一种基于机器视觉的水下捕鱼方法技术

本发明专利技术涉及一种基于机器视觉的水下捕鱼方法，该水下捕鱼方法通过水下捕鱼装置配合鱼类识别分类、鱼类长度测量及重量预测的步骤实时监测鱼类生长情况，精准掌握最佳捕鱼时期；其中，所述鱼类识别分类包括图像采集与预处理、小波特征提取和BP神经网络鱼类图像分类，所述鱼类长度测量及重量预测包括鱼类样本长度和重量参数获取、鱼类长度信息提取、长度误差补偿和重量预测。本发明专利技术的优点在于：本发明专利技术基于机器视觉的水下捕鱼方法，可以捕捉特定种类和特定大小的鱼类，同时，也可以估测鱼类重量，实时监测鱼类生长情况，精准掌握最佳捕鱼时期。

An Underwater Fishing Method Based on Machine Vision

The present invention relates to an underwater fishing method based on machine vision. The underwater fishing method monitors the growth of fish in real time through the steps of underwater fishing device cooperating with fish identification and classification, fish length measurement and weight prediction, and accurately grasps the optimal fishing period. The underwater fishing identification and classification includes image acquisition and pre-processing, wavelet feature extraction and BP neural network fish. Class I image classification. The fish length measurement and weight prediction include acquisition of fish sample length and weight parameters, extraction of fish length information, length error compensation and weight prediction. The advantages of the present invention are that the underwater fishing method based on machine vision can catch specific species and sizes of fish, at the same time, it can also estimate the weight of fish, monitor the growth of fish in real time, and accurately grasp the optimal fishing period.

【技术实现步骤摘要】
一种基于机器视觉的水下捕鱼方法
本专利技术涉及水下鱼类捕捉技术，特别涉及一种基于机器视觉的水下捕鱼方法。
技术介绍
海洋渔业生产的主要捕捞对象是那些在进行洄游、繁殖、索饵或越冬等活动的鱼类或经济动物的密集群体，特别是繁殖群体，密度大且稳定，而且多数鱼群是以同一体长组或同一年龄组进行集群的，如鲑鳟鱼类特别明显。因此，在进行捕捞作业时，如果对达不到捕捞规格的对象(如低龄或性未成熟的幼鱼)进行酷捕，则必然得不偿失，严重影响来年的资源量，甚至能导致渔业资源的衰退，后患无穷。所以要实现可持续、合理化捕鱼，就需要对不同种类、以及不同大小的鱼类进行选择性捕捞。然而目前对于小规模内陆养鱼来说，一般都是采取竭泽而渔的方式，而对于海场养鱼，也都是采取渔船拉网、撒网，最后再进行人工分拣，不符合捕捞的鱼类再放回，这样就导致人工劳动强度大，工作量非常繁重，效率低下等问题。因此，水下捕鱼机器人具有极其重要的理论研究与实际应用意义，具有良好的经济价值和社会效益。
技术实现思路
本专利技术要解决的技术问题是提供一种基于机器视觉的水下捕鱼方法，可以捕捉特定种类和特定大小的鱼类，同时，也可以估测鱼类重量，实时监测鱼类生长情本文档来自技高网...

【技术保护点】
1.一种基于机器视觉的水下捕鱼方法，其特征在于：所述水下捕鱼方法通过水下捕鱼装置配合鱼类识别分类、鱼类长度测量及重量预测的步骤实时监测鱼类生长情况，精准掌握最佳捕鱼时期；其中，所述鱼类识别分类包括图像采集与预处理、小波特征提取和BP神经网络鱼类图像分类，所述鱼类长度测量及重量预测包括鱼类样本长度和重量参数获取、鱼类长度信息提取、长度误差补偿和重量预测；所述水下捕鱼装置包括用于采集图像的水下摄像机、用于黑暗环境照明的水下照明灯、用于诱导鱼儿的诱鱼灯装置和用于捕捉鱼儿的水下专用捕鱼网及水下机器人；其中，所述诱鱼灯装置包括三色LED和变频发声器。

