Research on nighttime intelligent monitoring method for deep-sea cage fish school based on water surface infrared images
-
摘要:
获取深海网箱养殖过程鱼群活动数据，开展鱼群监测是提升深海养殖效率、降低养殖成本的有效手段。基于水面红外相机，利用深度学习前沿技术，提出了一种鱼群智能监测方法。该方法涉及鱼群识别及计数、鱼体分割和鱼体游向判断3个功能模块。首先，通过红外相机采集鱼类的图像信息，并进行标注以构建数据集，然后采用改进的Faster RCNN 模型，以Mobilenetv2+FPN网络作为特征提取器，实现鱼类的准确识别，并输出包围框表征鱼类个体位置。其次，从框图内选择亮度前20%的像素点作为分割提示点，利用Segment Anything Model对图像进行分割，生成鱼体分割图。最后，通过对鱼体分割图进行椭圆拟合处理，可以判定鱼类的游向信息。改进的Faster RCNN 模型在进行100次迭代训练后，平均精确率达到84.5%，每张图片的检测时间为0.042 s。结果表明，在水面红外图像的鱼类数据集上，所提出的改进Faster RCNN 模型和椭圆拟合等关键技术能够实现对鱼群的自动监测。
Abstract:Obtaining fish school information on its size and behavior through fish school monitoring is an important way to improve the efficiency of deep sea aquaculture and reduce costs. In this study, an intelligent fish school monitoring method is proposed by using infrared cameras mounted on a net cage for data collection, in addition to the latest deep learning techniques for model training. The method involves three functional modules: fish detection, fish segmentation and fish pose determination. Firstly, fish images were collected by infrared cameras and manually annotated to build datasets, while an improved faster RCNN model that uses Mobilenetv2 and FPN network as feature extractors to improve detection accuracy is adopted to output bounding boxes of individual fish. Secondly, the top 20% of brightness pixels in the block map were selected as segmentation prompt points, and the image was segmented using Segment Anything Model to generate fish segmentation results. Finally, the fish pose information was determined by applying elliptical fitting using fish segmentation results. After 100 epochs of training, the average precision (AP) of the improved Faster RCNN model reached 84.5%, and the detection time per image was 0.042 s. The results indicate that the proposed method can achieve automatic monitoring of fish school on infrared images and extract effective information.
-
Keywords:
- Deep-sea cage /
- Fish school monitoring /
- Infrared image /
