基于视觉语义和点线融合的无人艇动态水面环境感知SLAM算法

龚远瑾, 杨淑洁

龚远瑾, 杨淑洁. 基于视觉语义和点线融合的无人艇动态水面环境感知SLAM算法[J]. 南方水产科学, 2024, 20(3): 120-132. DOI: 10.12131/20240019
引用本文: 龚远瑾, 杨淑洁. 基于视觉语义和点线融合的无人艇动态水面环境感知SLAM算法[J]. 南方水产科学, 2024, 20(3): 120-132. DOI: 10.12131/20240019
GONG Yuanjin, YANG Shujie. Dynamic water surface environment perception SLAM algorithm based on visual semantics and point-line fusion for unmanned surface vessels[J]. South China Fisheries Science, 2024, 20(3): 120-132. DOI: 10.12131/20240019
Citation: GONG Yuanjin, YANG Shujie. Dynamic water surface environment perception SLAM algorithm based on visual semantics and point-line fusion for unmanned surface vessels[J]. South China Fisheries Science, 2024, 20(3): 120-132. DOI: 10.12131/20240019

基于视觉语义和点线融合的无人艇动态水面环境感知SLAM算法

基金项目: 国家自然科学基金国际(地区)合作研究与交流项目 (52261160383);浙江省自然科学基金 (LY21E090005)
详细信息
    作者简介:

    龚远瑾 (1999—),女,硕士研究生,研究方向为海洋工程装备。E-mail: gongyuanjin@zjou.edu.cn

    通讯作者:

    杨淑洁 (1986—),女,副教授,博士,研究方向为组合导航、船舶避碰技术。E-mail: shujie.yang@zjou.edu.cn

  • 中图分类号: TP 242.6

Dynamic water surface environment perception SLAM algorithm based on visual semantics and point-line fusion for unmanned surface vessels

  • 摘要:

    无人艇在复杂水面环境下的自主导航能力是其完成养殖作业的基础,其在智能水产养殖中的发展前景巨大。视觉同时定位与地图构建 (Simultaneous location and mapping, SLAM) 技术可以提供实时的环境信息,是实现无人艇自主导航的关键。然而,水面环境是一种缺乏足够有效特征点的低纹理场景,且受水面波纹和反光影响存在大量动态无效特征点,导致视觉SLAM位姿的计算精度较差、性能严重下降。为此,提出了一种面向动态水面环境的基于视觉语义和点线融合的SLAM系统。首先,对ORB-SLAM3算法框架进行改进,增加语义分割线程,利用语义信息生成掩码消除水面无效特征点,以消除动态水面环境的干扰。其次,加入线特征来加强系统稳定性,提出了一种基于几何约束的线段匹配方法,提高水面线特征提取和跟踪的准确性,并利用点线特征融合提高数据关联的准确性,解决传统SLAM算法在水面低纹理场景中提取不足的问题。在USVInland数据集上的实验结果显示,与ORB-SLAM3和PL-SLAM算法相比,改进后算法的定位精度在直线航行中平均提高了44.74%和55.48%,在机动航行中最多提高了76.60%和70.15%,有效消除了水面干扰对位姿估计的影响,提升了视觉SLAM系统在水面低纹理场景中位姿估计的准确性和鲁棒性。

    Abstract:

    Unmanned surface vessels (USVs) have autonomous navigation capacities under complex water surface environment, which is the basis for aquaculture operation, with great development prospects in intelligent aquaculture. Simultaneous localization and mapping (SLAM) technology provides real-time environmental information, playing a pivotal role in enabling autonomous navigation for USVs. However, water surfaces present low-texture scenes with insufficient distinct features, compounded by dynamic invalid features caused by surface ripples and reflections, which result in poor calculation accuracy and serious performance degradation of visual SLAM pose. To address this problem, the paper proposes a SLAM system oriented towards dynamic water surface environments based on visual semantics and point-line fusion. Firstly, the ORB-SLAM3 framework is enhanced by introducing a semantic segmentation thread to eliminate invalid water features using semantic masks, thereby mitigating dynamic water interference. Secondly, the system stability is enhanced by incorporating line features to propose a geometric-constraint-based line-matching method to improve the accuracy of waterline feature extraction and tracking. Moreover, the point-line feature fusion is utilized to enhance data association accuracy, resolving the deficiency of traditional SLAM algorithms in extracting features from low-texture water surfaces. The results of the USVInland dataset demonstrate that compared with ORB-SLAM3 and PL-SLAM algorithms, the positioning accuracy of the improved algorithm has averagely increased by average of 44.74% and 55.48% in straight-line navigation, and up to 76.60% and 70.15% in maneuvering navigation, which mitigates the impact of water surface disturbances on pose estimation effectively, and enhances the accuracy and robustness of visual SLAM systems under low-texture water environment.

