基于卷积神经网络的养殖鱼类品种识别模型

随着人工智能、大数据、机器学习、计算机视觉等技术的发展,卷积神经网络（CNN）越来越多地应用于图像识别领域,图像数据集的丰富性以及多样性对CNN模型的性能和表达能力至关重要,但现有的鱼类图像公共数据集资源较匮乏,严重缺少训练集以及测试集样本,难以满足深度CNN模型优化及性能提升的需要。实验以大黄鱼、鲤、鲢、秋刀鱼和鳙为对象,采用网络爬虫以及实验室人工拍照采集相结合的方式,构建了供鱼种分类的基础图片数据集,针对网络爬虫手段获取到的鱼类图像存在尺度不一、格式不定等问题,采用图像批处理的方式对所有获取到的图像进行了统一的数据预处理,并通过内容变换以及尺度变换对基础数据集做了数据增强处理,完成了7 993个样本的图像采集与归纳;在权值共享和局部连接的基础上,构建了一个用于鱼类识别的CNN模型,采用ReLU函数作为激活函数,通过dropout和正则化等方法避免过度拟合。结果显示,所构建的CNN鱼种识别模型具有良好的识别精度和泛化能力。随着迭代次数的增加,CNN模型的性能也逐步提高,迭代1 000次达到最佳,模型的准确率为96.56％。该模型采用监督学习的机器学习方式,基于CNN模型,实现了5种常见鱼类的鱼种分类,具有较高的识别精度和良好的稳定性,并且模型本身具有一定程度的鱼种推广可能性,为养殖鱼类的品种识别提供了一种新的理论计算模型。     

基于鱼体背部弯曲潜能算法的四种主养鱼类识别

以四种主养淡水鱼鲫(Carassius auratus)、草鱼(Ctenopharyngodon idellus)、团头鲂(Megalobrama amblycephala)、鲤(Cyprinus carpio)为例,提出一种基于图像处理技术的鱼种类自动识别方法。首先通过鱼体信息采集系统获取待识别鱼体图像,并对其进行灰度化与二值化,得到鱼体轮廓信息;然后采用邻域边界算法对鱼体的轮廓进行提取,根据轮廓曲线建立鱼体背部轮廓数学模型;最后根据轮廓模型,采用鱼体背部弯曲潜能算法对不同种类鱼体样本的背部弯曲潜能值进行计算和聚类统计,得到不同鱼类样本的背部弯曲潜能值分布区间,从而通过比对待识别鱼体背部弯曲潜能值的区间实现对不同鱼类的自动识别。对四种主养鱼类的实验测试结果表明,对团头鲂的识别精度可以达到100%,对鲫、鲤和草鱼的识别精度达到96%,基本上能准确实现四种鱼体的分类识别,具有较好的实际应用价值。     

基于TensorFlow的水族馆鱼类目标检测APP开发

近年来深度学习在图像识别研究中取得突破进展,带动了目标检测技术的快速发展。利用目标检测技术开发水族馆鱼类目标检测APP,可以增强游客参观体验,提升科普效果。针对水族馆拍摄的80种鱼类,首先,使用LabelImg软件进行目标标记,再利用标记的目标导出成tfrecord数据;其次,选择ssd_mobilenet_v1模型进行数据训练,通过20万次的迭代训练获取到鱼类目标检测模型;最后,利用TensorFlow多目标检测API调用模型,定义2个接口和12个类,开发出Android系统手机APP。经过80种鱼类1620张图片测试,正确率为92.59%,华为MHA-AL00手机目标检测平均时间40 ms。使用鱼类目标检测APP,能实现水族馆鱼类快速识别、多鱼类目标实时检测,可提升游客的参观体验,辅助科普量化评价。     

