基于雙目視覺的水下魚類體長陸基測量方法

摘要：無接觸式測量水中魚類體長不會影響魚類正常生長，測量效率高。通過置于水面之上的雙目相機，采集水下魚類的俯視圖像，采用結合對比度自適應調整的GrabCut算法實現選擇性分割，使用骨架提取方法對魚體彎曲進行矯直，矯正水體折射的影響，最后提取分割后魚類體長測量點進行體長測量。試驗結果表明，圖像分割算法較原始GrabCut算法在分割準度上提高14.9%，過分割率降低23%，時間效率提高11.6%。魚體長測量的平均相對誤差為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量方法滿足測量精度要求，比水下方式的魚體測量方法更準確、便捷，也更適合于工程實施和應用。

關鍵詞：雙目視覺；魚體長測量；GrabCut分割；魚體彎曲矯直；水體折射

中圖分類號：S951.2

文獻標識碼：A

文章編號：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

*基金項目：湖北省重點研發計劃（2022BBA016）

第一作者：申陽，男，1983年生，河北邯鄲人，博士，講師；研究方向為農業智能工廠化裝備。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；研究方向為農機裝備。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

工廠化水產養殖以其綠色穩態高效的優點而成為水產養殖的重要發展方向。工廠化水產養殖中魚的體長尺寸是魚的基礎生物信息，通過測量魚長和面積可以估測魚的重量^{［1， 2］}、檢測魚的生長狀況^［3］、實現魚類自動分級、分揀^［4-6］，預測飼料投喂^［7］甚至預測魚的年齡、性別^［8］等。傳統的魚類體長手工測量會對魚造成一定的損傷，甚至可能致魚死亡，且檢測過程費時費力，其結果容易受人主觀因素而導致精度低。一種快速、準確的無接觸式測量方法應用在魚的體長測量上^［9-11］，不僅對魚不會造成傷害，而且可以做到實時獲取。

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

將相機置于水中測量，調整相機位置比較困難，且水下環境更為復雜，魚體遮擋、彎曲、成像角度影響圖像采集質量，或者測量水族箱中的魚，雖然相機更容易操作，但魚的彎曲狀態、水體和玻璃的折射對測量影響較大。這些方法在工廠化養殖環境中實際應用都很困難。本文基于雙目視覺技術，通過手持或固定于水上的雙目相機采集水下魚的俯視圖像，通過圖像處理算法得到魚的體長。

1 試驗平臺搭建

試驗平臺由養殖桶、增氧泵、俯拍三角架、上位機、照明光源、RealSense D435相機構成，如圖1所示。養殖桶的上口直徑為62 cm，下口直徑為46 cm，桶的高度為71 cm，其中桶內水深為50 cm，相機到水面的高度可以任意調整。用該相機采集的圖像分辨率為640像素×480像素，可以滿足實際需求。

處理主機采用Intel（R） Core（TM） i5-7300HQ CPU @ 2.50 GHz，操作系統為64位的Windows 10系統，系統內存為24 G。開發平臺為微軟公司的Visual Studio2019，測量算法由C++編寫。通過深度相機系列提供的realsense2.0軟件開發工具包，實現相機的開啟、關閉、深度數據與RGB數據對齊等操作。使用OpenCV計算機視覺庫完成圖像的保存、顯示、處理等圖像處理操作。試驗對象為體型、顏色存在差異的鱸魚10條，體長分布在250～320 mm。

2 陸基雙目視覺測量方法

2.1 圖像分割和測量點提取

2.1.1 對比度自適應調整的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，但運行時間較長。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；然后分別對前景和背景建立高斯混合模型（GMM），對未知的像素標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行迭代，每次迭代都會使可能前景和可能背景的GMM的參數更優，從而獲得更加準確的前景和背景，迭代次數越多，結果越準確。

由于光照和環境影響、選擇的前景中含有較多的背景時，會造成將背景分割成前景的錯誤。為解決上述問題，提出一種對比度自適應調整的算法進行改進。

首先復制RGB原圖并轉換成灰度圖；然后對灰度圖進行線性拉伸，提高其對比度，突出圖像特征，如圖2所示。線性拉伸是一種圖像增強算法，將本圖像的灰度等級為 ［x₁，x₂］ 線性拉伸到整個灰度區間 ［y₁，y₂］，x₁，x₂，y₁，y₂ 為圖像變換前后的灰度區間數值。

