周超 徐大明 吝凱 陳瀾 張松 孫傳恒 楊信廷

摘? ?要：在水產(chǎn)養(yǎng)殖中，魚類的攝食強(qiáng)度可以反映其食欲，準(zhǔn)確客觀地評(píng)估魚類的攝食強(qiáng)度對(duì)指導(dǎo)投喂和生產(chǎn)實(shí)踐具有重要意義。針對(duì)當(dāng)前魚類攝食強(qiáng)度評(píng)估過程中存在的人工觀測(cè)效率低、客觀性不強(qiáng)的問題，本研究以實(shí)現(xiàn)魚類食欲的自動(dòng)客觀分析為目的，提出了一種基于近紅外機(jī)器視覺的游泳型魚類攝食強(qiáng)度的評(píng)估方法。首先，利用近紅外工業(yè)相機(jī)搭建了近紅外圖像采集系統(tǒng)，采集了魚類攝食過程中的圖像。經(jīng)過一系列圖像處理步驟后，利用灰度共生矩陣提取攝食圖像的紋理特征變量信息，包括對(duì)比度、能量、相關(guān)性、逆差距和熵等。之后，將這5個(gè)特征變量作為輸入向量構(gòu)建了模型的數(shù)據(jù)集，并訓(xùn)練了支持向量機(jī)分類器。為了提高模型分類的準(zhǔn)確率，利用網(wǎng)格搜索法選取支持向量機(jī)分類器的最優(yōu)懲罰系數(shù)c和核函數(shù)參數(shù)g。最后利用訓(xùn)練好的模型將魚類的攝食強(qiáng)度分為弱、一般、中和強(qiáng)4類，最終實(shí)現(xiàn)了魚類攝食強(qiáng)度的評(píng)估。試驗(yàn)結(jié)果表明，圖像紋理可以較好地描述魚類攝食過程中的行為變化，正確識(shí)別4類攝食強(qiáng)度的準(zhǔn)確率達(dá)到87.78%，且不需要考慮水花等對(duì)成像質(zhì)量的影響，具有較強(qiáng)的適應(yīng)性。本方法可用于魚類食欲的自動(dòng)客觀評(píng)估，為后續(xù)投喂決策提供理論依據(jù)和方法支持。

關(guān)鍵詞：水產(chǎn)養(yǎng)殖;近紅外機(jī)器視覺;魚類攝食強(qiáng)度評(píng)估;支持向量機(jī);投喂決策

中圖分類號(hào)：S24? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ? ? ?文章編號(hào)：201812-SA016

周? ?超， 徐大明， 吝? ?凱， 陳? ?瀾， 張? ?松， 孫傳恒， 楊信廷. 基于近紅外機(jī)器視覺的魚類攝食強(qiáng)度檢測(cè)方法研究[J]. 智慧農(nóng)業(yè)， 2019， 1（1）： 76-84.

Zhou C， Xu D， Lin K， Chen L， Zhang S， Sun C， Yang X. Evaluation of fish feeding activity in aquaculture based on near infrared machine vision[J]. Smart Agriculture， 2019， 1（1）： 76-84. （in Chinese with English abstract）

1? 引言

集約化水產(chǎn)養(yǎng)殖中，魚類的投喂水平直接決定了養(yǎng)殖效率和生產(chǎn)成本，投喂不足會(huì)影響魚類生長(zhǎng)，過量投喂則會(huì)降低飼料的轉(zhuǎn)化效率，殘留的餌料還會(huì)污染環(huán)境。魚類食欲可以通過攝食狀況反映，對(duì)指導(dǎo)投喂至關(guān)重要。根據(jù)魚類食欲自動(dòng)調(diào)整投喂量是近年來研究和發(fā)展的趨勢(shì)[1-5]。

