基于区域分割的深度学习虾苗计数方法技术

本发明专利技术公开了一种基于区域分割的深度学习虾苗计数方法，包括以下步骤：获取虾苗图像；对分割后的小块图像中的虾苗进行识别计数；分割后的虾苗进行拼接去重；确定虾苗容器中虾苗的数量，完成虾苗数量统计，对虾苗进行多次拍照计数，取统计的平均值做为最终的虾苗统计结果；可以实现在不同的光照环境下采集到亮度相近的虾苗图像，实现对虾苗在不同生长阶段

【技术实现步骤摘要】
基于区域分割的深度学习虾苗计数方法、系统及存储介质


[0001]本专利技术涉及图像处理
，尤其涉及基于区域分割的深度学习虾苗计数方法
、
系统及存储介质
。

技术介绍

[0002]虾苗计数是水产养殖中非常重要的一项工作，无论是在虾苗养殖过程中还是在虾苗交易中，经常需要对大量的虾苗进行计数
。
在虾苗养殖过程中，精确地掌握虾苗数量，可以控制虾苗养殖密度，从而避免因过密养殖导致虾苗死亡率增加
。
虾苗计数还可以预测虾苗的生长发育和养殖周期，对虾苗饲料的投放量
、
水质管理
、
养殖环境等方面提供依据，有利于提高虾苗的生长速度和生长质量
。
在虾苗交易过程中，需要对虾苗进行准确的计数，才能保证交易的公平性
。
[0003]传统的虾苗计数方法通常依赖于人工操作，这种方法工作效率低下，熟练程度不同的工人，计数的准确率也有很大差别
。
在人工计数的过程中还可能导致虾苗受到损伤
。
随着光电技术的发展，出现了一些虾苗光电计数器，该类方法使用光信号对虾苗进行照射，通过探测器采集的反射光来统计虾苗的数量
。
光电计数器相比于人工计数来说，在速度和准确度上有非常大的优提升，然而由于光电计数器的设计原理导致光电计数器容易受到复杂的环境因素干扰，例如光线
、
水质等都会影响计数的准确性，导致计数结果误差较大；其次光电计数器只适合一定大小范围的虾苗计数，对于大小差异比较大的虾苗计数准确性将大打折扣；同时光电计数器的维护难度高，容易造成虾苗损伤甚至死亡
。
基于以上缺点光电计数器并未广泛运用
。
[0004]近年来，得益于计算机视觉技术的飞速发展，其在水产养殖领域的应用逐渐受到关注，通过使用计算机视觉和图像处理技术，可以实现对虾苗的自动化
、
非接触式计数，从而提高计数准确性和效率，同时减轻对虾苗的损伤
。
随着计算机视觉技术的发展，越来越多的研究者开始使用计算机视觉技术来实现虾苗计数
。
例如，季玉瑶等利用图像处理技术，通过
OSTU
转换成二值化图像进行阈值分割，然后使用连通区域标记面积法进行对虾苗的计数
。
该计数方法对于图像分割的要求较高，其计数准确度较大程度取决于分割效果，当虾苗密度较高时，虾苗计数会出现严重的误差
。
范松伟等提出了一种卷积神经网络模型的虾苗自动计数技术
,
先将数据样本中每个目标对象用一个像素的点标注获取真实密度图
,
再将训练样本输入到改进卷积神经网络学习以便从图像特征生成估计密度图
,
最后由密度图获得整个视野中的虾苗总数
。
该方法是一种估算方法，无法准确给出虾苗数量
。
[0005]YOLO
模型具有很好的图像处理能力，于秋玉等提出通过聚类算法对虾苗大小进行统计，获得虾苗大小的分布特征，优化
YOLOv4
的锚框，并增加
SAM
模块用于抑制虾苗非必要特征提高识别精度
。
该方法对整张图进行处理，在一些虾苗密集的区域仍会存在很多漏记的情况
。
[0006]但本申请专利技术人在实现本申请实施例中专利技术技术方案的过程中，发现上述技术至少存在如下技术问题：
[0007]1、
有一些基于深度学习的虾苗计数方法是通过密度估计的方法，该方法没有对虾苗进行计数，是一种估计算法
。
[0008]2、
有一些基于深度学习的虾苗计数算法是对整张虾苗图像进行标注训练，当虾苗密集时，无法对虾苗进行识别计数，容易出现漏记的问题
。
[0009]3、
虾苗生长不同时期，外形特征会存在不同，由于虾苗体积小，所占的像素点少，特征信息不明显，在整张图片中特征所占的像素比例较少
。
[0010]4、
不同光照环境采集的虾苗图片明暗存在差异，图像预处理方法也存在不同，影响虾苗计数的准确性
。

