基于近红外机器视觉的鱼类摄食强度评估方法研究
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实践证明，机器视觉非常适用于光照条件较 好的场合，比如实验室、网箱、池塘等凹。然而, 在很多设施水产养殖现场都存在光照条件不足和 不均匀的问题，导致采集到的大多数图像的噪声 比较严重，且对比度低。而近红外在自然光照不 足的时候仍能够取得较好的成像效果问叫并且 其成本较低、开发相对简单，也不会干扰鱼的正 常生长㈤，非常适合用于在光照条件不足的条件 下鱼类摄食强度的评估。已经有研究将近红外系
统用于鱼类的运动轨迹跟踪并取得了较好的效果 ㈤。Zhou等商利用Delaunay三角剖分评估了低密 度养殖条件下的鱼类摄食行为变化。而对于高密 度养殖鱼类，可以通过探测鱼类活动引起的水花 变化来评估其摄食强度问。但是对底栖鱼或小个 体鱼类，其摄食活动不足以搅动水面形成水花， 方法的应用范围受限制。
1引言
集约化水产养殖中，鱼类的投喂水平直接决 定了养殖效率和生产成本，投喂不足会影响鱼类 生长.过量投喂则会降低饲料的转化效率，残留
的饵料还会污染环境。鱼类食欲可以通过摄食状 况反映，对指导投喂至关重要根据鱼类食欲自 动调整投喂量是近年来研究和发展的趋势冋。
监测和分析鱼类的摄食强度是最直接和有效 评估鱼类食欲强弱的方法。在实际生产中，可以
yangxt(k/
Vol. l,No. I
周超等：基于近红外机器视觉的鱼类摄食强度评估方法研究
77
通过人工观察评估鱼类的摄食强度，但常常受观 察者个人经验等因素的影响，易造成过投喂或者 投喂不足，尤其是在商业规模的养殖场，人工观 察法大幅提高了劳动和时间成本。因此，迫切需 要一种能够自动客观评估鱼类摄食强度的新方 法。在以往研究中，Kolarevic等同和Rakowitz 等切利用高频成像声呐和声学标签获取和量化了 鱼类的行为，从而实现鱼类摄食强度的评估。声 学技术虽然可以在没有光线的条件下使用，但是 受限于其高成本和开发难度，很难真正用于生产 实践中叫
2019年1月第1卷第1期
智慧农业 Smart Agriculture
Jan. 2019 Vol. l,No. 1
doi:10」21334.smartag.2019.1.1.201812-SAO16
基于近红外机器视觉的鱼类摄食强度评估方法研究
周超 1-234,徐大明 123,4,吝凯 1,234,陈澜 1.2.3.4,张松 1.2.3.4, 孙传恒Z3.4,杨信廷1.2.3冲
机器视觉是一种自动非入侵式且经济的监控 方法。在以往研究中，已有学者通过利用机器视 觉监控了鱼群的摄食行为和饲料消耗程度，进而 评估了鱼群摄食情况何叭机器视觉中的帧间差法 是常用的获取图像差异的方法，基于此，许多鱼 群摄食行为的量化指标被提取出来㈣。例如，Liu 等晒提出的鱼群摄食活性量化指标与人工观测法 的线性相关系数可达0.92。在此基础上，Ye等问 采用光流提取群体的行为特征（速度和转角）， 并利用胃肠饱满指数和组合爛评估鱼群的摄食强 度网。赵建团队还提出了一种利用改进动能模型 的鱼群摄食强度评估方法，在探测聚集和离散行 为方面具有较高的成功率"岡。还有学者通过计 算摄像机视野范围内鱼群数量，实现摄食激烈程 度的量化口。以上研究表明，利用机器视觉分析 鱼群的摄食行为，进而评估其摄食强度为一种可 行且有效的手段何，为本研究提供了借鉴和基础。
(1.北京农业信息技术研究中心，北京100097 ； 2.国家农业信息化工程技术研究中心，北京100097； 3.农产品质量安全追溯技术及应用国家工程实验室 ，北京100097； 4.农业部农业信息技术重点实验室，北京100097)
摘要：在水产养殖中，鱼类的摄食强度町以反映其食欲.准确客观地评估鱼类的摄食强度对指导投喂和
性、逆差距和炳等 之后，将这5个特征变量作为输入向量构建了模型的数据集，并训练J'支持向量机分
