基于双流残差卷积神经网络的养殖鳗鲡(Anguilla)摄食强度评估研究_NormalPdf.docxVIP

第54卷第4期海洋与湖沼Vol.54,No.4

2023年7月OCEANOLOGIAETLIMNOLOGIASINICAJul.,2023

基于双流残差卷积神经网络的养殖鳗鲡(Anguilla)摄食强度评估研究*

李凯1,2江兴龙1,2①许志扬1,2林茜1,2

(1.集美大学水产学院福建厦门361021;2.鳗鲡现代产业技术教育部工程研究中心福建厦门361021)

摘要为实现对养殖鳗鲡(Anguilla)摄食强度的准确评估,提出了一种基于双流残差卷积神经网络的鳗鲡摄食强度评估方法,该方法针对传统双流网络(Two-stream)中存在的问题做出了相应的改进。首先针对传统双流网络存在网络结构较浅,无法提取到充分的鳗鲡摄食行为特征的问题,选择使用ResNet50网络进行替换,以提取到更具代表性的特征。其次针对传统双流网络最后的分类结果是把空间流和时间流的得分取平均值融合而获得,这种方式较为简单,且其空间流和时间流网络为独立进行训练,容易导致网络出现学习不到鳗鲡摄食行为的时空关联特征的问题,选择使用特征层融合方式对空间流和时间流网络提取获得的特征进行融合,让网络能够并行进行训练,以提取到时空信息间的关联特征。试验结果表明:文内提出的基于双流残差卷积神经网络的鳗鲡摄食强度评估方法准确率达到98.6%,与单通道的空间流和时间流网络相比,准确率分别提升了5.8%和8.5%,与传统的双流网络相比准确率也提升了3.2%。

关键词鳗鲡;摄食强度;双流残差卷积神经网络;ResNet50;并行训练;特征层融合

中图分类号Q959.9;S965doi:10.11693/hyhz20221100291

目前,我国的鱼类养殖过程中饵料的投喂方式主要有两种,一种是人工投喂方式,主要依靠养殖人员自身的养殖经验来控制投喂量,对养殖人员的养殖经验有很高的要求,如果是大规模的养殖基地就会耗费大量的人力成本,大大降低了养殖效益;另外一种是机械投喂方式,它的缺点是忽略了鱼类摄食状态的变化情况,不能根据鱼类的食欲自动调整投喂量,容易导致投喂不当的情况出现,从而影响养殖鱼类的健康生长,降低养殖效益(周应祺等,2013;穆春华等,2015)。而鳗鲡(Anguilla)作为我国经济价值较高的优质水产养殖种类,在其养殖过程中,准确检测出鳗鲡的实际摄食状况有助于科学地投喂饲料,对实现鳗鲡精准高效养殖有重要意义。

机器视觉技术作为一种非入侵式、经济且高效的方法,已经成为检测和评估鱼群摄食状态的重要研

究手段(张志强等,2011;范良忠等,2011;李贤等,2012;Wishkermanetal,2016)。乔峰等(2015)通过对采集的鱼群摄食图像进行滤波、增强、二值化等图像处理操作,提取出鱼群位置、大小以及聚集程度等摄食行为特征,然后将这些特征输入实时决策的饵料投喂系统,结合鱼群实时的摄食状态进行投喂,但易受室外光线和水面反光等因素的影响,导致系统决策失误。赵建等(2016)提出了一种改进的动能模型来分析鱼群的摄食活动,通过色彩空间转换的方法分割出水面的反光区域,结合光流法和信息熵量化水面反光区域的动能信息,获得了较好的试验结果,但是该方法对光照条件要求较高,在实际养殖环境中难以应用。Sadoul等(2014)提出了一种通过拍摄的视频来量化循环水养殖条件下鱼群行为的方法,即通过鱼群分散度和鱼群游动活跃度两个指标来量化鱼群

*国家重点研发计划“特色鱼类精准高效养殖关键技术集成与示范”,2020YFD0900102号;福建省科技厅高校产学合作项目,2020N5009号。李凯,硕士研究生,E-mail:924140205@

①通信作者:江兴龙,博士,教授,E-mail:xinlongjiang@

收稿日期:2022-11-07,收修改稿日期:2023-01