一种基于计算机视觉的河蟹表型分析方法及设备技术

本发明专利技术提供了一种基于计算机视觉的河蟹表型分析方法及设备，所述方法包括步骤：通过河蟹图像采集设备采集河蟹图像数据集；通过改进的

【技术实现步骤摘要】
一种基于计算机视觉的河蟹表型分析方法及设备


[0001]本专利技术涉及计算机视觉
，具体地，涉及一种基于计算机视觉的河蟹表型分析方法及设备
。

技术介绍

[0002]中华绒螯蟹俗称大闸蟹
、
河蟹，属节肢动物门甲壳总纲十足目绒螯蟹属，其具有肉质鲜嫩
、
营养及经济价值高等特点
。
河蟹的生长状态可以影响河蟹生物表型，反之，河蟹的表型性状也能直接反应其生长状况，通过形态分析和评价，可为产地溯源
、
生长状态评价提供依据，进而有助于提高河蟹的产量与品质
。
河蟹头胸甲作为河蟹密不可分的一部分，其长度与宽度等体尺性状与河蟹体型
、
质量
、
肥满度高度相关，中华绒螯蟹头胸甲表型特征的测量分析，对筛选培育高产河蟹品种有重要作用
。
[0003]而传统的水产养殖业对这类水产品生长状况的测量和监控主要是依靠手工方法对形态参数进行测量，但在手工测量过程中，需要利用游标卡尺对河蟹体态特征部位进行逐一手工比对测量，存在主观性强
、
劳动强度大
、
误差大
、
效率低等缺点，难以进行大规模测量，限制了河蟹体型性状的遗传改良
。
因此，如何快速统计待测生物对象的生长信息是水产养殖科学的重要问题
。
基于计算机视觉和图像处理技术，研发便携高效的一体化设备进行生物表型数据的快速测量统计，有利于水产养殖行业进一步商业化
>、
规模化以及专业化育种技术的发展
。
[0004]目前现有的方案使用传统的图像处理方法，即利用软件在拍摄好的头胸甲图片上建立特征点或者采用传统分割方法等对河蟹图片进行背甲分割并进行人工标注特殊点从而得到体长
、
体宽等表型数据；这些模型可以完成表型数据测量，但是仍需要进行较多人工交互，不具备良好的端到端性能，在模型生产效率上仍然有所欠缺，无法满足中华绒螯蟹准确和高效指标的需求
。

