論文：基于魚體背部彎曲潛能算法的四種主養(yǎng)魚類識別

基于魚體背部彎曲潛能算法的四種主養(yǎng)魚類識別

吳健輝1,2,3，張曉飛1,2，楊敏2，王錦萍1,2，譚志豪1,2

(1.湖南理工學(xué)院信息與通信工程學(xué)院，湖南岳陽414006；2.湖南理工學(xué)院IIP創(chuàng)新實驗室，湖南岳陽414006；3.湖南理工學(xué)院復(fù)雜系統(tǒng)優(yōu)化與控制湖南省普通高等學(xué)校重點實驗室，湖南岳陽414006)

摘要：以四種主養(yǎng)淡水魚鯽(Carassius auratus)、草魚(Ctenopharyngodon idellus)、團頭魴(Megalobrama amblycephala)、鯉(Cyprinus carpio)為例，提出一種基于圖像處理技術(shù)的魚種類自動識別方法。首先通過魚體信息采集系統(tǒng)獲取待識別魚體圖像，并對其進行灰度化與二值化，得到魚體輪廓信息；然后采用鄰域邊界算法對魚體的輪廓進行提取，根據(jù)輪廓曲線建立魚體背部輪廓數(shù)學(xué)模型；最后根據(jù)輪廓模型，采用魚體背部彎曲潛能算法對不同種類魚體樣本的背部彎曲潛能值進行計算和聚類統(tǒng)計，得到不同魚類樣本的背部彎曲潛能值分布區(qū)間，從而通過比對待識別魚體背部彎曲潛能值的區(qū)間實現(xiàn)對不同魚類的自動識別。對四種主養(yǎng)魚類的實驗測試結(jié)果表明，對團頭魴的識別精度可以達到100%，對鯽、鯉和草魚的識別精度達到96%，基本上能準(zhǔn)確實現(xiàn)四種魚體的分類識別，具有較好的實際應(yīng)用價值。

關(guān)鍵詞：圖像處理；魚類識別；背部輪廓；彎曲潛能

在我國水產(chǎn)養(yǎng)殖中，四大淡水主養(yǎng)魚占據(jù)了很大的比例，但魚類養(yǎng)殖的自動化水平較國外有一定的差距，特別是對魚的生長過程監(jiān)控以及魚類自動識別上還有很大的提升空間[1]。例如在魚苗育種時期需要對魚體特征信息進行采集及快速識別，傳統(tǒng)的方法是通過人工操作對魚苗的各項參數(shù)進行測量，但該過程易對魚苗造成損傷；在成魚的出水加工過程中需要對不同的魚類進行分類，傳統(tǒng)的方法也是人工識別挑選，存在勞動強度大、準(zhǔn)確率不高以及容易造成魚體損傷等缺點。

近年來，隨著圖像處理技術(shù)的發(fā)展，基于圖像的目標(biāo)識別和分類技術(shù)在工農(nóng)業(yè)領(lǐng)域都得到了廣泛的應(yīng)用，例如工業(yè)生產(chǎn)中的表面缺陷檢測[2]、產(chǎn)品自動分揀[3]等，農(nóng)業(yè)生產(chǎn)中的水果大小分級[4]、植物葉面尺寸測量[5]、表面損傷的檢測[6]及表面顏色的成熟度檢測[7]等。在魚類識別研究方面也開始引入圖像處理技術(shù)。例如萬鵬等[8]將魚體按長度方向平均分為5段，并將各段的平均寬度與長度的比值作為特征參數(shù)，利用BP(back propagation)神經(jīng)網(wǎng)絡(luò)對鯽(Carassiusauratus)和鯉(Cyprinuscarpio)進行了識別研究，平均識別率達到92.5%；張志強等[9]運用數(shù)字圖像處理技術(shù)對淡水魚圖像進行處理，提取其各個顏色分量及長短軸之比等特征值，運用該特征值建立有關(guān)淡水魚的品種識別模型，實現(xiàn)了鰱(Hypophthalmichthysmolitrix)、鳊(Parabramispekinensis)、鯉和鯽四種淡水魚的分類識別；吳一全等[10]提出了一種基于Krawtchouk矩、灰度共生矩陣、蜂群優(yōu)化多核最小二乘支持向量機的識別方法，利用該方法對團頭魴、鳙(Aristichthysnobilis)、鯽、草魚、青魚(Mylopharyngodonpiceus)5種淡水魚進行了分類識別研究，并對各類魚的識別精度作分析。在同一種類不同品種的魚體識別上，White等[11]利用機器視覺技術(shù)針對比目魚(Pleuronectiformes)的七種不同品種進行了識別研究；Alsmadi等[12]以潛在局部集合特征和距離、角度、邊緣等形狀參數(shù)為特征，采用Memetic算法的BP分類器進行魚類識別研究，對20種魚、400個訓(xùn)練樣本和210個測試樣本進行分類，識別正確率為84%，基本達到實際應(yīng)用要求。

