基于深度学习的鱼类跟踪技术研究进展

近年来,水产养殖和渔业资源保护的智能化发展迅速,对鱼类跟踪技术的需求也随之增加。传统的鱼类跟踪方法主要依赖于目视观察和标签追踪,存在效率低、应用范围有限、准确率不高等问题,限制了其推广应用。随着深度学习技术在计算机视觉领域的快速发展,基于深度学习的鱼类跟踪技术能够提供准确、客观、可扩展和自动化的跟踪方法。首先,介绍了鱼类跟踪技术的跟踪对象和4种深度学习鱼类追踪方法,分别是语义分割、实例分割、目标检测和目标分类。其次,介绍了鱼类跟踪技术如何获取鱼类轨迹与姿态、鱼类数量以及鱼类体长等鱼类目标跟踪信息。接着,介绍了基于深度学习的鱼类跟踪技术在鱼类疾病、鱼类摄食行为以及鱼类健康状态方面的应用,并从低对比度和纹理模糊、图像颜色失真以及遮挡和变形等3个方面,探讨了目前基于深度学习的鱼类跟踪技术的主要问题和一些相应的解决方法。最后,对基于深度学习的鱼类跟踪技术的发展前景进行了总结和展望。研究认为：基于深度学习的鱼类跟踪技术具有更高的准确度和客观性,为不同场景下的实际应用提供了更多解决方案,该技术有望在水产养殖管理、鱼类科学研究以及海洋环境保护等领域发挥更重要的作用,为相关领域提供更多的数据和支持。     

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。     

基于卷积神经网络的养殖鱼类品种识别模型

随着机器学习、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,但现有的鱼类图像公共数据集资源较匮乏,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,为养殖鱼类的品种识别提供了一种新的理论计算模型。     

基于深度学习的青海湖裸鲤产卵场遥感识别方法

鱼类产卵场会随着外部环境条件的改变而发生变化, 因此, 快速、有效地定位鱼类产卵场对于开展水生生物资源调查、珍稀水生动物保护等工作具有重要的意义。本研究基于无人机航拍影像和青海湖裸鲤(Gymnocypris przewalskii)产卵场实地调查结果, 构建了深度学习模型, 以分析将深度学习模型应用于青海湖裸鲤产卵场识别中的可行性。模型训练交并比精度和像素精度分别为 0.870 和 0.996, 验证交并比精度和像素精度分别为 0.648 和 0.985, 虽然精度低于一般的遥感影像或图像分割精度, 但从测试的结果来看, 深度学习模型可以识别到约 79%的产卵场, 但尚不能精确地分割出产卵场, 可以作为一种辅助手段, 应用到青海湖裸鲤产卵场的识别中。     

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。     

基于深度学习的鱼类智能识别系统的设计与实现

中国拥有种类繁多的鱼类,外形是其分类的重要依据.但目前主要采用人工识别方法进行分类,为解决鱼类人工识别存在的问题,提出一种基于深度学习的鱼类智能识别系统的设计,以实现对中国1400种鱼类的智能识别.系统首先采用卷积神经网络的Efficient模型,将含有1400种鱼类,50万张鱼类图片的数据集进行训练,最终得到的模型识...     

基于计算机视觉技术的水产养殖中鱼类行为识别与量化研究进展

鱼类行为与水体环境密切相关,是鱼类生活状况的直接体现,可以通过分析鱼类行为进行更为精准的养殖管理和操作。计算机视觉技术为鱼类行为识别和量化提供了一种非入侵式且稳定性较好的方法,已逐渐广泛用于鱼类行为研究。本文介绍了计算机视觉技术的技术流程,包括图像采集、预处理、运动目标检测与跟踪,并对各个流程进行分类;综述了计算机视觉技术在鱼类游泳、摄食和体色变化等行为识别、量化研究的现状;分析了计算机视觉技术在鱼类行为识别、量化方面的难点及存在的问题,以期为计算机视觉技术在水产养殖监测领域的发展提供参考依据。     

