一種基于圖像處理的魚類自動(dòng)分類方法

陳從平　吳杞　吳喆　呂添

摘 要：為了準(zhǔn)確地對魚類的品種進(jìn)行自動(dòng)識別，本次研究以鳊魚、鯽魚、鳙魚、草魚四種淡水魚為實(shí)驗(yàn)對象，提出一種基于圖像處理的魚類自動(dòng)識別方法。首先對魚的外輪廓進(jìn)行魚體長度統(tǒng)一化處理，再提取并計(jì)算魚體頭部輪廓夾角、魚體尾柄寬度與尾柄中點(diǎn)到魚頭夾角頂點(diǎn)的長度之比（寬長比）等特征值，最后運(yùn)用魚頭部輪廓夾角與寬長比這兩個(gè)特征對四種淡水魚進(jìn)行分類識別。研究結(jié)果表明，本文所提供的分類方法能準(zhǔn)確地對鳊魚、鯽魚、鳙魚、草魚四種淡水魚的品種進(jìn)行識別，且識別精度達(dá)到94.97%以上。可為魚類品種的自動(dòng)識別提供指導(dǎo)，具有較好的實(shí)際應(yīng)用價(jià)值。

關(guān)鍵詞：圖像處理；魚類品種識別；魚頭夾角；寬長比

中圖分類號：TP391.4 文獻(xiàn)標(biāo)識碼：A

Abstract：In order to accurately identify fish species，this study takes four species freshwater fishes，including bream，crucian，bighead，grass carp，as the experimental subjects，and proposes an automatic identification method for fish species based on image processing.The first step is to unify the outer contour's length of the fish body，then to calculate the angle of fish's head and the ratio of the width of the fishtail to the length between the middle point of the fishtail and the vertex of head's angle （ratio of width to length）.Finally，the angle of fish's head and the ratio of width to length are used to classify the four freshwater fishes.The results show that the method presented in this paper can accurately identify the four freshwater species，and the accuracy is over 94.97%.It can be used as a guide for the automatic identification of fish species with good practical value.

Keywords：image processing；fish species identification；head angle；ratio of width to length

1 引言（Introduction）

中國是一個(gè)擁有豐富淡水魚資源的漁業(yè)大國，但我國的水產(chǎn)養(yǎng)殖自動(dòng)化水平與發(fā)達(dá)國家相比還存在較大差距，水產(chǎn)加工業(yè)自動(dòng)化水平也相對滯后。其中，淡水魚在加工前需要完成對不同種類的魚進(jìn)行分類任務(wù)，我國依然主要是用傳統(tǒng)的人工操作方法進(jìn)行挑選，這種方法存在的缺點(diǎn)有：作業(yè)環(huán)境惡劣，勞動(dòng)強(qiáng)度大，損傷魚體，效率低[1]。隨著計(jì)算機(jī)技術(shù)的高速發(fā)展，新概念、新方法、新理論的不斷涌出，機(jī)器視覺技術(shù)已經(jīng)廣泛的應(yīng)用到各行各業(yè)中，其中在農(nóng)業(yè)領(lǐng)域應(yīng)用尤為突出，例如對水果大小分級[2-4]、表面損傷檢測[5，6]及通過表面顏色進(jìn)行成熟度檢測[7-9]等方面有重要的應(yīng)用。在淡水魚種類識別研究方面，D.J.white[10]等人利用機(jī)器視覺技術(shù)對比目魚的七種不同品種通過顏色與形狀特征的提取進(jìn)行分類，準(zhǔn)確率達(dá)到99.8%。張志強(qiáng)[11]等人運(yùn)用數(shù)字圖像處理技術(shù)對淡水魚圖形進(jìn)行處理，提取其各個(gè)顏色分量及長短軸之比等特征值，運(yùn)用該值建立有關(guān)淡水魚的品種識別模型，最終實(shí)現(xiàn)鰱、鯽、鳊、鯉這四種淡水魚的品種識別，準(zhǔn)確率達(dá)到96.67%。吳一全[12]等人提出了一種基于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)的識別方法，并通過編程對鳊、鳙、鯽、草、青魚五種淡水魚進(jìn)行了分類識別，各類魚的精度均可達(dá)到83.33%以上。2016年，涂兵[13]等利用機(jī)器視覺技術(shù)提出一種基于魚體背部輪廓相關(guān)系數(shù)算法的魚品種分類方法，通過計(jì)算魚體輪廓與建立的四種魚的背部輪廓數(shù)學(xué)模型之間的數(shù)值關(guān)系進(jìn)行魚類自動(dòng)識別，精度均能達(dá)到91%以上。