- Object detection /
- Instance segmentation
-
奥尼罗非鱼(Oreochromis niloticus♀×O.aureus♂)是一种中小形鱼，为世界水产业重点科研培养的淡水养殖鱼类，被誉为未来动物性蛋白质的主要来源之一，在日本被称为“不需要蛋白质的蛋白源”。罗非鱼肉质细嫩，味道鲜美，富含人体所需的8种必需氨基酸，其中甘氨酸和谷氨酸含量特别高[1-2]。
国内外关于罗非鱼营养方面的研究多集中在通过饲料试验研究营养对罗非鱼生长或生物学特征的影响等方面[3-5]，但是对各种养殖模式罗非鱼肉品质的研究少见。笔者研究通过对池塘养殖和水库养殖罗非鱼的肌肉营养成分、感官特性、理化性质和游离氨基酸组成及含量进行分析与比较，探讨养殖模式对罗非鱼肉质的影响规律，为今后罗非鱼的健康、科学和高质养殖提供一定参考依据。
1. 材料与方法
1.1 材料
奥尼罗非鱼由佛山市某淡水养殖场提供，鱼体质量为(1 000±50)g。池塘养殖模式为罗非鱼与鲢(Hypophthalmichthys molitrix)、草鱼(Ctenopharyngodon idella)混养，定期投喂饲料，水深约1.5 m。水库养殖模式为网箱养殖，未投喂饲料，以浮游植物为食，水温常年在18~22 ℃，水深约50 m。
1.2 方法
鲜鱼覆冰保藏，及时送至实验室。取罗非鱼背部肌肉，先进行pH、质构、滴水损失、熟肉率、贮存损失及感官评定分析，剩余样品置于-18 ℃冷冻保存用于其余指标测定。
1.2.1 pH测定[6]
参考DUUN和RUSTAD[7]的方法，并稍加改动。称取碎鱼肉10 g，加入10 mL的0.15 mol·L-1氯化钾(KCl)溶液，用均质器13 000 r·min-1均质30 s，用pH计测定。
1.2.2 常规成分分析
水分测定采用恒温常压干燥法[8]；粗蛋白测定采用凯氏定氮法[8]；粗脂肪测定采用索氏提取法[8]；灰分测定采用常压干燥法[8]；总糖测定采用常规分析方法[9]。
1.2.3 肉质感官评定
取罗非鱼背部肌肉切成2 cm×2 cm×1 cm的块状，放入瓷碗里蒸煮8 min，邀请经过专业培训的9人同时参加品尝，采用“盲法”对罗非鱼的鲜味、口感、嫩度进行打分[10]，以1~5之间的分值表示(表 1)。3项评分之和为该样品的可接受度值。
表 1 罗非鱼感官评定标准Table 1. Sensory evaluation standard for tilapia muscle指标 index 1分 2分 3分 4分 5分 鲜味 umami 滋味差，无鲜甜味 滋味较差，略带鲜甜味 滋味一般，有鲜甜味 滋味较好，鲜甜味较浓 滋味佳，鲜味浓 口感 mouthfeel 无弹性，口感差 略带弹性，口感较差 有弹性，口感一般 弹性较好，口感较好 弹性好，口感好 嫩度 tenderness 组织浮软 组织较松软 组织有一定弹性 嫩度较好 嫩度适中 1.2.4 熟肉率、蒸煮损失的测定[11]
取背部肌肉，切成1 cm×1 cm×1 cm的块状，放在蒸格上用沸水蒸8 min，取出后晾15 min，称质量并计算。
$$ {\rm{熟肉率}}(\% ){\rm{ = }}\frac{{\rm{蒸煮后肉样质量}}}{{\rm{蒸煮前肉样质量}}} \times {\rm{100}} $$ $$ \text { 蒸煮损失(%) = } 100 \text { - 熟肉率 } $$ 1.2.5 滴水损失[11]
取背肌切成3 cm×1 cm×1 cm小块，称质量后置于充气的塑料袋中(使肉块悬于中心不接触薄膜)，在4 ℃冰箱中吊挂48 h后称质量，以样品质量损失百分比表示滴水损失。
$$ \text { 滴水损失 }(\%)=\frac{\text { 贮前质量 }- \text { 贮后质量 }}{\text { 贮前质量 }} \times 100 $$ 1.2.6 贮存损失测定
取背肌切成3 cm×1 cm×1 cm小块，装袋，在4 ℃冰箱中吊挂24 h后称质量并计算。
$$ \text { 贮存损失 }(\%)=\frac{\text { 贮前质量 }- \text { 贮后质量 }}{\text { 贮前质量 }} \times 100 $$ 1.2.7 肌内脂肪测定
参照郭焱芳[11]方法测定。取肉样绞成肉糜，取10 g置于广口瓶中，加入甲醇60 mL并盖好瓶盖，置于磁力搅拌器上搅拌30 min，加入三氯甲烷90 mL搅拌30 min，静置36 h。将浸提液过滤于刻度分液漏斗中，用约50 mL三氯甲烷分次洗涤残渣；加入30 mL蒸馏水，旋摇后静置待分层，上层为甲醇层，下层为三氯甲烷脂肪层，记录下层体积后缓慢打开分液漏斗弃去约2 mL后再缓慢放出下层液体于烧杯中，取4个已经干燥至恒质量的烧杯，用移液管移出50.00 mL下层液体于烧杯中烘干冷却，称质量并记录。
