Hình 4 .1 Chậu chứa cá giống
Hình 4.22 Kết quả và giao diện phần mềm nhận dạng và đếm cá
4.7 Một số kết quả chạy chương trình phần mềm nhận dạng và đếm cá thu được: được:
Chương trình đã nhận dạng và đếm đúng số lượng cá là 6 và số lượng tạp là 0.
Ảnh thực tế gồm 5 cá và 2 tạp
Kết quả chương trình đếm đúng được 5 cá, 2 tạp và đồng thời hiển thị hình ảnh những con cá mà chương trình đã nhận dạng và đếm được.
Ảnh thực tế gồm 6 cá, trong đó có 2 con cá bơi dính nhau
Ảnh thực tế gồm 6 con cá, trong đó có 2 con cá bơi dính nhau. Kết quả chương trình nhận dạng và đếm được 4 con cá và 1 tạp. Trong đó, hai con cá bơi sát nhau, bơi chồng nhau chương trình chưa nhận dạng được là cá, vì vậy chương trình đưa ra kết quả là tạp và loại ra khỏi màn hình kết quả cuối cùng.
Kết quả chương trình nhận dạng và đếm được 6 cá và 4 tạp. Ở ảnh này chương trình nhận dạng 2 con cá thành 2 tạp và nhận dạng sai 1 ảnh tạp thành cá.
Ảnh thực tế gồm 10 cá và 9 tạp
Kết quả chương trình đếm được 9 cá và 11 tạp. Trong hình này chương trình chưa nhận dạng được 2 cá và nhận dạng sai 1 ảnh tạp là ảnh cá.
Ảnh thực tế gồm 33 cá và khơng có tạp. Kết quả chương trình nhận dạng và đếm được 29 cá và 2 tạp (có 2 trường hợp 2 con cá bơi chồng nhau, sát nhau mà chương trình đã nhận dạng là ảnh tạp và loại bỏ khỏi ảnh kết quả cuối cùng).
Ảnh thực tế gồm 53 cá và khơng tạp
Chương trình đếm được 51 cá và 2 tạp. Có 2 con cá chương trình chưa nhận dạng được là cá nên cho đó là tạp chất, vì vậy số lượng tạp mà chương trình đếm được là 2 tạp chất.
Ảnh gồm 74 cá và khơng tạp
Chương trình đếm được 70 cá và 4 tạp, trong đó có 2 trường hợp cá bơi chồng nhau và chương trình nhận dạng cho là ảnh tạp và loại bỏ khỏi ảnh kết quả.
Số lượng cá trong các mẫu được đếm thủ cơng sau đó được đếm lại bằng giải thuật đã đề xuất để so sánh và đánh giá kết quả.
Bảng 1 liệt kê kết quả của 10 lần nhận dạng và đếm với số lượng cá trong mỗi mẫu tăng từ 10 con đến 75 con.
Bảng 1: Kết quả đếm cá với số lượng từ 10 đến 75 con Lần đếm Số lượng cá trong một mẫu Số lượng đếm thực Số lượng đếm
bằng giải thuật Hiệu suất
1 Ảnh 10 cá 10 10 100 % 2 Ảnh 22 cá 22 21 95,45% 3 Ảnh 31 cá 31 31 100% 4 Ảnh 33 cá 33 29 87,87% 5 Ảnh 35 cá 35 32 91,43% 6 Ảnh 49 cá 49 40 81,63% 7 Ảnh 53 cá 53 51 96,23% 8 Ảnh 67 cá 67 67 100% 9 Ảnh 74 cá 74 70 94,59% 10 Ảnh 75 cá 75 72 96%
Hiệu suất trung bình 10 lần đếm 99%
Kết quả cho thấy hiệu suất của giải thuật nhận dạng và đếm con giống đã đề xuất cho hiệu suất 99% đối với các mẫu chứa từ 10 con đến 75 con cá.
Qua một số kết quả thực nghiệm ta thấy rằng: giải pháp đếm cá giống này đạt hiệu quả đối với những trường hợp cá bơi riêng lẻ. Kết quả đếm sẽ khơng chính xác khi cá bơi chồng nhau, hoặc bơi sát nhau. Giải thuật đã loại bỏ được tạp chất trong quá trình đếm, vì vậy kết quả đếm chính xác hơn.
