計算機視覺(jué)在對蝦養殖業(yè)的應用實(shí)踐*

摘要：針對傳統水產(chǎn)養殖業(yè)中養殖過(guò)程中容易受到養殖人員的個(gè)人經(jīng)驗從而導致養殖效率低下、能源損耗嚴重等問(wèn)題，本文融合計算機視覺(jué)、人工智能、圖像處理等技術(shù)，應用于對蝦養殖業(yè)中并展開(kāi)實(shí)踐。首先在水下投放雙目攝像機把拍取的對蝦圖像和視頻上傳至PC端，使用YOLOv5深度學(xué)習模型對蝦體圖像進(jìn)行訓練達到精準識別的效果，然后根據一系列的圖像處理等步驟得到分割后的蝦體圖像，最后基于最小矩形法尋得最優(yōu)測量點(diǎn)并根據雙目視覺(jué)算法把二維坐標轉換為三維坐標得到對蝦的體長(cháng)及平均生長(cháng)率。該實(shí)踐方法可運用到中小型的工廠(chǎng)化對蝦養殖場(chǎng)和鄉村對蝦養殖基地，提高養殖效率，降低養殖成本。

*河北省校級大學(xué)生創(chuàng )新創(chuàng )業(yè)訓練計劃項目（X2021220）

1   研究背景

一直以來(lái)，我國在水產(chǎn)養殖行業(yè)的產(chǎn)出量有增無(wú)減，隨著(zhù)互聯(lián)網(wǎng)、人工智能技術(shù)的發(fā)展，我國新一代信息產(chǎn)業(yè)與水產(chǎn)養殖業(yè)深度融合技術(shù)在全世界有著(zhù)舉足輕重的地位^[1]。目前，我國的南美白對蝦養殖應用科技成果，可以實(shí)現高密度短周期的養殖模式，這大大帶動(dòng)了工廠(chǎng)化對蝦養殖廠(chǎng)以及鄉村農業(yè)的經(jīng)濟發(fā)展，推動(dòng)鄉村振興的進(jìn)一步發(fā)展，帶動(dòng)農村就業(yè)^[2]。但是，該領(lǐng)域也存在著(zhù)很多痛點(diǎn)問(wèn)題，諸如：養殖人員依靠經(jīng)驗估計對蝦生長(cháng)基本情況存在誤差、養殖經(jīng)驗不足導致養殖利潤低、養殖過(guò)程中不能合理調配投料、換水的量和頻率。這會(huì )在一定程度上導致行業(yè)產(chǎn)量低、對蝦品質(zhì)差等結果，影響總體發(fā)展。

以上的行業(yè)痛點(diǎn)抑制了我國互聯(lián)網(wǎng)技術(shù)與農業(yè)領(lǐng)域的深度融合，調查痛點(diǎn)并研究一套智能方法來(lái)緩解這種矛盾，使水產(chǎn)養殖業(yè)從傳統“經(jīng)驗型”向“精準型”工廠(chǎng)化養殖升級轉變，是當下我們要完成的任務(wù)。

首先，對于傳統對蝦養殖行業(yè)中養殖人員只能在養殖池放置小型料臺來(lái)獲取對蝦生長(cháng)狀況和了解對蝦飼料投喂情況，不能實(shí)時(shí)、快速地了解并且掌握對蝦的實(shí)時(shí)生長(cháng)狀況這一痛點(diǎn)，其次，傳統水產(chǎn)養殖行業(yè)中養殖人員投料、增氧、換水的頻率和數量都依賴(lài)于養殖員的個(gè)人經(jīng)驗，使得養殖過(guò)程可能受到個(gè)人經(jīng)驗導致會(huì )導致對蝦養殖效率低下，死亡率高等現象。

本次應用實(shí)踐采用?？低曀聰z像頭，使養殖人員足不出戶(hù)就可以掌握對蝦的生長(cháng)狀況，并且可以在非接觸的情況下得到對蝦的尺寸和生長(cháng)率，在降低養殖人員工作量的情況下輔助工作人員調整養殖方案，合理的控制投料、增氧、換水的頻率和數量。

2   設計思路

本文方法通過(guò)水下雙目攝像頭對蝦體進(jìn)行圖像采集， 采集到的視頻圖像實(shí)時(shí)傳送到PC 端， 配合YOLOv5 深度學(xué)習算法進(jìn)行圖像識別，精準識別蝦體，切片后對蝦體進(jìn)行圖像分割等圖像處理步驟后進(jìn)行蝦體體長(cháng)及生長(cháng)率的計算。根據蝦體生長(cháng)、平均生長(cháng)率情況進(jìn)一步制定并且調整養殖方案，來(lái)提高對蝦的養殖效率并且降低死亡率，達到智能、精準、高效的對蝦養殖目標。

