海洋牧場養(yǎng)殖網(wǎng)箱的智能化檢測方法研究

江思描，歐笛聲

（廣西科技大學(xué)，廣西 柳州 545000）

隨著近年來我國人民生活水平的不斷提高，人們對水產(chǎn)品的需求逐漸上升，在自然資源消耗量上也不斷增加，水產(chǎn)品缺口也不斷擴(kuò)大，如何修復(fù)生態(tài)環(huán)境，固定水土資源是優(yōu)化發(fā)展空間的主要方法。在水產(chǎn)養(yǎng)殖領(lǐng)域內(nèi)，采用深海養(yǎng)殖模式可以為全球漁業(yè)的規(guī)?；l(fā)展提供良好的基礎(chǔ)。網(wǎng)箱養(yǎng)殖方式相比傳統(tǒng)的養(yǎng)殖手段其周期更短，且養(yǎng)殖的資金收益相對更快，后續(xù)的捕撈、管理等工作可以具有更高的推廣價值，逐漸得到了漁民的認(rèn)可。但是，考慮到海上養(yǎng)殖狀態(tài)的監(jiān)測難度相對較大，傳統(tǒng)的網(wǎng)箱檢測方法無法及時發(fā)現(xiàn)問題，問題的反饋也會因此受到較大的影響，加強(qiáng)網(wǎng)箱養(yǎng)殖的智能化檢測，可以提升養(yǎng)殖魚群的健康程度，減少魚群逃逸問題的發(fā)生，進(jìn)一步加強(qiáng)網(wǎng)箱養(yǎng)殖的管理效率。

1 網(wǎng)箱養(yǎng)殖智能化檢測方法

魚群的識別以及檢測在很大程度上無法通過傳統(tǒng)的傳感器直接觀測，也無法通過設(shè)備進(jìn)行目標(biāo)的精確識別，傳統(tǒng)的目標(biāo)識別效果在很大程度上會受到多方面因素的影響?；跈C(jī)器視覺的網(wǎng)箱養(yǎng)殖監(jiān)測，可以精確判定不同網(wǎng)箱以及魚群的特點(diǎn)。

目前，主流的目標(biāo)識別以及檢測算法主要為目標(biāo)識別技術(shù)對網(wǎng)箱養(yǎng)殖區(qū)進(jìn)行定位處理，后續(xù)通過一系列算法完成檢測過程。在目標(biāo)識別算法應(yīng)用的過程中，計算機(jī)視覺領(lǐng)域內(nèi)采用目標(biāo)識別工具可以作為廣泛化的研究方向提升研究效果?，F(xiàn)有技術(shù)中，目標(biāo)識別算法主要包括圈定對象、識別建議目標(biāo)、提取建議目標(biāo)特征、特征分類處理與檢測。在傳統(tǒng)的數(shù)字化圖像處理技術(shù)應(yīng)用過程中，由于實(shí)際的計算量相對較大，并且識別效率受到多方面因素的限制，實(shí)際的檢測精確度以及識別效果還有待進(jìn)一步提高。

目前，廣泛采用的目標(biāo)識別算法均通過深度學(xué)習(xí)的方式進(jìn)行構(gòu)建，人工智能技術(shù)的發(fā)展提升了深度學(xué)習(xí)的效果，各類新型的神經(jīng)網(wǎng)絡(luò)模型在很大程度上提升了識別的效果，檢測的精確度不斷優(yōu)化，大部分訓(xùn)練完成的網(wǎng)絡(luò)模型可以按照識別的需求實(shí)現(xiàn)精確度的提高，相比傳統(tǒng)的人工識別方式具有更高的精確度，相對誤差更小。

1.1 R-CNN 算法

R-CNN 算法逐漸形成了以傳統(tǒng)目標(biāo)檢測的基本步驟融合的方向，在深度網(wǎng)絡(luò)模型中，R-CNN 可以基于深度網(wǎng)絡(luò)對圖像的特征點(diǎn)進(jìn)行精確識別，且在該過程中，網(wǎng)絡(luò)模型識別的準(zhǔn)確度相對較高，未來檢測算法屬于新的發(fā)展方向，并且在各類識別領(lǐng)域內(nèi)有著極為廣泛的應(yīng)用，候選目標(biāo)識別的準(zhǔn)確度能夠滿足區(qū)域應(yīng)用的需求。在特征提取后，由于大量的計算需要消耗時間，并且R-CNN網(wǎng)絡(luò)應(yīng)用過程中的檢測速度也可以在大樣本數(shù)據(jù)基礎(chǔ)上實(shí)現(xiàn)自主訓(xùn)練，通過在特征圖上選定候選區(qū)的方式提升算法識別與檢測的效率。

1.2 SSD 算法

SSD 目標(biāo)監(jiān)測算法誕生于2016 年，SSD 算法的識別檢測效率顯著優(yōu)于R-CNN，是目前計算機(jī)視覺目標(biāo)檢測技術(shù)算法中基于Single shot 框架構(gòu)建的分類任務(wù)以及檢測框，在回歸任務(wù)統(tǒng)一化分析的過程中，基于同一個網(wǎng)絡(luò)模型減少時間成本的投入。

