CN108898161A - 一种基于耳石形态的鲚属鱼类种群判别方法 - Google Patents

一种基于耳石形态的鲚属鱼类种群判别方法 Download PDF

Info

Publication number
CN108898161A
CN108898161A CN201810581235.2A CN201810581235A CN108898161A CN 108898161 A CN108898161 A CN 108898161A CN 201810581235 A CN201810581235 A CN 201810581235A CN 108898161 A CN108898161 A CN 108898161A
Authority
CN
China
Prior art keywords
coilia
fishes
otolith
long
morphology
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.)
Pending
Application number
CN201810581235.2A
Other languages
English (en)
Inventor
姜涛
杨健
刘洪波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Freshwater Fisheries Research Center of Chinese Academy of Fishery Sciences
Original Assignee
Freshwater Fisheries Research Center of Chinese Academy of Fishery Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Freshwater Fisheries Research Center of Chinese Academy of Fishery Sciences filed Critical Freshwater Fisheries Research Center of Chinese Academy of Fishery Sciences
Priority to CN201810581235.2A priority Critical patent/CN108898161A/zh
Publication of CN108898161A publication Critical patent/CN108898161A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于耳石形态的鲚属鱼类种群判别方法，属于水生野生动物保护技术领域。其通过采集、拍摄、修正、数据库建立和判别分析，具体为采集不同水域的鲚属鱼类样本；样本采集后运回实验室，摘取耳石，并以主凹槽面向上拍摄照片；将所有照片按照统一方向进行放大倍率修正，使所有照片处于统一方向和倍率下；建立参考坐标轴系并计算出耳石形态上的轮廓端点和主凹槽拐点的坐标点数据文件。本发明的分析方法可靠，精度良好；不仅对不同种鲚属鱼类能有效地区别，同时对同种不同群体鲚属鱼类有效地区分；此外还可建立各鲚属鱼类耳石形态特征库以及判别函数方程。

