基于魚(yú)體背部彎曲潛能算法的四種主養(yǎng)魚(yú)類(lèi)識(shí)別

吳健輝，張曉飛，楊　敏，王錦萍，譚志豪

(1.湖南理工學(xué)院信息與通信工程學(xué)院，湖南岳陽(yáng)　414006；2.湖南理工學(xué)院IIP創(chuàng)新實(shí)驗(yàn)室，湖南岳陽(yáng)　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(diǎn)實(shí)驗(yàn)室，湖南岳陽(yáng)　414006)

?

基于魚(yú)體背部彎曲潛能算法的四種主養(yǎng)魚(yú)類(lèi)識(shí)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(yáng)414006；2.湖南理工學(xué)院IIP創(chuàng)新實(shí)驗(yàn)室，湖南岳陽(yáng)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(diǎn)實(shí)驗(yàn)室，湖南岳陽(yáng)414006)

摘要：以四種主養(yǎng)淡水魚(yú)鯽(Carassius auratus)、草魚(yú)(Ctenopharyngodon idellus)、團(tuán)頭魴(Megalobrama amblycephala)、鯉(Cyprinus carpio)為例，提出一種基于圖像處理技術(shù)的魚(yú)種類(lèi)自動(dòng)識(shí)別方法。首先通過(guò)魚(yú)體信息采集系統(tǒng)獲取待識(shí)別魚(yú)體圖像，并對(duì)其進(jìn)行灰度化與二值化，得到魚(yú)體輪廓信息；然后采用鄰域邊界算法對(duì)魚(yú)體的輪廓進(jìn)行提取，根據(jù)輪廓曲線建立魚(yú)體背部輪廓數(shù)學(xué)模型；最后根據(jù)輪廓模型，采用魚(yú)體背部彎曲潛能算法對(duì)不同種類(lèi)魚(yú)體樣本的背部彎曲潛能值進(jìn)行計(jì)算和聚類(lèi)統(tǒng)計(jì)，得到不同魚(yú)類(lèi)樣本的背部彎曲潛能值分布區(qū)間，從而通過(guò)比對(duì)待識(shí)別魚(yú)體背部彎曲潛能值的區(qū)間實(shí)現(xiàn)對(duì)不同魚(yú)類(lèi)的自動(dòng)識(shí)別。對(duì)四種主養(yǎng)魚(yú)類(lèi)的實(shí)驗(yàn)測(cè)試結(jié)果表明，對(duì)團(tuán)頭魴的識(shí)別精度可以達(dá)到100%，對(duì)鯽、鯉和草魚(yú)的識(shí)別精度達(dá)到96%，基本上能準(zhǔn)確實(shí)現(xiàn)四種魚(yú)體的分類(lèi)識(shí)別，具有較好的實(shí)際應(yīng)用價(jià)值。

關(guān)鍵詞：圖像處理；魚(yú)類(lèi)識(shí)別；背部輪廓；彎曲潛能

在我國(guó)水產(chǎn)養(yǎng)殖中，四大淡水主養(yǎng)魚(yú)占據(jù)了很大的比例，但魚(yú)類(lèi)養(yǎng)殖的自動(dòng)化水平較國(guó)外有一定的差距，特別是對(duì)魚(yú)的生長(zhǎng)過(guò)程監(jiān)控以及魚(yú)類(lèi)自動(dòng)識(shí)別上還有很大的提升空間[1]。例如在魚(yú)苗育種時(shí)期需要對(duì)魚(yú)體特征信息進(jìn)行采集及快速識(shí)別，傳統(tǒng)的方法是通過(guò)人工操作對(duì)魚(yú)苗的各項(xiàng)參數(shù)進(jìn)行測(cè)量，但該過(guò)程易對(duì)魚(yú)苗造成損傷；在成魚(yú)的出水加工過(guò)程中需要對(duì)不同的魚(yú)類(lèi)進(jìn)行分類(lèi)，傳統(tǒng)的方法也是人工識(shí)別挑選，存在勞動(dòng)強(qiáng)度大、準(zhǔn)確率不高以及容易造成魚(yú)體損傷等缺點(diǎn)。

