陳彩文, 杜永貴，周 超, 孫傳恒※

基于圖像紋理特征的養(yǎng)殖魚(yú)群攝食活動(dòng)強(qiáng)度評(píng)估

陳彩文1,2, 杜永貴1，周 超2, 孫傳恒2※

（1. 太原理工大學(xué)信息工程學(xué)院，太原 030024；2. 國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心，農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心，北京 100097）

為了解決循環(huán)水養(yǎng)殖中的投喂難題，該文以鏡鯉為試驗(yàn)對(duì)象，基于計(jì)算機(jī)視覺(jué)技術(shù)，提出了一種通過(guò)分析魚(yú)群的紋理來(lái)評(píng)估魚(yú)群攝食活動(dòng)強(qiáng)度的方法。首先利用均值背景建模重建出沒(méi)有魚(yú)群的背景圖片，提取出目標(biāo)魚(yú)群，使用灰度共生矩陣對(duì)逆差矩、相關(guān)性、能量和對(duì)比度這4個(gè)紋理特征進(jìn)行分析，得到魚(yú)群的攝食活動(dòng)強(qiáng)度。試驗(yàn)結(jié)果表明通過(guò)魚(yú)群紋理的對(duì)比度與傳統(tǒng)方法面積法得到的魚(yú)群攝食活動(dòng)強(qiáng)度，其線性決定系數(shù)可達(dá)0.894 2，說(shuō)明該方法可以用來(lái)表征魚(yú)群的攝食活動(dòng)強(qiáng)度，研究結(jié)果為魚(yú)群的攝食活性強(qiáng)度測(cè)量提供了一種參考方法。

計(jì)算機(jī)視覺(jué)；圖像識(shí)別；紋理；灰度共生矩陣；魚(yú)群面積；魚(yú)群攝食活動(dòng)強(qiáng)度

0 引 言

近年來(lái)，計(jì)算機(jī)視覺(jué)技術(shù)在漁業(yè)養(yǎng)殖上的應(yīng)用成為研究熱點(diǎn)，但是養(yǎng)殖過(guò)程中的投餌問(wèn)題，目前都是采用人工投餌和機(jī)械投餌，無(wú)法精確考慮魚(yú)類攝食需求的變化和環(huán)境因子的影響[1-3]；而且大量的研究表明魚(yú)群在不同水質(zhì)情況下和不同的生長(zhǎng)階段攝食活動(dòng)強(qiáng)度會(huì)有很大的差別[4-7]。所以分析量化魚(yú)群的攝食活動(dòng)強(qiáng)度成為解決精準(zhǔn)投喂的關(guān)鍵問(wèn)題[8-12]。

利用計(jì)算機(jī)視覺(jué)和圖像處理技術(shù)對(duì)魚(yú)群的攝食行為進(jìn)行量化，對(duì)于提升漁業(yè)養(yǎng)殖的經(jīng)濟(jì)效益具有非常重要的意義[13-16]。目前借助于計(jì)算機(jī)視覺(jué)技術(shù)對(duì)于魚(yú)類的攝食行為進(jìn)行量化的研究主要集中在國(guó)外，國(guó)內(nèi)相對(duì)偏少，主要有：Liu等通過(guò)計(jì)算魚(yú)群在相鄰時(shí)間內(nèi)的魚(yú)群差分圖像來(lái)表征魚(yú)群的攝食活動(dòng)強(qiáng)度，但是該方法需要對(duì)激起水花的不可觀測(cè)圖片進(jìn)行剔除，計(jì)算量大[17]。胡利永等分析魚(yú)群在攝食過(guò)程中的聚集擴(kuò)散程度及魚(yú)群的饑飽程度，來(lái)決定魚(yú)群的投喂量，但是此方法易受室外水面反光的影響[18]；Dorith等利用PMP值（魚(yú)群的運(yùn)動(dòng)投影圖）來(lái)間接表征魚(yú)群的運(yùn)動(dòng)活躍程度，但是不能提供一個(gè)數(shù)字化的反饋[19]；Keith等以出現(xiàn)魚(yú)群搶食和魚(yú)群在底部攝食的比例作為魚(yú)群的攝食速度[20]；Eriksen等為魚(yú)群的每種行為賦值，從而量化魚(yú)類的攝食活動(dòng)強(qiáng)度[21]。這些方法都是基于人工的觀察測(cè)量，易受人為因素的干擾。Sadoul等利用魚(yú)群面積的變化程度和魚(yú)群的擴(kuò)散程度來(lái)表征魚(yú)群在攝食和監(jiān)閉狀態(tài)下的運(yùn)動(dòng)活躍程度[22]，該方法也取得了良好的試驗(yàn)效果，但是魚(yú)群數(shù)目相對(duì)偏少。

