沈 蔚，朱振宏，張 進，曹正良，彭戰(zhàn)飛

(1 上海海洋大學海洋科學學院，上海河口海洋測繪工程技術研究中心，上海 201306；2 上海海洋大學海洋牧場工程技術研究中心，上海 201306)

水聲探測方法是當前進行水生生物研究的高效、快捷、可靠的方法，憑借其調查精度高、調查范圍廣、對環(huán)境無影響、對調查目標無損害等優(yōu)點，已大量應用到魚類資源的調查研究當中[1-3]。在進行魚類資源評估過程中，使用各類回聲探測儀獲取數據，并利用回聲積分、回波計數等方法對采集到的水聲數據進行處理與統(tǒng)計。近年來，已有大量研究人員在海洋、湖泊、河流、水庫等水域將水聲探測方法運用到魚類資源研究當中[4-8]。當前常用的水聲探測主要是對魚類目標資源密度、空間分布等進行研究，對于魚類目標運動軌跡追蹤、個體魚體信息提取等研究較少[9]。

雙頻識別聲吶(Dual-frequency Identification Sonar，DIDSON)能夠在渾濁、黑暗的水下環(huán)境顯示高清晰度的聲學圖像，廣泛應用于水下管道檢測、水下搜尋、水下安防等多個方面[10]。在漁業(yè)資源管理方面，DIDSON主要用于河流、湖泊、水庫等內陸水域的魚類洄游計數、行為觀測等。Han等[11-12]利用DIDSON嘗試對洄游魚類和養(yǎng)殖大型魚類進行計數和體長提??；Handegard等[13]利用低通濾波算法對DIDSON采集聲學數據中不同密度下的單個魚體目標進行識別；童劍鋒等[14-15]對DIDSON形成的聲學圖像進行初步研究，并用于溯河洄游幼香魚的計數；張進等[16]利用DIDSON對上海臨港滴水湖中魚類資源進行定量評估和空間分析；荊丹翔等[17]進行了基于識別聲吶的魚群目標檢測跟蹤及魚群在水下三維空間運行軌跡和分布研究。

Echoview是澳大利亞Echoview軟件公司開發(fā)的一款功能強大、應用靈活的水聲學數據處理軟件，經過多年發(fā)展，已被全球漁業(yè)和環(huán)境科學研究者作為研究漁業(yè)資源和海洋、淡水生態(tài)環(huán)境的重要手段之一。

本研究在相關研究基礎上，利用Echoview軟件結合人工判斷對DIDSON圖像數據進行魚類識別提取，其處理流程主要包括背景噪聲去除、魚類目標識別、目標屬性提取、目標運動軌跡追蹤，最終提取出所探測到的魚類目標及其個體體長信息，為后續(xù)更深入的魚體行為研究和魚類資源評估提供技術參考。

1 材料和方法

1.1 聲學儀器簡介

DIDSON由美國華盛頓大學應用物理實驗室研發(fā)，Sound Metrics公司制造，其成像原理是基于聲學透鏡組合對聲波進行壓縮聚焦，進而形成高清的聲學圖像數據。聲學透鏡在進行壓縮波束時消耗功耗少，易于發(fā)射和接收同一波束，提高了工作效率，也縮減了儀器的體積[15-16]。本研究所使用的標準型DIDSON有兩種工作模式，即探測模式和識別模式，分別對應儀器不同工作頻率，具體技術參數見表1。DIDSON在工作時可針對探測范圍內的觀測目標進行自動調焦，根據設置的最大觀測范圍自動調節(jié)其工作頻率，以保證觀測范圍內目標圖像的清晰度。

表1 DIDSON詳細技術參數

1.2 數據采集

試驗數據來自2019年5月份上海市某小型水庫魚類資源聲學調查項目，由小型調查船搭載DIDSON、GPS進行走航式采集，為避免噪聲對采集數據的干擾，將DIDSON聲吶探頭固定于船舷左前方遠離發(fā)動機部位，DIDSON換能器及安裝如圖1所示。采集數據使用DIDSON配套采集軟件DIDSON V5.24，同步記錄于采集筆記本電腦中，探測船速為4～5節(jié)，水面無較大風浪。