基于迁移学习的PSO-Shuffle Net鱼类识别方法

针对传统深度学习鱼类识别方法正确率较低、模型训练过程中参数不能够自适应确定的问题，提出了一种基于迁移学习(Transfer Learning, TL)的粒子群(Particle Swarm Optimization, PSO)改进ShuffleNet鱼类识别方法。以20种鱼类为对象，采用粒子群算法将模型的损失函数作为适应度函数，对批处理大小和学习率两个超参数进行优化，并利用迁移学习方式进行训练，构建了TL-PSO-ShuffleNet模型。结果显示：该方法与AlexNet、MobileNet、ShuffleNet模型相比，识别正确率分别提高了57.89%、30.43%、23.28%。本研究提出的鱼类识别方法具有正确率较高、参数设定具备自适应性等特点，为鱼类自动化识别研究提供了参考和借鉴。     

基于图像特征的模板匹配成鱼多目标识别算法研究与程序设计

为解决渔业养殖及转运自动计数要求，提出一种基于机器视觉的鱼类识别算法设计与程序编制，以证明使用数字图像识别分类技术的尺度不变特征变换SIFT及加速稳健特征SURF算法等可有效地检测与标注鱼类图像特征点。采用快速近邻匹配FLANN匹配算法测试了基于图像特征的鱼类旋转和泛化目标检测，得出SURF特征对个体检测效果好、SIFT特征对泛化目标检测效果优的结果。考察FLANN图像匹配碎片化特性、结合图像信息区域聚集实际、借鉴模板检测方法，设计了图像分割扫描及特征匹配的模板检测算法，并使用最大稳定极值区域MSER方法对识别结果进行冗余排除，达到能正确识别多目标鱼类的算法预设目标。研究发现，该算法及软件能成功识别图片中的多个鱼类目标，测试效果好，有较强的实用意义。     

基于显著性增强和迁移学习的鱼类识别研究

针对水下鱼类无法快速准确识别的难点,提出一种具有图像主体自动增强功能的鱼类迁移学习方法。该方法将鱼类RGB图像转换至Lab颜色空间后,利用中央周边算子计算得到整个输入图像的显著性值,进而提供鱼类目标的潜在区域,并结合GrabCut算法获取鱼类分割图像,最终将融合分割图的原始图像送入优化后的残差网络中进行训练。通过对23种鱼类进行识别试验,结果显示,固定ImageNet数据集上ResNet-50预训练模型的conv1层和conv2层参数,微调高层参数的方法能够取得最好的识别效果,且在公开的Fish4Knowledge数据集上,该模型取得了最高的识别准确率,平均识别精度达到99.63%。与其他卷积神经网络方法的对比结果显示,本方法在Fish4Knowledge和Fish30Image数据集上的识别精度和时间性能均具有较大优势,其中识别准确率至少提升4.98%。多个数据集上的试验验证了模型的有效性。     

南海珊瑚礁海域鱼类分类多样性大尺度分布格局

珊瑚礁区生物多样性是当今生态学研究热点之一,为更全面地了解南海诸岛珊瑚礁海域鱼类物种多样性分布格局,系统整理了20世纪70年代以来南海东沙、西沙和中沙及南沙群岛珊瑚礁海域鱼类资源调查的历史资料,研究了南海珊瑚礁鱼类分类学多样性.种类统计结果表明,目前东沙记录鱼类种类514种,西沙和中沙632种,南沙548种;各礁区记录鱼类物种数目少于预测数目,也少于全球其他生境相似的海域记录的鱼类种数.估算了南海珊瑚礁鱼类平均分类差异指数△+和分类差异变异指数∧+,结果显示,东沙△+和∧+分别为55.1、121;西沙、中沙△+为60.2,∧+为164;南沙△+为56.6、∧+为150;各礁区海域鱼类△+值均小于东海陆架海域,而∧+值均高于东海陆架海域.在种和科的分类水平上,计算了南海珊瑚礁海域与卡拉棉群岛、米尔恩湾、南沙群岛西南陆架和南海北部陆架海域鱼类的相似性系数,结果表明,西、中沙群岛与其他礁区海域鱼类在种级分类阶元上的相似性系数相差较大,所有珊瑚礁海域鱼类在科级分类阶元上的相似性系数较为接近;另外,所有珊瑚礁海域鱼类种(科)间相似性均高于其与陆架海域鱼类种(科)间相似性.对南海珊瑚礁、卡拉棉群岛和米尔恩湾等海域典型礁栖性鱼类的科的物种相对丰富度进行了Kruskal-Wallis检验,结果表明,其差异均不显著(P＞0.05).结论认为,物种多样性较高而分类多样性较低是南海珊瑚礁鱼类多样性大尺度分布格局的主要特征.     