采用計(jì)算機(jī)視覺(jué)技術(shù)來(lái)對(duì)魚(yú)群的攝食行為進(jìn)行研究時(shí)，首先需要提取出運(yùn)動(dòng)目標(biāo)的位置，才能進(jìn)行相關(guān)的分析處理，但是在分析魚(yú)群的攝食行為時(shí)，其相互遮擋的現(xiàn)象時(shí)有發(fā)生，此時(shí)量化魚(yú)群的攝食活動(dòng)強(qiáng)度變得非常困難[23-26]。對(duì)于循環(huán)水養(yǎng)殖系統(tǒng)來(lái)說(shuō)，水槽中的水較為清澈，而且魚(yú)群的行為模式較為固定。所以針對(duì)這一情況，本文提出把魚(yú)群作為整體研究對(duì)象，利用魚(yú)群在不同的攝食情況下對(duì)應(yīng)的不同圖像紋理，根據(jù)魚(yú)群的紋理信息判斷出魚(yú)群的攝食活動(dòng)強(qiáng)度，以期達(dá)到對(duì)魚(yú)群實(shí)時(shí)監(jiān)控的目的。

1 材料與方法

1.1 試驗(yàn)材料

本研究選用鏡鯉（Cyprinus carpio specularis）為試驗(yàn)對(duì)象，該魚(yú)種鱗片少、生長(zhǎng)速度快、含肉率高、肉質(zhì)好，已被中國(guó)水產(chǎn)委員會(huì)審定為適合在中國(guó)推廣的優(yōu)良水產(chǎn)養(yǎng)殖品種。為了更加符合工廠化的養(yǎng)殖環(huán)境，本試驗(yàn)挑選55條鏡鯉放入水槽內(nèi)進(jìn)行飼養(yǎng)，魚(yú)體體長(zhǎng)在10～25cm之間。水槽直徑為1.5 m，高為1.2 m。在采集視頻之前，鏡鯉已經(jīng)在此系統(tǒng)中生活了數(shù)月，已經(jīng)充分適應(yīng)了循環(huán)水養(yǎng)殖系統(tǒng)的各種條件。

1.2 視頻的采集

本試驗(yàn)是在北京小湯山國(guó)家精準(zhǔn)農(nóng)業(yè)示范基地采集數(shù)據(jù)，試驗(yàn)系統(tǒng)如圖1所示，該系統(tǒng)包括養(yǎng)魚(yú)的水槽、生物濾池、UV紫外線過(guò)濾裝置、一臺(tái)微濾機(jī)、過(guò)濾泵和一臺(tái)攝像機(jī)。在試驗(yàn)中，采用浮性飼料對(duì)魚(yú)群進(jìn)行飽食投喂（有少量飼料浮在水槽表面，且大部分魚(yú)群潛入水槽底部，不再攝食，即可認(rèn)為魚(yú)群已經(jīng)吃飽，即可停止投喂），然后對(duì)魚(yú)群的攝食活動(dòng)強(qiáng)度進(jìn)行分析。視頻采集系統(tǒng)中，攝像機(jī)安裝在水槽的斜上方1 m高的位置進(jìn)行拍攝，攝像機(jī)為尼康D90，其采集圖像為24-bit RGB、1 280×720像素真彩圖像，格式為JEPG，采集幀率為24幀/s，采集到的數(shù)據(jù)直接存儲(chǔ)在攝像機(jī)自帶的采集卡中，截取視頻的軟件為Daum Potplayer，圖像分析軟件采用的是MATLAB R2013a和OpenCV2.4.9。

圖1 循環(huán)水養(yǎng)殖系統(tǒng)示意圖Fig.1 Sketch map of circulating water culture system

2 基于圖像紋理的魚(yú)群攝食活動(dòng)強(qiáng)度測(cè)量

圖像的紋理分析技術(shù)是目前計(jì)算機(jī)視覺(jué)領(lǐng)域研究的一個(gè)重要方向，任何物體的表面，在一定的時(shí)間空間狀態(tài)下，一定會(huì)顯現(xiàn)出紋理，而且圖像的紋理特征與圖像的色彩信息無(wú)關(guān)，它能反映出不同圖像的空間組成特征[27-29]。所以利用紋理的這一特性對(duì)魚(yú)群攝食活動(dòng)強(qiáng)度進(jìn)行分析時(shí)，可以免去魚(yú)群運(yùn)動(dòng)時(shí)激起的水花及水面波紋的干擾。本文為了對(duì)魚(yú)群的攝食活動(dòng)強(qiáng)度進(jìn)行量化，所采用的數(shù)據(jù)是截取魚(yú)群攝食前后11 min的視頻，然后每隔1 s截取一幀，從中挑選了630幅質(zhì)量較好的圖片對(duì)其進(jìn)行分析處理，首先利用均值背景建模生成沒(méi)有魚(yú)群的背景圖片，然后通過(guò)背景減法提取出前景目標(biāo)魚(yú)群，再把圖片灰度化生成灰度共生矩陣，對(duì)比魚(yú)群紋理的各個(gè)特征量，最后得到魚(yú)群的攝食活動(dòng)強(qiáng)度，本文的算法如圖2所示。

