技術(shù)報(bào)告一種基于圖像處理的魚(yú)類自動(dòng)分類方法

1、計(jì)劃類別 項(xiàng)目編號(hào) 項(xiàng)目技術(shù)報(bào)告課題名稱 項(xiàng)目主持人 承擔(dān)單位 題目：一種基于圖像處理的魚(yú)類自動(dòng)分類方法為了準(zhǔn)確地對(duì)魚(yú)類的品種進(jìn)行自動(dòng)識(shí)別，本次研究以鳊魚(yú)、鯽魚(yú)、鳙魚(yú)、草魚(yú)四種淡水魚(yú)為實(shí)驗(yàn)對(duì)象，提出一種基于圖像處理的魚(yú)類自動(dòng)識(shí)別方法。首先對(duì)魚(yú)的外輪廓進(jìn)行魚(yú)體長(zhǎng)度統(tǒng)一化處理，再提取并計(jì)算魚(yú)體頭部輪廓夾角、魚(yú)體尾柄寬度與尾柄中點(diǎn)到魚(yú)頭夾角頂點(diǎn)的長(zhǎng)度之比（寬長(zhǎng)比）等特征值，最后運(yùn)用魚(yú)頭部輪廓夾角與寬長(zhǎng)比這兩個(gè)特征對(duì)四種淡水魚(yú)進(jìn)行分類識(shí)別。研究結(jié)果表明，本文所提供的分類方法能準(zhǔn)確地對(duì)鳊魚(yú)、鯽魚(yú)、鳙魚(yú)、草魚(yú)四種淡水魚(yú)的品種進(jìn)行識(shí)別，且識(shí)別精度達(dá)到94.97%以上?？蔀轸~(yú)類品種的自動(dòng)識(shí)別提供指導(dǎo)，具有較好

2、的實(shí)際應(yīng)用價(jià)值。關(guān)鍵詞：圖像處理；魚(yú)類品種識(shí)別；魚(yú)頭夾角；寬長(zhǎng)比Abstract：In order to accurately identify fish species，this study takes four species freshwater fishes，including bream，crucian，bighead，grass carp，as the experimental subjects，and proposes an automatic identification method for fish species based on image processing.The

3、 first step is to unify the outer contours length of the fish body，then to calculate the angle of fishs head and the ratio of the width of the fishtail to the length between the middle point of the fishtail and the vertex of heads angle （ratio of width to length）.Finally，the angle of fishs head and

4、the ratio of width to length are used to classify the four freshwater fishes.The results show that the method presented in this paper can accurately identify the four freshwater species，and the accuracy is over 94.97%.It can be used as a guide for the automatic identification of fish species with go

5、od practical value.Keywords：image processing；fish species identification；head angle；ratio of width to length1 引言（Introduction）中國(guó)是一個(gè)擁有豐富淡水魚(yú)資源的漁業(yè)大國(guó)，但我國(guó)的水產(chǎn)養(yǎng)殖自動(dòng)化水平與發(fā)達(dá)國(guó)家相比還存在較大差距，水產(chǎn)加工業(yè)自動(dòng)化水平也相對(duì)滯后。其中，淡水魚(yú)在加工前需要完成對(duì)不同種類的魚(yú)進(jìn)行分類任務(wù)，我國(guó)依然主要是用傳統(tǒng)的人工操作方法進(jìn)行挑選，這種方法存在的缺點(diǎn)有：作業(yè)環(huán)境惡劣，勞動(dòng)強(qiáng)度大，損傷魚(yú)體，效率低1。隨著計(jì)算機(jī)技術(shù)的高速發(fā)展，新概念、新方法、新理論的不

6、斷涌出，機(jī)器視覺(jué)技術(shù)已經(jīng)廣泛的應(yīng)用到各行各業(yè)中，其中在農(nóng)業(yè)領(lǐng)域應(yīng)用尤為突出，例如對(duì)水果大小分級(jí)2-4、表面損傷檢測(cè)5，6及通過(guò)表面顏色進(jìn)行成熟度檢測(cè)7-9等方面有重要的應(yīng)用。在淡水魚(yú)種類識(shí)別研究方面，D.J.white10等人利用機(jī)器視覺(jué)技術(shù)對(duì)比目魚(yú)的七種不同品種通過(guò)顏色與形狀特征的提取進(jìn)行分類，準(zhǔn)確率達(dá)到99.8%。張志強(qiáng)11等人運(yùn)用數(shù)字圖像處理技術(shù)對(duì)淡水魚(yú)圖形進(jìn)行處理，提取其各個(gè)顏色分量及長(zhǎng)短軸之比等特征值，運(yùn)用該值建立有關(guān)淡水魚(yú)的品種識(shí)別模型，最終實(shí)現(xiàn)鰱、鯽、鳊、鯉這四種淡水魚(yú)的品種識(shí)別，準(zhǔn)確率達(dá)到96.67%。吳一全12等人提出了一種基于krawtchouk矩、灰度共生矩陣、蜂群優(yōu)化多

