基于视觉检测融合多动态阈值的虾苗自动计数方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114782368A(43)申请公布日2022.07.22(21)申请号202210440564.1G06T7/62(2017.01)(22)申请日2022.04.25G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人华南农业大学地址510642广东省广州市天河区五山路483号(72)发明人李西明温嘉勇赵泽勇吴精乙郭玉彬高月芳刘瑞祥吴颖琪吴子彤梁宇君邵楚琪詹水燕(74)专利代理机构广州市华学知识产权代理有限公司44245专利代理师李君(51)Int.Cl.G06T7/00(2017.01)G06T7/136(2017.01)G06T7/187(2017.01)权利要求书2页说明书10页附图7页(54)发明名称基于视觉检测融合多动态阈值的虾苗自动计数方法及系统(57)摘要本发明公开了一种基于视觉检测融合多动态阈值的虾苗自动计数方法及系统，方法包括：获取虾苗图像数据集；构建目标检测模型；利用虾苗图像数据集对目标检测模型进行训练，得到虾苗目标检测模型；获取待计数虾苗图像，并对待计数虾苗图像进行预处理；将预处理后的待计数虾苗图像输入虾苗目标检测模型，得到第一虾苗区域图；对第一虾苗区域图进行处理，得到第二虾苗区域图；基于虾苗的检测结果，选取虾苗样本，对第二虾苗区域图进行多动态阈值处理；利用优化匹配策略对多动态阈值处理后的第二虾苗区域图和虾苗的检测结果进行处理，实现虾苗自动计数。本发明能在复杂背景下对不同日龄的虾苗实现自动、快速、准确、无脱水状态下的计数，提高计数效率。CN114782368ACN114782368A权利要求书1/2页1.一种基于视觉检测融合多动态阈值的虾苗自动计数方法，其特征在于，所述方法包括：获取虾苗图像数据集；构建目标检测模型；利用虾苗图像数据集对目标检测模型进行训练与验证，得到虾苗目标检测模型；获取待计数虾苗图像，并对待计数虾苗图像进行预处理；将预处理后的待计数虾苗图像输入虾苗目标检测模型，得到第一虾苗区域图，所述第一虾苗区域图包括虾苗的检测结果；对第一虾苗区域图进行背景剔除和灰度化处理，得到第二虾苗区域图；基于虾苗的检测结果，选取完整的虾苗样本，对第二虾苗区域图进行多动态阈值处理；利用优化匹配策略对多动态阈值处理后的第二虾苗区域图和虾苗的检测结果进行处理，实现虾苗自动计数。2.根据权利要求1所述的虾苗自动计数方法，其特征在于，所述目标检测模型包括主干网络、颈部结构和输出层；所述主干网络采用CSPDarknet架构，所述颈部结构包括FPN和PAN层，所述输出层对应预测三种不同尺度的目标；所述FPN和PAN层加入CBAM注意力模块，所述CBAM注意力模块用于避免背景特征的干扰。3.根据权利要求2所述的虾苗自动计数方法，其特征在于，所述CBAM注意力模块用于避免背景特征的干扰，具体包括：CBAM注意力模块将注意力映射沿着输入特征图的通道维度和空间维度进行注入，再将注入后的注意力映射乘以输入特征映射，实现对输入特征图进行自适应的特征细化，从而避免背景特征的干扰。4.根据权利要求1所述的虾苗自动计数方法，其特征在于，在所述利用虾苗图像数据集对目标检测模型进行训练的过程中，采用第一损失函数进行回归预测，并采用第二损失函数进行分类预测；所述第一损失函数，如下式：αLα‑IoU＝1‑IoU其中，IoU表示预测框和真实框的交并比；所述第二损失函数，如下式：其中，t[i]表示真实标签值；o[i]表示预测值，其值为0或1。5.根据权利要求1所述的虾苗自动计数方法，其特征在于，所述基于虾苗的检测结果，选取完整的虾苗样本，对第二虾苗区域图进行多动态阈值处理，具体包括：基于第二虾苗区域图，采用最大类间方差法获取动态二值化阈值；利用动态二值化阈值对第二虾苗区域图进行阈值处理，得到二值图；获取虾苗的检测结果中完整的单只虾苗样本，计算动态面积阈值；将所述二值图小于动态面积阈值的连通域的像素值设置为预设值。2CN114782368A权利要求书2/2页6.根据权利要求5所述的虾苗自动计数方法，其特征在于，所述获取虾苗的检测结果中完整的单只虾苗样本，计算动态面积阈值，具体包括：获取虾苗的检测结果中完整的单只虾苗样本，并根据阈值处理和形态学操作，得到处理后的所述单只虾苗样本的两只眼睛和头部；根据所述眼睛的面积的最大值，动态计算最大眼睛面积阈值；根据所述头部的面积的最小值，动态计算最小虾苗面积阈值；所述最大眼睛面积阈值和所述最小虾苗面积阈值为动态面积阈值。7.根据权利要求1所述的虾苗自动计数方法，其特征在于，所述利用优化匹配策略对多动态阈值处理后的第二虾苗区域图和虾苗的检测结果进行处理，实现虾苗自动计数，具体包括：根据多动态阈值处理后的第二虾苗区域图，获取所有虾