类器。为了提高模型分类的准确率，利用网格搜索法选取支持向量机分类器的最优惩罚系数「和核函数参
数g最后利用训练好的模型将鱼类的摄食强度分为弱、一般、中和强4类，最终实现了血类摄食强度的
评估 试验结果表明.图像纹理可以较好地描述鱼类摄食过程中的行为变化.正确识别4类摄食强度的准
收稿日期:2018-11-20 修回日期:2018-12-28 基金项目:国家重点研发计划(2017YFD070I705)；北京市优秀人才培养项目资助(2017000057592G125) 作者简介：周 超(1984-),男,博士,高级丁程师,研究方向:智能决策与优化控制,Email： zhouc@ •通讯作者：杨信廷(1974-),男，博士，研究员，研究方向：农业智能控制装备与系统，电话：01()-51503476, Email：
生产实践具冇重要意义针对当前鱼类摄食强度评估过程中存在的人T.观测效率低、客观件不强的问题，
本研究以实现血类食欲的自动客观分析为目的，提.'HT-种基于近红外机器视觉的游泳型龟类摄食强度的
评估方法，首先，利用近红外「:业相机搭建『近红外图像采集系统，采集了鱼类摄食过程中的图像:经过
-系列图像处理步骤后，利用灰度共生矩阵提取摄食图像的纹理特征变量信息，包括对比度、能量、相关
确率达到87.78%,且不需要考虑水花等对成像质量的影响.具有较强的适应性本方法可用于龟类食欲的
自动客观评佔.为后续投喂决策提供理论依据和方法支持。
关键词：水产养殖；近红外机器视觉；鱼类摄食强度评估；支持向量机；投喂决策
中图分类号：S24
文献标志码：A
文章编号：201812-SA016
周 超,徐大明，斉 凯.陈 澜.张 松，孙传恒.畅信廷.基于近红外机器视觉的鱼类摄食强度检测方法研究 [J].智慧农业.2019, 1(1): 76-84. Zhou C, Xu D, Lin K, Chen L, Zhang S, Sun C, Yang X. Evaluation offish 宦eding activity in aquaculture based on near infrared machine vision[J]. Smart Agriculture, 2019, 1(1): 76-84. (in Chinese with English abstract)
统用于鱼类的运动轨迹跟踪并取得了较好的效果 ㈤。Zhou等商利用Delaunay三角剖分评估了低密 度养殖条件下的鱼类摄食行为变化。而对于高密 度养殖鱼类，可以通过探测鱼类活动引起的水花 变化来评估其摄食强度问。但是对底栖鱼或小个 体鱼类，其摄食活动不足以搅动水面形成水花， 方法的应用范围受限制。
1引言
集约化水产养殖中，鱼类的投喂水平直接决 定了养殖效率和生产成本，投喂不足会影响鱼类 生长.过量投喂则会降低饲料的转化效率，残留
的饵料还会污染环境。鱼类食欲可以通过摄食状 况反映，对指导投喂至关重要根据鱼类食欲自 动调整投喂量是近年来研究和发展的趋势冋。
监测和分析鱼类的摄食强度是最直接和有效 评估鱼类食欲强弱的方法。在实际生产中，可以
yangxt(k/
Vol. l,No. I
周超等：基于近红外机器视觉的鱼类摄食强度评估方法研究
77
通过人工观察评估鱼类的摄食强度，但常常受观 察者个人经验等因素的影响，易造成过投喂或者 投喂不足，尤其是在商业规模的养殖场，人工观 察法大幅提高了劳动和时间成本。因此，迫切需 要一种能够自动客观评估鱼类摄食强度的新方 法。在以往研究中，Kolarevic等同和Rakowitz 等切利用高频成像声呐和声学标签获取和量化了 鱼类的行为，从而实现鱼类摄食强度的评估。声 学技术虽然可以在没有光线的条件下使用，但是 受限于其高成本和开发难度，很难真正用于生产 实践中叫
2019年1月第1卷第1期
智慧农业 Smart Agriculture
Jan. 2019 Vol. l,No. 1
doi:10」21334.smartag.2019.1.1.201812-SAO16
