基于計算機(jī)視覺的魚類攝食行為研究現(xiàn)狀及展望

張重陽 陳明

摘要：隨著工廠化循環(huán)水養(yǎng)殖業(yè)的不斷發(fā)展，借助計算機(jī)視覺技術(shù)研究魚類的攝食行為已逐漸成為魚類行為學(xué)研究的熱點課題。本文在對相關(guān)文獻(xiàn)調(diào)研的基礎(chǔ)上，根據(jù)視覺特性從動態(tài)和靜態(tài)2個方面圍繞目標(biāo)檢測、目標(biāo)跟蹤、尺寸測量、形狀分析、質(zhì)量估計、紋理分析和顏色判定等多個方面詳細(xì)分析了計算機(jī)視覺在魚類攝食行為研究方面的國內(nèi)外研究現(xiàn)狀;同時，分析了利用計算機(jī)視覺技術(shù)研究魚類行為對精細(xì)化養(yǎng)殖帶來的機(jī)遇和挑戰(zhàn)，并給出了今后在高精度檢測和活躍性等方面的研究趨勢和發(fā)展方向。

關(guān)鍵詞：計算機(jī)視覺;魚類攝食;特征提取;目標(biāo)跟蹤;水產(chǎn)養(yǎng)殖

中圖分類號： TP391.4 ?文獻(xiàn)標(biāo)志碼： A ?文章編號：1002-1302（2020）24-0031-06

水產(chǎn)養(yǎng)殖是我國農(nóng)業(yè)生產(chǎn)的重要組成部分，近年來，工廠化水產(chǎn)養(yǎng)殖取得了快速的發(fā)展。據(jù)2019年中國漁業(yè)統(tǒng)計年鑒資料，2018年水產(chǎn)品總產(chǎn)量比2017年上升1.9百分點，達(dá)6457.66萬t，其中養(yǎng)殖產(chǎn)量約占77.29%，成為世界上唯一的養(yǎng)殖量超過捕撈量的國家[1]。水產(chǎn)動物的視覺屬性不僅可以反映其生長狀況，也是養(yǎng)殖者進(jìn)行水環(huán)境監(jiān)測、精準(zhǔn)投喂和提高生產(chǎn)效率的主要信息來源[2]。傳統(tǒng)的人工投喂方式不僅易受經(jīng)驗、習(xí)慣和偏好等因素的影響，且會因餌料的浪費和水質(zhì)污染降低其經(jīng)濟(jì)效益[2]。隨著循環(huán)養(yǎng)殖業(yè)的快速發(fā)展，通過計算機(jī)視覺技術(shù)對魚類的攝食行為進(jìn)行檢測，不僅可以增加養(yǎng)殖效益，避免水體污染，而且可以降低生產(chǎn)成本，從而達(dá)到精細(xì)化養(yǎng)殖。

計算機(jī)視覺技術(shù)起源于20世紀(jì)50年代，近年來，因其經(jīng)濟(jì)、快速、客觀和高精度檢測的優(yōu)點，已在魚類尺寸、形狀、體色和疾病診斷等水產(chǎn)動物屬性研究領(lǐng)域取得多項突破[3]。使用計算機(jī)視覺技術(shù)對魚類攝食圖像進(jìn)行研究，可以大幅度提高工作效率，實現(xiàn)準(zhǔn)確、連續(xù)、長時間的檢測和獲取魚類攝食行為參數(shù)，為水產(chǎn)精細(xì)化養(yǎng)殖、優(yōu)化水體環(huán)境和提高養(yǎng)殖效益提供了保證[2，4]。本文擬通過對國內(nèi)外計算機(jī)視覺在魚類行為學(xué)方面的研究和分析，以期促進(jìn)該技術(shù)在我國的應(yīng)用和發(fā)展。

基于計算機(jī)視覺技術(shù)的魚類攝食行為量化是水產(chǎn)養(yǎng)殖研究中最直接和最有效的方法[5]，其核心思想是通過計算機(jī)手段對攝食圖像進(jìn)行特征提取和量化，根據(jù)量化結(jié)果對魚群的飽食程度進(jìn)行估算和操作[6]。利用計算機(jī)視覺進(jìn)行攝食行為的量化，對改善水質(zhì)環(huán)境和提升水產(chǎn)養(yǎng)殖的經(jīng)濟(jì)效益具有非常重要的意義[7-8]。面向魚類行為特征的研究可以分為基于動態(tài)特征和靜態(tài)特征2個方面，動態(tài)特征主要是根據(jù)魚群的游動軌跡分析攝食時的面積輪廓、空間位置、游動速度和方向等信息;而靜態(tài)特征是通過分析圖像的紋理、形狀、顏色和尺寸等特征，對魚群的狀態(tài)和強(qiáng)度進(jìn)行識別分類。

