扇贝自动分选装置结构设计含CATIA三维图三维及12张CAD图.zip
收藏
资源目录
压缩包内文档预览：
编号：42889724
类型：共享资源
大小：45.25MB
格式：ZIP
上传时间：2020-01-20
上传人：QQ14****9609
认证信息
个人认证
郭**（实名认证）
陕西
IP属地：陕西
400
积分
- 关 键 词：
-
扇贝
自动
分选
装置
结构设计
CATIA
三维
12
CAD
- 资源描述：
-
扇贝自动分选装置结构设计含CATIA三维图三维及12张CAD图.zip,扇贝,自动,分选,装置,结构设计,CATIA,三维,12,CAD
- 内容简介：
-
Bottom Sediment Classification Method from Seabed Image for Automatic Counting System of Scallop 基于海底图像的扇贝底泥分类方法 资料来源：资料来源：Proceedings of ISOT12, Intl. Symposium on Optomechatronic Technologies 设计题目： 设计题目： 学生姓名： 学生姓名： 学院名称： 学院名称： 专业名称： 专业名称： 班级名称： 班级名称： 学 号： 学 号： 指导教师： 指导教师： 教师职称： 教师职称： 完成时间： 完成时间： 20XX.XX.XX-20XX.XX.XX20XX 年年 XX 月 月 XX 日日1 摘摘 要要 各相关组织举办各类渔业调查和收集的资源状态的估计所需要的数据。在日本常吕的扇贝养殖业中，通过分析海底图像来研究鱼类资源。海底图像现在可以从双体船技术中获得。但是，没有自动技术来测量这些图像的数据，因此目前的调查技术是专家手动测量。扇贝看起来与每个环境不同。因此，提取扇贝区域的合适算法取决于海底图像的底部沉积物。在本文中，我们提出了一种分类海床底部沉积物的方法。对于底部沉积物分类，我们使用AdaBoost 使用各种纹理特征从弱分类器伪造强分类器。本文介绍了一种对底部沉积物进行分类的方法，比较了纹理特征的有效性和结果。此外，我们提出了基于所提方法的扇贝计数的实验结果，并评估了该方法的有效性。 一、 介绍一、 介绍 每个相关组织进行各种渔业调查并收集估算资源状况所需的数据1。调查结果用于估算渔获量、捕捞时间和未来种群。因此，调查必须更准确地衡量渔业的数量，规模和状态。 最近，已经开发了使用水下相机或其视频来测量鱼类的调查方法2,3。但是，这些调查并未使用水下摄像机或其视频的自动测量。 T. Hagisawa 等人研究了一种测量红藻的方法，用于水下摄像机对海带的渔业调查4。 在日本常吕的扇贝养殖业中，通过分析海底图像来研究鱼类资源1。海底图像现在可以从双体船技术中获得。 但是，没有自动技术来测量这些图像的数据，因此目前的调查技术是专家手动测量。 因此，这在调查中既不高效也不长。必须开发自动计数系统以更快地测量扇贝并更准确地调查渔业。 扇贝栖息地是砾石和沙子的海床5、7，底部沉积物的分布包括常吕渔场中的这些田地 5。K. Enomoto 等人已经提出了算法来计算来自砾石和沙子的海底图像的扇贝，因为扇贝看起来与每个环境不同8、9。他们已经提出了从砾石和沙子的海底图像中提取扇贝区域的算法，因为扇贝看起来与每个环境不同。因此，合适的算法取决于海底图像的底部沉积物。 在海洋学和渔业科学中，底部沉积物分类的方法已经从侧扫声纳（SSS）10- 13的图像中提出。但是，没有一种方法可以根据海床图像对底部沉积物进行分类。 在本文中，我们提出了一种从海底图像中分类底部沉积物的方法。对于底部沉积物分类，我们使用 AdaBoost 从弱分类器中伪造一个强分类器，并使用各种纹理2 特征。本文介绍了一种对底部沉积物进行分类的方法，比较了纹理特征的有效性和结果。此外，我们使用提出的测量扇贝方法提出实验结果。 下一节将介绍海底图像，扇贝，海底环境以及海底图像中底部沉积物分类的设计考虑因素。在第二节我们描述了各种纹理特征，并提出了一种使用 AdaBoost对底部沉积物进行分类的方法。 第三节显示了实验方法和从应用中获得的结果我们对海底图像的方法，并讨论了我们的方法的有效性。 A.A. 海底环境和扇贝 海底环境和扇贝 图 1 显示了砾石和沙子海底区域的数码照片（1536 x 1024 像素和 24 位色） 。