基于帧间深度特征差分的大西洋鲑鱼群活跃度分类模型

鱼群活跃度是鱼类健康福利养殖的特征性指标之一,实现鱼群活跃度细粒度分类有利于更精细地描述鱼群健康状况、评估鱼群福利水平。基于工厂化循环水养殖系统,本文建立了水下大西洋鲑鱼群活跃度细粒度分类视频数据集,并提出一种基于帧间深度特征差分的鱼群活跃度分类模型,通过引入残差连接的小型卷积神经网络提取视频帧的特征,进而在相邻帧之间做差分运算和平方运算得到视频帧间特征,最后将其输入基于外部注意力机制的分类网络IFDNet中得到视频类别。试验结果表明,本文提出的CNN-IFDNet模型分类准确率达到97.72%,F1值达到97.42%,以较低的计算复杂度实现了对水下视频鱼群活跃度的三分类。相较于实验室环境,基于真实养殖环境对鱼群活跃度所展开的算法研究实际应用性更强,可以为精细化描述鱼群的活跃度、实现智能监测鱼类健康状况提供参考,帮助养殖人员发现并排除导致鱼群活跃度异常的水质环境、病害等因素。     

基于水下机器视觉的大西洋鲑摄食行为分类

根据鱼群摄食行为状态进行水产养殖精准投喂控制,是有效提高饵料利用率降低水体污染的关键技术。目前,大多数基于机器视觉的鱼类摄食行为研究都是在实验室对真实养殖环境进行模拟并采用水上摄像机获取数据,由于光照条件和养殖环境的影响,该数据无法反映大西洋鲑在实际生产状况下的摄食行为,因此应用范围有限。为解决此问题,该研究提出一种基于真实工厂化养殖环境的鱼类摄食行为分类算法。该算法使用水下观测方式并采用视频序列作为样本,首先利用变分自动编码器对视频序列样本进行逐帧编码以产生所有帧对应的高斯均值和方差向量,分别联立所有均值和方差向量得到均值特征矩阵和方差特征矩阵。然后将特征矩阵输入到卷积神经网络中,实现对鱼群的摄食行为分类。试验结果表明,在真实的工厂化养殖环境下,该研究所提出的方法综合准确率达到了89%,与已有的基于单张图像的鱼类摄食行为分类方法相比,综合准确率提高了14个百分点,召回率提高了15个百分点。研究结果可为基于鱼类摄食行为的鱼饵精准投喂控制提供参考。     

基于改进LRCN的鱼群摄食强度分类模型

实现饵料的自动投喂是自动化水产养殖的重点,对鱼群的摄食强度进行识别能够为精准投饵提供参考。目前大多数关于鱼群摄食强度的研究都是基于循环养殖池或者自制鱼缸中,并不适用于开放式养殖池塘。基于实际环境,采用水上观测方式建立了鱼群摄食强度视频数据集,并提出了一种基于改进长期卷积循环网络（LRCN）的鱼群摄食强度分类模型,将注意力机制SE模块嵌入卷积神经网络中,通过SE-CNN网络提取视频帧的特征,输入至双层GRU网络中,最后通过全连接分类层得出视频类别。提出的SE-LRCN模型实现了对鱼群摄食视频的强度三分类。试验结果表明,本文提出的模型分类准确率达到97%,F1值达到94.8%,与改进前的LRCN模型相比,准确率提高12个百分点,F1值提高12.4个百分点。研究模型可以更精细地识别鱼群的摄食强度,为自动化精准投饵提供参考。