基于视频的水箱内鱼类行为观测系统
鱼类应激行为作用下的水质视频监测分析系统
鱼类应激行为作用下的水质视频监测分析系统黄一凡;陈欣;袁飞【摘要】Because the traditional physical and chemical analysis cannot meet the real-time requirement,the biological monitoring method is used in this paper in which we analyze the stress behavior of zebrafish based on the visual monitoring system of computers.In fact,we primarily use the difference of red and blue components in RGB color space to detect moving targets,then tag binary images obtained,and a tracking algorithm of maximum overlap area is proposed.In the experiment,there are three conditions according to the pollution time,and we quantify the behavior characteristic parameters of fish in normal,pollution-early,and pollution-later situations.And then we select some parameters which could monitor the water quality based on statistical analysis.Finally,a hierarchical alarm system has been accomplished in two transition stages by combining multidimensional parameters.%由于传统的理化分析法无法满足水质实时监测的要求,采用生物监测法,基于视觉化的计算机监测系统分析斑马鱼的应激行为,主要运用RGB颜色空间下的红蓝分量差分法实现运动目标检测,然后进行二值图像标记,并提出了一种最大重合面积跟踪算法.实验按污染时间顺序分为正常情况、污染初期及污染末期3种状态,以量化分析鱼群的各项行为特征参数;基于统计学分析选取出可以监测水质变化的参数指标;最后联合多维参数在两个过渡阶段实现分级报警.【期刊名称】《厦门大学学报（自然科学版）》【年(卷),期】2017(056)004【总页数】6页(P584-589)【关键词】生物监测;目标识别;目标跟踪;计算机视觉【作者】黄一凡;陈欣;袁飞【作者单位】水声通信与海洋信息技术教育部重点实验室(厦门大学),福建厦门361005;水声通信与海洋信息技术教育部重点实验室(厦门大学),福建厦门361005;水声通信与海洋信息技术教育部重点实验室(厦门大学),福建厦门361005【正文语种】中文【中图分类】TP391由于水污染问题异常严重，找到一种实时有效的水质监测方法已迫在眉睫．现今大多数工厂仍然采用一般的理化分析法进行水质监测[1]．理化分析法主要是通过对水样进行人工采集,利用仪器设备直接检测出水样中的物理、化学成分和浓度．这种方法虽然能够定性甚至定量地检测出水质状况,灵敏地检测出毒性物质的成分和浓度,但物理测量和化学反应都必须经过一段时间,无法满足实时性的需求．为了更高效地进行水质监测,一种新的方法即生物监测法[2]日益成为国内外热门研究对象之一．其基本原理是选择生活在水中的个体或群体甚至是群落作为受试生物,以它们的生理行为特征以及对于污染物或毒性物质的应激反应为依据来判断水质变化的情况．与传统方法相比,这种基于生物学原理的生物监测法可以更实时有效、快速灵敏地检测到水质变化,成本低且具有可靠性．生物监测法常用的生物包括藻类、鱼类、两栖类或者细菌等．鱼类相对来说比较高级,种类多、数量大、容易观测,在出现异常时反应强烈,因此一般情况下都使用鱼类来监测水质[3]．利用生物监测法监测污染物,可追溯到20世纪初期．早在1902年,Kolkwitz和Marsson就致力于有机物污染的研究,利用微生物类群来分析污染程度[2]．1929年,Belding最早开始选用鱼类来作为生物监测的指标[3];另外,王春凤等使用剑尾鱼验证了重金属对鱼类的毒性影响[4]．然而目前很多基于生物监测法的研究都聚焦于鱼类急性毒性实验,只针对正常情况和短期的异常情况这两种情况进行分析,对鱼类的行为特征参数的分析也不全面,报警过程中容易出现误报、漏报等情况,不能反映污染的时间变化过程．针对上述问题,本研究基于视觉化的计算机监测系统[5]实时采集鱼类视频,通过分析其行为特征来判断水质变化的情况,并采用统计学的方法对不同污染阶段实现分级报警．结果表明本研究可以实现准确的目标检测与跟踪,在水质污染时报警,并能反映污染的时间变化过程．1.1 运动目标检测算法目前已存在很多成熟的运动目标检测算法．帧间差分法[6]计算量小,实时性高,但检测出的目标不完整,容易引入噪声;混合高斯模型法[7]虽然检测效果好,但计算量大,对系统的要求高．对于本研究的实验环境而言,鱼缸背景及水体颜色主要包括大量的蓝色分量信息,使用的红色斑马鱼同背景色差较大,考虑到这种明显的色彩差异,对红蓝分量进行差分可以增强前景与背景的对比度,进而通过阈值分割提取出前景．