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DCGAN数据增强的水产动物分类方法

针对公开大规模水产动物数据集少、人为采集数据工作量大以及传统数据增强方法对数据的特征提升有限的问题,提出一种基于深度卷积生成对抗网络的数据增强方法用于水产动物图像识别。首先,使用深度卷积生成对抗网络(DCGAN)对样本数据进行增强,然后分别使用VGG16、InceptionV3、ResNet50这三个训练模型,以微调的方式,对样本进行训练、识别。结果显示,所提出的方法在水产动物数据集上,与非生成式的数据增强方法相比,在3种模型上分类的准确率可分别提高9.8%、2.7%、1.2%。试验证实,DCGAN可有效增强水产动物图像数据,提高深度神经网络模型对水产动物图像分类的准确率。     

智慧渔业中的机器视觉技术应用研究现状

通过整理分析国内外相关文献资料,从鱼类摄食行为识别与精准饲喂、鱼体参数识别与测量、鱼群病害诊断与防治3个应用角度,对机器视觉技术在智慧渔业领域的研究现状进行详细阐述,并对基于机器视觉技术的智慧渔业系统的优缺点和适用场景进行了总结,最后提出了复杂水体环境下的鱼体分割和鱼体交叠等方面的研究趋势和发展方向。     

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。     

基于改进K-means聚类算法的金鱼阴影去除及图像分割方法

针对鱼类行为量化过程中运动阴影区域去除难的问题,以金鱼为研究对象,分别从去除噪点及孤立数据点、使用马氏距离作为距离度量方法、明确聚类个数以及初始聚类中心点选择等方面对传统K-means聚类算法进行了优化,提出了一种基于改进K-means聚类算法的金鱼阴影去除及图像分割方法。在室内正常环境下,使用相机采集玻璃鱼缸中金鱼图像,首先等比例压缩10倍,使用中值滤波方法对样本图像进行预处理,然后将其从RGB颜色空间转换到Lab颜色空间,最后提取a、b分量并使用改进的K-means算法进行聚类。试验结果显示:和传统K-means聚类算法及FCM(Fuzzy c-means)聚类算法进行比较,改进算法对于图像阴影去除及分割具有更好的效果,在200幅具有不同阴影的金鱼样本图像中,基于改进K-means聚类算法的平均误分类的像素比率和平均运行时间分别为2.48%和0.87 5s,能够满足离线鱼类行为量化过程中图像预处理的要求。     

基于YOLOv5的工厂化养殖虾目标检测方法研究

为解决传统人工计数存在效率低、成本高、对虾有损伤等问题,提出一种基于YOLOv5框架的养殖虾目标检测方法。利用高清摄像机采集高分辨率虾的图像数据样本,并针对高分辨率图像训练集设计自适应图片裁切预处理算法,通过将训练集进行自适应裁切,扩增训练数据量,减少原始图像训练过程中细节特征损失,提升目标检测准确度。结果表明：研究所提方法可以实现少量高分辨率图像下养殖虾的准确识别与计数,采用该算法对图像样本进行预处理,相比于原始数据集训练所得检测模型,在相同运算硬件条件下,具有更高的检测准确率,识别准确率为92.55%,召回率为98.78%,平均精度均值为97.5%。     

基于灰度分布信息的鲟鱼声呐图像分析研究

为证实灰度信息在声呐图像中的重要价值,并获得有利于声呐图像目标分割的最佳增益值,研究了不同声呐增益值下,鲟鱼声呐图像灰度分布的形态差异,并基于灰度直方图分布信息的最大熵阈值分割算法对俄罗斯鲟（ Acipenser gueldenstaedti Brandt ）目标进行了分割,根据分割结果得到了最佳声呐增益值,即Gain＝15 dB。充分说明了在较优的声呐增益值下获取的声呐图像,即使目标形状发生严重变形时,利用其灰度直方图分布信息也能进行很好的目标分割,从而为解决鲟鱼声呐图像目标识别以及跟踪提供参考依据。     

