Research progress on fish farming monitoring based on deep learning technology
-
摘要:
鱼类养殖是通过人工方式在水中养殖各种鱼类的经济活动。鱼类养殖可以在淡水、海水或者盐碱水环境中进行,通过各种监测技术和设备来培育和管理鱼的生长和繁殖。传统的鱼类养殖监测方法存在效率低和准确性差等问题。近年来,基于深度学习的视觉技术的发展为鱼类养殖监测提供了新的解决方案。该文阐述了基于深度学习的视觉技术在鱼类养殖监测中的应用,并从鱼体测量、鱼类计数、鱼类摄食、鱼类游泳行为和鱼病诊断5个方面分别对研究进展进行梳理。在此基础上总结了鱼类养殖监测在数据采集与传输、建立鱼类养殖监测数据集、超规模参数模型、终端监测设备边缘计算、数字孪生、智能监测业务化应用不足等问题和展望,旨在为深度学习在鱼类养殖监测中的推广应用提供科学参考。
Abstract:In recent years, with the rapid development and expansion of the global aquaculture industry, and the continuous enlargement of aquaculture farms, the industrialization, intelligence, and informatization of aquaculture have become a trend in the industry. China has become the largest producer of fisheries and aquaculture. Fish farming is an important component of aquaculture, and fish farming monitoring has become an important technology to enhance the efficiency, production, and management of fish farming. Fish farming monitoring can provide real-time and accurate data for farms, assisting farm managers in making decisions to improve efficiency and production. With the emergence of artificial intelligence technology in recent years, deep learning has rapidly developed and been widely applied in various fields such as image and audio recognition, natural language processing, robotics, bioinformatics, chemistry, and finance. The monitoring of fish farming focuses on the quantity, growth, behavior, and health status of fish. Using deep learning technology, we can quickly and accurately obtain information related to fish farming and enhance its efficiency and management. This paper presents a deep learning-based method for fish farming monitoring and reviews the literature progress in fish length measurement, fish counting, fish feeding, fish swimming behavior, and fish disease diagnosis. Although deep learning-based fish length measurement has achieved high accuracy in underwater environments, some errors still exist. The counting methods based on deep learning can be categorized into segmentation counting, detection counting, tracking counting, and density regression counting. Deep learning models based on video data have higher accuracy in recognizing fish feeding behavior than image-based models. There have been many studies on fish tracking, but practical applications still face challenges such as fish feature extraction, the influence of fish size and obstructions, and occlusion issues. In fish disease diagnosis, it is necessary to establish standardized and shared fish disease datasets and utilize data fusion, data level information fusion, feature level information fusion, and decision level information fusion. This article also summarizes the main problems of deep learning-based visual technologies in fish farming monitoring from the aspects of monitoring data acquisition and transmission, dataset standardization and processing, deep learning model design, and the lack of business application in fish farming intelligent monitoring. The problems in data acquisition include a limited variety of experimental subjects, a small number of samples, and poor performance of experimental equipment. In the data transmission process, there are challenges in data security and real-time transmission. In terms of datasets, there is a low level of standardization and a lack of large-scale unified datasets. There is also a lack of research on large models and embedded models in deep learning model design. Furthermore, there is a realistic problem of insufficient business application in practical settings. The paper also proposes future research directions, including establishing fish farming monitoring datasets, super-scale parameter models for fish farming, edge computing for terminal monitoring devices, and digital twinning in fish farming monitoring, aiming to provide scientific references for the widespread application of deep learning in fish farming monitoring.
-
Keywords:
- deep learning /
- fish farming /
- fish body measurement /
- fish counting /
- fish swimming /
- fish feeding /
- fish disease diagnosis
-
0. 引 言
人们在水中养殖各种鱼类,旨在满足不断增长的人口对蛋白质需求[1],是一种重要的农业产业。为了提高鱼类养殖的效率和管理水平,鱼类养殖监测成为一项重要的技术。鱼类养殖监测涵盖了大规模的鱼类养殖场和鱼类养殖设施,包括渔池[2]、网箱[3]和养殖塘[4]等。监测内容主要包括鱼类养殖数量、生长状况、行为活动、健康状况等。鱼类养殖监测可以为养殖场提供实时、准确的数据,辅助养殖场管理者做出决策。传统的鱼类养殖监测方式需要人工操作和观察,工作量大且耗时耗力,其结果可靠性不高,精确度受限[5],特别是对鱼类的数量、生长状态、健康状况等关键指标的监测,无法提供实时的监测结果,难以及时发现和处理养殖过程中的问题[6]。解决上述问题,需对鱼类养殖监测进行数字化、智能化研究,完善高精度、高可靠、实时性的养殖监测管理[7]。
现有综述中,有学者总结了计算机视觉在鱼类智能投饵系统中的应用[8]、水产养殖中的自动计数方法[9]、鱼类行为智能识别方法研究进展[10],其综述内容分别侧重于鱼类智能投喂、水产养殖自动计数、鱼类行为识别分析等领域,未能覆盖鱼类养殖监测其他方面,如鱼体测量、鱼类健康等。也有学者总结了机器学习在智能鱼类养殖中的应用[11],其重点关注了传统图像处理方法向深度学习方法转变过程,并对未来发展趋势进行展望。自此之后的鱼类养殖监测方法相关研究越来越多地集中于深度学习方法。基于深度学习的水产养殖综述[12]表明了深度学习在水产养殖中的重要用途和应用前景,从以上综述中可以看出深度学习技术在鱼类养殖中的研究越来越广泛,但是对于深度学习技术在鱼类养殖监测中的研究进展缺乏系统的概述。
本文对近年来深度学习技术在鱼类养殖监测领域的应用进行综述。通过对相关文献的整理和分类总结,梳理深度学习在鱼体测量、鱼类计数、鱼类摄食、鱼类游泳行为、鱼病诊断等方面的研究内容和方法。总结了目前研究普遍存在的问题并进行展望,旨在为深度学习在鱼类养殖监测中的应用提供参考,并为相关工作者提供进一步研究的方向和思路。
