基于雙目視覺的水下魚類體長(zhǎng)陸基測(cè)量方法

摘要：無接觸式測(cè)量水中魚類體長(zhǎng)不會(huì)影響魚類正常生長(zhǎng)，測(cè)量效率高。通過置于水面之上的雙目相機(jī)，采集水下魚類的俯視圖像，采用結(jié)合對(duì)比度自適應(yīng)調(diào)整的GrabCut算法實(shí)現(xiàn)選擇性分割，使用骨架提取方法對(duì)魚體彎曲進(jìn)行矯直，矯正水體折射的影響，最后提取分割后魚類體長(zhǎng)測(cè)量點(diǎn)進(jìn)行體長(zhǎng)測(cè)量。試驗(yàn)結(jié)果表明，圖像分割算法較原始GrabCut算法在分割準(zhǔn)度上提高14.9%，過分割率降低23%，時(shí)間效率提高11.6%。魚體長(zhǎng)測(cè)量的平均相對(duì)誤差為0.91%，比未考慮折射情況下正確率提高0.37%。提出的無接觸式陸基測(cè)量方法滿足測(cè)量精度要求，比水下方式的魚體測(cè)量方法更準(zhǔn)確、便捷，也更適合于工程實(shí)施和應(yīng)用。

關(guān)鍵詞：雙目視覺；魚體長(zhǎng)測(cè)量；GrabCut分割；魚體彎曲矯直；水體折射

中圖分類號(hào)：S951.2

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2095-5553（2024）12-0087-07收稿日期：2023年5月14日

修回日期：2023年8月24日

*基金項(xiàng)目：湖北省重點(diǎn)研發(fā)計(jì)劃（2022BBA016）

第一作者：申陽，男，1983年生，河北邯鄲人，博士，講師；研究方向?yàn)檗r(nóng)業(yè)智能工廠化裝備。E-mail：shenyang3335@126.com

通訊作者：周明剛，男，1969年生，湖北荊門人，博士，教授，碩導(dǎo)；研究方向?yàn)檗r(nóng)機(jī)裝備。E-mail：13659840598@163.com

Land-based measurement method of underwater fish body length based on binocular vision

Shen Yang^{1， 2}， Shen Pingfeng¹， Zhu Hao¹， Zhou Minggang^{1， 2}， Wang Chongyu¹， Du Lingwei¹

（1. Research and Design Institute of Agricultural Machinery Engineering， Hubei University of Technology， Wuhan， 430068， China; 2. Hubei Agricultural Machinery Equipment Intelligent Engineering Technology Research Center， Wuhan， 430068， China）

Abstract： The traditional manual measurement method not only makes the fish suffer from stress， but also has low measurement efficiency， and the non-contact measurement method can serve these shortcomings well. In this study， the top view images of underwater fish are collected by a binocular camera placed above the water surface. The GrabCut algorithm combined with contrast adaptive adjustment is used to achieve selective segmentation. Skeleton extraction method is used to straighten the fish bending of the fish body， and correct the influence of water refraction. Finally， the fish’s body length measurement points after segmentation are extracted and measured. The experimental results show that compared with the original GrabCut algorithm， the proposed image segmentation algorithm improves the segmentation accuracy by 14.9%，

reduces the over-segmentation rate by 23%， and improves the time efficiency by 11.6%. The average relative error in the final measurement of fish body length is 0.91%， which is an improvement of 0.37% over the accuracy without considering refraction. The non-contact land-based measurement method proposed in this study meets the measurement accuracy requirements. It is more accurate and convenient than the underwater fish body measurement method， and is more suitable for engineering implementation and application.

Keywords： binocular vision; fish body length measurement; GrabCut segmentation; fish bending straightening; water refraction

