劉朝陽(yáng)， 王永強(qiáng)， 周聰玲， 強(qiáng)斯祺

（天津科技大學(xué)機(jī)械工程學(xué)院，天津市輕工與食品工程機(jī)械裝備集成設(shè)計(jì)與在線監(jiān)控實(shí)驗(yàn)室，天津 300222）

室外池塘養(yǎng)殖是我國(guó)水產(chǎn)養(yǎng)殖的主要模式之一，2021年全國(guó)池塘養(yǎng)殖面積超過(guò)300萬(wàn) hm2，產(chǎn)量突破2500萬(wàn)t,占養(yǎng)殖總產(chǎn)量的49%[1]。目前傳統(tǒng)的投餌方法是人工投餌或者投餌機(jī)投餌，均存在諸多弊端。其中，人工投餌主要依靠養(yǎng)殖人員的經(jīng)驗(yàn)，缺少有效的監(jiān)督管理，且隨意性較大，容易造成飼料浪費(fèi)、水質(zhì)環(huán)境污染以及養(yǎng)殖魚(yú)群生長(zhǎng)不均等問(wèn)題。而目前的自動(dòng)投餌機(jī)只能做到定時(shí)、定量投放，無(wú)法根據(jù)魚(yú)群的攝食狀態(tài)實(shí)時(shí)調(diào)控投喂時(shí)間和投喂強(qiáng)度，極易發(fā)生餌料投喂不足或者投喂過(guò)剩的情況。因此，智能化投餌控制技術(shù)顯得尤為重要。吳強(qiáng)澤[2]設(shè)計(jì)了一種以PLC為控制單元的智能上料機(jī)，其以溫度為輸入?yún)?shù)，時(shí)間為輸出參數(shù)，實(shí)現(xiàn)定時(shí)投料，喂食時(shí)間由前1 d的平均水溫決定，結(jié)果表明魚(yú)類生長(zhǎng)對(duì)水溫有很高的要求，在最適合的水溫環(huán)境下，攝食效果最高。Bórquez-Lopez等[3]研究了水產(chǎn)養(yǎng)殖環(huán)境中溶解氧和溫度對(duì)飼料消耗的影響，利用模糊邏輯(fuzzy logic，F(xiàn)L)和成員函數(shù)(member functions， MF)對(duì)飼養(yǎng)方法進(jìn)行評(píng)價(jià)，開(kāi)發(fā)了基于FL的專家系統(tǒng)指導(dǎo)飼養(yǎng)工作的系統(tǒng)。

