CN102722716A - 河蟹单目标行为分析方法 - Google Patents
河蟹单目标行为分析方法 Download PDFInfo
- Publication number
- CN102722716A CN102722716A CN2012101611639A CN201210161163A CN102722716A CN 102722716 A CN102722716 A CN 102722716A CN 2012101611639 A CN2012101611639 A CN 2012101611639A CN 201210161163 A CN201210161163 A CN 201210161163A CN 102722716 A CN102722716 A CN 102722716A
- Authority
- CN
- China
- Prior art keywords
- river crab
- behavior
- crab
- river
- sorter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种河蟹单目标行为分析方法,包括:S1:读入利用3D视觉监测技术采集的彩色视频文件;S2:对视频文件进行3D视频跟踪处理,得到基于3D视觉技术的河蟹行为特征模型;S3:对该特征模型进行分类训练并得到基于3D视觉技术的河蟹行为分类器和分类结果;S4:读入利用无线传感技术所采集的河蟹运动传感信息;S5:根据步骤S4读入的数据形成基于无线传感监测技术的河蟹行为特征模型;S6:分析步骤S3得到分类器分类结果和步骤S5得到特征模型,得到基于无线传感监测技术的河蟹行为分类器;S7:对后续采集的实验数据可以使用步骤S3和步骤S6得到的分类器进行处理,并得到河蟹行为分类结果。本发明使得对河蟹行为分析结果更为量化和准确。
Description
技术领域
本发明涉及水生动物学和水产养殖学领域,具体涉及一种河蟹单目标行为分析方法。
背景技术
河蟹学名叫中华绒螯蟹,又称毛蟹、螃蟹、大闸蟹,被誉为“水中上品、汤筵佳肴”,是我国名优特产,主要分布在我国东部各海域沿岸及通海的河流。近几年我国河蟹养殖业发展迅速,已成为产值超千亿元的大产业,并已由追求产量的“大养蟹”向以质量效益为中心的“养大蟹”和“养生态蟹”转变,河蟹养殖业在改善人民生活和引导农民致富上发挥着越来越重要的作用。
随着不断增长的河蟹食用需求,大规模和超大规模集约化河蟹养殖是必然方向。但是目前对河蟹生态学的研究不够系统,并未达到生态学高度,特别是河蟹行为的研究(主要是河蟹行为和养殖生态环境关系的研究)基本处于依靠人工观察和分析的阶段。这种河蟹行为分析的方法和模式不仅耗费人力、物力和时间更无法得到科学的、量化的监测数据和分析结果。
由于无法了解河蟹行为与养殖环境(特别是胁迫养殖环境)的外在表现和内在联系,使得河蟹的摄食行为、活动状态、病害感染、格斗、死亡、环境适宜性等许多问题都无法得到科学的、合理的解释,进而导致很多河蟹养殖技术难题难以攻破,尤其是环境胁迫下造成的大量死亡问题(一个池塘,在短暂1小时内,可能出现绝产,几万元损失),在当前发展优质、高效、高产渔业的新形势下,极大地限制了河蟹养殖业发展。
河蟹对外界环境反应迅速,既能在水中作短暂游泳,又能迅速爬行和攀登高处。昼伏夜出,白天隐藏于洞穴、池底、石隙或草丛中,在夜间河蟹依靠嗅觉、靠一对复眼在微弱的光线下寻找食物。这样的生活习性使得常规的监测和分析方法根本无法进行河蟹行为的监测和分析,特别是胁迫环境下的行为监测和分析方法是多年来一直是困扰河蟹养殖专家的棘手难题。
目前,如专利文献200710173514.7、专利文献200910106867.4所述的系统和方法都可以对动物行为进行分析,但针对河蟹行为的分析主要存在以下不足:(1)现有系统所述的实验装置不能用于河蟹行为监测,无法取得河蟹行为数据,更无法使用相应软件进行分析;(2)现有方法主要研究对象为陆生哺乳动物,使用陆生动物行为特征和行为分类,不能适用于河蟹行为的分析。
综上,为了更好的进行河蟹生态学、河蟹行为学和河蟹养殖学研究并将其应用于河蟹的大规模和超大规模集约化养殖中,需要迫切地解决河蟹行为分析的难题。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何有效地监测并分析河蟹的行为。
(二)技术方案
为解决上述技术问题,本发明提供了一种河蟹单目标行为分析方法,包括以下步骤:
S1:读入利用3D视觉监测技术采集的彩色视频文件filetop和filefront,其中filetop表示正上方采集的视频,filefront表示正前方采集的视频;