圖2 紋理分析魚(yú)群攝食活動(dòng)強(qiáng)度的流程圖Fig.2 Flow chart of texture analysis of shoal feeding activity

2.1 背景生成及背景減

因?yàn)楸疚难芯康膶?duì)象是魚(yú)群，所以首先需要從場(chǎng)景中提取出魚(yú)群前景，去掉場(chǎng)景中的背景干擾，背景減法是目前常用的一種檢測(cè)方法。首先重建出沒(méi)有運(yùn)動(dòng)魚(yú)群的背景圖片。考慮到魚(yú)群的攝食時(shí)間較短，為了快速得到背景圖片，本文采用均值背景建模。它的基本思想是將運(yùn)動(dòng)的魚(yú)群看做噪聲，采取累積平均的方法來(lái)消除噪聲，將一段時(shí)間內(nèi)視頻監(jiān)控序列圖像進(jìn)行平均，從而獲得背景圖片。均值背景建模用數(shù)學(xué)公式表示如下：

式中im(x, y)是第m幀視頻在(x, y)位置處的像素值，N表示幀數(shù)，B( x, y)是背景圖像在(x, y)處像素的平均值，不斷改變(x, y)的值可以獲取整張背景圖片。提取圖片的前景魚(yú)群時(shí)，只需要將當(dāng)前幀圖片和背景圖片進(jìn)行相減即可。該算法是在VS2013和OpenCV2.4.9的試驗(yàn)平臺(tái)下，取視頻的前200幀圖片就可以重建出成像質(zhì)量較好的背景圖片，如圖3所示。

圖3 生成的背景參考圖像Fig.3 Generated background reference image

2.2 提取魚(yú)群的紋理特征

魚(yú)群在非攝食階段一般會(huì)集群在水底自由活動(dòng)，行為相對(duì)比較單調(diào)和統(tǒng)一，而在攝食時(shí)，魚(yú)群會(huì)迅速游到水槽表面，雜亂無(wú)章的開(kāi)始搶食，并且還會(huì)激起一定量的水花。傳統(tǒng)的方法解決這一問(wèn)題往往會(huì)很復(fù)雜，而本文在分析魚(yú)群搶食行為時(shí)，把魚(yú)群搶食時(shí)引起的水面抖動(dòng)和濺起的水花也作為分析魚(yú)群圖像紋理的一部分。因?yàn)椴煌瑺顟B(tài)下魚(yú)群圖像對(duì)應(yīng)的紋理模式不同，所以提取魚(yú)群圖像的紋理特征可以對(duì)魚(yú)群的攝食行為進(jìn)行研究，而灰度共生矩陣是計(jì)算紋理特征的一種常用有效方法。為了提取魚(yú)群的紋理特征，需要把之前的差分圖片灰度化，然后生成每幅圖片的灰度共生矩陣，進(jìn)而提取出魚(yú)群的紋理特征。圖4為魚(yú)群在各個(gè)階段的原始圖片和灰度化以后的圖片。

2.3 灰度共生矩陣及其生成

設(shè)(,)f x y為一幅二維數(shù)字圖像，其大小為MN×像素，灰度級(jí)別為gN，則滿足一定空間關(guān)系的灰度共生矩陣為：

式中#(x)表示集合x(chóng)中的元素個(gè)數(shù)，P 為Ng×Ng的矩陣，如果(x1, y1)與(x2,y2)間的距離為d，兩者與坐標(biāo)橫軸的夾角為θ，則可以得到各種間距及角度的灰度共生矩陣P(i, j, d,θ)。

圖4 魚(yú)群各個(gè)階段的原始圖片和灰度化以后的圖片F(xiàn)ig.4 Original image and gray image in each stage of shoal

2.4 灰度共生矩陣特征量的提取

灰度共生矩陣能反映出圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息，是分析圖像局部模式和像素排列規(guī)則的基礎(chǔ)[30-31]。作為紋理分析的特征量，往往不直接計(jì)算整幅圖像的灰度共生矩陣，而是在灰度共生矩陣的基礎(chǔ)上再提取紋理特征量，稱為二次統(tǒng)計(jì)量。提取出來(lái)的統(tǒng)計(jì)量可以作為描述圖像紋理信息的特征參數(shù)，這些參數(shù)可以精確表征圖像的紋理信息。根據(jù)相關(guān)文獻(xiàn)得到的結(jié)論，本文使用下面這4個(gè)參數(shù)來(lái)對(duì)魚(yú)群紋理進(jìn)行分析，它們分別是：