1. 基于深度学习技术的鱼类养殖监测方法
深度学习是利用多层神经网络来学习和表示数据的高层抽象特征。深度学习模型的突出特点是具有自动学习特征的能力,能够从大量的数据中提取重要的特征[13]。深度学习被广泛应用于计算机视觉[14]、自然语言处理[15]、语音识别[16]等。从应用层面来看,深度学习在处理计算机视觉任务时通常需要遵循一系列步骤(图1)。其中每个步骤都具有其重要性,以确保模型的准确性和性能达到最佳水平。
在鱼类养殖监测中,深度学习技术的应用能够实现精确全面的鱼类监测,为鱼类养殖业的发展提供支持[17]。深度学习作为计算机视觉领域的重要技术,通过完成分类、检测、跟踪和分割四大基本任务,为鱼类养殖监测中的鱼体测量、鱼类计数、鱼类摄食、鱼类游泳行为以及鱼病诊断等提供了技术手段,为鱼类养殖管理和健康监测提供了创新、高效的解决方案(图2)。
1.1 图像分类
图像分类是指神经网络模型通过给定的图像数据将其自动分为不同的预定义类别。深度学习中常用的图像分类方法是卷积神经网络(convolutional neural networks,CNN)。CNN 是一种专门用于处理具有网格结构数据(如图像)的神经网络模型[18]。卷积层是CNN的核心组件,它通过卷积操作在图像上提取特征。卷积操作使用一组可学习的滤波器(也称为卷积核)与图像进行滑动窗口运算,从而在每个位置上计算出一个特征映射。利用CNN网络可以快速、准确地对多鱼种养殖场景下的鱼类进行识别(图3)。
利用CNN网络可以快速准确地对养殖场景下的鱼类进行识别。蔡卫明等[19]构建了用于鱼类识别的CNN模型,在自制的7993个样本数据集上取得了96.56%的准确率,实现了5种常见鱼的鱼种分类。贾宇霞等[20]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,通过固定ResNet-50预训练模型的卷积1层和卷积2层参数,并将融合分割图的原始图像作为网络输入,该方法在公开的Fish4Knowledge数据集平均识别精度达到99.63%,在识别精度和效率上均具有较大优势。基于CNN网络的养殖鱼类图像分类任务已经取得了较为理想的结果。为了进一步提高CNN网络的性能,研究者们还提出了许多优化策略和技术,如深度可分离卷积、残差连接、注意力机制等。GONG等[21]基于Transformers和迁移学习技术构建了Fish-TviT神经网络模型,在低分辨率海水鱼数据和高分辨率淡水鱼数据上分别取得了94.33%和98.34%的准确率,与传统卷积神经网络相比具有更好的准确率。
对于养殖鱼类的图像分类任务,未来的研究应注重于如何获得更多的鱼类图像,并提出新的数据增强技术,以增加数据的多样性。鱼类物种分类任务涉及多个层次的信息,如外观特征,行为特征和环境特征。多任务学习方法可以尝试同时学习不同的任务,以提高鱼类分类的准确性和鲁棒性。
1.2 目标检测
深度学习中的目标检测是指在图像或视频中自动识别和定位多个目标的任务。与图像分类不同,目标检测不仅需要确定图像中是否存在目标,还需要准确地定位和框定每个目标的位置(图4)。目标检测方法可以分为两类:单阶段目标检测和两阶段目标检测。单阶段目标检测方法是指直接在图像上密集地预测目标的类别和位置。单阶段方法的代表性模型包括YOLO (you only look once)和SSD (single shot multibox detector)。两阶段目标检测方法是先通过一个区域提议网络(region proposal network,RPN)生成候选目标框,再通过分类器对每个候选框进行分类和定位。
目标检测能够快速和准确识别并定位目标养殖鱼类,为鱼体测量、鱼类计数、鱼类投喂等具体应用场景提供技术支持。张胜茂等[22]使用SSD_ Mobilenetv1模型在涉及80种鱼类1620张图片的数据集上进行鱼类目标检测,准确率达到92.59%,目标检测平均时间为40 ms,实现了水族馆鱼类快速识别、多鱼类目标实时检测。MONKMAN等[23]在ResNet 101、NasNet、MobileNet三种网络模型基础上添加R-CNN作为检测头,在测试集上的平均交并比达到93%,检测到的鱼体长度的平均相对误差为2.2%,试验结果表明该方法准确率较高且具有一定的鲁棒性。张璐等[24]提出了一种基于多尺度融合与无锚点YOLOv3(MSF-NA-YOLO v3)的鱼群计数方法,在真实的鱼群数据集上测试的准确率为96.26%,其准确率、召回率、F1值相较于YOLOv3、YOLOv4、ResNet + CenterNet的群计数方法均有提升,该方法能够处理复杂背景、多尺度鱼群图像计数问题。
两阶段方法和单阶段方法在目标检测任务中各有优势和适用场景。单阶段方法适合快速和实时的目标检测应用,而两阶段方法更适用于需要更高的检测精度的任务。多数目标检测网络算法都需要依赖检测框生成和非极大值抑制过程。由于水下环境的复杂性,如光照条件不佳、水质浑浊等因素,导致采集到的鱼类图像清晰度低,这对目标检测算法提出了更高的要求。结合声学传感器和光学摄像机的技术,可以在不同的环境条件下实现更准确的鱼类检测,能降低光照和水质的影像。
1.3 目标跟踪
深度学习中的目标跟踪是指在视频序列中实时追踪一个物体的位置和运动。与目标检测不同,目标跟踪需要在连续的帧中根据物体的外观和运动模式来跟踪目标(图5)。
基于深度学习的目标跟踪在鱼类养殖领域取得了显著进展,滤波与深度特征结合的目标跟踪方法可以减少跟踪偏差和不稳定性,以提高鱼类跟踪的准确性和稳定性。赵海翔等[25]验证了基于YOLOv8和Bytetrack的多目标跟踪方法在斑马鱼视频中的有效性,算法追踪精度达到90.26%,可实现精确识别和跟踪。端到端目标跟踪方法直接从图像序列中提取鱼类的特征并进行跟踪,避免了传统跟踪算法中的特征设计和跟踪模块的独立训练。LI等[26]提出了一种多目标鱼类视频跟踪模型CMFTNet,该模型在OptMFT数据集上进行了测试,达到了65.5%的多目标跟踪精度(multi-object tracking accuracy)和27.4%的识别ID F1分数(ID F1 score)。此外,目标检测跟踪是利用深度学习算法进行目标检测,并结合跟踪算法,实现对鱼类的实时跟踪。连体神经网络法是一种通过将多个神经网络连接起来,实现对多个鱼类同时进行跟踪的方法。通过对每个鱼类的位置和特征进行建模,连体神经网络可以准确地跟踪鱼类的运动,并提供关于群体行为的有价值信息[27]。
目标跟踪在鱼类养殖监测应用的挑战在于鱼的尺寸较小且存在大量的干扰物。为了提高鱼类的可识别性和长期追踪能力,可以考虑引入迁移学习和对抗学习等技术。通过迁移学习,可以增强特征提取的有效性,从而提高鱼类目标的识别性能。同时,对抗学习可以应用于跟踪网络的框架中,使其更加专注于全局信息,并能够解决短暂目标遮挡丢失ID的问题。通过与CNN等能力较弱的模型相结合,基于Transformer的方法能够开辟更广泛的研究思路。
1.4 图像分割
深度学习中的图像分割是指将图像中的每个像素分配到不同的语义类别,从而实现像素级别的精细标注。图像分割旨在获得每个像素的语义信息,而不仅仅是确定整个图像中存在的物体类别(图6)。深度学习中的图像分割方法主要包括语义分割和实例分割。语义分割旨在将图像中的每个像素分配给预定义的语义类别。实例分割旨在将图像中的每个像素分配给不同的目标实例,即将每个目标实例分割成独立的区域。与语义分割不同,实例分割需要对每个目标实例进行区分和定位。
2017年Mask R-CNN(mask region convolution neural network)被提出,许多学者基于此方法进行养殖鱼类图像分割的研究工作。郭奕等[28]提出了融合 SimAM 注意力机制的SA-Mask R-CNN 模型,SA-Mask R-CNN 网络结合二次迁移学习方法在具有真实养殖环境特点的自建数据集上的交并比为93.82%,分割效果优于 SegNet 和U-Net++。王禹莎等[29]开发出一种基于Mask R-CNN的鱼类图像分割和表型性状测量的装置,试验结果表明Mask R-CNN算法在体长与体高性状预测方面的准确性分别为 96.55% 和 96.71%。YU等[30]提出了一种基于注意力的全卷积实例分割网络来提取鱼类轮廓特征,较Decoupled-SOLO网络相比平均精度(map,mean average precision)值提高了2.6%。 YANG等[31]提出了一种基于语义分割算法的鱼群摄食行为量化分析方法,结果证明在鱼类饲养数据集上的平均交并比(MIoU,mean intersection over union)为79.62%,该方法为鱼类摄食研究提供了支持。
图像分割方法对于鱼类养殖监测研究具有重要意义,但真实养殖环境较为复杂,且鱼群存在重叠或者部分遮挡或具有相似的外观,这使得图像分割任务变得更加困难;在数据集构建中,需要对目标进行像素级标注,在数据集较大时会有不小的工作量;并且一些图像分割算法在处理未见过的图像时可能无法得到准确的分割结果。
2. 深度学习在鱼类养殖监测中的应用
2.1 鱼体测量
为了提高鱼类养殖质量和效率,优化渔业资源管理,养殖人员常需要在不同生长阶段监测鱼类的体长等参数,为优化投饵量和鱼类分级提供决策依据[32]。手工接触式测量是传统的鱼类体长测量方法,其操作过程需要大量人力参与,容易引入操作失误等主观因素,导致测量结果的可靠性低[33]。此外,长时间脱水环境会对被测鱼类造成物理损伤,引发神经兴奋、食欲减退等生理应激反应,甚至造成鱼体死亡[34]。基于深度学习的鱼体长度测量技术不断创新,推动鱼类养殖模式向精细化、智能化和集约化方向演变。
基于深度学习的鱼体长度测量按照测量方式可以分为二维测量和三维测量(图7),相关研究较多(表1)。对于二维测量(图7a),该方法首先需要通过深度学习模型对鱼类图像进行识别或分割,将鱼体区域从图像中提取出来。然后,基于提取的鱼体区域,利用相关的特征提取模块,可以预测出鱼体的长度。它适用于大规模鱼类图像数据的处理和分析。二维测量方法进一步细分为水外和水下两种方案,其优势和劣势如表1所示。基于三维测量(图7b)的立体视觉技术,可以有效避免迫使被测鱼类进入指定位置,并且通过提供深度信息来准确测量自由游动的鱼类体长[35]。基于深度学习的方法可以结合三维成像技术,如三维扫描、多视角立体匹配、三维重建、三维点云等,对鱼体进行全面的三维重建和测量。
表 1 鱼体长度测量方法对比Table 1. Comparison of fish length measurement methods测量方式
Measurement文献
Literature种类
Type方法
Method评价指标
Evaluation优点
Advantages缺点
Disadvantages二维
Two-dimensional水外
Out of waterÁLVAREZ等[5] 欧洲鳕鱼 Mask R-CNN 0.92 3 水外环境中的背景干扰相对较少,测量精确度高 脱水环境会对鱼体造成一定损伤 MONKMAN等[23] 欧洲鲈鱼 NasNet, ResNet-101,MobileNet 0.93 2 PALMER等[36] 旗鱼 Mask R-CNN 0.86 1 TSENG等[37] 金枪鱼、旗鱼、鲨鱼 CNN 0.96 1 CHUANG等[38] 圆鳍金鲳 Mask R-CNN 0.97~0.99 1 YU等[39] 银鱼 Improved U-net 0.97~0.99 1 水下