S2:对步骤S1读入的文件进行3D视频跟踪处理,得到基于3D视觉技术的河蟹行为特征模型,所述基于3D视觉的河蟹行为特征模型定义为:Fcv={fp,cv|p=1,2,…,fs},其中,p为帧号,fs为总帧数,fp,cv为第p帧基于3D视觉技术的河蟹行为特征,fp,cv定义为 和分别表示河蟹的速度、加速度、空间位置、左侧蟹螯状态和右侧蟹螯状态, 和分别定义如下:
其中ltangle、lmangle和lbangle分别表示左侧螯足指节夹角、腕节夹角和长节夹角;
S3:对步骤S2所得特征模型进行分类训练并得到基于3D视觉技术的河蟹行为分类器Ccv及按该分类器Ccv分类的结果;
S4:读入利用无线传感技术所采集的河蟹运动传感信息;
S5:对步骤S4读入的数据进行特征提取,形成基于无线传感监测技术的河蟹行为特征模型,定义为:Fw={ft,w|t=1,2,…,tm},其中t为时间序列号,tm为时间序列号最大值,其中ft,w为第t时间基于无线传感技术的河蟹行为特征,定义为:其中表示速度、表示加速度、wl表示水位、wt表示水温,按时间采集顺序将ft,w组合为Fw;
其中speed′、spdx′、spdy′和spdz′分别表示速度值、速度方向的x分量、速度方向的y分量、速度方向的z分量;
S6:分析步骤S3得到分类器分类结果和步骤S5得到特征模型,得到基于无线传感监测技术的河蟹行为分类器Cw;
S7:根据不同的数据采集技术,选取相应的分类器分析得到河蟹的行为的分类结果。
其中,所述步骤S2中利用粒子滤波跟踪算法进行河蟹单目标跟踪,得到跟踪路径并在跟踪过程中计算出河蟹基于3D视觉技术的行为特征集,从而得到基于3D视觉技术的河蟹行为特征模型,具体步骤包括:
S21:初始化帧计数器p=0,得到总帧数fs;
S23:对河蟹目标进行轨迹点记录,分别计算运动速度加速度并将运动速度加速度空间位置左侧蟹螯状态右侧蟹螯状态线性组合成为第p帧基于3D视觉技术的河蟹行为特征fp,cv,并将fp,cv加入基于3D视觉技术的河蟹行为特征集Fcv中;
S24:帧计数器p=p+1,若p=fs则结束,否则转到步骤S22。
其中,所述步骤S3具体包括:
S31:将采集的部分视频信息经过人工观察,标记出其典型行为;
S32:采用随机森林法得到所述基于3D视觉技术的河蟹行为分类器Ccv,并使用十折交叉验证法对分类器验证,分类条件集合为:cd={thsp,tha,thpst,thlclaw,thrclaw},其中th表示对应下标向量的阈值,CDcv={cdClasscl|cl=1,2,...,tcl},其中,cdClasscl表示河蟹行为类别为Classcl的行为的分类条件;
S33:对未被标记的视频信息所对应的基于3D视觉技术的河蟹行为特征模型使用S32步骤得到分类器Ccv,通过计算待识别河蟹行为所属河蟹行为类别的综合隶属度得到分类结果集CB,
其中,按如下公式计算待识别河蟹行为所属河蟹行为类别的决策集:
y={Classcl|cl=1,2,…,tcl}
Yoriginal={yi|i=1,2,…,n}其中,y为河蟹行为类别代码,Yoriginal为随机森林的决策集,对于每帧的对应一个Yoriginal,yi为第i棵决策树的决策结果,即第i课决策树对当前输入帧的河蟹行为特征所判定的河蟹行为类别代码,n为随机森林中决策树的总数,tcl是河蟹行为类型的总数;
按如下公式计算随机森林结果的统计集:
Ystat=Stat(Yoriginal)
Ystat={Num(Classcl)|cl=1,2,…,tcl}
其中,Ystat为Yoriginal的统计集,Stat(·)为统计函数,用以对Yoriginal中出现的相同结果做数量统计,Num(Classcl)表示河蟹行为类别代码为Classcl的结果在结果集Yoriginal中的数量;
按如下公式计算待识别河蟹行为所属河蟹行为类别代码:
cb=argmax(Ystat)
其中,arg表示取max函数得到的最大值所代表的类别代码而非最大值本身,cb即为向量中具有最大综合隶属度的河蟹行为类别代码,按帧号顺序将cb组合成分类结果集CB:CB={cbp|p=1,2,...,fs},其中cbp为第p帧河蟹行为类别代码,fs为总帧数。
其中,所述步骤S6具体包括:
S61:利用时间序列号和帧号为对应关系,以步骤S5中构造的基于无线传感技术的河蟹行为特征模型Fw为输入,以步骤S33中得到分类结果CB为参考,构造待分析的样本数据集;
S62:将S61中得到的样本数据集作为训练样本,采用一对一v-支持向量机训练,得到基于无线传感技术的河蟹行为分类器Cw,分类器Cw中共含有tcl×(tcl-1)/2个v-SVM分类器,其中tcl为河蟹行为类型总数。
