智慧渔业中的机器视觉技术应用研究现状

魏巍宏

(厦门海洋职业技术学院 海洋机电学院，福建 厦门 361102)

渔业是我国的国家战略产业之一，近年来，中国的水产养殖业在“转方式、调结构”方面取得积极进展，质量效益竞争力明显提升。“十三五”期间，我国水产品总产量稳定在6 500万吨左右。2020年全国水产品总产量6 549.02万吨，比上年增长1.06%。其中，养殖产量5 224.20万吨，同比增长2.86%，捕捞产量1 324.82万吨，同比下降5.46%，养殖产品与捕捞产品的产量比例为79.8：20.2。由此可见水产养殖已成为我国渔业生产发展的重点环节。2022年2月，农业农村部印发的《“十四五”全国渔业发展规划》中明确提到“发展智慧渔业。加快工厂化、网箱、池塘、稻渔等养殖模式的数字化改造，推进水质在线监测、智能增氧、精准饲喂、病害防控、循环水智能处理、水产品分级分拣等技术应用”。

智慧渔业是指以水产品为主体，通过物联网、大数据、人工智能和移动互联等现代信息技术深入开发和利用渔业信息资源，全面提高渔业综合生产力和经营管理效率的过程。传统渔业养殖过程中主要依赖人工观察加经验判断的模式确定鱼群状态并制定决策。人工肉眼长时间观察需要耗费大量时间与精力，而且经验判断的决策方式对观测人员的专业知识水平要求较高。此外，人工观察无法连续、客观、准确地识别鱼群状态信息，对渔业信息资源的整合利用程度很低。为此，人们开始研究如何将各类传感器、相机、机器学习和图像处理技术应用在水产养殖行业中，其中机器视觉技术随着人工智能领域的迅猛发展，已经在智慧渔业领域开始进行应用研究。机器视觉技术所提供的连续式非接触测量方法能有效解决鱼群在测量过程中受到接触应激和鱼体损伤等影响，可以有效提高水产养殖效率和自动化程度。

本文将从水产养殖过程环节出发，对机器视觉技术在鱼类养殖中的鱼类摄食行为识别与精准饲喂、鱼体参数识别与测量、鱼群病害诊断与防治3个方面的应用研究进行梳理。以期为相关从业人员提供研究思路，促进机器视觉技术在我国智慧渔业领域的发展和应用。

1 机器视觉系统概述

使用工业相机代替人眼完成测量和判断的技术被称为机器视觉技术，这项技术兴起于20世纪50年代，而后开始在多项产业领域开展应用研究。随着大数据技术和并行GPU计算的发展，2010—2017年期间中国机器视觉市场迎来爆发性增长，目前机器视觉技术主要应用于电子制造、汽车、制药和包装机械等领域，在智慧渔业领域的应用研究还处于起步阶段。

机器视觉系统一般由光源、镜头、工业相机、图像采集卡、通讯单元、上位机和图像处理软件等模块构成。在智慧渔业中应用的机器视觉系统一般分为图像采集系统、图像分析系统、决策执行系统三部分。由光源、镜头、工业相机和图像采集卡等部件组成的图像采集系统，主要负责获取目标视场内清晰的图像和视频，是机器视觉系统的图像数据来源。所采集到的图像信号会被传送到图像分析系统，并根据给定算法完成特定目标的识别、分析，完成图像信息数值化处理。决策执行系统将图像分析结果保存在数据库中，并根据分析结果控制水产养殖设备完成预设好的给定动作。

2 机器视觉在智慧渔业中的应用

智慧渔业中养殖信息数据化主要通过各类传感器、声呐技术、遥感技术和机器视觉技术等方法实现，其中机器视觉技术通过图像分割、特征点识别等图像分析技术可以监测鱼群行为、识别鱼体特征并将这类信息量化为具体数值。根据机器视觉技术特点结合我国水产养殖流程，可以将智慧渔业中的机器视觉技术应用研究大致分为鱼类摄食行为识别与精准饲喂、鱼体参数识别与测量、鱼群病害诊断与防治3部分。

2.1 鱼类摄食行为识别与精准饲喂

投料饲喂是水产养殖过程最重要的环节之一，投料过程是否合理会直接影响养殖效益：投料不足会影响鱼群生长速度，而投料过多会污染鱼塘水质和浪费饲料。传统水产养殖过程中主要依赖人工抛洒完成饲喂，这种饲喂方式的投料时间和投料量比较容易受到从业人员经验和习惯等因素影响。随着机器视觉技术发展，人们发现通过研究鱼群外观信息不仅能判断鱼的生长状态，还能识别鱼群摄食行为。根据机器视觉技术提取的鱼群信息开展精准饲喂工作，能在提高养殖效率的同时有效避免饲料浪费和水质污染等问题。

