基于鱼群跟踪和行为分析的在线生物水质预警技术研究

摘要

随着社会经济的迅猛发展，环境污染问题日益严重，制约着经济的进一步发展，已经受到社会的广泛关注。频繁发生的水污染问题严重威胁着生态环境的平衡和人类的生命安全。因此，怎样能准确灵敏地监测水质状况是现今世界重点关注的问题。目前主要的水质监测方法有理化分析法和生物监测法，其中将生物监测法与计算机视觉技术相结合，可以更加快速、准确、方便地反映水质状况。
　　本文利用计算机视觉技术，以鱼群跟踪和鱼的行为分析为基础对水质预警技术进行了研究，选用斑马鱼作为受试生物，铜离子溶液作为毒性试剂。具体研究内容如下：
　　1.设计了能够对鱼群进行昼夜连续监测的实验平台，该平台提供白天和夜晚两种模式，用来观察在昼夜节律影响下鱼的行为变化；另外该实验平台能够模拟鱼类急性毒性实验，对鱼群中毒过程中的行为变化进行连续监测并进行水质预警。
　　2.本研究采用计算机视觉技术获取鱼类行为视频图像，通过建立背景模型进行目标识别，进而量化鱼群的群体参数，其中包括鱼群的平均游速、位置分布、密集程度和水面、水底鱼的条数。结果表明，在本实验的环境条件下利用背景建模的方法能快速准确的识别鱼体，并实时量化群体特征参数为水质预警提供数据基础。
　　3.当水质发生变化时，个体鱼的游动轨迹也会有所改变。为了得到鱼的运动轨迹，本文建立了帧间匹配矩阵并结合鱼运动的方向和游动姿态等特征对鱼个体进行跟踪，实验结果表明，当鱼在单个目标、目标融合、目标分离和目标断裂等状态时本文的算法能得到理想的跟踪效果。然后根据鱼的跟踪轨迹，量化了鱼的个体特征参数,其中包括分形维数、速度参数和方向参数。
　　4.利用Duncan检验分析了白天模式和夜晚模式下，鱼群在正常水质和异常水质中群体参数的差异性。结果显示，无论在白天还是夜晚，当水质发生变化时，本文量化的鱼群群体参数都有显著的差异。通过分析个体量化参数发现鱼运动轨迹的复杂程度、鱼体速度大小、方向的多态性在中毒前后都有明显的差异。
　　5. Adaboost算法被用来解决昼夜状态下正常水质和异常水质数据的分类问题，同时为了评价分类的准确率和实时性,Adaboost算法与支持向量机（Support Vector Machine,SVM）和反向传播神经网络(Back Propagation Neural Network,BPNN)进行比较。结果显示Real Adaboost和 Gentle Adaboost算法在白天和夜晚的准确率都大于93％,比Modest Adaboost,BPNN和SVM的效果好,并且所需的时间也较少。本文的结果证明了Adaboost算法对水质参数进行分类的有效性和实用性，因此可以使用该方法进行生物水质监测，实现在线自动预警。

目录

封面

声明

中文摘要

英文摘要

目录

引言

1 绪论

1.1 研究的背景及意义

1.2 基于生物的水质监测研究现状

1.3 本文主要工作和章节安排

2 鱼类行为连续监测与实时在线预警系统的建立

2.1 鱼类在线预警系统组成

2.2 鱼类毒性试验

2.3 本章小结

3 运动目标检测

3.1 主要运动目标检测算法

3.2 鱼类运动目标检测算法流程

3.3 本章小结

4 运动目标跟踪

4.1 主要运动目标跟踪算法

4.2 鱼类多个目标跟踪算法

4.3 本章小结

5 鱼群体和个体参数的综合行为量化

5.1 群体参数

5.2 群体参数实验结果分析

5.3 个体参数

5.4 个体参数的变化

5.5 本章小结

6 基于Adaboost算法的水质分类预警研究

6.1 Adaboost算法原理

6.2 本文选取的三类Adaboost算法

6.3 弱分类器——决策树

6.4 分类效果的性能评价

6.5 本章小结

7 分类结果分析

7.1 离线分类结果分析

7.2 鱼类在线预警实验

7.3 本章小结

8 总结与展望

8.1 本文总结

8.2 今后展望

参考文献

在 学 研 究 成 果

致谢