相关实验视频
Updated: Jun 16, 2025
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
12.5K
使用深度学习自动检测鱼圆圈
Nora N Hanson1, James P Ounsley1, Jason Henry1
1Freshwater Fisheries Laboratory, Marine Directorate, Scottish Government, Pitlochry PH16 5LB, United Kingdom.
Biology methods & protocols
|August 19, 2024
概括
本研究介绍了一种使用卷积神经网络 (CNN) 分析鱼的生长数据的自动化方法. 新技术快速准确地提取生长环信息,有助于鱼的衰老和生长研究.
科学领域:
- 鱼类学 鱼类学 鱼类学
- 计算生物学 计算生物学
- 图像分析 图像分析
背景情况:
- 远鱼的皮表现出生长环,反映出体质生长,这对于鱼的衰老和生长分析至关重要.
- 从尺度上手动提取增量增长数据是一个耗时的过程.
研究的目的:
- 开发一种完全自动化的方法,从鱼的尺寸图像中检索增量增长数据.
- 利用卷积神经网络 (CNN) 准确检测尺度中心和生长环 (circuli).
主要方法:
- 开发了两个CNN的管道:一个用于尺度中心检测,另一个用于圆圈检测.
- 焦点探测器在725个尺度图像上进行训练,达到99%的平均精度.
- 在40678个circuli注释上训练了circuli探测器,达到95.1%的平均精度.
主要成果:
- 自动化系统准确地检测跨多个辐射横断线的尺度中心和生长环.
- 循环检测显示出高精度,与人类标记器相比,尽管在密集的淡水区域存在挑战.
- 该系统可以快速计算生长环间距,以推断鱼的生长.
结论:
- 开发的基于CNN的管道为提取鱼生长数据提供了快速而准确的解决方案.
- 这种自动化方法显著降低了传统规模分析的劳动强度.
- 这种方法显示了对更广泛的鱼类物种的应用潜力.
