CN113326743A - 一种养殖背景条件下鱼群运动行为参数提取和分析方法 - Google Patents
一种养殖背景条件下鱼群运动行为参数提取和分析方法 Download PDFInfo
- Publication number
- CN113326743A CN113326743A CN202110507245.3A CN202110507245A CN113326743A CN 113326743 A CN113326743 A CN 113326743A CN 202110507245 A CN202110507245 A CN 202110507245A CN 113326743 A CN113326743 A CN 113326743A
- Authority
- CN
- China
- Prior art keywords
- fish
- target individual
- motion
- single target
- culture
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 238000000605 extraction Methods 0.000 title claims abstract description 16
- 238000009395 breeding Methods 0.000 title description 7
- 230000001488 breeding effect Effects 0.000 title description 7
- 241000251468 Actinopterygii Species 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 39
- 239000002245 particle Substances 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000009182 swimming Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims 2
- 230000003137 locomotive effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 6
- 238000009360 aquaculture Methods 0.000 abstract description 3
- 244000144974 aquaculture Species 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000005286 illumination Methods 0.000 abstract description 3
- 230000002452 interceptive effect Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 208000012661 Dyskinesia Diseases 0.000 abstract description 2
- 238000011161 development Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 39
- 238000012549 training Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 206010000117 Abnormal behaviour Diseases 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000008649 adaptation response Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 231100000989 no adverse effect Toxicity 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Environmental Sciences (AREA)
- Biophysics (AREA)
- Animal Husbandry (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Agronomy & Crop Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Computational Linguistics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种养殖背景条件下鱼群运动行为参数提取和分析方法，属于水产养殖技术领域。将运动影响力图法应用于单目标个体特征的识别，由于考虑了目标个体的交互运动特征，因此更适用于群体背景的对象跟踪；并采用粒子平流法实现多目标个体的特征识别，由于粒子平流法在提取鱼群特征点时对色差要求不大，更适用于养殖的低光照和多目标等特点，大大增强了准确度和实用性；将ANNs引入鱼群运动特征的判别中，有效提高了养殖监测过程中群体目标追踪的准确度。本发明得到的结果能够为在实际生产中监测鱼群异常运动、减少养殖过程的突发事件和提高养殖效益提供依据，有利于养殖产业的健康发展。
Description
技术领域
本发明涉及一种养殖背景条件下鱼群运动行为参数提取和分析方法，属于水产养殖技术领域。
