馬茵馳，韋 惟，周 超

(1.北京市水產(chǎn)科學(xué)研究所，北京 100068； 2.北京市環(huán)境保護科學(xué)研究院，北京 100037；3.北京農(nóng)業(yè)智能裝備技術(shù)研究中心，北京 100097)

錦鯉(Cyprinuscarpio)是極具觀賞性的養(yǎng)殖品種，體態(tài)優(yōu)美，色彩斑斕。在池塘養(yǎng)殖過程中，相同魚齡段、規(guī)格相似的錦鯉要集中養(yǎng)殖。同時，為便于分級篩選，養(yǎng)殖池塘在一個生產(chǎn)周期只投放一批數(shù)量確定且規(guī)格基本一致的錦鯉魚苗。隨著養(yǎng)殖進程的推進，由于健康狀態(tài)的差異及其他不確定因素，同一池塘錦鯉的體型規(guī)格和品相會產(chǎn)生一定程度的分化。此時需進行人工分選，將不同體型規(guī)格和品相的苗種進行篩分，分池養(yǎng)殖或淘汰部分低品質(zhì)苗種。此外，正常養(yǎng)殖過程中也會出現(xiàn)少量死亡損耗。因此，錦鯉的最終產(chǎn)量(出塘尾數(shù)及平均體質(zhì)量)需要不斷在養(yǎng)殖過程中分階段進行估算，以便評估養(yǎng)殖錦鯉的營養(yǎng)、健康狀況，制定合理的飼料投喂方案，以保障養(yǎng)殖錦鯉的品質(zhì)以及生產(chǎn)經(jīng)營安全[1]。目前，池塘養(yǎng)殖錦鯉在水下活動自由，且養(yǎng)殖水體透明度好壞不一，錦鯉養(yǎng)殖人員很難從水面上觀察到池塘中錦鯉的整體生長狀態(tài)[2]。通常，每日向池塘投喂飼料時，錦鯉會全部集中在投料點浮出水面進食。此時，養(yǎng)殖人員才能整體觀察到錦鯉的生長狀態(tài)，并對產(chǎn)量做出大致估算。觀測數(shù)據(jù)依賴養(yǎng)殖人員的判斷經(jīng)驗，準確性不高，且需要人工記錄和存檔[3]。為了得到更準確的錦鯉生長數(shù)據(jù)，有時還需要人工捕撈樣品魚，進行出水手工測量。這種操作方式費時費力，還容易使高價值的錦鯉受傷，造成經(jīng)濟損失[4]。

隨著現(xiàn)代信息技術(shù)和圖像處理技術(shù)的進步，基于光學(xué)圖像檢測技術(shù)的產(chǎn)品品質(zhì)無損檢測方法研究已經(jīng)取得了許多成果，并應(yīng)用于很多行業(yè)[5-10]。養(yǎng)殖到一定規(guī)格的錦鯉，體型呈紡錘形，頭部色彩鮮艷，輪廓分明，當(dāng)頭部浮出水面攝食時，其頭部圖像與水體背景具有較高的區(qū)分度。在錦鯉集中攝食狀態(tài)下，獲取攝食錦鯉群體的圖像，基本上能夠反映當(dāng)時養(yǎng)殖階段池塘內(nèi)全部健康錦鯉的數(shù)量和體質(zhì)量規(guī)格，且這些錦鯉的體質(zhì)量規(guī)格也基本接近。因此，通過對錦鯉攝食狀態(tài)圖像的計算機自動識別，提取錦鯉頭口部特征三角形數(shù)量和平均投影面積，使用MATLAB工具分析錦鯉體型、體質(zhì)量數(shù)據(jù)，建立錦鯉頭口部特征三角形投影面積與體質(zhì)量的相關(guān)性分析模型，實現(xiàn)池塘養(yǎng)殖錦鯉產(chǎn)量的估算，以期有效解決人工觀察和測量準確性不高、工作量煩瑣和操作風(fēng)險等問題。

