基于特征加權(quán)融合的魚類攝食活動強(qiáng)度評估方法

陳 明 張重陽 馮國富 陳 希 陳冠奇 王 丹

(1.上海海洋大學(xué)信息學(xué)院， 上海 201306； 2.農(nóng)業(yè)農(nóng)村部漁業(yè)信息重點(diǎn)實(shí)驗(yàn)室， 上海 201306)

0 引言

中國水產(chǎn)養(yǎng)殖面積達(dá)718.952萬hm2，超過77.29%的水產(chǎn)品是人工養(yǎng)殖[1]。計算機(jī)視覺技術(shù)的發(fā)展助推了工廠化循環(huán)水養(yǎng)殖，使之成為現(xiàn)代漁業(yè)的重點(diǎn)研究方向，其中投喂控制是精細(xì)化養(yǎng)殖的關(guān)鍵。傳統(tǒng)的人工和機(jī)械投喂模式，忽略了魚類的養(yǎng)殖密度、攝食需求和水質(zhì)環(huán)境等因素的影響，因投喂不足或過度投喂而造成水質(zhì)污染和資源浪費(fèi)[2-3]。大量研究表明，在不同生長階段和不同水質(zhì)環(huán)境下，魚類的攝食行為和攝食活動強(qiáng)度存在明顯的差異[4-5]。近年來，魚類的福利問題愈發(fā)引起重視，分析量化魚類的攝食行為和攝食活動強(qiáng)度不僅可以提高餌料利用率、改善水質(zhì)環(huán)境，而且可以提升養(yǎng)殖效益，從而實(shí)現(xiàn)精準(zhǔn)投喂[6-7]。

計算機(jī)視覺技術(shù)具有經(jīng)濟(jì)、快速、客觀和高精度檢測的優(yōu)點(diǎn)，已逐漸應(yīng)用于水產(chǎn)動物屬性研究領(lǐng)域[7-8]。結(jié)合圖像處理技術(shù)，通過提取魚群運(yùn)動的參數(shù)信息可以實(shí)現(xiàn)對攝食行為的檢測。趙建等[6]利用光流法和統(tǒng)計學(xué)方法，結(jié)合羅非魚的腸胃飽滿指數(shù)和水面反光區(qū)域變化特征，提出了一種改進(jìn)動能模型的攝食活動強(qiáng)度評估方法，避免了對個體魚的追蹤，但該方法易受外界環(huán)境的干擾。陳彩文等[7]利用圖像處理技術(shù)、對比傳統(tǒng)面積法，提出了一種基于圖像紋理的攝食活動強(qiáng)度評估方法，其相關(guān)性達(dá)0.89。但該方法的模式較為固定，且特征過于單一，干擾抵抗性較差。胡利永等[8]基于機(jī)器視覺方法分析了鱸魚的聚集和饑飽程度，并結(jié)合魚群攝食規(guī)律提出了一種基于面積比率的智能投餌方法，提高了餌料利用率，但該方法對養(yǎng)殖規(guī)模和魚的大小有一定的限制。LIU等[9]利用計算機(jī)視覺技術(shù)，通過計算連續(xù)幀圖像間的差分值對魚群的攝食活動強(qiáng)度進(jìn)行了量化，但該方法需濾除水面反射誤差的影響，計算量較大。ZHAO等[10]基于動能模型，通過提取攝食圖像的分散度、相互作用力和水流場變化幅度等特征，實(shí)現(xiàn)了對魚群食欲的強(qiáng)度評估，但該方法易受圖像質(zhì)量和光照等因素的干擾。SADOUL等[11]通過分析攝食前后魚群面積和擴(kuò)散程度等信息，利用分散性和游動活性2個指標(biāo)表征魚群的活躍程度，但該方法受限于魚的數(shù)量和光照等外界條件。