UnderwaterGARCIA等[40] 绿青鳕、蓝鳕、青花鱼、黑腹亮乌鲨、挪威狭鳕、大西洋鲱鱼、许氏平鲉 Mask R-CNN 0.58~0.90 2 无损、实时测量 图像质量通常较差,可能存在噪声、颜色偏差等问题 RICO-DÍAZ等[41] 欧洲鲈鱼、鳟鱼、
多锯鲈Hough algorithm, ANN 0.74 1 三维
Three-dimensional水下
Underwater李艳君等[42] 花鲈 Mask-RCNN 0.88 1 能够获得更多维度信息 运算量较大,对设备要求高 周佳龙等[43] 红鳍东方鲀 SOLOv2 0.88 5 UBINA等[44] 金鲳鱼 CNN 2% 4 注:1精确度;2交并比;3皮尔逊相关系数;4相对误差;5R2。 Note:1Accuracy;2IoU;3Pearson correlation;4Relative error;5R2. 目前,基于深度学习的鱼体长度测量在水外环境已经取得了较高的准确度,但仍然存在一定误差[23]。大多数的二维测量方法需要在受控条件下完成[40]。三维测量方法适用于鱼类单体长度的测量[43],这种方法能够提供更准确的测量结果。然而,由于三维测量具有较大的计算量,对于大规模的测量需要更多的时间进行处理。在鱼体长度测量中,鱼和相机之间的真实距离会随着鱼体轮廓的变化而改变,这导致每个像素都有一个不同的转换因子与之相关联。另外由于防水相机的径向畸变更为明显,在应用中需要进行适当的修正补偿镜头畸变。因此,在鱼体长度测量中,准确地转换像素长度和补偿镜头畸变是至关重要的步骤[23]。
2.2 鱼类计数
鱼类计数是鱼类养殖中最常见和最重要的实践之一。目前,估计鱼类生物量的方法主要依赖于人工采样,这种方法会对鱼体造成损害,且耗时费力。早在1995年便有学者进行基于深度学习的鱼类计数研究,NEWBURY等[45]利用人工神经网络实现鱼群计数,最佳准确率可达94%,证明了人工神经网络对于实现鱼群计数任务具有良好效果。但人工神经网络需要在模型训练前将二维图像转化为一维向量,导致图像空间信息丢失和模型训练参数量大两个明显问题。自 2012年AlexNet成功运用于视觉任务中,基于卷积神经网络的深度学习研究开始不断改进创新,实现在各个领域的广泛应用。鱼类计数也因卷积神经网络的发展逐渐出现了图像分割计数、检测计数、跟踪计数和密度图回归计数等方法(图8)[46]。
基于深度学习的计数方法,可以概括为4种(表2):分割计数(图8b)方法通过对鱼群图像进行像素级别的分割,将每个鱼体分离出来,并通过计数分割后的鱼体数量来实现计数。检测计数(图8c)通过使用目标检测算法,如基于深度学习的卷积神经网络,来检测图像中的鱼体,并统计检测到的鱼体数量。跟踪计数(图8 d)方法主要在视频序列中使用,对鱼体进行连续跟踪,并根据跟踪目标ID来计数。密度图回归计数(图8e)方法通过训练密度估计模型,将整个鱼群图像映射为密度图,从而实现计数。
表 2 鱼类计数方法对比Table 2. Comparison of fish counting methods方法
Method文献
Literature种类
Type算法模型
Algorithm model评价
Evaluation优点
Advantages缺点
Disadvantages分割计数
Partition countDITRIA等[47] 三尖鱾 Mask R-CNN 0.88~0.92 2 计数精度高,可通过长度形状等辅助计数 算法复杂度高,受遮挡影响较大 检测计数
Detection countZHAO等[48] 斑岩鲷 YOLOv4 0.95 1 计算速度较快、精度较高 存在误检和漏检的问题,受遮挡影响较大 CORO等[49] 金枪鱼、鲨鱼 YOLOv3 0.65~0.75 1 跟踪计数
Trace countTANAKA等[50] 金枪鱼 YOLOv3-DeepSORT 0.89 1 实时追踪鱼类数量变化 通用性较差 洪宇等[51] 暗纹东方鲀 YOLOv4-DeepSORT 0.91 1 密度图回归计数
Density regression countZHOU等[52] 鲤鱼 CNN 13.7% 3 适用于大规模鱼类群体的计数 密度波动较大导致计数误差较大 王金凤等[53] 鱼苗 CSRNet 0.9 1 注:1精确度;2平均精确率; 3平均误差。 Note:1Accuracy;2 Mean average precision,map;3 Mean error. 鱼类计数是种群评估和养殖规划的关键步骤。基于深度学习的自动计数方法可以减少计数成本和时间,并且避免了人为误差的出现。但由于图像处理技术、硬件设备和视觉原理等条件的限制,水下动物自身运动遮挡、生活习性和水下环境复杂等问题的影响,使得深度学习技术在鱼类计数中的研究与实际使用还存在一定不足和局限性。由于鱼类养殖数据集的采集环境复杂、标注工作量大等问题使得开源数据集较少;高密度群体相互遮挡将会导致计数准确率降低,密度图回归计数通过对鱼群空间密度分布进行积分计数可以有效解决高密度群体的遮挡粘连问题,但密度图的生成容易受到原始图片中无关元素的干扰,而且目前对于密度图是否能够正确反映群体的空间分布缺少研究;基于视频帧的跟踪计数方法则会由于多个目标轨迹交叉切换导致重复计数或少计数等问题,提高密度图估计的准确性与跟踪算法的轨迹稳定性研究是未来解决高密度群体互相遮挡问题的一个重要研究方向。
2.3 鱼类摄食
鱼类摄食是重要的鱼类行为研究。在鱼类养殖中,饲料成本是主要的养殖成本,一般占养殖总成本的40%~80%,直接影响养殖经济效益[54],在投喂过程中,投喂过量会造成饵料浪费,增加养殖投入产出比,过多的剩余饵料也会污染水质,造成水体富营养化[55],投饵过少会减缓鱼的生长速度,导致鱼个体大小不一,甚至可能引发鱼群的攻击行为。基于深度学习的智能投喂策略是该领域的重点研究之一,深度学习与计算机视觉结合已被证明是鱼类养殖智能投喂的有效方法[56]。
基于深度学习的鱼类投喂相关研究涉及鱼类摄食强度和鱼类摄食行为,其中鱼类摄食强度的研究分为对鱼类进食情况的直接分析和对剩余饲料量的间接分析,目前基于深度学习方法主要针对前者进行研究,在投喂过程中,由于部分鱼类抢食现象严重,会出现饲料被鱼体和飞溅的水花遮挡、饲料重叠和粘连等现象[57]。此外,水体能见度范围有限、光照不均匀等原因也会导致较差的水下成像质量。鱼类摄食行为的研究可以帮助了解摄食习性、监测鱼类进食表现,鱼类摄食行为的研究为改进智能投喂策略提供了重要的参考。通过深入了解鱼类的摄食习性、监测摄食行为,可以实现更精准、高效、经济的智能投喂,从而提高养殖效益并降低养殖成本(表3)。
表 3 鱼类摄食行为比较Table 3. Comparison of fish feeding behavior类别
Category相关文献
Literature年份
Year数据集划分类别
Dataset classification方法
Method评价指标
Evaluation摄食强度
Feeding intensityZHOU等[56] 2019 无、弱、中、强 4 个类别 LeNet5 0.9 1 朱明等[58] 2021 饥饿、非饥饿2个类别 MobileNetV3-Small 0.99 2 UBINA等[59] 2021 无、弱、中、强 4 个类别 3D CNN 0.95 1 IQBAL等[60] 2022 饥饿、正常2个类别 CNN 0.98 1 冯双星等[61] 2023 无、弱、中、强 4 个类别 S3D 0.92 1 摄食行为
Feeding behaviorMÅLØY等[62] 2019 未摄食、摄食2个类别 DSRN 0.8 1 张佳林等[63] 2020 未摄食、摄食2个类别 VAE-CNN 0.98 1 YANG等[64] 2021 喂食前、惊吓行为、喂食开始、喂食行为和喂食后5个类别 DANet-EfficientNet-B2 0.89 1 ZHANG[65] 2022 未摄食、摄食2个类别 MobileNetV2-SENet 0.97 2 注:1准确率;2 F1得分。 Note:1Accuracy;2 F1-scoure. 基于视频数据的深度学习模型在识别鱼类摄食行为方面具有比图片模型更高的准确性。要实现基于视频的鱼类摄食行为识别,提高模型的运行速度和减少参数量是关键问题。尽管实验室养殖环境的研究结果良好,但在真实养殖环境中,鱼类摄食行为的识别面临来自水体环境、光照、温度和人类活动等复杂因素的挑战。此外,鱼类智能投喂的实现也面临障碍。在不同的养殖环境和鱼类品种中,需要建立独立的投喂模型,这增加了人力成本,并且投喂决策算法模型的适用性较差。在建立投喂模型的过程中,还需要解决大量数据处理和设备可靠性的问题。因此,进一步的研究应该针对这些问题提出解决方案,以推动基于视频的深度学习模型在鱼类养殖智能监测和投喂方面的应用。
2.4 鱼类游泳行为
鱼类可以对光照[66]、水质[67]、育种密度[68]和水流[69]等某些外部刺激做出一系列行为反应。鱼类的游泳行为是它们主要的行为反应方式。例如,一些鱼类在面对高或中等光密度时会向不同的方向游动得更快、更不规则,并且表现出强烈的攻击接触行为[70];而在低光密度下,鱼类通常会降低攻击接触行为的频率,并且会减少游泳行为[71]。上文中描述鱼类游泳行为中使用了“更快”、“更不规则”、“攻击接触”等用词来描述鱼的游泳行为,但对于将这些行为分类为正常与异常行为来说仍然具有挑战性。在鱼类游泳行为的研究中基于深度学习的方法能够通过训练神经网络来自动识别分析鱼类游泳的游泳速度、转弯速度、旋转角度等游泳行为指标和惊吓、缺氧、低温等游泳异常行为,揭示鱼类的行为特征和习性[72]。通过监测鱼类游泳行为,养殖者可以获得关于鱼类健康状况、环境适应性等方面的有价值的信息(表4)。
表 4 鱼类游泳行为研究Table 4. Study on fish swimming behavior鱼类游泳轨迹跟踪技术在鱼类养殖监测中扮演着重要作用,能有效地提供有关鱼类行为的重要信息。这种技术能够实时关注鱼类的活动,并及时发现各种异常行为。在科学研究和资源管理中,了解鱼类的行为对于评估种群健康、环境适应性和生态相互作用至关重要。计算机视觉作为一种非侵入性的方法,为鱼类跟踪提供了强有力的工具[77]。其跟踪原理是建立对连续视频序列中鱼类位置关系,从而得到鱼类完整的运动轨迹[78]。基于深度学习技术的鱼类游泳轨迹跟踪相关研究如表5所示。
表 5 鱼类游泳轨迹跟踪研究比较Table 5. Comparison of fish swimming tracking studies跟踪类型
Tracking type文献
Literature算法模型
Algorithm model种类
Type评价指标
Evaluation优点
Advantages缺点
Disadvantages目标检测跟踪
Object detection trackingBARREIROS等[79] YOLOv2 斑马鱼 0.99~1 1 能够准确定位和跟踪鱼类 在复杂环境中存在目标遮挡和漏检的问题 滤波与深度特征结合
Combining filtering with deep featuresMATHIAS等[80] DeepSORT-YOLOv3 23 种鱼类 0.96 2 提高跟踪鲁棒性和准确性 计算量较大速度较慢 端到端跟踪
End-to-end trackingLAI等[81] 3D CTN — 0.9 2 避免目标检测和跟踪两个独立步骤 在复杂背景和目标遮挡下表现可能不佳 连体网络
