论文部分内容阅读
应用机器视觉技术对点带石斑鱼异常行为进行识别并及时报警有助于提高点带石斑鱼存活率,减少养殖过程中人力消耗。本实验以点带石斑鱼(EpinepHelus malabaricus)为实验对象,通过调节水质形成:低溶氧、高氨氮、低盐、低温的实验环境,通过计算机视觉技术对点带石斑鱼在实验环境下异常行为进行识别并报警。本文简单介绍了点带石斑鱼、计算机视觉技术以及计算机视觉技术在水产养殖应用上的国内外研究现状。详述了水体中溶解氧、氨氮、盐度、温度的测量方法。详细阐述了实验所用图像处理方法:二值化、灰度化、图像分割、图像细化直方图均衡化等。本文围绕不同水质下点带石斑鱼异常行为的识别做了以下工作:选取体重为160.5±171.10g,体长为15.5±16.7cm的点带石斑鱼,共计200尾,平均分为4组,每组包含正常组与异常组两个分组,每个分组25尾。在养殖水体其他条件不变的情况下下,通过人工调节水体溶解氧浓度、氨氮浓度、盐度、温度以获取4种不同水质条件下点带石斑鱼正常与异常状态下的图像。通过对比发现:点带石斑鱼在低溶解氧水体中鱼口会持续大张,在高氨氮水体中会出现身体痉挛,导致鱼体弯曲。在低盐条件下,鱼鳃会持续大张;在低温环境下,点带石斑鱼体色会发生变化。因此可以通过计算机采集点带石斑鱼图像,并对异常行为进行判别。在低溶氧点带石斑鱼异常行为判别实验中,对采集到的图像使用前景提取、二值化、开运算、中值滤波等方法进行处理后选取正常状态与异常状态下两张图像进行差分运算以得到两种状态下鱼口面积差图。利用鱼眼形状获取鱼眼中心坐标,通过鱼眼中心坐标剪裁出只包含鱼口的目标图像。根据鱼口面积判断鱼口张闭状态与时长,来识别鱼类是否出现异常行为。在高氨氮点带石斑鱼异常行为判别实验中,对获取的原始图像进行分割、二值化、图像细化获取骨骼、中值滤波等预处理后,获取点带石斑鱼形体曲线,当点带石斑鱼形体曲线出现两个角点时,视为鱼类出现异常行为并进行报警。在低盐度点带石斑鱼异常行为判别实验中,对获取的原始图像进行分割、二值化、中值滤波等预处理;利用最小外接矩阵法可获取鱼体的长轴与短轴。通过鱼体短轴可剪裁包含鱼体头部的图像;通过鱼体头部图像面积与鱼体短轴长度比值判断鱼鳃张合进而判断,来识别鱼类是否出现异常行为。在光照条件点带石斑鱼异常行为判别实验中,对获取的原始图像进行分割、获取只包含鱼体的目标图像、计算目标图像亮度均值、最后,通过比较目标图像亮度值判断鱼体状态,若鱼体色变黑,视为鱼类出现异常行为并进行报警。每组分别利用50条大小相近的点带石斑鱼对实验方法进行验证,表明实验方法能有效识别点带石斑鱼异常行为。