本研究采用RGB颜色空间下的红蓝分量差分法．即对需要处理的同一图像帧的红、蓝分量进行差分,再经过阈值分割处理,得到二值化图像．这种方法运用在前景与背景存在很大色差的稳定环境中,可以实现良好的检测效果，且计算量很小,系统的处理速率快,不受反光现象的影响，结果如图1所示．1.2 图像去噪与标记在目标检测过程中,外界光源、水箱中的杂质漂浮物、气泡等因素都会对结果造成影响,因此需先对阈值分割后的图像进行中值滤波和形态学运算[8]等去噪处理．由于鱼轮廓的大小远超于噪声,当某一轮廓的面积远小于鱼体最小面积值时,判断其为噪声,去掉该区域．在做鱼群实验时,二值图像中有多个目标区域[9]．而在量化其行为特征时,必须单独处理每条鱼的行为信息,因此要对二值图像进行标记[10],用不同的号码划分出不同的连通区域：由上及下且由左及右地依次扫描图像,当扫描到值为1的点时,如果它与之前标记过的点在同一连通区域内,就用这一区域的号码做标记;否则使用新号码,建立一个新区域．1.3 目标跟踪算法目标跟踪算法[11]的主要原理是在帧序列中利用目标的颜色、形态、规模以及细节特征等信息进行匹配,由于在时间间隔较短的两帧中,运动目标的变化很小,所以这些信息相似度最高的最有可能是同一个运动目标．一般来说,相邻视频帧中鱼类移动的距离很小,也就是说,相邻两帧的重合面积最大的两个轮廓区域极有可能是同一个运动目标．实现思路如下:1) 对相邻的两帧二值图像进行叠加,计算出重叠面积块{B}．并对{B}的每个子集标记质心．每个质心分别对应于两帧图像中的两个目标区域．2) 按面积从大到小遍历{B}．对每个子集来说,若质心对应的两帧图像的两个目标区域均未被匹配,则标记这两个目标区域为同一个运动目标;若有至少一个目标区域已经完成匹配,则继续遍历{B}．该方法原理简单,只需要与重合面积块个数相同的操作次数就能实现目标跟踪,计算量小,满足实时性要求．该方法在单个目标或多个目标之间距离较大的情况下具有较高的性能．结果如图2所示，该算法可以正确地划分出每个运动区域,并且清晰地标记出运动轨迹．2.1 位置参数分析针对鱼群进行位置参数分析[12],可反映出异常情况下鱼的应激反应．分别计算各个区域的质心坐标(Xc,Yc)和面积A．将前景目标分割成无限小的小块,第i个小块的坐标为(xi,yi),面积为Ai，计算质心的公式如下:.群心坐标(CX,CY)由各个目标的质心坐标按面积进行加权平均获得,反映群体分布的中心位置，计算公式如下：，其中,N为目标的个数,(Xk,Yk)为第k个目标区域的质心坐标,Ak为第k个区域的面积．空间标准差(XSD或YSD)反映群体沿着X轴和Y轴的密集或离散程度,计算如下: ,.2.2 归一化速率评估鱼群的活跃化程度[13]主要参考其运动能力的大小．本研究使用相对游速,取体长单位为cm，归一化速率单位为cm/s，计算每次单条鱼的游速,对所有鱼的游速进行平均运算,即得到鱼群的平均游速．对于同一个运动目标,分别求其在当前帧图像和前一帧图像中的质心坐标(Xn,Yn)和(Xn-1,Yn-1),帧率是N帧/s,每条鱼体长L由椭圆模型的长轴近似,故其归一化速率为:L.2.3 HSI颜色空间下体色的量化分析红色斑马鱼的体色在正常情况下很鲜艳，但当水环境受到重金属污染时,则开始慢慢变暗[14]．在HSI空间下,色调和亮度无关,饱和度S越大,色彩越鲜艳,反之则越淡．本研究利用饱和度分量量化鱼类体色,对形态学操作得到的二值图像,创建一个标记矩阵,把该矩阵覆盖到相应的HSI空间上,通过RGB图像的转换,提取出HSI空间下目标的饱和度分量．3.1 鱼类毒性实验由于硬件条件的限制,本研究仅模拟最简单情况下的系统，包括一个实验水箱、普通相机以及较高性能的计算机．通过摄像机捕捉鱼群的动态视频图像,利用计算机对视频进行实时分析,提取出鱼群的参数信息,由此判断水质是否异常．在实验过程中,存在很明显的光线反射以及水面倒影现象,但对本研究采取的红蓝分量差分法没有影响,仍可以准确检测出运动目标,验证了这种方法的抗干扰性能．选择的受试鱼类为红色斑马鱼[15],红色斑马鱼是原产于亚洲的淡水观赏鱼类,体长在4 cm左右,体形为纺锤形,体色鲜艳,正常情况下在水箱中底部不断游动且均匀分布,适宜的生存环境为20～23 ℃,对水源质量要求较低,较容易饲养．更重要的是,其基因与人类具有很高的同源性,达到87%．也就是说,用斑马鱼做的实验得到的结果通常也适用于人类．实验所用的红色斑马鱼从花鸟市场购买,体长大约为3 cm,提前两周在实验环境里,采用曝气后的水进行养殖,采用恒定的日光灯作为唯一光源．保证实验环境稳定、安静,尽量减小外界条件对鱼类的影响．实验所用的毒性试剂为五水合硫酸铜,其中含有铜离子,是常见的重金属污染成分,可以很好地模拟出水质污染的情况．实验过程中尽量避免外界光照和人为干扰的影响,建立一个相对稳定的实验环境．实验的前一天停止喂食物．单次实验随机选择10条健康的红色斑马鱼．实验分为正常情况和污染初期、污染末期这3种情况进行:实验前设置2～3 h的过渡期,使鱼群适应实验环境;在鱼群的行为稳定后,进行约30 min的正常监测;加入毒性试剂,进行约30 min污染初期的监测;进行约30 min污染末期的监测,记录好数据．在实验过程中,通过摄像机捕捉鱼群的动态视频图像,利用计算机对视频进行实时分析,提取出鱼群的参数信息,每5帧取平均值以对数据进行平滑处理[16],分析得到的数据,判断水质是否异常．3.2 统计学分析本研究对数据进行非参数秩和检验[17],显著性水平均取0.01,每种状态取500帧数据．