东山湾及其邻近海域鱼类物种分类多样性

根据2009年11月至2010年8月东山湾及其邻近海域鱼类调查资料,系统分析了其鱼类物种组成,计算了该海域的分类阶元包涵指数(TINCLi)、分类多样性指数(△+和∧+)以及各物种的相对重要性指数(IRI),并对东山湾海域物种季节变化进行了探讨。结果显示,东山湾共记录鱼类114种,分属15目57科87属,以鲈形目种类占绝对优势。分类阶元包涵指数分析结果显示,东山湾及其邻近海域鱼类种类组成中,其目、科、属所分别拥有的(科、属、种)、(属、种)和(种)的平均数目分别为(3.80、5.40、7.60)、(1.42、2.00)和(1.41),均低于东海陆架区、大亚湾、东沙群岛,说明东山湾海域的鱼类多样性比其余海域高,种类组成较为分散。使用PRIMER 5.2软件计算的平均分类差异指数△+和分类差异变异指数∧+分别为65.8和129.5,其中△+均高于其余3个海域,说明东山湾海域鱼类的亲缘关系比其余3个海域要远,而且分布不均匀。相对重要性指数分析结果显示,当采用IRI>1 000标准定义优势种时,秋季的优势种有3种,冬季只有1种,春季有2种,夏季最多有4种,说明不同季节的优势鱼种存在较大变化,主要鱼种季节更替明显。本研究在种以上的分类阶元分析了东山湾及其周边海域的鱼类组成及其分布特点,为东山湾鱼类资源的可持续开发、利用和保护提供了重要的参考依据。     

团头鲂3个地理种群杂交效果的配合力和微卫星标记预测

根据南沙群岛西南部陆架海域鱼类调查研究的历史资料, 采用Nelson分类系统对鱼类物种组成进行了系统整理, 并从不同的分类阶元上分析了南沙群岛西南部陆架海域鱼类的多样性。分类阶元包含指数(TINCLi), 分类多样性指数(△+和∧+), 目级和科级水平丰富度(Rr)以及目级和科级水平相似性系数(C)为本研究的主要研究指数。结果显示, 南沙群岛西南部陆架海域共记录鱼类20目110科206属, 以鲈形目(Perciformes)种类居绝对优势。采用分类阶元包含指数分析, 南沙群岛西南部陆架海域鱼类组成目、科、属所分别拥有的(科、属、种), (属、种)和(种)的平均数目分别为(5.5、10.30、14.85), (1.87、2.70)和(1.44); 在目级水平上, 比高纬度的东海陆架、大亚湾和东沙群岛海域高, 并且与纬度梯度成反比, 证明低纬度海域的鱼类分类多样性低, 种类组成主要集中分布于较少数的分类类群。使用PRIMER5.2软件计算了平均分类差异指数△+和分类差异变异指数∧+, 数值分别为65.8和110.0, 其中△+接近于东海陆架(65.7), 高于东沙群岛(55.2)和大亚湾海域(62.2), 说明南沙群岛西南部陆架海域鱼类的亲缘关系接近于东海陆架海域鱼类, 比东沙群岛和大亚湾海域鱼类的远。与三个海区的相似性系数比较结果显示, 在目级和科级水平上, 南沙群岛西南部陆架海域鱼类组成同大亚湾海域更为接近。     