監(jiān)測(cè)和分析魚類的攝食強(qiáng)度是最直接和有效評(píng)估魚類食欲強(qiáng)弱的方法。在實(shí)際生產(chǎn)中，可以通過人工觀察評(píng)估魚類的攝食強(qiáng)度，但常常受觀察者個(gè)人經(jīng)驗(yàn)等因素的影響，易造成過投喂或者投喂不足，尤其是在商業(yè)規(guī)模的養(yǎng)殖場(chǎng)，人工觀察法大幅提高了勞動(dòng)和時(shí)間成本。因此，迫切需要一種能夠自動(dòng)客觀評(píng)估魚類攝食強(qiáng)度的新方法。在以往研究中，Kolarevic等[6]和Rakowitz

等[7]利用高頻成像聲吶和聲學(xué)標(biāo)簽獲取和量化了魚類的行為，從而實(shí)現(xiàn)魚類攝食強(qiáng)度的評(píng)估。聲學(xué)技術(shù)雖然可以在沒有光線的條件下使用，但是受限于其高成本和開發(fā)難度，很難真正用于生產(chǎn)實(shí)踐中[8]。

機(jī)器視覺是一種自動(dòng)非入侵式且經(jīng)濟(jì)的監(jiān)控方法。在以往研究中，已有學(xué)者通過利用機(jī)器視覺監(jiān)控了魚群的攝食行為和飼料消耗程度，進(jìn)而評(píng)估了魚群攝食情況[9，10]。機(jī)器視覺中的幀間差法是常用的獲取圖像差異的方法，基于此，許多魚群攝食行為的量化指標(biāo)被提取出來[11]。例如，Liu等[12]提出的魚群攝食活性量化指標(biāo)與人工觀測(cè)法的線性相關(guān)系數(shù)可達(dá)0.92。在此基礎(chǔ)上，Ye等[13]采用光流提取群體的行為特征（速度和轉(zhuǎn)角），并利用胃腸飽滿指數(shù)和組合熵評(píng)估魚群的攝食強(qiáng)度[14]。趙建團(tuán)隊(duì)還提出了一種利用改進(jìn)動(dòng)能模型的魚群攝食強(qiáng)度評(píng)估方法，在探測(cè)聚集和離散行為方面具有較高的成功率[15，16]。還有學(xué)者通過計(jì)算攝像機(jī)視野范圍內(nèi)魚群數(shù)量，實(shí)現(xiàn)攝食激烈程度的量化[17]。以上研究表明，利用機(jī)器視覺分析魚群的攝食行為，進(jìn)而評(píng)估其攝食強(qiáng)度為一種可行且有效的手段[18]，為本研究提供了借鑒和基礎(chǔ)。

實(shí)踐證明，機(jī)器視覺非常適用于光照條件較好的場(chǎng)合，比如實(shí)驗(yàn)室、網(wǎng)箱、池塘等[19]。然而，在很多設(shè)施水產(chǎn)養(yǎng)殖現(xiàn)場(chǎng)都存在光照條件不足和不均勻的問題，導(dǎo)致采集到的大多數(shù)圖像的噪聲比較嚴(yán)重，且對(duì)比度低。而近紅外在自然光照不足的時(shí)候仍能夠取得較好的成像效果[20，21]，并且其成本較低、開發(fā)相對(duì)簡(jiǎn)單，也不會(huì)干擾魚的正常生長(zhǎng)[22]，非常適合用于在光照條件不足的條件下魚類攝食強(qiáng)度的評(píng)估。已經(jīng)有研究將近紅外系統(tǒng)用于魚類的運(yùn)動(dòng)軌跡跟蹤并取得了較好的效果[22]。Zhou等[23]利用Delaunay三角剖分評(píng)估了低密度養(yǎng)殖條件下的魚類攝食行為變化。而對(duì)于高密度養(yǎng)殖魚類，可以通過探測(cè)魚類活動(dòng)引起的水花變化來評(píng)估其攝食強(qiáng)度[13]。但是對(duì)底棲魚或小個(gè)體魚類，其攝食活動(dòng)不足以攪動(dòng)水面形成水花，方法的應(yīng)用范圍受限制。

