許　楓　張　喬，2?　張　純　蘇瑞文，2

（1中國科學院聲學研究所　北京　100190）（2中國科學院大學　北京　100049）

Walsh變換對魚類特征識別的研究*

許楓1張喬1，2?張純1蘇瑞文1，2

（1中國科學院聲學研究所北京100190）（2中國科學院大學北京100049）

魚種的快速識別是漁業(yè)資源評估乃至海洋生態(tài)系統(tǒng)監(jiān)測重要組成部分。聲學方法是主流識別方法中的重要組成部分，目前常用的聲學識別方法主要基于魚類的回波信號。傳統(tǒng)的回波包絡(luò)或能量特征很難全面的表述魚體回波信號信息，因此魚類識別效果一般。本文提出一種基于Walsh變換的魚類回波識別方法。試驗獲取鯽魚、嘎魚、武昌魚的回波信號，處理過程中分別提取三種魚類回波包絡(luò)信號的Walsh譜作為識別特征量，并利用BP神經(jīng)網(wǎng)絡(luò)分類器對其進行了分類。結(jié)果表明利用回波的Walsh譜可以成功識別不同形狀的魚類，其中對武昌魚的識別正確率達90%以上。

Walsh變換，特征提取，魚類識別，BP神經(jīng)網(wǎng)絡(luò)

1　引言

目前國際上利用聲學方法識別魚類主要有兩種途徑。一種應(yīng)用于遠距離（＞100 m），采用標準的商用漁業(yè)聲圖顯示系統(tǒng)。該方法在聲圖上標注魚群的形狀、大小、與海底或山的距離等，并將這些參量作為識別特定魚類種群的依據(jù)［1-3］。其優(yōu)點在于在捕魚過程中可以實時分辨魚群的類別，然而這種方法的缺點是通過少量的魚群特征很難得到較高的種群分辨率［4］。另一種方法是定位魚群邊緣的某條單體魚，測量自由環(huán)境下魚的目標強度，將目標強度值作為識別魚群種類的特征量。這種方法需要合理的布放聲納位置（＜100 m）以便獲取單個目標信息同時測量不同頻率下的目標強度可以優(yōu)化識別結(jié)果［5］。

對單體魚的識別是識別整個魚群的基礎(chǔ)，近年來國外研究人員提出了許多單體魚的識別方法［6-11］。Jung等人［8］利用寬帶頻譜特征成功分類了兩種不同的大馬哈魚。眾所周知，海豚可以利用聲波來對獵物和敵害進行精確的識別，Harley［9］模仿海豚發(fā)出的寬帶信號來對魚體進行探測，發(fā)現(xiàn)相同種類的魚的回波信號的時域信息和頻域信息相對比穩(wěn)定，而不同種類的魚的回波差異較大。Barr［10］等人通過提取魚群回波的相位變化率，作為識別黑海魴、蛇鼻魚和磷蝦等浮游動物的特征量，開辟了利用回波的相位信息識別魚群的新途徑。Atkins等人［11］根據(jù)軟硬界面相移不同，通過提取磷蝦的相位信息和目標強度的關(guān)系，可以識別磷蝦堅硬的頭部和柔軟的軀干。

目標回波特征主要取決于其材料特性、尺寸大小、組成結(jié)構(gòu)等［12］。魚類的形狀（橢圓形、紡錘形、梭形等）和組成結(jié)構(gòu)（魚鱗、脂肪、骨骼、器官、魚鰾等）具有多樣性，因而其散射信號復雜多變［13］。不同形狀及組成結(jié)構(gòu)的魚，其回波信號的能量分布特性不同。利用寬帶頻譜特征識別魚類采用100 kHz～200 kHz的寬帶信號對設(shè)備要求比較高；目標回波的相位信息受到距離、位置、目標特性等多方面影響，現(xiàn)場實驗過程中一些微小的不確定信息（如目標與換能器的距離等）都可以對回波相位產(chǎn)生較大的影響，不利于實際操作。本文將Walsh變換應(yīng)用于魚體回波識別，采用200 kHz換能器對設(shè)備要求比較簡單，且目標特征穩(wěn)定，獲得回波的Walsh譜輸入3層的BP（Back propagation）神經(jīng)網(wǎng)絡(luò)，從而達到區(qū)分三種不同的魚類的目的。