0 引言

工廠化水產(chǎn)養(yǎng)殖以其綠色穩(wěn)態(tài)高效的優(yōu)點(diǎn)而成為水產(chǎn)養(yǎng)殖的重要發(fā)展方向。工廠化水產(chǎn)養(yǎng)殖中魚的體長(zhǎng)尺寸是魚的基礎(chǔ)生物信息，通過測(cè)量魚長(zhǎng)和面積可以估測(cè)魚的重量^{［1， 2］}、檢測(cè)魚的生長(zhǎng)狀況^［3］、實(shí)現(xiàn)魚類自動(dòng)分級(jí)、分揀^［4-6］，預(yù)測(cè)飼料投喂^［7］甚至預(yù)測(cè)魚的年齡、性別^［8］等。傳統(tǒng)的魚類體長(zhǎng)手工測(cè)量會(huì)對(duì)魚造成一定的損傷，甚至可能致魚死亡，且檢測(cè)過程費(fèi)時(shí)費(fèi)力，其結(jié)果容易受人主觀因素而導(dǎo)致精度低。一種快速、準(zhǔn)確的無接觸式測(cè)量方法應(yīng)用在魚的體長(zhǎng)測(cè)量上^［9-11］，不僅對(duì)魚不會(huì)造成傷害，而且可以做到實(shí)時(shí)獲取。

目前對(duì)于水中魚體尺寸測(cè)量已經(jīng)有一些研究。郭卜瑜等^［12］自行搭建平行式雙目視覺系統(tǒng)，該系統(tǒng)測(cè)量誤差在8%以內(nèi)，但未考慮魚體彎曲以及玻璃缸壁和水體折射。楊杰超等^［13］在養(yǎng)殖池中放置水下攝像頭和透明管道，誘導(dǎo)大黃魚進(jìn)入管道，通過攝像機(jī)采集魚體側(cè)面輪廓，再經(jīng)過閾值分割、圖像去噪等處理，確定大黃魚的尺寸測(cè)點(diǎn)，測(cè)量的大黃魚體長(zhǎng)相對(duì)誤差為0.3%。李艷君等^［14］搭建水下立體視覺測(cè)量系統(tǒng)，將帶有防水外殼的雙目相機(jī)置于水中，對(duì)魚體進(jìn)行三維重建、采用平面擬合和橢圓擬合方法處理點(diǎn)云，最后得到魚體尺寸，長(zhǎng)度測(cè)量平均相對(duì)誤差為4.7%，寬度測(cè)量平均相對(duì)誤差為9.2%。Savino等^［15］用兩臺(tái)攝像機(jī)進(jìn)行采集虹鱒魚數(shù)據(jù)，結(jié)果表明，魚長(zhǎng)度測(cè)量誤差為5%。Abe等^［16］提出了一種自動(dòng)測(cè)量小水箱中自由游動(dòng)魚苗長(zhǎng)度的方法，根據(jù)其形狀特征估計(jì)其魚鼻和尾鰭的位置，用三維空間中兩點(diǎn)之間的距離來測(cè)量長(zhǎng)度，誤差平均值為6.6%。

將相機(jī)置于水中測(cè)量，調(diào)整相機(jī)位置比較困難，且水下環(huán)境更為復(fù)雜，魚體遮擋、彎曲、成像角度影響圖像采集質(zhì)量，或者測(cè)量水族箱中的魚，雖然相機(jī)更容易操作，但魚的彎曲狀態(tài)、水體和玻璃的折射對(duì)測(cè)量影響較大。這些方法在工廠化養(yǎng)殖環(huán)境中實(shí)際應(yīng)用都很困難。本文基于雙目視覺技術(shù)，通過手持或固定于水上的雙目相機(jī)采集水下魚的俯視圖像，通過圖像處理算法得到魚的體長(zhǎng)。

1 試驗(yàn)平臺(tái)搭建

試驗(yàn)平臺(tái)由養(yǎng)殖桶、增氧泵、俯拍三角架、上位機(jī)、照明光源、RealSense D435相機(jī)構(gòu)成，如圖1所示。養(yǎng)殖桶的上口直徑為62 cm，下口直徑為46 cm，桶的高度為71 cm，其中桶內(nèi)水深為50 cm，相機(jī)到水面的高度可以任意調(diào)整。用該相機(jī)采集的圖像分辨率為640像素×480像素，可以滿足實(shí)際需求。

處理主機(jī)采用Intel（R） Core（TM） i5-7300HQ CPU @ 2.50 GHz，操作系統(tǒng)為64位的Windows 10系統(tǒng)，系統(tǒng)內(nèi)存為24 G。開發(fā)平臺(tái)為微軟公司的Visual Studio2019，測(cè)量算法由C++編寫。通過深度相機(jī)系列提供的realsense2.0軟件開發(fā)工具包，實(shí)現(xiàn)相機(jī)的開啟、關(guān)閉、深度數(shù)據(jù)與RGB數(shù)據(jù)對(duì)齊等操作。使用OpenCV計(jì)算機(jī)視覺庫(kù)完成圖像的保存、顯示、處理等圖像處理操作。試驗(yàn)對(duì)象為體型、顏色存在差異的鱸魚10條，體長(zhǎng)分布在250～320 mm。

