隨著現(xiàn)代化水產(chǎn)養(yǎng)殖的發(fā)展,信息化的養(yǎng)殖過程成為了需求。在梭子蟹人工育苗過程中,需要對育苗環(huán)境和蟹苗狀態(tài)實時掌控,才能讓養(yǎng)殖者及時做出調(diào)整以避免損失。使用計算機(jī)視覺技術(shù)對養(yǎng)殖生物進(jìn)行信息采集,不僅對養(yǎng)殖生物干擾小而且客觀性強(qiáng),可以很好地輔助養(yǎng)殖者降低風(fēng)險、提高產(chǎn)量。本文基于蟹苗的行為特點(diǎn),使用計算機(jī)視覺技術(shù)對水下蟹苗信息采集系統(tǒng)進(jìn)行了研究,具體研究內(nèi)容和結(jié)果如下:第一,實際養(yǎng)殖環(huán)境中的蟹苗識別是蟹苗信息采集走向?qū)嶋H運(yùn)用的基礎(chǔ),本研究針對不同時期蟹苗采取不同的識別方法。在對視頻進(jìn)行背景建模之后,即可獲取具有運(yùn)動特征的前景圖像,這些圖像包含蟹苗和各類雜質(zhì)。針對溞狀幼體和小型雜質(zhì),對其圖像提取外形特征和亮度特征,然后使用SVM分類器對圖像分類,實現(xiàn)溞狀幼體的識別。針對大眼幼體和相同周長的雜質(zhì),對其圖像提取Haar-like特征,然后使用Adaboost訓(xùn)練分類器對圖像分類,實現(xiàn)大眼幼體的識別。實驗結(jié)果表明,溞狀幼體的識別準(zhǔn)確率高于91.56%,大眼幼體的識別準(zhǔn)確率高于93.21%,說明有針對性的蟹苗識別方法,可以較好地實現(xiàn)識別功能。第二,蟹苗的健康狀態(tài)對養(yǎng)殖過程極為重要,而健康狀態(tài)的量化更加有... 

