在河流环境中出现的鱼类的标记图像
Sethu Mettukulam Jagadeesan1, Jonathan Gregory1, Jordan Leh2
1Department of Computer Science, Central Michigan University, Mount Pleasant, MI, 48859, USA.
BMC research notes
|November 28, 2024
概括
这项研究引入了鱼类的注释图像,以开发机器学习模型,用于检测鱼类在障碍物上的意外穿越. 这些工具提高了选择性通道系统在修复项目的有效性.
科学领域:
- 水生生态学 水生生态学
- 机器学习应用程序 机器学习应用程序
- 渔业管理 渔业管理
背景情况:
- 选择性通道系统对于鱼类恢复项目至关重要,其目的是促进可取的物种,同时阻止不可取的物种.
- 准确量化鱼类通过,包括意外移动,对于评估系统有效性至关重要.
- 鱼通道 (FishPass) 项目旨在改善劳伦斯大湖地区的鱼类通道.
研究的目的:
- 为了实现机器学习模型的开发,以检测非故意的鱼虫通过内流障碍物.
- 为了支持选择性通道系统有效性的表征.
- 为FishPass恢复计划创建定制的监控工具.
主要方法:
- 在自然河流环境中收集并注释了超过2300张鱼的图像.
- 利用了2022年和2023年太平洋鱼类秋季运行的监控视频数据.
- 包括完全浮出水面,部分浮出水面和淹没鱼类以及其他野生动物的图像.
主要成果:
- 创建了一个关于标注的鱼类图像的全面数据集.
- 数据集包括各种鱼类状态 (浮出水面,潜水) 和环境条件.
- 这些数据适用于为河流鱼类开发定制的物体检测模型.
结论:
- 开发的数据集对于创建机器学习模型来监控鱼类通过监控的基础.
- 这些模型将改善对选择性通道系统的评估.
- 这些数据支持渔业管理和水生生态系统恢复方面的进展.