1 基于計算機(jī)視覺的魚類攝食行為動態(tài)特征的研究現(xiàn)狀 ?動態(tài)特征屬于生物特征的一種，在一定時間內(nèi)具有獨特性和穩(wěn)定性。魚類攝食行為的動態(tài)特征分析是指對3D視頻圖像運動區(qū)域中的目標(biāo)對象進(jìn)行檢測和跟蹤，通過檢測魚群的運動方向、速度和位置的變化對攝食狀況進(jìn)行分析。

1.1 目標(biāo)檢測

目標(biāo)檢測是指將目標(biāo)對象從復(fù)雜背景環(huán)境中分離和處理的過程，是目標(biāo)跟蹤和分類識別的基礎(chǔ)。就魚類行為學(xué)分析而言，通過對魚類目標(biāo)的檢測可以有效地獲取魚體的輪廓和狀態(tài)，為魚類行為分析提供了數(shù)據(jù)支撐。常用的運動目標(biāo)檢測方法按照原理分為光流法、背景減除法和幀間差分法[8-9]。

1.1.1 光流法 光流法是目前應(yīng)用最廣泛的檢測跟蹤方法，它利用光流方程對像素點的運動狀態(tài)矢量進(jìn)行計算，在魚群游動的過程中，通過視頻圖像中像素點的強(qiáng)度變化檢測出目標(biāo)魚群的運動速度和方向，并對其進(jìn)行跟蹤。但該方法的計算復(fù)雜度高，且易受噪聲、光照和環(huán)境擾動的影響，在沒有專用硬件支持的情況下很難將魚群目標(biāo)完整地檢測出來。

于欣等利用光流法提取了魚群在不同時空中運動的速度和轉(zhuǎn)角2個行為特征，實現(xiàn)了對魚群異常行為的檢測[10]。趙建等基于光流法提出了一種改進(jìn)動能模型的魚類攝食強(qiáng)度檢測方法，利用閾值法和二值化技術(shù)提取了圖像在S和V方向上的特征，并結(jié)合統(tǒng)計學(xué)和信息熵獲取EK、v和CE來表征羅非魚的攝食強(qiáng)度[11]。侯曉嬌結(jié)合計算機(jī)視覺技術(shù)，利用Lucas-Kanade光流法獲取了目標(biāo)魚群的運動矢量，并對魚群運動的行為特征進(jìn)行統(tǒng)計，得到了魚群運動的速度和轉(zhuǎn)角2個行為特征的聯(lián)合直方圖與聯(lián)合概率分布，最終實現(xiàn)了魚群異常行為的檢測[12]。Zhang等首先利用平均背景建模的方法進(jìn)行目標(biāo)分割，然后采用光流法提取目標(biāo)對象的速度和轉(zhuǎn)角2個行為特征，最后通過統(tǒng)計分析的方法利用組合熵實現(xiàn)了羅非魚的攝食強(qiáng)度的評估[13]。

1.1.2 背景差分法 背景差分法是利用圖像序列的當(dāng)前幀和背景模型的對比實現(xiàn)運動目標(biāo)檢測的方法[14]。該方法不受運動目標(biāo)速度的限制，能夠及時、準(zhǔn)確和完整地提取運動目標(biāo)的特征。其性能取決于背景圖像的好壞，對光照和外部環(huán)境的明顯變化較為敏感，不適用于背景變化較大的情況。

宋君毅首先采用中值濾波和自適應(yīng)濾波技術(shù)從空間域和頻域2個角度對圖像做平滑去噪處理，然后使用改進(jìn)的Canny算子進(jìn)行魚群圖像邊緣檢測，最后利用背景差分法建立了背景模型，從而實現(xiàn)了運動魚群的檢測[9]。Kato等開發(fā)了一套基于背景差分法的魚群行為檢測和跟蹤系統(tǒng)，實現(xiàn)了對魚群攝食行為的識別[15]。張勝茂等提出了一套基于視頻監(jiān)控的魚類運動檢測方法，首先利用高斯模板對圖像進(jìn)行平滑處理操作，然后使用高斯混合模型（GMM）的方法建立背景模型，進(jìn)而得到了運動的前景目標(biāo)，該方法有效地抑制了噪聲，對水面波動也起到了濾除的作用[16]。

1.1.3 幀間差分法 幀間差分法是一種通過對視頻序列圖像中連續(xù)的2幀或幾幀做差分運算來獲取目標(biāo)輪廓的方法。該方法算法簡單、運算速度快，且能夠適應(yīng)動態(tài)環(huán)境的變化，具有較強(qiáng)的魯棒性。但當(dāng)目標(biāo)運動速度過快時，不能將具有聯(lián)系特征的像素點完整地提取，較容易出現(xiàn)“空洞”現(xiàn)象。

