使用深度学习从鱼中识别逃跑的养殖鱼.

科学领域:

• 水产养殖是水产养殖的一种方式.
• 保护生物学 保护生物学
• 机器学习 机器学习

背景情况:

• 逃跑的养殖鱼对挪威的野生大西洋鱼 (Salmo salar) 种群构成重大威胁.
• 传统的鱼分析是有效的,但需要大量的劳动和时间来区分养殖和野生鱼类.

研究的目的:

• 开发和验证一种深度学习模型,用于使用鱼尺寸图像自动识别逃走的养殖鱼.
• 评估模型在各种数据集和成像条件中的通用性.

主要方法:

• 一个卷积神经网络在国家档案馆的约9万条鱼尺寸图像上进行了训练和验证.
• 数据集包括来自众多河流的各种成像协议的图像,可以追溯到20世纪30年代.
• 模型性能在一个大型的独立测试集上进行了评估.

主要成果:

• 深度学习模型在独立测试组中获得了高F1分数0.95分.
• 该模型的预测与遗传参考样本和已知的养殖原产地尺度有很强的一致性.
• 该模型在不同的生态和方法上下文中显示出强大的概括性.

结论:

• 深度学习提供了一个高度准确和高效的自动化方法来识别逃跑的养殖鱼.
• 经过验证的模型可以作为一种强大的,大规模的工具,用于监测逃跑的养殖鱼对野生种群的影响.
• 这种方法支持野生大西洋鱼的保护工作,通过使人口管理更有效.