远洋捕捞渔船电子监控视频文字信息提取

计算机图像处理技术发展迅速,基于OCR(Optical Character Recognition)的图像文字提取得到广泛应用。在远洋渔业捕捞中,EMS(Electronic Monitoring System)逐渐开始使用,视频中文字信息提取是系统的重要功能之一。通过左右舷、前甲板、后甲板安装的4个摄像头,获取渔船作业的视频影像,再利用jTessBoxEditor软件生成图片样本,人工添加文字标签,然后通过tesseract软件训练标注的样本,制作traineddata字库,最后用Python编程提取远洋捕捞渔船监控视频中的时间、位置、航速、航向等信息,提取的960条记录,经与原图片对比全部正确,提取的文字信息可为视频存档和渔业管理提供参考。

基于深度学习YOLOV5网络模型的金枪鱼延绳钓电子监控系统目标检测应用

为评估金枪鱼延绳钓系统运行质量、降低人工成本,以及从金枪鱼延绳钓系统电子监控EMS系统中提取浮球、金枪鱼数量等信息,本文提出一种基于深度学习YOLOV5网络模型的金枪鱼延绳钓电子监控系统浮球及金枪鱼目标检测方法,从HNY722远洋渔船EMS系统视频监控数据中截取包含有目标浮球和金枪鱼的15578帧关键帧,将所有关键帧及其标记文件划分为14178个训练数据及1400个验证数据,基于YOLOV5s、YOLOV5l、YOLOV5m、YOLOV5x等4种YOLOV5神经网络模型,设计分组训练试验对比训练效果。结果表明:参与训练的4种神经网络模型均可完成金枪鱼延绳钓电子监控系统的目标检测任务,但网络模型的选择对广义交并比损失(GIoU loss)、目标检测损失(objectness loss)、准确率(precision)、召回率(recall)、多类别平均精度值(mAP)等参数具有显著性影响(P<0.05),对目标分类损失(classification loss)参数无显著性影响(P>0.05);检测效果表现较好的模型是YOLOV5l和YOLOV5m,二者的mAP@0.5值分别为99.1%和99.2%,召回率分别为98.4%和98.3%,但YOLOV5m网络模型在GIoU损失等表现上劣于YOLOV5l。研究表明,4种网络模型中YOLOV5l模型是最适合应用于金枪鱼延绳钓电子监控系统目标检测的网络模型。

基于GAM的库克群岛海域长鳍金枪鱼CPUE时空分布与海洋环境的关系

长鳍金枪鱼(Thunnus alalunga)是金枪鱼延绳钓的主要捕捞对象之一,而库克群岛海域则是重要的长鳍金枪鱼渔场。探究长鳍金枪鱼资源量的时空分布与海洋环境的关系,有利于提高长鳍金枪鱼渔场预报的精确性。根据2017年1月1日至2021年5月31日中国远洋渔业企业的船舶监测系统(Vessel Monitor Systems,VMS)数据,将长鳍金枪鱼渔获尾数和延绳钓放钓钩数匹配到1°×1°的网格中,得出名义单位捕捞努力量渔获量(Catch Per Unit Effort,CPUE)。对CPUE作正态性检验,以天为时间分辨率,选取月份、经纬度、叶绿素a浓度、海表面高度,以及0~300 m水层的温度、盐度、溶解氧浓度等26个时空与环境因子作为变量,对CPUE与时空环境因子作相关性分析,对环境变量进行多重共线性诊断,按照季度分析长鳍金枪鱼渔场的分布变化,利用GAM评价各因子对长鳍金枪鱼CPUE的影响。结果显示:(1)第二季度12°S以南渔场的CPUE明显高于以北的区域,第三季度渔场分散且CPUE值不高,第四季度CPUE为年中最高。(2)GAM结果显示,对长鳍金枪鱼CPUE影响最显著的为海表面温度,适宜的温度为26.71~28.20℃。(3)不同水层对CPUE影响的环境因子不同,表层影响因子为温度、叶绿素a浓度、海表面高度;次表层的影响因子为200 m水层温度、150 m水层溶解氧浓度、250 m水层温度、200 m水层盐度。(4)影响长鳍金枪鱼CPUE的水层深度最大为250 m,建议在库克群岛海域捕捞长鳍金枪鱼时,应使钓钩深度沉降到200 m以深,以提高渔获率。