Chương 5
KẾT LUẬN VÀ KIẾN NGHỊ
5.1. Kết luận
Đề tài đã đề xuất một giải pháp có thể nhận dạng và đếm số lượng con giống sử dụng công nghệ xử lý ảnh và mạng nơ-ron. Giải thuật bao gồm các bước chính: tiền xử lý, trích đặc trưng và nhận dạng cá giống sử dụng mạng nơ-ron nhân tạo. Giải pháp có khả năng loại bỏ các tạp chất trong quá trình đếm.
Qua kết quả thực nghiệm cho thấy giải pháp đếm cá giống này cho kết quả đếm chính xác đối với trường hợp cá bơi riêng lẻ. Giải thuật loại bỏ được tạp chất trong quá trình đếm. Hiệu suất trung bình 10 lần đếm cá với số lượng cá từ 10 đến 75 con là 99 %. Bên cạnh đó, đề tài cịn tồn tại một số hạn chế nhất định như: chưa đếm được những đối tượng cá giống bơi chồng nhau, bơi dính nhau.
5.2. Kiến nghị
Hiện nay, nhu cầu về một thiết bị đếm con giống trên thị trường rất lớn. Vì vậy, đề tài "Giải pháp đếm con giống ứng dụng công nghệ xử lý ảnh" có ý nghĩa thực tiễn rất lớn.
Đề tài chỉ mới mang tính minh họa cho việc ứng dụng xử lý ảnh số và mạng nơ-ron trong sản xuất và đời sống, để đề tài có thể ứng dụng trực tiếp vào trong thực tế thì cần phải trải qua nhiều nghiên cứu. Trong tương lai, tác giả sẽ tiếp tục phát triển thuật tốn để có thể đếm chính xác những trường hợp cá bơi chồng nhau, đồng thời tiến hành thiết kế thiết bị đếm con giống tự động.
TÀI LIỆU THAM KHẢO
[1] Brinson A.Lingenfelter, Addison L.Lawrence, Eric Steime, Will Flanery and Kurt Kramer. Optical Counter Provides Accurate Measurements Of Shrimp. The global aquaculture advocate. Vol. 15(5). Pages: 100-101, 2012.
[2] XpertSea Solutions Inc. The Counter for Small AquaticOrganisms, 2012.
[3] Addthajaroon, S.Kiattisin, W.Chiracharit, K.Chamnongthai. “Young Shrimp detection by using modified directional wavelet coefcients”.Pages:79-82. University of Technology Thonburi - Thailand, 2008.
[4] W. Khantuwan and N. Khiripet, "Live shrimp larvae counting method using co- occurrence color histogram," Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTI-CON), 2012 9th International Conference on, Phetchaburi, 2012, pp. 1-4.
[5] Y. H. Toh, T. M. Ng and B. K. Liew, "Automated Fish Counting Using Image Processing," Computational Intelligence and Software Engineering, 2009. CiSE 2009. International Conference on, Wuhan, 2009, pp. 1-5.
[6] A. Flores, P. Crisostomo and J. Lopez, "Peruvian Scallop larvae counting system using image processing techniques," 2008 7th International Caribbean Conference on Devices, Circuits and Systems, Cancun, 2008, pp. 1-4.
[7] L. Li and J. Hong, "Identification of fish species based on image processing and statistical analysis research," 2014 IEEE International Conference on Mechatronics and Automation, Tianjin, 2014, pp. 1155-1160.
[8] K. Veropoulos, C. Campbell and G. Learmonth, "Image processing and nơ-ron computing used in the diagnosis of tuberculosis," Intelligent Methods in Healthcare and Medical Applications (Digest No. 1998/514), IEE Colloquium on, York, 1998, pp. 8/1-8/4.
[9] M. B. A. Miah and M. A. Yousuf, "Detection of lung cancer from CT image using image processing and nơ-ron network," Electrical Engineering and Information Communication Technology (ICEEICT), 2015 International Conference on, Dhaka, 2015, pp. 1-6.
[10] P. Neelamegam, S. Abirami, K. Vishnu Priya and S. R. Valantina, "Analysis of rice granules using image processing and nơ-ron network," Information & Communication Technologies (ICT), 2013 IEEE Conference on, JeJu Island, 2013, pp. 879-884.
[11] Võ Minh Trí, Nguyễn Minh Ln, Huỳnh Hồng Giang, Nguyễn Quang Huy, Nguyễn Minh Kha, Huỳnh Thanh hiệp. Máy đếm tôm giống có năng suất 6000 con/giờ. Đại học Cần Thơ, 2014, 85 trang.
[12] Võ Minh Trí. Bước đầu thiết kế chế tạo và thử nghiệm thiết bị đếm tôm giống bằng cảm biến quang. Tạp chí khoa học trường Đại học Cần Thơ. Số chuyên đề: Thủy sản (2014)(1):63-68.
[13] Trương Quốc Bảo, Nguyễn Chánh Nghiệm, Nguyễn Minh Kha, Huỳnh Hồng Giang, Võ Minh Trí. Phát triển thuật tốn xử lý ảnh để phát hiện và đếm tôm giống. Hội nghị toàn quốc lần thứ 3 về Điều khiển và tự động hóa-VCCA,2015
[14] Nguyễn Văn Thái, Nhận dạng phân loại gạo, Luận văn thạc sĩ Đại học Bách Khoa TP.HCM, tháng 06/2005.
[15] Huỳnh Thái Hoàng. Hệ thống điều khiển thông minh. NXB Đại học Quốc gia, 2006.
PHỤ LỤC
Code xác định điểm trọng tâm của đối tượng
%tinh trong tam (x0,y0):
l = bwlabel(anhnhiphan);
s = regionprops(l,'Centroid'); trongtam = s(1).Centroid;
x0 = trongtam(1); y0 = trongtam(2);
Code xác định điểm xuất phát
%xac dinh diem bat dau de thuc hien chay doc theo bien cua ca:
%diem bat dau xuat phat tai vi tri ma tai do co ban kinh tinh tu (x0,y0) %den bien ca la lon nhat.
[ySize,xSize]=size(anhnhiphan); r_max = 0; for x = 1:1:xSize for y = 1:1:ySize if anhnhiphan(y,x) == 1 r_x = abs(x - x0); r_y = abs(y - y0);
r = sqrt(r_x*r_x + r_y*r_y); if r_max < r r_max = r; xStart = x; yStart = y; end end end end
Code trích đặc trưng của ảnh đối tượng
%thiet lap ma tran chua toan bo cac diem la duong bien cua ca:
duongbien = bwtraceboundary(anhnhiphan, [yStart xStart], 'NE', 8, Inf,'clockwise');
%lay du lieu de dua vao huan luyen cho mang than kinh nhan tao: %chia duong bien cua ca thanh "somau" doan nho, tinh ban kinh tu %(x0,y0)den cac doan do.
t = size(duongbien); sodiemduongbien = t(1); r = zeros(somau,1); theta = zeros(somau,1); for i = 1:somau pos = round((i-1)*sodiemduongbien/somau + 1); if (pos <= sodiemduongbien) & (pos > 0)
r_x = duongbien(pos,2) - x0; r_y = duongbien(pos,1) - y0;
[theta(i) r(i)] = cart2pol(r_x,r_y); elseif pos > sodiemduongbien
r_x = duongbien(sodiemduongbien,2) - x0; r_y = duongbien(sodiemduongbien,1) - y0; [theta(i) r(i)] = cart2pol(r_x,r_y); end
end
Code thực hiện thiết kế mạng nơ-ron
handles.net = newff(minmax(dulieuhuanluyen),[30 1],{logsig logsig},traingdm); handles.net.LW{2,1} = handles.net.LW{2,1}*0.1; handles.net.b{2} = handles.net.b{2}*0.1; handles.net.performFcn = mse; handles.net.trainParam.goal = 1e-3; handles.net.trainParam.show = 25; handles.net.trainParam.epochs = 250000; handles.net.trainParam.mc = 0.9;
GIẢI PHÁP ĐẾM CON GIỐNG ỨNG DỤNG CÔNG NGHỆ XỬ LÝ ẢNH
SOLUTION OF FISH COUNTING USING IMAGE PROCESSING TECHNOLOGY
Nguyễn Thị Tốt
Học viên cao học trường Đại học Sư phạm Kỹ thuật TPHCM
TÓM TẮT
Tại Việt Nam, ngành nuôi trồng thủy sản đã phát triển mạnh và đạt kết quả cao, hình thành nên phong trào nuôi trồng rộng rãi trong nhân dân.
Do đó, nhu cầu con giống trên thị trường hiện nay rất lớn. Tuy nhiên, việc giao dịch mua bán con giống ngày nay vẫn cịn sử dụng phương pháp đếm truyền thống thơng qua đếm mẫu và ước lượng là chủ yếu. Phương pháp đếm thủ công này tốn nhiều thời gian và độ chính xác khơng cao. Vì vậy, mục tiêu của đề tài là tìm ra giải pháp nhận dạng và đếm con giống chính xác và nhanh chóng hơn, có thể bỏ qua các tạp chất trong q trình đếm.
Luận văn được thực hiện dựa trên cơng nghệ xử lý hình ảnh và mạng neural để nhận dạng và đếm con giống, thông qua phần mềm MATLAB để thực hiện hai quá trình: nhận dạng và đếm đối tượng con giống.
Đầu tiên, ảnh cá cần nhận dạng được đưa vào phần mềm sẽ trải qua các bước tiền xử lý ảnh như: chuyển sang ảnh xám, lọc nhiễu, tăng độ tương phản, chuyển sang ảnh nhị phân, sau đó trích ra các đặc trưng về hình dạng của cá giống, tiếp theo đưa dữ liệu về hình dạng của cá giống vừa thu được vào mạng thần kinh nhân tạo đã được huấn luyện để nhận dạng cá giống.
Sau khi được nhận dạng, hệ thống sẽ đưa ra quyết định loại bỏ ảnh không phải cá giống (ảnh tạp) và chỉ giữ lại ảnh cá giống. Đồng thời phần mềm cũng thống kê số lượng cá giống có trong ảnh ban đầu. Kết quả giải pháp này có hiệu quả trong trường hợp các đối tượng cá bơi riêng lẻ. Trường hợp cá bơi chồng lên nhau kết quả đếm khơng chính xác.
Từ khóa: xử lý ảnh, mạng nơ-ron, Matlab, đếm. ABSTRACT
In Vietnam, the aquaculture has grown significantly and achieved high results, formed the aquaculture movement among the people widely.
Therefore, fish demand in the market is very large. However, the purchase and sale of fish seed today still use traditional methods of counting through counting and estimating sample is crucial. This method takes a long time and the accuracy is not high. Therefore, the objective of this research to find a way that count more accurately and faster, able to ignore the impurities in the counting process
This thesis was based on image processing technology and neural network to identify and count baby fishs. By using MATLAB software to perform two processes: identification and counting of seedling varieties.
extracting the characteristics shape of the fish, followed by the data on the shape of the fish collected on the artificial neural network were trained to identify fishs.
After identified, the system will make a decision to remove the non-fish image and only retain the fish image. At the same time the software also records the number of fish in the original image. Experimental results show that it is effective in the case of individual fish swimming objects. The counted results are not correctly when fish swim overlap.
Key words: image processing, neural network, fish, Matlab
I. GIỚI THIỆU
Hiện nay nhu cầu con giống trên thị trường rất lớn. Tuy nhiên, việc giao dịch mua bán con giống ngày nay vẫn cịn sử dụng phương pháp đếm truyền thống thơng qua đếm mẫu và ước lượng là chủ yếu. Phương pháp đếm thủ công này tốn nhiều thời gian và độ chính xác khơng cao. Ý thức được sự cần thiết của đề tài nên tác giả đã quyết định chọn đề tài “Giải pháp đếm con giống ứng dụng công nghệ xử lý ảnh” để nghiên cứu.