圖1 主機及安裝示意圖

2 魚類目標識別與提取方法

2.1 背景噪聲去除

在數據采集過程中，由于船只運行、移動產生噪聲及水中植被、懸浮物等對DIDSON數據產生干擾，使得在原始聲學數據中識別目標變得非常困難，故在聲吶數據的預處理階段，首要工作是將背景噪聲去除[18]。

首先使用Kovesi圖像去噪法將聲吶圖像中出現的隨機分布的斑點噪聲進行模糊化去除，斑點噪聲多由水中氣泡、浮游生物、樹枝等產生[19]，通過設定圖像最小波長、反向標準差等，在聲吶圖像去除噪聲的前提下保留圖像細節(jié)。其去噪效果如圖2b所示，其中，紅色標記為類魚體目標，與原始圖像圖2a對比發(fā)現，將聲吶圖像中小型斑點噪聲去除、水底植被等噪聲模糊化處理后，去噪效果較為明顯。

噪聲去除后，使用背景差分法將聲吶圖像中水體背景進行去除[20]。該算法假設水體靜止不動，首先從當前數據脈沖信號及其鄰近信號中進行統(tǒng)計分析，捕獲數據中存在的靜態(tài)背景元素；然后以該靜態(tài)背景元素中最低信噪比值作為閾值，從數據文件中減去該值。即可將數據中靜態(tài)背景進行去除，如式(1)所示：

|Ft(x,y)-Fb(x,y)|=Dt(x,y)

(1)

式中：Ft(x,y)表示圖像位置(x,y)的像素值；Fb(x,y) 表示圖像位置(x,y)的水體背景像素值；Dt(x,y)表示(x,y)位置的去除背景結果。圖2c為去除圖像背景效果圖，其水體背景、水底和產生的聲學陰影等都被去除。其中，紅色圓圈標注為類魚體目標，下方有多個懸浮斑點，推測判定為Kovesi算法遺留斑點噪聲或者水體小型浮游生物。

圖2 背景噪聲去除效果圖

2.2 魚類目標識別

對于DIDSON影像中魚類目標識別，基本原理是設定魚類目標回聲閾值區(qū)間i，并基于原始的回聲圖像創(chuàng)建一個新的多波束目標樣本值Gk，隨后判斷回聲圖像中每個像素值Hk(x,y)是否在閾值區(qū)間i當中，若在區(qū)間當中，即用創(chuàng)建的多波束目標樣本值Gk來代替或標注符合要求的像素值Hk(x,y)，從而實現聲吶圖像目標的識別。并在目標識別的基礎上，根據其回聲影像中像素值數據，得到其長度、面積、厚度等目標屬性，同時，可設定閾值來限定得出需要的目標屬性值[21]。

圖3a為DIDSON原始聲學影像數據，顯示為2個類魚類目標并有條帶狀聲學陰影出現；圖3b為在背景噪聲去除算法基礎上進行圖像目標識別，并使用藍色圓點標記得出類魚類目標；圖3c為在目標識別基礎上進行目標屬性閾值的限定，限定目標長度為5～120 cm范圍以內?？煽闯鲶w長較大個體被排除，僅顯示個體較小的魚類目標，與實際觀測結果相符。

圖3 DIDSON影像目標識別與屬性限定

2.3 目標運動軌跡追蹤

DIDSON聲吶圖像數據中實現魚類目標個體計數，關鍵是避免同一目標因出現在連續(xù)多幀圖像中而產生重復計數。需對魚類目標運動軌跡進行追蹤，即將在同一軌跡上的目標判定為同一條魚[22]。

在進行目標軌跡追蹤處理前，先將DIDSON每幀的影像數據拼接成連續(xù)的回聲圖像，在該回聲圖像中可觀測得出每條魚的運行軌跡、相對于波束主軸的運動角度等，后續(xù)的魚類目標的編輯、分析處理等都是基于該圖像進行。在Echoview軟件中可通過設定其過濾目標系數來改善影像拼接的效果。圖4為截取完成拼接后的回聲圖像。根據已有經驗，人工判讀圖中紅色標記標注部分多為魚類運行軌跡，在回聲圖中表現為多個連續(xù)的點狀個體排列連接形成線狀目標，標注之外的零散分布的點狀目標，多為預處理遺留噪聲、水中浮游生物或者DIDSON分辨率無法正確識別的較小魚類目標。

