【技术实现步骤摘要】
本专利技术涉及一种基于机器视觉的虾长测量方法，属于图像处理。
技术介绍
1、虾类资源在全球范围内是极其重要的经济资源之一。作为丰富的食品来源，虾类被广泛用于渔业和水产养殖行业，满足着全球不断增长的海产品需求。虾类养殖是全球水产养殖业中的重要组成部分，涵盖了多个虾类品种，如对虾、明虾、青虾等。虾类养殖业以其高产值、高经济效益和较短的养殖周期而备受青睐。通过对虾类资源的养殖，可以实现对虾类生长环境的控制和优化，从而提高产量和质量，满足不断增长的水产品市场需求。
2、近年来，针对虾长测量，学者们不断研究并取得了一定成果。“一种虾长度快速测量装置cn207622655u”通过设置螺旋弹簧，对盛放板之间的间距进行控制，从而方便对不同大小的虾进行测量。该装置中的螺旋弹簧可能会存在一定的弹性变形，从而导致测量误差。由于需要对虾逐个放置在盛放板上，其速度受到一定的限制，尤其在大批量测量时，速度可能较慢。“虾类长度测量装置cn206235273u”通过将待测虾类放入左测量槽和右测量槽之间的空间内，虾类会自然地位于两个滑槽之间。通过移动柔性前滑杆和柔性后滑杆，将虾类夹紧在滑槽之间，并且使用卡头来控制滑杆的位置，固定虾类的长度范围。然后，可以通过读取刻度线上的数据来测量虾类的长度。虽然该装置相对简单且可调性好，但存在一定的测量精度和尺寸限制，并且不适用于大规模测量。
3、如公开号为cn114998565a，专利技术名称为：一种半成品虾的尺寸检测装置与方法，其公开了将半成品阿根廷红虾放到传送装置上，并在传送带运动时进行图像采集，
4、如公开号为cn108917616a，专利技术名称为：活体对虾生长表型检测设备及方法，其公开了将待测对虾放入透明管道中，透明管道连接的工业相机会采集对虾的图像。计算机中的图像识别模块会对图像进行处理和分析，识别对虾的特征，并测量对虾的生长表型。该方法由于使用了较复杂的设备，包括暗箱、透明管道、多个工业相机和工控机，设备本身的成本较高。其次，虽然减少了对虾的接触，但依然需要将对虾放入透明管道中，这过程仍然对对虾有一定的干扰。此外，设备的维护和操作也可能相对复杂，需要专业人员进行维护和管理。
5、如公开号为cn115690546a，专利技术名称为：虾长测量方法、装置、电子设备及存储介质，该专利技术的优点在于利用目标检测模型，实现了自动且快速准确地检测虾类图像上每只虾的位置和体长。但是该方法使用勾股定理推出目标检测框对角线的长度来获得虾长度，但是对于水平或者垂直状态的虾，通过对角线计算虾长度就会造成计算长度偏大，出现误差。
技术实现思路
1、为克服现有技术的缺陷，本专利技术提供一种基于机器视觉的虾长测量方法，本专利技术的技术方案是：
2、一种基于机器视觉的虾长测量方法，包括以下步骤：(1)获取待识别图像；
3、(2)将所述待识别图像输入至虾实例分割模型，获取所述虾实例分割模型输出的所述待识别图像中每只虾的分割掩膜；所述虾实例分割模型是基于带有虾轮廓位置标签的样本图像训练后得到的；基于所述待识别图像中每只虾的分割掩膜画出虾的最小矩形框，获得最小矩形框长边的像素数，进而获得虾长像素数据；
4、(3)基于所述待识别图像，利用所述虾长像素数据确定待识别图像中每只虾的实际体长。
5、所述的步骤(1)具体为：
6、所述待识别图像中包含待识别虾的图像信息以及参照物的图像信息，待识别的虾放置于装有水的浅托盘或浅水箱中，参照物也放置其中，以便避免虾与虾之间、虾与参照物之间的相互遮挡。
7、所述的步骤(2)具体为，
8、s2.1构建虾实例分割图像数据集：
9、2.1.1构建虾实例分割图像数据集的方法包括：采集虾图像，并对虾轮廓进行数据标注，得到标注后图像数据；
10、2.1.2对标注后图像数据按照预设比例划分为训练集、验证集和测试集，得到虾实例分割图像数据集：通过pa-yolov7网络构建虾实例分割模型，利用边缘设备获取收集的虾图像，通过labelme软件进行虾实例分割人工数据标注，生成的json标注文件中包含类别和每个点的位置信息，根据名称从数据集原有的json标注文件中匹配出每幅图像的标注信息，转换成yolo标注格式文件，最后对所有图像数据按照80％、10％、10％的比例划分训练集、验证集和测试集，最终形成虾实例分割图像数据集；
11、s2.2虾实例分割模型训练：
12、s2.3根据虾实例分割模型获得待识别图像中每只虾的分割掩膜，根据分割掩膜获得每只虾的最小矩形框，最小矩形框的长边即为虾长像素数。
13、所述的步骤s2.2虾实例分割模型训练具体为：
14、首先，准备包含虾的图像数据集，然后，根据pa-yolov7算法的网络结构，使用数据集对网络中的参数进行初始化；
15、接着，采用反向传播算法和损失函数对网络进行训练，通过将训练图像数据输入网络，计算预测边界框和长度与真实标注之间的差异，并根据差异调整网络参数，使预测结果逐渐接近真实标注；
16、最后，通过性能评估和验证数据集对训练后的网络进行测试，以评估网络在虾实例分割任务上的性能和准确性，至此虾实例分割模型训练完成；
17、其中，所述的pa-yolov7网络由三个部分组成：input，backbone和head，先对输入的图片预处理，对齐成640*640大小的rgb图片，输入到backbone网络中，该部分由一系列卷积层、池化层和激活函数组成，其中卷积层中除了backbone的第一层，将步长为1的3*3卷积层替换为了pconv，用于提取图像特征；
18、图像特征进入head部分，其中通过sppcspc模块对特征进行处理，以增强特征表达能力；在head部分中，利用不同的卷积层和上采样操作对多层特征进行融合和结合，获取特征表示；
19、最后，通过isegment模块进行目标的边界框预测和类别概率预测。isegment模块根据预定义的锚框和网络输出的特征，生成预测边界框，并计算边界框的坐标偏移和目标类别的概率；整个流程通过前向传播实现，在训练过程中，通过反向传播算法和损失函数优化网络参数，使得网络能够检测图像中的目标并预测其边界和类别；
20、所述的eiou损失函数定义如下：
21、
22、其中，cw和ch是预测边界框与真实边界框的最小外接矩形的宽度和高度。ρ是两点之间的欧氏距离。
23、所述的步骤s2.3具体为：根据虾实例分割本文档来自技高网...
【技术保护点】
1.一种基于机器视觉的虾长测量方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器视觉的虾长测量方法，其特征在于，所述的步骤(1)具体为：
3.根据权利要求1或2所述的基于机器视觉的虾长测量方法，其特征在于，所述的步骤(2)具体为，
4.根据权利要求3所述的基于机器视觉的虾长测量方法，其特征在于，所述的步骤S2.2虾实例分割模型训练具体为：
5.根据权利要求4所述的基于机器视觉的虾长测量方法，其特征在于，所述的步骤S2.3具体为：根据虾实例分割模型获得待识别图像中每只虾的分割掩膜，然后通过findContours()函数寻找出每只虾的轮廓，使用cv2.minAreaRect()函数找到包围轮廓的最小外接矩形；使用cv2.boxPoints()函数将得到的旋转矩形转换为其顶点坐标，这些坐标用于绘制矩形边界框；
6.根据权利要求4所述的基于机器视觉的虾长测量方法，其特征在于，所述的步骤S3具体为：
7.一种基于机器视觉的虾长测量系统，其特征在于，包括
【技术特征摘要】
1.一种基于机器视觉的虾长测量方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器视觉的虾长测量方法，其特征在于，所述的步骤(1)具体为：
3.根据权利要求1或2所述的基于机器视觉的虾长测量方法，其特征在于，所述的步骤(2)具体为，
4.根据权利要求3所述的基于机器视觉的虾长测量方法，其特征在于，所述的步骤s2.2虾实例分割模型训练具体为：
5.根据权利要求4所述的基于机器视觉的虾长测量方法，其特征在于，所...
【专利技术属性】
技术研发人员：李晓雯，李海涛，席浩，张广彪，张俊虎，郑焕舒，牛婉娇，
申请(专利权)人：青岛励图高科信息技术有限公司，
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。