Review of research on aquaculture counting based on machine vision

doi:10.11772/j.issn.1001-9081.2022081261

Journal of Computer Applications ›› 2023, Vol. 43 ›› Issue (9): 2970-2982.DOI: 10.11772/j.issn.1001-9081.2022081261

• Multimedia computing and computer simulation • Previous Articles

Review of research on aquaculture counting based on machine vision

Hanyu ZHANG¹^,²^,³^,⁴, Zhenbo LI¹^,²^,³^,⁴(), Weiran LI¹^,²^,³^,⁴, Pu YANG¹^,²^,³^,⁴

^1.College of Information and Electrical Engineering，China Agricultural University，Beijing 100083，China
^2.National Innovation Center for Digital Fishery，Ministry of Agriculture and Rural Affairs，Beijing 100083，China
^3.Key Laboratory of Smart Farming Technology，Ministry of Agriculture and Rural Affairs，Beijing 100083，China
^4.Key Laboratory of Agricultural Information Acquisition Technology，Ministry of Agriculture and Rural Affairs，Beijing 100083，China

Received:2022-08-25 Revised:2022-10-27 Accepted:2022-11-14 Online:2023-01-11 Published:2023-09-10
Contact: Zhenbo LI
About author:ZHANG Hanyu， born in 1999， M. S. candidate. Her research interests include computer vision， intelligent agriculture， image processing.
LI Weiran， born in 1997， Ph. D. candidate. His research interests include computer vision， intelligent agriculture.
YANG Pu， born in 1994， Ph. D. candidate. His research interests include computer vision， intelligent agriculture.
Supported by:
National Key Research and Development Program of China(2020YFD0900204);Key Research and Development Program of Guangdong Province(2020B0202010009)

基于机器视觉的水产养殖计数研究综述

张涵钰¹^,²^,³^,⁴, 李振波¹^,²^,³^,⁴(), 李蔚然¹^,²^,³^,⁴, 杨普¹^,²^,³^,⁴

^1.中国农业大学信息与电气工程学院, 北京 100083
^2.农业农村部国家数字渔业创新中心, 北京 100083
^3.农业农村部智慧养殖技术重点实验室, 北京 100083
^4.农业农村部农业信息获取技术重点实验室, 北京 100083

通讯作者: 李振波
作者简介:张涵钰（1999—），女，河南南阳人，硕士研究生，主要研究方向：计算机视觉、智慧农业、图像处理
李蔚然（1997—），男，山东潍坊人，博士研究生，主要研究方向：计算机视觉、智慧农业
杨普（1994—），男，河南周口人，博士研究生，主要研究方向：计算机视觉、智慧农业。
基金资助:
国家重点研发计划项目(2020YFD0900204);广东省重点领域研发计划项目(2020B0202010009)

Abstract

Abstract:

Aquaculture counting is an important part of the aquaculture process， and the counting results provide an important basis for feeding， breeding density adjustment， and economic efficiency estimation of aquatic animals. In response to the traditional manual counting methods， which are time-consuming， labor-intensive， and prone to large errors， a large number of methods and applications based on machine vision have been proposed， thereby greatly promoting the development of non-destructive counting of aquatic products. In order to deeply understand the research on aquaculture counting based on machine vision， the relevant domestic and international literature in the past 30 years was collated and analyzed. Firstly， a review of aquaculture counting was presented in the perspective of data acquisition， and the methods for acquiring the data required for machine vision were summed up. Secondly， the aquaculture counting methods were analyzed and summarized in terms of traditional machine vision and deep learning. Thirdly， the practical applications of counting methods in different farming environments were compared and analyzed. Finally， the difficulties in the development of aquaculture counting research were summarized in terms of data， methods， and applications， and corresponding views were presented for the future trends of aquaculture counting research and equipment applications.

Key words: aquaculture, manual counting, non-destructive counting, machine vision, deep learning

摘要：

养殖计数是水产养殖过程中的重要环节，计数结果为水产动物的饲料投喂、养殖密度调整和经济效益估算等方面提供重要依据。针对传统人工计数方法耗时费力且易造成较大误差的问题，大量基于机器视觉的方法与应用被提出，极大地推动了水产品无损计数的发展。为深入了解基于机器视觉的水产养殖计数研究，整理和分析了至今三十多年来国内外的相关文献。首先，从数据采集方面对水产养殖计数展开综述性介绍，并对机器视觉所需数据的获取方法进行概括；其次，从传统机器视觉和深度学习两方面对水产养殖计数方法进行分析与总结；然后，对各种计数方法在不同养殖环境的实际应用进行对比分析；最后，从数据、方法和应用三方面总结了水产养殖计数研究的发展难点，并提出了计数方法研究和装备应用的未来发展方向。

关键词: 水产养殖, 人工计数, 无损计数, 机器视觉, 深度学习

CLC Number:

TP391.41

Hanyu ZHANG, Zhenbo LI, Weiran LI, Pu YANG. Review of research on aquaculture counting based on machine vision[J]. Journal of Computer Applications, 2023, 43(9): 2970-2982.

张涵钰, 李振波, 李蔚然, 杨普. 基于机器视觉的水产养殖计数研究综述[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2970-2982.

