相关实验视频
Updated: Jun 21, 2025
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
12.5K
非侵入性鱼类生物识别,通过统计形态分析和机器学习来提高水产养殖养殖的精度和理解
Fernando Joaquín Ramírez-Coronel1, Oscar Mario Rodríguez-Elías1, Edgard Esquer-Miranda2
1Division of Graduate Studies and Research, Tecnológico Nacional de México/ I.T. de Hermosillo, Av. Tecnológico 115, Hermosillo 83170, Sonora, Mexico.
Animals : an open access journal from MDPI
|July 13, 2024
概括
本研究引入了一种计算机视觉方法,用于在水产养殖中准确,非侵入性地估计鱼类生物量. 该方法使用机器学习和对鱼类大小和形状的统计分析,显示了鱼的强大性能.
科学领域:
- 水产养殖和水产资源
- 计算机视觉和机器学习
- 鱼类生物学与生态学
背景情况:
- 准确的鱼类生物质估计对于有效的水产养殖管理至关重要.
- 目前的非侵入性方法往往缺乏精度或需要人工干预.
- 开发自动化,可靠的鱼类生物识别是行业的一个关键挑战.
研究的目的:
- 验证一种新的计算机视觉方法,用于精确,非侵入性的鱼类生物质估计.
- 评估基于签名函数的特征提取与机器学习相结合的性能.
- 在不同的条件下,将自动提取的特征与手动提取的特征进行比较.
主要方法:
- 使用基于签名函数的特征提取算法进行统计形态分析.
- 在鱼 (Oreochromis niloticus) 图像上应用了三种常见的机器学习方法 (包括多层感知器).
- 在两种不同的照明条件下使用129个鱼样本的数据集评估性能.
主要成果:
- 多层感知子模型在不同的特征和照明条件下表现出强大而卓越的准确性.
- 自动提取的特征与手动提取的特征相比,显示出具有竞争力的结果.
- 该模型的可解释性为鱼类的形态和全度变化提供了洞察力.
结论:
- 拟议的计算机视觉方法大大提高了用于水产养殖的非侵入性鱼类生物识别.
- 这种方法可以提高物种和发育阶段的精度,可解释性和多功能性.
- 这项研究为实时监测鱼类福利和鱼养殖场生物质估计铺平了道路.