技术实现思路

[0011]本申请实施例通过提供一种基于区域分割的深度学习虾苗计数方法，提高了图像处理计数的准确度，实现在不同光照环境
、
不同生长阶段
、
不同密度的虾苗图像的准确计数
。
[0012]本申请实施例提供一种基于区域分割的深度学习虾苗计数方法，包括以下步骤：
[0013]步骤
S1
：获取虾苗图像；盛放虾苗的容器采用半透光处理，分别在容器四周和底部进行补光
。
采用相机获取虾苗图像，分别对不同密度的虾苗进行拍摄；
[0014]步骤
S2
，对虾苗图像进行分割处理；将原图裁剪成
N
×
N
的小块图像，在训练阶段对裁剪后的小块图像进行数据标注后进行训练；检测阶段将裁剪后的小块图像输入到检测网络进行检测
。
[0015]步骤
S3
，对分割后的小块图像中的虾苗进行识别计数；由于虾苗特征在小块图像中比较明显，所以可以准确识别出小块图像中的所有虾苗，对识别出的虾苗进行统计计数
。
[0016]步骤
S4
，对分割后的虾苗图像进行拼接去重，去掉对跨越不同小块图像的同一个虾苗的重复计数；根据输出结果的检测边界与图像裁剪边界相接的情况，建立检测结果集合；计算两个边界框的重叠边界的重叠率，判断两个检测区域是否相接；选取重叠率最大的匹配对象，确定去重区域；通过自适应对比度增强算法对输入图像进行对比度增强，得到虾苗对比度增强图像；使用侧窗滤波对图像进行滤波，在尽可能保留边缘的前提下进行降噪处理，得到侧窗滤波图像，对滤波图像进行二值化，得到二值化图像；通过统计连通域个数来确定图像中虾苗的数量
。
[0017]步骤
S5
，确定虾苗容器中虾苗的总数量，完成虾苗数量统计；对虾苗进行多次拍照计数，取统计的平均值做为最终的虾苗统计结果
。
[0018]优选的，所述步骤
S2
中的标注方式，采用标注虾苗关键信息的数据集标注方式，标注时只对虾头和尾部进行标注
。
[0019]优选的，所述步骤
S2
中使用
YOLOv5
目标检测算法，将虾苗图像输入到
YOLOv5
模型中，分别进行训练和测试
。
[0020]优选的，所述步骤
S4
中根据输出结果的检测边界与图像裁剪边界相接的情况，建立检测结果集合，具体包括：
[0021]根据输出结果的检测边界与图像裁剪边界相接的情况分为9种情况，分别为：无相接
N、
顶部相接
U、
底部相接
D、...

【技术保护点】

【技术特征摘要】
1.
一种基于区域分割的深度学习虾苗计数方法，其特征在于，包括以下步骤：步骤
S1
：获取虾苗图像；盛放虾苗的容器采用半透光处理，分别在容器四周和底部进行补光
。
采用相机获取虾苗图像，分别对不同密度的虾苗进行拍摄；步骤
S2
，；将原图裁剪成
N
×
N
的小块图像，在训练阶段对裁剪后的小块图像进行数据标注后进行训练；检测阶段将裁剪后的小块图像输入到检测网络进行检测；步骤
S3
，对分割后的小块图像中的虾苗进行识别计数；由于虾苗特征在小块图像中比较明显，所以可以准确识别出小块图像中的所有虾苗，对识别出的虾苗进行统计计数；步骤
S4
，对分割后的虾苗图像进行拼接去重，去掉对跨越不同小块图像的同一个虾苗的重复计数；根据输出结果的检测边界与图像裁剪边界相接的情况，建立检测结果集合；计算两个边界框的重叠边界的重叠率，判断两个检测区域是否相接；选取重叠率最大的匹配对象，确定去重区域；通过自适应对比度增强算法对输入图像进行对比度增强，得到虾苗对比度增强图像；使用侧窗滤波对图像进行滤波，在尽可能保留边缘的前提下进行降噪处理，得到侧窗滤波图像，对滤波图像进行二值化，得到二值化图像；通过统计连通域个数来确定图像中虾苗的数量；步骤
S5
，确定虾苗容器中虾苗的总数量，完成虾苗数量统计；对虾苗进行多次拍照计数，取统计的平均值做为最终的虾苗统计结果
。2.
如权利要求1所述的基于区域分割的深度学习虾苗计数方法，其特征在于，所述步骤
S2
中的标注方式，采用标注虾苗关键信息的数据集标注方式，标注时只对虾头和尾部进行标注
。3.
如权利要求1所述的方基于区域分割的深度学习虾苗计数方法，其特征在于，所述步骤
S2
中使用
YOLOv5
目标检测算法，将虾苗图像输入到
YOLOv5
模型中，分别进行训练和测试
。4.
如权利要求1所述的方基于区域分割的深度学习虾苗计数方法，其特征在于，所述步骤
S4

【专利技术属性】
技术研发人员：张渊，段宏超，王军，蓝舸程，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：