萬 鵬 潘海兵 龍長江 陳 紅

（1.華中農(nóng)業(yè)大學(xué)工學(xué)院，湖北 武漢 430070；2.國家大宗淡水魚加工技術(shù)研發(fā)分中心（武漢），湖北 武漢 430070）

中國是淡水魚養(yǎng)殖生產(chǎn)大國，年產(chǎn)量占世界總產(chǎn)量的70%以上。由于中國淡水魚加工工業(yè)發(fā)展滯后，淡水魚以鮮活銷售為主，在集中上市季節(jié)，容易造成“壓塘”和“賣魚難”的現(xiàn)象，挫傷生產(chǎn)者的積極性。因此開發(fā)淡水魚深加工裝備，對(duì)于促進(jìn)中國淡水魚養(yǎng)殖生產(chǎn)的發(fā)展和增加生產(chǎn)者的收入都具有重要意義［1］。

中國養(yǎng)殖的淡水魚品種繁多，魚體形狀大小不一，在對(duì)淡水魚進(jìn)行“三去”等加工處理之前，對(duì)淡水魚進(jìn)行的品種分類、大小分級(jí)等操作均由手工操作完成，勞動(dòng)強(qiáng)度大，生產(chǎn)效率低［2］。機(jī)器視覺技術(shù)是近20年發(fā)展起來的一種新興檢測技術(shù)，在農(nóng)產(chǎn)品的大小分級(jí)、形態(tài)檢測、顏色識(shí)別等方面應(yīng)用比較廣泛［3－5］，但在水產(chǎn)養(yǎng)殖生產(chǎn)方面的應(yīng)用研究起步較晚，不過國內(nèi)外學(xué)者也進(jìn)行了一定的研究。Frank Storbeck等［6］建立了基于機(jī)器視覺和神經(jīng)網(wǎng)絡(luò)技術(shù)的魚體品種識(shí)別系統(tǒng)，通過攝像頭采集魚體圖片，獲取魚體不同位置的寬度和厚度作為輸入量構(gòu)建神經(jīng)網(wǎng)絡(luò)對(duì)魚體品種進(jìn)行識(shí)別，準(zhǔn)確率在95%以上。White等［7］研制了魚體品種識(shí)別設(shè)備，并在挪威的捕魚船上進(jìn)行試用，設(shè)備運(yùn)用平面輸送帶輸送魚體，通過攝像頭獲取魚體圖片，以魚體表面顏色和魚體形狀作為特征參數(shù)對(duì)魚體品種進(jìn)行識(shí)別，測試結(jié)果表明該系統(tǒng)對(duì)魚體長度的測量誤差小于1cm，對(duì)7 種魚體識(shí)別準(zhǔn)確率可以達(dá)99.8%。張志強(qiáng)等［8］研究了基于機(jī)器視覺技術(shù)的淡水魚質(zhì)量分級(jí)方法，利用機(jī)器視覺技術(shù)獲取淡水魚樣本圖像，提取魚體特征值，建立魚頭、魚腹和魚尾長度與魚體質(zhì)量之間的關(guān)系，構(gòu)建回歸模型對(duì)魚體重量進(jìn)行預(yù)測。將機(jī)器視覺技術(shù)應(yīng)用于魚體分級(jí)、重量檢測等操作既能提高生產(chǎn)效率，同時(shí)也能降低勞動(dòng)強(qiáng)度。

目前，基于機(jī)器視覺技術(shù)的淡水魚魚體前處理機(jī)械并不多見。本試驗(yàn)以鯉魚、鯽魚、草魚、鳊魚4種大宗淡水魚作為對(duì)象，研制一種淡水魚品種在線識(shí)別裝置，并搭建基于機(jī)器視覺技術(shù)的輸送檢測平臺(tái)，設(shè)計(jì)圖像處理算法和魚體品種識(shí)別軟件，實(shí)現(xiàn)淡水魚品種的快速、準(zhǔn)確在線識(shí)別。

1 試驗(yàn)材料與主要設(shè)備

1.1 試驗(yàn)材料

淡水魚樣本為鯽魚、鯉魚、鳊魚、鰱魚，各10 條，重量范圍為400～1 000g，采購地點(diǎn)為華中農(nóng)業(yè)大學(xué)集貿(mào)市場。

