养殖鱼类摄食行为的特征提取研究与应用进展(3)
3.1.2 基于红外光
可见光一般适用于实验室、网箱等光照条件较好的养殖设施,但大多现实养殖设施并非具有此条件。近红外光成像技术可不受光照强度的影响,在相对黑暗条件下也能达到较好的成像效果,适用于识别光照条件差的养殖设施[57-58],且成本低,易于开发。Zhou等[59]利用近红外光成像技术,并对图像进行处理获得二值图像,为消除水花飞溅和反光的影响,利用支持向量机、反射帧等方法进行去除,根据三角剖分法计算鱼群摄食行为的聚集指数(FIFFB),以此量化摄食行为,且与人为经验测量的相关系数达0.945。随后Zhou等[60]又建立自适应网络模糊推理系统(ANFIS),实现了基于鱼食欲的自动投喂策略,结果表明该模型进食精确度达98%,同时有效降低了饲料成本。事实上,近红外系统已经普遍运用于水产养殖中生物量、2D、3D的跟踪,并取得了非常好的效果[61]。
3.2 基于声学识别的研究进展
3.2.1 声学监测
通过监测鱼类的发声特征来监测摄食行为的方式被称为被动声学识别。在海洋中,很多水生生物都以声音进行信号交流,目前发现鲸、豚等哺乳动物,鼓虾(Alpheidae),鱼类中尤其是石首鱼科发声特征较为明显。同为石首鱼科的大黄鱼和黄姑鱼都会发出类似猪的“哼”叫声[62]。对鱼类进行长期声学监测还可以此推断周期性繁殖行为、摄食行为等。研究发现,凡纳滨对虾的摄食声特征可以衡量摄食活性强度,根据摄食声脉冲的数量与特征频率估算饲料的消耗量[63]。另外对大菱鲆摄食声音研究发现,其摄食声音与食欲存在线性关系[28]。声学技术虽然能够避免光照因素的影响,但背景噪声是影响鱼类摄食行为精确识别最主要的因素,汤涛林等[64]构建声学监测平台,发现罗非鱼摄食频率范围为0~6 kHz,可与背景噪声区分开来,且声功率与摄食活性呈正相关。另外在7~10 kHz频率范围内,大比目鱼摄食声信号受背景噪声影响较小,且变化幅度为15~20 dB[65]。上述虽然利用摄食声特征来评估鱼类的摄食活性,但还需提高该方法的准确性,减少环境噪声和其他随机噪声的影响。基于声学监测技术少数国家已成功研发了能够更好满足鱼类摄食所需,更智能的投饲系统,加拿大Feeding Systems公司生产的The peney自动投饲设备,通过声波传感监测养殖对象的活动迹象来控制投饲系统的始停;挪威CageEye公司的自动饲喂系统从生物和环境数据声呐传感器收集数据,再使用智能算法和“学习机制”来分析数据,进而做出投喂反馈,使饲喂性能提高至少10%。
3.2.2 声呐成像
除摄食声信号特征外,声呐成像技术近年来在渔业声学中取得了很大的进展,利用声学传感系统获取未被摄食饲料的声呐图像[66],基于自动投饲系统的开发。在识别声呐系统中,双频识别声呐系统在12 m内可获得接近视频的清晰图像,可确定鱼体游动的幅度以及能见度为零时游动的方向,弥补了声呐与光学系统之间的差距,已被应用于水坝附近鲑鱼行为监测中[67]。声呐成像技术与光学图像处理方法相似,但前者还包括回波强度、能量等信息,比光学图像包含的信息更丰富。一些研究表明,鱼群的密度与空间分布可反应鱼类的食欲,可采用声学重建鱼群体积,分析鱼群的数量、分布、长度等特征[68-70],尤其对于高密度养殖,声呐成像技术能够更好地监测鱼类行为以及生物量的估算。
4 讨论与展望
4.1 计算机视觉技术与声学技术的对比分析
虽然计算机视觉技术在鱼类行为识别中运用广泛,但在采集鱼群图像时易受目标环境的影响,鱼体在不同背景下成像状态有所不同,其图像的颜色、纹理、形状等特征表达都会发生变化。目前单特征分析局限较大[71],不能对摄食行为进行多角度、全方位的观察分析。可见光对养殖设施的光照强度要求较高,虽然使用近红外成像有所弥补[59],但在黑暗且水质混浊状况下仍无法使用。在声学监测中常以水听器为信号采集设备[72],其操作简单且灵敏度高。可实时显示监测到频率、能量、波形等,但易受环境等非摄食声音的干扰,在高密度养殖中还需避免鱼体撞击水听器。声呐成像系统也同样会受噪声的影响,然而双频识别声呐系统由于灵敏度高,不必再进行降噪处理[67],但扫描影像比较狭窄。由于水下环境复杂导致多目标跟踪与光学成像相比更加复杂,计算量更大,并且经典的多目标跟踪算法并不适用于鱼类的多目标跟踪,主要面临的问题为背景噪声、目标运动随机性导致的交叉与消失等状况引起观测量的不确定。
文章来源:《应用声学》 网址: http://www.yysxzz.cn/qikandaodu/2021/0616/531.html
上一篇:高铁车厢内语言清晰度预测及优化
下一篇:阶梯复合形光声池声流特性计算与评估