圖4 DIDSON影像拼接圖

DIDSON聲吶圖像數據拼接完成后，使用α-β軌跡追蹤算法對回聲圖像中魚體運動軌跡進行識別跟蹤，跟蹤結果以不同顏色的線條顯示，算法采用固定系數濾波的方法，選擇單個目標作為附加到軌跡中的候選對象，追蹤算法中對于位置和速度的變化分別由α和β兩個參數控制。其原理為：通過前一時刻的狀態(tài)量估計當前時刻的狀態(tài)量，然后與當前時刻的觀測量相對比。其算法方程如下所示[23]：

(2)

(3)

其中，位置和速度的預測值為：

(4)

(5)

3 計數與資源量評估

3.1 魚類目標計數

本次調查共采集14個文件，對應14個航段，數據處理過程中對每航段數據進行魚類目標計數和體長提取。首先基于目標運動軌跡追蹤實現魚類目標計數，將每條軌跡識別為一條魚，并同步記錄每條軌跡中心點處的經緯度坐標和所處深度。為了驗證目標計數的準確性，根據數據采集質量，選取4條航段聲吶數據，采用人工目視計數的方法進行驗證。人工目視計數是指將DIDSON影像數據進行慢速回放，通過人工判讀對影像中出現的魚類目標進行計數，統(tǒng)計對比結果見表2。

圖5 個體目標軌跡追蹤

表2 人工計數與軟件計數對比

從表2可以得出，人工目視計數與軟件自動計數結果偏差在10%以內，平均計數誤差為7.2%。該方法中個數統(tǒng)計存在偏差的原因有多個方面：一是出現較密集魚群時，追蹤得出的魚類運動軌跡會出現錯亂，導致追蹤結果出現重復計數等偏差；二是當魚類目標在靠近水底或在水草中游動時，會被錯判為水底或水中噪聲，從而排除在外；三是水中部分懸浮物其目標反射強度與魚體相近，被誤判為魚類等。

3.2 魚類體長提取

針對單個魚類目標，首先根據像素將同一運動軌跡上的每一幀圖像中魚體體長進行提取，然后對該目標運動軌跡上的所有體長數據進行統(tǒng)計判斷，由于魚運動姿態(tài)和方向各不相同，但魚類目標在水平方向運動時體長數據最大也最接近實際值，因此取測得的最大體長為該目標的體長。

由于成像聲吶自身分辨率問題以及走航式采集產生氣泡較多，因此體長較小魚類易與水中浮游生物、樹枝等噪聲混淆，在體長信息提取時對于平均體長小于5 cm的魚類目標忽略不計。圖6為提取出的魚體體長信息分布圖，魚體體長絕大部分集中于10～20 cm范圍內，占總數的40%以上；體長范圍在5～10 cm和20～50 cm的魚類目標也占比較多，接近總量的40%，60 cm以上魚類數量較少，占總量的5%左右。

3.3 魚類資源總量估算

根據目標計數統(tǒng)計結果，14條航段數據共統(tǒng)計得出魚類目標1 938尾。采用平面密度法對水庫內的魚類資源總量進行估算，首先根據每條航線探測到的魚類數量和儀器探測面積得出航線內魚類密度；其次將所有航線的平均魚類密度視為水庫魚類密度，根據水庫水域面積估算得出水庫魚類總數量。其計算公式如下：

(6)

(7)

(8)

N=ρ·S

(9)

式中：ni、si和ρi表示第i條測線的魚類數量(尾)、儀器探測面積(m2)和魚類密度(尾/m2)；li和ri表示第i條測線的探測長度(m)和提取出的平均水深(m)，公式(7)是通過儀器安裝角度和儀器探測范圍視角簡化得來；ρ視為水庫內的魚類平均密度(尾/m2)；n表示航線數量，此處為14；S、N分別表示水庫總面積(m2)和魚類資源總量(尾)。