本文針對目前攝食活動強(qiáng)度研究中易受光照、水質(zhì)環(huán)境和復(fù)雜背景影響等特點(diǎn)，提出一種特征加權(quán)融合的攝食活動強(qiáng)度評估方法。首先利用背景減、最大類間方差法(Otsu)、灰度化和形態(tài)學(xué)方法處理攝食圖像，通過圖像質(zhì)心確定魚群的游動軌跡；其次，分別提取顏色、形狀和紋理等13維特征；結(jié)合Relief和XGBoost算法進(jìn)行特征的選擇，篩選出貢獻(xiàn)率較大的3個特征作為攝食評價因子，并使用加權(quán)融合方法確定其權(quán)重；最后，通過融合后的特征，對比魚群聚集面積法，實(shí)現(xiàn)攝食活動強(qiáng)度的評估。

1 材料和方法

1.1 試驗(yàn)系統(tǒng)

試驗(yàn)系統(tǒng)如圖1所示，主要由水槽、生物濾池、攝像機(jī)和便攜式計算機(jī)組成，試驗(yàn)對象選用體長為15～20 cm的鏡鯉(Cyprinuscarpiovar.specularis)。試驗(yàn)前，先將鏡鯉飼養(yǎng)在高1.2 m、直徑1.5 m的水槽中數(shù)日。攝像機(jī)位于水槽斜上方垂直高度1 m處，選用尼康D90型攝像機(jī)進(jìn)行拍攝，圖像格式為JPEG，分辨率為1 280像素×720像素，試驗(yàn)分?jǐn)z食前、攝食中和攝食后3個階段進(jìn)行圖像拍攝，后期選用Matlab R2016a進(jìn)行處理和分析。

圖1 試驗(yàn)系統(tǒng)結(jié)構(gòu)圖

1.2 算法流程與圖像預(yù)處理

1.2.1算法流程

魚類攝食圖像研究的難點(diǎn)主要在于光照強(qiáng)度和復(fù)雜背景下單體魚位置的確定，所以分割和提取魚群中單條魚的特征是困難的。為提高攝食活動強(qiáng)度評估準(zhǔn)確性，降低試驗(yàn)難度，本文以魚群為研究對象進(jìn)行圖像特征的分析。為降低噪聲和水質(zhì)環(huán)境對圖像分割和特征分析的影響，采用均值背景建模、中值濾波和形態(tài)學(xué)方法對圖像進(jìn)行預(yù)處理操作，實(shí)現(xiàn)圖像的降噪和灰度化，算法流程如圖2所示。

圖2 算法流程圖

1.2.2圖像預(yù)處理

魚類運(yùn)動行為具有顯著的時空異質(zhì)性，不同種類、不同水深環(huán)境下呈現(xiàn)出不同的狀態(tài)，同一種類在不同時刻也會呈現(xiàn)出明顯的視覺差異(水平、垂直和旋轉(zhuǎn))。

對鏡鯉而言，通過觀察其攝食前后的行為發(fā)現(xiàn)，非攝食階段魚群游動速度較為緩慢，且群浮于水底，而在攝食階段，游動呈雜亂無章狀態(tài)，且較為劇烈，攝食前后狀態(tài)如圖3所示。

圖3 魚群攝食前和攝食時圖像

1.2.3攝食圖像質(zhì)心標(biāo)定

在采用背景差分法對魚群目標(biāo)進(jìn)行處理時，通過對檢測到的魚群面積進(jìn)行形態(tài)學(xué)處理，采用質(zhì)心算法獲得連續(xù)幀圖像的魚群質(zhì)心點(diǎn)坐標(biāo)(xi,yi)，并計算出魚群的運(yùn)動軌跡，從而實(shí)現(xiàn)攝食行為的分析。質(zhì)心坐標(biāo)值計算公式為

(1)

式中N——目標(biāo)區(qū)域中像素點(diǎn)總數(shù)

(xj，yj)——像素點(diǎn)j的坐標(biāo)

試驗(yàn)中以圖像左上角為xoy坐標(biāo)系的坐標(biāo)原點(diǎn)，豎直向下為x軸正方向，水平向右為y軸正方向。

1.3 攝食圖像特征提取

文獻(xiàn)[12]發(fā)現(xiàn)，隨著魚群攝食狀態(tài)和強(qiáng)度的變化，其運(yùn)動速度、方向和聚集面積也會發(fā)生改變，圖像特征的復(fù)雜性也會不同，為實(shí)現(xiàn)不同特征間信息互補(bǔ)，本文提取攝食圖像的顏色、形狀和紋理3類特征對魚群的攝食活動強(qiáng)度進(jìn)行研究。