2 陸基雙目視覺測(cè)量方法

2.1 圖像分割和測(cè)量點(diǎn)提取

2.1.1 對(duì)比度自適應(yīng)調(diào)整的GrabCut分割算法

GrabCut算法^［17-20］是一種基于圖論的交互式分割算法，交互操作少，分割精度高，但運(yùn)行時(shí)間較長(zhǎng)。分割采集水下魚的圖像，首先用矩形框選中要分割的魚，將矩形框中的像素作為未知像素，未被選擇的作為背景；接著生成初始的分割結(jié)果，所有的未知像素置于前景類，所有的背景像素置于背景類；然后分別對(duì)前景和背景建立高斯混合模型（GMM），對(duì)未知的像素標(biāo)記為可能的前景和背景，再通過迭代能量最小化分割算法進(jìn)行迭代，每次迭代都會(huì)使可能前景和可能背景的GMM的參數(shù)更優(yōu)，從而獲得更加準(zhǔn)確的前景和背景，迭代次數(shù)越多，結(jié)果越準(zhǔn)確。

由于光照和環(huán)境影響、選擇的前景中含有較多的背景時(shí)，會(huì)造成將背景分割成前景的錯(cuò)誤。為解決上述問題，提出一種對(duì)比度自適應(yīng)調(diào)整的算法進(jìn)行改進(jìn)。

首先復(fù)制RGB原圖并轉(zhuǎn)換成灰度圖；然后對(duì)灰度圖進(jìn)行線性拉伸，提高其對(duì)比度，突出圖像特征，如圖2所示。線性拉伸是一種圖像增強(qiáng)算法，將本圖像的灰度等級(jí)為 ［x₁，x₂］ 線性拉伸到整個(gè)灰度區(qū)間 ［y₁，y₂］，x₁，x₂，y₁，y₂ 為圖像變換前后的灰度區(qū)間數(shù)值。

Fig. 2 Image segmentation results

其中 x₁ 和 x₂ 由圖像像素獲得，整幅圖像的像素平均值為 X_mean， 最大值為 X_max， 最小值為 X_min。 令 x₁=X_mean－X_max+X_min/2， x₂=X_mean， 灰度空間為［0，255］，根據(jù)式（1）調(diào)整其對(duì)比度。

f（x）={y₁/x₁/xlt;x₁

y₂-y₁/x₂-x₁（x-x₁）+y₁/x₁≤x≤x₂

255-y₂/255-x₂（x-x₂）+y₂/xgt;x₂ （1）

然后將整體圖像的亮度提高，并且將RGB原圖像上的每一個(gè)像素的三個(gè)通道的值均設(shè)置為圖像處理之后的像素值，最后處理的結(jié)果如圖2（b）所示，之后經(jīng)過GrabCut算法得到分割圖像，將結(jié)果二值化后取反，如圖2（c）、圖2（d）所示，其算法改進(jìn)流程如圖3所示。

為驗(yàn)證采用結(jié)合對(duì)比度自適應(yīng)調(diào)整的GrabCut分割算法對(duì)于原始算法有所改進(jìn)，采用4個(gè)指標(biāo)評(píng)價(jià)改進(jìn)的算法好壞，分別是分割準(zhǔn)度、過分割率、欠分割率和時(shí)間效率。選取“一桶一魚”和“一桶多魚”的圖片100張，一共分割130次，GrabCut算法運(yùn)行迭代次數(shù)為1次。試驗(yàn)效果對(duì)比如圖4所示。

