關(guān)輝 許璐蕾

摘 要：近年來，基于無線傳感網(wǎng)的水產(chǎn)養(yǎng)殖監(jiān)控系統(tǒng)發(fā)展迅速，這些系統(tǒng)雖然可實(shí)現(xiàn)魚塘水質(zhì)的實(shí)時監(jiān)測與調(diào)控，但無法對魚群的健康與異常狀況進(jìn)行實(shí)時監(jiān)測、識別及預(yù)警。基于此，文中提出基于機(jī)器視覺的智能魚群健康狀況監(jiān)測系統(tǒng)方案，介紹了系統(tǒng)的硬件與軟件設(shè)計思想。系統(tǒng)利用運(yùn)動目標(biāo)跟蹤算法對魚群游動的軌跡進(jìn)行連續(xù)跟蹤，通過數(shù)據(jù)分析計算出魚群的流動速度、加速度及深度等運(yùn)動參數(shù)，根據(jù)魚群運(yùn)動參數(shù)的變化分析判斷出魚群生長環(huán)境的改變與健康狀況，從而實(shí)現(xiàn)水產(chǎn)養(yǎng)殖全過程的實(shí)時化與智能化。

關(guān)鍵詞：機(jī)器視覺;魚群;健康監(jiān)測;運(yùn)動目標(biāo)跟蹤;實(shí)時化;智能化

中圖分類號：TP391文獻(xiàn)標(biāo)識碼：A文章編號：2095-1302（2019）10-00-02

0 引 言

隨著人們生活水平的提高，水產(chǎn)品需求量逐年遞增。在漁業(yè)發(fā)展過程中，傳統(tǒng)的水產(chǎn)養(yǎng)殖多為粗放型生產(chǎn)模式，以人工觀察為主，養(yǎng)殖戶憑經(jīng)驗(yàn)管理魚塘，耗費(fèi)了大量的時間、精力[1]。人工觀察加經(jīng)驗(yàn)判斷不利于精確、穩(wěn)定、連續(xù)記錄，而且主觀性較強(qiáng)，存在誤判的可能，無法對水質(zhì)變化做出及時有效的響應(yīng)與決策，無法實(shí)時獲取水下魚群的健康狀況，容易導(dǎo)致由于調(diào)控不及時帶來的巨大財產(chǎn)損失。國家科技方面的中長期規(guī)劃中已經(jīng)明確將“畜水產(chǎn)健康養(yǎng)殖”納入優(yōu)先發(fā)展方向，水產(chǎn)養(yǎng)殖的自動化與智能化是其必然的發(fā)展趨勢。

隨著計算機(jī)網(wǎng)絡(luò)與物聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展，物聯(lián)網(wǎng)技術(shù)被越來越多地應(yīng)用于水產(chǎn)養(yǎng)殖領(lǐng)域。目前基于無線傳感網(wǎng)的水產(chǎn)養(yǎng)殖監(jiān)控系統(tǒng)是研究與應(yīng)用的熱點(diǎn)，這些系統(tǒng)雖然在智能化水質(zhì)監(jiān)測與調(diào)控中都取得了一定的成果，但缺少對魚群實(shí)時生長狀況監(jiān)控及魚群健康狀況、異常情況的智能化識別，無法完全實(shí)現(xiàn)水產(chǎn)養(yǎng)殖的實(shí)時化與自動化[2]。

本文提出一種基于機(jī)器視覺的智能魚群健康狀況監(jiān)測系統(tǒng)，在利用無線傳感網(wǎng)對魚塘水質(zhì)情況進(jìn)行實(shí)時監(jiān)測的基礎(chǔ)上，增加了通過攝像頭自動監(jiān)測養(yǎng)殖魚類，并采用運(yùn)動目標(biāo)跟蹤算法跟蹤魚塘中的魚群，獲取魚群游動的平均速度、加速度及深度。當(dāng)監(jiān)測到魚群運(yùn)動的平均速度（加速度）或游動深度超出正常范圍時，說明魚群健康狀況出現(xiàn)了異常，自動通過計算機(jī)網(wǎng)絡(luò)向監(jiān)控中心與用戶終端發(fā)出報警信號。