Chao等结合背景差分法和阈值方法获得目标图像并剔除尺寸偏差过多的目标，然后使用阶矩法围绕鱼的质心位置建立三角形模型，并通过模型的大小和边长确定鱼群聚集程度，最终根据群集指数FIFFB确定鱼群的摄食状态。张佳林等采用水下观测的方式对大西洋鲑摄食行为进行研究，用视频序列逐帧编码的方式获得鱼群摄食视频所有帧的高斯均值和方差向量，进而建立对应特征矩阵，利用卷积神经网络对特征矩阵进行模式识别，最终实现鱼群进食行为分类。Zhao等利用改进的复杂网络方法对鱼群的前景特征点进行提取，从水流场变化幅度、分散度和相互作用力三个方面入手，使用改进的动能模型对鱼群食欲情况进行数值化评估。Hassan等结合机器视觉技术和传感器技术对鱼群摄食行为进行监测，提出一种结合水质、摄食状态和生长速度的基于信息融合技术的鱼群摄食模型。Zhang等采用光流法提取罗非鱼运动速度和转角的行为特征参数，通过平均建模算法对鱼群图像进行目标分割，最终根据组合熵计算结果对鱼群摄食强度进行评估。胡利永等通过采集水面摄食图像，对水面鱼群阴影部分和水花部分特征区域进行图像分析，提取鱼群聚集规律的特征参数，根据特征参数变化规律提出投料量计算模型，进而构建了一种智能化投饵方法。Liu等对大西洋鲑的进食视频进行帧间差分法分析，使用CVFAI和MOFAI进食指数进行评估，从而实现鱼群进食活动行为检测。

2.2 鱼体参数识别与测量

水产养殖需要关注的鱼体参数包括体积、颜色、年龄、纵向面积和品种等，上述参数信息不但是水产养殖过程决策制定的重要依据，还是水产品质量分级的重要指标。因此水产养殖人员需要在鱼群各个生长阶段进行鱼体参数测量。目前传统鱼体参数测量主要依赖手工接触方式，从鱼群中随机捕捞若干条鱼后，用肉眼观察并根据经验进行模糊判断，或使用皮尺、测量仪等工具获得详细鱼体参数数值。整个过程不仅需要大量人力和时间成本，而且受到主观因素影响较多，检测结果的稳定性和准确性较差。此外，手工测量过程涉及捕捞、麻醉和固定等环节，长时间离开养殖水环境对鱼类刺激性较强，容易出现生理应激反应，不利于水产健康养殖。

针对手工接触测量的问题，智慧渔业系统在鱼体参数识别和测量方面主要采用非接触无损测量方法，其中机器视觉技术通过相机拍摄、图像分析获得参数的工作过程在非接触测量鱼体参数方面有着先天优势，因此有许多专家学者在这个领域展开研究并取得相应成果。

黄康为在Mask-RCNN算法的鱼体检测分割结果的基础上，使用GrabCut精细化算法对分割结果进行优化，提出一种基于三维旋转椭球拟合的点云拟合算法，最终根据所提算法搭建了水下动态鱼体尺寸测量系统。Nair等根据K-Means和SURF算法的图像分割结果提取出62个特征点，根据特征点参数利用SVM实现水下鱼类的识别与分类。Huang等采用中线点算法测量鱼体长度，通过识别鱼头和鱼尾位置并定义为两侧端点，中线测量结果的误差只有1.49%。Viazzi等建立了一系列关于鱼体长度因子与鱼体质量的回归方程组，利用方程组评估鱼类重量。王文静等以半滑舌鳎在同一生长阶段的图像和质量数据为基础，建立鱼的面积与质量关系模型，结合等效椭圆长短轴比和圆形度因子进行三维拟合，对比实验结果证明该模型对水下鱼体图像与水外鱼体图像的尺寸测量结果基本一致。万鹏等基于BP神经网络建立了一种鱼类品种识别模型，在该模型的基础上构建了一套淡水鱼品种在线识别装置，该装置可以完成鲤、鲫、草鱼、鳊4种大宗淡水鱼的品种在线识别工作，平均正确率达到92.5%。

2.3 鱼群病害诊断与防治

水产养殖过程中需要保证鱼塘水体环境质量始终符合标准，从而避免发生鱼群病害情况。以人工观察和经验判断为主的传统水产养殖模式，无法连续稳定地监测鱼塘水质，并且受到从业人员的主观影响较大，容易出现误判、漏判等问题。此外，人工观察存在一定的时间滞后性，无法尽早诊断出水下鱼群病害情况并采取相应措施，而调控不及时往往会造成鱼群大面积死亡，对养殖户造成巨大财产损失。

与传统养殖方法不同，智慧渔业主要使用现代信息技术完成鱼群病害诊断和防治工作。随着物联网技术发展，人们对基于无线传感技术的水产养殖系统监控技术展开应用研究，并取得了成果。无线传感技术主要利用各类传感器对鱼塘水体环境的各项指标进行监测和调节，虽然通过监测鱼塘水质可以在一定程度上保证鱼群健康的生长环境，但是无法直观反映鱼群健康状况和生长状态。机器视觉技术能准确识别鱼类行为特征，从而实时监测鱼群生长状态和诊断病害情况是否发生。根据鱼群健康状态监测结果可以及时调控水产养殖系统，从而有效避免鱼群大面积死亡。因此，基于机器视觉技术的鱼群病害诊断与防治是目前应用研究的热点内容。

