CN116959036B - 一种鱼脆化程度的评价方法 - Google Patents

Abstract

本公开提供了一种鱼脆化程度的评价方法，选定多条鱼，选定多个采样时刻，对每条鱼获取各采样时刻的鱼身扫描图像，组成鱼身图像序列，并对每条鱼获取各采样时刻的鱼身重量数值，计算波动成长度，对鱼身图像序列进行轴采样，计算鳞色比，根据波动成长度和鳞色比进行计算，得出各鱼的脆化概率，再根据各鱼的脆化概率，筛选出已经脆化的鱼。如此以非侵入式的方式获取数据，无需对鱼体进行伤害或取样，减少了对鱼的不必要的压力和损伤。

Description

一种鱼脆化程度的评价方法

技术领域

本公开属于数据处理领域，具体涉及一种鱼脆化程度的评价方法。

背景技术

在鱼脆化程度的数据评价领域中，由于鱼养殖中需要喂蚕豆促进肌肉溶血，溶血会影响肌肉及鱼鳞鱼皮等的颜色变深，颜色太浅表示没有足够脆化，太深又过于脆化。在现有技术中，鱼脆化程度的评估主要依赖于经验丰富的养殖人员的主观评估，缺乏客观性和标准化，结果容易受主观因素影响，导致评估结果的不一致性和不准确性。而通过口感和视觉观察来评估鱼的脆化程度，依赖于养殖人员的主观判断和经验，无法提供定量的评估结果，容易受外界干扰和主观误差的影响。其次通过对鱼体进行剖检，然后对鱼的肌肉组织进行质地和结构的观察来评估脆化程度，需要对鱼进行破坏性采样和处理，对鱼的完整性和产量造成一定损失，并且无法实时监测鱼的变化。公开号为CN116067964A的专利文献中提供一种利用缩合单宁促进鱼肌肉脆化的方法及系统，尽管可以通过机器视觉技术量化鱼肉脆化效果，并且通过构建模型的方法降低实验测试成本，但是，即便说使用传感器监测鱼体的物理参数或化学指标，例如通过检测鱼体的弹性模量、荧光指标或振动频率等来评估脆化程度，这些传感器监测技术还存在着传感器与鱼体之间接触不良、信号误差和数据解释困难等问题，且对设备要求较高；而基于经验模型的方法，通过建立统计模型或相关关系来评估鱼的脆化程度，通常基于有限的数据集和经验规则，缺乏普适性和可靠性，无法应对个体差异和时间变化的影响。

发明内容

本发明的目的在于提出一种鱼脆化程度的评价方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

本公开提供了一种鱼脆化程度的评价方法，通过选定多条鱼，选定多个采样时刻，对每条鱼获取各采样时刻的鱼身扫描图像，组成鱼身图像序列，并对每条鱼获取各采样时刻的鱼身重量数值，计算波动成长度，对鱼身图像序列进行轴采样，计算鳞色比，根据波动成长度和鳞色比进行计算，得出各鱼的脆化概率，再根据各鱼的脆化概率，筛选出已经脆化的鱼。如此以非侵入式的方式获取数据，无需对鱼体进行伤害或取样，减少了对鱼的不必要的压力和损伤。

为了实现上述目的，根据本公开的一方面，提供一种鱼脆化程度的评价方法，所述方法包括以下步骤：

选定多条鱼，选定多个采样时刻；

对每条鱼获取各采样时刻的鱼身扫描图像，组成鱼身图像序列；

并对每条鱼获取各采样时刻的鱼身重量数值，计算波动成长度；

对鱼身图像序列进行轴采样，计算鳞色比；

根据波动成长度和鳞色比进行计算，得出各鱼的脆化概率。

进一步地，选定的多条不同的鱼为同一品种且养殖于同一空间内。

进一步地，选定的多个采样时刻为具时间先后顺序的多个不同的进行采样的时刻，于每次采样时刻对每条鱼的一边侧面进行拍照获取鱼身扫描图像，并称量体重获取各采样时刻的鱼身重量数值。在评价鱼脆化程度时，选择多条鱼和多个采样时刻有助于获取更全面和准确的数据。通过对多条鱼和多个时刻的采样，可以考虑到个体差异和时间变化对脆化程度的影响。

