基于機(jī)器視覺(jué)的水產(chǎn)養(yǎng)殖計(jì)數(shù)研究綜述

張涵鈺，李振波*，李蔚然，楊 普

（1.中國(guó)農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院，北京 100083；2.農(nóng)業(yè)農(nóng)村部 國(guó)家數(shù)字漁業(yè)創(chuàng)新中心，北京 100083；3.農(nóng)業(yè)農(nóng)村部 智慧養(yǎng)殖技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100083；4.農(nóng)業(yè)農(nóng)村部 農(nóng)業(yè)信息獲取技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100083）

0 引言

中國(guó)是世界上唯一養(yǎng)殖水產(chǎn)品總量超過(guò)捕撈總量的主漁業(yè)國(guó)家，農(nóng)業(yè)農(nóng)村部通過(guò)數(shù)據(jù)統(tǒng)計(jì)得出中國(guó)水產(chǎn)養(yǎng)殖產(chǎn)量從2016 年的4 793.2 萬(wàn)噸增長(zhǎng)至2021 年的5 388 萬(wàn)噸，預(yù)計(jì)2022 年將進(jìn)一步增長(zhǎng)至5 630 萬(wàn)噸，充分說(shuō)明發(fā)展?jié)O業(yè)的重要性［1］。但是在水產(chǎn)養(yǎng)殖中，養(yǎng)殖密度過(guò)高或投喂餌料過(guò)少會(huì)導(dǎo)致水產(chǎn)動(dòng)物出現(xiàn)缺氧、搶食和生長(zhǎng)緩慢等現(xiàn)象，從而影響水產(chǎn)養(yǎng)殖的產(chǎn)出；密度過(guò)低或投喂餌料過(guò)多則浪費(fèi)養(yǎng)殖基地的養(yǎng)殖空間及養(yǎng)殖成本；此外，是否能根據(jù)養(yǎng)殖密度合理預(yù)估市場(chǎng)水產(chǎn)品價(jià)格對(duì)水產(chǎn)養(yǎng)殖經(jīng)濟(jì)效益影響較大。因此，養(yǎng)殖數(shù)量統(tǒng)計(jì)是水產(chǎn)品飼養(yǎng)銷售過(guò)程中的重要任務(wù)，為飼料投喂、養(yǎng)殖密度調(diào)整、經(jīng)濟(jì)效益估算等提供了極大便利［2-3］。

雖然水產(chǎn)品數(shù)量統(tǒng)計(jì)對(duì)于水產(chǎn)養(yǎng)殖具有重要作用，但目前水產(chǎn)養(yǎng)殖計(jì)數(shù)領(lǐng)域仍普遍使用人工計(jì)數(shù)方法，主要有稱重法、杯量法等，此類方法具有很多局限性。首先，人工計(jì)數(shù)需要大量時(shí)間與精力的投入，存在人為誤差，會(huì)造成經(jīng)濟(jì)損失；其次，魚類、蝦類等水產(chǎn)動(dòng)物對(duì)外界環(huán)境變化感受較敏感，容易出現(xiàn)竄游、驚跳、昏迷、食欲不振等應(yīng)激反應(yīng)，魚體易受到物理?yè)p傷且影響計(jì)數(shù)準(zhǔn)確性，而蝦類甚至?xí)霈F(xiàn)大量死亡導(dǎo)致農(nóng)民嚴(yán)重?fù)p失［4-5］；最后，人工計(jì)數(shù)使不良商家在水產(chǎn)品銷售中缺斤少兩具有可操作性，例如在使用稱重計(jì)數(shù)過(guò)程中，水產(chǎn)動(dòng)物規(guī)格是否均勻、稱重圍數(shù)時(shí)是否將水產(chǎn)動(dòng)物分布攪拌均勻都會(huì)直接影響最后統(tǒng)計(jì)出總數(shù)量的誤差率［6-7］。

因此，為克服人工計(jì)數(shù)帶來(lái)的弊端、實(shí)現(xiàn)水產(chǎn)養(yǎng)殖的智能化處理，目前已有部分學(xué)者利用傳感器計(jì)數(shù)研發(fā)了水產(chǎn)動(dòng)物計(jì)數(shù)方法：何貞俊等［8］設(shè)計(jì)出一種基于光柵的魚道過(guò)魚計(jì)數(shù)系統(tǒng)，利用遮擋紅外技術(shù)對(duì)通過(guò)的魚類進(jìn)行計(jì)數(shù)；武智等［9］設(shè)計(jì)了一種利用魚道進(jìn)行過(guò)魚計(jì)數(shù)的聲學(xué)評(píng)估方法，對(duì)采集的聲學(xué)數(shù)據(jù)進(jìn)行分析得到魚道的過(guò)魚數(shù)量。與人工計(jì)數(shù)方法相比，這些計(jì)數(shù)器裝置一定程度上減少了對(duì)水產(chǎn)動(dòng)物的損傷和人力物力的投入，但安裝過(guò)程較復(fù)雜，需要提前勘察水產(chǎn)養(yǎng)殖環(huán)境，且計(jì)數(shù)精度受到水產(chǎn)動(dòng)物尺寸的限制。

近年來(lái)，數(shù)據(jù)采集設(shè)備和計(jì)算機(jī)處理器等硬件設(shè)備、圖像技術(shù)、深度學(xué)習(xí)等取得了極大進(jìn)步［10-11］。機(jī)器視覺(jué)作為一種非入侵技術(shù)，利用相機(jī)與電腦模擬人眼對(duì)目標(biāo)進(jìn)行識(shí)別、跟蹤、測(cè)量等操作，也因此在各行各業(yè)擁有廣泛應(yīng)用，包括人臉識(shí)別閘機(jī)、自動(dòng)跟蹤攝像機(jī)、自動(dòng)駕駛汽車等較常見的實(shí)際產(chǎn)品［12］?；跈C(jī)器視覺(jué)的自動(dòng)化水產(chǎn)動(dòng)物計(jì)數(shù)方案因低成本、高精度、高效率的特點(diǎn)，逐漸成為水產(chǎn)養(yǎng)殖計(jì)數(shù)的重要研究方向之一。本文通過(guò)綜述水產(chǎn)動(dòng)物的數(shù)據(jù)采集方法、計(jì)數(shù)方法實(shí)驗(yàn)研究和計(jì)數(shù)方法具體應(yīng)用三個(gè)方面，展開機(jī)器視覺(jué)在水產(chǎn)養(yǎng)殖計(jì)數(shù)方面的整體研究應(yīng)用過(guò)程，研究對(duì)象主要以水產(chǎn)養(yǎng)殖中魚類、蝦蟹和扇貝等常見的養(yǎng)殖品種為主。

1 數(shù)據(jù)采集設(shè)備

在早期水產(chǎn)養(yǎng)殖的計(jì)數(shù)研究中，由于設(shè)備和方法的稀缺簡(jiǎn)陋，大多采用紅外傳感器等硬件設(shè)備實(shí)現(xiàn)水產(chǎn)動(dòng)物計(jì)數(shù)。基于機(jī)器視覺(jué)的計(jì)數(shù)方法由于對(duì)圖像數(shù)據(jù)具有較強(qiáng)的依賴性，數(shù)據(jù)集不足且質(zhì)量較差而限制了它的發(fā)展。如今隨著光學(xué)、聲學(xué)成像系統(tǒng)創(chuàng)新改進(jìn)，機(jī)器視覺(jué)技術(shù)逐漸成為水產(chǎn)養(yǎng)殖計(jì)數(shù)研究的新選擇。其中采集數(shù)據(jù)使用的相機(jī)主要分為光學(xué)相機(jī)和聲吶相機(jī)兩大類：光學(xué)相機(jī)隨著光學(xué)成像技術(shù)的不斷創(chuàng)新和圖像分辨率的突破性提高，已經(jīng)成為可固定于水上或水下進(jìn)行水產(chǎn)動(dòng)物數(shù)據(jù)采集的重要設(shè)備［13］；由于部分水域環(huán)境存在照明不均勻、水質(zhì)渾濁、背景復(fù)雜等問(wèn)題，光學(xué)相機(jī)難以采集到高質(zhì)量的數(shù)據(jù)，而聲波不僅在水下傳播的衰損較小且可采集到水下較大范圍的水產(chǎn)動(dòng)物，因此聲吶相機(jī)可以解決光學(xué)相機(jī)的水下使用問(wèn)題，是實(shí)現(xiàn)渾濁水域下數(shù)據(jù)采集的主要手段［14］。

1.1 光學(xué)相機(jī)

光學(xué)相機(jī)根據(jù)數(shù)據(jù)采集原理可以分為單目多光譜相機(jī)、雙目多光譜相機(jī)、單目近紅外相機(jī)和單目高光譜相機(jī)四類。

單目多光譜相機(jī)結(jié)構(gòu)簡(jiǎn)單、成本低，容易獲取二維圖像或視頻，但是由于水產(chǎn)動(dòng)物群體通常具有遮擋重疊等現(xiàn)象，因此在利用單目多光譜相機(jī)計(jì)數(shù)時(shí)，常在限制目標(biāo)群體通過(guò)的空間內(nèi)進(jìn)行數(shù)據(jù)采集，以減小目標(biāo)群體遮擋粘連導(dǎo)致的誤差。劉世晶等［15］利用焦距8 mm，采樣頻率24 frame/s 的單目多光譜相機(jī)以固定幀率在透明有機(jī)玻璃材質(zhì)制作的過(guò)魚管道上方拍攝管道內(nèi)介質(zhì)運(yùn)動(dòng)情況，并將拍攝圖片實(shí)時(shí)傳到計(jì)算機(jī)端獲取過(guò)魚數(shù)量。Hashisho 等［16］利用透明有機(jī)玻璃及白色塑料板制作一種用于蝦類生產(chǎn)槽的水上浮動(dòng)箱，通過(guò)限制浮動(dòng)箱中蝦群的數(shù)量，減少蝦群互相遮擋及波浪狀水面對(duì)相機(jī)拍攝效果的影響，進(jìn)而實(shí)現(xiàn)蝦群的檢測(cè)計(jì)數(shù)。總的來(lái)說(shuō)，單目多光譜相機(jī)能快速獲取所需的水產(chǎn)動(dòng)物信息，但是由于水產(chǎn)動(dòng)物群體的遮擋問(wèn)題，在計(jì)數(shù)過(guò)程中需要對(duì)目標(biāo)群體運(yùn)動(dòng)進(jìn)行限制，且對(duì)計(jì)算量要求較高。