1.3.1顏色特征

在圖像底層特征中，顏色是圖像最重要的視覺特征[13]。根據(jù)魚群攝食圖像特點(diǎn)，本文將RGB空間轉(zhuǎn)換為HSV空間模型，提取H和S分量的顏色矩作為顏色特征，并使用一階矩(Mean)、二階矩(Variance)和三階矩(Skewness)來表示攝食圖像的顏色分布信息，其中一階矩描述圖像色彩的平均強(qiáng)度，二階矩表示圖像的顏色方差，三階矩表示圖像的色彩偏移性[14]。因此，利用圖像HSV的低階矩對魚類攝食前后圖像進(jìn)行顏色矩統(tǒng)計，共得出H、S分量的6個特征向量，其參數(shù)區(qū)間范圍如表1所示。M11、M12、M13為攝食前、中、后階段H分量的一、二、三階矩，M21、M22、M23為攝食前、中、后階段S分量的一、二、三階矩。

表1 H、S分量參數(shù)的區(qū)間范圍

由表1可以看出，攝食前、中、后3個階段的某些參數(shù)區(qū)間存在重疊部分，為提高試驗(yàn)效果，剔除M13和M23，使用M11、M12、M21和M22作為顏色特征，并分別記為T0、T1、T2、T3。

1.3.2形狀特征

圖像的形狀特征是一種全局特征，可以通過圖像的邊緣、區(qū)域和面積反映一幅圖像內(nèi)容的緊湊程度[15]。對攝食圖像而言，魚群在不同時刻呈現(xiàn)出不同的群聚形狀，為清晰描述圖像的形狀變化，在提取特征前使用Canny算子對魚群攝食前后的圖像進(jìn)行邊緣檢測，邊緣檢測圖像如圖4所示。

圖4 魚群攝食前后邊緣檢測效果圖

根據(jù)魚群攝食前后呈現(xiàn)出的不同狀態(tài)，提取圖像面積S、周長L、緊湊度F和圓形度E共4個幾何特征作為圖像的形狀特征，并分別記為T4、T5、T6、T7。

F=4πS/L2

(2)

E=L2/S

(3)

1.3.3紋理特征

通過分析不同攝食階段的圖像發(fā)現(xiàn)，魚類攝食行為存在周期性變化的特點(diǎn)，攝食階段圖像紋理較為粗糙，非攝食階段相對平滑，所以通過構(gòu)建灰度共生矩陣(GLCM)[16]提取圖像的紋理特征來表征攝食行為的變化。試驗(yàn)中，將圖像灰度級壓縮至16級，并提取方向角θ在0°、45°、90°和135°共4個方向上的能量En、熵Ent、對比度Con、相關(guān)性Cor和逆差矩Hom共計20個特征值，各特征值如表2所示。

表2 魚群攝食圖像的灰度共生矩陣特征值

由表2可知，魚群攝食圖像的紋理信息在0°、45°、90°和135°方向上的變化趨勢一致，所以選取0°方向的能量、熵、對比度、相關(guān)性和逆差矩5個特征表示其紋理特征，并分別記為T8、T9、T10、T11、T12。

1.3.4歸一化處理

為保證各特征數(shù)據(jù)的尺度一致性，避免異樣值的干擾，對提取的4維顏色特征、4維形狀特征和5維紋理特征進(jìn)行歸一化處理。

1.4 魚群攝食圖像特征加權(quán)融合

特征融合的目的在于使用較少的特征表達(dá)較多的圖像信息，以達(dá)到較高的準(zhǔn)確率[17]。針對傳統(tǒng)人工和自適應(yīng)融合方法的耗時耗力和準(zhǔn)確率低的問題，本文結(jié)合XGBoost算法，提出一種基于Relief特征加權(quán)融合算法。如圖5所示，首先使用圖像預(yù)處理技術(shù)提取圖像的顏色、形狀和紋理特征，其次按照Relief算法計算出的權(quán)重對特征進(jìn)行貢獻(xiàn)率排序，然后結(jié)合XGBoost的分類準(zhǔn)確率剔除冗余和不重要的特征，篩選出攝食評價因子。最后使用特征加權(quán)算法進(jìn)行加權(quán)融合，從而對比面積法實(shí)現(xiàn)攝食活動強(qiáng)度的評估。