  • 低氧环境影响鱼类的生存、生长、繁殖和代谢等生命活动[1-3]。为适应低氧环境,鱼类在长期进化中形成了一系列的低氧适应机制,由低氧诱导因子 (Hypoxia inducible factor, HIF) 介导的低氧信号传导途径在环境缺氧应答机制中起主导作用[4]。血红素加氧酶1 (Heme oxygenase 1, HO1) 是血红素降解过程中的起始酶和限速酶,可将血红素降解形成胆绿素、一氧化碳 (CO) 和游离铁,这三种代谢产物均是机体重要的生物效应分子,可以保护细胞免受氧化应激损伤[5]ho1是HIF信号通路的靶基因之一,具有重要生物学功能。目前,ho1序列及其表达特征已在多种鱼类中报道,如斑马鱼 (Danio rerio)[6]、舌齿鲈 (Dicentrarchus labrax)[7]、卵形鲳鲹 (Trachinotus ovatus)[8]、团头鲂 (Megalobrama amblycephala)[9]、南亚野鲮 (Labeo rohita)[10]等。研究表明,鱼类ho1在低氧刺激下能够为细胞提供保护作用。如鲫 (Carassius auratus) ho1对于抗低氧诱导的细胞凋亡具有重要作用,可保护细胞应对低氧刺激[11]ho1可调节金鱼 (C. auratus) 对低氧的呼吸反应[12];斑马鱼ho1可通过抗细胞凋亡发挥低氧保护作用[13]

    梭鲈 (Sander lucioperca) 隶属鲈形目、鲈科、梭鲈属,具有生长速度快、抗病能力强、肉质细嫩、营养价值高[14]等特点,在欧洲具有较高的市场认可度[15]。20世纪 90 年代我国梭鲈人工繁育取得成功,目前在东北、西北、华北、华东、华南等地区均有养殖,已成为我国重要的淡水名优养殖鱼类。梭鲈为凶猛性鱼类,性情急躁,应激反应强烈,对低氧极为敏感。研究显示,梭鲈养殖的最佳溶解氧 (DO) 质量浓度为7~9 mg·L−1[16],因此在集约化养殖和苗种运输过程中容易发生低氧应激、死亡等现象。目前,关于梭鲈对低氧的耐受性及其适应机制研究报道较少,Baekelandt 等[17]研究发现,养殖水域的DO质量浓度为4~6 mg·L−1时,梭鲈的采食量和生长速度均降低;Nadine等[3]报道,在DO质量浓度为3.2 mg·L−1的缺氧环境中,梭鲈头肾中淋巴细胞数量下降,头肾和肝脏中的免疫和应激基因 (包括 fth1hif1anr3c1) 表达量下调。可见低氧显著影响到梭鲈的生长、免疫调节等重要生命活动,但有关梭鲈低氧应激分子机制的研究尚不多见,血红素加氧酶1在低氧胁迫下的响应机制尚不清楚。本研究通过对梭鲈低氧相关基因ho1的克隆及序列特征分析,探讨了梭鲈ho1在各组织中的表达模式,并检测了低氧、复氧下皮肤、鳃、心、肾、肝、脑中ho1的表达规律,以期为梭鲈养殖、运输等技术研发提供数据支持,同时也为梭鲈耐低氧机制研究、耐低氧育种提供理论参考。

    实验用梭鲈来自中国水产科学研究院黑龙江水产研究所呼兰试验场。选取体格健壮、体表无伤、规格基本一致的1龄梭鲈220尾,体质量 (73±6) g,体长 (200±10) mm,于实验室循环水系统水族箱中暂养7 d,正常投喂配合饲料。暂养期间,保持DO质量浓度大于8 mg·L−1,水温 (18±0.2) ℃。实验前禁食24 h。

