賈貝貝，邵振洲，王瑞，渠瀛，張融，饒凱鋒，姜安，劉勇，關(guān)永

1. 首都師范大學(xué)成像技術(shù)北京市高精尖創(chuàng)新中心,輕型工業(yè)機(jī)器人與安全驗(yàn)證實(shí)驗(yàn)室，北京 100048 2. 北京航空航天大學(xué) 機(jī)械工程及自動(dòng)化學(xué)院，北京 100191 3. 中國(guó)科學(xué)院生態(tài)環(huán)境研究中心 環(huán)境水質(zhì)學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100085 4. 田納西大學(xué) 電氣工程與計(jì)算機(jī)科學(xué)學(xué)院，美國(guó)田納西州 37996 5. 無(wú)錫中科水質(zhì)環(huán)境技術(shù)有限公司，無(wú)錫 214024

隨著社會(huì)科技的進(jìn)步，水質(zhì)監(jiān)測(cè)逐步向自動(dòng)化方向發(fā)展。目前，水質(zhì)評(píng)價(jià)不僅需要考慮物理和化學(xué)指標(biāo)，還需考慮生物指標(biāo)，使水質(zhì)現(xiàn)狀評(píng)價(jià)更加全面和科學(xué)[1]。水環(huán)境生物監(jiān)測(cè)的生物學(xué)依據(jù)是：在一定條件下，水生生物群落和水環(huán)境之間存在著相互依存、相互制約的穩(wěn)定平衡狀態(tài)，一旦水體受到污染，水環(huán)境發(fā)生變化，各種生物就會(huì)對(duì)此產(chǎn)生不同的反應(yīng)。相對(duì)于傳統(tǒng)的理化監(jiān)測(cè)方法，水質(zhì)生物監(jiān)測(cè)可以反映長(zhǎng)期的污染效果，效果更加直觀可靠，監(jiān)測(cè)功能更加多樣化，便于綜合評(píng)價(jià)水質(zhì)狀況等[2]。

水質(zhì)生物監(jiān)測(cè)的方法較多，如生物群落法、生產(chǎn)力測(cè)定法、殘留測(cè)定法、急性毒性試驗(yàn)和細(xì)菌學(xué)檢驗(yàn)等[2]。魚(yú)類是水污染生物監(jiān)測(cè)中應(yīng)用最廣泛的水生動(dòng)物之一,也是被研究最廣泛的物種[3]。機(jī)器視覺(jué)技術(shù)的迅速發(fā)展，使得利用非接觸式的監(jiān)測(cè)技術(shù)機(jī)器視覺(jué)方法監(jiān)測(cè)水質(zhì)成為一種可能。目前國(guó)內(nèi)外利用機(jī)器視覺(jué)方法和魚(yú)類相結(jié)合在水質(zhì)監(jiān)測(cè)方面的研究，只研究了魚(yú)類的游動(dòng)速度、游動(dòng)加速度、游動(dòng)高度、轉(zhuǎn)彎次數(shù)等運(yùn)動(dòng)特征，缺少對(duì)魚(yú)類胸鰭、尾鰭運(yùn)動(dòng)等信息的統(tǒng)計(jì)，也缺少魚(yú)類呼吸頻率、呼吸深度等的研究，使得觀測(cè)數(shù)據(jù)具有局限性，不能綜合監(jiān)測(cè)水質(zhì)情況。

圖1 基于機(jī)器視覺(jué)的魚(yú)類行為特征提取與分析總體框架Fig. 1 Overall framework of extraction and analysis of fish behavior based on machine vision