雙目多光譜相機(jī)采用兩個(gè)處于固定位置關(guān)系的單目相機(jī)，同時(shí)獲取相同時(shí)間位置的檢測(cè)對(duì)象的兩個(gè)二維信息，構(gòu)造目標(biāo)群體的三維圖像或視頻數(shù)據(jù)，有助于解決高密度群體中的遮擋問(wèn)題，實(shí)現(xiàn)對(duì)自由游動(dòng)的水產(chǎn)動(dòng)物的數(shù)量統(tǒng)計(jì)。Costa 等［17］利用雙目相機(jī)獲取金槍魚從漁網(wǎng)轉(zhuǎn)移到浮動(dòng)籠的視頻，估算出該批次金槍魚數(shù)量，在金槍魚轉(zhuǎn)移過(guò)程中，兩臺(tái)由電纜連接同步的相機(jī)每秒記錄兩張圖像，由人工神經(jīng)網(wǎng)絡(luò)將每對(duì)圖像中像素之間的距離轉(zhuǎn)換為真實(shí)物體中點(diǎn)之間的距離，自動(dòng)校正估計(jì)到相機(jī)和方向的距離，并分析圖像獲取多個(gè)生物特征信息用于魚群數(shù)量估計(jì)。雙目相機(jī)對(duì)于高密度群體的使用效果優(yōu)于單目多光譜相機(jī)，但由于雙目相機(jī)需要配置校對(duì)等操作，便捷性相對(duì)較差。

單目近紅外相機(jī)的感光元件區(qū)別于多光譜相機(jī)，主要強(qiáng)調(diào)紅外輻射信號(hào)的接收，因此與雙目多光譜相機(jī)通過(guò)計(jì)算兩幅圖像對(duì)應(yīng)點(diǎn)間的位置偏差獲取物體三維信息不同，近紅外相機(jī)利用水體吸收紅外光、水下動(dòng)物反射紅外光、水下動(dòng)物在不同水深的紅外光反射強(qiáng)度不同的原理，構(gòu)建反射光強(qiáng)度與水下動(dòng)物深度之間關(guān)系，實(shí)現(xiàn)了單臺(tái)相機(jī)的三維成像采集。相較于雙目多光譜相機(jī)，單目近紅外相機(jī)不僅降低了需要多個(gè)相機(jī)的設(shè)備成本，還避免了數(shù)據(jù)校對(duì)融合等問(wèn)題。另外，單目近紅外相機(jī)已被廣泛應(yīng)用于魚類行為分析，實(shí)現(xiàn)了在光照條件差、遮擋嚴(yán)重問(wèn)題下單個(gè)魚類的檢測(cè)［18-20］。但目前基于近紅外圖像的水產(chǎn)動(dòng)物計(jì)數(shù)研究較少，且單目近紅外相機(jī)仍存在精度較低，易受水面噪聲、反光影響的問(wèn)題。

單目高光譜相機(jī)拍攝可以獲得從紫外光、可見光到紅外光的豐富光譜信息，與多光譜相機(jī)相比，具有更高的光譜分辨率和光譜內(nèi)容，為水產(chǎn)動(dòng)物的準(zhǔn)確探測(cè)提供了豐富特征，在水下光線昏暗、背景復(fù)雜的環(huán)境下獲取圖像或視頻信息具有優(yōu)勢(shì)。因此部分學(xué)者基于單目高光譜相機(jī)進(jìn)行水下數(shù)據(jù)采集技術(shù)研究，F(xiàn)u 等［21］提出了一種基于波段選擇的高光譜水下目標(biāo)檢測(cè)方法，以約束目標(biāo)最佳折射率選擇光譜波長(zhǎng)中專用于被檢目標(biāo)的波段子集，構(gòu)建了一個(gè)集成最佳波段子集的水下光譜成像系統(tǒng)，從而進(jìn)行水下目標(biāo)圖像采集，獲得比未進(jìn)行波段選擇的高光譜檢測(cè)更高的圖像采集檢測(cè)速率。雖然高光譜相機(jī)的豐富光譜信息有利于水下目標(biāo)成像，但正是由于光譜信息較多，導(dǎo)致高光譜數(shù)據(jù)冗余度高、成像慢、處理時(shí)間長(zhǎng)，不能滿足水產(chǎn)動(dòng)物計(jì)數(shù)實(shí)時(shí)性的要求，因此高光譜相機(jī)的實(shí)際應(yīng)用能力還需提高［22］。

1.2 聲吶相機(jī)

隨著設(shè)備儀器的進(jìn)步，聲吶成像作為一種新的探測(cè)深海生物的方法出現(xiàn)，聲吶相機(jī)也因此被應(yīng)用于水產(chǎn)動(dòng)物計(jì)數(shù)。目前，自適應(yīng)分辨率成像聲吶（Adaptive Resolution Imaging Sonar，ARIS）和雙頻識(shí)別聲吶（Dual-frequency IDentification SONar，DIDSON）在魚群計(jì)數(shù)方面運(yùn)用較廣泛［23-24］。Shahrestani 等［23］將ARIS 集成在一個(gè)2 軸旋轉(zhuǎn)器中處理連續(xù)59 h 記錄的鏡頭，探測(cè)碼頭附近的魚類，該方法成功地以高于94%的準(zhǔn)確率統(tǒng)計(jì)水下大型自由游動(dòng)魚類的數(shù)量。Jing等［24］將DIDSON 部署在水下0.5 m 的船舷上，獲取不同時(shí)間段的水下魚類聲吶圖像，結(jié)果表明利用聲吶圖像的自動(dòng)計(jì)數(shù)的誤差約10%。而側(cè)掃聲吶（Side-Scan Sonar，SSS）則對(duì)扇貝生物量統(tǒng)計(jì)具有不可或缺的作用［25-26］，棲息于海床中的扇貝與礫石、海沙等海底沉積物遮擋混合問(wèn)題嚴(yán)重，因此獲取高質(zhì)量的海底圖像是實(shí)現(xiàn)扇貝計(jì)數(shù)的首要任務(wù)。Enomoto等［25］將SSS 部署于水下航行器獲得海底圖像，并根據(jù)扇貝的紋理特征設(shè)計(jì)一種從海底沉積物中分類出扇貝區(qū)域的方法，該方法以超過(guò)96%的識(shí)別率實(shí)現(xiàn)了水下扇貝自動(dòng)計(jì)數(shù)。

在水下難以觀察、結(jié)構(gòu)復(fù)雜、渾濁和黑暗的環(huán)境中，聲吶相機(jī)以非破壞性的方式對(duì)水下動(dòng)物的數(shù)量、大小和行為進(jìn)行采樣，而且聲吶相機(jī)不局限于單點(diǎn)部署，可以部署在移動(dòng)應(yīng)用程序中，成功解決了海洋、淡水采樣的諸多限制。但是聲吶相機(jī)也存在多處缺陷，其中常用于獲取水下魚群信息的DIDSON、ARIS 聲吶主要存在以下問(wèn)題：聲吶成像易受環(huán)境干擾，若水底的反射強(qiáng)度掩蓋接近水底的魚類反射，會(huì)導(dǎo)致水底的魚類無(wú)法成功成像［27］；船只等移動(dòng)設(shè)備的噪聲驅(qū)趕魚群，導(dǎo)致探測(cè)范圍內(nèi)魚類偏少，增大計(jì)數(shù)誤差［24］；聲吶圖像或視頻的分辨率較低，遠(yuǎn)離聲吶設(shè)備且體型較小的魚群在聲吶圖像中難以辨別［14］。而常用于海底扇貝的SSS 聲吶則存在目標(biāo)影像模糊、畸變、易受載體運(yùn)動(dòng)狀態(tài)及海洋環(huán)境噪聲影響等問(wèn)題。5 種常見成像設(shè)備對(duì)比分析如表1 所示。

表1 五種常見圖像采集設(shè)備的對(duì)比分析Tab.1 Comparison analysis of five common image acquisition devices

1.3 其他設(shè)備

在水產(chǎn)養(yǎng)殖計(jì)數(shù)領(lǐng)域，除上述使用一種相機(jī)進(jìn)行數(shù)據(jù)采集的方法外，少數(shù)學(xué)者基于光學(xué)相機(jī)與聲吶相機(jī)自身的特點(diǎn)，將兩者結(jié)合使用，以完成特定的計(jì)數(shù)任務(wù)。Chang 等［28］為實(shí)現(xiàn)網(wǎng)箱內(nèi)特定種類的魚群生物量估計(jì)，利用聲吶相機(jī)與雙目相機(jī)共同拍攝網(wǎng)箱內(nèi)同一區(qū)域，通過(guò)檢測(cè)聲吶圖像與雙目圖像產(chǎn)生的重疊三維點(diǎn)云區(qū)域確定計(jì)數(shù)范圍，實(shí)現(xiàn)目標(biāo)群體的數(shù)量、長(zhǎng)度等生物量統(tǒng)計(jì)；然而該方法主要依靠聲吶圖像進(jìn)行數(shù)量統(tǒng)計(jì)，其中的雙目圖像僅協(xié)助聲吶設(shè)備獲取目標(biāo)魚群的分布信息。目前大多數(shù)計(jì)數(shù)研究仍以單一數(shù)據(jù)分析為主，盡管部分學(xué)者使用Gavia AUV［29］、HabCam Ⅱ［30］等集成聲吶相機(jī)與光學(xué)相機(jī)的設(shè)備進(jìn)行數(shù)據(jù)采集，但仍以該類設(shè)備中單一類型相機(jī)所采集的數(shù)據(jù)進(jìn)行計(jì)數(shù)分析。

2 基于機(jī)器視覺(jué)的水產(chǎn)動(dòng)物計(jì)數(shù)方法

目前，大多數(shù)學(xué)者利用機(jī)器視覺(jué)技術(shù)對(duì)人群、車流等群體進(jìn)行計(jì)數(shù)方法研究，該類計(jì)數(shù)方法能實(shí)現(xiàn)對(duì)公共場(chǎng)所的人群密度與分布的智能監(jiān)控，有助于避免人群聚集，提高社會(huì)安全防范能力，具有一定的現(xiàn)實(shí)意義［31］。其中計(jì)數(shù)方法主要分為兩大類：基于傳統(tǒng)機(jī)器學(xué)習(xí)的計(jì)數(shù)方法與基于深度學(xué)習(xí)的計(jì)數(shù)方法。傳統(tǒng)的計(jì)數(shù)方法一般是在提取到目標(biāo)群體的圖像特征后，使用機(jī)器學(xué)習(xí)實(shí)現(xiàn)目標(biāo)群體的計(jì)數(shù)，在處理大量復(fù)雜數(shù)據(jù)方面具有一定優(yōu)勢(shì)［32］；但是深度學(xué)習(xí)不需要復(fù)雜的特征提取工程且適應(yīng)性強(qiáng)［33-34］，在生物量統(tǒng)計(jì)領(lǐng)域表現(xiàn)出了明顯優(yōu)勢(shì)。因此，在水產(chǎn)養(yǎng)殖領(lǐng)域，部分學(xué)者將基于機(jī)器視覺(jué)的人群計(jì)數(shù)方法用于水產(chǎn)動(dòng)物群體，而局限于人體、車體目標(biāo)與水產(chǎn)品目標(biāo)的個(gè)體特征與活動(dòng)場(chǎng)所的不同，基于機(jī)器視覺(jué)的水產(chǎn)動(dòng)物計(jì)數(shù)方法仍具有水產(chǎn)動(dòng)物種類繁多、水下數(shù)據(jù)采集困難、高密度群體互相遮擋等待解決問(wèn)題。

