基于计算机视觉和非参数估计的蟹苗数量估算方法研究

张 帆， 徐建瑜

( 宁波大学信息科学与工程学院，浙江 宁波 315211)

基于计算机视觉和非参数估计的蟹苗数量估算方法研究

张 帆， 徐建瑜

( 宁波大学信息科学与工程学院，浙江 宁波 315211)

养殖池内蟹苗的数量估计在蟹苗养殖中有着重要意义。但现有的数量估计方法操作复杂且实用性不强，因此提出一种基于计算机视觉和非参数估计的蟹苗数量估算方法。首先在养殖池内分水层采集视频，通过背景建模得到前景图像，并使用分水岭算法和轮廓提取得到视频中的蟹苗数量，并作为样本数据，然后通过核密度估计得出概率密度函数，最后结合该函数和样本数据估算出池内蟹苗数量。结果表明，该方法对于容积约为1 000 L、蟹苗密度100～160只/L的小型蟹苗养殖池，估算蟹苗数量的平均正确率为82.14%。研究表明，采用该方法不仅可以解决采集视频过程的操作繁琐、幼苗转移的问题，而且能够避免图像处理过程中部分背景杂质的干扰。该方法还可以推广到虾苗和鱼苗等生物的幼苗估计，具有良好的通用性和可行性。

蟹苗；数量估计；图像处理；核密度估计；轮廓提取

随着梭子蟹养殖及人工育苗产业的不断壮大，对蟹苗数量的估计有了广泛需求。在育苗过程中，获知蟹苗数量，对蟹苗的饵料投喂、养殖密度控制和产量预估等具有重要意义。传统的蟹苗数量估计采用人工观测的方法，这对观测人员的经验要求高，且受环境干扰因素多，导致误差较大。20世纪80年代研制的各类水中幼苗计数器，如多通道鱼苗计数器[1]、传感器计数器[2]、光电鱼苗计数器[3]等，均存在技术复杂、计数对象单一的问题。

随着计算机视觉技术的发展，基于图像处理的生物量估计成为智能化水产养殖的研究热点[4]。现有的基于图像处理的数量估计方法分为两种：一种是逐个计数[5-8]，使生物群经过摄像区域的通道，通过图像处理实现自动计数，该方法计数准确率高，但需要将生物群进行转移，对生物个体有损伤且操作繁琐；另一种是采样估计[9]，在一些局部区域内进行视频录制，将局部生物量作为样本数据，通过概率模型估计生物数量，该方法操作简单、适应性强，但视频采样的使用率不高，采样方法以捕捉和人工观测居多[10-12]，存在人力成本高、主观性强的问题。

本研究提出一种基于计算机视觉和非参数估计的数量估计方法，首先使用摄像装置在养殖池内分水层采样，再对采集视频进行图像处理，然后使用轮廓提取得出样本数据，最后使用合适的概率模型对池内蟹苗数量进行估计。

1 视频采集方案

1.1 环境与硬件

试验在圆形养殖池(直径1.2 m，水深0.53 m)内进行。拍摄对象为溞状幼体一期、体长1～2 mm的蟹苗。硬件设备包括转动装置和摄像装置，转动装置转速0.1 r/s，转动杆半径0.6 m。摄像头采用Basler acA1600-20gm工业摄像头，其下端蟹苗通道的入口高度为0.06 m，拍摄区域高度为0.015 m，拍摄范围0.1 m×0.1 m，通道底部为相同尺寸的红外背光源。

1.2 视频采集

视频采集装置结构如图1所示，转动电机固定于养殖池上方，摄像装置上端固定在转动装置的转动杆上，距离电机0.5 m处，下端为透明的蟹苗通道，摄像机放置在蟹苗通道上方的密封空间里。转动装置带动摄像装置在养殖池内匀速转动，蟹苗通过蟹苗通道进入拍摄区后流出通道。视频采集过程将养殖池划分为5个水层，以地面为起始点向上延伸，设置采集高度分为0.08 m、0.18 m、0.28 m、0.38 m和0.48 m。摄像装置通过调整固定点的位置来改变视频采集的高度，以不同高度条件下采集的视频作为对应水层的样本视频。

