通过Involutional神经网络和Oplegnathus Punctatus的自我注意力提高水产养殖效率 从Log Mel光谱图进行养强度分类
Usama Iqbal1, Daoliang Li2, Zhuangzhuang Du3
1National Innovation Center for Digital Fishery, Beijing 100083, China.
Animals : an open access journal from MDPI
|June 19, 2024
概括
这项研究引入了一种使用声音分析鱼类养行为的新方法. 新的框架准确地分类了养强度,有助于水产养殖和生态系统管理.
科学领域:
- 水生生态学 水生生态学
- 生物声学是一种生物声学.
- 机器学习 机器学习
背景情况:
- 了解水生动物养对于水产养殖和生态系统健康至关重要.
- 目前分析养行为的方法可能是有限的.
- 生物声学分析提供了一种非侵入性的方法来研究水生生物.
研究的目的:
- 开发和验证一种新的框架,用于使用声学数据分析鱼的养行为.
- 提高水生动物不同养强度分类的准确性.
- 为优化水产养殖实践和生态系统管理提供见解.
主要方法:
- 音频波形被转化为Log Mel谱图.
- 提取了特征的融合 (离散波纹变换,加博波器,局部二进制模式,拉普拉西亚高通波器).
- 基于卷积神经网络 (INN) 的深度学习模型被用于分类.
主要成果:
- 拟议的框架在分类鱼类养强度方面达到高达97%的准确性.
- 该方法有效地区分了各种形式的鱼类养行为.
- 这项研究成功地将框架应用于*Oplegnathus punctatus*.
结论:
- 声学特征和深度学习的新融合为分析鱼类养行为提供了有效的方法.
- 准确的养强度分类支持水产养殖优化方面的进展.
- 这种方法通过增强生态理解,有助于可持续的海洋资源管理.