2　Walsh變換和分類器設(shè)計

2.1Walsh變換

對于有鰾魚類而言，魚鰾和水、魚體密度差距較大，聲波入射到這類目標時散射波幅度相位都會產(chǎn)生巨大的變化。Walsh變換的序列域描述了信號的高壓縮譜特征，相較于傳統(tǒng)的頻譜特征，在特征個數(shù)相同的情況下選取合適的Walsh變換參數(shù)能夠獲取更多的回波信息［14］。同時Walsh譜包含了許多微小但是重要的信息，這些信息描述了瞬態(tài)信號的特性，是信號識別的重要特征量［15］。

Walsh函數(shù)Wal（n，t）中t為時間變量，n表示序數(shù)。式（1）為哈馬斯（Harmth）提出的Walsh函數(shù)表示方法［16-17］：

根據(jù)系數(shù)Xc（k）和Xs（k）計算Walsh功率譜系數(shù)，

其中k=1，2，…，（Q/2-1）。

獲得Q/2+1根譜線，作為識別的特征量。Walsh變換同傅里葉變換一樣滿足帕斯瓦爾定理，同一信號在時域和序數(shù)域的能量是守恒的。Walsh變換的一個特點是能夠?qū)⒃跁r域能量分布均勻的信號經(jīng)過變換后，能量集中序數(shù)域的某一段或幾個序數(shù)段，而在時域能量分布較為集中信號經(jīng)過變換后能量能夠均勻的分布在序數(shù)域上。經(jīng)過Walsh變換后的Walsh譜能夠反映信號在序數(shù)域的分布情況，其在序數(shù)域的統(tǒng)計分布特征可以作為目標識別的特征量。

2.2分類器設(shè)計

識別分類采用BP神經(jīng)網(wǎng)絡(luò)分類器［18-19］。BP神經(jīng)網(wǎng)絡(luò)是有信號的正向傳播和誤差反向傳播兩個過程，其模型包含輸入層、隱層和輸出層（如圖1所示）。BP神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行處理、自學習、自適應(yīng)、較強的魯棒性及容錯性等特點，當信號相對于噪聲較弱時，選用BP神經(jīng)網(wǎng)絡(luò)建模分析，可以在短時間內(nèi)得到較好的效果。

對于BP神經(jīng)網(wǎng)絡(luò)，任意區(qū)間內(nèi)的一個連續(xù)函數(shù)都可以用單個隱含層BP神經(jīng)網(wǎng)絡(luò)逼近，一個三層BP神經(jīng)網(wǎng)絡(luò)可以完成任意m維到n維的映射，基于此本文選定隱含層數(shù)量為1，即用3層BP神經(jīng)網(wǎng)絡(luò)分類器，學習過程采用自適應(yīng)學習速率方法。

圖1　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 BP neural network diagram

3　試驗分析

3.1水池試驗

為了得到穩(wěn)定的魚體回波信號，試驗方案采用條件可控的非自由環(huán)境狀態(tài)（Ex situ）。試驗地點為中科院聲學所消聲水池，水池尺寸為13 m×7 m×4.5 m，試驗裝置布放如圖2所示，試驗采用收發(fā)合置換能器，其中換能器開角為10°，距水面水底的距離分別為2.8 m和1.6 m。目標魚類由魚線固定于邊長2.5 m的正方形支架中心，調(diào)整支架位置使得目標正好處于換能器發(fā)射波束中心，目標與換能器距離3 m滿足遠場條件。

試驗對象選擇三種常見魚類：武昌魚、鯽魚、嘎魚各三條，其體長等參數(shù)如表1所示，三種均為淡水有鰾魚，試驗過程中目標處于暈眩狀態(tài)，用魚線固定在支架上，三種魚及其魚鰾的照片如圖3。

圖2　試驗裝置布放示意圖Fig.2 Experimental setup sketch

圖3　試驗魚類及其魚鰾圖片F(xiàn)ig.3 The pictures of fishes and swim bladders

表1　試驗用三種魚的魚體魚鰾參數(shù)Table 1 The parameter of fishes and swim bladders

系統(tǒng)連接示意圖如圖4所示，換能器發(fā)射頻率為200 kHz的CW信號，脈沖長度為1 ms，脈沖周期1 s。目標回波通過接收換能器、前置放大器、帶通濾波器、PXI2010后輸入存儲設(shè)備，其中信號采樣頻率為2 M。實際探測時設(shè)備通常位于魚群上方獲得魚群背部回波信號，因此試驗過程中調(diào)整魚體方向使入射波垂直入射魚背，獲得魚背的回波信號?？紤]到實際的湖泊、海洋等環(huán)境比較復雜，在數(shù)據(jù)處理過程中將回波信號加入適當功率的帶限白噪聲，然后對加噪的樣本信號進行特征提取和分類。信噪比SNR=0時三種魚類的回波信號如圖5所示，從圖5中可以看出加入帶內(nèi)噪聲后信號時域波形差異不大。

圖4　系統(tǒng)連接框圖Fig.4 The system connection sketch

3.2特征提取和識別結(jié)果

三種魚的回波頻譜如圖6所示，其中可以看出三種魚頻譜差異較小，尤其是鯽魚和嘎魚很難直接利用頻譜特征識別。對魚體回波信號取包絡(luò)并進行10倍降采樣，根據(jù)公式（2）～（5）對降采樣后包絡(luò)信號進行Walsh變換，得到三類典型目標的Walsh線譜如圖7所示。

將計算結(jié)果為訓練樣本和測試樣本兩組，其中訓練樣本包含300組數(shù)據(jù)，測試樣本為300組數(shù)據(jù)。輸入層神經(jīng)元個數(shù)為65個與特征量個數(shù)即Walsh譜序數(shù)相同。關(guān)于隱含層單元數(shù)的選擇，目前也沒有準確的解析形式，與問題的要求、輸入輸出單元數(shù)都有直接的關(guān)系，隱含層單元數(shù)目越多其學習能力越強，同時會導致學習時間過長推廣能力下降，通過計算隱含層個數(shù)為5-10時樣本訓練的誤差，選取隱層神經(jīng)元數(shù)目為10個。輸出目標的分類結(jié)果為三種魚類和其他情況，故選取輸出層神經(jīng)元個數(shù)為2，其中輸出結(jié)果00代表其他，01代表鯽魚，10代表武昌魚，11代表嘎魚。

圖6　三種魚的回波頻譜Fig.6 The spectrum of three kinds of fish

圖7　三種魚的Walsh譜Fig.7 The Walsh spectrum of three kinds of fish

對測試樣本進行30次識別處理，最后得到30次分類結(jié)果的平均值以防止識別效果的偶然性。得到Walsh譜與頻譜識別結(jié)果對比如表2所示，從結(jié)果可以看出利用頻譜特征相比Walsh譜識別結(jié)果有明顯提高。表3為SNR=5時兩種方法的識別結(jié)果，隨著信噪比增加兩種方法識別結(jié)果均有改善，但是Walsh譜的結(jié)果仍然優(yōu)于頻譜識別結(jié)果。

表2　SNR=0時Walsh譜和頻譜識別結(jié)果對比Table 2 The identification result of Walsh transform and DFT（SNR=0）

表3　SNR=5時Walsh譜和頻譜識別結(jié)果對比Table 3 The identification result of Walsh transform and DFT（SNR=5）

4　結(jié)論

特征量的選擇對識別結(jié)果有很大的影響，特征量選取應(yīng)采用同類目標特征變化盡可能小，不同種類目標差異盡可能大的原則。Walsh譜序列不僅包含信號的頻域特征，同時包含了相應(yīng)的相位信息，是識別含魚鰾魚類的重要特征量。本文從Walsh變換出發(fā)，處理三種形狀不同的魚類的水池試驗數(shù)據(jù)，提取其Walsh譜，通過BP神經(jīng)網(wǎng)絡(luò)分類器，成功實現(xiàn)了對三種魚的分類識別。在信噪比SNR=0時其中對武昌魚的識別正確率達98%，鯽魚和嘎魚的識別率分別為70%和76%，與頻譜特征識別方法相比有了很大的提高。結(jié)果同時表明隨著信噪比提高識別率有顯著增加，體型與其他兩類差異較大的武昌魚識別率較高，而體型相似鯽魚和嘎魚在識別過程中有較大的誤判概率。文中討論的只是固定入射方向時魚類目標的識別問題，如何識別自由環(huán)境下來自多個方向的目標，提高相似目標的識別率還需進一步研究。

［1］LEFEUVRE P，ROSE G，GOSINE R，et al.Acoustic species identification in the Northwest Atlantic using digital image processing［J］.Fisheries Research，2000，47（2）：137-147.

［2］ROBOTHAM H，BOSCH P，GUTIéRREZ-ESTRADA J，et al.Acoustic identification of small pelagic fish species in Chile using support vector machines and neural networks［J］.Fisheries Research，2010，102（1/2）：115-122.

［3］KORNELIUSSEN R，HEGGELUND Y，ELIASSEN I，et al.Acoustic species identification of schooling fish［J］. ICES Journal of Marine Science，2009，66（6）：1111-1118.

［4］LOGERWELL A，WILSON C.Species discrimination of fish using frequency-dependent acoustic backscattering［J］. ICES Journal of Marine Science，2004，61（6）：1004-1013.

