陳志鵬　陳明

摘要：【目的】借助計(jì)算機(jī)視覺(jué)技術(shù)檢測(cè)魚(yú)群的攝食行為變化，為實(shí)現(xiàn)水產(chǎn)養(yǎng)殖中的精準(zhǔn)投喂提供參考?！痉椒ā恳圆术帪樵囼?yàn)對(duì)象，首先對(duì)魚(yú)群攝食過(guò)程的圖像進(jìn)行中值濾波、直方圖均衡化預(yù)處理，提取目標(biāo)魚(yú)群前景圖像，然后通過(guò)灰度共生矩陣計(jì)算魚(yú)群的紋理特征，利用Lucas-Kanade光流法計(jì)算魚(yú)群的運(yùn)動(dòng)方向矢量，并采用方向熵表征魚(yú)群運(yùn)動(dòng)的混亂程度，最后利用支持向量機(jī)算法對(duì)魚(yú)群攝食圖像進(jìn)行訓(xùn)練檢測(cè)。【結(jié)果】圖像預(yù)處理方法減少了水質(zhì)渾濁對(duì)魚(yú)群圖像檢測(cè)的影響;基于光流法與圖像紋理特征定量分析魚(yú)群的攝食過(guò)程變化，避免了水面抖動(dòng)及水花等復(fù)雜因素的影響。該方法的檢測(cè)準(zhǔn)確率達(dá)97.0%，基本上能檢測(cè)識(shí)別出所有的魚(yú)群攝食狀態(tài)與正常游動(dòng)狀態(tài)圖像;與基于形狀和紋理特征的檢測(cè)方法相比，其檢測(cè)精度提高4.5%（絕對(duì)值），可更好地滿足池塘養(yǎng)殖環(huán)境下的魚(yú)群攝食行為檢測(cè)工作需要。【建議】在今后的研究中將獲取更多魚(yú)群在不同環(huán)境下的攝食圖像，以提高模型泛化性，同時(shí)對(duì)魚(yú)群不同攝食階段特征參數(shù)設(shè)定閾值告警，以便更好地應(yīng)用于智能餌料投喂設(shè)備研究。

關(guān)鍵詞： 圖像紋理;光流法;魚(yú)群攝食行為;支持向量機(jī)

中圖分類(lèi)號(hào)： S951.2 ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)志碼： A 文章編號(hào)：2095-1191（2019）05-1141-08

Abstract：【Objective】Using computer vision technology to detect changes in feeding behavior of shoal could provide a reference for accurate feeding in aquaculture. 【Method】Taking Cyprinus carpio var. color as an experimental object， median filtering and histogram equalization pre-processing were used to extract the foreground image of the target shoal， and the texture features of the shoal were calculated by the gray level co-occurrence matrix. The direction vector of the shoal was calculated by Lucas-Kanade optical flow method， then used direction entropy to characterize the chaos of shoal movement. Finally， the support vector machine algorithm was used to train and test the shoal feeding image. 【Result】In this paper， the image preprocessing method was used to reduce the influence of water turbidity on fish image detection. The optical flow method and image texture features quantitatively analyzed the changes in the feeding process of the shoal， avoiding the influence of complex factors such as water surface jitter and water splash. The experimental results showed that the detection accuracy of this method reached 97.0%， and it could basically detect the images of all the shoal feeding state and normal swimming state. Compared with the detection methods based on shape and texture features， the detection accuracy was improved by 4.5%（absolute value）， this method could better solve the problem of shoal feeding behavior detection in pond culture environment. 【Suggestion】In the subsequent study， more shoal feeding image in di-fferent environments will be used to improve the generalization of the model. In addition， threshold alarms will be set for the features parameters of different feeding stages of the fish to better apply to the research of intelligent bait feeding equipment.

Key words： image texture; optical flow methods; shoal feeding behavior; support vector machine