范良忠等利用改進(jìn)的幀間差分法實現(xiàn)了運動魚群的檢測[17]。王勇平等使用偵差法檢測目標(biāo)魚群，實現(xiàn)了對魚群的攝食情況的研究[4]。Liu等利用幀間差分法分析了大西洋鮭魚的攝食強(qiáng)度，并得出CVFAI和MOFAI 2種攝食活動指數(shù)的相關(guān)系數(shù)為0.919 5[18]，雖然實現(xiàn)了對魚群的攝食活動進(jìn)行檢測，但忽略了魚體重疊引起的水面反射誤差，且計算量較大，在實際應(yīng)用中難以實現(xiàn)。

1.2 目標(biāo)跟蹤

運動對象的目標(biāo)跟蹤是通過視頻圖像的連續(xù)幀序列估計目標(biāo)對象的位置、形狀或所在區(qū)域，并確定其運動的速度、方向及軌跡等運動信息。就魚類攝食行為而言，常用的目標(biāo)跟蹤方法有基于特征點跟蹤和基于模型跟蹤[19]。

1.2.1 基于特征點跟蹤 基于特征點的跟蹤是指提取目標(biāo)對象的1個或多個不變性特征，然后利用相關(guān)匹配算法實現(xiàn)目標(biāo)對象的跟蹤[19]。在魚類行為學(xué)研究中，常用的特征點有魚體質(zhì)心、胸鰭、頭部和尾部等，但為了提高精確度，基于多特征融合的目標(biāo)跟蹤已成為研究趨勢。該方法的優(yōu)點是目標(biāo)對象在部分遮擋的情況下依然可以準(zhǔn)確地進(jìn)行跟蹤，但當(dāng)光照劇烈變化或目標(biāo)對象被遮擋嚴(yán)重時將難以提取相關(guān)特征。常用的特征點提取算法有粒子濾波算法、SURF（加速魯棒特征）算法、Kalman算法和SIFT算法等。

Nair等使用K-Means和SURF算法對圖像進(jìn)行分割，并提取62個特征，最后利用SVM實現(xiàn)了水下魚類的分類識別[20]。Zhou等首先利用背景減法獲取目標(biāo)圖像，并去除過大和過小的目標(biāo)，然后使用階矩的方法提取魚的質(zhì)心點，并繪制成三角形，通過三角形的大小和周長反應(yīng)質(zhì)心點的距離和魚群的聚集水平，最后用計算出的群集指數(shù)FIFFB來表示魚群的攝食水平[21]。Zhao等提出了一種基于自發(fā)群體行為的魚群食欲評估方法，通過改進(jìn)的復(fù)雜網(wǎng)絡(luò)方法提取魚群的前景特征點，并利用改進(jìn)的社會力模型和動能模型從分散度、相互作用力和水流場的變化幅度3個方面評估了魚群的食欲度[22]。Qian等通過檢測魚頭的方向和位置，使用全局優(yōu)化算法和SURF算法得到了魚群的行為軌跡，為魚群的攝食行為研究提供了方案[23]。程淑紅結(jié)合SIFT算法和粒子濾波算法提取了魚運動時的方向、速度和加速度等矢量特征，并使用質(zhì)心算法獲取魚的運動軌跡，從而實現(xiàn)了魚的運動跟蹤[24]。宋君毅使用高斯建模法對目標(biāo)對象進(jìn)行識別，并用改進(jìn)的Kalman濾波算法對魚群的游動軌跡進(jìn)行預(yù)測，通過速度、加速度和高度等參數(shù)特征實現(xiàn)了在線監(jiān)測魚群行為的效果[9]。郭超結(jié)合使用Kalman濾波算法和MeanShift算法，實現(xiàn)了魚體目標(biāo)的跟蹤，并準(zhǔn)確地找到了魚體游動速度和魚尾擺動頻率之間的關(guān)系[25]。

1.2.2 基于模型跟蹤 基于模型的目標(biāo)跟蹤是指通過對目標(biāo)對象的特征進(jìn)行建模，然后使用相應(yīng)的匹配方法對目標(biāo)進(jìn)行跟蹤的過程。常用的模型有輪廓信息模型、2D/3D模型和貝葉斯概率模型等。雖然具有很強(qiáng)的魯棒性，但其計算復(fù)雜度較高，在復(fù)雜環(huán)境中很難獲得較為精確的模型。

Kato等使用3D模型開發(fā)了一套魚群行為檢測和跟蹤系統(tǒng)，通過提取金魚的長度、運動速度和方向等特征實現(xiàn)了對魚群攝食行為的檢測[15]。湯一平等使用3D建模技術(shù)獲取了魚群的三維空間位置，實現(xiàn)了魚群游動軌跡的分析[26-27]。Hassan等基于傳感器和計算機(jī)視覺方法對魚類的攝食行為進(jìn)行研究，結(jié)合魚類的水質(zhì)環(huán)境、生長速率和攝食情況，提出了一種信息融合的魚類進(jìn)食研究模型[28]。賈成功等使用計算機(jī)視覺技術(shù)建立了一套基于改進(jìn)Kmeans算法的智能投餌系統(tǒng)，并結(jié)合實時圖像處理結(jié)果得出了目標(biāo)魚群面積、密集度與時間的關(guān)系[29]。

2 基于計算機(jī)視覺的魚類攝食行為靜態(tài)特征的研究現(xiàn)狀 ?20世紀(jì)80年代，有關(guān)靜態(tài)圖像和視頻的技術(shù)就被應(yīng)用于水產(chǎn)動物的形態(tài)測量中[30]。早期的研究表明，計算機(jī)視覺技術(shù)憑其非接觸、無干擾和可遠(yuǎn)程檢測的特點，可以通過尺寸、形狀、紋理、質(zhì)量和顏色等特征反映魚類的生長和行為信息的變化，成為精準(zhǔn)養(yǎng)殖的一項強(qiáng)有力的技術(shù)手段。

2.1 尺寸與形狀特征

體長和形狀是魚類的重要生物學(xué)特征，不僅是評價魚類生長和健康性能的重要指標(biāo)，也是魚類分類分級的重要依據(jù)。目前，基于計算機(jī)視覺的體長測量和形狀分析是指通過提取目標(biāo)輪廓獲得對象的長寬比、周長和面積等測量值的過程。

常用的目標(biāo)輪廓提取方法有點分布模型法、Haar分類器和領(lǐng)域邊界法等。其中，Torisawa等通過立體視頻系統(tǒng)對不同水深的金槍魚進(jìn)行魚體三維檢測，研究結(jié)果表明，使用DLT方法測量體長的誤差小于5%[31]。萬鵬等利用分段技術(shù)計算出魚體長軸方向上5段的平均長寬比值，并利用BP神經(jīng)網(wǎng)絡(luò)對鯽魚和鯉魚進(jìn)行了分類識別[32]。Lee等基于計算機(jī)視覺方法提取了鮑魚的體長、體寬和面積等信息，并推導(dǎo)出總長度（TL）和體長（BL）的公式：π/4×TL×BL，從而實現(xiàn)了對鮑魚二維圖像的自動分級[33]。胡利永等利用機(jī)器視覺方法通過提取鱸魚攝食時水面聚集度和區(qū)域面積等特征，提出了一種智能投餌方法，有效提高了投喂自動化程度，但易受養(yǎng)殖環(huán)境和水面反光等的影響[34]。張志強(qiáng)等采用八鄰域搜索算法確定了鯽魚的魚體輪廓，并通過分段技術(shù)獲取了魚的頭部、腹部和尾部面積，從而實現(xiàn)了對魚體特征的測量[35]。Alsmadi等利用局部幾何法獲取了魚體尺寸和形狀的特征集合[36]。Huang等利用中線點算法對魚體長度進(jìn)行測量，使用魚頭和尾作為左右端點的中線測量誤差僅為1.49%[37]。

2.2 紋理特征

紋理特征是圖像數(shù)據(jù)信息的重要來源之一，可以充分地反映具有緩慢變化或周期性變化的物體表面結(jié)構(gòu)組織的排列屬性，現(xiàn)已廣泛應(yīng)用于模式識別、圖像檢索和計算機(jī)視覺等研究領(lǐng)域[38]。常見的提取紋理特征的方法有小波分析方法、局部二值模式（LBP）方法和灰度共生矩陣（GLCM）方法等。

郭強(qiáng)等通過提取魚圖像的紋理和形狀特征，提出了一種基于BP網(wǎng)絡(luò)的魚類攝食狀態(tài)的分類方法，識別率高達(dá)98%[39]。Ojala等提出了一種基于局部二值模式（LBP）的紋理分析方法，該方法降低了計算復(fù)雜度，且使得旋轉(zhuǎn)不變性得到認(rèn)可[40]。Mallat在1989年首次將小波理論應(yīng)用于紋理分析中[41]。陳彩文等通過灰度共生矩陣提取鯉魚圖像的4個紋理特征，完成對魚的攝食強(qiáng)度評估，并使用SVM對其攝食行為進(jìn)行分類識別，識別率可達(dá)965%[42-43]。Hu等提出了一種基于顏色和紋理特征的病魚分類判別方法，實現(xiàn)了不同魚類的在線識別功能[44]。Chomtip等采用歐式距離和神經(jīng)網(wǎng)絡(luò)的方法提出了基于形狀和紋理特征的魚類識別系統(tǒng)[45]。張重陽等提出了一種基于特征融合的魚類攝食行為檢測方法，利用計算機(jī)視覺技術(shù)將提取的魚群攝食圖像紋理、顏色和形狀特征進(jìn)行融合處理，并對比分析了3種分類算法對攝食行為的檢測[46]。

2.3 體質(zhì)量特征

體質(zhì)量是生物的一項重要生態(tài)學(xué)指標(biāo)，且魚體在尺寸和質(zhì)量之間存在一定的相關(guān)性[47]。大量的研究表明，通過對2D/3D圖像中魚類的體長、體寬和面積等特征的計算可以估計魚體的質(zhì)量。

Zion等采用圖像處理算法對孔雀魚等幾種觀賞魚的質(zhì)量進(jìn)行了研究，并提出了一種基于面積與質(zhì)量的關(guān)系模型，確定系數(shù)R2高于0.956[47]。Hufschmied等利用計算機(jī)視覺技術(shù)對魚群的俯視圖進(jìn)行分析研究，建立了一個基于魚群輪廓面積與質(zhì)量相關(guān)性的線性回歸模型，且平均相對誤差為55%[48]。Viazzi等通過提取鱸魚的長度L、面積A和質(zhì)量W，建立了質(zhì)量-面積回歸模型：W=a·Lb，平均誤差在（0.6±0.6）%之間，模型精度較高[49]。Lines等通過建立一系列魚體長度因子和質(zhì)量的回歸方程進(jìn)行魚類質(zhì)量的評估[50]。大量研究表明，不存在適用于所有品種的魚的質(zhì)量分析模型。為了提高測量精度，對每一品種的魚，都需要設(shè)計不同的質(zhì)量分析模型進(jìn)行魚體質(zhì)量測量。

2.4 顏色測量分析

在水產(chǎn)養(yǎng)殖中，魚類體色特征屬于行為特征的一部分，易受食用餌料、健康狀況、養(yǎng)殖環(huán)境和光照強(qiáng)度等的影響，是魚類的重要形態(tài)特征之一[51]。魚類體色的變化不僅可以反映水質(zhì)環(huán)境的狀況，也為魚類行為學(xué)研究提供了重要的信息[7]。目前，顏色作為魚類形態(tài)特征之一已被廣泛應(yīng)用于魚類的自動化分類識別研究中，成為基于計算機(jī)視覺的一項重要的研究手段[52]。

李賢等使用計算機(jī)視覺技術(shù)對大菱鲆的背景色選擇習(xí)性進(jìn)行了研究，通過幼魚在不同背景色養(yǎng)殖槽中出現(xiàn)的累計頻率量化了其體色的變化速率，從而分析了不同背景色對魚的應(yīng)激程度[7]。Alsmadi等利用灰度共生矩陣提取了顏色和紋理特征，進(jìn)而對魚群圖像進(jìn)行了綜合分析[36]。徐建瑜等利用計算機(jī)視覺技術(shù)，通過提取魚類圖像的HSV空間明度值對魚類體色的明暗程度進(jìn)行量化分析[51]。Wallat等使用機(jī)器視覺系統(tǒng)（CMSV）量化和提取金魚的體色變化信息，通過利用Florida大學(xué)研制的顏色分析程序生成了相關(guān)的顏色直方圖，進(jìn)而對魚的體色進(jìn)行分析測量，該系統(tǒng)對觀賞魚的體色變化方面具有潛在的研究價值[53]。

3 基于計算機(jī)視覺的魚類攝食行為存在問題及研究展望 ?在循環(huán)水養(yǎng)殖系統(tǒng)研究中，養(yǎng)殖投喂過程的自動控制和精細(xì)化調(diào)控管理對保障水產(chǎn)養(yǎng)殖健康、高效、安全和實現(xiàn)可持續(xù)發(fā)展具有重要意義。水產(chǎn)動物的顏色、形狀、紋理及行為軌跡等特征是實現(xiàn)精準(zhǔn)投喂的信息基礎(chǔ)，也是檢測和反映攝食程度的主要依據(jù)。與傳統(tǒng)的人工投喂和攝食檢測相比，基于計算機(jī)視覺技術(shù)的魚類攝食行為檢測方法的優(yōu)點主要體現(xiàn)在以下幾個方面：

3.1 優(yōu)勢

在檢測對象方面，不受魚的種類和大小限制，可根據(jù)檢測效果及時地調(diào)整處理范圍，具有高效、便捷的特點。在檢測方式方面，可以實現(xiàn)實時、非接觸、連續(xù)和無干擾的在線檢測，同時可以避免因投喂而造成的水面抖動、水花或魚群受驚等不良狀況的產(chǎn)生。在參數(shù)指標(biāo)方面，可以實時獲取魚類的攝食面積、周長、顏色、紋理及行為軌跡等多個形態(tài)參數(shù)，從多角度實時顯示魚類的攝食狀態(tài)和攝食強(qiáng)度的變化，有助于實現(xiàn)精準(zhǔn)投喂，同時屏蔽了人工檢測中難以量化的缺點。在測量效率方面，計算機(jī)軟硬件和機(jī)器視覺的快速發(fā)展為魚類攝食行為的自動化識別奠定了堅實的基礎(chǔ)，有效地降低了養(yǎng)殖過程中人工和飼料成本，提高了投喂效率。在應(yīng)用領(lǐng)域方面，通過總結(jié)近幾十年來國內(nèi)外關(guān)于水產(chǎn)動物視覺的研究發(fā)現(xiàn)，計算機(jī)技術(shù)不僅可以用于目標(biāo)對象的形狀、顏色、紋理和行為軌跡等方面的研究，還可以用于醫(yī)療衛(wèi)生、疾病診斷、品種識別等多個領(lǐng)域。

