陈彩文, 杜永贵，周 超, 孙传恒※

基于图像纹理特征的养殖鱼群摄食活动强度评估

陈彩文1,2, 杜永贵1，周 超2, 孙传恒2※

（1. 太原理工大学信息工程学院，太原 030024；2. 国家农业信息化工程技术研究中心，农业部农业信息技术重点实验室，北京市农业物联网工程技术研究中心，北京 100097）

为了解决循环水养殖中的投喂难题，该文以镜鲤为试验对象，基于计算机视觉技术，提出了一种通过分析鱼群的纹理来评估鱼群摄食活动强度的方法。首先利用均值背景建模重建出没有鱼群的背景图片，提取出目标鱼群，使用灰度共生矩阵对逆差矩、相关性、能量和对比度这4个纹理特征进行分析，得到鱼群的摄食活动强度。试验结果表明通过鱼群纹理的对比度与传统方法面积法得到的鱼群摄食活动强度，其线性决定系数可达0.894 2，说明该方法可以用来表征鱼群的摄食活动强度，研究结果为鱼群的摄食活性强度测量提供了一种参考方法。

计算机视觉；图像识别；纹理；灰度共生矩阵；鱼群面积；鱼群摄食活动强度

0 引 言

近年来，计算机视觉技术在渔业养殖上的应用成为研究热点，但是养殖过程中的投饵问题，目前都是采用人工投饵和机械投饵，无法精确考虑鱼类摄食需求的变化和环境因子的影响[1-3]；而且大量的研究表明鱼群在不同水质情况下和不同的生长阶段摄食活动强度会有很大的差别[4-7]。所以分析量化鱼群的摄食活动强度成为解决精准投喂的关键问题[8-12]。

利用计算机视觉和图像处理技术对鱼群的摄食行为进行量化，对于提升渔业养殖的经济效益具有非常重要的意义[13-16]。目前借助于计算机视觉技术对于鱼类的摄食行为进行量化的研究主要集中在国外，国内相对偏少，主要有：Liu等通过计算鱼群在相邻时间内的鱼群差分图像来表征鱼群的摄食活动强度，但是该方法需要对激起水花的不可观测图片进行剔除，计算量大[17]。胡利永等分析鱼群在摄食过程中的聚集扩散程度及鱼群的饥饱程度，来决定鱼群的投喂量，但是此方法易受室外水面反光的影响[18]；Dorith等利用PMP值（鱼群的运动投影图）来间接表征鱼群的运动活跃程度，但是不能提供一个数字化的反馈[19]；Keith等以出现鱼群抢食和鱼群在底部摄食的比例作为鱼群的摄食速度[20]；Eriksen等为鱼群的每种行为赋值，从而量化鱼类的摄食活动强度[21]。这些方法都是基于人工的观察测量，易受人为因素的干扰。Sadoul等利用鱼群面积的变化程度和鱼群的扩散程度来表征鱼群在摄食和监闭状态下的运动活跃程度[22]，该方法也取得了良好的试验效果，但是鱼群数目相对偏少。

采用计算机视觉技术来对鱼群的摄食行为进行研究时，首先需要提取出运动目标的位置，才能进行相关的分析处理，但是在分析鱼群的摄食行为时，其相互遮挡的现象时有发生，此时量化鱼群的摄食活动强度变得非常困难[23-26]。对于循环水养殖系统来说，水槽中的水较为清澈，而且鱼群的行为模式较为固定。所以针对这一情况，本文提出把鱼群作为整体研究对象，利用鱼群在不同的摄食情况下对应的不同图像纹理，根据鱼群的纹理信息判断出鱼群的摄食活动强度，以期达到对鱼群实时监控的目的。

1 材料与方法

1.1 试验材料

本研究选用镜鲤（Cyprinus carpio specularis）为试验对象，该鱼种鳞片少、生长速度快、含肉率高、肉质好，已被中国水产委员会审定为适合在中国推广的优良水产养殖品种。为了更加符合工厂化的养殖环境，本试验挑选55条镜鲤放入水槽内进行饲养，鱼体体长在10～25cm之间。水槽直径为1.5 m，高为1.2 m。在采集视频之前，镜鲤已经在此系统中生活了数月，已经充分适应了循环水养殖系统的各种条件。