為了綜合反映水質(zhì)的污染狀況，本文采用青鳉魚(yú)作為生物監(jiān)測(cè)的指示生物，基于機(jī)器視覺(jué)技術(shù)，通過(guò)監(jiān)測(cè)暴露在0、0.05、0.1、0.2、0.6和1 mg·L-1不同銅離子濃度水環(huán)境中的青鳉魚(yú)，觀測(cè)青鳉魚(yú)生理特征和運(yùn)動(dòng)特征，實(shí)時(shí)監(jiān)控青鳉魚(yú)的呼吸頻率、胸鰭和尾鰭的擺動(dòng)頻率，最終獲得更加精確的實(shí)驗(yàn)數(shù)據(jù)，為水質(zhì)的污染等級(jí)評(píng)定奠定基礎(chǔ)。本研究的總體框架如圖1所示。

1 青鳉魚(yú)的魚(yú)鰓提取方法(The method of extracting gills of medaka)

呼吸是魚(yú)類的重要生理機(jī)能。通過(guò)呼吸作用，水中的污染物質(zhì)會(huì)不斷的積累于魚(yú)鰓組織表面，從而加快魚(yú)類的自我保護(hù)行為，使呼吸變得無(wú)規(guī)律。目前在計(jì)量魚(yú)類的呼吸運(yùn)動(dòng)方面，普遍采用的手段是借助基于生物電信號(hào)的傳感器技術(shù)[4-5]，但是這些方法由于有時(shí)候信號(hào)比較微弱,影響最終的實(shí)驗(yàn)結(jié)果。

本文通過(guò)對(duì)使用人工神經(jīng)網(wǎng)絡(luò)[6](Artificial Neural Network，ANN)和支持向量機(jī)[7](Support Vector Machine，SVM)2種方法提取魚(yú)鰓的對(duì)比，發(fā)現(xiàn)在保證提取魚(yú)鰓準(zhǔn)確的前提下，SVM比ANN耗時(shí)少，SVM方法可以保證實(shí)驗(yàn)的實(shí)時(shí)性，并且SVM比監(jiān)測(cè)電極信號(hào)方法的實(shí)驗(yàn)結(jié)果更加準(zhǔn)確，因此選擇SVM分類器來(lái)提取魚(yú)鰓。

1.1 青鳉魚(yú)的魚(yú)鰓特征提取

利用SVM訓(xùn)練魚(yú)鰓提取模型，最為重要的一步是特征提取，選擇識(shí)別魚(yú)鰓最為顯著的特征作為模型的輸入。通過(guò)對(duì)圖像中魚(yú)鰓的分析，雖然R，G和B這3個(gè)通道中只有R通道的顏色值可以大致看到魚(yú)鰓的分布區(qū)域，但在有大量干擾顏色的情況下依然可以看到魚(yú)鰓的準(zhǔn)確形狀，因此推斷存在某種顏色組合方式可以準(zhǔn)確地區(qū)分魚(yú)鰓。隨后對(duì)原始視頻進(jìn)行了顏色空間轉(zhuǎn)換實(shí)驗(yàn)，發(fā)現(xiàn)HSV空間的S通道(飽和度S通道體現(xiàn)了色彩的鮮艷程度)，Lab空間的a通道(a表示洋紅至綠色的范圍)和YCrCb空間的Cr通道(反映RGB輸入信號(hào)中紅色部分與RGB信號(hào)亮度值間的差異)也都對(duì)目標(biāo)有一定的區(qū)分能力，最終確定圖像的S、a、Cr這3個(gè)通道組合的特征向量作為建立魚(yú)鰓提取模型的主要輸入。

1.2 利用SVM建立魚(yú)鰓提取模型

如圖2所示，本文通過(guò)顏色空間轉(zhuǎn)換的方法，提取0、0.05、0.1、0.2、0.6、1 mg·L-16種不同銅離子濃度下的1 000張圖像作為SVM分類器的訓(xùn)練數(shù)據(jù)，將圖像從RGB顏色空間轉(zhuǎn)換至HSV、Lab、YCrCb顏色空間，取HSV中S通道和Lab中a通道以及YCrCb中的Cr通道組合成SaCr特征向量，然后結(jié)合魚(yú)鰓標(biāo)簽構(gòu)建出提取魚(yú)鰓的SVM分類器，利用1 000個(gè)測(cè)試數(shù)據(jù)測(cè)試訓(xùn)練好的SVM模型，最終得到提取青鳉魚(yú)魚(yú)鰓的SVM分類器。

