[0001] 本发明涉及计算机数据处理技术领域，特别涉及一种基于机器视觉的小龙虾苗种质量估计方法。

[0002] 近年来，我国小龙虾规模化养殖快速发展，养殖面积和产量保持较快增长，产业蓬勃发展，现已成为我国经济产值最大的虾类品种。随着新的养殖模式层出不穷，小龙虾苗种生产也逐步得到重视，劣质苗种养殖时普遍出现病害严重、生长缓慢、规格小等现象，严重制约着小龙虾的产量和品质。

[0003] 为了可以更好地筛选出优质小龙虾苗种，为小龙虾养殖健康发展和管理研究提供重要的技术支持，需要对小龙虾苗种的质量估计。但是，现有的质量获取方法均是称重，由于小龙虾的体型较小、数量较多，一只只分开称重比较繁琐，且工作人员在将小龙虾拿取到称重工具上时，可能对小龙虾造成损伤。

[0004] 因此，亟需一种解决办法。

[0065] 以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

[0066] 本发明实施例提供了一种基于机器视觉的小龙虾苗种质量估计方法，如图1所示，包括：

[0067] S1、搭建小龙虾苗种质量估计模型；

[0068] S2、获取待进行质量估计的小龙虾苗种的第一苗种图像；

[0069] S3、提取所述第一苗种图像中每一第一小龙虾苗种轮廓的第一像素数量；

[0070] S4、将所述第一像素数量输入至所述小龙虾苗种质量估计模型中，获得所述小龙虾苗种的苗种质量估计结果。

[0071] 事先搭建小龙虾苗种质量估计模型，获取待进行质量估计的小龙虾苗种的第一苗种图像，从第一苗种图像中每一第一小龙虾苗种轮廓的第一像素数量，将第一像素数量输入至小龙虾苗种质量估计模型中，自动获得小龙虾苗种的苗种质量估计结果，实现利用机器视觉对小龙虾苗种进行质量估计。

[0072] 本申请利用小龙虾苗种质量估计模型结合从小龙虾苗种的苗种图像提取的小龙虾苗种轮廓的像素数量评估确定小龙虾苗种的评估质量，实现快速、无损地对小龙虾苗种进行质量评估，无需工作人员将小龙虾一只只拿取到称重工具上进行称重，提升了便捷性。

[0073] 在一个实施例中，所述搭建小龙虾苗种质量估计模型，包括：

[0074] 获取大量的实验小龙虾苗种的苗种质量、第二苗种图像；

[0075] 提取所述第二苗种图像中每一第二小龙虾苗种轮廓的第二像素数量；

[0076] 对大量的实验小龙虾苗种的一一对应的苗种质量和第二像素数量进行数据拟合，获得所述小龙虾苗种质量估计模型。

[0077] 实验小龙虾苗种的苗种质量可以通过电子天平进行获取；如图2所示，实验小龙虾苗种的第二苗种图像可以通过图像采集系统进行获取，图像采集系统包含实验支架、相机和镜头、光源、相机通过千兆网线与计算机连接，光源打开，放置实验小龙虾，相机对其进行第二苗种图像的拍摄；不同苗种质量的实验小龙虾的第二小龙虾苗种轮廓的第二像素数量也不同，为他们建立一一对应的关系，并进行数据拟合，获得小龙虾苗种质量估计模型这一数学模型。