其中,所述步骤S7具体包括:
若数据为基于3D视觉技术采集,则选取步骤S32得到的基于3D视觉技术的河蟹行为分类器Ccv对数据进行处理,并得到河蟹行为的分类结果;
若数据为基于无线传感技术采集,则选取步骤S62得到的基于无线传感技术的河蟹行为分类器Cw对数据进行处理,经过投票机制,即选取tcl×(tcl-1)/2个v-SVM分类器出现次数最多的结果,作为行为分类结果。
(三)有益效果
本发明通过融合了3D视觉技术的河蟹行为分类结果和基于无线传感监测技术的河蟹行为特征模型,得到了基于无线传感监测技术的河蟹行为分类器,使得今后对河蟹行为的监测不仅仅局限于实验环境下,也可推广至自然水环境中。对未来大规模和超大规模的集约化河蟹养殖的监测和分析提供了基础性的保障和铺垫,使得对河蟹分析结果更为量化和准确。
附图说明
图1是本发明实施例的一种河蟹单目标行为分析方法流程图;
图2是图1方法中通过3D视觉技术监测河蟹行为的装置结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明利用3D视觉技术和无线传感监测技术对河蟹在不同的水环境(特别是胁迫环境)下的行为进行监测,将3D视觉技术所采集到的视频信息进行分割、跟踪处理,继而提取到河蟹的运动行为特征,如:运动路径、运动速度、运动方向、运动加速度、运动加速度方向等并将其进行特征建模,由此得到河蟹行为分类器;将正确识别和分类的河蟹行为与其无线传感监测技术采集的运动传感信息进行分析,进一步得到基于无线传感技术监测数据的河蟹行为分类器,为未来河蟹的生态学、行为学和养殖学研究提供了基础性方法,从而使得对自然界的河蟹分析结果更为量化和准确。具体流程如图1所示,包括:
步骤S101,读入利用3D视觉监测技术采集的彩色视频文件filetop和filefront,其中filetop表示正上方采集的视频,filefront表示正前方采集的视频。3D视觉监测的装置如图2所示,包括实验封闭箱体1、顶部高清彩色摄像机2、实验玻璃缸3、无线传感器4、正面高清彩色摄像机5、三脚架6、水循环过滤桶7、高性能电脑8、无线传感采集接收器9和显示器10。该装置主要用来采集河蟹行为的3D视频和河蟹行为的。进行实验时,将每只河蟹壳体上系绑上无线采集器,之后放入实验玻璃缸中。
调节好所需水环境的参数并将实验箱体封闭,打开两个高清彩色摄像机、水质监测传感器和无线采集接收器。
实验开始前,调节好高清彩色摄像机参数、无线传感采集存储周期和数据存放位置。
实验开始后,采集在实验玻璃缸中的河蟹运动视频并存储在高性能电脑中,并将无线采集接收器中的信息存储在数据库中。
此后便进行视频跟踪,对采集的河蟹运动视频进行多目标跟踪处理,并得到相应数值存储在数据库中。
步骤S102,对S1读入的文件进行3D视频跟踪处理,采用粒子滤波跟踪算法进行河蟹单目标跟踪,得到跟踪路径并在跟踪过程中计算出河蟹基于3D视觉技术的行为特征集,从而得到基于3D视觉技术的河蟹行为特征模型,即对根据所得到的存储在数据库的表征河蟹行为的数值数据建立基于3D视觉的河蟹行为特征模型,其模型为:
Fcv={fp,cv|p=1,2,…,fs},其中,p为帧号,fs为总帧数,fp,cv为第p帧基于3D视觉技术的河蟹行为特征,fp,cv定义为 和分别表示河蟹的速度、加速度、空间位置、左侧蟹螯状态和右侧蟹螯状态, 和分别定义如下:
建立上述基于3D视觉技术的河蟹行为特征模型步骤如下:
S21,初始化帧计数器p=0,得到总帧数fs;
S23,对河蟹目标进行轨迹点记录,分别计算运动速度加速度并将运动速度加速度空间位置左侧蟹螯状态右侧蟹螯状态线性组合成为第p帧基于3D视觉技术的河蟹行为特征fp,cv,并将fp,cv加入基于3D视觉技术的河蟹行为特征集Fcv中;
S24,帧计数器p=p+1,若p=fs则结束,否则转到步骤S22。
步骤S103,对步骤S102所得特征模型进行分类训练并得到基于3D视觉技术的河蟹行为分类器Ccv及按该分类器Ccv分类的结果。具体分类步骤如下:
S31,将采集的部分视频信息经过人工观察,标记出其典型行为;
S32,采用随机森林法(详见数据挖掘与应用,作者:张俊妮;非参数统计作者:王星等)得到基于3D视觉技术的河蟹行为分类器Ccv,并使用十折交叉验证法对分类器验证,其中的随即森林法中的决策树数量为dtn,则进行dtn次循环,每次循环中,随机从步骤S31得到的数据集中有放回选取dm个数据,即dm个fcv,并使用这些数据训练出一颗未剪枝决策树,经dtn次循环后得到dtn棵决策树,将其组合为一个决策树集合,即随机森林。
