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。     

基于深度学习的鱼类识别相关技术研究现状及展望

为促进渔业生产智能化、现代化发展,综述了基于深度学习的鱼类识别相关技术。首先,从数据集构建、数据预处理、神经网络模型设计以及模型训练等4个方面阐述了基于深度学习的鱼类识别工作流程。然后,从图像分类、目标检测、图像分割3个角度总结了近几年鱼类识别相关技术的研究进展及应用成果。其中,图像分类主要用于识别个体鱼的色泽与种类,目标检测侧重于估计鱼群的数量和体型,而图像分割则在推断鱼类的状态和行为方面发挥着重要作用。同时,分析了不同方法所具备的优势,比较了各方法在数据集中的性能指标。最后,对深度学习在鱼类识别领域的下一步发展方向和研究重点进行了展望。综上,深度学习方法效率普遍较高、泛化能力普遍较强,深度学习技术在鱼类识别中的广泛应用能够为渔业科研人员提供有效的技术支撑。     

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。     

如何正确识别养殖鱼类的饥饱

正确识别养殖鱼类的饥饱,不仅关系到养殖鱼类的生长状况、病害的发生,而且还对养殖饲料成本的高低起着至关重要的作用。笔者经过多年对池塘养鱼的试验、观察和研究,特别是对鱼类吃食情况进行了多年的细致观察、记录和总结,对如何正确识别养殖鱼类的饥饱总结出了以下几点意见,希望能给广大从事鱼类养殖的朋友一点帮助。     

鱼类雌雄识别仪器

挪威渔业技术研究所的专家研制成功一种能鉴别青鱼雌雄的仪器：该仪器的主要结构为电子器件部分和分类机械部分。使用时，只要用仪器向鱼体照射不同光谱的X线．根据其透射度差值就可分辨出青鱼的雌雄，并将它们分类由于雌性青鱼要比雌雄混合青鱼的售价高得多，所以这种仪器对渔业生产和销售部门很有用。     

谈谈改变现有鱼类养殖品种的结构

我国是世界上进行池塘养鱼最早的国家，迄今约有三千多年的历史了。从唐朝以后，养殖鱼类一直沿袭以肥水鱼即鲢、鳙鱼为当家品种，而青、草、鲤、鲫、鳊等吃食鱼则为搭配品种。随着渔业生产迅猛发展，时至今日，人们的食物构成发生了很大变化。以鲢、鳙鱼为当家品种远远不能满足广大消费者的需求，为了缓和市场供需矛盾，多生产适销对路的优质鱼和特种水产品，改变过去养殖鱼类品种结构势在必行。     

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。     

鱼类雌雄识别仪器

挪威渔业技术研究所的专家研制成功一种能将青鱼进行雌雄分类的仪器。该仪器的主要结构为电子器件部分和分类机械部分。使用时只要用仪器向鱼体照射不同光谱的X线，根据其透射度差值就可分辨出青鱼的雌雄，并将它们分类。由于雌性青鱼要比雌雄混合青鱼的售价高得多，     

名特优鱼类品种的引进和养殖

近几年,我省水产品总量虽然基本平衡,但出现了区域性、结构性相对过剩,大宗水产品价低滞销,部分养鱼户出现了增产不增收,增收不增效的现象。如何改变这种现象?就目前而言,调整养殖品种结构,增加名特优鱼类品种的养殖,是摆脱困境的有效措施,也是大力发展质量效益型渔业的良策。 下面应一些渔户的要求,提供几项     

鱼类饥饱巧识别

人工养殖的鱼类如果长期处于饥饿状态,会使鱼类消瘦,活动能力战弱,抗病能力下降,易感染疾病,而且会把疾病传染给其它健康鱼类,甚至引起鱼类的大批死亡。而投饵太多会造成浪费,饵料系数增高、成本增大,同时也污染水质。特别是亲鱼如果长期投喂大量饲料,处于过饱状态,易导致脂肪肝造成难产。鱼是生活在水中的,如何识别鱼的饥饱,做到正确投饵呢？有以下几个方法。     

Evaluating fish feeding intensity in aquaculture with convolutional neural networks

This paper presents a novel method to evaluate fish feeding intensity for aquaculture fish farming. Determining the level of fish appetite helps optimize fish production and design more efficient aquaculture smart feeding systems. Given an aquaculture surveillance video, our goal is to improve fish feeding intensity evaluation by proposing a two-stage approach: an optical flow neural network is first applied to generate optical flow frames, which are then inputted to a 3D convolution neural network (3D CNN) for fish feeding intensity evaluation. Using an aerial drone, we capture RGB water surface images with significant optical flows from an aquaculture site during the fish feeding activity. The captured images are inputs to our deep optical flow neural network, consisting of the leading neural network layers for video interpolation and the last layer for optical flow regression. Our optical flow detection model calculates the displacement vector of each pixel across two consecutive frames. To construct the training dataset of our CNNs and verify the effectiveness of our proposed approach, we manually annotated the level of fish feeding intensity for each training image frame. In this paper, the fish feeding intensity is categorized into four, i.e., ‘none,’ ‘weak,’ ‘medium’ and ‘strong.’ We compared our method with other state-of-the-art fish feeding intensity evaluations. Our proposed method reached up to 95 % accuracy, which outperforms the existing systems that use CNNs to evaluate the fish feeding intensity.     

基于启发式Johnson算法优化BP神经网络的水产养殖产量预测模型

针对水产养殖产量预测难的现状,提出一种基于启发式Johnson算法优化的反向传播神经网络(BPNN)的产量预测模型。该模型在传统BP神经网络的基础上,针对网络训练时间长、易陷入局部最优的问题,通过启发式Johnson算法降低输入神经元维度,再结合试凑法确定神经网络隐层个数,构建启发式Johnson反向传播神经网络(HJA-BPNN)学习预测模型。实验结果表明,该模型在山东省对虾海水养殖产量预测中,预测的均方根误差小于传统BP神经网络和GM(1,1),且学习效率相比传统BP神经网络有所提升。研究表明,该学习预测模型在大量历史数据的模型构造上有更大的优势,能够缩短建模时间,同时获得良好的预测效果,为水产养殖产量预测提供了一种可行的新方法。     

Automated measurement of species and length of fish by computer vision

Trials of a computer vision machine (The CatchMeter) for identifying and measuring different species of fish are described. The fish are transported along a conveyor underneath a digital camera. Image processing algorithms: determine the orientation of the fish utilising a moment-invariant method, identify whether the fish is a flatfish or roundfish with 100% accuracy, measure the length with a standard deviation of 1.2 mm and species with up to 99.8% sorting reliability for seven species of fish. The potential application of the system onboard both research and commercial ships is described. The machine can theoretically process up to 30,000 fish/h using a single conveyor based system.     

基于模糊神经网络的池塘溶解氧预测模型

在分析了池塘溶解氧影响因素的基础上,利用模糊神经网络良好的非线性逼近能力建立了池塘溶解氧的模糊神经网络预测模型。神经网络模型如采用常规的BP或其它梯度算法,常导致训练时间较长且易陷入局部极小点,本实验采用快速的粒子群优化算法对模糊神经网络进行训练,收敛速度明显加快。实验结果表明采用该方法预报溶解氧的预测精度较常规BP递推算法的预测精度明显提高,所采用的模型能对溶解氧进行可靠的预测,该方法为研制开发智能水质检测仪以及工厂化养殖工作奠定了基础,对实际生产具有一定的指导意义。     

基于模糊神经网络的池塘溶解氧预测模型

从患“红斑病”的虾夷马粪海胆病灶处分离出一种可疑病原菌，编号为0205。经感染实验证实，此菌可通过体表创面感染海胆，引起“红斑”症状出现。发病与水温关系密切，高温易发病，低温发病率降低。0205菌革兰氏阴性无芽孢，短杆近球形，具单极毛，生长需盐。对其进行系统鉴定归为弧菌属，其生理生化特性与伯捷氏细菌系统第9版中所列模式种均不相同。经16SrRNA gene序列分析及同源性检索发现该菌与GenBank中AJ002566菌同源性为99．8％，AJ002566菌由德国学者Yakimov直接提交其16SrRNAgene序列1～1476bp，无分类位置。     

Experimental investigation on the transport of different fish species in a jet fish pump

A jet fish pump with a throat of ø60 mm was designed to study its performance in the transport of different fish species and the physiological changes in fish thereafter. Experiments were conducted to investigate the fish transport rate and energy required to transport each ton of fish when transporting Carassius auratus, commonly known as the Chinese goldfish, Megalobrama amblycephala, or Wuchang bream, and Ctenopharyngodon idella, the grass carp. Fish were examined for external injuries as well as for several important enzymes and hormones which are indicators of tissue injury and stress. The results showed that the transport rate for all three species of fish rose dramatically with an increase in the primary stream rate. In this experiment, the transport rates of C. auratus, M. amblycephala and C. idella reached 2357 ± 37.2 kg ∙ h⁻¹, 2888 ± 41.6 kg ∙ h⁻¹, and 2060 ± 40.2 kg ∙ h⁻¹, respectively. However, both injury rate and energy required to transport each ton of fish increased no matter whether the primary stream rate was too low or too high. Considering both transport rate and injury rate, the mean primary stream rate of 80 m³ ∙ h⁻¹ was determined to be the optimal operating condition in this experiment. Fish were stressed and most likely some of their organs were damaged. However, most physiological indexes almost fully recovered after several hours.     

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。     

黄海秋季鱼类群落关键种的年代际变化

本研究基于1985、2001、2009和2018年秋季黄海渔业资源调查数据,构建了黄海鱼类群落食物网拓扑结构,分析了黄海鱼类群落关键种的年代际变化。结果显示,1985—2018年间,黄海鱼类食物网包含物种67~103个,摄食关系数量为300~449个,食物网拓扑结构密度范围为0.198~0.227,种间关联度为0.044~0.074,符合自然条件下的群落种间摄食关系。1985—2018年间,黄海秋季鱼类群落关键种为鳀(Engraulis japonicus)、黄鮟鱇(Lophius litulon)和小黄鱼(Larimichthys polyactis)。秋季黄海关键种并未发生变化,鳀为关键被捕食者,小黄鱼是控制群落离散变量的物种,两者的资源均出现衰退;黄鮟鱇作为关键捕食者,其相对资源量上升。1985—2018年间,秋季黄海优势种变化明显,由黄鮟鱇和银鲳(Pampus argenteus)转变为龙头鱼(Harpadon nehereus)、细纹狮子鱼(Liparis tanakae)和鳀;以重量和数量计算的丰富度指数(Rw和Rn)、多样性指数(H′w和H′n)逐步降低,2018年以后显著回升,均匀度指数(J′w和J′n)波动较小。研究表明,近30年秋季黄海关键种没有变化,但优势种变化明显,群落结构有波动,但仍处于较稳定状态。     

基于环境DNA metabarcoding的西轩岛近海鱼类多样性研究

鱼类多样性的保护对于生态系统的科学管理和资源的可持续利用至关重要。环境DNA metabarcoding技术的出现和应用为水生生物的调查与监测带来了强有力的技术革新。本研究以浙江舟山近海岛屿——西轩岛为例,设计了4个不同采样站位,先后于2019年2月(冬季)、5月(春季)和11月(秋季)共采集水样12个,通过环境DNA提取、扩增、高通量测序以及生物信息学分析,对西轩岛近海鱼类多样性进行了分析,同时评估了鱼类多样性的时空差异。结果显示,共监测到鱼类33种,隶属于12目26科32属,其中,鲈形目(Perciformes)种类最多,共19种,约占所有种类的57.6%。不同采样季节的多样性指数和均匀度指数均存在显著差异,表明季节可能是影响西轩岛近海鱼类多样性的因素之一。综合时间和空间分析的结果显示,在繁殖季节且远离舟山本岛一侧的采样点监测到的鱼种数量更多。通过比对之前传统渔业资源调查的结果发现,不同季节优势种存在较大变化,可能与采样点数量较少且集中有关。进化树富集结果显示,各季节的优势鱼种与传统调查手段的结果有较大差异,表明目前环境DNA仍不能完全替代传统调查方法,但可以将环境DNA方法与传统的调查方法相结合,以确保监测结果的准确性和可靠性。     

基于径向基函数(RBF)神经网络的红鳍东方鲀体质量预测

基于表型性状预测红鳍东方鲀体重时,由于不同表型性状间的自相关、部分性状和体重之间的非线性关系以及线性回归方法自变量间的共线性,结果导致预测误差过大。为了解决这一问题,根据人工神经网络(Artificial Neural Networks, ANN)建模原理,采用径向基函数(Radial Basis Function, RBF) 模型,利用72个红鳍东方鲀样品的生长数据, 通过最近邻聚类算法, 构建了基于RBF神经网络的红鳍东方鲀体重预测模型,并采用线性回归检验法对所构建模型的可信度进行检验。结果发现,基于RBF神经网络预测模型的拟合优度为0.992,接近于1,而线性回归模型的拟合度为0.949。这表明: 基于RBF神经网络方法构建的预测模型消除了线性分析中自变量的共线性问题, 比线性回归预测模型的拟合度提高4.53%,预测精度高于线性回归方法。基于RBF神经网络体重预测模型的构建,为利用表型性状精确评估红鳍东方鲀的体重提供了一种新的方法。