評(píng)價(jià)算法的分割準(zhǔn)度如式（2）所示。

F=（1+β²）PR/β²·P+R （2）

式中：P——準(zhǔn)確率， P=A₁∩A₂/A₁；

R——召回率， R=A₁∩A₂/A₂；

β——綜合評(píng)價(jià)指標(biāo)，取β=1；

A₁——手工分割得到魚的像素面積；

A₂——算法分割得到魚的像素面積。

過分割率：算法中將背景分割成目標(biāo)魚的像素面積比率，計(jì)算如式（3）所示。

OR=O_s/A₁+O_s （3）

式中： O_s ——

算法分割結(jié)果中與理論分割結(jié)果多分割的一部分像素， O_s=A₂-A₁∩A₂。

欠分割率：算法中將魚錯(cuò)誤分割成背景的像素的比率，計(jì)算如式（4）所示。

UR=U_s/A₁+O_s （4）

式中： U_s ——算法分割結(jié)果中與理論分割結(jié)果缺少的一部分像素， U_s=A₁-A₁∩A₂。

具體性能數(shù)據(jù)如表1所示。本文算法分割準(zhǔn)確度較原始GrabCut算法提高14.9%，過分割率降低23%，時(shí)間效率提高11.6%。其中欠分割率卻偏高4.6%，偏高主要是改變對(duì)比度后導(dǎo)致魚肚附近像素丟失。

2.1.2 測(cè)量點(diǎn)提取

在經(jīng)過分割之后圖像局部可能會(huì)有一些小的噪點(diǎn)，利用腐蝕和膨脹圖像處理操作，先腐蝕后膨脹，核的大小為3×3。選擇魚頭的一點(diǎn)和魚尾的一點(diǎn)作為測(cè)量點(diǎn)，連接兩點(diǎn)作為圖像中魚的長(zhǎng)度。這兩個(gè)測(cè)量點(diǎn)提取的步驟：如圖2（e）所示，首先用輪廓查找算法尋找分割后魚體輪廓的最小外接矩形，返回外接矩形的四個(gè)頂點(diǎn)，連接最小外接矩形的兩條短邊分別記為ab、cd；然后尋找直線ab與輪廓的交點(diǎn)e（u_e，v_e），直線cd與輪廓的交點(diǎn)f（u_f，v_f），連接ef，直線ef就是圖像中魚的長(zhǎng)度；最后，從深度圖中讀取e、f兩點(diǎn)的深度數(shù)據(jù)，經(jīng)過折射模型矯正，得到測(cè)量點(diǎn)的三維坐標(biāo) E（X_E，Y_E，Z_E） 和 F（X_F，Y_F，Z_F）， 根據(jù)歐拉距離公式（5），可以計(jì)算出魚的實(shí)際體長(zhǎng)L。

L=（X_E-X_F）²+（Y_E-Y_F）²+（Z_E-Z_F）² （5）

2.2 魚體彎曲檢測(cè)與矯直

對(duì)于彎曲的魚，提出一種檢測(cè)魚類彎曲并測(cè)量魚長(zhǎng)的方法。通過上述的分割算法和后續(xù)處理得到圖5（a），其中o為輪廓的最小外接矩形的中點(diǎn)，連接eo、of和ef。在Δeof中，根據(jù)余弦定理可以求出∠eof的大小，進(jìn)而求出∠eof的補(bǔ)角記為θ，將θ作為判斷魚是否處于彎曲狀態(tài)的參數(shù)。若魚彎曲，則點(diǎn)e、o、f不在一條直線上，可求圖5（a）的θ=16.9°；若魚是較為筆直的狀態(tài)，如圖2（e）所示，ef近似為一條經(jīng)過矩形中點(diǎn)的直線，求其θ=1.25°。通過給θ設(shè)置一個(gè)閾值，即可判斷魚是否彎曲。

處理魚體彎曲的輪廓圖片，使用骨架提取算法^［21］，即提取特征圖像的中軸線。這里采用Zhang^［22］細(xì)化算法進(jìn)行骨架提取，該算法具有計(jì)算速度快、曲線連通性等優(yōu)點(diǎn)。該算法是一種迭代算法，每一次迭代標(biāo)記非骨架點(diǎn)的像素，循環(huán)遍歷所有像素點(diǎn)，再對(duì)符合條件的像素進(jìn)行刪除，直到某一次迭代中沒有任何一個(gè)像素滿足條件，則迭代結(jié)束，得到的圖像則為細(xì)化后的二值圖像，其結(jié)果如圖5（b）的gh段所示。由于經(jīng)過圖像細(xì)化之后，圖像可能會(huì)有一些分支，這時(shí)需要去除毛刺^［23］，致使整張圖片只有兩個(gè)端點(diǎn)。