进一步地，所述鱼身扫描图像为统一经过包括灰度化与归一化的图像预处理的图像矩阵，每条鱼于各采样时刻的鱼身扫描图像按时间先后顺序组成的序列为鱼身图像序列。通过对每条鱼在各采样时刻进行鱼身扫描，获取鱼身图像序列。这些图像序列可以提供关于鱼身颜色和外观特征的信息，为后续步骤的分析提供基础数据。

进一步地，对每条鱼获取各采样时刻的鱼身重量数值，计算波动成长度的方法为：

获取于同一时刻的各条鱼的鱼身重量数值，计算其中每条鱼的鱼身重量数值在同一时刻的各条鱼的鱼身重量数值中的概率密度，所述波动成长度用于表示于同一时刻的每条鱼的鱼身重量数值在同一时刻的各条鱼的鱼身重量数值中的概率密度的数值。波动成长度可以反映鱼体内部组织的稳定性，通过监测鱼身重量的波动情况，可以间接评估鱼的脆化程度。

进一步地，对鱼身图像序列进行轴采样，计算鳞色比的方法为：

每条鱼有其对应的鱼身图像序列，每个鱼身图像序列中的鱼身扫描图像分别对应各采样时刻；

通过对每条鱼的鱼身图像序列进行轴采样，获取每个鱼身图像序列中的各鱼身扫描图像上的轴色点，并获取各轴色点在各鱼身扫描图像上对应的数值；

对每条鱼的鱼身图像序列中，首先，分别获取各鱼身扫描图像上的轴色点对应数值的算术平均值作为该鱼身扫描图像上的轴色均点值；而后，分别计算各张鱼身扫描图像上的轴色均点值相对于在鱼身图像序列中排在之前的鱼身扫描图像上的轴色均点值的比值作为该鱼身扫描图像上的鳞色比，具体为：在一个鱼身图像序列中，选定一张的鱼身扫描图像上的轴色均点值，然后获取所述一个鱼身图像序列中排在所述一张的鱼身扫描图像之前的各采样时刻的鱼身图像序列的轴色均点值，分别计算所述一张的鱼身扫描图像上的轴色均点值相对于之前的各采样时刻的鱼身图像序列的轴色均点值的比值，再将各比值的算术平均数作为所述一张的鱼身扫描图像上的鳞色比，由此得到分别对应各采样时刻的鳞色比的数值。对鱼身图像序列进行轴采样，有利于提取各个采样时刻的鳞片区域。然后，计算鳞色比，该比值为每个采样时刻鳞片区域的颜色深浅程度。鳞色比可以用来评估鱼体表面颜色的变化，进而反映出鱼的脆化程度。

进一步地，对每条鱼的鱼身图像序列进行轴采样，获取每个鱼身图像序列中的各鱼身扫描图像上的轴色点的方法为：

对每条鱼的鱼身图像序列中的各鱼身扫描图像进行点对点的点乘得到点乘矩阵，以点乘矩阵的图像中心为原点建立直角坐标系，分别计算直角坐标系的四个象限内的点的数值的众数作为该象限的象限众数，从点乘矩阵每个象限区域中进行抽样获取该象限中对应其象限众数的若干个点对应的位置作为该象限的轴色点，以四个象限上的轴色点作为各鱼身扫描图像上的轴色点。

进一步地，根据波动成长度和鳞色比进行计算，得出各鱼的脆化概率的方法为：

获取每条鱼于各采样时刻对应的动成长度和鳞色比的数值，并将各采样时刻对应的动成长度和鳞色比的数值取绝对值相乘再开平方根作为各采样时刻对应的成长-鳞色数；

对每一条鱼，从所述多个采样时刻中选定最后一个采样时刻，获取所述最后一个采样时刻对应的成长-鳞色数，计算除所述最后一个采样时刻外的各采样时刻的成长-鳞色数的算术平均数作为成长-鳞色均数，以所述最后一个采样时刻对应的成长-鳞色数相对于所述成长-鳞色均数的比值作为该条鱼的脆化概率。通过综合考虑波动成长度和鳞色比的数值，可以计算出每条鱼的脆化概率。这个概率可以作为鱼脆化程度的评估指标，在无损的、可持续生长的鱼类养殖的基础上，用于判断鱼的脆化程度是否符合要求。