环境DNA技术及在鱼类监测中的应用

开展鱼类监测对鱼类多样性保护具有非常重要的意义。环境DNA(eDNA)技术使得鱼类调查更加省时省力、节约成本、无损伤,在鱼类监测中被广泛使用。文章从环境DNA技术及其优缺点、技术流程及方法、国内外研究现状以及该技术的未来展望4个方面进行了综述。eDNA技术存在着一定的缺陷,不能完全取代传统方法。e DNA技术包含了样品的采集及处理、eDNA提取、eDNA扩增、测序和生物信息学分析几个主要步骤,每个步骤又可采取不同的实验方案,进而影响eDNA的检测效率。eDNA技术主要应用于鱼类物种多样性监测、入侵物种检测、濒危物种检测和鱼类生物量的估算等方面。虽然国内eDNA的起步不晚,但相比国外研究方向较为单一,研究深度不高,需要进一步重视。     

基于ResNet50和迁移学习的红鳍东方鲀病鱼检测方法

针对红鳍东方鲀病鱼样本数量少、检测准确率不高等问题,提出一种基于ResNet50和迁移学习的红鳍东方鲀病鱼检测方法。首先使用ResNet50在ImageNet数据集上进行模型预训练;然后基于预训练结果构建了红鳍东方鲀病鱼检测ResNet50网络,将经过预训练的、包含16个残差块的模型权重迁移到构建的ResNet50网络中进行模型权重初始化以降低训练成本;为进一步提高检测的准确性,在构建的ResNet50网络模型的最后一个卷积层后面加入反卷积层用以学习目标中的细节信息;最后,用红鳍东方鲀健康鱼和病鱼图像构建了数据集,并采用翻转、旋转、随机裁剪、色度变化和添加噪声等方法进行了数据增广,以增加数据样本的多样性,进而提高检测方法的鲁棒性。在所构建的数据集上进行了试验,试验结果表明,基于ResNet50和迁移学习的红鳍东方鲀病鱼检测方法准确率可以达到99%,与ResNet18、ResNet34、ResNet101和ResNet152不同深度的残差网络相比,分别约提升了10.7%、6.6%、6.2%和5.6%,在与不加入反卷积的ResNet50残差网络相比,约提升0.4%的精度。研究表明,采用基于ResNet50和迁移学习的方法,有效地解决了红鳍东方鲀病鱼样本少和准确率不高的问题,为红鳍东方鲀病鱼检测提供了新方法。     

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。     

基于迁移学习和金字塔卷积网络的河蟹个体图像识别方法研究

针对目前河蟹追溯成本高、消费者无法细粒度地追溯单体河蟹信息等问题,提出一种基于迁移学习和金字塔卷积的河蟹背甲图像个体识别算法。该算法使用金字塔卷积层替换普通残差卷积块构建网络模型,可以从蟹背图像中提取多尺度、深层次的特征信息。结果显示:采用金字塔卷积结构的Resnet34和Resnet50的准确率分别为98.38%、98.51%,与使用普通卷积层的模型相比,准确率提升5.49%、1.3%,而当模型深度达到101层时,模型性能不再明显提升。与使用金字塔卷积结构的全新学习模型相比,迁移学习方法的训练收敛迭代轮次从20轮降低至5轮,此时模型准确率为98.88%,较全新学习的准确率提升0.37%,同时弥补了样本量较少的问题。该研究为河蟹个体识别追溯提供了理论依据和技术支持。     

基于计算机视觉的贝类智能识别技术探索

正通过采集贝类样本图像建立贝类图片样本库,并对库内图片进行预处理,使其适用于机器学习算法,然后利用深度学习的方法获得每种贝类的外形特征,进而开展分类识别,识别准确率可达到80%以上。通过配套开发的贝类识别手机软件,可将手机拍摄的贝类图片上传至服务器端,并在3秒钟内将识别结果反馈给手机用户,同时推送相关贝类科普知识。该技术的应用与推广,对面向公众开展水产科普与水生动物保护等工作大有裨益。