以上四種魚類識別方法分別是以顏色分量、局部形狀、長短軸之比、紋理、背部輪廓為特征對指魚類進(jìn)行識別，雖然已取得了良好的分類效果，但是使用顏色分量、紋理為特征，實(shí)驗(yàn)結(jié)果容易受到外界光線強(qiáng)度，魚鱗損傷程度、魚類活性程度等因素影響，而使用局部形狀、長短軸之比、背部輪廓為特征，實(shí)驗(yàn)結(jié)果也易受到尾部完整程度、魚鰭張開程度、魚體大小程度等因素影響。為了減少上述因素對魚類識別精度造成的嚴(yán)重影響，本文將通過機(jī)器視覺技術(shù)，并提取魚體頭部夾角和寬長比例兩個(gè)不易受外界干擾的參數(shù)為特征，建立淡水魚的識別模型，對鳊魚、鯽魚、鰱魚、草魚四種常見淡水魚進(jìn)行識別分類處理，取得了較好的分類效果。

2 試驗(yàn)材料和方法（Test materials and methods）

2.1 試驗(yàn)材料和設(shè)備

采用鳊魚、鯽魚、鰱魚、草魚等具有代表性的四種淡水魚進(jìn)行實(shí)驗(yàn)研究，每種魚45條，共180條。其中，120條（每種魚30條）作為訓(xùn)練樣本，用于提取特征并建立識別模型；其余60條（每種15條）則作為測試樣本對模型進(jìn)行驗(yàn)證。試驗(yàn)采用圖1所示的圖像采集系統(tǒng)進(jìn)行魚體圖像進(jìn)行采集。硬件部分主要包括魚傳送裝置、檢測箱、托盤、攝像機(jī)、絲桿、環(huán)形光源、PC機(jī)等組成。其中攝像機(jī)采用的是深圳京航科技生產(chǎn)的JHSM500f-E型工業(yè)相機(jī)（USB接口），光源采用32W的白色環(huán)LED燈，檢測箱內(nèi)部各面為黑色不反光平面，底部托盤為白色面板。軟件部分基于VS2013平臺(tái)使用C++語言調(diào)用OPENCV3.0庫進(jìn)行開發(fā)，用于圖像預(yù)處理和魚輪廓特征數(shù)據(jù)提取。

2.2 圖像預(yù)處理

本文主要對四種淡水魚的品種識別是通過提取魚體特征，主要包括魚體頭部夾角及角頂點(diǎn)坐標(biāo)，魚體尾柄高度及尾柄中點(diǎn)坐標(biāo)，然后建立識別模型。其中具體的圖像處理流程如圖2所示。

通過攝像機(jī)采集的圖像大小為1920*1200像素，為了盡可能避免因圖像過大而導(dǎo)致圖像處理效率降低，將采集的每一張圖像自動(dòng)裁剪成大小為780*280像素的標(biāo)準(zhǔn)圖像，且保證魚體圖像在其中間，并進(jìn)一步對裁剪后圖像進(jìn)行灰度化處理，規(guī)則是：任意一個(gè)像素點(diǎn)中的R（紅）、G（綠）、B（藍(lán)）顏色分量值，采用灰度化公式計(jì)算出該點(diǎn)的灰度值，并用每個(gè)點(diǎn)的灰度值代替該像素點(diǎn)的像素值，結(jié)果如圖3所示。

為突出作為前景的魚體及其輪廓，對灰度圖進(jìn)行二值化，通過大量實(shí)驗(yàn)提取并設(shè)定灰度閾值設(shè)定為130，以此為標(biāo)準(zhǔn)對圖4進(jìn)行二值化的結(jié)果如圖4所示。

為了獲得魚體的外部輪廓，對二值化圖像進(jìn)行目標(biāo)輪廓自動(dòng)提取，并將線寬設(shè)置為1個(gè)像素，從而得到各類魚的圖像輪廓如圖5所示。

