郭 俊，鄭 堤，2，陳俊華, 劉年福

(1.寧波大學(xué) 機(jī)械工程與力學(xué)學(xué)院，浙江 寧波 315211；2.浙江大學(xué) 寧波理工學(xué)院 機(jī)電與能源工程學(xué)院，浙江 寧波 315100；3.浙江大學(xué) 機(jī)械工程學(xué)院，浙江 杭州 310058)

0 引 言

隨著養(yǎng)殖生產(chǎn)規(guī)模的不斷擴(kuò)大，魚群在設(shè)施養(yǎng)殖中的精確計(jì)數(shù)為魚苗銷售運(yùn)輸、養(yǎng)殖密度控制等環(huán)節(jié)的有效管理提供了基礎(chǔ)。傳統(tǒng)的人工魚群計(jì)數(shù)方法有分布取樣統(tǒng)計(jì)平均法和稱重法，前者費(fèi)時(shí)費(fèi)力，且亦受到人為主觀因素的影響[1，2]，后者會(huì)對(duì)幼苗產(chǎn)生應(yīng)激和物理傷害，測(cè)量過的幼苗需較長(zhǎng)時(shí)間才能恢復(fù)正常的攝食生長(zhǎng)[3]。

隨著計(jì)算機(jī)視覺和圖像處理技術(shù)的迅速發(fā)展,依靠傳感器技術(shù)科學(xué)的指導(dǎo)養(yǎng)殖生產(chǎn)勢(shì)在必行[4]，基于圖像處理技術(shù)魚群計(jì)數(shù)方法得到了廣泛的關(guān)注，具有操作簡(jiǎn)便、效率高、準(zhǔn)確度高、對(duì)魚體基本無傷害等特點(diǎn)[5]，在農(nóng)業(yè)的生產(chǎn)中有著廣泛的應(yīng)用和廣闊的發(fā)展前景。目前，已有研究人員利用端點(diǎn)細(xì)化算法[6]、神經(jīng)網(wǎng)絡(luò)[7，8]、四鄰域標(biāo)記[9]、灰度圖像分析[10]、曲線演化法[11]等方法對(duì)生物幼苗進(jìn)行計(jì)數(shù)，但主要針對(duì)單幀圖像且對(duì)于因魚苗黏連導(dǎo)致的計(jì)數(shù)誤差較大并未有很好的解決方法。

本文提出了一種基于視覺跟蹤和回歸分析的魚苗計(jì)數(shù)方法，對(duì)無黏連的正常圖像和有黏連的異常圖像分別進(jìn)行分析處理和回歸建模，較好地解決了圖像黏連導(dǎo)致的計(jì)數(shù)誤差較大的問題，為精確、高效的設(shè)施養(yǎng)殖管理奠定基礎(chǔ)。

1 計(jì)數(shù)系統(tǒng)總體設(shè)計(jì)

魚苗計(jì)數(shù)系統(tǒng)由養(yǎng)殖水箱、計(jì)數(shù)水箱、出魚水箱和圖像采集與處理子系統(tǒng)等部分組成，如圖1所示。養(yǎng)殖水箱中養(yǎng)殖待計(jì)數(shù)的魚苗；計(jì)數(shù)水箱用于暫存按批次從養(yǎng)殖水箱放下來的魚苗，并供攝像機(jī)攝取每批次魚苗的圖像信息；出魚水箱用于收集經(jīng)過計(jì)數(shù)的魚苗供銷售、檢驗(yàn)分析或其他研究與管理使用；電荷耦合器件(charge coupled device,CCD)攝像機(jī)進(jìn)行圖像采集，處理子系統(tǒng)可按一定時(shí)間間隔動(dòng)態(tài)跟蹤拍攝多幅計(jì)數(shù)水箱中的魚苗圖像，并以計(jì)算機(jī)為平臺(tái)，采用NI公司開發(fā)的NI Vision Assistant視覺模塊對(duì)采集的魚群圖像進(jìn)行相關(guān)處理，利用MATLAB軟件求出相關(guān)參數(shù)，得出相關(guān)算法模型。魚苗計(jì)數(shù)系統(tǒng)的工作原理：控制球閥(球閥內(nèi)部安裝電磁閥，防止球閥關(guān)閉時(shí)誤傷正在通過的魚)，讓魚苗從養(yǎng)殖水箱通過管道進(jìn)入計(jì)數(shù)水箱；由圖像采集與處理子系統(tǒng)采集計(jì)數(shù)水箱中的魚群圖像并進(jìn)行分析處理與計(jì)數(shù)；將計(jì)數(shù)水箱中的魚群通過球閥和管道放入出魚水箱。上述過程持續(xù)進(jìn)行，直至出魚水箱中魚的總數(shù)達(dá)到預(yù)定值。