图1 视频采集装置示意图Fig.1 Video capture device

1.3 图像预处理

采用基于混合Gauss模型的背景建模方法(GMM)[13]获取背景图像，然后将当前图像与背景图像相减得到前景图像。图2为原图与前景提取图。

图2 原图和前景提取图Fig.2 Original image and foreground extraction image

GMM算法对图像背景的变化有较好的适应性，可以排除部分水下环境杂质的影响。为进一步去除图像中的杂质，本文对所得的前景图像提取轮廓，将轮廓周长小于正常蟹苗图像周长的像素块去除，处理结果二值化后如图2b，其中白色连通域表示蟹苗。

2 蟹苗数量估计

蟹苗数量估计流程如图3所示。首先将采集的图像序列进行预处理得到二值图，再以轮廓提取方法统计图像序列中的蟹苗总数，然后将各序列的蟹苗总数作为对应水层的样本数据，通过核密度估计，得出概率密度函数，最后结合概率密度函数和样本数据，估算出养殖池内的蟹苗数量。

图3 数量估计流程Fig.3 The flow chart of estimation

2.1 轮廓提取

通过图像预处理后得到前景图像，然后使用轮廓提取即可得到图像中的蟹苗个数。但图像中常有蟹苗粘连现象，导致提取的轮廓数低于实际值。因此，先对原图使用分水岭算法，得到蟹苗对应的连通域，然后使用形态学滤波的方法，对连通域进行腐蚀运算，将粘连的连通域分离。由图4中的矩形圈定的区域可以看出，在进行分水岭算法处理之后，部分粘连蟹苗成功分离；经腐蚀处理后，所有粘连蟹苗都可以成功分离。对所有粘连蟹苗分离之后，再对结果图提取所有轮廓，即可得到图像中的蟹苗数。

2.2 核密度估计

核密度估计是利用某一种核函数的线性组合来估计概率密度分布的方法，也就是通过一定区间范围内的各样本点密度的均值来估计总体密度函数[15-18]。该方法通过样本数据集可以产生一个渐近无偏的密度估计，设定一组样本S={xi}i=1…N的概率密度函数为p(x)，以x为中心点作一个超立方体。超立方体的边长为h，体积hD，包含样本数为n。

定义窗函数如式(1)：

(1)

超立方体中的样本数如式(2)：

(2)

则概率密度估计如式(3)：

(3)

2.3 数量估计

通过对视频数据的处理得出每个水层的样本数据。将这些样本数据转化为对应水层的概率值，先通过核函数估计，将单个水层的概率值以核函数的分布规律分散于以样本为中心的整个空间，所得的分布曲线则为概率密度曲线，然后将多个水层对应的多个曲线叠加，得到整个空间的概率密度曲线。其中，核函数选取高斯函数，带宽为1。图5为实验中得出的概率密度函数图，该图直观地显示出养殖池内蟹苗的分布情况。

图5 概率密度函数图Fig.5 Probability density function

对概率密度函数积分求概率值时，积分区间半径的选择非常重要。区间半径过大或过小都会影响到估计值的准确性。估计值变化曲线如图6所示。

图6 估计值变化曲线Fig.6 Estimation value curve

因此，需要不断调整区间半径，使得估计值与实际值的差值减小。图6显示的是在不同区间半径下，3组实验的概率密度函数得出的估计值变化曲线与实际值直线(y=96 000)的相交情况。结果显示，3组实验的实验对象和实验环境相同，实际蟹苗数量约为96 000只。

估计值曲线与实际值直线(y=96 000)相交时，对应的区间半径最佳。因此，可以通过统计不同密度条件下估计值曲线与实际值直线的交点，得到最佳区间半径的大致范围。表1为不同密度条件下，所得的最佳区间半径。

表1 最佳区间半径

由表1可以得到，最佳区间半径都在2～3之间，因此，本文选取区间半径为2和3 估计值的平均值，作为池内蟹苗的估计量。其中，估计量的计算公式如式(4)：

(4)

式中：f(x)为核函数估计所得的概率密度函数；N(x)为水层高度对应的蟹苗数量统计值；r1和r2为区间半径。对f(x)在区间内积分即可得出对应的概率值，将该水层的统计值除以概率值，即得出蟹苗总量的估计值。

3 结果

在视频录制之后，将蟹苗分装在多个桶中，然后对每一桶使用1 L的烧杯进行抽样统计，统计得出的密度均值作为实际蟹苗密度。实验分别在蟹苗平均密度为120、140和160只/L的养殖池内进行视频采集，通过图像预处理和轮廓提取后，得出视频中蟹苗的个数。不同采样高度下视频中的蟹苗总数如表2所示。

