基于雙頻識別聲吶的魚類目標(biāo)識別與計數(shù)

沈 蔚，朱振宏，張 進，曹正良，彭戰(zhàn)飛

(1 上海海洋大學(xué)海洋科學(xué)學(xué)院，上海河口海洋測繪工程技術(shù)研究中心，上海 201306；2 上海海洋大學(xué)海洋牧場工程技術(shù)研究中心，上海 201306)

水聲探測方法是當(dāng)前進行水生生物研究的高效、快捷、可靠的方法，憑借其調(diào)查精度高、調(diào)查范圍廣、對環(huán)境無影響、對調(diào)查目標(biāo)無損害等優(yōu)點，已大量應(yīng)用到魚類資源的調(diào)查研究當(dāng)中[1-3]。在進行魚類資源評估過程中，使用各類回聲探測儀獲取數(shù)據(jù)，并利用回聲積分、回波計數(shù)等方法對采集到的水聲數(shù)據(jù)進行處理與統(tǒng)計。近年來，已有大量研究人員在海洋、湖泊、河流、水庫等水域?qū)⑺曁綔y方法運用到魚類資源研究當(dāng)中[4-8]。當(dāng)前常用的水聲探測主要是對魚類目標(biāo)資源密度、空間分布等進行研究，對于魚類目標(biāo)運動軌跡追蹤、個體魚體信息提取等研究較少[9]。

雙頻識別聲吶(Dual-frequency Identification Sonar，DIDSON)能夠在渾濁、黑暗的水下環(huán)境顯示高清晰度的聲學(xué)圖像，廣泛應(yīng)用于水下管道檢測、水下搜尋、水下安防等多個方面[10]。在漁業(yè)資源管理方面，DIDSON主要用于河流、湖泊、水庫等內(nèi)陸水域的魚類洄游計數(shù)、行為觀測等。Han等[11-12]利用DIDSON嘗試對洄游魚類和養(yǎng)殖大型魚類進行計數(shù)和體長提?。籋andegard等[13]利用低通濾波算法對DIDSON采集聲學(xué)數(shù)據(jù)中不同密度下的單個魚體目標(biāo)進行識別；童劍鋒等[14-15]對DIDSON形成的聲學(xué)圖像進行初步研究，并用于溯河洄游幼香魚的計數(shù)；張進等[16]利用DIDSON對上海臨港滴水湖中魚類資源進行定量評估和空間分析；荊丹翔等[17]進行了基于識別聲吶的魚群目標(biāo)檢測跟蹤及魚群在水下三維空間運行軌跡和分布研究。

Echoview是澳大利亞Echoview軟件公司開發(fā)的一款功能強大、應(yīng)用靈活的水聲學(xué)數(shù)據(jù)處理軟件，經(jīng)過多年發(fā)展，已被全球漁業(yè)和環(huán)境科學(xué)研究者作為研究漁業(yè)資源和海洋、淡水生態(tài)環(huán)境的重要手段之一。

本研究在相關(guān)研究基礎(chǔ)上，利用Echoview軟件結(jié)合人工判斷對DIDSON圖像數(shù)據(jù)進行魚類識別提取，其處理流程主要包括背景噪聲去除、魚類目標(biāo)識別、目標(biāo)屬性提取、目標(biāo)運動軌跡追蹤，最終提取出所探測到的魚類目標(biāo)及其個體體長信息，為后續(xù)更深入的魚體行為研究和魚類資源評估提供技術(shù)參考。

1 材料和方法

1.1 聲學(xué)儀器簡介

DIDSON由美國華盛頓大學(xué)應(yīng)用物理實驗室研發(fā)，Sound Metrics公司制造，其成像原理是基于聲學(xué)透鏡組合對聲波進行壓縮聚焦，進而形成高清的聲學(xué)圖像數(shù)據(jù)。聲學(xué)透鏡在進行壓縮波束時消耗功耗少，易于發(fā)射和接收同一波束，提高了工作效率，也縮減了儀器的體積[15-16]。本研究所使用的標(biāo)準(zhǔn)型DIDSON有兩種工作模式，即探測模式和識別模式，分別對應(yīng)儀器不同工作頻率，具體技術(shù)參數(shù)見表1。DIDSON在工作時可針對探測范圍內(nèi)的觀測目標(biāo)進行自動調(diào)焦，根據(jù)設(shè)置的最大觀測范圍自動調(diào)節(jié)其工作頻率，以保證觀測范圍內(nèi)目標(biāo)圖像的清晰度。