进一步地，根据各鱼的脆化概率，筛选出已经脆化的鱼：

在一些实施例子中，可以对各鱼的脆化概率进行统计并计算概率密度，选出概率密度最大的脆化概率的区间，脆化概率落在所述概率密度最大的脆化概率的区间的鱼则为已经脆化的鱼，可优选地，所述概率密度最大的脆化概率的区间可为0.44~0.61的脆化概率的概率分布区间。通过多个采样时刻的数据获取，可以实时监测和追踪鱼脆化程度的变化趋势。这有助于实时调整饲养管理策略，以满足鱼的需求并优化鱼肉生产质量。

本公开还提供了一种鱼脆化程度的评价系统，所述一种鱼脆化程度的评价系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种鱼脆化程度的评价方法中的步骤，所述一种鱼脆化程度的评价系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：

鱼身图像序列组成单元，用于对每条鱼获取各采样时刻的鱼身扫描图像，组成鱼身图像序列；

波动成长度计算单元，用于对每条鱼获取各采样时刻的鱼身重量数值，计算波动成长度；

鳞色比计算单元，用于对鱼身图像序列进行轴采样，计算鳞色比；

脆化概率计算单元，用于根据波动成长度和鳞色比进行计算，得出各鱼的脆化概率。

本公开的有益效果为：本公开提供了一种鱼脆化程度的评价方法及系统，选定多条鱼，选定多个采样时刻，对每条鱼获取各采样时刻的鱼身扫描图像，组成鱼身图像序列，并对每条鱼获取各采样时刻的鱼身重量数值，计算波动成长度，对鱼身图像序列进行轴采样，计算鳞色比，根据波动成长度和鳞色比进行计算，得出各鱼的脆化概率，再根据各鱼的脆化概率，筛选出已经脆化的鱼。如此以非侵入式的方式获取数据，无需对鱼体进行伤害或取样，减少了对鱼的不必要的压力和损伤。

附图说明

通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：

图1所示为一种鱼脆化程度的评价方法的流程图；

图2所示为一种鱼脆化程度的评价系统的系统结构图。

具体实施方式

以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

如图1所示为根据本发明的一种鱼脆化程度的评价方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种鱼脆化程度的评价方法及系统。

本公开提出一种鱼脆化程度的评价方法，所述方法具体包括以下步骤：

选定多条鱼，选定多个采样时刻；

对每条鱼获取各采样时刻的鱼身扫描图像，组成鱼身图像序列；

并对每条鱼获取各采样时刻的鱼身重量数值，计算波动成长度；

对鱼身图像序列进行轴采样，计算鳞色比；

根据波动成长度和鳞色比进行计算，得出各鱼的脆化概率。

进一步地，选定的多条不同的鱼为同一品种且养殖于同一空间内。

进一步地，选定的多个采样时刻为具时间先后顺序的多个不同的进行采样的时刻，于每次采样时刻对每条鱼的一边侧面进行拍照获取鱼身扫描图像，并称量体重获取各采样时刻的鱼身重量数值。在评价鱼脆化程度时，选择多条鱼和多个采样时刻有助于获取更全面和准确的数据。通过对多条鱼和多个时刻的采样，可以考虑到个体差异和时间变化对脆化程度的影响。

进一步地，所述鱼身扫描图像为统一经过包括灰度化与归一化的图像预处理的图像矩阵，每条鱼于各采样时刻的鱼身扫描图像按时间先后顺序组成的序列为鱼身图像序列。通过对每条鱼在各采样时刻进行鱼身扫描，获取鱼身图像序列。这些图像序列可以提供关于鱼身颜色和外观特征的信息，为后续步骤的分析提供基础数据。

进一步地，对每条鱼获取各采样时刻的鱼身重量数值，计算波动成长度的方法为：

获取于同一时刻的各条鱼的鱼身重量数值，计算其中每条鱼的鱼身重量数值在同一时刻的各条鱼的鱼身重量数值中的概率密度，所述波动成长度用于表示于同一时刻的每条鱼的鱼身重量数值在同一时刻的各条鱼的鱼身重量数值中的概率密度的数值。在每个采样时刻，获取鱼身的重量数值，并计算波动成长度。波动成长度可以反映鱼体内部组织的稳定性，通过监测鱼身重量的波动情况，可以间接评估鱼的脆化程度。