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］，根據式（1）調整其對比度。

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原圖像上的每一個像素的三個通道的值均設置為圖像處理之后的像素值，最后處理的結果如圖2（b）所示，之后經過GrabCut算法得到分割圖像，將結果二值化后取反，如圖2（c）、圖2（d）所示，其算法改進流程如圖3所示。

為驗證采用結合對比度自適應調整的GrabCut分割算法對于原始算法有所改進，采用4個指標評價改進的算法好壞，分別是分割準度、過分割率、欠分割率和時間效率。選取“一桶一魚”和“一桶多魚”的圖片100張，一共分割130次，GrabCut算法運行迭代次數為1次。試驗效果對比如圖4所示。

評價算法的分割準度如式（2）所示。

F=（1+β²）PR/β²·P+R （2）

式中：P——準確率， P=A₁∩A₂/A₁；

R——召回率， R=A₁∩A₂/A₂；

β——綜合評價指標，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魚的像素面積比率，計算如式（3）所示。

OR=O_s/A₁+O_s （3）

式中： O_s ——

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

欠分割率：算法中將魚錯誤分割成背景的像素的比率，計算如式（4）所示。

UR=U_s/A₁+O_s （4）

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

具體性能數據如表1所示。本文算法分割準確度較原始GrabCut算法提高14.9%，過分割率降低23%，時間效率提高11.6%。其中欠分割率卻偏高4.6%，偏高主要是改變對比度后導致魚肚附近像素丟失。

2.1.2 測量點提取

在經過分割之后圖像局部可能會有一些小的噪點，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。選擇魚頭的一點和魚尾的一點作為測量點，連接兩點作為圖像中魚的長度。這兩個測量點提取的步驟：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頂點，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e（u_e，v_e），直線cd與輪廓的交點f（u_f，v_f），連接ef，直線ef就是圖像中魚的長度；最后，從深度圖中讀取e、f兩點的深度數據，經過折射模型矯正，得到測量點的三維坐標 E（X_E，Y_E，Z_E） 和 F（X_F，Y_F，Z_F）， 根據歐拉距離公式（5），可以計算出魚的實際體長L。

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

2.2 魚體彎曲檢測與矯直

對于彎曲的魚，提出一種檢測魚類彎曲并測量魚長的方法。通過上述的分割算法和后續處理得到圖5（a），其中o為輪廓的最小外接矩形的中點，連接eo、of和ef。在Δeof中，根據余弦定理可以求出∠eof的大小，進而求出∠eof的補角記為θ，將θ作為判斷魚是否處于彎曲狀態的參數。若魚彎曲，則點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，如圖2（e）所示，ef近似為一條經過矩形中點的直線，求其θ=1.25°。通過給θ設置一個閾值，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］細化算法進行骨架提取，該算法具有計算速度快、曲線連通性等優點。該算法是一種迭代算法，每一次迭代標記非骨架點的像素，循環遍歷所有像素點，再對符合條件的像素進行刪除，直到某一次迭代中沒有任何一個像素滿足條件，則迭代結束，得到的圖像則為細化后的二值圖像，其結果如圖5（b）的gh段所示。由于經過圖像細化之后，圖像可能會有一些分支，這時需要去除毛刺^［23］，致使整張圖片只有兩個端點。

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

2.3 水體折射的矯正

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

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

K=Q_a/Q_w=h/Z+1-h/Z）tanβ/tanα （6）

式中：h——相機到水面的距離；

Z——相機測量讀出物體的距離；

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——相機的焦距。

由像素坐標系和圖像坐標系可知

{u=x/dx+u₀

v=y/dy+v₀ （9）

式中：dx、dy——像素坐標系下的像素點在x軸和y軸在圖像坐標系的物理尺寸；

u₀ 、 v₀ ——RGB相機的主點坐標。

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經過折射后和未經折射在成像平面的成像點的關系。對于雙目測量系統，考慮折射后的雙目系統模型如圖7所示。

P_a為空氣中測量的距離，P_w為經折射后測量的距離。 ΔP_aQ_LQ_R 和 ΔP_aU_LU_R 相似，根據三角形相似定理可得式（10），即可求出P_a點的距離。