SSD 算法基于VGG-16net 骨干網(wǎng)絡(luò)進(jìn)行改進(jìn)和優(yōu)化，通過全連接層轉(zhuǎn)變?yōu)榫矸e層的方式刪除原始算法中Dropout 層以及其全鏈接，并且通過改進(jìn)池化層的大小對卷積層進(jìn)行多尺度抽取，構(gòu)造多個相似度標(biāo)準(zhǔn)化的檢測框，確保檢測到的目標(biāo)與檢測結(jié)果具有較高的匹配度。

1.3 YOLO 算法

YOLO網(wǎng)絡(luò)模型是基于Single Shot類型的網(wǎng)絡(luò)結(jié)構(gòu)，其本身集成了定位以及數(shù)據(jù)分類的基本功能，在數(shù)據(jù)輸入以及輸出的過程中可以直接進(jìn)行數(shù)據(jù)處理。輸入層在輸入數(shù)據(jù)圖片后，可以對具有目標(biāo)識別邊界位置上的檢測內(nèi)容進(jìn)行判斷。YOLO 本身屬于性能逐漸優(yōu)化的網(wǎng)絡(luò)結(jié)構(gòu)，其中包括19 個卷積層以及5 個最大池化層，在計算量降低的背景下相比VGG 網(wǎng)絡(luò)具有更加優(yōu)秀的效果。算法本身在改進(jìn)優(yōu)化階段可以對骨干網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)整和管理，并且基于多尺度目標(biāo)特征的識別方法構(gòu)建更高效率以及精確性能的網(wǎng)絡(luò)模型，計算量相對較少實(shí)際的性能表現(xiàn)更加優(yōu)秀，其結(jié)構(gòu)組成也更加精簡，并且負(fù)載以及數(shù)據(jù)冗余更低。

1.4 邊緣檢測算法

在圖像識別以及自動化處理領(lǐng)域內(nèi)，邊緣檢測屬于圖像處理中相對基礎(chǔ)的任務(wù)內(nèi)容，通過合理的邊緣信息檢測可以直接對目標(biāo)物體進(jìn)行信息的讀取，并且邊緣特征判斷目標(biāo)物體。在邊緣檢測的過程中可以通過Canny算子進(jìn)行檢驗，按照圖片像素的梯度數(shù)據(jù)以及方向內(nèi)容實(shí)現(xiàn)非極大值的抑制效果，任意一個邊緣內(nèi)的像素點(diǎn)通過雙閾值約束處理之后可以對各個邊緣點(diǎn)進(jìn)行標(biāo)記，從而按照邊緣點(diǎn)的非極大值抑制效果確定特征，并提取特征的二元坐標(biāo)參數(shù)，完成邊緣檢測的過程。

2 網(wǎng)箱養(yǎng)殖的智能化檢測方法

2.1 網(wǎng)箱識別

通過布置無人機(jī)巡檢的方式穿越網(wǎng)箱養(yǎng)殖區(qū)域，在提取圖像數(shù)據(jù)信息后，需要對魚群狀態(tài)進(jìn)行精確檢驗。利用圖像邊緣特征檢驗算法，對目標(biāo)進(jìn)行定義。在養(yǎng)殖區(qū)域內(nèi)網(wǎng)箱數(shù)據(jù)中檢測目標(biāo)單一，且背景的存在對邊緣檢測會產(chǎn)生較大的負(fù)面影響，考慮到海浪、光線、顏色等其他物體的影響，具體實(shí)施過程中考慮HED 深度神經(jīng)網(wǎng)絡(luò)對網(wǎng)箱的邊緣進(jìn)行檢驗，檢驗完成后，得到的圖像進(jìn)行灰度化處理，并識別和提取對應(yīng)的特征信息。最初提取得到的網(wǎng)箱為二值圖，并且在養(yǎng)殖區(qū)域內(nèi)可以對二值圖的顏色進(jìn)行二次提取，并且根據(jù)初始圖像數(shù)據(jù)對網(wǎng)箱內(nèi)各個連通區(qū)域進(jìn)行選擇反向處理。另外，考慮到網(wǎng)箱內(nèi)的連通空間與邊界都可能存在噪聲點(diǎn)，消除這些噪聲點(diǎn)應(yīng)該設(shè)定合適的預(yù)閾值，分析閾值與連通空間內(nèi)符合要求的養(yǎng)殖區(qū)域，計算連通區(qū)域的像素面積完成網(wǎng)箱區(qū)域的提取。