【文章來源】：寧波大學(xué)浙江省

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
引言
1 緒論
    1.1 研究的背景及意義
    1.2 計算機(jī)視覺的國內(nèi)外發(fā)展現(xiàn)狀
        1.2.1 計算機(jī)視覺技術(shù)在生物識別中的發(fā)展?fàn)顩r
        1.2.2 計算機(jī)視覺技術(shù)在生物群體行為檢測中的發(fā)展?fàn)顩r
        1.2.3 計算機(jī)視覺技術(shù)在生物量估計中的發(fā)展?fàn)顩r
    1.3 水下蟹苗信息采集系統(tǒng)的總目標(biāo)和技術(shù)路線
    1.4 課題主要研究內(nèi)容以及章節(jié)安排
2 圖像處理與目標(biāo)識別的基礎(chǔ)知識
    2.1 圖像處理與計算機(jī)視覺
    2.2 圖像的背景建模
    2.3 圖像的形態(tài)學(xué)運(yùn)算
    2.4 圖像的特征提取
    2.5 支持向量機(jī)(SVM)
    2.6 自適應(yīng)增強(qiáng)算法(AdaBoost)
    2.7 競爭型神經(jīng)網(wǎng)絡(luò)
    2.8 本章小結(jié)
3 水下視頻的蟹苗識別
    3.1 實驗材料和方案
        3.1.1 實驗環(huán)境和實驗裝置
        3.1.2 實驗方案
    3.2 水下物體的提取和篩選
    3.3 溞狀幼體和雜質(zhì)的分類
        3.3.1 圖像特征提取
        3.3.2 溞狀幼體的識別
    3.4 大眼幼體和雜質(zhì)的分類
        3.4.1 圖像特征提取
        3.4.2 大眼幼體的識別
    3.5 結(jié)果討論
        3.5.1 溞狀幼體和雜質(zhì)的分類
        3.5.2 大眼幼體和雜質(zhì)的分類
    3.6 本章小結(jié)
4 蟹苗健康狀態(tài)判別
    4.1 材料和方法
        4.1.1 三疣梭子蟹幼苗
        4.1.2 實驗裝置和環(huán)境
        4.1.3 實驗方案
    4.2 趨光能力的量化
        4.2.1 趨光能力參數(shù)
        4.2.2 聚集個數(shù)估計
    4.3 蟹苗聚集圖像的數(shù)量估計
        4.3.1 蟹苗圖像的提取
        4.3.2 閾值判別
        4.3.3 低密度蟹苗圖像的數(shù)量估計
        4.3.4 高密度蟹苗圖像的數(shù)量估計
            4.3.4.1 圖像的全局特征
            4.3.4.2 蟹苗圖像的密集等級
    4.4 實驗結(jié)果
        4.4.1 聚集數(shù)量估計
            4.4.1.1 低密度圖像的數(shù)量估計
            4.4.1.2 高密度圖像的數(shù)量估計
        4.4.2 不同鹽度下的蟹苗趨光能力
    4.5 結(jié)果討論
        4.5.1 數(shù)量估計算法的討論
        4.5.2 與其他算法對比
    4.6 本章小結(jié)
5 池內(nèi)總量估計
    5.1 材料和方法
        5.1.1 實驗裝置和環(huán)境
        5.1.2 實驗方案
    5.2 池內(nèi)蟹苗總量估計
        5.2.1 非參數(shù)估計方法
        5.2.2 獲取樣本數(shù)據(jù)
        5.2.3 建立非參數(shù)估計模型
        5.2.4 計算積分半徑
        5.2.5 估計池內(nèi)總值
    5.3 實驗結(jié)果
        5.3.1 小型養(yǎng)殖池內(nèi)總量估計
        5.3.2 大型養(yǎng)殖池內(nèi)總量估計
    5.4 結(jié)果討論
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 存在的不足和展望
參考文獻(xiàn)
在學(xué)研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于計算機(jī)視覺的魚苗自動計數(shù)系統(tǒng)研究[J]. 王文靜,徐建瑜,杜秋菊.  漁業(yè)現(xiàn)代化. 2016(03)
[2]植物空間分布格局中鄰體距離的概率分布模型及參數(shù)估計[J]. 高猛.  生態(tài)學(xué)報. 2016(14)
[3]基于光流法與特征統(tǒng)計的魚群異常行為檢測[J]. 于欣,侯曉嬌,盧煥達(dá),余心杰,范良忠,劉鷹.  農(nóng)業(yè)工程學(xué)報. 2014(02)
[4]結(jié)合局部和全局特征的人群密度估計算法[J]. 李寅,王貴錦,林行剛.  清華大學(xué)學(xué)報(自然科學(xué)版). 2013(04)
[5]鹽度對三疣梭子蟹生長、蛻殼及能量利用的影響[J]. 路允良,王芳,趙卓英,董雙林,馬甡.  中國水產(chǎn)科學(xué). 2012(02)
[6]中值濾波的視頻背景更新[J]. 蘇禮坤,陳懷新.  光電工程. 2010(01)
[7]直方圖理論與最優(yōu)直方圖制作[J]. 張建方,王秀祥.  應(yīng)用概率統(tǒng)計. 2009(02)
[8]非參數(shù)密度估計法比較分析及應(yīng)用[J]. 屈文建,熊國經(jīng).  沈陽農(nóng)業(yè)大學(xué)學(xué)報. 2008(04)
[9]Cu、Pb、Cd、Hg亞致死濃度對三疣梭子蟹幼體的影響[J]. 廖永巖,陳潤鋒.  環(huán)境科學(xué)學(xué)報. 2007(08)
[10]Behavioral response of tilapia （Oreochromis niloticus） to acute ammonia stress monitored by computer vision[J]. 徐建瑜,苗香雯,劉鷹,崔紹榮.  Journal of Zhejiang University Science. 2005(08)

博士論文
[1]基于計算機(jī)視覺的魚卵胚胎發(fā)育過程智能化識別方法研究[D]. 段延娥.中國農(nóng)業(yè)大學(xué) 2016

碩士論文
[1]梭子蟹苗期生長發(fā)育可視化與預(yù)警研究[D]. 郝明珠.寧波大學(xué) 2015
[2]基于魚群行為分析的水質(zhì)監(jiān)測系統(tǒng)研究[D]. 范偉康.浙江工業(yè)大學(xué) 2015
[3]魚類行為視頻在線監(jiān)測若干關(guān)鍵技術(shù)研究[D]. 張文.浙江工業(yè)大學(xué) 2012
[4]基于計算機(jī)視覺的水質(zhì)在線魚類預(yù)警技術(shù)研究[D]. 廖悅.寧波大學(xué) 2012
[5]非參數(shù)密度估計在判別分析中的應(yīng)用[D]. 朱干江.南京信息工程大學(xué) 2007



本文編號：3355774