2.1 基于傳統(tǒng)機(jī)器學(xué)習(xí)的計(jì)數(shù)方法

水產(chǎn)動(dòng)物的輪廓、面積、骨架和端點(diǎn)等幾何特征是基于傳統(tǒng)機(jī)器學(xué)習(xí)進(jìn)行計(jì)數(shù)研究的重要數(shù)據(jù)依據(jù)。在魚群數(shù)目較小、遮擋問(wèn)題不嚴(yán)重時(shí)，魚群在圖像中的斑點(diǎn)信息與輪廓信息可通過(guò)連通域面積法計(jì)數(shù)。Toh 等［35］在過(guò)濾圖像噪聲和背景后，在圖像中保留僅對(duì)應(yīng)魚的斑點(diǎn)，取斑點(diǎn)的中間區(qū)域作為魚的計(jì)數(shù)依據(jù)，但是該方法要求魚類大小需要保持基本相同，且隨著魚數(shù)量的增加，魚群之間相互遮擋現(xiàn)象增多，導(dǎo)致估計(jì)精度降低。除了利用斑點(diǎn)信息以外，也有學(xué)者利用魚類輪廓的面積信息統(tǒng)計(jì)魚群數(shù)量，Labuguen 等［36］利用圖像處理技術(shù)檢測(cè)魚苗輪廓所占像素面積，以每個(gè)輪廓內(nèi)的像素面積之和獲得魚群數(shù)量，雖然該方法對(duì)700 條以下的魚苗魚群的計(jì)數(shù)準(zhǔn)確率能超過(guò)95%，但是與利用斑點(diǎn)信息計(jì)數(shù)的缺陷一樣，當(dāng)魚苗數(shù)量過(guò)多、魚群相互遮擋時(shí)計(jì)數(shù)誤差增加。

由于基于魚類輪廓、面積等特征的計(jì)數(shù)精度容易受到魚體遮擋影響，因此部分學(xué)者利用魚類的骨架、端點(diǎn)等特征進(jìn)行魚群計(jì)數(shù)方法研究，從而降低魚體相互遮擋對(duì)計(jì)數(shù)精度的影響。范嵩等［37］利用先膨脹后腐蝕的閉運(yùn)算獲取魚苗端點(diǎn)，并采用逐個(gè)遍歷連通域根據(jù)端點(diǎn)判斷魚苗數(shù)目的方法計(jì)數(shù)，實(shí)驗(yàn)結(jié)果表明平均誤差為7.34%；但仍存在一個(gè)較明顯的問(wèn)題：圖像邊緣的魚苗顏色偏淡且圖像分割后的長(zhǎng)寬比不足，邊緣?mèng)~苗容易被腐蝕成孤立的像素，而不是理想狀況的端點(diǎn)，從而增大計(jì)數(shù)誤差。

而在利用幾何特征進(jìn)行魚群計(jì)數(shù)的方法中，除了連通域面積法和端點(diǎn)細(xì)化法，曲線演化法也是較常見的一種計(jì)數(shù)方法。王碩等［38］針對(duì)單幀大菱鲆魚粘連現(xiàn)象，提出一種基于曲線演化的圖像處理方法，將圖像預(yù)處理后的二值魚苗粘連輪廓曲線作為初始演化曲線進(jìn)行處理，通過(guò)水平集方法進(jìn)行常值演化，統(tǒng)計(jì)演化過(guò)程中最大輪廓曲線數(shù)得到魚苗數(shù)量。實(shí)驗(yàn)結(jié)果表明，與面積法、端點(diǎn)法相比，曲線演化法可以有效對(duì)粘連的大菱鲆魚分離計(jì)數(shù)，計(jì)數(shù)精度接近100%；但該方法易受外部雜質(zhì)影響且仍無(wú)法完全解決魚重疊時(shí)的計(jì)數(shù)問(wèn)題。

上述基于幾何特征的計(jì)數(shù)方法不僅適用于魚群，也同樣適用于其他水產(chǎn)動(dòng)物的計(jì)數(shù)研究；而且，基于扇貝、蝦類等水產(chǎn)動(dòng)物的個(gè)體特征，模板匹配法也被部分學(xué)者用于生物量統(tǒng)計(jì)，進(jìn)而提高計(jì)數(shù)精度。Khantuwan 等［39］結(jié)合連通域面積法與模板匹配法提出一種蝦苗計(jì)數(shù)方法，該方法將蝦群圖像拆分為無(wú)遮擋圖像和高密度遮擋圖像，分別利用連通域像素面積法與模板匹配法進(jìn)行生物量統(tǒng)計(jì)，其中模板匹配法通過(guò)比較模板蝦體與蝦群圖像的相似度獲取密集區(qū)域的蝦群數(shù)量，最終以97%準(zhǔn)確率得到蝦苗整體數(shù)量。Kannappan 等［40］則利用模板匹配法評(píng)估圖像分割結(jié)果與扇形的相似性來(lái)獲得圖像中扇貝的數(shù)量，能使用低分辨率圖像數(shù)據(jù)以較高精度獲得扇貝生物量。除此之外，基于太平洋白蝦苗體積較小、身體透明的特點(diǎn)，Kesvarakul 等［41］直接檢測(cè)圖像斑點(diǎn)信息實(shí)現(xiàn)了蝦苗的數(shù)量統(tǒng)計(jì)，誤差相比人工計(jì)數(shù)降低6.9%；但由于該方法依賴透明蝦體內(nèi)臟等部分與水體環(huán)境的對(duì)比實(shí)現(xiàn)計(jì)數(shù)，因此不同養(yǎng)殖環(huán)境的水中雜質(zhì)及水體外觀均會(huì)影響計(jì)數(shù)效果，在實(shí)際使用中需要根據(jù)情況調(diào)整圖像處理程序中的水體參數(shù)，具有一定不便性。

由于視頻幀相比單獨(dú)圖像具有空間、時(shí)間維度等更多信息，因此在基于圖像處理的水產(chǎn)動(dòng)物計(jì)數(shù)方法研究之外，利用水下視頻進(jìn)行計(jì)數(shù)也是多數(shù)學(xué)者關(guān)注的研究重點(diǎn)，可從中尋找精度更高、效率更快的計(jì)數(shù)方法。部分學(xué)者利用圖像中魚群多個(gè)連通分量之間的關(guān)系實(shí)現(xiàn)魚群生物量統(tǒng)計(jì)：Fabic等［42］設(shè)計(jì)了一種基于連通分量標(biāo)記的斑點(diǎn)計(jì)數(shù)法用于視頻序列中的魚群計(jì)數(shù)，利用Canny 邊緣算法捕捉魚的輪廓，通過(guò)連接分量分析將檢測(cè)出的輪廓轉(zhuǎn)換為斑點(diǎn)，并對(duì)斑點(diǎn)進(jìn)行計(jì)數(shù)，計(jì)數(shù)平均誤差低于10%；Hernández-Ontiveros 等［43］則開發(fā)了一種嵌入式系統(tǒng)，直接利用圖像中魚體面積及周長(zhǎng)的連通分量關(guān)系直接計(jì)算魚群的數(shù)量，計(jì)數(shù)精度高于96.64%，此類方法易于操作且成本較低，但同樣易受高密度魚群互相遮擋影響。魚類定位是魚類檢測(cè)、識(shí)別、計(jì)數(shù)和跟蹤的重要步驟，因此部分學(xué)者以提高定位速率及精度實(shí)現(xiàn)魚群計(jì)數(shù)，Li等［44］利用圖像的歸一化梯度特征區(qū)分背景中的魚群，并對(duì)歸一化梯度特征進(jìn)行二值化處理提高魚群定位的速率，最終以97.1%的召回率實(shí)現(xiàn)魚群定位并計(jì)數(shù)。除此之外，目標(biāo)跟蹤也是部分學(xué)者通過(guò)水下視頻實(shí)現(xiàn)計(jì)數(shù)的主要方法，Morais等［45］基于貝葉斯濾波算法對(duì)水下魚類進(jìn)行視覺(jué)跟蹤與計(jì)數(shù)，不僅可以獲取不同魚類的游動(dòng)能力、遷徙時(shí)間和峰值流量等相關(guān)信息，還可以估計(jì)魚類隨時(shí)間運(yùn)動(dòng)軌跡，實(shí)現(xiàn)在渾濁水下、魚群相互遮擋的情況下，精度高達(dá)81%的魚群計(jì)數(shù)。不同于Morais 等基于光學(xué)數(shù)據(jù)的跟蹤計(jì)數(shù)研究，沈蔚等［46］利用Echoview 聲學(xué)數(shù)據(jù)處理軟件以及相關(guān)算法對(duì)DIDSON 在水庫(kù)中采集到的聲學(xué)數(shù)據(jù)進(jìn)行處理，以α-β軌跡跟蹤算法在聲學(xué)數(shù)據(jù)中進(jìn)行跟蹤，并根據(jù)魚類目標(biāo)回聲閾值進(jìn)行目標(biāo)識(shí)別計(jì)數(shù)，平均計(jì)數(shù)誤差為7.2%。跟蹤計(jì)數(shù)方法在其他水產(chǎn)動(dòng)物計(jì)數(shù)領(lǐng)域也有應(yīng)用，Tan 等［47］遠(yuǎn)程操控水下潛水器獲取視頻序列，通過(guò)目標(biāo)檢測(cè)與跟蹤進(jìn)行水下龍蝦數(shù)量的統(tǒng)計(jì)，計(jì)數(shù)精度為83%。該方法基于檢測(cè)龍蝦洞穴的數(shù)量估算龍蝦生物量，但攝像機(jī)與洞穴之間的距離或角度會(huì)導(dǎo)致洞穴形狀變化從而影響檢測(cè)精度。上述方法在離散目標(biāo)的識(shí)別準(zhǔn)確率上有所提升，能獲得相對(duì)較高的統(tǒng)計(jì)精度；然而，對(duì)于魚群這類具有較高密度、個(gè)體姿態(tài)多且活動(dòng)范圍較大的群體，雖可以在一定程度上降低魚體遮擋對(duì)計(jì)數(shù)精度的影響，但仍存在多個(gè)跟蹤軌跡相互交叉、跟蹤ID 易切換的情況，從而產(chǎn)生重復(fù)計(jì)數(shù)或少計(jì)數(shù)的問(wèn)題。

對(duì)于水下動(dòng)物自動(dòng)化計(jì)數(shù)，部分學(xué)者關(guān)注目標(biāo)群體相互遮擋影響計(jì)數(shù)精度等問(wèn)題。重疊魚類的計(jì)數(shù)主要由輪廓、面積、端點(diǎn)等幾何特征決定，F(xiàn)an 等［48］提出將計(jì)數(shù)問(wèn)題轉(zhuǎn)化為分類問(wèn)題，使用反向傳播神經(jīng)網(wǎng)絡(luò)（Back-Propagation Neural Network，BPNN）和最小二乘支持向量機(jī)（Least Squares Support Vector Machine，LSSVM）［49-50］構(gòu)建分類模型，實(shí)驗(yàn)表明，結(jié)合了多個(gè)幾何特征的LSSVM 比BPNN 更優(yōu)，平均計(jì)數(shù)準(zhǔn)確率高達(dá)98.73%，而BPNN 只有94.4%；Le 等［51］提出了另一種基于骨架端點(diǎn)的算法，不同于范嵩等［37］提出的方法受魚群遮擋影響較大且會(huì)出現(xiàn)邊緣?mèng)~類無(wú)法得到理想端點(diǎn)的缺點(diǎn)，該方法結(jié)合自適應(yīng)閾值分割法和骨架提取方法有效地解決了圖像中魚群重疊遮擋的問(wèn)題，且對(duì)高密度魚群的計(jì)數(shù)仍可達(dá)到較高精度，平均計(jì)數(shù)誤差小于6%。基于傳統(tǒng)機(jī)器學(xué)習(xí)的計(jì)數(shù)方法的對(duì)比分析如表2 所示。