2.2 養(yǎng)殖區(qū)域內(nèi)的觀測

養(yǎng)殖區(qū)域內(nèi)的觀測需要對安排無人機(jī)對養(yǎng)殖區(qū)域內(nèi)進(jìn)行視頻圖像數(shù)據(jù)的提取，可以通過安排無人機(jī)對區(qū)域內(nèi)進(jìn)行巡檢處理，無人機(jī)設(shè)備搭載像素在1920×1080的攝像設(shè)備對現(xiàn)場進(jìn)行視頻數(shù)據(jù)采集，為了確保實(shí)驗數(shù)據(jù)的準(zhǔn)確性以及多樣性，在數(shù)據(jù)采集的過程中，無人機(jī)會發(fā)生距離、角度以及高度的改變，此時，通過數(shù)據(jù)統(tǒng)一化處理后在終端內(nèi)進(jìn)行圖像數(shù)據(jù)的分割，通過OpenCV 將視頻分割成多條圖片數(shù)據(jù)，并且為了減少數(shù)據(jù)高度的重復(fù)問題，可以采用PIV 現(xiàn)場檢測流實(shí)現(xiàn)多幀圖像的存儲。

2.3 提取養(yǎng)殖區(qū)域

將網(wǎng)箱養(yǎng)殖區(qū)域的圖像輸入Matlab 建模軟件中，基于Canny 算子以及HED 神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像的邊緣檢測。在該過程中，由于實(shí)際養(yǎng)殖區(qū)域數(shù)據(jù)提取不需要進(jìn)行目標(biāo)檢測，因此不需要對網(wǎng)絡(luò)進(jìn)行二次訓(xùn)練處理，僅采用原有網(wǎng)絡(luò)的模型進(jìn)行處理。將圖片數(shù)據(jù)標(biāo)注后進(jìn)行數(shù)據(jù)集的整理制作，按照VOC2007 的數(shù)據(jù)結(jié)構(gòu)將數(shù)據(jù)分Annotations、ImageSets、JPEGImages、Labels 四 個部分，其中Annotations 內(nèi)容為數(shù)據(jù)標(biāo)注的.xml 格式信息，包括標(biāo)注框的位置和目標(biāo)類別名稱；ImagesSets是將標(biāo)注的數(shù)據(jù)按比具體實(shí)施過程中，canny 算子在默認(rèn)的閾值條件下進(jìn)行邊緣檢驗，如果邊緣線段的連續(xù)性不足，會由于海面波紋以及光照條件的影響導(dǎo)致網(wǎng)箱結(jié)構(gòu)出現(xiàn)較為嚴(yán)重的邊緣冗余問題，連通域的表現(xiàn)不夠清晰，此時，需要對網(wǎng)箱數(shù)據(jù)進(jìn)行二值化處理，反選圖像區(qū)域進(jìn)行噪點(diǎn)剔除。

2.4 網(wǎng)箱養(yǎng)殖區(qū)域識別與監(jiān)測

為了判斷網(wǎng)箱養(yǎng)殖區(qū)域內(nèi)魚群的健康狀態(tài)，可以通過魚群流場信息的識別判斷魚群的健康狀態(tài)。具體應(yīng)用過程中，可以采用PIV 粒子測速方法判斷流體的運(yùn)動速度。這種方法相比傳統(tǒng)的魚群健康狀態(tài)監(jiān)測，有著更加優(yōu)秀的效果和應(yīng)用處理質(zhì)量，非接觸式測量方法可以精確判定流體的運(yùn)動效果，并且通過強(qiáng)脈沖光纖對示蹤粒子的圖像數(shù)據(jù)進(jìn)行精確分析，短時間內(nèi)曝光圖像數(shù)據(jù)信息內(nèi)容，并通過圖像處理技術(shù)對例子圖像進(jìn)行二次分析和處理，確定多組例子在一定時間內(nèi)的位移情況以及運(yùn)動方向，得到的矢量數(shù)據(jù)可以作為判斷流場信息的基本條件。基于PIV 例子測量技術(shù)算法可以按照3 幀圖像保存為1 幀的方式進(jìn)行，按照前后保存的多幀圖像確定流場的運(yùn)動速度，實(shí)現(xiàn)對網(wǎng)箱養(yǎng)殖區(qū)域內(nèi)魚群流暢信息的精確觀測和識別。

3 結(jié)語

隨著智能化以及自動化養(yǎng)殖技術(shù)的不斷進(jìn)步，新型自動化養(yǎng)殖技術(shù)的全面普及不僅可以提高養(yǎng)殖效率，也可以提升養(yǎng)殖企業(yè)的生產(chǎn)經(jīng)濟(jì)效益，減少人力物力的投入。網(wǎng)箱養(yǎng)殖是目前海洋區(qū)域養(yǎng)殖的主要手段，傳統(tǒng)的檢測方法過于局限，通過智能化檢測技術(shù)可以大大提升網(wǎng)箱養(yǎng)殖的監(jiān)測效果。通過無人機(jī)視頻提取作為基礎(chǔ)，采用各類特征檢測算法提取網(wǎng)箱特征以及魚群運(yùn)動特征，可以解決圖像背景光復(fù)雜以及對比度較低的現(xiàn)實(shí)問題，可以提升信息占比處理效率，符合海上網(wǎng)箱養(yǎng)殖的特點(diǎn)，具有廣泛的應(yīng)用前景。