臺灣博碩士論文加值系統

本研究以影像處理技術為基礎，研究機器視覺統應用在魚隻計數之可行性技術，研究重點在探討精確計數魚隻的影像處理方法，建立魚苗自動計數系統，以期達到經濟、快速、省時及正確的點算。影像處理所採用的方法與流程為：1.輸入影像 2.二值化 3.去除雜點 4.遞迴計數 5.統計修正。
在以日光燈魚苗(Paracheirodon innesi)為實驗材料的實際操作中，魚缸容器深120 mm，直徑210mm。將魚隻分群為14隻、28隻、42隻、56隻、70隻、84隻、98隻、111隻、125隻、136隻共十種樣本數，每一種樣本數再分別依水深15、30、45、60、75、90、105 mm進行拍攝。
實驗結果顯示，不同樣本數的平均準確率為94.90%至69.54%，樣本數愈多，魚隻重疊率愈高，準確率愈低。不同的水深的平均準確率為64.47%至79.69%，水深愈高，魚隻重疊率下降，準確率愈高。算出分群魚群中每隻魚像素的Z分數，藉此修正魚群重疊問題，修正後平均準確率為96.94%至79.52%，顯著提高約2〜9%。

The purpose of this study tries to discuss the possible techniques of machine vision system applied to fish counting based on the image processing technique. The content of the present study is focused on the exploration of image processing method. It was intended as an economical, fast and accurate tool for the general fish farmers. The steps of image processing methods for accurately counting fish are : (1).Inpute image graphic, (2).Binarying image, (3).Noisy dots removing, (4).Recursion counting, (5).Statistics revision.
In an experiment we use the present system to estimate known numbers (14, 28, 42, 56, 70, 84, 98, 111, 125, 136) of Paracheirodon innesi in a fish container that is 120mm in depth and 210mm in diameter. Each number was shot with camera at a depth of 15, 30, 45, 60, 75, 90 and 105mm.
The result shows that the average rate of accuracy with different samples is from 94.90% to 69.54%. The more the number is, the higher the overlapping rate is, and the lower the accuracy rate is.
The average rate of accuracy in different depths is from 64.47% to 79.69%. The deeper the water is, the lower the overlapping rate of the fish, and the higher the rate of accuracy is.
By calculating the Z Score of each fish's picture pixel in each number, the problem of overlapping fish counting could be revised. The average accuracy obviously increases 2~9% after revision, from 96.94% to 79.52% .

Keywords: Machine vision, fish counting, Image processing

目錄
摘要 I
Abstract II
誌謝 III
目錄 IV
表目錄 VI
圖目錄 VII
第一章 前言 1
1.1 產業現況 1
1.2 研究動機與目的 2
1.3 論文規劃 2
第二章 文獻探討 4
2.1 魚苗人工計數 4
2.2 機器視覺與魚隻計數 6
2.3 光源 7
第三章 實驗設備與材料 9
3.1 實驗設備 9
3.1.1 影像蒐集設備 9
3.1.2 影像擷取設備 10
3.1.3 實驗輔助設備 12
3.1.4 打光方式 13
3.1.5 實驗設備架設 13
3.1.6 影像處理設備 14
3.1.7 軟體設計 15
3.2 實驗材料 17
3.3 實驗項目 17
3.3.1 水深與魚隻數量之關係 17
3.3.2 魚缸面積與魚隻數量之關係 18
3.3.3 統計修正後之魚隻數量 18
第四章 影像處理 19
4.1 數位影像系統 19
4.2 灰階處理 21
4.3 灰階長條圖 22
4.4 影像二值化 23
4.4.1 Otsu法尋找門檻值 24
4.5 反相 28
4.6 標記 29
4.7 邊緣偵測 31
4.7.1 邊緣偵測演算法的基本步驟 32
4.7.2 運算子 33
4.7.3 實際處理 33
4.8 擷取圓 35
4.8.1 基本想法 35
4.8.2 決定候選圓 35
4.8.3 決定真正圓 38
4.8.4 演算流程圖 38
4.9 擷取魚隻 40
4.9.1 二值化 40
4.9.2 去除雜點 41
4.9.3 魚隻計數 42
第五章 結果與討論 44
5.1 魚缸顏色的影響 44
5.2 打光方式的影響 44
5.3 魚隻計數 47
5.4 魚缸水深與魚隻計數準確率之關係 51
5.5 魚隻數量與計數準確率之關係 57
5.6 統計修正後之準確率比較 58
5.7 與目前人工計數比較 63
第六章 結論與建議 64
6.1 結論 64
6.2 建議 64
參考文獻 65
附錄 68
原始數據 68
程式列表 82
作者簡介 117

表目錄
表5-1 10組各7個圖檔未經修正前測出魚隻數統計表 48
表5-2 不同魚隻樣本數在不同水深所測出的魚隻數量 52
表5-3 不同魚群在不同水深所測出的魚隻數量 52
表5-4 修正後魚隻數量統計表 58
表5-5 修正後魚隻準確率統計表 58
附表　魚群在不同水深所測出每隻魚的點數 68

圖目錄
圖2-1 人工數魚 5
圖3-1 實驗用魚缸 10
圖3-2 NIKON COOLPIX 4500數位相機 12
圖3-3 輔助器材 12
圖3-4 由魚缸底部打光 13
圖3-5 架設實驗設備 14
圖3-6 程式執行畫面 16
圖3-7 日光燈魚 17
圖4-1 彩色數位實驗照片 20
圖4-2 影像處理流程圖 21
圖4-3 灰階圖 22
圖4-4 長條圖 23
圖4-5 使用Otsu 法的結果 26
圖4-6 修正過二值化的圖形 27
圖4-7 反相圖 28
圖4-8 標記處理圖 30
圖4-9 Sobel 運算子 33
圖4-10 測邊後整張影像只剩邊點資訊 34
圖4-11 四點決定四個圓 35
圖4-12 數位圓 37
圖4-13 四個抽樣邊點在一圓 37
圖4-14 測圓演算流程圖 39
圖4-15 找圓周 40
圖4-16 擷取出魚缸內的範圍 40
圖4-17 將魚隻獨立出來 41
圖4-18 魚隻的計算以白色為主，圖回再反相 41
圖4-19 去雜點 42
圖4-20 計算出魚隻數量 43
圖5-1 打光後黑色魚缸與白色魚缸二值化比較 44
圖5-2 不同門檻值二值化比較圖 46
圖5-3 水深15mm時不同樣本數的準確率 53
圖5-4 水深30mm時不同樣本數的準確率 53
圖5-5 水深45mm時不同樣本數的準確率 54
圖5-6 水深60mm時不同樣本數的準確率 54
圖5-7 水深75mm時不同樣本數的準確率 55
圖5-8 水深90mm時不同樣本數的準確率 55
圖5-9 水深105mm時不同樣本數的準確率 56
圖5-10 不同水深的平均準確率 56
圖5-11 魚隻數量與平均準確率 57
圖5-12 水深15mm不同樣本數修正前後比較圖 59
圖5-13 水深30mm不同樣本數修正前後比較圖 59
圖5-14 水深45mm不同樣本數修正前後比較圖 60
圖5-15 水深60mm修正前後比較圖 60
圖5-16 水深75mm不同樣本數修正前後比較圖 61
圖5-17 水深90mm不同樣本數修正前後比較圖 61
圖5-18 水深105mm不同樣本數修正前後比較圖 62
圖5-19 不同樣本數修正前後比較圖 62

參考文獻
1.中華民國水產種苗協會(2006)：http://www.fish.org.tw/index.html
2.行政院農委會漁業署(2004)。漁業年報。
3.何建忠(2000)機器視覺應用於循環水道式養殖池類之計量分析。國立臺灣大學生物產業機電工程學研究所碩士論文，99頁。
4.吳上立、林宏墩譯(2005)C語言數位影像處理。全華科技圖書有限公司，300頁。
5.吳逸賢、吳目誠(2002)精彩C++ Builder 6程式設計。知域數位科技，792頁。
6.余明興、吳明哲、黃世揚(2002)Borland C++ Builder 6程式設計經典。文魁資訊，772頁。
7.林宜弘(1995)機器視覺應用在魚苗計數之可行性研究。農業機械學刊（6月），4(2)：37-45。
8.林宸生(2003)數位信號－影像與語音處理。全華科技圖書股份有限公司，568頁。
9.林清山(1992)心理與教育統計學。東華書局，770頁。
10.林榮華(2003)魚苗自動計數機之試驗研究。國立中興大學生物產業機電工作學系研究所碩士論文，103頁。
11.胡興華(2000)話漁臺灣。行政院農委會漁業署，199頁。
12.連國珍(2003)數位影像處理。儒林圖書有限公司，456頁。
13.翁平勝、于錫亮、歐慶賢(2002)。攝影機監控海水槽實驗殘餌率估計。台灣水產學會刊。29(1), 67-71頁。
14.陳時新(1997)實戰機器視覺。電子技術出局社，242頁。
15.陳錦輝(2003)C++ Builder 6完全攻略。金禾資訊，1344頁。
16.黃文吉(2003)C++Builder與影像處理。儒林圖書有限公司，295頁。
17.黃建華(2002)簡易魚苗自動點算系統設計。國立中山大學海洋生物研究所碩士論文，51頁。
18.曾俊元(2003)以視覺感知的智慧型車輛防撞系統之研究。國立東華大學電機工程研究所碩士論文，98頁。
19.葉英傑(2003)居家保全機器人之即時影像處理技術，國立成功大學電機工程學系碩士論文，71頁。
20.錢小玲譯(1999)養魚完全指南。貓頭鷹出版社，294頁。
21.鍾國亮(2002)影像處理與電腦視覺。東華書局，368頁。
22.戴安琦(2003)以分水嶺分割法為基礎的彩色分割研究，淡江大學資訊工程學系研究所碩士論文，90頁。
23.網界博覽會(2006)中部魚苗故鄉-魚苗寮：http://librarywork.taiwanschoolnet.org/cyberfair2006/huatan/0228/fish02.htm
24.鄉土電子書(2005)鄉土與自然-點魚之歌：http://www.town-all.org.tw/inside_ee_detail.asp?BID=382
25.Bates, M. C. and T. R. Tiersch(1997)Low-cost computer-assisted image analysis for fisheries research. The Progressive Fish-Culturist. 59, 235-240.
26.Chatain, B., L.Debas and A.Bourdillon(1996) A photographic larval fish counting technique: comparison with other methods, statistical appraisal of he procedure and practical use. Aquaculture. 141, pp83-96.
27.Geraud,T., P.-Y. Strub, J. Darbon(2001). Color image segmentation based on automatic morphological clustering. EPTA Research and development Laboratory, in Proceedings of IEEE International Conference on Image Processing 2001, vol 3, pp70-73.
28.Gonzalez,R.C. and R. E. Woods(1992). Digital Image Processing, Addison-Wesley, New York.
29.Gunasekaran, S., T. M. Cooper, A. G. Berlage and P. Krishnan. (1987) Image Processing for stress cracks in corn kernels. Transactions of the ASAE 30(1):266-271.
30.Hanrahan, B. and F. Juanes(2001)Estimating the number of fish in Atlantic bluefin tuna (Thunnus thynnus thynnus) schools using models derived from captive school observations. Fishery Bulletin. 99(3), 420-431.
31.Kittler,J. and J. Illingworth(1986)Minimum error thresholding. Pattren Recognition, vol. 19. pp41-47.
32.Naiberg, A., R.J. Petrell, C.R.Savage and Neufeld(1994) Non-invasive fish size assessment method for tanks and sea cages using stereo video. Aquaculture Engineering:372-381.
33.Otsu,N(1978) Threshold Selection Method from Gray-scale Histogram. IEEE Transactions on System Man Cybernet, vol.SMC-8, pp.62-66.
34.Paulsen, M. R. and W. F. McClure(1986) Illumination for computer vision systems. Transaction of ASAE, 29(5):1398-1404.
35.Prewitt, J. M. and M. L. Mendelsohn(1966)The Analysis of Cell Images. Ann. New York Acad. Sci. Vol 128, pp 1035-1053, New York Acad, Sci, New York.
36.Sahoo,P.K., S. Soltani, A.K. Wong, and Y.C. Chan(1988). Survery of Thresholding Techniques. Computer Vision, Graphics, Image Processing, vol. 4, pp.233-260.
37.Shapior,L.G. and G. C. Stockman(2001). Cumputer Vision, 1st Edition.
38.Shigeyuki, S., T. Sato and M. Kakikura( 1990) Automatic Planning of Light Souuce Planement for an Active Photometric Strreo System. IEEEE 2: 559-566.
39.Torbjorn E., J. P. Rui and de Figueiredo( 1995)Illumination control as a means of enhancing image features in active vision systems. IEEE 4(11):1520-1530.