基于機器視覺的智能魚群健康狀況監測系統

關輝 許璐蕾

摘 要：近年來，基于無線傳感網的水產養殖監控系統發展迅速，這些系統雖然可實現魚塘水質的實時監測與調控，但無法對魚群的健康與異常狀況進行實時監測、識別及預警?；诖?，文中提出基于機器視覺的智能魚群健康狀況監測系統方案，介紹了系統的硬件與軟件設計思想。系統利用運動目標跟蹤算法對魚群游動的軌跡進行連續跟蹤，通過數據分析計算出魚群的流動速度、加速度及深度等運動參數，根據魚群運動參數的變化分析判斷出魚群生長環境的改變與健康狀況，從而實現水產養殖全過程的實時化與智能化。

關鍵詞：機器視覺;魚群;健康監測;運動目標跟蹤;實時化;智能化

中圖分類號：TP391文獻標識碼：A文章編號：2095-1302（2019）10-00-02

0 引 言

隨著人們生活水平的提高，水產品需求量逐年遞增。在漁業發展過程中，傳統的水產養殖多為粗放型生產模式，以人工觀察為主，養殖戶憑經驗管理魚塘，耗費了大量的時間、精力[1]。人工觀察加經驗判斷不利于精確、穩定、連續記錄，而且主觀性較強，存在誤判的可能，無法對水質變化做出及時有效的響應與決策，無法實時獲取水下魚群的健康狀況，容易導致由于調控不及時帶來的巨大財產損失。國家科技方面的中長期規劃中已經明確將“畜水產健康養殖”納入優先發展方向，水產養殖的自動化與智能化是其必然的發展趨勢。

隨著計算機網絡與物聯網技術的迅猛發展，物聯網技術被越來越多地應用于水產養殖領域。目前基于無線傳感網的水產養殖監控系統是研究與應用的熱點，這些系統雖然在智能化水質監測與調控中都取得了一定的成果，但缺少對魚群實時生長狀況監控及魚群健康狀況、異常情況的智能化識別，無法完全實現水產養殖的實時化與自動化[2]。

本文提出一種基于機器視覺的智能魚群健康狀況監測系統，在利用無線傳感網對魚塘水質情況進行實時監測的基礎上，增加了通過攝像頭自動監測養殖魚類，并采用運動目標跟蹤算法跟蹤魚塘中的魚群，獲取魚群游動的平均速度、加速度及深度。當監測到魚群運動的平均速度（加速度）或游動深度超出正常范圍時，說明魚群健康狀況出現了異常，自動通過計算機網絡向監控中心與用戶終端發出報警信號。

1 機器視覺系統設計

機器視覺又稱計算機視覺，是人工智能快速發展的一個分支。簡單來說，就是利用機器（攝像機、計算機等）代替人眼對目標進行識別、跟蹤及測量，從圖像中提取信息，并加以理解與處理，從而幫助人們進行判斷決策與控制[3]。

典型的機器視覺系統通常包括圖像捕獲、光源、圖像數字化模塊、數字圖像處理模塊、智能判斷決策模塊及機械控制執行模塊等。

本文系統主要由攝像機、無線數據傳輸系統、圖像采集處理系統、服務器、用戶終端等構成。系統整體結構如圖1所示。

1.1 攝像機

攝像機主要負責采集魚塘中魚群的運動圖像。由于水產養殖監測對距離有一定的要求，因此采用無線網絡攝像機實現視頻的采集與無線傳輸。

1.2 無線數據傳輸系統

無線數據傳輸系統主要實現魚群運動視頻的傳輸。通過無線路由器連接至安裝有圖像采集卡的服務器，利用無線局域網（WLAN）進行數據傳輸。

1.3 圖像采集處理系統

圖像采集處理系統主要負責對魚群運動圖像進行采集、加工、處理、特征提取、圖像識別與理解等。圖像經過處理后，既改善了視覺效果，又便于后續計算機對圖像進行分析、判斷與決策。硬件部分：在計算機上安裝圖像采集卡;圖像加工處理則主要依靠軟件。

1.4 服務器

利用圖像識別等技術對魚群進行檢測、跟蹤、分割、識別，并對魚群的游動速度（加速度）、活動范圍等運動參數進行分析，判別魚群健康狀態，在終端上顯示這些數據并存入數據庫，還可對異常狀況進行告警。

1.5 用戶終端

通過互聯網實現對服務器上存儲的魚群健康狀況數據進行遠程讀取，用戶可在任何時間、任何地點查看魚群健康數據。

2 軟件系統設計

智能魚群健康狀況監測系統的軟件部分主要包括視頻控制、視頻處理與數據分析三部分。

（1）視頻控制部分負責實時采集魚塘視頻圖像，攝像頭旋轉、變焦，視頻文件播放控制，抓圖錄像等。

（2）視頻處理部分負責對視頻圖像進行預處理，去除噪點，及魚群的檢測識別、運動跟蹤等。

（3）數據分析部分負責對魚群的游動速度、加速度、深度進行分析，記錄相關參數，從而判斷魚群健康狀況并做出預警。

同時，還可將相關數據存儲到數據庫以便用戶使用各種終端進行查詢。魚群健康狀況監測分析流程如圖2所示。

2.1 魚群運動跟蹤

要獲取水產養殖系統中魚群運動的相關參數，必須首先對攝像機拍攝的魚群進行自動化檢測、識別，利用運動目標跟蹤算法對魚群游動的軌跡進行連續跟蹤，通過對一系列連續圖像進行分析研究，計算出魚群在連續多幀圖像中的位移，并根據魚塘大小、攝像機位置、焦距等信息進一步獲取魚群游動的速度、加速度、深度等運動參數。