在模擬商業(yè)化水產(chǎn)養(yǎng)殖現(xiàn)場(chǎng)的基礎(chǔ)上，本研究以實(shí)現(xiàn)對(duì)魚類食欲的自動(dòng)、客觀評(píng)估為目的，提出了一種基于近紅外機(jī)器視覺的魚類攝食強(qiáng)度評(píng)估方法，利用圖像紋理描述了因攝食活動(dòng)引起的圖像變化，利用支持向量機(jī)（Support Vector Machine，SVM）構(gòu)建了攝食活動(dòng)圖像的分類模型，實(shí)現(xiàn)了對(duì)攝食強(qiáng)度的評(píng)估，并比較了模型的性能表現(xiàn)，為實(shí)現(xiàn)魚類投喂的實(shí)時(shí)反饋和自動(dòng)控制提供了有價(jià)值的信息。

2? 材料與方法

2.1? 試驗(yàn)系統(tǒng)及對(duì)象

本試驗(yàn)在國(guó)家精準(zhǔn)農(nóng)業(yè)示范基地（北京，昌平）的魚類養(yǎng)殖實(shí)驗(yàn)室中進(jìn)行。用于圖像采集和分析的養(yǎng)殖系統(tǒng)包括6個(gè)水槽，每個(gè)水槽的直徑為1.5m，水深1m（圖1）[23]。圖像采集和處理通過近紅外工業(yè)相機(jī)（Mako， G-223B）、光源和計(jì)算機(jī)實(shí)現(xiàn)。相機(jī)固定到水槽的頂部。圖像采集的幀率為1fps。為防止增氧設(shè)備的氣泡等對(duì)圖像處理結(jié)果的影響，采用風(fēng)機(jī)對(duì)生物濾池進(jìn)行曝氣，可顯著降低氣泡和泡沫對(duì)成像結(jié)果的影響[24]。同時(shí)，為了盡可能避免水面波動(dòng)，水槽的進(jìn)水口沒至水面以下，且水流沿切線方向進(jìn)入。計(jì)算機(jī)被放置在水槽隔壁的控制室內(nèi)，并通過一根30m長(zhǎng)的千兆雙絞線與相機(jī)連接，減少了由于人類活動(dòng)引起的魚類行為異常。圖像的采集和分析是利用國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心開發(fā)的采集軟件CAPNIR（SDK由AVT提供）和MATLAB? 實(shí)現(xiàn)。

本研究選擇15～25cm長(zhǎng)的鏡鯉為試驗(yàn)對(duì)象，購(gòu)買自養(yǎng)殖有限公司。試驗(yàn)從2017年2月開始，在試驗(yàn)之前，魚被養(yǎng)殖在系統(tǒng)內(nèi)4周，溶解氧濃度保持在5～7mg/L之間，水溫15～27℃，以適應(yīng)當(dāng)時(shí)的養(yǎng)殖環(huán)境。

本研究方法的流程如圖2所示，采集圖像后，利用灰度梯度矩陣提取攝食圖像的紋理特征，構(gòu)建了數(shù)據(jù)集并對(duì)SVM分類器訓(xùn)練，最優(yōu)利用SVM對(duì)攝食圖像分類，得到評(píng)估魚類攝食強(qiáng)度的4個(gè)等級(jí)，分別為弱、一般、中、強(qiáng)。

2.2? SVM及參數(shù)優(yōu)化

2.2.1? ?SVM原理

SVM的核心思想是找到一個(gè)與兩個(gè)相鄰數(shù)據(jù)點(diǎn)距離最大的最優(yōu)超平面[25]，如圖3所示。其中，H為最優(yōu)超平面，margin為最大幅度，線H1和H2上的樣本是支持向量（黑色三角形和正方形）。

