基于圖像紋理特征的養(yǎng)殖魚群攝食活動強度評估

陳彩文, 杜永貴，周 超, 孫傳恒※

基于圖像紋理特征的養(yǎng)殖魚群攝食活動強度評估

陳彩文1,2, 杜永貴1，周 超2, 孫傳恒2※

（1. 太原理工大學信息工程學院，太原 030024；2. 國家農(nóng)業(yè)信息化工程技術(shù)研究中心，農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點實驗室，北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心，北京 100097）

為了解決循環(huán)水養(yǎng)殖中的投喂難題，該文以鏡鯉為試驗對象，基于計算機視覺技術(shù)，提出了一種通過分析魚群的紋理來評估魚群攝食活動強度的方法。首先利用均值背景建模重建出沒有魚群的背景圖片，提取出目標魚群，使用灰度共生矩陣對逆差矩、相關(guān)性、能量和對比度這4個紋理特征進行分析，得到魚群的攝食活動強度。試驗結(jié)果表明通過魚群紋理的對比度與傳統(tǒng)方法面積法得到的魚群攝食活動強度，其線性決定系數(shù)可達0.894 2，說明該方法可以用來表征魚群的攝食活動強度，研究結(jié)果為魚群的攝食活性強度測量提供了一種參考方法。

計算機視覺；圖像識別；紋理；灰度共生矩陣；魚群面積；魚群攝食活動強度

0 引 言

近年來，計算機視覺技術(shù)在漁業(yè)養(yǎng)殖上的應(yīng)用成為研究熱點，但是養(yǎng)殖過程中的投餌問題，目前都是采用人工投餌和機械投餌，無法精確考慮魚類攝食需求的變化和環(huán)境因子的影響[1-3]；而且大量的研究表明魚群在不同水質(zhì)情況下和不同的生長階段攝食活動強度會有很大的差別[4-7]。所以分析量化魚群的攝食活動強度成為解決精準投喂的關(guān)鍵問題[8-12]。

利用計算機視覺和圖像處理技術(shù)對魚群的攝食行為進行量化，對于提升漁業(yè)養(yǎng)殖的經(jīng)濟效益具有非常重要的意義[13-16]。目前借助于計算機視覺技術(shù)對于魚類的攝食行為進行量化的研究主要集中在國外，國內(nèi)相對偏少，主要有：Liu等通過計算魚群在相鄰時間內(nèi)的魚群差分圖像來表征魚群的攝食活動強度，但是該方法需要對激起水花的不可觀測圖片進行剔除，計算量大[17]。胡利永等分析魚群在攝食過程中的聚集擴散程度及魚群的饑飽程度，來決定魚群的投喂量，但是此方法易受室外水面反光的影響[18]；Dorith等利用PMP值（魚群的運動投影圖）來間接表征魚群的運動活躍程度，但是不能提供一個數(shù)字化的反饋[19]；Keith等以出現(xiàn)魚群搶食和魚群在底部攝食的比例作為魚群的攝食速度[20]；Eriksen等為魚群的每種行為賦值，從而量化魚類的攝食活動強度[21]。這些方法都是基于人工的觀察測量，易受人為因素的干擾。Sadoul等利用魚群面積的變化程度和魚群的擴散程度來表征魚群在攝食和監(jiān)閉狀態(tài)下的運動活躍程度[22]，該方法也取得了良好的試驗效果，但是魚群數(shù)目相對偏少。

采用計算機視覺技術(shù)來對魚群的攝食行為進行研究時，首先需要提取出運動目標的位置，才能進行相關(guān)的分析處理，但是在分析魚群的攝食行為時，其相互遮擋的現(xiàn)象時有發(fā)生，此時量化魚群的攝食活動強度變得非常困難[23-26]。對于循環(huán)水養(yǎng)殖系統(tǒng)來說，水槽中的水較為清澈，而且魚群的行為模式較為固定。所以針對這一情況，本文提出把魚群作為整體研究對象，利用魚群在不同的攝食情況下對應(yīng)的不同圖像紋理，根據(jù)魚群的紋理信息判斷出魚群的攝食活動強度，以期達到對魚群實時監(jiān)控的目的。