进一步地，对鱼身图像序列进行轴采样，计算鳞色比的方法为：

每条鱼有其对应的鱼身图像序列，每个鱼身图像序列中的鱼身扫描图像分别对应各采样时刻；

通过对每条鱼的鱼身图像序列进行轴采样，获取每个鱼身图像序列中的各鱼身扫描图像上的轴色点，并获取各轴色点在各鱼身扫描图像上对应的数值；

对每条鱼的鱼身图像序列中，首先，分别获取各鱼身扫描图像上的轴色点对应数值的算术平均值作为该鱼身扫描图像上的轴色均点值；而后，分别计算各张鱼身扫描图像上的轴色均点值相对于在鱼身图像序列中排在之前的鱼身扫描图像上的轴色均点值的比值作为该鱼身扫描图像上的鳞色比，具体为：在一个鱼身图像序列中，选定一张的鱼身扫描图像上的轴色均点值，然后获取所述一个鱼身图像序列中排在所述一张的鱼身扫描图像之前的各采样时刻的鱼身图像序列的轴色均点值，分别计算所述一张的鱼身扫描图像上的轴色均点值相对于之前的各采样时刻的鱼身图像序列的轴色均点值的比值，再将各比值的算术平均数作为所述一张的鱼身扫描图像上的鳞色比，由此得到分别对应各采样时刻的鳞色比的数值。对鱼身图像序列进行轴采样，有利于提取各个采样时刻的鳞片区域。然后，计算鳞色比，该比值为每个采样时刻鳞片区域的颜色深浅程度。鳞色比可以用来评估鱼体表面颜色的变化，进而反映出鱼的脆化程度。

进一步地，对每条鱼的鱼身图像序列进行轴采样，获取每个鱼身图像序列中的各鱼身扫描图像上的轴色点的方法为：

对每条鱼的鱼身图像序列中的各鱼身扫描图像进行点对点的点乘得到点乘矩阵，以点乘矩阵的图像中心为原点建立直角坐标系，分别计算直角坐标系的四个象限内的点的数值的众数作为该象限的象限众数，从点乘矩阵每个象限区域中进行抽样获取该象限中对应其象限众数的若干个点对应的位置作为该象限的轴色点，以四个象限上的轴色点作为各鱼身扫描图像上的轴色点。

进一步地，根据波动成长度和鳞色比进行计算，得出各鱼的脆化概率的方法为：

获取每条鱼于各采样时刻对应的动成长度和鳞色比的数值，并将各采样时刻对应的动成长度和鳞色比的数值取绝对值相乘再开平方根作为各采样时刻对应的成长-鳞色数；

对每一条鱼，从所述多个采样时刻中选定最后一个采样时刻，获取所述最后一个采样时刻对应的成长-鳞色数，计算除所述最后一个采样时刻外的各采样时刻的成长-鳞色数的算术平均数作为成长-鳞色均数，以所述最后一个采样时刻对应的成长-鳞色数相对于所述成长-鳞色均数的比值作为该条鱼的脆化概率。通过综合考虑波动成长度和鳞色比的数值，可以计算出每条鱼的脆化概率。这个概率可以作为鱼脆化程度的评估指标，在无损的、可持续生长的鱼类养殖的基础上，用于判断鱼的脆化程度是否符合要求。在一些实施例中，可以记鱼的数量为n，鱼的序号为i，i属于1到n，采样时刻的数量为m，采样时刻的序号为j，j属于1到m，序号为i的时刻对应序号为j的鱼的动成长度的数值为Crss(j,i)、鳞色比的数值为Ke(j,i)，序号为i的时刻对应序号为j的鱼的成长-鳞色数为CK(j,i)，成长-鳞色数的计算公式为：

，

而在一些实施例中，为了防止成长-鳞色数在统计各条鱼在各时刻的范围变大时产生梯度消失，可以在其中加入bias：

，

其中，bias可以用于，包括但不限于，表示为修正的偏差，可优选地，bias为0.01~0.1的区间，这样可以更好地表现出其中鱼鳞颜色持续变深且体重相对于群体加重的鱼类个体，这些鱼类个体变脆化的可能性更突出；