1 材料和方法

1.1 方案設(shè)計

設(shè)計一套系統(tǒng)解決方案(圖1)，包括監(jiān)測終端硬件系統(tǒng)(圖2)和數(shù)據(jù)建模與分析軟件平臺：(1)使用高清CCD數(shù)字傳感器獲取錦鯉投喂點水面定時段實時、清晰圖像；(2)使用太陽能持續(xù)供電系統(tǒng)，為視頻采集和轉(zhuǎn)發(fā)提供持續(xù)供電；(3)GPRS遠程圖像傳輸、存儲、查看系統(tǒng)，實現(xiàn)養(yǎng)殖人員遠程查看、數(shù)據(jù)存儲和備份；(4)通過對攝食錦鯉圖像的計算機自動識別技術(shù)，提取錦鯉頭口部特征三角形數(shù)量及其平均投影面積；(5)MATLAB分析錦鯉體型、體質(zhì)量采樣數(shù)據(jù)，建立錦鯉頭口部特征三角形投影面積與體質(zhì)量的相關(guān)性分析模型，實現(xiàn)池塘養(yǎng)殖錦鯉產(chǎn)量的估算。

1.2 監(jiān)測終端硬件系統(tǒng)

圖像采集終端采用500萬像素CCD圖像傳感器，集成OV5647感光芯片，視場角75.7°，可以實現(xiàn)1 080 p高清圖像采集。通過GPRS通訊與服務(wù)器進行對時，在系統(tǒng)設(shè)定的錦鯉攝食時間自動啟動圖像采集控制器。設(shè)計一個半球形透明塑料防護罩，安裝于圖像傳感器鏡頭前，可明顯降低灰塵、水滴等環(huán)境因素對成像質(zhì)量的影響，同時也能有效降低鏡頭在安裝和使用過程中磕碰、損壞的風(fēng)險。

根據(jù)錦鯉養(yǎng)殖場制定的投喂飼料時間規(guī)定，通過遠程軟件平臺配置圖像采集終端參數(shù)，設(shè)定圖像采集工作時段，非工作時段圖像采集終端進入休眠狀態(tài)，降低功耗和數(shù)據(jù)存儲壓力，有效降低系統(tǒng)使用成本。

設(shè)計用于固定和架設(shè)圖像采集終端的不銹鋼機械結(jié)構(gòu)，通過豎直管道與水平管道之間的5個點位螺栓卡索結(jié)構(gòu)，可實現(xiàn)圖像采集終端監(jiān)測高度的5個檔位調(diào)整，進而實現(xiàn)在不同養(yǎng)殖生產(chǎn)操作時段，錦鯉養(yǎng)殖池塘水位變化后，圖像采集終端高度可由操作人員手動調(diào)整，以保證視場范圍可以覆蓋錦鯉集中攝食的整個水面區(qū)域。

圖像采集終端設(shè)計高速MicroSD存儲卡插槽，最大支持128 G的存儲空間，可實現(xiàn)圖像數(shù)據(jù)的快速存儲。存儲空間不足時，會報警提示給遠程軟件平臺，根據(jù)需要可導(dǎo)出圖像備份數(shù)據(jù)，否則圖像數(shù)據(jù)進行覆蓋存儲。圖像采集終端內(nèi)置GPRS數(shù)據(jù)轉(zhuǎn)發(fā)模塊和天線，配套運營商SIM卡，可使用GPRS流量數(shù)據(jù)服務(wù)，擺脫高速網(wǎng)絡(luò)接入的束縛，實現(xiàn)無線、全覆蓋的數(shù)據(jù)通信。由于高清圖像對高速無線數(shù)據(jù)通信的依賴，考慮到系統(tǒng)的使用成本和應(yīng)用需求，錦鯉攝食時段每間隔5 s自動采集圖像1次，并將其自動轉(zhuǎn)發(fā)至遠程軟件平臺，軟件平臺對一個攝食時段的圖像進行批量自動化處理和分析，將數(shù)據(jù)計算平均值作為估算結(jié)果反饋給養(yǎng)殖人員。

采用100 W單晶太陽能板、充電控制器和40 Ah鋰電池組成太陽能供電模塊，采用防水盒密封并進行保溫處理，以適合在戶外池塘邊長時間持續(xù)工作。該模塊足以保障圖像采集終端的數(shù)據(jù)采集、存儲和轉(zhuǎn)發(fā)工作在設(shè)定時間段內(nèi)持續(xù)、穩(wěn)定進行。在系統(tǒng)休眠狀態(tài)下，太陽能蓄電池可持續(xù)儲存電能，保障采集終端定時與遠程軟件平臺數(shù)據(jù)服務(wù)器準確對時以及系統(tǒng)低功耗休眠。無220 V電壓供電的工作模式也在最大程度上保障系統(tǒng)運行使用的安全性，擺脫供電電路布設(shè)難題，并降低系統(tǒng)運維成本。

