智慧漁業(yè)中的機(jī)器視覺(jué)技術(shù)應(yīng)用研究現(xiàn)狀

魏巍宏

(廈門(mén)海洋職業(yè)技術(shù)學(xué)院 海洋機(jī)電學(xué)院，福建 廈門(mén) 361102)

漁業(yè)是我國(guó)的國(guó)家戰(zhàn)略產(chǎn)業(yè)之一，近年來(lái)，中國(guó)的水產(chǎn)養(yǎng)殖業(yè)在“轉(zhuǎn)方式、調(diào)結(jié)構(gòu)”方面取得積極進(jìn)展，質(zhì)量效益競(jìng)爭(zhēng)力明顯提升。“十三五”期間，我國(guó)水產(chǎn)品總產(chǎn)量穩(wěn)定在6 500萬(wàn)噸左右。2020年全國(guó)水產(chǎn)品總產(chǎn)量6 549.02萬(wàn)噸，比上年增長(zhǎng)1.06%。其中，養(yǎng)殖產(chǎn)量5 224.20萬(wàn)噸，同比增長(zhǎng)2.86%，捕撈產(chǎn)量1 324.82萬(wàn)噸，同比下降5.46%，養(yǎng)殖產(chǎn)品與捕撈產(chǎn)品的產(chǎn)量比例為79.8：20.2。由此可見(jiàn)水產(chǎn)養(yǎng)殖已成為我國(guó)漁業(yè)生產(chǎn)發(fā)展的重點(diǎn)環(huán)節(jié)。2022年2月，農(nóng)業(yè)農(nóng)村部印發(fā)的《“十四五”全國(guó)漁業(yè)發(fā)展規(guī)劃》中明確提到“發(fā)展智慧漁業(yè)。加快工廠化、網(wǎng)箱、池塘、稻漁等養(yǎng)殖模式的數(shù)字化改造，推進(jìn)水質(zhì)在線監(jiān)測(cè)、智能增氧、精準(zhǔn)飼喂、病害防控、循環(huán)水智能處理、水產(chǎn)品分級(jí)分揀等技術(shù)應(yīng)用”。

智慧漁業(yè)是指以水產(chǎn)品為主體，通過(guò)物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能和移動(dòng)互聯(lián)等現(xiàn)代信息技術(shù)深入開(kāi)發(fā)和利用漁業(yè)信息資源，全面提高漁業(yè)綜合生產(chǎn)力和經(jīng)營(yíng)管理效率的過(guò)程。傳統(tǒng)漁業(yè)養(yǎng)殖過(guò)程中主要依賴人工觀察加經(jīng)驗(yàn)判斷的模式確定魚(yú)群狀態(tài)并制定決策。人工肉眼長(zhǎng)時(shí)間觀察需要耗費(fèi)大量時(shí)間與精力，而且經(jīng)驗(yàn)判斷的決策方式對(duì)觀測(cè)人員的專業(yè)知識(shí)水平要求較高。此外，人工觀察無(wú)法連續(xù)、客觀、準(zhǔn)確地識(shí)別魚(yú)群狀態(tài)信息，對(duì)漁業(yè)信息資源的整合利用程度很低。為此，人們開(kāi)始研究如何將各類傳感器、相機(jī)、機(jī)器學(xué)習(xí)和圖像處理技術(shù)應(yīng)用在水產(chǎn)養(yǎng)殖行業(yè)中，其中機(jī)器視覺(jué)技術(shù)隨著人工智能領(lǐng)域的迅猛發(fā)展，已經(jīng)在智慧漁業(yè)領(lǐng)域開(kāi)始進(jìn)行應(yīng)用研究。機(jī)器視覺(jué)技術(shù)所提供的連續(xù)式非接觸測(cè)量方法能有效解決魚(yú)群在測(cè)量過(guò)程中受到接觸應(yīng)激和魚(yú)體損傷等影響，可以有效提高水產(chǎn)養(yǎng)殖效率和自動(dòng)化程度。