1.2 主要設(shè)備

減速變頻電機(jī)：Y2－712－4 型三相異步電機(jī)，額定電壓380V，輸送功率0.37kW，浙江銀達(dá)機(jī)電有限公司；

變頻器：VFG－M－0.4T2－1A 型，輸送功率0.4kW，電流2.5A，變頻范圍0.1～400Hz，臺(tái)達(dá)電子自動(dòng)化（上海）有限公司；

CCD 彩色模擬攝像頭：CS5260BDP 型，東芝泰力株式會(huì)社；

圖像采集卡：CronosPlus，加拿大Matrox公司；

漫反射式光電傳感器：E3JK－5L 型，上海博繼電氣有限公司。

2 水魚品種在線識(shí)別裝置設(shè)計(jì)

基于機(jī)器視覺技術(shù)的淡水魚品種在線識(shí)別裝置由魚體輸送裝置、圖像采集裝置兩部分構(gòu)成。

2.1 淡水魚魚體輸送裝置設(shè)計(jì)

淡水魚魚體輸送裝置的主體是具有連續(xù)輸送功能的帶式輸送機(jī)，由支架及側(cè)板、輸送帶、驅(qū)動(dòng)輥筒、從動(dòng)輥筒、張緊裝置、減速變頻電機(jī)、變頻控制器等部分組成。其中支架及側(cè)板分別采用不銹鋼方管和不銹鋼板焊接而成；為了滿足魚體檢測的衛(wèi)生要求，以及方便進(jìn)行魚體種類識(shí)別，本試驗(yàn)采用撓性好、重量輕、吸水性小的淺白色橡膠帶作為輸送帶，輸送帶的工作寬度為260mm；為了防止輸送帶中間部位在工作過程中受重力作用而向下彎曲，在輸送帶的下方采用不銹鋼板代替托輥承托魚體重量；輸送裝置的驅(qū)動(dòng)輥筒和從動(dòng)輥筒選用不銹鋼輥，寬度為290mm，直徑為80mm；由于輸送距離較短，張緊裝置直接與從動(dòng)滾筒連接，安裝在支架上；減速變頻電機(jī)直接與驅(qū)動(dòng)滾筒的軸進(jìn)行連接，采用變頻器進(jìn)行控制，通過改變變頻器的工作頻率，可以改變減速變頻電機(jī)的轉(zhuǎn)速，使魚體輸送裝置的輸送速度控制在0～2 m／s的范圍內(nèi)。淡水魚品種在線識(shí)別裝置結(jié)構(gòu)示意圖見圖1。

2.2 淡水魚圖像采集裝置設(shè)計(jì)

圖1 淡水魚品種在線識(shí)別裝置Figure 1 The on－line identification device for freshwater fish species

淡水魚圖像采集裝置由攝像頭、圖像采集卡、照明光源箱、光電傳感器、數(shù)據(jù)采集卡、淡水魚品種識(shí)別軟件等部分組成。其中攝像頭安放于照明光源箱的上方，可獲取勻速運(yùn)動(dòng)物體的清晰圖像；圖像采集卡將采集到的模擬圖像轉(zhuǎn)化為數(shù)字圖像，并實(shí)時(shí)傳輸?shù)较到y(tǒng)內(nèi)存進(jìn)行處理或顯示；照明光源箱無底，長、寬、高分別為500，280，400mm，設(shè)置于輸送機(jī)的上方，內(nèi)壁噴涂有乳白色油漆，并且安裝有均勻分布的LED光源，為下方輸送帶提供均勻光照，便于圖像采集；淡水魚品種識(shí)別軟件基于Windows XP 開發(fā)環(huán)境、以Visual C＋＋6.0為開發(fā)工具進(jìn)行編寫，主要負(fù)責(zé)淡水魚圖像的分析檢測與魚體品種的識(shí)別；光電傳感器安裝于照明光源箱前的輸送機(jī)兩邊側(cè)板內(nèi)壁，主要用于對(duì)輸送帶上的淡水魚魚體產(chǎn)生響應(yīng)，控制攝像頭對(duì)淡水魚進(jìn)行圖像采集，傳感器的引腳與即插即用的外置USB－7831數(shù)據(jù)采集卡的開關(guān)量引腳連接，并將數(shù)據(jù)采集卡通過USB接口與計(jì)算機(jī)相連。