其中,分类条件集合为:cd={thsp,tha,thpst,thlclaw,thrclaw},其中th表示对应下标向量的阈值,该阈值可根据实际条件设定,在不同的条件下对S31中的人工标记的典型行为设置上述阈值。如:不同的季节,河蟹不同的生长期阈值条件不同。当河蟹的行为同时满足一组cd={thsp,tha,thpst,thlclaw,thrclaw}的阈值条件时就将该行为分到该组阈值条件划分的类。CDcv={cdClasscl|cl=1,2,...,tcl},其中,cdClasscl表示河蟹行为类别为Classcl的行为的分类条件;
S33,对未被标记的视频信息所对应的基于3D视觉技术的河蟹行为特征模型使用S32步骤得到分类器Ccv,通过计算待识别河蟹行为所属河蟹行为类别的综合隶属度得到分类结果集CB。
其中,按如下公式计算待识别河蟹行为所属河蟹行为类别的决策集:
y={Classcl|cl=1,2,…,tcl}
Yoriginal={yi|i=1,2,…,n}
其中,y为河蟹行为类别代码,Yoriginal为随机森林的决策集,对于每帧的对应一个Yoriginal,yi为第i棵决策树的决策结果,即第i课决策树对当前输入帧的河蟹行为特征所判定的河蟹行为类别代码,n为随机森林中决策树的总数,tcl是河蟹行为类型的总数。
按如下公式计算随机森林结果的统计集:
Ystat=Stat(Yoriginal)
Ystat={Num(Classcl)|cl=1,2,…,tcl}
其中,Ystat为Yoriginal的统计集,Stat(·)为统计函数,用以对Yoriginal中出现的相同结果做数量统计,Num(Classcl)表示河蟹行为类别代码为Classcl的结果在结果集Yoriginal中的数量。
按如下公式计算待识别河蟹行为所属河蟹行为类别代码:
cb=arg max(Ystat)
其中,arg表示取max函数得到的最大值所代表的类别代码而非最大值本身,cb即为向量中具有最大综合隶属度的河蟹行为类别代码。按帧号顺序将cb组合成分类结果集CB:
CB={cbp|p=1,2,...,fs}
其中cbp为第p帧河蟹行为类别代码,fs为总帧数。
步骤S104,读入利用无线传感技术所采集的河蟹运动传感信息。无线传感监测技术是指在不影响所监测动物正常活动的情况下,将无线传感器固定于它的某个身体部位上用于采集信息;再通过无线传感技术将所监测动物所处环境的信息(如:温度、气压、水压等)和所监测动物自身的运动参数信息(如:三向加速度、速度等)传至无线采集接受器,以达到对动物所处环境及对动物自身运动监测的目的。
步骤S105,对步骤S104读入的数据进行特征提取,形成基于无线传感监测技术的河蟹行为特征模型,定义为:Fw={ft,w|t=1,2,…,tm},其中t为时间序列号,tm为时间序列号最大值,其中ft,w为第t时间基于无线传感技术的河蟹行为特征,定义为:其中表示速度、表示加速度、wl表示水位、wt表示水温,按时间采集顺序将ft,w组合为Fw。
步骤S106,分析步骤S103得到分类器分类结果和步骤S105得到特征模型,得到基于无线传感监测技术的河蟹行为分类器。具体包括:
S61:利用时间序列号和帧号为对应关系,以步骤S5中构造的基于无线传感技术的河蟹行为特征模型Fw为输入,以步骤S33中得到分类结果Yoriginal为参考,构造待分析的样本数据集,即在时间t利用无线传感技术采集到的河蟹行为特征为输入,对应时间t时采用3D视觉技术采集的对应帧的河蟹行为特征的分类结果为参考,构造待分析的样本数据集;
S62:将S61中得到的样本数据集作为训练样本,采用一对一v-支持向量机(one-against-one v-SVMs)训练,得到基于无线传感技术的河蟹行为分类器Cw,分类器Cw中共含有tcl×(tcl-1)/2个v-SVM分类器,其中tcl为河蟹行为类型总数。
步骤S107,根据不同的数据采集技术,选取相应的分类器分析得到河蟹的行为的分类结果。若数据为基于3D视觉技术采集,则选取步骤S32得到的基于3D视觉技术的河蟹行为分类器Ccv对数据进行处理,并得到河蟹行为的分类结果;
若数据为基于无线传感技术采集,则选取步骤S62得到的基于无线传感技术的河蟹行为分类器Cw对数据进行处理,经过投票机制,即选取tcl×(tcl-1)/2个v-SVM分类器出现次数最多的结果,作为行为分类结果。SVM的分类过程为:
y=sgn(g(fw))
其中g()为目标函数,sgn为符号函数,y是分类结果,fw为无线传感技术的特征向量。
经过基于无线传感技术分类器生成得到基于无线传感技术的分类器并可推广至自然水环境中使用,使得今后对河蟹行为学、河蟹养殖学的研究可使用自动化的行为分析技术,大大节省了人力、物力和研究周期,且分析结果更为量化和准确。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (5)