[0078] 在一个实施例中，所述提取所述第一苗种图像中每一第二小龙虾苗种轮廓的第一像素数量，包括：

[0079] 采用图像滤波方式对所述第一苗种图像进行预处理；

[0080] 采用图像分割算法从预处理后的第一苗种图像中分割出第一小龙虾苗种子图像；

[0081] 采用形态学开运算和形态学闭运算从所述第一小龙虾苗种子图像中提取出第二小龙虾苗种轮廓；

[0082] 采用像素统计法统计所述第二小龙虾苗种轮廓的第一像素数量。

[0083] 所述提取所述第二苗种图像中每一第一小龙虾苗种轮廓的第二像素数量，包括：

[0084] 采用图像滤波方式对所述第二苗种图像进行预处理；

[0085] 采用图像分割算法从预处理后的第二苗种图像中分割出第二小龙虾苗种子图像；

[0086] 采用形态学开运算和形态学闭运算从所述第二小龙虾苗种子图像中提取出第一小龙虾苗种轮廓；

[0087] 采用像素统计法统计所述第一小龙虾苗种轮廓的第一像素数量。

[0088] 所述图像滤波方式包括：均值滤波、高斯滤波、中值滤波和双边滤波。

[0089] 所述图像分割算法包括：K‑means聚类算法。

[0090] 所述像素统计法包括：

[0091] 读取每一像素点的灰度值；

[0092] 若所述灰度值满足预设要求，计数器计数加1；

[0093] 将计数器最终的计数结果作为像素统计结果。

[0094] 提取第一像素数量、第二像素数量的方法同理；利用高斯滤波对小龙虾苗种图像进行预处理，基于以下二维高斯函数去除噪声并平滑图像： 图像分割算法可以采用K‑means聚类算法。基于K‑means聚类算法分割图像，可以采用手肘法确定K值。误差平方和(SSE)是手肘法的核心指标，其公式为：
式中，ci是第i个簇，p是ci中的样本点，mi是ci的质心(ci中所有样本均值)，代表了聚类效果的好坏。形态学运算可以采用形态学开运算和形态学闭运算。开运算的计算步骤是先腐蚀后膨胀，而闭运算的计算步骤与开运算正好相反，是先膨胀后腐蚀。开、闭运算在保留图像主题部分的同时，可以处理图像中出现的杂点、小空洞、毛糙边缘等。合理运用开、闭运算能有效优化目标区域，使提取出的小龙虾苗种轮廓图更加理想。在光照条件下小龙虾苗种表面会出现小面积高亮区域，并误分割为背景，在轮廓图中以大空洞存在，可以采用泛洪算法对大空洞进行填充。提取小龙虾苗种像素数量可以采用像素统计法。经过一系列图像处理后的小龙虾轮廓图为二值图，图像像素点的取值只有0和255两个值，小龙虾苗种区域为白色，通过读取图像中的每个像素点的灰度值，如果值大于0，则计数器加1，当遍历完整个图像后得到的返回值就是小龙虾苗种的像素数量。

[0095] 在一个实施例中，所述对大量的实验小龙虾苗种的一一对应的苗种质量和第二像素数量进行数据拟合，包括：

[0096] 采用最小二乘法对大量的实验小龙虾苗种的一一对应的苗种质量和第二像素数量进行数据拟合。

[0097] 对小龙虾苗种像素数量和质量可以建立散点分布图，可以得出小龙虾苗种像素数量和质量成正相关，存在一定的线性关系。对小龙虾苗种像素数量和质量可以使用最小二乘法进行数据拟合，包含线性、二次多项式、幂次等模型。

[0098] 在一个实施例中，所述获取待进行质量估计的小龙虾苗种的第一苗种图像，包括：

[0099] 控制无人机进入小龙虾苗种筛选现场内；小龙虾苗种筛选现场为进行小龙虾苗种筛选的现场；

[0100] 通过无人机获取所述小龙虾苗种筛选现场内的小龙虾苗种筛选容器的分布位置；所述小龙虾苗种筛选容器开放式盛放待进行质量估计的小龙虾苗种；小龙虾苗种筛选容器为朝上有开口的长方体容器，待进行质量估计的小龙虾苗种分散在小龙虾苗种筛选容器的内部地面上，通常的，为便于筛选，不会将小龙虾苗种进行堆叠放置，控制每一小龙虾苗种筛选容器内的小龙虾苗种数量；无人机进入小龙虾苗种筛选现场内后，对小龙虾苗种筛选现场内进行巡拍，基于巡拍图像确定小龙虾苗种筛选容器的分布位置；

[0101] 基于无人机的当前位置与所述分布位置，规划苗种图像拍摄路线；无人机沿着苗种图像拍摄路线，可以依次对小龙虾苗种筛选容器内的小龙虾苗种进行第一苗种图像的拍摄获取；