在提取所需的魚體輪廓參數(shù)之前，為降低魚體本身尺寸差異對輪廓參數(shù)數(shù)值的影響，需要對魚輪廓進(jìn)行長度統(tǒng)一化處理，具體的方法是：尋找當(dāng)前魚體輪廓的最小外接矩形，接著對魚體輪廓在長寬方向進(jìn)行等比縮放，使所有魚的輪廓長度為L（設(shè)定的已知參數(shù)）個(gè)像素，圖6為對圖5長度統(tǒng)一化后的結(jié)果圖。

3 特征參數(shù)提?。‵eature parameter extraction）

3.1 魚體頭部輪廓夾角提取

提取魚嘴附近上、下輪廓點(diǎn)群，再將兩個(gè)點(diǎn)群分別利用最小二乘原理進(jìn)行線性擬合，擬合成的兩條直線的夾角（銳角）定義為魚體頭部輪廓夾角，夾角頂點(diǎn)坐標(biāo)記為A。實(shí)際中發(fā)現(xiàn)，若拍攝時(shí)魚嘴處于不同程度張開狀態(tài)會(huì)影響提取的角的正確性。針對該問題，本文通過大量實(shí)驗(yàn)統(tǒng)計(jì)發(fā)現(xiàn)，只提取如圖7所示的、兩直線區(qū)間里的部分的魚頭輪廓點(diǎn)群分別進(jìn)行直線擬合時(shí)準(zhǔn)確度最高。圖7為以鳙魚為例并利用上述方法得到魚體頭部夾角和夾角頂點(diǎn)。

3.2 魚體尾柄高及其中點(diǎn)坐標(biāo)提取

如圖7所示，對魚體輪廓后半段即圖示的至魚尾的輪廓段逐列掃描，記每列掃描到的上下輪廓點(diǎn)（像素值為0）坐標(biāo)分別為、，其中為掃描列數(shù)，上標(biāo)、分別指同一列上的上、下輪廓，則魚身某處的寬度為：

實(shí)際計(jì)算過程中，若搜索到某列輪廓點(diǎn)數(shù)大于2個(gè)，則認(rèn)為該部位存在魚鰭，將該列數(shù)據(jù)全部舍去。定義魚身長度參數(shù)：

4 實(shí)驗(yàn)結(jié)果與分析（Experimental results and analysis）

通過提取并計(jì)算120條淡水魚的頭部輪廓夾角和寬長比 的范圍，其結(jié)果分布如圖8所示。

通過對分布圖的統(tǒng)計(jì)可以得到每類魚的魚體頭部夾角大小和寬長比的均值、方差、閾值區(qū)間，具體如表1所示。

結(jié)合圖8和表1可以看出，草魚的頭部夾角分布在40.8—50.12度，而鯽魚頭部輪廓夾角分布在57.34—68.56度，且與鳊魚和鳙魚的頭部夾角范圍有顯著區(qū)別，即通過判別魚的頭部輪廓夾角即可識別出草魚和鯽魚。但是，鳙魚和鳊魚頭部夾角大小范圍存在交叉，區(qū)分度不夠明顯，若僅從魚頭部夾角來考慮，無法將鳙魚、鳊魚進(jìn)行分類。

進(jìn)一步考查圖8（b）和表1可以發(fā)現(xiàn)，鳙魚的寬長比分布為0.112—0.138度，鳊魚的寬長比分布為0.132—0.149度，即鳙魚和鳊魚的寬長比分布區(qū)間有較為顯著的區(qū)別。因而，首先通過魚頭部輪廓夾角識別出草魚和鯽魚后，在此基礎(chǔ)上，可進(jìn)一步通過比較魚的寬長比識別出鳙魚和鳊魚，最終實(shí)現(xiàn)對四種淡水魚類進(jìn)行識別。

將檢驗(yàn)樣本中60條魚的圖像經(jīng)過上述處理，得到魚體頭部夾角和寬長比，再將兩個(gè)特征值代入識別模型進(jìn)行驗(yàn)證，結(jié)果統(tǒng)計(jì)如表2所示，對四種淡水魚品種的識別的準(zhǔn)確度可達(dá)94.97%。出現(xiàn)偏差的主要原因在于提取魚輪廓不夠準(zhǔn)確所導(dǎo)致，但總的來說，本文識別方法中所設(shè)計(jì)的兩個(gè)魚體特征參數(shù)具有較好的穩(wěn)定性，不易受外界影響而改變，從而使該識別方法具有更好的可靠性。