本次調查探測航線總長度為17.19 km，平均水深4.26 m，經計算可得，航線內魚類目標平均密度約為0.052 9尾/m2。本次調查水庫水域面積為1.92 km2，因此，水域內魚類資源總數量N=101 568尾。

4 討論

4.1 DIDSON適用場景

DIDSON作為一款高清晰度的聲學攝像儀，其聲學影像數據能清晰、直觀地顯示出魚類形態(tài)、位置信息，與常規(guī)的科學魚探儀相比，具有更多的信息量、更直觀的圖形顯示等。沈蔚等[24]曾對DIDSON和科學魚探儀Biosonics DT-X進行比較分析，結果顯示兩類儀器評估出的魚類資源并沒有太大差距，但在淺水地帶DIDSON所受到的水中氣泡等因素的干擾更小，能較為方便地提取出魚類的體長信息，并進行魚類行為的觀測。

DIDSON具有較高的工作頻率，對于船速要求較高。張進[16]在研究中指出，一旦船速較快，采集到的魚體目標就會出現鋸齒狀輪廓，當速度降低時鋸齒狀特征就有明顯改善。在針對DIDSON聲吶圖像的諸多研究中[13,21]，多采用定點觀測進行數據采集，所采集到的數據質量較好，對于數據中噪聲的處理也較為簡單。因此，DIDSON更適用于在江河湖泊等淺水水域開展定點觀測，或搭載于無人船、小型測量船等進行慢速走航探測，對于風浪大、深度大的海洋魚類資源探測顯得力所不及。

4.2 聲吶圖像處理方法

針對DIDSON聲吶圖像噪聲去除，童劍鋒[15]采用3×3模板的中值濾波和高斯濾波結合進行圖像去噪和平滑處理；Kang[21]使用背景差分的方法，將一段沒有魚類目標的聲吶圖像作為子集，然后逐幀減去該背景進行噪聲去除，但面對走航采集的聲吶數據，圖像背景復雜，使用上述方法效果不佳。本研究采用Kovesi圖像去噪和背景差分相結合，去噪效果較為理想，但是將斑點噪聲模糊化的處理手段，也會使得一部分魚體信息模糊，尤其當魚體目標較小時，會被識別成斑點噪聲，降低了目標識別準確度，后續(xù)應將背景去除與運動軌跡相結合來改進算法，按照運動狀態(tài)來區(qū)分魚類目標和噪聲。

進行魚類目標運動軌跡追蹤是避免重復計數的必要手段，常見的目標追蹤方法有卡爾曼濾波、粒子濾波及其各種擴展算法等，本研究中采用的α-β軌跡追蹤對于離散目標識別準確度較高，但當目標成群出現時，多個運行軌跡相互交叉，會出現重復計數或少計數的問題。

4.3 資源量評估的影響因素

聲學數據采集時，由于試驗水庫水位較淺，船只在移動過程中產生的水流和噪聲都會對魚群產生驅趕，因此需要引入合理的驅趕系數。比如張信[25]通過同一水域的定點觀測和走航觀測得出的魚類密度比值來確定，也可以使用無人船搭載DIDSON進行探測，減少船只走航對魚的驅趕。同時，回聲探測儀普遍存在一定的探測盲區(qū)，使水面表層的魚類目標無法被探測到[26]。本研究使用船只較小，儀器吃水淺且傾斜安置，減小了儀器的探測盲區(qū)。在數據分析階段，李斌等[27-28]指出，為避免水底強反射信號干擾，在數據分析時需要將靠近水底部分信號進行刪除[27-28]。本研究中，DIDSON以與水平方向呈60°夾角的方式安裝，避免了水底強反射信號的干擾，減少對水底部分的剔除，也提高了探測到水底魚類目標的可能性。

5 結論

基于Echoview聲學數據后處理軟件及其相關算法，實現了從DIDSON聲吶數據中進行魚類目標識別、自動計數和體長信息提取，并通過與人工計數相對比的試驗得出該方法具有較高的統(tǒng)計精度。依據提取出的魚類目標數據并結合相關資源評估方法，可對水庫中的魚類資源進行評估。結果證明，DIDSON可以用于魚類識別與計數，尤其在淺水水域的魚類資源探測與管理方面具有非常廣闊的應用空間。