表1和表2分别是正常情况-污染初期、污染初期-污染末期的统计特性结果．其中,V、S分别表示归一化速率、饱和度．可以看出,归一化速率、群心纵坐标、水平和垂直方向的空间标准差、饱和度分别在正常情况-污染初期、污染初期-污染末期的对比中都存在显著性差异,说明在正常情况和受到污染的两个阶段中鱼群的行为会出现明显变化,故可以使用这5个参数作为检验水质的参考标准．3.3 实验结果分析正常情况下鱼群的活跃化程度趋于一个稳定的较小值,且均匀分布在水箱中底部;污染初期鱼群出现应激行为,游动速率增大,发生躲避行为,聚集在某个方位上;污染末期鱼群开始出现无力、拖尾现象,不规律地分布,有的鱼浮向水面,游动速率减小,部分鱼死亡．下面针对各个水质监测的指标进行具体分析．3.3.1 归一化速率图3(a)为鱼群在这3种状态下的归一化速率曲线图,每个数据都是由5帧结果取平均得到,每种状态均是观测500帧视频得到的数据．当水质污染时,鱼群运动加剧,归一化速率大约从1.3 cm/s增加到3.5 cm/s;随着污染时间增长,鱼群开始出现无力、拖尾等现象,速率开始减小,直到鱼逐渐死亡,速率接近0．整个过程的变化十分明显,归一化速率先增大后减小．3.3.2 位置参数分析图3(b)为鱼群群心纵坐标即垂直方向的变化．在这3个过程中,群心纵坐标一直呈现减小的趋势．由于坐标原点在图像左上角，所以纵坐标的值越小,表示目标越接近水面．这是由于随着污染时间增长,水中溶氧量逐渐降低,鱼群中部分个体开始从水底浮向水面吸收氧气,群心纵坐标逐渐减小．这种变化是明显的．在污染末期几乎所有鱼都浮出水面,故群心纵坐标达到一个稳定的较小值．图3(c)为水平方向上的空间标准差的变化．当水质污染时,水平方向的空间标准差逐渐增大,说明鱼群受到刺激反应强烈,活动量增大,群体在水平方向上分布变得离散,而该指标的方差也逐渐增大;随着污染时间延长,在污染末期,水平空间标准差达到一个稳定的较大值,该指标的方差也达到一个较小值,说明受到污染的影响,鱼群开始出现无力游动的现象,均匀且离散分布在水平方向上．在这3个过程中,水平方向上的空间标准差整体上呈现增大的趋势．图3(d)为垂直方向上的空间标准差的变化．正常情况下,鱼群均匀且随机分布在水箱中下部,垂直方向上的空间标准差维持在一个稳定的较小值;当水质受到污染时,水中溶氧量降低,由于每条鱼在异常情况下的反映存在差异,所以此时部分鱼从水底浮向水面吸收氧气,部分鱼仍在中下部,鱼类分布离散程度增大,所以垂直方向上的空间标准差逐渐增大;污染末期几乎所有鱼都浮出水面,垂直空间标准差趋于零,该指标的方差也随之减小．在这3个过程中,垂直方向上的空间标准差先增大后减小,且变化明显．3.3.3 体色量化分析红色斑马鱼的体色用HSI颜色空间下的饱和度S分量量化,由于各个像素点的饱和度分量存在差异,无法直接进行比较,因此计算运动目标的每个像素点的饱和度分量的平均值作为参数指标．其体色在正常情况下很鲜艳,即饱和度较大．但当水环境受到重金属即铜离子的污染时,鱼的体色会逐渐变得暗淡,饱和度分量也随之减小．实验结果如图3(e)所示．在这3个过程中,饱和度分量一直呈现减小的趋势．3.4 分级报警在实验过程中,个别鱼可能处于在水底休息或浮在水面呼吸的状态,但由于鱼群具有统计特性,个别鱼的异常行为不会影响鱼群的参数量化结果,从实验结果可以看出,参数量化的结果比较平稳,因此不会因为个别鱼的反常行为出现误检的结果．与单条鱼相比,使用鱼群进行实验提高了水质监测的准确性,降低了错误报警的概率．分别选取各情况不连续的500帧视频图像进行MATLAB软件测试[18],由于污染末期与正常情况下的归一化速率的值相近,无法分辨这两种情况,故该软件可以实现二级报警系统,避免正常情况下出现错误报警．具体步骤如下所述:1) 利用实验数据分别界定各项参数的报警阈值．选择正常情况下若干帧(一般选500～1 000帧)某参数的数据以及污染初期若干帧数据,分别求出它们的平均值normal和pollution-early,然后求出这两个值的均值作为该参数的正常情况到污染初期的一级报警阈值:.选择污染初期若干帧数据以及污染末期若干帧数据,分别求出它们的平均值pollution-early和pollution-later,然后求出这两个值的均值作为污染初期到污染末期的二级报警阈值:.2) 对鱼类行为进行在线监测,将选择作为监测指标的各个参数分别与设定好的阈值进行比较．为了消除单一时刻参数的随机变化对结果的影响,将各个参数若干帧数据的平均值与阈值进行比较．当两个及两个以上参数同时达到一级报警条件时进行报警．应该注意参数的变化趋势,体现出过渡阶段．3) 当两个及两个以上参数同时达到二级报警条件时,先判断是否进行过一级报警,若是则说明此时处于污染初期到污染末期的过渡时期,应该发出二级警报;否则说明此时仍是正常情况,不进行任何处理．本研究基于视觉化的计算机监测系统,对红色斑马鱼进行监测,根据鱼群的应激行为分析水质,并在异常状况下预警.与传统的理化分析法相比,生物监测法更快速、灵敏.实验结果表明,本系统采用的RGB颜色空间下的红蓝分量差分法和最大重合面积算法能够很好地实现运动目标的提取和跟踪.使用多维参数联合报警和分级报警,可以降低误报率,实现更准确有效的水质监测.实验数据表明,鱼群的归一化速率、群心纵坐标、水平和垂直方向的空间标准差、饱和度分别在正常情况-污染初期、污染初期-污染末期的对比中都存在显著性差异,故可以使用这5个参数作为检验水质的参考标准.【相关文献】[1] 马颢珺,左航,白明.水中重金属在线监测技术发展概述[J].环境科学与管理,2011,36(8):130-132.