本公开的一个方面涉及一种生物体量化系统，包括：相机；以及控制器，被配置为控制相机拍摄生物体的数字图像；该系统包括距离估计器，被配置为从数字图像估计从相机到生物体的距离；边界框生成器，包括第一经训练神经网络，所述第一经训练神经网络被配置为估计在数字图像上检测到的所检测生物体的边界框；语义分割器，包括第二经训练神经网络，该语义分割器被配置为生成对应于边界框的掩蔽表示；以及性质估计器，包括第三经训练神经网络，该第三经训练神经网络被配置为基于掩蔽表示来估计所检测生物体的性质。其他方面涉及一种用于量化生物体的方法，包括估计，一种非暂时性计算机可读介质，以及一种包括实行该方法的指令的计算机可执行代码。算机可执行代码。算机可执行代码。
【技术实现步骤摘要】
【国外来华专利技术】用于生物体量化的系统、方法和计算机可执行代码
[0001]本公开的一个方面涉及生物体量化系统。本公开的另一方面涉及一种用于量化生物体的方法。本公开的另一方面涉及存储计算机可执行代码的非暂时性计算机可读介质。
技术介绍
[0002]虾农具有定期估计虾的大小以在任一时间了解他们的收获有多好的众所周知的过程。他们通过使用饲料托盘随机采样由托盘捕获的虾来进行此过程。然后在长度和/或重量方面测量或估计在饲料托盘中捕获的虾。当前，该长度和/或重量数据收集过程是手动进行的，其是耗时的。因此，需要提供一种测量虾的改进的方法和系统。
技术实现思路
[0003]本公开的一个方面涉及一种生物体量化系统(在本文中也被简称为系统)。该系统可以包括移动计算设备，例如包括相机和控制器的智能电话或平板，所述控制器被配置为控制相机拍摄生物体的数字图像。该系统可以包括距离估计器，该距离估计器被配置为从数字图像估计从相机到生物体的距离。该系统可以包括边界框生成器，该边界框生成器包括第一经训练神经网络，该第一经训练神经网络被配置为估计在数字图像上检测到的所检测生物体的边界框。该系统可以包括语义分割器，该语义分割器包括第二经训练神经网络，该语义分割器被配置为生成对应于边界框的掩蔽表示(masked representation)。该系统可以包括性质估计器，该性质估计器包括第三经训练神经网络，该第三经训练神经网络被配置为基于掩蔽表示来估计所检测生物体的性质。移动计算设备可以进一步包括显示器。并且控制器可以被配置为将估计的性质或者基于估计的性质的信息输出到显示器上。
[0004]本公开的一个方面涉及一种用于量化生物体的方法。该方法可以包括通过距离估计器估计从相机到生物体的距离。该方法可以包括，确定该距离可以在预确定的范围内，并且利用相机(例如智能电话或平板的相机)拍摄生物体的数字图像。该方法可以包括由包括第一经训练神经网络的边界框生成器生成对应于在数字图像上检测到的所检测生物体的估计边界框。该方法可以包括由包括第二经训练神经网络的语义分割器生成对应于边界框的掩蔽表示。该方法可以包括由包括第三经训练神经网络的性质估计器基于掩蔽表示来估计所检测生物体的性质。该方法可以包括将估计的性质或基于估计的性质的信息输出到显示器上。
[0005]本公开的一个方面涉及存储包括用于根据本文中公开的方法量化生物体的指令的计算机可执行代码的非暂时性计算机可读介质。
[0006]本公开的一个方面涉及包括用于根据本文中公开的方法量化生物体的指令的计算机可执行代码。
附图说明
[0007]当结合非限制性示例和随附附图考虑时，参考详细描述将更好地理解本专利技术，在
随附附图中：
[0008]‑
图1示出了根据各种实施例的系统的使用状况的示意性图示；
[0009]‑
图2通过示例的方式图示了根据各种实施例的系统的示意图；
[0010]‑
图3图示了作为图2中系统的变型的系统的示意图；
[0011]‑
图4图示了根据各种实施例的用于量化生物体的方法500；
[0012]‑
图5示出了包括以Faster R
‑
CNN形式的第一经训练神经网NN1的示例性边界框生成器200；
[0013]‑
图6示出了包括具有生物体10的托盘20的数字图像的示例280；
[0014]‑
图7示出了以U
‑
net形式的第二神经网络NN2的架构的示例；
[0015]‑
图8示出了根据各种实施例的示例380，其在左边包括对应于边界框BB3和生物体AN3的裁剪图像，该裁剪图像在由语义分割器300分割之后产生掩蔽表示384；
[0016]‑
图9示出了根据各种实施例的示例380，其从左到右包括对应于边界框BB3和生物体AN3的裁剪图像；基于裁剪图像生成的掩模383；以及掩蔽表示384；
[0017]‑
图10示出了根据各种实施例的训练第二神经网络NN2的示例，该第二神经网络NN2包括被包括在训练数据中的训练样本390；
[0018]‑
图11示出了根据各种实施例的第三神经网络的架构400的示例；
[0019]‑
图12示出了根据各种实施例的用于估计生物体的性质的示例性流程图；
[0020]‑
图13示出了用于训练性质估计器400的第三经训练神经网络NN3的示例性工作流；
[0021]‑
图14示出了在处理期间的中间图像的示例，所述图像是按照说明目的示出的；和
[0022]‑