由于圖像細(xì)化后得到的中軸線兩端會(huì)有部分的缺失，因此找到曲線的兩個(gè)端點(diǎn)g、h。點(diǎn)e、f分別是輪廓與最小外接矩形的端點(diǎn)，連接eg、hf，即曲線eghf為魚在圖像上的長(zhǎng)度。求出曲線eghf的長(zhǎng)度，連接點(diǎn)e、f并延長(zhǎng)至點(diǎn)m，使直線em的長(zhǎng)度等于曲線eghf的長(zhǎng)度，如圖5（c）所示。最后將m（u_m，v_m）作為魚尾的測(cè)量點(diǎn)，e（u_e，v_e）作為魚頭的測(cè)量點(diǎn)，并且將原有的f點(diǎn)讀取的深度數(shù)據(jù)賦值給m點(diǎn)，即完成魚體的“矯直”，經(jīng)過折射矯正進(jìn)而求出魚彎曲時(shí)的體長(zhǎng)。

2.3 水體折射的矯正

水下光線傳播經(jīng)過水面和空氣兩種介質(zhì)，在水-空氣界面發(fā)生折射^{［24， 25］}，相較于同一點(diǎn)光線在空氣中到達(dá)相機(jī)成像平面的位置不同，光線傳播的途徑如圖6所示。

點(diǎn) P（X_w，Y_w，Z_w） 為三維空間的某一點(diǎn)， Q_a（x_a，y_a） 是光線未經(jīng)水體折射在成像平面的成像點(diǎn)，點(diǎn) Q_w（x_w，y_w） 是光線經(jīng)過水體折射在成像平面的成像點(diǎn)，兩點(diǎn)存在著一定的關(guān)系 Q_a=KQ_w， 根據(jù)幾何關(guān)系可知補(bǔ)償系數(shù)

K=Q_a/Q_w=h/Z+1-h/Z）tanβ/tanα （6）

式中：h——相機(jī)到水面的距離；

Z——相機(jī)測(cè)量讀出物體的距離；

β——光線入射角；

α——光線折射角。

由折射定律知

n_asinα=n_wsinβ （7）

式中： n_a ——光線在空氣中的折射率， n_a =1；

n_w ——光線在水中的折射率， n_w =1.33。

從采集的圖像上可以得出 sinα=x_w²+y²_w/x_w²+y_w²+f² （8）式中：f——相機(jī)的焦距。

由像素坐標(biāo)系和圖像坐標(biāo)系可知

{u=x/dx+u₀

v=y/dy+v₀ （9）

式中：dx、dy——像素坐標(biāo)系下的像素點(diǎn)在x軸和y軸在圖像坐標(biāo)系的物理尺寸；

u₀ 、 v₀ ——RGB相機(jī)的主點(diǎn)坐標(biāo)。

因此通過采集到的RGB圖像上的像素位置可以求出光線在某一點(diǎn)經(jīng)過折射后和未經(jīng)折射在成像平面的成像點(diǎn)的關(guān)系。對(duì)于雙目測(cè)量系統(tǒng)，考慮折射后的雙目系統(tǒng)模型如圖7所示。

P_a為空氣中測(cè)量的距離，P_w為經(jīng)折射后測(cè)量的距離。 ΔP_aQ_LQ_R 和 ΔP_aU_LU_R 相似，根據(jù)三角形相似定理可得式（10），即可求出P_a點(diǎn)的距離。

Z_a=B·f/d （10）

式中：B——兩相機(jī)之間的距離。

從圖7可以看出，對(duì)于同一距離成像平面的兩點(diǎn)，光線發(fā)生折射之后較在空氣中測(cè)量的距離將會(huì)變小，需要首先矯正測(cè)量距離。在圖像平面中的一點(diǎn)存在折射補(bǔ)償系數(shù)K，對(duì)于左相機(jī)的成像點(diǎn)有 x_l′=Kx_l， 對(duì)于右相機(jī)的成像點(diǎn)有 x_r′=Kx_r， 根據(jù)視差 d=K（x_l－x_r）， 修正后的距離為 Z′=B·f/Kd。 然后再次利用修正后的距離去計(jì)算圖像補(bǔ)償系數(shù)K_w，得到相機(jī)坐標(biāo)系和像素坐標(biāo)系之間的關(guān)系如式（11）所示。