1 材料與方法

1.1 試驗材料

本研究選用鏡鯉（Cyprinus carpio specularis）為試驗對象，該魚種鱗片少、生長速度快、含肉率高、肉質(zhì)好，已被中國水產(chǎn)委員會審定為適合在中國推廣的優(yōu)良水產(chǎn)養(yǎng)殖品種。為了更加符合工廠化的養(yǎng)殖環(huán)境，本試驗挑選55條鏡鯉放入水槽內(nèi)進行飼養(yǎng)，魚體體長在10～25cm之間。水槽直徑為1.5 m，高為1.2 m。在采集視頻之前，鏡鯉已經(jīng)在此系統(tǒng)中生活了數(shù)月，已經(jīng)充分適應(yīng)了循環(huán)水養(yǎng)殖系統(tǒng)的各種條件。

1.2 視頻的采集

本試驗是在北京小湯山國家精準農(nóng)業(yè)示范基地采集數(shù)據(jù)，試驗系統(tǒng)如圖1所示，該系統(tǒng)包括養(yǎng)魚的水槽、生物濾池、UV紫外線過濾裝置、一臺微濾機、過濾泵和一臺攝像機。在試驗中，采用浮性飼料對魚群進行飽食投喂（有少量飼料浮在水槽表面，且大部分魚群潛入水槽底部，不再攝食，即可認為魚群已經(jīng)吃飽，即可停止投喂），然后對魚群的攝食活動強度進行分析。視頻采集系統(tǒng)中，攝像機安裝在水槽的斜上方1 m高的位置進行拍攝，攝像機為尼康D90，其采集圖像為24-bit RGB、1 280×720像素真彩圖像，格式為JEPG，采集幀率為24幀/s，采集到的數(shù)據(jù)直接存儲在攝像機自帶的采集卡中，截取視頻的軟件為Daum Potplayer，圖像分析軟件采用的是MATLAB R2013a和OpenCV2.4.9。

圖1 循環(huán)水養(yǎng)殖系統(tǒng)示意圖Fig.1 Sketch map of circulating water culture system

2 基于圖像紋理的魚群攝食活動強度測量

圖像的紋理分析技術(shù)是目前計算機視覺領(lǐng)域研究的一個重要方向，任何物體的表面，在一定的時間空間狀態(tài)下，一定會顯現(xiàn)出紋理，而且圖像的紋理特征與圖像的色彩信息無關(guān)，它能反映出不同圖像的空間組成特征[27-29]。所以利用紋理的這一特性對魚群攝食活動強度進行分析時，可以免去魚群運動時激起的水花及水面波紋的干擾。本文為了對魚群的攝食活動強度進行量化，所采用的數(shù)據(jù)是截取魚群攝食前后11 min的視頻，然后每隔1 s截取一幀，從中挑選了630幅質(zhì)量較好的圖片對其進行分析處理，首先利用均值背景建模生成沒有魚群的背景圖片，然后通過背景減法提取出前景目標魚群，再把圖片灰度化生成灰度共生矩陣，對比魚群紋理的各個特征量，最后得到魚群的攝食活動強度，本文的算法如圖2所示。

圖2 紋理分析魚群攝食活動強度的流程圖Fig.2 Flow chart of texture analysis of shoal feeding activity

2.1 背景生成及背景減

因為本文研究的對象是魚群，所以首先需要從場景中提取出魚群前景，去掉場景中的背景干擾，背景減法是目前常用的一種檢測方法。首先重建出沒有運動魚群的背景圖片。考慮到魚群的攝食時間較短，為了快速得到背景圖片，本文采用均值背景建模。它的基本思想是將運動的魚群看做噪聲，采取累積平均的方法來消除噪聲，將一段時間內(nèi)視頻監(jiān)控序列圖像進行平均，從而獲得背景圖片。均值背景建模用數(shù)學公式表示如下：

