相关实验视频
Updated: May 25, 2025
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
12.5K
为部分脱水的鱼类提供实时鱼类检测系统,以支持选择性鱼类通道
Jonathan Gregory1, Scott M Miehls2, Jesse L Eickholt1
1Department of Computer Science, Central Michigan University, Mount Pleasant, MI 48859, USA.
Sensors (Basel, Switzerland)
|February 26, 2025
概括
这项研究展示了使用深度机器学习与阿基米德斯螺杆鱼升降机 (ASFL) 的实时鱼类检测. 这项技术使得选择性鱼通过和光学鱼分类的自动数据收集成为可能.
科学领域:
- * 水上工程的工程.
- * 机器学习 * 机器学习
- * 鱼通过技术 鱼通过技术
背景情况:
- * 鱼类运输和深度学习的进步使得自主鱼类分类成为可能.
- *阿基米德螺杆鱼升降机 (ASFL) 系统用于鱼的通过.
- * 实时监测和分类鱼类对于管理至关重要.
研究的目的:
- * 介绍深度机器学习的新型应用,用于在ASFL中检测鱼类.
- * 通过使用MobileNet SSD模型测试实时鱼类分类的可行性.
- *为选择性鱼通过系统的自动数据收集做出贡献.
主要方法:
- * 一个MobileNet SSD模型被训练在鱼的图像离开一个ASFL.
- * 该模型与网络视频记录器集成,用于实时监控.
- * 开源软件和边缘计算原理被用于高效的数据处理.
主要成果:
- * 开发的系统成功支持ASFL内的实时鱼类检测.
- *培训额外的模型证实了鱼类分类的可行性.
- * 该系统证明了快速数据处理的能力.
结论:
- *与ASFL的深度机器学习集成可实现实时鱼类检测.
- * 这种方法为实现自动光学鱼类分类提供了可行的途径.
- * 这项研究支持了鱼类通道系统中自动数据收集的目标.