1.2 视频的采集

本试验是在北京小汤山国家精准农业示范基地采集数据，试验系统如图1所示，该系统包括养鱼的水槽、生物滤池、UV紫外线过滤装置、一台微滤机、过滤泵和一台摄像机。在试验中，采用浮性饲料对鱼群进行饱食投喂（有少量饲料浮在水槽表面，且大部分鱼群潜入水槽底部，不再摄食，即可认为鱼群已经吃饱，即可停止投喂），然后对鱼群的摄食活动强度进行分析。视频采集系统中，摄像机安装在水槽的斜上方1 m高的位置进行拍摄，摄像机为尼康D90，其采集图像为24-bit RGB、1 280×720像素真彩图像，格式为JEPG，采集帧率为24帧/s，采集到的数据直接存储在摄像机自带的采集卡中，截取视频的软件为Daum Potplayer，图像分析软件采用的是MATLAB R2013a和OpenCV2.4.9。

图1 循环水养殖系统示意图Fig.1 Sketch map of circulating water culture system

2 基于图像纹理的鱼群摄食活动强度测量

图像的纹理分析技术是目前计算机视觉领域研究的一个重要方向，任何物体的表面，在一定的时间空间状态下，一定会显现出纹理，而且图像的纹理特征与图像的色彩信息无关，它能反映出不同图像的空间组成特征[27-29]。所以利用纹理的这一特性对鱼群摄食活动强度进行分析时，可以免去鱼群运动时激起的水花及水面波纹的干扰。本文为了对鱼群的摄食活动强度进行量化，所采用的数据是截取鱼群摄食前后11 min的视频，然后每隔1 s截取一帧，从中挑选了630幅质量较好的图片对其进行分析处理，首先利用均值背景建模生成没有鱼群的背景图片，然后通过背景减法提取出前景目标鱼群，再把图片灰度化生成灰度共生矩阵，对比鱼群纹理的各个特征量，最后得到鱼群的摄食活动强度，本文的算法如图2所示。

图2 纹理分析鱼群摄食活动强度的流程图Fig.2 Flow chart of texture analysis of shoal feeding activity

2.1 背景生成及背景减

因为本文研究的对象是鱼群，所以首先需要从场景中提取出鱼群前景，去掉场景中的背景干扰，背景减法是目前常用的一种检测方法。首先重建出没有运动鱼群的背景图片。考虑到鱼群的摄食时间较短，为了快速得到背景图片，本文采用均值背景建模。它的基本思想是将运动的鱼群看做噪声，采取累积平均的方法来消除噪声，将一段时间内视频监控序列图像进行平均，从而获得背景图片。均值背景建模用数学公式表示如下：

式中im(x, y)是第m帧视频在(x, y)位置处的像素值，N表示帧数，B( x, y)是背景图像在(x, y)处像素的平均值，不断改变(x, y)的值可以获取整张背景图片。提取图片的前景鱼群时，只需要将当前帧图片和背景图片进行相减即可。该算法是在VS2013和OpenCV2.4.9的试验平台下，取视频的前200帧图片就可以重建出成像质量较好的背景图片，如图3所示。

图3 生成的背景参考图像Fig.3 Generated background reference image

2.2 提取鱼群的纹理特征

鱼群在非摄食阶段一般会集群在水底自由活动，行为相对比较单调和统一，而在摄食时，鱼群会迅速游到水槽表面，杂乱无章的开始抢食，并且还会激起一定量的水花。传统的方法解决这一问题往往会很复杂，而本文在分析鱼群抢食行为时，把鱼群抢食时引起的水面抖动和溅起的水花也作为分析鱼群图像纹理的一部分。因为不同状态下鱼群图像对应的纹理模式不同，所以提取鱼群图像的纹理特征可以对鱼群的摄食行为进行研究，而灰度共生矩阵是计算纹理特征的一种常用有效方法。为了提取鱼群的纹理特征，需要把之前的差分图片灰度化，然后生成每幅图片的灰度共生矩阵，进而提取出鱼群的纹理特征。图4为鱼群在各个阶段的原始图片和灰度化以后的图片。