式中im(x, y)是第m幀視頻在(x, y)位置處的像素值，N表示幀數(shù)，B( x, y)是背景圖像在(x, y)處像素的平均值，不斷改變(x, y)的值可以獲取整張背景圖片。提取圖片的前景魚群時，只需要將當前幀圖片和背景圖片進行相減即可。該算法是在VS2013和OpenCV2.4.9的試驗平臺下，取視頻的前200幀圖片就可以重建出成像質(zhì)量較好的背景圖片，如圖3所示。

圖3 生成的背景參考圖像Fig.3 Generated background reference image

2.2 提取魚群的紋理特征

魚群在非攝食階段一般會集群在水底自由活動，行為相對比較單調(diào)和統(tǒng)一，而在攝食時，魚群會迅速游到水槽表面，雜亂無章的開始搶食，并且還會激起一定量的水花。傳統(tǒng)的方法解決這一問題往往會很復雜，而本文在分析魚群搶食行為時，把魚群搶食時引起的水面抖動和濺起的水花也作為分析魚群圖像紋理的一部分。因為不同狀態(tài)下魚群圖像對應(yīng)的紋理模式不同，所以提取魚群圖像的紋理特征可以對魚群的攝食行為進行研究，而灰度共生矩陣是計算紋理特征的一種常用有效方法。為了提取魚群的紋理特征，需要把之前的差分圖片灰度化，然后生成每幅圖片的灰度共生矩陣，進而提取出魚群的紋理特征。圖4為魚群在各個階段的原始圖片和灰度化以后的圖片。

2.3 灰度共生矩陣及其生成

設(shè)(,)f x y為一幅二維數(shù)字圖像，其大小為MN×像素，灰度級別為gN，則滿足一定空間關(guān)系的灰度共生矩陣為：

式中#(x)表示集合x中的元素個數(shù)，P 為Ng×Ng的矩陣，如果(x1, y1)與(x2,y2)間的距離為d，兩者與坐標橫軸的夾角為θ，則可以得到各種間距及角度的灰度共生矩陣P(i, j, d,θ)。

圖4 魚群各個階段的原始圖片和灰度化以后的圖片F(xiàn)ig.4 Original image and gray image in each stage of shoal

2.4 灰度共生矩陣特征量的提取

灰度共生矩陣能反映出圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息，是分析圖像局部模式和像素排列規(guī)則的基礎(chǔ)[30-31]。作為紋理分析的特征量，往往不直接計算整幅圖像的灰度共生矩陣，而是在灰度共生矩陣的基礎(chǔ)上再提取紋理特征量，稱為二次統(tǒng)計量。提取出來的統(tǒng)計量可以作為描述圖像紋理信息的特征參數(shù)，這些參數(shù)可以精確表征圖像的紋理信息。根據(jù)相關(guān)文獻得到的結(jié)論，本文使用下面這4個參數(shù)來對魚群紋理進行分析，它們分別是：

1）逆差矩（homogeneity）：反映了圖像紋理的局部平穩(wěn)性，即度量圖像的紋理局部變化的多少。

2）相關(guān)性（correlation）：反映灰度共生矩陣的元素值在行或列方向上的相似程度。

3）能量（energy）：灰度共生矩陣中所有像素點的灰度值的平方和，反映圖像紋理的粗細程度和灰度分布的均勻程度。

4）對比度（contrast）：反映了圖像紋理的深淺程度以及圖像的清晰程度。

從以上公式可知，不同的方向、灰度等級及像素距離會得到不同的灰度共生矩陣，為了計算方便有效，參考徐小軍[32]等在用灰度共生矩陣分析火焰紋理特征中的一些結(jié)論，在本試驗中把圖片的灰度等級設(shè)置為8級，像素距離設(shè)置為10，像素方向取0°、45°、90°和135°這4個方向上的逆差矩、相關(guān)性、能量和對比度共16個特征值作為描述魚群攝食活動強度的特征量。

3 結(jié)果與分析

3.1 魚群紋理的分析結(jié)果

魚群紋理的逆差矩、相關(guān)性、能量和對比度在0°、45°、90°和135°方向上的變化趨勢如圖5所示，為了使數(shù)據(jù)較為統(tǒng)一整齊，需對數(shù)據(jù)進行歸一化處理。

從圖5可以看到，4幅圖片在0～210幀，變化都比較平緩，此時對應(yīng)的是魚群攝食之前的階段；210～360幀，都出現(xiàn)了大幅度的抖動，此時正好是魚群攝食的階段；而在360幀以后又逐漸恢復到之前的狀態(tài)，此時對應(yīng)的是魚群攝食以后的階段；其中在550～600幀時，也出現(xiàn)了部分幀幅度相對比較大的抖動，從原始視頻中觀察發(fā)現(xiàn)，是因為有個別魚游到水面爭搶剩余的殘餌所致，如圖4d所示，這也與魚群的進食情況相吻合。通過與原始視頻的對比發(fā)現(xiàn)魚群紋理的對比度（圖5d）與魚群的攝食活動強度最為接近。

3.2 基于面積法的魚群攝食活動強度測量

胡利永等通過分析魚群在攝食過程中的聚集擴散程度來決定魚群的投喂量，并且取得了良好的試驗效果。為了驗證利用魚群紋理得到的魚群攝食活動強度是否具有可靠性，此處用進食魚群面積來表征魚群的攝食活動強度[22]。在本文中采用Otsu的方法自動生成每幅圖片的各個閾值，圖6a為某幀圖像背景減二值化后的目標魚群。

從圖6a可以看到，二值化后的圖片在水槽邊緣、過濾棒和魚群搶食區(qū)域含有很多噪聲點，此處使用開運算對其進行形態(tài)學處理，圖6b是選擇大小為5×5像素的單位圓盤型結(jié)構(gòu)元素來消除一些小的孤立點。然后計算攝食前后魚群面積（前景中魚群的像素數(shù)）的變化情況，最后擬合出魚群攝食活動強度的變化曲線圖。

3.3 用兩種方法測得的魚群攝食活動強度的比較

從以上分析可知魚群的紋理信息在0°、45°、90°和135°的方向上的變化趨勢大致相同，所以可以用圖片0°方向上的逆差矩、相關(guān)性、能量和對比度這4個紋理特征值來表征魚群的攝食活動強度。此處從之前挑選出來的630幀圖片中，每隔10幀，共63個時間點，計算出魚群在各個時間點處的紋理特征參數(shù)和其魚群面積參數(shù)，進行對比，通過這兩種方法量化得到魚群的攝食活動強度的線性決定系數(shù)如表1所示。

圖5 逆差矩、相關(guān)性、能量和對比度的特征曲線圖Fig.5 Characteristic curve of homogeneity、correlation、energy and contrast

圖6 魚群面積獲取的過程Fig.6 Process of obtaining area of shoal

表1 魚群紋理的各特征量和魚群面積的相關(guān)性Table1 Correlation between characteristic quantity and area of shoal

從表1中可以看到魚群紋理的對比度與通過面積法得到的魚群攝食強度的相關(guān)性最好，其決定系數(shù)可達0.894 2。而且由圖7可以看到，通過圖像紋理得到的魚群攝食活動強度和通過計算前景中的魚群面積得到的攝食活動強度，兩者呈現(xiàn)出相似的變化規(guī)律，說明圖片的紋理信息可以用來表征魚群的攝食強度變化。

圖7 通過面積和紋理得到的魚群攝食活動強度的曲線圖Fig.7 Curves of feeding activity of shoal by area and texture

而利用面積法來量化魚群的攝食行為易受水面抖動和反光等問題的影響，給圖片后期處理帶來極大的困難甚至得不到處理結(jié)果。從圖7中可以看到，用本文提出的用灰度共生矩陣量化魚群的紋理特征時，當魚群的紋理對比度值在0.1～0.19時為魚群的攝食階段，當紋理對比度值在0.04～0.10時為魚群的非攝食階段。而且利用本文的算法無需對魚群搶食激起的水花、引起水槽水面波動等不利因素進行去除，因為本文的算法主要是針對由魚群攝食活動引起的紋理特征變化為主要因素進行分析的，因此基于紋理對魚群攝食活動強度的測量方法相對穩(wěn)定、可靠，它能夠客觀的評價魚群活動的信息。而且利用本文算法平均處理一幅圖片的時間為1.294 s，這也能夠達到對魚群實時監(jiān)控的要求。如果它能夠作為一個有效量化魚群攝食活動強度的工具，并且這種方法用到實際檢測魚類攝食過程中，它將有效的避免過量投喂事件的發(fā)生。而且本文所提出的方法在預(yù)測魚類福利狀況方面也有一定的潛力。因為相關(guān)研究表明，過于活躍的魚群活動意味著不正常的魚類福利。

4 結(jié) 論

在水產(chǎn)養(yǎng)殖中，量化魚群的攝食活動強度具有十分重要的現(xiàn)實意義和經(jīng)濟價值。本文利用紋理特征分析法對魚群攝食前后的攝食活動強度進行了定量的研究，繪制出圖片各個紋理特征參數(shù)的變化曲線，找出了魚群攝食過程中逆差矩、相關(guān)性、能量和對比度各個參數(shù)的變化規(guī)律，并且跟進食魚群面積的方法進行了比較，其決定系數(shù)R2分別為0.514 3、0.417 0、0.479 6和0.894 2，發(fā)現(xiàn)魚群紋理特征量中的對比度能夠很好地表征魚群的攝食活動強度，而且用魚群紋理量化魚群的攝食活動強度時，可以避免對魚群內(nèi)個體的追蹤，直接以魚群攝食活動引起的紋理變化為關(guān)鍵因素進行分析，跟傳統(tǒng)方法進行比較，本方法簡單，且具有良好的實用性。

但是，在本試驗中為了得到更好成像質(zhì)量的圖片，對水槽的邊緣進行了一小部分裁剪。而且本文的試驗研究條件還是相對比較理想的，怎樣減少誤判和漏判，何時停止投喂以達到魚群的最佳投喂量，必須結(jié)合魚群的其他特征進行綜合判斷，以及本文的這種方法對其他魚群是否適用，將是下一步將要做的工作。

[1] 穆春華，范良忠，劉鷹. 基于計算機視覺的循環(huán)水養(yǎng)殖系統(tǒng)殘餌識別研究[J]. 漁業(yè)現(xiàn)代化，2015，42(2)：33－37.

Mu Chunhua, Fan Liangzhong, Liu Ying. Research on the residual feeds recognition of recirculating aquaculture systems based on computer vision[J]. Fishery Modernization, 2015, 42(2): 33－37. (in Chinese with English abstract)

[2] Vassilis M Papadakis, Ioannis E Papadakis, Fani Lamprianidou, et al. A computer-vision system and methodology for the analysis of fish behavior[J]. Aquacultural Engineering, 2012, 46(2) 53–59.

[3] 胡金有，王靖杰，張小栓. 水產(chǎn)養(yǎng)殖信息化關(guān)鍵技術(shù)研究現(xiàn)狀與趨勢[J]. 農(nóng)業(yè)機械學報，2015，46(7)：251－263.

Hu Jinyou, Wang Jingjie, Zhang Xiaoshuan. Research status and development trends of information technologies in aquacultures[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(7): 251－263. (in Chinese with English abstract)

[4] Delphine Mallet, Dominique Pelletier. Underwater video techniques for observing coastal marine biodiversity: A review of sixty years of publications(1952-2012)[J]. Fisheries Research, 2014, 154: 44－62.

[5] Johann Delcourt, Mathieu Denoel, Marc Ylieff, et al. Video multitracking of fish behavior of fish behavior: a synthesis and future perspectives[J]. Fish and Fisheries, 2013, 14: 186－204.

[6] Bong Jin Cha, Bong Seng Bae, Sam Kwang Cho, et al. A simple method to quantify fish behavior by forming timelapse images[J]. Aquacultural Engineering, 2012, 51: 15－20.

[7] Duarte S, Reig L, Masalo L, et al. Influence of tank geometry and flow pattern in fish distribution[J]. Aquacultural Engineering, 2011, 44: 48－54.