$$ \text { 肌内脂肪质量分数 }(\%)=\frac{\left(W_2-W_1\right) \times V_1}{W_0 \times 50} \times 100 $$ 其中W0为肉样质量(g)；W1为烧杯质量(g)；W2为烘干后烧杯和脂肪质量之和(g)；V1为下层液体总体积(mL)；50为下层液体取样量(mL)。
1.2.8 肌原纤维断裂指数(MFI)
测定参照雒莎莎等[12]和陆海霞[13]的方法并稍作修改。取2 g鱼肉加6倍体积的0.1 mol·L-1 KCl、0.02 mol·L-1三羟甲基氨基甲烷(Tris)-盐酸(HCl)(pH=7.5)缓冲液(A)和2倍体积的1% Triton、0.1 mol·L-1 KCl、0.02 mol·L-1 Tris-HCl缓冲液(B)，匀浆，纱布过滤，去结缔组织，8 000 r·min-1冷冻离心10 min，去上清，沉淀用8倍体积的A液离心3次，最后用A液清洗沉淀稀释至20 mL，待测。将肌原纤维悬浮液蛋白质量浓度调整为(0.5±0.05)mg·mL-1，立即取10 mL在540 nm下测吸光度(OD)，记为OD540 nm。
$$ \mathrm{MFI}=\mathrm{OD}_{540 \mathrm{~nm}} \times 200 $$ 1.2.9 肌红蛋白总量的测定
参照KRZYWICKI[14]方法，具体试验步骤见马汉军等[15]的方法。
1.2.10 游离氨基酸的测定
使用高效液相色谱仪进行分析[16]。
1.3 数据处理
所有数据采用统计软件SPSS 16.0进行分析处理。
2. 结果与分析
2.1 常规营养成分
2种模式养殖的罗非鱼肉粗脂肪、粗灰分质量分数分别为1.48%、0.74%，池塘养殖的总糖质量分数稍高于水库养殖，但两者均无显著差异(P＞0.05)(表 2)。水库养殖的水分质量为湿质量的80.22%，显著高于池塘养殖的77.04%(P＜0.05)。这是由于鱼体的水分质量分数和脂肪质量分数互成反比，水库养殖的粗蛋白质量分数(16.65%)和粗脂肪质量分数(1.37%)都低于池塘养殖(分别为18.82%和1.59%)，故其水分质量分数相对较高。
表 2 罗非鱼肉常规营养成分比较(X±SD，n=3)Table 2. Nutritional components in muscle of different tilapia% 营养成分
nutritive composition池塘养殖
pond culture水库养殖
reservoir culture水分 moisture 77.04±0.08b 80.22±0.09a 粗蛋白 crude protein 18.82±0.12a 16.65±0.08b 粗脂肪 crude fat 1.59±0.24 1.37±0.15 粗灰分 crude ash 0.72±0.02 0.75±0.02 总糖 total sugar 0.12±0.06 0.06±0.02 注：同行不同字母表示差异显著(P＜0.05)，后表同此
Note：Means in the same row with different letter are significantly different (P＜0.05), the same case in the following tables.2.2 感官评定
2种养殖模式罗非鱼肉的鲜味和口感值较接近，没有显著差异(P＞0.05)(表 3)。水库养殖的嫩度和可接受度分别为4.87和14.30，显著高于池塘养殖的4.53和13.47(P＜0.05)。
表 3 罗非鱼的感官评价分析(X±SD，n=9)Table 3. Muscle sensory evaluation of the different tilapia评定项目
assessment program池塘养殖
pond culture水库养殖
reservoir culture鲜味 umami 4.50±0.17 4.73±0.12 口感 mouthfeel 4.43±0.15 4.70±0.10 嫩度 tenderness 4.53±0.12b 4.87±0.12a 可接受度 acceptence 13.47±0.42b 14.30±0.26a 2.3 理化特性
表 4为不同养殖模式下罗非鱼肉质各项理化指标。2种养殖模式的熟肉率和蒸煮损失平均值分别为81.49%和18.51%，无显著差异(P＞0.05)。池塘养殖的pH显著低于水库养殖(P＜0.05)；与池塘养殖相比，水库养殖的滴水损失和贮存损失分别高出1.85%和0.69%，差异显著(P＜0.05)；水库养殖的肌内脂肪比池塘养殖的高0.35%，差异显著(P＜0.05)；池塘养殖的MFI比水库养殖高38，差异显著(P＜0.05)。肌红蛋白质量分数平均值为22.22 mg·kg-1，两者不存在显著差异(P＞0.05)。