关辉等对鱼群运动视频进行机器视觉分析，通过背景差分法和Kalman滤波算法对鱼群运动目标进行识别、定位和跟踪，确定鱼群游动的平均速度、加速度和高度等运动信息参数，最终根据上述参数变化特点完成鱼群异常行为的检测与报警。卢焕达等通过分析常氧和低氧2种情况下的鱼群运动视频图像，获得不同含氧量环境下鱼群位置的均值、方差、歪斜度、峰态和能量5个参数，根据鱼群运动特征参数构建数据词典矩阵,最后使用压缩感知分类方法检测低溶氧胁迫下的鱼群异常行为。侯晓娇利用Lucas-Kanade光流法对鱼群游动的运动矢量进行识别，对鱼群运动行为特征参数进行统计分析，最终根据分析结果判断鱼群是否发生异常行为。于欣等也是采用光流法识别鱼群运动速度和转角，实现鱼群异常行为监测目标。Hu等提出了一种基于鱼类表面颜色纹理变化特征的鱼群健康状态判别模型，经实验证明该模型可以在线识别多种鱼类的健康状态。徐建瑜等将鱼体图像转换到HSV空间得到鱼体的明度值，与经校准后的无色玻璃覆盖的灰级各阶的明度值进行比较和线性插值，近似用明度阶值表示鱼体色的亮暗程度。最终通过鱼体颜色亮暗来判断鱼的健康与应激状况。

3 总结与展望

在智慧渔业系统发展过程中，实现作业机械化和决策智能化对提高养殖效率、降低成本和实现绿色生产具有十分重要的意义。引入机器视觉技术可以实现水产养殖过程信息参数化，是智慧渔业的数据信息来源之一。与传统人工饲养模式相比，基于机器视觉技术的智慧渔业优点主要表现为以下3个方面：

检测方式。机器视觉由于其自身技术特点，可以实现非接触、无干扰的实时连续检测，在检测过程中有效避免水体波动和鱼群受惊等情况的发生。

检测参数项目。通过分析鱼群图像可以同时获得鱼群摄食面积、鱼体尺寸、颜色、纹理和行为轨迹等多项参数数据，从多个角度反映鱼群活动状态.

检测效率。随着相关软硬件技术的发展，目前机器视觉技术可以实时采集鱼群图像并完成处理分析工作，机器视觉系统的快速响应特性可以有效解决水产养殖决策和调控措施时间滞后的问题，由此提高养殖效率和降低成本。

虽然机器视觉技术在智慧渔业系统中表现出上述应用优势，但是在实际应用过程中仍存在一定的局限性：机器视觉技术在图像采集过程中需要稳定、亮度适中的光源，因此目前大多数应用研究都是在室内环境下开展，而在户外复杂自然条件下保证检测结果的一致性难度较大；由于不同鱼类的体型外观差异较大，因此目前已有的机器视觉系统基本只能针对特定鱼类完成检测分析，使得机器视觉技术在水产养殖行业大范围推广过程中研究成本和应用成本较大。

基于机器视觉技术的智慧渔业系统是涉及图像处理、模式识别、养殖行为学和鱼类设施等多门学科交叉研究领域，目前这个领域的应用还不够深入，仍有一些问题需要展开进一步研究，本文对基于机器视觉技术的智慧渔业研究做出以下展望：

复杂水体环境下的鱼体分割问题。使用机器视觉技术提取鱼群特征需要采集到鱼群在水中的清晰图像，而养殖鱼类活动的水体环境往往携带大量悬浮颗粒，从鱼塘环境采集到的图像往往清晰度较差，对图像识别、目标分割和特征提取工作提出更高的要求。针对该问题可以尝试在检测点合适位置安装与水体颜色对比鲜明的背景板，或继续加强图像采集分析、边界识别和分类等技术的研究。

鱼体交叠问题。水产养殖环境下鱼群密度较高，从单一角度观察采集到的鱼群图像基本上是多条鱼的平面交叠结果。针对该问题可以考虑在水下多个角度使用多台工业相机采集各角度的图像，进一步开展鱼群三维模型构建和运动参数提取研究。

4 结束语

综上所述，依赖人工监测方法的传统水产养殖过程存在效率低、不稳定和响应速度慢等缺点，而基于机器视觉技术的智慧渔业系统通过监测所获得的水产动物颜色、纹理、尺寸和运动轨迹等视觉特征参数数据结果，可以准确识别鱼群行为、完成养殖决策制定。本文对近年来机器视觉技术在智慧渔业领域的应用方法和技术进行论述，对比分析了机器视觉技术在鱼类摄食行为识别与精准饲喂、鱼体参数识别与测量、鱼群病害诊断与防治的研究成果和应用现状。在我国大力发展智慧渔业的当下，通过引入机器视觉技术完成水产养殖信息参数化，有助于整合渔业信息数据资源，实现水产品高效统一管理，推动渔业绿色可持续发展。