運動目標跟蹤技術是機器視覺領域中廣泛應用的關鍵技術，在人機交互、物體識別、視頻監控等方面作用顯著。MeanShift算法因其無需參數、計算量小，對目標變形、旋轉變化適應性強等特點得到廣泛研究與應用[4]，而CAMShift算法則在其基礎上增加了自適應大小功能[5]。這些傳統的目標跟蹤算法在提取目標顏色特征時容易受到背景的影響。例如，當目標中包含背景顏色信息時，傳統方法會將屬于背景的像素誤判為目標像素，從而引起跟蹤誤差，并且隨著誤差的積累加深，最終可能導致跟蹤失敗。

由于魚群在水中不停地游動，它們與攝像頭之間的距離和角度也不斷發生著變化，從而有可能出現重疊與遮擋。使用傳統的CAMShift算法可能導致目標誤判、跟蹤失效，因此，本文系統采用文獻[6]中提出的將非線性核密度估計和CAMShift相結合的抗遮擋目標跟蹤算法。首先選取非線性核密度估計方法對感興趣的魚群目標進行檢測，然后采用CAMShift算法對檢測到的目標進行跟蹤，并結合非線性核密度估計的檢測結果進行自適應更新，從而實現魚群目標的自動跟蹤與自動去除背景顏色。當魚群目標發生部分或全部遮擋時，通過發生遮擋前一幀跟蹤到的目標大小和位置預測下一幀的跟蹤框，從而較好地解決光照變化、陰影及遮擋對魚群運動跟蹤造成的影響。

2.2 魚群健康狀況監測分析

當魚群受到應激（如外來群種入侵、缺氧、饑餓、生病等）時，其游動速度與加速度都會發生較大突變。例如，缺氧情況下魚群游速會降低，游動位置會上移，需要經常浮頭來呼吸氧氣;外來群種入侵時魚群游速會加快，活躍程度顯著上升。因此，通過監測魚群游動速度（加速度）與深度的變化，就可分析判斷出魚類生長環境的改變與健康狀況。

魚群游動的速度（加速度）與深度等參數的變化可實時反映出魚群的健康狀況。本文系統周期性地獲取魚群游動的速度、加速度與深度等參數數據并存儲至數據庫。在系統中設定速度、加速度與深度的閾值，當魚群游動的速度、加速度超過閾值時可判定為魚群受到外來刺激;當魚群的游動深度低于閾值時，則可判定為缺氧;一旦魚群的游動參數出現異常，系統將通過聲、光等形式發出報警信號。用戶可通過智能手機、平板、電腦等終端隨時隨地讀取參數并獲取報警信息，并且判定魚類健康狀況時還可通過機器學習系統根據歷史特征數據對判定方法進行進一步優化，從而保證判定結果的準確性與穩定性。

3 結 語

本文設計的基于機器視覺的智能魚群健康狀況監測系統可對魚群由于外部或內部因素產生的異常行為進行長期、穩定、有效的監控與報警，從而起到實時監測魚類健康狀況的作用，有效避免人工觀察帶來的一系列弊端，為真正實現水產養殖全過程的實時化與智能化進行了一些有益探索。

參 考 文 獻

[1]唐啟升，丁曉明，劉世祿，等.我國水產養殖業綠色、可持續發展戰略與任務[J].中國漁業經濟，2014，32（1）：6-14.

[2]邢俊，李慶武，何飛佳，等.基于智能視覺物聯網的水產養殖監測系統[J].應用科技，2017，44（5）：46-51.

[3]百度百科.機器視覺[EB/OL].https：//baike.baidu.com/item/機器視覺/7414484？fr=aladdin.

[4]吳慧敏，鄭曉勢.改進的高效CAMShift跟蹤算法[J].計算機工程與應用，2009，45（27）：178-180.

[5] YANG C J，RAMANI D，DAVIS L.Efficient MeanShift tracking via a new similarity measure [C]// IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2005：176-183.

[6]劉超，惠晶.基于改進CAMShift的運動目標跟蹤算法[J].計算機工程與應用，2014，50（11）：149-153.

[7]徐龍香，李康，徐婷婷.基于深度特征的稀疏表示目標跟蹤算法[J].物聯網技術，2018，8（9）：39-41.

[8]肖江，陳想，丁亮.一種改進的MeanShift運動目標跟蹤算法[J].信息技術，2017（1）：127-130.

[9]郭金朋，戰蔭偉，李雪武. 基于SURF和Camshift的運動目標跟蹤[J].計算機工程與設計，2017，38（8）：2190-2193.

[10]袁永明，施珮.基于圖像處理的魚群運動監測方法研究[J].南方水產科學，2018（5）：109-114.