共查询到10条相似文献，搜索用时 31 毫秒
1.
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 总被引：1，自引：0，他引：1
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。 相似文献
2.
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。 相似文献
3.
4.
鱼类行为监测技术应用研究 总被引：1，自引：0，他引：1
监测鱼类行为常用计算机视觉监测和声学信号监测技术两种方法,本文分析对比了这两种监测技术的应用。基于计算机视觉的鱼类行为监测技术是通过摄像机来记录鱼类的行为,但该方法存在数据处理难度大、误差大和数据不连续等缺点,主要以定性分析为主。声学标签系统是声学监测技术的一种主动识别方法,具有原位观察、定位准确、数据处理简单和数据连续性好等优点,可直接获得鱼类的二、三维运动轨迹等量化指标。基于声学标签系统的研究现状,提出了声学标签鱼类行为监测技术在渔业养殖、水利工程、水生态学等多门学科交叉的应用前景。 相似文献
5.
随着人口与经济的发展,水产养殖业在世界范围内迅速兴起,集约型工厂化循环水养殖因其高密度、低污染、高效率等独特的优势,契合水产养殖业绿色发展理念,已成为水产养殖转型升级的重要方向之一。水作为循环水养殖系统中重要的环境因子,其流态能够直接影响鱼类的生长及福利,同样,鱼类存在及运动也会影响到系统流态的构建。本文综合分析了循环水养殖系统中流场条件对不同鱼类生长发育及福利的影响,鱼类及其运动行为对养殖池内水动力条件及性能的影响,以及鱼类对养殖池内流场流态、水体混合等的影响。将研究鱼类运动对流场特性的影响方法主要归纳为实测法和数值研究,通过对比分析2种方法的优点和不足之处,并结合当前循环水养殖产业系统构建中的问题提出针对性方法建议,旨在为系统中水动力条件的设计拓展思路,促进循环水养殖产业流态构建向“鱼”与“水”兼顾的方向发展。 相似文献
6.
7.
近年来,在野生渔业资源持续衰退、水产 养殖规模不断扩大、人们对鱼类福利关注度不断提升等的背景下,环境丰容作为一种全新的技术手段在水产领域受到广泛关注,被认为在野化放流鱼类行为、增加养殖鱼类产量、提升圈养鱼类福利等诸多方面均具有较大的应用潜力。环境丰容是指在增养殖生产中,采用适当方式向圈养或自然水体引入新的环境刺激,提高其异质性和复杂性,从而实现提升鱼类产量、提高鱼类福利、控制鱼类行为、改善鱼类生理目标的环境优化方式。总体来看,国际上围绕环境丰容技术的相关研究结果层出不穷,理论体系不断完善,但国内水产领域的相关研究尚处于起步阶段。本文在简要介绍环境丰容概念和分类基础上,聚焦目前最受关注的物理丰容方式,评述了物理丰容对鱼类打斗行为、生理应激、代谢生长等重要性状和放流后的适应性行为、个体适合度等增殖性状的影响,重点分析了引发研究结果差异的可能原因及其潜在神经可塑性机理,最后探讨了本领域以往研究的不足及今后的研究方向,旨在为我国开展该方面研究提供借鉴,为增养殖苗种高效健康培育与放流鱼类野化训练提供参考。 相似文献
8.
开展鱼类核型分析对鱼类的遗传、变异、分类、系统演化、性别决定、杂交育种以及环境污染监测等研究具有重要意义.鲇形目鱼类在我国水产养殖中占有重要地位,同时也是研究鱼类染色体进化与性染色体分化的良好材料.本文综述了我国35种鲇形目鱼类及其杂交子一代和多倍体的核型研究进展,分析了不同类群中的核型特征,并对部分类群的染色体进化关... 相似文献
9.
10.
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。 相似文献