背景技术
鱼类行为是反映水产养殖中鱼类健康状况的有效参考指标。监测鱼类异常行为，可以对鱼类福利状态提供早期预警，并且该过程对鱼类不会产生不良影响。通过在集约化生产中观察养殖鱼类的行为表现，可以发现鱼群不同状态条件下的行为具有不同的特征，例如鱼群速度、群体离散度和鱼群间距等参数。通过视频记录的方式，无需工作人员在养殖现场观察就可以达到行为的实时监测。
基于传统人工观察的视频分析很难应用在养殖群体背景条件下，首先，养殖背景条件下的鱼群数量较大，个体之间的交互频率很高，紧靠人工观察误差较大；其次，鱼类行为是个体根据外界环境变化和内在生理状况改变做出的适应性反应，因此鱼类的行为表现较复杂，传统的监测方法操作难度较大。除此之外，传统的人工观察过程需要耗费比视频记录更长的时间，观测的效率较低。现有技术中，将计算机视觉技术应用于动物行为的监测研究已有很多，但目前针对养殖条件下鱼类的行为研究很少，将ANNs应用于鱼群运动行为参数特征的研究较少，对鱼群运动行为特征的量化研究，几乎是空白，并且对鱼类运动行为的研究多集中于个体层面，没有从群体角度出发。
发明内容
针对上述技术问题，本发明提供一种养殖背景条件下鱼群运动行为参数提取和分析方法，将运动影响力图法应用于单目标个体特征的识别，由于考虑了目标个体的交互运动特征，因此更适用于群体背景的对象跟踪；并采用粒子平流法实现多目标个体的特征识别，由于粒子平流法在提取鱼群特征点时对色差要求不大，更适用于养殖的低光照和多目标等特点，大大增强了准确度和实用性。
为了实现上述目的，本发明具体技术方案如下：
一种养殖背景条件下鱼群运动行为参数提取和分析方法，所述方法包括以下步骤：
(1)根据视频追踪结果，采用YOLO算法对单目标个体的轮廓进行识别；
(2)基于步骤(1)得到的单目标个体的轮廓，以中心点检测方法提取单目标个体的坐标并绘制其运动轨迹图像；
(3)采用运动影响力图法对单目标个体的形态特征进行识别；
(4)基于步骤(3)得到的单目标个体形态特征，采用粒子平流法对多目标的鱼群运动行为特征进行模糊提取；
(5)根据多目标的鱼群运动行为特征，结合步骤(1)-(4)结果，判断鱼群在每个时间段的行为特征；
(6)以步骤(1)-(3)得到的结果为输入，以步骤(5)的结果为输出，建立基于ANNs的鱼群异常运动监测模型。
上述技术方案中，进一步的，行为数据采集时，采样频率为10帧/秒；个体监测的数量范围为1-16尾。
上述技术方案中，进一步的，采用运动影响力图法检测和定位单目标个体，并根据单目标个体运动表现及其在群体中的权重判断目标个体的行为特征。
上述技术方案中，进一步的，采用粒子平流法对鱼群特征进行获取，并根据游速和群体间距的大小作为典型特征判定群体状态。
上述技术方案中，进一步的，ANNs结构的确定，以目标个体的行为特征为输入，以鱼类行为谱结果为输出，隐含层层数范围为1-2，节点数范围为1-20。
上述技术方案中，进一步的，所述模型参数的确定均以目标鱼类的实际运动行为特征为基础。
本发明的有益效果为：
1、本发明养殖群体背景下的鱼群运动行为特征提取和分析方法，考虑了群体中个体的交互运动特征，更适用于群体背景的对象跟踪；
2、克服了传统目标识别法中对背景色差的限制，适用于养殖的低光照和多目标等特点；
3、将ANNs引入鱼群运动特征的判别中，有效提高了养殖监测过程中群体目标追踪的准确度；
4、本发明得到的结果能够为在实际生产中监测鱼群异常运动、减少养殖过程的突发事件和提高养殖效益提供依据，有利于养殖产业的健康发展。
附图说明
图1为本发明用于鱼群运动行为参数提取和分析的系统结构示意图；
图2为本发明养殖背景下的鱼群运动行为特征提取和分析方法的流程图；
其中：1、DV摄像机；2、为存储平台；3、行为分析平台；4、养殖池；5、过滤系统。
具体实施方式
本发明采用的鱼群运动行为参数提取和分析的系统主要由三部分组成，一是图像采集系统，由DV摄像机1、存储平台2和深度学习服务器构成；二是养殖系统，包括养殖池4、过滤系统5(包括：微滤机、蛋白质分离器、消毒杀菌、充氧和补光系统)；三是行为分析系统，包括行为分析平台3。
本发明养殖背景下的鱼群运动行为特征提取和分析方法的流程如图2所示，包括：鱼群运动行为数据采集、单目标个体在群体环境中的识别、单目标个体坐标提取和轨迹获取、单目标个体的形态特征识别、多目标群体运动特征提取、多目标群体运动状态判定、ANNs模型训练和仿真、以及鱼群异常行为的判别。具体方法包括以下步骤：
(1)鱼群运动行为数据采集：将高清摄像头置于养殖池正上方，根据实际需要调节高清摄像头与水面的距离，将摄像头与深度学习服务器和存储平台相连，进行视频采集；
(2)群体中单目标个体的识别：行为识别分析软件在深度学习服务器中运行，对采集到的视频进行处理，通过YOLO算法对目标区域进行缩放，精确到目标区域只有一条鱼；
(3)单目标个体坐标提取和轨迹获取：在步骤(2)中分析得到的单目标个体轮廓基础上，采用中心点检测方法提取目标鱼体的坐标并绘制其运动轨迹图像；
(4)单目标个体的形态特征识别：在步骤(2)-(3)结果的基础上，采用MIM法对单目标个体的形态特征进行识别，具体指标为：目标个体的速度、目标个体的转角方向、目标个体与相邻个体的距离；
(5)根据步骤(4)的数据，采用粒子平流法对多目标鱼群运动特征进行模糊提取，具体步骤为：对当前帧中的每个像素单目标个体的速度和方向进行计算；每个像素点光流计算后，将72×128的网格状分布粒子分散在每帧图像中；计算每个粒子的光流信息并加和取平均，得到多目标鱼群的运动特征；