Description

一种基于耳石形态的鲚属鱼类种群判别方法
技术领域
本发明涉及一种基于耳石形态的鲚属鱼类种群判别方法，能够较为客观、有效地区分不同鲚属鱼类种群以及同种不同地理群体；利用这些特征可以较有效、快速且准确地判别不同种类和不同地理群体的鲚属鱼类，属于水生野生动物保护技术领域。
背景技术
在我国，鲚属鱼类主要有三种刀鲚(Coilia nasus)，凤鲚(C.mystus)和七丝鲚(C.grayii)。其中刀鲚除去洄游型群体外，还存在淡水定居种，包括湖鲚(C.nasustaihuensis)和短颌鲚(C.brachygnathus)。这些鲚属鱼类在生境上存在不同时间和地点的混栖。例如在我国的几大通海河道，如黄河、长江、钱塘江、瓯江等都有刀鲚和凤鲚的分布，而在我国南方的几条通海河道，如珠江、九龙江、闽江等又同时分布有凤鲚和七丝鲚，此外在一些通江湖泊中还存在有定居型的短颌鲚和湖鲚与洄游型的刀鲚混栖的情况。混栖的存在为这部分鱼类的调查研究带来了一定的困难，如果不能很好的解决栖息地内混栖群体的判别和组成，则很难较为正确和准确地评价资源现存量和动态。
传统方法中，鱼类形态学一直是种群或群体判别的重要依据。基于对鱼体的一些形态学测量和比较(如上颌骨长、头长、全长、体高等)，和鱼体的一些外形特征(如臀鳍条数、胸鳍条数、上颌骨是否过鳃盖)等，前人建立了一系列的鲚属鱼类判别方法。传统的这些方法在以往的调查工作中，显得十分快速、有效，是经典的鱼类种群的重要判别方法。特别是其在数据获取的便利性和对鱼体的保护性上是一些其他方法所不能取代的。然而，由于鱼体形态和其生理情况和发育阶段关系密切，这其中存在很大的变异性；不同种群间外形的一些可数的外形性状存在交叉。在以往鲚属鱼类资源颇丰的时候可能这些情况对于种群的正确评估影响不大，使得传统的形态学分析方法在很大程度上能够较为客观的反映种群情况。但是，由于目前鲚属鱼类群体资源下降情况严重、个体小型化和低龄化情况也十分突出，这使得如何更加准确地对鲚属鱼类资源进行判别和鉴定，显得尤为重要。与传统方法相比较，分子生物学方法可以从遗传和生化角度更精确的分析鱼类的种群结构。不过其在时间、资金和工作量的消耗上较大，对于标本的保存也有一定的要求。除此之外，遗传上的分化在时间尺度上跨度较大，这也造成遗传学方法对于一些种群内不同生态群体的调查存在困难。
由于以上这些情况的存在，使得我们迫切需要寻找一种便捷、高效鲚属鱼类种群判别的工具。而这其中耳石形态研究无疑是一种很好的研究手段。与传统形态学分析方法相比，地标点法则更加关注特定形态的差异特征，能够通过将形态学上的差异进行抽象化并进一步放大以反映对象间特征点的差异。有鉴于此，本发明利用地标点法就我国鲚属鱼类耳石形态特征进行分析，为了解鲚属鱼类不同种群提供快速、高效的判别方法，从而为准确评估鲚属鱼类资源情况和保护提供可能的技术支持。
发明内容
本发明的目的是克服传统形态测量准确性、客观性等的不足，以及其他如化学、分子生物技术等受到生理影响较大等特点，提供一种新的不同鲚属鱼类种群的判别方法。其利用地标点法对不同鲚属鱼类耳石形态中的多种形态特征进行分析，经图像处理后提取地标点坐标，进行相对扭曲主成份分析以及判别分析，并利用薄板样条分析和网格变形将其形态变异矢量可视化，以此来进行种群判别；该方法所取得结果稳定性好、可重复性高、系统误差小、客观性和判别性强，不仅克服了传统形态学方法判别率低以及化学等方法易受到生理条件变化的局限，而且显示出其快速、简便、低成本的优势。
本发明的技术方案，一种基于耳石形态的鲚属鱼类种群判别方法，步骤如下：
(1)采集：野外采集不同产地的鲚属鱼类样品，并运回实验室，摘取耳石作为研究对象；
(2)拍摄：使用数码相机拍摄其完整的耳石形态；
(3)修正：在电脑上将所有照片按照统一方向进行放大倍率修正，使所有照片处于统一方向和同一倍率下；
(4)数据库建立：建立参考坐标轴系并计算所需坐标点数据文件；
(5)判别分析：根据坐标点数据文件计算其相对扭曲得分，并进行判别分析，用判别线性函数值区别不同种鲚属鱼类以及同种鲚属鱼类不同地理群体。
步骤(1)中采用右矢耳石作为研究对象。
步骤(2)拍摄时，在带有刻度的平板上按照耳石主凹槽向上的方向使用数码相机拍摄其完整的耳石形态。
步骤(4)数据库建立时，选取耳石轮廓极值点和主凹槽拐点。
步骤(5)判别分析时，利用tpsdig2软件对拍摄好并经过处理过的耳石图片建立坐标点，获取地标点的x、y 2D坐标值，建立坐标点数据文件，利用tipsmall软件进行最小平方和法则Least-squares criterion回归分析，检验地标点的有效性；用tpsRelw经普氏叠加得出地标点，对每个样本的地标点进行平移置中、旋转和缩放，计算出质心距离，求出平均型mean shape，利用tpsRegr进行薄板样条分析，描绘出各鲚属鱼类耳石的网格图，比较与平均形的形态差异。
所述鲚属鱼类具体包括刀鲚、湖鲚、短颌鲚、凤鲚、七丝鲚。
所述九龙江七丝鲚和凤鲚判别线性函数如下：
Y＝96.51X1+25.4X2+20.33X3-117.8X4+88.356X5-2.06X6-28.61X7+50.33X8-21.22X9+35.29X10+54.65X11+220.33X12-101.39X13-259.01X14-161.25X15-287.54X16-5.73；
X1-16中X代表相对扭曲得分，下标数字表示相对扭曲过程中的次数。
所述鄱阳湖短颌鲚和太湖湖鲚的判别线性函数如下：
Y＝68.31X1+94.35X2-84.23X3-260.79X4-31.63X5+409.47X6-333.75X7+160.71X8+216.08X9+129.01X10+136.02X11-459.6X12+166.17X13+116.94X14-399.26X15+241.48X16-8.03；
X1-16中X代表相对扭曲得分，下标数字表示相对扭曲过程中的次数。
所述长江刀鲚和瓯江刀鲚的判别线性函数如下：
Y＝-101.56X1-61.64X2+76.2X3+66.23X4+107.18X5+178.52X6+204.66X7+63.59X8-229.07X9+158.767X10+539.43X11-73.56X12+419.88X13-133.59X14-219.98X15+268.62X16-7.3；
X1-16中X代表相对扭曲得分，下标数字表示相对扭曲过程中的次数。
本发明的有益效果：本发明以鄱阳湖短颌鲚、太湖湖鲚、长江和瓯江刀鲚、九龙江七丝鲚、瓯江凤鲚等水域所捕的鲚属鱼类耳石形态作为研究对象，无需其他特殊处理，直接利用数码相机采集其耳石形态照片，通过电脑将所有照片进行标准化后，经过一系列地标点的抽取以及比较，即可较为快速的了解不同鲚属鱼类种群形态特征的差异以及地理特征，并基于以上这些特征建立不同鲚属鱼类种群的判别公式。该方法所取得的结果具有客观性、稳定性好，可重复性高、系统误差小，判别性强，不仅克服了传统形态学方法判别率低以及化学等方法易受到生理条件变化的局限，而且显示出其快速、简便、低成本的优势。
本发明可以有效地区分分别产自上述鄱阳湖短颌鲚、太湖湖鲚、长江和瓯江刀鲚、九龙江七丝鲚、九龙江凤鲚等水域所捕鲚属鱼类，对应的判别成功率达100％，并建立了各鲚属鱼类种群特有的耳石形态特征库和判别函数方程。
附图说明
图1是实施例1利用tpsdig2软件对拍摄好并经过处理过的耳石图片建立的坐标点示意图。
图2是实施例1中九龙江七丝鲚耳石形态的网格图示意图(变异扩大3倍)。
图3是实施例1中凤鲚耳石形态的网格图示意图(变异扩大3倍)。
图4是实施例2中鄱阳湖短颌鲚耳石形态的网格图示意图(变异扩大3倍)。
图5是实施例2中太湖湖鲚耳石形态的网格图示意图(变异扩大3倍)。
图6是实施例3中长江刀鲚耳石形态的网格图示意图(变异扩大3倍)。
图7是实施例3中瓯江刀鲚耳石形态的网格图示意图(变异扩大3倍)。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
实施例1：一种基于耳石形态的鲚属鱼类种群判别方法，采用以下工艺步骤：
(1)采集：凤鲚和七丝鲚标本分别于2016年9月于九龙江口分别各采集10尾，运回实验室后摘取右矢耳石作为研究对象；
(2)拍摄：在带有刻度的平板上按照耳石主凹槽向上的方向使用数码相机拍摄其完整的耳石形态；
(3)修正：在电脑上将所有照片按照统一方向进行放大倍率修正，使所有照片处于统一方向和同一倍率下；
(4)数据库建立：利用tpsdig2软件对拍摄好并经过处理过的耳石图片建立的坐标点，如图1所示，获取地标点的x、y坐标值(2D)，建立坐标点数据文件，利用tipsmall软件进行最小平方和法则(Least-squares criterion)回归分析，检验地标点的有效性；用tpsRelw经普氏叠加得出地标点，对每个样本的地标点进行平移置中、旋转和缩放，计算出质心距离，求出平均型(mean shape)，利用tpsRegr进行薄板样条分析，描绘出各种群耳石形态的网格图(图2)，比较与平均形的形态差异；