本文將從水產(chǎn)養(yǎng)殖過(guò)程環(huán)節(jié)出發(fā)，對(duì)機(jī)器視覺(jué)技術(shù)在魚(yú)類養(yǎng)殖中的魚(yú)類攝食行為識(shí)別與精準(zhǔn)飼喂、魚(yú)體參數(shù)識(shí)別與測(cè)量、魚(yú)群病害診斷與防治3個(gè)方面的應(yīng)用研究進(jìn)行梳理。以期為相關(guān)從業(yè)人員提供研究思路，促進(jìn)機(jī)器視覺(jué)技術(shù)在我國(guó)智慧漁業(yè)領(lǐng)域的發(fā)展和應(yīng)用。

1 機(jī)器視覺(jué)系統(tǒng)概述

使用工業(yè)相機(jī)代替人眼完成測(cè)量和判斷的技術(shù)被稱為機(jī)器視覺(jué)技術(shù)，這項(xiàng)技術(shù)興起于20世紀(jì)50年代，而后開(kāi)始在多項(xiàng)產(chǎn)業(yè)領(lǐng)域開(kāi)展應(yīng)用研究。隨著大數(shù)據(jù)技術(shù)和并行GPU計(jì)算的發(fā)展，2010—2017年期間中國(guó)機(jī)器視覺(jué)市場(chǎng)迎來(lái)爆發(fā)性增長(zhǎng)，目前機(jī)器視覺(jué)技術(shù)主要應(yīng)用于電子制造、汽車、制藥和包裝機(jī)械等領(lǐng)域，在智慧漁業(yè)領(lǐng)域的應(yīng)用研究還處于起步階段。

機(jī)器視覺(jué)系統(tǒng)一般由光源、鏡頭、工業(yè)相機(jī)、圖像采集卡、通訊單元、上位機(jī)和圖像處理軟件等模塊構(gòu)成。在智慧漁業(yè)中應(yīng)用的機(jī)器視覺(jué)系統(tǒng)一般分為圖像采集系統(tǒng)、圖像分析系統(tǒng)、決策執(zhí)行系統(tǒng)三部分。由光源、鏡頭、工業(yè)相機(jī)和圖像采集卡等部件組成的圖像采集系統(tǒng)，主要負(fù)責(zé)獲取目標(biāo)視場(chǎng)內(nèi)清晰的圖像和視頻，是機(jī)器視覺(jué)系統(tǒng)的圖像數(shù)據(jù)來(lái)源。所采集到的圖像信號(hào)會(huì)被傳送到圖像分析系統(tǒng)，并根據(jù)給定算法完成特定目標(biāo)的識(shí)別、分析，完成圖像信息數(shù)值化處理。決策執(zhí)行系統(tǒng)將圖像分析結(jié)果保存在數(shù)據(jù)庫(kù)中，并根據(jù)分析結(jié)果控制水產(chǎn)養(yǎng)殖設(shè)備完成預(yù)設(shè)好的給定動(dòng)作。

2 機(jī)器視覺(jué)在智慧漁業(yè)中的應(yīng)用

智慧漁業(yè)中養(yǎng)殖信息數(shù)據(jù)化主要通過(guò)各類傳感器、聲吶技術(shù)、遙感技術(shù)和機(jī)器視覺(jué)技術(shù)等方法實(shí)現(xiàn)，其中機(jī)器視覺(jué)技術(shù)通過(guò)圖像分割、特征點(diǎn)識(shí)別等圖像分析技術(shù)可以監(jiān)測(cè)魚(yú)群行為、識(shí)別魚(yú)體特征并將這類信息量化為具體數(shù)值。根據(jù)機(jī)器視覺(jué)技術(shù)特點(diǎn)結(jié)合我國(guó)水產(chǎn)養(yǎng)殖流程，可以將智慧漁業(yè)中的機(jī)器視覺(jué)技術(shù)應(yīng)用研究大致分為魚(yú)類攝食行為識(shí)別與精準(zhǔn)飼喂、魚(yú)體參數(shù)識(shí)別與測(cè)量、魚(yú)群病害診斷與防治3部分。

2.1 魚(yú)類攝食行為識(shí)別與精準(zhǔn)飼喂

投料飼喂是水產(chǎn)養(yǎng)殖過(guò)程最重要的環(huán)節(jié)之一，投料過(guò)程是否合理會(huì)直接影響?zhàn)B殖效益：投料不足會(huì)影響魚(yú)群生長(zhǎng)速度，而投料過(guò)多會(huì)污染魚(yú)塘水質(zhì)和浪費(fèi)飼料。傳統(tǒng)水產(chǎn)養(yǎng)殖過(guò)程中主要依賴人工拋灑完成飼喂，這種飼喂方式的投料時(shí)間和投料量比較容易受到從業(yè)人員經(jīng)驗(yàn)和習(xí)慣等因素影響。隨著機(jī)器視覺(jué)技術(shù)發(fā)展，人們發(fā)現(xiàn)通過(guò)研究魚(yú)群外觀信息不僅能判斷魚(yú)的生長(zhǎng)狀態(tài)，還能識(shí)別魚(yú)群攝食行為。根據(jù)機(jī)器視覺(jué)技術(shù)提取的魚(yú)群信息開(kāi)展精準(zhǔn)飼喂工作，能在提高養(yǎng)殖效率的同時(shí)有效避免飼料浪費(fèi)和水質(zhì)污染等問(wèn)題。

Chao等結(jié)合背景差分法和閾值方法獲得目標(biāo)圖像并剔除尺寸偏差過(guò)多的目標(biāo)，然后使用階矩法圍繞魚(yú)的質(zhì)心位置建立三角形模型，并通過(guò)模型的大小和邊長(zhǎng)確定魚(yú)群聚集程度，最終根據(jù)群集指數(shù)FIFFB確定魚(yú)群的攝食狀態(tài)。張佳林等采用水下觀測(cè)的方式對(duì)大西洋鮭攝食行為進(jìn)行研究，用視頻序列逐幀編碼的方式獲得魚(yú)群攝食視頻所有幀的高斯均值和方差向量，進(jìn)而建立對(duì)應(yīng)特征矩陣，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)特征矩陣進(jìn)行模式識(shí)別，最終實(shí)現(xiàn)魚(yú)群進(jìn)食行為分類。Zhao等利用改進(jìn)的復(fù)雜網(wǎng)絡(luò)方法對(duì)魚(yú)群的前景特征點(diǎn)進(jìn)行提取，從水流場(chǎng)變化幅度、分散度和相互作用力三個(gè)方面入手，使用改進(jìn)的動(dòng)能模型對(duì)魚(yú)群食欲情況進(jìn)行數(shù)值化評(píng)估。Hassan等結(jié)合機(jī)器視覺(jué)技術(shù)和傳感器技術(shù)對(duì)魚(yú)群攝食行為進(jìn)行監(jiān)測(cè)，提出一種結(jié)合水質(zhì)、攝食狀態(tài)和生長(zhǎng)速度的基于信息融合技術(shù)的魚(yú)群攝食模型。Zhang等采用光流法提取羅非魚(yú)運(yùn)動(dòng)速度和轉(zhuǎn)角的行為特征參數(shù)，通過(guò)平均建模算法對(duì)魚(yú)群圖像進(jìn)行目標(biāo)分割，最終根據(jù)組合熵計(jì)算結(jié)果對(duì)魚(yú)群攝食強(qiáng)度進(jìn)行評(píng)估。胡利永等通過(guò)采集水面攝食圖像，對(duì)水面魚(yú)群陰影部分和水花部分特征區(qū)域進(jìn)行圖像分析，提取魚(yú)群聚集規(guī)律的特征參數(shù)，根據(jù)特征參數(shù)變化規(guī)律提出投料量計(jì)算模型，進(jìn)而構(gòu)建了一種智能化投餌方法。Liu等對(duì)大西洋鮭的進(jìn)食視頻進(jìn)行幀間差分法分析，使用CVFAI和MOFAI進(jìn)食指數(shù)進(jìn)行評(píng)估，從而實(shí)現(xiàn)魚(yú)群進(jìn)食活動(dòng)行為檢測(cè)。

2.2 魚(yú)體參數(shù)識(shí)別與測(cè)量

水產(chǎn)養(yǎng)殖需要關(guān)注的魚(yú)體參數(shù)包括體積、顏色、年齡、縱向面積和品種等，上述參數(shù)信息不但是水產(chǎn)養(yǎng)殖過(guò)程決策制定的重要依據(jù)，還是水產(chǎn)品質(zhì)量分級(jí)的重要指標(biāo)。因此水產(chǎn)養(yǎng)殖人員需要在魚(yú)群各個(gè)生長(zhǎng)階段進(jìn)行魚(yú)體參數(shù)測(cè)量。目前傳統(tǒng)魚(yú)體參數(shù)測(cè)量主要依賴手工接觸方式，從魚(yú)群中隨機(jī)捕撈若干條魚(yú)后，用肉眼觀察并根據(jù)經(jīng)驗(yàn)進(jìn)行模糊判斷，或使用皮尺、測(cè)量?jī)x等工具獲得詳細(xì)魚(yú)體參數(shù)數(shù)值。整個(gè)過(guò)程不僅需要大量人力和時(shí)間成本，而且受到主觀因素影響較多，檢測(cè)結(jié)果的穩(wěn)定性和準(zhǔn)確性較差。此外，手工測(cè)量過(guò)程涉及捕撈、麻醉和固定等環(huán)節(jié)，長(zhǎng)時(shí)間離開(kāi)養(yǎng)殖水環(huán)境對(duì)魚(yú)類刺激性較強(qiáng)，容易出現(xiàn)生理應(yīng)激反應(yīng)，不利于水產(chǎn)健康養(yǎng)殖。

針對(duì)手工接觸測(cè)量的問(wèn)題，智慧漁業(yè)系統(tǒng)在魚(yú)體參數(shù)識(shí)別和測(cè)量方面主要采用非接觸無(wú)損測(cè)量方法，其中機(jī)器視覺(jué)技術(shù)通過(guò)相機(jī)拍攝、圖像分析獲得參數(shù)的工作過(guò)程在非接觸測(cè)量魚(yú)體參數(shù)方面有著先天優(yōu)勢(shì)，因此有許多專家學(xué)者在這個(gè)領(lǐng)域展開(kāi)研究并取得相應(yīng)成果。

黃康為在Mask-RCNN算法的魚(yú)體檢測(cè)分割結(jié)果的基礎(chǔ)上，使用GrabCut精細(xì)化算法對(duì)分割結(jié)果進(jìn)行優(yōu)化，提出一種基于三維旋轉(zhuǎn)橢球擬合的點(diǎn)云擬合算法，最終根據(jù)所提算法搭建了水下動(dòng)態(tài)魚(yú)體尺寸測(cè)量系統(tǒng)。Nair等根據(jù)K-Means和SURF算法的圖像分割結(jié)果提取出62個(gè)特征點(diǎn)，根據(jù)特征點(diǎn)參數(shù)利用SVM實(shí)現(xiàn)水下魚(yú)類的識(shí)別與分類。Huang等采用中線點(diǎn)算法測(cè)量魚(yú)體長(zhǎng)度，通過(guò)識(shí)別魚(yú)頭和魚(yú)尾位置并定義為兩側(cè)端點(diǎn)，中線測(cè)量結(jié)果的誤差只有1.49%。Viazzi等建立了一系列關(guān)于魚(yú)體長(zhǎng)度因子與魚(yú)體質(zhì)量的回歸方程組，利用方程組評(píng)估魚(yú)類重量。王文靜等以半滑舌鰨在同一生長(zhǎng)階段的圖像和質(zhì)量數(shù)據(jù)為基礎(chǔ)，建立魚(yú)的面積與質(zhì)量關(guān)系模型，結(jié)合等效橢圓長(zhǎng)短軸比和圓形度因子進(jìn)行三維擬合，對(duì)比實(shí)驗(yàn)結(jié)果證明該模型對(duì)水下魚(yú)體圖像與水外魚(yú)體圖像的尺寸測(cè)量結(jié)果基本一致。萬(wàn)鵬等基于BP神經(jīng)網(wǎng)絡(luò)建立了一種魚(yú)類品種識(shí)別模型，在該模型的基礎(chǔ)上構(gòu)建了一套淡水魚(yú)品種在線識(shí)別裝置，該裝置可以完成鯉、鯽、草魚(yú)、鳊4種大宗淡水魚(yú)的品種在線識(shí)別工作，平均正確率達(dá)到92.5%。

2.3 魚(yú)群病害診斷與防治

水產(chǎn)養(yǎng)殖過(guò)程中需要保證魚(yú)塘水體環(huán)境質(zhì)量始終符合標(biāo)準(zhǔn)，從而避免發(fā)生魚(yú)群病害情況。以人工觀察和經(jīng)驗(yàn)判斷為主的傳統(tǒng)水產(chǎn)養(yǎng)殖模式，無(wú)法連續(xù)穩(wěn)定地監(jiān)測(cè)魚(yú)塘水質(zhì)，并且受到從業(yè)人員的主觀影響較大，容易出現(xiàn)誤判、漏判等問(wèn)題。此外，人工觀察存在一定的時(shí)間滯后性，無(wú)法盡早診斷出水下魚(yú)群病害情況并采取相應(yīng)措施，而調(diào)控不及時(shí)往往會(huì)造成魚(yú)群大面積死亡，對(duì)養(yǎng)殖戶造成巨大財(cái)產(chǎn)損失。

與傳統(tǒng)養(yǎng)殖方法不同，智慧漁業(yè)主要使用現(xiàn)代信息技術(shù)完成魚(yú)群病害診斷和防治工作。隨著物聯(lián)網(wǎng)技術(shù)發(fā)展，人們對(duì)基于無(wú)線傳感技術(shù)的水產(chǎn)養(yǎng)殖系統(tǒng)監(jiān)控技術(shù)展開(kāi)應(yīng)用研究，并取得了成果。無(wú)線傳感技術(shù)主要利用各類傳感器對(duì)魚(yú)塘水體環(huán)境的各項(xiàng)指標(biāo)進(jìn)行監(jiān)測(cè)和調(diào)節(jié)，雖然通過(guò)監(jiān)測(cè)魚(yú)塘水質(zhì)可以在一定程度上保證魚(yú)群健康的生長(zhǎng)環(huán)境，但是無(wú)法直觀反映魚(yú)群健康狀況和生長(zhǎng)狀態(tài)。機(jī)器視覺(jué)技術(shù)能準(zhǔn)確識(shí)別魚(yú)類行為特征，從而實(shí)時(shí)監(jiān)測(cè)魚(yú)群生長(zhǎng)狀態(tài)和診斷病害情況是否發(fā)生。根據(jù)魚(yú)群健康狀態(tài)監(jiān)測(cè)結(jié)果可以及時(shí)調(diào)控水產(chǎn)養(yǎng)殖系統(tǒng)，從而有效避免魚(yú)群大面積死亡。因此，基于機(jī)器視覺(jué)技術(shù)的魚(yú)群病害診斷與防治是目前應(yīng)用研究的熱點(diǎn)內(nèi)容。

關(guān)輝等對(duì)魚(yú)群運(yùn)動(dòng)視頻進(jìn)行機(jī)器視覺(jué)分析，通過(guò)背景差分法和Kalman濾波算法對(duì)魚(yú)群運(yùn)動(dòng)目標(biāo)進(jìn)行識(shí)別、定位和跟蹤，確定魚(yú)群游動(dòng)的平均速度、加速度和高度等運(yùn)動(dòng)信息參數(shù)，最終根據(jù)上述參數(shù)變化特點(diǎn)完成魚(yú)群異常行為的檢測(cè)與報(bào)警。盧煥達(dá)等通過(guò)分析常氧和低氧2種情況下的魚(yú)群運(yùn)動(dòng)視頻圖像，獲得不同含氧量環(huán)境下魚(yú)群位置的均值、方差、歪斜度、峰態(tài)和能量5個(gè)參數(shù)，根據(jù)魚(yú)群運(yùn)動(dòng)特征參數(shù)構(gòu)建數(shù)據(jù)詞典矩陣,最后使用壓縮感知分類方法檢測(cè)低溶氧脅迫下的魚(yú)群異常行為。侯曉嬌利用Lucas-Kanade光流法對(duì)魚(yú)群游動(dòng)的運(yùn)動(dòng)矢量進(jìn)行識(shí)別，對(duì)魚(yú)群運(yùn)動(dòng)行為特征參數(shù)進(jìn)行統(tǒng)計(jì)分析，最終根據(jù)分析結(jié)果判斷魚(yú)群是否發(fā)生異常行為。于欣等也是采用光流法識(shí)別魚(yú)群運(yùn)動(dòng)速度和轉(zhuǎn)角，實(shí)現(xiàn)魚(yú)群異常行為監(jiān)測(cè)目標(biāo)。Hu等提出了一種基于魚(yú)類表面顏色紋理變化特征的魚(yú)群健康狀態(tài)判別模型，經(jīng)實(shí)驗(yàn)證明該模型可以在線識(shí)別多種魚(yú)類的健康狀態(tài)。徐建瑜等將魚(yú)體圖像轉(zhuǎn)換到HSV空間得到魚(yú)體的明度值，與經(jīng)校準(zhǔn)后的無(wú)色玻璃覆蓋的灰級(jí)各階的明度值進(jìn)行比較和線性插值，近似用明度階值表示魚(yú)體色的亮暗程度。最終通過(guò)魚(yú)體顏色亮暗來(lái)判斷魚(yú)的健康與應(yīng)激狀況。

3 總結(jié)與展望

在智慧漁業(yè)系統(tǒng)發(fā)展過(guò)程中，實(shí)現(xiàn)作業(yè)機(jī)械化和決策智能化對(duì)提高養(yǎng)殖效率、降低成本和實(shí)現(xiàn)綠色生產(chǎn)具有十分重要的意義。引入機(jī)器視覺(jué)技術(shù)可以實(shí)現(xiàn)水產(chǎn)養(yǎng)殖過(guò)程信息參數(shù)化，是智慧漁業(yè)的數(shù)據(jù)信息來(lái)源之一。與傳統(tǒng)人工飼養(yǎng)模式相比，基于機(jī)器視覺(jué)技術(shù)的智慧漁業(yè)優(yōu)點(diǎn)主要表現(xiàn)為以下3個(gè)方面：

檢測(cè)方式。機(jī)器視覺(jué)由于其自身技術(shù)特點(diǎn)，可以實(shí)現(xiàn)非接觸、無(wú)干擾的實(shí)時(shí)連續(xù)檢測(cè)，在檢測(cè)過(guò)程中有效避免水體波動(dòng)和魚(yú)群受驚等情況的發(fā)生。

檢測(cè)參數(shù)項(xiàng)目。通過(guò)分析魚(yú)群圖像可以同時(shí)獲得魚(yú)群攝食面積、魚(yú)體尺寸、顏色、紋理和行為軌跡等多項(xiàng)參數(shù)數(shù)據(jù)，從多個(gè)角度反映魚(yú)群活動(dòng)狀態(tài).

檢測(cè)效率。隨著相關(guān)軟硬件技術(shù)的發(fā)展，目前機(jī)器視覺(jué)技術(shù)可以實(shí)時(shí)采集魚(yú)群圖像并完成處理分析工作，機(jī)器視覺(jué)系統(tǒng)的快速響應(yīng)特性可以有效解決水產(chǎn)養(yǎng)殖決策和調(diào)控措施時(shí)間滯后的問(wèn)題，由此提高養(yǎng)殖效率和降低成本。

雖然機(jī)器視覺(jué)技術(shù)在智慧漁業(yè)系統(tǒng)中表現(xiàn)出上述應(yīng)用優(yōu)勢(shì)，但是在實(shí)際應(yīng)用過(guò)程中仍存在一定的局限性：機(jī)器視覺(jué)技術(shù)在圖像采集過(guò)程中需要穩(wěn)定、亮度適中的光源，因此目前大多數(shù)應(yīng)用研究都是在室內(nèi)環(huán)境下開(kāi)展，而在戶外復(fù)雜自然條件下保證檢測(cè)結(jié)果的一致性難度較大；由于不同魚(yú)類的體型外觀差異較大，因此目前已有的機(jī)器視覺(jué)系統(tǒng)基本只能針對(duì)特定魚(yú)類完成檢測(cè)分析，使得機(jī)器視覺(jué)技術(shù)在水產(chǎn)養(yǎng)殖行業(yè)大范圍推廣過(guò)程中研究成本和應(yīng)用成本較大。

基于機(jī)器視覺(jué)技術(shù)的智慧漁業(yè)系統(tǒng)是涉及圖像處理、模式識(shí)別、養(yǎng)殖行為學(xué)和魚(yú)類設(shè)施等多門(mén)學(xué)科交叉研究領(lǐng)域，目前這個(gè)領(lǐng)域的應(yīng)用還不夠深入，仍有一些問(wèn)題需要展開(kāi)進(jìn)一步研究，本文對(duì)基于機(jī)器視覺(jué)技術(shù)的智慧漁業(yè)研究做出以下展望：

復(fù)雜水體環(huán)境下的魚(yú)體分割問(wèn)題。使用機(jī)器視覺(jué)技術(shù)提取魚(yú)群特征需要采集到魚(yú)群在水中的清晰圖像，而養(yǎng)殖魚(yú)類活動(dòng)的水體環(huán)境往往攜帶大量懸浮顆粒，從魚(yú)塘環(huán)境采集到的圖像往往清晰度較差，對(duì)圖像識(shí)別、目標(biāo)分割和特征提取工作提出更高的要求。針對(duì)該問(wèn)題可以嘗試在檢測(cè)點(diǎn)合適位置安裝與水體顏色對(duì)比鮮明的背景板，或繼續(xù)加強(qiáng)圖像采集分析、邊界識(shí)別和分類等技術(shù)的研究。

魚(yú)體交疊問(wèn)題。水產(chǎn)養(yǎng)殖環(huán)境下魚(yú)群密度較高，從單一角度觀察采集到的魚(yú)群圖像基本上是多條魚(yú)的平面交疊結(jié)果。針對(duì)該問(wèn)題可以考慮在水下多個(gè)角度使用多臺(tái)工業(yè)相機(jī)采集各角度的圖像，進(jìn)一步開(kāi)展魚(yú)群三維模型構(gòu)建和運(yùn)動(dòng)參數(shù)提取研究。

4 結(jié)束語(yǔ)

綜上所述，依賴人工監(jiān)測(cè)方法的傳統(tǒng)水產(chǎn)養(yǎng)殖過(guò)程存在效率低、不穩(wěn)定和響應(yīng)速度慢等缺點(diǎn)，而基于機(jī)器視覺(jué)技術(shù)的智慧漁業(yè)系統(tǒng)通過(guò)監(jiān)測(cè)所獲得的水產(chǎn)動(dòng)物顏色、紋理、尺寸和運(yùn)動(dòng)軌跡等視覺(jué)特征參數(shù)數(shù)據(jù)結(jié)果，可以準(zhǔn)確識(shí)別魚(yú)群行為、完成養(yǎng)殖決策制定。本文對(duì)近年來(lái)機(jī)器視覺(jué)技術(shù)在智慧漁業(yè)領(lǐng)域的應(yīng)用方法和技術(shù)進(jìn)行論述，對(duì)比分析了機(jī)器視覺(jué)技術(shù)在魚(yú)類攝食行為識(shí)別與精準(zhǔn)飼喂、魚(yú)體參數(shù)識(shí)別與測(cè)量、魚(yú)群病害診斷與防治的研究成果和應(yīng)用現(xiàn)狀。在我國(guó)大力發(fā)展智慧漁業(yè)的當(dāng)下，通過(guò)引入機(jī)器視覺(jué)技術(shù)完成水產(chǎn)養(yǎng)殖信息參數(shù)化，有助于整合漁業(yè)信息數(shù)據(jù)資源，實(shí)現(xiàn)水產(chǎn)品高效統(tǒng)一管理，推動(dòng)漁業(yè)綠色可持續(xù)發(fā)展。