1）逆差矩（homogeneity）：反映了圖像紋理的局部平穩(wěn)性，即度量圖像的紋理局部變化的多少。

2）相關(guān)性（correlation）：反映灰度共生矩陣的元素值在行或列方向上的相似程度。

3）能量（energy）：灰度共生矩陣中所有像素點(diǎn)的灰度值的平方和，反映圖像紋理的粗細(xì)程度和灰度分布的均勻程度。

4）對(duì)比度（contrast）：反映了圖像紋理的深淺程度以及圖像的清晰程度。

從以上公式可知，不同的方向、灰度等級(jí)及像素距離會(huì)得到不同的灰度共生矩陣，為了計(jì)算方便有效，參考徐小軍[32]等在用灰度共生矩陣分析火焰紋理特征中的一些結(jié)論，在本試驗(yàn)中把圖片的灰度等級(jí)設(shè)置為8級(jí)，像素距離設(shè)置為10，像素方向取0°、45°、90°和135°這4個(gè)方向上的逆差矩、相關(guān)性、能量和對(duì)比度共16個(gè)特征值作為描述魚(yú)群攝食活動(dòng)強(qiáng)度的特征量。

3 結(jié)果與分析

3.1 魚(yú)群紋理的分析結(jié)果

魚(yú)群紋理的逆差矩、相關(guān)性、能量和對(duì)比度在0°、45°、90°和135°方向上的變化趨勢(shì)如圖5所示，為了使數(shù)據(jù)較為統(tǒng)一整齊，需對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

從圖5可以看到，4幅圖片在0～210幀，變化都比較平緩，此時(shí)對(duì)應(yīng)的是魚(yú)群攝食之前的階段；210～360幀，都出現(xiàn)了大幅度的抖動(dòng)，此時(shí)正好是魚(yú)群攝食的階段；而在360幀以后又逐漸恢復(fù)到之前的狀態(tài)，此時(shí)對(duì)應(yīng)的是魚(yú)群攝食以后的階段；其中在550～600幀時(shí)，也出現(xiàn)了部分幀幅度相對(duì)比較大的抖動(dòng)，從原始視頻中觀察發(fā)現(xiàn)，是因?yàn)橛袀€(gè)別魚(yú)游到水面爭(zhēng)搶剩余的殘餌所致，如圖4d所示，這也與魚(yú)群的進(jìn)食情況相吻合。通過(guò)與原始視頻的對(duì)比發(fā)現(xiàn)魚(yú)群紋理的對(duì)比度（圖5d）與魚(yú)群的攝食活動(dòng)強(qiáng)度最為接近。

3.2 基于面積法的魚(yú)群攝食活動(dòng)強(qiáng)度測(cè)量

胡利永等通過(guò)分析魚(yú)群在攝食過(guò)程中的聚集擴(kuò)散程度來(lái)決定魚(yú)群的投喂量，并且取得了良好的試驗(yàn)效果。為了驗(yàn)證利用魚(yú)群紋理得到的魚(yú)群攝食活動(dòng)強(qiáng)度是否具有可靠性，此處用進(jìn)食魚(yú)群面積來(lái)表征魚(yú)群的攝食活動(dòng)強(qiáng)度[22]。在本文中采用Otsu的方法自動(dòng)生成每幅圖片的各個(gè)閾值，圖6a為某幀圖像背景減二值化后的目標(biāo)魚(yú)群。

從圖6a可以看到，二值化后的圖片在水槽邊緣、過(guò)濾棒和魚(yú)群搶食區(qū)域含有很多噪聲點(diǎn)，此處使用開(kāi)運(yùn)算對(duì)其進(jìn)行形態(tài)學(xué)處理，圖6b是選擇大小為5×5像素的單位圓盤型結(jié)構(gòu)元素來(lái)消除一些小的孤立點(diǎn)。然后計(jì)算攝食前后魚(yú)群面積（前景中魚(yú)群的像素?cái)?shù)）的變化情況，最后擬合出魚(yú)群攝食活動(dòng)強(qiáng)度的變化曲線圖。

3.3 用兩種方法測(cè)得的魚(yú)群攝食活動(dòng)強(qiáng)度的比較

從以上分析可知魚(yú)群的紋理信息在0°、45°、90°和135°的方向上的變化趨勢(shì)大致相同，所以可以用圖片0°方向上的逆差矩、相關(guān)性、能量和對(duì)比度這4個(gè)紋理特征值來(lái)表征魚(yú)群的攝食活動(dòng)強(qiáng)度。此處從之前挑選出來(lái)的630幀圖片中，每隔10幀，共63個(gè)時(shí)間點(diǎn)，計(jì)算出魚(yú)群在各個(gè)時(shí)間點(diǎn)處的紋理特征參數(shù)和其魚(yú)群面積參數(shù)，進(jìn)行對(duì)比，通過(guò)這兩種方法量化得到魚(yú)群的攝食活動(dòng)強(qiáng)度的線性決定系數(shù)如表1所示。

圖5 逆差矩、相關(guān)性、能量和對(duì)比度的特征曲線圖Fig.5 Characteristic curve of homogeneity、correlation、energy and contrast