表2 蟹苗数量统计

对表2数据通过核密度估计得出概率密度函数后，结合表2数据和本文统计得出的最佳区间半径范围，即可估算出池内蟹苗数量。表3为不同密度条件下，实际值与估计值的对比。其中，标准值由实际蟹苗密度乘以总水量而得出。由表3可看出，低密度条件下的估计正确率较高，高密度条件下的估计正确率较低。

在不同蟹苗密度条件下分别获取的100帧图像，使用背景建模和轮廓提取的方法进行图像处理，得出累计的蟹苗个数作为估计个数。图像处理后，在图像中标记出目标个体，然后通过人工判别得出实际个数。表4中显示的是在不同密度条件下，估计个数和实际个数的对比。

表3 数量估计结果

表4 不同密度下的估计结果

4 讨论

4.1 不同密度条件下正确率的对比

低密度条件下的估计正确率较高。其原因是，在该条件下图像中蟹苗个体间隔较大，导致图像处理效果较好。而在高密度条件下，蟹苗个体之间会发生遮盖，导致图像处理结果较差。并且，高密度条件下养殖池内的杂质增多，对图像处理影响较大，导致估计正确率较低。图像中判别蟹苗的正确率直接影响了蟹苗总量估计的正确率。因此，针对高密度条件下的蟹苗个体识别需要进一步的改善。

4.2 计数方法的对比

王硕等[5]针对大菱鲆鱼苗的计数，提出了一种基于曲线演化的方法来分离粘合图像，从而得出图像中的鱼苗个数；朱从容等[8]利用计算前景像素块和鱼苗个数的关系对鱼苗进行计数；王文静等[7]针对多帧图像提出一种连续实时在线计数方法，使鱼苗匀速流过拍摄区域并进行鱼苗计数。上述方法研究对象都需要被转移至环境简单的图像采集区域，本方法主要针对实际育苗环境下的蟹苗计数，使用背景建模和杂质去除来消除环境的干扰，这是一种从实验环境到实际环境的探索。并且本文的计数方法为轮廓提取后计数，不受对象的大小限制，可适用于混合养殖环境下的计数。

在实验中，本方法在低密度条件下处理良好，但在高密度条件下处理效果不佳，图像中常出现絮状物与蟹苗混杂的情况，需要对两者分割处理后才能得到更准确的计数。因此，本方法在排除环境杂质的图像处理上需要进一步改善。

4.3 数量估计方法的对比

常用的数量估计方法有均匀分布估计法[19]和直方图估计法[20]。前者使用比较普遍，它以多个局部密度的均值代替整体密度来获取估计值；后者则是通过对各个区域的生物分布情况进行统计，得出整体概率密度分布，从而获得估计值。本文对同组数据分别使用这两种方法和本文的方法进行数量估计，其中，均匀分布估计法正确率73.42%，直方图估计法正确率80.57%，本文估计方法正确率82.14%。可以看出，均匀分布估计法虽然实用性很强，但在分布不均匀的情况下，正确率不高；而直方图估计法，由于其概率密度曲线不平滑，对未采样的区域估算误差较大，使得估计正确率较低。

4.4 本估计方法的推广

本文方法的研究对象除了蟹苗，也可以是鱼苗、虾苗。其中，鱼苗个体比蟹苗的大，且不容易与杂质混合，图像比较好处理；虾苗的活动习惯和蟹苗相近，其分布较为均匀，适合使用概率模型统计。因此，本文的方法也可推广到鱼苗和虾苗的数量估计。

4 结论

提出了一种基于计算机视觉和非参数估计的蟹苗数量估算方法。该方法可以比较准确地估计蟹苗数量。但在高密度的情况下，蟹苗之间有遮盖现象，且池内杂质增多，会产生图像处理结果不佳的结果，因此，该图像处理方法有待进一步提高。受实验环境的限制，本方法估测范围偏小，在以后的研究中，将针对大型养殖池的蟹苗数量估计进行更多的探索。

[1] 王宝舫.多通道式鱼苗计数器概论[J].渔业现代化,1988(1):26-28.

[2] 黄应生,许斐力,马应森. YJ-2型鱼苗计数器[J].渔业现代化, 1989(3):29-30.

[3] 李伯珩,邵诗国.鱼苗计数器的试验研究[J].南京农业大学学报,1991(4):116-120.

[4] 徐愫,田云臣,马国强,等.计算机视觉在水产养殖与生产领域的应用[J].天津农学院学报, 2014(4):43-46.

