基于深度学习的鱼类跟踪技术研究进展

近年来,水产养殖和渔业资源保护的智能化发展迅速,对鱼类跟踪技术的需求也随之增加。传统的鱼类跟踪方法主要依赖于目视观察和标签追踪,存在效率低、应用范围有限、准确率不高等问题,限制了其推广应用。随着深度学习技术在计算机视觉领域的快速发展,基于深度学习的鱼类跟踪技术能够提供准确、客观、可扩展和自动化的跟踪方法。首先,介绍了鱼类跟踪技术的跟踪对象和4种深度学习鱼类追踪方法,分别是语义分割、实例分割、目标检测和目标分类。其次,介绍了鱼类跟踪技术如何获取鱼类轨迹与姿态、鱼类数量以及鱼类体长等鱼类目标跟踪信息。接着,介绍了基于深度学习的鱼类跟踪技术在鱼类疾病、鱼类摄食行为以及鱼类健康状态方面的应用,并从低对比度和纹理模糊、图像颜色失真以及遮挡和变形等3个方面,探讨了目前基于深度学习的鱼类跟踪技术的主要问题和一些相应的解决方法。最后,对基于深度学习的鱼类跟踪技术的发展前景进行了总结和展望。研究认为:基于深度学习的鱼类跟踪技术具有更高的准确度和客观性,为不同场景下的实际应用提供了更多解决方案,该技术有望在水产养殖管理、鱼类科学研究以及海洋环境保护等领域发挥更重要的作用,为相关领域提供更多的数据和支持。

基于单摄像机视频的鱼类三维自动跟踪方法初探

为提高鱼类行为学数据的提取效率,实验提出了一种基于单摄像机的鱼类三维观测方法,将防水镜面安装在实验用鱼缸上方,模拟一台由上向下拍摄的摄像机,实现了单摄像机三维成像。同时运用多目标跟踪的IMMJPDA(interacting multiple model joint probabilistic data association)算法,实现了鱼类运动的三维实时自动跟踪,并通过摄像机倾斜矫正和摄像机标定提高了测量精度。通过对6条红鼻剪刀鱼的跟踪,实验结果显示:本方法可正确区分、提取和跟踪鱼群个体以及它们的镜像,自动输出鱼的三维坐标、实时速度、方向等参数,并生成完整的鱼类行为三维轨迹图。

基于计算机视觉的鱼类视频跟踪技术应用研究进展

通过将基于计算机视觉的鱼类视频跟踪技术应用于海洋环境、水产养殖监控等领域,可低成本、高效率的了解鱼类的生态环境、健康和生长情况。其中,图像清晰化和水下目标跟踪是鱼类视频跟踪技术中的重要环节。重点从这两方面对基于计算机视觉的鱼类视频跟踪技术应用研究进展进行了概述。图像清晰化技术可用来消除光线衰减和散射导致的图像模糊、偏色和能见度低等问题,实现方法主要分为图像增强、图像复原和深度学习;由于鱼类在水下的运动状态不确定,需采用水下目标跟踪技术感知鱼类运动规律,实现方法主要分为生成式方法和判别式方法。最后对该领域研究进行了小结与展望,计算机视觉技术为生态系统监控提供了新的观测途径,但仍存在一定局限性,需进一步研究发展。

计算机视觉技术在监测鱼类游泳行为中的研究进展

借助计算机视觉技术研究鱼类游泳行为已逐渐成为热点课题,它模拟生物视觉原理,通过处理采集的图片或视频获得动态目标参数信息,以达到对鱼类游泳行为监测分析的目的,本研究旨在介绍国内外该领域的研究进展,并展望其发展趋势。首先介绍鱼体监测目标的种类选择与影像获取方法,然后介绍影像中的背景去除与目标检测,并对影像数据直接和拟合提取目标参数的单个鱼体目标游泳参数提取方法,以及运动预测法和特征匹配法的多鱼体目标监测方法进行详细阐述,对游泳行为监测参数进行分类,并介绍了相关影像处理常用软件,最后总结了计算机视觉监测存在的难点及未来发展趋势。

基于嵌入式图像处理系统的水产养殖轨迹跟踪

目前,在传统水产养殖向产业化、集约化发展的过程中,监测技术与方法是薄弱环节,因此,研究和应用水产养殖轨迹跟踪技术具有重要意义。本文主要研究了基于嵌入式图像处理系统的水产养殖轨迹跟踪技术,提出了一种水产养殖在线监测系统的设计方案。该系统基于嵌入式技术,结合GSM/GPRS通信和射频无线传输技术,主要实现对水生鱼类的实时轨迹跟踪和监控。智能化设计使监控人员能够根据异常数据及时采取有效措施。本文的实验数据表明,在X轴速度为300 mm/min的条件下,水产养殖轨迹跟踪系统的跟踪误差达到0.5 mm或更小,满足设计要求。该系统结构简单,功能易于扩展,测量数据误差小,适用于水产养殖产业化领域。