0 引 言

隨著人們生活水平的提高，水產品需求量逐年遞增。在漁業(yè)發(fā)展過程中，傳統(tǒng)的水產養(yǎng)殖多為粗放型生產模式，以人工觀察為主，養(yǎng)殖戶憑經驗管理魚塘，耗費了大量的時間、精力 [1]。人工觀察加經驗判斷不利于精確、穩(wěn)定、連續(xù)記錄，而且主觀性較強，存在誤判的可能，無法對水質變化做出及時有效的響應與決策，無法實時獲取水下魚群的健康狀況，容易導致由于調控不及時帶來的巨大財產損失。國家科技方面的中長期規(guī)劃中已經明確將“畜水產健康養(yǎng)殖”納入優(yōu)先發(fā)展方向，水產養(yǎng)殖的自動化與智能化是其必然的發(fā)展趨勢。

隨著計算機網絡與物聯(lián)網技術的迅猛發(fā)展，物聯(lián)網技術被越來越多地應用于水產養(yǎng)殖領域。目前基于無線傳感網的水產養(yǎng)殖監(jiān)控系統(tǒng)是研究與應用的熱點，這些系統(tǒng)雖然在智能化水質監(jiān)測與調控中都取得了一定的成果，但缺少對魚群實時生長狀況監(jiān)控及魚群健康狀況、異常情況的智能化識別，無法完全實現(xiàn)水產養(yǎng)殖的實時化與自動化 [2]。

本文提出一種基于機器視覺的智能魚群健康狀況監(jiān)測系統(tǒng)，在利用無線傳感網對魚塘水質情況進行實時監(jiān)測的基礎上，增加了通過攝像頭自動監(jiān)測養(yǎng)殖魚類，并采用運動目標跟蹤算法跟蹤魚塘中的魚群，獲取魚群游動的平均速度、加速度及深度。當監(jiān)測到魚群運動的平均速度（加速度）或游動深度超出正常范圍時，說明魚群健康狀況出現(xiàn)了異常，自動通過計算機網絡向監(jiān)控中心與用戶終端發(fā)出報警信號。

1 機器視覺系統(tǒng)設計

機器視覺又稱計算機視覺，是人工智能快速發(fā)展的一個分支。簡單來說，就是利用機器（攝像機、計算機等）代替人眼對目標進行識別、跟蹤及測量，從圖像中提取信息，并加以理解與處理，從而幫助人們進行判斷決策與控制 [3]。

典型的機器視覺系統(tǒng)通常包括圖像捕獲、光源、圖像數字化模塊、數字圖像處理模塊、智能判斷決策模塊及機械控制執(zhí)行模塊等。

本文系統(tǒng)主要由攝像機、無線數據傳輸系統(tǒng)、圖像采集處理系統(tǒng)、服務器、用戶終端等構成。系統(tǒng)整體結構如圖 1所示。

1.1 攝像機

攝像機主要負責采集魚塘中魚群的運動圖像。由于水產養(yǎng)殖監(jiān)測對距離有一定的要求，因此采用無線網絡攝像機實現(xiàn)視頻的采集與無線傳輸。

1.2 無線數據傳輸系統(tǒng)

無線數據傳輸系統(tǒng)主要實現(xiàn)魚群運動視頻的傳輸。通過無線路由器連接至安裝有圖像采集卡的服務器，利用無線局域網（WLAN）進行數據傳輸。

1.3 圖像采集處理系統(tǒng)

圖像采集處理系統(tǒng)主要負責對魚群運動圖像進行采集、加工、處理、特征提取、圖像識別與理解等。圖像經過處理后，既改善了視覺效果，又便于后續(xù)計算機對圖像進行分析、判斷與決策。硬件部分 ：在計算機上安裝圖像采集卡 ；圖像加工處理則主要依靠軟件。

1.4 服務器

利用圖像識別等技術對魚群進行檢測、跟蹤、分割、識別，并對魚群的游動速度（加速度）、活動范圍等運動參數進行分析，判別魚群健康狀態(tài)，在終端上顯示這些數據并存入數據庫，還可對異常狀況進行告警。

1.5 用戶終端

通過互聯(lián)網實現(xiàn)對服務器上存儲的魚群健康狀況數據進行遠程讀取，用戶可在任何時間、任何地點查看魚群健康數據。

2 軟件系統(tǒng)設計

智能魚群健康狀況監(jiān)測系統(tǒng)的軟件部分主要包括視頻控制、視頻處理與數據分析三部分。 

（1）視頻控制部分負責實時采集魚塘視頻圖像，攝像頭旋轉、變焦，視頻文件播放控制，抓圖錄像等。 

（2）視頻處理部分負責對視頻圖像進行預處理，去除噪點，及魚群的檢測識別、運動跟蹤等。 

（3）數據分析部分負責對魚群的游動速度、加速度、深度進行分析，記錄相關參數，從而判斷魚群健康狀況并做出預警。

同時，還可將相關數據存儲到數據庫以便用戶使用各種終端進行查詢。魚群健康狀況監(jiān)測分析流程如圖 2 所示。

2.1 魚群運動跟蹤

要獲取水產養(yǎng)殖系統(tǒng)中魚群運動的相關參數，必須首先對攝像機拍攝的魚群進行自動化檢測、識別，利用運動目標跟蹤算法對魚群游動的軌跡進行連續(xù)跟蹤，通過對一系列連續(xù)圖像進行分析研究，計算出魚群在連續(xù)多幀圖像中的位移，并根據魚塘大小、攝像機位置、焦距等信息進一步獲取魚群游動的速度、加速度、深度等運動參數。

運動目標跟蹤技術是機器視覺領域中廣泛應用的關鍵技術，在人機交互、物體識別、視頻監(jiān)控等方面作用顯著。MeanShift 算法因其無需參數、計算量小，對目標變形、旋轉變化適應性強等特點得到廣泛研究與應用 [4]，而 CAMShift算法則在其基礎上增加了自適應大小功能 [5]。這些傳統(tǒng)的目標跟蹤算法在提取目標顏色特征時容易受到背景的影響。例 如，當目標中包含背景顏色信息時，傳統(tǒng)方法會將屬于背景的像素誤判為目標像素，從而引起跟蹤誤差，并且隨著誤差的積累加深，最終可能導致跟蹤失敗。

由于魚群在水中不停地游動，它們與攝像頭之間的距離和角度也不斷發(fā)生著變化，從而有可能出現(xiàn)重疊與遮擋。使用傳統(tǒng)的 CAMShift 算法可能導致目標誤判、跟蹤失效，因 此，本文系統(tǒng)采用文獻 [6] 中提出的將非線性核密度估計和CAMShift 相結合的抗遮擋目標跟蹤算法。首先選取非線性核密度估計方法對感興趣的魚群目標進行檢測，然后采用CAMShift 算法對檢測到的目標進行跟蹤，并結合非線性核密度估計的檢測結果進行自適應更新，從而實現(xiàn)魚群目標的自動跟蹤與自動去除背景顏色。當魚群目標發(fā)生部分或全部遮擋時，通過發(fā)生遮擋前一幀跟蹤到的目標大小和位置預測下一幀的跟蹤框，從而較好地解決光照變化、陰影及遮擋對魚群運動跟蹤造成的影響。

2.2 魚群健康狀況監(jiān)測分析

當魚群受到應激（如外來群種入侵、缺氧、饑餓、生病等） 時，其游動速度與加速度都會發(fā)生較大突變。例如，缺氧情況下魚群游速會降低，游動位置會上移，需要經常浮頭來呼吸氧氣 ；外來群種入侵時魚群游速會加快，活躍程度顯著上升。因此，通過監(jiān)測魚群游動速度（加速度）與深度的變化，就可分析判斷出魚類生長環(huán)境的改變與健康狀況。

魚群游動的速度（加速度）與深度等參數的變化可實時反映出魚群的健康狀況。本文系統(tǒng)周期性地獲取魚群游動的速度、加速度與深度等參數數據并存儲至數據庫。在系統(tǒng)中設定速度、加速度與深度的閾值，當魚群游動的速度、加速度超過閾值時可判定為魚群受到外來刺激 ；當魚群的游動深度低于閾值時，則可判定為缺氧 ；一旦魚群的游動參數出現(xiàn)異常，系統(tǒng)將通過聲、光等形式發(fā)出報警信號。用戶可通智能手機、平板、電腦等終端隨時隨地讀取參數并獲取報警信息，并且判定魚類健康狀況時還可通過機器學習系統(tǒng)根據歷史特征數據對判定方法進行進一步優(yōu)化，從而保證判定結果的準確性與穩(wěn)定性。

3 結 語

本文設計的基于機器視覺的智能魚群健康狀況監(jiān)測系統(tǒng)可對魚群由于外部或內部因素產生的異常行為進行長期、穩(wěn) 定、有效的監(jiān)控與報警，從而起到實時監(jiān)測魚類健康狀況的作用，有效避免人工觀察帶來的一系列弊端，為真正實現(xiàn)水產養(yǎng)殖全過程的實時化與智能化進行了一些有益探索。