(5)判别分析：根据坐标点数据文件计算其相对扭曲得分进行判别分析，两种鲚属鱼类耳石形态有显著的差异(判别成功率达100％)。根据这些特征，建立两个鲚属鱼类耳石形态相对扭曲得分(relative warps scores)的判别线性函数。
九龙江七丝鲚和凤鲚
Y＝96.51X1+25.4X2+20.33X3-117.8X4+88.356X5-2.06X6-28.61X7+50.33X8-21.22X9+35.29X10+54.65X11+220.33X12-101.39X13-259.01X14-161.25X15-287.54X16-5.73
X1-16中X代表相对扭曲得分，下标数字表示相对扭曲过程中的次数。利用本发明所获得数据可以较为客观地区别九龙江七丝鲚和凤鲚，且判别准确率均达100％，判别效果良好。
实施例2：一种基于耳石形态的鲚属鱼类种群判别方法，采用以下工艺步骤：
(1)采集：短颌鲚于2016年7月在鄱阳湖采集10尾，湖鲚于2017年6月在太湖采集10尾，运回实验室后摘取右矢耳石作为研究对象；
(2)拍摄：在带有刻度的平板上按照耳石主凹槽向上的方向使用数码相机拍摄其完整的耳石形态；
(3)修正：在电脑上将所有照片按照统一方向进行放大倍率修正，使所有照片处于统一方向和同一倍率下；
(4)数据库建立：利用tpsdig2软件对拍摄好并经过处理过的耳石图片建立的坐标点，如图1所示，获取地标点的x、y坐标值(2D)，建立坐标点数据文件，利用tipsmall软件进行最小平方和法则(Least-squares criterion)回归分析，检验地标点的有效性；用tpsRelw经普氏叠加得出地标点，对每个样本的地标点进行平移置中、旋转和缩放，计算出质心距离，求出平均型(mean shape)，利用tpsRegr进行薄板样条分析，描绘出各种群耳石形态的网格图(图3)，比较与平均形的形态差异；
(5)判别分析：根据坐标点数据文件计算其相对扭曲得分进行判别分析，两种鲚属鱼类耳石形态有显著的差异(判别成功率达100％)。根据这些特征，建立两个鲚属鱼类耳石形态相对扭曲得分(relative warps scores)的判别线性函数。
鄱阳湖短颌鲚和太湖湖鲚：
Y＝68.31X1+94.35X2-84.23X3-260.79X4-31.63X5+409.47X6-333.75X7+160.71X8+216.08X9+129.01X10+136.02X11-459.6X12+166.17X13+116.94X14-399.26X15+241.48X16-8.03
X1-16中X代表相对扭曲得分，下标数字表示相对扭曲过程中的次数。利用本发明所获得数据可以较为客观地区别鄱阳湖短颌鲚和太湖湖鲚，且判别准确率均达100％，判别效果良好。
实施例3：一种基于耳石形态的鲚属鱼类种群判别方法，采用以下工艺步骤：
(1)采集：长江刀鲚于2017年5月在长江口采集10尾，瓯江刀鲚于2008年8月在瓯江口采集10尾，运回实验室后摘取右矢耳石作为研究对象；
(2)拍摄：在带有刻度的平板上按照耳石主凹槽向上的方向使用数码相机拍摄其完整的耳石形态；
(3)修正：在电脑上将所有照片按照统一方向进行放大倍率修正，使所有照片处于统一方向和同一倍率下；
(4)数据库建立：利用tpsdig2软件对拍摄好并经过处理过的耳石图片建立的坐标点，如图1所示，获取地标点的x、y坐标值(2D)，建立坐标点数据文件，利用tipsmall软件进行最小平方和法则(Least-squares criterion)回归分析，检验地标点的有效性；用tpsRelw经普氏叠加得出地标点，对每个样本的地标点进行平移置中、旋转和缩放，计算出质心距离，求出平均型(mean shape)，利用tpsRegr进行薄板样条分析，描绘出各种群耳石形态的网格图(图3)，比较与平均形的形态差异；
(5)判别分析：根据坐标点数据文件计算其相对扭曲得分进行判别分析，两种鲚属鱼类耳石形态有显著的差异(判别成功率达100％)。根据这些特征，建立两个鲚属鱼类耳石形态相对扭曲得分(relative warps scores)的判别线性函数。
长江刀鲚和瓯江刀鲚：
Y＝-101.56X1-61.64X2+76.2X3+66.23X4+107.18X5+178.52X6+204.66X7+63.59X8-229.07X9+158.767X10+539.43X11-73.56X12+419.88X13-133.59X14-219.98X15+268.62X16-7.3
X1-16中X代表相对扭曲得分，下标数字表示相对扭曲过程中的次数。利用本发明所获得数据可以较为客观地区别长江刀鲚和瓯江刀鲚，且判别准确率均达100％，判别效果良好。