為了減少將圖像RGB像素值轉(zhuǎn)換至HSV、Lab、YCrCb顏色空間的計(jì)算量，本文先在輸入的原始圖像中求出青鳉魚(yú)的最小外接矩形，再利用上述通過(guò)神經(jīng)網(wǎng)絡(luò)得到的魚(yú)鰓提取模型，進(jìn)行魚(yú)鰓的檢測(cè)，最終準(zhǔn)確得到魚(yú)鰓區(qū)域，如圖3所示。

圖2 支持向量機(jī)(SVM)提取魚(yú)鰓流程圖Fig. 2 Extraction of gills flow chart using Support Vector Machine (SVM)

1.3 青鳉魚(yú)呼吸頻率的計(jì)算

本文通過(guò)計(jì)算魚(yú)鰓的輪廓面積，求出魚(yú)鰓輪廓面積變化的極大(小)值的個(gè)數(shù)，來(lái)計(jì)算青鳉魚(yú)的呼吸頻率。青鳉魚(yú)的呼吸頻率f可由式(1)得出。

(1)

其中m表示魚(yú)鰓輪廓面積極大(小)值的個(gè)數(shù)，M表示采集總幀數(shù)，30表示采集幀率。

2 青鳉魚(yú)胸鰭和尾鰭提取(Extracting pectoral fins and tail fin of medaka)

本文通過(guò)對(duì)青鳉魚(yú)進(jìn)行骨架提取，進(jìn)而建立青鳉魚(yú)的骨架模型來(lái)提取出青鳉的左右胸鰭和尾鰭，最后實(shí)時(shí)計(jì)算出青鳉魚(yú)胸鰭尾鰭在不同銅離子濃度下的擺動(dòng)頻率。

2.1 青鳉魚(yú)骨架提取

骨架是描述物體拓?fù)浣Y(jié)構(gòu)的主要手段之一，保持了物體的形狀信息。細(xì)化算法是提取物體骨架的一種算法，它通過(guò)不斷反復(fù)地剝離前景目標(biāo)的邊界點(diǎn)，在剝離邊界點(diǎn)的同時(shí)并保持骨架的連通性，最終剔除掉所有能剝離的邊界，保留下能體現(xiàn)骨架特性的點(diǎn)，反復(fù)迭代，即可提取出骨架。

骨架提取前，要進(jìn)行前景目標(biāo)的檢測(cè)，檢測(cè)時(shí)使用2次OTSU(大津法)算法，第一次使用OTSU算法提取出青鳉魚(yú)大體魚(yú)身區(qū)域，但當(dāng)前魚(yú)體還不夠完全，特別是胸鰭和尾鰭部分還不是很完整，如圖4b。為了保證提取魚(yú)骨架的完整性，精確地提取出青鳉魚(yú)的胸鰭和尾鰭，提高計(jì)算結(jié)果的準(zhǔn)確性，第二次使用OTSU算法提取出第一次被忽略掉的魚(yú)體部位，如圖4c。之后結(jié)合2次提取的結(jié)果，最終得到完整的青鳉魚(yú)，如圖4d所示，然后基于細(xì)化的骨架提取算法，對(duì)青鳉魚(yú)進(jìn)行骨架提取。經(jīng)魚(yú)體檢測(cè)與跟蹤并進(jìn)行青鳉魚(yú)前景提取后，對(duì)青鳉魚(yú)二值化前景圖去噪并進(jìn)行細(xì)化算法，最終得到單一的較為完整的魚(yú)體骨架[17]。

圖3 青鳉魚(yú)魚(yú)鰓提取注: a青鳉魚(yú)最小外接矩形圖像；b魚(yú)鰓提取結(jié)果。Fig. 3 Gills extraction of medakaNote: a, The minimum bounding rectangle image of medaka; b, The result of extracting gills.