本次方法實(shí)踐包括四大步驟，分別是數據集的獲取與制作、YOLOv5 深度學(xué)習模型訓練、水下蝦體尺寸測量、平均生長(cháng)率計算，其中運用雙目視覺(jué)算法求得蝦體尺寸方法包括視差圖分析、OPENCV 圖像處理得到分割圖像，最小矩形法尋優(yōu)尺寸測量點(diǎn)。本次實(shí)踐運用計算機視覺(jué)、大數據、人工智能等技術(shù)，輔以資深養殖人員的多年養殖經(jīng)驗，在一定程度上實(shí)現蝦類(lèi)養殖的定量化、客觀(guān)化，將是養殖領(lǐng)域發(fā)展的大趨勢。

2.1 數據集準備

2.1.1 雙目攝像頭校準

由于水下折射成像會(huì )導致測量誤差，因此在水下攝像機投放之前，首先使用相機對棋盤(pán)格點(diǎn)進(jìn)行角點(diǎn)提取，進(jìn)而調焦獲取相機的參數，矯正相機畸變的問(wèn)題，然后拍攝圖像^[3]。

圖1 攝像頭對棋盤(pán)格進(jìn)行角點(diǎn)提取

2.1.2 圖像數據集準備

通過(guò)在養殖場(chǎng)投放水下雙目攝像頭捕獲不同生長(cháng)時(shí)期水下蝦體圖像，由于實(shí)驗室搭建1.5×2×1 米的水箱拍攝的水下蝦體圖像數據規模較小不足以支持精確的神經(jīng)網(wǎng)絡(luò )的訓練，為保證模型的精準性和應用的廣泛性，通過(guò)網(wǎng)絡(luò )搜集到的南美白對蝦圖像、公共數據集PASCAL VOC、COCO、Image Net 等以及利用實(shí)驗室實(shí)地拍攝養殖的對蝦圖片，建立了一個(gè)包含21509 張水下對蝦圖片數據庫。

由于南美白對蝦白天一般靜伏池底，晚上則活動(dòng)頻繁，因此本項目實(shí)際采集時(shí)主要在22:00-6:00 的時(shí)間段，每隔20 s 采集一次，每次采集2 張，最后經(jīng)人工篩選剩余大概500 張作為該天的數據采集，對這些圖片使用幾何變換、添加噪聲、顏色抖動(dòng)等手段進(jìn)行數據增強，最終建立起適合訓練的、含有較少噪點(diǎn)的南美白對蝦實(shí)地數據庫。

將數據增強后的圖像使用LabelImage 對蝦體進(jìn)行手動(dòng)框選標注，數據集采用YOLO 格式。其中，每張圖片中有幾個(gè)目標框代表該張圖像上標注了多少只對蝦，未標注的部分是背景。

為了使得模型能過(guò)得到清晰的特征，從而學(xué)習到正確的知識，這里通過(guò)人工篩選的方式，剔除包含以下特征的圖片：（1）水中雜質(zhì)的遮擋；（2）圖像過(guò)于模糊；（3）蝦體形態(tài)過(guò)于彎曲（由于彎曲度造成計算長(cháng)度誤差）；

圖2 原始數據集部分圖像

圖3 數據增強后部分圖像

2.2 基于YOLOv5的蝦體檢測

YOLOv5 的深度學(xué)習模型，借鑒CSPNet 網(wǎng)絡(luò )結構，為了防止模型因訓練不足導致欠擬合和訓練次數過(guò)多導致過(guò)擬合，本文采用自己采集的數據集進(jìn)行訓練，這將大大提高模型的準確率。把數據集的對蝦圖片以8:2 的比例劃分訓練集和驗證集。其中，對蝦識別模型的權重參數從訓練集中得出，驗證集的結果用來(lái)對識別模型進(jìn)行驗證并評估模型精度，最后通過(guò)微調參數的方法完善模型結果，提高模型的精度和穩定性。

網(wǎng)絡(luò )模型訓練階段，Batch size 設置為64^[4]，權重的衰減系數為0.001，有利于防止過(guò)擬合，迭代次數Epoch 設置為為300 次，初始學(xué)習率設置為0.001，當Epoch 等于100 和150 的時(shí)候，把學(xué)習率設置為0.0001和0.00001。在Epoch 為200 的時(shí)候，模型精度較高，達到收斂。

圖4 YOLOv5訓練曲線(xiàn)

平均精度均值是所有類(lèi)別的平均精度求和除以數據集中所有類(lèi)的平均精度的平均值，當Epoch 等于30 的時(shí)候，mAP 近似為1。召回率，是模型把正確的類(lèi)別預測為正值的概率。由公式知，代表模型把正確的類(lèi)別預測為正值的數量，FN 代表模型把正確的類(lèi)別預測為負值的數量^[5]。在模型迭代到20 次時(shí)，已經(jīng)達到0.9 以上，可見(jiàn)模型的精度較高。

本模型的損失函數是GIOU_loss，如下公式所示，由訓練過(guò)程圖片得到，當Epoch 為250 的時(shí)候，已經(jīng)小于0.015，當Epoch 為300 的時(shí)候，下降到0.01，保持穩定。

查準率，是數據集中被模型預測為正確的總樣本數/實(shí)際的總樣本數，如下式所示。當Epoch 為200 次的時(shí)候，查準率達到0.9 以上。

2.3 基于雙目視覺(jué)的對蝦尺寸計算

對YOLOv5 檢測完的每一只蝦體圖像進(jìn)行切片操作后，基于最小矩形法尋找最佳尺寸測量點(diǎn)，之后通過(guò)水下坐標點(diǎn)的二、三維轉換關(guān)系獲取最佳測量點(diǎn)的三維坐標，進(jìn)而根據算法實(shí)現對蝦長(cháng)度的無(wú)接觸測量。

圖5 基于YOLOv5蝦體檢測結果圖

圖6 基于雙目視覺(jué)的無(wú)接觸蝦體尺寸測量方法流程

2.3.1 求取視差圖

根據查閱文獻得到立體匹配求取視差圖像方法，公式如下：

其中，m、n 表示兩個(gè)攝像頭對應的像素點(diǎn)。

2.3.2 蝦體區域分割

2.3.3 基于最小矩形法尋找蝦體尺寸最佳測量點(diǎn)

首先把目標分割后的彩色圖像二值化^[6]，蝦體為白色，背景為黑色。然后基于最小矩形法在目標分割后的圖像里尋找最優(yōu)測量點(diǎn)，最后，在外接矩形中找到面積最小的矩形，通過(guò)測量矩形的長(cháng)度得到對蝦的長(cháng)度。如圖所示，矩形為蝦體目標的最小外接矩形示例。

圖8 基于最小矩形法尋找蝦體尺寸最佳測量點(diǎn)流程

圖9 蝦體最小包圍矩形與最佳尺寸測量點(diǎn)選取

得到面積最小的矩形之后，本文近似地以最小包圍面積的矩形的長(cháng)邊為參照，獲得一條長(cháng)邊的兩個(gè)端點(diǎn)M、N，這兩個(gè)端點(diǎn)就是水下蝦體自然情況下的體長(cháng)。上圖是蝦體最小外接矩形與最佳尺寸測量點(diǎn)示意圖。最后根據雙目視覺(jué)算法，把確定的二維像素點(diǎn)的坐標通過(guò)坐標系變換轉換為空間三維坐標，進(jìn)而依據公式獲取到最佳測量點(diǎn)的空間三維坐標M（X_M,Y_M,Z_M）、N（X_N,Y_N,Z_N），最后根據歐式距離等式可以計算得到水下蝦體體長(cháng)實(shí)際尺寸S。

像素坐標：

將當前階段拍攝到的所有蝦體體長(cháng)取平均后，得到當前階段蝦池平均體長(cháng)，將該數值與正常養殖情況下該階段蝦體體長(cháng)進(jìn)行數值擬合，分析當前養殖效果是否達到對蝦正常生長(cháng)狀態(tài)^[7]。

2.4 生長(cháng)率計算

將同時(shí)期所拍攝的大量蝦體體長(cháng)取平均后（每3 天為一周期），根據這一數據與上一測量周期所得數據求取這段時(shí)間內的蝦體生長(cháng)率，依據下述公式計算某一生長(cháng)周期的生長(cháng)率：

生長(cháng)率=（某一周期蝦體長(cháng)度- 前一周期蝦體長(cháng)度）/前一周期蝦體長(cháng)度

在正常養殖情況下采用捕撈測量法取該周期內平均值后計算蝦體生長(cháng)率曲線(xiàn)函數：

根據正常情況下的生長(cháng)率函數圖像與實(shí)際計算所得的生長(cháng)率函數圖像進(jìn)行擬合對比，當偏差大于5% 時(shí)即認為當前養殖模式下導致蝦體生長(cháng)偏慢，結合水質(zhì)參數和飼喂情況分析影響蝦體生長(cháng)的因素。同時(shí)，將所得參數進(jìn)行可視化后在界面進(jìn)行顯示。

對蝦瞬時(shí)生長(cháng)率以幼體期最高，隨個(gè)體長(cháng)大而快速下降，但在近成體后下降又趨平緩，幼體的瞬時(shí)生長(cháng)率隨溫度升高而提高，近成體后不同溫度下的瞬時(shí)生長(cháng)率差異已不明顯。在同一溫度下，不同期采獲的瞬時(shí)生長(cháng)率變化不大，近成體后尤是如此。

因此，本系統主要在蝦體的幼體期將生長(cháng)率作為養殖狀況參照指標。

3   結論

目前，尚未有學(xué)者通過(guò)機器視覺(jué)方法對蝦體生長(cháng)及生長(cháng)率情況進(jìn)行研究，而本文設計的系統，首先基于YOLOv5 深度學(xué)習模型對圖像進(jìn)行蝦體識別框選，然后通過(guò)雙目攝像頭完成雙目圖像的立體匹配，把二維坐標點(diǎn)轉換為三維坐標點(diǎn)計算蝦體真實(shí)長(cháng)度及其平均生長(cháng)率。

由于對蝦在不同的生長(cháng)周期里表現出來(lái)的生長(cháng)率是不同的，比如幼時(shí)1 個(gè)月的生長(cháng)率平均增長(cháng)速度要比第2 個(gè)月平均增長(cháng)速度快2% 左右，故本文以養殖池里的對蝦平均生長(cháng)率作為參考數據，結合養殖人員累計的多年經(jīng)驗，判斷一個(gè)對蝦養殖池內在某一個(gè)時(shí)間周期里對蝦的生長(cháng)狀況是否正常，如果情況良好，則按照原來(lái)的養殖方案飼養；如果生長(cháng)率偏低，養殖人員應該盡快調整養殖方案，加大換氧量等等措施來(lái)調整對蝦的生長(cháng)狀態(tài)。

針對目前蝦類(lèi)養殖場(chǎng)仍存在死亡率高、智慧化水平低、依賴(lài)人為經(jīng)驗養殖等問(wèn)題，本文提出的方法能有效降低對蝦死亡率、減輕養殖人員機械化的體力勞動(dòng)、降低養殖能耗，保障水產(chǎn)養殖系統的穩定運行，本產(chǎn)品適用于水產(chǎn)養殖領(lǐng)域中的智慧化升級改造和鄉村漁業(yè)振興，具有一定的實(shí)用價(jià)值和社會(huì )效益。

參考文獻：

[1] 周洪,莊捷生.湛江對蝦養殖業(yè)現狀調查[J].廣東飼料,2009,18(05):9-14.

[2] 張季云.鄉村振興中鄉村旅游的重要性:基于法國鄉村可持續發(fā)展理念[J].世界農業(yè),2018(12):189-192.DOI:10.13856/j.cn11-1097/s.2018.12.041.

[3] 董鵬.基于雙目視覺(jué)的水下海產(chǎn)品尺寸自動(dòng)測量技術(shù)研究[D].大連:大連海事大學(xué),2020.DOI:10.26989/d.cnki.gdlhu.2020.000259.

[4] 李穎,陳龍,黃釗宏,等.基于多尺度卷積神經(jīng)網(wǎng)絡(luò )特征融合的植株葉片檢測技術(shù)[J].智能科學(xué)與技術(shù)學(xué)報,2021,3(03):304-311.

[5] 談世磊,別雄波,盧功林,等.基于YOLOv5網(wǎng)絡(luò )模型的人員口罩佩戴實(shí)時(shí)檢測[J].激光雜志,2021,42(02):147-150.DOI:10.14016/j.cnki.jgzz.2021.

[6] 程西云,張婕敏.圖像處理技術(shù)在拉鏈齒數檢測中的研究[J].汕頭大學(xué)學(xué)報(自然科學(xué)版),2006(01):65-69.

[7] 周維武,邢克敏,孫偉.對蝦精養中急待解決的認識和技術(shù)問(wèn)題[J].中國水產(chǎn),2000(04):42-41.

（本文來(lái)源于《電子產(chǎn)品世界》雜志2022年5月期）