近年來(lái)，隨著圖像處理技術(shù)的發(fā)展，基于圖像的目標(biāo)識(shí)別和分類(lèi)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(cè)[2]、產(chǎn)品自動(dòng)分揀[3]等，農(nóng)業(yè)生產(chǎn)中的水果大小分級(jí)[4]、植物葉面尺寸測(cè)量[5]、表面損傷的檢測(cè)[6]及表面顏色的成熟度檢測(cè)[7]等。在魚(yú)類(lèi)識(shí)別研究方面也開(kāi)始引入圖像處理技術(shù)。例如萬(wàn)鵬等[8]將魚(yú)體按長(zhǎng)度方向平均分為5段，并將各段的平均寬度與長(zhǎng)度的比值作為特征參數(shù)，利用BP(back propagation)神經(jīng)網(wǎng)絡(luò)對(duì)鯽(Carassiusauratus)和鯉(Cyprinuscarpio)進(jìn)行了識(shí)別研究，平均識(shí)別率達(dá)到92.5%；張志強(qiáng)等[9]運(yùn)用數(shù)字圖像處理技術(shù)對(duì)淡水魚(yú)圖像進(jìn)行處理，提取其各個(gè)顏色分量及長(zhǎng)短軸之比等特征值，運(yùn)用該特征值建立有關(guān)淡水魚(yú)的品種識(shí)別模型，實(shí)現(xiàn)了鰱(Hypophthalmichthysmolitrix)、鳊(Parabramispekinensis)、鯉和鯽四種淡水魚(yú)的分類(lèi)識(shí)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(jī)的識(shí)別方法，利用該方法對(duì)團(tuán)頭魴、鳙(Aristichthysnobilis)、鯽、草魚(yú)、青魚(yú)(Mylopharyngodonpiceus)5種淡水魚(yú)進(jìn)行了分類(lèi)識(shí)別研究，并對(duì)各類(lèi)魚(yú)的識(shí)別精度作分析。在同一種類(lèi)不同品種的魚(yú)體識(shí)別上，White等[11]利用機(jī)器視覺(jué)技術(shù)針對(duì)比目魚(yú)(Pleuronectiformes)的七種不同品種進(jìn)行了識(shí)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(lèi)器進(jìn)行魚(yú)類(lèi)識(shí)別研究，對(duì)20種魚(yú)、400個(gè)訓(xùn)練樣本和210個(gè)測(cè)試樣本進(jìn)行分類(lèi)，識(shí)別正確率為84%，基本達(dá)到實(shí)際應(yīng)用要求。

本研究在目前魚(yú)類(lèi)識(shí)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(duì)四種常見(jiàn)的主養(yǎng)淡水魚(yú)鯽、草魚(yú)、團(tuán)頭魴和鯉進(jìn)行分類(lèi)識(shí)別研究。通過(guò)對(duì)獲取的魚(yú)體圖像特征進(jìn)行提取，建立有關(guān)淡水魚(yú)的背部輪廓特征數(shù)學(xué)識(shí)別模型，實(shí)現(xiàn)對(duì)四種魚(yú)類(lèi)的分類(lèi)和識(shí)別處理。

1材料與方法

1.1魚(yú)體樣本采集系統(tǒng)

采用魚(yú)體圖像在線采集系統(tǒng)進(jìn)行魚(yú)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(jī)、環(huán)形燈、圖像采集卡和PC機(jī)，攝像機(jī)采用維視工業(yè)級(jí)攝像機(jī)MV-VS3200FC，光源采用32W的環(huán)形燈管，圖像采集卡采用與攝像機(jī)對(duì)應(yīng)的專(zhuān)用T1000 1394高速采集卡。魚(yú)體圖像采集上位機(jī)軟件平臺(tái)采用自主研發(fā)的基于VS2013與OpenCV的魚(yú)體圖像采集系統(tǒng)，能實(shí)現(xiàn)魚(yú)體圖像的實(shí)時(shí)采集和快速存儲(chǔ)。

圖1　魚(yú)體圖像采集系統(tǒng)硬件平臺(tái)

1.2魚(yú)體圖像預(yù)處理

通過(guò)魚(yú)體圖像采集信息系統(tǒng)采集到魚(yú)體的原始圖像后，首先對(duì)圖像進(jìn)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(yú)體圖像通過(guò)魚(yú)體背部輪廓信息來(lái)計(jì)算魚(yú)體背部彎曲潛能參數(shù)，再根據(jù)魚(yú)體背部彎曲潛能參數(shù)進(jìn)行不同種類(lèi)魚(yú)的分類(lèi)識(shí)別。

1.2.1魚(yú)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(yú)體識(shí)別中，只需要對(duì)魚(yú)體的輪廓信息進(jìn)行計(jì)算，從而得到其特征，因此不需要顏色信息。對(duì)于彩色圖像，已知其中任意一個(gè)像素點(diǎn)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(jì)算出該點(diǎn)的灰度值，并用灰度值代替原始的像素值，實(shí)現(xiàn)彩色圖像到灰度圖像的變換。對(duì)采集到的四種不同類(lèi)型的魚(yú)體圖像灰度化后的效果如圖2所示。

圖2　四種魚(yú)的圖像灰度化效果圖

1.2.2魚(yú)體灰度圖像二值化

從灰度圖像中獲取魚(yú)體輪廓，可以通過(guò)二值化的方式進(jìn)行。從圖2所示的灰度化魚(yú)體圖像可知，魚(yú)體的灰度值和背景的灰度值存在明顯差異，因此通過(guò)適當(dāng)選取閾值，可以實(shí)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(yú)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?shí)現(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(dòng)態(tài)閾值，靜態(tài)閾值在處理中固定不變，由于不需要實(shí)時(shí)計(jì)算閾值，處理速度快，但通用性一般不好；自適應(yīng)動(dòng)態(tài)閾值通過(guò)對(duì)待處理圖像的灰度值進(jìn)行計(jì)算和分析，通過(guò)迭代找到一個(gè)最佳的值作為閾值，對(duì)每一幀圖像都能達(dá)到最佳的二值化效果，但速度稍慢。在本研究中，所用的魚(yú)體圖像采集系統(tǒng)光照度穩(wěn)定，所采集到的魚(yú)體圖像在灰度值分布上具有相似的特點(diǎn)，因而可以采用固定閾值法進(jìn)行二值化。

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

1.2.3魚(yú)體輪廓提取

從二值化后的魚(yú)體樣本圖像中提取魚(yú)體的輪廓信息，常用的方法有邊緣檢測(cè)法和邊界跟蹤法。從圖3可知，二值化后的圖像中魚(yú)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(shí)現(xiàn)魚(yú)體輪廓信息的提取。通過(guò)建立一個(gè)3*3的8鄰域模板從圖像第2行第2列進(jìn)行目標(biāo)邊界搜索，如果中心點(diǎn)的8鄰域中首次出現(xiàn)為‘1’的像素，則選擇該點(diǎn)作為邊界搜索起點(diǎn)并進(jìn)行標(biāo)記，構(gòu)建一個(gè)新的8鄰域并搜索下一個(gè)邊界點(diǎn)，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(diǎn)繪圖即可得到魚(yú)體的完整輪廓，如圖4所示。

圖3　四種魚(yú)體樣本的二值化結(jié)果圖

圖4　四種魚(yú)的圖像輪廓提取結(jié)果

1.3魚(yú)體特征提取

1.3.1魚(yú)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(yú)的圖像輪廓，對(duì)魚(yú)體吻端A、尾柄B、C和背部D進(jìn)行提取，進(jìn)而構(gòu)建魚(yú)體背部輪廓數(shù)學(xué)模型，如圖5所示。

圖5　魚(yú)體背部輪廓曲線

然后對(duì)四種魚(yú)的背部輪廓曲線采用圖6的背部輪廓模型進(jìn)行歸一化處理，歸一化計(jì)算公式為：

(1)

式(1)中xmax，xmin為ABCD所包圍的魚(yú)體背部輪廓曲線圖像(N*M)中對(duì)應(yīng)的M像素點(diǎn)的最大值與最小值，x為ABCD構(gòu)成的魚(yú)體背部輪廓曲線對(duì)應(yīng)的二值化值，x′為對(duì)背部輪廓曲線歸一化后的計(jì)算結(jié)果。四種魚(yú)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(yú)體背部輪廓曲線歸一化建模

1.3.2魚(yú)體背部輪廓彎曲潛能值計(jì)算

對(duì)四種魚(yú)體背部輪廓進(jìn)行歸一化建模后，采用剛體形狀識(shí)別中的彎曲潛能(BP:Bending Potential)方法[13]來(lái)計(jì)算魚(yú)體背部彎曲潛能值。彎曲潛能的定義如圖7所示，對(duì)于輪廓段C(q1，q2)，其弧長(zhǎng)為l(q1，q2)，q1與q2之間最短的輪廓段是弦長(zhǎng)d(q1，q2)，由于弧長(zhǎng)l和弦長(zhǎng)d都是輪廓段C的自身屬性，固定弦長(zhǎng)d(q1，q2)，如果弧長(zhǎng)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(duì)局部的輪廓擾動(dòng)不敏感，并且能表示物體在視覺(jué)上重要的部分，根據(jù)hg計(jì)算魚(yú)體背部曲線的彎曲潛能值能夠較準(zhǔn)確的對(duì)魚(yú)體進(jìn)行分類(lèi)。