1.3 數(shù)據(jù)建模與分析軟件平臺

1.3.1 特征提取 在飼料集中投喂時段，錦鯉集中浮出水面攝食，其狀態(tài)大多為頭口部位露出或接近水面，爭搶飼料。此時，圖像采集終端可快速采集高清的錦鯉攝食狀態(tài)圖像，錦鯉的頭口部位在二維圖像上表現(xiàn)為明顯的彩色半紡錘形結(jié)構(gòu)，這為計算機視覺算法的實現(xiàn)提供了基礎(chǔ)。算法設(shè)計的底層使用OpenCV開源計算機視覺算法庫，具體設(shè)計方案如下：

(1)將高清數(shù)字圖像轉(zhuǎn)為灰度圖像，首先拾取圖像邊緣水體背景像素的灰度，由于圖像采集過程中，光影會對水體背景像素的灰度造成不均勻的影響，為了盡可能減輕這種影響，便于將水體背景從圖像中去除，對其加入5%隨機噪聲，作為灰度分割閾值?；贠penCV提供的THRESHOLD函數(shù)，選擇閾值二值化分割算法，即規(guī)定某個閾值，當(dāng)像素灰度值大于這個閾值的時候為255，當(dāng)像素灰度值小于這個閾值的時候為0?；叶乳撝捣指钏惴▽⑸术r艷的所有錦鯉頭口部半紡錘形結(jié)構(gòu)從水體背景中提取出來，然后對結(jié)果圖像進行黑白二值化[11-12]。

(2)基于黑白二值圖提取所有輪廓線，輪廓提取采用Canny算法，其組合低閾值和高閾值2幅邊緣圖以生成最優(yōu)的輪廓圖，這種使用雙閾值得到二值圖像的策略稱為磁滯閾值化[13-14]。Canny算法是一種性能優(yōu)異的邊緣檢測算法，首先要對原始圖像進行灰度化，并對灰度圖像進行高斯濾波，然后用一階偏導(dǎo)的有限差分來計算梯度的幅值和方向，并對梯度幅值進行非極大值抑制，最后采用雙閾值進行檢測和連接邊緣。Canny算法不容易受噪聲干擾，能夠檢測到真正的弱邊緣。本研究選擇該算法進行輪廓提取可以有效檢測魚水交界處容易產(chǎn)生弱邊緣的情況。

(3)錦鯉色彩鮮艷，但其眼球在圖像中均呈現(xiàn)明顯的橢圓形黑色特征。算法在實際設(shè)計過程中是按照錦鯉魚齡來設(shè)置眼球間距閾值的，試驗用魚在1～2齡，眼球間距在1.5～2.0 cm，過小的眼球間距認為是2條重疊的魚相近的兩眼，過大的眼球間距認為是分屬2條魚。在實際采集的圖像中，對于兩側(cè)眼球均能清晰呈現(xiàn)在采集圖像上的錦鯉，基于灰度特征就可以實現(xiàn)眼球位置的準確提取。對于由于瞬時攝食姿態(tài)原因造成眼球特征未被采集到的情況，此時該錦鯉至少有一側(cè)的眼球會被清晰地采集到。同時，該眼球無法通過眼球間距閾值在已提取出的眼球位置點中找到配對眼球。缺失的眼球特征只能通過特殊方法進行補充。本研究算法中，通過輪廓線跟蹤的方式，首先找到已知眼球最近的輪廓點，按照眼球間距閾值范圍，沿輪廓線搜索，找到與已知眼球位置點距離在此閾值范圍內(nèi)的第1個輪廓邊緣點，作為缺失眼球的替代位置點。如果輪廓中出現(xiàn)2個以上的眼球特征，2個眼球間距在設(shè)定閾值外，則判定此處兩眼分屬2條錦鯉，并進行分割標記，完成圖像中所有錦鯉的眼球配對(圖3)。