这些海底图像包含扇贝、砾石、死壳等。 在图 1（a）中，砾石有各种尺寸、形状和颜色。 在图 1（b）中，砂的粒度小于砂砾。 砾石很少，沙地上有彩色的东西。 图2显示了砾石和沙子领域中64 x 64像素的扇贝区域。在砾石领域，扇贝区域具有特殊的特征，例如棕褐色或赭色，形状像带有条纹图案的扇形 （图 2 （a） 和 （b） ） 。扇贝不能隐藏在砾石下面，因为砾石大而重。 在沙地中， 扇贝区域具有特殊的特征，例如白色的扇形边缘和形状像扇子（图 2（c）和（d） ） 。在扇贝边缘没有沙子，但扇贝壳覆盖着沙子。这些事实是基于生态学家和渔民的专业知识。 （ a ） （ b ） 图 1 海底图像。 （a） 砾石场。 （b） 沙地。 (a) (b) (c) (d) 图 2 扇贝区域的图像（大小：64 x 64） 。 砾石海底图像是 （a） 和 （b） 。 沙海床图像是 （c）和（d） 。 合适的算法取决于海床图像的底部沉积物。K. Enomoto 已经提出了从砾石和沙子的海床图像中提取扇贝区域的算法，并显示了该方法的有效性8、9，因为扇贝看起来与每个环境不同。对于砾石和沙子的扇贝提取算法，这些提取率准确率分别为 95.08和 89.09。因此，需要在每个场的基础上选择合适的扇贝提取算法，并从海底图像开发底部沉积物分类方法。 对于海洋学、渔业科学和渔业，它在底层沉积物分类中很重要。底泥分类结果3 用于估算自然资源，潮汐和渔场的来源，对渔业管理具有重要意义。 生态学中的底部沉积物改变了鱼类，海藻和鱼壳5。 而且，底栖和底部沉积物相互影响。 从侧扫声纳（SSS）10-13的图像中提出了底泥沉积分类的方法。这些方法使用侧扫声纳图像的纹理分析对底部沉积物进行分类。L. Atallah 和 P.J.P. Smith 展示了一种利用纹理特征和邻近算法进行底部沉积物分类的方法10。H. Lannaya 等人 还展示了一种使用纹理特征和支持向量机的方法13。这些方法不能应用海底图像的底部沉积物分类，因为海底图像具有与侧扫声纳图像不同的信息。 海底图像是彩色的，并且比侧扫声纳的图像更高的空间分辨率。因此，需要选择纹理特征用于底部沉积物分类以从海底图像测量扇贝。 B.B. 提倡的方法 提倡的方法 图 3 显示了我们提出的提取扇贝区域的系统。 首先， 对象图像执行预处理9。 接下来，通过底部沉积物分类来识别目标图像的海底环境。 基于底部沉积物分类的结果，使用合适的扇贝提取算法提取扇贝区域。 最后，计数结果显示给用户。在本文中，我们提出了一种分类海床底部沉积物的方法。 我们使用 AdaBoost 从弱分类器中构建一个强分类器，并使用各种纹理特征，如直方图，GLCM 和 GLDM。第二节解释了一种方法。 第三部分还显示了将我们的方法应用于海底图像所获得的结果，以及基于底部沉积物分类的扇贝提取结果。 二、 底部沉积物分类二、 底部沉积物分类 A.A. AdaBoost AdaBoost 提取扇贝区域的合适算法应取决于海底图像的底部沉积物。 在本文中，底部沉积物分离了砾石和沙子的区域。 我输入图像 预处理 平滑 提取可识别区域 删除框架区域 底部沉积物分类 使用 AdaBoost 识别 砾石场的提取算法 砾石场 沙场的提取算法 沙场 效果图像 图 3 提倡的计数系统 4 们描述了一种使用 AdaBoost 14对海底图像底部沉积物进行分类的方法。 AdaBoost 是 Boosting 学习的典型实例。 AdaBoost 学习算法用于提高简单学习算法的分类性能。 它通过组合弱分类函数的集合来形成更强的分类器。 在提升简单学习算法的语言中称为弱学习者。 在第一轮学习之后，重新加权这些例子以强调那些被先前的弱分类器错误分类的例子。 最终的强分类器采用感知器的形式，弱分类器的加权组合，后跟阈值。 AdaBoost 算法如图 4 所示。 在本文中，示例图像（XiYi）被剪切为海床图像。 如果图像 Xi 是砾石场，则 Yi = 1，如果图像 Xi 是沙场，则 Yi = -1。 在强分类器 H（x）中，如果值为正，则输入图像 X 为砾石场，如果值为负，则为砂场。 我们使用纹理特征，例如直方图，灰度级共生矩阵（GLCM）和灰度级差矩阵（GLDM） 。 这些特征计算 RGB 和 HLS 的颜色空间中的每个颜色元素。 纹理特征将在下一节中介绍。 B.B. 