圖1 計(jì)算機(jī)視覺魚苗自動(dòng)計(jì)數(shù)系統(tǒng)

1.1 計(jì)算機(jī)圖像分析

對(duì)采集自計(jì)數(shù)水箱中的一張魚苗圖像如圖2(a)所示,進(jìn)行濾波、二值化等預(yù)處理，其結(jié)果如圖2(b)所示。

圖2 圖像預(yù)處理

對(duì)預(yù)處理后的魚苗圖像中每個(gè)圖像塊分別進(jìn)行標(biāo)記，如圖3(a)所示，未黏連的每尾魚單獨(dú)標(biāo)記，稱其為正常圖像，在圖中有4個(gè)圖像塊為正常圖像；如圖3(b)中的標(biāo)簽7和8所示，兩尾或多尾魚因重疊而黏連在一起的圖像整塊標(biāo)記，稱其為異常圖像，圖中有兩個(gè)圖像塊為異常圖像。

圖3 圖像誤判標(biāo)記

分析正常圖像，選取面積最小的正常圖像的值記為c1，選取面積最大的5個(gè)正常圖像求平均值記為c2。對(duì)正常圖像的面積在區(qū)間[c1,c2]上進(jìn)行歸一化處理，得

(1)

式中Fa為正常圖像測(cè)得的面積；Sa為歸一化處理后該正常圖像的面積。

1.2 計(jì)算機(jī)視覺跟蹤分析

由于魚群在水箱中自由游動(dòng)，其拍攝的圖像具有多樣性，如圖4(a)中標(biāo)簽1與圖4(b)中標(biāo)簽7的圖像塊，其面積相差不大且均超過正常圖像的面積，在劃分圖像時(shí)可能會(huì)同時(shí)被誤判為異常圖像。因此，需要對(duì)異常圖像進(jìn)行視覺跟蹤分析，便于區(qū)分黏連的圖像。

圖4 異常圖像誤判分析

在跟蹤分析異常面積的過程中，若由于圖像面積太大而被判定為異常圖像，可考慮在0～t時(shí)刻內(nèi)觀察圖像是否變化進(jìn)行分析；若由于黏連而被判定為異常圖像，在0～t時(shí)刻內(nèi)跟蹤異常圖像，若圖像塊的面積Fa變化幅度較大(超過1/3Fa)或者分為多個(gè)獨(dú)立的圖像塊,則判定為黏連導(dǎo)致的異常圖像。在魚苗的計(jì)數(shù)時(shí)，不同范圍的圖像面積對(duì)應(yīng)的計(jì)算方法有所不同。

(2)

2 計(jì)算機(jī)視覺的圖像算法研究

2.1 計(jì)數(shù)模型建立

為了計(jì)算圖像中每個(gè)圖像塊對(duì)應(yīng)的魚苗的數(shù)目，將定義為正常圖像或異常圖像的面積的歸一化值作為自變量，定義的正常圖像或異常圖像轉(zhuǎn)化為量值0或1作為修正變量，每個(gè)圖像塊對(duì)應(yīng)不同的魚數(shù)目作為因變量，構(gòu)建數(shù)學(xué)模型[12～15]，反映圖像塊面積與魚苗數(shù)目之間存在相關(guān)關(guān)系。

根據(jù)式(1)和式(2)，對(duì)于圖像塊設(shè)自變量x1，x2，x3，系數(shù)θ0,θ1,θ2,θ3，因變量n建立數(shù)目計(jì)算的估計(jì)函數(shù)模型

n=θ0+θ1x1+θ2x2+θ3x3

(3)

式中x1此圖像塊的面積歸一值；x2,x3分別為正常圖像和異常圖像的量值，取值0或1。

2.2 相關(guān)系數(shù)的求解

若在一組圖像中有n個(gè)圖像塊，為了便于得出相關(guān)系數(shù)，則式(3)改寫成矩陣形式為

h(x)=XθT

(4)

利用梯度下降法進(jìn)行迭代直到收斂得到最佳系數(shù)，其迭代公式為[16]

(5)

式中θj為初始系數(shù)值，根據(jù)初始系數(shù)進(jìn)行系數(shù)迭代，迭代曲線逐漸趨于平穩(wěn)，直至收斂，輸出θ值；hθ(x(i))為圖像中的第i個(gè)圖像塊計(jì)算對(duì)應(yīng)的數(shù)目；ni為第i個(gè)圖像塊對(duì)應(yīng)的實(shí)際魚的數(shù)目；n為一組圖像中參與計(jì)算的圖像塊的數(shù)目；α為學(xué)習(xí)速率，文中選取1×10-3。

2.3 計(jì)數(shù)算法應(yīng)用

每塊圖像的面積大小決定了所對(duì)應(yīng)魚的計(jì)算數(shù)目。在圖像分析中可知，正常圖像(即c1

(6)

式中n1為正常圖像的個(gè)數(shù)；x1為正常圖像的面積歸一化值(即為Sa)，由于是正常圖像則取x2=1，x3=0。

對(duì)于異常圖像，為了判定面積相差較大導(dǎo)致的異常圖像和黏連導(dǎo)致的異常圖像，需要在0～t時(shí)刻對(duì)異常圖像跟蹤分析，若為面積較大導(dǎo)致的異常圖像，結(jié)合式(1)和式(3)，其對(duì)應(yīng)的魚的數(shù)目計(jì)算如公式(7)中N21；若為黏連導(dǎo)致的異常圖像，則結(jié)合式(2)和式(3)，其對(duì)應(yīng)的魚的數(shù)目計(jì)算如式(7)中N22

(7)

式中n21，n22分別為為由于面積尺寸較大導(dǎo)致的異常面積的數(shù)目和由于黏連導(dǎo)致的異常面積的數(shù)目。N21中參與計(jì)算的x1由于是誤判為異常面積,所以,在計(jì)算時(shí)需要在正常圖像面積范圍內(nèi)取值，在計(jì)算中x1取值為原始面積(c1+c2)/2經(jīng)過歸一化的值，其中x2=1，x3=0；N22中參與計(jì)算的x1根據(jù)實(shí)際面積的歸一化值代入計(jì)算，x2=0，x3=1。

對(duì)一組圖像中不同的圖像塊分別計(jì)算魚的數(shù)目，累加求和得出圖像中魚苗的數(shù)目

N=N1+N21+N22

(8)

3 驗(yàn)證與分析

為了確保魚苗數(shù)目估計(jì)函數(shù)中相關(guān)系數(shù)的精度，需要拍攝多組圖像作為訓(xùn)練組，并擬合出最佳系數(shù)。在魚苗計(jì)數(shù)實(shí)驗(yàn)系統(tǒng)中進(jìn)行樣本采集，養(yǎng)殖魚苗種類為鯽魚，水箱直徑100 cm，水深50 cm。計(jì)數(shù)水箱中首先放入25尾魚，并拍攝魚群游動(dòng)過程中動(dòng)態(tài)圖像作為訓(xùn)練組。拍攝第一張圖像且通過軟件處理得到面積參數(shù)，選取正常圖像中的圖像面積范圍(c1，c2)為(1 000,2 000)，若在(2 000，+∞)范圍內(nèi)則為異常圖像。為了便于精確圖像劃分和分類，分組拍攝圖像，每組2張，時(shí)間間隔為2 s，第一張圖像作為初始圖像識(shí)別正常圖像和異常圖像，第二張圖像作為對(duì)比圖像分析識(shí)別導(dǎo)致異常圖像的原因并計(jì)算一組系數(shù)。同理，在2 s后進(jìn)行第二組拍攝，共計(jì)拍攝100張圖像50對(duì)圖像組進(jìn)行分析。根據(jù)訓(xùn)練組得出圖像劃分情況如表1所示。

表1 圖像劃分 個(gè)

根據(jù)魚苗的游動(dòng)特性2 s內(nèi)能夠明顯判斷出導(dǎo)致異常圖像的原因。由表1可知，開始時(shí)的第一組圖像中識(shí)別的正常圖像的數(shù)目有13個(gè)，異常圖像的數(shù)目有6個(gè)，經(jīng)過2 s拍攝的圖像中識(shí)別的由于面積較大導(dǎo)致的異常圖像的數(shù)目有1個(gè)，由于黏連導(dǎo)致的異常圖像的數(shù)目有5個(gè)。根據(jù)圖像面積的不同，對(duì)圖像進(jìn)行劃分的方法解決了圖像黏連的問題。

在訓(xùn)練組的圖像劃分的基礎(chǔ)上根據(jù)式(1)～式(3)，通過梯度下降法迭代求解每組的相關(guān)系數(shù)，然后回歸擬合得出最佳系數(shù)[17]，確定估計(jì)函數(shù)n為

n=0.598 7+0.352 8x1+1.266 5x1+0.332 2x2

(9)

為了驗(yàn)證此估計(jì)函數(shù)的準(zhǔn)確性和適用性，在實(shí)驗(yàn)中控制球閥1，拍攝在一定的時(shí)間內(nèi)進(jìn)入計(jì)數(shù)水箱中的魚苗并進(jìn)行數(shù)目計(jì)算。根據(jù)每次進(jìn)入計(jì)數(shù)水箱中魚群的數(shù)目不同，魚苗的數(shù)目統(tǒng)計(jì)如表2所示。

表2 魚苗的數(shù)目計(jì)算結(jié)果 尾

由表2可知，此算法計(jì)算魚苗的數(shù)目接近真實(shí)值，最大誤差約為4.18 %，且每次計(jì)數(shù)只需要4 s，即可完成。實(shí)驗(yàn)表明：基于圖像面積分析的方法計(jì)算魚群的數(shù)目精度較高且時(shí)間較短。

4 討 論

4.1 計(jì)數(shù)方法比較

范嵩等人[5]提出了基于端點(diǎn)的細(xì)化算法，通過連通域中的端點(diǎn)數(shù)目確定魚群中魚的尾數(shù)，2個(gè)端點(diǎn)判斷為1尾魚，3個(gè)端點(diǎn)判斷為3尾魚，n個(gè)端點(diǎn)則根據(jù)n/2+1公式計(jì)算，計(jì)算數(shù)目誤差較大，計(jì)數(shù)的魚苗的數(shù)目較少且平均誤差達(dá)到7.13 %；黃玲等人[6]用連通域中像素點(diǎn)分析法進(jìn)行魚群計(jì)數(shù)，對(duì)16～19尾魚數(shù)目統(tǒng)計(jì)，當(dāng)連通域內(nèi)魚數(shù)較多且圖像黏連情況較嚴(yán)重時(shí)，多尾魚的像素點(diǎn)重疊在一起，計(jì)數(shù)誤差達(dá)到11.76 %。王文靜等人利用圖像閾值分割法通過單一目標(biāo)面積和平均面積的關(guān)系確定目標(biāo)數(shù)量，對(duì)不重疊區(qū)域計(jì)算幼苗的數(shù)量，黏連的幼苗利用標(biāo)記的方法區(qū)分，然后估算出黏連的魚苗數(shù)目，并未具體分析黏連的數(shù)目，導(dǎo)致最終累加求出魚苗的的總數(shù)誤差較大，雖然統(tǒng)計(jì)的數(shù)目較大，但是精度較低，誤差達(dá)到11.5 %。魚苗的購(gòu)銷過程中對(duì)魚苗的計(jì)算時(shí)間和數(shù)目精度要求比較高，本文主要設(shè)計(jì)了一種對(duì)于一批或多批魚苗連續(xù)實(shí)時(shí)的在線計(jì)數(shù)系統(tǒng)，計(jì)算數(shù)目適當(dāng)且精確度較高，解決了人工計(jì)數(shù)的繁瑣和精度誤差較大的問題，并為魚苗銷售運(yùn)輸、養(yǎng)殖密度控制方面提供實(shí)用的理論基礎(chǔ)。

4.2 尚需改善的部分

算法的計(jì)算精度和可行性已通過驗(yàn)證，為了進(jìn)一步提高精度可以通過以下方面進(jìn)行改進(jìn)：1)在實(shí)驗(yàn)中最佳的效果是控制球閥的開啟時(shí)間，根據(jù)管道直徑的尺寸和水流速度估算在一定的時(shí)間內(nèi)進(jìn)入計(jì)數(shù)水箱中魚群的數(shù)目，水箱中水的高度不應(yīng)超過3倍魚體的尺寸高度，防止魚被完全遮擋；2)魚的圖像劃分尺寸選擇不合理會(huì)影響計(jì)算精度，在選取魚的正常圖像面積范圍時(shí)要根據(jù)多數(shù)合理的形狀統(tǒng)計(jì)后進(jìn)行選??；3)在實(shí)驗(yàn)數(shù)據(jù)采集時(shí)，多數(shù)的魚苗盡量分散，可以將圓形水箱設(shè)計(jì)為扁型的水箱。

5 結(jié)束語

采用計(jì)算機(jī)視覺技術(shù)實(shí)時(shí)跟蹤分析魚苗規(guī)律完成計(jì)數(shù)并解決魚苗計(jì)數(shù)過程中黏連問題?；趫D像面積的不同建立圖像特征值與魚苗數(shù)量之間的相關(guān)關(guān)系模型，根據(jù)圖像塊面積大小不同劃分圖像，對(duì)其中異常圖像的跟蹤分析識(shí)別出黏連的圖像并獲得魚苗數(shù)目計(jì)算的算法，在相同樣實(shí)驗(yàn)情況下，對(duì)不同數(shù)目的魚群進(jìn)行驗(yàn)證，此研究方法計(jì)算得出的魚群的數(shù)目精度較高，且用時(shí)短，同其他計(jì)數(shù)算法相比較，計(jì)算精度較高。算法可為魚苗的飼養(yǎng)、運(yùn)輸和銷售過程中對(duì)一定數(shù)量或批量的魚苗精確計(jì)數(shù)提供理論參考。對(duì)于非設(shè)施養(yǎng)殖的復(fù)雜的環(huán)境中魚苗的批量計(jì)數(shù)算法有待進(jìn)一步的探討與研究。

[1] 王文靜.基于計(jì)算機(jī)視覺魚苗自動(dòng)計(jì)數(shù)系統(tǒng)研究 [J].漁業(yè)現(xiàn)代化,2016,43(3):34-38.

[2] 徐斐力，馬應(yīng)森，黃應(yīng)生.分布取樣式魚(蝦)苗計(jì)數(shù)器：中國(guó)，CN88202836.7[P].1989—12—13.

[3] 盧建琦.稱量式魚(蝦)計(jì)數(shù)方法及其設(shè)備:中國(guó)，CN88100193.7[P].1989—08—09.

[4] 石 堯，李 暉，楊永欽,等.海洋牧場(chǎng)多參數(shù)智能監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].傳感器與微系統(tǒng)，2017,36(9):70-72.

[5] Chatain B,Debas L,Bourdillon A.A photographic larval fish counting technique:Comparison with other methods,statistical appraisal of the procedure and practicaluse[J].Aquaculture,1996,141:83-96.

[6] 范 嵩，劉 嬌，楊 軼.圖像識(shí)別技術(shù)在魚苗計(jì)數(shù)方面的研究與實(shí)現(xiàn)[J].水產(chǎn)科學(xué),2008,27(4):210-212.

[7] Fan L Z,Liu Y.Automate fry counting using computer vision and multi-class least squares support vector machine[J].Aquaculture,2013,380-383:91-98.

[8] Newbury P F,Culverhouse P F,Pilgrim D A.Automatic fish population counting by artificial neural network[J].Aquaculture,1995,133(1):45-55.

[9] 劉世晶，陳 軍，劉興國(guó),等.基于圖像處理技術(shù)的小球藻熒光圖像自動(dòng)計(jì)數(shù)方法研究[J].漁業(yè)現(xiàn)代化,2012,39(5)：16-19.

[10] Foster M,Petrell R,Ito M R,et al.Detection and counting of uneaten food pellets in a sea cage using image analysis[J].Aquacultural Engineering,1995,4(3):251-269.

[11] 王 碩，范良忠，劉 鷹.基于計(jì)算機(jī)視覺的大菱鲆魚苗計(jì)數(shù)方法研究[J].漁業(yè)現(xiàn)代化，2015，42(1)：16-19.

[12] 汪奇生,楊德宏，楊騰飛.線性回歸總體最小二乘平差模型及解算[J].大地測(cè)量與地球動(dòng)力學(xué)，2015,35(1):126-128.

[13] 王惠文，孟 潔.多元線性回歸的預(yù)測(cè)建模方法[J].北京航空航天大學(xué)大學(xué)學(xué)報(bào)，2007,33(4)：500-504.

[14] 陳永勝，宋立新.多元線性回歸建模以及SPSS軟件求解[J].通化師范學(xué)院學(xué)報(bào)，2007,28(12)：8-9，12.

[15] 劉 嚴(yán).多元線性回歸的數(shù)學(xué)模型[J].沈陽工程學(xué)院學(xué)報(bào)：自然科學(xué)版，2005(Z1)：128-129.

[16] 郭躍東，宋旭東.梯度下降法的分析和改進(jìn)[J].科學(xué)展望，2016,26(15)：115-117.

[17] 鞠升輝,李楊民.基于運(yùn)動(dòng)分析的運(yùn)動(dòng)目標(biāo)實(shí)時(shí)跟蹤系統(tǒng)[J].傳感器與微系統(tǒng)，2016,35(7):58-61.