表 4 罗非鱼肉理化特性比较(X±SD，n=3)Table 4. Physi-chemical characters comparison of the different tilapia理化指标
physi-chemical index池塘养殖
pond culture水库养殖
reservoir culturepH 6.28±0.06b 6.43±0.09a 熟肉率/% rate of cooked meat 82.00±0.98 80.97±0.50 蒸煮损失/% cooking loss 18.00±0.98 19.03±0.50 滴水损失/% drip loss 7.75±0.41b 9.60±0.36a 贮存损失/% storage loss 3.20±0.34b 3.89±0.19a 肌内脂肪/% intramuscular fat 0.51±0.16b 0.86±0.19a 肌纤维断裂指数 myofibrillar fragmentation index(MFI) 161±4.58a 123±22.07b 肌红蛋白/mg·kg-1 myoglobin 20.25±0.69 24.19±2.58 2.4 氨基酸质量分数的分析
从罗非鱼肌肉中检测并鉴定了18种常见的氨基酸(表 5)。其中包括8种必需氨基酸，2种半必需氨基酸和8种非必需氨基酸。比较2种模式中各氨基酸的平均值发现，甘氨酸的质量分数均为最高，分别占其总氨基酸的46.40%(池塘养殖)和55.49%(水库养殖)，池塘养殖模式中质量分数次之的是丙氨酸、苏氨酸、丝氨酸，水库养殖模式中质量分数次之的是苏氨酸、组氨酸、谷氨酸。两者间的天冬氨酸、谷氨酸、丝氨酸、甘氨酸、丙氨酸质量分数有显著差异(P＜0.05)，除此之外其他氨基酸不存在显著差异(P＞0.05)。
表 5 罗非鱼肉中主要游离氨基酸组成及质量分数(湿质量)(X±SD，n=3)Table 5. Muscle main free amino acids contents of the different tilapia(wet weight)μg·g-1 游离氨基酸
free amino acid池塘养殖
pond culture水库养殖
reservoir culture天冬氨酸ae Asp 61.74±3.09a 11.73±3.88b 谷氨酸ae Glu 97.06±0.72a 82.73±2.94b 鲜味氨基酸总量(∑UAA) total umami amino acids 158.80±2.87a 94.46±5.96b 丝氨酸be Ser 120.23±5.51a 66.61±4.10b 甘氨酸be Gly 1 194.12±25.19a 1 189.80±16.91b 苏氨酸bc Thr 126.57±12.05 103.46±15.62 丙氨酸be Ala 347.81±18.67a 22.19±9.38b 脯氨酸be Pro 48.41±7.13 63.22±23.32 甜味氨基酸总量(∑SAA) total sweet amino acids 1 837.13±54.55a 1 445.29±58.54b 组氨酸d His 115.21±6.91 100.32±9.58 精氨酸d Arg 59.34±10.56 56.45±17.05 酪氨酸e Tyr 43.53±20.87 35.21±11.21 蛋氨酸c Met 41.85±8.76 34.10±8.41 色氨酸c Trp 43.73±9.58 79.72±26.10 苯丙氨酸c Phe 41.38±2.32 41.15±4.93 异亮氨酸c Ile 26.65±1.16 18.68±4.78 亮氨酸c Leu 47.31±3.05 42.80±7.02 赖氨酸c Lys 68.28±1.19 81.07±4.61 缬氨酸c Val 44.47±7.48 39.99±15.73 半胱氨酸e Cys 45.73±22.56 74.82±41.76 氨基酸总量(∑AA) total amino acids 2 573.41±104.36 2 144.05±99.19 必需氨基酸总量(∑EAA) total essential amino acids 440.24±15.61 440.97±25.31 半必需氨基酸总量(∑HEAA) total half-essential amino acids 174.54±17.28 156.76±26.04 ∑UAA/∑AA/% 6.17 4.41 ∑SAA/∑AA/% 71.39 67.41 ∑EAA/∑AA/% 17.11 20.57 ∑HEAA/∑AA/% 6.78 7.31 注：a.鲜味氨基酸；b.甜味氨基酸；c.必需氨基酸；d.半必需氨基酸；e.非必需氨基酸
