基于计算机视觉的水下海参识别方法研究

发布时间：2022-01-10 02:42

　　海参识别是海参捕捞自动化和智能化的前提和关键。海参生活环境复杂且海参体色随环境变化,为解决复杂多变环境下海参识别的难题,提出基于视觉图像和海参特性的水下海参识别算法。利用海参体色随环境变化而海参刺颜色稳定呈黄绿色的特点,在图像预处理的基础上设计图像融合算法突出海参刺,然后通过边缘检测获取海参刺轮廓并计算轮廓质心坐标,进而通过椭圆拟合实现海参的识别。不同于已有的利用海参主干进行海参识别的方法,提出的基于直接最小二乘的海参刺质心椭圆拟合识别算法以海参刺的分割和椭圆拟合为途径,解决海参体色随环境变化而引起的识别率降低的问题。试验结果表明,该算法对自然环境下的海参识别平均准确率为93.33%,具有一定的实用价值。 

【文章来源】：中国农机化学报. 2020,41(07)北大核心

【文章页数】：7 页

【部分图文】：

水下海参识别流程图

绘制水下海参灰度图像和CLAHE增强灰度图像的直方图如图3所示,其中横坐标为灰度级,取值范围是[0,255],纵坐标为对应灰度级的像素在图像中出现的概率。对比CLAHE增强前后水下海参灰度图像的直方图发现,CLAHE增强灰度图像直方图形状与水下海参灰度图像直方图相似并且直方图分布更加均匀,表明CLAHE算法增强后的水下海参图像与原水下海参图像结构相似,证明了内容的真实性。图3 水下海参图像直方图

水下海参图像直方图

【参考文献】：
期刊论文
[1]海参海水养殖技术研究[J]. 王儒胜.  畜禽业. 2019(09)
[2]基于图像处理和BP神经网络的玉米叶部病害识别[J]. 张开兴,吕高龙,贾浩,赵秀艳,刘贤喜.  中国农机化学报. 2019(08)
[3]基于机器视觉的枳壳自动定向方法与试验[J]. 尚志军,张华,曾成,乐猛,赵琪.  中国农机化学报. 2019(07)
[4]基于特征融合和SVM的稻谷品种识别[J]. 李秀昊,马旭,李泽华,邓向武,李宏伟.  中国农机化学报. 2019(07)
[5]基于Faster RCNN的间作类农田无人机喷雾方法研究[J]. 王宜全,吴扬东,祁兵.  中国农机化学报. 2019(06)
[6]基于图像处理的小麦白粉病病斑生长模型构建[J]. 刁智华,袁万宾,罗雅雯,毋媛媛.  中国农机化学报. 2019(06)
[7]福建海参产业发展形势分析[J]. 胡荣炊,蔡珠金,周宸,林岗,林琪,刘燕飞,林位琅.  中国水产. 2019(01)
[8]基于全卷积神经网络的云杉图像分割算法[J]. 陈锋军,王成翰,顾梦梦,赵燕东.  农业机械学报. 2018(12)
[9]基于Sobel改进算子的海参图像识别研究[J]. 崔尚,段志威,李国平,张航.  电脑知识与技术. 2018(22)
[10]CLAHE算法在不同彩色空间中的图像增强效果评估[J]. 刘黎明.  舰船电子对抗. 2016(06)

博士论文
[1]基于水下机器视觉的海参实时识别研究[D]. 乔曦.中国农业大学 2017

硕士论文
[1]海参自动捕捞中的目标跟踪技术研究[D]. 彭丹妮.大连工业大学 2017
[2]海参捕捞机器人技术研究[D]. 皮志锋.哈尔滨工程大学 2017



本文编号：3579905