本研究在目前魚類識別技術(shù)研究結(jié)果的基礎(chǔ)上，應(yīng)用最新的圖像處理技術(shù)對四種常見的主養(yǎng)淡水魚鯽、草魚、團頭魴和鯉進行分類識別研究。通過對獲取的魚體圖像特征進行提取，建立有關(guān)淡水魚的背部輪廓特征數(shù)學(xué)識別模型，實現(xiàn)對四種魚類的分類和識別處理。

1材料與方法

1.1魚體樣本采集系統(tǒng)

采用魚體圖像在線采集系統(tǒng)進行魚體圖像采集，該系統(tǒng)由硬件部分和軟件部分組成。硬件部分如圖1所示，主要包括攝像機、環(huán)形燈、圖像采集卡和PC機，攝像機采用維視工業(yè)級攝像機MV-VS3200FC，光源采用32W的環(huán)形燈管，圖像采集卡采用與攝像機對應(yīng)的專用T1000 1394高速采集卡。魚體圖像采集上位機軟件平臺采用自主研發(fā)的基于VS2013與OpenCV的魚體圖像采集系統(tǒng)，能實現(xiàn)魚體圖像的實時采集和快速存儲。

圖1　魚體圖像采集系統(tǒng)硬件平臺

1.2魚體圖像預(yù)處理

通過魚體圖像采集信息系統(tǒng)采集到魚體的原始圖像后，首先對圖像進行預(yù)處理，包括灰度化、閾值化以及背部輪廓的提取，最后將預(yù)處理后的魚體圖像通過魚體背部輪廓信息來計算魚體背部彎曲潛能參數(shù)，再根據(jù)魚體背部彎曲潛能參數(shù)進行不同種類魚的分類識別。

1.2.1魚體圖像灰度化

灰度化即將彩色圖像變?yōu)榛叶葓D像，用灰度值代替原始的彩色信息。在本研究的魚體識別中，只需要對魚體的輪廓信息進行計算，從而得到其特征，因此不需要顏色信息。對于彩色圖像，已知其中任意一個像素點中的R、G、B顏色分量值，則可以采用灰度化公式Gray=0.3R+0.59G+0.11B計算出該點的灰度值，并用灰度值代替原始的像素值，實現(xiàn)彩色圖像到灰度圖像的變換。對采集到的四種不同類型的魚體圖像灰度化后的效果如圖2所示。

圖2　四種魚的圖像灰度化效果圖

1.2.2魚體灰度圖像二值化

從灰度圖像中獲取魚體輪廓，可以通過二值化的方式進行。從圖2所示的灰度化魚體圖像可知，魚體的灰度值和背景的灰度值存在明顯差異，因此通過適當(dāng)選取閾值，可以實現(xiàn)灰度圖像到二值圖像的變換，并從二值圖像中提取到魚體的輪廓。

