买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉闽江学院申请的专利鱼苗计数系统及基于鱼苗计数系统的计数方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117178935B 。

龙图腾网通过国家知识产权局官网在2025-10-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211628597.5，技术领域涉及：A01K61/95；该发明授权鱼苗计数系统及基于鱼苗计数系统的计数方法是由钟智雄;徐戈;张祖昌;邵振华设计研发完成，并于2022-12-17向国家知识产权局提交的专利申请。

本鱼苗计数系统及基于鱼苗计数系统的计数方法在说明书摘要公布了：本发明提供了一种鱼苗计数系统及基于鱼苗计数系统的计数方法，包括水泵1、喷头2、超声波距离检测传感器3、胶皮4、带挡板的皮带5、摄像头6、光电传感器7、计数后的鱼苗收集仓8、螺杆与挡鱼板9、电动机10以及计数前的鱼苗收集仓11；应用本技术方案可实现取代人工清点，且可以运用于不同种类鱼苗的清点，使用简单且安全可靠。

本发明授权鱼苗计数系统及基于鱼苗计数系统的计数方法在权利要求书中公布了：1.基于鱼苗计数系统的计数方法，其特征在于采用了一种鱼苗计数系统，所述鱼苗计数系统包括水泵1、喷头2、超声波距离检测传感器3、胶皮4、带挡板的皮带5、摄像头6、光电传感器7、计数后的鱼苗收集仓8、螺杆与挡鱼板9、电动机10以及计数前的鱼苗收集仓11；超声波距离检测传感器3连接控制电动机10;所述水泵1连接所述喷头2，所述水泵1和喷头2设置于计数前的鱼苗收集仓11的上方，计数前的鱼苗收集仓11前方设置有所述螺杆与挡鱼板9；所述螺杆与挡鱼板9连接电动机10，所述电动机10驱动所述螺杆与挡鱼板9做上下直线运动，计数前的鱼苗收集仓11的上方设置有超声波距离检测传感器3，所述螺杆与挡鱼板9的末端连接有胶皮4的一端，所述胶皮4的另一端抵接所述带挡板的皮带5； 带挡板的皮带5上设置有固定间隔的挡板槽，该挡板槽将鱼苗均布隔开；带挡板的皮带5的前方设置有所述摄像头6，用于获取鱼苗的图像；所述摄像头6的前方设置光电传感器7，用于触发拍照控制；所述摄像头6的视角范围与带挡板的皮带5每个固定间隔的挡板槽宽度一样； 计数方法包括以下步骤： 步骤S1：配置的水泵1通过喷头2喷水进入计数前的鱼苗收集仓11，该计数前的鱼苗收集仓11存有要计数的鱼苗；通过螺杆与挡鱼板9的上下移动使得计数前的鱼苗收集仓11内形成水位差，使得计数前的鱼苗收集仓11内的鱼苗经由胶皮4进入带挡板的皮带5中； 若超声波距离检测传感器3检测不到鱼苗的出料，那么电动机10控制螺杆与挡鱼板9直线向下运动，开大鱼苗出料口，直到有鱼苗出料，这时超声波距离检测传感器3控制电动机10暂停向下，如此循环工作，确保活体鱼苗全部出料到带挡板的皮带5； 步骤S2：全部出料的鱼苗落入带挡板的皮带5，经由带挡板的皮带5鱼苗最后落入计数后的鱼苗收集仓8； 当挡板槽的挡板到达光电传感器7的时候，都会触发光电传感器7，并控制摄像头6进行触发拍照；当每个挡板槽的视野进入相机后都会触发拍一次照，拍照后进入后台进行鱼苗计数图像处理； 步骤S3：采用鱼苗计数图像处理方法对鱼苗计数； 所述步骤S3具体包括以下步骤： 步骤S31：鱼苗图像的输入，基于步骤S1至S2获取，获取的鱼苗图像先用于训练，一部分图像用于测试；提前进行训练并测试可用的YOLOV3网络进行保存，一个YOLOV3网络只能用于一种鱼苗的计数； 步骤S32：获取的鱼苗图像分为训练集和测试集，这两类图集都首先进行灰度值转化，并采用最大类间方差法进行背景的分离，在此基础上进行形态学腐蚀和膨胀的组合操作，并准备进行特征提取与分类； 步骤S33：YOLOV3网络将目标的检测转化为目标分类问题，将图像的区域分割为不同大小的置信框，并将置信框进行分类，再进行置信框的调整；采用修改版本的YOLOV3； 首先，用以下函数表达YOLOV3用到的分类神经网络的输入输出关系： 其中，是YOLOV3分类神经网络的函数表达，和是学习的权重值和偏置量，是激 活函数，是神经网络的输入，这里的输入是鱼苗图像进行预处理和置信框圈出后的信息； 接着，对公式1进行一阶泰勒展开，得到： 其中分别是的步长增加值，是展开式残差，是函数对权重值求 偏导，是函数对偏置量求偏导； 其中，,表示 偏导数； 由于是已知的，设学习率如下： 其中，是待求的控制器参数； 将学习率在公式4代入神经网络系统在公式3，得到： 其中，是单位矩阵；建立李雅普诺夫函数如下： 其中是正定对称的矩阵； 计算李亚普诺夫函数的差分函数，得到： 定义矩阵，那么从公式5，得到： 给出如下的性能指标函数 其中，是性能指标； 现在联立公式7-9，得到以下的非线性矩阵不等式： 当公式10成立，那么得到，这意味着系统稳定，也就是学习算法使得所使 用的神经网络输出逼近参考值，且具有偏差的性能指标； 定义 其中，为学习算法的参数，是线性的具有适当维度的矩阵参数；接着，定义，将公式11代入10后得到： 通过MATLAB的LMI工具箱求解不等式12，那么线性的具有适当维度的矩阵参数，获得 如下： 现在将公式13代入公式11和公式4后，得到求解的神经网络学习算法如下： 为了考虑极有可能会产生奇异而无法获得矩阵的逆解，我们这里修 改求解的神经网络学习算法如下 其中，是一个非常小的标量； 最后，进一步将代入公式15，得到最终求解的神经网络学习算法如 下： 和 其中代表对信息求解2次范数的平方。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人闽江学院，其通讯地址为：350108 福建省福州市闽侯县上街镇溪源宫路200号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。