-
公开(公告)号：CN108388874B
公开(公告)日：2020-03-31
申请号：CN201810180586.2
申请日：2018-03-05
申请人： 厦门大学
摘要： 本发明涉及图像采集及识别技术领域，具体涉及基于图像识别与级联分类器的对虾形态参数自动测量方法，包括S1、采集多个对虾彩色图像作为样本；S2、并将各个样本进行训练后再进行分类，获得基于LBP特征的级联强分类器；S3、采集待测对虾彩色图像A经过归一化校正，得到归一化图像B；S4、将归一化图形进行图像分割，得到分割图像B；S5、将步骤S4得到的分割图像C进行标尺测量，得到测量图像D；S6、将步骤S5得到的测量图像D进行图像校正，得到校正图像E；S7、使用级联强分类器识别校正图像E，计算出待测对虾的形态参数。本发明通过上述算法，从而能够精准实现对虾形态参数的精准测量。能够提高测量精准度和测量效率。
-
公开(公告)号：CN108921057A
公开(公告)日：2018-11-30
申请号：CN201810630720.4
申请日：2018-06-19
申请人： 厦门大学
摘要： 本发明公开了一种基于卷积神经网络的对虾形态测量方法，包括：对对虾样本和参照物进行拍摄，以获取样本图片；根据样本图片对目标区域进行标定，并生成目标区域对应的描述文件，将描述文件与样本图片关联；根据样本图片以及描述文件建立数据集，根据数据集生成对虾形态测量模型；对测试集中的样本图片进行预处理，以生成测试图片；将测试图片输入对虾形态测量模型，以生成泛化性能评分；根据泛化性能评分确定最终对虾形态测量模型，并根据最终测量模型进行对虾形态测量；本发明还公开了一种计算机可读存储介质、终端设备以及基于卷积神经网络的对虾形态测量装置；从而实现对对虾形态参数高效、精准地测量，节约对虾育种过程中所需的人力和物力。
-
公开(公告)号：CN108921058A
公开(公告)日：2018-11-30
申请号：CN201810630729.5
申请日：2018-06-19
申请人： 厦门大学
摘要： 本发明公开了一种基于深度学习的鱼类识别方法，包括：获取鱼类图片；对有鱼区域进行标定，并生成有鱼区域对应的描述文件，以及将描述文件与鱼类图片进行关联；建立数据集，其中，数据集划分成训练集、验证集和测试集；进行基准模型的训练；将验证集输入基准模型，以生成第一预估结果，并根据第一预估结果调整基准模型的参数，以生成鱼类识别模型；将测试集输入鱼类识别模型，以生成第二预估结果，并根据第二预估结果生成鱼类识别模型的泛化性能评分；以及确定最终鱼类识别模型，并根据最终鱼类识别模型进行鱼类识别。相应地，本发明还公开了一种计算机可读存储介质、终端设备以及基于深度学习的鱼类识别装置，可实现对鱼类信息的精准识别。
-
公开(公告)号：CN108388874A
公开(公告)日：2018-08-10
申请号：CN201810180586.2
申请日：2018-03-05
申请人： 厦门大学
摘要： 本发明涉及图像采集及识别技术领域，具体涉及基于图像识别与级联分类器的对虾形态参数自动测量方法，包括S1、采集多个对虾彩色图像作为样本；S2、并将各个样本进行训练后再进行分类，获得基于LBP特征的级联强分类器；S3、采集待测对虾彩色图像A经过归一化校正，得到归一化图像B；S4、将归一化图形进行图像分割，得到分割图像B；S5、将步骤S4得到的分割图像C进行标尺测量，得到测量图像D；S6、将步骤S5得到的测量图像D进行图像校正，得到校正图像E；S7、使用级联强分类器识别校正图像E，计算出待测对虾的形态参数。本发明通过上述算法，从而能够精准实现对虾形态参数的精准测量。能够提高测量精准度和测量效率。
-
公开(公告)号：CN108921057B
公开(公告)日：2021-06-01
申请号：CN201810630720.4
申请日：2018-06-19
申请人： 厦门大学
摘要： 本发明公开了一种基于卷积神经网络的对虾形态测量方法，包括：对对虾样本和参照物进行拍摄，以获取样本图片；根据样本图片对目标区域进行标定，并生成目标区域对应的描述文件，将描述文件与样本图片关联；根据样本图片以及描述文件建立数据集，根据数据集生成对虾形态测量模型；对测试集中的样本图片进行预处理，以生成测试图片；将测试图片输入对虾形态测量模型，以生成泛化性能评分；根据泛化性能评分确定最终对虾形态测量模型，并根据最终测量模型进行对虾形态测量；本发明还公开了一种计算机可读存储介质、终端设备以及基于卷积神经网络的对虾形态测量装置；从而实现对对虾形态参数高效、精准地测量，节约对虾育种过程中所需的人力和物力。
-
-
-
-
搜索结果
5 条记录 (耗时 0.02 秒)