Trên thế giới đã có nhiều cơng trình nghiên cứu và chế tạo thiết bị đếm con giống chẳng hạn như thiết bị Larvae Counting System [1] của nhóm tác giả Brinson A.Lingenfelter, Addison L.Lawrence, Eric Steime, Will Flanery and Kurt Kramer; thiết bị The XperCount1 do XpertSea Solutions Inc [2] (một nhà sản xuất hàng đầu các sản phẩm công nghệ tin học phần cứng và phần mềm của ngành thủy sản) sản xuất.
Rất nhiều cơng trình nghiên cứu về đề tài đếm con giống đã thực hiện như: Theo các
tác giả Addthajaroon, S.Kiattisin, W.Chiracharit, K.Chamnongthai [3] sử dụng thuật toán
biến đổi hệ số wavelet nhận dạng tơm giống. Thuật tốn sử dụng phương pháp biến đổi hệ số wavelet thuận, sử dụng kỹ thuật xử lý hình thái xác định chiều dọc, ngang và chéo nhau để tìm đặc trưng của chúng (ví dụ như 2 con mắt), sau đó biến đổi wavelet ngược, các con có những đặc trưng sẽ được tìm thấy. Nhược điểm của phương pháp này là khi đếm những con tơm trùng lên nhau thì độ chính xác khơng cao. Kết quả đếm được 80,61 % trong trường hợp hai con trùng nhau.
Hai tác giả W. Khantuwan và N. Khiripet [4] sử dụng thuật toán biểu đồ đồng dạng màu (Co-occurrence Color Histogram) đếm tôm giống. Tôm giống được chứa trong chậu kính, hình ảnh được xử lý trước để loại bỏ nhiễu, phân đoạn chia ra hai lớp những con tôm kết nối và không kết nối với nhau. Đếm bằng giải thuật giới hạn kích thước diện tích pixel. Bài báo công bố kết quả thực nghiệm phương pháp này chính xác 97%.
Theo Y.H.Toh và các cộng sự [5] đã trình bày một giải pháp đơn giản để đếm cá tự động sử dụng kỹ thuật xử lý ảnh. Đánh dấu các đốm màu tương ứng với vị trí của cá trong từng khung ảnh. Ảnh sau đó sẽ được lọc nhiễu và nền xung quanh các đốm màu. Đếm số lượng đốm màu chính là số cá có trong mỗi khung hình. Kết quả cho thấy đếm đúng số lượng cá với đàn cá có 5, 10, 15 và 50 con. Lỗi sẽ tăng lên theo số lượng cá. Phương pháp này hiệu quả đối với số lượng cá ít. Bởi vì khi đó, khoảng cách giữa các cá thể cá cách xa nhau. Khả năng cá bơi riêng lẻ nhiều, giảm số lượng cá bơi chồng lên nhau. Do đó, xử lý sẽ chính xác hơn.
Các tác giả A. Flores, P. Crisostomo và J. Lopez [6] nghiên cứu về đề tài hệ thống
Nhìn chung, các bài báo trên tác giả đều ứng dụng kỹ thuật xử lý ảnh trong việc nhận dạng ra đối tượng. Sau đó, sử dụng các phép tốn thống kê để đếm số lượng đối tượng trong ảnh nên độ chính xác chưa cao. Vì vậy, để đạt được độ chính xác cao hơn nên kết hợp kỹ thuật xử lý ảnh và mạng nơ-ron để học nhận dạng và đếm số lượng đối tượng. Việc kết hợp này đã có nhiều đề tài nghiên cứu như [8], [9], [10].
Theo nghiên cứu của Huỳnh Hoàng Giang, Nguyễn Minh Kha, Đại học Cần Thơ [11], đã xây dựng giải thuật xử lý ảnh hiệu quả có thể nhận dạng và đếm tơm giống. Kết quả đếm có độ chính xác khoảng 94%, thời gian xử lý trung bình khoảng 8 giây. Bên cạnh đó, đề tài cịn tồn tại một số hạn chế nhất định như: độ chính xác giảm khi trong tơm có độ chênh lệch lớn về kích thước, phép tốn hình thái chỉ có thể thực hiện trên post tơm có kích thước lớn