機(jī)器視覺(jué)技術(shù)以檢測(cè)速度快、精度高、成本效率高的優(yōu)點(diǎn)，為水產(chǎn)養(yǎng)殖領(lǐng)域中的智能化投喂提供了可能。趙建等[4]提出了一種基于改進(jìn)動(dòng)能模型的魚(yú)類攝食活動(dòng)強(qiáng)度評(píng)價(jià)方法。在HSV色彩空間下對(duì)水面的反射區(qū)域進(jìn)行分割和提取，利用Lucas-Kanade光流、統(tǒng)計(jì)方法和信息熵計(jì)算分析反射面積變化的不規(guī)則程度，根據(jù)反射區(qū)的變化幅度評(píng)價(jià)魚(yú)的攝食活動(dòng)強(qiáng)度。該方法能較好地描述不同胃腸飽脹指數(shù)羅非魚(yú)在單輪多次投喂中的攝食活動(dòng)強(qiáng)度。陳彩文等[5]提出了一種通過(guò)分析魚(yú)群的紋理來(lái)評(píng)估魚(yú)群攝食活動(dòng)強(qiáng)度的方法。首先，利用均值背景建模重建無(wú)魚(yú)的背景圖片，提取目標(biāo)魚(yú)群；然后使用灰度共生矩陣對(duì)目標(biāo)魚(yú)群進(jìn)行紋理特征分析，得到魚(yú)群的攝食強(qiáng)度，結(jié)果表明，魚(yú)群紋理特征中的對(duì)比度參數(shù)與傳統(tǒng)面積法評(píng)估得出的魚(yú)群攝食強(qiáng)度線性決定系數(shù)可達(dá)0.8942。 Zhou等[6]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）和機(jī)器視覺(jué)的魚(yú)食強(qiáng)度自動(dòng)分類方法，該方法的分類準(zhǔn)確率達(dá)到90%。但由于室外池塘養(yǎng)殖環(huán)境的復(fù)雜性，目前針對(duì)室外池塘養(yǎng)殖投餌系統(tǒng)的智能控制研究較少。因此，本文選用室外池塘養(yǎng)殖中的鯉魚(yú)（Cyprinus carpio）作為研究對(duì)象，利用紋理特征中熵、能量、相關(guān)性、對(duì)比度4個(gè)參數(shù)分析魚(yú)群攝食強(qiáng)度，同時(shí)采用獨(dú)立性權(quán)系數(shù)法確定4個(gè)參數(shù)的最佳權(quán)重，建立數(shù)學(xué)模型，并由支持向量機(jī)對(duì)魚(yú)群攝食狀態(tài)進(jìn)行分析識(shí)別。本研究可為室外池塘養(yǎng)殖投餌系統(tǒng)的智能控制提供一種有效的解決方法。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)區(qū)位于天津市東麗區(qū)寬達(dá)水產(chǎn)3號(hào)養(yǎng)殖池塘，該養(yǎng)殖池塘占地0.4 hm2，2021年5月10日在市場(chǎng)選購(gòu)一批鯉魚(yú)苗投放至該池塘。試驗(yàn)時(shí)間為2021年8月1—2日，此時(shí)池塘養(yǎng)殖密度為鯉魚(yú)5.0萬(wàn)～5.5萬(wàn)尾·hm-2，魚(yú)體長(zhǎng)度10～13 cm,體質(zhì)量規(guī)格在400～600 g。養(yǎng)殖期間對(duì)池塘水質(zhì)進(jìn)行監(jiān)測(cè)，保證魚(yú)群生長(zhǎng)環(huán)境健康。其中溶解氧在連續(xù)24 h內(nèi)，有16 h以上大于5 mg·L-1；水溫保持在最為適宜的20～32 ℃；pH在6.5～8.5。

1.2 圖像采集

圖像采集設(shè)備為大恒圖像MER-504-10GM/C彩色工業(yè)相機(jī)，分辨率為2448×2048，鏡頭型號(hào)為HN-1624-20M-C1/1X。采集狀態(tài)包含魚(yú)群未攝食（T0）、弱攝食強(qiáng)度（T1）、強(qiáng)攝食強(qiáng)度（T2）3種；采集速度為30 f·min-1。

1.3 紋理特征提取

在MATLAB 2017b軟件提取魚(yú)群未攝食（T0）、弱攝食強(qiáng)度（T1）、強(qiáng)攝食強(qiáng)度（T2）3種狀態(tài)的圖像紋理特征。在進(jìn)行紋理特征提取時(shí)首先將彩色圖像進(jìn)行灰度化，然后選取灰度共生矩陣中熵（entropy，ENT）、能量（energy，ASM)、相關(guān)性（correlation，COR）、對(duì)比度（contrast，CON）4個(gè)二次統(tǒng)計(jì)量來(lái)表示魚(yú)群的紋理特征信息，計(jì)算公式如式（4）。熵表示圖像中紋理的非均勻程度或復(fù)雜程度；能量表示圖像灰度分布均勻程度和紋理粗細(xì)度；相關(guān)性表示灰度共生矩陣元素在行或列方向上的相似程度；對(duì)比度表示圖像的清晰度和紋理溝紋深淺的程度。

式中，L表示圖像灰度級(jí)，i和j表示灰度值，d表示相隔距離，θ表示方向，P表示在θ方向上，相隔距離d的1對(duì)像素分別具有灰度值i和j出現(xiàn)的概率。

為提高灰度共生矩陣的計(jì)算效率，將灰度等級(jí)L設(shè)置為16級(jí)，像素距離d設(shè)置為1[7]。方向θ取0°、45°、90°、135°，其中θ取0°，即0°掃描，像素對(duì)是水平的；θ取45°，像素對(duì)是右對(duì)角線的；θ取90°，像素對(duì)是垂直的；θ取135°，像素對(duì)是左對(duì)角線的；不同θ表征的紋理信息不同，為了綜合性描述圖像紋理特征，將4個(gè)方向求取均值作為特征值。