圖5 特征加權(quán)融合算法流程圖

1.4.1Relief算法特征選擇

特征提取為攝食行為的研究提供了豐富的數(shù)據(jù)信息，但大量的特征間容易存在較高的相似性，導(dǎo)致冗余數(shù)據(jù)消耗過多的時間，不利于魚群攝食行為的在線研究，所以需要篩選出與攝食研究最相關(guān)的特征，從而減少數(shù)據(jù)冗余，增強(qiáng)算法的泛化能力，進(jìn)一步提高算法的評估精度。

Relief算法[18]是一種通過計算樣本權(quán)重進(jìn)行特征選擇的算法，根據(jù)基于特征對近距離樣本的區(qū)分能力來確定權(quán)重。設(shè)樣本集合f=(f1,f2,…,fn)，每個樣本包含k個特征fi=(fi1,fi2,…,fik)(1≤i≤n)，L=(l1,l2)為類別集合。Relief算法首先對各特征進(jìn)行初始化，并從F中隨機(jī)選擇一個樣本fi，然后根據(jù)L分別從同類樣本和異類樣本中選擇一個距離fi最近的樣本，并記為H和M，最后更新特征i的權(quán)重。

ωi=ωi-1-diff(i,fi,H)/n+diff(i,fi,M)/n

(4)

式中ωi——特征i的權(quán)重

diff(i,fi,H)——同類樣本近鄰相關(guān)統(tǒng)計量

diff(i,fi,M)——異類樣本近鄰相關(guān)統(tǒng)計量

由式(4)可知，在權(quán)重迭代計算中，具有較強(qiáng)區(qū)分能力的特征在異類樣本間差異較大，而在同類樣本間差異較小。根據(jù)Relief算法計算的權(quán)重ωt對特征進(jìn)行排序，權(quán)重ωt越大，表示其貢獻(xiàn)率越大，對應(yīng)的分類能力越強(qiáng)；反之，能力越弱。最后設(shè)定閾值t，權(quán)重ωt大于t的特征視為有效特征，小于t的特征剔除，從而實(shí)現(xiàn)特征選擇。

1.4.2XGBoost算法分類準(zhǔn)確率

XGBoost(極端梯度提升)[19]是GB集成學(xué)習(xí)的改進(jìn)算法，是通過弱分類器的迭代計算實(shí)現(xiàn)較高精度的分類，在將損失函數(shù)進(jìn)行二階泰勒展開的同時，引入了L2正則化項(xiàng)，克服了決策樹易過擬合的缺點(diǎn)，可快速實(shí)現(xiàn)特征維度上的并行運(yùn)行，且其內(nèi)置的交叉驗(yàn)證特點(diǎn)提高了結(jié)果準(zhǔn)確性。其具體的實(shí)現(xiàn)過程如下：

設(shè)數(shù)據(jù)集D=(xi,yi)(|D|=n,xi∈Rm,yi∈R)，集成樹模型為

(5)

則目標(biāo)函數(shù)為

(6)

(7)

式中xi——樣本ω——權(quán)重

T——葉子節(jié)點(diǎn)數(shù)

γ——懲罰力度i——預(yù)測值

λ——懲罰系數(shù)

fk(xi)——回歸樹

ξ(xi,i)——損失函數(shù)

為防止模型過擬合，在學(xué)習(xí)過程中不斷加入新的函數(shù)ft。

(8)

在加入新的函數(shù)ft后，目標(biāo)函數(shù)變?yōu)?/p>

(9)

此時，對其進(jìn)行二階泰勒展開

(10)

其中

式中Ij——第j片葉子節(jié)點(diǎn)上的所有樣本集合

gi——一階導(dǎo)數(shù)hi——二階導(dǎo)數(shù)

假設(shè)最佳權(quán)重ω=ω*,則

(11)

此時，目標(biāo)函數(shù)的最優(yōu)值為

(12)