Note：a. umami amino acids；b. sweet amino acids；c. essential amino acids；d. half-essential amino acids；e. not essential amino acids罗非鱼的鲜美程度取决于其蛋白质中鲜味氨基酸的组成和质量分数，天冬氨酸和谷氨酸为呈鲜味的特征氨基酸，其中谷氨酸的鲜味更强。谷氨酸不仅是呈鲜味氨基酸，还在人体代谢中具有重要意义，是脑组织生化代谢中首要的氨基酸，参与多种生理活性物质的合成，具有健脑作用[17]。在2种模式中，谷氨酸质量分数(μg·g-1，湿基)分别为97.06(池塘养殖)和82.73(水库养殖)。2种养殖模式的鲜味氨基酸总量(μg·g-1，湿基)分别为158.80(池塘养殖)和94.46(水库养殖)，两者差异显著(P＜0.05)。甜味氨基酸总量(μg·g-1，湿基)分别为1 837.13(池塘养殖)和1 445.29(水库养殖)，分别占总氨基酸的71.39%(池塘养殖)和67.41%(水库养殖)，前者明显高于后者(P＜0.05)。必需氨基酸总量(μg·g-1，湿基)分别为440.24(池塘养殖)和440.97(水库养殖)，两者相近(P＞0.05)。组氨酸和精氨酸为半必需氨基酸，其总量(μg·g-1，湿基)分别为174.54(池塘养殖)和156.76(水库养殖)。精氨酸在人体饥饿、创伤或应激条件下会转变为必需氨基酸。
3. 讨论
1) 肌肉营养成分是评价养殖模式肌肉品质的重要指标。池塘养殖罗非鱼的粗蛋白质量分数较水库养殖的高，这可能与投喂的饲料有关。有关研究表明[18]，饲料蛋白质量分数越高，鱼体内的粗蛋白质量分数也越高。从试验结果看出，池塘养殖饲料供给及时，营养充足，则鱼体的粗蛋白和粗脂肪质量分数相对较高。在粗灰分和总糖质量分数上，两者相差不大，说明罗非鱼肌肉粗灰分和总糖质量分数受其养殖环境的影响较小。
2) 一般认为，肉品风味随肌内脂肪的增加而改善。BEJERHOLM和BARTON-GADE[19]发现随着肌内脂肪质量分数的增加，嫩度也相应改善。笔者试验中水库养殖罗非鱼的肌内脂肪质量分数高于池塘养殖，与感官评定中的嫩度评分一致，同时，水库养殖的肌原纤维断裂指数比池塘养殖小，即水库养殖的嫩度较好，这3个指标的检测结果是一致的，因此可推测这三者之间存在着一定相关性。同时，pH是反映鱼体死后肌糖原酵解速率的重要指标，pH越低，说明酵解速度越快，pH缓慢降低可保持肉的嫩度。水库养殖的pH显著高于池塘养殖，即水库养殖的嫩度优于池塘养殖，这与前面的3个指标检测结果一致。
3) 滴水损失和持水力能够反映肉类保持其原有水分的能力。滴水损失与肌肉持水力呈负相关，滴水损失越低，肌肉持水力越好，鱼体死后失重小。从试验结果可知，水库养殖的滴水损失和贮存损失都比池塘养殖的高，说明池塘养殖的持水力高于水库养殖。熟肉率是衡量烹调损失的指标，具有重要的经济意义。试验结果表明池塘养殖的熟肉率高于水库养殖。
4) 从对罗非鱼肌肉的品质分析可以看出，尽管属于同一鱼种，但是不同养殖模式的罗非鱼在品质方面存在着一定的差别。有研究表明，鱼类肌肉品质的遗传变异很低[20]，所以遗传变异的可能性不大。食物营养价值可以用多项指标来评价，蛋白质为重要的指标之一，尤其是氨基酸的组成及含量。这2种模式罗非鱼的蛋白质质量分数差异显著，其某些游离氨基酸的质量分数也存在显著差异。池塘养殖罗非鱼肌肉中谷氨酸的质量分数明显高于水库养殖，谷氨酸作为一种鲜味氨基酸，在脑组织生化代谢中具有重要作用，参与多种活性物质的合成。池塘养殖的呈味(鲜味和甜味)氨基酸质量分数都高于水库养殖，必需氨基酸总量虽相近，但氨基酸总量和半必需氨基酸总量均高于水库养殖。有研究表明，水产动物肌肉氨基酸组成与含量的不同，除了受到遗传因素的影响外，还与动物自身的生长发育、栖息环境、饵料种类与组成等密切相关[21-22]。此次采集的池塘养殖样品在养殖过程中定期投喂了饲料，而水库养殖样品主要以浮游植物为食，加上栖息环境的不同，因此造成了两者的差异。
从总体上看，水库养殖的罗非鱼嫩度要优于池塘养殖，但在营养成分及鲜甜味方面不及池塘养殖。
-
![]()
图 6 分割结果图
注：绿色五角星为分割提示点在子框图中的坐标位置。
Figure 6. Segmentation result diagram
Note: The green pentagrams represent the coordinate positions of segmentation prompt points in the sub-frame diagram.
