智慧漁業中的機器視覺技術應用研究現狀

魏巍宏

(廈門海洋職業技術學院 海洋機電學院，福建 廈門 361102)

漁業是我國的國家戰略產業之一，近年來，中國的水產養殖業在“轉方式、調結構”方面取得積極進展，質量效益競爭力明顯提升。“十三五”期間，我國水產品總產量穩定在6 500萬噸左右。2020年全國水產品總產量6 549.02萬噸，比上年增長1.06%。其中，養殖產量5 224.20萬噸，同比增長2.86%，捕撈產量1 324.82萬噸，同比下降5.46%，養殖產品與捕撈產品的產量比例為79.8：20.2。由此可見水產養殖已成為我國漁業生產發展的重點環節。2022年2月，農業農村部印發的《“十四五”全國漁業發展規劃》中明確提到“發展智慧漁業。加快工廠化、網箱、池塘、稻漁等養殖模式的數字化改造，推進水質在線監測、智能增氧、精準飼喂、病害防控、循環水智能處理、水產品分級分揀等技術應用”。

智慧漁業是指以水產品為主體，通過物聯網、大數據、人工智能和移動互聯等現代信息技術深入開發和利用漁業信息資源，全面提高漁業綜合生產力和經營管理效率的過程。傳統漁業養殖過程中主要依賴人工觀察加經驗判斷的模式確定魚群狀態并制定決策。人工肉眼長時間觀察需要耗費大量時間與精力，而且經驗判斷的決策方式對觀測人員的專業知識水平要求較高。此外，人工觀察無法連續、客觀、準確地識別魚群狀態信息，對漁業信息資源的整合利用程度很低。為此，人們開始研究如何將各類傳感器、相機、機器學習和圖像處理技術應用在水產養殖行業中，其中機器視覺技術隨著人工智能領域的迅猛發展，已經在智慧漁業領域開始進行應用研究。機器視覺技術所提供的連續式非接觸測量方法能有效解決魚群在測量過程中受到接觸應激和魚體損傷等影響，可以有效提高水產養殖效率和自動化程度。

本文將從水產養殖過程環節出發，對機器視覺技術在魚類養殖中的魚類攝食行為識別與精準飼喂、魚體參數識別與測量、魚群病害診斷與防治3個方面的應用研究進行梳理。以期為相關從業人員提供研究思路，促進機器視覺技術在我國智慧漁業領域的發展和應用。

1 機器視覺系統概述

使用工業相機代替人眼完成測量和判斷的技術被稱為機器視覺技術，這項技術興起于20世紀50年代，而后開始在多項產業領域開展應用研究。隨著大數據技術和并行GPU計算的發展，2010—2017年期間中國機器視覺市場迎來爆發性增長，目前機器視覺技術主要應用于電子制造、汽車、制藥和包裝機械等領域，在智慧漁業領域的應用研究還處于起步階段。

機器視覺系統一般由光源、鏡頭、工業相機、圖像采集卡、通訊單元、上位機和圖像處理軟件等模塊構成。在智慧漁業中應用的機器視覺系統一般分為圖像采集系統、圖像分析系統、決策執行系統三部分。由光源、鏡頭、工業相機和圖像采集卡等部件組成的圖像采集系統，主要負責獲取目標視場內清晰的圖像和視頻，是機器視覺系統的圖像數據來源。所采集到的圖像信號會被傳送到圖像分析系統，并根據給定算法完成特定目標的識別、分析，完成圖像信息數值化處理。決策執行系統將圖像分析結果保存在數據庫中，并根據分析結果控制水產養殖設備完成預設好的給定動作。

2 機器視覺在智慧漁業中的應用

智慧漁業中養殖信息數據化主要通過各類傳感器、聲吶技術、遙感技術和機器視覺技術等方法實現，其中機器視覺技術通過圖像分割、特征點識別等圖像分析技術可以監測魚群行為、識別魚體特征并將這類信息量化為具體數值。根據機器視覺技術特點結合我國水產養殖流程，可以將智慧漁業中的機器視覺技術應用研究大致分為魚類攝食行為識別與精準飼喂、魚體參數識別與測量、魚群病害診斷與防治3部分。

2.1 魚類攝食行為識別與精準飼喂

投料飼喂是水產養殖過程最重要的環節之一，投料過程是否合理會直接影響養殖效益：投料不足會影響魚群生長速度，而投料過多會污染魚塘水質和浪費飼料。傳統水產養殖過程中主要依賴人工拋灑完成飼喂，這種飼喂方式的投料時間和投料量比較容易受到從業人員經驗和習慣等因素影響。隨著機器視覺技術發展，人們發現通過研究魚群外觀信息不僅能判斷魚的生長狀態，還能識別魚群攝食行為。根據機器視覺技術提取的魚群信息開展精準飼喂工作，能在提高養殖效率的同時有效避免飼料浪費和水質污染等問題。