[0102] 基于所述苗种图像拍摄路线，控制无人机拍摄小龙虾苗种筛选容器内的待进行质量估计的小龙虾苗种的第一苗种图像；

[0103] 其中，所述基于无人机的当前位置与所述分布位置，规划苗种图像拍摄路线，包括：

[0104] 获取所述分布位置的位置状态类型；所述位置状态类型包括：静态和动态；静态的位置状态类型的分布位置指的是小龙虾苗种筛选容器静态放置于小龙虾苗种筛选现场内，比如：搬运放置好的小龙虾苗种筛选容器；动态的位置状态类型的分布位置指的是小龙虾苗种筛选容器动态移动于小龙虾苗种筛选现场内，比如：某搬运工人正在搬运的小龙虾苗种筛选容器；

[0105] 将位置状态类型为静态的分布位置作为第一目标位置，将位置状态类型为动态的分布位置作为第二目标位置；

[0106] 将所述第一目标位置、所述当前位置映射到小龙虾苗种筛选现场的现场地图内；

[0107] 基于第一拍摄驻机位置创建条件，在当前的现场地图内根据映射的第一目标位置创建第一拍摄驻机位置；第一拍摄驻机位置为无人机停驻在空中对静态的小龙虾苗种筛选容器进行拍摄的位置；

[0108] 在当前的现场地图内规划从映射的当前位置开始依次连第一拍摄驻机位置的第一最短路线；第一最短路线为从映射的当前位置开始出发经历各个第一拍摄驻机位置的最短飞行行程的路线；

[0109] 将所述第二目标位置映射到当前现场地图内；

[0110] 基于第二拍摄驻机位置创建条件，在当前的现场地图内根据映射的第二目标位置创建第二拍摄驻机位置；第二拍摄驻机位置为无人机停驻在空中对动态的小龙虾苗种筛选容器进行拍摄的位置；

[0111] 在当前的现场地图内从第一最短路线的路线终点位置开始依次连接第二拍摄驻机位置的第二最短路线；第二最短路线为从第一最短路线的路线终点开始出发经历各个第二拍摄驻机位置的最短飞行行程的路线；

[0112] 将第一最短路线和第二最短路线形成的路线作为苗种图像拍摄路线。

[0113] 一般的，在实际应用时，获取待进行质量估计的小龙虾苗种的第一苗种图像均需要小龙虾苗种筛选现场内的工作人员将一盒装有待进行质量估计的小龙虾苗种的小龙虾苗种筛选容器搬运到固定的图像拍摄点，但是，图像拍摄点对需要对小龙虾苗种筛选容器进行依次拍摄，拍摄完再由工作人员搬走，肯定会出现排队的现象，还有可能造成现场混乱。本发明实施例可以解决这一问题：通过无人机拍摄小龙虾苗种筛选现场内的各小龙虾苗种筛选容器，不设置固定的图像拍摄点，工作人员无需对小龙虾苗种筛选容器进行固定路线的搬运，更无需排队，提升了小龙虾苗种筛选现场内的秩序性。

[0114] 此外，本发明实施例的方案在实际应用时，静态的小龙虾苗种筛选容器无人机可以快速拍摄完，接下来就需要对动态的小龙虾苗种筛选容器即搬运工人正在搬运的小龙虾苗种筛选容器进行拍摄，本申请首先规划第一最短路线，基于第一最短路线，完成对静态的小龙虾苗种筛选容器的拍摄，还规划第二最短路线，基于第二最短路线，完成对动态的小龙虾苗种筛选容器的拍摄，极大程度上提升了适用性。

[0115] 在一个实施例中，所述第一拍摄驻机位置创建条件包括：

[0116] 每一第一拍摄驻机位置至少关联N个第一目标位置；第一拍摄驻机位置与第一目标位置关联指的是：第一拍摄驻机位置与第一目标位置之间的相对位置关系符合无人机的拍摄支持条件；N为正整数，可由技术人员提前设置；无人机与待拍摄位置之间呈拍摄支持条件时代表无人机对待拍摄位置的拍摄角度适宜，可以拍摄到待拍摄位置的物体，拍摄支持条件可由技术人员提前设置；设置这一第一拍摄驻机位置创建条件，可以保证无人机每抵达一个第一拍摄驻机位置时，尽可能地拍摄到越多的小龙虾苗种筛选容器；