2.3 灰度共生矩阵及其生成

设(,)f x y为一幅二维数字图像，其大小为MN×像素，灰度级别为gN，则满足一定空间关系的灰度共生矩阵为：

式中#(x)表示集合x中的元素个数，P 为Ng×Ng的矩阵，如果(x1, y1)与(x2,y2)间的距离为d，两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵P(i, j, d,θ)。

图4 鱼群各个阶段的原始图片和灰度化以后的图片Fig.4 Original image and gray image in each stage of shoal

2.4 灰度共生矩阵特征量的提取

灰度共生矩阵能反映出图像灰度关于方向、相邻间隔、变化幅度的综合信息，是分析图像局部模式和像素排列规则的基础[30-31]。作为纹理分析的特征量，往往不直接计算整幅图像的灰度共生矩阵，而是在灰度共生矩阵的基础上再提取纹理特征量，称为二次统计量。提取出来的统计量可以作为描述图像纹理信息的特征参数，这些参数可以精确表征图像的纹理信息。根据相关文献得到的结论，本文使用下面这4个参数来对鱼群纹理进行分析，它们分别是：

1）逆差矩（homogeneity）：反映了图像纹理的局部平稳性，即度量图像的纹理局部变化的多少。

2）相关性（correlation）：反映灰度共生矩阵的元素值在行或列方向上的相似程度。

3）能量（energy）：灰度共生矩阵中所有像素点的灰度值的平方和，反映图像纹理的粗细程度和灰度分布的均匀程度。

4）对比度（contrast）：反映了图像纹理的深浅程度以及图像的清晰程度。

从以上公式可知，不同的方向、灰度等级及像素距离会得到不同的灰度共生矩阵，为了计算方便有效，参考徐小军[32]等在用灰度共生矩阵分析火焰纹理特征中的一些结论，在本试验中把图片的灰度等级设置为8级，像素距离设置为10，像素方向取0°、45°、90°和135°这4个方向上的逆差矩、相关性、能量和对比度共16个特征值作为描述鱼群摄食活动强度的特征量。

3 结果与分析

3.1 鱼群纹理的分析结果

鱼群纹理的逆差矩、相关性、能量和对比度在0°、45°、90°和135°方向上的变化趋势如图5所示，为了使数据较为统一整齐，需对数据进行归一化处理。

从图5可以看到，4幅图片在0～210帧，变化都比较平缓，此时对应的是鱼群摄食之前的阶段；210～360帧，都出现了大幅度的抖动，此时正好是鱼群摄食的阶段；而在360帧以后又逐渐恢复到之前的状态，此时对应的是鱼群摄食以后的阶段；其中在550～600帧时，也出现了部分帧幅度相对比较大的抖动，从原始视频中观察发现，是因为有个别鱼游到水面争抢剩余的残饵所致，如图4d所示，这也与鱼群的进食情况相吻合。通过与原始视频的对比发现鱼群纹理的对比度（图5d）与鱼群的摄食活动强度最为接近。

3.2 基于面积法的鱼群摄食活动强度测量

胡利永等通过分析鱼群在摄食过程中的聚集扩散程度来决定鱼群的投喂量，并且取得了良好的试验效果。为了验证利用鱼群纹理得到的鱼群摄食活动强度是否具有可靠性，此处用进食鱼群面积来表征鱼群的摄食活动强度[22]。在本文中采用Otsu的方法自动生成每幅图片的各个阈值，图6a为某帧图像背景减二值化后的目标鱼群。

从图6a可以看到，二值化后的图片在水槽边缘、过滤棒和鱼群抢食区域含有很多噪声点，此处使用开运算对其进行形态学处理，图6b是选择大小为5×5像素的单位圆盘型结构元素来消除一些小的孤立点。然后计算摄食前后鱼群面积（前景中鱼群的像素数）的变化情况，最后拟合出鱼群摄食活动强度的变化曲线图。

3.3 用两种方法测得的鱼群摄食活动强度的比较

从以上分析可知鱼群的纹理信息在0°、45°、90°和135°的方向上的变化趋势大致相同，所以可以用图片0°方向上的逆差矩、相关性、能量和对比度这4个纹理特征值来表征鱼群的摄食活动强度。此处从之前挑选出来的630帧图片中，每隔10帧，共63个时间点，计算出鱼群在各个时间点处的纹理特征参数和其鱼群面积参数，进行对比，通过这两种方法量化得到鱼群的摄食活动强度的线性决定系数如表1所示。

图5 逆差矩、相关性、能量和对比度的特征曲线图Fig.5 Characteristic curve of homogeneity、correlation、energy and contrast

图6 鱼群面积获取的过程Fig.6 Process of obtaining area of shoal

表1 鱼群纹理的各特征量和鱼群面积的相关性Table1 Correlation between characteristic quantity and area of shoal

从表1中可以看到鱼群纹理的对比度与通过面积法得到的鱼群摄食强度的相关性最好，其决定系数可达0.894 2。而且由图7可以看到，通过图像纹理得到的鱼群摄食活动强度和通过计算前景中的鱼群面积得到的摄食活动强度，两者呈现出相似的变化规律，说明图片的纹理信息可以用来表征鱼群的摄食强度变化。

图7 通过面积和纹理得到的鱼群摄食活动强度的曲线图Fig.7 Curves of feeding activity of shoal by area and texture

而利用面积法来量化鱼群的摄食行为易受水面抖动和反光等问题的影响，给图片后期处理带来极大的困难甚至得不到处理结果。从图7中可以看到，用本文提出的用灰度共生矩阵量化鱼群的纹理特征时，当鱼群的纹理对比度值在0.1～0.19时为鱼群的摄食阶段，当纹理对比度值在0.04～0.10时为鱼群的非摄食阶段。而且利用本文的算法无需对鱼群抢食激起的水花、引起水槽水面波动等不利因素进行去除，因为本文的算法主要是针对由鱼群摄食活动引起的纹理特征变化为主要因素进行分析的，因此基于纹理对鱼群摄食活动强度的测量方法相对稳定、可靠，它能够客观的评价鱼群活动的信息。而且利用本文算法平均处理一幅图片的时间为1.294 s，这也能够达到对鱼群实时监控的要求。如果它能够作为一个有效量化鱼群摄食活动强度的工具，并且这种方法用到实际检测鱼类摄食过程中，它将有效的避免过量投喂事件的发生。而且本文所提出的方法在预测鱼类福利状况方面也有一定的潜力。因为相关研究表明，过于活跃的鱼群活动意味着不正常的鱼类福利。

4 结 论

在水产养殖中，量化鱼群的摄食活动强度具有十分重要的现实意义和经济价值。本文利用纹理特征分析法对鱼群摄食前后的摄食活动强度进行了定量的研究，绘制出图片各个纹理特征参数的变化曲线，找出了鱼群摄食过程中逆差矩、相关性、能量和对比度各个参数的变化规律，并且跟进食鱼群面积的方法进行了比较，其决定系数R2分别为0.514 3、0.417 0、0.479 6和0.894 2，发现鱼群纹理特征量中的对比度能够很好地表征鱼群的摄食活动强度，而且用鱼群纹理量化鱼群的摄食活动强度时，可以避免对鱼群内个体的追踪，直接以鱼群摄食活动引起的纹理变化为关键因素进行分析，跟传统方法进行比较，本方法简单，且具有良好的实用性。

但是，在本试验中为了得到更好成像质量的图片，对水槽的边缘进行了一小部分裁剪。而且本文的试验研究条件还是相对比较理想的，怎样减少误判和漏判，何时停止投喂以达到鱼群的最佳投喂量，必须结合鱼群的其他特征进行综合判断，以及本文的这种方法对其他鱼群是否适用，将是下一步将要做的工作。

[1] 穆春华，范良忠，刘鹰. 基于计算机视觉的循环水养殖系统残饵识别研究[J]. 渔业现代化，2015，42(2)：33－37.

Mu Chunhua, Fan Liangzhong, Liu Ying. Research on the residual feeds recognition of recirculating aquaculture systems based on computer vision[J]. Fishery Modernization, 2015, 42(2): 33－37. (in Chinese with English abstract)

[2] Vassilis M Papadakis, Ioannis E Papadakis, Fani Lamprianidou, et al. A computer-vision system and methodology for the analysis of fish behavior[J]. Aquacultural Engineering, 2012, 46(2) 53–59.

[3] 胡金有，王靖杰，张小栓. 水产养殖信息化关键技术研究现状与趋势[J]. 农业机械学报，2015，46(7)：251－263.

Hu Jinyou, Wang Jingjie, Zhang Xiaoshuan. Research status and development trends of information technologies in aquacultures[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(7): 251－263. (in Chinese with English abstract)

[4] Delphine Mallet, Dominique Pelletier. Underwater video techniques for observing coastal marine biodiversity: A review of sixty years of publications(1952-2012)[J]. Fisheries Research, 2014, 154: 44－62.

[5] Johann Delcourt, Mathieu Denoel, Marc Ylieff, et al. Video multitracking of fish behavior of fish behavior: a synthesis and future perspectives[J]. Fish and Fisheries, 2013, 14: 186－204.

[6] Bong Jin Cha, Bong Seng Bae, Sam Kwang Cho, et al. A simple method to quantify fish behavior by forming timelapse images[J]. Aquacultural Engineering, 2012, 51: 15－20.

[7] Duarte S, Reig L, Masalo L, et al. Influence of tank geometry and flow pattern in fish distribution[J]. Aquacultural Engineering, 2011, 44: 48－54.

[8] Vassilis M Papadakis, Alexios Glaropoulos, Maroudio Kentouri. Sub-second analysis of fish behavior using a novel computer-vision system[J]. Aquacultural Engineering, 2014, 62: 36－41.

[9] 张墨，高霄龙，李贤,等. 放养规格对银化期大西洋鲑生长的影响及生理影响机理[J]. 农业工程学报. 2016，32(5)：221－227.

Zhang Mo, Gao Xiaolong, Li Xian, et al. Effect of different sizes on growth during smoltification in atlantic salmon (Salmo salar L) and its mechanism of physiological response[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(5): 221－227. (in Chinese with English abstract)

[10] 王勇平，聂余满. 基于机器视觉的养殖鱼群智能投饵系统设计与研究[J]. 仪表技术，2015，1：1－4.

Wang Yongping, Nie Yuman. Design and research of intelligent feeding systemfor farmed fish based on machine vision[J]. Instrumentation Technology, 2015, 1：1－4. (in Chinese with English abstract)

[11] 张志强，牛智有，赵思明. 基于机器视觉技术的淡水鱼品种识别[J]. 农业工程学报，2011，27(11)：350－354.

Zhang Zhiqiang, Niu Zhiyou, Zhao Siming. Weight grading of freshwater fish based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(11): 350－354. (in Chinese with English abstract)

[12] Wu Tehui, Huang Yui. Development of an adaptive neural-based fuzzy inference system for feeding decisionmaking assessment in silver perch (Bidyanus bidyanus) culture[J]. Aquacultural Engineering, 2015, 66: 42－51.

[13] 赵建，鲍伟君，叶章颖，等. 基于不同检测方法的养殖鱼类昼夜摄食节律研究进展[J]. 渔业现代化, 2016，43(2):17-21

Zhao Jian, Bao Weijun, Ye Zhangying, et al. Different detection methods based research progress on diel feeding rhythms of cultured fishes[J]. Fishery Modernization, 2016, 43(2): 17－21. (in Chinese with English abstract)

[14] 李贤，范良忠，刘子毅，等. 基于计算机视觉的大菱鲆对背景色选择习性研究[J]. 农业工程学报，2012，28(10):189－193. Li Xian, Fan Liangzhong, Liu Ziyi, et al. Preference habit of juvenile turbot for different color backgrounds based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2012, 28(10): 189－193. (in Chinese with English abstract)

[15] Viazzi S, Hoestenberghe S Van, Goddeeries B M, et al. Automatic mass estimation of Jade perch Scortum barcoo by computer vision[J]. Aquacultural Engineering, 2015, 64: 42－48.

[16] 段延娥，李道亮，李振波. 基于计算机视觉的水产动物视觉特征测量研究综述[J]. 农业工程学报，2015，31(15)：1－11.

Duan Yane, Li Daoliang, Li Zhenbo. Review on visual characteristic measurement research of aquatic animals based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 1－11. (in Chinese with English abstract)

[17] Liu Ziyi, Li Xian, Fan Liangzhong. Measuring feeding activity of fish in RAS using computer vision[J]. Aquacultural Engineering, 2014, 60: 20－27.

[18] 胡利永，魏玉艳，郑堤. 基于机器视觉技术的智能投饵方法研究[J]. 热带海洋学报，2015，34(4)：90－95.

Hu Liyong, Wei Yuyan, Zheng Di. Research on intelligent bait casting method based on machine vision technology[J]. Journal of Tropical of Oceanography, 2015, 34(4): 90－95. (in Chinese with English abstract)

[19] Dorith Israeli, Eitan Kimmel. Monitoring the behavior of hypoxia-stressed carassius auratus using Computer Vision [J]. Aquacultural Engineering, 1996, 15(6): 423－440.

[20] Keith H Nislow, Carol Folt, Marco Seandel. Food and foraging behavior in relation to microhabitant use and survival of age-0 Atlantic salmon[J]. Canadian Journal of Fisheries and Aquatic Sciences, 1988, 55(1): 116－127.

[21] Eriksen MS, Faererik G, Kittilsen S. Stressed mothers troubled offspring: a study of behavioural maternal effects in farmed[J]. Journal of Fish Biology, 2011, 79(3): 575－586.

[22] Sadoul B, EvounaMengue P, Friggens NC. A new method for measuring group behaviours of fish shoals from recorded videos taken in near aquaculture conditions [J]. Aquaculture, 2014, 430: 179–187.

[23] 周应祺，王军，钱卫国. 鱼类集群行为的研究进展[J]. 上海海洋大学学报，2013，22(5)：734－743.

Zhou Yingqi, Wang Jun, Qian Weiguo. Review of fish schooling behavior study[J]. Journal of Shanghai Ocean University, 2013, 22(5): 734－743. (in Chinese with English abstract)

[24] Pautsina A, Císař P, Štys D. Infrared reflection system for indoor 3D tracking of fish[J]. Aquacultural Engineering，2015, 1(69): 7－17

[25] Zhao Jian, Gu Zhaobin, Shi Mingming, 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.

[26] Georg Rakowitz, Michal Tusˇer, Milan Rˇ iha. Use of high-frequency imaging sonar (DIDSON) to observe fish behaviour towards a surface trawl[J]. Fisheries Research, 2012, 123: 37–48.

[27] 赵建，朱松明，叶章颖，等. 循环水养殖游泳型鱼类摄食活动强度评估方法研究[EB/OL]. (2016-05-23). http://www. cnki.net/kcms/detail/11.1964.S.20160523.1601.008.html.

[28] 乔峰，郑堤，胡利永，等. 基于机器视觉实时决策的智能投饵系统研究[J]. 工程设计学报，2015，22(6)：528－533.

Qiao Feng, Zheng Di, Hu Liyong, et al. Research on smart bait casting machine based on machine vision technology[J]. Chinese Journal of Engineering Design, 2015, 22(6): 528－533. (in Chinese with English abstract)

[29] 范良忠，刘鹰，余心杰，等. 基于计算机视觉技术的运动鱼检测算法[J]. 农业工程学报，2011，27(7): 226－230.

Fan liangzhong, Liu Ying, Yu xinjie, et al. Fish motion detecting algorithms based on computer vision technologies[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2011, 27(7): 226－230. (in Chinese with English abstract)

[30] 于欣，侯晓娇，卢焕达，等. 基于光流法与特征统计的鱼群异常行为检测[J]. 农业工程学报，2014，30(2)：162－168.

Yu Xin, Hou Xiaojiao, Lu Huanda,et al. Anomaly detection of fish school behavior based on features statistical and optical flow methods[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(2): 350－354. (in Chinese with English abstract)

[31] Paul J Ashley. Fish welfare: Current issues in aquaculture[J]. Applied Animal Behaviour Science, 2007, 104: 199－235

[32] 徐小军，邵英，郭尚芬. 基于灰度共生矩阵的火焰图像纹理特征分析[J]. 计算技术与自动化，2007，26(4)：64－67

Xu Xiaojun, Shao Ying, Guo Shangfen. Based on Level Cooccurrence Matrix[J]. Computing Technology and Automation, 2007, 26(4): 64－67.(in Chinese with English abstract)

Evaluation of feeding activity of shoal based on image texture

Chen Caiwen1,2, Du Yonggui1, Zhou Chao2, Sun Chuanheng2※
(1. College of Information and Technology, Taiyuan University of Technology, Taiyuan 030024, China; 2. National Engineering Research Center for Information Technology in Agriculture, Key Laboratory of Agri-informatics, Ministry of Agiculture, Beijing Engineering Research Center of Agricultural Internet of Things, Beijing 100097, China)

Currently, about 60% of the world’s fish come from China. China is the biggest aquaculture country in the world. However, China’s traditional aquaculture farming method still plays an important role. This will lead to a waste of human resources and land resources. In recent years, more than 90% of the fish farming workers prefer to apply RAS (recirculating aquaculture system), because RAS not only creates a good rearing condition and feed utilization environment for the good growth of the shoal, but also provides a necessary prerequisite for the sustainable development of the aquaculture. Although RAS is more convenience, it still has a lot of problems: the over-feeding events continue to affect the welfare of shoal, the operation of system also influences the growth and survival of shoal, and in addition, the water quality of the system increases the risk of diseases and leads to the extra-load on the mechanical filters, bio-filters and oxygenation equipment. Therefore, the most direct and effective way to solve these problems is to determine the amount of feeding activities according to the appetite of the shoal. In actual operation, manual observation is an effective method. But, on the one hand, this way requires fish-farming workers to pay the labor and time costs. On the other hand, the most difficult problem is how to measure feeding activity. This is because the result of visual observation for the shoal appetite is often hampered by high shoal density and some other unfavorable factors. In recent years, several methods have been developed to enable the tracking of several fish in the same tank, but these methods are invasive, potentially disturbing, or need restricting conditions. In order to solve this problem, a novel method, with the help of the original method based on image texture of the Cyprinus carpio specularis, is proposed to evaluate the feeding activity of the shoal. With this method, the feeding activity of Cyprinus carpio specularis is recorded by a camera mounted on the rearing tank. Then, the video is decomposed into a sequence of frame images, the background interference is removed, and the foreground object is extracted. Next, the texture of shoal is extracted by using gray level co-occurrence matrix. By this way, it can avoid the interference of surface vibration, spray and other adverse factors. At last, we find out the similarity and difference of the texture features. To sum up the above arguments, this method can be used for the quantifying analysis of the feeding activity of the shoal. To evaluate the reliability of shoal image texture, the other way is put forward to quantify the feeding activity of shoal. Before this research, the diffusion and aggregation indices used by some researchers describe the feeding activity of shoal. The index is calculated by summing the individual area of each group. A group is a single black area created by the outlines of overlapping fish. Using this method, it is easy to observe that when the shoal is spreading, the index will be high, and otherwise, the index will be low. The determination coefficient for the above methods is 0.894 2. Hence, the feeding activity of shoal can be quantified by the image texture. This method provides a sensitive, non-invasive, simple and widely applicable tool to quantify the behavior changes associated with the various challenges in aquaculture conditions.

computer vision; image recognition; textures; gray level cooccurrence matrix; area of shoal; feeding activity of shoal

10.11975/j.issn.1002-6819.2017.05.034

S951.2; TP391.41

A

1002-6819(2017)-05-0232-06

陈彩文, 杜永贵，周 超, 孙传恒. 基于图像纹理特征的养殖鱼群摄食活动强度评估[J]. 农业工程学报，2017，33(5)：232－237.

10.11975/j.issn.1002-6819.2017.05.034 http://www.tcsae.org

Chen Caiwen, Du Yonggui, Zhou Chao, Sun Chuanheng. Evaluation of feeding activity of shoal based on image texture[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 232－237. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.05.034 http://www.tcsae.org

2016-07-27

2016-11-24

国家科技支撑计划“设施水产养殖数字化智能管理研究”（2014BAD08B09-02）；北京市自然科学基金资助项目（6152009）

陈彩文，研究方向：图像处理。太原 太原理工大学信息工程学院 030024。Email：877594254@qq.com

※通信作者：孙传恒，研究员，研究方向：农业信息化。北京 国家农业信息化工程技术研究中心100097。Email：sunch@nercita.org.cn