江思描，歐笛聲

（廣西科技大學(xué)，廣西 柳州 545000）

隨著近年來(lái)我國(guó)人民生活水平的不斷提高，人們對(duì)水產(chǎn)品的需求逐漸上升，在自然資源消耗量上也不斷增加，水產(chǎn)品缺口也不斷擴(kuò)大，如何修復(fù)生態(tài)環(huán)境，固定水土資源是優(yōu)化發(fā)展空間的主要方法。在水產(chǎn)養(yǎng)殖領(lǐng)域內(nèi)，采用深海養(yǎng)殖模式可以為全球漁業(yè)的規(guī)模化發(fā)展提供良好的基礎(chǔ)。網(wǎng)箱養(yǎng)殖方式相比傳統(tǒng)的養(yǎng)殖手段其周期更短，且養(yǎng)殖的資金收益相對(duì)更快，后續(xù)的捕撈、管理等工作可以具有更高的推廣價(jià)值，逐漸得到了漁民的認(rèn)可。但是，考慮到海上養(yǎng)殖狀態(tài)的監(jiān)測(cè)難度相對(duì)較大，傳統(tǒng)的網(wǎng)箱檢測(cè)方法無(wú)法及時(shí)發(fā)現(xiàn)問(wèn)題，問(wèn)題的反饋也會(huì)因此受到較大的影響，加強(qiáng)網(wǎng)箱養(yǎng)殖的智能化檢測(cè)，可以提升養(yǎng)殖魚(yú)群的健康程度，減少魚(yú)群逃逸問(wèn)題的發(fā)生，進(jìn)一步加強(qiáng)網(wǎng)箱養(yǎng)殖的管理效率。

1 網(wǎng)箱養(yǎng)殖智能化檢測(cè)方法

魚(yú)群的識(shí)別以及檢測(cè)在很大程度上無(wú)法通過(guò)傳統(tǒng)的傳感器直接觀測(cè)，也無(wú)法通過(guò)設(shè)備進(jìn)行目標(biāo)的精確識(shí)別，傳統(tǒng)的目標(biāo)識(shí)別效果在很大程度上會(huì)受到多方面因素的影響?；跈C(jī)器視覺(jué)的網(wǎng)箱養(yǎng)殖監(jiān)測(cè)，可以精確判定不同網(wǎng)箱以及魚(yú)群的特點(diǎn)。

目前，主流的目標(biāo)識(shí)別以及檢測(cè)算法主要為目標(biāo)識(shí)別技術(shù)對(duì)網(wǎng)箱養(yǎng)殖區(qū)進(jìn)行定位處理，后續(xù)通過(guò)一系列算法完成檢測(cè)過(guò)程。在目標(biāo)識(shí)別算法應(yīng)用的過(guò)程中，計(jì)算機(jī)視覺(jué)領(lǐng)域內(nèi)采用目標(biāo)識(shí)別工具可以作為廣泛化的研究方向提升研究效果?，F(xiàn)有技術(shù)中，目標(biāo)識(shí)別算法主要包括圈定對(duì)象、識(shí)別建議目標(biāo)、提取建議目標(biāo)特征、特征分類處理與檢測(cè)。在傳統(tǒng)的數(shù)字化圖像處理技術(shù)應(yīng)用過(guò)程中，由于實(shí)際的計(jì)算量相對(duì)較大，并且識(shí)別效率受到多方面因素的限制，實(shí)際的檢測(cè)精確度以及識(shí)別效果還有待進(jìn)一步提高。

目前，廣泛采用的目標(biāo)識(shí)別算法均通過(guò)深度學(xué)習(xí)的方式進(jìn)行構(gòu)建，人工智能技術(shù)的發(fā)展提升了深度學(xué)習(xí)的效果，各類新型的神經(jīng)網(wǎng)絡(luò)模型在很大程度上提升了識(shí)別的效果，檢測(cè)的精確度不斷優(yōu)化，大部分訓(xùn)練完成的網(wǎng)絡(luò)模型可以按照識(shí)別的需求實(shí)現(xiàn)精確度的提高，相比傳統(tǒng)的人工識(shí)別方式具有更高的精確度，相對(duì)誤差更小。

