基于视觉识别技术的虾苗计数装置及方法

摘要

本发明公开了一种基于视觉识别技术的虾苗计数装置及方法，其中，基于视觉识别技术的虾苗计数装置，包含：架体；盛放容器，盛放容器设置在架体的底部，用于盛放虾苗；识别计数模块，识别计数模块设置在架体的顶部，用于对盛放容器内的虾苗进行识别计数。本发明装置便携、稳固，可根据实际应用调节大小，摄像头为普通摄像头，成本比工业摄像头低；在虾苗计数时采用的国产芯片‑嘉楠勘智K210在神经网络上的加速性能使得它算力高、功耗低，可节省计算时间。

说明书

技术领域

本发明涉及虾苗计数技术领域，特别涉及一种基于视觉识别技术的虾苗计数装置及方法。

背景技术

虾苗的计数是虾苗交易市场中必不可少的环节。但是虾苗的个数多且体积小，传统的杯量法（将暂养的虾苗捞入集苗小箱，以后将小箱慢慢提起，使虾苗集中于一角，用光洁的小虾兜捞苗倒入底部打了多个漏水孔的塑料杯中，再将虾苗倒入带水的小盆中过数，即可计数）与称重法（用小桶装少量水称重，以后放入虾苗称重，确定单位重量的尾数后即可计数）装置简单但计数过程中重复操作次数多，无法快速计算虾苗数量，易造成虾苗死亡，并且计算误差较大，通常在30%以上。

目前很多专利提出了关于虾苗计数的装置及方法。如申请号为“CN202020085638.0”的专利提出将开设有通孔的圆盘伸入水桶中，通过搅拌棒带动塑料圆盘顺时针搅动，桶内水体被均匀搅动，虾苗也随之均匀转动，此时用小烧杯或量杯取出虾苗，通过体积的变化换算得到一桶或者一袋虾苗的数量。此方法计算一次需要5分钟，用时长，并且需要重复2-3次才可减小误差。申请号为“CN202010401433.3”提出一种测试暗箱，通过工业相机的采集虾苗图像，采用图像处理识别算法，实现虾苗自动计数并输出。此方法需要在黑暗环境下，通过提供固定光源才识别计数，过程较麻烦，并且工业相机成本高。

发明内容

根据本发明实施例，提供了一种基于视觉识别技术的虾苗计数装置，包含：

架体；

盛放容器，盛放容器设置在架体的底部，用于盛放虾苗；

识别计数模块，识别计数模块设置在架体的顶部，用于对盛放容器内的虾苗进行识别计数。

进一步，架体包含：

一对支撑体，一对支撑体正对设置；

连接杆，连接杆与一对支撑体相连；

一对第一调节杆，一对第一调节杆并行设置在一对支撑体之间，一对第一调节杆位于一对支撑体的底部，盛放容器设置在一对第一调节杆上。

第二调节杆，第二调节杆设置在一对支撑体顶部，第二调节杆与识别计数模块相连。

进一步，一对第一调节杆的对称线与第二调节杆平行。

进一步，识别计数模块包含：

主控板，主控板设置在架体的顶部；

摄像头，摄像头设置在主控板上，摄像头与主控板电性连接，摄像头正对盛放容器设置。

进一步，识别技术模块还包含：语音识别器，语音识别器与主控板电性连接，用于控制主控板。

进一步，还包含：一对照明灯，一对照明灯设置在架体的顶部两侧，一对照明灯的光源射向盛放容器。

一种基于视觉识别技术的虾苗计数方法，包含如下步骤：

将需要计数的虾苗放入盛放容器；

采集盛放容器的液面照片；

读取并处理采集到的液面照片；

对处理后的液面照片的图像进行卷积，提取虾苗的特征并计数，得到虾苗的数据；

回传虾苗的数据呈现给用户。

进一步，处理包含：灰度、二值化以及高斯滤波。

进一步，对处理后的液面照片的图像进行卷积具体为：对处理后的液面照片的图像的每个位置进行线性变换映射成新值。

根据本发明实施例的基于视觉识别技术的虾苗计数装置及方法，具备如下有益效果：

1、装置便携、稳固，可根据实际应用调节大小，摄像头为普通摄像头，成本比工业摄像头低；

2、在虾苗计数时采用的国产芯片-嘉楠勘智K210在神经网络上的加速性能使得它算力高、功耗低，可节省计算时间；

3、传统计数方法经调查其误差在30%以上，本装置计数误差可控制在10%以内，最高准确率可达100%；

4、相较于普通的图像识别技术，本发明提出的将卷积神经网络应用于图像上的虾苗计数方法对光照的容差度较高；

5、本发明使用语音控制模块作为触发器，主控勘智K210接收特定指令后，实现自动化流程(对虾苗拍照—>图像处理并计数—>得出结果)，操作简单。

要理解的是，前面的一般描述和下面的详细描述两者都是示例性的，并 且意图在于提供要求保护的技术的进一步说明。

附图说明

图1为根据本发明实施例基于视觉识别技术的虾苗计数装置的整体结构图。

图2为根据本发明实施例基于视觉识别技术的虾苗计数方法的流程图。

具体实施方式

以下将结合附图，详细描述本发明的优选实施例，对本发明做进一步阐述。

首先，将结合图1描述根据本发明实施例的基于视觉识别技术的虾苗计数装置，用于虾苗的计数使用，其应用场景很广。

如图1所示，本发明实施例的基于视觉识别技术的虾苗计数装置，具有架体、盛放容器2以及识别计数模块。

具体地，如图1所示，在本实施例中，架体用于支撑盛放容器2和识别计数模块，盛放容器2设置在架体的底部，用于盛放虾苗，识别计数模块设置在架体的顶部，用于对盛放容器2内的虾苗进行识别计数，通过在盛放容器2内放入需要计数的虾苗，由识别计数模块可以对虾苗进行识别计数，获得虾苗的数量。

进一步，如图1所示，在本实施例中，架体包含：一对支撑体11、连接杆12、一对第一调节杆13以及第二调节杆14。一对支撑体11正对设置，连接杆12与一对支撑体11相连，连接杆12用于将一对支撑体11连接在一起，一对第一调节杆13并行设置在一对支撑体11之间，一对第一调节杆13位于一对支撑体11的底部，盛放容器2设置在一对第一调节杆13上，第二调节杆14设置在一对支撑体11顶部，第二调节杆14与识别计数模块相连，且通过调节一对第一调节杆13在一对支撑体11上的位置，可以对不同大小的盛放容器2进行放置，且第二调节杆14也可以调节在一对支撑体11上的高度，从而保证识别计数模块在一个合适的位置进行识别计数，保证计数的准确率。

进一步，如图1所示，在本实施例中，一对第一调节杆13的对称线与第二调节杆14平行，使得识别计数模块可以位于盛放容器2的正上方，保证计数的准确率。

进一步，如图1所示，在本实施例中，识别计数模块包含：主控板31和摄像头32。主控板31设置在架体的顶部，摄像头32设置在主控板31上，摄像头32与主控板31电性连接，摄像头32正对盛放容器2设置，摄像头32用于对盛放容器2内的虾苗进行照射，主控板31读取摄像头32照射的图片并进行分析，得到计数的结果，主控板31采用勘智K210主控板31。

进一步，如图1所示，在本实施例中，识别技术模块还包含：语音识别器（图上未示出），语音识别器与主控板31电性连接，用于控制主控板31，通过接收识别“计数”字样的语音，发送计数指令给主控板31，从而进行虾苗的计数操作。

进一步，如图1所示，在本实施例中，本发明实施例的基于视觉识别技术的虾苗计数装置还包含：一对照明灯4，一对照明灯4设置在架体的顶部两侧，一对照明灯4的光源射向盛放容器2，用于进行照明，保证摄像头32的照射效果，提高清晰度。

在使用的时候，先将需要计数的虾苗放入到盛放容器2内，然后通过语音识别器识别“计数”字样的语音，进而发送计数指令给主控板31，主控板31读取摄像头32照射的图片并进行分析，得到虾苗计数的结果。

以上，参照图1描述了根据本发明实施例的基于视觉识别技术的虾苗计数装置，具备如下有益效果：

1、装置便携、稳固，可根据实际应用调节大小，摄像头32为普通摄像头，成本比工业摄像头低；

2、在虾苗计数时采用的国产芯片-嘉楠勘智K210在神经网络上的加速性能使得它算力高、功耗低，可节省计算时间；

3、传统计数方法经调查其误差在30%以上，本装置计数误差可控制在10%以内，最高准确率可达100%；

4、相较于普通的图像识别技术，本发明提出的将卷积神经网络应用于图像上的虾苗计数方法对光照的容差度较高；

5、本发明使用语音控制模块作为触发器，主控勘智K210接收特定指令后，实现自动化流程(对虾苗拍照—>图像处理并计数—>得出结果)，操作简单。

一种基于视觉识别技术的虾苗计数方法，包含如下步骤：

在S1中，如图2所示，将需要计数的虾苗放入盛放容器2。

在S2中，如图2所示，采集盛放容器2的液面照片。

在S3中，如图2所示，读取并处理采集到的液面照片。在本实施例中，处理包含：灰度、二值化以及高斯滤波。

在S4中，如图2所示，对处理后的液面照片的图像进行卷积，提取虾苗的特征并计数，得到虾苗的数据。在本实施例中，对处理后的液面照片的图像进行卷积具体为：对处理后的液面照片的图像的每个位置进行线性变换映射成新值。

本发明平台为K210，通过移植NCNN框架，来应用改进的Yolo v4模型；

本模型通过对Yolo v4模型进行尺度缩放及剪裁，实现模型的嵌入式轻量化移植，以获取在边缘识别设备中推理速度更快的CNN（Convolutional Neural Networks 卷积神经网络）模型；

本模型经对比，在虾苗识别这一应用的识别率优于常用的嵌入式分类模型Yolov3-tiny，同时本模型在检测速度上不劣于传统模型。

本算法模型基于Yolo v4，将Yolo v4模型中DarknetConv2D的激活函数由Mish(Mish: A Self Regularized Non-Monotonic Neural Activation Function）更改为改进的缩放指数线性单元（Scaled Exponential Linear Unit，SELU），这里SELU的公式表现形式为：

其中，x为输入值，

α=1.6732632423543772848170429916717，λ=1.0507009873554804934193349852946为定值。

本算法为提高算法在嵌入式分类模型上的检测速度引入了 ResNeXt中的基数思想以及 CSPNet 结构对骨干网络中的 Resblock_body 模块进行了改进；对于 ResNet 中的 Bottleneck，在 channel 维度上进行了改进，将输入输出非对称分组，通过数目更小的统一单元来提高单一参数的特征指向；为提高识别速度，降低参数数量，通过添加L1正则来约束BN层系数，使得系数稀疏化，同时对BN层前部对应通道的卷积核进行裁剪，L1正则约束公式如下：

其中，

本算法模型应用场景标签数量较低，在数据集训练中难免会出现对训练样本“过度信任”的情况，在这个问题上，本算法模型创新性地引入平滑策略，对输入样本的标签值进行平滑处理，提高了网络模型的泛化能力。在标签类别数量双单判定(n=2)的情况下，平滑处理公式如下：

其中，i代表输入判定，y为既定判定，n代表标签双单判定的数量，参与到标签平滑 处理的

在S5中，如图2所示，回传虾苗的数据呈现给用户。

以上，参照图2描述了根据本发明实施例的基于视觉识别技术的虾苗计数方法，可以将虾苗计数误差控制在10%以内，最高准确率可达100%，保证准确率，并且相较于普通的图像识别技术，本发明提出的将卷积神经网络应用于图像上的虾苗计数方法对光照的容差度较高。

需要说明的是，在本说明书中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包含……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。