圖6 魚(yú)群面積獲取的過(guò)程Fig.6 Process of obtaining area of shoal

表1 魚(yú)群紋理的各特征量和魚(yú)群面積的相關(guān)性Table1 Correlation between characteristic quantity and area of shoal

從表1中可以看到魚(yú)群紋理的對(duì)比度與通過(guò)面積法得到的魚(yú)群攝食強(qiáng)度的相關(guān)性最好，其決定系數(shù)可達(dá)0.894 2。而且由圖7可以看到，通過(guò)圖像紋理得到的魚(yú)群攝食活動(dòng)強(qiáng)度和通過(guò)計(jì)算前景中的魚(yú)群面積得到的攝食活動(dòng)強(qiáng)度，兩者呈現(xiàn)出相似的變化規(guī)律，說(shuō)明圖片的紋理信息可以用來(lái)表征魚(yú)群的攝食強(qiáng)度變化。

圖7 通過(guò)面積和紋理得到的魚(yú)群攝食活動(dòng)強(qiáng)度的曲線圖Fig.7 Curves of feeding activity of shoal by area and texture

而利用面積法來(lái)量化魚(yú)群的攝食行為易受水面抖動(dòng)和反光等問(wèn)題的影響，給圖片后期處理帶來(lái)極大的困難甚至得不到處理結(jié)果。從圖7中可以看到，用本文提出的用灰度共生矩陣量化魚(yú)群的紋理特征時(shí)，當(dāng)魚(yú)群的紋理對(duì)比度值在0.1～0.19時(shí)為魚(yú)群的攝食階段，當(dāng)紋理對(duì)比度值在0.04～0.10時(shí)為魚(yú)群的非攝食階段。而且利用本文的算法無(wú)需對(duì)魚(yú)群搶食激起的水花、引起水槽水面波動(dòng)等不利因素進(jìn)行去除，因?yàn)楸疚牡乃惴ㄖ饕轻槍?duì)由魚(yú)群攝食活動(dòng)引起的紋理特征變化為主要因素進(jìn)行分析的，因此基于紋理對(duì)魚(yú)群攝食活動(dòng)強(qiáng)度的測(cè)量方法相對(duì)穩(wěn)定、可靠，它能夠客觀的評(píng)價(jià)魚(yú)群活動(dòng)的信息。而且利用本文算法平均處理一幅圖片的時(shí)間為1.294 s，這也能夠達(dá)到對(duì)魚(yú)群實(shí)時(shí)監(jiān)控的要求。如果它能夠作為一個(gè)有效量化魚(yú)群攝食活動(dòng)強(qiáng)度的工具，并且這種方法用到實(shí)際檢測(cè)魚(yú)類攝食過(guò)程中，它將有效的避免過(guò)量投喂事件的發(fā)生。而且本文所提出的方法在預(yù)測(cè)魚(yú)類福利狀況方面也有一定的潛力。因?yàn)橄嚓P(guān)研究表明，過(guò)于活躍的魚(yú)群活動(dòng)意味著不正常的魚(yú)類福利。

4 結(jié) 論

在水產(chǎn)養(yǎng)殖中，量化魚(yú)群的攝食活動(dòng)強(qiáng)度具有十分重要的現(xiàn)實(shí)意義和經(jīng)濟(jì)價(jià)值。本文利用紋理特征分析法對(duì)魚(yú)群攝食前后的攝食活動(dòng)強(qiáng)度進(jìn)行了定量的研究，繪制出圖片各個(gè)紋理特征參數(shù)的變化曲線，找出了魚(yú)群攝食過(guò)程中逆差矩、相關(guān)性、能量和對(duì)比度各個(gè)參數(shù)的變化規(guī)律，并且跟進(jìn)食魚(yú)群面積的方法進(jìn)行了比較，其決定系數(shù)R2分別為0.514 3、0.417 0、0.479 6和0.894 2，發(fā)現(xiàn)魚(yú)群紋理特征量中的對(duì)比度能夠很好地表征魚(yú)群的攝食活動(dòng)強(qiáng)度，而且用魚(yú)群紋理量化魚(yú)群的攝食活動(dòng)強(qiáng)度時(shí)，可以避免對(duì)魚(yú)群內(nèi)個(gè)體的追蹤，直接以魚(yú)群攝食活動(dòng)引起的紋理變化為關(guān)鍵因素進(jìn)行分析，跟傳統(tǒng)方法進(jìn)行比較，本方法簡(jiǎn)單，且具有良好的實(shí)用性。

但是，在本試驗(yàn)中為了得到更好成像質(zhì)量的圖片，對(duì)水槽的邊緣進(jìn)行了一小部分裁剪。而且本文的試驗(yàn)研究條件還是相對(duì)比較理想的，怎樣減少誤判和漏判，何時(shí)停止投喂以達(dá)到魚(yú)群的最佳投喂量，必須結(jié)合魚(yú)群的其他特征進(jìn)行綜合判斷，以及本文的這種方法對(duì)其他魚(yú)群是否適用，將是下一步將要做的工作。

[1] 穆春華，范良忠，劉鷹. 基于計(jì)算機(jī)視覺(jué)的循環(huán)水養(yǎng)殖系統(tǒng)殘餌識(shí)別研究[J]. 漁業(yè)現(xiàn)代化，2015，42(2)：33－37.