弱学习者 弱学习者 1）颜色直方图：砾石场中有各种彩色砾石，但有灰色沙子和白色贝壳碎片（图 1） 。 我们将颜色特征定义为直方图。 在本文中，我们使用直方图的这些统计数据，如： 平均值标准偏差对比度。这些特征计算 RGB 和 HLS 的颜色空间中的每个颜色元素。 用于直方图 Fcolor的统计的弱较弱的h（x）被定义为： h(x) = +1 如果 ，1 否侧 （1） 这里，是每个颜色特征的阈值。 统计数据 Fcolor 大于阈值， 图像是砾石场，否则这是沙场。 2） GLCM： 灰度共生矩阵 （GLCM） 16、15是一种从图像中提取纹理特征的流行统计方法。共生矩阵元素的值呈现两个相邻像素的相对频率，其中一个像素具有灰度级 i 和其他 j。这种矩阵是对称的，并且也是两个相邻像素之间的角度关系的函数。GLCM 是在一个段上计算的，该段由位移矢量检查，该位移矢量由其幅度和其方向（图 5）定义。 在本文中，我们使用了 GLCM 的这些统计数据: 平均值标准偏差ASM（角二阶矩）能源熵相关性同质性相异对比。5 在这里，我们设定 =1,3,5 ，=0。 用于 GLCM FGLCM 统计的弱精简 h（x）定义为 h(x) = +1 如果 ,1 否侧 （2） 这里，是每个特征的阈值。如果统计 FGLCM 大于阈值，则图像是砾石场，否则这是沙场。 3）GLDM：灰度差矩阵（GLDM）15，16是提取像 GLCM 这样的纹理特征的统计方法。差矩阵元素的值呈现两个相邻像素的差的相对频率，其中一个像素具有灰度级 i 和其他 j。 位移矢量与 GLCM 中的相同。 给定：(x1,y1),.,(xm,ym) 其中 xiX,yiY=-1,+1。初始化D1(i) =1。其中i=1，.，T： 使用 Dt 分布训练弱学习者 得到弱假设 ht：X - 1，+1有错误 t = P() 。 选择 =12ln(1) 更新： +1() =() 如果() = 如果() =()exp () 其中 Zt 是归一化因子输出最终假设：H() = ()=1) 图 4 AdaBoost 算法。 在本文中，我们使用了 GLDM 的这些统计数据： 平均值 SD（标准差） ASM（角二阶矩） IDM（逆差矩） 熵 对比。 6 这里，我们设定 =1,3,5，=0。 GLDM FGLDM 统计的弱精简 h（x）定义为: H() = +1 如果 1 否侧 这里，k是每个特征的阈值。 在统计数据中，FGLDM 超过阈值k，图像是砾石场，否则这是沙场。 三、三、 实验实验 在本节中，我们将评估底部沉积物分类的准确性，并应用所提出的方法来提取扇贝区域。 A.A. 方法方法 1）实验 1：识别准确度评估：在弱精简中，我们使用 7 个数据集的组合。 数据集是 数据 I 直方图 数据 2GLCM 数据 3GLDM 数据 4Histogram 和 GLCM 数据 5Histogram 和 GLDM 数据 6GLCM 和 GLDM 数据 7 直方图，GLCM 和 GLDM。 图 5 两个像素的相对位置的定义。 我们使用留一法交叉验证（LOOCV）检查底部沉积物分类的准确性。 假出交叉验证涉及使用来自原始样本的单个观察作为验证数据，并将剩余的观察作为训练数据。 重复这一过程，使得样品中的每个观察结果一次用作验证数据。 使用 LOOCV 评估每个数据集的底部沉积物分类的准确性。 在这个实验中我们使用了 240 个砾石图像和 149 个砂图像。 这些纹理图像选择在框架中间的左上角，边缘为 64 x 64 像素，其尺寸为 128 x 128像素8。 图 6显示了砾石和沙子领域的原始样本。 2）实验 2：扇贝提取：我们结合所提出的方法检查扇贝提取。 在砾石场中，扇贝和其他区域通过扇贝提取算法提取沙场。 反之亦然。 我们尝试使用底部沉积物分类的结果提取扇贝区域。 图 6 原始样本的样本 （大小： 128 x 128） 。 砾石海底图像是 （a） 和 （b） 。 沙海床图像是 （c）和（d） 。 7 图 7 扇贝图像的样本 （大小： 128 x 128） 。 砾石海底图像是（a） 。 沙海床图像是（b） 。 在砾石场中，通过使用以下过程提取扇贝区域7。 首先， 仅使用形状特征 （强边缘点）提取候选扇贝区域。 在此过程中获得了一些候选区域。 使用颜色特征或条纹图案特征从候选区域中选择扇贝区域。 在沙地中，通过使用以下过程提取扇贝区域8。 通过动态阈值处理从所获得的图像中提取候选的扇贝边缘像素。 