无需训练数据的陆基养殖比目鱼可见区域无监督分割及放养状况评估

《Fishes》：Unsupervised Flatfish Area Segmentation for Image-Based Stocking Condition Assessment in Land-Based Aquaculture Farms

　　

本研究提出一种无监督图像处理方法，用于从标准红-绿-蓝（red-green-blue，RGB）闭路电视（closed-circuit television，CCTV）图像中分割成体比目鱼（Paralichthys olivaceus）所占的可见区域，并量化可见面积占用率。该方法并非分离单个鱼体，而是将可见比目鱼群体视为统一的分割目标。为应对水面反射、波浪引起的畸变和光照变化，该流程结合了色调-饱和度-数值（hue-saturation-value，HSV）饱和度增强、国际照明委员会L^*a^*b^*（CIELAB）色彩空间中的亮度平滑、K-means聚类和形态学后处理。对韩国济州三家商业养殖场的15帧随机选取且人工标注图像进行评估，得到平均交并比（intersection over union，IoU）为84.27 ± 4.11%，Dice系数为91.41 ± 2.45%（平均值±帧间标准差）。在所评估的方法中，所提方法的总体平均一致性最高，对比方法包括预处理的高斯混合模型（Gaussian mixture model，GMM）、自适应阈值化、Otsu二值化和全水箱基线。然而，GMM在四帧上获得了更高的IoU，全水箱基线在C05中超过了所提方法。可见面积占用率表示分割区域占据水箱图像的二维比例，作为放养状况的相对指标，而非鱼数量、生物量或体积养殖密度的直接度量。该方法既不需要标记的模型训练数据，也不需要额外的传感硬件。

全球水产养殖产量在2022年首次超过捕捞渔业，比目鱼（牙鲆，Paralichthys olivaceus）是东亚市场重要的商业养殖物种，韩国年产量超过4万吨。然而，养殖业面临生产效率、疾病管理和价格波动等挑战，而小型养殖场难以承担专业监测设备或深度学习模型所需的标注数据和计算资源。由于池水表面反射、波浪畸变和光照变化，传统图像分割方法难以稳定工作。为此，研究人员提出一种无需标注训练数据的无监督图像处理流程，用于从标准RGB CCTV图像中分割成体比目鱼可见区域并量化可见面积占用率，以作为放养状况的相对评价指标。

研究人员从韩国济州岛三个商业养殖场（A、B、C）各采集一段俯视CCTV视频，摄像头距池面约3–4米，记录总帧数64,167帧，分辨率为1920×1080，帧率为30 FPS。每个养殖场随机选取5帧作为评估帧（共15帧），另取一帧用于参数开发并排除在评估之外。方法的主要技术路线包括：使用固定多边形掩码限定水箱感兴趣区域（ROI）；将图像转换到HSV色彩空间并对饱和度通道施加固定增量（ΔS=90）以增强鱼体与池底的颜色对比；转换到CIELAB空间后，对L^*通道分别应用中值滤波（核尺寸51×51）和高斯滤波（核尺寸99×99），并按0.5与0.5权重组合以平滑光照变化；随后使用K-means聚类（K=4）对预处理后的像素分组；根据簇中心在HSV空间的色调、饱和度、数值范围，将落入橙色至棕褐色范围的簇判定为池底，经形态学闭运算和开运算后取反，得到候选比目鱼可见区域。整个过程无需GPU或额外硬件，在测试环境每帧处理约1.32秒。

**实验设置与评估指标**：论文采用IoU和Dice系数作为评价指标，在相同ROI内比较所提方法与高斯混合模型（GMM）、自适应阈值化、Otsu二值化及全水箱基线。所有方法共享相同的HSV/CIELAB预处理和参考掩码。K-means使用随机中心初始化、10次尝试、最大10次迭代；GMM使用4个高斯分量，从ROI内采样50,000像素进行期望最大化（EM）估计；自适应阈值使用块大小101和常数为?10；Otsu在ROI内估计全局阈值。参考掩码由一名标注员使用自制Python/OpenCV图形界面手工标注，未显示任何预测或中间结果。

**参数灵敏度与组件分析**：在开发帧上改变饱和度增量，ΔS=0时没有簇满足池底判定标准，随着饱和度增加，分割一致性逐步提高，在ΔS=90时达到最高IoU（89.6%）和Dice（94.5%）。簇数比较显示K=4最优。组件消融分析表明，直接对原始RGB像素进行K-means无法稳定分离池底，而饱和度增强、CIELAB亮度平滑和形态学后处理均能逐级提升性能。

**与无监督和传统方法的性能比较**：所提方法的总体IoU为84.27 ± 4.11%，Dice系数为91.41 ± 2.45%，平均一致性在评估方法中最高。GMM总体IoU为81.10%，自适应阈值化为74.56%，Otsu为50.84%，全水箱基线为74.31%。尽管整体平均最高，GMM在B04、B05、C01和C05四帧上获得更高IoU，全水箱基线在C05帧上超过所提方法。预测的可见面积占用率与参考值在15帧上的平均绝对差为2.84个百分点，表明该指标可较准确地反映池底可见覆盖比例。

**总结讨论与结论**：该方法完全无需标注数据、GPU或附加硬件，适用于成本敏感的小型养殖场。但当前验证仅基于每个养殖场单次记录中的5帧，且参考掩码由单一标注员制作，未评估标注员间变异性。地板排除策略可能将反射、阴影、饲料碎片或池内固定物体误判为前景。可见面积占用率是二维投影比例，不代表鱼只数量、生物量或体积密度，但可监测同一水箱内的相对时间变化，经校准后可用于筛查偏离基准条件的情况。未来需要在更多养殖场、记录频率和标注条件下验证，并对比基于自监督或预训练模型的最新分割方法。研究结论可概括为：利用标准RGB CCTV图像，通过HSV饱和度增强、CIELAB亮度平滑、K-means聚类及形态学后处理的组合，能够有效分割成体比目鱼可见区域；在15帧评估中平均IoU为84.27 ± 4.11%、Dice为91.41 ± 2.45%，总体平均一致性优于所对比的无监督和传统方法，但仍需更大规模验证以评估其实际应用潜力。