[0117] 且，

[0118] 不同第一拍摄驻机位置关联的第一目标位置的重叠度小于等于重叠度阈值；重叠度阈值可以为比如：10％；设置这一第一拍摄驻机位置创建条件，可以保证无人机抵达不同第一拍摄驻机位置时拍摄到的小龙虾苗种筛选容器的重复程度较低，避免较多地进行重复拍摄，浪费拍摄资源；

[0119] 且，

[0120] 每一第一拍摄驻机位置均落入所述第一目标位置的最小包围圈内；设置这一第一拍摄驻机位置创建条件，可以保证无人机对静态的小龙虾苗种筛选容器进行拍摄时，仅在静态的小龙虾苗种筛选容器的第一目标位置的最小包围圈内移动，避免不同第一拍摄驻机位置之间的距离过长，造成不必要的位置转移成本产生；

[0121] 所述第二拍摄驻机位置创建条件包括：

[0122] 第一方向向量与第二方向向量之间的向量夹角落入标准夹角区间内；第一方向向量是基于第二目标位置、第二目标位置的动态方向构建成，第二方向向量是基于第一最短路线的路线终点位置、由第一最短路线的路线终点位置向第二拍摄驻机位置的直线方向构建成；第二目标位置的动态方向指的是第二目标位置对应的产生对象的移动方向，比如：搬运人员在搬运小龙虾苗种筛选容器至第二目标位置时的移动方向；标准夹角区间可以为80度至130度；设置这一第二拍摄驻机位置创建条件，可以保证无人机前往靠近动态的小龙虾苗种筛选容器时，不会对搬运动态的小龙虾苗种筛选容器的搬运人员的视线造成影响，即不会使得搬运人员刻意地转向观察无人机或原地停留等，尽可能地做到无感化；

[0123] 且，

[0124] 第二拍摄驻机位置落入目标半圆内；目标半圆的直径为第二目标位置与第二目标位置的未来预设时间后的预测位置之间的连线；目标半圆的圆心与第二拍摄驻机位置之间的连线平分目标半圆；第二目标位置的变化速度与预设时间的乘积与目标半圆的直径长度之间的差值的绝对值小于等于第一绝对值阈值；第一最短路线的路线终点位置与第二拍摄驻机位置之间的连线长度除以无人机的飞行速度的商与预设时间之间的差值的绝对值小于等于第二绝对值阈值；未来预设时间可以为比如：10秒；可以基于第二目标位置的历史变化情况(即搬运动态的小龙虾苗种筛选容器的搬运工人的历史移动情况)结合现场地图中的路线环境预测第二目标位置在未来预设时间后会变化到哪里而得到；满足这一第二拍摄驻机位置创建条件时，可以使得无人机抵达第二拍摄驻机位置拍摄时，可以斜对着搬运工人进行拍摄，为搬运工人因未来移动变化而造成的搬运的小龙虾苗种筛选容器朝着无人机的角度的误差留有允许空间；第一绝对值阈值可以为3；第二绝对值阈值可以为0.04；设置第二目标位置的变化速度与预设时间的乘积与目标半圆的直径长度之间的差值的绝对值小于等于第一绝对值阈值，以及，第一最短路线的路线终点位置与第二拍摄驻机位置之间的连线长度除以无人机的飞行速度的商与预设时间之间的差值的绝对值小于等于第二绝对值阈值，可以保证无人机抵达第二拍摄驻机位置时，搬运工人也靠近，提升拍摄时机确定的合理性；

[0125] 且，

[0126] 第二拍摄驻机位置的距地高度大于等于高度阈值。高度阈值可以为2.5米；一般的，搬运工人搬运小龙虾苗种筛选容器时，此时对其进行拍摄需要保证无人机的距地高度。因此，设置这一第二拍摄驻机位置创建条件，提升合理性。

[0127] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。