3.2 存在問題

因此，計算機(jī)視覺技術(shù)在水產(chǎn)養(yǎng)殖和管理中具有十分明顯的技術(shù)優(yōu)勢，是實現(xiàn)水產(chǎn)精細(xì)化養(yǎng)殖和目標(biāo)自動檢測的關(guān)鍵技術(shù)。但由于受檢測技術(shù)、算法老化和硬件條件等限制，加上水產(chǎn)動物本身的復(fù)雜多樣性和水質(zhì)環(huán)境的多變性，使得計算機(jī)視覺技術(shù)在水產(chǎn)動物檢測應(yīng)用中還面臨著一些問題。

從檢測環(huán)境來看，現(xiàn)有的檢測主要是在理想的實驗室條件下進(jìn)行的。自然條件的復(fù)雜性和水質(zhì)環(huán)境的多變性將會影響檢測結(jié)果的魯棒性和可靠性。從特征的提取來看，計算機(jī)視覺技術(shù)現(xiàn)主要用于表層信息的提取，而動物的多樣性和環(huán)境的復(fù)雜性，使得在處理復(fù)雜的邊界問題時難度較大。從檢測對象來看，不同魚類的尺寸大小、形狀和顏色等存在較大的差異，而現(xiàn)有的檢測設(shè)備僅可用于某一特定的魚類，對于不同品種的魚類需要設(shè)計專門的檢測模型和算法，研究成本較大。從設(shè)備本身來看，硬件的質(zhì)量和算法的選擇是取得高精度結(jié)果的關(guān)鍵。機(jī)器視覺技術(shù)的快速發(fā)展使得更新緩慢的硬件性能在很長時間內(nèi)滿足不了需求，隨著數(shù)據(jù)量的不斷增大，硬件的處理速度將成為計算機(jī)視覺技術(shù)發(fā)展的主要瓶頸。

3.3 展望

在接下來的基于計算機(jī)視覺技術(shù)的研究中，一方面應(yīng)繼續(xù)加強(qiáng)圖像采集、數(shù)據(jù)處理、自動化識別和分類等操作技術(shù)的研究，實現(xiàn)從單一特征分類到多特征融合的轉(zhuǎn)變。另一方面，除了從水面觀測研究魚類行為外，需要研究適用于水下環(huán)境的魚類攝食檢測系統(tǒng)，利用人工智能、計算機(jī)視覺和傳感器等信息融合技術(shù)從水下多方位、多角度進(jìn)行圖像的采集和處理，以便更精準(zhǔn)地分析不同魚類的攝食狀況。對魚類的攝食強(qiáng)度和在干擾條件下的攝食情況研究也將是魚類攝食行為學(xué)研究的方向之一。

4 結(jié)論

基于計算機(jī)視覺技術(shù)的魚類攝食行為研究主要是對采集的目標(biāo)圖像進(jìn)行預(yù)處理、圖像分割、特征選擇和視覺屬性分析等一系列分析處理過程，及時準(zhǔn)確地獲取魚類在攝食狀態(tài)下的尺寸、顏色、紋理、形狀及運動行為軌跡等屬性特征，以便于養(yǎng)殖者實時掌握魚類的攝食變化情況，從而實現(xiàn)精準(zhǔn)投喂。與傳統(tǒng)的人工投喂相比，該技術(shù)不僅可以避免養(yǎng)殖人員的投喂主觀性影響，也可以進(jìn)行連續(xù)無干擾的實時監(jiān)測，有效降低養(yǎng)殖成本和提高養(yǎng)殖效率。計算機(jī)視覺已逐漸成為水產(chǎn)自動化養(yǎng)殖的關(guān)鍵技術(shù)，有著較為廣闊的應(yīng)用前景。但由于水產(chǎn)養(yǎng)殖自身特殊性的局限，以及受圖像檢測技術(shù)、算法老化和硬件條件等的限制，計算機(jī)視覺技術(shù)在處理的速度、精度和可靠度等方面還有待于進(jìn)一步的提高。所以，未來如何改進(jìn)和提高檢測的精度，以及如何全方位、多角度地開展自動化檢測和攝食活躍性研究將是我們的研究重點。

參考文獻(xiàn)：

[1]農(nóng)業(yè)部漁業(yè)漁政管理局. 2019中國漁業(yè)統(tǒng)計年鑒[M]. 北京：中國農(nóng)業(yè)出版社，2019.

[2]Cui Z H，Wu J F，Yu H. A review of the application of computer vision technology in aquaculture[J]. Marine Science Bulletin，2018，20（1）： 53-66.

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

[4]王勇平，聶余滿，謝成軍，等. 基于機(jī)器視覺的養(yǎng)殖魚群智能投餌系統(tǒng)設(shè)計與研究[J]. 儀表技術(shù)，2015（1）：1-4.