(4)為消除張開的嘴部對幾何特征提取的影響，以雙眼之間的頭部輪廓線進行逐點跟蹤，計算每個輪廓點的輪廓切線斜率變化。設(shè)定變化量閾值，去掉張開的嘴角兩側(cè)斜率陡變的輪廓點及其之間的輪廓點，并重新連線兩斷點以閉合輪廓曲線。

(5)由于錦鯉頭部特征為沿眼球連線中垂線左右對稱，以每組兩側(cè)眼球及其位置連線中垂線與頭口部輪廓的交點為頂點，組成特征三角形，作為統(tǒng)計和數(shù)據(jù)建模的幾何參數(shù)(圖4)。

1.3.2 圖形學(xué)統(tǒng)計和計算 統(tǒng)計圖像中所有三角形的個數(shù)(Nkoi)，該數(shù)據(jù)作為錦鯉尾數(shù)的估算數(shù)據(jù)。在計算平均三角形面積時，針對每個三角形，設(shè)

(1)

式中：p—特征三角形半周長(cm)；a、b、c—特征三角形的三條邊長(cm)。

(2)

式中：S—二維圖像中提取的特征三角形面積(cm2)；p—特征三角形半周長(cm)；a、b、c—特征三角形的三條邊長(cm)。

二維圖像中提取的三角形面積與拍攝距離、圖像成像焦距呈比例關(guān)系，即

(3)

式中：Sreal—真實魚體頭口部特征三角形面積(cm2)；S—二維圖像中提取的特征三角形面積(cm2)；L—拍攝距離(cm)；f—圖像成像焦距(cm)。

在圖像采集終端的L和f值可以根據(jù)水面和現(xiàn)場條件調(diào)整固定為常數(shù)，設(shè)置到遠程軟件平臺的估算算法中，由程序自動計算真實魚體頭口部特征三角形平均面積：

(4)

1.3.3 數(shù)據(jù)分析與建模 錦鯉體型整體為紡錘形，健康生長的錦鯉，其頭身的比例和體長體寬的比例都比較規(guī)則。其頭部尺寸規(guī)格與整個魚體的尺寸規(guī)格以及體質(zhì)量具有良好的相關(guān)性[15-17]。將特征三角形的尺寸作為頭部尺寸的度量標準。1齡以下及體型太小的錦鯉小苗，攝食行為較弱，且眼球特征不明顯，不易被識別和提取，影響處理效果。試驗選取60尾1齡以上紅白、黃金和大正三色等色彩鮮艷的錦鯉品系。這些樣本經(jīng)過1～2次篩選后，體型特征比較規(guī)則，且紋理特征明顯。將稱質(zhì)量后的盛水白色塑料水槽置于電子秤上，將樣本錦鯉逐尾置于水槽中，讀取質(zhì)量數(shù)據(jù)，電子秤稱量精度為0.1 g，減掉盛水塑料水槽質(zhì)量后，得到樣本錦鯉實際體質(zhì)量[18]。在水槽口邊沿粘貼一條毫米刻度的軟皮尺，并使用數(shù)碼相機拍攝每條錦鯉和皮尺刻度在一張圖像上的頂視圖正射照片，在圖像上自動提取特征三角形邊長，并根據(jù)皮尺1 cm刻度在圖像上的長度作為參考[19]，計算特征三角形邊長的實際值，并計算每條錦鯉特征三角形的面積數(shù)據(jù)。將60尾錦鯉特征三角形面積數(shù)據(jù)和體質(zhì)量數(shù)據(jù)的采樣結(jié)果進行MATLAB相關(guān)性分析，建立錦鯉平均體質(zhì)量的估算分析模型(圖5)。

通過對比MATLAB對2項數(shù)據(jù)進行相關(guān)性分析的結(jié)果，指數(shù)擬合模型的決定系數(shù)R2達到0.965 1，說明2項數(shù)據(jù)通過該模型反映的相關(guān)性較好，因此，選擇該模型作為錦鯉平均體質(zhì)量的估算分析模型。

(5)

式中：Wtest—實測體質(zhì)量(g)；Stest—實測特征三角形面積(cm2)。

對同一項數(shù)據(jù)(平均體質(zhì)量或者數(shù)量)計算實測值與估算值之間差值的絕對值，并計算此絕對值與該項數(shù)據(jù)實測值的比值，作為評價該項數(shù)據(jù)估算誤差的量化指標：

(6)