0 引言

【研究意義】近年來(lái)，隨著我國(guó)水產(chǎn)養(yǎng)殖技術(shù)的不斷發(fā)展，工廠規(guī)?；靥翝O業(yè)養(yǎng)殖產(chǎn)量不斷提高，水產(chǎn)養(yǎng)殖中魚(yú)群投喂量的精準(zhǔn)控制問(wèn)題受到越來(lái)越多的重視。目前魚(yú)群投喂仍以人工觀察投喂或機(jī)器投喂為主，無(wú)法根據(jù)魚(yú)群的實(shí)際攝食行為變化進(jìn)行精準(zhǔn)控制，從而造成飼養(yǎng)成本上升及水質(zhì)環(huán)境惡化，影響?hù)~(yú)群的健康生長(zhǎng)（周應(yīng)祺等，2013;胡金有等，2015），同時(shí)人工投喂的人力成本和技術(shù)成本會(huì)制約漁業(yè)生產(chǎn)效率。此外，魚(yú)群的攝食欲望變化會(huì)直接影響?hù)~(yú)群的攝食行為變化。因此，通過(guò)研究分析魚(yú)群的攝食行為指導(dǎo)魚(yú)群精準(zhǔn)投喂，有利于提高水產(chǎn)養(yǎng)殖效率。計(jì)算機(jī)視覺(jué)技術(shù)作為一種高精度、無(wú)接觸技術(shù)，在魚(yú)類(lèi)檢測(cè)分析方面已成為重要的研究方向（段延娥等，2015）。利用計(jì)算機(jī)視覺(jué)技術(shù)可實(shí)時(shí)觀測(cè)魚(yú)群的攝食狀態(tài)，能夠精準(zhǔn)判斷投餌時(shí)間，從而控制餌料的投放，有效提高餌料利用率。由于魚(yú)群在不同生長(zhǎng)階段的攝食活動(dòng)強(qiáng)度差異明顯（Delcourt et al.，2013;Delphine and Dominique，2014;Hu et al.，2016），因此利用計(jì)算機(jī)視覺(jué)技術(shù)檢測(cè)出魚(yú)群攝食狀態(tài)，從而量化分析魚(yú)群攝食過(guò)程，對(duì)于魚(yú)群餌料投放問(wèn)題的研究具有重要意義。【前人研究進(jìn)展】目前將計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用于魚(yú)類(lèi)行為學(xué)的研究已有許多成果。Ma等（2010）通過(guò)計(jì)算機(jī)視覺(jué)系統(tǒng)研究分析魚(yú)的運(yùn)動(dòng)軌跡變化情況來(lái)實(shí)時(shí)監(jiān)測(cè)水質(zhì)，但該方法檢測(cè)精度不高且對(duì)試驗(yàn)條件有一定要求。于欣等（2014）采用魚(yú)群運(yùn)動(dòng)光流法和運(yùn)動(dòng)特征統(tǒng)計(jì)方法得到魚(yú)群運(yùn)動(dòng)矢量特征的概率分布情況，以此用來(lái)檢測(cè)魚(yú)群的異常行為，獲得較高的檢測(cè)精度。Liu等（2014）通過(guò)幀間差分法量化分析魚(yú)群的攝食行為，可免去對(duì)個(gè)體的跟蹤，但忽略魚(yú)群攝食引起的水花及反光等因素影響，使得檢測(cè)精度不足且計(jì)算復(fù)雜。趙建等（2016）提出一種改進(jìn)動(dòng)能模型量化魚(yú)群攝食變化過(guò)程，結(jié)合Lucas-Kanade光流法及信息熵提取水面反光區(qū)域變化特征進(jìn)行攝食評(píng)估，避免了對(duì)魚(yú)群前景提取，但對(duì)試驗(yàn)對(duì)象規(guī)模有一定要求。陳彩文等（2017）采用魚(yú)群攝食圖像紋理變化表征魚(yú)群攝食過(guò)程強(qiáng)度的變化，有效避免了魚(yú)群攝食過(guò)程中引起的水面反光等因素影響，檢測(cè)方法較簡(jiǎn)單，但檢測(cè)精度有待提高?！颈狙芯壳腥朦c(diǎn)】目前的研究大多是基于循環(huán)水養(yǎng)殖系統(tǒng)下的魚(yú)群進(jìn)行實(shí)驗(yàn)分析，對(duì)于規(guī)?；某靥琉B(yǎng)殖研究較少。由于池塘養(yǎng)殖環(huán)境下的水質(zhì)相對(duì)渾濁，跟蹤提取魚(yú)群目標(biāo)位置的過(guò)程較困難且魚(yú)群存在密度較大、相互遮擋現(xiàn)象，使得量化分析魚(yú)群攝食過(guò)程十分困難（王勇平等，2015;Pautsina et al.，2015;Zhao et al.，2016）。魚(yú)群的攝食過(guò)程主要是運(yùn)動(dòng)速度和運(yùn)動(dòng)方向突變的過(guò)程，采用光流法能夠通過(guò)檢測(cè)圖像像素點(diǎn)隨著幀數(shù)變化情況提取目標(biāo)的運(yùn)動(dòng)速度和方向矢量特征，進(jìn)而檢測(cè)出圖像中的魚(yú)群運(yùn)動(dòng)目標(biāo)，并且避免對(duì)魚(yú)群的跟蹤（Andrade et al.，2005）。此外，魚(yú)群圖像紋理會(huì)隨著魚(yú)群攝食行為的變化而改變。魚(yú)群攝食過(guò)程環(huán)境復(fù)雜多變且運(yùn)動(dòng)過(guò)程混亂，若僅采用光流法獲取魚(yú)群攝食過(guò)程中的運(yùn)動(dòng)方向特征，容易對(duì)低密度魚(yú)群圖像產(chǎn)生誤判;僅采用紋理信息，則在檢測(cè)區(qū)域魚(yú)群數(shù)量過(guò)多且正常游動(dòng)情況下同樣產(chǎn)生誤判。【擬解決的關(guān)鍵問(wèn)題】以池塘養(yǎng)殖彩鯉為試驗(yàn)對(duì)象，結(jié)合養(yǎng)殖魚(yú)群攝食特性，提取出魚(yú)群圖像紋理特征和Lucas-Kanade光流方向熵特征，基于支持向量機(jī)（Support vector machine，SVM）對(duì)魚(yú)群攝食行為進(jìn)行檢測(cè)，為解決魚(yú)群精準(zhǔn)投喂問(wèn)題和實(shí)現(xiàn)智能化農(nóng)業(yè)發(fā)展提供參考依據(jù)。