[5] 王硕,范良忠,刘鹰.基于计算机视觉的大菱鲆鱼苗计数方法研究[J].渔业现代化, 2015, 42(1):16-19.

[6] FABIC J N, TURLA I E, CAPACILLO J A,etal. Fish population estimation and species classification from underwater video sequences using blob counting and shape analysis[C]. Tokyo:Underwater Technology Symposium. 2013:1-6.

[7] 王文静,徐建瑜,杜秋菊.基于计算机视觉的鱼苗自动计数系统研究[J].渔业现代化, 2016, 43(3):34-38.

[8] 朱从容.一种基于机器视觉的鱼苗自动计数方法[J]. 渔业现代化, 2009, 36(2):25-28.

[9] SHEEHAN E V, COLEMAN R A. A quantitative assessment of the response of mobile estuarine fauna to crab-tiles during tidal immersion using remote underwater video cameras[J]. Journal of Experimental Marine Biology & Ecology, 2010, 387(1):68-74.

[10]张聪. 玉米田双斑长跗萤叶甲发生规律及生物学特性研究[D]. 北京：中国农业科学院, 2012.

[11]沈爱华. 生物资源抽样调查统计分析的表格化处理技术研究[D]. 杭州：浙江大学, 2006.

[12]王颖,冯承莲,黄文贤,等.物种敏感度分布的非参数核密度估计模型[J]. 生态毒理学报, 2015, 10(1):215-224.

[13]STAUFFER C, GRIMSON W E L. Adaptive background mixture models for real-time tracking[C]. Computer Vision and Pattern Recognition, IEEE Computer Society Conference on. IEEE, 1999: 2.

[14]DAVIES A C, YIN J H, VELASTIN S A. Crowd monitoring using image processing[J]. Electronics & Communication Engineering Journal, 1995, 7(1): 37-47.

[15]屈文建, 熊国经. 非参数密度估计法比较分析及应用[J]. 沈阳农业大学学报. 2008, 39(4): 468-472.

[16]和亚珺, 郭平. Parzen窗估计法在图像复原中的应用探索[J]. 北京师范大学学报, 2004, 40(4): 469-474.

[17]HAN B. Adaptive Kernel Density Approximation and its applications to Real-Time Computer Vision[D]. Maryland: University of Maryland, 2005.

[18]李晓龙. 密度函数的两种估计及应用[D]. 沈阳：沈阳师范大学, 2016.

[19]原国辉, 韩桂仲. 麦红吸浆虫幼虫土壤空间分布型及取样查虫方法探讨[J]. 河南农业科学, 1992(4):18-20.

[20]张建方, 王秀祥. 直方图理论与最优直方图制作[J]. 应用概率统计, 2009, 25(2):201-214.

Study on total estimation method of crab larvae based on computer vision and non-parametric estimation

ZHANG Fan, XU Jianyu

( Institute of Information Science and Technology, Ningbo University, Ningbo 315211, China)

Crab larvae total estimation is of great significance in crab breeding; however, the existing total estimation methods are complicated and unpractical. Therefore, an estimation method based on computer vision and non-parametric estimation was presented in this paper. Firstly, the videos were captured at different layers of the breeding pond, the foreground image was obtained by using image processing, and the number of crabs in the video was calculated by watershed algorithm and contour extraction to be used as the sample data. Then the probability density function was obtained by kernel density estimation. Finally, combining with the function and sample data, the total number of crabs was estimated. The results showed that the average correct rate of the method was 82.14% when the density of crab was between 100 and 160 individuals per liter for small crab ponds with a capacity of 1 000 L. The study not only solved the complicated operation and crabs transferring problems in capturing video, but also solved the interference of background impurities in the image processing. The method could also be extended to the estimation of many other species such as shrimps and fish fries, and has good versatility and feasibility.

crab larvae; total estimation; image processing; kernel density estimation; contour extraction

10.3969/j.issn.1007-9580.2016.06.006

2016-09-18

2016-11-29

宁波大学学科项目“水产养殖苗期生物信息获取关键技术研究”(XKL 14D2052)

张帆(1991—)，女，硕士研究生，研究方向：计算机视觉与图像处理。E-mail: muxufan2015@163.com

徐建瑜(1973—)，女，副教授，博士，研究方向：生物图像处理。E-mail: xujianyu@nbu.edu.cn

TP391.41

A

1007-9580(2016)06-027-06