一种养殖背景条件下鱼群运动行为参数提取和分析方法

摘要

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。

说明书

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)。