接下来，使用霍夫变换提取候选扇贝区域。 最后，通过使用壳特征和壳边缘特征的阈值处理来提取扇贝区域。 这里，具有扇贝区域的图像被称为扇贝图像，没有扇贝区域的图像被称为其他图像。 我们在砾石场中使用了 24 个扇贝图像和 87 个其他图像，在沙地中使用了20 个扇贝图像和 87 个其他扇贝图像。 在这里，我们仅使用扇贝图像，通过适当的提取算法在每个场上提取所有扇贝，并且使用数据 7 用于底部沉积物分类。图 7显示了扇贝和其他在砾石和沙子领域的图像。 B.B. 结果结果 1）实验 1 的结果：表 1 给出了底部沉积物分类识别率的实验结果。 所有识别率均超过 96。 数据 6 和 7 中砾石和沙子的识别率分别为 100.0和 96.6。底部沉积物分类的样本如图 8 所示。在图8（a） - （c）中，这些图像 只能识别直方图，GLCM 和 GLDM 等功能，但使用这些功能和 AdaBoost 可以正确识别它。 表 1 底部沉积物分类的识别率。 认可率 砾石 砂 总共 数据 1 98.3% 96.0% 97.43% 数据 2 99.6% 97.3% 98.7% 数据 3 98.8% 96.0% 97.7% 数据 4 99.2% 97.3% 98.5% 数据 5 99.2% 96.6% 98.2% 数据 6 100.0% 96.6% 98.7% 数据 7 100.0% 96.6% 98.7% 图 8 底部沉积物分类的样本图像。 砾石海底图像是（a）和（b） 。 沙海床图像是（c） 。 这些图像仅在纹理特征上无法正确识别， 但使用数据 6 和 7 进行识别。 2）实验 2 的结果：表 2 和 3 给出了使用扇贝提取算法对砾石和沙子进行扇贝提取的实验结果。 表 2 和表 3 中正确识别了所有图像。在砾石场中，使用扇贝8 提取算法为砂场提取了一些图像。提取区域的例子如图 9 所示。扇贝提取算法在砂砾场图像中提取错误。 扇贝等 （图 9） 。 在扇贝图像中，所有提取的区域都是扇贝提取算法对沙场的误差。 然而， 在沙地中，没有使用扇贝提取算法对砾石场提取的区域。 表 2 实验 2 的结果在砾石领域。 扇贝 其他 数字图像 24 87 扇贝提取算法 砾石 24 （100.0%） 87 （100.0%） 沙 6（25.0%） 39（44.8%） 底部沉积物分类 砾石（真） 24 （100.0%） 87 （100.0%） 沙（假） 0（0.0%） 0（0.0%） 表 3 实验 2 的结果在沙领域。 扇贝 其他 数字图像 20 87 扇贝提取算法 砾石 0（0.0%） 0（0.0%） 沙 20 （100.0%） 87 （100.0%） 底部沉积物分类 砾石（假） 0（0.0%） 0（0.0%） 沙（真） 20 （100.0%） 87 （100.0%） 图 9 使用扇贝提取算法对砾石场中的沙地进行实验结果样本。 扇贝图像是（a）和（b） 。 其他图像是（c）和（d） 。 C.C. 讨论讨论 我们使用 AdaBoost 从海底图像开发了一种底部沉积物分类方法。 在图 8 （a） - （c）中，这些图像仅被错误识别为直方图，GLCM 和 GLDM 等特征，但使用这些特征和 AdaBoost 可以正确识别。 因此，使用 AdaBoost 的方法是有效的，因为AdaBoost 选择并集成了更好识别的分类器。 纹理特征最好是使用直方图，GLCM和 GLDM 进行底部沉积物分类的数据集。 在实验 2 中，使用扇贝提取算法对砾石场中的沙地进行提取区域（图 9） 。 沙场的扇贝提取算法使用白色像素8，但砾石场的扇贝提取算法使用强边缘点7。 因此，沙地的扇贝提取算法错误地提取了砾石场中的扇贝区域（表 2） 。 砾石场的扇贝提取算法提取了沙地中的无区域（表3） ，因为在沙地中很少有强边缘点和砾石。 因此，我们提出的方法对扇贝自动计数系统很重要。 据说专家手工测量的计数精度为95。 这些结果对扇贝的计数足够准确。 结果还表明了该方法对扇贝计数的有效性。 四、四、 结论结论 本文介绍了对海底沉积物进行分类并从海底图像中提取扇贝区域的方法。 此方法使用纹理特征作为直方图， GLCM 和9 GLDM。 我们通过组合检查了准确性。 另外，扇贝正在使用合适的算法进行计数以基于所提出的方法的结果来提取扇贝。 将所提出的方法应用于海床图像所获得的实验结果表明我们的方法是有用的。 未来的工作，我们将开发应用程序来计算海底图像的扇贝，并将我们的技术应用于渔业调查的视频。参考文献参考文献 1 Hokkaido Abashiri Fisheries Experiment Station, Monitoring Manual.Hokkaido Abashiri Fisheries Experiment Station (2006) 2 N.Honda,T.Watanabe,Vertical distribution survey of the giant jellyfish Nemopilema nomurai by an underwater video camera attached to a midwater trawl net,Bulletin of the Japanese Society of Scientific Fisheries vol.73,no.6,pp.1042-1048,Nov.2007. 3 K. Fujita, T. Watanabe, and D. Kitagawa,Behavioral responses of the snow crab Chinoecetes spp. to the ground rope of a bottom trawl,Bulletin of the Japanese Society of Scientific Fisheries, vol.72,no.4,pp.695-701,Jan.2006. 4 T.Hagisawa, K.Enomoto, M.Toda, M.Tamura, M.Kimura,S.Takeda, Extraction Method of Red Algae for Fishery Investigation in Laminaria Fishery,Technical report of IEICE, vol.III,pp.31-36,2011. 5 T.Kinoshita,Research on Breeding of Scallop.North Publishing House, pp.1-106,1949. 6 I.Hayami,PTERIOMORP HIA.Marine Mollusks in Japan,pp.910-911,2000. 7 K.Enomoto, M.Toda, and Y. Kuwahara,Extraction Method of Scallop Area in Gravel Seabed Images for Fishery Investigation, Trans.IEICE,voI. E93-D,no.7,pp.1754-1760,Jul.2010. 10 8 K.Enomoto, M.Toda,Y.Kuwahara,Extraction Method of Scallop Areas Using Shelly Rim Features Considering Bottom Sediment of Sand,The twelfth IARP Conf. Machine Vision Applications,pp.263-266,2011. 9 L. Atallah and P,J.P. Smith,Automatic seabed classification by the analysis of sidescan sonar and bathymetric imagery, Proc. IEEE, vol. 151, no. 5 pp. 327-336, Oct. 2004. 10 J. M. Preston, AC.Christney, W.T. Collins, Autom
- 温馨提示:
1: 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2: 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
3.本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
人人文库网所有资源均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。
川公网安备: 51019002004831号