1.一种河蟹单目标行为分析方法,其特征在于,包括以下步骤:
S1:读入利用3D视觉监测技术采集的彩色视频文件filetop和filefront,其中filetop表示正上方采集的视频,filefront表示正前方采集的视频;
S2:对步骤S1读入的文件进行3D视频跟踪处理,得到基于3D视觉技术的河蟹行为特征模型,所述基于3D视觉的河蟹行为特征模型定义为:Fcv={fp,cv|p=1,2,…,fs},其中,p为帧号,fs为总帧数,fp,cv为第p帧基于3D视觉技术的河蟹行为特征,fp,cv定义为 和分别表示河蟹的速度、加速度、空间位置、左侧蟹螯状态和右侧蟹螯状态, 和分别定义如下:
其中x、y和z分别表示x坐标、y坐标和z坐标;
S3:对步骤S2所得特征模型进行分类训练并得到基于3D视觉技术的河蟹行为分类器Ccv及按该分类器Ccv分类的结果;
S4:读入利用无线传感技术所采集的河蟹运动传感信息;
S5:对步骤S4读入的数据进行特征提取,形成基于无线传感监测技术的河蟹行为特征模型,定义为:Fw={ft,w|t=1,2,…,tm},其中t为时间序列号,tm为时间序列号最大值,其中ft,w为第t时间基于无线传感技术的河蟹行为特征,定义为:其中表示速度、表示加速度、wl表示水位、wt表示水温,按时间采集顺序ft,w组合为Fw;
S6:分析步骤S3得到分类器分类结果和步骤S5得到特征模型,得到基于无线传感监测技术的河蟹行为分类器Cw;
S7:根据不同的数据采集技术,选取相应的分类器分析得到河蟹的行为的分类结果。
2.如权利要求1所述的河蟹单目标行为分析方法,其特征在于,所述步骤S2中利用粒子滤波跟踪算法进行河蟹单目标跟踪,得到跟踪路径并在跟踪过程中计算出河蟹基于3D视觉技术的行为特征集,从而得到基于3D视觉技术的河蟹行为特征模型,具体步骤包括:
S21:初始化帧计数器p=0,得到总帧数fs;
S23:对河蟹目标进行轨迹点记录,分别计算运动速度加速度并将运动速度加速度空间位置左侧蟹螯状态右侧蟹螯状态线性组合成为第p帧基于3D视觉技术的河蟹行为特征fp,cv,并将fp,cv加入基于3D视觉技术的河蟹行为特征集Fcv中;
S24:帧计数器p=p+1,若p=fs则结束,否则转到步骤S22。
3.如权利要求1所述的河蟹单目标行为分析方法,其特征在于,所述步骤S3具体包括:
S31:将采集的部分视频信息经过人工观察,标记出其典型行为;
S32:采用随机森林法得到所述基于3D视觉技术的河蟹行为分类器Ccv,并使用十折交叉验证法对分类器验证,分类条件集合为:cd={thsp,tha,thpst,thlclaw,thrclaw},其中th表示对应下标向量的阈值,CDcv={cdClasscl|cl=1,2,...,tcl},其中,cdClasscl表示河蟹行为类别为Classcl的行为的分类条件;
S33:对未被标记的视频信息所对应的基于3D视觉技术的河蟹行为特征模型使用S32步骤得到分类器Ccv,通过计算待识别河蟹行为所属河蟹行为类别的综合隶属度得到分类结果集CB,
其中,按如下公式计算待识别河蟹行为所属河蟹行为类别的决策集:
y={Classcl|cl=1,2,…,tcl}
Yoriginal={yi|i=1,2,…,n}其中,y为河蟹行为类别代码,Yoriginal为随机森林的决策集,对于每帧的对应一个Yoriginal,yi为第i棵决策树的决策结果,即第i课决策树对当前输入帧的河蟹行为特征所判定的河蟹行为类别代码,n为随机森林中决策树的总数,tcl是河蟹行为类型的总数;
按如下公式计算随机森林结果的统计集:
Ystat=Stat(Yoriginal)
Ystat={Num(Classcl)|cl=1,2,…,tcl}
其中,Ystat为Yoriginal的统计集,Stat(·)为统计函数,用以对Yoriginal中出现的相同结果做数量统计,Num(Classcl)表示河蟹行为类别代码为Classcl的结果在结果集Yoriginal中的数量;
按如下公式计算待识别河蟹行为所属河蟹行为类别代码:
cb=argmax(Ystat)
其中,arg表示取max函数得到的最大值所代表的类别代码而非最大值本身,cb即为向量中具有最大综合隶属度的河蟹行为类别代码,按帧号顺序将cb组合成分类结果集CB:CB={cbp|p=1,2,...,fs},其中cbp为第p帧河蟹行为类别代码,fs为总帧数。
4.如权利要求1所述的河蟹单目标行为分析方法,其特征在于,所述步骤S6具体包括:
S61:利用时间序列号和帧号为对应关系,以步骤S5中构造的基于无线传感技术的河蟹行为特征模型Fw为输入,以步骤S33中得到分类结果CB为参考,构造待分析的样本数据集;
S62:将S61中得到的样本数据集作为训练样本,采用一对一v-支持向量机训练,得到基于无线传感技术的河蟹行为分类器Cw,分类器Cw中共含有tcl×(tcl-1)/2个v-SVM分类器,其中tcl为河蟹行为类型总数。
5.如权利要求1所述的河蟹单目标行为分析方法,其特征在于,所述步骤S7具体包括:
若数据为基于3D视觉技术采集,则选取步骤S32得到的基于3D视觉技术的河蟹行为分类器Ccv对数据进行处理,并得到河蟹行为的分类结果;
若数据为基于无线传感技术采集,则选取步骤S62得到的基于无线传感技术的河蟹行为分类器Cw对数据进行处理,经过投票机制,即选取tcl×(tcl-1)/2个v-SVM分类器出现次数最多的结果,作为行为分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210161163.9A CN102722716B (zh) | 2012-05-22 | 2012-05-22 | 河蟹单目标行为分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210161163.9A CN102722716B (zh) | 2012-05-22 | 2012-05-22 | 河蟹单目标行为分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102722716A true CN102722716A (zh) | 2012-10-10 |
CN102722716B CN102722716B (zh) | 2014-03-12 |
Family
ID=46948466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210161163.9A Active CN102722716B (zh) | 2012-05-22 | 2012-05-22 | 河蟹单目标行为分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102722716B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104601943A (zh) * | 2013-10-30 | 2015-05-06 | 王舜逸 | 远程检视动植物医院 |
CN105469165A (zh) * | 2015-12-16 | 2016-04-06 | 中国农业大学 | 河蟹格斗行为预警方法、装置及系统 |
CN106526112A (zh) * | 2016-10-25 | 2017-03-22 | 浙江工业大学 | 一种基于鱼类活性分析的水质毒性检测方法 |
CN111737649A (zh) * | 2020-05-29 | 2020-10-02 | 海南大学 | 一种鱼类间空间竞争行为关系的判断方法 |
CN113179981A (zh) * | 2021-04-26 | 2021-07-30 | 新疆爱华盈通信息技术有限公司 | 基于深度学习的公寓式螃蟹辅助养殖方法、系统和装置 |
WO2023165299A1 (zh) * | 2022-03-03 | 2023-09-07 | 石河子大学 | 一种应用于多种类高密度极小虫体行为学的智能分析系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060074828A1 (en) * | 2004-09-14 | 2006-04-06 | Heumann John M | Methods and apparatus for detecting temporal process variation and for managing and predicting performance of automatic classifiers |
CN101114023A (zh) * | 2007-08-28 | 2008-01-30 | 北京交通大学 | 一种基于模型的湖泊湿地泛洪遥感监测方法 |
CN102445640A (zh) * | 2011-09-30 | 2012-05-09 | 云南电力试验研究院(集团)有限公司 | 基于向量机和人工鱼群优化的gis设备智能识别方法 |
-
2012
- 2012-05-22 CN CN201210161163.9A patent/CN102722716B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060074828A1 (en) * | 2004-09-14 | 2006-04-06 | Heumann John M | Methods and apparatus for detecting temporal process variation and for managing and predicting performance of automatic classifiers |
CN101114023A (zh) * | 2007-08-28 | 2008-01-30 | 北京交通大学 | 一种基于模型的湖泊湿地泛洪遥感监测方法 |
CN102445640A (zh) * | 2011-09-30 | 2012-05-09 | 云南电力试验研究院(集团)有限公司 | 基于向量机和人工鱼群优化的gis设备智能识别方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104601943A (zh) * | 2013-10-30 | 2015-05-06 | 王舜逸 | 远程检视动植物医院 |
CN104601943B (zh) * | 2013-10-30 | 2017-11-17 | 王仙固 | 远程检视动植物容器 |
CN105469165A (zh) * | 2015-12-16 | 2016-04-06 | 中国农业大学 | 河蟹格斗行为预警方法、装置及系统 |
CN105469165B (zh) * | 2015-12-16 | 2021-09-28 | 中国农业大学 | 河蟹格斗行为预警方法、装置及系统 |
CN106526112A (zh) * | 2016-10-25 | 2017-03-22 | 浙江工业大学 | 一种基于鱼类活性分析的水质毒性检测方法 |
CN111737649A (zh) * | 2020-05-29 | 2020-10-02 | 海南大学 | 一种鱼类间空间竞争行为关系的判断方法 |
CN113179981A (zh) * | 2021-04-26 | 2021-07-30 | 新疆爱华盈通信息技术有限公司 | 基于深度学习的公寓式螃蟹辅助养殖方法、系统和装置 |
CN113179981B (zh) * | 2021-04-26 | 2022-07-01 | 新疆爱华盈通信息技术有限公司 | 基于深度学习的公寓式螃蟹辅助养殖方法、系统和装置 |
WO2023165299A1 (zh) * | 2022-03-03 | 2023-09-07 | 石河子大学 | 一种应用于多种类高密度极小虫体行为学的智能分析系统 |
US11967182B2 (en) | 2022-03-03 | 2024-04-23 | Shihezi University | Intelligent analysis system applied to ethology of various kinds of high-density minimal polypides |
Also Published As
Publication number | Publication date |
---|---|
CN102722716B (zh) | 2014-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102722716B (zh) | 河蟹单目标行为分析方法 | |
Godfrey et al. | A new interpretation of Madagascar's megafaunal decline: The “Subsistence Shift Hypothesis” | |
Mithen | Simulating prehistoric hunter-gatherer societies | |
Fulton et al. | Where the ecological gaps remain, a modelers' perspective | |
Lane | Hunter-gatherer-fishers, ethnoarchaeology, and analogical reasoning | |
Griffith et al. | HOMINIDS: An agent-based spatial simulation model to evaluate behavioral patterns of early Pleistocene hominids | |
Phillips | Networked glass: lithic raw material consumption and social networks in the Kuril islands, Far Eastern Russia | |
Abdollahzadeh et al. | Puma optimizer (PO): A novel metaheuristic optimization algorithm and its application in machine learning | |
Dong et al. | Optimizing forest spatial structure with neighborhood-based indices: Four case studies from northeast China | |
Kumar et al. | An experimental investigation to spotting the weeds in rice field using deepnet | |
Mathew et al. | Determining the region of apple leaf affected by disease using YOLO V3 | |
Negrete | Artificial neural networks in mexican agriculture, A overview | |
Agrawal et al. | Rice plant diseases detection using convolutional neural networks | |
CN115482504A (zh) | 一种基于ai算法的城市公园活力计算方法及系统 | |
Sadik Tasrif Anubhove et al. | Tomato’s disease identification using machine learning techniques with the potential of AR and VR technologies for inclusiveness | |
Zhang et al. | Unmanned aerial system-based weed mapping in sod production using a convolutional neural network | |
Chen et al. | Novel intelligent grazing strategy based on remote sensing, herd perception and UAVs monitoring | |
Fisher | Understanding Culture History Using Topographic Morphometrics of Lithic Projectile Points: Paleoindian Case Studies from the Great Plains and Northern Alaska | |
Shah et al. | Analyzing implementation of AI, robotics, and UAV technologies in agriculture to boost irrigation and solve crop monitoring challenges | |
Wang et al. | Identifying the growth status of hydroponic lettuce based on YOLO-efficientNet | |
Tatler | Integrated analysis of the movement and ecology of wild dingoes in the arid zone | |
Pritchard et al. | 3D flightpaths reveal the development of spatial memory in wild hummingbirds | |
Asimov | In Silico Experiments | |
Perera et al. | Button Mushroom Farming Using Machine Learning | |
Chaozong et al. | A relief-based forest cover change extraction using GF-1 images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |