【技术实现步骤摘要】
本申请涉及水产养殖，特别是涉及一种水下螃蟹质量非线性估计方法、系统、设备、介质及产品。
技术介绍
1、中华绒螯蟹(eriocheir sinensis)，俗称大闸蟹，因其丰富的营养和高经济价值而备受推崇。近年来，随着市场需求量不断增长和养殖规模的扩大，螃蟹的养殖面积逐年稳定增加。然而，在螃蟹养殖过程中不仅仍面临饲养效率低下和饵料投入成本较高的挑战，而且传统的随机投喂方式难以确保饵料的均匀分布，严重影响了养殖成本效益和工作效率。螃蟹的质量是确定投喂量的关键依据，定期获取螃蟹的质量信息对优化日常摄食管理尤为重要。因此，持续且准确地监测不同生长阶段的中华绒螯蟹的体尺和体重信息，是精准投喂的关键。通过精确估算螃蟹质量，养殖户可以及时调整饲养策略，确保螃蟹在生长期内获得足够的营养和适宜的生长环境，从而提高成活率、加快生长速度，最终提升养殖效益。
2、目前，在大闸蟹养殖过程中，蟹农需要定期捞取少量样本进行测量，称量其质量以确定投饵量、监测其生长状况。然而，这种人工的方法不仅成本较高且准确率较低，而且会导致中华绒螯蟹出现应激反应进而影响中华绒螯蟹的生长。因此，亟需一个低成本、无接触、精度高和泛化性强的方法，以实现中华绒螯蟹的自动化测量，这对水产养殖产业有着十分重要的意义。然而，目前缺乏水下甲壳类动物质量估计的有效评估研究。关于蟹体质量估算主要的方法分为简单数据拟合方法和机器学习方法。例如：采用分水岭分割技术得到梭子蟹头背甲图像，然后提取了投影面积、甲长、甲宽三个特征，采用遗传算法优化的支持向量机算法建立梭子蟹质量三因子回归预测模型
技术实现思路
1、本申请的目的是提供一种水下螃蟹质量非线性估计方法、系统、设备、介质及产品，能够精确估计水下大闸蟹的质量。
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，本申请提供了一种水下螃蟹质量非线性估计方法，所述水下螃蟹质量非线性估计方法包括：
4、获取待处理图像；所述待处理图像为单只待估计质量的螃蟹的图像；
5、对所述待处理图像进行颜色校正，得到颜色校正图像；
6、对所述待处理图像进行低光照增强，得到光照增强图像；
7、对所述光照增强图像和所述颜色校正图像进行像素点的融合，得到融合图像；
8、对所述融合图像进行白平衡和低光照增强，得到待分割图像；
9、利用dfe-mask transfiner模型对所述待分割图像进行实例分割，得到蟹壳图像；其中，所述dfe-mask transfiner模型是在mask transfiner模型的基础上，对masktransfiner模型进行改进后得到的；对mask transfiner模型进行的改进包括：首先，在mask transfiner模型的骨干网络中加入可变形大核注意力机制模块，然后，在fpn特征融合中，对fpn的输入和输出进行修改，以fpn下采样的p5输出特征重新与p4下采样的输出特征进行融合，并作为p4上采样的输入特征，以fpn下采样的p4输出特征重新与p3下采样的输出特征进行融合，并作为p3上采样的输入特征，最后，在fpn特征融合层的下采样p5输出层中加入ema注意力机制，并且在fpn特征融合层的下采样p6输出层中添加可变形大核注意力机制；
10、根据所述蟹壳图像得到螃蟹特征；所述螃蟹特征包括蟹壳的长、蟹壳的宽、蟹壳的周长以及蟹壳的rgb图像的三个rgb颜色通道的均值；
11、将所述螃蟹特征输入训练好的xgboost模型，得到所述训练好的xgboost模型输出的螃蟹质量；所述训练好的xgboost模型是利用多个螃蟹特征样本和各所述螃蟹特征样本对应的螃蟹质量进行训练的。
12、可选地，所述获取待处理图像之前，所述水下螃蟹质量非线性估计方法还包括：
13、获取图像采集设备采集的水下螃蟹的背面视频；
14、将所述水下螃蟹的背面视频每秒提取一张图像，得到多张水下螃蟹的图像；
15、根据多张所述水下螃蟹的图像得到每只待估计质量的螃蟹的图像；
16、根据每只待估计质量的螃蟹的图像得到待处理图像。
17、可选地，对所述待处理图像进行低光照增强，得到光照增强图像，具体包括：
18、采用对比度有限的自适应直方图均衡化对所述待处理图像进行低光照增强，得到光照增强图像。
19、可选地，对所述融合图像进行白平衡和低光照增强，得到待分割图像，具体包括：
20、对所述融合图像进行白平衡和基于对比度有限的自适应直方图均衡化的低光照增强，得到待分割图像。
21、可选地，根据所述蟹壳图像得到螃蟹特征，具体包括：
22、对所述蟹壳图像进行二值化操作，得到蟹壳的二值图；
23、根据所述蟹壳的二值图得到蟹壳的外接最小椭圆；
24、根据蟹壳的外接最小椭圆，以像素点大小为标注，利用椭圆的长轴计算蟹壳的长，利用椭圆的短轴计算蟹壳的宽，利用围绕蟹壳周围的像素点长度计算蟹壳的周长；
25、根据所述蟹壳图像得到蟹壳的rgb图像的三个rgb颜色通道的均值。
26、可选地，所述螃蟹特征样本包括单只已知质量的螃蟹的蟹壳的长、蟹壳的宽、蟹壳的周长以及蟹壳的rgb图像的三个rgb颜色通道的均值。
27、第二方面，本申请提供了一种水下螃蟹质量非线性估计系统，所述水下螃蟹质量非线性估计系统包括：
28、待处理图像获取模块，用于获取待处理图像；所述待处理图像为单只待估计质量的螃蟹的图像；
29、颜色校正模块，用于对所述待处理图像进行颜色校正，得到颜色校正图像；
30、低光照增强模块，用于对所述待处理图像进行低光照增强，得到光照增强图像；
31、像素点融合模块，用于对所述光照增强图像和所述颜色校正图像进行像素点的融合，得到融合图像；
32、白平衡和低光照增强模块，用于对所述融合图像进行白平衡和低光照增强，得到待分割图像；
33、实例分割模块，用于利用dfe-mask transfiner模型对所述待分割图像进行实例分割，得到蟹壳图像；其中，所述dfe-mask transfiner模型是在mask transfiner模型的基础上，对mask transfiner模型进行改进后得到的；对mask transfiner模型进行的改进包括：首先，在mask transfiner模型的骨干网络中加入可变形大核注意力机制模块，然后，在fpn特征融合中，对fpn的输入和输出进行修改，以fpn下采样的p5输出特征重新与p4下采样的输出特征进行融合，并作为p4上采样的输入特征，以fpn下采样的p4输出特征重新与p3下采样的输出特征进行融合，并作为p3上采样的本文档来自技高网...
【技术保护点】
1.一种水下螃蟹质量非线性估计方法，其特征在于，所述水下螃蟹质量非线性估计方法包括：
2.根据权利要求1所述的水下螃蟹质量非线性估计方法，其特征在于，所述获取待处理图像之前，所述水下螃蟹质量非线性估计方法还包括：
3.根据权利要求1所述的水下螃蟹质量非线性估计方法，其特征在于，对所述待处理图像进行低光照增强，得到光照增强图像，具体包括：
4.根据权利要求1所述的水下螃蟹质量非线性估计方法，其特征在于，对所述融合图像进行白平衡和低光照增强，得到待分割图像，具体包括：
5.根据权利要求1所述的水下螃蟹质量非线性估计方法，其特征在于，根据所述蟹壳图像得到螃蟹特征，具体包括：
6.根据权利要求1所述的水下螃蟹质量非线性估计方法，其特征在于，所述螃蟹特征样本包括单只已知质量的螃蟹的蟹壳的长、蟹壳的宽、蟹壳的周长以及蟹壳的RGB图像的三个RGB颜色通道的均值。
7.一种水下螃蟹质量非线性估计系统，其特征在于，所述水下螃蟹质量非线性估计系统包括：
8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的水下螃蟹质量非线性估计方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的水下螃蟹质量非线性估计方法。
...【技术特征摘要】
1.一种水下螃蟹质量非线性估计方法，其特征在于，所述水下螃蟹质量非线性估计方法包括：
2.根据权利要求1所述的水下螃蟹质量非线性估计方法，其特征在于，所述获取待处理图像之前，所述水下螃蟹质量非线性估计方法还包括：
3.根据权利要求1所述的水下螃蟹质量非线性估计方法，其特征在于，对所述待处理图像进行低光照增强，得到光照增强图像，具体包括：
4.根据权利要求1所述的水下螃蟹质量非线性估计方法，其特征在于，对所述融合图像进行白平衡和低光照增强，得到待分割图像，具体包括：
5.根据权利要求1所述的水下螃蟹质量非线性估计方法，其特征在于，根据所述蟹壳图像得到螃蟹特征，具体包括：
6.根据权利要求1所述的水下螃蟹质量非线性估计方法，其特征在于，所述螃蟹特征样本包括...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。