![]()
图 8 改进的Faster RCNN训练时模型的变化情况
Figure 8. Changes in model during improved Faster RCNN training
![]()
图 10 预测结果
注：只展示了预测结果中置信度大于95.0%的框图。
Figure 10. Predicted results
Note: Only the block diagram with a confidence degree greater than 95.0% in the predicted result is shown.
表 1 实验工作平台环境
Table 1 Experimental platform environment
名称
Name版本及规格参数
Version and specifications操作系统
Operating systemWindows 11 显存
GPUNVIDIA GeForce RTX 3060 Ti 中央处理器
CPUIntel Core i5-12400F六核 内存
Internal storage32 G 编程语言
Programming languagePython 3.8 网络开发框架
Framework for network developmentPytorch 1.10 统一设备架构
CUDA (Compute unified device architecture)11.3 深度神经网络库
cuDNN (NVIDIA CUDA deep neural network library)8.2 
下载: 导出CSV
表 2 不同的特征提取网络对比
Table 2 Comparison of different feature extraction networks
特征提取网络
Feature extraction
network平均
精确率
Average precision
(AP)/%平均
召回率
Average recall
(AR)/%每张图片
检测时间
Detection time
per image/sMobilenetv2 70.0 44.5 0.039 Mobilenetv2+FPN 84.5 60.8 0.042 VGG16 84.9 61.0 0.074 VGG16+FPN 86.0 64.4 0.077 Resnet50 83.1 59.5 0.044 Resnet50+FPN 83.5 60.0 0.062
下载: 导出CSV
-
[1] 2022年全国渔业经济统计公报发布[J]. 水产科技情报, 2023, 50(4): 270. [2] 2021年全国渔业经济统计公报[J]. 水产科技情报, 2022, 49(5): 313. [3] 王向仁. “蓝色粮仓”行业发展现状、问题制约及对策建议[J]. 农业灾害研究, 2023, 13(8): 286-288. [4] 本刊讯. 农业农村部部署深远海养殖工作[J]. 中国水产, 2023(7): 7. [5] YUAN B, CUI Y H, AN D, et al. Marine environmental pollution and offshore aquaculture structure: evidence from China[J]. Front Mar Sci, 2023, 9: 979003. doi: 10.3389/fmars.2022.979003
[6] 张涵钰, 李振波, 李蔚然, 等. 基于机器视觉的水产养殖计数研究综述[J]. 计算机应用, 2023, 43(9): 2970-2982. [7] DHAKAL A, PANDEY M, KAYASTHA P, et al. An overview of status and development trend of aquaculture and fisheries in Nepal[J]. Adv Agric, 2022: 1-16.
[8] WANG C, LI Z, WANG T, et al. Intelligent fish farm-the future of aquaculture[J]. Aquac Int, 2021, 29(6): 2681-2711. doi: 10.1007/s10499-021-00773-8
[9] 郭戈, 王兴凯, 徐慧朴. 基于声呐图像的水下目标检测、识别与跟踪研究综述[J]. 控制与决策, 2018, 33(5): 906-922. [10] 陈超, 赵春蕾, 张春祥, 等. 物联网声呐感知研究综述[J]. 计算机科学, 2020, 47(10): 9-18. [11] VOLOSHCHENKO V Y, VOLOSHCHENKO A P, VOLOSHCHENKO E V. Seadrome: unmanned amphibious aerial vehicle sonar equipment for landing-takeoff and water area navigation[J]. Rus Aeronaut, 2020, 63(1): 155-163. doi: 10.3103/S1068799820010225
[12] 崔智强, 祝捍皓, 宋伟华, 等. 一种基于前视声呐的养殖网箱内鱼群数量评估方法[J]. 渔业现代化, 2023, 50(4): 107-117. [13] BENOIT-BIRD K J, WALUK C M. Remote acoustic detection and characterization of fish schooling behavior[J]. J Acoust Soc Am, 2021, 150(6): 4329-4342. doi: 10.1121/10.0007485
[14] YUAN X W, JIANG Y Z, ZHANG H, et al. Quantitative assessment of fish assemblages on artificial reefs using acoustic and conventional netting methods, in Xiangshan Bay, Zhejiang Province, China[J]. J Appl Ichthyol, 2021, 37(3): 389-399. doi: 10.1111/jai.14157
[15] 崔斌. 视觉识别技术在智慧实验室中的应用研究[J]. 信息与电脑(理论版), 2023, 35(8): 172-174. [16] 李少波, 杨玲, 于辉辉, 等. 水下鱼类品种识别模型与实时识别系统[J]. 智慧农业(中英文), 2022, 4(1): 130-139. [17] 黄平. 基于深度学习的鱼类摄食行为识别及精准养殖研究[D]. 南宁: 广西大学, 2022: 7. [18] LAI Y C, HUANG R J, KUO Y P, et al. Underwater target tracking via 3D convolutional networks[C]//2019 IEEE 6th International Conference on Industrial Engineering and Applications (ICIEA). IEEE, 2019: 485-490.