Z_a=B·f/d （10）

式中：B——兩相機之間的距離。

從圖7可以看出，對于同一距離成像平面的兩點，光線發生折射之后較在空氣中測量的距離將會變小，需要首先矯正測量距離。在圖像平面中的一點存在折射補償系數K，對于左相機的成像點有 x_l′=Kx_l， 對于右相機的成像點有 x_r′=Kx_r， 根據視差 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算圖像補償系數K_w，得到相機坐標系和像素坐標系之間的關系如式（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系下的2D坐標轉化成相機坐標系下的3D坐標，通過空間距離公式，可以求出圖像上兩點在真實空間中的距離。

2.4 基于雙目視覺陸基測量方法

基于雙目視覺的水下魚類體長陸基測量的方法整體流程如圖8所示。首先使用雙目相機采集數據對齊后的RGB圖像和深度圖像；采用對比度自適應調整的GrabCut算法對RGB圖像進行選擇性分割；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魚進行矯直；接著提取魚體測量點，讀取測量點深度值，矯正水體折射的影響，最后計算出魚的體長。

3 試驗與分析

為驗證相機離水面的距離不同時仍有較高的準確性，試驗分成3組，即RealSense D435雙目相機分別置于水面250 mm、350 mm、450 mm處進行測量。其中養殖桶中的水深為500 mm，手工測量工具為卷尺。每組試驗隨機選取鱸魚進行測量，每條魚測量10次。其中一組數據為相機距離水面為250 mm時，每條魚測量10次后取平均值與手工測量結果相比較得到的相對誤差如表2所示。三組試驗每條魚每次測量與手工測量相比得到的相對誤差的結果如圖9所示。

從表2可知，相機距離水面250 mm時，該組在考慮水體折射的情況下測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誤差比未考慮折射的要小。相機距水面為250 mm時，10條魚的體長平均相對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%；相機距水面為350 mm時，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%；相機距水面為450 mm時，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%。相機距離水面越遠，測量誤差越大，但平均相對誤差均在2%之內，單次測量誤差不超過4%，滿足測量要求。

4 結論

搭建基于雙目視覺的水下魚類體長陸基測量系統，提出水下魚體體長測量方法。考慮圖像分割不準確、魚體彎曲、水體折射等因素對測量的影響，對養殖桶中不同顏色、不同大小的魚進行測量。

1）雙目視覺系統在測量水下生物時，由于水體折射導致水下物體被放大，而相機測量水下物體的距離會偏小，考慮折射后魚體體長測量精度有所提高。

2）提出結合對比度自適應調整的方法進行算法改進，可以較大程度上減小環境光照的影響，相較原始GrabCut算法在準確度、過分割率、時間效率上均有所提高，為后續的處理奠定基礎，同時可以進行選擇性分割，增加人機交互性。

3）試驗計算得到的結果與手工測量相比，平均相對誤差為0.91%，表明本研究提出的水下魚體體長測量方法，準確性較高。當相機處于水面不同距離時，測量得到的平均相對誤差仍保持在2%之內，單次測量最大誤差不超過4%。這說明該方法可以適應手持相機動態測量，相機到水面的距離對測量精度影響不大，該測量方法靈活、方便，便于工程實施和應用。

本文不足之處是未考慮水下魚體重疊等更加復雜情況，后續還可以研究魚體長和魚質量的關系，通過該方法直接得到魚質量，為工廠化、無人化養殖的生物量檢測提供參考。

參 考 文 獻

［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. 基于機器視覺的大黃魚形態參數快速檢測方法［J］. 集成技術， 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， 牛智有， 趙思明， 等. 基于機器視覺技術的淡水魚質量分級［J］. 農業工程學報， 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， 趙遠洋， 楊普， 等. 基于機器視覺的魚體長度測量研究綜述［J］. 農業機械學報， 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. 基于計算機視覺的水產動物視覺特征測量研究綜述［J］. 農業工程學報， 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量［J］. 光學技術， 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. 基于計算機視覺的大黃魚體尺測算與體質量估測［J］. 中國農機化學報， 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， 項基. 基于立體視覺的動態魚體尺寸測量［J］. 農業工程學報， 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. 應用于剎車盤復雜背景去除的改進GrabCut分割算法［J］. 機床與液壓， 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GrabCut算法的黃瓜植株圖像分割［J］. 中國農機化學報， 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］. 農業機械學報， 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別與定位方法［J］. 農業機械學報， 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］. 應用光學， 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換算法研究［J］. 西北工業大學學報， 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.