從上面的分析可知，二值化的關(guān)鍵是閾值的選取，恰當(dāng)?shù)拈撝悼梢詫崿F(xiàn)目標(biāo)和背景的最佳分離。閾值的選擇通常有靜態(tài)閾值和自適應(yīng)動態(tài)閾值，靜態(tài)閾值在處理中固定不變，由于不需要實時計算閾值，處理速度快，但通用性一般不好；自適應(yīng)動態(tài)閾值通過對待處理圖像的灰度值進行計算和分析，通過迭代找到一個最佳的值作為閾值，對每一幀圖像都能達到最佳的二值化效果，但速度稍慢。在本研究中，所用的魚體圖像采集系統(tǒng)光照度穩(wěn)定，所采集到的魚體圖像在灰度值分布上具有相似的特點，因而可以采用固定閾值法進行二值化。

通過對不同魚體樣本的綜合分析，取閾值50時對所有采集到的樣本圖像都能達到最佳的二值化效果。在二值化過程中，對大于50的像素灰度值，將其作為魚體圖像像素點，用白色表示(灰度值設(shè)為1)，小于50的像素點設(shè)為背景像素點，用黑色表示(灰度值設(shè)為0)。所采集的四種魚體樣本二值化后的效果圖如圖3所示。從圖中可知各種魚體的輪廓清晰，細節(jié)特征明顯，達到輪廓提取的要求。

1.2.3魚體輪廓提取

從二值化后的魚體樣本圖像中提取魚體的輪廓信息，常用的方法有邊緣檢測法和邊界跟蹤法。從圖3可知，二值化后的圖像中魚體目標(biāo)和背景差異明顯，采用鄰域邊界跟蹤算法可以很好地實現(xiàn)魚體輪廓信息的提取。通過建立一個3*3的8鄰域模板從圖像第2行第2列進行目標(biāo)邊界搜索，如果中心點的8鄰域中首次出現(xiàn)為‘1’的像素，則選擇該點作為邊界搜索起點并進行標(biāo)記，構(gòu)建一個新的8鄰域并搜索下一個邊界點，重復(fù)搜索直到全部像素搜索完成，最后將標(biāo)記的像素點繪圖即可得到魚體的完整輪廓，如圖4所示。

圖3　四種魚體樣本的二值化結(jié)果圖

圖4　四種魚的圖像輪廓提取結(jié)果

1.3魚體特征提取

1.3.1魚體背部輪廓數(shù)學(xué)建模

根據(jù)提取的四種家養(yǎng)淡水魚的圖像輪廓，對魚體吻端A、尾柄B、C和背部D進行提取，進而構(gòu)建魚體背部輪廓數(shù)學(xué)模型，如圖5所示。

圖5　魚體背部輪廓曲線

然后對四種魚的背部輪廓曲線采用圖6的背部輪廓模型進行歸一化處理，歸一化計算公式為：

(1)

式(1)中xmax，xmin為ABCD所包圍的魚體背部輪廓曲線圖像(N*M)中對應(yīng)的M像素點的最大值與最小值，x為ABCD構(gòu)成的魚體背部輪廓曲線對應(yīng)的二值化值，x′為對背部輪廓曲線歸一化后的計算結(jié)果。四種魚體圖像采用背部輪廓數(shù)學(xué)模型歸一化后的背部輪廓曲線效果如圖6所示。

圖6　魚體背部輪廓曲線歸一化建模

1.3.2魚體背部輪廓彎曲潛能值計算

對四種魚體背部輪廓進行歸一化建模后，采用剛體形狀識別中的彎曲潛能(BP:Bending Potential)方法[13]來計算魚體背部彎曲潛能值。彎曲潛能的定義如圖7所示，對于輪廓段C(q1，q2)，其弧長為l(q1，q2)，q1與q2之間最短的輪廓段是弦長d(q1，q2)，由于弧長l和弦長d都是輪廓段C的自身屬性，固定弦長d(q1，q2)，如果弧長l(q1，q2)越大，則C(q1，q2)的可彎曲度越大，定義hg為曲線的彎曲潛能：

(2)

