海洋牧場養殖網箱的智能化檢測方法研究

江思描，歐笛聲

（廣西科技大學，廣西 柳州 545000）

隨著近年來我國人民生活水平的不斷提高，人們對水產品的需求逐漸上升，在自然資源消耗量上也不斷增加，水產品缺口也不斷擴大，如何修復生態環境，固定水土資源是優化發展空間的主要方法。在水產養殖領域內，采用深海養殖模式可以為全球漁業的規模化發展提供良好的基礎。網箱養殖方式相比傳統的養殖手段其周期更短，且養殖的資金收益相對更快，后續的捕撈、管理等工作可以具有更高的推廣價值，逐漸得到了漁民的認可。但是，考慮到海上養殖狀態的監測難度相對較大，傳統的網箱檢測方法無法及時發現問題，問題的反饋也會因此受到較大的影響，加強網箱養殖的智能化檢測，可以提升養殖魚群的健康程度，減少魚群逃逸問題的發生，進一步加強網箱養殖的管理效率。

1 網箱養殖智能化檢測方法

魚群的識別以及檢測在很大程度上無法通過傳統的傳感器直接觀測，也無法通過設備進行目標的精確識別，傳統的目標識別效果在很大程度上會受到多方面因素的影響。基于機器視覺的網箱養殖監測，可以精確判定不同網箱以及魚群的特點。

目前，主流的目標識別以及檢測算法主要為目標識別技術對網箱養殖區進行定位處理，后續通過一系列算法完成檢測過程。在目標識別算法應用的過程中，計算機視覺領域內采用目標識別工具可以作為廣泛化的研究方向提升研究效果。現有技術中，目標識別算法主要包括圈定對象、識別建議目標、提取建議目標特征、特征分類處理與檢測。在傳統的數字化圖像處理技術應用過程中，由于實際的計算量相對較大，并且識別效率受到多方面因素的限制，實際的檢測精確度以及識別效果還有待進一步提高。

目前，廣泛采用的目標識別算法均通過深度學習的方式進行構建，人工智能技術的發展提升了深度學習的效果，各類新型的神經網絡模型在很大程度上提升了識別的效果，檢測的精確度不斷優化，大部分訓練完成的網絡模型可以按照識別的需求實現精確度的提高，相比傳統的人工識別方式具有更高的精確度，相對誤差更小。

1.1 R-CNN 算法

R-CNN 算法逐漸形成了以傳統目標檢測的基本步驟融合的方向，在深度網絡模型中，R-CNN 可以基于深度網絡對圖像的特征點進行精確識別，且在該過程中，網絡模型識別的準確度相對較高，未來檢測算法屬于新的發展方向，并且在各類識別領域內有著極為廣泛的應用，候選目標識別的準確度能夠滿足區域應用的需求。在特征提取后，由于大量的計算需要消耗時間，并且R-CNN網絡應用過程中的檢測速度也可以在大樣本數據基礎上實現自主訓練，通過在特征圖上選定候選區的方式提升算法識別與檢測的效率。

1.2 SSD 算法

SSD 目標監測算法誕生于2016 年，SSD 算法的識別檢測效率顯著優于R-CNN，是目前計算機視覺目標檢測技術算法中基于Single shot 框架構建的分類任務以及檢測框，在回歸任務統一化分析的過程中，基于同一個網絡模型減少時間成本的投入。

SSD 算法基于VGG-16net 骨干網絡進行改進和優化，通過全連接層轉變為卷積層的方式刪除原始算法中Dropout 層以及其全鏈接，并且通過改進池化層的大小對卷積層進行多尺度抽取，構造多個相似度標準化的檢測框，確保檢測到的目標與檢測結果具有較高的匹配度。

1.3 YOLO 算法

YOLO網絡模型是基于Single Shot類型的網絡結構，其本身集成了定位以及數據分類的基本功能，在數據輸入以及輸出的過程中可以直接進行數據處理。輸入層在輸入數據圖片后，可以對具有目標識別邊界位置上的檢測內容進行判斷。YOLO 本身屬于性能逐漸優化的網絡結構，其中包括19 個卷積層以及5 個最大池化層，在計算量降低的背景下相比VGG 網絡具有更加優秀的效果。算法本身在改進優化階段可以對骨干網絡結構進行調整和管理，并且基于多尺度目標特征的識別方法構建更高效率以及精確性能的網絡模型，計算量相對較少實際的性能表現更加優秀，其結構組成也更加精簡，并且負載以及數據冗余更低。

1.4 邊緣檢測算法

在圖像識別以及自動化處理領域內，邊緣檢測屬于圖像處理中相對基礎的任務內容，通過合理的邊緣信息檢測可以直接對目標物體進行信息的讀取，并且邊緣特征判斷目標物體。在邊緣檢測的過程中可以通過Canny算子進行檢驗，按照圖片像素的梯度數據以及方向內容實現非極大值的抑制效果，任意一個邊緣內的像素點通過雙閾值約束處理之后可以對各個邊緣點進行標記，從而按照邊緣點的非極大值抑制效果確定特征，并提取特征的二元坐標參數，完成邊緣檢測的過程。

2 網箱養殖的智能化檢測方法

2.1 網箱識別

通過布置無人機巡檢的方式穿越網箱養殖區域，在提取圖像數據信息后，需要對魚群狀態進行精確檢驗。利用圖像邊緣特征檢驗算法，對目標進行定義。在養殖區域內網箱數據中檢測目標單一，且背景的存在對邊緣檢測會產生較大的負面影響，考慮到海浪、光線、顏色等其他物體的影響，具體實施過程中考慮HED 深度神經網絡對網箱的邊緣進行檢驗，檢驗完成后，得到的圖像進行灰度化處理，并識別和提取對應的特征信息。最初提取得到的網箱為二值圖，并且在養殖區域內可以對二值圖的顏色進行二次提取，并且根據初始圖像數據對網箱內各個連通區域進行選擇反向處理。另外，考慮到網箱內的連通空間與邊界都可能存在噪聲點，消除這些噪聲點應該設定合適的預閾值，分析閾值與連通空間內符合要求的養殖區域，計算連通區域的像素面積完成網箱區域的提取。

2.2 養殖區域內的觀測

養殖區域內的觀測需要對安排無人機對養殖區域內進行視頻圖像數據的提取，可以通過安排無人機對區域內進行巡檢處理，無人機設備搭載像素在1920×1080的攝像設備對現場進行視頻數據采集，為了確保實驗數據的準確性以及多樣性，在數據采集的過程中，無人機會發生距離、角度以及高度的改變，此時，通過數據統一化處理后在終端內進行圖像數據的分割，通過OpenCV 將視頻分割成多條圖片數據，并且為了減少數據高度的重復問題，可以采用PIV 現場檢測流實現多幀圖像的存儲。

2.3 提取養殖區域

將網箱養殖區域的圖像輸入Matlab 建模軟件中，基于Canny 算子以及HED 神經網絡進行圖像的邊緣檢測。在該過程中，由于實際養殖區域數據提取不需要進行目標檢測，因此不需要對網絡進行二次訓練處理，僅采用原有網絡的模型進行處理。將圖片數據標注后進行數據集的整理制作，按照VOC2007 的數據結構將數據分Annotations、ImageSets、JPEGImages、Labels 四 個部分，其中Annotations 內容為數據標注的.xml 格式信息，包括標注框的位置和目標類別名稱；ImagesSets是將標注的數據按比具體實施過程中，canny 算子在默認的閾值條件下進行邊緣檢驗，如果邊緣線段的連續性不足，會由于海面波紋以及光照條件的影響導致網箱結構出現較為嚴重的邊緣冗余問題，連通域的表現不夠清晰，此時，需要對網箱數據進行二值化處理，反選圖像區域進行噪點剔除。

2.4 網箱養殖區域識別與監測

為了判斷網箱養殖區域內魚群的健康狀態，可以通過魚群流場信息的識別判斷魚群的健康狀態。具體應用過程中，可以采用PIV 粒子測速方法判斷流體的運動速度。這種方法相比傳統的魚群健康狀態監測，有著更加優秀的效果和應用處理質量，非接觸式測量方法可以精確判定流體的運動效果，并且通過強脈沖光纖對示蹤粒子的圖像數據進行精確分析，短時間內曝光圖像數據信息內容，并通過圖像處理技術對例子圖像進行二次分析和處理，確定多組例子在一定時間內的位移情況以及運動方向，得到的矢量數據可以作為判斷流場信息的基本條件。基于PIV 例子測量技術算法可以按照3 幀圖像保存為1 幀的方式進行，按照前后保存的多幀圖像確定流場的運動速度，實現對網箱養殖區域內魚群流暢信息的精確觀測和識別。

3 結語

隨著智能化以及自動化養殖技術的不斷進步，新型自動化養殖技術的全面普及不僅可以提高養殖效率，也可以提升養殖企業的生產經濟效益，減少人力物力的投入。網箱養殖是目前海洋區域養殖的主要手段，傳統的檢測方法過于局限，通過智能化檢測技術可以大大提升網箱養殖的監測效果。通過無人機視頻提取作為基礎，采用各類特征檢測算法提取網箱特征以及魚群運動特征，可以解決圖像背景光復雜以及對比度較低的現實問題，可以提升信息占比處理效率，符合海上網箱養殖的特點，具有廣泛的應用前景。