基于特征加权融合的鱼类摄食活动强度评估方法

为解决鱼类养殖中投喂精度低的问题,提出了一种基于特征加权融合的鱼类摄食活动强度评估方法。该方法以鱼群为研究对象,利用不同摄食阶段图像的特征对摄食活动强度进行分析,避免了复杂背景中单体鱼的切割。首先,利用图像预处理技术获取前景目标,通过鱼群质心绘制出不同摄食阶段的鱼群游动轨迹;其次,分别提取图像的颜色、形状和纹理等特征;然后,使用Relief特征选择和XGBoost算法筛选出3个摄食评价因子,采用加权融合方法确定每个评价因子的最佳权重;最后,通过融合后的特征对摄食活动强度进行评估。试验结果表明,与传统面积法相比,本文提出方法的决定系数可达0. 904 3,且摄食识别准确率高达98. 89%。该方法在增强鲁棒性的同时,提高了检测和评估效率,可为鱼群摄食行为检测和活动强度评估提供参考。     

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。     

基于多特征融合与机器学习的鱼类摄食行为的检测

针对目前检测方法特征单一、样本数量少和鲁棒性低等问题,提出了一种基于多特征融合与机器学习的鱼类摄食行为的检测方法:利用图像处理技术提取鱼群摄食图像的颜色、形状和纹理特征,并对其进行归一化和特征融合处理,通过构建3层的BP神经网络对鱼群摄食行为进行检测。与SVM和KNN检测效果进行对比,BP神经网络的效果最好,精度可达97.1%。与传统的基于单一纹理特征方法相比,在保证时效性和增强鲁棒性的同时,准确率提高了4.1%。     

基于深度学习和典型相关分析的渔情预测方法

为解决用传统方法进行渔场预测时存在的性能欠佳、特征转换困难、拟合程度不足等问题,提出了一种基于深度学习和典型相关分析的新型渔情预测方法——CNN-DNN-CCA(连接融合)-RBF模型,该方法首先在5°×5°渔业作业区域内将不同海洋环境因子按相对空间位置映射为三维矩阵,然后分别采用卷积神经网络(CNN)和深度神经网络(DNN)对海表温度(SST)、叶绿素a(Chl-a)浓度、海面高度(SSH)3种环境因子和渔场时空因子两种多源异构数据进行模态特征提取,得到两种不同模态的特征向量,并将两种特征向量通过典型相关分析(CCA)进行特征级融合,最后将融合后的特征输入到径向基函数网络(RBF)中进行分类.结果表明,通过试验验证,基于深度学习和典型相关分析的渔场预报模型CNN-DNN-CCA(连接融合)-RBF对南太平洋长鳍金枪鱼Thunnus alalonga中心渔场的召回率达到了90.3％,相较于随机森林(RF)、CNN和DNN模型提高了6.8％～21.8％.研究表明,CNN-DNN-CCA(连接融合)-RBF新型渔情预测模型通过深度学习和典型相关分析方法分别进行特征自动提取和特征融合,消除了冗余信息,简化了特征转换,提高了运算速度和预测精度.     

基于双模态深度学习模型的渔场渔情预报

为解决传统渔场渔情预测方法在处理高维复杂海洋数据时存在人工干预较多、拟合困难、精度不高的问题,提出了一种基于双模态深度学习的渔场渔情预测方法.首先,该方法将不同海洋环境因子在5° ×5°渔业作业区域范围内按照空间相对位置映射为三维矩阵.然后,分别使用卷积神经网络模型(CNN)和深度神经网络模型(DNN)对海洋环境因子和时空因子2种异构数据进行特征提取.最后,将基于时空信息的深度神经网络模型与卷积结构进行特征融合,再将融合后的特征经过全连接层进行分类.试验结果表明,双模态深度学习模型对南太平洋长鳍金枪鱼中心渔场的渔场渔情预报率达到了89.8％,较其他渔场渔情预报模型精度提高10％～30％.同时由于该模型使用卷积神经网络,可以对任意空间分辨率的海洋环境因子进行特征提取,省去了手动匹配不同空间分辨率的过程,减少了人工干预,对南太平洋长鳍金枪鱼的渔业作业与渔场渔情预报有极高的指导意义.