2.3 淡水魚品種在線識(shí)別裝置的工作過程

淡水魚品種在線識(shí)別裝置工作時(shí)，首先啟動(dòng)淡水魚輸送裝置和淡水魚圖像采集裝置，并使光電開關(guān)系統(tǒng)處于工作狀態(tài)；將淡水魚放置于輸送帶上隨輸送帶一起運(yùn)動(dòng)，當(dāng)?shù)~魚體通過光電傳感器時(shí)，傳感器產(chǎn)生響應(yīng)，通過數(shù)據(jù)采集卡、淡水魚品種識(shí)別軟件和圖像采集卡觸發(fā)攝像頭工作，獲取淡水魚魚體圖像，并將魚體圖像傳遞給淡水魚品種識(shí)別軟件，對(duì)淡水魚進(jìn)行品種識(shí)別。淡水魚品種在線識(shí)別裝置工作流程見圖2。

3 淡水魚品種識(shí)別軟件設(shè)計(jì)

3.1 淡水魚品種識(shí)別流程

淡水魚品種識(shí)別流程見圖3。

圖2 淡水魚品種在線識(shí)別裝置工作流程Figure 2 The work flow of on－line identification device for freshwater fish species

圖3 淡水魚品種識(shí)別處理流程Figure 3 The processing flow of on－line identification for freshwater fish species

對(duì)淡水魚進(jìn)行品種識(shí)別時(shí)，首先利用機(jī)器視覺技術(shù)獲取淡水魚魚體圖像；然后采用背景分割、中值濾波、輪廓提取、種子填充、小區(qū)域消除等操作對(duì)魚體圖像進(jìn)行預(yù)處理，獲取魚體二值圖像［9］；根據(jù)魚體二值圖像提取魚體的面積、周長、粗糙度、長度、寬度、長寬比6個(gè)外觀形態(tài)特征參數(shù)；再根據(jù)魚體二值圖像從魚體圖像中提取魚體背部及腹部的色調(diào)H、飽和度S、亮度I 3個(gè)顏色特征參數(shù)；以魚體的外接矩形面積最小為指標(biāo)對(duì)魚體二值圖像進(jìn)行旋轉(zhuǎn)，使魚體保持水平或垂直狀態(tài)，然后將魚體按長度方向平均分為5段，計(jì)算每一段的平均寬度與長度的比值作為魚體比例形態(tài)特征參數(shù)；最后，根據(jù)提取的魚體特征參數(shù)建立BP神經(jīng)網(wǎng)絡(luò)模型［10］和線性回歸模型對(duì)魚體品種進(jìn)行識(shí)別。

3.2 淡水魚品種識(shí)別程序及功能模塊

淡水魚品種識(shí)別程序是淡水魚品種在線識(shí)別系統(tǒng)的核心，本程序基于Visual C＋＋6.0 軟件平臺(tái)自主設(shè)計(jì)開發(fā)。程序主要由圖像采集控制模塊、圖像處理模塊、魚體特征參數(shù)提取模塊、淡水魚品種識(shí)別模塊、淡水魚品種特征庫5個(gè)功能模塊組成，整體結(jié)構(gòu)見圖4。

圖4 淡水魚品種識(shí)別程序結(jié)構(gòu)Figure 4 The structure of the identification program for freshwater fish species

圖像采集控制模塊主要用于接收光電開關(guān)觸發(fā)信號(hào)并控制攝像頭的延時(shí)采集動(dòng)作，完成淡水魚魚體圖像的采集和存儲(chǔ)；圖像處理模塊主要對(duì)獲取的淡水魚魚體圖像進(jìn)行分析處理，獲取魚體的特征圖像，便于提取魚體的特征參數(shù)；魚體特征參數(shù)提取模塊根據(jù)魚體的特征圖像，提取11個(gè)魚體形態(tài)特征參數(shù)和6個(gè)顏色特征參數(shù)用于淡水魚品種識(shí)別；淡水魚品種識(shí)別模塊主要是根據(jù)魚體形態(tài)特征參數(shù)及顏色特征參數(shù)構(gòu)建線性回歸和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)淡水魚品種進(jìn)行識(shí)別；淡水魚品種特征庫用于存儲(chǔ)常見的鯽魚、鯉魚、鳊魚、鰱魚的魚體樣本特征參數(shù)數(shù)據(jù)，用于訓(xùn)練構(gòu)建淡水魚品種識(shí)別模型。