表2 基于傳統(tǒng)機(jī)器學(xué)習(xí)的計(jì)數(shù)方法的對(duì)比分析Tab.2 Comparison analysis of counting methods based on traditional machine learning

2.2 基于深度學(xué)習(xí)的計(jì)數(shù)方法

基于傳統(tǒng)機(jī)器學(xué)習(xí)的計(jì)數(shù)方法在進(jìn)行圖像處理時(shí)，大多需要人工提取復(fù)雜的特征。為特定的對(duì)象和場(chǎng)景設(shè)計(jì)選擇合適的特征費(fèi)時(shí)費(fèi)力，而且提取的特征是否合適往往取決于研究人員的經(jīng)驗(yàn)。采用深度學(xué)習(xí)的計(jì)數(shù)方法能通過(guò)神經(jīng)網(wǎng)絡(luò)自動(dòng)提取語(yǔ)義特征，與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比，具有更優(yōu)的泛化能力和準(zhǔn)確性。深度學(xué)習(xí)中應(yīng)用于水下動(dòng)物計(jì)數(shù)的神經(jīng)網(wǎng)絡(luò)主要分為人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）?；A(chǔ)CNN 的結(jié)構(gòu)如圖1 所示。

圖1 基礎(chǔ)CNN的結(jié)構(gòu)Fig.1 Structure of basic CNN

早在1995 年，便有學(xué)者基于視頻圖像分析ANN 在水產(chǎn)動(dòng)物計(jì)數(shù)研究中的可行性，Newbury 等［52］利用像素求和、直方圖頻率單元求和的傳統(tǒng)統(tǒng)計(jì)方法與ANN 中的反向傳播網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)魚群計(jì)數(shù)，并對(duì)三種計(jì)數(shù)方法的結(jié)果進(jìn)行對(duì)比，兩種傳統(tǒng)統(tǒng)計(jì)方法的計(jì)數(shù)準(zhǔn)確率分別是85%、88%，但它們的計(jì)數(shù)誤差與魚群密度成正比，僅對(duì)低密度魚群計(jì)數(shù)效果較好；而在相同數(shù)據(jù)集上，ANN 的計(jì)數(shù)方法最佳，準(zhǔn)確率可達(dá)94%，且計(jì)數(shù)前無(wú)須人工提取圖像特征，驗(yàn)證了ANN 對(duì)實(shí)現(xiàn)魚群計(jì)數(shù)等任務(wù)具有良好效果。

自此，部分學(xué)者基于ANN 研究魚群計(jì)數(shù)的新方法，Zheng 等［53］提出了一種利用模糊人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)魚群計(jì)數(shù)的方法，以魚群陰影的平均長(zhǎng)度作為依據(jù)，利用基于神經(jīng)網(wǎng)絡(luò)反饋的數(shù)字圖像智能窗口將魚群圖像劃分為不同級(jí)別的網(wǎng)格，并將每個(gè)網(wǎng)格數(shù)據(jù)作為ANN 輸入，進(jìn)而實(shí)現(xiàn)準(zhǔn)確率為95%的魚群數(shù)量統(tǒng)計(jì)。該方法雖能解決重疊魚群對(duì)計(jì)數(shù)問(wèn)題的影響，但需要提前設(shè)置合理的窗口大小，窗口較大適合低密度魚群，窗口較小適合高密度魚群，因此對(duì)于不同的應(yīng)用場(chǎng)所需要設(shè)置不同規(guī)格的智能窗口。同樣，為解決魚群遮擋對(duì)計(jì)數(shù)精度的影響，Zhang 等［54］提出一種基于圖像密度分級(jí)和局部回歸的魚群計(jì)數(shù)方法，采用基于連通區(qū)域面積的閾值法對(duì)魚群密度等級(jí)進(jìn)行分級(jí)，并為每個(gè)密度級(jí)別的數(shù)據(jù)集分別構(gòu)建基于BPNN 的回歸模型，實(shí)現(xiàn)在魚群圖像子區(qū)域的局部計(jì)數(shù)，最后通過(guò)合并同一圖像的連通區(qū)域計(jì)數(shù)結(jié)果獲得平均絕對(duì)誤差為0.298 5 的魚群整體數(shù)量統(tǒng)計(jì)。該方法在一定程度上減少了魚群粘連對(duì)計(jì)數(shù)結(jié)果的影響，而且不同密度級(jí)別的數(shù)據(jù)集解決了不同密度水平下魚群圖像樣本不均衡問(wèn)題，提高了計(jì)數(shù)的穩(wěn)定性；但該方法基于實(shí)驗(yàn)室環(huán)境實(shí)現(xiàn)，尚未在實(shí)際養(yǎng)殖環(huán)境進(jìn)行驗(yàn)證，具體應(yīng)用效果仍待研究。

然而，ANN 需要在模型訓(xùn)練前將二維圖像轉(zhuǎn)化為一維向量，容易導(dǎo)致圖像空間特征丟失且模型訓(xùn)練參數(shù)量較大。因此，自2012 年AlexNet 成功運(yùn)用于視覺(jué)任務(wù)中，基于CNN 的深度學(xué)習(xí)研究不斷出現(xiàn)并改進(jìn)創(chuàng)新，在各個(gè)領(lǐng)域廣泛應(yīng)用［55］。水下動(dòng)物計(jì)數(shù)也因CNN 的發(fā)展逐漸出現(xiàn)了相關(guān)的圖像分割計(jì)數(shù)、檢測(cè)計(jì)數(shù)、跟蹤計(jì)數(shù)和回歸計(jì)數(shù)等方法。

在基于圖像分割的水產(chǎn)動(dòng)物計(jì)數(shù)研究中，由于U-Net 分割效果較好且完全適用于小數(shù)據(jù)集［56］，Thai 等［57］基于U-Net提出一種蝦群計(jì)數(shù)方法，利用U-Net、分水嶺分割對(duì)圖像進(jìn)行分割，并通過(guò)閾值分割提取蝦群信息，最后通過(guò)蝦群輪廓和邊界框計(jì)算蝦群數(shù)量及蝦體長(zhǎng)度。實(shí)驗(yàn)表明，該方法可以獲得平均絕對(duì)誤差0.093 的蝦群計(jì)數(shù)結(jié)果和均方根誤差0.293的蝦體長(zhǎng)度估計(jì)，但蝦群密度過(guò)高、蝦體相互遮擋重疊仍會(huì)影響計(jì)數(shù)性能。為了解決蝦群計(jì)數(shù)中遮擋粘連對(duì)計(jì)數(shù)結(jié)果的影響，Nguyen 等［58］利用兩階段掩膜的基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Mask Region-based Convolutional Neural Network，Mask R-CNN）［59］實(shí)現(xiàn)了蝦苗的分割計(jì)數(shù)，以兩階段重復(fù)對(duì)同一圖像進(jìn)行預(yù)測(cè)計(jì)數(shù)，對(duì)于低重疊、中度重疊和高度重疊水平的圖像可分別達(dá)到99.7%、95.4%和72.9%的計(jì)數(shù)精度，一定程度上解決了蝦群重疊遮擋對(duì)計(jì)數(shù)結(jié)果的影響，但該方法計(jì)數(shù)速度及在高密度蝦群的計(jì)數(shù)性能仍需進(jìn)一步提高。而在魚群分割計(jì)數(shù)中，針對(duì)魚群活動(dòng)行為較明顯的現(xiàn)象，Tseng等［60］不局限于單獨(dú)對(duì)圖像進(jìn)行處理，而是利用Mask R-CNN對(duì)魚群視頻幀進(jìn)行像素級(jí)的背景檢測(cè)和目標(biāo)分割，從而識(shí)別出圖像中的魚體目標(biāo)，并在此基礎(chǔ)上，通過(guò)使用時(shí)間閾值法與距離閾值法確定魚群數(shù)量，召回率可達(dá)93.84%?；趫D像分割水產(chǎn)養(yǎng)殖計(jì)數(shù)方法雖然可以得到較高的計(jì)數(shù)精度，但是有一個(gè)較明顯的共同問(wèn)題：計(jì)數(shù)速度需進(jìn)一步提高且仍無(wú)法完全實(shí)現(xiàn)高密度群體的準(zhǔn)確計(jì)數(shù)。

不同于圖像分割直接對(duì)目標(biāo)像素進(jìn)行定位，目標(biāo)檢測(cè)僅需要預(yù)測(cè)出目標(biāo)邊界框，便可得到相關(guān)計(jì)數(shù)依據(jù)，更加方便快捷?；谀繕?biāo)檢測(cè)的水產(chǎn)動(dòng)物計(jì)數(shù)方法則根據(jù)檢測(cè)方法的不同分為一階段檢測(cè)計(jì)數(shù)與二階段檢測(cè)計(jì)數(shù)兩種方法：二階段方法首先生成可能包含水產(chǎn)動(dòng)物的候選區(qū)域，通過(guò)特征提取、邊界回歸等方法不斷細(xì)化，進(jìn)一步準(zhǔn)確定位物體的位置實(shí)現(xiàn)計(jì)數(shù)［61］；一階段方法直接在網(wǎng)絡(luò)中提取圖像特征實(shí)現(xiàn)圖像中的水產(chǎn)動(dòng)物檢測(cè)計(jì)數(shù)。在二階段方法中，部分學(xué)者通過(guò)改進(jìn)網(wǎng)絡(luò)模型提高檢測(cè)計(jì)數(shù)的精度，Li 等［62］在Faster RCNN（Faster Region-based Convolutional Neural Network）［63］的基礎(chǔ)上級(jí)聯(lián)線性整流函數(shù)（Rectified Linear Unit，ReLU）、Inception 和HyperNet 等構(gòu)建塊改變卷積層的結(jié)構(gòu)，構(gòu)建了新的魚類識(shí)別模型，進(jìn)一步提高檢測(cè)效果，識(shí)別計(jì)數(shù)準(zhǔn)確率達(dá)到89.95%，且單張圖像檢測(cè)時(shí)間為0.089 s，接近實(shí)時(shí)檢測(cè)的要求，但計(jì)數(shù)精度有所犧牲。而一階段方法在保持一定精度的前提下可以實(shí)現(xiàn)更快甚至實(shí)時(shí)的檢測(cè)，Lainez 等［64］以改進(jìn)圖像預(yù)處理結(jié)果實(shí)現(xiàn)高精度的魚群檢測(cè)計(jì)數(shù)，將魚群圖像裁剪為400 像素×400 像素大小，并利用圖像灰度處理與圖像分段技術(shù)，使CNN 直接運(yùn)用于不同圖像片段中實(shí)現(xiàn)99.63%平均精度的檢測(cè)，最后通過(guò)檢測(cè)閾值調(diào)整實(shí)現(xiàn)99.17%平均精度的魚群計(jì)數(shù)；該方法雖然具有較好的檢測(cè)計(jì)數(shù)效果，但僅適用于分辨率為400×400 的圖像，因此具有應(yīng)用局限性。Rasmussen 等［26］則以改進(jìn)的CNN 模型實(shí)現(xiàn)計(jì)數(shù)應(yīng)用，直接以YOLOv2 架構(gòu)［65］構(gòu)建野生扇貝計(jì)數(shù)模型，不僅可以獨(dú)立分析水下機(jī)器人采集的連續(xù)圖像，而且在實(shí)時(shí)速度下的平均計(jì)數(shù)精度達(dá)到了86%。張璐等［66］則針對(duì)水產(chǎn)養(yǎng)殖中魚群圖像背景復(fù)雜、目標(biāo)多尺度的問(wèn)題，提出一種基于多尺度融合與無(wú)錨點(diǎn)YOLOv3［67］的魚群計(jì)數(shù)方法，以96.26%準(zhǔn)確率實(shí)現(xiàn)魚群的生物量統(tǒng)計(jì)。目前基于檢測(cè)的計(jì)數(shù)方法具有較高精度，但是檢測(cè)計(jì)數(shù)需要使用滑動(dòng)窗口逐個(gè)檢測(cè)對(duì)象，在高密度魚群相互遮擋的情況下，與分割計(jì)數(shù)的方法具有同樣問(wèn)題，無(wú)法檢測(cè)部分被遮擋物體。

除了上述直接利用檢測(cè)結(jié)果進(jìn)行計(jì)數(shù)的方法，部分學(xué)者從實(shí)際問(wèn)題出發(fā)，將基于深度學(xué)習(xí)的檢測(cè)模型與多目標(biāo)跟蹤算法相結(jié)合，利用目標(biāo)跟蹤的方法統(tǒng)計(jì)水下運(yùn)動(dòng)動(dòng)物的數(shù)量。Xu 等［68］將自動(dòng)檢測(cè)技術(shù)應(yīng)用于水下機(jī)器人進(jìn)行海洋小目標(biāo)探測(cè)，提出一種基于Faster R-CNN 檢測(cè)模型和核化相關(guān)濾波跟蹤算法的海洋目標(biāo)檢測(cè)方法進(jìn)行海參、扇貝等生物計(jì)數(shù)，平均檢測(cè)精度為79.6%，對(duì)渾濁水下的低密度水產(chǎn)品有較好的跟蹤計(jì)數(shù)效果；但模型復(fù)雜度較高，無(wú)法實(shí)現(xiàn)海洋目標(biāo)的實(shí)時(shí)監(jiān)測(cè)。在跟蹤計(jì)數(shù)方面，除了將濾波類跟蹤算法與檢測(cè)模型結(jié)合外，部分學(xué)者將SORT（Simple Online and Realtime Tracking）［69］、DeepSORT［70］等綜合跟蹤算法用于跟蹤計(jì)數(shù)，具有更好的跟蹤效果。Tanaka 等［71］利用YOLOv3 與SORT 構(gòu)建了捕魚船進(jìn)魚量統(tǒng)計(jì)模型，對(duì)金槍魚的計(jì)數(shù)準(zhǔn)確率為89%，召回率為87%；然而，此類跟蹤計(jì)數(shù)方法為解決傳統(tǒng)跟蹤中跟蹤目標(biāo)id 切換對(duì)計(jì)數(shù)的影響，只能跟蹤某一固定區(qū)域的群體實(shí)現(xiàn)數(shù)量統(tǒng)計(jì)，且該固定區(qū)域常需要根據(jù)實(shí)際問(wèn)題設(shè)計(jì)，所以該類方法的使用不具有通用性，但由于它直接面向現(xiàn)實(shí)問(wèn)題設(shè)計(jì)，因此具有一定的應(yīng)用性。

基于檢測(cè)和圖像分割的方法在高密度群體中的計(jì)數(shù)效果較差，因此基于密度圖回歸的方法逐漸被用于解決高密度群體的計(jì)數(shù)問(wèn)題［72］。Lempitsky 等［73］首次提出采用密度圖模擬計(jì)數(shù)目標(biāo)的空間密度分布的方法后，大量基于密度圖估計(jì)的方法被提出，在計(jì)數(shù)領(lǐng)域取得了顯著的進(jìn)步［74-75］?；诿芏葓D的計(jì)數(shù)方法減小了計(jì)數(shù)過(guò)程中檢測(cè)和定位計(jì)數(shù)目標(biāo)的工作量，將問(wèn)題歸納為圖像密度的估計(jì)問(wèn)題，在密度圖任何區(qū)域通過(guò)積分獲取該區(qū)域內(nèi)目標(biāo)的數(shù)量。Yu 等［76］提出了一種基于多尺度殘差網(wǎng)絡(luò)［77］的魚群計(jì)數(shù)方法，利用多尺度注意力機(jī)制提高了網(wǎng)絡(luò)提取不同大小魚類特征的能力，并通過(guò)殘差網(wǎng)絡(luò)模塊融合圖像中的深淺層特征，獲得了清晰度較高的密度圖準(zhǔn)確反映魚群分布情況，計(jì)數(shù)誤差較低。Zhou等［78］則為了消除攝像機(jī)透視效應(yīng)和圖像分辨率對(duì)密度估計(jì)的影響，提出一種基于多尺度上下文增強(qiáng)卷積網(wǎng)絡(luò)的魚類密度估計(jì)方法，采用多尺度濾波器并行處理魚群圖像，并用上下文增強(qiáng)模塊幫助網(wǎng)絡(luò)理解圖像全局上下文信息，從而將不同特征圖融合在一起構(gòu)造魚群密度圖，計(jì)算魚類數(shù)量，相比先前的密度圖方法有效地解決了魚群遮擋、粘連的問(wèn)題，提高了計(jì)數(shù)精度；但多尺度卷積網(wǎng)絡(luò)明顯存在訓(xùn)練時(shí)間長(zhǎng)、多列結(jié)構(gòu)參數(shù)冗余的缺陷。因此，王金鳳等［79］利用擴(kuò)展CNN［80］構(gòu)建魚群密度檢測(cè)模型，在保持分辨率的同時(shí)擴(kuò)大感知域，生成高質(zhì)量的魚群分布密度圖，魚群密度檢測(cè)準(zhǔn)確率高達(dá)90%以上。密度圖的方法除了用于魚群，對(duì)密集程度較高、體積較小的蝦群也具有相關(guān)應(yīng)用。Zhang 等［81］提出一種基于完全卷積回歸網(wǎng)絡(luò)的蝦卵計(jì)數(shù)方法，通過(guò)將輸入的圖像回歸到它的密度圖中來(lái)計(jì)算密集分布的蝦卵，平均計(jì)數(shù)準(zhǔn)確率可達(dá)99.2%。密度圖的方法在保留了局部特征信息的同時(shí)，提供了目標(biāo)群體的二維分布信息與群體運(yùn)動(dòng)的速度信息，在一定程度上提高了計(jì)數(shù)的準(zhǔn)確性，但在實(shí)際的養(yǎng)殖場(chǎng)景中含有氣泡、光線、遮擋等干擾因素，導(dǎo)致所呈現(xiàn)的預(yù)測(cè)密度圖存在一定誤差［78］?；谏疃葘W(xué)習(xí)的計(jì)數(shù)方法對(duì)比分析如表3 所示。

表3 基于深度學(xué)習(xí)的計(jì)數(shù)方法的對(duì)比分析Tab.3 Comparison analysis of counting methods based on deep learning

3 計(jì)數(shù)方法在主流養(yǎng)殖模式中的應(yīng)用

上述計(jì)數(shù)方法的研究均以實(shí)際養(yǎng)殖中水產(chǎn)品數(shù)量統(tǒng)計(jì)為目的，本章將基于主流實(shí)際養(yǎng)殖模式，對(duì)深水網(wǎng)箱養(yǎng)殖、循環(huán)水養(yǎng)殖和池塘養(yǎng)殖等養(yǎng)殖模式中水產(chǎn)計(jì)數(shù)方法的實(shí)際應(yīng)用與相關(guān)市場(chǎng)產(chǎn)品進(jìn)行綜述。

3.1 深水網(wǎng)箱養(yǎng)殖模式

深水網(wǎng)箱養(yǎng)殖是指在較深海域內(nèi)搭建網(wǎng)箱并利用投餌系統(tǒng)、水下監(jiān)控系統(tǒng)等配套措施，進(jìn)行離岸養(yǎng)殖的一種海水養(yǎng)殖模式。其中的網(wǎng)箱則分為傳統(tǒng)網(wǎng)箱與大圍網(wǎng)兩類：傳統(tǒng)網(wǎng)箱常采用網(wǎng)衣、浮力裝置組成木質(zhì)浮式網(wǎng)箱；而大圍網(wǎng)則利用打樁、沉沙袋將網(wǎng)衣沉入海底，形成網(wǎng)兜用于養(yǎng)殖［82］。近年來(lái)，我國(guó)在深水網(wǎng)箱數(shù)字化設(shè)計(jì)、裝備自動(dòng)控制、數(shù)字化管理以及大型魚類網(wǎng)箱養(yǎng)殖等方面取得了重要進(jìn)展［83］。但是如何在復(fù)雜的網(wǎng)箱環(huán)境中獲取網(wǎng)箱內(nèi)魚群數(shù)量，進(jìn)而評(píng)估網(wǎng)衣完整性及飼料投放情況仍是目前多數(shù)學(xué)者關(guān)注的重點(diǎn)。