海州湾海域鱼类分类多样性的时空变化及其与环境因子的关系

根据2011年3—12月在海州湾海域进行的5个航次的渔业资源综合调查,并结合相关的历史资料,研究海州湾海域鱼类分类多样性及其时空变化,并通过构建 GAM 模型分析平均分类差异指数(Δ+)和分类差异变异指数(Λ+)与环境因子之间的关系.结果表明,海州湾共有鱼类96种,隶属于2纲13目44科71属,其中Δ+的理论平均值为79.5,而Λ+的理论平均值为200.6.两个分类多样性指数均呈现明显的季节和空间变化,这可能与海州湾海域鱼类的季节性洄游和环境因子的差异有关.通过 GAM 模型分析发现,水深和底层溶氧对Δ+具有显著影响,而水深、底层溶氧、底层水温和月份则是影响Λ+的关键环境因子.通过比较中国近海不同纬度海域之间的鱼类分类多样性指数,发现Δ+和Λ+均呈现出“北高南低”的变化趋势,说明纬度变化对鱼类分类多样性的空间分布格局具有重要影响.     

基于计算机视觉的大黄鱼体尺、体重性状表型测量装置开发和应用

鱼类的体重、体长等表型性状是水产养殖和遗传育种中非常重要的经济性状，为了避免人工测量的不确定性、误差随机性和效率低下的问题，本研究开发出一种基于Mask Region Convolutional Neural Network (Mask R-CNN) 的自动化、无侵入式鱼类图像分割和表型性状测量的装置。该装置包括图像采集装置和控制软件两部分，其中图像采集装置可以测量不同规格鱼类 (体长1~40 cm)。基于Mask R-CNN的控制软件，可以对图片进行目标性状的训练和预测，实现目标数据的测量、存储和管理。本研究利用该装置对477尾3月龄大黄鱼进行了图像采集和基于大黄鱼图像的体长、体高、体重性状预测。研究表明，利用该装置测量的大黄鱼体长和体高的平均相对误差均小于4%。基于体长、体高、体表面积的多元回归模型对体重进行拟合，测量值与真实体重的相关系数为0.99，平均相对误差为4%，对每张图片的平均处理时间为3 s，测量速率是人工的8倍。该系统可以实现自动化、高效、准确地获取大黄鱼体型与体重性状，为大黄鱼种质资源评价、良种选育和种质创新提供更加便捷高效的表型测评工具。     

基于数字孪生技术的平面渔网破损检测方法研究

为防止渔网破损造成养殖鱼类逃逸，有必要对网衣进行破损检测。为了克服人工检测劳动强度大且效率低下的缺点，实现渔网的精准实时监测，本研究提出了一种基于数字孪生的网衣破损检测方法，可利用传感器代替人工监测。该方法首先从渔网的数值仿真模型获取大量的仿真传感数据，然后将数据用于人工神经网络的训练与测试，最后生成可进行网衣破损识别的数字孪生体。数字孪生体可根据传感器监测到的数据来判断网衣是否发生破损。在数值模拟中，考虑各种波浪条件以及网衣的破损情况。在训练人工神经网络中，将有效波高Hs、谱峰周期Tp以及横纲竖纲的拉力值作为输入变量，将网衣完整状态以及破损状态作为输出。经过测试分析，该识别模型根据传感器数据识别网衣是否破损的平均准确率为94.32%，由此可见，数字孪生技术能准确检测到渔网的损坏，可以作为网衣破损检测的一种新方法。     

东沙群岛珊瑚礁海域鱼类物种分类多样性研究

根据南海东沙群岛珊瑚礁海域鱼类物种种类组成的历史资料,系统整理了鱼类物种组成,并计算了东沙海域的平均分类差异指数(△+)和分类差异变异指数(∧+).结果显示,东沙珊瑚礁海域共记录鱼类18目,68科,173属,403种,鲈形目鱼类占绝对优势.△+约为55.2,低于黄、渤海、长江口和东海陆架海域(P＜0.01),∧+约为110,低于黄、渤海、长江口(P＜0.01)和东海陆架海域(P>0.05).大尺度上,一般纬度越低,中国海洋鱼类△+越小,表明珊瑚礁鱼类群落物种的亲缘关系要比陆架和河口区域的接近.     