1 數(shù)據(jù)來(lái)源與研究方法

1. 1 試驗(yàn)材料

試驗(yàn)對(duì)象為上海海洋大學(xué)養(yǎng)殖池塘觀賞彩鯉。該魚(yú)種生長(zhǎng)較快，養(yǎng)殖效益高，此外魚(yú)體體色艷麗，便于圖像采集設(shè)備拍攝。試驗(yàn)魚(yú)體長(zhǎng)15～25 cm，飼養(yǎng)于深約1.0 m的池塘中，水體溫度保持在15 ℃左右。試驗(yàn)時(shí)間為2018年5—8月。試驗(yàn)前彩鯉已經(jīng)于養(yǎng)殖池塘中生活數(shù)月并充分適應(yīng)環(huán)境。

1. 2 魚(yú)群圖像采集

試驗(yàn)魚(yú)群圖像數(shù)據(jù)采集系統(tǒng)如圖1所示，將一臺(tái)普通攝像機(jī)安裝固定在距離養(yǎng)殖池塘邊緣垂直高1.5 m的位置進(jìn)行拍攝，保證能采集較高質(zhì)量的圖像數(shù)據(jù)，通過(guò)調(diào)整鏡頭方向使其拍攝到池塘部分區(qū)域并確保拍攝環(huán)境光照均勻。采集的視頻圖像為位深24 bit的RGB圖像，圖像分辨率為640×368像素，幀率為30幀/s。拍攝的視頻圖像包含魚(yú)群正常游動(dòng)階段、投喂攝食階段及攝食后游動(dòng)階段。試驗(yàn)過(guò)程中每隔1 s截取一幀進(jìn)行計(jì)算，通過(guò)減少計(jì)算幀數(shù)來(lái)降低試驗(yàn)所需計(jì)算時(shí)間，提高檢測(cè)效率和實(shí)時(shí)性。借助MATLAB R2013a圖像處理軟件在魚(yú)群攝食過(guò)程視頻中采集共700幀圖像，并進(jìn)行檢測(cè)分析，算法試驗(yàn)平臺(tái)為VS 2012和OpenCV 3.4.2。

1. 3 魚(yú)群攝食行為分析及特征提取研究方法

魚(yú)群在正常游動(dòng)階段一般會(huì)集群游動(dòng)，游動(dòng)方式較統(tǒng)一，而在投喂攝食階段，魚(yú)群會(huì)迅速游到餌料投放位置搶食，運(yùn)動(dòng)方向較混亂，并引起水面波紋抖動(dòng)及反光現(xiàn)象，圖像紋理也會(huì)相應(yīng)改變。同時(shí)受光照、魚(yú)群間遮擋及水質(zhì)環(huán)境等影響，采用傳統(tǒng)方法解決魚(yú)群分割與識(shí)別的問(wèn)題較復(fù)雜。本研究將魚(yú)群攝食過(guò)程中引起的水面波紋抖動(dòng)和濺起的水花也作為魚(yú)群圖像紋理變化因素，以整個(gè)魚(yú)群的圖像特征作為切入點(diǎn)，對(duì)魚(yú)群的攝食行為進(jìn)行研究。結(jié)果發(fā)現(xiàn)，隨著魚(yú)群攝食活動(dòng)及攝食魚(yú)群數(shù)量的變化，圖像紋理也會(huì)發(fā)生不同程度變化。圖2為魚(yú)群攝食前后的彩色圖片和灰度圖片。

試驗(yàn)流程如圖3所示，首先采用中值濾波方法去除圖像噪聲，對(duì)采集到的圖像進(jìn)行直方圖均衡化處理，以增強(qiáng)在相對(duì)渾濁的水質(zhì)背景下魚(yú)群對(duì)比度。然后利用自適應(yīng)高斯背景建模不斷更新背景圖像;再通過(guò)背景減除提取魚(yú)群前景圖像并灰度化，利用灰度共生矩陣提取出魚(yú)群攝食圖像的紋理特征;同時(shí)，通過(guò)Lucas-Kanade光流法計(jì)算獲取的前景魚(yú)群目標(biāo)運(yùn)動(dòng)方向矢量，建立方向直方圖統(tǒng)計(jì)每幀圖像的方向矢量概率分布，據(jù)此計(jì)算魚(yú)群運(yùn)動(dòng)方向熵并用來(lái)表示每幀圖像魚(yú)群運(yùn)動(dòng)方向的混亂程度，從而估計(jì)出魚(yú)群攝食的混亂程度。最后將提取的圖像紋理特征及光流方向熵特征采用SVM進(jìn)行訓(xùn)練并檢測(cè)魚(yú)群的攝食狀態(tài)變化。