圖7　彎曲潛能值的定義

2實(shí)驗(yàn)結(jié)果與分析

2.1樣本采集

利用魚(yú)體圖像在線采集系統(tǒng)對(duì)水產(chǎn)養(yǎng)殖業(yè)中常見(jiàn)的鯽、草魚(yú)、團(tuán)頭魴和鯉進(jìn)行樣本采集，最終采集到180尾樣本(每種魚(yú)45尾)作為研究對(duì)象。首先對(duì)采集的魚(yú)體測(cè)試圖片進(jìn)行編號(hào)，其中1～45號(hào)為鯽，46～90號(hào)為草魚(yú)，91～135號(hào)為團(tuán)頭魴，136～180號(hào)為鯉。圖8為采集的四種魚(yú)類(lèi)樣本中每種魚(yú)前五尾的樣本示意圖。

2.2不同種類(lèi)魚(yú)的背部曲線彎曲潛能值計(jì)算統(tǒng)計(jì)

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

80個(gè)魚(yú)體樣本的彎曲潛能值計(jì)算完畢后，再對(duì)各個(gè)計(jì)算值的分布區(qū)間進(jìn)行聚類(lèi)統(tǒng)計(jì)，其統(tǒng)計(jì)分布結(jié)果如圖9所示。

從圖9中可以看出，四種魚(yú)其對(duì)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(tuán)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(lèi)分布區(qū)間主要在70～77；鯽的背部彎曲潛能值較大，其聚類(lèi)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(lèi)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(lèi)分布區(qū)間比較接近，存在誤識(shí)的可能；而草魚(yú)的背部彎曲率最小，即最平直，其彎曲潛能值最大，聚類(lèi)分布區(qū)間在110～130。

表1　部分樣本的背部彎曲潛能值計(jì)算結(jié)果

圖9　測(cè)試圖片魚(yú)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(yú)識(shí)別結(jié)果

對(duì)待識(shí)別的未知種類(lèi)魚(yú)通過(guò)在線采集魚(yú)體圖像，經(jīng)過(guò)處理后計(jì)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(lèi)。實(shí)驗(yàn)中采用已經(jīng)采集的四種魚(yú)體樣本中每組余下的25個(gè)樣本作為測(cè)試樣本進(jìn)行識(shí)別測(cè)試，共100個(gè)待測(cè)魚(yú)體樣本的識(shí)別統(tǒng)計(jì)結(jié)果如表2所示。

表2　四種魚(yú)的識(shí)別綜合測(cè)試結(jié)果

2.4識(shí)別結(jié)果分析與討論

從表2對(duì)四種主養(yǎng)魚(yú)類(lèi)的識(shí)別結(jié)果可以看出，團(tuán)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(huì)落入其它魚(yú)的區(qū)間，識(shí)別率可達(dá)到100%；但是個(gè)別魚(yú)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(shí)別為鯽，因此鯽和鯉中各自出現(xiàn)了一尾魚(yú)的誤識(shí)；草魚(yú)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(yú)其背部曲率會(huì)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(cè)試中也存在一尾魚(yú)的識(shí)別誤差。但從整體上看，100尾測(cè)試魚(yú)體樣本的綜合識(shí)別率高于96%，達(dá)到了對(duì)四種主養(yǎng)魚(yú)的分類(lèi)識(shí)別目的。

同時(shí)，從上面的實(shí)驗(yàn)結(jié)果分析可知，本研究對(duì)魚(yú)類(lèi)的識(shí)別分類(lèi)方法依賴(lài)于魚(yú)體的背部輪廓曲率，算法的通用性較差，無(wú)法完成對(duì)背部輪廓曲率接近或者一樣的魚(yú)體識(shí)別，存在一定的局限性。但對(duì)于四種主養(yǎng)的淡水魚(yú)，本文的方法相比目前的其它方法，在識(shí)別準(zhǔn)確性和可靠性上有明顯提升，達(dá)到實(shí)用的標(biāo)準(zhǔn)。本研究方法還可以通過(guò)增加魚(yú)體樣本的聚類(lèi)分析來(lái)精確統(tǒng)計(jì)各個(gè)聚類(lèi)區(qū)間，從而進(jìn)一步提升識(shí)別的準(zhǔn)確率，較其它方法有更好的實(shí)際操作性。