基于近红外机器视觉的鱼类摄食强度评估方法研究
周超 1-234,徐大明 123,4,吝凯 1,234,陈澜 1.2.3.4,张松 1.2.3.4, 孙传恒Z3.4,杨信廷1.2.3冲
机器视觉是一种自动非入侵式且经济的监控 方法。在以往研究中，已有学者通过利用机器视 觉监控了鱼群的摄食行为和饲料消耗程度，进而 评估了鱼群摄食情况何叭机器视觉中的帧间差法 是常用的获取图像差异的方法，基于此，许多鱼 群摄食行为的量化指标被提取出来㈣。例如，Liu 等晒提出的鱼群摄食活性量化指标与人工观测法 的线性相关系数可达0.92。在此基础上，Ye等问 采用光流提取群体的行为特征（速度和转角）， 并利用胃肠饱满指数和组合爛评估鱼群的摄食强 度网。赵建团队还提出了一种利用改进动能模型 的鱼群摄食强度评估方法，在探测聚集和离散行 为方面具有较高的成功率"岡。还有学者通过计 算摄像机视野范围内鱼群数量，实现摄食激烈程 度的量化口。以上研究表明，利用机器视觉分析 鱼群的摄食行为，进而评估其摄食强度为一种可 行且有效的手段何，为本研究提供了借鉴和基础。
(1.北京农业信息技术研究中心，北京100097 ； 2.国家农业信息化工程技术研究中心，北京100097； 3.农产品质量安全追溯技术及应用国家工程实验室 ，北京100097； 4.农业部农业信息技术重点实验室，北京100097)
摘要：在水产养殖中，鱼类的摄食强度町以反映其食欲.准确客观地评估鱼类的摄食强度对指导投喂和
性、逆差距和炳等 之后，将这5个特征变量作为输入向量构建了模型的数据集，并训练J'支持向量机分
类器。为了提高模型分类的准确率，利用网格搜索法选取支持向量机分类器的最优惩罚系数「和核函数参
数g最后利用训练好的模型将鱼类的摄食强度分为弱、一般、中和强4类，最终实现了血类摄食强度的
评估 试验结果表明.图像纹理可以较好地描述鱼类摄食过程中的行为变化.正确识别4类摄食强度的准
收稿日期:2018-11-20 修回日期:2018-12-28 基金项目:国家重点研发计划(2017YFD070I705)；北京市优秀人才培养项目资助(2017000057592G125) 作者简介：周 超(1984-),男,博士,高级丁程师,研究方向:智能决策与优化控制,Email： zhouc@ •通讯作者：杨信廷(1974-),男，博士，研究员，研究方向：农业智能控制装备与系统，电话：01()-51503476, Email：
生产实践具冇重要意义针对当前鱼类摄食强度评估过程中存在的人T.观测效率低、客观件不强的问题，
本研究以实现血类食欲的自动客观分析为目的，提.'HT-种基于近红外机器视觉的游泳型龟类摄食强度的
评估方法，首先，利用近红外「:业相机搭建『近红外图像采集系统，采集了鱼类摄食过程中的图像:经过
-系列图像处理步骤后，利用灰度共生矩阵提取摄食图像的纹理特征变量信息，包括对比度、能量、相关
确率达到87.78%,且不需要考虑水花等对成像质量的影响.具有较强的适应性本方法可用于龟类食欲的
自动客观评佔.为后续投喂决策提供理论依据和方法支持。
关键词：水产养殖；近红外机器视觉；鱼类摄食强度评估；支持向量机；投喂决策
中图分类号：S24
文献标志码：A
文章编号：201812-SA016
周 超,徐大明，斉 凯.陈 澜.张 松，孙传恒.畅信廷.基于近红外机器视觉的鱼类摄食强度检测方法研究 [J].智慧农业.2019, 1(1): 76-84. Zhou C, Xu D, Lin K, Chen L, Zhang S, Sun C, Yang X. Evaluation offish 宦eding activity in aquaculture based on near infrared machine vision[J]. Smart Agriculture, 2019, 1(1): 76-84. (in Chinese with English abstract)