网箱养殖已逐渐成为全球深远海渔业的主要发展趋势,养殖方式的改变必将迎来巡检方法的升级换代。养殖网箱的智能化检测是无人机巡检的一个重要应用方向,对提高网箱内鱼类健康状态检测效率具有较大的现实意义。各界学者对养殖网箱网衣的破损检测、框架的水动力特性等都做了大量研究工作,并取得了显著成果,但对于俯视视角下网箱的视觉感知方面研究却少之又少。为提高养殖网箱的巡检效率以及巡检方法的智能化,本论文展开了相关的研究,具体工作内容如下:(1)网箱内部养殖区域的自动识别与提取。为增加区域提取方法的高效性,针对无人机巡检过程中采集到的数据庞大且冗余的问题,对网箱数据首先进行智能化网箱识别。通过智能化网箱场景识别,将可识别的养殖区域图片数据与其他图片数据有效分离。本论文采用方便快捷的YOLO-v3(You Only Look Once)神经网络模型将标注好的网箱数据进行训练及测试,将识别结果中网箱面积占比作为参考数值,通过自定义判断规则,判定该图片是否为养殖网箱图片,从而对网箱数据起到清洗筛选的作用,提高图片数据质量。然而经过筛选后的数据除网箱目标外,仍有背景环境等因素对提取结果有影响,为保证准确提取网箱养殖区,使用深度神经网络HED(Holistically-nested edge detection)对网箱数据进行边缘检测,起到降低图像冗余信息,得到清晰网箱边缘信息的作用,并在此基础上结合传统数字图像处理技术将边缘图二值化并提取目标区域,提出了相应的自适应阈值选取规则,近而在像面上得到网箱内部的养殖区域(兴趣区域ROI)。(2)网箱养殖区域信息分析。网箱内部养殖区域的信息分析分为养殖区域信息有效性判断和鱼群流场信息检测两部分。前者是网箱日常巡检中重要的检查环节,主要用来检查目标区域是否有鱼群,该部分根据改进的Tamura纹理特征对网箱养殖区域进行数据有效性的判断,结合自定义筛选规则选择有鱼群的网箱数据为有效数据。与此同时,健康的鱼群往往有其规律的环游状态,利用其环游方向等信息可以对鱼群健康状况进行简单的判读,为更好的服务于海洋牧场的无人巡检,利用PIV测量技术结合仿射变换方法对有效数据中网箱内部鱼群进行流场检测,作为未来鱼群健康分析的基础研究。