圖4 青鳉魚(yú)骨架提取結(jié)果注: a青鳉魚(yú)原始圖; b第一次檢測(cè)的青鳉魚(yú)前景圖； c第二次檢測(cè)的青鳉魚(yú)前景圖；d最終提取的青鳉魚(yú)前景圖；e提取骨架后青鳉魚(yú)骨架圖。Fig. 4 Experiment result of skeleton extraction of medakaNote: a, The original image of medaka; b, The first detection of medaka foreground; c, The second detection of medaka foreground; d, The last detection of medaka foreground; e, The image of medaka skeleton after extracting skeleton.

2.2 青鳉魚(yú)骨架模型

經(jīng)過(guò)細(xì)化算法得到的青鳉魚(yú)骨架并不包含任何描述信息，為了量化計(jì)算青鳉魚(yú)運(yùn)動(dòng)情況，需要確定青鳉魚(yú)各部位的關(guān)鍵信息。根據(jù)魚(yú)體特性。本文在基于細(xì)化算法提取到的青鳉魚(yú)骨架上提出了圖5青鳉魚(yú)胸鰭和尾鰭的骨架模型，并標(biāo)出了7個(gè)關(guān)鍵參考點(diǎn)，分別為胸鰭參考點(diǎn)A(該點(diǎn)是青鳉魚(yú)魚(yú)鰓與骨架的交點(diǎn))、胸鰭根部參考點(diǎn)B(該點(diǎn)是以參考點(diǎn)A為起始點(diǎn)，整個(gè)魚(yú)骨架長(zhǎng)度的1/8處的點(diǎn))、左胸鰭末端參考點(diǎn)C、左胸鰭末端參考點(diǎn)D、尾鰭參考點(diǎn)E(該點(diǎn)是以參考點(diǎn)A為起始點(diǎn)，整個(gè)魚(yú)骨架長(zhǎng)度的1/2處的點(diǎn))、尾鰭參考點(diǎn)F(該點(diǎn)是以參考點(diǎn)A為起始點(diǎn)，整個(gè)魚(yú)骨架長(zhǎng)度的3/4處的點(diǎn))、尾鰭末端參考點(diǎn)G。青鳉魚(yú)骨架參考點(diǎn)如圖6所示。

圖5 青鳉魚(yú)骨架模型Fig. 5 The skeleton model of medaka

圖6 青鳉魚(yú)骨架關(guān)鍵點(diǎn)參考圖Fig. 6 The reference image of key point of medaka skeleton

2.3 青鳉魚(yú)胸鰭和尾鰭擺動(dòng)頻率的計(jì)算

(2)

可以得到左胸鰭的擺動(dòng)角度α。其中x代表參考點(diǎn)橫坐標(biāo)，y代表參考點(diǎn)縱坐標(biāo)。

(3)

其中n表示胸鰭、尾鰭擺動(dòng)次數(shù)，N表示采集總幀數(shù)，30表示采集幀率。

3 結(jié)果與討論(Results and discussion)

為了能夠準(zhǔn)確、實(shí)時(shí)地提取到青鳉魚(yú)的魚(yú)鰓區(qū)域，本文對(duì)SVM和ANN這2種方法進(jìn)行了對(duì)比，實(shí)驗(yàn)證明：2種方法都可以準(zhǔn)確地進(jìn)行魚(yú)鰓提取，但只有SVM算法可以保證整個(gè)算法的實(shí)時(shí)性能。

當(dāng)水環(huán)境中污染物因子達(dá)到一定濃度時(shí)，就會(huì)引起青鳉魚(yú)的運(yùn)動(dòng)行為失常、魚(yú)呼吸頻率的改變、胸鰭與尾鰭擺動(dòng)頻率的改變、生理功能紊亂等中毒反應(yīng)。

