摘要: 金枪鱼资源是我国远洋渔业生产的重要组成部分。目前，我国金枪鱼渔业其海上捕捞的金枪鱼物种仍然是人工分类，这是一个耗时且低效的过程，因此我国金枪鱼渔业管理需要向智能化发展。金枪鱼物种智能化识别在渔业生产和渔业资源评估中具有极其重要的意... 展开 金枪鱼资源是我国远洋渔业生产的重要组成部分。目前，我国金枪鱼渔业其海上捕捞的金枪鱼物种仍然是人工分类，这是一个耗时且低效的过程，因此我国金枪鱼渔业管理需要向智能化发展。金枪鱼物种智能化识别在渔业生产和渔业资源评估中具有极其重要的意义，它有助于金枪鱼渔船的智能监控和建立电子观察员系统。由于生物信息是金枪鱼识别最重要的特征，因此，本文以远洋渔业极为重要的经济鱼种金枪鱼为研究对象，进行生物信息的自动化获取和智能化识别，构建基于计算机视觉的金枪鱼生物信息识别的智能化体系，以期为金枪鱼渔业管理智能化发展奠定基础。主要研究结果如下： （1）金枪鱼属鱼类形态指标自动测量分析。本文通过计算机视觉库OpenCV对3种金枪鱼类图像进行预处理，利用双边滤波、灰度变换、二值处理和提取轮廓等图像处理技术得到金枪鱼类形态轮廓图像。根据预先选定的特征点，利用计算机视觉技术遍历轮廓图像上所有的像素点，并自动定位出每张轮廓图像的预选特征点共17个。利用计算机视觉技术遍历得到的特征点位置，自动测量出3种金枪鱼的形态指标像素长度，并计算出形态指标实际长度。并对比分析自动测量与人工测量形态指标的绝对误差和相对误差。研究结果表明，通过计算机视觉技术对3种金枪鱼的形态指标的自动测量效果较好，大眼金枪鱼、黄鳍金枪鱼和长鳍金枪鱼的12个形态指标的绝对误差范围分别为0.00~1.46、0.00~1.73、0.00~1.32，其相对误差范围分别为0.01%~5.84%、0.00%~6.17%、0.00%~6.89%。 利用金枪鱼形态指标的 KNN 算法识别。本文通过自动测量得到形态指标，并分析3种金枪鱼的识别效果。在这项研究中，提出了一种基于KNN算法的金枪鱼属鱼类的形态指标的识别方法。将数据集分3种数据集，分别为全部形态指标，鱼体形态指标和鱼鳍形态指标。实验结果表明，在KNN算法的性能分析中鱼鳍形态指标均为最佳。在评估指标分析中，其鱼鳍形态指标的平均性能最好为0.90。AUC值的平均性能也是鱼鳍形态指标最高为0.951。在混淆矩阵的识别精度，鱼鳍形态指标的平均性能为90%，其大眼金枪鱼为95%、黄鳍金枪鱼为95%和长鳍金枪鱼为 80%。通过对形态指标进行不同类型的划分能更好的研究金枪鱼的生物多样。 （2）计算机视觉的椭圆傅里叶变换对金枪鱼形态轮廓信息进行分析。形态轮廓特征的提取效果直接影响到自动识别金枪鱼的精度，因此，为了研究计算机视觉对金枪鱼形态轮廓特征的自动提取效果，根据大眼金枪鱼的二维图像进行计算机视觉分析。通过对金枪鱼图像进行灰度转换，双边滤波，二值化图像处理和轮廓提取等图像处理。利用8个方位的链码技术对金枪鱼轮廓进行链码信息的自动提取。通过椭圆傅里叶变换计算出形态信息系数，并对金枪鱼形态进行轮廓重建。研究结果表明，自动提取金枪鱼形态轮廓特征效果较好。金枪鱼形态系数在低谐次变化波动较大，在高谐次变化波动较小。轮廓重建在低谐次变换对金枪鱼整体轮廓信息影响较大，在高谐次变换对金枪鱼局部轮廓信息影响较大。 利用卷积神经网络VGG16对金枪鱼形态轮廓信息进行分析。鱼类形态变化多样，其形态轮廓特征具有种的特异性，并作为鱼类识别的重要科学依据。因此，为了分析卷积神经网络对金枪鱼的形态轮廓信息提取效果，利用大眼金枪鱼图像进行分析。通过计算机视觉的图像处理技术得到金枪鱼形态轮廓图像。可视化第一层卷积层的特征图，并进一步平均可视化所有卷积层和池化层的金枪鱼形态轮廓图像。提取深度特征数据，对深度特征数据进行主成分分析和绘制箱线图。研究结果表明，第一层卷积层的不同特征图能很好的获取金枪鱼形态轮廓信息。平均可视化所有卷积层和池化层的金枪鱼形态轮廓图像发现卷积神经网络能对金枪鱼形态轮廓信息进行有效提取。主成分分析表明金枪鱼形态轮廓信息提取效果较好，PC1到PC10的累计贡献率为82%。 利用不同机器学习算法对金枪鱼的形态轮廓特征进行识别。形态特征是识别金枪鱼的最重要的特征之一，因此，本研究旨在通过形态特征验证3种金枪鱼的自动化识别效果。在这项研究中，提出了一种基于不同机器学习算法的金枪鱼属鱼类的形态特征的自动化识别方法。首先，通过椭圆傅里叶变换和卷积神经网络对形态轮廓进行可视化分析。然后，提取金枪鱼轮廓图像的椭圆傅里叶变换特征数据和深度特征数据，将两种不同形态特征进行主成分析。最后，利用不同机器学习算法分析同属不同种金枪鱼的识别性能。实验结果表明，椭圆傅里叶变换特征在KNN识别精度最高，大眼金枪鱼为90%，黄鳍金枪鱼为90%和长鳍金枪鱼为85%。深度特征在SVM识别性能最好，大眼金枪鱼为80%，黄鳍金枪鱼为90%和长鳍为100%。在形态识别上深度特征优于椭圆傅里叶变换特征。通过两种不同形态特征能很好的分析金枪鱼属鱼类的生物多样性和属间差异。 （3）计算机视觉的灰度共生矩阵对金枪鱼的表型纹理信息进行量化分析。本文通过计算机视觉对3种金枪鱼图像进行预先定位基准点，通过移动基准点确定纹理特征区域并自动截取。对纹理图像进行灰度转换和灰度量化处理，量化的灰度图像进行灰度共生矩阵计算，并对灰度共生矩阵进行归一化处理。通过归一化的灰度共生矩阵计算出6个纹理指标，并分析纹理指标的距离和方向的变化趋势，通过因子分析研究金枪鱼纹理指标。研究结果表明，通过计算机视觉的纹理分析，3种金枪鱼纹理指标提取效果较好，其纹理指标在距离值为4时，变化趋势趋于稳定，而3种金枪鱼的纹理指标方向变化，其均值方向具有代表性。3种金枪鱼的因子分析，第1主成分贡献率为81.10%，表明提取的6个纹理指标意义较大且效果较好。 通过卷积神经网络VGG16对金枪鱼的表型纹理进行可视化和信息提取。本文通过卷积神经网络对于3种金枪鱼的表型纹理进行量化分析。通过可视化第一层卷积层的表型纹理信息，再可视化每个卷积块的第一个和最后一个卷积层，最后可视化所有池化层。提取表型纹理的深度特征数据，并进行主成分分析和绘制箱线图。实验结果表明，初次卷积能很好的获取表型纹理信息。不同卷积块的卷积层和池化层获取的表型纹理效果较好，其变化过程从具体到抽象。主成分分析表明3种金枪鱼的表型纹理信息提取效果较好，大眼金枪鱼PC1为52%，黄鳍金枪鱼PC1为48%，长鳍金枪鱼PC1为40%。 利用不同核函数的SVM算法对金枪鱼表型纹理进行分类。本研究利用灰度共生矩阵和VGG16对3种金枪鱼的局部表型纹理图像进行了可视化。通过表型纹理图像获取纹理特征指标数据、深度特征数据及其组合特征数据。利用不同核函数的 SVM 对金枪鱼的表型纹理进行自动分类。研究表明，灰度共生矩阵和VGG16 可视化不同金枪鱼的表型纹理图像具有生物特异性，而对不同数据集可视化分析表明，数据分布具有明显的属间差异和生物特异性。在无交叉验证的分类结果中，纹理特征指标数据集在多项式核函数中的平均分类精度为83%，深度特征数据集在RBF核函数中的平均分类精度为93%，组合特征数据集在RBF核函数中的平均分类精度为95%。在交叉验证的分类结果中，不同数据集在不同核函数上与无交叉验证的结果类似，但精度略低，纹理特征指标数据集在多项式核函数的精度为83%，深度特征数据集在RBF核函数的精度为88%，组合特征数据集在RBF核函数的精度为89%。结果表明，利用不同核函数的SVM可以有效地对金枪鱼表型纹理进行分类。 （4）本研究采用深度卷积神经网络作为一种智能、实时、无损的方法，将其应用于四种经济重要的金枪鱼种大眼金枪鱼、黄鳍金枪鱼，长鳍金枪鱼和鲣鱼的智能识别。实验结果表明：不同 CNN 对金枪鱼(整体和部分)的识别分析存在差异。VGGNet，ResNet和MobileNet进行对比分析，VGGNet性能最佳。VGGNet的可视化解释能很好分析金枪鱼种间的生物信息的特异性差异。VGGNet的评估指标和混淆矩阵性能平均都为97%。因此，该方法对金枪鱼物种具有很好的识别性能，将为金枪鱼渔业的电子监控系统的建立奠定基础。 收起