表1 DIDSON詳細(xì)技術(shù)參數(shù)

1.2 數(shù)據(jù)采集

試驗數(shù)據(jù)來自2019年5月份上海市某小型水庫魚類資源聲學(xué)調(diào)查項目，由小型調(diào)查船搭載DIDSON、GPS進行走航式采集，為避免噪聲對采集數(shù)據(jù)的干擾，將DIDSON聲吶探頭固定于船舷左前方遠離發(fā)動機部位，DIDSON換能器及安裝如圖1所示。采集數(shù)據(jù)使用DIDSON配套采集軟件DIDSON V5.24，同步記錄于采集筆記本電腦中，探測船速為4～5節(jié)，水面無較大風(fēng)浪。

圖1 主機及安裝示意圖

2 魚類目標(biāo)識別與提取方法

2.1 背景噪聲去除

在數(shù)據(jù)采集過程中，由于船只運行、移動產(chǎn)生噪聲及水中植被、懸浮物等對DIDSON數(shù)據(jù)產(chǎn)生干擾，使得在原始聲學(xué)數(shù)據(jù)中識別目標(biāo)變得非常困難，故在聲吶數(shù)據(jù)的預(yù)處理階段，首要工作是將背景噪聲去除[18]。

首先使用Kovesi圖像去噪法將聲吶圖像中出現(xiàn)的隨機分布的斑點噪聲進行模糊化去除，斑點噪聲多由水中氣泡、浮游生物、樹枝等產(chǎn)生[19]，通過設(shè)定圖像最小波長、反向標(biāo)準(zhǔn)差等，在聲吶圖像去除噪聲的前提下保留圖像細(xì)節(jié)。其去噪效果如圖2b所示，其中，紅色標(biāo)記為類魚體目標(biāo)，與原始圖像圖2a對比發(fā)現(xiàn)，將聲吶圖像中小型斑點噪聲去除、水底植被等噪聲模糊化處理后，去噪效果較為明顯。

噪聲去除后，使用背景差分法將聲吶圖像中水體背景進行去除[20]。該算法假設(shè)水體靜止不動，首先從當(dāng)前數(shù)據(jù)脈沖信號及其鄰近信號中進行統(tǒng)計分析，捕獲數(shù)據(jù)中存在的靜態(tài)背景元素；然后以該靜態(tài)背景元素中最低信噪比值作為閾值，從數(shù)據(jù)文件中減去該值。即可將數(shù)據(jù)中靜態(tài)背景進行去除，如式(1)所示：

|Ft(x,y)-Fb(x,y)|=Dt(x,y)

(1)

式中：Ft(x,y)表示圖像位置(x,y)的像素值；Fb(x,y) 表示圖像位置(x,y)的水體背景像素值；Dt(x,y)表示(x,y)位置的去除背景結(jié)果。圖2c為去除圖像背景效果圖，其水體背景、水底和產(chǎn)生的聲學(xué)陰影等都被去除。其中，紅色圓圈標(biāo)注為類魚體目標(biāo)，下方有多個懸浮斑點，推測判定為Kovesi算法遺留斑點噪聲或者水體小型浮游生物。

圖2 背景噪聲去除效果圖

2.2 魚類目標(biāo)識別

對于DIDSON影像中魚類目標(biāo)識別，基本原理是設(shè)定魚類目標(biāo)回聲閾值區(qū)間i，并基于原始的回聲圖像創(chuàng)建一個新的多波束目標(biāo)樣本值Gk，隨后判斷回聲圖像中每個像素值Hk(x,y)是否在閾值區(qū)間i當(dāng)中，若在區(qū)間當(dāng)中，即用創(chuàng)建的多波束目標(biāo)樣本值Gk來代替或標(biāo)注符合要求的像素值Hk(x,y)，從而實現(xiàn)聲吶圖像目標(biāo)的識別。并在目標(biāo)識別的基礎(chǔ)上，根據(jù)其回聲影像中像素值數(shù)據(jù)，得到其長度、面積、厚度等目標(biāo)屬性，同時，可設(shè)定閾值來限定得出需要的目標(biāo)屬性值[21]。