技术实现思路

[0005]针对现有技术中的缺陷，本专利技术的目的在于提供一种基于计算机视觉的河蟹表型分析方法及设备，通过将计算机视觉方法应用在河蟹图像背甲分割的基础上，在河蟹图像中自动提取出更加全面的河蟹表型特征，以此为衡量河蟹长状况及种群判别提供重要依据，并且精度高
、
计算速度快
。
[0006]为解决上述问题，本专利技术的技术方案为：
[0007]一种基于计算机视觉的河蟹表型分析方法，包括以下步骤：
[0008]通过河蟹图像采集设备采集河蟹图像数据集；
[0009]通过改进的
MaskR
‑
CNN
图像分割模型，对采集的河蟹图像分割出河蟹背甲；
[0010]对分割出的河蟹背甲图像提取轮廓，获得表型关键点坐标信息；
[0011]计算并保存所述模型输出的关于所述河蟹表型特征
。
[0012]优选地，所述通过河蟹图像采集设备采集河蟹图像数据集的步骤具体包括以下步
骤：
[0013]将河蟹放入河蟹图像采集设备内，启动图像采集设备采集获得河蟹样本的俯视图图像；
[0014]对拍摄的原始河蟹图像进行标注，标注所要的分割的河蟹背甲区域，并进行数据增强，扩充训练数据集；
[0015]将所述训练数据集按比例随机划分为训练集
、
验证集
。
[0016]优选地，所述通过改进的
MaskR
‑
CNN
图像分割模型，对采集的河蟹图像分割出河蟹背甲的步骤具体包括以下步骤：
[0017]采用
PointRend
模块来替换
MaskR
‑
CNN
的
MaskHead
模块，得到改进的
Mask R
‑
CNN
模型；
[0018]使用训练数据集对改进后的
MaskR
‑
CNN
模型进行训练；
[0019]使用训练好的改进
MaskR
‑
CNN
模型进行河蟹图像背甲分割
。
[0020]优选地，所述改进的
MaskR
‑
CNN
模型包括：
Backbone
网络模块
、
多尺度特征融合模块
、
分割预测模块和
NetworksHeads
模块，所述
Backbone
网络模块对待处理的河蟹图像进行初步特征提取，获取多尺度的低分辨率特征和高分辨率特征；所述多尺度特征融合模块对所述
Backbone
网络模块的低分辨率特征进行上采样特征填充，并将经过上采样处理的低分辨率特征与高分辨率特征进行融合，获得融合特征图；所述分割预测模块特征图使用区域生成网络中生成表达分割物体位置的候选框并进行回归计算，并使用
ROIAlign
算法得到感兴趣区域；所述
NetworksHeads
模块用于对感兴趣区域进行分类
、
检测
、
分割
。
[0021]优选地，所述对分割出的河蟹背甲图像提取轮廓，获得表型关键点坐标信息的步骤具体包括以下步骤：
[0022]对分割出的河蟹背甲图像进行二值化，提取河蟹背甲轮廓；
[0023]将轮廓顶点旋转校正，基于校正后的轮廓，计算属于边缘的最小凸多边形，获得凸包点集；
[0024]基于所述凸包点集，获取河蟹表型信息
。
[0025]优选地，所述将轮廓顶点旋转校正，基于校正后的轮廓，计算属于边缘的最小凸多边形，获得凸包点集的步骤具体包括：
[0026]计算轮廓顶点的凸缺陷，将轮廓点集以凸缺陷最大的两个轮廓点所连直线与
x
轴所成夹角旋转校正，后续计算采用校正后的轮廓；
[0027]使用
Graham
‑
Scan
算法扫描轮廓，计算属于边缘的最小凸多边形，获得凸包点集；
[0028]对轮廓计算外接矩形，将外接矩形根据高的中点和凸缺陷最大的两个轮廓点从左到右，从上到下分为Ⅰ、Ⅱ、Ⅲ、Ⅳ、
Ⅴ
、
Ⅵ
六个区域，同时将凸包点集和轮廓点集分为六个区域
。
[0029]优选地，所述基于所述凸包点集，获取河蟹表型信息的步骤具体包括：
[0030]设置距离阈值
d,
根据
d
将Ⅰ、Ⅲ区域的凸包点分别划分4个邻域，从每个邻域内多个凸包点中选出凸包顶点，得到第一前侧齿
、
第二前侧齿
、
第三前侧齿
、
第四前侧齿的坐标点对；
[0031]根据区域Ⅱ所述轮廓本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于计算机视觉的河蟹表型分析方法，其特征在于，所述方法包括以下步骤：通过河蟹图像采集设备采集河蟹图像数据集；通过改进的
MaskR
‑
CNN
图像分割模型，对采集的河蟹图像分割出河蟹背甲；对分割出的河蟹背甲图像提取轮廓，获得表型关键点坐标信息；计算并保存所述模型输出的关于所述河蟹表型特征
。2.
根据权利要求1所述的基于计算机视觉的河蟹表型分析方法，其特征在于，所述通过河蟹图像采集设备采集河蟹图像数据集的步骤具体包括以下步骤：将河蟹放入河蟹图像采集设备内，启动图像采集设备采集获得河蟹样本的俯视图图像；对拍摄的原始河蟹图像进行标注，标注所要的分割的河蟹背甲区域，并进行数据增强，扩充训练数据集；将所述训练数据集按比例随机划分为训练集
、
验证集
。3.
根据权利要求1所述的基于计算机视觉的河蟹表型分析方法，其特征在于，所述通过改进的
MaskR
‑
CNN
图像分割模型，对采集的河蟹图像分割出河蟹背甲的步骤具体包括以下步骤：采用
PointRend
模块来替换
MaskR
‑
CNN
的
MaskHead
模块，得到改进的
Mask R
‑
CNN
模型；使用训练数据集对改进后的
MaskR
‑
CNN
模型进行训练；使用训练好的改进
MaskR
‑
CNN
模型进行河蟹图像背甲分割
。4.
根据权利要求3所述的基于计算机视觉的河蟹表型分析方法，其特征在于，所述改进的
MaskR
‑
CNN
模型包括：
Backbone
网络模块
、
多尺度特征融合模块
、
分割预测模块和
Networks Heads
模块，所述
Backbone
网络模块对待处理的河蟹图像进行初步特征提取，获取多尺度的低分辨率特征和高分辨率特征；所述多尺度特征融合模块对所述
Backbone
网络模块的低分辨率特征进行上采样特征填充，并将经过上采样处理的低分辨率特征与高分辨率特征进行融合，获得融合特征图；所述分割预测模块特征图使用区域生成网络中生成表达分割物体位置的候选框并进行回归计算，并使用
ROI Align
算法得到感兴趣区域；所述
Networks Heads
模块用于对感兴趣区域进行分类
、
检测
、
分割
。5.
根据权利要求1所述的基于计算机视觉的河蟹表型分析方法，其特征在于，所述对分割出的河蟹背甲图像提取轮廓，获得表型关键点坐标信息的步骤具体包括以下步骤：对分割出的河蟹背甲图像进行二值化，提取河蟹背甲轮廓；将轮廓顶点旋转校正，基于校正后的轮廓，计算属于边缘的最小凸多边形，获得凸包点集；基于所述凸包点集，获取河蟹表型信息
。6.
根据权利要求5所述的基于计算机视觉的河蟹表型分析方法，其特征在于，所述将轮...

【专利技术属性】
技术研发人员：陈明，彭能添，王成辉，
申请(专利权)人：上海海洋大学，
类型：发明
国别省市：