黄 平，郑金存，庞 毅

（1.广西大学 计算机与电子信息学院，广西南宁 530004；2.玉林师范学院物理与电信工程学院智能信息与通信技术研究中心，广西玉林 537000）

传统利用机器视觉研究鱼类摄食状态的方法主要通过鱼类的运动特征、图像纹理特征等方式对摄食状态进行量化[1-7]。此类方法易受光照、水质条件的限制，图像特征提取过程繁琐、识别效率低。神经网络模型通过自主学习实现了对图像特征的自动提取和识别，提高了识别的效率[8]，但其识别效果仍受到图像预处理质量的影响。为此，采用了结构复杂的网络模型[9-10]来提高模型识别精度，解决导致模型训练、部署困难的问题。因此该文利用深度相机及基于距离特征的算法克服环境因素的影响，提高图像预处理的质量，简化了识别模型的结构，解决了模型训练困难的问题。

1 数据处理

1.1 基于距离特征的图像预处理方法

采用微软公司Azure Kinect DK 深度相机为前期图像处理设备。相机基于光子时间飞跃（Time of Light，TOF）技术，通过测量调制光信号在相机和物体之间的飞行时间来测量距离信息[12]，其距离计算公式如式（1）：

式中，D是深度相机到被测物的距离，c为光在空气中传播速度，Δφ为发射光信号与接收信号的相位差，f为光的频率。

将深度相机放置于养育池正上方中心并向下俯拍，调节深度相机与养育池的水面距离为50 cm，使得深度相机的视野范围覆盖整个养育池水面。游泳型鱼类（如鲤鱼）摄食区域通常为距离水面深度15 cm的区域[13]。……