基于数字图像处理的鱼卵计数的研究

为了实现在渔业中经常需要对鱼卵进行计数需求。针对人工计数方法的存在的缺陷,提出了一种基于数字图像处理的鱼卵计数方法的研究,对采集的鱼卵图片进行了平滑,灰度化,二值化,形态学的膨胀腐蚀,空洞填充的预处理,根据自适应阈值调整来获取鱼卵分割的最佳阈值。查找鱼卵图像的轮廓,来实现鱼卵的计数,绘制鱼卵的图片求出最大和最小鱼卵的面积、周长,实验结果表明这种鱼卵计数方法简单易行,具有较好的鱼卵计数效果。达到了鱼卵计数的目的。

基于CBAM-UNet的大菱鲆鱼卵识别计数方法

大菱鲆(Scophthalmus maximus)鱼卵数量的精准统计是影响其苗种优选过程的重要因素。由于大菱鲆鱼卵体积微小、透明度高且容易粘连,目前人工操作效率低下且误差较大。为了实现鱼卵的自动、快速、准确计数,根据大菱鲆鱼卵的成像特点,提出了一种基于卷积块注意力机制和U形卷积神经网络(CBAM-UNet)的大菱鲆鱼卵计数方法。首先,设计了一套由工业相机、漫反射光源和图像采集箱构成的标准化鱼卵采样结构,获取无影的高清鱼卵图像,构建鱼卵图像样本集;随后,以UNet网络作为基础语义分割模型,针对鱼卵图像中无法有效分割鱼卵与背景边界及细节等问题,进一步引入了双重注意力机制,以增强模型对鱼卵特征的表达能力,提高分割精度;最后,根据分割后鱼卵面积、拍摄高度及鱼卵数量等构建多元线性回归模型,实现鱼卵的精准计数。结果表明,所提出的基于CBAM-UNet的鱼卵识别计数方法能有效提高大菱鲆鱼卵的计数精确度,平均计数误差为6.32%,低于基于其他模型和人工统计方法(质量比对法)的平均计数误差。