[8] Vassilis M Papadakis, Alexios Glaropoulos, Maroudio Kentouri. Sub-second analysis of fish behavior using a novel computer-vision system[J]. Aquacultural Engineering, 2014, 62: 36－41.

[9] 張墨，高霄龍，李賢,等. 放養(yǎng)規(guī)格對銀化期大西洋鮭生長的影響及生理影響機理[J]. 農(nóng)業(yè)工程學報. 2016，32(5)：221－227.

Zhang Mo, Gao Xiaolong, Li Xian, et al. Effect of different sizes on growth during smoltification in atlantic salmon (Salmo salar L) and its mechanism of physiological response[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(5): 221－227. (in Chinese with English abstract)

[10] 王勇平，聶余滿. 基于機器視覺的養(yǎng)殖魚群智能投餌系統(tǒng)設(shè)計與研究[J]. 儀表技術(shù)，2015，1：1－4.

Wang Yongping, Nie Yuman. Design and research of intelligent feeding systemfor farmed fish based on machine vision[J]. Instrumentation Technology, 2015, 1：1－4. (in Chinese with English abstract)

[11] 張志強，牛智有，趙思明. 基于機器視覺技術(shù)的淡水魚品種識別[J]. 農(nóng)業(yè)工程學報，2011，27(11)：350－354.

Zhang Zhiqiang, Niu Zhiyou, Zhao Siming. Weight grading of freshwater fish based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(11): 350－354. (in Chinese with English abstract)

[12] Wu Tehui, Huang Yui. Development of an adaptive neural-based fuzzy inference system for feeding decisionmaking assessment in silver perch (Bidyanus bidyanus) culture[J]. Aquacultural Engineering, 2015, 66: 42－51.

[13] 趙建，鮑偉君，葉章穎，等. 基于不同檢測方法的養(yǎng)殖魚類晝夜攝食節(jié)律研究進展[J]. 漁業(yè)現(xiàn)代化, 2016，43(2):17-21

Zhao Jian, Bao Weijun, Ye Zhangying, et al. Different detection methods based research progress on diel feeding rhythms of cultured fishes[J]. Fishery Modernization, 2016, 43(2): 17－21. (in Chinese with English abstract)

[14] 李賢，范良忠，劉子毅，等. 基于計算機視覺的大菱鲆對背景色選擇習性研究[J]. 農(nóng)業(yè)工程學報，2012，28(10):189－193. Li Xian, Fan Liangzhong, Liu Ziyi, et al. Preference habit of juvenile turbot for different color backgrounds based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2012, 28(10): 189－193. (in Chinese with English abstract)

[15] Viazzi S, Hoestenberghe S Van, Goddeeries B M, et al. Automatic mass estimation of Jade perch Scortum barcoo by computer vision[J]. Aquacultural Engineering, 2015, 64: 42－48.

[16] 段延娥，李道亮，李振波. 基于計算機視覺的水產(chǎn)動物視覺特征測量研究綜述[J]. 農(nóng)業(yè)工程學報，2015，31(15)：1－11.

Duan Yane, Li Daoliang, Li Zhenbo. Review on visual characteristic measurement research of aquatic animals based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 1－11. (in Chinese with English abstract)

[17] Liu Ziyi, Li Xian, Fan Liangzhong. Measuring feeding activity of fish in RAS using computer vision[J]. Aquacultural Engineering, 2014, 60: 20－27.

[18] 胡利永，魏玉艷，鄭堤. 基于機器視覺技術(shù)的智能投餌方法研究[J]. 熱帶海洋學報，2015，34(4)：90－95.

Hu Liyong, Wei Yuyan, Zheng Di. Research on intelligent bait casting method based on machine vision technology[J]. Journal of Tropical of Oceanography, 2015, 34(4): 90－95. (in Chinese with English abstract)

[19] Dorith Israeli, Eitan Kimmel. Monitoring the behavior of hypoxia-stressed carassius auratus using Computer Vision [J]. Aquacultural Engineering, 1996, 15(6): 423－440.

[20] Keith H Nislow, Carol Folt, Marco Seandel. Food and foraging behavior in relation to microhabitant use and survival of age-0 Atlantic salmon[J]. Canadian Journal of Fisheries and Aquatic Sciences, 1988, 55(1): 116－127.

[21] Eriksen MS, Faererik G, Kittilsen S. Stressed mothers troubled offspring: a study of behavioural maternal effects in farmed[J]. Journal of Fish Biology, 2011, 79(3): 575－586.

[22] Sadoul B, EvounaMengue P, Friggens NC. A new method for measuring group behaviours of fish shoals from recorded videos taken in near aquaculture conditions [J]. Aquaculture, 2014, 430: 179–187.

[23] 周應(yīng)祺，王軍，錢衛(wèi)國. 魚類集群行為的研究進展[J]. 上海海洋大學學報，2013，22(5)：734－743.

Zhou Yingqi, Wang Jun, Qian Weiguo. Review of fish schooling behavior study[J]. Journal of Shanghai Ocean University, 2013, 22(5): 734－743. (in Chinese with English abstract)

[24] Pautsina A, Císa? P, ?tys D. Infrared reflection system for indoor 3D tracking of fish[J]. Aquacultural Engineering，2015, 1(69): 7－17

[25] Zhao Jian, Gu Zhaobin, Shi Mingming, et al. Spatial behavioral characteristics and statistics-based kinetic energy modeling in special behaviors detection of a shoal of fish in a recirculating aquaculture system[J]. Computers and Electronics in Agriculture, 2016, 127: 271－280.

[26] Georg Rakowitz, Michal Tusˇer, Milan Rˇ iha. Use of high-frequency imaging sonar (DIDSON) to observe fish behaviour towards a surface trawl[J]. Fisheries Research, 2012, 123: 37–48.

[27] 趙建，朱松明，葉章穎，等. 循環(huán)水養(yǎng)殖游泳型魚類攝食活動強度評估方法研究[EB/OL]. (2016-05-23). http://www. cnki.net/kcms/detail/11.1964.S.20160523.1601.008.html.

[28] 喬峰，鄭堤，胡利永，等. 基于機器視覺實時決策的智能投餌系統(tǒng)研究[J]. 工程設(shè)計學報，2015，22(6)：528－533.

Qiao Feng, Zheng Di, Hu Liyong, et al. Research on smart bait casting machine based on machine vision technology[J]. Chinese Journal of Engineering Design, 2015, 22(6): 528－533. (in Chinese with English abstract)

[29] 范良忠，劉鷹，余心杰，等. 基于計算機視覺技術(shù)的運動魚檢測算法[J]. 農(nóng)業(yè)工程學報，2011，27(7): 226－230.

Fan liangzhong, Liu Ying, Yu xinjie, et al. Fish motion detecting algorithms based on computer vision technologies[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2011, 27(7): 226－230. (in Chinese with English abstract)

[30] 于欣，侯曉嬌，盧煥達，等. 基于光流法與特征統(tǒng)計的魚群異常行為檢測[J]. 農(nóng)業(yè)工程學報，2014，30(2)：162－168.

Yu Xin, Hou Xiaojiao, Lu Huanda,et al. Anomaly detection of fish school behavior based on features statistical and optical flow methods[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(2): 350－354. (in Chinese with English abstract)

[31] Paul J Ashley. Fish welfare: Current issues in aquaculture[J]. Applied Animal Behaviour Science, 2007, 104: 199－235

[32] 徐小軍，邵英，郭尚芬. 基于灰度共生矩陣的火焰圖像紋理特征分析[J]. 計算技術(shù)與自動化，2007，26(4)：64－67

Xu Xiaojun, Shao Ying, Guo Shangfen. Based on Level Cooccurrence Matrix[J]. Computing Technology and Automation, 2007, 26(4): 64－67.(in Chinese with English abstract)

Evaluation of feeding activity of shoal based on image texture

Chen Caiwen1,2, Du Yonggui1, Zhou Chao2, Sun Chuanheng2※
(1. College of Information and Technology, Taiyuan University of Technology, Taiyuan 030024, China; 2. National Engineering Research Center for Information Technology in Agriculture, Key Laboratory of Agri-informatics, Ministry of Agiculture, Beijing Engineering Research Center of Agricultural Internet of Things, Beijing 100097, China)

Currently, about 60% of the world’s fish come from China. China is the biggest aquaculture country in the world. However, China’s traditional aquaculture farming method still plays an important role. This will lead to a waste of human resources and land resources. In recent years, more than 90% of the fish farming workers prefer to apply RAS (recirculating aquaculture system), because RAS not only creates a good rearing condition and feed utilization environment for the good growth of the shoal, but also provides a necessary prerequisite for the sustainable development of the aquaculture. Although RAS is more convenience, it still has a lot of problems: the over-feeding events continue to affect the welfare of shoal, the operation of system also influences the growth and survival of shoal, and in addition, the water quality of the system increases the risk of diseases and leads to the extra-load on the mechanical filters, bio-filters and oxygenation equipment. Therefore, the most direct and effective way to solve these problems is to determine the amount of feeding activities according to the appetite of the shoal. In actual operation, manual observation is an effective method. But, on the one hand, this way requires fish-farming workers to pay the labor and time costs. On the other hand, the most difficult problem is how to measure feeding activity. This is because the result of visual observation for the shoal appetite is often hampered by high shoal density and some other unfavorable factors. In recent years, several methods have been developed to enable the tracking of several fish in the same tank, but these methods are invasive, potentially disturbing, or need restricting conditions. In order to solve this problem, a novel method, with the help of the original method based on image texture of the Cyprinus carpio specularis, is proposed to evaluate the feeding activity of the shoal. With this method, the feeding activity of Cyprinus carpio specularis is recorded by a camera mounted on the rearing tank. Then, the video is decomposed into a sequence of frame images, the background interference is removed, and the foreground object is extracted. Next, the texture of shoal is extracted by using gray level co-occurrence matrix. By this way, it can avoid the interference of surface vibration, spray and other adverse factors. At last, we find out the similarity and difference of the texture features. To sum up the above arguments, this method can be used for the quantifying analysis of the feeding activity of the shoal. To evaluate the reliability of shoal image texture, the other way is put forward to quantify the feeding activity of shoal. Before this research, the diffusion and aggregation indices used by some researchers describe the feeding activity of shoal. The index is calculated by summing the individual area of each group. A group is a single black area created by the outlines of overlapping fish. Using this method, it is easy to observe that when the shoal is spreading, the index will be high, and otherwise, the index will be low. The determination coefficient for the above methods is 0.894 2. Hence, the feeding activity of shoal can be quantified by the image texture. This method provides a sensitive, non-invasive, simple and widely applicable tool to quantify the behavior changes associated with the various challenges in aquaculture conditions.

computer vision; image recognition; textures; gray level cooccurrence matrix; area of shoal; feeding activity of shoal

10.11975/j.issn.1002-6819.2017.05.034

S951.2; TP391.41

A

1002-6819(2017)-05-0232-06

陳彩文, 杜永貴，周 超, 孫傳恒. 基于圖像紋理特征的養(yǎng)殖魚群攝食活動強度評估[J]. 農(nóng)業(yè)工程學報，2017，33(5)：232－237.

10.11975/j.issn.1002-6819.2017.05.034 http://www.tcsae.org

Chen Caiwen, Du Yonggui, Zhou Chao, Sun Chuanheng. Evaluation of feeding activity of shoal based on image texture[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 232－237. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.05.034 http://www.tcsae.org

2016-07-27

2016-11-24

國家科技支撐計劃“設(shè)施水產(chǎn)養(yǎng)殖數(shù)字化智能管理研究”（2014BAD08B09-02）；北京市自然科學基金資助項目（6152009）

陳彩文，研究方向：圖像處理。太原 太原理工大學信息工程學院 030024。Email：877594254@qq.com

※通信作者：孫傳恒，研究員，研究方向：農(nóng)業(yè)信息化。北京 國家農(nóng)業(yè)信息化工程技術(shù)研究中心100097。Email：sunch@nercita.org.cn