2.2.2? ?核函數(shù)及參數(shù)優(yōu)化

本研究中的SVM分類器選用徑向基核函數(shù)[26]，利用支持向量機(jī)庫LIBSVM實(shí)現(xiàn)[27]。其中，SVM分類器的懲罰系數(shù)c和核參數(shù)g的選取直接影響分類精度。本研究擬通過交叉驗(yàn)證（Cross Validation， CV），研究基于網(wǎng)格搜索（Grid Search， GS）的SVM參數(shù)優(yōu)化方法，具體步驟如圖4所示[28]。

2.3? 基于灰度共生矩陣的紋理特征提取

圖像紋理分析是機(jī)器視覺研究的重要內(nèi)容。在任何給定的時(shí)間和空間，物體的表面都會(huì)呈現(xiàn)出紋理，其與圖像的顏色信息無關(guān)，并可以反映不同圖像的空間組成特征。因此，可以使用紋理特征來分析魚群的攝食活動(dòng)強(qiáng)度，并利用灰度共生矩陣 （Gray level co-occurrence matrix， GLCM）提取描述圖像紋理信息的特征參數(shù)。

GLCM反映了圖像灰度的變化幅度、相鄰間隔、方向等信息。在對(duì)紋理進(jìn)行分析時(shí)，一般是基于GLCM提取某些指標(biāo)來表征紋理的特征，這些特征主要包括對(duì)比度、能量、相關(guān)性、逆差距和熵等。

（1）逆差矩T1：反映了圖像紋理的局部平穩(wěn)性，即度量圖像的紋理局部變化的多少，可以表示為：

（1）

其中，i為任意一點(diǎn)（x， y）的灰度值;j為偏離（x， y）的另一點(diǎn)（x+Δx，y+Δy）的灰度值;N為最大灰度;d為兩點(diǎn)間的距離;θ為方向;P（i， j， d， θ）為灰度共生矩陣。

（2）相關(guān)性T2：反映灰度共生矩陣的元素值在行或列方向上的相似程度，可以表示為：

（2）

其中，

（3）

（3）能量T3：反映了圖像紋理的粗細(xì)程度和灰度分布的均勻程度，可以表示為：

（4）

（4）對(duì)比度T4：反映圖像紋理的深淺程度以及清晰度，可以表示為：

（5）

（5）熵T5：描述圖像具有的信息量的度量，表明圖像的復(fù)雜程度，當(dāng)復(fù)雜程度高時(shí)，熵值較大，反之則較小，可以表示為：

（6）

2.4? 數(shù)據(jù)集構(gòu)建

本研究聘請(qǐng)10位人員通過觀察攝食過程中的圖像評(píng)估魚攝食過程的劇烈程度。10位人員由4位有經(jīng)驗(yàn)的研究人員和6位生產(chǎn)人員構(gòu)成。根據(jù)Overli等[29]對(duì)魚類攝食行為的描述方法，將攝食過程的劇烈程度分為4類：弱、一般、中、強(qiáng)，分類標(biāo)準(zhǔn)見表1。SVM對(duì)小樣本訓(xùn)練集也有較好的效果，因此選擇每種攝食強(qiáng)度的圖像100幀，其中90%被用作訓(xùn)練集，其余被用作測(cè)試集。2.5? 性能評(píng)價(jià)指標(biāo)

本研究中，利用分類的準(zhǔn)確率Accuracy和識(shí)別率Recognition兩個(gè)指標(biāo)來驗(yàn)證該方法的性能。準(zhǔn)確率是正確識(shí)別各類攝食強(qiáng)度的能力，最終的值是迭代次數(shù)的平均值;識(shí)別率是正確識(shí)別某類攝食強(qiáng)度的能力，其分別定義如下：

（7）

（8）

其中，Nnum為迭代的次數(shù);n（i）total為第i次迭代的總樣本數(shù);n（i）corret為第i次迭代中正確識(shí)別的樣本數(shù);Nc為正確識(shí)別的某類攝食強(qiáng)度集的數(shù)量;N為某類攝食強(qiáng)度集的總數(shù)。

3? 結(jié)果與討論

3.1? 攝食強(qiáng)度評(píng)估結(jié)果

利用GLCM提取圖像的5個(gè)紋理特征。其中，4種典型攝食強(qiáng)度圖像歸一化后的特征值如表2所示。經(jīng)過特征提取后，利用SVM對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練和檢驗(yàn)，對(duì)攝食的強(qiáng)度進(jìn)行評(píng)估。

核函數(shù)參數(shù)值的選擇對(duì)于實(shí)現(xiàn)高精度至關(guān)重要。本試驗(yàn)中，隨機(jī)選取100幀每類標(biāo)記的圖片作為樣本，其中360幀作為訓(xùn)練數(shù)據(jù)，其余作為測(cè)試數(shù)據(jù)。最后，利用訓(xùn)練集數(shù)據(jù)對(duì)SVM分類器進(jìn)行了訓(xùn)練和測(cè)試。SVM分類器的參數(shù)c和g的初始范圍分別為[2-4， 24]和[2-4， 24]，變化步長(zhǎng)為0.5。圖5和圖6分別為使用GS選擇SVM核函數(shù)參數(shù)的3D視圖和等高線圖，當(dāng)參數(shù)c和g分別被選取為16和11.31時(shí)，SVM相應(yīng)的平均分類準(zhǔn)確率可達(dá)到87.78%。結(jié)果如表3所示。

圖7（a）～（d）分別為4類攝食強(qiáng)度評(píng)估的結(jié)果例圖，分別對(duì)應(yīng)弱、一般、中和強(qiáng)4種攝食強(qiáng)度。因此，SVM可以實(shí)現(xiàn)對(duì)魚類攝食強(qiáng)度的評(píng)估，為評(píng)估魚類的食欲提供了一種實(shí)用的方法。

3.2? 方法表現(xiàn)評(píng)估

為了進(jìn)一步評(píng)價(jià)本方法的整體效果，隨機(jī)選取了包含4個(gè)攝食強(qiáng)度的樣本（帶標(biāo)簽圖像）40個(gè)。并利用訓(xùn)練好的SVM分類器進(jìn)行識(shí)別，得到的結(jié)果如圖8所示，圖中真實(shí)值為人工觀察的結(jié)果，預(yù)測(cè)值為SVM分類器輸出的結(jié)果。真實(shí)值和預(yù)測(cè)值重合則為正確的識(shí)別，反之為錯(cuò)誤的識(shí)別。紅色箭頭表示錯(cuò)誤識(shí)別的示例?？梢钥闯觯w上攝食強(qiáng)度等級(jí)識(shí)別的準(zhǔn)確率較高，說明其與人工觀察法的相關(guān)性較高。這是由于本方法綜合考慮了紋理的粗細(xì)、局部變化性、周期性等特征，提取了逆差距、能量、相關(guān)性、對(duì)比度和熵5種紋理特征，較為完整描述了攝食過程圖像的變化。此外，還可以看出錯(cuò)誤的識(shí)別主要集中于相鄰的攝食強(qiáng)度等級(jí)之間。

為了評(píng)估本方法對(duì)每種攝食強(qiáng)度評(píng)估的性能，檢測(cè)了2組測(cè)試樣本，結(jié)果見表4。可以看出，在兩組試驗(yàn)中，方法在攝食強(qiáng)度為“中”和“一般”時(shí)，其平均識(shí)別精度較低，這也與上面的結(jié)果一致，說明攝食強(qiáng)度為“強(qiáng)”和“弱”時(shí)，特征差距較為明顯，識(shí)別的準(zhǔn)確率也較高。此外，各類攝食圖像的識(shí)別率均可達(dá)到85%以上，說明該方法可以達(dá)到較好的效果。

