应用深度学习和生态家园范围概念,记录大西洋鱼 (Salmo salar L.) 在实验水箱中的空间分布
相关实验视频
Updated: Jul 13, 2026
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
12.5K
Santhosh K Kumaran1, Lars E Solberg2, David Izquierdo-Gomez3
1Nofima AS, Ås, Norway. santhosh.kumaran@nofima.no.
Scientific reports
|February 18, 2025
概括
本研究介绍了一种人工智能驱动的工具,用于在水产养殖中自动化鱼类行为分析. 它量化了鱼类的移动和空间分布,有助于福利监测和研究.
科学领域:
- 动物行为 动物行为
- 水产养殖是水产养殖的一种方式.
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 水产养殖中的鱼类福利监测传统上使用劳动密集型方法来收集行为数据.
- 现有的福利指标 (WIs) 包括生物和非生物因素,但行为审计具有挑战性.
- 数字化为自动化数据收集和改善鱼类福利研究决策提供了潜力.
研究的目的:
- 开发和演示一种使用计算机视觉和人工智能分析鱼类行为的自动化方法.
- 量化大西洋鱼群的空间分布和行为变异性.
- 评估食对鱼类在养殖环境中的行为模式的影响.
主要方法:
- 调整了DeepLabCut框架,用于估计大西洋鱼群的位.
- 量化鱼类的空间分布,使用生态指标,如家庭范围和核心面积.
- 应用该方法来分析5天的案例研究中食事件期间的行为变化.
主要成果:
- 成功实现了鱼类自动检测,姿势估计和空间分布分析.
- 证明了识别坦克内部和坦克之间的行为变异的能力.
- 提供了关于鱼类如何利用环境和食对行为影响的见解.
结论:
- 开发的人工智能驱动的方法自动化了鱼类行为分析,为水产养殖研究提供了有价值的工具.
- 这种方法增强了定量行为数据的收集,支持福利指标的开发.
- 该技术有可能在监测各种研究环境中的鱼类行为方面得到更广泛的应用.