Figures/Tables 7

References 101

1	农业农村部渔业渔政管理局，全国水产技术推广总站，中国水产学会. 2021中国渔业统计年鉴［M］. 北京：中国农业出版社， 2021：1-17.
	Bureau of Fisheries， Ministry of Agriculture and Rural Affairs， National Fisheries Technology Extension Center， China Society of Fisheries. 2021 China Fishery Statistical Yearbook［M］. Beijing： China Agriculture Press， 2021：1-17.
2	LI D L， MIAO Z， PENG F， et al. Automatic counting methods in aquaculture： a review［J］. Journal of the World Aquaculture Society， 2021， 52（2）： 269-283. 10.1111/jwas.12745
3	ZHAO S， ZHANG S， LIU J， et al. Application of machine learning in intelligent fish aquaculture： a review［J］. Aquaculture， 2021， 540： No.736724. 10.1016/j.aquaculture.2021.736724
4	PAPADAKIS V M， PAPADAKIS I E， LAMPRIANIDOU F， et al. A computer-vision system and methodology for the analysis of fish behavior［J］. Aquacultural Engineering， 2012， 46： 53-59. 10.1016/j.aquaeng.2011.11.002
5	WANG N X R， CULLIS-SUZUKI S， BRANZAN ALBU A. Automated analysis of wild fish behavior in a natural habitat［C］// Proceedings of the 2nd International Workshop on Environmental Multimedia Retrieval. New York： ACM， 2015： 21-26. 10.1145/2764873.2764875
6	谢炎福. 鱼苗计数中的骗局［J］. 科学养鱼， 2006（2）： 47-47.
	XIE Y F. Scams in fry counting［J］. Scientific Fish Farming， 2006（2）： 47-47.
7	刘山乔. 谨防购买鱼苗计数中的骗术［J］. 农村百事通， 2014（8）： 43-44. 10.3969/j.issn.1006-9119.2014.08.025
	LIU S Q. Beware of scams in the counting of purchased fry［J］. Rural Knowledgeable Person， 2014（8）： 43-44. 10.3969/j.issn.1006-9119.2014.08.025
8	珠江水利委员会珠江水利科学研究院. 基于光栅的鱼道过鱼计数系统：201720805553.3［P］. 2018-01-16.
	Pearl River Hydraulic Research Institute of Pearl River Resources Commission. Grating-based fish passage counting system： 201720805553.3［P］. 2018-01-16.
9	中国水产科学研究院珠江水产研究所. 一种鱼道过鱼效果的声学评估方法：201610599175.8［P］. 2016-12-21.
	Pearl River Fisheries Research Institute of Chinese Academy of Fishery Sciences. An acoustic evaluation method for the effect of fish passage： 201610599175.8［P］. 2016-12-21.
10	WANG Y H， DAN X Z， LI J R， et al. Multi-perspective digital image correlation method using a single color camera［J］. Science China Technological Sciences， 2018， 61（1）： 61-67. 10.1007/s11431-017-9101-8
11	GUO Y M， LIU Y， OERLEMANS A， et al. Deep learning for visual understanding： a review［J］. Neurocomputing， 2016， 187： 27-48. 10.1016/j.neucom.2015.09.116
12	FORSYTH D A， PONCE J. Computer Vision： A Modern Approach［M］. 2nd ed. Upper Saddle River， NJ： Prentice Hall， 2011：20-45.
13	徐建瑜，崔绍荣，苗香雯，等. 计算机视觉技术在水产养殖中的应用与展望［J］. 农业工程学报， 2005， 21（8）：174-178. 10.1631/jzus.2005.b0812
	XU J Y， CUI S R， MIAO X W， et al. Application and prospect of computer vision technology in aquaculture［J］. Transactions of the Chinese Society of Agricultural Engineering， 2005， 21（8）：174-178. 10.1631/jzus.2005.b0812
14	LIU L， LU H， CAO Z G， et al. Counting fish in sonar images［C］// Proceedings of the 25th IEEE International Conference on Image Processing. Piscataway： IEEE， 2018： 3189-3193. 10.1109/icip.2018.8451154
15	刘世晶，涂雪滢，田昌凤，等. 基于机器视觉的吸鱼泵过鱼量计数系统试验研究［J］. 渔业现代化， 2020， 47（5）：45-51. 10.3969/j.issn.1007-9580.2020.05.007
	LIU S J， TU X Y， TIAN C F， et al. Research on the counting system of fish suction pump based on machine vision［J］. Fishery Modernization， 2020， 47（5）：45-51. 10.3969/j.issn.1007-9580.2020.05.007
16	HASHISHO Y， DOLEREIT T， SEGELKEN-VOIGT A， et al. AI-assisted automated pipeline for length estimation， visual assessment of the digestive tract and counting of shrimp in aquaculture production［C］// Proceedings of the 16th International Joint Conference on Computer Vision， Imaging and Computer Graphics Theory and Applications - Volume 4： VISAPP. Setúbal： SciTePress， 2021： 710-716. 10.5220/0010342007100716
17	COSTA C， SCARDI M， VITALINI V， et al. A dual camera system for counting and sizing Northern Bluefin Tuna （Thunnus thynnus； Linnaeus， 1758） stock， during transfer to aquaculture cages， with a semi automatic Artificial Neural Network tool［J］. Aquaculture， 2009， 291（3/4）： 161-167. 10.1016/j.aquaculture.2009.02.013
18	PAUTSINA A， CÍSAŘ P， ŠTYS D， et al. Infrared reflection system for indoor 3D tracking of fish［J］. Aquacultural Engineering， 2015， 69： 7-17. 10.1016/j.aquaeng.2015.09.002
19	LIN K， ZHOU C， XU D M， et al. Three-dimensional location of target fish by monocular infrared imaging sensor based on a L-z correlation model［J］. Infrared Physics and Technology， 2018， 88： 106-113. 10.1016/j.infrared.2017.11.002
20	ZHOU C， ZHANG B H， LIN K， et al. Near-infrared imaging to quantify the feeding behavior of fish in aquaculture［J］. Computers and Electronics in Agriculture， 2017， 135： 233-241. 10.1016/j.compag.2017.02.013
21	FU X P， SHANG X D， SUN X D， et al. Underwater hyperspectral target detection with band selection［J］. Remote Sensing， 2020， 12（7）： No.1056. 10.3390/rs12071056
22	于红. 水产动物目标探测与追踪技术及应用研究进展［J］. 大连海洋大学学报， 2020， 35（6）：793-804.
	YU H. Research progress on object detection and tracking techniques utilization in aquaculture： a review［J］. Journal of Dalian Ocean University， 2020， 35（6）：793-804.
23	SHAHRESTANI S， BI H S， LYUBCHICH V， et al. Detecting a nearshore fish parade using the Adaptive Resolution Imaging Sonar （ARIS）： an automated procedure for data analysis［J］. Fisheries Research， 2017， 191：190-199. 10.1016/j.fishres.2017.03.013
24	JING D X， HAN J， WANG X D， et al. A method to estimate the abundance of fish based on Dual-Frequency Identification Sonar （DIDSON） imaging［J］. Fisheries Science， 2017， 83（5）： 685-697. 10.1007/s12562-017-1111-3
25	ENOMOTO K， TODA M， KUWAHARA Y. Bottom sediment classification method from seabed image for automatic counting system of scallop［C］// Proceedings of the 2012 International Symposium on Optomechatronic Technologies. Piscataway： IEEE， 2012： 1-6. 10.1109/isot.2012.6403262