1.1 R-CNN 算法

R-CNN 算法逐漸形成了以傳統(tǒng)目標(biāo)檢測(cè)的基本步驟融合的方向，在深度網(wǎng)絡(luò)模型中，R-CNN 可以基于深度網(wǎng)絡(luò)對(duì)圖像的特征點(diǎn)進(jìn)行精確識(shí)別，且在該過(guò)程中，網(wǎng)絡(luò)模型識(shí)別的準(zhǔn)確度相對(duì)較高，未來(lái)檢測(cè)算法屬于新的發(fā)展方向，并且在各類識(shí)別領(lǐng)域內(nèi)有著極為廣泛的應(yīng)用，候選目標(biāo)識(shí)別的準(zhǔn)確度能夠滿足區(qū)域應(yīng)用的需求。在特征提取后，由于大量的計(jì)算需要消耗時(shí)間，并且R-CNN網(wǎng)絡(luò)應(yīng)用過(guò)程中的檢測(cè)速度也可以在大樣本數(shù)據(jù)基礎(chǔ)上實(shí)現(xiàn)自主訓(xùn)練，通過(guò)在特征圖上選定候選區(qū)的方式提升算法識(shí)別與檢測(cè)的效率。

1.2 SSD 算法

SSD 目標(biāo)監(jiān)測(cè)算法誕生于2016 年，SSD 算法的識(shí)別檢測(cè)效率顯著優(yōu)于R-CNN，是目前計(jì)算機(jī)視覺(jué)目標(biāo)檢測(cè)技術(shù)算法中基于Single shot 框架構(gòu)建的分類任務(wù)以及檢測(cè)框，在回歸任務(wù)統(tǒng)一化分析的過(guò)程中，基于同一個(gè)網(wǎng)絡(luò)模型減少時(shí)間成本的投入。

SSD 算法基于VGG-16net 骨干網(wǎng)絡(luò)進(jìn)行改進(jìn)和優(yōu)化，通過(guò)全連接層轉(zhuǎn)變?yōu)榫矸e層的方式刪除原始算法中Dropout 層以及其全鏈接，并且通過(guò)改進(jìn)池化層的大小對(duì)卷積層進(jìn)行多尺度抽取，構(gòu)造多個(gè)相似度標(biāo)準(zhǔn)化的檢測(cè)框，確保檢測(cè)到的目標(biāo)與檢測(cè)結(jié)果具有較高的匹配度。

1.3 YOLO 算法

YOLO網(wǎng)絡(luò)模型是基于Single Shot類型的網(wǎng)絡(luò)結(jié)構(gòu)，其本身集成了定位以及數(shù)據(jù)分類的基本功能，在數(shù)據(jù)輸入以及輸出的過(guò)程中可以直接進(jìn)行數(shù)據(jù)處理。輸入層在輸入數(shù)據(jù)圖片后，可以對(duì)具有目標(biāo)識(shí)別邊界位置上的檢測(cè)內(nèi)容進(jìn)行判斷。YOLO 本身屬于性能逐漸優(yōu)化的網(wǎng)絡(luò)結(jié)構(gòu)，其中包括19 個(gè)卷積層以及5 個(gè)最大池化層，在計(jì)算量降低的背景下相比VGG 網(wǎng)絡(luò)具有更加優(yōu)秀的效果。算法本身在改進(jìn)優(yōu)化階段可以對(duì)骨干網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)整和管理，并且基于多尺度目標(biāo)特征的識(shí)別方法構(gòu)建更高效率以及精確性能的網(wǎng)絡(luò)模型，計(jì)算量相對(duì)較少實(shí)際的性能表現(xiàn)更加優(yōu)秀，其結(jié)構(gòu)組成也更加精簡(jiǎn)，并且負(fù)載以及數(shù)據(jù)冗余更低。

1.4 邊緣檢測(cè)算法

在圖像識(shí)別以及自動(dòng)化處理領(lǐng)域內(nèi)，邊緣檢測(cè)屬于圖像處理中相對(duì)基礎(chǔ)的任務(wù)內(nèi)容，通過(guò)合理的邊緣信息檢測(cè)可以直接對(duì)目標(biāo)物體進(jìn)行信息的讀取，并且邊緣特征判斷目標(biāo)物體。在邊緣檢測(cè)的過(guò)程中可以通過(guò)Canny算子進(jìn)行檢驗(yàn)，按照?qǐng)D片像素的梯度數(shù)據(jù)以及方向內(nèi)容實(shí)現(xiàn)非極大值的抑制效果，任意一個(gè)邊緣內(nèi)的像素點(diǎn)通過(guò)雙閾值約束處理之后可以對(duì)各個(gè)邊緣點(diǎn)進(jìn)行標(biāo)記，從而按照邊緣點(diǎn)的非極大值抑制效果確定特征，并提取特征的二元坐標(biāo)參數(shù)，完成邊緣檢測(cè)的過(guò)程。