圖3a為DIDSON原始聲學(xué)影像數(shù)據(jù)，顯示為2個類魚類目標(biāo)并有條帶狀聲學(xué)陰影出現(xiàn)；圖3b為在背景噪聲去除算法基礎(chǔ)上進行圖像目標(biāo)識別，并使用藍色圓點標(biāo)記得出類魚類目標(biāo)；圖3c為在目標(biāo)識別基礎(chǔ)上進行目標(biāo)屬性閾值的限定，限定目標(biāo)長度為5～120 cm范圍以內(nèi)。可看出體長較大個體被排除，僅顯示個體較小的魚類目標(biāo)，與實際觀測結(jié)果相符。

圖3 DIDSON影像目標(biāo)識別與屬性限定

2.3 目標(biāo)運動軌跡追蹤

DIDSON聲吶圖像數(shù)據(jù)中實現(xiàn)魚類目標(biāo)個體計數(shù)，關(guān)鍵是避免同一目標(biāo)因出現(xiàn)在連續(xù)多幀圖像中而產(chǎn)生重復(fù)計數(shù)。需對魚類目標(biāo)運動軌跡進行追蹤，即將在同一軌跡上的目標(biāo)判定為同一條魚[22]。

在進行目標(biāo)軌跡追蹤處理前，先將DIDSON每幀的影像數(shù)據(jù)拼接成連續(xù)的回聲圖像，在該回聲圖像中可觀測得出每條魚的運行軌跡、相對于波束主軸的運動角度等，后續(xù)的魚類目標(biāo)的編輯、分析處理等都是基于該圖像進行。在Echoview軟件中可通過設(shè)定其過濾目標(biāo)系數(shù)來改善影像拼接的效果。圖4為截取完成拼接后的回聲圖像。根據(jù)已有經(jīng)驗，人工判讀圖中紅色標(biāo)記標(biāo)注部分多為魚類運行軌跡，在回聲圖中表現(xiàn)為多個連續(xù)的點狀個體排列連接形成線狀目標(biāo)，標(biāo)注之外的零散分布的點狀目標(biāo)，多為預(yù)處理遺留噪聲、水中浮游生物或者DIDSON分辨率無法正確識別的較小魚類目標(biāo)。

圖4 DIDSON影像拼接圖

DIDSON聲吶圖像數(shù)據(jù)拼接完成后，使用α-β軌跡追蹤算法對回聲圖像中魚體運動軌跡進行識別跟蹤，跟蹤結(jié)果以不同顏色的線條顯示，算法采用固定系數(shù)濾波的方法，選擇單個目標(biāo)作為附加到軌跡中的候選對象，追蹤算法中對于位置和速度的變化分別由α和β兩個參數(shù)控制。其原理為：通過前一時刻的狀態(tài)量估計當(dāng)前時刻的狀態(tài)量，然后與當(dāng)前時刻的觀測量相對比。其算法方程如下所示[23]：

(2)

(3)

其中，位置和速度的預(yù)測值為：

(4)

(5)

3 計數(shù)與資源量評估

3.1 魚類目標(biāo)計數(shù)

本次調(diào)查共采集14個文件，對應(yīng)14個航段，數(shù)據(jù)處理過程中對每航段數(shù)據(jù)進行魚類目標(biāo)計數(shù)和體長提取。首先基于目標(biāo)運動軌跡追蹤實現(xiàn)魚類目標(biāo)計數(shù)，將每條軌跡識別為一條魚，并同步記錄每條軌跡中心點處的經(jīng)緯度坐標(biāo)和所處深度。為了驗證目標(biāo)計數(shù)的準(zhǔn)確性，根據(jù)數(shù)據(jù)采集質(zhì)量，選取4條航段聲吶數(shù)據(jù)，采用人工目視計數(shù)的方法進行驗證。人工目視計數(shù)是指將DIDSON影像數(shù)據(jù)進行慢速回放，通過人工判讀對影像中出現(xiàn)的魚類目標(biāo)進行計數(shù)，統(tǒng)計對比結(jié)果見表2。

