基于计算机视觉的水产动物视觉特征测量研究综述

作为水产养殖集成信息化管理的主要信息源,水产动物视觉属性信息的测量不仅是判定水产动物生长状况,调控水质环境的主要信息依据,也是对水产动物进行喂养、用药、捕获、选别和分级等操作的前提基础。近年来,计算机视觉技术作为一项快速、客观、无损的检测方法,已被逐渐用于水产动物视觉属性的测量中,许多研究学者开展了大量的研究工作。该文更新和总结了国内外近20多年来有代表性的相关研究和解决方案,在描述计算机视觉检测系统的概念和组成结构的基础上,围绕尺寸测量、形状分析、颜色识别和质量估计等方面详细分析了计算机视觉技术在水产动物(以鱼类为主)视觉属性测量方面的国内外研究现状,着重阐述总结了研究人员在水产动物视觉检测的图像采集、轮廓提取、特征标定与计算等方面的具体改进措施,并对基于计算机视觉测量的水产动物疾病诊断,识别分类等综合应用现状也进行了分析探讨,以评估计算机视觉技术在水产动物视觉质量检测领域的总体应用情况和现存的主要问题,同时给出了今后的研究趋势与发展方向。

基于PSO-WSVR的短期水质预测模型研究

针对传统方法很难建立精确的非线性水质预测模型的情况,提出了基于粒子群优化加权支持向量回归机(PSO-WSVR)的水质短期预测模型.在建模过程中,根据各样本重要性的差异,给各个样本的惩罚系数赋予不同权重,改进了标准支持向量回归机算法,克服了标准支持向量回归算法因不同样本均采用相同权重造成预测精度低的问题,并采用粒子群优化算法对加权支持向量回归机参数组合进行自适应优化,模型收敛速度明显加快.运用PSO-WSVR模型对江苏宜兴市集约化河蟹养殖池塘水质进行预测,与标准支持向量回归机和BP神经网络对比分析.结果表明,该模型性能可靠、泛化能力强,预测精度高,为集约化水产养殖水质短期预测提供了一种新思路.

基于PCA-MCAFA-LSSVM的养殖水质pH值预测模型

为解决水质预测传统方法精度低、鲁棒性差等问题，提出了基于主成分分析（PCA）、改进文化鱼群算法（MCAFA）和最小二乘支持向量机（PCA-MCAFA-LSSVM）的养殖水质pH值预测模型。该模型通过主成分分析提取养殖生态环境指标的主成分，降低模型输入向量维数，利用改进文化鱼群算法对最小二乘支持向量机超参数进行组合优化，以自动获取最优超参数建立非线性养殖水质pH值预测模型。应用该模型对宜兴市河蟹养殖某池塘2011年9月1日～9月4日在线监测的水质数据进行了预测分析，试验结果表明：该模型取得较好的预测效果，与分别用蚁群算法或遗传算法优化LSSVM的方法相比，PCA-MCAFA-LSSVM模型有93.05%的测试样本绝对误差小于8%，最大绝对误差仅为11.61%，均方根误差、平均相对误差绝对值和运行时间分别为0.0474、0.0041和4.367s，且均优于其他预测方法。PCA-MCAFA-LSSVM算法不仅计算速度快、测精度高，还能够为河蟹养殖水质调控管理提供决策依据。

基于时间相似数据的支持向量机水质溶解氧在线预测

为及时辨识集约化水产养殖水质变化趋势、动态调控水质,确保无应激环境下健康养殖,该文提出了基于时序列相似数据的最小二乘支持向量回归机(least squares support vector regression,LSSVR)水质溶解氧在线预测模型。采用特征点分段时间弯曲距离(feature points segmented time warping distance,FPSTWD)算法对在线采集的时间序列数据进行分段与相似度计算,以缩减规模的子序列数据集对LSSVR模型进行快速训练优化,实现了多个LSSVR子模型在线建模,将预测数据序列与LSSVR子模型的相似度匹配,自适应地选取最佳的子模型作为在线预测模型。应用该模型对集约化河蟹福利养殖水质参数溶解氧浓度进行在线预测,模型评价指标中最大相对误差、平均绝对百分比误差、相对均方根误差和运行时间分别为4.76%、8.18%、5.23%、8.32 s。研究结果表明,与其他预测方法相比,该模型具有较好的综合预测性能,能够满足河蟹福利养殖水质在线预测的实际需求,并为集约化水产养殖水质精准调控提供研究基础。

基于集合经验模态分解和人工蜂群算法的工厂化养殖pH值预测

针对单一预测模型预测养殖pH值精度低等问题,提出集合经验模态分解(ensemble empirical mode decomposition,EEMD)和改进人工蜂群算法(improve artificial bee colony,IABC)相结合的南美白对虾工厂化养殖pH值组合预测模型。在建模过程中,利用EEMD算法对原始pH值时间序列进行多尺度分解,得到一组平稳、互不耦合的子序列;根据各子序列变化特征选择适宜的单项预测方法并建模,通过改进人工蜂群(IABC)算法优化复杂非线性组合预测模型目标函数权重系数,构建了工厂化养殖pH值非线性组合预测模型。利用该模型对广东省湛江市2014年9月8日-2014年9月15日期间工厂化养殖pH值进行预测,结果表明,该预测模型取得了较好的预测效果,与模拟退火优化BP神经网络(simulated Annealing-BP neural network,SA-BPNN)和遗传算法优化最小二乘支持向量回归机(genetic algorithm-least square support vector regression,GA-LSSVR)对比分析,模型评价指标平均绝对百分比误差MAPE、均方根误差、平均绝对误差MAE和相关系数R2分别为0.0035、0.0274、0.0224和0.9923,均表明该文提出的组合预测模型具有更高预测精度,能够满足实际南美白对虾工厂化养殖pH值精细化管理需要,也为其他领域pH值预测提供参考。