［5］KLOSER R，RYAN T，SAKOV P，et al.Species identification in deep water using multiple acoustic frequencies［J］. Canadian Journal of Fisheries and Aquatic Sciences，2002，59：1065-1077.

［6］REEDER D，JECH J，STANTON T.Broadband acoustic backscatter and high-resolution morphology of fish：Measurement and modeling［J］.Journal of the Acoustical Society of America，2004，116（2）：747-761.

［7］TRYGONIS V，GEORGAKARAKOS S，SIMMONDS E. An operational system for automatic school identification on multibeam sonar echoes［J］.ICES Journal of Marine Science，2009，66（5）：935-949.

［8］JUNG J，JACOBS J，DOWDING G，et al.Initial species discrimination experiments with riverine salmonids［C］. Proceeding of the International Joint Conference，2003，2：1295-1300.

［9］HARLEY H.Echoic object recognition by the bottlenose dolphin［C］.Comparative Cognition&Behavior Reviews，2008，3：46-65.

［10］BARR R，COOMBS R.Target phase：An extra dimension for fish and plankton target identification［J］.Journal of the Acoustical Society of America，2005，118（3）：1358-1371.

［11］ATKINS P，COLLINS T，F(xiàn)OOTE K.Transmit-signal design and processing strategies for sonar target phase measurement［J］.IEEE Journal of Selected Topics in Signal Processing，2007，1（1）：91-104.

［12］劉伯勝，雷家煜水聲學原理［M］.哈爾濱：哈爾濱工程大學出版社，2010.

［13］HORNE J，CLAY C.Sonar systems and aquatic organisms：Matching equipment and model parameters［J］. Canadian Journal of Fisheries and Aquatic Sciences，1998，55（5）：1296-1306.

［14］SVARDSTROM A.Neural network feature vectors for sonar targets classifications［J］.Journal of the Acoustical Society of America，1993，93（5）：2656-2665.

［15］BATH M，BURMAN S.Walsh spectroscopy of Rayleigh waves caused by underground explosions［C］.Proceedings Symposium，Washington，DC，AD-744650，1972.

［16］胡廣書.現(xiàn)代信號處理教程［M］.北京：清華大學出版社，2004.

［17］徐東，彭圓，孫世良，等.Walsh變換特征用于回波信號的識別［J］.哈爾濱工程大學學報，2004，25（2）：221-223.

XU Dong，PENG Yuan，SUN Shiliang，et al.Recognition of echo signal using Walsh transformation［J］.Journal of Harbin Engineering University，2004，25（2）：221-223.

［18］CABREIRA A，TRIPODE M，MADIROLAS A.Artificial neural networks for fish species identification［J］.ICES Journal of Marine Science，2009，66（6）：1119-1129.

［19］候媛彬，杜京義，汪梅.神經(jīng)網(wǎng)絡(luò)模型［M］.西安：西安電子科技大學出版社，2007.

Walsh transform for fish identification

XU Feng1ZHANG Qiao1，2ZHANG Chun1SU Ruiwen1，2
（1 Institute of Acoustic，Chinese Academy of Sciences，Beijing 100190，China）（2 University of Chinese Academy of Sciences，Beijing 100049，China）

The fast and efficient fish identification is the composition of fishery survey and marine ecosystem monitoring.The identification method based on active acoustics is the most important one.The fish identification is limited，due to the traditional echo envelop and energy way cannot describe the fish backscattering properly.A method of fish identification based on Walsh transform is proposed in this paper.Firstly，an ex situ experiment has been performed with three kinds of fish：Crucian carp（Carassius auratus），Yellow-headed catfish（Pelteobagrus fulvidraco）and Bluntnose black bream（Megalobrama amblycephale）.The backscattering signals of these fishes are obtained to verify this method.Then，the Walsh spectrum of backscattering is extracted as the indicator to describe these three kinds of fish species.Finally，three kinds of fish are successfully identified by using a BP neural network.The result shows that it's possible to identify fish with different shape using Walsh transform.

Walsh transform，F(xiàn)eature extraction，F(xiàn)ish identification，BP neural network

TB566

A

1000-310X（2015）05-0465-06

10.11684/j.issn.1000-310X.2015.05.013

2015-02-06收稿；2015-04-25定稿

*山東省科技發(fā)展計劃項目（2013GHY11517）

許楓（1969-），男，浙江寧波人，研究員，博士生導師，研究方向：水聲信號處理。?

E-mail：zhangqiao314@163.com