【技术特征摘要】
1.一种基于机器视觉的水下捕鱼方法，其特征在于：所述水下捕鱼方法通过水下捕鱼装置配合鱼类识别分类、鱼类长度测量及重量预测的步骤实时监测鱼类生长情况，精准掌握最佳捕鱼时期；其中，所述鱼类识别分类包括图像采集与预处理、小波特征提取和BP神经网络鱼类图像分类，所述鱼类长度测量及重量预测包括鱼类样本长度和重量参数获取、鱼类长度信息提取、长度误差补偿和重量预测；所述水下捕鱼装置包括用于采集图像的水下摄像机、用于黑暗环境照明的水下照明灯、用于诱导鱼儿的诱鱼灯装置和用于捕捉鱼儿的水下专用捕鱼网及水下机器人；其中，所述诱鱼灯装置包括三色LED和变频发声器。2.根据权利要求1所述的基于机器视觉的水下捕鱼方法，其特征在于：所述鱼类识别分类具体包括如下步骤：步骤1：图像采集与预处理：水下摄像机采集到鱼类的彩色图片，通过改进的中值滤波器对原始图像进行滤波，然后对滤波后图片进行图像分割，得到去除背景后的分割图像，然后对分割图像进行灰度、形态学和二值化操作，获取到经过处理的鱼体二维二值图像；步骤2：小波特征提取：1)归一化处理：对步骤1的预处理图像进行归一化处理；2)极坐标化：假设f(x,y)表示直角坐标上的二维二值图像，其标准矩定义为Mpq＝∫∫xpyqf(x,y)dxdy，由x＝rcos(θ)，y＝rsin(θ)将上式转为极坐标系得到矩特征的一般表达式为Fpq＝∫∫f(r,θ)gp(r)ejqθrdrdθ，其中gp(r)为变换核的角度分量，ejqθ是变换核的角度分量；3)旋转不变小波矩特征提取：令sq(r)＝∫f(r,θ)ejqθdθ，则上式可写为Fpq＝∫sq(r)gp(r)rdr，可以证明图像发生旋转后特征值模||Fpq||保持不变；选择适当的的基本小波ψ(r)，然后通过伸展、平移来生成小波函数集ψm,n(r)，m，n分别为尺度和平移变量，则小波矩不变量为||Fm,n,q||＝||∫sq(r)ψm,n(r)rdr||；步骤3：BP神经网络鱼类图像分类1)网络初始化：将上述步骤获得的目标图像的矩特征作为BP网络的输入，进而识别目标；假设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m，则输入层到隐含层的权重ωij，隐含层到输出层的权重为ωjk，输入层到隐含层的偏置为aj，隐含层到输出层的偏置为bk；学习速率为η，激励函数为g(x)；其中，激励函数为g(x)取Sigmoid函数，形式为：2)计算隐含层和输出层输出：采用三层BP神经网络，隐含层输出为输出层的输出为3)误差的计算：取误差公式为：其中Yk为期望输出；记Yk-Ok＝ek，则误差E可以表示为公式中i＝1…n,j＝1…l,k＝1…m；4)权值和偏置更新：权值更新公式为：偏置更新公式为：5)输出单元产生的激活再与期望值相比较，判断算法是否已经收敛，如果收敛输出图像识别结果，否则跳转到2)。3.根据权利要求2所述的基于机器视觉的水下捕鱼方法，其特征在于：所述步骤1中图像分割为对滤波图像切割成矩形图像，然后使用GrabCut算法对所述图像进行分割。4.根据权利要求3所述的基于机器视觉的水下捕鱼方法，其特征在于：所述GrabCut算法采用RGB颜色空间，分别用一个K个高斯分量，一般取...

【专利技术属性】
技术研发人员：王伟然，刘金龙，宦键，智鹏飞，陈伟，张宇航，
申请(专利权)人：南京芊玥机器人科技有限公司，
类型：发明
国别省市：江苏,32