基于计算机视觉的水下蟹苗信息采集系统研究

摘要

随着现代化水产养殖的发展，信息化的养殖过程成为了需求。在梭子蟹人工育苗过程中，需要对育苗环境和蟹苗状态实时掌控，才能让养殖者及时做出调整以避免损失。使用计算机视觉技术对养殖生物进行信息采集，不仅对养殖生物干扰小而且客观性强，可以很好地辅助养殖者降低风险、提高产量。
　　本文基于蟹苗的行为特点，使用计算机视觉技术对水下蟹苗信息采集系统进行了研究，具体研究内容和结果如下：
　　第一，实际养殖环境中的蟹苗识别是蟹苗信息采集走向实际运用的基础，本研究针对不同时期蟹苗采取不同的识别方法。在对视频进行背景建模之后，即可获取具有运动特征的前景图像，这些图像包含蟹苗和各类杂质。针对溞状幼体和小型杂质，对其图像提取外形特征和亮度特征，然后使用SVM分类器对图像分类，实现溞状幼体的识别。针对大眼幼体和相同周长的杂质，对其图像提取Haar-like特征，然后使用Adaboost训练分类器对图像分类，实现大眼幼体的识别。实验结果表明，溞状幼体的识别准确率高于91.56%，大眼幼体的识别准确率高于93.21%，说明有针对性的蟹苗识别方法，可以较好地实现识别功能。
　　第二，蟹苗的健康状态对养殖过程极为重要，而健康状态的量化更加有助于养殖者的判断。因为蟹苗健康状态和趋光能力之间存在正相关关系，所以量化蟹苗的趋光能力就能反应蟹苗的健康状态。实验过程对光源附近的蟹苗个数进行估计，然后绘制聚集数量曲线，曲线的坡度则代表了蟹苗的趋光能力。蟹苗个数估计过程中，针对聚集程度的不同，采用不同的估计方法。对于低密度图像，采用线性回归的方法，通过前景图像像素数估计蟹苗个数。对于高密度图像，先使用竞争型网络划分密集等级，然后通过判断当前图像的密集等级来估计蟹苗的个数范围。实验结果表明，该个数估计方法正确率为93.95%，能够很好地用数值描述蟹苗的趋光能力。
　　第三，蟹苗出产量和养殖利润紧密相连，所以池内的蟹苗总量一直是养殖者最为关心的信息。本研究设计一套水下视频采集装置，通过调节录像装置高度采集不同水层的视频。视频采集完成后，对视频中的蟹苗进行识别，并且统计得出样本数据，然后通过核密度估计得出水体中蟹苗的概率密度函数，最后依据概率密度函数和样本数值估算出蟹苗总值。实验结果表明，该总量估计方法在小型养殖池中的准确率平均为82.14%，基本可以实现估计功能。而在大型养殖池中的准确率较低，希望能通过调整采样方案，有进一步的提高。
　　本文的研究内容为养殖环境中的蟹苗状态和总量的获取，设计了采集器材和操作方案，并且提出了分析处理蟹苗图像的方法，使得水下蟹苗信息采集走向智能化。

目录

引言

1 绪论

1.1 研究的背景及意义

1.2 计算机视觉的国内外发展现状

1.3 水下蟹苗信息采集系统的总目标和技术路线

1.4 课题主要研究内容以及章节安排

2.1 图像处理与计算机视觉

2.2 图像的背景建模

2.3 图像的形态学运算

2.4 图像的特征提取

2.5 支持向量机(SVM)

2.6 自适应增强算法(AdaBoost)

2.7 竞争型神经网络

2.8 本章小结

3 水下视频的蟹苗识别

3.1 实验材料和方案

3.2 水下物体的提取和筛选

3.3 溞状幼体和杂质的分类

3.4 大眼幼体和杂质的分类

3.5 结果讨论

3.6 本章小结

4 蟹苗健康状态判别

4.1 材料和方法

4.2 趋光能力的量化

4.3 蟹苗聚集图像的数量估计

4.4 实验结果

4.5 结果讨论

4.6 本章小结

5 池内总量估计

5.1 材料和方法

5.2 池内蟹苗总量估计

5.3 实验结果

5.4 结果讨论

5.5 本章小结

6.1 工作总结

6.2 存在的不足和展望

参考文献

在学研究成果

致谢