與傳統(tǒng)的重要性度量相比，彎曲潛能對局部的輪廓擾動不敏感，并且能表示物體在視覺上重要的部分，根據(jù)hg計算魚體背部曲線的彎曲潛能值能夠較準(zhǔn)確的對魚體進行分類。

圖7　彎曲潛能值的定義

2實驗結(jié)果與分析

2.1樣本采集

利用魚體圖像在線采集系統(tǒng)對水產(chǎn)養(yǎng)殖業(yè)中常見的鯽、草魚、團頭魴和鯉進行樣本采集，最終采集到180尾樣本(每種魚45尾)作為研究對象。首先對采集的魚體測試圖片進行編號，其中1～45號為鯽，46～90號為草魚，91～135號為團頭魴，136～180號為鯉。圖8為采集的四種魚類樣本中每種魚前五尾的樣本示意圖。

2.2不同種類魚的背部曲線彎曲潛能值計算統(tǒng)計

從采集到的四組不同種類魚體圖像樣本中，每組選擇前面20尾進行魚體背部彎曲潛能值的計算和區(qū)間統(tǒng)計分析，即作為分析樣本。對分析樣本的所有計算和仿真都在Matlab R2009a軟件中進行，其操作流程采用上文所述的方法，即對每尾魚先進行預(yù)處理，然后進行背部輪廓建模和歸一化，最后計算出每尾魚的背部彎曲潛能值，部分魚體樣本的背部彎曲潛能值如表1所示。

80個魚體樣本的彎曲潛能值計算完畢后，再對各個計算值的分布區(qū)間進行聚類統(tǒng)計，其統(tǒng)計分布結(jié)果如圖9所示。

從圖9中可以看出，四種魚其對應(yīng)的背部彎曲潛能值分布在不同的區(qū)間，并且有著明顯的差異，其中團頭魴由于背部輪廓彎曲度最大，所以其背部彎曲潛能參數(shù)值最小，其聚類分布區(qū)間主要在70～77；鯽的背部彎曲潛能值較大，其聚類分布區(qū)間主要在80～95；鯉的背部彎曲潛能值相比鯽較平直，其聚類分布區(qū)間主要在95～110，由于部分鯉和鯽的背部彎曲率接近，因此鯉和鯽的聚類分布區(qū)間比較接近，存在誤識的可能；而草魚的背部彎曲率最小，即最平直，其彎曲潛能值最大，聚類分布區(qū)間在110～130。

表1　部分樣本的背部彎曲潛能值計算結(jié)果

圖9　測試圖片魚體背部輪廓彎曲潛能值分布

2.3基于背部彎曲潛能值的四種魚識別結(jié)果

對待識別的未知種類魚通過在線采集魚體圖像，經(jīng)過處理后計算其背部彎曲潛能值，然后根據(jù)其值落入的區(qū)間范圍確定其種類。實驗中采用已經(jīng)采集的四種魚體樣本中每組余下的25個樣本作為測試樣本進行識別測試，共100個待測魚體樣本的識別統(tǒng)計結(jié)果如表2所示。

表2　四種魚的識別綜合測試結(jié)果

2.4識別結(jié)果分析與討論

從表2對四種主養(yǎng)魚類的識別結(jié)果可以看出，團頭魴由于背部輪廓特征最顯著，因而其背部彎曲潛能參數(shù)值最小，不會落入其它魚的區(qū)間，識別率可達到100%；但是個別魚體較大的鯽其背部彎曲潛能值增大可能落入到鯉的分布空間，而較小的鯉也存在背部彎曲潛能值減少而識別為鯽，因此鯽和鯉中各自出現(xiàn)了一尾魚的誤識；草魚的背部最平直，因此其背部彎曲潛能值最大，但體型較小的草魚其背部曲率會增加，因此其背部彎曲潛能值可能減少而落入到鯉的區(qū)間，測試中也存在一尾魚的識別誤差。但從整體上看，100尾測試魚體樣本的綜合識別率高于96%，達到了對四種主養(yǎng)魚的分類識別目的。

同時，從上面的實驗結(jié)果分析可知，本研究對魚類的識別分類方法依賴于魚體的背部輪廓曲率，算法的通用性較差，無法完成對背部輪廓曲率接近或者一樣的魚體識別，存在一定的局限性。但對于四種主養(yǎng)的淡水魚，本文的方法相比目前的其它方法，在識別準(zhǔn)確性和可靠性上有明顯提升，達到實用的標(biāo)準(zhǔn)。本研究方法還可以通過增加魚體樣本的聚類分析來精確統(tǒng)計各個聚類區(qū)間，從而進一步提升識別的準(zhǔn)確率，較其它方法有更好的實際操作性。

3結(jié)論

本文圍繞四種主養(yǎng)淡水魚開展了基于背部輪廓彎曲潛能計算的識別與分類工作，通過魚體圖像采集、預(yù)處理、背部輪廓建模及背部彎曲潛能值的計算，最終得到了四類魚的背部彎曲潛能值的聚類分布區(qū)間。測試樣本的識別準(zhǔn)確率充分證明了本文方法對團頭魴、鯽、鯉、草魚四種淡水魚識別的有效性。在下一步的研究中，通過增加分析樣本和測試樣本的數(shù)量，進一步提升不同類型魚體背部彎曲潛能值的區(qū)間分布精細度，實現(xiàn)對更多不同種類魚體的識別；同時在研究中通過分析樣本找到背部彎曲潛能值相似的魚類，進一步研究新的識別方法，爭取實現(xiàn)更多淡水魚的分類識別，為淡水魚類養(yǎng)殖業(yè)提供最新的技術(shù)支持。

參考文獻:

[1]劉煥亮.2004年我國魚類養(yǎng)殖產(chǎn)量、構(gòu)成與展望[J].漁業(yè)現(xiàn)代化,2005,6:3-5.

[2]劉澤,王嵬,王平.鋼軌表面缺陷檢測機器視覺系統(tǒng)的設(shè)計[J].電子測量與儀器學(xué)報,2010,24(11):1012-1017.

[3]王保升,汪木蘭.基于貨單的多品種產(chǎn)品自動分揀系統(tǒng)[J].包裝工程,2010,31(19):109-112+120.

[4]司永勝,喬軍,劉剛.基于機器視覺的蘋果識別和形狀特征提取[J].農(nóng)業(yè)機械學(xué)報,2009,40(8):161-165.

[5]郭斯羽,周樂前,溫和.長葉柄軸對稱植物葉片長度的圖像測量方法[J].電子測量與儀器學(xué)報,2015,29(6):866-873.

[6]Xu L M,Zhao Y C.Automated strawberry grading system based on image processing[J].Comput Electron Agric,2010,71(8):32-39.

[7]Blasco J,Cubero S.Development of a machine for the automatic sorting of pomegranate (Punica granatum) arils based on computer vision[J].J Food Eng,2009,90(1):27-34.

[8]萬鵬,潘海兵,龍長江,等.基于機器視覺技術(shù)淡水魚品種在線識別裝置設(shè)計[J].食品與機械,2012,28(6):164-167.

[9]張志強,牛智有,趙思明,等.基于機器視覺技術(shù)的淡水魚質(zhì)量分級[J].農(nóng)業(yè)工程學(xué)報,2011,27(2):350-354.

[10]吳一全,殷駿,戴一冕,等.基于鯽蜂群優(yōu)化多核支持向量機的淡水魚種類識別[J].農(nóng)業(yè)工程學(xué)報,2014,30(16):312-319.

[11]White D J,Svellingen C.Automated measurement of species and length of fish by computer vision[J].Fish Res,2006,80(4):203-210.

[12]Alsmadi M K,Omar K B,Noah S A,et al.Fish recognition based on robust features extraction from size and shape measurements using neural network[J].J Comput Sci,2010,6(10):1088-1094.

[13]Shen W,Bai X,Hu R,et al.Skeleton growing and pruning with bending potential ratio[J].Pat Recog,2011,44(2):196-209.