資料來源：行政院農業委員會水產試驗所／林志遠、王郁峻、鄭勝文

本技術透過影像辨識技術，直接利用2D攝影機針對水下魚隻進行進行動態影像擷取、標的物確認與魚體體長量測，結合複合式像素融合技術與機器學習技術，有效適應養殖池環境降低因光影或雜訊干擾所造成之誤判，同時提高魚體長度量測的準確度。

實驗採用多組CCD隨機取樣量測架構(圖1)，以CCD、照明光源、鋁擠型支架與強化底板為基礎組合，可依空間配置多組量測機構，CCD採用高解析度水下攝影機，照明光源以白光/自然光為主，鋁擠型支架便於組裝拆卸，並可依照實際應用場域調整量測位置與高度。另使用強化底板，可增加影像背景強化對比度及有效區別背景與魚體的差異。此量測架構並不限定魚隻游動的方向，採取開放式空間隨機取樣以進行量測，配合飼料桶投餵位置，如投餌於量測機構附近可增加魚隻入鏡之機會，本研究量測標的物初期以底棲型魚隻為主。

圖1、隨機取樣量測架構

影像處理步驟包含影像前處理、標的物偵測與編碼、物件追蹤、輪廓比對估算等步驟（圖2）。魚隻辨識預計導入Machine learning技術以快速標記初始位置，並藉由物件追蹤技術避免重複取樣，最後透過自適應性輪廓比對找出最佳魚體量測區間。

圖2、影像辨識流程圖

為因應魚體非持續活動特性所造成的影像標的範圍缺陷與誤判，本技術特別開發高適應性複合式像素差異去背法及移動偵測法之融合技術，以突破傳統單一演算法時無法有效區別魚隻位置及輪廓破碎的辨識極限，可有效增進魚體偵測的完整性及可靠性。

在實際石斑魚養殖場域中，當確認影像中標的物後，將進行輪廓追蹤，以得到明確的長軸資訊並轉為公分作為量測值輸出。魚體長分級的標準，以兩參數設定值middle_low及middle_high作為魚體長分級判定，此兩參數可於系統檔案中設定，以適應於不同魚種大小。使用三種不同大小魚隻量測結果範例如圖3。綜整現有研究成果，其整體量測精度誤差約在±2cm。分級正確率達97.5％＠200次影片樣本。

圖3、 三種不同大小石斑魚體長量測結果

總而言之，本技術運用水下攝影機搭配簡易空間機構設計，擷取水下魚體影像，將魚體影像經複合式演算機制、機械學習等運算處理後，取得魚體個體輪廓，分析魚體輪廓面積與輪廓邊界並配合預先放置的空間資訊，分析魚隻位置並推算出魚體長度，希望除藉由數位化輔助紀錄魚隻生長過程之外，可運用魚隻大小資訊於養殖漁產業之投餌量、成長速率、分級選別、收穫等方面。此外，依據魚體長推算出之投餌量，若再搭配投餵飼料時魚群之活動力分析研究，可做為養殖魚類精準餵食的重要參考依據，避免飼料浪費及改善部份水質惡化等問題。未來將進一步使用3D量測系統輔助取得待測物深度資訊，再結合2D影像辨識手法即可適用於更多養殖環境與種類之魚種量測應用。

►研發團隊：行政院農業委員會水產試驗所、財團法人工業技術研究院

聯絡人：王妤心

電話：02-24622101轉2507

E-mail：yhwang@mail.tfrin.gov.tw