26	RASMUSSEN C， ZHAO J Y， FERRARO D， et al. Deep census： AUV-based scallop population monitoring［C］// Proceedings of the 2017 International Conference on Computer Vision Workshops. Piscataway： IEEE， 2017： 2865-2873. 10.1109/iccvw.2017.338
27	张翔，沈蔚，童剑锋，等. 基于 DIDSON 双频识别声纳技术的青草沙水库鱼类资源量评估［J］. 上海海洋大学学报， 2017， 26（4）： 561-569.
	ZHANG X， SHEN W， TONG J F， et al. Evaluation of fish resources in Qingcaosha Reservoir based on dual-frequency identification sonar technology［J］. Journal of Shanghai Ocean University， 2017， 26（4）： 561-569.
28	CHANG C C， UBINA N A， CHENG S C， et al. A two-mode underwater smart sensor object for precision aquaculture based on AIoT technology［J］. Sensors， 2022， 22（19）： No.7603. 10.3390/s22197603
29	SINGH W， ÖRNÓLFSDÓTTIR E B， STEFANSSON G. A camera-based autonomous underwater vehicle sampling approach to quantify scallop abundance［J］. Journal of Shellfish Research， 2013， 32（3）： 725-732. 10.2983/035.032.0314
30	DAWKINS M， STEWART C， GALLAGER S， et al. Automatic scallop detection in benthic environments［C］// Proceedings of the 2013 IEEE Workshop on Applications of Computer Vision. Piscataway： IEEE， 2013： 160-167. 10.1109/wacv.2013.6475014
31	卢振坤，刘胜，钟乐，等. 人群计数研究综述［J］. 计算机工程与应用， 2022， 58（11）：33-46. 10.3778/j.issn.1002-8331.2111-0281
	LU Z K， LIU S， ZHONG L， et al. Survey on research of crowd counting［J］. Computer Engineering and Applications， 2022， 58（11）：33-46. 10.3778/j.issn.1002-8331.2111-0281
32	FRANÇA ALBUQUERQUE P L， GARCIA V， SILVA OLIVEIRA A DA， Junior， et al. Automatic live fingerlings counting using computer vision［J］. Computers and Electronics in Agriculture， 2019， 167： No.105015. 10.1016/j.compag.2019.105015
33	WEISS K， KHOSHGOFTAAR T M， WANG D D. A survey of transfer learning［J］. Journal of Big Data， 2016， 3： No.9. 10.1186/s40537-016-0043-6
34	PEREIRA C S， MORAIS R， REIS M J C S. Deep learning techniques for grape plant species identification in natural images［J］. Sensors， 2019， 19（22）： No.4850. 10.3390/s19224850
35	TOH Y H， NG T M， LIEW B K. Automated fish counting using image processing［C］// Proceedings of the 2009 International Conference on Computational Intelligence and Software Engineering. Piscataway： IEEE， 2009： 1-5. 10.1109/cise.2009.5365104
36	LABUGUEN R T， VOLANTE E J P， CAUSO A， et al. Automated fish fry counting and schooling behavior analysis using computer vision［C］// Proceedings of the IEEE 8th International Colloquium on Signal Processing and its Applications. Piscataway： IEEE， 2012： 255-260. 10.1109/cspa.2012.6194729
37	范嵩，刘娇，杨轶. 图像识别技术在鱼苗计数方面的研究与实现［J］. 水产科学， 2008， 27（4）： 210-212. 10.3969/j.issn.1003-1111.2008.04.013
	FAN S， LIU J， YANG Y. Research and realization of fry counting based on image recognition technology［J］. Fisheries Science， 2008， 27（4）： 210-212. 10.3969/j.issn.1003-1111.2008.04.013
38	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. 10.3969/j.issn.1007-9580.2015.01.004
	WANG S， FAN L Z， LIU Y. The research of turbot fry counting method based on computer vision［J］. Fishery Modernization， 2015， 42（1）： 16-19. 10.3969/j.issn.1007-9580.2015.01.004
39	KHANTUWAN W， KHIRIPET N. Live shrimp larvae counting method using co-occurrence color histogram［C］// Proceedings of the 9th International Conference on Electrical Engineering/Electronics， Computer， Telecommunications and Information Technology. Piscataway： IEEE， 2012： 1-4. 10.1109/ecticon.2012.6254280
40	KANNAPPAN P， WALKER J H， TREMBANIS A， et al. Identifying sea scallops from benthic camera images［J］. Limnology and Oceanography： Methods， 2014， 12（10）： 680-693. 10.4319/lom.2014.12.680
41	KESVARAKUL R， CHIANRABUTRA C， CHIANRABUTRA S. Baby shrimp counting via automated image processing［C］// Proceedings of the 9th International Conference on Machine Learning and Computing. New York： ACM， 2017： 352-356. 10.1145/3055635.3056652
42	FABIC J N， TURLA I E， CAPACILLO J A， et al. Fish population estimation and species classification from underwater video sequences using blob counting and shape analysis［C］// Proceedings of the 2013 IEEE International Underwater Technology Symposium. Piscataway： IEEE， 2013： 1-6. 10.1109/ut.2013.6519876
43	HERNÁNDEZ-ONTIVEROS J M， INZUNZA-GONZÁLEZ E， GARCÍA-GUERRERO E E， et al. Development and implementation of a fish counter by using an embedded system［J］. Computers and Electronics in Agriculture， 2018， 145：53-62. 10.1016/j.compag.2017.12.023
44	LI X， HAO J， QIN H W， et al. Real-time fish localization with binarized normed gradients［C］// Proceedings of the 2015 MTS/IEEE OCEANS Conference. Piscataway： IEEE， 2015： 1-5. 10.23919/oceans.2015.7404465
45	MORAIS E F， CAMPOS M F M， PÁDUA F L C， et al. Particle filter-based predictive tracking for robust fish counting［C］// Proceedings of the XVIII Brazilian Symposium on Computer Graphics and Image Processing. Piscataway： IEEE， 2005： 367-374. 10.1109/sibgrapi.2005.36
46	沈蔚，朱振宏，张进，等. 基于双频识别声呐的鱼类目标识别与计数［J］. 渔业现代化， 2020， 47（6）： 81-87. 10.3969/j.issn.1007-9580.2020.06.012
	SHEN W， ZHU Z H， ZHANG J， et al. Fish target recognition and counting based on Dual-frequency Identification Sonar［J］. Fishery Modernization， 2020， 47（6）： 81-87. 10.3969/j.issn.1007-9580.2020.06.012
47	TAN C S， LAU P Y， CORREIA P L， et al. Automatic analysis of deep-water remotely operated vehicle footage for estimation of Norway lobster abundance［J］. Frontiers of Information Technology and Electronic Engineering， 2018， 19（8）： 1042-1055. 10.1631/fitee.1700720
48	FAN L Z， LIU Y. Automate fry counting using computer vision and multi-class least squares support vector machine［J］. Aquaculture， 2013， 380/381/382/383： 91-98. 10.1016/j.aquaculture.2012.10.016
49	RUMELHART D E， HINTON G E， WILLIAMS R J. Learning representations by back-propagating errors［J］. Nature， 1986， 323（6088）： 533-536. 10.1038/323533a0
50	LUTS J， OJEDA F， R van de PLAS， et al. A tutorial on support vector machine-based methods for classification problems in chemometrics［J］. Analytica Chimica Acta， 2010， 665（2）： 129-145. 10.1016/j.aca.2010.03.030