3結(jié)論

本文圍繞四種主養(yǎng)淡水魚(yú)開(kāi)展了基于背部輪廓彎曲潛能計(jì)算的識(shí)別與分類(lèi)工作，通過(guò)魚(yú)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(jì)算，最終得到了四類(lèi)魚(yú)的背部彎曲潛能值的聚類(lèi)分布區(qū)間。測(cè)試樣本的識(shí)別準(zhǔn)確率充分證明了本文方法對(duì)團(tuán)頭魴、鯽、鯉、草魚(yú)四種淡水魚(yú)識(shí)別的有效性。在下一步的研究中，通過(guò)增加分析樣本和測(cè)試樣本的數(shù)量，進(jìn)一步提升不同類(lèi)型魚(yú)體背部彎曲潛能值的區(qū)間分布精細(xì)度，實(shí)現(xiàn)對(duì)更多不同種類(lèi)魚(yú)體的識(shí)別；同時(shí)在研究中通過(guò)分析樣本找到背部彎曲潛能值相似的魚(yú)類(lèi)，進(jìn)一步研究新的識(shí)別方法，爭(zhēng)取實(shí)現(xiàn)更多淡水魚(yú)的分類(lèi)識(shí)別，為淡水魚(yú)類(lèi)養(yǎng)殖業(yè)提供最新的技術(shù)支持。

參考文獻(xiàn):

[1]劉煥亮.2004年我國(guó)魚(yú)類(lèi)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(cè)機(jī)器視覺(jué)系統(tǒng)的設(shè)計(jì)[J].電子測(cè)量與儀器學(xué)報(bào),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(dòng)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(jī)器視覺(jué)的蘋(píng)果識(shí)別和形狀特征提取[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(8):161-165.

[5]郭斯羽,周樂(lè)前,溫和.長(zhǎng)葉柄軸對(duì)稱(chēng)植物葉片長(zhǎng)度的圖像測(cè)量方法[J].電子測(cè)量與儀器學(xué)報(bào),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(wàn)鵬,潘海兵,龍長(zhǎng)江,等.基于機(jī)器視覺(jué)技術(shù)淡水魚(yú)品種在線識(shí)別裝置設(shè)計(jì)[J].食品與機(jī)械,2012,28(6):164-167.

[9]張志強(qiáng),牛智有,趙思明,等.基于機(jī)器視覺(jué)技術(shù)的淡水魚(yú)質(zhì)量分級(jí)[J].農(nóng)業(yè)工程學(xué)報(bào),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(jī)的淡水魚(yú)種類(lèi)識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào),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.

(責(zé)任編輯：陳細(xì)華)

收稿日期：2015-09-06；

修訂日期：2016-01-24

第一作者簡(jiǎn)介：吳健輝(1977-)，男，博士，副教授，主要研究方向?yàn)閳D像信息處理與模式識(shí)別。E-mail:wujhlf@foxmail.com

中圖分類(lèi)號(hào)：TP391.41

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1000-6907-(2016)04-0101-06

Identification of four fish species based on bending potential algorithm of fish back contour

WU Jian-hui1,2,3,ZHANG Xiao-fei1,2,YANG Min2,WANG Jin-ping1,2,TAN Zhi-hao1,2

(1.CollegeofInformationandCommunicationEngineering,HunanInstituteofScienceandTechnology,Yueyang414006,Hunan,China;2.LaboratoryofIntelligent-ImageInformationProcessing,HunanInstituteofScienceandTechnology,Yueyang414006,Hunan,China;3.KeyLaboratoryofOptimizationandControlforComplexSystems,HunanInstituteofScienceandTechnology,Yueyang414006,Hunan,China)

Abstract：In order to realize the automatic recognition method for different fish species such as the crucian carp(Carassius auratus),grass carp(Ctenopharyngodon idellus),megalobrama amblycephala and common carp(Cyprinus carpio),a new method based on image processing technology was proposed in this paper.Firstly,the fish images were collected which used the fish information acquisition system,and the fish contour information were calculated by the grayscale and binarization algorithms.Then the mathematical model of the fish back contour was established according to the contour curve which computed by neighborhood boundary algorithm.Lastly,the bending potential values of fish back were calculated to clustering in different zone.It could be got the distribution range of bending potential value for different fish species,and identifies the fish species which according to the zone of fish back bending potential value.The experiment results were shown that this method can identify the fish effectively.The recognition accuracy of megalobrama amblycephala can reached 100%,and the crucian carp,common carp and grass carp can reached 96%.It is achieved the accurate classification of four fish species,and it has very good practical value.

Key words：image processing;fish identification;back contour;bending potential

資助項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目(61201435)；湖南省教育廳青年項(xiàng)目(13B037)；2015年湖南省大學(xué)生研究性學(xué)習(xí)與創(chuàng)新性實(shí)驗(yàn)計(jì)劃項(xiàng)目(湘教通[2015]269號(hào))