2 網(wǎng)箱養(yǎng)殖的智能化檢測(cè)方法

2.1 網(wǎng)箱識(shí)別

通過(guò)布置無(wú)人機(jī)巡檢的方式穿越網(wǎng)箱養(yǎng)殖區(qū)域，在提取圖像數(shù)據(jù)信息后，需要對(duì)魚(yú)群狀態(tài)進(jìn)行精確檢驗(yàn)。利用圖像邊緣特征檢驗(yàn)算法，對(duì)目標(biāo)進(jìn)行定義。在養(yǎng)殖區(qū)域內(nèi)網(wǎng)箱數(shù)據(jù)中檢測(cè)目標(biāo)單一，且背景的存在對(duì)邊緣檢測(cè)會(huì)產(chǎn)生較大的負(fù)面影響，考慮到海浪、光線、顏色等其他物體的影響，具體實(shí)施過(guò)程中考慮HED 深度神經(jīng)網(wǎng)絡(luò)對(duì)網(wǎng)箱的邊緣進(jìn)行檢驗(yàn)，檢驗(yàn)完成后，得到的圖像進(jìn)行灰度化處理，并識(shí)別和提取對(duì)應(yīng)的特征信息。最初提取得到的網(wǎng)箱為二值圖，并且在養(yǎng)殖區(qū)域內(nèi)可以對(duì)二值圖的顏色進(jìn)行二次提取，并且根據(jù)初始圖像數(shù)據(jù)對(duì)網(wǎng)箱內(nèi)各個(gè)連通區(qū)域進(jìn)行選擇反向處理。另外，考慮到網(wǎng)箱內(nèi)的連通空間與邊界都可能存在噪聲點(diǎn)，消除這些噪聲點(diǎn)應(yīng)該設(shè)定合適的預(yù)閾值，分析閾值與連通空間內(nèi)符合要求的養(yǎng)殖區(qū)域，計(jì)算連通區(qū)域的像素面積完成網(wǎng)箱區(qū)域的提取。

2.2 養(yǎng)殖區(qū)域內(nèi)的觀測(cè)

養(yǎng)殖區(qū)域內(nèi)的觀測(cè)需要對(duì)安排無(wú)人機(jī)對(duì)養(yǎng)殖區(qū)域內(nèi)進(jìn)行視頻圖像數(shù)據(jù)的提取，可以通過(guò)安排無(wú)人機(jī)對(duì)區(qū)域內(nèi)進(jìn)行巡檢處理，無(wú)人機(jī)設(shè)備搭載像素在1920×1080的攝像設(shè)備對(duì)現(xiàn)場(chǎng)進(jìn)行視頻數(shù)據(jù)采集，為了確保實(shí)驗(yàn)數(shù)據(jù)的準(zhǔn)確性以及多樣性，在數(shù)據(jù)采集的過(guò)程中，無(wú)人機(jī)會(huì)發(fā)生距離、角度以及高度的改變，此時(shí)，通過(guò)數(shù)據(jù)統(tǒng)一化處理后在終端內(nèi)進(jìn)行圖像數(shù)據(jù)的分割，通過(guò)OpenCV 將視頻分割成多條圖片數(shù)據(jù)，并且為了減少數(shù)據(jù)高度的重復(fù)問(wèn)題，可以采用PIV 現(xiàn)場(chǎng)檢測(cè)流實(shí)現(xiàn)多幀圖像的存儲(chǔ)。