1.4 特征參數(shù)加權(quán)融合模型建立

鑒于特征融合可以在多個(gè)原始特征集中獲得最具差異性的信息，同時(shí)能夠消除不同特征集之間因相關(guān)性而產(chǎn)生的冗余信息。本文提出了一種基于熵、能量、相關(guān)性、對(duì)比度4個(gè)參數(shù)特征加權(quán)融合模型。首先利用灰度共生矩陣提取圖像熵、能量、相關(guān)性、對(duì)比度的特征值作為數(shù)據(jù)樣本；然后利用獨(dú)立性權(quán)重法計(jì)算參數(shù)特征值間的復(fù)相關(guān)系數(shù)（R）[8]，將得到的復(fù)相關(guān)系數(shù)R取倒數(shù)并進(jìn)行歸一化即得到參數(shù)間的權(quán)重；最后按照魚(yú)群攝食規(guī)律對(duì)4個(gè)參數(shù)特征值擬合，根據(jù)4個(gè)參數(shù)在1個(gè)完整攝食周期的曲線走勢(shì)建立數(shù)學(xué)模型并賦上權(quán)重。

式中，Ri為復(fù)相關(guān)系數(shù)，m為指標(biāo)個(gè)數(shù)，xˉ為x的平均值，x?為x中除去xi后剩余m-1個(gè)變量的線性組合,i=1, 2, 3...m。任意指標(biāo)xi的R越大表明該指標(biāo)與其他指標(biāo)間的共線性越強(qiáng)，即信息重疊越大，權(quán)重分配越小。

1.5 基于SVM的攝食狀態(tài)識(shí)別

魚(yú)群攝食狀態(tài)作為調(diào)控投餌機(jī)投餌參數(shù)的重要依據(jù)，所以需要對(duì)整個(gè)投餌過(guò)程中魚(yú)群的攝食狀態(tài)進(jìn)行實(shí)時(shí)識(shí)別。本文只針對(duì)魚(yú)群未攝食（T0）、弱攝食強(qiáng)度（T1）、強(qiáng)攝食強(qiáng)度（T2）3個(gè)狀態(tài)的分類識(shí)別，并通過(guò)構(gòu)建SVM分類器實(shí)現(xiàn)對(duì)輸入圖像的快速識(shí)別，判斷出魚(yú)群所處的攝食狀態(tài)。在SVM分類器構(gòu)建中核函數(shù)的選取以及參數(shù)的尋優(yōu)對(duì)分類準(zhǔn)確率有直接影響。如式（6）和（7），本文選取RBF核函數(shù)并通過(guò)libsvm對(duì)核函數(shù)參數(shù)g與懲罰因子c自動(dòng)尋優(yōu)[9]。

式中，g表征支持向量個(gè)數(shù)，g越大支持向量越少，g越小支持向量越多，支持向量的個(gè)數(shù)會(huì)影響分類器的訓(xùn)練速度與預(yù)測(cè)速度；SVM模型中的懲罰因子c，表征對(duì)誤差的寬容度。c越高，越容易過(guò)擬合，反之容易欠擬合。

2 結(jié)果與分析

2.1 圖像采集樣本結(jié)果分析

由圖1可以看出，魚(yú)群在不同攝食強(qiáng)度下的水面狀態(tài)不同。其中，魚(yú)群在未攝食狀態(tài)下水面趨于平靜；在弱攝食強(qiáng)度下水面產(chǎn)生波動(dòng)；在強(qiáng)攝食強(qiáng)度下水面變化劇烈。同時(shí)對(duì)比2021年8月1日（東北風(fēng)3～4級(jí)）與2日（東北風(fēng)1～3級(jí)）采集的圖像可以看出，風(fēng)力等級(jí)為3～4級(jí)時(shí)魚(yú)群在未攝食狀態(tài)下水面波紋明顯，但風(fēng)力等級(jí)為1～3級(jí)時(shí)魚(yú)群在未攝食狀態(tài)下水面趨于平靜，且風(fēng)力等級(jí)為3～4級(jí)時(shí)魚(yú)群弱攝食強(qiáng)度和強(qiáng)攝食強(qiáng)度狀態(tài)下的水面變化比風(fēng)力等級(jí)為1～3級(jí)時(shí)更明顯。因此，將水面狀態(tài)的變化理解為水面紋理變化，通過(guò)對(duì)水面紋理變化的分析可對(duì)魚(yú)群攝食狀態(tài)進(jìn)行監(jiān)測(cè)和評(píng)估。

圖1 魚(yú)群圖像樣本Fig. 1 Sample of fish image

2.2 紋理特征提取結(jié)果分析

對(duì)魚(yú)群未攝食、弱攝食強(qiáng)度、強(qiáng)攝食強(qiáng)度3種狀態(tài)的圖像各抽取1000幀圖像的紋理特征進(jìn)行提取。通過(guò)表1可以看出，4個(gè)參數(shù)在每種攝食狀態(tài)下的特征值都有一個(gè)區(qū)間，且同一參數(shù)不同攝食狀態(tài)下的特征值均值不同。由此分析，熵、能量、相關(guān)性、對(duì)比度4個(gè)參數(shù)均能有效地表征魚(yú)群攝食狀態(tài)，通過(guò)設(shè)置不同的閾值范圍可對(duì)魚(yú)群攝食狀態(tài)進(jìn)行分類識(shí)別，同時(shí)對(duì)4個(gè)參數(shù)特征值的統(tǒng)計(jì)能夠?yàn)殚撝捣秶拇_定提供基礎(chǔ)依據(jù)。

表1 圖像樣本參數(shù)特征值統(tǒng)計(jì)Table 1 Statistics of eigenvalues of parameters of the image sample

2.3 加權(quán)融合模型建立結(jié)果分析

隨機(jī)選取650幀圖像，其中未攝食（T0）200幀、弱攝食強(qiáng)度（T1）200幀、強(qiáng)攝食強(qiáng)度（T2）250幀。如表2所示，采用獨(dú)立性權(quán)重法計(jì)算這650幀圖像中熵、能量、相關(guān)性、對(duì)比度的權(quán)重，結(jié)果顯示，熵的權(quán)重最高，達(dá)到47.04%，表明熵與能量、相關(guān)性、對(duì)比度之間的共線性關(guān)系最弱，信息重疊最小；相關(guān)性的權(quán)重最低，為12.70%，表明相關(guān)性與熵、能量、對(duì)比度之間的共線性關(guān)系最強(qiáng)，信息重疊最大。同時(shí)將650幀圖像熵、能量、相關(guān)性、對(duì)比度的特征值按周期特性進(jìn)行數(shù)據(jù)擬合。如圖2所示，1～100幀為T(mén)0，魚(yú)群未攝食，水面平靜；101～200幀為T(mén)1，魚(yú)群開(kāi)始攝食，水面的波動(dòng)量開(kāi)始增大； 201～450幀為T(mén)2，魚(yú)群攝食強(qiáng)烈，水面變化劇烈； 451～550幀為T(mén)1，部分魚(yú)群吃飽，魚(yú)群整體攝食強(qiáng)度變?nèi)?，水面的波?dòng)量開(kāi)始減??；551～650幀為T(mén)0，魚(yú)群攝食完畢，水面恢復(fù)平靜。從擬合結(jié)果可以看出熵、能量、相關(guān)性、對(duì)比度在T0、T1、T2狀態(tài)間的特征值有交集且相鄰狀態(tài)間的特征幅值比較相近，存在交集表明魚(yú)群的攝食狀態(tài)會(huì)出現(xiàn)誤判，相鄰狀態(tài)間特征幅值相近表明易出現(xiàn)交集。由此可知，魚(yú)群攝食狀態(tài)識(shí)別的難易程度與T0、T1、T2之間特征幅值的間隔有關(guān)，間隔越大越不容易出現(xiàn)交集與誤判，魚(yú)群攝食狀態(tài)識(shí)別的難度也就越小。同時(shí)通過(guò)這4個(gè)參數(shù)在1個(gè)完整周期的曲線走勢(shì)可以發(fā)現(xiàn)能量與相關(guān)性的走勢(shì)呈“凹”型，熵與對(duì)比度的走勢(shì)呈“凸”型。由此可以構(gòu)造數(shù)學(xué)模型來(lái)突顯T0、T1、T23種狀態(tài)間的變化趨勢(shì)，數(shù)學(xué)模型如下。

表2 獨(dú)立性權(quán)重法計(jì)算結(jié)果Table 2 Calculation results of independence weight method

圖2 特征值擬合曲線Fig. 2 Eigenvalue fitting curve

式中，y為量化特征值，x1為對(duì)比度，x2為能量，x3為熵，x4為相關(guān)性。

為驗(yàn)證參數(shù)加權(quán)融合模型的有效性，將650組原始樣本數(shù)據(jù)代入?yún)?shù)加權(quán)融合模型并進(jìn)行數(shù)據(jù)擬合。由圖2數(shù)學(xué)模型擬合曲線可以看出，參數(shù)加權(quán)融合模型中T0、T1、T2之間不存在交集，且特征幅值的間隔更為明顯，這為后續(xù)魚(yú)群攝食狀態(tài)的識(shí)別進(jìn)行了優(yōu)化。

2.4 魚(yú)群攝食狀態(tài)識(shí)別結(jié)果分析

SVM模型中核函數(shù)參數(shù)g與懲罰因子c自動(dòng)尋優(yōu)結(jié)果為4和11.3137。利用650幀圖像作為訓(xùn)練集對(duì)SVM模型進(jìn)行訓(xùn)練，訓(xùn)練完畢后在不同攝食狀態(tài)下每個(gè)區(qū)間內(nèi)重新選取1000幀圖像作為測(cè)試樣本進(jìn)行攝食狀態(tài)識(shí)別。由表3可知，經(jīng)參數(shù)加權(quán)融合模型處理后魚(yú)群攝食狀態(tài)識(shí)別準(zhǔn)確率達(dá)到99.77%，單幀圖像處理時(shí)間為0.48 s。其中T1區(qū)間共有7幀樣本圖像識(shí)別錯(cuò)誤，將錯(cuò)誤識(shí)別樣本與正確識(shí)別樣本進(jìn)行對(duì)比分析。從圖3可以看出，相較于正確識(shí)別樣本，錯(cuò)誤樣本紋理變化更為劇烈，但大部分紋理變化是水面波紋產(chǎn)生的。由表4可知，正確識(shí)別樣本在參數(shù)模型中的計(jì)算結(jié)果為0.7371，屬于T1樣本閾值范圍內(nèi)。7個(gè)識(shí)別錯(cuò)誤樣本的計(jì)算結(jié)果分別為1.3814、1.4242、1.2873、1.3357、1.2925、1.2834、1.3553，均超出了T1狀態(tài)下的閾值上限，且在T2樣本閾值范圍內(nèi)，但靠近T2閾值下限。由此分析，魚(yú)群攝食狀態(tài)出現(xiàn)識(shí)別錯(cuò)誤的原因是魚(yú)群在攝食強(qiáng)度較弱的狀態(tài)下風(fēng)力變大引起的水面紋理波動(dòng)劇烈，與魚(yú)群強(qiáng)攝食狀態(tài)下的紋理特征較為相似，導(dǎo)致結(jié)果出現(xiàn)錯(cuò)誤。雖然風(fēng)力等級(jí)對(duì)魚(yú)群攝食狀態(tài)的識(shí)別有一定影響，但本文提出的方法在整體識(shí)別準(zhǔn)確率與效率上展現(xiàn)出了優(yōu)越性。

表3 魚(yú)群攝食狀態(tài)識(shí)別結(jié)果統(tǒng)計(jì)Table 3 Statistics of experimental results