7、核最小二乘支持向量機(jī)的識(shí)別方法，并通過(guò)編程對(duì)鳊、鳙、鯽、草、青魚(yú)五種淡水魚(yú)進(jìn)行了分類識(shí)別，各類魚(yú)的精度均可達(dá)到83.33%以上。2016年，涂兵13等利用機(jī)器視覺(jué)技術(shù)提出一種基于魚(yú)體背部輪廓相關(guān)系數(shù)算法的魚(yú)品種分類方法，通過(guò)計(jì)算魚(yú)體輪廓與建立的四種魚(yú)的背部輪廓數(shù)學(xué)模型之間的數(shù)值關(guān)系進(jìn)行魚(yú)類自動(dòng)識(shí)別，精度均能達(dá)到91%以上。以上四種魚(yú)類識(shí)別方法分別是以顏色分量、局部形狀、長(zhǎng)短軸之比、紋理、背部輪廓為特征對(duì)指魚(yú)類進(jìn)行識(shí)別，雖然已取得了良好的分類效果，但是使用顏色分量、紋理為特征，實(shí)驗(yàn)結(jié)果容易受到外界光線強(qiáng)度，魚(yú)鱗損傷程度、魚(yú)類活性程度等因素影響，而使用局部形狀、長(zhǎng)短軸之比、背部輪廓為特征，實(shí)驗(yàn)結(jié)果

8、也易受到尾部完整程度、魚(yú)鰭張開(kāi)程度、魚(yú)體大小程度等因素影響。為了減少上述因素對(duì)魚(yú)類識(shí)別精度造成的嚴(yán)重影響，本文將通過(guò)機(jī)器視覺(jué)技術(shù)，并提取魚(yú)體頭部夾角和寬長(zhǎng)比例兩個(gè)不易受外界干擾的參數(shù)為特征，建立淡水魚(yú)的識(shí)別模型，對(duì)鳊魚(yú)、鯽魚(yú)、鰱魚(yú)、草魚(yú)四種常見(jiàn)淡水魚(yú)進(jìn)行識(shí)別分類處理，取得了較好的分類效果。2 試驗(yàn)材料和方法（Test materials and methods）2.1 試驗(yàn)材料和設(shè)備采用鳊魚(yú)、鯽魚(yú)、鰱魚(yú)、草魚(yú)等具有代表性的四種淡水魚(yú)進(jìn)行實(shí)驗(yàn)研究，每種魚(yú)45條，共180條。其中，120條（每種魚(yú)30條）作為訓(xùn)練樣本，用于提取特征并建立識(shí)別模型；其余60條（每種15條）則作為測(cè)試樣本對(duì)模型進(jìn)行驗(yàn)證

9、。試驗(yàn)采用圖1所示的圖像采集系統(tǒng)進(jìn)行魚(yú)體圖像進(jìn)行采集。硬件部分主要包括魚(yú)傳送裝置、檢測(cè)箱、托盤、攝像機(jī)、絲桿、環(huán)形光源、PC機(jī)等組成。其中攝像機(jī)采用的是深圳京航科技生產(chǎn)的JHSM500f-E型工業(yè)相機(jī)（USB接口），光源采用32W的白色環(huán)LED燈，檢測(cè)箱內(nèi)部各面為黑色不反光平面，底部托盤為白色面板。軟件部分基于VS2013平臺(tái)使用C+語(yǔ)言調(diào)用OPENCV3.0庫(kù)進(jìn)行開(kāi)發(fā)，用于圖像預(yù)處理和魚(yú)輪廓特征數(shù)據(jù)提取。2.2 圖像預(yù)處理本文主要對(duì)四種淡水魚(yú)的品種識(shí)別是通過(guò)提取魚(yú)體特征，主要包括魚(yú)體頭部夾角及角頂點(diǎn)坐標(biāo)，魚(yú)體尾柄高度及尾柄中點(diǎn)坐標(biāo)，然后建立識(shí)別模型。其中具體的圖像處理流程如圖2所示。通過(guò)攝像