[5]Chao Z，Xu D M，Kai L，et al. Intelligent feeding control methods in aquaculture with an emphasis on fish： a review[J]. Reviews in Aquaculture，2018，10（4）： 975-993.

[6]Yousef A，Srivastava S，Liu X M. Automatic feeding control for dense aquaculture fish tanks[J]. IEEE Signal Processing Letters，2015，22（8）： 1089-1093.

[7]李 賢，范良忠，劉子毅，等. 基于計算機(jī)視覺的大菱鲆對背景色選擇習(xí)性研究[J]. 農(nóng)業(yè)工程學(xué)報，2012，28（10）：189-193.

[8]張志強(qiáng)，牛智有，趙思明. 基于機(jī)器視覺技術(shù)的淡水魚品種識別[J]. 農(nóng)業(yè)工程學(xué)報，2011，27（11）：388-392.

[9]宋君毅.基于圖像處理的魚群監(jiān)測技術(shù)研究[D]. 天津：天津理工大學(xué)，2015.

[10]于 欣，侯曉嬌，盧煥達(dá)，等. 基于光流法與特征統(tǒng)計的魚群異常行為檢測[J]. 農(nóng)業(yè)工程學(xué)報，2014，30（2）：162-168.

[11]趙 建，朱松明，葉章穎，等. 循環(huán)水養(yǎng)殖游泳型魚類攝食活動強(qiáng)度評估方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2016，47（8）：288-293.

[12]侯曉嬌. 基于計算機(jī)視覺的魚群行為檢測與結(jié)構(gòu)特征研究[D]. 太原：太原科技大學(xué)，2014.

[13]Zhang Y Y，Jian Z，Zhi Y H，et al. Behavioral characteristics and statistics-based imaging techniques in the assessment and optimization of tilapia feeding in a recirculating aquaculture system[J]. Transactions of the ASABE，2016，59（1）： 345-355.

[14]宋 偉，張 力，鄧亞航. 基于背景差分法的模型改進(jìn)方法研究[J]. 傳感器與微系統(tǒng)，2017，36（10）：67-69.

[15]Kato S，Tamada K，Shimada Y，et al. A quantification of goldfish behavior by an image processing system[J]. Behavioural Brain Research，1996，80（1/2）： 51-55.

[16]張勝茂，趙 申，張 衡，等. 基于視頻分析的魚雷運動目標(biāo)提取[J]. 漁業(yè)信息與戰(zhàn)略，2017，32（1）：44-50.

[17]范良忠，劉 鷹，余心杰，等. 基于計算機(jī)視覺技術(shù)的運動魚檢測算法[J]. 農(nóng)業(yè)工程學(xué)報，2011，27（7）：226-230.

[18]Liu Z Y，Li X，F(xiàn)an L Z，et al. Measuring feeding activity of fish in RAS using computer vision[J]. Aquacultural Engineering，2014，60： 20-27.

[19]曾巧玲，文貢堅.運動目標(biāo)跟蹤綜述[J]. 重慶理工大學(xué)學(xué)報（自然科學(xué)版），2016，30（7）：103-111.

[20]Nair S S，Mon F A，Suthendran K. Under water fish species recognition[J]. International of Pure and Applied Mathematics，2018，118（7）： 357-361.

[21]Zhou C，Lin K，Xu D M，et al. Near infrared computer vision and neuro-fuzzy model-based feeding decision system for fish in aquaculture[J]. Computers and Electronics in Agriculture，2018，146（6）： 114-124.

[22]Zhao J，Bao W J，Zhang F D，et al.Assessing appetite of the swimming fish based on spontaneous collective behaviors in a Recirculating aquaculture system[J]. Aquacultural Engineering. 2017，78：196-204.

[23]Qian Z M，Wang S H，Cheng X E，et al. An effective and robust method for tracking multiple fish in video image based on fish head detection[J]. BMC Bioinformatics，2016，17（1）： 251.

[24]程淑紅. 動態(tài)圖像目標(biāo)跟蹤算法研究[D]. 秦皇島：燕山大學(xué)，2011.

[25]郭 超. 柔性魚體目標(biāo)檢測與跟蹤技術(shù)研究[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)，2017.

[26]湯一平，劉森森，石興民，等. 基于3D計算機(jī)視覺的魚類行為分析研究[J]. 高技術(shù)通訊，2015，25（3）：249-256.

[27]Pautsina A，Cisar P，Stys D，et al. Infrared reflection system for indoor 3D tracking of fish[J]. Aquacultural Engineering，2015，69： 7-17.

[28]Hassan S G，Hasan M，Li D L. Information fusion in aquaculture： a state-of the art review[J]. Frontiers of Agricultural Science and Engineering，2016，3（3）： 206.

[29]賈成功，張學(xué)良，陳俊華，等. 基于魚群攝食規(guī)律的投餌系統(tǒng)研究[J]. 機(jī)械工程師，2017（8）：22-25，28.