(6)形成ANNs的数据集合，将步骤(2)-(4)的结果作为模型输入，将步骤(5)的结果作为输出，其中2/3的数据作为训练集合，1/3作为验证集合，用训练集合对ANNs进行训练，确定模型的结构参数，包括隐含层及节点数、传递函数、训练函数等；
(7)用步骤(6)中提到的验证集合对ANNs进行验证和仿真训练；
(8)用步骤(7)中的结果对鱼群异常行为进行判别，判别标准共分为4种，分别为：正常状态(游速不变、群体间距不变)；离散状态(游速加快、群体间距增大)；聚集状态(游速加快、群体间距减小)；静止状态(游速降低、群体间距增大)。
实施例1
下面采用一个具体实施例对本发明的方法进行具体的说明，具体步骤包括：
(1)采用高清摄像头以10帧/秒的采样频率，对鱼群运动行为数据进行采集；
(2)群体中单目标个体的识别：行为识别分析软件在深度学习服务器中运行，对采集到的视频进行处理，通过YOLO算法对目标区域进行缩放，精确到目标区域只有一条鱼；
(3)采用坐标系的方法，在(2)中分析得到的单目标个体轮廓基础上，采用中心点检测方法提取目标鱼体的坐标并绘制其运动轨迹图像；
(4)在(2)和(3)结果的基础上，采用MIM法对单目标个体的形态特征进行识别，具体指标为：目标个体的速度、目标个体的转角方向、目标个体与相邻个体的距离，单目标个体在群体中的影响权重计算公式为：
式中：w为目标个体在群体中的权重；
i为当前帧的目标运动个体；
j为当前帧目标个体的相邻个体(粒子)；
D为目标个体与粒子之间的欧式距离；
b为目标个体的运动特征(光流)；
(5)对当前帧中的每个像素单目标个体的速度和方向进行计算；每个像素点光流计算后，将72×128的网格状分布粒子分散在每帧图像中(用B1,B2,…,B72×120表示)；计算每个粒子的光流信息并加和取平均，得到多目标鱼群的运动特征，公式为：
式中：N为监测群体中个体的数量；
f为粒子的光流；
(6)形成ANNs的数据集合，将(2)-(4)的结果作为模型输入，将(5)的结果作为输出，其中2/3的数据作为训练集合，1/3作为验证集合，用训练集合对ANNs进行训练，采用试错法确定ANNs的拓扑结构，确定隐含层为1，隐含层节点数为9，隐含层传递函数为tansig，输出层传递函数为purelin，训练函数为trainlm；
(7)用(6)中提到的验证集合对ANNs进行验证和仿真训练；
(8)用(7)中的结果对鱼群异常行为进行判别，判别标准共分为4种，分别为：正常状态(游速不变、群体间距不变)；离散状态(游速加快、群体间距增大)；聚集状态(游速加快、群体间距减小)；静止状态(游速降低、群体间距增大)。
Claims (6)
1.一种养殖背景条件下鱼群运动行为参数提取和分析方法，其特征在于，所述方法包括以下步骤：
(1)根据视频追踪结果，采用YOLO算法对单目标个体的轮廓进行识别；
(2)基于步骤(1)得到的单目标个体的轮廓，以中心点检测方法提取单目标个体的坐标并绘制其运动轨迹图像；
(3)采用运动影响力图法对单目标个体的形态特征进行识别；
(4)基于步骤(3)得到的单目标个体形态特征，采用粒子平流法对多目标的鱼群运动行为特征进行模糊提取；
(5)根据多目标的鱼群运动行为特征，结合步骤(1)-(4)结果，判断鱼群在每个时间段的行为特征；
(6)以步骤(1)-(3)得到的结果为输入，以步骤(5)得到的结果为输出，建立基于ANNs的鱼群异常运动监测模型。
2.根据权利要求1所述的方法，其特征在于，行为数据采集时，采样频率为10帧/秒；个体监测的数量范围为1-16尾。
3.根据权利要求1所述的方法，其特征在于，采用运动影响力图法检测和定位单目标个体，并根据单目标个体运动表现及其在群体中的权重判断目标个体的行为特征。
4.根据权利要求1所述的方法，其特征在于，采用粒子平流法对鱼群特征进行获取，并根据游速和群体间距的大小作为典型特征判定群体状态。
5.根据权利要求1所述的方法，其特征在于，ANNs结构的确定，以目标个体的行为特征为输入，以鱼类行为谱结果为输出，隐含层层数范围为1-2，节点数范围为1-20。
6.根据权利要求1所述的方法，其特征在于，所述模型参数的确定均以目标鱼类的实际运动行为特征为基础。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110507245.3A CN113326743B (zh) | 2021-05-10 | 2021-05-10 | 一种养殖背景条件下鱼群运动行为参数提取和分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110507245.3A CN113326743B (zh) | 2021-05-10 | 2021-05-10 | 一种养殖背景条件下鱼群运动行为参数提取和分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113326743A true CN113326743A (zh) | 2021-08-31 |
| CN113326743B CN113326743B (zh) | 2023-10-13 |
Family
ID=77415171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110507245.3A Active CN113326743B (zh) | 2021-05-10 | 2021-05-10 | 一种养殖背景条件下鱼群运动行为参数提取和分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113326743B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114667956A (zh) * | 2021-12-16 | 2022-06-28 | 杭州环特生物科技股份有限公司 | 一种斑马鱼记忆评价模型的构建方法及其应用 |