為了模擬魚(yú)類真實(shí)的水質(zhì)環(huán)境，實(shí)驗(yàn)依次配制6種不同濃度的銅離子溶液，分別為0、0.05、0.1、0.2、0.6和1 mg·L-1。所選的魚(yú)類模式生物為大小和重量基本一致的成年青鳉魚(yú)。將6條青鳉魚(yú)分別放入6種不同濃度的銅離子溶液中進(jìn)行毒性暴露實(shí)驗(yàn)。實(shí)驗(yàn)中連續(xù)分析不同濃度下的100幀圖像數(shù)據(jù)，計(jì)算出魚(yú)呼吸頻率、胸鰭和尾鰭的擺動(dòng)頻率、算法平均計(jì)算時(shí)間，與實(shí)際統(tǒng)計(jì)數(shù)據(jù)結(jié)果作對(duì)比，進(jìn)而對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行匯總和分析，驗(yàn)證算法的可行性、有效性和魯棒性。

3.1 實(shí)驗(yàn)環(huán)境搭建

實(shí)驗(yàn)選擇一款德國(guó)生產(chǎn)的以電荷耦合器件(charge coupled device， CCD)傳感器為核心元件的工業(yè)攝像機(jī)，分辨率為640×480，采集幀率設(shè)置為每秒30幀，將攝像機(jī)放置在目標(biāo)容器的下方，并布置于實(shí)驗(yàn)?zāi)繕?biāo)的正下方。實(shí)驗(yàn)環(huán)境平臺(tái)的搭建如圖7所示。

3.2 算法驗(yàn)證

1)青鳉魚(yú)生理特征驗(yàn)證

通過(guò)6種不同銅離子濃度實(shí)驗(yàn)進(jìn)行對(duì)比分析，SVM和ANN都可以準(zhǔn)確提取魚(yú)鰓，如圖8所示。在算法執(zhí)行效率方面，SVM比ANN耗時(shí)短，平均單幀耗時(shí)是ANN的一半以上，如圖9所示。

圖7 實(shí)驗(yàn)環(huán)境平臺(tái)圖Fig. 7 The image of experimental environment platform

圖8 SVM和ANN提取魚(yú)鰓結(jié)果對(duì)比注: a, SVM提取魚(yú)鰓結(jié)果；b, 人工神經(jīng)網(wǎng)絡(luò)(ANN)提取魚(yú)鰓結(jié)果。Fig. 8 Comparison of SVM and ANN extraction of gillsNote: a, SVM extraction results of gills; b, Artificial Neural Network (ANN) extraction results of gills.

圖10描述了青鳉魚(yú)在6種不同銅離子濃度下的呼吸深度變化，結(jié)果顯示：不同暴露濃度下，青鳉魚(yú)呼吸節(jié)奏呈現(xiàn)出不同的波形。圖11是在不同銅離子下算法得出的青鳉魚(yú)呼吸頻率與人眼的計(jì)數(shù)結(jié)果對(duì)比圖，可以發(fā)現(xiàn)本文算法的誤差很小，平均契合度達(dá)到98%以上。

2)青鳉魚(yú)運(yùn)動(dòng)特征驗(yàn)證

圖12至圖14描述了6種不同銅離子濃度下青鳉魚(yú)胸鰭擺動(dòng)角度變化、尾鰭擺動(dòng)角度變化，從圖中發(fā)現(xiàn)青鳉魚(yú)的運(yùn)動(dòng)特征會(huì)隨不同的銅離子濃度發(fā)生變化。圖15和圖16描述了6條青鳉魚(yú)在0、0.05、0.1、0.2、0.6、1 mg·L-16種銅離子濃度暴露實(shí)驗(yàn)中左胸鰭和尾鰭擺動(dòng)頻率變化，通過(guò)與人眼結(jié)果對(duì)比，算法可以有效地計(jì)算出實(shí)驗(yàn)結(jié)果，準(zhǔn)確率比較高，并且不同濃度下結(jié)果有所不同。圖17描述了整個(gè)算法單幀平均耗時(shí)，平均耗時(shí)在10～20 ms，可以保證實(shí)驗(yàn)的實(shí)時(shí)性。