    取30尾实验鱼,放入密闭水族箱中,用于测试“浮头点”。低氧胁迫前,采用YSI多功能水质分析仪测得DO质量浓度为9.9 mg·L−1,水温18 ℃。停止增氧,观察鱼的活动情况,当实验鱼开始因低氧而浮在水面吞食空气时,则达到“浮头点”,此时水中DO质量浓度为3.5 mg·L−1。因此,本实验将低氧胁迫DO质量浓度设定为3.5 mg·L−1

    取90尾实验鱼平均放至于3个循环水族箱中作为常氧对照组 (DO质量浓度10 mg·L−1),90尾实验鱼平均放至于3个密闭水族箱中作为低氧胁迫组 (DO质量浓度3.5 mg·L−1)。停止增氧,向水中持续充氮气 (N2),使水体DO质量浓度降至3.5 mg·L−1,之后调节氮气 (N2) 与氧气 (O2)充入量使水体DO质量浓度保持在 (3.5±0.3) mg·L−1,维持9 h。每间隔15 min用水质分析仪监测水体温度、pH、DO、氨氮 (${\rm{NH}}_4^+ $-N)等。低氧实验结束后,将胁迫组梭鲈转至3个循环可控水族箱中 (DO质量浓度10 mg·L−1),进行常氧恢复实验,并维持12 h。此次实验均使用直径30 cm、长100 cm的水族箱,且放置1个气石;除水族箱中DO条件存在差异,其他水质条件均一致。

    用 MS-222对实验鱼进行麻醉,分别在常氧对照组,低氧胁迫第3、第6、第9小时,常氧恢复第0.5、第1、第2、第3、第6、第9、第12小时,在每个水族箱随机选取3尾鱼,采取皮肤、肌肉、心、肝、肾、肠、脑、鳃组织样本,并迅速投入液氮中冷冻备用。

    将皮肤、肌肉、心、肝、肾、肠、脑、鳃组织样品从液氮罐取出,剪取1~2 mg置于事先加入500 μL Trizol的离心管中,使用手持匀浆仪 (QIAGEN) 匀浆至无颗粒状态,参考Trizol法提取样品总RNA。利用紫外分光光度计 (NanoDrop 8000) 及1.2% (质量分数) 琼脂糖凝胶电泳检测RNA浓度及完整性 (图1)。

    图  1  梭鲈各组织总RNA电泳图
    Figure  1.  Electrophoresis of total RNA in tissues of S. lucioperca

    使用 PrimeScript™ RT reagent Kit with gDNA Eraser (Perfect Real Time) 试剂盒 (TaKaRa) 去除基因组DNA、反转录合成cDNA第一链,于−80 ℃保存备用。

    根据NCBI数据库中河鲈 (Perca fluviatilis)、舌齿鲈及其他鲈科鱼类ho1基因的cDNA序列,选择保守区域与梭鲈转录组数据库进行序列比对,获得梭鲈ho1基因的部分cDNA序列。利用Primer 3 Plus软件设计PCR特异性引物 (表1),以梭鲈鳃组织cDNA为模板,对其开放阅读框 (Open reading frame, ORF) 进行PCR扩增,用 1.2% (质量分数) 琼脂糖凝胶电泳检测扩增产物 (图2),参考胶回收试剂盒 (康为世纪) 纯化目的片段,再连接至PMD-18T载体 (TaKaRa)、转入E. coli DH5α感受态细胞 (TaKaRa),使用LB培养基 (含氨苄) 筛选阳性克隆,并测序验证。