Conjoined networkWANG等[27] SiamRPN++ 斑岩鲷 0.76 2 能够处理多鱼类之间的相互作用和关联 训练复杂度高,对大规模数据要求较高 注:1准确跟踪率指数;2精确度。 Note:1 CTR(correct tracking rate index);2 Accuracy. 目前虽有许多鱼类游泳轨迹跟踪的相关研究,但实际应用中仍存在一些问题,如鱼类特征提取的问题,对于鱼类跟踪中鱼的尺寸大小、干扰物的影响、遮挡粘连问题等可以考虑引入迁移学习、对抗学习技术,提高特征提取的有效性;当前研究中几乎都针对于短期的鱼类跟踪问题,算法也只是对光照、尺度、模糊等某一个问题的针对性解决,缺少能够长时间跟踪、满足多因素影响下的鱼类跟踪算法;另外轻量型鱼类跟踪算法也是实际应用的必要条件,未来可以考虑将知识蒸馏、网络剪枝等技术引入算法中,构造一个结构简化、复杂度较低的目标跟踪网络模型。此外,还可以使用神经网络搜索方法获得兼顾低存储和高精度的模型结构。
2.5 鱼病诊断
为了追求养殖效益,鱼类养殖密度不断提高,这导致鱼类健康问题日益严重[82]。鱼类常见疾病的爆发会在短时间内导致大规模鱼类感染,进而导致大量鱼类死亡和水污染[83]。因此,为了保证鱼类的健康和安全,有必要开发现代、非破坏性、快速、实时和自动的鱼类疾病诊断技术。传统的鱼类疾病诊断方法主要基于专家系统,并在鱼类疾病诊断方面取得了进展[84]。但诊断的准确性和速度高度依赖于专家的经验。随着图像处理技术的快速发展,鱼类疾病图像的纹理、形状和颜色等特征可能成为疾病诊断的指标[85]。目前的鱼类疾病检测方法主要依赖于鱼类表面和内部组织的变化,养殖环境下的鱼类疾病数据可以通过水中图像和显微镜图像进行监测收集。
鱼类的表面提供了有关疾病感染的关键信息,相机图像可以利用鱼类表面产生的可见变化作为快速诊断的依据。鱼类经常受到各种物理、化学和生物应力的影响,这可能会损坏鱼类表面和内部组织,这对鱼类的健康有害,并可能导致鱼类疾病[86]。相机可用于在水中拍摄图像以检测鱼类疾病,主要适用于活体鱼的检测,不会对鱼身体造成任何伤害。而显微镜图像需要通过解剖鱼体来获取内部组织图像以进行疾病检测。基于相机图像的鱼类健康检测涵盖了鱼病诊断、表面损伤检测和水质检测;而基于显微镜图像的鱼类疾病检测主要用于检测死亡鱼类和鱼身体受损的情况。相关文献如表6所示。
表 6 利用图像进行鱼病诊断研究Table 6. Diagnosis of fish diseases using images图像类型
Image type类别
Category文献
Literature算法模型
Algorithm model准确率
Accuracy/%优点
Advantages缺点
Disadvantages相机图像
Camera image鱼病诊断 LOPES等[87] ANN 97% 数据获取相对容易,适用于活体检测、对鱼体损害较小,应用范围广 受设备成像精度影像大,无法捕捉细小病原体 KUMAR等[88] FAST-PCA-NN 86.0% 损伤检测 XU等[89] CNN 91.6% 水质检测 孙龙清等[90] G-RepVGG 97.63% 显微镜图像
Microscope image鱼病诊断 MOHAMED等[91] ORB-LDA-DT 87.5% 更高的放大倍数和更高的分辨率,对特定细胞或病原体进行标记观察 视野范围较窄、成本较高 鱼类疾病的多样性和异质性增加了诊断的难度,同时也增加了在复杂水下环境中进行诊断图像获取的难度。根据目前的实际情况,未来鱼类疾病诊断研究的重点是要提高获取图像的质量以及鱼类疾病的三维建模,可以基于3D图像来检测鱼体的位置,并解决图像中鱼病的重覆盖的问题。使用3D图像构建AR模型,以允许鱼病专家参与诊断,从而提高诊断的准确性。同时建立标准和共享的鱼病数据集,还要利用数据融合、数据层信息融合、特征层信息融合和决策层信息融合。结合多参数传感器所获取的信息,同时通过检测体表、行为和内部组织,提高诊断的准确性。
3. 鱼类养殖智能监测中存在的问题与展望
3.1 监测数据采集与传输
采集高质量的试验数据是深度学习研究中不可或缺的环节。采集试验数据的过程涉及试验对象、采集设备、试验场景等。首先需要确定试验对象及其特性,当前试验对象的选取集中在经济价值或研究价值较高的一些鱼类,但不同品种、不同数量的鱼类可能有不同的行为模式、特征和生长规律;其次数据采集设备的选择与性能也会对试验数据的质量产生影响。目前应用于拍摄的设备主要是光学相机,根据光学相机的图像采集原理又分为单目多光谱相机、双目多光谱相机、单目近红外相机、单目高光谱相机四类。不同设备在分辨率、感知范围和光照条件等因素方面表现各有优异(表7)。当前大多数研究所使用的数据采集设备为单目多光谱相机,其具有简单快捷、成本低、容易操作、灵活性较高等优点,但同时也存在感知范围受限,无法解决大量遮挡,受光照影响较大等缺点。跨摄像头多目标跟踪能够融合多个摄像头的信息,实现特征传递和轨迹关联,可以将跨摄像头之间的多个目标在多个监控区域下联合跟踪,对现实复杂场景实时监控具有重要意义[92]。在养殖场景方面,当前数据采集场景集中于陆地养殖中的池塘循环水养殖和工业循环水养殖,虽然能够更为方便地拍摄到数据,但由于其养殖空间有限,使得高密度鱼群遮挡问题尤为突出,且部分养殖环境昏暗需要人为补光来增加光照强度;深水网箱的鱼类养殖方式能够给鱼类提供更好的养殖环境,但其养殖环境水质复杂且水较深,给试验数据的采集增加了困难,往往需要借助无人艇、水下机器人等硬件辅助进行数据采集。
表 7 光学相机分类表Table 7. Classification of optical cameras光学相机类型
Optical camera type优点
Advantages缺点
Disadvantages适用环境
Applicable environment单目多光谱相机
Monocular multispectral camera较高的分辨率,能够捕捉不同波长的光谱信息,
相机体积较小灵活性高单相机感知范围受限,受光照不足或强光限制 水上环境
水下环境双目多光谱相机
Binocular multispectral camera增加深度信息,感知范围
增大需要对图像配准和相机校准,数据处理较复杂 单目近红外相机
Monocular near-infrared camera可以捕捉人眼看不到的红外信息,在暗光条件下更能增强对比度 分辨率较低,成本较高 单目高光谱相机
Monocular hyperspectral camera能捕捉更宽波段光谱信息,具有更高的空间分辨率 成像速度慢,数据处理复杂 在鱼类养殖智能监测模型的应用方面涉及监测数据的传输问题。目前数据传输的方式分为两种,分别是可移动设备传输和网络传输,由于可移动设备传输方式在多个监测点同时进行监测时,难以实现实时的数据同步和整合分析,并且人工将设备从监测位置带到数据处理终端,增加了操作时间和成本,同时数据传输的速度较慢,尤其是对于大容量的高分辨率监测数据,需要较长的时间进行传输。所以目前主要通过网络进行即时传输数据,使得数据处理终端能够及时获取最新的监测数据进行分析和决策,通过网络传输可以远程实现监测数据的获取和传输,提高了操作效率,但在多个摄像机监测、高分辨率数据采集等情况下,网络带宽可能限制数据传输的速度和稳定性,此外依赖于网络传输,可能受到数据泄露、窃取或篡改的风险。因此需要将监测数据在设备终端进行处理后以结果的形式返回或直接作为下一步输入是必要的改进措施。
3.2 建立鱼类养殖监测数据集
数据集是深度学习模型训练的关键,模型使用效果的好坏及适用范围很大程度取决于数据集的质量。由于鱼类养殖受环境因素和生物特征的综合影响,现有数据集无法提供全面准确的监测信息。在深度学习技术的应用中,缺乏针对鱼类养殖监测的大规模标注数据集。需要收集来自不同鱼类养殖系统的多源数据,包括鱼类疾病数据、鱼群行为数据、生长指标数据等。根据养殖鱼类监测需求,设计并实施数据采集方法,确保数据的准确性和多样性。进行数据预处理,包括数据清洗、特征提取和标注等,以确保数据的可用性和可解释性。建立养殖鱼类监测数据集,并提供开放访问,以促进学术界和产业界的研究和应用。
3.3 鱼类养殖超规模参数模型
在处理多个鱼类养殖监测任务时,多个模型的使用可能导致影像数据重复处理问题。这种重复处理会造成计算资源的无效利用且降低数据处理的效率。需要设计高效的数据共享和整合机制,以确保监测数据在多个模型之间的一致性和准确性,减少重复计算并优化计算资源利用。目前深度学习领域大模型已经逐步落地应用,大模型是解决多模态大规模数据集的方法之一,目前对于鱼类养殖监测领域的大模型研究处于空白阶段;大模型通过增加模型的深度和宽度,可以更好地挖掘鱼类养殖数据中的隐含特征和模式,从而提高监测模型的准确性和鲁棒性。超规模参数模型能够有效地处理大规模数据,提高模型的容量和表达能力,从而更好地捕捉到鱼类养殖数据中的细微变化和复杂关联。鱼类养殖监测涉及到多种数据源,如视频、音频和图像。利用多模态数据的特点,可以更全面地描述鱼类养殖环境和养殖对象的多个方面,从而提高监测的精度和全面性。
通过多模态数据的融合,如鱼体形态、光谱特征和声学信号等,超规模参数模型可以提取出更丰富的鱼体特征,并建立准确的回归模型来预测鱼类的生长状态。这种非侵入性测量方法不仅可以节省时间和成本,还能够实时监测鱼类生长的变化趋势,提供科学依据来调整饲养策略。超规模参数模型能够对鱼类养殖监测多数据源进行充分特征提取,通过数据共享整合机制提高数据处理效率,也能处理部分鱼群遮挡等问题,能够为鱼类计数、鱼类饲养、鱼病诊断提供更为可靠的技术支撑。
3.4 终端监测设备和边缘计算
在数据传输困难的养殖环境如近海新型网箱养殖、深远海设施养殖中需要对数据进行实时处理以便对养殖鱼类进行更高效的管理。通过将深度学习模型和算法部署到边缘设备上,可以实现更快速的实时数据处理和智能决策[93]。通过实时分析摄像头或传感器捕获的数据,边缘设备可以及时检测鱼类的行为、健康状况等指标;同时,边缘计算允许数据在本地进行处理和存储,减少了数据传输到云端。边缘计算和深度学习的结合可以实现对养殖环境的实时调节和智能优化。通过对监测数据进行分析和预测,边缘设备可以根据具体情况调整饲料投放、温度控制等因素,提高养殖效益和资源利用率。边缘计算还可以实现设备之间的联动和协同工作,提高鱼类养殖监测的整体效能。多个边缘设备可以共同进行数据收集、处理和分析,形成一个分布式的监测系统,能够提高整体的鲁棒性和可扩展性,更好地适应复杂的养殖环境。
3.5 鱼类养殖监测数字孪生
在鱼类养殖监测中,数字孪生技术可以提供实时、精确、非侵入性的监测方法,有助于提高养殖效率、改进鱼类生长和健康管理。数字孪生模型通过对深度学习鱼类养殖监测的多维度信息数据进行建模与仿真,用数字化方法模拟出副本,反映出实际鱼类养殖场的运行状态,帮助决策者从全局化的角度进行数据分析、预测和优化。例如通过观察和分析不同因素对鱼类生长的影响,如水质参数的变化、饲料投放量的调整等。决策者可以基于模型的输出结果,进行数据预测未来几个月内鱼类的生长情况、养殖成本等。数字孪生技术还可以用于鱼类疾病的早期预警和诊断。通过监测鱼类的生理参数、行为特征和周围环境数据,帮助识别和分析鱼类潜在的健康风险因素。数字孪生模型还可以帮助决策者进行优化。通过模型的建模和仿真,决策者可以尝试不同的策略和方案,如调整饲料投放量、改善水质参数、优化养殖环境等,以达到更好的运营效果和经济效益。
3.6 鱼类养殖智能监测业务化应用不足
当前基于深度学习技术的鱼类养殖监测的相关研究很多,但大多处于实验创新阶段,部分研究虽然数据取自实际鱼类养殖场景中,但训练好的模型在实际养殖场景中缺乏测试,仅仅停留在采集到的实验数据测试。一个好的鱼类养殖监测模型应来源于现场并回归于养殖生产,在实际养殖环境中进行验证和改进。需要深入了解鱼类养殖的实际需求,深入与养殖人员交流更好地理解养殖过程中的问题与挑战;还需要将实验模型投入到实际养殖环境中进行测试与评估,方便研究人员进行调整,以增加模型准确性和鲁棒性。在基于深度学习技术的鱼类养殖监测研究中,将实际与理论相结合是至关重要的。通过与养殖场的合作和实际应用测试,将使鱼类养殖监测模型更加准确、可靠,并为养殖业提供更好的支持和保障。
4. 结束语
本文通过检索分析深度学习技术在鱼类养殖监测中的研究,系统归纳了图像分类、目标检测、目标跟踪、图像分割在鱼类养殖监测中的最新进展;总结了深度学习技术在鱼体测量、鱼类计数、鱼类摄食、鱼类游泳行为、鱼病诊断上的应用现状,分析了深度学习技术在鱼类养殖监测中的不足并提出展望。总的来说,深度学习技术已经成功应用于鱼类养殖监测中,提高了监测任务的精度和效率,为养殖管理提供了实时、智能化的决策支持。在未来的研究中,应通过优化数据采集与传输来帮助建立鱼类养殖监测数据集,构建鱼类养殖超规模参数模型,借助终端监测设备及边缘计算生成鱼类养殖监测数字孪生系统,着重解决鱼类养殖监测业务化应用不足的问题。深度学习技术将为鱼类养殖监测智能化发展做出重大贡献。
-
表 1 鱼体长度测量方法对比
Table 1 Comparison of fish length measurement methods
测量方式
Measurement文献
Literature种类
Type方法
Method评价指标
Evaluation优点
Advantages缺点
Disadvantages二维
Two-dimensional水外
Out of waterÁLVAREZ等[5] 欧洲鳕鱼 Mask R-CNN 0.92 3 水外环境中的背景干扰相对较少,测量精确度高 脱水环境会对鱼体造成一定损伤 MONKMAN等[23] 欧洲鲈鱼 NasNet, ResNet-101,MobileNet 0.93 2 PALMER等[36] 旗鱼 Mask R-CNN 0.86 1 TSENG等[37] 金枪鱼、旗鱼、鲨鱼 CNN 0.96 1 CHUANG等[38] 圆鳍金鲳 Mask R-CNN 0.97~0.99 1 YU等[39] 银鱼 Improved U-net 0.97~0.99 1 水下
UnderwaterGARCIA等[40] 绿青鳕、蓝鳕、青花鱼、黑腹亮乌鲨、挪威狭鳕、大西洋鲱鱼、许氏平鲉 Mask R-CNN 0.58~0.90 2 无损、实时测量 图像质量通常较差,可能存在噪声、颜色偏差等问题 RICO-DÍAZ等[41] 欧洲鲈鱼、鳟鱼、
多锯鲈Hough algorithm, ANN 0.74 1 三维
Three-dimensional水下
Underwater李艳君等[42] 花鲈 Mask-RCNN 0.88 1 能够获得更多维度信息 运算量较大,对设备要求高 周佳龙等[43] 红鳍东方鲀 SOLOv2 0.88 5 UBINA等[44] 金鲳鱼 CNN 2% 4 注:1精确度;2交并比;3皮尔逊相关系数;4相对误差;5R2。 Note:1Accuracy;2IoU;3Pearson correlation;4Relative error;5R2. 表 2 鱼类计数方法对比
Table 2 Comparison of fish counting methods
方法
Method文献
Literature种类
Type算法模型
Algorithm model评价
Evaluation优点
Advantages缺点
Disadvantages分割计数
Partition countDITRIA等[47] 三尖鱾 Mask R-CNN 0.88~0.92 2 计数精度高,可通过长度形状等辅助计数 算法复杂度高,受遮挡影响较大 检测计数
Detection countZHAO等[48] 斑岩鲷 YOLOv4 0.95 1 计算速度较快、精度较高 存在误检和漏检的问题,受遮挡影响较大 CORO等[49] 金枪鱼、鲨鱼 YOLOv3 0.65~0.75 1 跟踪计数
Trace countTANAKA等[50] 金枪鱼 YOLOv3-DeepSORT 0.89 1 实时追踪鱼类数量变化 通用性较差 洪宇等[51] 暗纹东方鲀 YOLOv4-DeepSORT 0.91 1 密度图回归计数
Density regression countZHOU等[52] 鲤鱼 CNN 13.7% 3 适用于大规模鱼类群体的计数 密度波动较大导致计数误差较大 王金凤等[53] 鱼苗 CSRNet 0.9 1 注:1精确度;2平均精确率; 3平均误差。 Note:1Accuracy;2 Mean average precision,map;3 Mean error. 表 3 鱼类摄食行为比较
Table 3 Comparison of fish feeding behavior
类别
Category相关文献
Literature年份
Year数据集划分类别
Dataset classification方法
Method评价指标
Evaluation摄食强度
Feeding intensityZHOU等[56] 2019 无、弱、中、强 4 个类别 LeNet5 0.9 1 朱明等[58] 2021 饥饿、非饥饿2个类别 MobileNetV3-Small 0.99 2 UBINA等[59] 2021 无、弱、中、强 4 个类别 3D CNN 0.95 1 IQBAL等[60] 2022 饥饿、正常2个类别 CNN 0.98 1 冯双星等[61] 2023 无、弱、中、强 4 个类别 S3D 0.92 1 摄食行为
Feeding behaviorMÅLØY等[62] 2019 未摄食、摄食2个类别 DSRN 0.8 1 张佳林等[63] 2020 未摄食、摄食2个类别 VAE-CNN 0.98 1 YANG等[64] 2021 喂食前、惊吓行为、喂食开始、喂食行为和喂食后5个类别 DANet-EfficientNet-B2 0.89 1 ZHANG[65] 2022 未摄食、摄食2个类别 MobileNetV2-SENet 0.97 2 注:1准确率;2 F1得分。 Note:1Accuracy;2 F1-scoure. 表 4 鱼类游泳行为研究
Table 4 Study on fish swimming behavior
表 5 鱼类游泳轨迹跟踪研究比较
Table 5 Comparison of fish swimming tracking studies
跟踪类型
Tracking type文献
Literature算法模型
Algorithm model种类
Type评价指标
Evaluation优点
Advantages缺点
Disadvantages目标检测跟踪
Object detection trackingBARREIROS等[79] YOLOv2 斑马鱼 0.99~1 1 能够准确定位和跟踪鱼类 在复杂环境中存在目标遮挡和漏检的问题 滤波与深度特征结合
Combining filtering with deep featuresMATHIAS等[80] DeepSORT-YOLOv3 23 种鱼类 0.96 2 提高跟踪鲁棒性和准确性 计算量较大速度较慢 端到端跟踪
End-to-end trackingLAI等[81] 3D CTN — 0.9 2 避免目标检测和跟踪两个独立步骤 在复杂背景和目标遮挡下表现可能不佳 连体网络
Conjoined networkWANG等[27] SiamRPN++ 斑岩鲷 0.76 2 能够处理多鱼类之间的相互作用和关联 训练复杂度高,对大规模数据要求较高 注:1准确跟踪率指数;2精确度。 Note:1 CTR(correct tracking rate index);2 Accuracy. 表 6 利用图像进行鱼病诊断研究
Table 6 Diagnosis of fish diseases using images
图像类型
Image type类别
Category文献
Literature算法模型
Algorithm model准确率
Accuracy/%优点
Advantages缺点
Disadvantages相机图像
Camera image鱼病诊断 LOPES等[87] ANN 97% 数据获取相对容易,适用于活体检测、对鱼体损害较小,应用范围广 受设备成像精度影像大,无法捕捉细小病原体 KUMAR等[88] FAST-PCA-NN 86.0% 损伤检测 XU等[89] CNN 91.6% 水质检测 孙龙清等[90] G-RepVGG 97.63% 显微镜图像
Microscope image鱼病诊断 MOHAMED等[91] ORB-LDA-DT 87.5% 更高的放大倍数和更高的分辨率,对特定细胞或病原体进行标记观察 视野范围较窄、成本较高 表 7 光学相机分类表
Table 7 Classification of optical cameras
光学相机类型
Optical camera type优点
Advantages缺点
Disadvantages适用环境
Applicable environment单目多光谱相机
Monocular multispectral camera较高的分辨率,能够捕捉不同波长的光谱信息,
相机体积较小灵活性高单相机感知范围受限,受光照不足或强光限制 水上环境
水下环境双目多光谱相机
Binocular multispectral camera增加深度信息,感知范围
增大需要对图像配准和相机校准,数据处理较复杂 单目近红外相机
Monocular near-infrared camera可以捕捉人眼看不到的红外信息,在暗光条件下更能增强对比度 分辨率较低,成本较高 单目高光谱相机
Monocular hyperspectral camera能捕捉更宽波段光谱信息,具有更高的空间分辨率 成像速度慢,数据处理复杂 -
[1] FIORELLA K J, OKRONIPA H, BAKER K, et al. Contemporary aquaculture: implications for human nutrition[J]. Current Opinion in Biotechnology, 2021, 70: 83-90. doi: 10.1016/j.copbio.2020.11.014
[2] 顾川川,张宇雷. 国内外工厂化养殖鱼池流态研究进展概述[J]. 渔业现代化,2013,40(6):10-14,29. doi: 10.3969/j.issn.1007-9580.2013.06.003 GU Chuanchuan, ZHANG Yulei. Overview of research on tank flow pattern in industrial aquaculture systems[J]. Fishery Modernization, 2013, 40(6): 10-14,29. (in Chinese with English abstract) doi: 10.3969/j.issn.1007-9580.2013.06.003
[3] 黄小华,庞国良,袁太平,等. 我国深远海网箱养殖工程与装备技术研究综述[J]. 渔业科学进展,2022,43(6):121-131. HUANG Xiaohua , PANG Guoliang, YUAN Taiping, et al. Review of engineering and equipment technologies for deep-sea cage aquaculture in china[J]. Progress in Fishery Sciences, 2022, 43(6): 121-131. (in Chinese with English abstract)
[4] 宦娟,吴帆,曹伟建,等. 基于窄带物联网的养殖塘水质监测系统研制[J]. 农业工程学报,2019,35(8):252-261. HUAN Juan, WU Fan, CAO Weijian, et al. Development of water quality monitoring system of aquaculture ponds based on narrow band internet of things[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2019, 35(8): 252-261. (in Chinese with English abstract)
[5] ÁLVAREZ-ELLACURÍA A, PALMER M, CATALÁN I A, et al. Image-based, unsupervised estimation of fish size from commercial landings using deep learning[J]. ICES Journal of Marine Science, 2020, 77(4): 1330-1339. doi: 10.1093/icesjms/fsz216
[6] DITRIA E M, SIEVERS M, LOPEZ-MARCANO S, et al. Deep learning for automated analysis of fish abundance: the benefits of training across multiple habitats[J]. Environmental Monitoring and Assessment, 2020, 192: 1-8. doi: 10.1007/s10661-019-7904-3
[7] 张文兵,解绶启,徐皓,等. 我国水产业高质量发展战略研究[J]. 中国工程科学,2023,25(4):137-148. doi: 10.15302/J-SSCAE-2023.04.006 ZHANG Wenbing, XIE Shouqi, XU Hao, et al. High-quality development strategy of fisheries in China[J]. Strategic Study of CAE, 2023, 25(4): 137-148. (in Chinese with English abstract) doi: 10.15302/J-SSCAE-2023.04.006
[8] AN D, HAO J, WEI Y, et al. Application of computer vision in fish intelligent feeding system: A review[J]. Aquaculture Research, 2021, 52(2): 423-437. doi: 10.1111/are.14907
[9] LI D, MIAO Z, PENG F, et al. Automatic counting methods in aquaculture: A review[J]. Journal of the World Aquaculture Society, 2021, 52(2): 269-283. doi: 10.1111/jwas.12745
[10] LI D, WANG G, DU L, et al. Recent advances in intelligent recognition methods for fish stress behavior[J]. Aquacultural Engineering, 2022, 96: 102222. doi: 10.1016/j.aquaeng.2021.102222
[11] ZHAO S, ZHANG S, LIU J, et al. Application of machine learning in intelligent fish aquaculture: A review[J]. Aquaculture, 2021, 540: 736724. doi: 10.1016/j.aquaculture.2021.736724
[12] LI D, DU L. Recent advances of deep learning algorithms for aquacultural machine vision systems with emphasis on fish[J]. Artificial Intelligence Review, 2022: 1-40.
[13] 滕光辉,冀横溢,庄晏榕,等. 深度学习在猪只饲养过程的应用研究进展[J]. 农业工程学报,2022,38(14):235-249. doi: 10.11975/j.issn.1002-6819.2022.14.027 TENG Guanghui, JI Hengyi, ZHUANG Yanrong, et al. Research progress of deep learning in the process of pig feeding[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2022, 38(14): 235-249. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2022.14.027
[14] 孙月莹,陈俊霖,张胜茂,等. 基于改进YOLOv7的毛虾捕捞渔船作业目标检测与计数方法[J]. 农业工程学报,2023,39(10):151-162. doi: 10.11975/j.issn.1002-6819.202303156 SUN Yueying, CHEN Junlin, ZHANG Shengmao, et al. Target detection and counting method for Acetes chinensis fishing vessels operation based on improved YOLOv7[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(10): 151-162. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.202303156
[15] 曾骏,王子威,于扬,等. 自然语言处理领域中的词嵌入方法综述[J]. 计算机科学与探索,2024,18(1):24-43. ZENG Jun, WANG Ziwei, YU Yang, et al. Word embedding methods in natural language processing: A Review[J]. Journal of Frontiers of Computer Science and Technology, 2024, 18(1): 24-43. (in Chinese with English abstract)
[16] 罗德虎,冉启武,杨超等. 语音情感识别研究综述[J]. 计算机工程与应用,2022,58(21):40-52. doi: 10.3778/j.issn.1002-8331.2206-0352 LUO Dehu, RAN Qiwu, YANG Chao, et al. Review on speech emotion recognition research[J]. Computer Engineering and Applications, 2022, 58(21): 40-52. (in Chinese with English abstract) doi: 10.3778/j.issn.1002-8331.2206-0352
[17] BARBEDO J G A. A review on the use of computer vision and artificial intelligence for fish recognition, monitoring, and management[J]. Fishes, 2022, 7(6): 335. doi: 10.3390/fishes7060335
[18] 窦慧,张凌茗,韩峰,等. 卷积神经网络的可解释性研究综述[J]. 软件学报,2024(1):1-26 DOU Hui, ZHANG Ling-ming, HAN Feng, et al. Survey on convolutional neural network interpretability[J]. Journal of Software, 2024(1): 1-26. (in Chinese with English abstract)
[19] 蔡卫明,庞海通,张一涛,等. 基于卷积神经网络的养殖鱼类品种识别模型[J]. 水产学报,2022,46(8):1369-1376. CAI Weiming, PANG Haitong, ZHANG Yitao, et al. Recognition model of farmed fish species based on convolutional neural network[J]. Journal of Fisheries of China, 2022, 46(8): 1369-1376. (in Chinese with English abstract)
[20] 贾宇霞,樊帅昌,易晓梅. 基于显著性增强和迁移学习的鱼类识别研究[J]. 渔业现代化,2020,47(1):38-46. doi: 10.3969/j.issn.1007-9580.2020.01.006 JIA Yuxia, FAN Shuaichang, YI Xiaomei. Fish recognition based on significant enhancement and transfer learning[J]. Fishery Modernization, 2020, 47(1): 38-46. (in Chinese with English abstract) doi: 10.3969/j.issn.1007-9580.2020.01.006
[21] GONG B, DAI K, SHAO J, et al. Fish-TViT: A novel fish species classification method in multi water areas based on transfer learning and vision transformer[J]. Heliyon, 2023, 9(6): e16761.
[22] 张胜茂,刘洋,樊伟,等. 基于TensorFlow的水族馆鱼类目标检测APP开发[J]. 渔业现代化,2020,47(2):60-67. doi: 10.3969/j.issn.1007-9580.2020.02.008 ZHANG Shengmao, LIU Yang, FAN Wei, et al. Aquarium fish target detection APP development based on TensorFlow[J]. Fishery Modernization, 2020, 47(2): 60-67. (in Chinese with English abstract) doi: 10.3969/j.issn.1007-9580.2020.02.008
[23] MONKMAN G G, HYDER K, KAISER M J, et al. Using machine vision to estimate fish length from images using regional convolutional neural networks[J]. Methods in Ecology and Evolution, 2019, 10(12): 2045-2056. doi: 10.1111/2041-210X.13282
[24] 张璐,黄琳,李备备,等. 基于多尺度融合与无锚点YOLO v3的鱼群计数方法[J]. 农业机械学报,2021,52(S1):237-244. ZHANG Lu, HUANG Lin, LI Beibei, et al. Fish school counting method based on multi-scale fusion and no anchor YOLOv3[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(S1): 237-244. (in Chinese with English abstract)
[25] 赵海翔,崔鸿武,黄桢铭,等. 基于Bytetrack的多目标跟踪算法在斑马鱼毒性行为识别中的应用[J]. 渔业科学进展,2024,45(2):136-149. ZHAO Haixiang, CUI Hongwu, HUANG Zhenming, et al. Application of a bytetrack-based, multi-target tracking algorithm for zebrafish toxicity-response behavior recognition[J]. Progress in Fishery Sciences, 2024, 45(2): 136-149. (in Chinese with English abstract)
[26] LI W, LI F, LI Z. CMFTNet: Multiple fish tracking based on counterpoised JointNet[J]. Computers and Electronics in Agriculture, 2022, 198: 107018. doi: 10.1016/j.compag.2022.107018
[27] WANG H, ZHANG S, ZHAO S, et al. Real-time detection and tracking of fish abnormal behavior based on improved YOLOV5 and SiamRPN++[J]. Computers and Electronics in Agriculture, 2022, 192: 106512. doi: 10.1016/j.compag.2021.106512
[28] 郭奕,黄佳芯,邓博奇,等. 改进Mask R-CNN的真实环境下鱼体语义分割[J]. 农业工程学报,2022,38(23):162-169. doi: 10.11975/j.issn.1002-6819.2022.23.017 GUO Yi, HUANG Jiaxin, DENG Boqi, et al. Semantic segmentation of the fish bodies in real environment using improved Mask-RCNN model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(23): 162-169. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2022.23.017
[29] 王禹莎,王家迎,辛瑞,等. 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[J]. 水产学报,2023,47(1):207-216. WANG Yusha, WANG Jiaying, XIN Rui, et al. Application of computer vision in morphological and body weight measurements of large yellow croaker (Larimichthys crocea)[J]. Journal of Fisheries of China, 2023, 47(1): 207-216. (in Chinese with English abstract)
[30] YU X, WANG Y, LIU J, et al. Non-contact weight estimation system for fish based on instance segmentation[J]. Expert Systems with Applications, 2022, 210: 118403. doi: 10.1016/j.eswa.2022.118403
[31] YANG L, CHEN Y, SHEN T, et al. An fsfs-net method for occluded and aggregated fish segmentation from fish school feeding images[J]. Applied Sciences, 2023, 13(10): 6235. doi: 10.3390/app13106235
[32] 李道亮,刘畅. 人工智能在鱼类养殖中研究应用分析与未来展望[J]. 智慧农业 (中英文),2020,2(3):1-20. LI Daoliang, LIU Chang. Recent advances and future outlook for artificial intelligence in aquaculture[J]. Smart Agriculture, 2020, 2(3): 1-20. (in Chinese with English abstract)
[33] PAPADAKIS V M, PAPADAKIS I E, LAMPRIANIDOU F, et al. A computer-vision system and methodology for the analysis of fish behavior[J]. Aquacultural engineering, 2012, 46: 53-59. doi: 10.1016/j.aquaeng.2011.11.002
[34] KARPLUS I, GOTTDIENER M, ZION B. Guidance of single guppies (Poecilia reticulata) to allow sorting by computer vision[J]. Aquacultural engineering, 2003, 27(3): 177-190. doi: 10.1016/S0144-8609(02)00085-7
[35] 段延娥,李道亮,李振波,等. 基于计算机视觉的水产动物视觉特征测量研究综述[J]. 农业工程学报,2015,31(15):1-11. doi: 10.11975/j.issn.1002-6819.2015.15.001 DUAN Yan’e, LI Daoliang, LI Zhenbo, et al. Review on visual characteristic measurement research of aquatic animals based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(15): 1-11. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2015.15.001
[36] PALMER M, ÁLVAREZ-ELLACURÍA A, MOLTÓ V, et al. Automatic, operational, high-resolution monitoring of fish length and catch numbers from landings using deep learning[J]. Fisheries Research, 2022, 246: 106166. doi: 10.1016/j.fishres.2021.106166
[37] TSENG C H, HSIEH C L, KUO Y F. Automatic measurement of the body length of harvested fish using convolutional neural networks[J]. Biosystems Engineering, 2020, 189: 36-47. doi: 10.1016/j.biosystemseng.2019.11.002
[38] CHUANG Y, XIANG F, ZHU H, et al. Segmentation and measurement scheme for fish morphological features based on Mask R-CNN[J]. Information Processing in Agriculture, 2020, 7: 523-534. doi: 10.1016/j.inpa.2020.01.002
[39] YU C, HU Z, HAN B, et al. Intelligent measurement of morphological characteristics of fish using improved U-Net[J]. Electronics, 2021, 10(12): 1426. doi: 10.3390/electronics10121426
[40] GARIA R, PRADOS R, QUINTANA J, et al. Automatic segmentation of fish using deep learning with application to fish size measurement[J]. ICES Journal of Marine Science, 2020, 77(4): 1354-1366. doi: 10.1093/icesjms/fsz186
[41] RICO-DÍAZ Á J, RABUÑAL J R, GESTAL M, et al. An application of fish detection based on eye search with artificial vision and artificial neural networks[J]. Water, 2020, 12(11): 3013. doi: 10.3390/w12113013
[42] 李艳君,黄康为,项基. 基于立体视觉的动态鱼体尺寸测量[J]. 农业工程学报,2020,36(21):220-22. doi: 10.11975/j.issn.1002-6819.2020.21.026 LI Yanjun, HUANG Kangwei, XIANG Ji. Measurement of dynamic fish dimension based on stereoscopic vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(21): 220-22. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2020.21.026
[43] 周佳龙,季柏民,倪伟强,等. 基于三维姿态拟合的非接触式红鳍东方鲀全长精准估算方法[J]. 农业工程学报,2023,39(4):154-161. ZHOU Jialong, JI Baimin, NI Weiqiang, et al. Non-contact method for the accurate estimation of the full-length of Takifugu rubripes based on 3D pose fitting[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(4): 154-161. (in Chinese with English abstract)
[44] UBINA N A, CHENG S C, CHANG C C, et al. Intelligent underwater stereo camera design for fish metric estimation using reliable object matching[J]. IEEE Access, 2022, 10: 74605-74619. doi: 10.1109/ACCESS.2022.3185753
[45] NEWBURY P F, CULVERHOUSE P F, PILGRIM D A. Automatic fish population counting by artificial neural network[J]. Aquaculture, 1995, 133(1): 45-55. doi: 10.1016/0044-8486(95)00003-K
[46] 张涵钰,李振波,李蔚然,等. 基于机器视觉的水产养殖计数研究综述[J/OL]. 计算机应用,[2023-07-24]. http://kns.cnki.net/kcms/detail/51.1307.tp.20221129.2335.007.html ZHANG Hanyu, LI Zhenbo, LI Weiran, et al. Review of research on aquaculture counting based on machine vision[J/OL]. Journal of Computer Applications, [2023-07-24]. http://kns.cnki.net/kcms/detail/51.1307.tp.20221129.2335.007.html. (in Chinese with English abstract)
[47] DITRIA E M, CONNOLLY R M, JINKS E L, et al. Annotated video footage for automated identification and counting of fish in unconstrained seagrass habitats[J]. Frontiers in Marine Science, 2021, 8: 629485. doi: 10.3389/fmars.2021.629485
[48] ZHAO S, ZHANG S, LU J, et al. A lightweight dead fish detection method based on deformable convolution and YOLOV4[J]. Computers and Electronics in Agriculture, 2022, 198: 107098. doi: 10.1016/j.compag.2022.107098
[49] CORO G, WALSH M B. An intelligent and cost-effective remote underwater video device for fish size monitoring[J]. Ecological Informatics, 2021, 63: 101311. doi: 10.1016/j.ecoinf.2021.101311
[50] TANAKA R, NAKANO T, OGAWA T. Sequential fish catch counter using vision-based fish detection and tracking[C]//OCEANS 2022-Chennai, IEEE, Chennai, India, 2022: 1-5.
[51] 洪宇,叶瑞娟,冯国富. 一种基于改进DeepSORT的淡水环境下鱼类计数方法[J/OL]. 海洋渔业,[2023-07-17]. DOI: 10.13233/j. cnki. mar. fish. 20230703.001. HONG Yu, YE Ruijuan, FENG Guofu. A fish counting method based on improved deepsort in freshwater environment[J/OL]. Marine Fisheries, [2023-07-17]. DOI: 10.13233/j.cnki.mar.fish.20230703.001. (in Chinese with English abstract)
[52] ZHOU Y, YU H, WU J, et al. Fish density estimation with multi-scale context enhanced convolutional neural network[J]. Journal of Communications and Information Networks, 2019, 4(3): 80-88. doi: 10.23919/JCIN.2019.8917888
[53] 王金凤,胡凯,江帆,等. 基于改进深度学习模型的鱼群密度检测试验研究[J]. 渔业现代化,2021,48(2):77-82. doi: 10.3969/j.issn.1007-9580.2021.02.012 WANG Jinfeng, HU Kai, JIANG Fan, et al. Experimental research on fish density detection based on improved deep learning model[J]. Fishery Modernization, 2021, 48(2): 77-82. (in Chinese with English abstract) doi: 10.3969/j.issn.1007-9580.2021.02.012
[54] 俞国燕,张宏亮,刘皞春,等. 水产养殖中鱼类投喂策略研究综述[J]. 渔业现代化,2020,47(1):1-6. YU Guoyan, ZHANG Hongliang, LIU Haochun, et al. Research summary on fish feeding strategies in aquaculture[J]. Fishery Modernization, 2020, 47(1): 1-6. (in Chinese with English abstract)
[55] BARRAZA-GUARDADO R H, MARTÍNEZ-CÓRDOVA L R, ENRÍQUEZ-OCAÑA L F, et al. Effect of shrimp farm effluent on water and sediment quality parameters off the coast of Sonora, Mexico[J]. Ciencias Marinas, 2014, 40(4): 221-235.
[56] ZHOU C, XU D, CHEN L, et al. Evaluation of fish feeding intensity in aquaculture using a convolutional neural network and machine vision[J]. Aquaculture, 2019, 507: 457-465. doi: 10.1016/j.aquaculture.2019.04.056
[57] ZION B. The use of computer vision technologies in aquaculture:A review[J]. Computers and Electronics in Agriculture, 2012, 88: 125-132. doi: 10.1016/j.compag.2012.07.010
[58] 朱明,张镇府,黄凰. 基于轻量级神经网络 MobileNetV3-Small 的鲈鱼摄食状态分类[J]. 农业工程学报,2021,37(19):165-172. ZHU Ming, ZHANG Zhenfu, HUANG Huang, et al. Classification of perch ingesting condition using lightweight neural network MobileNetV3-Small[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(19): 165-172. (in Chinese with English abstract)
[59] UBINA N, CHENG S C, CHANG C C, et al. Evaluating fish feeding intensity in aquaculture with convolutional neural networks[J]. Aquacultural Engineering, 2021, 94: 102178. doi: 10.1016/j.aquaeng.2021.102178
[60] IQBAL U, LI D, AKHTER M. Intelligent diagnosis of fish behavior using deep learning method[J]. Fishes, 2022, 7(4): 201. doi: 10.3390/fishes7040201
[61] 冯双星,王丁弘,潘良,等. 基于轻量型 S3D 算法的鱼类摄食强度识别系统设计与试验[J]. 渔业现代化,2023,50(03):79-86. doi: 10.3969/j.issn.1007-9580.2023.03.010 FENG Shuangxing, WANG Dinghong, PAN Liang, et al. Implementation of fish feeding intensity identification sytem using light-weight S3D algorithm[J]. Fishery Modernization, 2023, 50(03): 79-86. (in Chinese with English abstract) doi: 10.3969/j.issn.1007-9580.2023.03.010
[62] MÅLØY H, AAMODT A, MISIMI E. A spatio-temporal recurrent network for salmon feeding action recognition from underwater videos in aquaculture[J]. Computers and Electronics in Agriculture, 2019, 167: 105087. doi: 10.1016/j.compag.2019.105087
[63] 张佳林,徐立鸿,刘世晶. 基于水下机器视觉的大西洋鲑摄食行为分类[J]. 农业工程学报,2020,36(13):158-164. ZHANG Jialin, XU Lihong, LIU Shijing. Classification of Atlantic salmon feeding behavior based on underwater machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(13): 158-164. (in Chinese with English abstract)
[64] YANG L, YU H, CHENG Y, et al. A dual attention network based on efficientNet-B2 for short-term fish school feeding behavior analysis in aquaculture[J]. Computers and Electronics in Agriculture, 2021, 187: 106316. doi: 10.1016/j.compag.2021.106316
[65] ZHANG L, WANG J, LI B, et al. A MobileNetV2-SENet-based method for identifying fish school feeding behavior[J]. Aquacultural Engineering, 2022, 99: 102288. doi: 10.1016/j.aquaeng.2022.102288
[66] MALAMBUGI A, YU Z, ZHU W, et al. Effects of photoperiod on growth performance and melanogenesis pathway for skin pigmentation of Malaysian red tilapia[J]. Aquaculture Research, 2020, 51(5): 1824-1833. doi: 10.1111/are.14531
[67] SAARI G N, CORRALES J, HADDAD S P, et al. Influence of diltiazem on fathead minnows across dissolved oxygen gradients[J]. Environmental Toxicology and Chemistry, 2018, 37(11): 2835-2850. doi: 10.1002/etc.4242
[68] HONG J, CHEN X, LIU S, et al. Impact of fish density on water quality and physiological response of golden pompano (Trachinotus ovatus) flingerlings during transportation[J]. Aquaculture, 2019, 507: 260-265. doi: 10.1016/j.aquaculture.2019.04.040
[69] BREITBURG D L, PALMER M A, LOHER T. Larval distributions and the spatial patterns of settlement of an oyster reef fish: Responses to flow and structure[J]. Marine Ecology Progress Series, 1995, 125: 45-60. doi: 10.3354/meps125045
[70] SANTOS T G, SCHORER M, DOS SANTOS J C E, et al. The light intensity in growth, behavior and skin pigmentation of juvenile catfish Lophiosilurus alexandri (Steindachner)[J]. Latin American Journal of Aquatic Research, 2019, 47(3): 416-422. doi: 10.3856/vol47-issue3-fulltext-3
[71] LOPES A C C, VILLACORTA-CORREA M A, CARVALHO T B. Lower light intensity reduces larval aggression in matrinxã, Brycon amazonicus[J]. Behavioural Processes, 2018, 151: 62-66. doi: 10.1016/j.beproc.2018.01.017
[72] 张胜茂,张衡,唐峰华,等. 计算机视觉技术在监测鱼类游泳行为中的研究进展[J]. 大连海洋大学学报,2017,32(4):493-500. ZHANG Shengmao, ZHANG Heng, TANG Fenghua, et al. Research progress on fish swimming behavior monitoring by computer vision technology[J]. Journal of Dalian Ocean University2017, 32(4): 493-500. (in Chinese with English abstract)
[73] TELES L O, FERNANDES M, AMORIM J, et al. Video-tracking of zebrafish (Danio rerio) as a biological early warning system using two distinct artificial neural networks: Probabilistic neural network (PNN) and self-organizing map (SOM)[J]. Aquatic Toxicology, 2015, 165: 241-248. doi: 10.1016/j.aquatox.2015.06.008
[74] YANG M, REN B, QIAO L, et al. Behavior responses of zebrafish (Danio rerio) to aquatic environmental stresses in the characteristic of circadian rhythms[J]. Chemosphere, 2018, 210: 129-138. doi: 10.1016/j.chemosphere.2018.07.018
[75] ZHAO J, BAO W, ZHANG F, et al. Modified motion influence map and recurrent neural network-based monitoring of the local unusual behaviors for fish school in intensive aquaculture[J]. Aquaculture, 2018, 493: 165-175. doi: 10.1016/j.aquaculture.2018.04.064
[76] WANG G, MUHAMMAD A, LIU C, et al. Automatic recognition of fish behavior with a fusion of RGB and optical flow data based on deep learning[J]. Animals, 2021, 11(10): 2774. doi: 10.3390/ani11102774
[77] 裴凯洋,张胜茂,樊伟,等. 基于计算机视觉的鱼类视频跟踪技术应用研究进展[J]. 海洋渔业,2022,44(5):640-647. PEI Kaiyang, ZHANG Shengmao, FAN Wei, et al. Research progress of fish video tracking application based on computer vision[J]. Marine Fisheries, 2022, 44(5): 640-647. (in Chinese with English abstract)
[78] MEI Y, SUN B, LI D, et al. Recent advances of target tracking applications in aquaculture with emphasis on fish[J]. Computers and Electronics in Agriculture, 2022, 201: 107335. doi: 10.1016/j.compag.2022.107335
[79] BARREIROS M O, DANTAS D O, Silva L C O, et al. Zebrafish tracking using YOLOv2 and Kalman filter[J]. Scientific Reports, 2021, 11(1): 3219. doi: 10.1038/s41598-021-81997-9
[80] MATHIAS A, DHANALAKSHMI S, KUMAR R. Occlusion aware underwater object tracking using hybrid adaptive deep SORT-YOLOv3 approach[J]. Multimedia Tools and Applications, 2022, 81(30): 44109-44121. doi: 10.1007/s11042-022-13281-5
[81] LAI Y C, HUANG R J, KUO Y P, et al. Underwater target tracking via 3D convolutional networks[C]//2019 IEEE 6th International Conference on Industrial Engineering and Applications (ICIEA). IEEE, Tokyo, Japan, 2019: 485-490.
[82] ZHU Z, DUAN C, DONG C, et al. Epidemiological situation and phylogenetic relationship of Vibrio harveyi in marine-cultured fishes in China and Southeast Asia[J]. Aquaculture, 2020, 529: 735652. doi: 10.1016/j.aquaculture.2020.735652
[83] LAFFERTY K D, HARVELL C D, CONRAD J M, et al. Infectious diseases affect marine fisheries and aquaculture economics[J]. Annual Review of Marine Science, 2015, 7: 471-496. doi: 10.1146/annurev-marine-010814-015646
[84] WAGNER W P. Trends in expert system development: A longitudinal content analysis of over thirty years of expert system case studies[J]. Expert Systems With Applications, 2017, 76: 85-96. doi: 10.1016/j.eswa.2017.01.028
[85] PARK J S, OH M J, HAN S. Fish disease diagnosis system based on image processing of pathogens' microscopic images[C]//2007 Frontiers in the Convergence of Bioscience and Information Technologies. IEEE, Jeju, Korea (South), 2007: 878-883.
[86] GORGOGLIONE B, BAILEY C, FAST M D, et al. Co-infections and multiple stressors in fish[J]. Bulletin of the European Association of Fish Pathologists, 2020, 40(1): 4-19.
[87] LOPES J N S, GONÇALVES A N A, FUJIMOTO R Y, et al. Diagnosis of fish diseases using artificial neural networks[J]. International Journal of Computer Science Issues (IJCSI), 2011, 8(6): 68.
[88] KUMAR T, MALIK S, SAHOO A K. Fish disease detection using HOG and FAST feature descriptor[J]. International Journal of Computer Science and Information Security (IJCSIS), 2017, 15(5): 13065.
[89] XU J L, SUN D W. Computer vision detection of salmon muscle gaping using convolutional neural network features[J]. Food Analytical Methods, 2018, 11: 34-47. doi: 10.1007/s12161-017-0957-4
[90] 孙龙清,王泊宁,王嘉煜,等. 基于G-RepVGG和鱼类运动行为的水质监测方法[J]. 农业机械学报,2022,53(S2):210-218. SUN Longqing, WANG Boning, WANG Jiayu, et al. Water quality monitoring based on fish movement behavior and G-RepVGG[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(S2): 210-218. (in Chinese with English abstract)
[91] MOHAMED E, ADL A. Diagnosis system for fish diseases trichodina and gyrodactylus under microscope based on decision tree and lda[C]//The 4th Student and Student Department Student Conference entitled" Student Innovation and Creativity" Bachelor and Baccalaureate Degrees in Egyptian, Arab and African Universities. Beni Suef, Egypt: Beni-Suef University, 2019: 110-119.
[92] 张鹏,雷为民,赵新蕾,等. 跨摄像头多目标跟踪方法综述[J]. 计算机学报,2024,47(2):287-309. ZHANG Peng, LEI Weimin, ZHAO Xinlei, et al. A Survey on multi-target multi-camera tracking methods[J]. Chinese Journal of Computers, 2024, 47(2): 287-309. (in Chinese with English abstract)
[93] 张胜茂,孙永文,樊伟,等. 面向海洋渔业捕捞生产的深度学习方法应用研究进展[J]. 大连海洋大学学报,2022,37(4):683-695. ZHANG Shengmao, SUN Yongwen, FAN Wei, et al. Research progress in the application of deep learning methods for marine fishery production: A review[J]. Journal of Dalian Ocean University, 2022, 37(4): 683-695. (in Chinese with English abstract)
-
期刊类型引用(3)
1. 王慧琳,邹民忠,方伟文,刘灵敏,郝新梅,康绍忠,毛晓敏. 基于SWAT模型的武强溪流域非点源污染关键源区界定与控制策略. 农业工程学报. 2024(02): 228-238 . 本站查看
2. 罗凡,罗育池,陈宇华,李燕. 广东沿海城市农业面源氮磷污染排放特征及控制对策研究. 环境污染与防治. 2024(11): 1688-1694 . 百度学术
3. 陆新路,庞树江,王小胜,王帅,李慧芩,王丽君,王明哲. 基于水环境容量的流域非点源污染风险评价. 农业工程学报. 2024(22): 89-97 . 本站查看
其他类型引用(2)