3.3 實(shí)驗(yàn)討論

圖9 SVM和ANN執(zhí)行效率對(duì)比Fig. 9 SVM and ANN execution efficiency comparison

圖10 青鳉魚(yú)呼吸深度Fig. 10 Respiration depth of medaka

通過(guò)實(shí)驗(yàn)可以發(fā)現(xiàn)經(jīng)過(guò)不同濃度銅離子溶液毒性暴露實(shí)驗(yàn)，青鳉魚(yú)的生理特征和運(yùn)動(dòng)特征在不同時(shí)間段發(fā)生了不同的變化。在0 mg·L-1濃度狀況下青鳉魚(yú)的呼吸狀態(tài)是比較平穩(wěn)的，在不同時(shí)間段可能有較小幅度的變化。在0.05、0.1、0.2、0.6、1 mg·L-15 種含有銅離子溶液中，所有青鳉魚(yú)的呼吸頻率在一段時(shí)間內(nèi)會(huì)有一個(gè)下降的趨勢(shì)，下降的趨勢(shì)會(huì)隨著銅離子濃度的增大而加快，隨后的時(shí)間段內(nèi)，魚(yú)會(huì)以一個(gè)較低的呼吸頻率活動(dòng)一段時(shí)間，之后呼吸頻率出現(xiàn)回升的狀況，并且處于0.6 mg·L-1和1 mg·L-1銅離子濃度溶液中的呼吸頻率會(huì)更早地出現(xiàn)這種現(xiàn)象。有時(shí)候魚(yú)會(huì)在大幅度的呼吸幾次后，出現(xiàn)一個(gè)窒息的狀態(tài)，不同的魚(yú)在不同的時(shí)間段表現(xiàn)不同，有時(shí)低濃度溶液中也會(huì)發(fā)生長(zhǎng)時(shí)間的窒息，但高濃度的溶液中更容易也更早地發(fā)生這種狀態(tài)。

圖11 青鳉魚(yú)在不同銅離子濃度下呼吸頻率對(duì)比Fig. 11 Respiratory frequency comparison of medaka in different copper ion concentration

圖12 青鳉魚(yú)左胸鰭擺動(dòng)角度變化Fig. 12 Change of the left pectoral swing angle of medaka

圖13 青鳉魚(yú)右胸鰭擺動(dòng)角度變化Fig. 13 Change of the right pectoral swing angle of medaka

圖14 青鳉魚(yú)尾鰭擺動(dòng)角度變化Fig. 14 Change of tail swing angle of medaka

圖15 青鳉魚(yú)左胸鰭擺動(dòng)頻率變化Fig. 15 Change of left pectoral fin swing frequency of medaka

圖16 青鳉魚(yú)尾鰭擺動(dòng)頻率變化Fig. 16 Change of tail fin swing frequency of medaka

圖17 算法單幀平均耗時(shí)Fig. 17 Average time consuming of single frame of algorithm

在沒(méi)有銅離子溶液中青鳉魚(yú)胸鰭和尾鰭的平均擺動(dòng)頻率有時(shí)候會(huì)出現(xiàn)一個(gè)波動(dòng)的情況，但總體上趨于平緩，在有銅離子溶液中狀態(tài)會(huì)發(fā)生類似魚(yú)鰓呼吸頻率的情況。當(dāng)實(shí)驗(yàn)進(jìn)行到結(jié)束時(shí)，暴露于1 mg·L-1銅離子濃度實(shí)驗(yàn)溶液的青鳉魚(yú)的死亡率達(dá)到100%，這些魚(yú)在死亡前幾個(gè)小時(shí)的呼吸節(jié)奏都很高，且波動(dòng)幅度相對(duì)比初始階段要小。