改进的DeepLabCut鱼类游动轨迹提取

针对现有的鱼类游动轨迹提取方法在提取效率和准确率方面不能同时兼顾的问题,提出了一种改进的DeepLabCut方法用于鱼类背部关键点识别和定位。首先,选择了轻量级卷积神经网络模型EfficientNet-B0作为DeepLabCut的主干网络模型,用于提取鱼类背部关键点的特征,为了增强EfficientNet-B0的表征能力,在网络模型中引入了改进的CBAM(Convolutional Block Attention Module)注意力机制模块,将CBAM中的空间注意力模块和通道注意力模块从原来的串行连接方式改为并行连接,以解决两种注意力模块之间因串行连接而导致的互相干扰问题。其次,基于MSE(Mean Squared Error)损失函数提出了一种分段式损失函数H＿MSE用于模型的训练,分段式损失函数H＿MSE相对于传统的损失函数具有较强的鲁棒性,其在处理数据中的异常值时能表现出较低的敏感性。最后,采用了半监督学习方法对关键点进行自动标记来减少人工标记数据时产生的误差。结果显示：相比于DeepLabCut原始算法,识别误差RMSE(Root Mean Squared Error)平均...     

基于RAG1基因的中国近海13种石首鱼科鱼类系统进化关系

为探讨中国近海石首鱼类的系统进化关系,通过PCR扩增和序列测定,获得了石首鱼类9属13个种类的RAG1基因序列。对序列变异进行分析,基于Kimura双参数法计算属间和种间的遗传距离,并结合GenBank中的同源序列,以攀鲈为外群构建分子系统进化树。将所得的分子数据与形态学分类进行比较,推论如下:(1) 中国近海石首鱼类分为两个类群。(2) 叫姑鱼亚科与石首鱼亚科以极高的置信度(90%)聚类,并处于系统进化树的基部,支持了形态学上二者是原始种类的分类观点。(3) 分子系统树显示黄姑鱼属比银姑鱼属更为原始,但二者在形态分类上归为一个亚科的观点有待进一步商榷。(4) 支持尖头黄鳍牙鱼或与银牙鱼或置于同一牙鱼或亚科的不同属的观点。(5) 支持了形态学上黄鱼亚科分化最晚的结论。     

人工鱼礁区的增殖鱼类资源效果初步研究

2009年春季采用地笼网分别对山东省西港小石岛、牟平养马岛、威海寻山和日照前三岛附近人工鱼礁区及对照区的鱼类资源进行调查.结果表明,人工鱼礁区的鱼类种类数比对照区增加了1.8倍,平均数量和平均质量分别比对照区增加了3.5倍和1.9倍.人工鱼礁区的主要优势种为岩礁性鱼类大泷六线鱼和许氏平鲉.人工鱼礁区鱼类资源的物种丰富度指数、物种多样性指数和物种均匀度指数的均值分别大于对照区相应生态指数数值.人工鱼礁的建设可以增加鱼类资源的种类、数量及鱼类群落的丰富度和多样性.     

鲹科鱼类DNA条形码分类系统

为了验证 DNA 条形码在鲹科(Carangidae)鱼类物种鉴定和系统分类中的适用性, 本研究自测 6 属 7 种 17 条序列, 同时筛选了 BOLD 数据库中的有效序列, 共获得 25 属 95 种 273 条鲹科鱼类 DNA 条形码序列, 通过 BLAST 比对、遗传距离和系统关系树, 构建了鲹科鱼类的 DNA 条形码分类系统。结果表明: (1)鲹科鱼类属间、种间、属内种间和种内三级分类单元遗传距离的平均水平分别为 0.186、0.169、0.090 和 0.008, 种间平均遗传距离是种内平均遗传距离的 21 倍, 可见 DNA 条形码适用于鲹科鱼类分类鉴定; (2)运用 DNA 条形码技术可以识别出形态鉴定有误的物种, 表明 DNA 条形码可以弥补传统形态学鉴定的局限性, 可对鲹科鱼类形态学分类结果进行精准修正; (3)鲹科鱼类 DNA 条形码分析表明, BOLD 数据库中仍存在一定的“同种异名”和“异种同名”现象, 建议使用该数据库信息时应严格评估信息的准确性; (4)鲹科鱼类系统发生关系研究对物种的分类地位提出了新的见解, 即拟鲳鲹 (Parona signata)和镰鳍波线鲹(Lichia amia)亲缘关系较近, 支持将二者均归为鲳鲹亚科(Trachinotinae)。本研究旨在为丰富鲹科鱼类 DNA 条形码数据, 完善鲹科 DNA 条形码分类系统, 并为鲹科鱼类物种鉴定和系统分类提供分子证据。     

我国淡水养殖鱼类品种及种苗生产发展概述

一、我国淡水养殖鱼类的多样性 　　中国国土辽阔,从位于北纬 4°的南沙群岛到北纬 53°的黑龙江漠河,覆盖了热带、亚热带、温带至亚寒带的气候条件,差异悬殊的气候条件既为人工养殖提供了丰富的可供选择的野生种类,同时也对养殖种类的适应性提出了不同的要求。因而构成了中国养殖的淡水鱼种类及品种的多样性。据调查,我国有 800多种淡水鱼类,其中有经济价值的有 250多种,目前进行养殖的大致可分为以下几类： 　　1.人工育苗的家养野生种：青鱼、草鱼、鲢、鳙、鲤、鲫、银鲫、长春鳊、团头鲂、鲮、鳜、乌鳢。 　　2.人工选育的品种或…     

基于LightGBM模型的鱼类异常行为检测

针对传统理化方法分析水质污染情况耗时耗力等问题,提出一种基于鱼类异常行为识别的水质监测方法。以红色斑马鱼(red zebrafish)为研究对象,利用计算机视觉技术,首先对斑马鱼图像进行预处理,利用灰度共生矩阵获取鱼群纹理特征;然后通过Lucas-Kanade光流法计算鱼群的运动信息熵,并对获取的纹理特征和信息熵进行归一化处理;最后采用轻量化梯度促进机(LightGBM)对鱼类异常行为进行检测,与深度神经网络(DNN)和支持向量机(SVM)检测效果对比。结果显示:利用LightGBM对鱼类异常行为进行检测,准确率为98.5%,与其他模型对比分别提高0.5%和25.3%。研究表明,基于LightGBM模型的鱼类异常行为检测方法相比其他模型能更准确地识别鱼类非正常游动。该模型适用于自动水质监测。     

基于深度学习的刺网与拖网作业类型识别研究

渔船作业类型可分为多种,作为典型近海捕捞作业方式的刺网和拖网捕捞渔船可占总船数的72.6%,准确的渔船作业类型识别可辅助渔船管理。利用北斗渔船监控系统(vessel monitoring system,VMS)数据提出一种对刺网和拖网作业分类识别的方法,因拖网和刺网渔船作业轨迹存在一定的差别,研究先提取出每艘船的航次信息,然后根据航次信息将原始刺网和拖网每条船的VMS划分为多个航次数据,根据航次数据中的经纬度数据批量画出每个航次的航迹图,再利用深度卷积神经网络模型对航迹图进行训练学习,进而实现刺网和拖网作业类型分类识别。通过使用自定义的10层CNN模型及使用迁移学习和模型微调方法调整后的VGG-16模型进行对比实验,结果显示,自定义的CNN模型最终精度为94.3%,证明了本方法的可行性,模型可用于辅助刺网、拖网作业类型判断。