式中：f—估算誤差；ρ1—估算值(平均體質(zhì)量或者數(shù)量)；ρ2—實測值(平均體質(zhì)量或者數(shù)量)。

2 結(jié)果與分析

2.1 試驗結(jié)果

選擇3個錦鯉養(yǎng)殖池塘，使用經(jīng)過2次篩選后1齡以上的商品魚，其中，1#池塘為57尾紅白錦鯉，2#池塘為39尾黃金錦鯉，3#池塘為37尾大正三色錦鯉。分別在2個投喂飼料時段(10:00和15:00)進行攝食圖像采集。每次采集的圖像傳送到遠程軟件平臺，篩選若干效果較好的數(shù)字高清圖像進行處理和分析，得到每個池塘錦鯉數(shù)量和平均體質(zhì)量的估算結(jié)果。同步進行人工拉網(wǎng)逐條稱質(zhì)量，記錄每條錦鯉的體質(zhì)量數(shù)據(jù)，并計算得到每個池塘養(yǎng)殖錦鯉的平均體質(zhì)量數(shù)據(jù)(表1)。

表1 實測結(jié)果與估算結(jié)果的比較Tab.1 Comparison of the measurement result and the estimation result

對實際出塘錦鯉的測量統(tǒng)計數(shù)據(jù)與估算結(jié)果數(shù)據(jù)進行估算誤差f計算，結(jié)果表明，該方法對池塘養(yǎng)殖錦鯉數(shù)量的估算誤差小于14%，對于平均體質(zhì)量的估算誤差小于12%。在日常錦鯉養(yǎng)殖的實際生產(chǎn)中，可以基本滿足應(yīng)用需求。

2.2 誤差分析

由于錦鯉在集中攝食行為發(fā)生時，絕大多數(shù)只有頭口部浮出水面，試驗在小型錦鯉養(yǎng)殖池塘開展，養(yǎng)殖管理條件較好，養(yǎng)殖密度適中，魚體都較為健康，個別錦鯉可以清晰地提取到整體背部輪廓，最大限度保證了采集到的圖像數(shù)據(jù)質(zhì)量。最終估算結(jié)果的誤差主要來自以下幾個方面：

(1)錦鯉頭口部特征三角形與其體質(zhì)量的相關(guān)性分析模型誤差，需要通過更準確的實際測量和更大量的采樣數(shù)據(jù)集來不斷優(yōu)化模型參數(shù)，提升模型精度[20]。

(2)圖像采集數(shù)據(jù)的誤差，包括在一個采集時段內(nèi)會有少量錦鯉的攝食狀態(tài)未被有效采集到，以及由于錦鯉在水面攝食瞬時姿態(tài)的原因?qū)е聜€別眼球特征缺失需要算法補充，造成部分錦鯉特征三角形提取的不準確。對于圖像中明顯出現(xiàn)的眼球特征，通過提取眼球特征輪廓，并以眼球輪廓的最大內(nèi)切圓圓心作為特征三角形頂點。對于缺失的眼球特征，設(shè)計了自動補充缺失眼球位置的算法，通過輪廓跟蹤和眼球間距閾值來自動化地在錦鯉頭口部輪廓線上找到輪廓點，作為缺失眼球特征中心位置點，并以該點作為特征三角形頂點。用以上2個頂點連接線的中垂線與頭口部輪廓線的交點作為特征三角形的第3個頂點。這3個自動化計算得到的點連線組成特征三角形。在數(shù)據(jù)建模階段對樣本錦鯉進行了人工輔助提取特征三角形操作，人工輔助提取方法不會出現(xiàn)圖像中眼球缺失的狀況，采用人工在圖像上標注特征三角形頂點與操作人的經(jīng)驗和常識有關(guān)。本試驗將人工輔助提取特征三角形的方法作為數(shù)據(jù)建模的標準方法，而通過本試驗自動提取算法建立的特征三角形與標準特征三角形必然存在一定誤差，特別是對于圖像中存在眼球缺失的錦鯉，需要算法自動補充進而建立特征三角形的情況，這種誤差會尤為明顯。通過一個示例簡單說明一下雙眼球特征完整和單一眼球缺失2種條件下，特征三角形自動提取與人工輔助提取的結(jié)果產(chǎn)生誤差的情況(圖6)。