{X_w=K_w（u-u₀）/f×Z_w

Y_w=K_w（v-v₀）/f×Z_w

Z_w=Z′ （11）

由此可以將圖像坐標(biāo)系下的2D坐標(biāo)轉(zhuǎn)化成相機(jī)坐標(biāo)系下的3D坐標(biāo)，通過空間距離公式，可以求出圖像上兩點(diǎn)在真實(shí)空間中的距離。

2.4 基于雙目視覺陸基測(cè)量方法

基于雙目視覺的水下魚類體長(zhǎng)陸基測(cè)量的方法整體流程如圖8所示。首先使用雙目相機(jī)采集數(shù)據(jù)對(duì)齊后的RGB圖像和深度圖像；采用對(duì)比度自適應(yīng)調(diào)整的GrabCut算法對(duì)RGB圖像進(jìn)行選擇性分割；然后判斷魚體是否彎曲，如果彎曲則使用骨架提取的方法對(duì)魚進(jìn)行矯直；接著提取魚體測(cè)量點(diǎn)，讀取測(cè)量點(diǎn)深度值，矯正水體折射的影響，最后計(jì)算出魚的體長(zhǎng)。

3 試驗(yàn)與分析

為驗(yàn)證相機(jī)離水面的距離不同時(shí)仍有較高的準(zhǔn)確性，試驗(yàn)分成3組，即RealSense D435雙目相機(jī)分別置于水面250 mm、350 mm、450 mm處進(jìn)行測(cè)量。其中養(yǎng)殖桶中的水深為500 mm，手工測(cè)量工具為卷尺。每組試驗(yàn)隨機(jī)選取鱸魚進(jìn)行測(cè)量，每條魚測(cè)量10次。其中一組數(shù)據(jù)為相機(jī)距離水面為250 mm時(shí)，每條魚測(cè)量10次后取平均值與手工測(cè)量結(jié)果相比較得到的相對(duì)誤差如表2所示。三組試驗(yàn)每條魚每次測(cè)量與手工測(cè)量相比得到的相對(duì)誤差的結(jié)果如圖9所示。

從表2可知，相機(jī)距離水面250 mm時(shí)，該組在考慮水體折射的情況下測(cè)量精度比未考慮水體折射條件提高了0.2%。從圖9可知，考慮折射后每條魚的平均相對(duì)誤差比未考慮折射的要小。相機(jī)距水面為250 mm時(shí)，10條魚的體長(zhǎng)平均相對(duì)誤差在未考慮折射后為1.18%，考慮折射的情況下為0.97%，故精度提高了0.21%；相機(jī)距水面為350 mm時(shí)，在未考慮折射后平均誤差為1.23%，考慮折射的情況下為0.86%，故精度提高了0.37%；相機(jī)距水面為450 mm時(shí)，在未考慮折射后平均誤差為1.43%，考慮折射的情況下為0.91%，故精度提高了0.52%。相機(jī)距離水面越遠(yuǎn)，測(cè)量誤差越大，但平均相對(duì)誤差均在2%之內(nèi)，單次測(cè)量誤差不超過4%，滿足測(cè)量要求。

4 結(jié)論

搭建基于雙目視覺的水下魚類體長(zhǎng)陸基測(cè)量系統(tǒng)，提出水下魚體體長(zhǎng)測(cè)量方法。考慮圖像分割不準(zhǔn)確、魚體彎曲、水體折射等因素對(duì)測(cè)量的影響，對(duì)養(yǎng)殖桶中不同顏色、不同大小的魚進(jìn)行測(cè)量。

1）雙目視覺系統(tǒng)在測(cè)量水下生物時(shí)，由于水體折射導(dǎo)致水下物體被放大，而相機(jī)測(cè)量水下物體的距離會(huì)偏小，考慮折射后魚體體長(zhǎng)測(cè)量精度有所提高。

2）提出結(jié)合對(duì)比度自適應(yīng)調(diào)整的方法進(jìn)行算法改進(jìn)，可以較大程度上減小環(huán)境光照的影響，相較原始GrabCut算法在準(zhǔn)確度、過分割率、時(shí)間效率上均有所提高，為后續(xù)的處理奠定基礎(chǔ)，同時(shí)可以進(jìn)行選擇性分割，增加人機(jī)交互性。

