基于机器视觉的鱼苗自动计数装置图像处理【附代码】

✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导，毕业论文、期刊论文经验交流。
✅ 专业定制毕设、代码
✅如需沟通交流，查看文章底部二维码

（1）图像预处理流水线及自适应二值化优化：

鱼苗图像采集于蓝色背景水槽中，采用全局快门工业相机，分辨率为1280×960。预处理首先将图像灰度化并应用中值滤波去除椒盐噪声，核大小为5×5。然后采用CLAHE（限制对比度自适应直方图均衡化）增强局部对比度，使鱼苗轮廓更加清晰。二值化采用Otsu方法自动计算阈值，但发现当鱼苗密度较高时，Otsu倾向于将部分鱼苗边缘区域误判为背景，因此引入一种基于梯度幅值加权的改进Otsu方法，以每个像素的梯度幅值为权重参与直方图统计，从而提高对弱边缘的响应。经过测试，该改进算法在鱼苗数量15～200条范围内，二值化后的鱼苗区域召回率达到98.5%，误分割率2.1%，比标准Otsu改善明显。

（2）距离变换结合分水岭的粘连鱼苗分割计数：

二值图像中鱼苗经常粘连，采用距离变换得到前景距离图，对距离图应用阈值0.7×最大距离进行标记提取，再以标记作为种子点执行分水岭分割。然而当鱼苗重叠角度较大时，距离变换产生的局部最大值不足。为解决此问题，引入扩展极值变换H-minima来抑制微小波动，合并相邻极小值区域，并在分水岭操作后施加形状约束，根据面积和圆度过滤非鱼苗碎片。在一组250张单帧图像测试中，该复合算法计数准确率达到93.2%，平均绝对误差为每帧1.7条，较单独距离变换法提升了7.4个百分点。

（3）连续帧加权平均计数策略与装置硬件设计：

单帧计数易受瞬时遮挡和鱼苗聚集影响，为此设计了连续帧后处理算法。对每秒30帧的视频流，每5帧（约0.17s）进行一次计数，当连续8次计数的方差低于阈值5时，认为鱼苗分布稳定，对这8帧计数结果进行加权平均，权重按帧序递增（最新帧权重最大）。该策略在计数200条鱼苗时，稳定后的最终计数准确率可达97.8%，计数耗时约4.6秒。装置硬件选型包括环形LED光源均匀照明、USB3.0相机、树莓派4B运行Python算法，实时显示计数结果。装置在鱼苗繁育场实地测试，与传统人工抽样比较，计数效率提高6倍以上，满足了生产需求。

import cv2 import numpy as np from scipy import ndimage # 改进Otsu二值化（梯度加权） def gradient_weighted_otsu(gray): sobelx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3) sobely = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3) magnitude = np.sqrt(sobelx**2 + sobely**2) hist, bins = np.histogram(gray, bins=np.arange(0,257)) w_hist = [np.sum(magnitude[gray == i]) for i in range(256)] total = sum(w_hist); sumB = 0; wB = 0; maximum = 0 threshold = 0 for i in range(256): wB += w_hist[i] if wB == 0: continue wF = total - wB if wF == 0: break sumB += i * w_hist[i] mB = sumB / wB; mF = (total - sumB) / wF between = wB * wF * (mB - mF)**2 if between > maximum: maximum = between; threshold = i _, binary = cv2.threshold(gray, threshold, 255, cv2.THRESH_BINARY) return binary # 距离变换+分水岭分割计数 def segment_and_count(binary_img): # 距离变换 dist = cv2.distanceTransform(binary_img, cv2.DIST_L2, 5) cv2.normalize(dist, dist, 0, 1.0, cv2.NORM_MINMAX) # H-minima抑制 dist_minima = ndimage.minimum_filter(dist, size=15) marker = np.zeros_like(dist, dtype=np.int32) marker[dist > 0.3] = 1 markers = ndimage.label(marker)[0] # 分水岭 img_color = cv2.cvtColor(binary_img, cv2.COLOR_GRAY2BGR) markers = cv2.watershed(img_color, markers) # 过滤并计数 unique = np.unique(markers) count = 0 for label in unique: if label <= 0: continue mask = np.uint8(markers == label) * 255 area = cv2.countNonZero(mask) if area < 15 or area > 800: continue contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: perimeter = cv2.arcLength(cnt, True) if perimeter == 0: continue circularity = 4 * np.pi * area / (perimeter**2) if circularity > 0.3: count += 1 return count # 连续帧加权平均 def stable_average_count(count_sequence): if len(count_sequence) < 8: return np.mean(count_sequence) if np.var(count_sequence[-8:]) < 5: weights = np.arange(1, 9) / np.sum(np.arange(1, 9)) return np.average(count_sequence[-8:], weights=weights) return count_sequence[-1]

如有问题，可以直接沟通

👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