深水網(wǎng)箱養(yǎng)殖大多屬于渾濁海域，水下能見度低，利用機(jī)器視覺(jué)技術(shù)在網(wǎng)箱內(nèi)實(shí)現(xiàn)魚群計(jì)數(shù)具有一定限制。因此，聲吶計(jì)數(shù)法是目前機(jī)器視覺(jué)技術(shù)應(yīng)用于深水網(wǎng)箱中較常見的計(jì)數(shù)方法，基于光學(xué)圖像的計(jì)數(shù)方法則需要以提高圖像質(zhì)量作為計(jì)數(shù)前提，較繁瑣。黃健等［84］將超聲波換能器基陣置于網(wǎng)箱中部水下，利用分裂波束接收目標(biāo)回波并對(duì)空間采樣，實(shí)現(xiàn)網(wǎng)箱內(nèi)生物量實(shí)際情況的探測(cè)，通過(guò)水上信號(hào)收發(fā)電路向換能器基陣發(fā)射超聲頻電信號(hào)并接收處理?yè)Q能器輸出的電信號(hào)為生物量評(píng)估處理提供數(shù)據(jù)基礎(chǔ)。另外，他們還構(gòu)建了相應(yīng)的深水網(wǎng)箱生物量評(píng)估模型，運(yùn)用單回波脈寬檢測(cè)和跟蹤方法在單體魚連續(xù)的回波蹤跡中檢測(cè)魚的游速及方向，并利用圖像分析技術(shù)壓縮回波噪聲，實(shí)現(xiàn)了在低信噪比數(shù)據(jù)中對(duì)網(wǎng)箱中生物量的檢測(cè)估計(jì)。如圖2（a）所示，可以發(fā)現(xiàn)該方法利用多個(gè)換能器組成換能器基陣實(shí)現(xiàn)多個(gè)波束共同作用進(jìn)行目標(biāo)探測(cè)，導(dǎo)致設(shè)備的體積大且成本較高。劉延猛等［85］針對(duì)上述問(wèn)題提出了無(wú)人艇聲吶計(jì)數(shù)方法，區(qū)別于超聲波換能器基陣技術(shù)，利用魚鰾中空氣與水體中其他物體聲吶特性的顯著區(qū)別進(jìn)行魚體目標(biāo)識(shí)別，在無(wú)人艇上安裝探測(cè)聲吶及無(wú)線收發(fā)器，管理人員通過(guò)對(duì)水中無(wú)人艇遠(yuǎn)程遙控實(shí)現(xiàn)探測(cè)聲吶對(duì)水下目標(biāo)信息的探測(cè)與處理，并通過(guò)無(wú)線收發(fā)器將數(shù)據(jù)傳送到遠(yuǎn)程終端機(jī)，利用聲吶回波能強(qiáng)度實(shí)現(xiàn)魚群計(jì)數(shù)、獲取魚類體型大小及重量等目標(biāo)。當(dāng)然，也有部分學(xué)者直接利用單目多光譜相機(jī)在水下進(jìn)行魚群圖像采集并計(jì)數(shù)，Zhang 等［86］在深水網(wǎng)箱底部安裝與水面形成一定角度的單目多光譜相機(jī)，自下而上拍攝魚類照片，如圖2（b）所示，其中相機(jī)與水面形成的角度一定程度上避免了垂直光對(duì)圖像采集的影響，但受水下海域水質(zhì)渾濁、能見度低的影響，水下圖像質(zhì)量較低。因此他們?cè)趫D像預(yù)處理部分通過(guò)顏色校正與對(duì)比度增強(qiáng)的方法實(shí)現(xiàn)水下圖像質(zhì)量的提高，為魚群計(jì)數(shù)提供可行性，最后以混合神經(jīng)網(wǎng)絡(luò)模型進(jìn)行密度圖估計(jì)，魚群計(jì)數(shù)精度為95.06%。

圖2 深水網(wǎng)箱養(yǎng)殖計(jì)數(shù)方法的實(shí)際應(yīng)用示意圖Fig.2 Schematic diagrams of applications of counting methods in deep water net cage culture

深水網(wǎng)箱中魚群生物量的評(píng)估為相關(guān)管理人員掌握魚類生長(zhǎng)情況、獲取魚群逃逸信息和判斷網(wǎng)箱的損壞情況提供了數(shù)據(jù)依據(jù)，有利于根據(jù)魚群數(shù)量控制餌料投放和檢查網(wǎng)箱完整性；但是，中國(guó)種類繁多的海水魚中適應(yīng)深海網(wǎng)箱養(yǎng)殖的種類較少，主要是大黃魚、美國(guó)紅魚、大西洋鮭魚等品種。因此目前面向深水網(wǎng)箱的魚群計(jì)數(shù)方法適用的魚類品種較少，我國(guó)深水網(wǎng)箱的養(yǎng)殖品種仍待豐富，相關(guān)計(jì)數(shù)方法也將因此快速發(fā)展。

3.2 循環(huán)水養(yǎng)殖模式

循環(huán)水養(yǎng)殖是通過(guò)一系列水處理單元將養(yǎng)殖池中產(chǎn)生的廢水處理后再次循環(huán)回用的新型養(yǎng)殖模式，以去除養(yǎng)殖水體有害污染物、凈化養(yǎng)殖環(huán)境為目的，利用物理過(guò)濾、消毒等處理將凈化后的水體重新輸入養(yǎng)殖池的過(guò)程，解決了水資源利用率低的問(wèn)題，為高密度養(yǎng)殖提供了有利條件［87］。但養(yǎng)殖密度過(guò)高將引起水產(chǎn)動(dòng)物應(yīng)激反應(yīng)，改變它們的內(nèi)在生理狀況，導(dǎo)致養(yǎng)殖群體的生長(zhǎng)率和存活率下降，增大個(gè)體間生長(zhǎng)差異，因此水產(chǎn)品計(jì)數(shù)在循環(huán)水養(yǎng)殖中具有一定應(yīng)用價(jià)值［88］。循環(huán)水養(yǎng)殖模式在不斷推廣下，已經(jīng)逐漸發(fā)展出各種分支，主要包括池塘工程化循環(huán)水養(yǎng)殖和工廠化循環(huán)水養(yǎng)殖等模式，根據(jù)循環(huán)水養(yǎng)殖模式在不同環(huán)境的應(yīng)用，水產(chǎn)動(dòng)物數(shù)量的統(tǒng)計(jì)方法也具有不同特點(diǎn)。

池塘工程化循環(huán)水養(yǎng)殖模式俗稱為跑道魚模式，通過(guò)創(chuàng)建仿生態(tài)的常年流水環(huán)境，實(shí)現(xiàn)多個(gè)魚類品種的高密度養(yǎng)殖，如草魚、鱸魚、鯽魚等常見的淡水魚品種［89］?；诔靥裂h(huán)水養(yǎng)殖過(guò)程中，魚群以流水魚道為生活環(huán)境的現(xiàn)象，陳從平等［90］提出一種基于水下視頻的魚道過(guò)魚量自動(dòng)計(jì)數(shù)系統(tǒng)，主要包括水下攝像機(jī)和視頻處理工作站，水下攝像頭與視頻處理工作站中的圖像采集卡連接，安裝在魚道側(cè)壁靠近防逃網(wǎng)出口的位置進(jìn)行圖像數(shù)據(jù)采集，而視頻處理工作站在視頻處理過(guò)程中首先在視場(chǎng)中設(shè)計(jì)部分區(qū)域視為計(jì)數(shù)緩沖區(qū)以降低計(jì)算量，并在計(jì)數(shù)緩沖區(qū)中進(jìn)一步設(shè)置增強(qiáng)計(jì)數(shù)區(qū)，當(dāng)魚從一側(cè)逐漸進(jìn)入有效計(jì)數(shù)區(qū)，系統(tǒng)自動(dòng)對(duì)魚體進(jìn)行連續(xù)識(shí)別跟蹤，連續(xù)3 幀圖像均檢測(cè)到則進(jìn)行計(jì)數(shù)，從而實(shí)現(xiàn)計(jì)數(shù)時(shí)段內(nèi)魚道內(nèi)實(shí)際過(guò)魚量的全天候自動(dòng)計(jì)數(shù)。該方法結(jié)合計(jì)數(shù)現(xiàn)場(chǎng)實(shí)際情況，對(duì)計(jì)數(shù)方法和規(guī)則進(jìn)行了相應(yīng)開發(fā)且避免過(guò)多設(shè)備的附加使用，對(duì)于自然情況下的池塘循環(huán)水跑道魚計(jì)數(shù)具有一定的實(shí)用價(jià)值。

工廠化循環(huán)水養(yǎng)殖模式不同于池塘循環(huán)水養(yǎng)殖中利用推水增氧裝置和吸污裝置實(shí)現(xiàn)池塘水24 h 循環(huán)流動(dòng)增氧及魚糞殘餌收集，而是將魚群直接放養(yǎng)于靜水養(yǎng)殖池，并利用微濾機(jī)、低壓溶氧機(jī)和顆粒收集器等設(shè)備直接對(duì)養(yǎng)殖池中的循環(huán)水進(jìn)行處理，相比易受水溫、氣候、環(huán)境等各種因素影響的露天池塘循環(huán)水養(yǎng)殖模式，工廠化循環(huán)水養(yǎng)殖受自然環(huán)境的影響較小，且根據(jù)養(yǎng)殖者需求更易于調(diào)整養(yǎng)殖程序［91-92］。但工廠化循環(huán)養(yǎng)殖車間一般光線較暗，若直接增加光源或額外補(bǔ)光，將影響魚類的正常生長(zhǎng)，因此為獲得較好的圖像拍攝效果，周超等［93］將近紅外相機(jī)應(yīng)用于工廠化循環(huán)水養(yǎng)殖魚類的行為評(píng)估中，通過(guò)設(shè)置近紅外相機(jī)與近紅外光源獲取魚體的近紅外圖像，并利用軟件處理分析近紅外圖像獲得魚類的游動(dòng)速度，為監(jiān)控魚類行為提供了信息依據(jù)。這種利用近紅外相機(jī)獲取光線較暗的養(yǎng)殖池圖像的方法同樣對(duì)工業(yè)化循環(huán)水魚群計(jì)數(shù)獲取高質(zhì)量魚群圖像具有借鑒意義。除此之外，由于養(yǎng)殖池內(nèi)魚群密度較高，養(yǎng)殖品種主要是半滑舌鰨、大菱鲆、紅鰭東方鲀等遮擋粘連嚴(yán)重的魚類［92］，導(dǎo)致基于機(jī)器視覺(jué)的魚群計(jì)數(shù)方法使用具有一定局限性。因此，吸魚泵等實(shí)現(xiàn)魚群分離的硬件設(shè)備具有不可或缺的作用，王碩等［38］利用吸魚泵將大菱鲆魚苗吸入數(shù)魚機(jī)通道中，并利用通道斜上方的工業(yè)相機(jī)對(duì)通道內(nèi)的大菱鲆魚苗進(jìn)行拍攝，吸魚泵一定程度上減少了魚群粘連對(duì)拍攝效果的影響，并設(shè)計(jì)曲線演化法實(shí)現(xiàn)通道內(nèi)粘連魚群的分離計(jì)數(shù)。除此之外，利用三維圖像信息解決魚苗重疊問(wèn)題對(duì)于魚群計(jì)數(shù)具有較好效果，但目前三維圖像多用于魚體體長(zhǎng)測(cè)量，在魚群計(jì)數(shù)方面的應(yīng)用還需進(jìn)一步拓展［94-95］。

3.3 池塘養(yǎng)殖模式

池塘養(yǎng)殖模式是利用人工開挖或天然池塘進(jìn)行水產(chǎn)經(jīng)濟(jì)動(dòng)植物養(yǎng)殖的一種生產(chǎn)方式，主要包括魚菜共生養(yǎng)殖模式、多級(jí)人工濕地養(yǎng)殖模式和稻魚綜合種養(yǎng)模式，且草魚、鰱魚、鯉魚、香魚等魚類是我國(guó)池塘養(yǎng)殖中較普遍的品種［96］。然而，池塘本身的封閉性易引起水體流動(dòng)不暢通而出現(xiàn)水質(zhì)問(wèn)題，低質(zhì)量的水質(zhì)直接影響池塘養(yǎng)殖的經(jīng)濟(jì)產(chǎn)出，因此利用魚群計(jì)數(shù)方法定期獲得池塘魚群數(shù)量對(duì)養(yǎng)殖人員評(píng)估養(yǎng)殖情況具有重要意義。