2 結(jié)果與分析

2. 1 基于灰度共生矩陣的魚(yú)群圖像紋理特征提取

紋理是反映物體表面隨時(shí)間變化的空間結(jié)構(gòu)組成特征，如光滑度和粗糙度等，主要體現(xiàn)在圖像像素及其鄰域的灰度分布（劉麗和匡綱要，2009;Sadoul et al.，2014;喬峰等，2015）。通常采用灰度共生矩陣的統(tǒng)計(jì)特征來(lái)描述圖像的紋理分布信息。紋理是在空間位置上的灰度分布而形成，因此，在圖像中的任意兩個(gè)像素間均會(huì)存在一定的灰度關(guān)系，而采用灰度共生矩陣對(duì)灰度關(guān)系進(jìn)行統(tǒng)計(jì)，其描述了灰度圖像的方向、相鄰間隔和變化幅度等綜合信息。本研究選取能量、逆差矩、對(duì)比度和熵4個(gè)特征來(lái)描述圖像的魚(yú)群紋理信息。

根據(jù)上述公式可知，灰度共生矩陣隨著不同方向、灰度等級(jí)及像素距離的變化會(huì)得到不同的圖像紋理信息。根據(jù)陳彩文等（2017）的研究結(jié)果，在0°、45°、90°和135°方向上的紋理信息所反映的特征變化趨勢(shì)基本相同。因此本研究選取像素方向?yàn)?°，灰度等級(jí)設(shè)為8級(jí)，像素距離設(shè)為10個(gè)像素，依此計(jì)算魚(yú)群攝食圖像的4個(gè)紋理特征參數(shù)量化魚(yú)群攝食變化過(guò)程。

2. 2 基于光流法的魚(yú)群運(yùn)動(dòng)方向熵特征提取

本研究采用Lucas-Kanade光流算法（Lucas and Kanade，1981;杜鑒豪和許力，2011）提取魚(yú)群的運(yùn)動(dòng)矢量特征，使空間窗口內(nèi)的光流數(shù)量保持恒定，能夠根據(jù)視頻圖像中的運(yùn)動(dòng)目標(biāo)數(shù)量及大小自動(dòng)建立光流計(jì)算窗口大小，計(jì)算過(guò)程中只需要跟蹤少量的運(yùn)動(dòng)矢量特征點(diǎn)，計(jì)算量較少且應(yīng)用場(chǎng)景廣泛。通過(guò)光流法對(duì)每一幀圖像的魚(yú)群運(yùn)動(dòng)方向矢量進(jìn)行統(tǒng)計(jì)，所得到的魚(yú)群主要運(yùn)動(dòng)趨勢(shì)即可代表當(dāng)前幀魚(yú)群的運(yùn)動(dòng)趨勢(shì);通過(guò)建立方向直方圖統(tǒng)計(jì)魚(yú)群的運(yùn)動(dòng)方向矢量，方向直方圖是按照每45°為一個(gè)區(qū)間建立方向直方圖條，即360°方向共分為8個(gè)區(qū)間范圍。直方圖（h）的定義如下：

式中，p表示運(yùn)動(dòng)矢量方向的概率分布，x表示圖像幀數(shù)。熵值較小，則認(rèn)為魚(yú)群運(yùn)動(dòng)方向趨于一致，魚(yú)群處于正常游動(dòng)狀態(tài);熵值較大，則認(rèn)為魚(yú)群運(yùn)動(dòng)混亂，魚(yú)群處于攝食狀態(tài)。

在試驗(yàn)過(guò)程中，首先讀取魚(yú)群攝食視頻幀，并獲取魚(yú)群前景圖像。其次，利用Lucas-Kanade光流法選取每個(gè)圖像幀中的光流場(chǎng)運(yùn)動(dòng)矢量特征點(diǎn)進(jìn)行計(jì)算，并將所得到的光流矢量極坐標(biāo)化;通過(guò)公式（1）統(tǒng)計(jì)每個(gè)方向區(qū)間的光流矢量數(shù);通過(guò)公式（2）計(jì)算光流矢量概率分布來(lái)建立方向直方圖，則該直方圖即可表示該幀圖像中魚(yú)群的運(yùn)動(dòng)方向趨勢(shì);通過(guò)公式（3）計(jì)算得出該幀圖像的運(yùn)動(dòng)方向熵。為了更直觀、清晰地查看試驗(yàn)效果，將每幀圖像選取的光流矢量點(diǎn)用紅色箭頭表示。如圖4所示，第52幀圖像為魚(yú)群正常游動(dòng)圖像，魚(yú)群運(yùn)動(dòng)方向主要以0°方向的上下45°范圍內(nèi)為主，對(duì)應(yīng)其運(yùn)動(dòng)方向直方圖的第1和第8個(gè)運(yùn)動(dòng)方向區(qū)間概率分布值相對(duì)較高，表明該方向區(qū)間即為魚(yú)群主要游動(dòng)方向。如圖5所示，第326幀圖像為魚(yú)群處于攝食狀態(tài)的圖像，此時(shí)魚(yú)群運(yùn)動(dòng)方向比較混亂，對(duì)應(yīng)其運(yùn)動(dòng)方向直方圖所有區(qū)間上的概率分布值相對(duì)比較均衡。

2. 3 特征參數(shù)曲線變化分析

根據(jù)上述方法獲得的圖像紋理特征及光流方向熵特征曲線如圖6和圖7所示，能量、逆差矩、對(duì)比度和熵4個(gè)圖像紋理特征和方向熵均能較好地描述魚(yú)群的攝食行為變化過(guò)程。在1～100幀時(shí)，魚(yú)群處于正常的游動(dòng)狀態(tài)，由圖6-A和圖6-B可看出，能量和逆差矩特征值有小幅減少，但總體波動(dòng)不大;由圖6-C和圖6-D可看出，對(duì)比度和熵特征值有小幅增加但總體波動(dòng)同樣不大;由圖7可看出，魚(yú)群的運(yùn)動(dòng)方向熵特征值波動(dòng)基本不變。在100～600幀時(shí)，魚(yú)群處于攝食狀態(tài)，此時(shí)魚(yú)群開(kāi)始四處游動(dòng)搶食，魚(yú)群個(gè)體運(yùn)動(dòng)方向十分混亂;由圖6-A和圖6-B可看出，能量和逆差矩特征值在攝食初期突然大幅度減少，且在整個(gè)攝食期間有較大波動(dòng);而由圖6-C和圖6-D可看出，對(duì)比度和熵特征值在攝食初期突然大幅增加且在整個(gè)攝食期間同樣有較大波動(dòng);由圖7可看出，魚(yú)群的運(yùn)動(dòng)方向熵特征值同樣突然變大且在整個(gè)攝食期間波動(dòng)幅度較大。在600～700幀時(shí)，魚(yú)群基本攝食完畢并逐漸返回到正常游動(dòng)狀態(tài)，僅有少量魚(yú)群搶食殘餌，由圖6-A和圖6-B可看出，能量和逆差矩特征值又逐漸增加到攝食前的水平且有小幅突變，這也與少量魚(yú)群搶食殘餌有關(guān);而由圖6-C和圖6-D可看出，對(duì)比度和熵特征值逐漸減少并基本恢復(fù)到攝食前的水平值;由圖7可看出，魚(yú)群的運(yùn)動(dòng)方向熵特征值也在逐漸減少并有小幅波動(dòng)。

2. 4 檢測(cè)方法的比較分析

2. 4. 1 基于SVM的魚(yú)群攝食行為檢測(cè)分析 為了能準(zhǔn)確檢測(cè)出魚(yú)群的攝食狀態(tài)圖像，本研究選取SVM用于訓(xùn)練所提取出的能量、逆差矩、對(duì)比度和熵4個(gè)圖像紋理特征和方向熵特征參數(shù)。SVM采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，具有良好的學(xué)習(xí)泛化能力，可很好地克服神經(jīng)網(wǎng)絡(luò)技術(shù)中所面臨的訓(xùn)練速度慢、學(xué)習(xí)精度低等問(wèn)題，在解決分類(lèi)識(shí)別問(wèn)題中應(yīng)用廣泛（張學(xué)工，2000;陳彩文等，2018）。在SVM訓(xùn)練過(guò)程中，其準(zhǔn)確率與核函數(shù)的選取具有密切關(guān)系。大量的研究結(jié)果均表明徑向基（Radial basis function，RBF）核函數(shù)可較好地解決非線性映射分類(lèi)問(wèn)題。因此本研究選用徑向基核函數(shù)，即

K（x，y）=exp[-x-y22σ2]

在選取訓(xùn)練樣本集過(guò)程中，隨機(jī)選擇700幀樣本集中的500幀圖片作為訓(xùn)練集，剩下的200幀圖片作為測(cè)試集，利用SVM開(kāi)始進(jìn)行訓(xùn)練和測(cè)試。為避免特征數(shù)值變化范圍過(guò)大，也為使訓(xùn)練參數(shù)優(yōu)化時(shí)能以較快的速度收斂，本研究將所提取的4個(gè)紋理特征參數(shù)及方向熵特征參數(shù)進(jìn)行歸一化處理。由于懲罰參數(shù)c和核函數(shù)參數(shù)g影響SVM模型的訓(xùn)練結(jié)果，采用libSVM軟件包快速選擇最優(yōu)核函數(shù)參數(shù)，其中包含較多默認(rèn)參數(shù)，可有效減少分類(lèi)時(shí)間。經(jīng)過(guò)多次參數(shù)調(diào)優(yōu)試驗(yàn)，當(dāng)c=12，g=0.4472時(shí)，可得到最佳檢測(cè)效果。

2. 4. 2 基于形狀與紋理特征的魚(yú)類(lèi)攝食狀態(tài)檢測(cè)方法 為驗(yàn)證本研究中方法的有效性，通過(guò)與郭強(qiáng)等（2018）的檢測(cè)方法進(jìn)行比較。該方法根據(jù)魚(yú)群攝食過(guò)程中的整體形狀參數(shù)變化特點(diǎn)及圖像紋理熵值變化，采用BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后用于檢測(cè)魚(yú)群攝食狀態(tài)，取得了良好的檢測(cè)效果。利用該方法計(jì)算本研究所獲得出的魚(yú)群攝食過(guò)程中的形狀參數(shù)變化曲線如圖8所示，形狀參數(shù)在100～600幀時(shí)變化趨勢(shì)比較明顯，該方法在面對(duì)養(yǎng)殖池水質(zhì)渾濁且視頻監(jiān)測(cè)范圍有限的情況下，僅提取了魚(yú)群圖像形狀及紋理靜態(tài)特征，另外魚(yú)群運(yùn)動(dòng)過(guò)程中的形狀參數(shù)多變且難以準(zhǔn)確提取，對(duì)于試驗(yàn)結(jié)果會(huì)有一定影響。

2. 4. 3 檢測(cè)結(jié)果對(duì)比分析 將兩種方法進(jìn)行訓(xùn)練測(cè)試后，所得結(jié)果如表1所示，基于形狀和紋理檢測(cè)方法的準(zhǔn)確率為92.5%，低于基于光流法與圖像紋理特征的檢測(cè)方法，其原因是由于前者僅考慮魚(yú)群圖像靜態(tài)特征變化信息，對(duì)于魚(yú)群聚集而未攝食的狀態(tài)易產(chǎn)生誤判，同時(shí)對(duì)于渾濁水質(zhì)環(huán)境下的魚(yú)群形狀特征難以準(zhǔn)確提取。而本研究雖然檢測(cè)所需時(shí)間較長(zhǎng)，達(dá)7.41 s，但準(zhǔn)確率更高，達(dá)97.0%，且在實(shí)際養(yǎng)殖環(huán)境下，檢測(cè)時(shí)間對(duì)結(jié)果產(chǎn)生的影響可忽略。本研究在面對(duì)渾濁水質(zhì)環(huán)境下，通過(guò)對(duì)魚(yú)群攝食行為靜態(tài)紋理特征與光流動(dòng)態(tài)特征結(jié)合進(jìn)行分析，不需要考慮由魚(yú)群搶食引起的水面波動(dòng)等復(fù)雜因素影響，對(duì)于魚(yú)群的攝食行為檢測(cè)具有較高的準(zhǔn)確率。因此本研究可應(yīng)用于魚(yú)群的攝食行為分析與精準(zhǔn)投喂研究。

3 討論

本研究通過(guò)結(jié)合圖像的靜態(tài)紋理特征和魚(yú)群運(yùn)動(dòng)的動(dòng)態(tài)光流方向熵特征，對(duì)魚(yú)群攝食過(guò)程參數(shù)變化進(jìn)行定量分析研究，并有效檢測(cè)出魚(yú)群的攝食狀態(tài)變化，避免了水面抖動(dòng)及水花等復(fù)雜因素的影響，對(duì)于研究水質(zhì)相對(duì)渾濁的養(yǎng)殖環(huán)境下魚(yú)群攝食行為分析與精準(zhǔn)投喂問(wèn)題具有一定的指導(dǎo)意義。根據(jù)魚(yú)群的攝食行為或與攝食相關(guān)的因素變化建立投喂策略模型，可有效實(shí)現(xiàn)飼料投喂量及投喂時(shí)間的精準(zhǔn)控制。邢克智等（2013）結(jié)合養(yǎng)殖對(duì)象生長(zhǎng)預(yù)測(cè)模型，建立了不同生長(zhǎng)階段中投喂率及投喂量的變化模型，并開(kāi)發(fā)了基于專(zhuān)家知識(shí)和模型的水產(chǎn)品精細(xì)養(yǎng)殖管理決策系統(tǒng)。Liu等（2014）結(jié)合投喂前后的水體溶解氧變化情況，建立以魚(yú)群聚集指數(shù)和爭(zhēng)搶強(qiáng)度變化參數(shù)為輸入的人工神經(jīng)網(wǎng)絡(luò)模型，從而決定投喂策略，取得了良好的試驗(yàn)效果。盡管上述方法都取得了不錯(cuò)的試驗(yàn)效果，但均為基于室內(nèi)小范圍或循環(huán)水養(yǎng)殖系統(tǒng)（Recirculating aquaculture system，RAS）下的研究，針對(duì)粗放型池塘養(yǎng)殖環(huán)境下的魚(yú)群攝食行為量化效果還需進(jìn)一步驗(yàn)證。

雖然本研究檢測(cè)效果良好，但在某些方面還需要改進(jìn)，如采集的魚(yú)群攝食視頻分辨率不高，成像質(zhì)量相對(duì)較低，同時(shí)魚(yú)群的攝食狀態(tài)圖像以人工分類(lèi)為主，對(duì)于模型訓(xùn)練檢測(cè)結(jié)果可能會(huì)有一定影響。此外，采用SVM訓(xùn)練模型的樣本類(lèi)型較少，模型泛化能力不足。而試驗(yàn)對(duì)象的游動(dòng)習(xí)性及養(yǎng)殖密度是本研究檢測(cè)率較高的重要原因，對(duì)于工業(yè)化養(yǎng)殖模式下具有更大規(guī)模魚(yú)群的攝食行為檢測(cè)效果也有待商榷。

4 建議

本研究結(jié)合圖像紋理和Lucas-Kanade光流法來(lái)量化魚(yú)群的攝食行為強(qiáng)度，并采用SVM訓(xùn)練檢測(cè)魚(yú)群攝食狀態(tài)，取得良好的檢測(cè)效果，可為魚(yú)群精準(zhǔn)投喂難題的研究提供參考，但同時(shí)需要在以下方面進(jìn)行改進(jìn)：（1）獲取多角度圖像增強(qiáng)模型泛化性。采用高分辨率視頻采集設(shè)備獲取更高質(zhì)量的圖像數(shù)據(jù)，并通過(guò)調(diào)整拍攝角度盡可能減少光照反射的影響，提高檢測(cè)精度。同時(shí)增加不同拍攝角度的魚(yú)群在不同天氣、養(yǎng)殖環(huán)境下的游動(dòng)圖像，從而增強(qiáng)模型檢測(cè)泛化性能。（2）劃分不同攝食階段閾值告警。將魚(yú)群攝食過(guò)程劃分為多個(gè)階段，并對(duì)每個(gè)階段劃分不同的方向熵值范圍，從而及時(shí)判定魚(yú)群攝食狀態(tài)，可用于指導(dǎo)餌料的自動(dòng)投放。在獲取魚(yú)群的光流方向矢量過(guò)程中，考慮增加魚(yú)群光流速度矢量特征對(duì)于檢測(cè)結(jié)果的精度提高具有一定幫助。（3）結(jié)合水質(zhì)環(huán)境變化控制投喂。將計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用于水產(chǎn)養(yǎng)殖生產(chǎn)可有效促進(jìn)漁業(yè)信息化發(fā)展，提升管理效率和養(yǎng)殖效益。在利用計(jì)算機(jī)視覺(jué)技術(shù)的同時(shí)要結(jié)合水溫和溶氧量等水質(zhì)環(huán)境變化因素，可更準(zhǔn)確地監(jiān)控魚(yú)群狀態(tài)，使水產(chǎn)養(yǎng)殖向精細(xì)化、科學(xué)化方向發(fā)展。

參考文獻(xiàn)：

陳彩文，杜永貴，周超，孫傳恒. 2017. 基于圖像紋理特征的養(yǎng)殖魚(yú)群攝食活動(dòng)強(qiáng)度評(píng)估[J]. 農(nóng)業(yè)工程學(xué)報(bào)，33（5）：232-237. [Chen C W，Du Y G，Zhou C，Sun C H. 2017. Evaluation of feeding activity of shoal based on image texture[J]. Transactions of the Chinese Society of Agricultural Engineering，33（5）：232-237.]

陳彩文，杜永貴，周超，孫傳恒. 2018. 基于支持向量機(jī)的魚(yú)群攝食行為識(shí)別技術(shù)[J]. 江蘇農(nóng)業(yè)科學(xué)，46（7）：226-229. [Chen C W，Du Y G，Zhou C，Sun C H. 2018. Study on fish feeding behavior recognition technology based on support vector machine[J]. Jiangsu Agricultural Sciences，46（7）：226-229.]

杜鑒豪，許力. 2011. 基于區(qū)域光流特征的異常行為檢測(cè)[J]. 浙江大學(xué)學(xué)報(bào)（工學(xué)版），45（7）：1161-1166. [Du J H，Xu L. 2011. Abnormal behavior detection based on regional optical flow[J]. Journal of Zhejiang University（Enginee-ring Science），45（7）：1161-1166.]

段延娥，李道亮，李振波，傅澤田. 2015. 基于計(jì)算機(jī)視覺(jué)的水產(chǎn)動(dòng)物視覺(jué)特征測(cè)量研究綜述[J]. 農(nóng)業(yè)工程學(xué)報(bào)，31（15）：1-11. [Duan Y E，Li D L，Li Z B，F(xiàn)u Z T. 2015. Review on visual attributes measurement research of aquatic animals based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering，31（15）：1-11.]

郭強(qiáng)，楊信廷，周超，吝凱，孫傳恒，陳明. 2018. 基于形狀與紋理特征的魚(yú)類(lèi)攝食狀態(tài)檢測(cè)方法[J]. 上海海洋大學(xué)學(xué)報(bào)，27（2）： 181-189. [Guo Q，Yang X T，Zhou C，Lin K，Sun C H，Chen M. 2018. Fish feeding behavior detection method based on shape and texture features[J]. Journal of Shanghai Ocean University，27（2）： 181-189.]

胡金有，王靖杰，張小栓，傅澤田. 2015. 水產(chǎn)養(yǎng)殖信息化關(guān)鍵技術(shù)研究現(xiàn)狀與趨勢(shì)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，46（7）：251-263. [Hu J Y，Wang J J，Zhang X S，F(xiàn)u Z T. 2015. Research status and development trends of information technologies in aquacultures[J]. Transactions of the Chinese Society for Agricultural Machinery，46（7）：251-263.]

劉麗，匡綱要. 2009. 圖像紋理特征提取方法綜述[J]. 中國(guó)圖象圖形學(xué)報(bào)，14（4）：622-635. [Liu L，Kuang G Y. 2009. Overview of image textural feature extraction methods[J]. Journal of Image and Graphics，14（4）：622-635.]

喬峰，鄭堤，胡利永，魏玉艷. 2015. 基于機(jī)器視覺(jué)實(shí)時(shí)決策的智能投餌系統(tǒng)研究[J]. 工程設(shè)計(jì)學(xué)報(bào)，22（6）：528-533. [Qiao F，Zheng D，Hu L Y，Wei Y Y. 2015. Research on smart bait casting machine based on machine vision technology[J]. Chinese Journal of Engineering Design，22（6）：528-533.]

王勇平，聶余滿，謝成軍，雙豐. 2015. 基于機(jī)器視覺(jué)的養(yǎng)殖魚(yú)群智能投餌系統(tǒng)設(shè)計(jì)與研究[J]. 儀表技術(shù)，（1）：1-4. [Wang Y P，Nie Y M，Xie C J，Shuang F. 2015. Design and research of intelligent feeding system for farmed fish based on machine vision[J]. Instrumentation Technology，（1）：1-4.]

邢克智，郭永軍，陳成勛，田云臣，華旭峰，徐大為. 2013. 水產(chǎn)養(yǎng)殖先進(jìn)傳感與智能處理關(guān)鍵技術(shù)及產(chǎn)品[J]. 天津科技，（2）： 45-46. [Xing K Z，Guo Y J，Chen C X，Tian Y C，Hua X F，Xu D W. 2013. Key technologies and products for advanced sensing and intelligent processing in aquaculture[J]. Tianjin Science & Technology，（2）： 45-46.]

于欣，侯曉嬌，盧煥達(dá)，余心杰，范良忠，劉鷹. 2014. 基于光流法與特征統(tǒng)計(jì)的魚(yú)群異常行為檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，30（2）：162-168. [Yu X，Hou X J，Lu H D，Yu X J，F(xiàn)an L Z，Liu Y. 2014. Anomaly detection of fish school behavior based on features statistical and optical flow methods[J]. Transactions of the Chinese Society of Agricultural Engineering，30（2）：162-168.]

張學(xué)工. 2000. 關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J]. 自動(dòng)化學(xué)報(bào)，26（1）： 32-42. [Zhang X G. 2000. Introduction to statistical learning theory and support vector machines[J]. Acta Automatica Sinica，26（1）： 32-42.]

趙建，朱松明，葉章穎，劉鷹，李勇，盧煥達(dá). 2016. 循環(huán)水養(yǎng)殖游泳型魚(yú)類(lèi)攝食活動(dòng)強(qiáng)度評(píng)估方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，47（8）：288-293. [Zhao J，Zhu S M，Ye Z Y，Liu Y，Li Y，Lu H D. 2016. Assessing method for feeding activity of swimming fishes in RAS[J]. Transactions of the Chinese Society for Agricultural Machinery，47（8）：288-293.]

周應(yīng)祺，王軍，錢(qián)衛(wèi)國(guó)，曹道梅，張仲秋，柳玲飛. 2013. 魚(yú)類(lèi)集群行為的研究進(jìn)展[J]. 上海海洋大學(xué)學(xué)報(bào)，22（5）：734-743. [Zhou Y Q，Wang J，Qian W G，Cao D M，Zhang Z Q，Liu L F. 2013. Review of fish schooling behavior study[J]. Journal of Shanghai Ocean University，22（5）：734-743.]

Andrade E L，Blunsden S，F(xiàn)isher R B. 2005. Characterisation of optical flow anomalies in pedestrian traffic[C]//The IEE International Symposium on Imaging for Crime Prevention and Detection. The IEE International Symposium on：73-78.

Delcourt J，Denoel M，Yileff M，Poncin P. 2013. Video multitracking of fish behavior of fish behavior：A synthesis and future perspectives[J]. Fish and Fisheries，14（2）：186-204.

Delphine M， Dominique P. 2014. Underwater video techniques for observing coastal marine biodiversity：A review of sixty years of publications（1952-2012）[J]. Fisheries Research， 154：44-62.

Hu L Y，Zheng D，Qiao F，Zhao J M，Chen J H. 2016. Research on smart cast for fish cage aquaculture based on image processing[C]//Proceedings of 2016 2nd Workshop on Advanced Research and Technology in Industry Applications（WARTIA 2016）. Computer Science and Electronic Technology International Society： 6.

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

Lucas B D，Kanade T. 1981. An iterative image registration technique with an application to stereo vision[C]//Proceedings of the 1981 DARPA Imaging Understanding Workshop. Carnegie Mellon University， the Robotics Institute： 121-130.

Ma H，Tsai T F，Liu C C. 2010. Real-time monitoring of water quality using temporal trajectory of live fish[J]. Expert Systems with Applications，37（7）：5158-5171.

Pautsina A，Císa? P，?tys D， Terjesen B F， Espmark ? M O. 2015. Infrared reflection system for indoor 3D tracking of fish[J]. Aquacultural Engineering，69：7-17.

Sadoul B，Mengues P E，F(xiàn)riggens N C，Prunet P，Colson V. 2014. A new method for measuring group behaviours of fish shoals from recorded videos taken in near aquaculture conditions[J]. Aquaculture，430：179-187.

Zhao J，Gu Z B，Shi M M，Lu H D，Li J P，Shen M W，Ye Z Y， Zhu S M. 2016. Spatial behavioral characteristics and statistics-based kinetic energy modeling in special beha-viors detection of a shoal of fish in a recirculating aquaculture system[J]. Computers and Electronics in Agriculture，127：271-280.

（責(zé)任編輯 鄧慧靈）