此外，與軌跡跟蹤的方法相比較[23]，本文方法考慮的是群體行為，直接提取了紋理特征，不需要目標(biāo)提取等復(fù)雜步驟，也不需要考慮水花等引起的影響，具有較強(qiáng)的適應(yīng)性，更適合用于高密度的水產(chǎn)養(yǎng)殖中。

4? 結(jié)論

針對(duì)當(dāng)前魚類攝食強(qiáng)度評(píng)估過程中存在的人工觀察法效率低，客觀性不強(qiáng)的問題，本研究以實(shí)現(xiàn)魚類食欲自動(dòng)、客觀評(píng)估為目的，提出了一種利用近紅外機(jī)器視覺技術(shù)評(píng)估水產(chǎn)養(yǎng)殖魚類攝食強(qiáng)度的方法。主要結(jié)論如下：

（1）提出的攝食強(qiáng)度評(píng)估方法可以較好地描述攝食過程中圖像及魚類行為變化，識(shí)別4類攝食強(qiáng)度（弱、一般、中、強(qiáng)）的準(zhǔn)確率達(dá)到87.78%，最終實(shí)現(xiàn)了攝食強(qiáng)度的評(píng)估，可為后續(xù)投喂決策提供理論依據(jù)和方法支持。

（2）本方法在處理過程中直接提取了5個(gè)圖像的紋理特征，不需要目標(biāo)提取等復(fù)雜步驟，也不需要考慮水花等對(duì)成像質(zhì)量造成的干擾，更適合用于高密度的水產(chǎn)養(yǎng)殖中。通過與其他方法對(duì)比分析可知，提出的方法效果較好，在實(shí)際應(yīng)用時(shí)具有較強(qiáng)的適應(yīng)性。

但是，本研究以鏡鯉為例，因攝食習(xí)性等存在差異，仍然需要驗(yàn)證本方法在評(píng)估其他魚類攝食強(qiáng)度上的性能表現(xiàn)，以提高其在商業(yè)養(yǎng)殖場(chǎng)的適用性。

參考文獻(xiàn)

[1]? ?Wu T， Huang Y， Chen J. Development of an adaptive neural-based fuzzy inference system for feedingdecision-making assessment in silver perch （Bidyanus bidyanus） culture[J]. Aquacultural Engineering， 2015， 66： 41-51.

[2]? ?Fre M， Alfredsen J A， Gronningsater A. Development of two telemetry-based systems for monitoring the feeding behaviour of Atlantic salmon （Salmo salar L.） in aquaculture sea-cages[J]. Computers and Electronics in Agriculture， 2011， 76（2）： 240-251.

[3]? ?Saberioon M， Gholizadeh A， Cisar P， et al. Applicationof machine vision systems in aquaculture with emphasis on fish： state-of-the-art and key issues[J]. Reviews in Aquaculture， 2017， 9（4）： 369-387.

[4]? ?Sun M， Hassan S G， Li D. Models for estimating feed intake in aquaculture： a review[J]. Computers and Electronics in Agriculture， 2016， 127： 425-438.

[5]? ?Zhou C， Xu D M， Lin K， et al. Intelligent feeding control methods in aquaculture with an emphasis on fish： a review[J]. Reviews in Aquaculture， 2018， 10（4）： 975-993.

[6]? ?Kolarevic J， Aas-Hansen ？覬， Espmark A， et al. The use of acoustic acceleration transmitter tags for monitoring of Atlantic salmon swimming activity in recirculating aquaculture systems （RAS）[J]. Aquacultural Engineering， 2016， 72-73： 30-39.

[7]? ?Rakowitz G， Tuser M， Ríha M， et al. Use of high-frequency imaging sonar （DIDSON） to observe fish behaviour towards a surface trawl[J]. FisheriesResearch， 2012， 123-124： 37-48.

[8]? ?Zion B， Barki A. Ranching fish using acoustic conditioning： Has it reached a dead end？[J]. Aquaculture， 2012， 344-349： 3-11.

[9]? ?Sadoul B， Evouna Mengues P， Friggens N C， et al. A new method for measuring group behaviours of fish shoals from recorded videos taken in near aquaculture conditions[J]. Aquaculture， 2014， 430： 179-187.

[10]? Atoum Y， Srivastava S， Liu X. Automatic feeding control for dense aquaculture fish tanks[J]. IEEE Signal Processing Letters， 2015， 22（8）： 1089-1093.

[11]? Duarte S， Reig L， Oca J. Measurement of sole activity by digital image analysis[J]. Aquacultural Engineering， 2009， 41（1）： 22-27.

[12]? Liu Z， Li X， Fan L， et al. Measuring feeding activity of fish in RAS using computer vision[J]. Aquacultural Engineering， 2014， 60： 20-27.

[13]? Ye Z， Zhao J， Han Z， et al. Behavioral characteristics and statistics-based imaging techniques in the assessment and optimization of tilapia feeding in a recirculating aquaculture system[J]. Transactions of the ASABE， 2016， 59（1）： 345-355.

[14]? 董桂芳， 楊嚴(yán)鷗， 陳路， 等. 斑點(diǎn)叉尾鮰和雜交鱘幼魚晝夜攝食節(jié)律和胃腸排空時(shí)間的研究[J]. 水生生物學(xué)報(bào)， 2013， 37（5）： 876-884.Dong G， Yang Y， Chen L， et al. Diet feeding rhythm and gastrointestinal evacuation time of juvenile channelcatfish and hybrid sturgeon[J]. Acta Hydrobiologica Sinica， 2013， 37（5）： 876-884.

[15]? Zhao J， Gu Z， Shi M， et al. Spatial behavioral characteristics and statistics-based kinetic energy modeling in special behaviors detection of a shoal of fish in a recirculating aquaculture system[J]. Computers and Electronics in Agriculture， 2016， 127： 271-280.

[16]? 趙建， 朱松明， 葉章穎， 等. 循環(huán)水養(yǎng)殖游泳型魚類攝食活動(dòng)強(qiáng)度評(píng)估方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2016， 47（8）： 288-293.Zhao J，Zhu S，Ye Z， et al. Assessing method for feeding activity of swimming fishes in RAS[J]. Transactions of the Chinese Society for Agricultural Machinery， 2016， 47（8）： 288-293.

[17]? 喬峰， 鄭堤， 胡利永， 等. 基于機(jī)器視覺實(shí)時(shí)決策的智能投餌系統(tǒng)研究[J]. 工程設(shè)計(jì)學(xué)報(bào)， 2015， （6）： 528-533.Qiao F， Zheng D， Hu L， et al. Research on smart bait casting machine based on machine vision technology[J]. Chinese Journal of Engineering Design. 2015， 22（6）： 528-533.

[18]? Zhou C， Lin K， Xu D， et al. Near infrared computer vision and neuro-fuzzy model-based feeding decision system for fish in aquaculture[J]. Computers andElectronics in Agriculture， 2018， 146： 114-124.

[19]? Xiao G， Feng M， Cheng Z， et al. Water quality monitoring using abnormal tail-beat frequency of crucian carp[J].Ecotoxicology and Environmental Safety， 2015， 111： 185-191.

[20]? Hung C， Tsao S C， Huang K， et al. A highly sensitive?underwater video system for use in turbid aquaculture ponds[J]. Scientific Reports， 2016， 6： 31810.

[21]? Zhou C， Yang X， Zhang B， et al. An adaptive imageenhancement method for a recirculating aquaculture system[J]. Scientific Reports， 2017， 7： 6243.

[22]? Pautsina A， Císar P， Stys D， et al. Infrared reflectionsystem for indoor 3D tracking of fish[J]. Aquacultural Engineering， 2015， 69： 7-17.

[23]? Zhou C， Zhang B， Lin K， et al. Near-infrared imaging to quantify the feeding behavior of fish in aquaculture[J]. Computers and Electronics in Agriculture， 2017， 135： 233-241.

[24]? 陳彩文， 杜永貴， 周超， 等. 基于圖像紋理特征的養(yǎng)殖魚群攝食活動(dòng)強(qiáng)度評(píng)估[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2017， 33（5）： 232-237.Chen C， Du Y， Zhou C， et al. Evaluation of feedingactivity of shoal based on image texture[J]. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（5）： 232-237.

[25]? Deng X， Wang Q， Chen H， et al. Eggshell crack detection using a wavelet-based support vector machine[J]. Computers and Electronics in Agriculture， 2010， 70（1）： 135-143.

[26]? Robotham H， Bosch P， Gutiérrez-Estrada J C， et al. Acoustic identification of small pelagic fish species in Chile using support vector machines and neural networks[J]. Fisheries Research， 2010， 102（1-2）： 115-122.

[27]? Chang C， Lin C. LIBSVM： alibrary for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology， 2011， 2（3）： 1-27.

[28]? 紀(jì)昌明， 周婷， 向騰飛， 等. 基于網(wǎng)格搜索和交叉驗(yàn)證的支持向量機(jī)在梯級(jí)水電系統(tǒng)隱隨機(jī)調(diào)度中的應(yīng)用[J]. 電力自動(dòng)化設(shè)備. 2014， 34（3）： 125-131.Ji C， Zhou T，Xiang T， et al. Application of support vector machine based on grid search and cross validation in implicit stochastic dispatch of cascaded hydropower stations[J]. Electric Power Automation Equipment. 2014， 34（3）： 125-131

[29]? Overli O， Sorensen C， Nilsson G E. Behavioral indicators of stress-coping style in rainbow trout： do males and females react differently to novelty？[J]. Physiology & Behavior， 2006， 87（3）： 506-512.

Evaluation of fish feeding intensity in aquaculture

based on near-infrared machine vision

Chao Zhou1，2，3，4， Daming Xu1，2，3，4， Kai Lin1，2，3，4， Lan Chen1，2，3，4， Song Zhang1，2，3，4，

Chuanheng Sun1，2，3，4， Xinting Yang1，2，3，4*

（1. Beijing Research Center for Information Technology in Agriculture， Beijing 100097， China; 2. National Engineering Research Center for Information Technology in Agriculture， Beijing 100097， China; 3. National Engineering Laboratory for Agri-product Quality Traceability， Beijing 100097， China; 4. Key Laboratory for Information Technologies in Agriculture， Ministry of Agriculture， Beijing 100097， China）

Abstract： In aquaculture， feeding intensity can directly reflect the appetite of fish， which is of great significance for guiding feeding and productive practice. However， most of the existing fish feeding intensity evaluation methods have problems of low observation efficiency and low objectivity. In this study， a fish feeding intensity evaluation method based on near-infrared machine vision was proposed to achieve an automatic objective evaluation of fish appetite. Firstly， a near-infrared image acquisition system was built by using near-infrared industrial camera. After a series of image processing steps， the gray level co-occurrence matrix was used to extract the texture feature variable information of the image， including contrast， energy， correlation， inverse gap and entropy. Then the data set were constructed by using these five feature variables as input vectors， and the support vector machine classifier was trained. Among them， the optimal penalty coefficient c and kernel function parameter g were selected by grid search. Finally， the trained images were used to classify the feeding images of fish. And ultimately， the evaluation of fish feeding intensity was realized. The results show that the accuracy of the evaluation could reach 87.78%. In addition， this method does not need to consider the impact of reflections， sprays and other factors on image processing results， so it has strong adaptability and can be used for automatic and objective evaluation of fish appetite， thus provide theoretical basis and methodological support for subsequent feeding decisions.

Key words： aquaculture; near-infrared machine vision; feeding activity evaluation; support vector machine; feeding decision