克服解決渾濁水質(zhì)對(duì)計(jì)數(shù)結(jié)果的影響，是基于機(jī)器視覺(jué)的魚群計(jì)數(shù)方法應(yīng)用于池塘養(yǎng)殖模式必須解決的問(wèn)題。因此，與深水網(wǎng)箱中解決渾濁水質(zhì)對(duì)計(jì)數(shù)影響的方法一致，聲吶計(jì)數(shù)方法同樣適用于池塘養(yǎng)殖計(jì)數(shù)，而由于應(yīng)用范圍的不同，池塘養(yǎng)殖更適合小型聲吶的計(jì)數(shù)方法。童劍鋒等［97］將DIDSON 聲吶相機(jī)探頭安裝在水下20 cm 處，在黑暗渾濁、能見度較低的水中，利用聲吶鏡頭以10 frame/s 的幀率形成聲波波束進(jìn)而生成接近光學(xué)照片畫質(zhì)的圖像，并基于游動(dòng)的魚群與落葉、垃圾等雜質(zhì)的移動(dòng)速度、方向區(qū)別較大的特征，正確地對(duì)游動(dòng)的魚群進(jìn)行跟蹤計(jì)數(shù)；但該方法將聲吶相機(jī)安裝在固定地點(diǎn)，計(jì)數(shù)前需要在池塘中設(shè)定計(jì)數(shù)區(qū)域，對(duì)自然情況下的池塘使用具有不便性。張翔等［27］將DIDSON 聲吶探頭安裝在船舷左側(cè)置于水下0.5 m 處，如圖3 所示，根據(jù)雙頻識(shí)別聲吶的低頻1.1 MHz、高頻1.8 MHz 的兩種工作頻率探測(cè)距離的不同對(duì)水庫(kù)進(jìn)行自動(dòng)調(diào)節(jié)的走航式調(diào)查，并利用檢測(cè)跟蹤算法對(duì)聲吶圖像中的魚體進(jìn)行跟蹤統(tǒng)計(jì)。雖然該方法利用船只實(shí)現(xiàn)了池塘全范圍探測(cè)計(jì)數(shù)，具有一定的實(shí)用價(jià)值，但聲吶相機(jī)自身的缺陷及池塘環(huán)境的限制仍將導(dǎo)致計(jì)數(shù)誤差，面向渾濁水域的魚群計(jì)數(shù)方法仍需進(jìn)一步研究。

圖3 池塘養(yǎng)殖聲吶計(jì)數(shù)方法應(yīng)用示意圖Fig.3 Schematic diagrams of application of sonar counting method in pond culture

綜上所述，基于機(jī)器視覺(jué)進(jìn)行不同養(yǎng)殖環(huán)境的水產(chǎn)品計(jì)數(shù)所需的數(shù)據(jù)采集與計(jì)數(shù)方法各有不同。深水網(wǎng)箱的養(yǎng)殖模式水下能見度低、大多屬于渾濁水域，多以聲吶、超聲波設(shè)備進(jìn)行數(shù)據(jù)采集，且由于其養(yǎng)殖范圍較大、養(yǎng)殖群體較多，因此跟蹤計(jì)數(shù)是常選擇的一種計(jì)數(shù)方法，但是對(duì)于扇貝類常隱匿于水底的養(yǎng)殖品種，其他計(jì)數(shù)方法同樣具有應(yīng)用需求；循環(huán)水養(yǎng)殖模式主要分為池塘化循環(huán)養(yǎng)殖與工廠化循環(huán)養(yǎng)殖，其中池塘化循環(huán)養(yǎng)殖因其獨(dú)特的跑道式養(yǎng)殖方法，常利用光學(xué)相機(jī)與跟蹤計(jì)數(shù)方法進(jìn)行跑道內(nèi)魚群數(shù)量統(tǒng)計(jì)，而工廠化循環(huán)養(yǎng)殖主要進(jìn)行大菱鲆等遮擋粘連嚴(yán)重的魚類養(yǎng)殖，計(jì)數(shù)過(guò)程常利用吸魚泵等設(shè)備進(jìn)行魚群分離，直接利用光學(xué)相機(jī)采集吸魚泵通道內(nèi)的魚群數(shù)據(jù)并以常規(guī)的幾何特征計(jì)數(shù)方法進(jìn)行計(jì)數(shù)，但是根據(jù)其他對(duì)于遮擋魚群的研究可知，近紅外、雙目等三維圖像相機(jī)對(duì)于該養(yǎng)殖模式下的魚群計(jì)數(shù)具有參考意義，計(jì)數(shù)方法也可隨之改變；池塘養(yǎng)殖模式雖同樣存在渾濁水質(zhì)的問(wèn)題，但是由于養(yǎng)殖范圍較小，因此小型聲吶與船只的結(jié)合使用可完成該養(yǎng)殖環(huán)境下的數(shù)據(jù)采集，且常規(guī)的計(jì)數(shù)方法均可完成數(shù)量統(tǒng)計(jì)。

總的來(lái)說(shuō)，對(duì)于不同的養(yǎng)殖環(huán)境，主要區(qū)別就是數(shù)據(jù)采集方式，而計(jì)數(shù)方法的使用則是根據(jù)養(yǎng)殖范圍與計(jì)數(shù)需求的不同略有區(qū)別。水產(chǎn)計(jì)數(shù)方法在各種養(yǎng)殖模式中應(yīng)用的對(duì)比分析如表4 所示。

表4 基于實(shí)際水產(chǎn)養(yǎng)殖環(huán)境的計(jì)數(shù)應(yīng)用Tab.4 Counting applications based on actual aquaculture environment

3.4 其他

除上述基于實(shí)際水產(chǎn)養(yǎng)殖環(huán)境所設(shè)計(jì)開發(fā)的水產(chǎn)品計(jì)數(shù)應(yīng)用外，部分學(xué)者以設(shè)計(jì)通用計(jì)數(shù)設(shè)備為主，使水產(chǎn)品計(jì)數(shù)脫離實(shí)際養(yǎng)殖環(huán)境，根據(jù)水產(chǎn)動(dòng)物的個(gè)體特點(diǎn)直接進(jìn)行計(jì)數(shù)設(shè)備的研究，能更廣泛地應(yīng)用于不同品種的水產(chǎn)品。

在魚群計(jì)數(shù)方面，Garcia 等［98］利用跟蹤計(jì)數(shù)方法設(shè)計(jì)出了一套魚苗計(jì)數(shù)器，令魚體通過(guò)水流進(jìn)入掃描區(qū)域，利用相機(jī)將流水魚群圖像進(jìn)行記錄，并采用自定義軟件通過(guò)跟蹤計(jì)數(shù)算法分析和計(jì)算每個(gè)圖像，從而得到通過(guò)該計(jì)數(shù)器的魚苗數(shù)量。目前已有多個(gè)公司利用此類流水計(jì)數(shù)方法進(jìn)行魚類計(jì)數(shù)器裝置的開發(fā)，主要有冰島VAKI 公司、挪威AquaScan公司、法國(guó)Faivre 公司和比利時(shí)的Calitri Technology 公司，其中VAKI 公司以機(jī)器視覺(jué)計(jì)數(shù)方法為主，AquaScan 公司與Faivre 公司偏重紅外傳感器成像計(jì)數(shù)方法，Calitri Technology公司則以光電計(jì)數(shù)方為代表［99］。以機(jī)器視覺(jué)計(jì)數(shù)方法為主的VAKI 公司，已針對(duì)不同使用場(chǎng)景、不同尺寸的魚類研發(fā)了各類功能和大小的計(jì)數(shù)器，主要包括通道計(jì)數(shù)器、管道計(jì)數(shù)器，如用于捕撈船的Smolt 計(jì)數(shù)器配合大型真空泵和捕撈船上的加壓水流能以每小時(shí)360 000 尾的速度進(jìn)行500 g 以上的魚類計(jì)數(shù)；用于漁場(chǎng)的Micro 計(jì)數(shù)器可在將魚類從孵化場(chǎng)運(yùn)出時(shí)，在捕撈船和運(yùn)輸卡車上實(shí)現(xiàn)0.1 g～200 g 小魚的分級(jí)計(jì)數(shù)，甚至可以達(dá)到每小時(shí)500 000 尾的計(jì)數(shù)速度。

而在蝦苗水產(chǎn)品的計(jì)數(shù)設(shè)備研發(fā)方面，多數(shù)學(xué)者將密度圖計(jì)數(shù)方法嵌入計(jì)數(shù)設(shè)備實(shí)現(xiàn)蝦苗計(jì)數(shù)設(shè)備的集成開發(fā)。范松偉等［100］設(shè)計(jì)出一套蝦苗計(jì)數(shù)儀原型機(jī)，利用漫反射光源燈箱集成補(bǔ)光燈與蝦苗容器白扁盤，將蝦苗放置在箱體下方的白扁盤中，利用箱體頂部的手機(jī)實(shí)現(xiàn)蝦苗圖像的拍攝與數(shù)量統(tǒng)計(jì)。目前，加拿大科技公司XpertSea 所開發(fā)的XperCount 蝦苗計(jì)數(shù)設(shè)備是基于此類方法的成熟產(chǎn)品，將蝦苗等水產(chǎn)品倒入測(cè)量桶內(nèi)，通過(guò)裝備頂部的觸摸顯示屏可直接對(duì)設(shè)備內(nèi)部的水生生物進(jìn)行計(jì)數(shù)、測(cè)大小、稱重和成像，從而獲得蝦群每日生長(zhǎng)速率、飼料轉(zhuǎn)化率、放養(yǎng)密度和存活率等精確數(shù)據(jù)［101］。

雖然上述產(chǎn)品使水產(chǎn)品計(jì)數(shù)不再局限于相應(yīng)的養(yǎng)殖環(huán)境，令用戶可以更方便快捷地獲得水產(chǎn)品的數(shù)量，但仍存在兩個(gè)明顯問(wèn)題：1）目前已成熟的數(shù)魚器產(chǎn)品均根據(jù)目標(biāo)魚體特征設(shè)計(jì)，不能廣泛應(yīng)用于多種魚類，如大多數(shù)設(shè)備僅能用于長(zhǎng)寬比不大的魚類，而對(duì)于體型修長(zhǎng)、魚體柔軟的魚類難以獲得較好結(jié)果；2）上述魚苗、蝦苗的計(jì)數(shù)設(shè)備都需要將相應(yīng)水產(chǎn)品從養(yǎng)殖場(chǎng)所取出，使它們進(jìn)入計(jì)數(shù)設(shè)備進(jìn)行生物量統(tǒng)計(jì)，此類做法不僅易導(dǎo)致養(yǎng)殖動(dòng)物的應(yīng)激反應(yīng)，造成經(jīng)濟(jì)損失，而且人工取苗將消耗人力資源，沒(méi)有達(dá)到智慧漁業(yè)中裝備機(jī)械化、操作智能化的目標(biāo)。