在XGBoost構(gòu)建決策樹的過程中，一個特征出現(xiàn)的次數(shù)越多，表示該特征越重要，基于這一特點(diǎn)，結(jié)合Relief特征選擇算法和魚群攝食特征XGBoost模型中的分類準(zhǔn)確率，確定魚群的攝食評價因子。

1.4.3特征加權(quán)融合

由于魚群攝食期間的快速連續(xù)變化，使用單一特征無法全面對其攝食行為和攝食活動強(qiáng)度進(jìn)行準(zhǔn)確檢測和評估。為實(shí)現(xiàn)特征間的信息互補(bǔ)，對提取的攝食評價因子使用加權(quán)融合方法[20]進(jìn)行特征融合，通過多次更改權(quán)重比較攝食行為的檢測效果，以選擇適當(dāng)?shù)臋?quán)重進(jìn)行加權(quán)融合。

2 結(jié)果與分析

2.1 攝食圖像特征分析

隨著魚群攝食狀態(tài)和強(qiáng)度的變化，其游動軌跡、方向和聚集面積隨之發(fā)生改變，圖像特征的復(fù)雜度也會不同。攝食前后，魚群的游動速度和方向的改變是攝食行為檢測和攝食活動強(qiáng)度評估的重要指標(biāo)，軌跡行為的變化直接反映了魚群攝食活動強(qiáng)度的變化，且不同階段，攝食圖像的顏色、形狀和紋理特征表達(dá)的信息也會不同。

2.1.1魚群運(yùn)動軌跡

運(yùn)動軌跡分析對魚群攝食行為的跟蹤研究具有關(guān)鍵作用。按照視頻的時間順序，以圖像質(zhì)心表示魚群中心，使用式(1)計算得出魚群攝食前后的運(yùn)動軌跡如圖6所示。對比圖6a、6b發(fā)現(xiàn)，魚群在攝食前的運(yùn)動軌跡較為簡單，運(yùn)動速度緩慢，且質(zhì)心坐標(biāo)集中在一定數(shù)值區(qū)域內(nèi)；而攝食中的運(yùn)動軌跡則變得復(fù)雜，游動速度和方向變化較快，軌跡出現(xiàn)多次劇烈波動。

通過運(yùn)動軌跡發(fā)現(xiàn)，攝食前魚群運(yùn)動范圍的x軸和y軸坐標(biāo)值區(qū)間為[130，262]和[511，808]；而攝食過程中的魚群游動范圍x軸和y軸坐標(biāo)值區(qū)間為[230，388]和[429，793]，區(qū)間范圍較攝食前變大，即通過運(yùn)動區(qū)間可看出攝食前后的變化，表3為質(zhì)心點(diǎn)的坐標(biāo)。

2.1.2攝食強(qiáng)度隨圖像特征的變化

根據(jù)魚群攝食圖像的顏色、形狀和紋理特征的參數(shù)信息，選取其中300幀連續(xù)圖像信息進(jìn)行攝食行為描述，如圖7所示。

圖6 魚群攝食前后運(yùn)動軌跡

表3 魚群游動的質(zhì)心坐標(biāo)

圖7 基于圖像特征的魚群攝食行為變化曲線

從圖7可以看出，攝食圖像的T3、T5、T6、T7、T10和T11的值隨魚群攝食強(qiáng)度的增強(qiáng)而變大，而圖像的T1、T2、T4、T8、T9、T12和T13的值隨攝食強(qiáng)度的增強(qiáng)而減小。從其特征變化曲線可知，0～100幀曲線變化緩慢，魚群處于未攝食狀態(tài)；101～200幀期間，曲線呈現(xiàn)明顯的變化，此時魚群處于爭搶攝食階段；而曲線在201幀以后逐漸平緩，攝食基本結(jié)束；但265～280幀期間短暫的變化是由個別魚爭搶殘餌引起水面波動所致。魚群攝食強(qiáng)度隨圖像特征的變化為攝食行為的研究提供了重要的數(shù)據(jù)依據(jù)，可用來表征魚群的攝食活動強(qiáng)度變化。