5 結(jié)論（Conclusion）

本文提出了一種基于魚類頭部輪廓夾角和魚體寬長比兩個(gè)主要特征的淡水魚種類識別的新方法。首先采集要識別的魚類圖像并進(jìn)行相關(guān)的預(yù)處理，得到魚體輪廓圖；然后將輪廓圖中的魚體長統(tǒng)一化，再求取魚體頭部夾角、魚體尾柄寬度與尾柄中點(diǎn)到魚頭夾角頂點(diǎn)之間長度比例；最后根據(jù)魚頭輪廓夾角與寬長比特征值的分布規(guī)律建立分類模型并確定要識別的魚所屬種類。實(shí)驗(yàn)結(jié)果表明，該方法在四種常見淡水魚種類識別方面取得了較好的結(jié)果，能為魚種類識別提供新的思路和指導(dǎo)。

參考文獻(xiàn)（References）

[1] 陳勝軍，曾名勇.淡水魚加工利用的研究進(jìn)展[J].中國水產(chǎn)，2002（5）：70-71.

[2] 林開顏，吳軍輝，徐立鴻.基于計(jì)算機(jī)視覺技術(shù)的水果形狀分級方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2005，36（6）：71-74.

[3] 司永勝，喬軍，劉剛，等.基于機(jī)器視覺的蘋果識別和形狀特征提取[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（8）：161-165.

[4]李國進(jìn)，董第永，陳雙.基于計(jì)算機(jī)視覺的芒果檢測與分級研究[J].農(nóng)機(jī)化研究，2015（10）：13-18.

[5] Xu L M，Zhao Y C，Li D L.Automated strawberry grading system based on image processing[J].Computers & Electronics in Agriculture，2010，71（1）：S32-S39.

[6] 應(yīng)義斌，饒秀勤，趙勻，等.機(jī)器視覺技術(shù)在農(nóng)產(chǎn)品品質(zhì)自動(dòng)識別中的應(yīng)用（Ⅰ）[J].農(nóng)業(yè)工程學(xué)報(bào)，2000，16（1）：103-108.

[7] 何東健，楊青，薛少平，等.果實(shí)表面顏色計(jì)算機(jī)視覺分級技術(shù)研究[J].農(nóng)業(yè)工程學(xué)報(bào)，1998，14（3）：202-205.

[8] 應(yīng)義斌，付峰.水果品質(zhì)機(jī)器視覺檢測中的圖像顏色變換模型[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2004，35（1）：85-89.

[9] Blasco J，Cubero S，Gómezsanchís J，et al.Development of a machine for the automatic sorting of pomegranate （Punica granatum） arils based on computer vision[J].Journal of Food Engineering，2009，90（1）：27-34.

[10] White D J，Svellingen C，Strachan N J C.Automated measurement of species and length of fish by computer vision[J].Fisheries Research，2006，80（2-3）：203-210.

[11] 張志強(qiáng)，牛智有，趙思明，等.基于機(jī)器視覺技術(shù)的淡水魚質(zhì)量分級[J].農(nóng)業(yè)工程學(xué)報(bào)，2011，27（2）：350-354.

[12] 吳一全，殷駿，戴一冕，等.基于蜂群優(yōu)化多核支持向量機(jī)的淡水魚種類識別[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（16）：312-319.

[13] 涂兵，王錦萍，王思成，等.基于背部輪廓相關(guān)系數(shù)算法的淡水魚種類識別研究[J].計(jì)算機(jī)工程與應(yīng)用，2016，52（16）：162-166.

作者簡介：

陳從平（1976-），男，博士，教授.研究領(lǐng)域：3D打印，機(jī)器視覺，機(jī)器學(xué)習(xí)，機(jī)電系統(tǒng)控制.

吳 杞（1992-），男，碩士生.研究領(lǐng)域：機(jī)器視覺，機(jī)器學(xué)習(xí).

吳 喆（1993-），男，碩士生.研究領(lǐng)域：機(jī)器視覺，機(jī)器學(xué)習(xí).

呂 添（1992-），男，碩士生.研究領(lǐng)域：3D打印.