基于视觉感知鱼类三维运动行为的水质异常评价因子研究

Water quality environmental security has become one of the important constraints of China's social and economic sustainable development. In order to protect water quality environmental safety, study of screening anomaly water quality assessment factor based on fish 3D behavior using visual perception was proposed. The paper researches into how to select the general, comprehensive and representative factors which reflects the main relationship between water environment and fish behavior.The project mainly focuses on using fish as an indicator of water pollution. Fish movement information is collected through computer vision and the mathematical model of the fish three-dimensional motion is established by image reconstruction; while to track, analysis and forecast the changes of fish behavior; the connection between fish behavior and water environment is interpreted by hypersphere SVM and water pollution levels are discriminated; the measurement system is designed to real-time monitoring several different water pollution environment. The research results of the project provides theoretical basis for the development of the biological water quality monitoring technology, and can solve the key technical issues of anomaly water quality evaluation index selection.

水质环境安全问题已成为我国社会经济可持续发展的重要制约因素之一。为了对水质环境安全进行实时监测，本项目提出了基于视觉感知鱼类三维运动行为的水质异常评价因子研究，针对如何选取具有普遍性、全面性、代表性等特点且能够反映水环境与鱼类运动特征参数之间的主要相关性的因子展开研究。项目研究的重点是采用鱼类作为水质污染指示物，通过计算机视觉采集鱼类运动信息，利用图像重构建立鱼类的三维运动数学模型；同时对鱼类的运动行为特征变化进行跟踪、行为分析及预测；采用超球面支持向量机原理诠释鱼类行为特征和水质环境语义的映射关系并对水质安全进行评价；设计水质监测系统对几种不同的水质污染进行水质安全实时监测。本项目的研究成果，为生物式水质监测技术的发展提供了理论依据，可解决水质异常评价因子选取的关键技术问题。

水质安全关乎国家安危以及社会经济发展，营造良好的生态环境是我们每一个人应尽的责任。多起的水质污染问题都对社会发展造成了不可挽回的经济损失，因而加大对水质状态的监测分析是十分有必要的。为了解决水质监测问题，本项目研究了基于视觉感知鱼类三维运动行为的水质异常评价，利用卷积神经网络对水中指示物的原始状态进行特征提取从而进行水质状态分析。研究内容主要包括：. 1 采用生物式监测方法，首先利用计算机视觉理论消除图像畸变和噪声信号并对鱼群运动信息图像进行预处理；采用MobileNet-SSD算法对运动的鱼体目标进行检测；然后通过Kuhn-Munkres算法对鱼体目标进行特征点匹配，卡尔曼滤波进行更新当前状态，最后找到最优的跟踪位置作为跟踪结果。. 2 提出直接线性变换算法将不同角度提取出来的二维像素重建为三维像素坐标。相机正前方摄像机拍摄到的图像像素坐标为(X1,Y1),正上方拍摄到的图像像素坐标为(X2,Y2),其中X1,X2所描述的是同一方向上的像素坐标，所以两个摄像机X轴的信息是重叠的。根据DLT校准相机畸变，确定图像对应点，将对应点作为匹配点计算出鱼类运动轨迹三维像素坐标。. 3 提出了密集连接方式（DenseNet）的卷积神经网络水质分类模型，并建立了完整的水质状态分析评价方式，设置多组环境下的平行试验，与其他方法的水质评价模型进行对比得出：新的模型在分类精度、特征提取方面具有显著的优势。. 4 设计了有效的模型评价和更新方式，利用标准模型Softmax函数的输出做反馈能够更加直观的判断当前模型与实际结果的偏差，根据输出结果的偏差及时进行模型校正，重新训练出符合当前实际状况的水质状态分析模型。通过对比实验结果发现，基于反馈自校正系统的水质分类模型可以很好的对模型的偏差进行评估，并能立即进行调整，以恢复水质分类模型的作业精度。. 本项目研究能快速、准确地监测水质安全状况，有效地评估水环境现状，对推动生物式水质评价技术的应用、水质污染的防范与治理具有重要的实用价值和科学意义。