通過(guò)使用算法得出的數(shù)據(jù)與觀察視頻回放人眼計(jì)算得出的結(jié)果，基本一致，誤差小于2%，準(zhǔn)確性高，并且完全滿足實(shí)時(shí)檢測(cè)的要求，保證了算法的可行性和實(shí)時(shí)性。有時(shí)候在不同濃度的溶液下的數(shù)據(jù)有可能相似，但總體上看，不同的濃度實(shí)驗(yàn)結(jié)果還是有明顯差別的。實(shí)驗(yàn)中會(huì)發(fā)生青鳉魚(yú)姿態(tài)不穩(wěn)定的情況，出現(xiàn)青鳉魚(yú)極速旋轉(zhuǎn)翻滾的現(xiàn)象，使得算法檢測(cè)不到魚(yú)鰓、胸鰭和尾鰭而失效，這是未來(lái)重點(diǎn)解決的問(wèn)題。

綜上所述，本文主要針對(duì)水環(huán)境監(jiān)測(cè)領(lǐng)域，以魚(yú)類模式生物青鳉魚(yú)為研究目標(biāo)，實(shí)現(xiàn)了基于機(jī)器視覺(jué)的青鳉魚(yú)生理特征(魚(yú)鰓)和運(yùn)動(dòng)特征(胸鰭和尾鰭)的實(shí)時(shí)識(shí)別。不同銅離子濃度的毒理實(shí)驗(yàn)中，得出的結(jié)果可以反映出青鳉魚(yú)在不同濃度銅離子溶液中生理和運(yùn)動(dòng)特征的變化。結(jié)果表明：本文的方法可以對(duì)青鳉魚(yú)的呼吸頻率、胸鰭和尾鰭擺動(dòng)頻率進(jìn)行有效檢測(cè)，能夠應(yīng)用于生物水質(zhì)監(jiān)測(cè)中，并為評(píng)定水環(huán)境的質(zhì)量提供重要參考。

[1] 王維, 紀(jì)枚, 蘇亞楠. 水質(zhì)評(píng)價(jià)研究進(jìn)展及水質(zhì)評(píng)價(jià)方法綜述[J]. 科技情報(bào)開(kāi)發(fā)與經(jīng)濟(jì), 2012, 22(13): 129-131

Wang W, Ji M, Su Y N. Reviews of the progress in the research of water quality evaluation and the methods for water quality evaluation [J]. Sci-Tech Information Development and Economy, 2012, 22(13): 129-131 (in Chinese)

[2] 楊培莎, 朱艷華. 水質(zhì)生物監(jiān)測(cè)方法及應(yīng)用展望[J]. 內(nèi)蒙古環(huán)境科學(xué), 2010, 22(2): 71-91

Yang P S, Zhu Y H. Water quality biological monitoring method and application prospect [J]. Inner Mongolian Environmental Sciences, 2010, 22(2): 71-91 (in Chinese)

[3] 劉偉成, 單樂(lè)州, 謝起浪, 等. 生物監(jiān)測(cè)在水環(huán)境污染監(jiān)測(cè)中的應(yīng)用[J]. 環(huán)境與健康雜志, 2008, 25(5): 456-459

Liu W C, Shan L Z, Xie Q L, et al. Application of biological monitoring in water pollution [J]. Journal of Environment and Health, 2008, 25(5): 456-459 (in Chinese)

[4] Gerhardt A, de Bisthoven L J, Mo Z, et al. Short-term responses ofOryziaslatipes(Pisces: Adrianichthyidae) andMacrobrachiumnipponense(Crustacea: Palaemonidae) to municipal and pharmaceutical waste water in Beijing, China: Survival, behavior, biochemical biomarkers [J]. Chemosphere, 2002, 47(1): 35-47