圖5 個體目標(biāo)軌跡追蹤

表2 人工計數(shù)與軟件計數(shù)對比

從表2可以得出，人工目視計數(shù)與軟件自動計數(shù)結(jié)果偏差在10%以內(nèi)，平均計數(shù)誤差為7.2%。該方法中個數(shù)統(tǒng)計存在偏差的原因有多個方面：一是出現(xiàn)較密集魚群時，追蹤得出的魚類運動軌跡會出現(xiàn)錯亂，導(dǎo)致追蹤結(jié)果出現(xiàn)重復(fù)計數(shù)等偏差；二是當(dāng)魚類目標(biāo)在靠近水底或在水草中游動時，會被錯判為水底或水中噪聲，從而排除在外；三是水中部分懸浮物其目標(biāo)反射強度與魚體相近，被誤判為魚類等。

3.2 魚類體長提取

針對單個魚類目標(biāo)，首先根據(jù)像素將同一運動軌跡上的每一幀圖像中魚體體長進行提取，然后對該目標(biāo)運動軌跡上的所有體長數(shù)據(jù)進行統(tǒng)計判斷，由于魚運動姿態(tài)和方向各不相同，但魚類目標(biāo)在水平方向運動時體長數(shù)據(jù)最大也最接近實際值，因此取測得的最大體長為該目標(biāo)的體長。

由于成像聲吶自身分辨率問題以及走航式采集產(chǎn)生氣泡較多，因此體長較小魚類易與水中浮游生物、樹枝等噪聲混淆，在體長信息提取時對于平均體長小于5 cm的魚類目標(biāo)忽略不計。圖6為提取出的魚體體長信息分布圖，魚體體長絕大部分集中于10～20 cm范圍內(nèi)，占總數(shù)的40%以上；體長范圍在5～10 cm和20～50 cm的魚類目標(biāo)也占比較多，接近總量的40%，60 cm以上魚類數(shù)量較少，占總量的5%左右。

3.3 魚類資源總量估算

根據(jù)目標(biāo)計數(shù)統(tǒng)計結(jié)果，14條航段數(shù)據(jù)共統(tǒng)計得出魚類目標(biāo)1 938尾。采用平面密度法對水庫內(nèi)的魚類資源總量進行估算，首先根據(jù)每條航線探測到的魚類數(shù)量和儀器探測面積得出航線內(nèi)魚類密度；其次將所有航線的平均魚類密度視為水庫魚類密度，根據(jù)水庫水域面積估算得出水庫魚類總數(shù)量。其計算公式如下：

(6)

(7)

(8)

N=ρ·S

(9)

式中：ni、si和ρi表示第i條測線的魚類數(shù)量(尾)、儀器探測面積(m2)和魚類密度(尾/m2)；li和ri表示第i條測線的探測長度(m)和提取出的平均水深(m)，公式(7)是通過儀器安裝角度和儀器探測范圍視角簡化得來；ρ視為水庫內(nèi)的魚類平均密度(尾/m2)；n表示航線數(shù)量，此處為14；S、N分別表示水庫總面積(m2)和魚類資源總量(尾)。

本次調(diào)查探測航線總長度為17.19 km，平均水深4.26 m，經(jīng)計算可得，航線內(nèi)魚類目標(biāo)平均密度約為0.052 9尾/m2。本次調(diào)查水庫水域面積為1.92 km2，因此，水域內(nèi)魚類資源總數(shù)量N=101 568尾。

4 討論

4.1 DIDSON適用場景

DIDSON作為一款高清晰度的聲學(xué)攝像儀，其聲學(xué)影像數(shù)據(jù)能清晰、直觀地顯示出魚類形態(tài)、位置信息，與常規(guī)的科學(xué)魚探儀相比，具有更多的信息量、更直觀的圖形顯示等。沈蔚等[24]曾對DIDSON和科學(xué)魚探儀Biosonics DT-X進行比較分析，結(jié)果顯示兩類儀器評估出的魚類資源并沒有太大差距，但在淺水地帶DIDSON所受到的水中氣泡等因素的干擾更小，能較為方便地提取出魚類的體長信息，并進行魚類行為的觀測。