3.3 淡水魚品種識(shí)別軟件界面

淡水魚品種識(shí)別軟件基于Visual C＋＋6.0 單文檔設(shè)計(jì)，界面結(jié)構(gòu)合理，菜單欄、工具欄層次分明，簡單易懂，導(dǎo)向性強(qiáng)（見圖5）。按照淡水魚品種識(shí)別程序設(shè)計(jì)的5個(gè)功能模塊，在軟件菜單欄中共設(shè)置有6個(gè)菜單及子菜單完成系統(tǒng)功能。點(diǎn)擊圖像采集菜單及其子菜單，可調(diào)整觸發(fā)控制及延時(shí)控制，并進(jìn)行圖像的采集和保存；點(diǎn)擊圖像處理菜單及其子菜單可分步完成圖像的預(yù)處理操作，并將圖像處理結(jié)果分布進(jìn)行顯示；點(diǎn)擊特征提取菜單及其子菜單可完成魚體顏色特征參數(shù)、外觀形態(tài)特征參數(shù)及比例形態(tài)特征參數(shù)的提?。稽c(diǎn)擊識(shí)別算法菜單及其子菜單，可以進(jìn)行線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及淡水魚品種識(shí)別；點(diǎn)擊淡水魚特征庫菜單及其子菜單可以查看4種淡水魚的顏色及形態(tài)特征參數(shù)，也可以完成特征參數(shù)的寫入操作；點(diǎn)擊魚體快速識(shí)別菜單可對(duì)顯示在程序中的淡水魚魚體圖像進(jìn)行自動(dòng)分析及品種識(shí)別，實(shí)現(xiàn)淡水魚魚體圖像的在線檢測識(shí)別。

圖5 淡水魚品種識(shí)別軟件界面Figure 5 The interface of the identification program for freshwater fish species

4 淡水魚品種在線識(shí)別裝置試驗(yàn)驗(yàn)證

4.1 試驗(yàn)方法

試驗(yàn)時(shí)，首先開啟淡水魚品種在線識(shí)別裝置，調(diào)節(jié)變頻器控制輸送帶在一定范圍內(nèi)進(jìn)行運(yùn)轉(zhuǎn)，打開照明光源箱內(nèi)的LED 光源，并啟動(dòng)淡水魚品種識(shí)別程序；再將待識(shí)別的淡水魚樣本放置于輸送帶上，由輸送帶傳送到照明光源箱，在線識(shí)別系統(tǒng)按既定程序?qū)Φ~魚體進(jìn)行圖像采集、魚體圖像分析處理、特征參數(shù)提取、品種識(shí)別等操作，最后將識(shí)別結(jié)果以對(duì)話框的形式反饋給檢測者。

4.2 試驗(yàn)結(jié)果分析

利用線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)對(duì)淡水魚品種進(jìn)行識(shí)別，其中，線性回歸模型的自變量為17個(gè)，即淡水魚的顏色特征參數(shù)和形態(tài)特征參數(shù)。BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為3層，輸入層有17個(gè)神經(jīng)元，輸出層有1個(gè)神經(jīng)元，隱含層有35個(gè)神經(jīng)元；輸入層到隱含層的傳遞函數(shù)為S型函數(shù)，隱含層到輸出層的傳遞函數(shù)為線性函數(shù)。以正確識(shí)別的淡水魚數(shù)目與淡水魚樣本總數(shù)的比值作為識(shí)別準(zhǔn)確率；以淡水魚樣本進(jìn)入照明光源箱后，系統(tǒng)獲取淡水魚圖像到系統(tǒng)顯示識(shí)別結(jié)果作為識(shí)別時(shí)間，則2種識(shí)別模型對(duì)淡水魚品種進(jìn)行識(shí)別的準(zhǔn)確率以及識(shí)別所需時(shí)間見表1。

表1 淡水魚品種識(shí)別結(jié)果Table 1 The identification results of freshwater fish species