Claims (9)

1.一种基于耳石形态的鲚属鱼类种群判别方法，其特征是步骤如下：
(1)采集：野外采集不同产地的鲚属鱼类样品，并运回实验室，摘取耳石作为研究对象；
(2)拍摄：使用数码相机拍摄其完整的耳石形态；
(3)修正：在电脑上将所有照片按照统一方向进行放大倍率修正，使所有照片处于统一方向和同一倍率下；
(4)数据库建立：建立参考坐标轴系并计算所需坐标点数据文件；
(5)判别分析：根据坐标点数据文件计算其相对扭曲得分，并进行判别分析，用判别线性函数值区别不同种鲚属鱼类以及同种鲚属鱼类不同地理群体。
2.如权利要求1所述基于耳石形态的鲚属鱼类种群判别方法，其特征是：步骤(1)中采用右矢耳石作为研究对象。
3.如权利要求1所述基于耳石形态的鲚属鱼类种群判别方法，其特征是：步骤(2)拍摄时，在带有刻度的平板上按照耳石主凹槽向上的方向使用数码相机拍摄其完整的耳石形态。
4.如权利要求1所述基于耳石形态的鲚属鱼类种群判别方法，其特征是：步骤(4)数据库建立时，选取耳石轮廓极值点和主凹槽拐点。
5.如权利要求1所述基于耳石形态的鲚属鱼类种群判别方法，其特征是：步骤(5)判别分析时，利用tpsdig2软件对拍摄好并经过处理过的耳石图片建立坐标点，获取地标点的x、y 2D坐标值，建立坐标点数据文件，利用tipsmall软件进行最小平方和法则Least-squarescriterion回归分析，检验地标点的有效性；用tpsRelw经普氏叠加得出地标点，对每个样本的地标点进行平移置中、旋转和缩放，计算出质心距离，求出平均型mean shape，利用tpsRegr进行薄板样条分析，描绘出各鲚属鱼类耳石的网格图，比较与平均形的形态差异。
6.如权利要求1所述基于耳石形态的鲚属鱼类种群判别方法，其特征是：所述鲚属鱼类具体包括刀鲚、湖鲚、短颌鲚、凤鲚、七丝鲚。
7.如权利要求6所述基于耳石形态的鲚属鱼类种群判别方法，其特征是：所述九龙江七丝鲚和凤鲚判别线性函数如下：
Y＝96.51X1+25.4X2+20.33X3-117.8X4+88.356X5-2.06X6-28.61X7+50.33X8-21.22X9+35.29X10+54.65X11+220.33X12-101.39X13-259.01X14-161.25X15-287.54X16-5.73；
X1-16中X代表相对扭曲得分，下标数字表示相对扭曲过程中的次数。
8.如权利要求6所述基于耳石形态的鲚属鱼类种群判别方法，其特征是：所述鄱阳湖短颌鲚和太湖湖鲚的判别线性函数如下：
Y＝68.31X1+94.35X2-84.23X3-260.79X4-31.63X5+409.47X6-333.75X7+160.71X8+216.08X9+129.01X10+136.02X11-459.6X12+166.17X13+116.94X14-399.26X15+241.48X16-8.03；
X1-16中X代表相对扭曲得分，下标数字表示相对扭曲过程中的次数。
9.如权利要求6所述基于耳石形态的鲚属鱼类种群判别方法，其特征是：所述长江刀鲚和瓯江刀鲚的判别线性函数如下：
Y＝-101.56X1-61.64X2+76.2X3+66.23X4+107.18X5+178.52X6+204.66X7+63.59X8-229.07X9+158.767X10+539.43X11-73.56X12+419.88X13-133.59X14-219.98X15+268.62X16-7.3；
X1-16中X代表相对扭曲得分，下标数字表示相对扭曲过程中的次数。
CN201810581235.2A 2018-06-07 2018-06-07 一种基于耳石形态的鲚属鱼类种群判别方法 Pending CN108898161A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810581235.2A CN108898161A (zh) 2018-06-07 2018-06-07 一种基于耳石形态的鲚属鱼类种群判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810581235.2A CN108898161A (zh) 2018-06-07 2018-06-07 一种基于耳石形态的鲚属鱼类种群判别方法

Publications (1)

Publication Number Publication Date
CN108898161A true CN108898161A (zh) 2018-11-27

Family

ID=64344241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810581235.2A Pending CN108898161A (zh) 2018-06-07 2018-06-07 一种基于耳石形态的鲚属鱼类种群判别方法

Country Status (1)

Country Link
CN (1) CN108898161A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110586562A (zh) * 2019-09-17 2019-12-20 浙江海洋大学 一种许氏平鲉种群的鉴别方法
CN110648044A (zh) * 2019-07-31 2020-01-03 暨南大学 一种河流生态系统中鱼类伞护种的筛选方法
CN110672648A (zh) * 2019-10-28 2020-01-10 中国水产科学研究院淡水渔业研究中心 非致死的刀鲚不同资源群体判别方法
CN114910608A (zh) * 2022-05-10 2022-08-16 山东省海洋科学研究院(青岛国家海洋科学研究中心) 基于鱼类耳石格栅化补点半地标点法群体判别方法
CN114994242A (zh) * 2022-05-10 2022-09-02 山东省海洋科学研究院(青岛国家海洋科学研究中心) 基于鱼类耳石的同心圆切割半地标点补点的群体判别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740918A (zh) * 2014-12-12 2016-07-06 上海海洋大学 一种基于极角坐标的耳石测量和鱼类种群鉴别方法
CN106305567A (zh) * 2016-08-21 2017-01-11 盘锦光合蟹业有限公司 一种用于河蟹判别的图像识别方法
CN107038458A (zh) * 2017-04-01 2017-08-11 中国水产科学研究院淡水渔业研究中心 一种基于中华绒螯蟹背甲形态的产地判别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740918A (zh) * 2014-12-12 2016-07-06 上海海洋大学 一种基于极角坐标的耳石测量和鱼类种群鉴别方法
CN106305567A (zh) * 2016-08-21 2017-01-11 盘锦光合蟹业有限公司 一种用于河蟹判别的图像识别方法
CN107038458A (zh) * 2017-04-01 2017-08-11 中国水产科学研究院淡水渔业研究中心 一种基于中华绒螯蟹背甲形态的产地判别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
侯刚 等: "基于地标点几何形态测量法识别北部湾 4 种白姑鱼矢耳石形态", 《中国水产科学》 *
姜涛: "基于耳石形态和微化学特征的我国鲚属鱼类洄游生态学研究", 《中国博士学位论文全文数据库 农业科技辑》 *
胡茂林 等: "鄱阳湖湖口水域鲚鱼的物种属性及资源现状", 《水产科技情报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110648044A (zh) * 2019-07-31 2020-01-03 暨南大学 一种河流生态系统中鱼类伞护种的筛选方法
CN110586562A (zh) * 2019-09-17 2019-12-20 浙江海洋大学 一种许氏平鲉种群的鉴别方法
CN110586562B (zh) * 2019-09-17 2022-01-11 浙江海洋大学 一种许氏平鲉种群的鉴别方法
CN110672648A (zh) * 2019-10-28 2020-01-10 中国水产科学研究院淡水渔业研究中心 非致死的刀鲚不同资源群体判别方法
CN114910608A (zh) * 2022-05-10 2022-08-16 山东省海洋科学研究院(青岛国家海洋科学研究中心) 基于鱼类耳石格栅化补点半地标点法群体判别方法
CN114994242A (zh) * 2022-05-10 2022-09-02 山东省海洋科学研究院(青岛国家海洋科学研究中心) 基于鱼类耳石的同心圆切割半地标点补点的群体判别方法
CN114910608B (zh) * 2022-05-10 2023-07-21 山东省海洋科学研究院(青岛国家海洋科学研究中心) 基于鱼类耳石格栅化补点半地标点法群体判别方法
CN114994242B (zh) * 2022-05-10 2023-08-11 山东省海洋科学研究院(青岛国家海洋科学研究中心) 基于鱼类耳石的同心圆切割半地标点补点的群体判别方法

Similar Documents

Publication Publication Date Title
CN108898161A (zh) 一种基于耳石形态的鲚属鱼类种群判别方法
Bandi et al. From detection of individual metastases to classification of lymph node status at the patient level: the camelyon17 challenge
WO2021258651A1 (zh) 一种检测循环异常细胞的方法及装置
CN106909941A (zh) 基于机器视觉的多表字符识别系统及方法
CN109829907A (zh) 一种基于深度学习的金属轴表面缺陷识别方法
CN111145176A (zh) 一种基于深度神经网络的胃癌淋巴结染色病理图像自动识别方法和系统
Yu et al. Automatic interesting object extraction from images using complementary saliency maps
CN112347894B (zh) 基于迁移学习和高斯混合模型分离的单株植被提取方法
Lee et al. An automated fish species classification and migration monitoring system
Zhou et al. Leukocyte image segmentation based on adaptive histogram thresholding and contour detection
CN106529552B (zh) 一种扇贝贝壳生长纹路的分割与识别方法
Cabrera et al. HeMatic: An automated leukemia detector with separation of overlapping blood cells through Image Processing and Genetic Algorithm
Li et al. An automatic plant leaf stoma detection method based on YOLOv5
CN113552126A (zh) 一种网织红细胞检测方法及其系统
CN110458200A (zh) 一种基于机器学习的花朵种类识别方法
CN114359238A (zh) 一种识别微塑料的方法、装置和存储介质
CN107038458A (zh) 一种基于中华绒螯蟹背甲形态的产地判别方法
CN105740918A (zh) 一种基于极角坐标的耳石测量和鱼类种群鉴别方法
CN110110795B (zh) 图像分类方法及装置
Khataminejad et al. A comparative study on body shape of the genus Alburnus (Rafinesque, 1820) in Iran, using geometric morphometric analysis
Zeng et al. Detecting and measuring fine roots in minirhizotron images using matched filtering and local entropy thresholding
CN115115939B (zh) 基于特征注意力机制的遥感图像目标细粒度识别方法
Brophy Analysis of growth marks in calcified structures: insights into stock structure and migration pathways
CN109118540A (zh) 基于脊线提取的鲟鱼快速统计方法
Ahmed et al. A method based on ellipse fitting for automatic morphometric parameter measurements of fish blood cells

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20181127

RJ01 Rejection of invention patent application after publication