[19] 傅梁著. 基于视觉感知技术的鱼类行为辨别方法研究[D]. 大连: 大连理工大学, 2022: 15. [20] FENG S X, YANG X T, LIU Y, et al. Fish feeding intensity quantification using machine vision and a lightweight 3D ResNet-GloRe network[J]. Aquac Engin, 2022: 102244.
[21] YANG L, CHEN Y Y, SHEN T, et al. A BlendMask-VoVNetV2 method for quantifying fish school feeding behavior in industrial aquaculture[J]. Comput Electron Agr, 2023, 211: 108005. doi: 10.1016/j.compag.2023.108005
[22] 黄小华, 庞国良, 袁太平, 等. 我国深远海网箱养殖工程与装备技术研究综述[J]. 渔业科学进展, 2022, 43(6): 121-131. [23] REN S Q, HE K M, GIRSHICK R, et al. Faster R-CNN: towards real-time object detection with Region Proposal Networks[J]. IEEE T Pattern Anal, 2017, 39(6): 1137-1149. doi: 10.1109/TPAMI.2016.2577031
[24] YASHASWINI K, SRINIVASA A H, GOWRISHANKAR S. Fish species detection using deep learning for industrial applications[C]//Proceedings of Third International Conference on Communication, Computing and Electronics Systems: ICCCES 2021. Singapore: Springer Singapore, 2022: 401-408.
[25] YANG X T, ZHANG S, LIU J T, et al. Deep learning for smart fish farming: applications, opportunities and challenges[J]. Rev Aquac, 2021, 13(1): 66-90. doi: 10.1111/raq.12464
[26] 姚文清, 李盛, 王元阳. 基于深度学习的目标检测算法综述[J]. 科技资讯, 2023, 21(16): 185-188. [27] WANG H, JIANG S F, GAO Y. Improved object detection algorithm based on Faster RCNN[J]. J Physics: Conference Series, 2022, 2395(1): 012069. doi: 10.1088/1742-6596/2395/1/012069
[28] LIN T Y, DOLLAR P, GIRSHICK R, et al. Feature pyramid networks for object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 2117-2125.
[29] SANDLER M, HOWARD A, ZHU M L, et al. Mobilenetv2: inverted residuals and linear bottlenecks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 4510-4520.
[30] 康晓凤, 厉丹. 基于SSD-MobileNetv2和FPN的人脸检测[J]. 电子器件, 2023, 46(2): 455-462. [31] KIRILLOV A, MINTUN E, RAVI N, et al. Segment anything[J]. Arxiv Preprint Arxiv: 2304.02643, 2023.
[32] 黄佳慧. 基于计算机视觉的光条中心点椭圆拟合算法[J]. 信息技术与信息化, 2023(4): 137-140. [33] 王景洲. 基于平面点集最佳拟合椭圆方法的优化[J]. 电子技术与软件工程, 2022(21): 198-202. -
期刊类型引用(1)
1. 薛尊，石建高，张文阳. 中国重力式深水网箱研究进展和展望. 渔业研究. 2024(04): 393-402 . 
百度学术
其他类型引用(1)
计量
- 文章访问数: 319
- HTML全文浏览量: 65
- PDF下载量: 58
- 被引次数: 2
粤公网安备 44010502001741号