基于物联网的南美白对虾疾病远程智能诊断系统

为降低南美白对虾养殖风险,提高其疾病诊断与防治水平,将多种传感器在线采集的对虾养殖生态环境数据、3G手机获取的疾病图片和疾病诊治经验等多种数据进行融合,采用基于案例推理和规则推理相集成的混合推理、粗糙集融合多分类支持向量机、图像处理等多种方法,研制了基于物联网的南美白对虾疾病远程智能诊断系统。在浙江、广东等省对虾养殖区域进行现场验证,试验结果表明:该系统不仅实现了远程监测对虾养殖生态环境数据、对虾疾病图像、诊治经验数据和诊治推理规则等知识管理功能,还能够在多种数据融合的基础上,实现对虾疾病远程智能诊断与防治、疾病预警等功能。

基于可见光机器视觉的棉花伪异性纤维识别方法

为提高皮棉质量和皮棉中异纤的检测精度,提出了一种基于机器视觉的棉花伪异性纤维识别方法。皮棉经过开松装置被制成薄棉层,检测通道两侧的相机对棉层进行拍摄,并将采集到的棉层及异纤和伪异纤图像保存到工控机,通过图像分块及阈值分割等算法,提取伪异纤目标区域,统计获取区域的数个颜色、形状和纹理特征,基于特征数据,分别使用BP神经网络、一对一有向无环图策略线性核函数支持向量机和径向基核函数支持向量机对两大类棉花杂质进行分类识别。实验结果表明,99.15%的伪异纤目标可被准确识别,径向基核函数支持向量机在棉花异纤和伪异纤分类识别中,总分类正确率为95.60%,能够满足在线检测的要求。

基于深度可分离卷积网络的粘连鱼体识别方法

及时准确地识别出养殖区域内的粘连鱼体是实现水产养殖中鱼群计数、养殖密度估算等多种基本养殖操作自动化的关键技术。针对目前粘连鱼体识别方法存在准确率低、普适性差等问题,该研究提出了一种基于深度可分离卷积网络的粘连鱼体识别方法。首先采集鱼群图像数据,采用图像处理技术分割出鱼体连通区域图像,构建粘连鱼体识别数据集;其次构建基于深度可分离卷积网络的粘连鱼体识别模型,采用迁移学习方法训练模型;最后基于训练好的模型实现粘连鱼体的识别。在真实的鱼体图像数据集上进行测试,识别准确率达到99.32%。与基于支持向量机(Support Vector Machine,SVM)和基于反向传递神经网络(Back Propagation Neural Network,BPNN)的机器学习方法相比,准确率分别提高了5.46个百分点和32.29个百分点,具有更好的识别性能,可为实现水产养殖自动化、智能化提供支持。

工厂化水产养殖水质监测系统

工厂化水产养殖的密度高、风险大,养殖对象对pH、溶解氧、温度、氨氮、亚硝酸盐等水质参数的变化敏感,受影响严重,监测水质参数极为重要。本文针对工厂化水产养殖水质监测特点和需求,研发了工厂化水产养殖水质监测系统。分析研究pH、溶解氧、温度、亚硝酸盐等水质参数的阈值,设计水质监测数据无线采集节点和基于Zigbee的无线监测网络,建立水质监测系统软件平台。结果表明,该系统能够实现工厂化水产养殖水质实时监测,保证生产安全,提高水产养殖生产效率。

基于粗糙集融合支持向量机的水质预警模型

为解决因水质预警耦合因素多,预警模式复杂以及信息不完整所引起的水质预警精度低问题,提出了粗糙集融合支持向量机(RS-SVM)的水质预警模型.首先采用粗糙集对14个初始预警指标进行属性约简,去除冗余或干扰特征,得到基于5个核心预警指标的数据集,以此数据集对支持向量机进行训练优化,构建RS-SVM水质预警模型.运用该模型对江苏宜兴市集约化河蟹养殖池塘水质进行预警,实证对比分析,对于不同的警度级别,预警精度都在91%以上,与标准支持向量机和BP神经网络模型相比,该模型不仅具有计算效率高、预警性能好,且预警结果与实际情况比较吻合,为集约化水产养殖水质预警提供了一种新思路.

基于APSO-WLSSVR的水质预测模型

为解决传统预测方法和标准最小二乘支持向量回归机(least squares support vector regression,LSSVR)在水质预测中存在预测精度低、鲁棒性差等问题,提出了自适应粒子群优化加权最小二乘支持向量回归机(adaptiveparticle swarm optimization weighted least squares support vector regression,APSO-WLSSVR)的水质预测模型。根据样本对模型重要性不同为各样本赋予不同权重,建立了加权最小二乘支持向量回归机(weighted least squaressupport vector regression,WLSSVR),实现对样本数据"重近轻远"的优化选择,避免标准LSSVR算法因没有考虑样本重要性差异致使预测精度低的问题;采用自适应粒子群优化算法对模型参数组合进行优化选择,克服了标准LSSVR算法因试凑法获取参数的盲目性和人为因素的影响。为验证该模型的性能,对江苏省宜兴市集约化河蟹养殖水质进行预测,并与其他预测方法对比分析,结果表明该模型预测精度明显提高,还具有较好的鲁棒性和泛化能力,能够满足集约化水产养殖水质管理的实际需要。