2.2 基于Relief算法的魚群攝食特征選擇

為通過Relief算法得到攝食圖像特征的權(quán)重分析結(jié)果，將魚群攝食前、中、后3個階段歸一化后的T0～T12共13維圖像特征及其對應(yīng)的類別標(biāo)記輸入構(gòu)建的Relief模型中，為避免抽樣隨機(jī)性和保證權(quán)重的代表性，試驗(yàn)中選擇對每類特征計算20次，并以其平均值作為最終的特征權(quán)重，結(jié)果如圖8所示。

圖8 基于Relief算法的特征權(quán)重

由圖8可知，設(shè)置不同的閾值t對應(yīng)不同的特征維度，t越小，得到的特征維度就越大。根據(jù)Relief算法計算的權(quán)重ωt(0≤t≤12)對特征進(jìn)行排序，由大到小依次為T6、T1、T11、T2、T5、T7、T8、T9、T10、T0、T12、T4、T3。由此可知，當(dāng)閾值t設(shè)定為0.075時，T6、T1、T11和T2等4個特征能夠較好地描述圖像，對攝食行為檢測和強(qiáng)度的評估具有較大作用。

2.3 基于XGBoost的攝食評價因子確定

攝食評價因子是進(jìn)行攝食活動強(qiáng)度研究的基礎(chǔ)，Relief算法已經(jīng)得出攝食特征的重要性排序，為驗(yàn)證其結(jié)果的有效性，使用建立的XGBoost算法對提取的T0～T12共13維特征進(jìn)行攝食分類準(zhǔn)確率檢測。試驗(yàn)中，選擇數(shù)據(jù)集的2/3用于訓(xùn)練，1/3用于測試，模型中樹的最大深度max_depth設(shè)置為3，學(xué)習(xí)率eta設(shè)置為0.1，迭代次數(shù)n_estimators設(shè)置為50，L2正則化項(xiàng)的權(quán)重lambda設(shè)置為1，其他參數(shù)為默認(rèn)值，試驗(yàn)結(jié)果如圖9所示。

圖9 基于XGBoost算法的攝食行為檢測結(jié)果

由圖9可以看出，特征T1、T6和T11的分類準(zhǔn)確率較高，這與Relief算法的權(quán)重測試結(jié)果相似，進(jìn)一步說明了攝食圖像特征權(quán)重ωt的判斷對魚群攝食行為的檢測是有影響的。

為獲取具有高代表性的攝食評價因子，在上述試驗(yàn)結(jié)果的基礎(chǔ)上，使用建立好的XGBoost模型對提取的T0～T12共13維特征按照Relief算法權(quán)重進(jìn)行組合試驗(yàn)，結(jié)果如表4所示。

表4 基于XGBoost模型的特征組合試驗(yàn)結(jié)果

由表4可知，T1、T6和T11等3個特征作為攝食活動強(qiáng)度評價因子的檢測效果即可達(dá)到13維特征的識別準(zhǔn)確程度，且速度提升了3/5，實(shí)現(xiàn)了在特征降維的同時降低了數(shù)據(jù)的冗余。試驗(yàn)進(jìn)一步驗(yàn)證了權(quán)重ωt較小的幾個圖像特征在魚群攝食行為研究和攝食活動強(qiáng)度評估過程中的作用較小或起到抑制作用，同時證明了本文提出的基于Relief算法特征權(quán)重及XGBoost算法特征選擇的有效性，可以將通過該算法得到的T1、T6和T11共3個特征作為攝食活動強(qiáng)度評價因子用于魚群攝食活動強(qiáng)度的評估研究。

2.4 基于攝食評價因子的特征加權(quán)融合

根據(jù)以上試驗(yàn)結(jié)果，選擇T1、T6和T11等3個特征作為魚群攝食評價因子，進(jìn)行加權(quán)融合，分別將其設(shè)為t1、t2、t3，權(quán)重分別為α1、α2、α3，且α1+α2+α3=1，加權(quán)融合后特征記為F，則有

F=α1t1+α2t2+α3t3

(14)