[5] Cairns Jr J, Thompson K W, Hendricks A C. Effects of fluctuating sublethal applications of heavy metal solutions upon the gill ventilatory response of bluegills (Lepomismacrochirus) EPA-600/3-81-003. [R]. Springfield, VA: National Technical Information Service, 1981

[6] 劉佼, 袁紅平. 基于人工神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)市場(chǎng)預(yù)警模型研究—以成都市為例[J]. 工程管理學(xué)報(bào), 2016, 30(2): 147-152

Liu J, Yuan H P. Research on early warning model of real estate market based on artificial neural network-taking Chengdu as an example [J]. Journal of Engineering Management, 2016, 30(2): 147-152 (in Chinese)

[7] Smola A J, Williamson R C. New support vector algorithms [J]. Neural Computation, 2000, 12(5): 1207-1245

[8] Blum H. Models for the Perception of Speech and Visual Form [M]. Cambridge: Weiant Wathen-Dunn, 1967

[9] 高文昀. 基于骨架的彩色圖像分割研究[D]. 合肥: 中國(guó)科學(xué)技術(shù)大學(xué), 2007

Gao W Y. Research on color image segmentation based on skeleton [D]. Hefei: University of Science and Technology of China, 2007 (in Chinese)

[10] 顏七笙, 王士同. 一種基于調(diào)節(jié)形態(tài)學(xué)的骨架提取算法[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2006, 23(3): 116-136

Yan Q S, Wang S T. A new skeletonization algorithm based on regulated morphology [J]. Computer Application and Software, 2006, 23(3): 116-136 (in Chinese)

[11] 耿彩英. 用于水質(zhì)監(jiān)測(cè)的活體魚(yú)視頻圖像理解[D]. 杭州: 杭州電子科技大學(xué), 2009: 12

Geng C Y. The video image understanding of live fish used for water quality monitoring [D]. Hangzhou: Hang- zhou Dianzi University, 2009: 12 (in Chinese)

[12] 應(yīng)曉芳. 基于機(jī)器視覺(jué)的魚(yú)體運(yùn)動(dòng)模型研究[D]. 杭州: 浙江工業(yè)大學(xué), 2009: 4.

Ying X F. Research on fish movement model based on machine vision [D]. Hangzhou: Zhejiang University of Technology, 2009: 4 (in Chinese)

[13] Satoru K, Takashi N, Masato O, et al. A computer image processing system for quantification of zebrafish behavior [J]. Journal of Neuroscience Methods, 2004, 134(1): 1-7

[14] Nimkerdphol K, Nakagawa M. Effect of sodium hypochlorite on zebrafish swimming behavior estimated by fractal dimension analysis [J]. Journal of Bioscience and Bioengineering, 2008, 105(5): 486-492

[15] Lee J H, Wu M Y, Guo Z C. A tank fish recognition and tracking system using computer vision techniques [C]. International Conference on Computer Science and Information Technology, 2010, 4: 528-532

[16] 張志杰, 張維平. 環(huán)境污染生物監(jiān)測(cè)與評(píng)價(jià)[M]. 北京: 中國(guó)環(huán)境科學(xué)出版社, 1991: 69

Zhang Z J, Zhang W P. Biological Monitoring and Evaluation of Environmental Pollution [M]. Beijing: China Environmental Science Press, 1991: 69 (in Chinese)

[17] 周振宇, 邵振洲, 施智平, 等. 基于機(jī)器視覺(jué)的魚(yú)類模式生物在線監(jiān)測(cè)技術(shù)方法研究[J]. 生態(tài)毒理學(xué)報(bào), 2016, 11(1): 217-224

Zhou Z Y, Shao Z Z, Shi Z P, et al. Study on the method of fish model organism on-line monitoring technology based on machine vision [J]. Asian Journal of Ecotoxicology, 2016, 11(1): 217-224 (in Chinese)