基于深度图像的大菱鲆鱼体质量估测模型研究

发布时间：2020-05-06 17:40

【摘要】：鱼体质量测量是渔业水产养殖过程中鱼类健康监控的重要基础之一。大菱鲆是水底栖鱼,具有鱼体扁平,不喜游动等特点,目前大多采用人工测量与监控,不仅费时费力,而且受主观因素的影响使得准确率不稳定。基于图像处理的计算机视觉方法的大菱鲆鱼体质量估测方法具有省时省力、智能化、自动化等优点,已经成为现代渔业养殖监测领域的研究热点。本文以大菱鲆为研究对象,进行了图像监测与鱼体质量估测研究。主要的研究内容如下:(1)研究深度图像景深数据提取、图像预处理与图像分割方法。运用中值滤波、大津阈值分割和轮廓提取等方法对大菱鲆原始深度图像进行预处理。并通过预处理的图像进行图像中大菱鲆体长、体宽、周长和面积四个特征向量进行提取。同时提取图像中的景深数据,为映射建模提供数据支持。(2)建立生长数据-深度映射模型。深度图像中深度信息表达实际场景中目标距离相机的位置,实验通过Kinect相机的红外射线获取大菱鲆的图像中的深度信息,以Kinect相机的红外射线获取大菱鲆的图像中的深度信息H作为自变量,以大菱鲆的实际体长L作为因变量,在图像中的体长L',在matlab下进行数据拟合,并将拟合结果应用于生长数据-映射模型。映射模型的决定系数R~2=0.9236,RMSE=0.000632cm。可以看出,基于本文的拟合算法,对深度与大菱鲆生长数据之间的拟合较好。(3)基于网格算法优化支持向量回归的大菱鲆鱼体质量估测算法研究。通过生长数据-鱼体质量的映射模型,得到大菱鲆的实际生长数据,将特征参数归一化处理并组成特征向量组,作为输入向量利用基于网格算法优化支持向量回归进行训练建模与鱼体质量估测。根据大菱鲆的表型特征的特点,选取了大菱鲆的体长、体宽、周长、面积四个特征作为鱼体质量估测的特征参数,构建了大菱鲆鱼体质量估测模型,结果显示:鱼体质量模型估测结果与实际大菱鲆测量结果进行对比,两者的均方根误差为RMSE=0.0297g,决定系数R~2为0.9901。该模型具有简单灵活、估测精度高和易于实现的特点,同时具有很好的应用前景。(4)利用Ecplise、Microsoft Visual Studio 2017和SQL Server软件开发了大菱鲆精准养殖系统及鱼体质量估测平台,软件分为Android客户端和服务器端,实现了各模块的基本功能,Android客户端为养殖生产人员收集大菱鲆信息上传服务器端,服务器端将上述机器学习模型集成于Web网站系统,系统包含了大菱鲆鱼体质量估测及养殖系统服务器端按功能划主要包括生产管理、体重估测、信息管理、系统配置和个人中心五大板块。本文以大菱鲆深度图像作为实验材料,利用生长数据-映射模型进行校正,基于网格优化改进支持向量机算法对特征向量进行鱼体质量估测。从结果来看,本文鱼体质量估测模型能有效的对大菱鲆进行鱼体质量估测,可以为大菱鲆的监测提供支持,为建立大菱鲆生长数据库提供重要的依据。
【图文】：

技术路线图,深度图像,鱼类,大菱鲆

图 1-1 技术路线图Fig.1-1 Technical roadmap1.4 论文组织架构第一章，前言。本章主要阐述了我国水产行业在国内发展现状，对水产养殖行业进行有效监控成为消费者关注的重点，而鱼类体重测量是养殖过程中重要的衡量尺标，通过鱼类无损测量的难点引入鱼类体质量估测的研究现状及鱼类深度图像特征量提取研究现状。在前人研究的基础上改进传统的鱼类图像采集方法，通过 Kinect 相机拍摄大菱鲆三维图像进行鱼体无损估测。第二章，大菱鲆深度图像获取及图像预处理。本章首先根据实验条件及养殖环境搭建了利于获取大菱鲆深度图像及体质量获取的装置，其中包括装置硬件的选择、拍摄范围的设置及设备软件的环境设置。然后将获取到的深度图像进行噪声去除、中值滤波及阈值分割、边缘检测及轮廓提取等预处理工作，便于后期大

架构图,大菱鲆,深度图像,体质量

测量机法、结构光获取法等[23-26]。由于本文实验照较暗，操作场地较小，采用 Kinect 产生结构光装置设计取大菱鲆深度图像和大菱鲆实际体质量，结合实积、Kinect 相机拍摄范围、鱼缸大小等，搭建了一测量平台，平台硬件架构如图 2-1 所示。试验过程密度较小，为矫正图像与后期处理简便，将试验架固定在鱼缸正上方，在三脚架上架设一台 Kin尺寸长×宽×高为 282 mm×63 mm×70 mm，帧频 3380 dpi 成像，，可拍摄面积为（1.20×0.87）m2（图
【学位授予单位】：上海海洋大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S917.4;TP391.41

【相似文献】