由于最后一个采样时刻对应的序号为n，可记所述最后一个采样时刻对应的成长-鳞色数为CK(j,n)，则序号为j的鱼的脆化概率Dnsy(j)在一些实施例中可为：

，

而在一些实施例中，为了使得所述最后一个采样时刻对应的成长-鳞色数相对于所述成长-鳞色均数的比值不会被成长-鳞色数的小幅度波动而丢失数据特征，可优选地：

，

其中，exp表示指数函数，分母的n而非n-1有利于突出成长-鳞色数的小幅度波动产生的数据特征。本发明所述方法同时考虑了波动成长度和鳞色比这两个指标，从不同角度对鱼脆化程度进行评估。这种综合考虑可以提供更全面、准确的评估结果，有效避免仅通过单一指标评估可能导致的局限性，而同时，本发明所述方法使用非侵入式的方式获取数据，通过对鱼身进行扫描和图像分析，无需对鱼体进行伤害或取样，减少了对鱼的不必要的压力和损伤。

进一步地，根据各鱼的脆化概率，筛选出已经脆化的鱼：

在一些实施例子中，可以对各鱼的脆化概率进行统计并计算概率密度，选出概率密度最大的脆化概率的区间，脆化概率落在所述概率密度最大的脆化概率的区间的鱼则为已经脆化的鱼，可优选地，所述概率密度最大的脆化概率的区间可为0.44~0.61的脆化概率的概率分布区间。通过多个采样时刻的数据获取，可以实时监测和追踪鱼脆化程度的变化趋势。这有助于实时调整饲养管理策略，以满足鱼的需求并优化鱼肉生产质量。

所述一种鱼脆化程度的评价系统运行于桌上型计算机、笔记本电脑、掌上电脑或云端数据中心的任一计算设备中，所述计算设备包括：处理器、存储器及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种鱼脆化程度的评价方法中的步骤,可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群。

本公开的实施例提供的一种鱼脆化程度的评价系统，如图2所示，该实施例的一种鱼脆化程度的评价系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种鱼脆化程度的评价方法实施例中的步骤，所述处理器执行所述计算机程序运行在以下系统的单元中：

鱼身图像序列组成单元，用于对每条鱼获取各采样时刻的鱼身扫描图像，组成鱼身图像序列；

波动成长度计算单元，用于对每条鱼获取各采样时刻的鱼身重量数值，计算波动成长度；

鳞色比计算单元，用于对鱼身图像序列进行轴采样，计算鳞色比；

脆化概率计算单元，用于根据波动成长度和鳞色比进行计算，得出各鱼的脆化概率。

其中，优选地，本发明中所有未定义的变量，若未有明确定义，均可为人工设置的阈值；优选地，对于单位不同的物理量之间的数值计算，为了更好地统计不同物理量间数值分布的线性关系或概率关系，可进行无量纲化处理、归一化处理对其转化，以统一不同物理量之间的数值关系。

所述一种鱼脆化程度的评价系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中。所述一种鱼脆化程度的评价系统包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种鱼脆化程度的评价方法及系统的示例，并不构成对一种鱼脆化程度的评价方法及系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种鱼脆化程度的评价系统还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种鱼脆化程度的评价系统的控制中心，利用各种接口和线路连接整个一种鱼脆化程度的评价系统的各个分区域。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种鱼脆化程度的评价方法及系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

本公开提供了一种鱼脆化程度的评价方法及系统，选定多条鱼，选定多个采样时刻，对每条鱼获取各采样时刻的鱼身扫描图像，组成鱼身图像序列，并对每条鱼获取各采样时刻的鱼身重量数值，计算波动成长度，对鱼身图像序列进行轴采样，计算鳞色比，根据波动成长度和鳞色比进行计算，得出各鱼的脆化概率，再根据各鱼的脆化概率，筛选出已经脆化的鱼。如此以非侵入式的方式获取数据，无需对鱼体进行伤害或取样，减少了对鱼的不必要的压力和损伤。

尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (5)