Mu Chunhua, Fan Liangzhong, Liu Ying. Research on the residual feeds recognition of recirculating aquaculture systems based on computer vision[J]. Fishery Modernization, 2015, 42(2): 33－37. (in Chinese with English abstract)

[2] Vassilis M Papadakis, Ioannis E Papadakis, Fani Lamprianidou, et al. A computer-vision system and methodology for the analysis of fish behavior[J]. Aquacultural Engineering, 2012, 46(2) 53–59.

[3] 胡金有，王靖杰，張小栓. 水產(chǎn)養(yǎng)殖信息化關(guān)鍵技術(shù)研究現(xiàn)狀與趨勢(shì)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(7)：251－263.

Hu Jinyou, Wang Jingjie, Zhang Xiaoshuan. Research status and development trends of information technologies in aquacultures[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(7): 251－263. (in Chinese with English abstract)

[4] Delphine Mallet, Dominique Pelletier. Underwater video techniques for observing coastal marine biodiversity: A review of sixty years of publications(1952-2012)[J]. Fisheries Research, 2014, 154: 44－62.

[5] Johann Delcourt, Mathieu Denoel, Marc Ylieff, et al. Video multitracking of fish behavior of fish behavior: a synthesis and future perspectives[J]. Fish and Fisheries, 2013, 14: 186－204.

[6] Bong Jin Cha, Bong Seng Bae, Sam Kwang Cho, et al. A simple method to quantify fish behavior by forming timelapse images[J]. Aquacultural Engineering, 2012, 51: 15－20.

[7] Duarte S, Reig L, Masalo L, et al. Influence of tank geometry and flow pattern in fish distribution[J]. Aquacultural Engineering, 2011, 44: 48－54.

[8] Vassilis M Papadakis, Alexios Glaropoulos, Maroudio Kentouri. Sub-second analysis of fish behavior using a novel computer-vision system[J]. Aquacultural Engineering, 2014, 62: 36－41.

[9] 張墨，高霄龍，李賢,等. 放養(yǎng)規(guī)格對(duì)銀化期大西洋鮭生長(zhǎng)的影響及生理影響機(jī)理[J]. 農(nóng)業(yè)工程學(xué)報(bào). 2016，32(5)：221－227.

Zhang Mo, Gao Xiaolong, Li Xian, et al. Effect of different sizes on growth during smoltification in atlantic salmon (Salmo salar L) and its mechanism of physiological response[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(5): 221－227. (in Chinese with English abstract)

[10] 王勇平，聶余滿. 基于機(jī)器視覺(jué)的養(yǎng)殖魚(yú)群智能投餌系統(tǒng)設(shè)計(jì)與研究[J]. 儀表技術(shù)，2015，1：1－4.

Wang Yongping, Nie Yuman. Design and research of intelligent feeding systemfor farmed fish based on machine vision[J]. Instrumentation Technology, 2015, 1：1－4. (in Chinese with English abstract)

[11] 張志強(qiáng)，牛智有，趙思明. 基于機(jī)器視覺(jué)技術(shù)的淡水魚(yú)品種識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27(11)：350－354.

Zhang Zhiqiang, Niu Zhiyou, Zhao Siming. Weight grading of freshwater fish based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(11): 350－354. (in Chinese with English abstract)

[12] Wu Tehui, Huang Yui. Development of an adaptive neural-based fuzzy inference system for feeding decisionmaking assessment in silver perch (Bidyanus bidyanus) culture[J]. Aquacultural Engineering, 2015, 66: 42－51.

[13] 趙建，鮑偉君，葉章穎，等. 基于不同檢測(cè)方法的養(yǎng)殖魚(yú)類晝夜攝食節(jié)律研究進(jìn)展[J]. 漁業(yè)現(xiàn)代化, 2016，43(2):17-21

Zhao Jian, Bao Weijun, Ye Zhangying, et al. Different detection methods based research progress on diel feeding rhythms of cultured fishes[J]. Fishery Modernization, 2016, 43(2): 17－21. (in Chinese with English abstract)

[14] 李賢，范良忠，劉子毅，等. 基于計(jì)算機(jī)視覺(jué)的大菱鲆對(duì)背景色選擇習(xí)性研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(10):189－193. Li Xian, Fan Liangzhong, Liu Ziyi, et al. Preference habit of juvenile turbot for different color backgrounds based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2012, 28(10): 189－193. (in Chinese with English abstract)

[15] Viazzi S, Hoestenberghe S Van, Goddeeries B M, et al. Automatic mass estimation of Jade perch Scortum barcoo by computer vision[J]. Aquacultural Engineering, 2015, 64: 42－48.