1 機(jī)器視覺系統(tǒng)設(shè)計

機(jī)器視覺又稱計算機(jī)視覺，是人工智能快速發(fā)展的一個分支。簡單來說，就是利用機(jī)器（攝像機(jī)、計算機(jī)等）代替人眼對目標(biāo)進(jìn)行識別、跟蹤及測量，從圖像中提取信息，并加以理解與處理，從而幫助人們進(jìn)行判斷決策與控制[3]。

典型的機(jī)器視覺系統(tǒng)通常包括圖像捕獲、光源、圖像數(shù)字化模塊、數(shù)字圖像處理模塊、智能判斷決策模塊及機(jī)械控制執(zhí)行模塊等。

本文系統(tǒng)主要由攝像機(jī)、無線數(shù)據(jù)傳輸系統(tǒng)、圖像采集處理系統(tǒng)、服務(wù)器、用戶終端等構(gòu)成。系統(tǒng)整體結(jié)構(gòu)如圖1所示。

1.1 攝像機(jī)

攝像機(jī)主要負(fù)責(zé)采集魚塘中魚群的運(yùn)動圖像。由于水產(chǎn)養(yǎng)殖監(jiān)測對距離有一定的要求，因此采用無線網(wǎng)絡(luò)攝像機(jī)實(shí)現(xiàn)視頻的采集與無線傳輸。

1.2 無線數(shù)據(jù)傳輸系統(tǒng)

無線數(shù)據(jù)傳輸系統(tǒng)主要實(shí)現(xiàn)魚群運(yùn)動視頻的傳輸。通過無線路由器連接至安裝有圖像采集卡的服務(wù)器，利用無線局域網(wǎng)（WLAN）進(jìn)行數(shù)據(jù)傳輸。

1.3 圖像采集處理系統(tǒng)

圖像采集處理系統(tǒng)主要負(fù)責(zé)對魚群運(yùn)動圖像進(jìn)行采集、加工、處理、特征提取、圖像識別與理解等。圖像經(jīng)過處理后，既改善了視覺效果，又便于后續(xù)計算機(jī)對圖像進(jìn)行分析、判斷與決策。硬件部分：在計算機(jī)上安裝圖像采集卡;圖像加工處理則主要依靠軟件。

1.4 服務(wù)器

利用圖像識別等技術(shù)對魚群進(jìn)行檢測、跟蹤、分割、識別，并對魚群的游動速度（加速度）、活動范圍等運(yùn)動參數(shù)進(jìn)行分析，判別魚群健康狀態(tài)，在終端上顯示這些數(shù)據(jù)并存入數(shù)據(jù)庫，還可對異常狀況進(jìn)行告警。

1.5 用戶終端

通過互聯(lián)網(wǎng)實(shí)現(xiàn)對服務(wù)器上存儲的魚群健康狀況數(shù)據(jù)進(jìn)行遠(yuǎn)程讀取，用戶可在任何時間、任何地點(diǎn)查看魚群健康數(shù)據(jù)。

2 軟件系統(tǒng)設(shè)計

智能魚群健康狀況監(jiān)測系統(tǒng)的軟件部分主要包括視頻控制、視頻處理與數(shù)據(jù)分析三部分。

（1）視頻控制部分負(fù)責(zé)實(shí)時采集魚塘視頻圖像，攝像頭旋轉(zhuǎn)、變焦，視頻文件播放控制，抓圖錄像等。

（2）視頻處理部分負(fù)責(zé)對視頻圖像進(jìn)行預(yù)處理，去除噪點(diǎn)，及魚群的檢測識別、運(yùn)動跟蹤等。

（3）數(shù)據(jù)分析部分負(fù)責(zé)對魚群的游動速度、加速度、深度進(jìn)行分析，記錄相關(guān)參數(shù)，從而判斷魚群健康狀況并做出預(yù)警。

同時，還可將相關(guān)數(shù)據(jù)存儲到數(shù)據(jù)庫以便用戶使用各種終端進(jìn)行查詢。魚群健康狀況監(jiān)測分析流程如圖2所示。

2.1 魚群運(yùn)動跟蹤

要獲取水產(chǎn)養(yǎng)殖系統(tǒng)中魚群運(yùn)動的相關(guān)參數(shù)，必須首先對攝像機(jī)拍攝的魚群進(jìn)行自動化檢測、識別，利用運(yùn)動目標(biāo)跟蹤算法對魚群游動的軌跡進(jìn)行連續(xù)跟蹤，通過對一系列連續(xù)圖像進(jìn)行分析研究，計算出魚群在連續(xù)多幀圖像中的位移，并根據(jù)魚塘大小、攝像機(jī)位置、焦距等信息進(jìn)一步獲取魚群游動的速度、加速度、深度等運(yùn)動參數(shù)。

運(yùn)動目標(biāo)跟蹤技術(shù)是機(jī)器視覺領(lǐng)域中廣泛應(yīng)用的關(guān)鍵技術(shù)，在人機(jī)交互、物體識別、視頻監(jiān)控等方面作用顯著。MeanShift算法因其無需參數(shù)、計算量小，對目標(biāo)變形、旋轉(zhuǎn)變化適應(yīng)性強(qiáng)等特點(diǎn)得到廣泛研究與應(yīng)用[4]，而CAMShift算法則在其基礎(chǔ)上增加了自適應(yīng)大小功能[5]。這些傳統(tǒng)的目標(biāo)跟蹤算法在提取目標(biāo)顏色特征時容易受到背景的影響。例如，當(dāng)目標(biāo)中包含背景顏色信息時，傳統(tǒng)方法會將屬于背景的像素誤判為目標(biāo)像素，從而引起跟蹤誤差，并且隨著誤差的積累加深，最終可能導(dǎo)致跟蹤失敗。

由于魚群在水中不停地游動，它們與攝像頭之間的距離和角度也不斷發(fā)生著變化，從而有可能出現(xiàn)重疊與遮擋。使用傳統(tǒng)的CAMShift算法可能導(dǎo)致目標(biāo)誤判、跟蹤失效，因此，本文系統(tǒng)采用文獻(xiàn)[6]中提出的將非線性核密度估計和CAMShift相結(jié)合的抗遮擋目標(biāo)跟蹤算法。首先選取非線性核密度估計方法對感興趣的魚群目標(biāo)進(jìn)行檢測，然后采用CAMShift算法對檢測到的目標(biāo)進(jìn)行跟蹤，并結(jié)合非線性核密度估計的檢測結(jié)果進(jìn)行自適應(yīng)更新，從而實(shí)現(xiàn)魚群目標(biāo)的自動跟蹤與自動去除背景顏色。當(dāng)魚群目標(biāo)發(fā)生部分或全部遮擋時，通過發(fā)生遮擋前一幀跟蹤到的目標(biāo)大小和位置預(yù)測下一幀的跟蹤框，從而較好地解決光照變化、陰影及遮擋對魚群運(yùn)動跟蹤造成的影響。

2.2 魚群健康狀況監(jiān)測分析

當(dāng)魚群受到應(yīng)激（如外來群種入侵、缺氧、饑餓、生病等）時，其游動速度與加速度都會發(fā)生較大突變。例如，缺氧情況下魚群游速會降低，游動位置會上移，需要經(jīng)常浮頭來呼吸氧氣;外來群種入侵時魚群游速會加快，活躍程度顯著上升。因此，通過監(jiān)測魚群游動速度（加速度）與深度的變化，就可分析判斷出魚類生長環(huán)境的改變與健康狀況。