1.一种鱼脆化程度的评价方法，其特征在于，所述方法包括以下步骤：

选定多条鱼，选定多个采样时刻；

对每条鱼获取各采样时刻的鱼身扫描图像，组成鱼身图像序列；

并对每条鱼获取各采样时刻的鱼身重量数值，计算波动成长度；

对鱼身图像序列进行轴采样，计算鳞色比；

根据波动成长度和鳞色比进行计算，得出各鱼的脆化概率；

其中，对每条鱼获取各采样时刻的鱼身重量数值，计算波动成长度的方法为：

获取于同一时刻的各条鱼的鱼身重量数值，计算其中每条鱼的鱼身重量数值在同一时刻的各条鱼的鱼身重量数值中的概率密度，所述波动成长度用于表示于同一时刻的每条鱼的鱼身重量数值在同一时刻的各条鱼的鱼身重量数值中的概率密度的数值；

对鱼身图像序列进行轴采样，计算鳞色比的方法为：

每条鱼有其对应的鱼身图像序列，每个鱼身图像序列中的鱼身扫描图像分别对应各采样时刻；

通过对每条鱼的鱼身图像序列进行轴采样，获取每个鱼身图像序列中的各鱼身扫描图像上的轴色点，并获取各轴色点在各鱼身扫描图像上对应的数值；

对每条鱼的鱼身图像序列中，首先，分别获取各鱼身扫描图像上的轴色点对应数值的算术平均值作为该鱼身扫描图像上的轴色均点值；而后，分别计算各张鱼身扫描图像上的轴色均点值相对于在鱼身图像序列中排在之前的鱼身扫描图像上的轴色均点值的比值作为该鱼身扫描图像上的鳞色比，具体为：在一个鱼身图像序列中，选定一张的鱼身扫描图像上的轴色均点值，然后获取所述一个鱼身图像序列中排在所述一张的鱼身扫描图像之前的各采样时刻的鱼身图像序列的轴色均点值，分别计算所述一张的鱼身扫描图像上的轴色均点值相对于之前的各采样时刻的鱼身图像序列的轴色均点值的比值，再将各比值的算术平均数作为所述一张的鱼身扫描图像上的鳞色比，由此得到分别对应各采样时刻的鳞色比的数值；

根据波动成长度和鳞色比进行计算，得出各鱼的脆化概率的方法为：

获取每条鱼于各采样时刻对应的动成长度和鳞色比的数值，并将各采样时刻对应的动成长度和鳞色比的数值取绝对值相乘再开平方根作为各采样时刻对应的成长-鳞色数；

对每一条鱼，从所述多个采样时刻中选定最后一个采样时刻，获取所述最后一个采样时刻对应的成长-鳞色数，计算除所述最后一个采样时刻外的各采样时刻的成长-鳞色数的算术平均数作为成长-鳞色均数，以所述最后一个采样时刻对应的成长-鳞色数相对于所述成长-鳞色均数的比值作为该条鱼的脆化概率。

2.根据权利要求1所述的一种鱼脆化程度的评价方法，其特征在于，选定的多条不同的鱼为同一品种且养殖于同一空间内。

3.根据权利要求1所述的一种鱼脆化程度的评价方法，其特征在于，选定的多个采样时刻为具时间先后顺序的多个不同的进行采样的时刻，于每次采样时刻对每条鱼的一边侧面进行拍照获取鱼身扫描图像，并称量体重获取各采样时刻的鱼身重量数值。

4.根据权利要求1所述的一种鱼脆化程度的评价方法，其特征在于，所述鱼身扫描图像为统一经过包括灰度化与归一化的图像预处理的图像矩阵，每条鱼于各采样时刻的鱼身扫描图像按时间先后顺序组成的序列为鱼身图像序列。

5.根据权利要求1所述的一种鱼脆化程度的评价方法，其特征在于，对每条鱼的鱼身图像序列进行轴采样，获取每个鱼身图像序列中的各鱼身扫描图像上的轴色点的方法为：

对每条鱼的鱼身图像序列中的各鱼身扫描图像进行点对点的点乘得到点乘矩阵，以点乘矩阵的图像中心为原点建立直角坐标系，分别计算直角坐标系的四个象限内的点的数值的众数作为该象限的象限众数，从点乘矩阵每个象限区域中进行抽样获取该象限中对应其象限众数的若干个点对应的位置作为该象限的轴色点，以四个象限上的轴色点作为各鱼身扫描图像上的轴色点。