[16] 段延娥，李道亮，李振波. 基于計(jì)算機(jī)視覺(jué)的水產(chǎn)動(dòng)物視覺(jué)特征測(cè)量研究綜述[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(15)：1－11.

Duan Yane, Li Daoliang, Li Zhenbo. Review on visual characteristic measurement research of aquatic animals based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 1－11. (in Chinese with English abstract)

[17] Liu Ziyi, Li Xian, Fan Liangzhong. Measuring feeding activity of fish in RAS using computer vision[J]. Aquacultural Engineering, 2014, 60: 20－27.

[18] 胡利永，魏玉艷，鄭堤. 基于機(jī)器視覺(jué)技術(shù)的智能投餌方法研究[J]. 熱帶海洋學(xué)報(bào)，2015，34(4)：90－95.

Hu Liyong, Wei Yuyan, Zheng Di. Research on intelligent bait casting method based on machine vision technology[J]. Journal of Tropical of Oceanography, 2015, 34(4): 90－95. (in Chinese with English abstract)

[19] Dorith Israeli, Eitan Kimmel. Monitoring the behavior of hypoxia-stressed carassius auratus using Computer Vision [J]. Aquacultural Engineering, 1996, 15(6): 423－440.

[20] Keith H Nislow, Carol Folt, Marco Seandel. Food and foraging behavior in relation to microhabitant use and survival of age-0 Atlantic salmon[J]. Canadian Journal of Fisheries and Aquatic Sciences, 1988, 55(1): 116－127.

[21] Eriksen MS, Faererik G, Kittilsen S. Stressed mothers troubled offspring: a study of behavioural maternal effects in farmed[J]. Journal of Fish Biology, 2011, 79(3): 575－586.

[22] Sadoul B, EvounaMengue P, Friggens NC. A new method for measuring group behaviours of fish shoals from recorded videos taken in near aquaculture conditions [J]. Aquaculture, 2014, 430: 179–187.

[23] 周應(yīng)祺，王軍，錢衛(wèi)國(guó). 魚(yú)類集群行為的研究進(jìn)展[J]. 上海海洋大學(xué)學(xué)報(bào)，2013，22(5)：734－743.

Zhou Yingqi, Wang Jun, Qian Weiguo. Review of fish schooling behavior study[J]. Journal of Shanghai Ocean University, 2013, 22(5): 734－743. (in Chinese with English abstract)

[24] Pautsina A, Císa? P, ?tys D. Infrared reflection system for indoor 3D tracking of fish[J]. Aquacultural Engineering，2015, 1(69): 7－17

[25] Zhao Jian, Gu Zhaobin, Shi Mingming, et al. Spatial behavioral characteristics and statistics-based kinetic energy modeling in special behaviors detection of a shoal of fish in a recirculating aquaculture system[J]. Computers and Electronics in Agriculture, 2016, 127: 271－280.

[26] Georg Rakowitz, Michal Tusˇer, Milan Rˇ iha. Use of high-frequency imaging sonar (DIDSON) to observe fish behaviour towards a surface trawl[J]. Fisheries Research, 2012, 123: 37–48.

[27] 趙建，朱松明，葉章穎，等. 循環(huán)水養(yǎng)殖游泳型魚(yú)類攝食活動(dòng)強(qiáng)度評(píng)估方法研究[EB/OL]. (2016-05-23). http://www. cnki.net/kcms/detail/11.1964.S.20160523.1601.008.html.

[28] 喬峰，鄭堤，胡利永，等. 基于機(jī)器視覺(jué)實(shí)時(shí)決策的智能投餌系統(tǒng)研究[J]. 工程設(shè)計(jì)學(xué)報(bào)，2015，22(6)：528－533.

Qiao Feng, Zheng Di, Hu Liyong, et al. Research on smart bait casting machine based on machine vision technology[J]. Chinese Journal of Engineering Design, 2015, 22(6): 528－533. (in Chinese with English abstract)

[29] 范良忠，劉鷹，余心杰，等. 基于計(jì)算機(jī)視覺(jué)技術(shù)的運(yùn)動(dòng)魚(yú)檢測(cè)算法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27(7): 226－230.

Fan liangzhong, Liu Ying, Yu xinjie, et al. Fish motion detecting algorithms based on computer vision technologies[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2011, 27(7): 226－230. (in Chinese with English abstract)

[30] 于欣，侯曉嬌，盧煥達(dá)，等. 基于光流法與特征統(tǒng)計(jì)的魚(yú)群異常行為檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(2)：162－168.

Yu Xin, Hou Xiaojiao, Lu Huanda,et al. Anomaly detection of fish school behavior based on features statistical and optical flow methods[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(2): 350－354. (in Chinese with English abstract)

[31] Paul J Ashley. Fish welfare: Current issues in aquaculture[J]. Applied Animal Behaviour Science, 2007, 104: 199－235

[32] 徐小軍，邵英，郭尚芬. 基于灰度共生矩陣的火焰圖像紋理特征分析[J]. 計(jì)算技術(shù)與自動(dòng)化，2007，26(4)：64－67

Xu Xiaojun, Shao Ying, Guo Shangfen. Based on Level Cooccurrence Matrix[J]. Computing Technology and Automation, 2007, 26(4): 64－67.(in Chinese with English abstract)

Evaluation of feeding activity of shoal based on image texture

Chen Caiwen1,2, Du Yonggui1, Zhou Chao2, Sun Chuanheng2※
(1. College of Information and Technology, Taiyuan University of Technology, Taiyuan 030024, China; 2. National Engineering Research Center for Information Technology in Agriculture, Key Laboratory of Agri-informatics, Ministry of Agiculture, Beijing Engineering Research Center of Agricultural Internet of Things, Beijing 100097, China)

Currently, about 60% of the world’s fish come from China. China is the biggest aquaculture country in the world. However, China’s traditional aquaculture farming method still plays an important role. This will lead to a waste of human resources and land resources. In recent years, more than 90% of the fish farming workers prefer to apply RAS (recirculating aquaculture system), because RAS not only creates a good rearing condition and feed utilization environment for the good growth of the shoal, but also provides a necessary prerequisite for the sustainable development of the aquaculture. Although RAS is more convenience, it still has a lot of problems: the over-feeding events continue to affect the welfare of shoal, the operation of system also influences the growth and survival of shoal, and in addition, the water quality of the system increases the risk of diseases and leads to the extra-load on the mechanical filters, bio-filters and oxygenation equipment. Therefore, the most direct and effective way to solve these problems is to determine the amount of feeding activities according to the appetite of the shoal. In actual operation, manual observation is an effective method. But, on the one hand, this way requires fish-farming workers to pay the labor and time costs. On the other hand, the most difficult problem is how to measure feeding activity. This is because the result of visual observation for the shoal appetite is often hampered by high shoal density and some other unfavorable factors. In recent years, several methods have been developed to enable the tracking of several fish in the same tank, but these methods are invasive, potentially disturbing, or need restricting conditions. In order to solve this problem, a novel method, with the help of the original method based on image texture of the Cyprinus carpio specularis, is proposed to evaluate the feeding activity of the shoal. With this method, the feeding activity of Cyprinus carpio specularis is recorded by a camera mounted on the rearing tank. Then, the video is decomposed into a sequence of frame images, the background interference is removed, and the foreground object is extracted. Next, the texture of shoal is extracted by using gray level co-occurrence matrix. By this way, it can avoid the interference of surface vibration, spray and other adverse factors. At last, we find out the similarity and difference of the texture features. To sum up the above arguments, this method can be used for the quantifying analysis of the feeding activity of the shoal. To evaluate the reliability of shoal image texture, the other way is put forward to quantify the feeding activity of shoal. Before this research, the diffusion and aggregation indices used by some researchers describe the feeding activity of shoal. The index is calculated by summing the individual area of each group. A group is a single black area created by the outlines of overlapping fish. Using this method, it is easy to observe that when the shoal is spreading, the index will be high, and otherwise, the index will be low. The determination coefficient for the above methods is 0.894 2. Hence, the feeding activity of shoal can be quantified by the image texture. This method provides a sensitive, non-invasive, simple and widely applicable tool to quantify the behavior changes associated with the various challenges in aquaculture conditions.

computer vision; image recognition; textures; gray level cooccurrence matrix; area of shoal; feeding activity of shoal

10.11975/j.issn.1002-6819.2017.05.034

S951.2; TP391.41

A

1002-6819(2017)-05-0232-06

陳彩文, 杜永貴，周 超, 孫傳恒. 基于圖像紋理特征的養(yǎng)殖魚(yú)群攝食活動(dòng)強(qiáng)度評(píng)估[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(5)：232－237.

10.11975/j.issn.1002-6819.2017.05.034 http://www.tcsae.org

Chen Caiwen, Du Yonggui, Zhou Chao, Sun Chuanheng. Evaluation of feeding activity of shoal based on image texture[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 232－237. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.05.034 http://www.tcsae.org

2016-07-27

2016-11-24

國(guó)家科技支撐計(jì)劃“設(shè)施水產(chǎn)養(yǎng)殖數(shù)字化智能管理研究”（2014BAD08B09-02）；北京市自然科學(xué)基金資助項(xiàng)目（6152009）

陳彩文，研究方向：圖像處理。太原 太原理工大學(xué)信息工程學(xué)院 030024。Email：877594254@qq.com

※通信作者：孫傳恒，研究員，研究方向：農(nóng)業(yè)信息化。北京 國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心100097。Email：sunch@nercita.org.cn