DIDSON具有較高的工作頻率，對于船速要求較高。張進[16]在研究中指出，一旦船速較快，采集到的魚體目標(biāo)就會出現(xiàn)鋸齒狀輪廓，當(dāng)速度降低時鋸齒狀特征就有明顯改善。在針對DIDSON聲吶圖像的諸多研究中[13,21]，多采用定點觀測進行數(shù)據(jù)采集，所采集到的數(shù)據(jù)質(zhì)量較好，對于數(shù)據(jù)中噪聲的處理也較為簡單。因此，DIDSON更適用于在江河湖泊等淺水水域開展定點觀測，或搭載于無人船、小型測量船等進行慢速走航探測，對于風(fēng)浪大、深度大的海洋魚類資源探測顯得力所不及。

4.2 聲吶圖像處理方法

針對DIDSON聲吶圖像噪聲去除，童劍鋒[15]采用3×3模板的中值濾波和高斯濾波結(jié)合進行圖像去噪和平滑處理；Kang[21]使用背景差分的方法，將一段沒有魚類目標(biāo)的聲吶圖像作為子集，然后逐幀減去該背景進行噪聲去除，但面對走航采集的聲吶數(shù)據(jù)，圖像背景復(fù)雜，使用上述方法效果不佳。本研究采用Kovesi圖像去噪和背景差分相結(jié)合，去噪效果較為理想，但是將斑點噪聲模糊化的處理手段，也會使得一部分魚體信息模糊，尤其當(dāng)魚體目標(biāo)較小時，會被識別成斑點噪聲，降低了目標(biāo)識別準(zhǔn)確度，后續(xù)應(yīng)將背景去除與運動軌跡相結(jié)合來改進算法，按照運動狀態(tài)來區(qū)分魚類目標(biāo)和噪聲。

進行魚類目標(biāo)運動軌跡追蹤是避免重復(fù)計數(shù)的必要手段，常見的目標(biāo)追蹤方法有卡爾曼濾波、粒子濾波及其各種擴展算法等，本研究中采用的α-β軌跡追蹤對于離散目標(biāo)識別準(zhǔn)確度較高，但當(dāng)目標(biāo)成群出現(xiàn)時，多個運行軌跡相互交叉，會出現(xiàn)重復(fù)計數(shù)或少計數(shù)的問題。

4.3 資源量評估的影響因素

聲學(xué)數(shù)據(jù)采集時，由于試驗水庫水位較淺，船只在移動過程中產(chǎn)生的水流和噪聲都會對魚群產(chǎn)生驅(qū)趕，因此需要引入合理的驅(qū)趕系數(shù)。比如張信[25]通過同一水域的定點觀測和走航觀測得出的魚類密度比值來確定，也可以使用無人船搭載DIDSON進行探測，減少船只走航對魚的驅(qū)趕。同時，回聲探測儀普遍存在一定的探測盲區(qū)，使水面表層的魚類目標(biāo)無法被探測到[26]。本研究使用船只較小，儀器吃水淺且傾斜安置，減小了儀器的探測盲區(qū)。在數(shù)據(jù)分析階段，李斌等[27-28]指出，為避免水底強反射信號干擾，在數(shù)據(jù)分析時需要將靠近水底部分信號進行刪除[27-28]。本研究中，DIDSON以與水平方向呈60°夾角的方式安裝，避免了水底強反射信號的干擾，減少對水底部分的剔除，也提高了探測到水底魚類目標(biāo)的可能性。

5 結(jié)論

基于Echoview聲學(xué)數(shù)據(jù)后處理軟件及其相關(guān)算法，實現(xiàn)了從DIDSON聲吶數(shù)據(jù)中進行魚類目標(biāo)識別、自動計數(shù)和體長信息提取，并通過與人工計數(shù)相對比的試驗得出該方法具有較高的統(tǒng)計精度。依據(jù)提取出的魚類目標(biāo)數(shù)據(jù)并結(jié)合相關(guān)資源評估方法，可對水庫中的魚類資源進行評估。結(jié)果證明，DIDSON可以用于魚類識別與計數(shù)，尤其在淺水水域的魚類資源探測與管理方面具有非常廣闊的應(yīng)用空間。