根據(jù)式(14)，通過多次更改t1、t2和t3的權(quán)重比較融合后的檢測效果，試驗(yàn)結(jié)果如表5所示。

表5 基于攝食評價因子的加權(quán)融合試驗(yàn)結(jié)果

由表5可以看出，在魚群攝食特征的加權(quán)融合過程中，同一特征取不同權(quán)重時會得到不同的檢測結(jié)果。當(dāng)攝食評價因子T1、T6和T11的權(quán)重分別取0.23、0.40、0.37時，融合后的特征識別準(zhǔn)確率最高，為98.89%，優(yōu)于傳統(tǒng)特征融合方法的97.98%，可以較好地描述魚群攝食圖像的信息。因此，提取的T1、T6和T11共3種特征可以作為攝食評價因子應(yīng)用于魚群攝食行為研究和攝食活動強(qiáng)度的評估。

2.5 基于特征加權(quán)融合的魚類攝食活動強(qiáng)度評估

文獻(xiàn)[8]根據(jù)魚群攝食前后的聚集度和攝食規(guī)律提出了一套投喂策略，提高了養(yǎng)殖的自動化程度。為了驗(yàn)證本文方法的可靠性，試驗(yàn)中以攝食圖像的前景目標(biāo)魚群的聚集面積為參數(shù)來表征魚群的攝食活動強(qiáng)度，同時對比了使用魚群攝食前后圖像的單一形狀特征、單一顏色特征和文獻(xiàn)[7]中的紋理方法與使用魚群聚集面積參數(shù)進(jìn)行攝食活動強(qiáng)度的量化情況，結(jié)果如表6所示。

在圖像采集過程中，光照、水面波動和外界噪聲的干擾等因素會給攝食圖像帶來不良的影響，使得單一的圖像特征不能全面地表達(dá)圖像信息，從而給研究造成較大的誤差。由表6可知，基于形狀特征和顏色特征的活動強(qiáng)度評估的相關(guān)性基本相同，R2約為0.65。文獻(xiàn)[7]基于紋理特征的活動強(qiáng)度評估的相關(guān)性較基于形狀和顏色特征的相關(guān)性高，使用紋理熵的決定系數(shù)為0.834 2，而使用本文方法得到魚群攝食活動強(qiáng)度的相關(guān)性最好，R2最高可達(dá)0.904 3，均方誤差最小，為0.017 8，且基于本文方法進(jìn)行攝食行為檢測的識別準(zhǔn)確率為98.89%。因此，基于特征加權(quán)融合的方法實(shí)現(xiàn)了不同特征間的信息互補(bǔ)，提高了檢測準(zhǔn)確度和活動強(qiáng)度的相關(guān)性，可以較好地進(jìn)行魚群攝食行為的在線檢測和攝食活動強(qiáng)度的評估研究。

表6 不同方法的攝食活動強(qiáng)度量化對比

3 結(jié)論

(1)試驗(yàn)環(huán)境中，魚群攝食圖像經(jīng)均值背景建模、中值濾波和形態(tài)學(xué)處理獲得前景目標(biāo)，在避免復(fù)雜環(huán)境中單體魚分割的基礎(chǔ)上，利用圖像處理技術(shù)對不同攝食階段的圖像特征進(jìn)行分析量化。

(2)提取攝食圖像的質(zhì)心，利用其游動軌跡分析了魚群在不同攝食階段的游動行為，并根據(jù)提取圖像的顏色、形狀和紋理等13維特征，對不同攝食階段的活動強(qiáng)度進(jìn)行了分析。

(3)結(jié)合魚群攝食特點(diǎn)，提出了一種基于Relief特征選擇和XGBoost的魚群攝食特征選擇算法，根據(jù)Relief算法計算的權(quán)重對特征進(jìn)行排序，并結(jié)合XGBoost的檢測結(jié)果篩選出二階矩、周長和紋理熵3個攝食評價因子，最后利用加權(quán)融合算法得出，當(dāng)3個評價因子分別取0.23、0.40和0.37時效果最好，識別準(zhǔn)確率為98.89%。

(4)相比利用魚群聚集面積和基于單一特征的評估方法，本文方法均方誤差最小、識別準(zhǔn)確率最高，且決定系數(shù)可達(dá)0.904 3。說明了基于特征加權(quán)融合方法在攝食活動強(qiáng)度評估方面的優(yōu)越性，該方法有助于實(shí)現(xiàn)水產(chǎn)養(yǎng)殖中魚類的精準(zhǔn)投喂。