| JP7463589B1 (ja) | 2023-03-27 | 2024-04-08 | マルハニチロ株式会社 | 魚群行動解析システム、情報処理装置、魚群行動解析方法およびプログラム |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016000035A1 (en) * | 2014-06-30 | 2016-01-07 | Evolving Machine Intelligence Pty Ltd | A system and method for modelling system behaviour |
| KR20180057785A (ko) * | 2016-11-22 | 2018-05-31 | 주식회사 글로비트 | 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법 |
| CN109142195A (zh) * | 2013-03-15 | 2019-01-04 | 艾瑞思国际股份有限公司 | 用于体液样品中的粒子分析的自聚焦系统和方法 |
| US20200191943A1 (en) * | 2015-07-17 | 2020-06-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless object tracking |
| CN111640139A (zh) * | 2020-05-22 | 2020-09-08 | 浙江大学 | 一种基于鱼群行为时空特性的循环水养殖水质智能预警装置和方法 |
| AU2020103130A4 (en) * | 2020-10-30 | 2021-01-07 | Xi’an University of Technology | Habitat Identification Method Based on Fish Individual Dynamic Simulation Technology |
| AU2020103474A4 (en) * | 2020-11-16 | 2021-01-28 | Shanghai Ocean University | A Method for Otolith Measurement and Fish Population Identification Based on Polar Angle Coordinates |
| CN112712548A (zh) * | 2020-12-31 | 2021-04-27 | 大连海事大学 | 一种水下鱼群运动模式分析方法 |
-
2021
- 2021-05-10 CN CN202110507245.3A patent/CN113326743B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109142195A (zh) * | 2013-03-15 | 2019-01-04 | 艾瑞思国际股份有限公司 | 用于体液样品中的粒子分析的自聚焦系统和方法 |
| WO2016000035A1 (en) * | 2014-06-30 | 2016-01-07 | Evolving Machine Intelligence Pty Ltd | A system and method for modelling system behaviour |
| US20200191943A1 (en) * | 2015-07-17 | 2020-06-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless object tracking |
| KR20180057785A (ko) * | 2016-11-22 | 2018-05-31 | 주식회사 글로비트 | 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법 |
| CN111640139A (zh) * | 2020-05-22 | 2020-09-08 | 浙江大学 | 一种基于鱼群行为时空特性的循环水养殖水质智能预警装置和方法 |
| AU2020103130A4 (en) * | 2020-10-30 | 2021-01-07 | Xi’an University of Technology | Habitat Identification Method Based on Fish Individual Dynamic Simulation Technology |
| AU2020103474A4 (en) * | 2020-11-16 | 2021-01-28 | Shanghai Ocean University | A Method for Otolith Measurement and Fish Population Identification Based on Polar Angle Coordinates |
| CN112712548A (zh) * | 2020-12-31 | 2021-04-27 | 大连海事大学 | 一种水下鱼群运动模式分析方法 |
Non-Patent Citations (4)
| Title |
|---|
| 关辉;许璐蕾;: "基于机器视觉的鱼群异常行为监测技术研究", 信息技术与信息化, no. 05 * |