10、機(jī)采集的圖像大小為1920*1200像素，為了盡可能避免因圖像過(guò)大而導(dǎo)致圖像處理效率降低，將采集的每一張圖像自動(dòng)裁剪成大小為780*280像素的標(biāo)準(zhǔn)圖像，且保證魚(yú)體圖像在其中間，并進(jìn)一步對(duì)裁剪后圖像進(jìn)行灰度化處理，規(guī)則是：任意一個(gè)像素點(diǎn)中的R（紅）、G（綠）、B（藍(lán)）顏色分量值，采用灰度化公式計(jì)算出該點(diǎn)的灰度值，并用每個(gè)點(diǎn)的灰度值代替該像素點(diǎn)的像素值，結(jié)果如圖3所示。為突出作為前景的魚(yú)體及其輪廓，對(duì)灰度圖進(jìn)行二值化，通過(guò)大量實(shí)驗(yàn)提取并設(shè)定灰度閾值設(shè)定為130，以此為標(biāo)準(zhǔn)對(duì)圖4進(jìn)行二值化的結(jié)果如圖4所示。為了獲得魚(yú)體的外部輪廓，對(duì)二值化圖像進(jìn)行目標(biāo)輪廓自動(dòng)提取，并將線寬設(shè)置為1個(gè)像素，從而得到各

11、類魚(yú)的圖像輪廓如圖5所示。在提取所需的魚(yú)體輪廓參數(shù)之前，為降低魚(yú)體本身尺寸差異對(duì)輪廓參數(shù)數(shù)值的影響，需要對(duì)魚(yú)輪廓進(jìn)行長(zhǎng)度統(tǒng)一化處理，具體的方法是：尋找當(dāng)前魚(yú)體輪廓的最小外接矩形，接著對(duì)魚(yú)體輪廓在長(zhǎng)寬方向進(jìn)行等比縮放，使所有魚(yú)的輪廓長(zhǎng)度為L(zhǎng)（設(shè)定的已知參數(shù)）個(gè)像素，圖6為對(duì)圖5長(zhǎng)度統(tǒng)一化后的結(jié)果圖。3 特征參數(shù)提取（Feature parameter extraction）3.1 魚(yú)體頭部輪廓夾角提取提取魚(yú)嘴附近上、下輪廓點(diǎn)群，再將兩個(gè)點(diǎn)群分別利用最小二乘原理進(jìn)行線性擬合，擬合成的兩條直線的夾角（銳角）定義為魚(yú)體頭部輪廓夾角，夾角頂點(diǎn)坐標(biāo)記為A。實(shí)際中發(fā)現(xiàn)，若拍攝時(shí)魚(yú)嘴處于不同程度張開(kāi)狀態(tài)會(huì)影響

12、提取的角的正確性。針對(duì)該問(wèn)題，本文通過(guò)大量實(shí)驗(yàn)統(tǒng)計(jì)發(fā)現(xiàn)，只提取如圖7所示的、兩直線區(qū)間里的部分的魚(yú)頭輪廓點(diǎn)群分別進(jìn)行直線擬合時(shí)準(zhǔn)確度最高。圖7為以鳙魚(yú)為例并利用上述方法得到魚(yú)體頭部夾角和夾角頂點(diǎn)。3.2 魚(yú)體尾柄高及其中點(diǎn)坐標(biāo)提取如圖7所示，對(duì)魚(yú)體輪廓后半段即圖示的至魚(yú)尾的輪廓段逐列掃描，記每列掃描到的上下輪廓點(diǎn)（像素值為0）坐標(biāo)分別為、，其中為掃描列數(shù)，上標(biāo)、分別指同一列上的上、下輪廓，則魚(yú)身某處的寬度為：實(shí)際計(jì)算過(guò)程中，若搜索到某列輪廓點(diǎn)數(shù)大于2個(gè)，則認(rèn)為該部位存在魚(yú)鰭，將該列數(shù)據(jù)全部舍去。定義魚(yú)身長(zhǎng)度參數(shù)：4 實(shí)驗(yàn)結(jié)果與分析（Experimental results and analys

13、is）通過(guò)提取并計(jì)算120條淡水魚(yú)的頭部輪廓夾角和寬長(zhǎng)比 的范圍，其結(jié)果分布如圖8所示。通過(guò)對(duì)分布圖的統(tǒng)計(jì)可以得到每類魚(yú)的魚(yú)體頭部夾角大小和寬長(zhǎng)比的均值、方差、閾值區(qū)間，具體如表1所示。結(jié)合圖8和表1可以看出，草魚(yú)的頭部夾角分布在40.850.12度，而鯽魚(yú)頭部輪廓夾角分布在57.3468.56度，且與鳊魚(yú)和鳙魚(yú)的頭部夾角范圍有顯著區(qū)別，即通過(guò)判別魚(yú)的頭部輪廓夾角即可識(shí)別出草魚(yú)和鯽魚(yú)。但是，鳙魚(yú)和鳊魚(yú)頭部夾角大小范圍存在交叉，區(qū)分度不夠明顯，若僅從魚(yú)頭部夾角來(lái)考慮，無(wú)法將鳙魚(yú)、鳊魚(yú)進(jìn)行分類。進(jìn)一步考查圖8（b）和表1可以發(fā)現(xiàn)，鳙魚(yú)的寬長(zhǎng)比分布為0.1120.138度，鳊魚(yú)的寬長(zhǎng)比分布為0.13