表4 誤差結(jié)果統(tǒng)計(jì)Table 4 Error result statistics

圖3 樣本對(duì)比Fig. 3 Sample identify comparison

2.5 權(quán)重法系數(shù)分析

參數(shù)加權(quán)融合模型是基于統(tǒng)計(jì)方法得出，前文已經(jīng)驗(yàn)證了模型的有效性。為了驗(yàn)證模型的可靠性，重新對(duì)1個(gè)周期內(nèi)的T0、T1、T2各抽取1500幀圖像，隨機(jī)分成各500幀的3組樣本進(jìn)行紋理特征提取?；谶@3組特征值，用獨(dú)立性權(quán)重法對(duì)參數(shù)加權(quán)融合模型進(jìn)行權(quán)重賦值，并對(duì)2.4中的測(cè)試樣本重新識(shí)別。由表5可知，由于統(tǒng)計(jì)數(shù)據(jù)的不唯一性，權(quán)重系數(shù)賦值會(huì)存在小范圍波動(dòng)，但不會(huì)對(duì)魚(yú)群攝食狀態(tài)的識(shí)別準(zhǔn)確率產(chǎn)生影響?？傊瑓?shù)加權(quán)融合模型在魚(yú)群攝食狀態(tài)的識(shí)別中具有一定的可靠性，但在以后的工作中仍需要進(jìn)一步的完善。

表5 權(quán)重波動(dòng)試驗(yàn)統(tǒng)計(jì)Table 5 Experimental statistics of weight fluctuation

3 討論

本文利用機(jī)器視覺(jué)、圖像處理技術(shù)將魚(yú)群攝食狀態(tài)提取紋理特征參數(shù)熵、能量、相關(guān)性和對(duì)比度表征；利用獨(dú)立性權(quán)重法確定4個(gè)參數(shù)最佳權(quán)重并建立參數(shù)加權(quán)融合模型，可提高魚(yú)群攝食狀態(tài)的識(shí)別準(zhǔn)確率。該方法可為養(yǎng)殖過(guò)程中的精準(zhǔn)投餌提供技術(shù)支撐，具有較強(qiáng)的實(shí)用性。

陳彩文等[5]通過(guò)分析魚(yú)群紋理評(píng)估魚(yú)群攝食活動(dòng)強(qiáng)度，其依靠單一特征參數(shù)進(jìn)行分析，本文選取熵、能量、相關(guān)性和對(duì)比度4個(gè)參數(shù)重，通過(guò)建立參數(shù)加權(quán)融合模型提高魚(yú)群攝食狀態(tài)的識(shí)別準(zhǔn)確率。楊朦朦[10]研發(fā)了一種能進(jìn)行精準(zhǔn)化投喂作業(yè)的智能投飼裝備，基本結(jié)構(gòu)由送料裝置、稱重裝置和拋料裝置組成，根據(jù)水溫和溶氧量設(shè)計(jì)了二維模糊控制器，將水溫和溶氧量輸入模糊控制器后得到精準(zhǔn)的投喂量。其方法主要基于魚(yú)群生活的水質(zhì)參數(shù)，沒(méi)有對(duì)魚(yú)群的攝食行為進(jìn)行分析和識(shí)別，本文在保證魚(yú)群生活環(huán)境健康的情況下，利用機(jī)器視覺(jué)實(shí)時(shí)監(jiān)測(cè)魚(yú)群攝食強(qiáng)度，以此控制投餌機(jī)投餌，為智能化投餌提供了一種有效的解決方法。喬峰等[11]通過(guò)圖像處理技術(shù)提取魚(yú)群位置、數(shù)量特征值，分析魚(yú)群攝食規(guī)律。鑒于魚(yú)群搶食時(shí)密度過(guò)大產(chǎn)生堆疊，此方法不能有效地計(jì)算魚(yú)群數(shù)量，本文通過(guò)魚(yú)群攝食過(guò)程中池塘的水面紋理變化監(jiān)測(cè)魚(yú)群攝食情況，可減少程序的復(fù)雜程度，消除因計(jì)算魚(yú)群位置與數(shù)量產(chǎn)生的誤差，同時(shí)發(fā)現(xiàn)風(fēng)力等級(jí)對(duì)魚(yú)群攝食狀態(tài)的識(shí)別有一定影響，為下一步的研究提供了思路。