Chao等結合背景差分法和閾值方法獲得目標圖像并剔除尺寸偏差過多的目標，然后使用階矩法圍繞魚的質心位置建立三角形模型，并通過模型的大小和邊長確定魚群聚集程度，最終根據群集指數FIFFB確定魚群的攝食狀態。張佳林等采用水下觀測的方式對大西洋鮭攝食行為進行研究，用視頻序列逐幀編碼的方式獲得魚群攝食視頻所有幀的高斯均值和方差向量，進而建立對應特征矩陣，利用卷積神經網絡對特征矩陣進行模式識別，最終實現魚群進食行為分類。Zhao等利用改進的復雜網絡方法對魚群的前景特征點進行提取，從水流場變化幅度、分散度和相互作用力三個方面入手，使用改進的動能模型對魚群食欲情況進行數值化評估。Hassan等結合機器視覺技術和傳感器技術對魚群攝食行為進行監測，提出一種結合水質、攝食狀態和生長速度的基于信息融合技術的魚群攝食模型。Zhang等采用光流法提取羅非魚運動速度和轉角的行為特征參數，通過平均建模算法對魚群圖像進行目標分割，最終根據組合熵計算結果對魚群攝食強度進行評估。胡利永等通過采集水面攝食圖像，對水面魚群陰影部分和水花部分特征區域進行圖像分析，提取魚群聚集規律的特征參數，根據特征參數變化規律提出投料量計算模型，進而構建了一種智能化投餌方法。Liu等對大西洋鮭的進食視頻進行幀間差分法分析，使用CVFAI和MOFAI進食指數進行評估，從而實現魚群進食活動行為檢測。

2.2 魚體參數識別與測量

水產養殖需要關注的魚體參數包括體積、顏色、年齡、縱向面積和品種等，上述參數信息不但是水產養殖過程決策制定的重要依據，還是水產品質量分級的重要指標。因此水產養殖人員需要在魚群各個生長階段進行魚體參數測量。目前傳統魚體參數測量主要依賴手工接觸方式，從魚群中隨機捕撈若干條魚后，用肉眼觀察并根據經驗進行模糊判斷，或使用皮尺、測量儀等工具獲得詳細魚體參數數值。整個過程不僅需要大量人力和時間成本，而且受到主觀因素影響較多，檢測結果的穩定性和準確性較差。此外，手工測量過程涉及捕撈、麻醉和固定等環節，長時間離開養殖水環境對魚類刺激性較強，容易出現生理應激反應，不利于水產健康養殖。

針對手工接觸測量的問題，智慧漁業系統在魚體參數識別和測量方面主要采用非接觸無損測量方法，其中機器視覺技術通過相機拍攝、圖像分析獲得參數的工作過程在非接觸測量魚體參數方面有著先天優勢，因此有許多專家學者在這個領域展開研究并取得相應成果。

黃康為在Mask-RCNN算法的魚體檢測分割結果的基礎上，使用GrabCut精細化算法對分割結果進行優化，提出一種基于三維旋轉橢球擬合的點云擬合算法，最終根據所提算法搭建了水下動態魚體尺寸測量系統。Nair等根據K-Means和SURF算法的圖像分割結果提取出62個特征點，根據特征點參數利用SVM實現水下魚類的識別與分類。Huang等采用中線點算法測量魚體長度，通過識別魚頭和魚尾位置并定義為兩側端點，中線測量結果的誤差只有1.49%。Viazzi等建立了一系列關于魚體長度因子與魚體質量的回歸方程組，利用方程組評估魚類重量。王文靜等以半滑舌鰨在同一生長階段的圖像和質量數據為基礎，建立魚的面積與質量關系模型，結合等效橢圓長短軸比和圓形度因子進行三維擬合，對比實驗結果證明該模型對水下魚體圖像與水外魚體圖像的尺寸測量結果基本一致。萬鵬等基于BP神經網絡建立了一種魚類品種識別模型，在該模型的基礎上構建了一套淡水魚品種在線識別裝置，該裝置可以完成鯉、鯽、草魚、鳊4種大宗淡水魚的品種在線識別工作，平均正確率達到92.5%。

2.3 魚群病害診斷與防治

水產養殖過程中需要保證魚塘水體環境質量始終符合標準，從而避免發生魚群病害情況。以人工觀察和經驗判斷為主的傳統水產養殖模式，無法連續穩定地監測魚塘水質，并且受到從業人員的主觀影響較大，容易出現誤判、漏判等問題。此外，人工觀察存在一定的時間滯后性，無法盡早診斷出水下魚群病害情況并采取相應措施，而調控不及時往往會造成魚群大面積死亡，對養殖戶造成巨大財產損失。

與傳統養殖方法不同，智慧漁業主要使用現代信息技術完成魚群病害診斷和防治工作。隨著物聯網技術發展，人們對基于無線傳感技術的水產養殖系統監控技術展開應用研究，并取得了成果。無線傳感技術主要利用各類傳感器對魚塘水體環境的各項指標進行監測和調節，雖然通過監測魚塘水質可以在一定程度上保證魚群健康的生長環境，但是無法直觀反映魚群健康狀況和生長狀態。機器視覺技術能準確識別魚類行為特征，從而實時監測魚群生長狀態和診斷病害情況是否發生。根據魚群健康狀態監測結果可以及時調控水產養殖系統，從而有效避免魚群大面積死亡。因此，基于機器視覺技術的魚群病害診斷與防治是目前應用研究的熱點內容。

關輝等對魚群運動視頻進行機器視覺分析，通過背景差分法和Kalman濾波算法對魚群運動目標進行識別、定位和跟蹤，確定魚群游動的平均速度、加速度和高度等運動信息參數，最終根據上述參數變化特點完成魚群異常行為的檢測與報警。盧煥達等通過分析常氧和低氧2種情況下的魚群運動視頻圖像，獲得不同含氧量環境下魚群位置的均值、方差、歪斜度、峰態和能量5個參數，根據魚群運動特征參數構建數據詞典矩陣,最后使用壓縮感知分類方法檢測低溶氧脅迫下的魚群異常行為。侯曉嬌利用Lucas-Kanade光流法對魚群游動的運動矢量進行識別，對魚群運動行為特征參數進行統計分析，最終根據分析結果判斷魚群是否發生異常行為。于欣等也是采用光流法識別魚群運動速度和轉角，實現魚群異常行為監測目標。Hu等提出了一種基于魚類表面顏色紋理變化特征的魚群健康狀態判別模型，經實驗證明該模型可以在線識別多種魚類的健康狀態。徐建瑜等將魚體圖像轉換到HSV空間得到魚體的明度值，與經校準后的無色玻璃覆蓋的灰級各階的明度值進行比較和線性插值，近似用明度階值表示魚體色的亮暗程度。最終通過魚體顏色亮暗來判斷魚的健康與應激狀況。

3 總結與展望

在智慧漁業系統發展過程中，實現作業機械化和決策智能化對提高養殖效率、降低成本和實現綠色生產具有十分重要的意義。引入機器視覺技術可以實現水產養殖過程信息參數化，是智慧漁業的數據信息來源之一。與傳統人工飼養模式相比，基于機器視覺技術的智慧漁業優點主要表現為以下3個方面：

檢測方式。機器視覺由于其自身技術特點，可以實現非接觸、無干擾的實時連續檢測，在檢測過程中有效避免水體波動和魚群受驚等情況的發生。

檢測參數項目。通過分析魚群圖像可以同時獲得魚群攝食面積、魚體尺寸、顏色、紋理和行為軌跡等多項參數數據，從多個角度反映魚群活動狀態.

檢測效率。隨著相關軟硬件技術的發展，目前機器視覺技術可以實時采集魚群圖像并完成處理分析工作，機器視覺系統的快速響應特性可以有效解決水產養殖決策和調控措施時間滯后的問題，由此提高養殖效率和降低成本。

雖然機器視覺技術在智慧漁業系統中表現出上述應用優勢，但是在實際應用過程中仍存在一定的局限性：機器視覺技術在圖像采集過程中需要穩定、亮度適中的光源，因此目前大多數應用研究都是在室內環境下開展，而在戶外復雜自然條件下保證檢測結果的一致性難度較大；由于不同魚類的體型外觀差異較大，因此目前已有的機器視覺系統基本只能針對特定魚類完成檢測分析，使得機器視覺技術在水產養殖行業大范圍推廣過程中研究成本和應用成本較大。

基于機器視覺技術的智慧漁業系統是涉及圖像處理、模式識別、養殖行為學和魚類設施等多門學科交叉研究領域，目前這個領域的應用還不夠深入，仍有一些問題需要展開進一步研究，本文對基于機器視覺技術的智慧漁業研究做出以下展望：

復雜水體環境下的魚體分割問題。使用機器視覺技術提取魚群特征需要采集到魚群在水中的清晰圖像，而養殖魚類活動的水體環境往往攜帶大量懸浮顆粒，從魚塘環境采集到的圖像往往清晰度較差，對圖像識別、目標分割和特征提取工作提出更高的要求。針對該問題可以嘗試在檢測點合適位置安裝與水體顏色對比鮮明的背景板，或繼續加強圖像采集分析、邊界識別和分類等技術的研究。

魚體交疊問題。水產養殖環境下魚群密度較高，從單一角度觀察采集到的魚群圖像基本上是多條魚的平面交疊結果。針對該問題可以考慮在水下多個角度使用多臺工業相機采集各角度的圖像，進一步開展魚群三維模型構建和運動參數提取研究。

4 結束語

綜上所述，依賴人工監測方法的傳統水產養殖過程存在效率低、不穩定和響應速度慢等缺點，而基于機器視覺技術的智慧漁業系統通過監測所獲得的水產動物顏色、紋理、尺寸和運動軌跡等視覺特征參數數據結果，可以準確識別魚群行為、完成養殖決策制定。本文對近年來機器視覺技術在智慧漁業領域的應用方法和技術進行論述，對比分析了機器視覺技術在魚類攝食行為識別與精準飼喂、魚體參數識別與測量、魚群病害診斷與防治的研究成果和應用現狀。在我國大力發展智慧漁業的當下，通過引入機器視覺技術完成水產養殖信息參數化，有助于整合漁業信息數據資源，實現水產品高效統一管理，推動漁業綠色可持續發展。