| 张琪;韩战钢;: "一种简单有效的鱼群轨迹追踪算法", 北京师范大学学报(自然科学版), no. 04 * |
| 赵建;朱松明;叶章颖;刘鹰;李勇;卢焕达;: "循环水养殖游泳型鱼类摄食活动强度评估方法研究", 农业机械学报, no. 08 * |
| 邢俊;李庆武;何飞佳;卞乐;: "基于智能视觉物联网的水产养殖监测系统", 应用科技, no. 05 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114667956A (zh) * | 2021-12-16 | 2022-06-28 | 杭州环特生物科技股份有限公司 | 一种斑马鱼记忆评价模型的构建方法及其应用 |
| JP7463589B1 (ja) | 2023-03-27 | 2024-04-08 | マルハニチロ株式会社 | 魚群行動解析システム、情報処理装置、魚群行動解析方法およびプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113326743B (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jin et al. | Separating the structural components of maize for field phenotyping using terrestrial LiDAR data and deep convolutional neural networks | |
| CN109543679A (zh) | 一种基于深度卷积神经网络的死鱼识别方法及预警系统 | |
| CN106295558A (zh) | 一种猪只行为节律分析方法 | |
| CN113326743A (zh) | 一种养殖背景条件下鱼群运动行为参数提取和分析方法 | |
| CN113938503A (zh) | 一种通过生猪行为体征监测对疾病的预警系统及构建方法 | |
| Hu et al. | Dual attention-guided feature pyramid network for instance segmentation of group pigs | |
| CN109472883A (zh) | 巡塘方法和装置 | |
| CN111666897A (zh) | 基于卷积神经网络的斑石鲷个体识别方法 | |
| Ratnayake et al. | Towards computer vision and deep learning facilitated pollination monitoring for agriculture | |
| CN113470076A (zh) | 一种平养鸡舍黄羽鸡多目标跟踪方法 | |
| CN116778310A (zh) | 一种水产养殖的声光图像融合监控方法及系统 | |
| CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 | |
| CN111680587B (zh) | 一种基于多目标跟踪的鸡群活动量实时估算方法及系统 | |
| CN108460370B (zh) | 一种固定式家禽生命信息报警装置 | |
| CN116310338A (zh) | 一种基于实例和语义分割的单株荔枝红叶梢分割方法 | |
| Sun et al. | Prediction model for the number of crucian carp hypoxia based on the fusion of fish behavior and water environment factors | |
| CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
| CN117114749B (zh) | 一种智能化猪冷冻精液管理方法及系统 | |
| US11967182B2 (en) | Intelligent analysis system applied to ethology of various kinds of high-density minimal polypides | |
| CN113989538A (zh) | 基于深度图像的鸡群均匀度估测方法、装置、系统及介质 | |
| Mei et al. | A Method Based on Knowledge Distillation for Fish School Stress State Recognition in Intensive Aquaculture. | |
| CN116110586B (zh) | 基于YOLOv5以及SlowFast的大象健康管理系统 | |
| Wei et al. | Accurate crop row recognition of maize at the seedling stage using lightweight network | |
| CN114943929A (zh) | 基于图像融合技术的鱼类异常行为实时检测方法 | |
| Zhou et al. | An automated lightweight approach for detecting dead fish in a recirculating aquaculture system |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |