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！

龙图腾网获悉中国水产科学研究院黄海水产研究所;杭州飞锐科技有限公司申请的专利大菱鲆个体生长表型高通量跟踪测量方法、介质、装置及其应用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：CN118865083B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202410877890.8，技术领域涉及：G06V20/05；该发明授权大菱鲆个体生长表型高通量跟踪测量方法、介质、装置及其应用是由黄智慧;马爱军;王新安;高广春;孙志宾;蒋宇航;曹郡文设计研发完成，并于2024-07-02向国家知识产权局提交的专利申请。

本大菱鲆个体生长表型高通量跟踪测量方法、介质、装置及其应用在说明书摘要公布了：本发明提供了种大菱鲆个体生长表型高通量跟踪测量方法、介质、装置及其应用，属于生物识别技术领域，所述方法利用图像采集系统获得大菱鲆腹面和背面完整的图像，并进行预处理，利用机器学习算法识别易于区分的鱼体腹部图像；再利用图像分割模型从未识别个体的背面图像中提取大菱鲆鳍部图像，使用深度学习算法提取特征的能力，识别复杂度高的鳍部图像；从而实现全部大菱鲆个体识别；然后针对大菱鲆个体背面图像，训练数据生成模型，完成生长表型关键点检测，根据关键点数据计算大菱鲆生长性状。本发明还提供运行所述方法的介质、设备、装置和应用，所述方法可以对大菱鲆个体的整个生长周期的生长表型信息全程追踪，自动完成生长指标检测，精准度高。

本发明授权大菱鲆个体生长表型高通量跟踪测量方法、介质、装置及其应用在权利要求书中公布了：1.一种大菱鲆个体生长表型高通量跟踪测量方法，其特征在于，所述方法如下： 第一步、利用图像采集系统，分别拍摄大菱鲆腹面和背面完整的图像，并对采集到的大菱鲆图像进行预处理； 第二步、对第一步预处理后的大菱鲆图像，利用机器学习算法识别易于区分的鱼体腹面图像；再利用图像分割模型从背面图像中提取大菱鲆鳍部图像，使用深度学习算法提取特征的能力，识别复杂度高的鳍部图像，从而实现大菱鲆个体识别； 第三步、针对大菱鲆个体背面图像特征，训练数据生成模型，完成生长表型关键点检测，获得所需要的关键点数据；所述的关键点数据是能够计算大菱鲆生长性状的数据；具体如下： 步骤3.1：准备数据集；针对采集的大菱鲆背面图像，标注关键点，所有背面图像标注好后，将标注工具生成的json数据文件与图片文件分别整理至不同的文件夹； 步骤3.2：训练数据生成模型；准备好数据集后对数据进行训练，使用HRnet模型完成关键点检测；将准备好的数据集送入事先搭建好的神经网络结构中进行训练得到实际使用时需要的模型权重；之后需要测量的图像通过加载了模型权重的神经网络获得所需要的关键点数据； 第四步、使用标定板进行单目标定，并获取单应性矩阵，获得图像内外参数以及关键点点位在采集平面上的实际坐标； 第五步、利用第四步获得的内外参数计算出图像的畸变系数，对原始图像进行畸变矫正，训练背面图的关键点定位网络，提高模型输出的数据精度； 所述的第二步中，在预处理后的大菱鲆图像数据集中，开展大菱鲆个体识别，具体实现流程如下： 步骤2.1：针对连续跟踪的大菱鲆鱼个体，每个个体选取至少5张有效的腹面样本图像，训练时将图像尺寸调整为512*512，并把腹面样本图像数据集按4：1的比例分割为训练数据集和测试数据集； 步骤2.2：针对训练数据集的样本，将其转化为1维1列数据，并将训练数据集的图像组成矩阵，基于列计算该矩阵的平均值，获得平均腹面图像； 步骤2.3：将训练数据集图像展开构成矩阵减去所述矩阵的平均值获得新的数据矩阵，并计算该矩阵的协方差矩阵，获取其特征值和特征向量； 步骤2.4：基于步骤2.3中获得的所述特征值的大小进行排序，获得特征向量的矩阵，选定特征向量的维度为120，获得相应的投影矩阵，计算测试数据集中的图像在投影矩阵的距离，将距离值大于35000的大菱鲆图像都抛弃，最后获得测试图像； 步骤2.5：对步骤2.4中的测试图像采用多元逻辑回归算法，完成类别的识别； 对于没采用鱼腹面图像进行识别的个体，进行鳍部纹理特征提取并识别，具体流程如下： 步骤2.6：首先对大菱鲆背部图像标注背鳍、尾鳍、腹鳍或臀鳍； 步骤2.7：将标注好的图像数据集，划分为训练集和测试集，并对每个图像划分为背景部分和鳍部分； 步骤2.8：选用语义分割的deeplabv3的深度学习网络，所述深度学习网络的结构包括resnet50骨干网、ASPP模块和FCNhead部分； 步骤2.9：输入训练集的图像，图像大小调整为2048*512，学习率设定从0.0001到0.01，深度学习网络经过训练，完成图像鳍部的分割； 步骤2.10：基于分割算法获得的鳍部图像数据集，按4：1比例划分训练集和测试集； 步骤2.11：采用深度学习网络，骨干网采用resnet18结构，颈部采用全局池化平均模块，头部采用线性分类器，分类的函数选用softmax；深度学习网络优化器选择随机梯度下降算法，交叉熵为损失函数，类别为40； 步骤2.12：深度学习网络经训练学习，获得深度学习网络的权重，输入测试集数据进行检测，从而完成全部图像的个体识别。

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中国水产科学研究院黄海水产研究所;杭州飞锐科技有限公司，其通讯地址为：266071 山东省青岛市市南区南京路106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。