通過計算，在這個示例中，錦鯉雙眼球完整圖像狀態(tài)下提取的特征三角形面積S2與人工輔助提取的特征三角形面積S1的誤差約為3%，相對標準特征三角形的準確度較好；錦鯉單一眼球缺失圖像狀態(tài)下，在缺失眼球一側(cè)的輪廓線上自動計算補充的眼球位置定位點與真實的眼球位置定位點存在一定偏差，這就導(dǎo)致提取的特征三角形發(fā)生變化，特征三角形面積S3與人工輔助提取的特征三角形面積S1的誤差約為7%，相對標準特征三角形的準確度下降。這種誤差有一定隨機性，但總體而言，當(dāng)錦鯉雙眼球特征均完整呈現(xiàn)在圖像中時，自動提取的特征三角形準確度比較好。

對于這種誤差，可以通過在一個采集時段內(nèi)盡可能多地獲取高質(zhì)量的圖像數(shù)據(jù)，進行批量篩選和分析，剔除異常數(shù)據(jù)，并進行均值處理，以盡量減小誤差。

(3)錦鯉浮出水面攝食，圖像采集時刻的成像平面并不絕對一致，導(dǎo)致拍攝距離參數(shù)并不絕對統(tǒng)一，使得特征三角形面積計算產(chǎn)生一定誤差，但該誤差在實際生產(chǎn)應(yīng)用中影響很小。

(4)在OpenCV計算機視覺算法以及數(shù)字圖像的矢量化運算過程中也會產(chǎn)生一定誤差，只能通過算法和軟件數(shù)據(jù)結(jié)構(gòu)的優(yōu)化來降低計算誤差。

此外，比較2項估算指標，平均體質(zhì)量的估算結(jié)果稍好于數(shù)量估算結(jié)果，主要原因在于：首先，在錦鯉攝食狀態(tài)圖像中提取特征三角形平均面積數(shù)據(jù)時，該數(shù)據(jù)并不會受到圖像中未被拍攝到的錦鯉數(shù)量的影響，只要保證出現(xiàn)在圖像中的特征三角形能夠被比較準確地提取出來即可，同時，連續(xù)多張圖像提取出的特征三角形在算法中被均值處理，進一步減小了特征三角形平均面積計算的誤差；其次，在指數(shù)模型建立時，大量采樣數(shù)據(jù)的標準化處理和相關(guān)性分析也在一定程度上減小了平均體質(zhì)量估算的誤差，但錦鯉攝食狀態(tài)圖像中未被拍攝到的錦鯉數(shù)量，即使在多張連續(xù)圖像采集狀況下，仍會對最終的數(shù)量估算結(jié)果產(chǎn)生直接影響。

3 結(jié)論與討論

本研究針對錦鯉生理特征及攝食行為的生物學(xué)特性，通過對采樣試驗數(shù)據(jù)開展相關(guān)性分析，建立了錦鯉頭口部幾何特征與體質(zhì)量的指數(shù)擬合模型，模型擬合度較高。同時，結(jié)合計算機視覺和圖像圖形學(xué)方法，自動化提取錦鯉攝食狀態(tài)圖像中的幾何特征并進行數(shù)學(xué)計算。設(shè)計并實現(xiàn)了一套池塘養(yǎng)殖錦鯉非接觸式的產(chǎn)量估算方法，可以有效解決在傳統(tǒng)錦鯉池塘養(yǎng)殖過程中人工觀察或者采樣測量帶來的不確定性、操作困難及風(fēng)險。大量自動化采集和存儲的錦鯉攝食狀態(tài)圖像可以為養(yǎng)殖或科研人員提供針對池塘養(yǎng)殖錦鯉生理、行為特征分析研究的數(shù)據(jù)基礎(chǔ)。該方法較傳統(tǒng)錦鯉產(chǎn)量估算方法更具科學(xué)性、客觀性和準確性，對錦鯉池塘養(yǎng)殖行業(yè)的日常工作和管理具有較高的指導(dǎo)意義。本研究設(shè)計的方法對于條件較好的錦鯉養(yǎng)殖池塘效果比較理想，但對于設(shè)施化條件較差、養(yǎng)殖環(huán)境較復(fù)雜的錦鯉養(yǎng)殖池塘，效果會受到一定影響，今后需要繼續(xù)研究和改進。