    表  1  引物序列
    Table  1.  Primers used in this study
    基因
    Gene
    目的
    Purpose
    引物
    Primer
    引物序列 (5'—3')
    Primer sequence (5'–3')
    退火温度
    Annealing temperature/℃
    ho1 ORF扩增 ho1-F1 GGAGCCAGAGAAGAAGACTCAG 59.8
    ho1-R1 TGCAGCTCGTTTTCAGTGAC 60.2
    ho1 RACE扩增 5'GSP ACACCGGGGAAGGCGAAGAATGAC 72.0
    5'nGSP CACTGGGGTGGTTGGAGTTCCTGTC 70.9
    3'GSP GAGGGCAGGTCCTGGGTCGAATC 71.2
    3'nGSP ATGGGGCTAAAGGGCAGCGAAGGTC 73.2
    ho1 RT-PCR ho1-F1 CTGTGCTCGCTGTATGAGGT 59.1
    ho1-R1 CCAGTCCTGGCCATAGAAGT 59.2
    gapdh RT-PCR gapdh1-F ATGTTCGTCATGGGCGTCAA 60.0
    gapdh1-R CAGGCCCTCAATGATGACGA 60.0
    下载: 导出CSV 
    | 显示表格
    图  2  梭鲈ho1基因PCR扩增产物电泳图
    Figure  2.  Electrophoresis of PCR products of ho1 in S. lucioperca

    根据已获得梭鲈ho1基因ORF序列设计RACE (Rapid amplification of cDNA ends) 引物,参考SMARTer® RACE 5'/3'试剂盒 (TaKaRa) 说明书构建 RACE文库。使用SeqAmpTM DNA Polymerase (TaKaRa) 试剂盒并结合巢氏PCR法进行 RACE 扩增 (图2)。扩增产物的回收纯化及克隆同以上ORF序列的获得。引物合成及菌落测序均由苏州金唯智生物科技有限公司完成。

    测序结果经BLAST (https://blast.ncbi.nlm.nih.gov/Blast.cgi) 比对,DNAMAN 软件拼接、分析,最终获得梭鲈ho1基因全长cDNA序列。

    使用NCBI上ORF Finder (https://www.ncbi.nlm.nih.gov/orffinder/) 工具查找各基因开放阅读框,进一步推导出氨基酸序列。使用SMART (http://smart.embl-heidelberg.de/) 和NCBI在线工具查找基因的蛋白功能结构域。通过EXPASY (https://web.expasy.org/protparam/) 在线分析软件分析功能域、分子式、理论等电点、信号肽、蛋白疏水性、跨膜结构、蛋白质二级结构等。采用DNAMAN软件进行氨基酸序列多重对比;使用MEGA 7.0软件的邻接法 (Neighbor-Joining method, NJ) 构建系统发育进化树, 其中Bootsrap (1 000次) 得出各分支置信度。

    为确定梭鲈ho1的组织表达特异性模式,根据已获得ho1基因的编码序列设计RT-PCR (Real-time quantitative PCR) 引物 (表1),以梭鲈gapdh为内参基因,以上获得各组织的cDNA为模板,使用TB Green® Premix Ex Taq TM II (Tli RNaseH Plus) 试剂盒 (TaKaRa),ABI 7500 荧光定量 PCR 仪,检测梭鲈ho1基因在常氧对照、低氧胁迫及复氧中各个组织的表达情况,每个样本至少设置3个平行。采用2−∆∆Ct[18]计算目的基因的相对表达量,SPSS 17.0 软件中的单因素方差分析 (One-way ANOVA) 方法对数据进行处理和检验分析,P<0.05表示差异显著。

    组织样本总RNA的提取、cDNA第一链的制备,方法参考1.4.1。

    根据基因保守序列的同源扩增法、RACE技术,经克隆拼接,得到梭鲈ho1基因全长cDNA序列。

    梭鲈ho1 cDNA序列全长1 256 bp,包括840 bp的开放阅读框、162 bp的5'非编码区 (5'-UTR) 和254 bp的3'-UTR,编码279个氨基酸,在3'-UTR区PolyA上游43 bp处有一个“AATAAA”加尾信号。梭鲈HO1蛋白分子式为C1412H2253N377O424S12,相对分子质量31.68 kD,理论等电点(pI) 6.04,其中异亮氨酸(Leu)含量最高,占比12.5%。蛋白总平均亲水性为 −0.288,不稳定系数为40.59,说明该蛋白为亲水性不稳定蛋白。经TMHMM和Signal.4预测,HO1蛋白无信号肽位点,N末端第256—第278位氨基酸处有一个跨膜结构域(图3),前255个氨基酸位于细胞膜内,第279位氨基酸在细胞膜外,说明HO1在细胞中具有跨膜转运的功能。除此之外,SMART在线工具推测出梭鲈HO1还拥有一个Pfam功能结构域(图3),位于第17—第221位氨基酸,是HO1蛋白发挥其催化功能的区域,也是血红素加氧酶家族共有的保守功能域。

