基于计算机视觉的水下蟹苗信息采集系统研究

发布时间：2021-08-21 14:25

　　随着现代化水产养殖的发展,信息化的养殖过程成为了需求。在梭子蟹人工育苗过程中,需要对育苗环境和蟹苗状态实时掌控,才能让养殖者及时做出调整以避免损失。使用计算机视觉技术对养殖生物进行信息采集,不仅对养殖生物干扰小而且客观性强,可以很好地辅助养殖者降低风险、提高产量。本文基于蟹苗的行为特点,使用计算机视觉技术对水下蟹苗信息采集系统进行了研究,具体研究内容和结果如下:第一,实际养殖环境中的蟹苗识别是蟹苗信息采集走向实际运用的基础,本研究针对不同时期蟹苗采取不同的识别方法。在对视频进行背景建模之后,即可获取具有运动特征的前景图像,这些图像包含蟹苗和各类杂质。针对溞状幼体和小型杂质,对其图像提取外形特征和亮度特征,然后使用SVM分类器对图像分类,实现溞状幼体的识别。针对大眼幼体和相同周长的杂质,对其图像提取Haar-like特征,然后使用Adaboost训练分类器对图像分类,实现大眼幼体的识别。实验结果表明,溞状幼体的识别准确率高于91.56%,大眼幼体的识别准确率高于93.21%,说明有针对性的蟹苗识别方法,可以较好地实现识别功能。第二,蟹苗的健康状态对养殖过程极为重要,而健康状态的量化更加有... 

【文章来源】：宁波大学浙江省

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
引言
1 绪论
    1.1 研究的背景及意义
    1.2 计算机视觉的国内外发展现状
        1.2.1 计算机视觉技术在生物识别中的发展状况
        1.2.2 计算机视觉技术在生物群体行为检测中的发展状况
        1.2.3 计算机视觉技术在生物量估计中的发展状况
    1.3 水下蟹苗信息采集系统的总目标和技术路线
    1.4 课题主要研究内容以及章节安排
2 图像处理与目标识别的基础知识
    2.1 图像处理与计算机视觉
    2.2 图像的背景建模
    2.3 图像的形态学运算
    2.4 图像的特征提取
    2.5 支持向量机(SVM)
    2.6 自适应增强算法(AdaBoost)
    2.7 竞争型神经网络
    2.8 本章小结
3 水下视频的蟹苗识别
    3.1 实验材料和方案
        3.1.1 实验环境和实验装置
        3.1.2 实验方案
    3.2 水下物体的提取和筛选
    3.3 溞状幼体和杂质的分类
        3.3.1 图像特征提取
        3.3.2 溞状幼体的识别
    3.4 大眼幼体和杂质的分类
        3.4.1 图像特征提取
        3.4.2 大眼幼体的识别
    3.5 结果讨论
        3.5.1 溞状幼体和杂质的分类
        3.5.2 大眼幼体和杂质的分类
    3.6 本章小结
4 蟹苗健康状态判别
    4.1 材料和方法
        4.1.1 三疣梭子蟹幼苗
        4.1.2 实验装置和环境
        4.1.3 实验方案
    4.2 趋光能力的量化
        4.2.1 趋光能力参数
        4.2.2 聚集个数估计
    4.3 蟹苗聚集图像的数量估计
        4.3.1 蟹苗图像的提取
        4.3.2 阈值判别
        4.3.3 低密度蟹苗图像的数量估计
        4.3.4 高密度蟹苗图像的数量估计
            4.3.4.1 图像的全局特征
            4.3.4.2 蟹苗图像的密集等级
    4.4 实验结果
        4.4.1 聚集数量估计
            4.4.1.1 低密度图像的数量估计
            4.4.1.2 高密度图像的数量估计
        4.4.2 不同盐度下的蟹苗趋光能力
    4.5 结果讨论
        4.5.1 数量估计算法的讨论
        4.5.2 与其他算法对比
    4.6 本章小结
5 池内总量估计
    5.1 材料和方法
        5.1.1 实验装置和环境
        5.1.2 实验方案
    5.2 池内蟹苗总量估计
        5.2.1 非参数估计方法
        5.2.2 获取样本数据
        5.2.3 建立非参数估计模型
        5.2.4 计算积分半径
        5.2.5 估计池内总值
    5.3 实验结果
        5.3.1 小型养殖池内总量估计
        5.3.2 大型养殖池内总量估计
    5.4 结果讨论
    5.5 本章小结
6 总结与展望
    6.1 工作总结
    6.2 存在的不足和展望
参考文献
在学研究成果
致谢


【参考文献】：
期刊论文
[1]基于计算机视觉的鱼苗自动计数系统研究[J]. 王文静,徐建瑜,杜秋菊.  渔业现代化. 2016(03)
[2]植物空间分布格局中邻体距离的概率分布模型及参数估计[J]. 高猛.  生态学报. 2016(14)
[3]基于光流法与特征统计的鱼群异常行为检测[J]. 于欣,侯晓娇,卢焕达,余心杰,范良忠,刘鹰.  农业工程学报. 2014(02)
[4]结合局部和全局特征的人群密度估计算法[J]. 李寅,王贵锦,林行刚.  清华大学学报(自然科学版). 2013(04)
[5]盐度对三疣梭子蟹生长、蜕壳及能量利用的影响[J]. 路允良,王芳,赵卓英,董双林,马甡.  中国水产科学. 2012(02)
[6]中值滤波的视频背景更新[J]. 苏礼坤,陈怀新.  光电工程. 2010(01)
[7]直方图理论与最优直方图制作[J]. 张建方,王秀祥.  应用概率统计. 2009(02)
[8]非参数密度估计法比较分析及应用[J]. 屈文建,熊国经.  沈阳农业大学学报. 2008(04)
[9]Cu、Pb、Cd、Hg亚致死浓度对三疣梭子蟹幼体的影响[J]. 廖永岩,陈润锋.  环境科学学报. 2007(08)
[10]Behavioral response of tilapia （Oreochromis niloticus） to acute ammonia stress monitored by computer vision[J]. 徐建瑜,苗香雯,刘鹰,崔绍荣.  Journal of Zhejiang University Science. 2005(08)

博士论文
[1]基于计算机视觉的鱼卵胚胎发育过程智能化识别方法研究[D]. 段延娥.中国农业大学 2016

硕士论文
[1]梭子蟹苗期生长发育可视化与预警研究[D]. 郝明珠.宁波大学 2015
[2]基于鱼群行为分析的水质监测系统研究[D]. 范伟康.浙江工业大学 2015
[3]鱼类行为视频在线监测若干关键技术研究[D]. 张文.浙江工业大学 2012
[4]基于计算机视觉的水质在线鱼类预警技术研究[D]. 廖悦.宁波大学 2012
[5]非参数密度估计在判别分析中的应用[D]. 朱干江.南京信息工程大学 2007



本文编号：3355774