法中引入了P2小目标检测层,同时在检测头前添加GAM（global attention mechanism）注意力机制,并将目标识别损失函数优化为Inner-SIoU（inner-SCYLLA- intersection over union）损失函数以加快模型的收敛速度、提高对小目标和重叠目标的识别准确率;然后,针对检测识别到的鱼苗目标,结合多目标跟踪算法实现了一种适用于小鱼苗的跟踪计数方法。最后通过设计鱼苗计数试验平台、采集制作数据集、训练计数模型并进行计数试验验证该计数方法的优点和性能指标。试验结果表明,平均计数精度、平均绝对误差、均方根误差分别为97.16%、3.67、5.26,各项指标优于YOLOv5+DeepSORT、YOLOv8+DeepSORT、YOLOv8+StrongSORT 、YOLOv8+ByteTrack、YOLOv8+BoT-SORT等方法。该研究方法能够以更快的速度和更高的准确性统计视频中小鱼苗数量,为工厂化水产养殖的鱼苗快速准确计数、生物量估计等奠定了基础。     

基于机器视觉技术的淡水鱼品种识别

为了后续加工便利,需要对打捞上来的淡水鱼进行分类,而且分类是淡水鱼加工前处理的重要工序之一。为了实现淡水鱼的自动分类,该研究通过收集常见的4种淡水鱼240条为试验样本,分别为鲢鱼、鲫鱼、鳊鱼和鲤鱼。通过运用机器视觉技术采集各种淡水鱼的图像,并运用数字图像处理技术对图像进行处理,提取其各个颜色分量及长短轴之比等特征值,最后运用该特征值建立有关淡水鱼的品种识别模型。研究表明,通过该识别模型可以完全实现对鲢鱼、鲫鱼、鳊鱼和鲤鱼这4种淡水鱼的品种的识别,准确率达到96.67%。机器视觉技术可以快速准确对常见的淡水鱼进行品种识别,具有较强的实际应用价值。     

基于机器视觉的苹果最大横切面直径分级方法

针对中国苹果产后分选率和分选精度均较低而影响其商品价值等现状,在GB/T10651-2008《鲜苹果》颁布的背景下,设计了一套基于机器视觉技术的苹果分选系统。针对红富士苹果,采用了一种利用RGB颜色模型R-B通道进行阈值分割和均值滤波后,通过行扫描提取出轮廓的方法。提出了2种对苹果进行大小分级的理论模型:一种以苹果轮廓线上两点之间的最大距离作为分级标准;另一种以苹果最大横切面直径作为分级标准,其中苹果最大横切面直径通过曲线拟合得出。利用VC6.0软件编程实现了上述2种分级模型的算法。通过40个苹果6次在线分级试验表明,模型一分级正确率为93.3%,模型二分级正确率为87.1%,双通道分级效率最高可达12个/s,达到了苹果在线分选商品化应用的基本要求,为近球形果蔬参照行业分级标准进行大小自动化分选提供参考。     

融合YOLOv7和BYTE多目标跟踪的多类别海珍品计数方法

针对目前养殖过程中海珍品计数方法成本高、效率低、计数精度难以保障等问题,该研究以真实底播养殖环境下的海珍品为研究对象,以水下拍摄的海珍品视频为数据源,提出一种基于视频多目标跟踪的多类别海珍品计数方法。首先,采用性能优异的YOLOv7算法实现海珍品目标检测器,为多目标跟踪提供输入;然后,结合真实养殖环境下同类别海珍品外观相似性高、不清晰等特点,借鉴BYTE算法的多目标跟踪思想,设计多类别轨迹生成策略和基于轨迹ID号的计数策略,提出一种多类别海珍品跟踪与计数方法。并提出一套更适用于基于轨迹ID号计数方法的评估指标。试验结果表明,改进平均计数精度、改进平均绝对误差、改进均方根误差及帧率分别为91.62%、5.75、6.38和32帧/s,各项指标多优于YOLOv5+DeepSORT、YOLOv7+DeepSORT、YOLOv5+BYTE、YOLOv7+BYTE等算法,尤其改进平均计数精度、帧率指标比YOLOv5+DeepSORT高了29.51个百分点和8帧/s,且在改进平均绝对误差、改进均方根误差指标上分别降低19.50和12.08。该研究方法可有效帮助水产养殖企业掌握水下海珍品数量,为现代化渔业的测产研究提供技术参考,为水产养殖的智慧管理提供科学决策依据。