51	LE J Y， XU L H. An automated fish counting algorithm in aquaculture based on image processing［C］// Proceedings of the 2016 International Forum on Mechanical， Control and Automation. Dordrecht： Atlantis Press， 2017： 358-366. 10.2991/ifmca-16.2017.56
52	NEWBURY P F， CULVERHOUSE P F， PILGRIM D A. Automatic fish population counting by artificial neural network［J］. Aquaculture， 1995， 133（1）： 45-55. 10.1016/0044-8486(95)00003-k
53	ZHENG X T， ZHANG Y W. A fish population counting method using fuzzy artificial neural network［C］// Proceedings of the 2010 IEEE Conference on Progress in Informatics and Computing. Piscataway： IEEE， 2010： 225-228. 10.1109/pic.2010.5687462
54	ZHANG L， LI W S， LIU C H， et al. Automatic fish counting method using image density grading and local regression［J］. Computers and Electronics in Agriculture， 2020， 179： No.105844. 10.1016/j.compag.2020.105844
55	LeCUN Y， BENGIO Y， HINTON G. Deep learning［J］. Nature， 2015， 521（7553）： 436-444. 10.1038/nature14539
56	RONNEBERGER O， FISCHER P， BROX T. U-net： convolutional networks for biomedical image segmentation［C］// Proceedings of the 2015 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 9351. Cham： Springer， 2015： 234-241.
57	THAI T T N， NGUYEN T S， PHAM V C. Computer vision based estimation of shrimp population density and size［C］// Proceedings of the 2021 International Symposium on Electrical and Electronics Engineering. Piscataway： IEEE， 2021： 145-148. 10.1109/isee51682.2021.9418638
58	NGUYEN K T， NGUYEN C N， WANG C Y， et al. Two-phase instance segmentation for whiteleg shrimp larvae counting［C］// Proceedings of the 2020 International Conference on Consumer Electronics. Piscataway： IEEE， 2020： 1-3. 10.1109/icce46568.2020.9043075
59	HE K M， GKIOXARI G， DOLLÁR P， et al. Mask R-CNN［C］// Proceedings of the 2017 International Conference on Computer Vision. Piscataway： IEEE， 2017： 2980-2988. 10.1109/iccv.2017.322
60	TSENG C H， KUO Y F. Detecting and counting harvested fish and identifying fish types in electronic monitoring system videos using deep convolutional neural networks［J］. ICES Journal of Marine Science， 2020， 77（4）： 1367-1378. 10.1093/icesjms/fsaa076
61	DOLLÁR P， WOJEK C， SCHIELE B， et al. Pedestrian detection： an evaluation of the state of the art［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2012， 34（4）： 743-761. 10.1109/tpami.2011.155
62	LI X， TANG Y H， GAO T W. Deep but lightweight neural networks for fish detection［C］// Proceedings of the 2017 MTS/IEEE OCEANS Conference. Piscataway： IEEE， 2017： 1-5. 10.1109/oceanse.2017.8084961
63	REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems - Volume 1. Cambridge： MIT Press， 2015： 91-99.
64	LAINEZ S M D， GONZALES D B. Automated fingerlings counting using convolutional neural network［C］// Proceedings of the IEEE 4th International Conference on Computer and Communication Systems. Piscataway： IEEE， 2019： 67-72. 10.1109/ccoms.2019.8821746
65	REDMON J， FARHADI A. YOLO9000： better， faster， stronger［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 6517-6525. 10.1109/cvpr.2017.690
66	张璐，黄琳，李备备，等. 基于多尺度融合与无锚点YOLO v3的鱼群计数方法［J］. 农业机械学报， 2021， 52（S1）：237-244.
	ZHANG L， HUANG L， LI B B， et al. Fish school counting method based on multi-scale fusion and no anchor YOLO v3［J］. Transactions of the Chinese Society of Agricultural Machinery， 2021， 52（S1）：237-244.
67	FARHADI A， REDMON J. YOLOv3： an incremental improvement［EB/OL］. （2018-04-08）［2022-06-10］..
68	XU F Q， DING X Y， PENG J J， et al. Real-time detecting method of marine small object with underwater robot vision［C］// Proceedings of the 2018 OCEANS-MTS/IEEE Kobe Techno-Oceans. Piscataway： IEEE， 2018： 1-4. 10.1109/oceanskobe.2018.8558804
69	BEWLEY A， GE Z Y， OTT L， et al. Simple online and realtime tracking［C］// Proceedings of the 2016 IEEE International Conference on Image Processing. Piscataway： IEEE， 2016： 3464-3468. 10.1109/icip.2016.7533003
70	WOJKE N， BEWLEY A， PAULUS D. Simple online and realtime tracking with a deep association metric［C］// Proceedings of the 2017 IEEE International Conference on Image Processing. Piscataway： IEEE， 2017： 3645-3649. 10.1109/icip.2017.8296962
71	TANAKA R， NAKANO T， OGAWA T. Sequential fish catch counter using vision-based fish detection and tracking［C］// Proceedings of the 2022 OCEANS Conference. Piscataway： IEEE， 2022： 1-5. 10.1109/oceanschennai45887.2022.9775327
72	ZHANG L， SHI M J， CHEN Q B. Crowd counting via scale-adaptive convolutional neural network［C］// Proceedings of the 2018 Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2018： 1113-1121. 10.1109/wacv.2018.00127
73	LEMPITSKY V， ZISSERMAN A. Learning to count objects in images［C］// Proceedings of the 23rd International Conference on Neural Information Processing Systems - Volume 1. Red Hook， NY： Curran Associates Inc.， 2010： 1324-1332.
74	ZHANG Y Y， ZHOU D S， CHEN S Q， et al. Single-image crowd counting via multi-column convolutional neural network［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 589-597. 10.1109/cvpr.2016.70
75	XIE W D， NOBLE J A， ZISSERMAN A. Microscopy cell counting and detection with fully convolutional regression networks［J］. Computer Methods in Biomechanics and Biomedical Engineering： Imaging and Visualization， 2018， 6（3）： 283-292. 10.1080/21681163.2016.1149104
76	YU J T， JIA R S， LI Y C， et al. Automatic fish counting via a multi-scale dense residual network［J］. Multimedia Tools and Applications， 2022， 81（12）： 17223-17243. 10.1007/s11042-022-12672-y
77	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 770-778. 10.1109/cvpr.2016.90
78	ZHOU Y Z， YU H， WU J F， et al. Fish density estimation with multi-scale context enhanced convolutional neural network［J］. Journal of Communications and Information Networks， 2019， 4（3）： 80-88. 10.23919/jcin.2019.8917888
79	王金凤，胡凯，江帆，等. 基于改进深度学习模型的鱼群密度检测试验研究［J］. 渔业现代化， 2021， 48（2）： 77-82. 10.3969/j.issn.1007-9580.2021.02.012
	WANG J F， HU K， JIANG F， et al. Experimental research on fish density detection based on improved deep learning model［J］. Fishery Modernization， 2021， 48（2）： 77-82. 10.3969/j.issn.1007-9580.2021.02.012
80	LI Y H， ZHANG X F， CHEN D M. CSRNet： dilated convolutional neural networks for understanding the highly congested scenes［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 1091-1100. 10.1109/cvpr.2018.00120
81	ZHANG J J， YANG G W， SUN L H， et al. Shrimp egg counting with fully convolutional regression network and generative adversarial network［J］. Aquacultural Engineering， 2021， 94： No.102175. 10.1016/j.aquaeng.2021.102175
82	侯海燕，鞠晓晖，陈雨生. 国外深海网箱养殖业发展动态及其对中国的启示［J］. 世界农业， 2017（5）： 162-166.
	HOU H Y， JU X H， CHEN Y S. The development of foreign deep-sea net cage culture and its inspiration to China［J］. World Agriculture， 2017（5）： 162-166.
83	郭根喜，关长涛，江涛，等. 走进挪威和爱尔兰深海网箱养殖［J］. 海洋与渔业·水产前沿， 2011（2）： 32-38.
	GUO G X， GUAN C T， JIANG T， et al. Introduction of Norwegian and Irish deep-sea net cage farming［J］. Ocean and Fishery， 2011（2）： 32-38.
84	黄健，关长涛，汤涛林，等. 基于单回波检测跟踪的深水网箱生物量评估模型研究［J］. 渔业现代化， 2008， 35（6）： 9-13. 10.3969/j.issn.1007-9580.2008.06.003
	HUANG J， GUAN C T， TANG T L， et al. Research on a novel biomass estimation model for deep water net cages based on single echo detection and tracking［J］. Fishery Modernization， 2008， 35（6）： 9-13. 10.3969/j.issn.1007-9580.2008.06.003
85	中联智科高新技术有限公司. 一种鱼类数据统计分析系统：201910593141.1［P］. 2021-01-05.
	Zhonglian Zhike High Technology Co.， Ltd. A fish data statistical analysis system： 201910593141.1［P］. 2021-01-05.
86	ZHANG S， YANG X T， WANG Y Z， et al. Automatic fish population counting by machine vision and a hybrid deep neural network model［J］. Animals， 2020， 10（2）： No.364. 10.3390/ani10020364
87	XIAO R C， WEI Y G， AN D， et al. A review on the research status and development trend of equipment in water treatment processes of recirculating aquaculture systems［J］. Reviews in Aquaculture， 2019， 11（3）： 863-895. 10.1111/raq.12270
88	张曦文，吴垠，贺茹靖，等. 循环水养殖模式下养殖密度对青石斑鱼生长及生理指标的影响［J］. 大连海洋大学学报， 2012， 27（6）： 518-522. 10.3969/j.issn.2095-1388.2012.06.006
	ZHANG X W， WU Y， HE R J， et al. The effects of stocking density on growth and physiological indices of grouper Epinephelus awoara in recirculating aquaculture［J］. Journal of Dalian Ocean University， 2012， 27（6）： 518-522. 10.3969/j.issn.2095-1388.2012.06.006
89	BAO W J， ZHU S M， GUO S R， et al. Assessment of water quality and fish production in an intensive pond aquaculture system［J］. Transactions of the ASABE， 2018， 61（4）： 1425-1433. 10.13031/trans.12799
90	三峡大学. 一种基于水下视频的鱼道过鱼量自动计数系统：201610347154.7［P］. 2016-10-12.
	China Three Gorges University. An automatic counting system of fish passage quantity based on underwater video： 201610347154.7［P］. 2016-10-12.
91	翟旭亮，薛洋，李虹，等. 池塘工程化循环水养殖中集排污系统效果研究［J］. 科学养鱼， 2020（10）：78-80. 10.3969/j.issn.1004-843X.2020.10.041
	ZHAI X L， XUE Y， LI H， et al. Study on the effect of collecting and discharging system in pond engineered recirculating water culture［J］. Scientific Fish Farming， 2020（10）：78-90. 10.3969/j.issn.1004-843X.2020.10.041
92	王峰，雷霁霖，高淳仁，等. 国内外工厂化循环水养殖模式水质处理研究进展［J］. 中国工程科学， 2013， 15（10）： 16-23， 32. 10.3969/j.issn.1009-1742.2013.10.003
	WANG F， LEI J L， GAO C R， et al. Research progress of water conditioning in industry recirculating aquaculture mode at home and abroad［J］. Engineering Sciences， 2013， 15（10）： 16-23， 32. 10.3969/j.issn.1009-1742.2013.10.003
93	北京农业信息技术研究中心. 一种工厂化循环水养殖鱼类游动速度估算系统及方法： 201610835707.3［P］. 2017-01-25.
	Beijing Research Center for Information Technology in Agriculture. System and method for estimating swimming speed of fish in industrial recirculating aquaculture： 201610835707.3［P］. 2017-01-25.
94	PETRELL R J， SHI X， WARD R K， et al. Determining fish size and swimming speed in cages and tanks using simple video techniques［J］. Aquacultural Engineering， 1997， 16（1/2）：63-84. 10.1016/s0144-8609(96)01014-x
95	STEEVES G D， PETERSON R H， CLARK L D. A quantitative stereoscopic video system for visually measuring the linear dimensions of free-swimming fish［C］// Proceedings of the 1998 OCEANS Conference - Volume 3. Piscataway： IEEE， 1998， 3： 1405-1408.
96	童心雨，姜森颢，葛宝明，等. 我国池塘养殖业发展现状与对策［J］. 中国农业科技导报， 2020， 22（8）： 5-13.
	TONG X Y， JIANG S H， GE B M， et al. Development status and countermeasures of pond aquaculture industry in China［J］. Journal of Agricultural Science and Technology， 2020， 22（8）： 5-13.
97	童剑锋，韩军，浅田昭，等. 基于声学摄像仪的溯河洄游幼香鱼计数［J］. 渔业现代化， 2009， 36（2）： 29-33. 10.3969/j.issn.1007-9580.2009.02.007
	TONG J F， HAN J， QIAN T Z， et al. Counting method of upstream juvenile Ayu （Plecoglossus altivelis） by acoustic camera［J］. Fishery Modernization， 2009， 36（2）：29-33. 10.3969/j.issn.1007-9580.2009.02.007
98	GARCIA V， SANT’ANA D A， GARCIA ZANONI V A， et al. A new image dataset for the evaluation of automatic fingerlings counting［J］. Aquacultural Engineering， 2020， 89： No.102064. 10.1016/j.aquaeng.2020.102064
99	叶章颖，冀大熊. 水产养殖作业装备（一）：计数器（Counter）［EB/OL］. （2021-02-25）［2022-06-17］..
	YE Z Y， JI D X. Aquaculture operation equipment （A）： counter［EB/OL］. （2021-02-25）［2022-06-17］..
100	范松伟，林翔瑜，周平. 基于改进的卷积神经网络的虾苗自动计数研究［J］. 渔业现代化， 2020， 47（6）： 35-41. 10.3969/j.issn.1007-9580.2020.06.006
	FAN S W， LIN X Y， ZHOU P. Research on automatic counting of shrimp fry based on improved convolutional neural network［J］. Fishery Modernization， 2020， 47（6）： 35-41. 10.3969/j.issn.1007-9580.2020.06.006
101	上海泽泉科技股份有限公司. 小型水生生物计数及测量仪——XperCount［EB/OL］. （2017-04-24）［2022-06-17］. .
	Zealquest Scientific Technology Co.， Ltd. Small aquatic organism counting and measuring instrument - XperCount［EB/OL］. （2017-04-24）［2022-06-17］..

采集设备	优点	缺点	常用代表	适用环境
单目多光谱相机	简单快捷，成本低，容易操作，便于标定与识别，计数成本低	无法确定目标真实大小，不适用大量遮挡的目标群体数量统计	CCD、CMOS	水上环境、水下环境
双目多光谱相机	降低目标群体遮挡对计数精度的影响	配置标定复杂，计算量较大，计数成本较高
单目近红外相机	成本低，适用于目标群体遮挡、黑暗复杂环境下的目标计数	视野小精度低，成像易受水面噪声和反光环境影响，进而影响计数精度
单目高光谱相机	图像信息丰富，适用于背景复杂环境，计数误差低	数据信息冗余，计算量较大，计数成本较高
声呐相机	有助于对结构复杂、浑浊黑暗的水下环境进行目标计数	成像分辨率较低，易受运动载体及环境噪声等因素影响，计算量较大，计数成本高	ARIS、DIDSON、 SSS	水下环境

采集设备	优点	缺点	常用代表	适用环境
单目多光谱相机	简单快捷，成本低，容易操作，便于标定与识别，计数成本低	无法确定目标真实大小，不适用大量遮挡的目标群体数量统计	CCD、CMOS	水上环境、水下环境
双目多光谱相机	降低目标群体遮挡对计数精度的影响	配置标定复杂，计算量较大，计数成本较高
单目近红外相机	成本低，适用于目标群体遮挡、黑暗复杂环境下的目标计数	视野小精度低，成像易受水面噪声和反光环境影响，进而影响计数精度
单目高光谱相机	图像信息丰富，适用于背景复杂环境，计数误差低	数据信息冗余，计算量较大，计数成本较高
声呐相机	有助于对结构复杂、浑浊黑暗的水下环境进行目标计数	成像分辨率较低，易受运动载体及环境噪声等因素影响，计算量较大，计数成本高	ARIS、DIDSON、 SSS	水下环境

类型	计数方法	文献来源	提出年份	计数结果	品种	优点	缺点
图像处理	连通域面积法	文献［35］	2009	平均误差3.38%	鱼苗	计数简单	易受高密度群体遮挡影响
	连通域面积法	文献［36］	2012	精度≥95%	鱼苗	计数简单	易受高密度群体遮挡影响
	端点细化法	文献［37］	2008	平均误差7.34%	鱼苗	计数精度高	易忽略图像边缘目标数量
	端点细化法	文献［51］	2017	平均误差<6%	鱼苗	计数精度高	易忽略图像边缘目标数量
	曲线演化法	文献［38］	2015	精度接近100%	大菱鲆	能对遮挡较严重的鱼群计数	易受外部杂质影响
	模板匹配法	文献［39］	2012	精度97%	虾苗	计数精度高	易受图像质量影响
	模板匹配法	文献［40］	2014	—	扇贝	计数精度高	易受图像质量影响
	分类检测法	文献［41］	2017	误差<人工6.9%	太平洋白虾苗	计数精度高，目标群体遮挡影响低	计算量大
	分类检测法	文献［48］	2013	精度98.73%	鱼苗	计数精度高，目标群体遮挡影响低	计算量大
视频处理	分量关系法	文献［42］	2013	平均误差<10%	鱼苗	计数简单	易受高密度群体遮挡影响
	分量关系法	文献［43］	2018	精度≥96.64%	孔雀鱼	计数简单	易受高密度群体遮挡影响
	目标定位法	文献［44］	2015	召回率97.1%	—	定位速率高，计数速度快	易受高密度群体遮挡影响
	目标跟踪法	文献［45］	2005	精度≥81%	—	能在浑浊水下计数	多个目标轨迹交叉、跟踪ID切换影响计数
		文献［46］	2020	平均误差7.2%	—
		文献［47］	2018	精度83%	龙虾

类型	计数方法	文献来源	提出年份	计数结果	品种	优点	缺点
图像处理	连通域面积法	文献［35］	2009	平均误差3.38%	鱼苗	计数简单	易受高密度群体遮挡影响
	连通域面积法	文献［36］	2012	精度≥95%	鱼苗	计数简单	易受高密度群体遮挡影响
	端点细化法	文献［37］	2008	平均误差7.34%	鱼苗	计数精度高	易忽略图像边缘目标数量
	端点细化法	文献［51］	2017	平均误差<6%	鱼苗	计数精度高	易忽略图像边缘目标数量
	曲线演化法	文献［38］	2015	精度接近100%	大菱鲆	能对遮挡较严重的鱼群计数	易受外部杂质影响
	模板匹配法	文献［39］	2012	精度97%	虾苗	计数精度高	易受图像质量影响
	模板匹配法	文献［40］	2014	—	扇贝	计数精度高	易受图像质量影响
	分类检测法	文献［41］	2017	误差<人工6.9%	太平洋白虾苗	计数精度高，目标群体遮挡影响低	计算量大
	分类检测法	文献［48］	2013	精度98.73%	鱼苗	计数精度高，目标群体遮挡影响低	计算量大
视频处理	分量关系法	文献［42］	2013	平均误差<10%	鱼苗	计数简单	易受高密度群体遮挡影响
	分量关系法	文献［43］	2018	精度≥96.64%	孔雀鱼	计数简单	易受高密度群体遮挡影响
	目标定位法	文献［44］	2015	召回率97.1%	—	定位速率高，计数速度快	易受高密度群体遮挡影响
	目标跟踪法	文献［45］	2005	精度≥81%	—	能在浑浊水下计数	多个目标轨迹交叉、跟踪ID切换影响计数
		文献［46］	2020	平均误差7.2%	—
		文献［47］	2018	精度83%	龙虾

计数方法		文献来源	提出年份	计数结果	品种	优点	缺点
ANN		文献［52］	1995	精度接近94%	鲻鱼	计数泛化性和准确性较好	易受高密度群体遮挡影响，网络结构具有局限性
		文献［53］	2011	精度95%	金鱼
		文献［54］	2020	平均误差29.8%	—
CNN	图像分割法	文献［57］	2021	平均误差9.3%	黑虎虾	计数精度较高，可估计目标长度	易受高密度群体遮挡影响，计数速度较低
		文献［58］	2020	精度72.9%~99.7%	白腿虾苗
		文献［60］	2020	召回率93.84%	—
	目标检测法	文献［62］	2017	精度89.95%	鱼苗	计数速度较快，计数精度较高	易受高密度群体遮挡影响
		文献［64］	2019	精度99.17%	鱼苗
		文献［26］	2017	平均精度86%	扇贝
		文献［66］	2021	精度96.26%	—
	目标跟踪法	文献［67］	2018	—	扇贝、海参	实用性较强	通用性较差
	目标跟踪法	文献［71］	2022	精度89%	金枪鱼	实用性较强	通用性较差
	密度图回归法	文献［78］	2019	平均误差13.7%	鲤鱼	可获取目标群体分布信息，计数精度较高	密度图生成易受气泡、光线等因素干扰
		文献［79］	2021	精度大于90%	鱼苗
		文献［81］	2021	平均精度99.2%	虾卵
		文献［76］	2022	—	鱼苗

Review of research on aquaculture counting based on machine vision

基于机器视觉的水产养殖计数研究综述

RichHTML

PDF

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 7

References 101

Related Articles 15

Recommended Articles

Metrics

养殖模式		文献来源	提出年份	常用计数方法	硬件使用	适用品种	局限
海水养殖	深水网箱养殖	文献［84］	2008	检测、跟踪计数	超声换能器基阵	大黄鱼等海水鱼	水质复杂且水深
		文献［85］	2021	跟踪计数	无人艇声呐
		文献［86］	2020	回归计数	单目相机
陆地养殖	池塘循环水养殖	文献［90］	2016	跟踪计数	鱼道、单目相机	常见淡水鱼	高密度鱼群遮挡
	工业循环水养殖	文献［38］	2015	几何特征计数	近红外、双目等三维图像相机、吸鱼泵	大菱鲆等高档鱼类	鱼种粘连严重，环境昏暗
	池塘养殖	文献［97］	2009	检测、跟踪计数	DIDISON小型声呐	常见淡水鱼	水质浑浊
	池塘养殖	文献［27］	2017	检测、跟踪计数	DIDISON小型声呐	常见淡水鱼	水质浑浊

[1]	Xinyu CHEN, Mingzhe LIU, Jun REN, Ying TANG. Parameter asynchronous updating algorithm based on multi-column convolutional neural network [J]. Journal of Computer Applications, 2022, 42(2): 395-403.
[2]	ZHANG Yazhou, LU Xianling. Surface defect detection method of light-guide plate based on improved coherence enhancing diffusion and texture energy measure-Gaussian mixture model [J]. Journal of Computer Applications, 2020, 40(5): 1545-1552.
[3]	GAO Ming, REN Dejun, HU Yunqi, FU Lei, QIU Lyu. Ampoule packaging quality inspection algorithm based on machine vision and lightweight neural network [J]. Journal of Computer Applications, 2020, 40(10): 2899-2903.
[4]	SHI Changyou, WANG Meili, LIU Xinran, HUANG Huili, ZHOU Deqiang, DENG Ganran. Node recognition for different types of sugarcanes based on machine vision [J]. Journal of Computer Applications, 2019, 39(4): 1208-1213.
[5]	YANG Jidong, SUN Zhaoqi, WANG Feilong. Optimal path control of parallel truss manipulator based on visual grasping [J]. Journal of Computer Applications, 2019, 39(3): 913-917.
[6]	LIU Baocheng, PIAO Yan, TANG Yue. Person re-identification in video sequence based on spatial-temporal regularization [J]. Journal of Computer Applications, 2019, 39(11): 3216-3220.
[7]	ZHANG Yunke, LIU Dan. Real-time implementation of improved TINY YOLO vehicle detection algorithm based on Zynq SoC hardware acceleration [J]. Journal of Computer Applications, 2019, 39(1): 192-198.
[8]	LI Xiao, GE Baozhen, LUO Qijun, LI Yunpeng, TIAN Qingguo. Acquisition of camera dynamic extrinsic parameters in free binocular stereo vision system [J]. Journal of Computer Applications, 2017, 37(10): 2888-2894.
[9]	ZHAO Shuyan, LU Yanxue, HAN Xiaoxia. Rapid video background extraction algorithm based on nearest neighbor pixel gradient [J]. Journal of Computer Applications, 2016, 36(8): 2322-2326.
[10]	LI Jie, ZHOU Hao, ZHANG Jin, GAO Yun. Tracking algorithm by template matchingbased on particle swarm optimization [J]. Journal of Computer Applications, 2015, 35(9): 2656-2660.
[11]	HUAN Hai, HUANG Lingxiao, ZHANG Yu, LU Song. Detection of elliptical hole group based on maximum inscribed circle [J]. Journal of Computer Applications, 2015, 35(4): 1101-1105.
[12]	JIANG Jie ZHOU Lina LI Gang. Sheep body size measurement based on computer vision [J]. Journal of Computer Applications, 2014, 34(3): 846-850.
[13]	XU Xiao WANG Run PENG Guojie YANG Qi WANG Yiwen LI Hui. Implementation of calibration for machine vision electronic whiteboard [J]. Journal of Computer Applications, 2014, 34(1): 139-141.
[14]	ZHOU Zu-wei LIU Sen WANG Yi-wen LI Hui. Anti-shake and coordinate interpolation techniques in machine vision electronic whiteboard system application [J]. Journal of Computer Applications, 2012, 32(12): 3408-3410.
[15]	GAO Zhi ZHU Zhi-hao XU Yong-hong HONG Wen-xue. Texture classification based on quaternion wavelet transform and multifractal characteristics [J]. Journal of Computer Applications, 2012, 32(03): 773-776.