[30]Klimley A P，Brown S T. Stereophotography for the field biologist： measurement of lengths and three-dimensional positions of free-swimming sharks[J]. Marine Biology，1983，74（2）： 175-185.

[31]Torisawa S，Kadota M，Komeyama K，et al. A digital stereo-video camera system for three-dimensional monitoring of free-swimming Pacific bluefin tuna，Thunnus orientalis，cultured in a net cage[J]. Aquatic Living Resources，2011，24（2）： 107-112.

[32]萬 鵬，潘海兵，龍長江，等. 基于機(jī)器視覺技術(shù)淡水魚品種在線識別裝置設(shè)計[J]. 食品與機(jī)械，2012，28（6）：164-167.

[33]Lee D，Lee K，Kim S，et al. Design of an optimum computer vision-based automatic abalone （Haliotis discus hannai） grading algorithm[J]. Journal of Food Science，2015，80（4）： 729-733.

[34]胡利永，魏玉艷，鄭 堤，等. 基于機(jī)器視覺技術(shù)的智能投餌方法研究[J]. 熱帶海洋學(xué)報，2015，34（4）：90-95.

[35]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[J]. 農(nóng)業(yè)工程學(xué)報，2011，27（2）：350-354.

[36]Alsmadi M K，Omar K B，Noah S A，et al. Fish recognition based on robust features extraction from size and shape measurements using neural network[J]. Journal of Computer Science，2010，6（10）： 1059-1065.

[37]Huang T W，Hwang J N，Rose C S. Chute based automated fish length measurement and water drop detection[C]//IEEE International Conference on Acoustics，Speech and Signal Processing （ICASSP）. IEEE，2016.

[38]劉 麗，趙凌君，郭承玉，等. 圖像紋理分類方法研究進(jìn)展和展望[J]. 自動化學(xué)報，2018，44（4）：584-607.

[39]郭 強(qiáng)，楊信廷，周 超，等. 基于形狀與紋理特征的魚類攝食狀態(tài)檢測方法[J]. 上海海洋大學(xué)學(xué)報，2018，27（2）：181-189.

[40]Ojala T，Pietikainen M，Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（7）： 971-987.

[41]Mallat S G. A theory for multiresolution signal decomposition： the wavelet representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1989，11（7）： 674-693.

[42]陳彩文，杜永貴，周 超，等. 基于支持向量機(jī)的魚群攝食行為識別技術(shù)[J]. 江蘇農(nóng)業(yè)科學(xué)，2018，46（7）：226-229.

[43]陳彩文，杜永貴，周 超，等. 基于圖像紋理特征的養(yǎng)殖魚群攝食活動強(qiáng)度評估[J]. 農(nóng)業(yè)工程學(xué)報，2017，33（5）：232-237.

[44]Hu J，Li D L，Duan Q L，et al. A fuzzy C-Means clustering based algorithm to automatically segment fish disease visual symptoms[J]. Sensor Letters，2012，10（1/2）： 190-197.

[45]Chomtip P，Pimprapai L，Waranat K，et al. Thai fish image recognition system[C]//Proceedings of International Joint Conference on Computer Science and Software Engineering.Bangkok，2012.

[46]張重陽，陳 明，馮國富，等. 基于多特征融合與機(jī)器學(xué)習(xí)的魚類攝食行為的檢測[J]. 湖南農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2019，45（1）：97-102.

[47]Zion B，Alchanatis V，Ostrovsky V，et al. Ornamental fish mass estimation by image processing[M]. Bet Dagan：Agricultural Research Organization，2012.

[48]Hufschmied P，F(xiàn)ankhauser 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.

[49]Viazzi S，Hoestenberghe S V，Goddeeris B M，et al. Automatic mass estimation of Jade perch Scortum barcoo by computer vision[J]. Aquacultural Engineering，2015，64： 42-48.

[50]Lines J A，Tillett R D，Ross L G，et al. An automatic image-based system for estimating the mass of free-swimming fish[J]. Computers and Electronics in Agriculture，2001，31（2）： 151-168.

[51]徐建瑜，姜雄暉，劉 鷹. 基于計算機(jī)視覺的魚體色明暗程度量化方法[J]. 農(nóng)機(jī)化研究，2006（6）：140-142，152.

[52]Misimi E，Erikson U，Skavhaug A. Quality grading of Atlantic salmon （Salmo salar） by computer vision[J]. Journal of Food Science，2008，73（5）： 211-217.

[53]Wallat G K，Luzuriaga D A，Balaban M O，et al. Analysis of skin color development in live goldfish using a color machine vision system[J]. North American Journal of Aquaculture，2002，64（1）： 79-84.鐘全福，樊海平，葉小軍. 馬口魚的研究現(xiàn)狀及開發(fā)利用進(jìn)展[J]. 江蘇農(nóng)業(yè)科學(xué)，2020，48（24）：37-41.