3）試驗(yàn)計(jì)算得到的結(jié)果與手工測(cè)量相比，平均相對(duì)誤差為0.91%，表明本研究提出的水下魚體體長(zhǎng)測(cè)量方法，準(zhǔn)確性較高。當(dāng)相機(jī)處于水面不同距離時(shí)，測(cè)量得到的平均相對(duì)誤差仍保持在2%之內(nèi)，單次測(cè)量最大誤差不超過4%。這說明該方法可以適應(yīng)手持相機(jī)動(dòng)態(tài)測(cè)量，相機(jī)到水面的距離對(duì)測(cè)量精度影響不大，該測(cè)量方法靈活、方便，便于工程實(shí)施和應(yīng)用。

本文不足之處是未考慮水下魚體重疊等更加復(fù)雜情況，后續(xù)還可以研究魚體長(zhǎng)和魚質(zhì)量的關(guān)系，通過該方法直接得到魚質(zhì)量，為工廠化、無人化養(yǎng)殖的生物量檢測(cè)提供參考。

參 考 文 獻(xiàn)

［1］ Balaban M O， Chombeau M， Cirban D， et al. Prediction of the weight of Alaskan pollock using image analysis ［J］. Journal of Food Science， 2010， 75（8）： E552-E556.

［2］ 余心杰， 吳雄飛， 王建平， 等. 基于機(jī)器視覺的大黃魚形態(tài)參數(shù)快速檢測(cè)方法［J］. 集成技術(shù)， 2014， 3（5）： 45-51.

Yu Xinjie， Wu Xiongfei， Wang Jianping， et al. Rapid detecting method for pseudosciaena crocea morphologicalpa rameters based on the machine vision ［J］.Journal of Integration Technology， 2014， 3（5）： 45-51.

［3］ Young B C， Alfaggeh R H， Almoutiri I. Growth， fry production， and cost analysis for sabaki tilapia production systems ［J］. North American Journal of Aquaculture， 2021， 83（4）： 290-293.

［4］ Costa C， Antonucci F， Boglione C， et al. Automated sorting for size， sex and skeletal anomalies of cultured seabass using external shape analysis ［J］. Aquacultural Engineering， 2013， 52： 58-64.

［5］ 張志強(qiáng)， 牛智有， 趙思明， 等. 基于機(jī)器視覺技術(shù)的淡水魚質(zhì)量分級(jí)［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2011， 27（2）： 350-354.

Zhang Zhiqiang， Niu Zhiyou， Zhao Siming， et al. Weight grading of freshwater fish based on computer vision ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2011， 27（2）： 350-354.

［6］ Hufschmied P， Fankhauser T， Pugovkin D. Automatic stress-free sorting of sturgeons inside culture tanks using image processing ［J］. Journal of Applied Ichthyology， 2011， 27（2）： 622-626.

［7］ Hu L， Zheng D， Qiao F， et al. Research on smart cast for fish cage aquaculture based on image processing ［C］. 2016 2nd Workshop on Advanced Research and Technology in Industry Applications （WARTIA-16）. Atlantis Press， 2016： 1322-1327.

［8］ Bermejo S. Fish age classification based on length， weight， sex and otolith morphological features ［J］. Fisheries Research， 2007， 84（2）： 270-274.

［9］ Hao M， Yu H， Li D. The measurement of fish size by machine vision-a review ［C］. Computer and Computing Technologies in Agriculture IX： 9th IFIP WG 5.14 International Conference， CCTA 2015， Beijing， China， September 27-30， 2015， Revised Selected Papers， Part Ⅱ 9. Springer International Publishing， 2016： 15-32.

［10］ 李振波， 趙遠(yuǎn)洋， 楊普， 等. 基于機(jī)器視覺的魚體長(zhǎng)度測(cè)量研究綜述［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2021， 52（S1）：207-218.

Li Zhenbo， Zhao Yuanyang， Yang Pu， et al. Review of research on fish body length measurement based on machine vision ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（S1）： 207-218.

［11］ 段延娥， 李道亮， 李振波， 等. 基于計(jì)算機(jī)視覺的水產(chǎn)動(dòng)物視覺特征測(cè)量研究綜述［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2015， 31（15）： 1-11.

Duan Yan’e， Li Daoliang， Li Zhenbo， et al. Review on visual characteristic measurement research of aquatic animalsbased on computer vision ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2015， 31（15）： 1-11.

［12］ 郭卜瑜， 于佳， 王姣姣， 等. 雙目視覺用于魚苗尺寸測(cè)量［J］. 光學(xué)技術(shù)， 2017， 43（2）： 153-157.