2.3 提取養(yǎng)殖區(qū)域

將網(wǎng)箱養(yǎng)殖區(qū)域的圖像輸入Matlab 建模軟件中，基于Canny 算子以及HED 神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像的邊緣檢測(cè)。在該過(guò)程中，由于實(shí)際養(yǎng)殖區(qū)域數(shù)據(jù)提取不需要進(jìn)行目標(biāo)檢測(cè)，因此不需要對(duì)網(wǎng)絡(luò)進(jìn)行二次訓(xùn)練處理，僅采用原有網(wǎng)絡(luò)的模型進(jìn)行處理。將圖片數(shù)據(jù)標(biāo)注后進(jìn)行數(shù)據(jù)集的整理制作，按照VOC2007 的數(shù)據(jù)結(jié)構(gòu)將數(shù)據(jù)分Annotations、ImageSets、JPEGImages、Labels 四 個(gè)部分，其中Annotations 內(nèi)容為數(shù)據(jù)標(biāo)注的.xml 格式信息，包括標(biāo)注框的位置和目標(biāo)類別名稱；ImagesSets是將標(biāo)注的數(shù)據(jù)按比具體實(shí)施過(guò)程中，canny 算子在默認(rèn)的閾值條件下進(jìn)行邊緣檢驗(yàn)，如果邊緣線段的連續(xù)性不足，會(huì)由于海面波紋以及光照條件的影響導(dǎo)致網(wǎng)箱結(jié)構(gòu)出現(xiàn)較為嚴(yán)重的邊緣冗余問(wèn)題，連通域的表現(xiàn)不夠清晰，此時(shí)，需要對(duì)網(wǎng)箱數(shù)據(jù)進(jìn)行二值化處理，反選圖像區(qū)域進(jìn)行噪點(diǎn)剔除。

2.4 網(wǎng)箱養(yǎng)殖區(qū)域識(shí)別與監(jiān)測(cè)

為了判斷網(wǎng)箱養(yǎng)殖區(qū)域內(nèi)魚(yú)群的健康狀態(tài)，可以通過(guò)魚(yú)群流場(chǎng)信息的識(shí)別判斷魚(yú)群的健康狀態(tài)。具體應(yīng)用過(guò)程中，可以采用PIV 粒子測(cè)速方法判斷流體的運(yùn)動(dòng)速度。這種方法相比傳統(tǒng)的魚(yú)群健康狀態(tài)監(jiān)測(cè)，有著更加優(yōu)秀的效果和應(yīng)用處理質(zhì)量，非接觸式測(cè)量方法可以精確判定流體的運(yùn)動(dòng)效果，并且通過(guò)強(qiáng)脈沖光纖對(duì)示蹤粒子的圖像數(shù)據(jù)進(jìn)行精確分析，短時(shí)間內(nèi)曝光圖像數(shù)據(jù)信息內(nèi)容，并通過(guò)圖像處理技術(shù)對(duì)例子圖像進(jìn)行二次分析和處理，確定多組例子在一定時(shí)間內(nèi)的位移情況以及運(yùn)動(dòng)方向，得到的矢量數(shù)據(jù)可以作為判斷流場(chǎng)信息的基本條件?；赑IV 例子測(cè)量技術(shù)算法可以按照3 幀圖像保存為1 幀的方式進(jìn)行，按照前后保存的多幀圖像確定流場(chǎng)的運(yùn)動(dòng)速度，實(shí)現(xiàn)對(duì)網(wǎng)箱養(yǎng)殖區(qū)域內(nèi)魚(yú)群流暢信息的精確觀測(cè)和識(shí)別。

3 結(jié)語(yǔ)

隨著智能化以及自動(dòng)化養(yǎng)殖技術(shù)的不斷進(jìn)步，新型自動(dòng)化養(yǎng)殖技術(shù)的全面普及不僅可以提高養(yǎng)殖效率，也可以提升養(yǎng)殖企業(yè)的生產(chǎn)經(jīng)濟(jì)效益，減少人力物力的投入。網(wǎng)箱養(yǎng)殖是目前海洋區(qū)域養(yǎng)殖的主要手段，傳統(tǒng)的檢測(cè)方法過(guò)于局限，通過(guò)智能化檢測(cè)技術(shù)可以大大提升網(wǎng)箱養(yǎng)殖的監(jiān)測(cè)效果。通過(guò)無(wú)人機(jī)視頻提取作為基礎(chǔ)，采用各類特征檢測(cè)算法提取網(wǎng)箱特征以及魚(yú)群運(yùn)動(dòng)特征，可以解決圖像背景光復(fù)雜以及對(duì)比度較低的現(xiàn)實(shí)問(wèn)題，可以提升信息占比處理效率，符合海上網(wǎng)箱養(yǎng)殖的特點(diǎn)，具有廣泛的應(yīng)用前景。