[2] 杨培莎,朱艳华.水质生物监测方法及应用展望[J].北方环境,2010,22(2):71-73.[3] 黄东龙,周勤.水体突发性重金属污染胁迫下斑马鱼的行为反应分析[J].环境监测管理与技术,2011,23(4):27-31.[4] 王春凤,方展强.汞和硒对剑尾鱼的急性毒性及其安全浓度评价[J].环境科学与技术,2005,28(2):32-34.[5] 黄东龙,凌亮,周勤.基于视觉技术的水质安全在线生物预警系统设计[J].中国给水排水,2014(9):113-117.[6] 赵毅寰,王祖林.背景差分与帧间差分相融合的运动目标检测方法[J].通信学报,2007,28(8A):133-136.[7] 李百惠,杨庚.混合高斯模型的自适应前景提取[J].中国图象图形学报,2013,18(12):1620-1627.[8] 高浩军,杜宇人.中值滤波在图像处理中的应用[J].信息化研究,2004,30(8):35-36.[9] 葛春平.一种二值图像连通区域标记的简单快速算法[J].价值工程,2012,31(28):232-233.[10] 张修军,郭霞,金心宇.带标记矫正的二值图象连通域像素标记算法[J].中国图象图形学报,2003,8(2):198-202.[11] 刘皞,赵峰民,陈望达.一种基于背景自适应的运动目标检测与跟踪算法[J].海军航空工程学院学报,2012(1):15-18.[12] 张金松,黄毅,韩小波,黄廷林.鱼的行为变化在水质监测中的应用[J].给水排水,2013,7(39):166-170.[13] 黄晓荣,庄平.鱼类行为学研究现状及其在实践中的应用[J].淡水渔业,2002,32(6):53-56.[14] 纪岚,李菁.生物指标在环境评价中的使用方法论述[J].安徽预防医学杂志,2005,11(6):356-357.[15] 孙杰,陈再忠.利用鱼类在线预警系统对重金属暴露下斑马鱼行为的分析和比较[J].江苏农业科学,2012,40(10):206-208.[16] 胡强,谢剑斌,刘继伟.数字视频监控系统与运动检测技术概述[J].科技信息:学术版,2007(27):98-104.[17] 张凤菊,刘晓娟,赵丽平,等.数据差异显著性检验[J].农机使用与维修,2012(4):51-52.[18] 王玉林,葛蕾,李艳斌.新型界面开发工具:MATLAB/GUI[J].无线电通信技术,2008,34(6):50-52.。
基于全视域GASVR模型的鱼类行为双目视觉观测系统标定
摘 要：针对大视场水下环境鱼类行为视觉观测系统较难准确标定的问题，该文以双目立体测量系统为例，提出一种基
于全视域 GA-SVR（genetic algorithm-support vector regression）模型的鱼类行为三维观测系统标定方法。该方法选用具有
圆点靶标的方形标定板为标定工具，通过设计具备前后左右移动能力的简易滑动轨道，实现了标定板的全视域空间定位。
然后利用 HALCON 算子获取标定板靶点二维坐标，联立标定板空间位置，构建训练样本集。选取 SVR 模型对样本集进
行训练，对比不同的寻优算法对支持向量回归模型的参数组合寻优结果，选用最优参数分别建立 X，Y，Z 轴标定模型。
定方法，徐盼麟等[6-8]提出了一种结合镜面反射的鱼类三 维标定定位方法，上述方法需要利用投影或平面镜等方 法辅助定位，相机标定复杂、定位精度低，只能适用于 特定实验室工况环境。多目视觉技术主要是利用多个相 机从不同角度观测鱼类行为。该方法主要是通过建立多 个双目相机之间三维几何约束，实现运动准确测量，因 此其核心标定方法还是双目视觉标定方法。例如，Santana 等[9]沿 5～200 m 的不同深度安装多组双目视觉系统，构 建立体视频观测系统，检测鱼群运动模式和行动规律； Bond 等[10]利用多组双目视觉系统构建立体观测网络，监 测连片海底管网附近鱼群活动，为研究鱼群和海底基础 设施相互影响提供影像资料支持。双目视觉技术是目前 最常用的三维观测技术，已被广泛应用在实际生产中的 多个领域。在鱼类运动轨迹测量研究方面，Viscido 等[11] 提出一种分散式双目视觉观测系统，通过布置在鱼缸两 边的相机观测鱼类运动行为，实现了鱼类运动轨迹测量， 但是由于相机位置分散，较难构建两个相机间有效重叠 视域，无法精准标定相机，只能利用 2 幅二维图像相关 性近似构建空间三维关系，导致测量精度较低，无法准 确判断鱼类位置；李林波等[12]提出一种结合双目视觉技 术和高斯背景建模方法的水下鱼类行为观测系统，实现 了对水下环境中的鱼类的定位跟踪，但是此方法采用传 统的张氏标定方法[13]，没有考虑水体和玻璃折射对测量
基于视频图像的鱼类行为轨迹追踪
基于视频图像的鱼类行为轨迹追踪
江丹丹;桂福坤
【期刊名称】《浙江海洋学院学报（自然科学版）》
【年(卷),期】2015(034)002
【摘要】随着网箱养殖的不断发展,准确把握养殖水质变化、养殖密度等方面的信息是保证优质高产的必要条件,现在网箱养殖中主要通过人眼观测具有很大的不可靠性.而鱼类在环境变化时能产生不同的应激反应,所以通过观测鱼类游泳行为能够为鱼类健康监控提供重要依据.本实验利用图像处理技术结合计算机编程对拍摄的鱼运动视频进行处理,首先对视频图像进行灰度变换、灰度拉伸、滤波去噪预处理得到较好质量的图像,接着进行目标分割提取出目标鱼类,对鱼类进行识别去除其他杂点,最后利用提取的出的鱼的边缘轮廓计算形心点,把形心点作为跟踪点,模拟出鱼类运动轨迹.该实验的能在视频图像上直接画出鱼类的运动轨迹,实现鱼类运动的实时跟踪.
【总页数】7页(P112-118)
【作者】江丹丹;桂福坤
【作者单位】国家海洋设施养殖工程技术研究中心,浙江海洋学院海洋科学与技术学院,浙江舟山316022;国家海洋设施养殖工程技术研究中心,浙江海洋学院海洋科学与技术学院,浙江舟山316022
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于视频图像的眼动追踪系统算法 [J], 王际航;刘富;袁雨桐;刘星
2.基于视频图像的汽车乘员位置追踪算法研究 [J], 曹立波;刘曜;周雪桂
3.基于形变轮廓模型的视频图像中人物领域的追踪 [J], 朱洪锦;范洪辉;叶飞跃;朱世松
4.基于缴费行为轨迹追踪的渠道风险监控模型 [J], 李捞扒;邹阳;曾晓勤
5.基于视频图像的人眼动态追踪 [J], 宋琴琴;杨国平
因版权原因，仅展示原文概要，查看原文内容请购买。
基于GMM-CNN的鱼道内鱼类游泳行为提取方法
基于GMM-CNN的鱼道内鱼类游泳行为提取方法基于GMM-CNN的鱼道内鱼类游泳行为提取方法摘要：鱼类游泳行为分析在水环境保护、水产养殖和生态学研究中具有重要意义。
本文针对鱼道内鱼类游泳行为的提取问题，提出了一种基于GMM-CNN的方法。
首先利用高斯混合模型（GMM）对鱼道内的视频序列进行背景建模，以减少背景干扰；然后采用卷积神经网络（CNN）对鱼类游泳行为进行分类与识别。
实验结果表明，该方法能有效地提取出鱼类游泳行为，为进一步研究鱼道内鱼类活动提供了科学依据。
关键词：鱼类游泳行为；GMM-CNN；鱼道内；背景建模；分类与识别一、引言鱼类是水生动物的重要组成部分，其游泳行为研究不仅对于水环境保护具有重要意义，同时也对于水产养殖和生态学研究有着重要的参考价值。
随着计算机视觉和深度学习技术的不断发展，利用计算机算法对鱼类游泳行为进行分析和识别已成为可能。
鱼道作为一种重要的水资源管理工具，为鱼类提供了一个安全通行的环境，其内部的鱼类游泳行为数据对于鱼道效果评估和鱼类行为研究具有重要意义。
然而，由于鱼道内部存在各种干扰因素，如水草、泥沙等，导致视频序列的背景复杂多样。
因此，如何减少背景干扰，并提取出准确的鱼类游泳行为是一个亟待解决的问题。
二、方法本文提出一种基于GMM-CNN的鱼道内鱼类游泳行为提取方法。
具体步骤如下：1. 背景建模：利用GMM模型对鱼道内的视频序列进行背景建模。
首先，将视频序列分解为一系列的帧图像。
然后，对每个像素的颜色值进行建模，计算每个像素属于背景的概率。
利用最大后验概率估计方法确定背景像素，并更新模型参数。
2. 预处理：为了进一步减少背景干扰，对背景建模后的视频序列进行预处理。
通过图像增强、滤波和边缘检测等操作，提高图像质量和边缘信息的可辨识度。
3. 游泳行为提取：采用卷积神经网络（CNN）对预处理后的图像序列进行分类与识别。
首先，将图像序列输入到CNN模型中进行特征提取。
然后，利用softmax函数对特征进行分类，并输出鱼类游泳行为的预测结果。
基于视频分析的鱼类运动目标提取
度分析可以判断鱼的健康状况 ； 通过对鱼类在水
层 中聚集位 置 的分 析可 以推 测水 质 状 况 ； 当鱼 类 感 染 寄生虫 时也 会 表 现 出特 定 的行 为动 作 ， 因此
对 鱼类 的各 种 行 为 进 行 分 析 一 直 是 研 究 人 员 关 心 的问题 。最 开 始 的 鱼 类 行 为 研 究 是 由人 工 观
异 性研 究 ； ２ ０ ０ ９年 ， Ｗａ ｎ ｇ等 对鱼 类 在拥 繁 重 、 记 录不 准 确 、 观 察 不 全面 等诸 多缺 陷 。随着 技 术 的发 展 ， 开始 出现 了 自动 记 录的方 式 ， 如对 鱼 群 的活 动 检 测采 用 回声 探测 技术 … ； 对 鱼 的生理 行 为 分析 采 用 声 音测 量
第３ ２ 卷第１ 期
２ ０１ ７年 ２月
渔 业 信 息 与 战 略
Ｆｉ ｓ ｈｅ ｒ ｙ Ｉ ｎ ｆ ｏｒ ｍａ ｔ ｉ ｏ ｎ＆ Ｓ ｔ ｒ ａ ｔ ｅ ｇ ｙ
Ｖｏ １ ． ３ ２ ，Ｎｏ ． １ Ｆ ｅ ｂ ，２ ０ １ ７
文章 编号 ：２ ０ ９ ５—３ ６ ６ ６ （ ２ ０ １ ７ ） ０ １— ０ ０ ４ ４—０ ７
金项 目（ １ ５ Ｚ Ｒ１ ４ ５ ０ ０ ０ ０ ）
作 者简 介 ：张胜茂 （ １ ９ ７ ６ 一） ， 男， 副研究员 、 博士 。研究方 向： 渔业遥感 ， 地理信息系统 ， 图像处理 。
Ｅ — ｍａ ｉ ｌ ： ｒ ｙ ｓ ｈ ｅ ｎ ｇ ｍａ ｏ ＠１ ２ ６ ． ｃ ｏ ｍ。
Ｄ ＯＩ ： １ ０ ． １ ３ ２ ３ ３ ／ ｊ ． ｃ ｎ ｋ ｉ ． ｉ ｆ ｓ ｈ ｉ ｓ ． ２ ０ １ ７ ． Ｏ １ ． ０ ０ ８
基于视频图像解析的鱼类应激回避行为水质监测方法[发明专利]
![基于视频图像解析的鱼类应激回避行为水质监测方法[发明专利]](https://img.taocdn.com/s3/m/664aa9e56c85ec3a86c2c566.png)
专利名称：基于视频图像解析的鱼类应激回避行为水质监测方法
专利类型：发明专利
发明人：唐亮,饶凯锋,刘勇,马梅,徐艺草,姜杰,王伟,袁德羽,马金锋,朱亚东,胡之远,李龙龙
申请号：CN201911060130.3
申请日：20191101
公开号：CN110702869A
公开日：
20200117
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于视频图像解析的鱼类应激回避行为水质监测方法，涉及水质监测领域，该方法基于生物行为与计算机视觉，研究水环境中生物行为与毒理学之间的对应关系，对高帧率、高清晰度的视频信息进行分析处理，得到鱼的运动轨迹以及骨架信息，通过对骨架信息和运动轨迹的进一步分析计算得到各类受水质情况影响的行为数据，解析并综合不同类别的行为数据得到可靠的水质监测结果。
申请人：无锡中科水质环境技术有限公司,中国科学院生态环境研究中心
地址：214024 江苏省无锡市南湖大道501号D栋102
国籍：CN
代理机构：无锡华源专利商标事务所(普通合伙)
代理人：聂启新
更多信息请下载全文后查看。
一种基于深度学习的水下鱼类形体测量装置及方法[发明专利]
![一种基于深度学习的水下鱼类形体测量装置及方法[发明专利]](https://img.taocdn.com/s3/m/36c0a628a1c7aa00b42acba2.png)
专利名称：一种基于深度学习的水下鱼类形体测量装置及方法专利类型：发明专利
发明人：林增敏,洪朝群,吴伟鹏
申请号：CN202010750460.1
申请日：20200730
公开号：CN111678441A
公开日：
20200918
专利内容由知识产权出版社提供
摘要：本发明公开一种基于深度学习的水下鱼类形体测量装置及方法，装置包括：适于放置于水下的第一防水摄像头以及第二防水摄像头、L型支架、至少一个水下照明设备以及边缘计算设备；其中，所述边缘计算设备与所述第一防水摄像头以及第二防水摄像头通信连接；所述L型支架包括相互连接的第一连接臂以及第二连接臂；所述第一防水摄像头设置于所述第一连接臂，且在第一防水摄像头附近设置有水下照明设备；所述第二防水摄像头设置于所述第二连接臂，且在第二防水摄像头附近设置有水下照明设备。
本发明在测量时对鱼的损害风险低、测量准确度高、效果好。
申请人：厦门理工学院
地址：361024 福建省厦门市集美区理工路600号
国籍：CN
代理机构：厦门智慧呈睿知识产权代理事务所(普通合伙)
代理人：杨唯
更多信息请下载全文后查看。
基于视频的水箱内鱼类行为观测系统
基于视频的水箱内鱼类行为观测系统
徐盼麟;韩军
【期刊名称】《湖南农业科学》
【年(卷),期】2011(000)019
【摘要】为了从视频中高效地提取鱼类行为数据,将雷达跟踪多机动目标的先进技术用于鱼类行为的研究,提出了一种基于视频的鱼类行为自动观测系统.选取红鼻鱼(Hemigrammus rhodostomus)为研究对象,以单摄像机结合镜面成像的方法进行观察视频拍摄,通过鱼类行为自动观测系统对鱼类行为数据实现自动化提取.在鱼的三维坐标计算阶段得到鱼的三维坐标算法,借助VC编程对鱼类行为进行自动跟踪,实现了实时输出鱼的鱼类行为数据.
【总页数】3页(P140-142)
【作者】徐盼麟;韩军
【作者单位】上海海洋大学海洋科学学院,上海201306;上海海洋大学海洋科学学院,上海201306
【正文语种】中文
【中图分类】S917.4
【相关文献】
1.鱼类应激行为作用下的水质视频监测分析系统 [J], 黄一凡;陈欣;袁飞
2.基于视频跟踪的竖缝式鱼道内鱼类运动行为分析 [J], 颜鹏东;谭均军;高柱;戴会超;石小涛;黄太安
3.基于全视域GA-SVR模型的鱼类行为双目视觉观测系统标定 [J], 刘世晶;唐荣;周海燕;刘兴国;陈军;王帅
4.基于深度学习的海底观测视频中鱼类的识别方法 [J], 张俊龙;曾国荪;覃如符
5.基于视频的水箱内鱼类行为观测系统 [J], 徐盼麟; 韩军
因版权原因，仅展示原文概要，查看原文内容请购买。
基于物联网技术的鱼类养殖环境监控系统
但它的作用是向发动机控制单元提供一个温度变化的模拟量
信号。它的供电电压是由控制单元提供的 5 V 电源，返回控制
单元的信号为 1.3 ～ 3.8 V 的线性变化信号。
２０１５年 ／ 第３期 物联网技术 １３
Copyright©博看网 . All Rights Reserved.
重 金 属， 实 际 上 主 要 是 指 汞、 镉、 铅、 铬、 砷 等 金 属 或 类 金 属， 也指具 有一定毒 性的一 般 重 金 属， 如铜、 锌、 镍、钴、锡等。在天然水体中一 般重金属产生毒性的范围 大 约 在 1 ～ 10 mg/L 之间， 而汞， 镉 等 产生毒 性的范围在 0.01 ～ 0.001 mg/L 之间。重金属检测方面，日本和欧盟国家 有的采用电感耦合等离子质谱法（ICP-MS）分析，但仪器成 本高。也有的采用 X 荧光光谱（XRF）分析，优点是无损检 测，可直接分析成品，但检测精度和重复性不如光谱法。目前 最新流行的检测方法是阳极溶出法，检测速度快，数值准确， 可用于现场等环境应急检测。
本系统主要由感知系统、网络层传输系统、应用层系统（包 括手动采集导入系统、数据处理展示系统和控制系统等）三 大部分组成。感知层解决的是人类世界和物理世界的数据获 取问题。它首先通过传感器、摄像机等设备，采集外部物理 世界的数据，然后通过 RFID、条形码、蓝牙、红外等短距离 传输技术传递数据。感知层所需要的关键技术包括检测技术、 短距离无线通信技术等。本系统的感知系统主要是指感知层 设备所组成的硬件系统，包括了传感器、摄像机、控制设备等， 负责获取各类数据、视频，并传输给后台处理 ；同时根据预 警情况，对设备进行控制。
全面感知 Comprehensive Perception
基于物联网技术的鱼类养殖环境监控系统
基于Internet的水箱液位远程监控实验系统
基于Internet的水箱液位远程监控实验系统
张威;王万良
【期刊名称】《机电工程》
【年(卷),期】2003(020)005
【摘要】以液位系统作为典型控制对象,介绍一种如何通过网络在远程客户端对控制对象进行实验辨识的方法,并根据辨识结果设计了PID控制器.通过MCGS(网络版)组态软件验证了实验辨识的结果,实现了对液位的远程监控功能.
【总页数】3页(P101-103)
【作者】张威;王万良
【作者单位】浙江工业大学,信息学院,浙江,杭州,310014;浙江工业大学,信息学院,浙江,杭州,310014
【正文语种】中文
【中图分类】TP393.4;TP273+.5
【相关文献】
1.THPFSY-2型双容水箱液位实验系统鲁棒故障诊断 [J], 陈虹丽;李强;刘纹岩
2.基于S7-300PLC的PID水箱液位实验装置 [J], 吴超;邹剑翔;马仕麟
3.基于双容水箱液位对象的实验项目设计及研究 [J], 邢海娜
4.基于强跟踪滤波的三容水箱液位估计仿真实验平台设计 [J], 高明;徐洁;盛立;周东华
5.双容水箱液位自抗扰控制系统稳定性分析及实验教学设计 [J], 李大字;李国强;张建青
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一
概率数据关联方法 （Ｄ ） Ｐ Ａ 和联合概率数据关联方 法 （ｏ ｔ ｒｂｂｌｔ ａ ｓｏｉｉｎＪＤ 阁 Ｊｉ ｏａｉｓｃＤ ｔ Ａ ｓｃａｏ ， Ａ） 为典 ｎＰ ｉｉ ａ ｔ Ｐ 型代 表 。 目前最有 效 的数据关 联方 法为 多假设
三维位置是鱼类行为三维重构和模拟仿真的前提 ， 直广 受 围 内外 学者 的关 注 。Ｓｅｅ ＶｓｉｏＩ ｔｖｎＶ． ｉ ｄＩ ｃ 等
ｂｅ ａ ｉ ｒ ｈ ｖｏ．
Ｋｅ ｙ ｗｏｒ ｓ ｆ ｈｂ ｈ ｖｏ； ｌ ｐｅ— ｒｅ ａ ｋｎ ； ｕｏ ｔｄｏ ｓ ｒａｉｎ ｄ ： ｓ ｅ ａ ｉｒ ｍｕｔ ｌ—ａｇ ｔｒ ｃ ｉｇ ａ ｔｍａｅ ｂ ｅｖ ｔ ｉ ｉ ｔ ｔ ｏ
鱼类行为观察视频包含譬如鱼的位置 、方 向、 游泳速度等信息 ，既可以作为鱼类行为特征数据 ， 也可以作为鱼类行为建模的率定和验证数据。 鱼的
×Ｕ Ｐ ｏ ｃｓ Ｓ ｏｇ ｏ Ｏ ｅ ｔ ｎｖｒ ｔ Ｓ ａｇ ａ ２ １ ０ ， Ｒ Ｃ ｌ ｇ ｅ ｆＭａｉ ｃ ｎｅ， ｈ￣ ｈｉ ｃ￣ ｉ ｓｙ ｈｎｈ ｉ ０ ３６ Ｐ ｎ Ｕ ｅ ｉ，
Ａｂｓ ｒ ｃ ：Ｔ ｘｒｃ ｈ ａａ ｏ ｓ ｅ ａ ｉｒｅｆ ｉｎｌ ｒｍ ｈ ｉｅ ，ｔｅ ａ ｖ ｎ ｅ ｅ ｈ ｏｏ ｙ ｏ ｌ ａｙ ｒｄ ｒ ｔ ａ ｔ ｏ ｅ ｔａ ｔｔｅ ｄ ｔ ｆｆ ｈ ｂ ｈ ｖｏ ｆ ｃｅ ｔ ｆｏ ｔｅ ｖｄ ｏ ｈ ｄ ａ ｃ ｄ ｔｃ ｎ ｌｇ ｆｍｉｔｒ ａ ａ ｉ ｉ ｙ ｉ
ｔ ｃ ｉ ｇ ｍｕ ｉ ｌ ｎ ｕ ｅ ｎ ａ ｇ ｔ ｗ ｓ ａ ｐ ｉｄ ｉ ｓ ｅ ａ ｉｒ ｒ ｓ ａ ｃ ． １ ｌ ａ ｎ ｗ ｔ ｏ ｔａ ｎ ａ ｔｍａ ｅ ｒ ｋ ｎ ｈ ｐ ｅ ｍａ ｅ ｖ ｒ ｇ ｔ ｒ ｅｓ ａ ｐ ｌ ｎ ｆ ｈ ｂ ｈ ｖ ｏ ｅ ｅ ｒ ｈ Ｉ ｔ ｅ ｍｅｈ ｄ ｈ ｔａ ｕ ｏ ｔ ｄ ａ ｉ ｅ ｉ ｈｓ ｏ ｓ ｒ ａｉ ｎ ｓ ｓ ｍ ｆｒｆ ｈ ｂ ｈ ｖｏ ａ ｅ ｎ ｖ ｄ ｏ ｗａ ｕ ｏ ｗ ｒ ｎ ｔ ｉ ａ ｔ ｌ ． ｍｉｒ ， Ⅱ ｈ ｄ ｓｏ ｓ ｗａ ａ ｅ ｂ ｅ ｖ ｔ ｙ ｔ ｏ ｓ ｅ ａ ｉｒｂ ｓ ｄ ｏ ｉ ｅ ｓｐ ｔｆｒ ａ ｄ ｉ ｈ ｓ ｒｉ ｅ Ｈｅ ｇ （ ｎ ｓｒ ｏ ｏ ｔ ｍｕ ｓｔｋ ｎ ｏ ｅ ｉ ｃ ａ ｈ ａ ｇ ｔ ｓ ｆｔ ｉ ｓｕ ｙ ｈ ｎ ｂ ｓｎ ｉ ｇｅ ｃ ｌｅ ａ ａ ｄ ａ ｗａｅ ｐ ｏ ｆ ｍｉ ｏ ，ｔｅ ｄ ｔ ｆｆ ｈ ｂ ｈ ｖ ｏ ｅ ｅ ｓ ｔ ｅ ｔ ｒ ｅ ｈ ｏ ｈ ｓ ｔ ｄ ．Ｔ ｅ ， ｙ ｕ ｉｇ ａ ｓ ｌ ａ ｒ ｎ ｔｒ ｒｏ — ｌ ｒ ｈ ａ ａ ｏ ｓ ｅ ａ ｉｒ ｗ ｒ ｉ ｆ ｎ ｎ Ｔ ｉ
湖南农业科学
２ １ ， １ ） １０ １２ ０ １ （９ ：４ ～ ４
Ｈｕａ ｇｉｕ ｕａ ｃ ｎｅ ｎｎＡ ｒ ｈ ｒｌ ｉ ｃｓ ｃ Ｓｅ
基 于视 频的水箱 内鱼类行为观测 系统
徐 盼麟 ， 韩 军
（ 海海 洋大 学海洋 科 学学院 ， 上 上海 ２ １０ ） ０ ３６
摘 要： 为了从视频 中高效地 提取鱼类行为数据 ， 将雷达跟踪多机动 目 的先进技术用 于鱼类 行为的研究 ． 出了一种基于视 标 提
编程对鱼类行 为进行 自 动跟踪 ， 实现 了实时输出鱼的鱼类 行为数据 。
关 键词 ： 鱼类行为 ； 目标跟踪 ； 多 自动观测
中图分 类号 ： １． ￥ ７ ９ ４
文献标 识码 ： Ａ
文章编号 ：０６００ （０ １１— １００ １０—６Ｘ ２ １）９０４—３
Ａｕ ｏ ａ ｅ ｂｓ ｒ ａ ｉ ｎ Ｓ ｓ ｅ ｏ ｓ Ｂｅ ｖ ｏ ｓ ｄ ｏ ｄｅ ｔ ｍ ｔ ｄ Ｏ ｅ ｖ ｔｏ ｙ ｔ ｍ ｆ ｒ Ｆｉｈ ｈａ ｉ ｒ ｂａ ｅ ｎ Ｖｉ ｏ
频 的鱼类行为 自动观测系统。 选取红鼻鱼 （ ｅ ｉ ａ ｒ ｓ ｈｄ ｓ ｒ ａ 为研究对象 ， Ｈ ｍ ｇ ｍ ｎ ｏｏｔａ ￣ ｒ ｕｒ ｏ ｔ） 以单摄像机结合镜面成像的方法进行观察视频
拍摄 ， 通过鱼类行 为 自 动观测 系统对鱼类行为数据实现 自动化提取。在鱼的ｉ维坐标计算阶段得到 鱼的ｊ维坐标算法 ， 借助 Ｖ ｃ
记 录鱼在 Ｘ Ｙ坐标 面及 Ｘ Ｚ坐标 面一 ｋ的游 动 。 ｅｒ Ｐｄｏ
ｆＨ ） Ｍ Ｔ方法 ， 但是 Ｍ Ｔ法的运算负荷较大 ， Ｈ 计算速
率受到很大制约。 ｏｌ ６ ＪＤ Ｂｊｏ ＬＶ等ｌ Ｐ Ａ法结合交 ｉｖ Ｊ 用 互式 多模型算法 （ ｔ ａｔ ｇＭ ｌｐ ｏｅ Ａｇ— Ｉ ｅ ｃｎ ｕ ｉ ｅＭ ｄｌ ｌ ｎｒ ｉ ｔｌ ｏ ｉ ｍ， ｆｈ Ｉ Ｍ） ｔ Ｍ 来代替 Ｍ Ｔ方法 ， 出一种高效的多 Ｈ 提
ｐ ｏ ｒ ｍ ａ ｓ ｄ ｔ ｔａ ｋ ｔ ｅ ｆ ｈ ｂ ｈ ｖ ｏ ｕｏ ｔ ａｌ ．Ｓ ｅ ｃ ｎ ｒ ａｉｅ ｔ ｅ ｒ ａ － ｉ ｕ ｐ ｔ ３ ｄ ｔ ｆ ｆ ｈ ｒ ｇ ａ ｗ ｓ ｕ ｅ ｏ ｒ ｃ ｈ ｓ ｅ ａ ｉｒ ａ ｔｍａｉ ｌ ｉ ｃ ｙ ｏ ｗ ａ ｅ ｌｚ ｈ ｅ ｌ ｔ ｍｅ ｏ ｔ ｕ Ｄ ａ ａ ｏ ｓ ｉ