14、20.149度，即鳙魚(yú)和鳊魚(yú)的寬長(zhǎng)比分布區(qū)間有較為顯著的區(qū)別。因而，首先通過(guò)魚(yú)頭部輪廓夾角識(shí)別出草魚(yú)和鯽魚(yú)后，在此基礎(chǔ)上，可進(jìn)一步通過(guò)比較魚(yú)的寬長(zhǎng)比識(shí)別出鳙魚(yú)和鳊魚(yú)，最終實(shí)現(xiàn)對(duì)四種淡水魚(yú)類進(jìn)行識(shí)別。將檢驗(yàn)樣本中60條魚(yú)的圖像經(jīng)過(guò)上述處理，得到魚(yú)體頭部夾角和寬長(zhǎng)比，再將兩個(gè)特征值代入識(shí)別模型進(jìn)行驗(yàn)證，結(jié)果統(tǒng)計(jì)如表2所示，對(duì)四種淡水魚(yú)品種的識(shí)別的準(zhǔn)確度可達(dá)94.97%。出現(xiàn)偏差的主要原因在于提取魚(yú)輪廓不夠準(zhǔn)確所導(dǎo)致，但總的來(lái)說(shuō)，本文識(shí)別方法中所設(shè)計(jì)的兩個(gè)魚(yú)體特征參數(shù)具有較好的穩(wěn)定性，不易受外界影響而改變，從而使該識(shí)別方法具有更好的可靠性。5 結(jié)論（Conclusion）本文提出了一種基于魚(yú)類頭部輪

15、廓夾角和魚(yú)體寬長(zhǎng)比兩個(gè)主要特征的淡水魚(yú)種類識(shí)別的新方法。首先采集要識(shí)別的魚(yú)類圖像并進(jìn)行相關(guān)的預(yù)處理，得到魚(yú)體輪廓圖；然后將輪廓圖中的魚(yú)體長(zhǎng)統(tǒng)一化，再求取魚(yú)體頭部夾角、魚(yú)體尾柄寬度與尾柄中點(diǎn)到魚(yú)頭夾角頂點(diǎn)之間長(zhǎng)度比例；最后根據(jù)魚(yú)頭輪廓夾角與寬長(zhǎng)比特征值的分布規(guī)律建立分類模型并確定要識(shí)別的魚(yú)所屬種類。實(shí)驗(yàn)結(jié)果表明，該方法在四種常見(jiàn)淡水魚(yú)種類識(shí)別方面取得了較好的結(jié)果，能為魚(yú)種類識(shí)別提供新的思路和指導(dǎo)。參考文獻(xiàn)（References）1 陳勝軍，曾名勇.淡水魚(yú)加工利用的研究進(jìn)展J.中國(guó)水產(chǎn)，2002（5）：70-71.2 林開(kāi)顏，吳軍輝，徐立鴻.基于計(jì)算機(jī)視覺(jué)技術(shù)的水果形狀分級(jí)方法J.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2

16、005，36（6）：71-74.3 司永勝，喬軍，劉剛，等.基于機(jī)器視覺(jué)的蘋果識(shí)別和形狀特征提取J.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（8）：161-165.4李國(guó)進(jìn)，董第永，陳雙.基于計(jì)算機(jī)視覺(jué)的芒果檢測(cè)與分級(jí)研究J.農(nóng)機(jī)化研究，2015（10）：13-18.5 Xu L M，Zhao Y C，Li D L.Automated strawberry grading system based on image processingJ.Computers & Electronics in Agriculture，2010，71（1）：S32-S39.6 應(yīng)義斌，饒秀勤，趙勻，等.機(jī)器視覺(jué)技術(shù)在農(nóng)產(chǎn)品品

17、質(zhì)自動(dòng)識(shí)別中的應(yīng)用（）J.農(nóng)業(yè)工程學(xué)報(bào)，2000，16（1）：103-108.7 何東健，楊青，薛少平，等.果實(shí)表面顏色計(jì)算機(jī)視覺(jué)分級(jí)技術(shù)研究J.農(nóng)業(yè)工程學(xué)報(bào)，1998，14（3）：202-205.8 應(yīng)義斌，付峰.水果品質(zhì)機(jī)器視覺(jué)檢測(cè)中的圖像顏色變換模型J.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2004，35（1）：85-89.9 Blasco J，Cubero S，Gmezsanchs J，et al.Development of a machine for the automatic sorting of pomegranate （Punica granatum） arils based on computer visionJ.Journal of Food Engineering，2009，90（1）：27-34.10 White D J，Svellingen C，Strachan N J C.Automated measurement of species