基于机器视觉的育苗检测方法研究.docxVIP

基于机器视觉的育苗检测方法研究 在水产养殖中，正确的饲养计算是科学饲养、饲养密度的控制、鱼类存活率的评估和鱼类育种和销售的基本保证。这是实现自动农业生产的根本保证。目前鱼苗计数主要采用人工肉眼计数的方法,存在计数准确率低、效率低,受人工经验限制,误差不定等缺点,且对鱼苗有损伤,已无法适应规模化水产养殖和销售的需求。 机器视觉技术(或称计算机视觉技术)是使用计算机从一幅或多幅图像中自动获取信息、识别物体以及理解场景的技术,已广泛应用于生产的检测、检验,并在工农业领域已有了成功的应用。目前,已有研究人员尝试将机器视觉用于鱼苗计数,以提高工作效率和准确度,具有很好的实用价值和应用前景。但目前这些方法主要采用了较为复杂的图像识别和数学建模方法,有较大的图像数据运算量。本文提出了一种利用鱼苗图像进行鱼苗计数的方法,通过数据拟合,建立已知鱼苗数量的鱼苗图像中鱼苗所占像素点数与鱼苗数量之间的关系,从而判断实际鱼苗数,避免了复杂的图像识别技术,使计数的运算过程得到简化。在建立鱼苗计数试验系统的基础上,对本文提出的鱼苗计数方法进行了可靠性和准确性验证。 1 材料和方法 1.1 数字录像及录像系统 鱼苗自动计数系统如图1所示。该系统由放置鱼苗的水箱、鱼苗数字图像获取系统、计算机和图像采集系统构成。采用大恒工业数字摄像机DH—HV1303UC和日本CBC(Computar)M0814—MP FA镜头,图像空间分辨率采用800×600。从养殖场内采样的鱼苗放置在水箱内,待鱼苗分散均匀后获取鱼苗图像。以体长1.5～2.5 cm的银飘鱼鱼苗为试验对象。 1.2 无放养并关联到正并不确定的鱼类图像 鱼苗计数方法是利用鱼苗图像中鱼苗所占像素点数判断鱼苗数量。灰度图像是数字图像的一种二维矩阵表示方法,矩阵中的1个数据代表图像中的1个像素点。数据的值即灰度值,在之间,0代表黑色,255代表白色。首先获取无鱼苗的背景图像,其次获取若干组已知鱼苗数的鱼苗图像,并计算鱼苗所占像素点数,而后采用多项式拟合的方法建立图像中鱼苗所占像素点数与鱼苗数量之间的关系,再获取未知鱼苗数的鱼苗图像,由该图像中鱼苗所占像素点数按拟合关系式计算鱼苗数量。鱼苗计数的流程如图2所示。已知鱼苗数的鱼苗图像和无鱼苗的水箱背景图像是用于确定图像中鱼苗所占像素点数与鱼苗数的关系,只需在第1次鱼苗计数时获取,但要保证未知鱼苗数的鱼苗图像的获取条件,与上述已知鱼苗数的鱼苗图像和无鱼苗的水箱背景图像相同。 以Matlab编写图像处理程序,具体处理过程如下: (1)读取无鱼苗的背景图像,设有K张,记为I0k,k=1,2,3,···,K;(2)读取已知鱼苗数Nc的鱼苗图像,设有M组,每组K张,记为Imk,m=1,2,3,···,M,k=1,2,3,···,K;(3)计算背景图像与鱼苗图像的灰度差,即DImk=Iok-Imk;(4)计算鱼苗数引起的灰度变化:在DImk矩阵中,设定一定阈值,如果一像素点的灰度值超过这一阈值,则认为是鱼苗的像素点;否则,认为不是鱼苗的像素点。统计各鱼苗图像中,鱼苗像素点的数量,存储于Np矩阵中(共M×K个数据);(5)多项式拟合:将Np中的数值缩小一定倍数,使之与已知鱼苗数量Nc大致在1个数量级。对每个k,多项式拟合Nc与Np第k列的关系,将获得的多项式系数(记为pk)对应相加并除以K,即最终获得的鱼苗数与鱼苗引起的图像灰度变化之间的多项式系数,记为p;(6)读取未知鱼苗数的鱼苗图像K张,记为Iunk;(7)计算背景图像与未知鱼苗图像的灰度差,记为DIun=I0k-Iunk;(8)计算鱼苗引起的图像灰度变化,类似于步骤4),得鱼苗像素点数量矩阵Npun(共K个数据);(9)鱼苗数计算:利用步骤(5)获得的多项式系数p,由鱼苗像素点数Npun推出每张图像中鱼苗数,并求平均数即未知鱼苗数图像中鱼苗的数量。 2 结果 2.1 模型拟合系数 根据上节所述的鱼苗计数步骤,首先拍摄未放入鱼苗时水箱的背景照片(图3)。在水箱中依次放入5,10,15,…,40,45,50条鱼苗并获取鱼苗图像。图4为放入5条鱼苗时所拍摄到的图像。将所拍摄到的图像中的背景去除得到黑色背景的鱼苗图片(图5)(像素为800×600)。由于鱼苗具有游动性,为提高计数准确率,每次都拍摄5幅图片,并进行平均处理。图6为不同鱼苗数量所引起的图像中鱼苗所占像素点数(5组数据),为方便数据拟合处理将鱼苗所占像素点数缩小了1 000倍。从图6可见,鱼苗所占像素点数与鱼苗数大体呈线性关系。 故而,采用一次多项式拟合方法确定图像中鱼苗所占像素点数与鱼苗数量关系,即: Np =a·Nc+b 式中:a、b是拟合系数。 根据试验所得数据(共9组,每组重复度为5),进行5次拟合,对所得一次多项式系数取平均,作为模型系数。结果为,a=1.704