魚群游動的速度（加速度）與深度等參數(shù)的變化可實(shí)時反映出魚群的健康狀況。本文系統(tǒng)周期性地獲取魚群游動的速度、加速度與深度等參數(shù)數(shù)據(jù)并存儲至數(shù)據(jù)庫。在系統(tǒng)中設(shè)定速度、加速度與深度的閾值，當(dāng)魚群游動的速度、加速度超過閾值時可判定為魚群受到外來刺激;當(dāng)魚群的游動深度低于閾值時，則可判定為缺氧;一旦魚群的游動參數(shù)出現(xiàn)異常，系統(tǒng)將通過聲、光等形式發(fā)出報警信號。用戶可通過智能手機(jī)、平板、電腦等終端隨時隨地讀取參數(shù)并獲取報警信息，并且判定魚類健康狀況時還可通過機(jī)器學(xué)習(xí)系統(tǒng)根據(jù)歷史特征數(shù)據(jù)對判定方法進(jìn)行進(jìn)一步優(yōu)化，從而保證判定結(jié)果的準(zhǔn)確性與穩(wěn)定性。

3 結(jié) 語

本文設(shè)計的基于機(jī)器視覺的智能魚群健康狀況監(jiān)測系統(tǒng)可對魚群由于外部或內(nèi)部因素產(chǎn)生的異常行為進(jìn)行長期、穩(wěn)定、有效的監(jiān)控與報警，從而起到實(shí)時監(jiān)測魚類健康狀況的作用，有效避免人工觀察帶來的一系列弊端，為真正實(shí)現(xiàn)水產(chǎn)養(yǎng)殖全過程的實(shí)時化與智能化進(jìn)行了一些有益探索。

參 考 文 獻(xiàn)

[1]唐啟升，丁曉明，劉世祿，等.我國水產(chǎn)養(yǎng)殖業(yè)綠色、可持續(xù)發(fā)展戰(zhàn)略與任務(wù)[J].中國漁業(yè)經(jīng)濟(jì)，2014，32（1）：6-14.

[2]邢俊，李慶武，何飛佳，等.基于智能視覺物聯(lián)網(wǎng)的水產(chǎn)養(yǎng)殖監(jiān)測系統(tǒng)[J].應(yīng)用科技，2017，44（5）：46-51.

[3]百度百科.機(jī)器視覺[EB/OL].https：//baike.baidu.com/item/機(jī)器視覺/7414484？fr=aladdin.

[4]吳慧敏，鄭曉勢.改進(jìn)的高效CAMShift跟蹤算法[J].計算機(jī)工程與應(yīng)用，2009，45（27）：178-180.

[5] YANG C J，RAMANI D，DAVIS L.Efficient MeanShift tracking via a new similarity measure [C]// IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2005：176-183.

[6]劉超，惠晶.基于改進(jìn)CAMShift的運(yùn)動目標(biāo)跟蹤算法[J].計算機(jī)工程與應(yīng)用，2014，50（11）：149-153.

[7]徐龍香，李康，徐婷婷.基于深度特征的稀疏表示目標(biāo)跟蹤算法[J].物聯(lián)網(wǎng)技術(shù)，2018，8（9）：39-41.

[8]肖江，陳想，丁亮.一種改進(jìn)的MeanShift運(yùn)動目標(biāo)跟蹤算法[J].信息技術(shù)，2017（1）：127-130.

[9]郭金朋，戰(zhàn)蔭偉，李雪武. 基于SURF和Camshift的運(yùn)動目標(biāo)跟蹤[J].計算機(jī)工程與設(shè)計，2017，38（8）：2190-2193.

[10]袁永明，施珮.基于圖像處理的魚群運(yùn)動監(jiān)測方法研究[J].南方水產(chǎn)科學(xué)，2018（5）：109-114.