基于机器视觉的智能鱼群健康状况监测系统

0 引 言

随着人们生活水平的提高，水产品需求量逐年递增。在渔业发展过程中，传统的水产养殖多为粗放型生产模式，以人工观察为主，养殖户凭经验管理鱼塘，耗费了大量的时间、精力 [1]。人工观察加经验判断不利于精确、稳定、连续记录，而且主观性较强，存在误判的可能，无法对水质变化做出及时有效的响应与决策，无法实时获取水下鱼群的健康状况，容易导致由于调控不及时带来的巨大财产损失。国家科技方面的中长期规划中已经明确将“畜水产健康养殖”纳入优先发展方向，水产养殖的自动化与智能化是其必然的发展趋势。

随着计算机网络与物联网技术的迅猛发展，物联网技术被越来越多地应用于水产养殖领域。目前基于无线传感网的水产养殖监控系统是研究与应用的热点，这些系统虽然在智能化水质监测与调控中都取得了一定的成果，但缺少对鱼群实时生长状况监控及鱼群健康状况、异常情况的智能化识别，无法完全实现水产养殖的实时化与自动化 [2]。

本文提出一种基于机器视觉的智能鱼群健康状况监测系统，在利用无线传感网对鱼塘水质情况进行实时监测的基础上，增加了通过摄像头自动监测养殖鱼类，并采用运动目标跟踪算法跟踪鱼塘中的鱼群，获取鱼群游动的平均速度、加速度及深度。当监测到鱼群运动的平均速度（加速度）或游动深度超出正常范围时，说明鱼群健康状况出现了异常，自动通过计算机网络向监控中心与用户终端发出报警信号。

1 机器视觉系统设计

机器视觉又称计算机视觉，是人工智能快速发展的一个分支。简单来说，就是利用机器（摄像机、计算机等）代替人眼对目标进行识别、跟踪及测量，从图像中提取信息，并加以理解与处理，从而帮助人们进行判断决策与控制 [3]。

典型的机器视觉系统通常包括图像捕获、光源、图像数字化模块、数字图像处理模块、智能判断决策模块及机械控制执行模块等。

本文系统主要由摄像机、无线数据传输系统、图像采集处理系统、服务器、用户终端等构成。系统整体结构如图 1所示。

1.1 摄像机

摄像机主要负责采集鱼塘中鱼群的运动图像。由于水产养殖监测对距离有一定的要求，因此采用无线网络摄像机实现视频的采集与无线传输。

1.2 无线数据传输系统

无线数据传输系统主要实现鱼群运动视频的传输。通过无线路由器连接至安装有图像采集卡的服务器，利用无线局域网（WLAN）进行数据传输。

1.3 图像采集处理系统

图像采集处理系统主要负责对鱼群运动图像进行采集、加工、处理、特征提取、图像识别与理解等。图像经过处理后，既改善了视觉效果，又便于后续计算机对图像进行分析、判断与决策。硬件部分 ：在计算机上安装图像采集卡 ；图像加工处理则主要依靠软件。

1.4 服务器

利用图像识别等技术对鱼群进行检测、跟踪、分割、识别，并对鱼群的游动速度（加速度）、活动范围等运动参数进行分析，判别鱼群健康状态，在终端上显示这些数据并存入数据库，还可对异常状况进行告警。

1.5 用户终端

通过互联网实现对服务器上存储的鱼群健康状况数据进行远程读取，用户可在任何时间、任何地点查看鱼群健康数据。

2 软件系统设计

智能鱼群健康状况监测系统的软件部分主要包括视频控制、视频处理与数据分析三部分。 

（1）视频控制部分负责实时采集鱼塘视频图像，摄像头旋转、变焦，视频文件播放控制，抓图录像等。 

（2）视频处理部分负责对视频图像进行预处理，去除噪点，及鱼群的检测识别、运动跟踪等。 

（3）数据分析部分负责对鱼群的游动速度、加速度、深度进行分析，记录相关参数，从而判断鱼群健康状况并做出预警。

同时，还可将相关数据存储到数据库以便用户使用各种终端进行查询。鱼群健康状况监测分析流程如图 2 所示。

2.1 鱼群运动跟踪

要获取水产养殖系统中鱼群运动的相关参数，必须首先对摄像机拍摄的鱼群进行自动化检测、识别，利用运动目标跟踪算法对鱼群游动的轨迹进行连续跟踪，通过对一系列连续图像进行分析研究，计算出鱼群在连续多帧图像中的位移，并根据鱼塘大小、摄像机位置、焦距等信息进一步获取鱼群游动的速度、加速度、深度等运动参数。

运动目标跟踪技术是机器视觉领域中广泛应用的关键技术，在人机交互、物体识别、视频监控等方面作用显著。MeanShift 算法因其无需参数、计算量小，对目标变形、旋转变化适应性强等特点得到广泛研究与应用 [4]，而 CAMShift算法则在其基础上增加了自适应大小功能 [5]。这些传统的目标跟踪算法在提取目标颜色特征时容易受到背景的影响。例 如，当目标中包含背景颜色信息时，传统方法会将属于背景的像素误判为目标像素，从而引起跟踪误差，并且随着误差的积累加深，最终可能导致跟踪失败。

由于鱼群在水中不停地游动，它们与摄像头之间的距离和角度也不断发生着变化，从而有可能出现重叠与遮挡。使用传统的 CAMShift 算法可能导致目标误判、跟踪失效，因 此，本文系统采用文献 [6] 中提出的将非线性核密度估计和CAMShift 相结合的抗遮挡目标跟踪算法。首先选取非线性核密度估计方法对感兴趣的鱼群目标进行检测，然后采用CAMShift 算法对检测到的目标进行跟踪，并结合非线性核密度估计的检测结果进行自适应更新，从而实现鱼群目标的自动跟踪与自动去除背景颜色。当鱼群目标发生部分或全部遮挡时，通过发生遮挡前一帧跟踪到的目标大小和位置预测下一帧的跟踪框，从而较好地解决光照变化、阴影及遮挡对鱼群运动跟踪造成的影响。

2.2 鱼群健康状况监测分析

当鱼群受到应激（如外来群种入侵、缺氧、饥饿、生病等） 时，其游动速度与加速度都会发生较大突变。例如，缺氧情况下鱼群游速会降低，游动位置会上移，需要经常浮头来呼吸氧气 ；外来群种入侵时鱼群游速会加快，活跃程度显著上升。因此，通过监测鱼群游动速度（加速度）与深度的变化，就可分析判断出鱼类生长环境的改变与健康状况。

鱼群游动的速度（加速度）与深度等参数的变化可实时反映出鱼群的健康状况。本文系统周期性地获取鱼群游动的速度、加速度与深度等参数数据并存储至数据库。在系统中设定速度、加速度与深度的阈值，当鱼群游动的速度、加速度超过阈值时可判定为鱼群受到外来刺激 ；当鱼群的游动深度低于阈值时，则可判定为缺氧 ；一旦鱼群的游动参数出现异常，系统将通过声、光等形式发出报警信号。用户可通智能手机、平板、电脑等终端随时随地读取参数并获取报警信息，并且判定鱼类健康状况时还可通过机器学习系统根据历史特征数据对判定方法进行进一步优化，从而保证判定结果的准确性与稳定性。

3 结 语

本文设计的基于机器视觉的智能鱼群健康状况监测系统可对鱼群由于外部或内部因素产生的异常行为进行长期、稳 定、有效的监控与报警，从而起到实时监测鱼类健康状况的作用，有效避免人工观察带来的一系列弊端，为真正实现水产养殖全过程的实时化与智能化进行了一些有益探索。