Guo Buyu， Yu Jia， Wang Jiaojiao， et al. Stereo vision for measuring the size of fish ［J］. Optical Technique， 2017， 43 （2）： 153-157.

［13］ 楊杰超， 許江淳， 陸萬榮， 等. 基于計(jì)算機(jī)視覺的大黃魚體尺測(cè)算與體質(zhì)量估測(cè)［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2018， 39（6）： 66-70.

Yang Jiechao， Xu Jiangchun， Lu Wanrong， et al. Computer vision-based body size measurement and weight estimation of large yellow croaker ［J］. Journal of Chinese Agricultural Mechanization， 2018， 39（6）： 66-70.

［14］ 李艷君， 黃康為， 項(xiàng)基. 基于立體視覺的動(dòng)態(tài)魚體尺寸測(cè)量［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2020， 36（21）： 220-226.

Li Yanjun， Huang Kangwei， Xiang Ji， et al. Measurement of dynamic fish dimension based on stereoscopic vision ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（21）： 220-226.

［15］ Savinov E， Ivashko E. Automatic contactless weighing of fish during experiments ［C］. 2021 Ivannikov Ispras Open Conference （ISPRAS）， 2021： 134-139.

［16］ Abe K， Miyake K， Habe H. Method for measuring length of free-swimming farmed fry by 3D monitoring ［J］. Sensors amp; Materials， 32（11）： 3595-3606.

［17］ 李巖， 吳孟男， 薛興倫. 應(yīng)用于剎車盤復(fù)雜背景去除的改進(jìn)GrabCut分割算法［J］. 機(jī)床與液壓， 2022， 50（5）： 74-79.

Li Yan， Wu Mengnan， Xue Xinglun. Improved GrabCut segmentation algorithm for removing thecomplex background of brake disc ［J］. Machine Tool amp; Hydraulics， 2022， 50（5）： 74-79.

［18］ 李幗， 曹蘇艷， 錢婷婷， 等. 基于改進(jìn)GrabCut算法的黃瓜植株圖像分割［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（3）： 159-165.

Li Guo， Cao Suyan， Qian Tingting， et al. Image segmentation of cucumber plants based on improved GrabCut algorithm ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（3）： 159-165.

［19］ 郭傳鑫， 李振波， 喬曦， 等. 基于融合顯著圖與GrabCut算法的水下海參圖像分割［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2015， 46（S1）： 147-152.

Guo Chuanxin， Li Zhenbo， Oiao Xi， et al. Image segmentation of underwater sea cucumber using GrabCut with saliency map ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2015， 46（S1）： 147-152.

［20］ Ye H， Liu C， Niu P. Cucumber appearance quality detection under complex background based on image processing ［J］. International Journal of Agricultural and Biological Engineering， 2018， 11（4）： 193-199.

［21］ 吳艷娟， 王健， 王云亮. 基于骨架提取算法的作物莖稈識(shí)別與定位方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（11）： 334-340.

Wu Yanjuan， Wang Jian， Wang Yunliang. Crop stem recognition and localization based on skeleton extraction algorithm ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（11）： 334-340.

［22］ Zhang T Y， Suen C Y. A fast parallel algorithm for thinning digital patterns ［J］. Communications of the ACM， 1984， 27（3）： 236-239.

［23］ Zhang T Y， Suen C Y. A fast parallel algorithm for thinning digital patterns ［J］. Communications of the ACM， 1984， 27（3）： 236-239.

［24］ 梅啟升， 王敏， 梁秀玲. 基于干涉條紋骨架的毛刺去除算法［J］. 應(yīng)用光學(xué)， 2020， 41（2）： 302-308.

Mei Qisheng， Wang Min， Liang Xiuling. Burr removal algorithm based on interference fringe skeleton ［J］. Journal of Applied Optics， 2020， 41（2）： 302-308.

［25］ 陳旭陽， 賀昱曜， 宗瑞良， 等. 基于光線折射模型的水下圖像轉(zhuǎn)換算法研究［J］. 西北工業(yè)大學(xué)學(xué)報(bào)， 2019， 37（3）： 471-478.

Chen Xuyang， He Yuyao， Zhong Ruiliang， et al. Study on underwater image conversion algorithm based onlight refraction model ［J］. Journal of Northwestern Polytechnical University， 2019， 37（3）： 471-478.