由表1可知，利用線性回歸模型對(duì)淡水魚品種進(jìn)行識(shí)別的平均準(zhǔn)確率為82.50%，所需時(shí)間為0.99s；利用BP神經(jīng)網(wǎng)絡(luò)對(duì)淡水魚品種進(jìn)行識(shí)別的平均準(zhǔn)確率為92.50%，所需識(shí)別時(shí)間為1.28s。這是因?yàn)锽P神經(jīng)網(wǎng)絡(luò)相對(duì)于線性回歸模型，具有較好的容錯(cuò)能力和適應(yīng)能力，適用于處理分類特征復(fù)雜的問題，因此對(duì)4種淡水魚進(jìn)行品種識(shí)別時(shí)，BP神經(jīng)網(wǎng)絡(luò)具有更高的準(zhǔn)確率；但是，由于魚體圖像的獲取及分析處理、魚體特征參數(shù)提取等所需時(shí)間基本相同，而對(duì)魚體品種進(jìn)行識(shí)別時(shí)，BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)較線性回歸模型復(fù)雜，根據(jù)魚體特征參數(shù)進(jìn)行品種識(shí)別時(shí)所需時(shí)間更多，因此識(shí)別所需時(shí)間較長；此外，由于600g以下的淡水魚樣本，鯽魚和鯉魚形體較為相似，識(shí)別過程中容易產(chǎn)生錯(cuò)誤的判別，而鳊魚和鰱魚形體差別較大、特征明顯，在識(shí)別過程中具有較高的準(zhǔn)確率。識(shí)別準(zhǔn)確率和識(shí)別時(shí)間總是存在矛盾，在滿足檢測需要的準(zhǔn)確率和識(shí)別時(shí)間的前提下，本試驗(yàn)選擇BP神經(jīng)網(wǎng)絡(luò)作為識(shí)別模型對(duì)淡水魚品種進(jìn)行在線識(shí)別。

5 結(jié)論

本試驗(yàn)研制基于機(jī)器視覺技術(shù)的淡水魚品種在線識(shí)別裝置，裝置由魚體輸送、圖像采集處理及品種識(shí)別三部分構(gòu)成，可實(shí)現(xiàn)對(duì)淡水魚品種的在線識(shí)別。經(jīng)試驗(yàn)驗(yàn)證，以BP神經(jīng)網(wǎng)絡(luò)作為識(shí)別模型，該系統(tǒng)對(duì)4種常見的大宗淡水魚品種識(shí)別的準(zhǔn)確率為92.50%，所需時(shí)間為1.28s。該裝置具有硬件部分結(jié)構(gòu)簡單、操作方便，識(shí)別部分功能齊全、界面友好、易于操作的特點(diǎn)。

1 戴新明，熊善伯.湖北省淡水魚加工與綜合利用［J］.漁業(yè)現(xiàn)代化，2004（2）：42～43.

2 李玲，宗力，王玖玖，等.大宗淡水魚加工前處理技術(shù)和裝備的研究現(xiàn)狀及方向［J］.漁業(yè)現(xiàn)代化，2010，37（5）：43～46，71.

3 林開顏，吳軍輝，徐立鴻.基于計(jì)算機(jī)視覺技術(shù)的水果形狀分級(jí)方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2005，36（6）：71～74.

4 陳全勝，趙杰文，張海東，等.利用計(jì)算機(jī)視覺識(shí)別茶葉的色澤類型［J］.江蘇大學(xué)學(xué)報(bào)，2005，26（6）：461～464.

5 李偉，康晴晴，張俊雄.基于機(jī)器視覺的蘋果表面紋理檢測方法［J］.吉林大學(xué)學(xué)報(bào)（工學(xué)版），2008，38（5）：1 111～1 117.

6 Frank Storbeck，Berent Daan.Fish species recognition using computer vision and a neural network［J］.Fisheries Research，2001（51）：11～15.

7 White D J，Svellingen C，Strachan N J C.Automated measurement of species and length of fish by computer vision［J］.Fisheries Research，2006（80）：203～210.

8 張志強(qiáng)，牛智有，趙思明.基于機(jī)器視覺技術(shù)的淡水魚質(zhì)量分級(jí)［J］.農(nóng)業(yè)工程學(xué)報(bào)，2011，27（2）：350～354.

9 何斌.Visual C＋＋數(shù)字圖像處理［M］.北京：人民郵電出版社，2002.

10 王赟松，許洪國.快速收斂的BP神經(jīng)網(wǎng)絡(luò)算法［J］.吉林大學(xué)學(xué)報(bào)（工學(xué)版），2003，33（4）：79～84.