4 展望

在水產(chǎn)養(yǎng)殖中，水產(chǎn)品計(jì)數(shù)是進(jìn)行種群評(píng)估和合理規(guī)劃養(yǎng)殖的重要手段，基于機(jī)器視覺(jué)的自動(dòng)計(jì)數(shù)方法既降低了計(jì)數(shù)的成本與時(shí)間，又避免了計(jì)數(shù)過(guò)程中人為誤差的出現(xiàn)，在計(jì)數(shù)領(lǐng)域具有更準(zhǔn)確簡(jiǎn)便的優(yōu)勢(shì)；但由于圖像處理技術(shù)、硬件設(shè)備和視覺(jué)原理等條件限制，水下動(dòng)物自身運(yùn)動(dòng)遮擋、水下環(huán)境復(fù)雜和生活習(xí)性等問(wèn)題的影響，機(jī)器視覺(jué)技術(shù)在水下動(dòng)物計(jì)數(shù)中的研究與實(shí)際使用還存在一些不足和局限性：

1）數(shù)據(jù)集不足。水下動(dòng)物數(shù)據(jù)集的采集具有采集環(huán)境復(fù)雜、拍攝亮度較低和生物運(yùn)動(dòng)干擾等問(wèn)題，而且在數(shù)據(jù)集標(biāo)注中，水下動(dòng)物數(shù)量龐大導(dǎo)致標(biāo)注工作量較大。我國(guó)目前開源的大規(guī)模水下動(dòng)物數(shù)據(jù)集較少，且在一些分散的小型數(shù)據(jù)集中存在數(shù)據(jù)樣本少、分類不準(zhǔn)確和查詢不方便等問(wèn)題，而基于深度學(xué)習(xí)的計(jì)數(shù)方法最重要的就是利用大量樣本進(jìn)行模型訓(xùn)練，雖然目前大多數(shù)研究人員通過(guò)添加噪聲、調(diào)整圖片對(duì)比度和飽和度等圖像預(yù)處理方法進(jìn)行數(shù)據(jù)擴(kuò)充，但仍未解決本質(zhì)問(wèn)題，大規(guī)模水下動(dòng)物圖像數(shù)據(jù)庫(kù)的構(gòu)建在未來(lái)研究中將是一個(gè)重要研究目標(biāo)。

2）數(shù)據(jù)采集方法待改進(jìn)。目前水下動(dòng)物計(jì)數(shù)算法大多基于實(shí)驗(yàn)室中滿足光照條件的多光譜數(shù)據(jù)進(jìn)行研究，而在實(shí)際生活中，多光譜相機(jī)采集水下信息易受光照強(qiáng)度、水下動(dòng)物遮擋和復(fù)雜背景的影響。近紅外、高光譜相機(jī)與聲吶相機(jī)根據(jù)它們自身特點(diǎn)可以有效解決采集環(huán)境對(duì)圖像或視頻信息的影響。因此，不同類型的相機(jī)結(jié)合使用，利用信息融合技術(shù)實(shí)現(xiàn)水下動(dòng)物多類型數(shù)據(jù)信息融合，可以有效解決水下動(dòng)物生活環(huán)境與不同相機(jī)自身缺陷對(duì)數(shù)據(jù)采集的影響，此外，無(wú)人機(jī)、捕魚船、潛水艇等相機(jī)承載設(shè)備的改進(jìn)同樣對(duì)獲得高質(zhì)量的圖像或視頻信息以實(shí)現(xiàn)更好的水產(chǎn)品生物量估計(jì)具有促進(jìn)作用。

3）高密度群體互相遮擋。基于傳統(tǒng)機(jī)器學(xué)習(xí)的計(jì)數(shù)方法大多僅適用于中低密度群體，高密度群體相互遮擋會(huì)導(dǎo)致計(jì)數(shù)準(zhǔn)確率降低，而模擬水下動(dòng)物群的空間密度分布進(jìn)行積分計(jì)數(shù)的密度圖方法與利用視頻幀的空間時(shí)間維度信息的跟蹤計(jì)數(shù)方法，可以有效解決高密度群體的遮擋粘連問(wèn)題。但密度圖的生成容易受到原始圖片中無(wú)關(guān)元素的干擾，從而影響計(jì)數(shù)準(zhǔn)確率，而且目前對(duì)于密度圖是否能正確反映群體的空間分布缺少研究。在群體總數(shù)估計(jì)正確的情況下，若局部區(qū)域的數(shù)量估計(jì)存在較大誤差，可能導(dǎo)致密度圖無(wú)法正確反映真實(shí)的空間分布，基于視頻幀的跟蹤計(jì)數(shù)方法則會(huì)由于多個(gè)目標(biāo)軌跡交叉切換導(dǎo)致重復(fù)計(jì)數(shù)或少計(jì)數(shù)等問(wèn)題。因此提高密度圖估計(jì)的準(zhǔn)確性與跟蹤算法的軌跡穩(wěn)定性是未來(lái)解決高密度群體互相遮擋問(wèn)題、提高計(jì)數(shù)算法準(zhǔn)確性的重要方向。

4）算法對(duì)高算力的依賴性?；谏疃葘W(xué)習(xí)的計(jì)數(shù)方法在高密度水下動(dòng)物群圖像中的計(jì)數(shù)準(zhǔn)確性較高，但是深度學(xué)習(xí)對(duì)硬件設(shè)備的算力要求較高，與一些傳統(tǒng)的機(jī)器學(xué)習(xí)算法相比，應(yīng)用場(chǎng)景受到一定限制且實(shí)時(shí)效果較差。在實(shí)際水產(chǎn)養(yǎng)殖環(huán)境中，為減少樣本的大量標(biāo)注工作并提高方法的實(shí)時(shí)效果，利用半監(jiān)督或無(wú)監(jiān)督學(xué)習(xí)的訓(xùn)練方法在水產(chǎn)養(yǎng)殖中實(shí)現(xiàn)計(jì)數(shù)任務(wù)可能更實(shí)際，而在深度學(xué)習(xí)方法中降低模型的參數(shù)量，應(yīng)用輕量級(jí)網(wǎng)絡(luò)，在保障計(jì)數(shù)準(zhǔn)確性的基礎(chǔ)上，提高算法的實(shí)時(shí)性，也是基于深度學(xué)習(xí)的水產(chǎn)品計(jì)數(shù)方法未來(lái)可以考慮的研究要點(diǎn)。

5）遷移模型具有局限性。近年來(lái)，基于機(jī)器視覺(jué)的人群、車流計(jì)數(shù)方法應(yīng)運(yùn)而生，為水產(chǎn)養(yǎng)殖計(jì)數(shù)研究提供了諸多可參考內(nèi)容。然而，水產(chǎn)養(yǎng)殖環(huán)境完全區(qū)別于其他物種、水產(chǎn)品種類繁多，同一種類的水產(chǎn)品仍具有較大的特征差異、魚蝦等群體無(wú)規(guī)則運(yùn)動(dòng)更易遮擋等問(wèn)題，使基于機(jī)器視覺(jué)的其他群體計(jì)數(shù)方法直接運(yùn)用于水下動(dòng)物具有挑戰(zhàn)性，因此，根據(jù)水產(chǎn)品自身特點(diǎn)及其養(yǎng)殖環(huán)境對(duì)所遷移的模型進(jìn)行改進(jìn)是未來(lái)將其他物種的計(jì)數(shù)方法應(yīng)用水產(chǎn)養(yǎng)殖的首要考慮問(wèn)題。

6）計(jì)數(shù)方法與實(shí)際養(yǎng)殖結(jié)合不足。目前基于機(jī)器視覺(jué)的水下動(dòng)物計(jì)數(shù)算法大多處于實(shí)驗(yàn)室研究創(chuàng)新階段，在實(shí)際生活中的具體使用仍缺乏相關(guān)研究，在不同的養(yǎng)殖環(huán)境對(duì)計(jì)數(shù)算法運(yùn)用的限制各有不同，因此基于不同養(yǎng)殖環(huán)境進(jìn)行水產(chǎn)品計(jì)數(shù)硬件開發(fā)是水下動(dòng)物計(jì)數(shù)在實(shí)際生活中使用必不可少的內(nèi)容，而在水產(chǎn)品計(jì)數(shù)硬件開發(fā)中設(shè)備的便攜性、物理穩(wěn)定性和可調(diào)節(jié)性等內(nèi)容均是需要考慮的內(nèi)容。

7）產(chǎn)品成熟度有待提高。目前我國(guó)漁業(yè)仍以小規(guī)模養(yǎng)殖為主，存在養(yǎng)殖規(guī)范性和科學(xué)性弱、機(jī)械化水平較低且水產(chǎn)養(yǎng)殖品種眾多等現(xiàn)象。而目前較成熟的計(jì)數(shù)設(shè)備大多面向大規(guī)模養(yǎng)殖中的單種水產(chǎn)品，無(wú)法廣泛應(yīng)用于多種水產(chǎn)品，因此水產(chǎn)品計(jì)數(shù)設(shè)備應(yīng)以小型化、模塊化為改進(jìn)方向：小型化設(shè)計(jì)更適用于小規(guī)模養(yǎng)殖，降低成本且便于轉(zhuǎn)移；以零部件更換為主的模塊化設(shè)計(jì)，可應(yīng)用于多種類型的水產(chǎn)品；此外，自動(dòng)吸魚泵、分級(jí)機(jī)等機(jī)械化設(shè)備的同步發(fā)展對(duì)計(jì)數(shù)產(chǎn)品的使用具有促進(jìn)作用。

5 結(jié)語(yǔ)

本文通過(guò)對(duì)圖像數(shù)據(jù)采集設(shè)備的應(yīng)用、近20 年基于機(jī)器視覺(jué)的水產(chǎn)動(dòng)物計(jì)數(shù)方法和不同水產(chǎn)養(yǎng)殖模式中水產(chǎn)動(dòng)物計(jì)數(shù)實(shí)際使用進(jìn)行深入分析，闡述了基于機(jī)器視覺(jué)的計(jì)數(shù)方法對(duì)現(xiàn)代水產(chǎn)中實(shí)現(xiàn)非入侵式水下動(dòng)物計(jì)數(shù)的重要意義。隨著圖像采集設(shè)備、圖像處理技術(shù)和計(jì)算機(jī)算力的不斷改進(jìn)更新，水產(chǎn)品計(jì)數(shù)在復(fù)雜環(huán)境獲取圖像、低質(zhì)量圖像處理和計(jì)數(shù)方法改進(jìn)等方面得到了更大的突破。然而基于機(jī)器視覺(jué)的水產(chǎn)品計(jì)數(shù)方法大多處于實(shí)驗(yàn)室研究階段，而已有的計(jì)數(shù)產(chǎn)品仍需改進(jìn)，真正實(shí)現(xiàn)計(jì)數(shù)算法在不同養(yǎng)殖模式中的使用有待繼續(xù)研究。