图15示出了表610和620，表610和620示出了所检测生物体AN1、AN2、AN3的性质。
[0023]在各图中，出于说明的目的，可以示出用于训练和量化的相同的示意性图像，然而技术人员将理解训练和实行生物体量化使用不同的图像。
具体实施方式
[0024]以下详细描述涉及随附附图，所述随附附图通过图示的方式示出了可以在其中实践本公开的特定细节和实施例。这些实施例被充分详细地描述，以使得本领域技术人员能够实践本公开。在不脱离本公开的范围的情况下，可以利用其他实施例，并且可以进行结构和逻辑的改变。各种实施例不一定是互斥的，因为一些实施例可以与一个或多个其他实施例组合以形成新的实施例。
[0025]在系统或方法之一的上下文中描述的实施例对于其他系统或方法近似地有效。类似地，在系统的上下文中描述的实施例对于方法近似地有效，并且反之亦然。
[0026]在实施例的上下文中描述的特征可以对应地适用于其他实施例中的相同或相似的特征。在实施例的上下文中描述的特征可以对应地适用于其他实施例，即使在这些其他实施例中没有明确描述。更进一步地，如在实施例的上下文中针对特征描述的添加和/或组合和/或替代可以对应地适用于其他实施例中的相同或相似的特征。
[0027]在各种实施例的上下文中，关于特征或元件使用的冠词“一”、“一个”和“该”包括对所述特征或元件中的一个或多个的引用。
[0028]如本文中所使用的，术语“和/或”包括相关联的所列项目中的一个或多个中的任
何和所有组合。
[0029]在各种实施例的上下文中，术语“生物体”可以指代动物，例如甲壳类动物，诸如虾。该生物体可以是养殖的生物体。生物体可以来自同一物种、同一变种或同一品种，例如同一物种可以是凡纳滨对虾(Litopenaeus Vannamei)。虽然虾在本文中以示例的形式使用，但是本公开不限于此。
[0030]在各种实施例的上下文中，术语“虾”和“对虾”可以可互换地使用，并且可以例如属于枝鳃亚目或真虾下目。
[0031]如本文中所描述的神经网络，诸如第一神经网络、第二神经网络和第三神经网络，可以被训练，在此之后它们被称为经训练的NN，分别诸如第一经训练神经网络、第二经训练神经网络和第三经训练神经网络。训练可以针对要检测的生物体(例如虾，诸本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种生物体量化系统(100)，包括：移动计算设备(110)，包括：
‑
相机(102)；和
‑
控制器(106)，被配置为控制所述相机(102)拍摄生物体(10)的数字图像(30)；距离估计器(120)，被配置为从所述数字图像(30)估计从相机到生物体(10)的距离；边界框生成器(200)，包括第一经训练神经网络(NN1)，所述第一经训练神经网络(NN1)被配置为估计在所述数字图像(30)上检测到的所检测生物体(AN1，AN2，AN3)的边界框；语义分割器(300)，包括第二经训练神经网络(NN2)，所述语义分割器(300)被配置为生成对应于边界框(BB1，BB2，BB3)的掩蔽表示(384)；和性质估计器(400)，包括第三经训练神经网络(NN3)，所述第三经训练神经网络(NN3)被配置为基于所述掩蔽表示(384)估计所检测生物体(AN1，AN2，AN3)的性质。2.根据权利要求1所述的生物体量化系统(100)，其中所述第一经训练神经网络(NN1)是基于快速区域的卷积神经网络(FASTERR
‑
CNN)。3.根据权利要求1或权利要求2所述的生物体量化系统(100)，其中所述第二经训练神经网络(NN2)被配置为：接收裁剪图像(381)，所述裁剪图像(381)是根据估计的边界框(BB1，BB2，BB3)中的边界框(BB3)从数字图像(30)中裁剪的，并且对应于所检测生物体(AN1，AN2，AN3)中的所检测生物体(AN3)；和生成掩模(383)，其中：第一像素对应于所检测生物体(AN3)的数字图像部分(386)，并且不同于第一像素的第二像素对应于没有所检测生物体(AN3)的另一数字图像部分(387)。4.根据前述权利要求中任一项所述的生物体量化系统(100)，其中所述语义分割器(300)被配置为基于掩模(383)生成裁剪图像(381)的掩蔽表示(384)。5.根据前述权利要求中任一项所述的生物体量化系统(100)，其中所述第三经训练神经网络(NN3)包括卷积回归神经网络。6.根据权利要求5所述的生物体量化系统(100)，其中所述卷积回归神经网络是被配置为从掩蔽表示(384)中提取特征的VGG卷积回归神经网络。7.根据权利要求6所述的生物体量化系统(100)，其中所述第三经训练神经网络包括被配置为基于特征来估计性质的全连接层。8.根据前述权利要求中任一项所述的生物体量化系统(100)，其中所述性质是重量。9.根据前述权利要求中任一项所述的生物体量化系统(100)，其中所述生物体(10)是同一物种的虾。10.一种用于量化生物体的方法(500)，包括：由距离估计器(...
【专利技术属性】
技术研发人员：A，
申请(专利权)人：水智有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。