    图  3  梭鲈ho1基因cDNA全长序列及推导的氨基酸序列
    Figure  3.  Nucleotide and predicted protein sequences of ho1 of S. lucioperca

    使用Blast在线分析工具对梭鲈ho1编码的蛋白进行同源性搜索,发现不同物种HO1氨基酸序列有较高相似度(图4),梭鲈HO1与翘嘴鳜 (Siniperca chuatsi)、舌齿鲈、大口黑鲈 (Micropterus salmoides)、大菱鲆 (Scophthalmus maximus)、军曹鱼 (Rachycentron canadum) 同源性分别为91.84%、88.69%、88.11%、87.28%、84.77%。在NJ系统发育进化树中(图5),梭鲈先与鲈形目鱼类聚在一起,再与鸟纲、两栖纲、爬行纲聚为一支,而哺乳动物则单独聚为另一支。

    图  4  梭鲈与其他物种HO1氨基酸同源性比对
    Figure  4.  Multiple alignment of HO1 amino acid sequences between S. lucioperca and other species
    图  5  基于不同物种HO1氨基酸序列构建的系统发育进化树 (NJ法)
    Figure  5.  Phylogenetic tree based on HO1 amino acid sequences of different species (Neighbor-Joining method)

    利用实时荧光定量PCR技术检测梭鲈ho1基因在组织中 (皮肤、肌肉、心、肝、肾、肠、脑、鳃)的表达情况,结果显示 (图6),常氧条件下ho1广泛分布于各个组织,但出现明显的组织差异性。ho1在脑中的表达量最高,且相较其他组织呈现极显著性差异 (P<0.01);其次是肝、肾、鳃、肠,而在皮肤和肌肉中的表达量较少。

    图  6  梭鲈ho1在各组织的相对表达量
    注:图中数值为“平均值±标准差”(N=3),不同字母表示组间差异极显著(P<0.01),后图同此。
    Figure  6.  Relative expression of ho1 in different tissues of S. lucioperca
    Note: The values are "$ { {\overline X } \pm {\minifont \rm{SD}}}$" (N=3). Different letters indicate extremely significant differences among the tissues (P<0.01). The same below.

    在低氧胁迫过程中,ho1在梭鲈皮肤、鳃中的变化更迅速,其表达量极显著升高 (图7-a、7-b),分别在第3、第6小时迅速升至最高点,而后开始下降;复氧第0.5小时,皮肤ho1持续下降,鳃ho1则显著升高,之后均呈现升高-降低的表达趋势,但鳃组织的相对表达量变化较不稳定;至复氧第9小时,ho1在梭鲈皮肤、鳃中表达量基本可恢复至正常水平。在低氧胁迫前3 h,梭鲈心、肾、肝中ho1无显著性变化 (图7-c、7-d、7-e),3 h后表达量才开始升高,在低氧第6、第9小时均显著高于正常水平;复氧后均呈现出降低-升高-降低的变化趋势,且极显著高于对照组 (P<0.01);心、肾中ho1在复氧第6、第9小时后与对照组无显著性差异 (P>0.05),而肝ho1表达量直至复氧第12小时也未恢复至正常状态,仍与对照组有极显著差异。梭鲈脑中ho1在低氧期间的相对表达量呈降低-升高-降低趋势 (图7-f),胁迫第3、第9小时的表达量均低于对照组,且差异显著 (P<0.05);复氧的前3 h,梭鲈脑中ho1先上调再下调;3 h后ho1在脑中表达量逐渐升高,6 h后与对照组无显著性差异 (P>0.05)。

    图  7  急性低氧胁迫与常氧恢复下梭鲈ho1在组织中表达变化
    Figure  7.  Expression of ho1 in S. lucioperca under acute hypoxia stress and normoxia recovery

    目前对血红素加氧酶1的作用及其分子机制的研究已取得一定进展,但主要集中于肿瘤、癌症等人类疾病,近年来水产动物中的HO1研究也日益受到关注。本研究在梭鲈中克隆得到ho1的cDNA序列,并进行生物信息学分析。梭鲈ho1全长1 256 bp,包括840 bp的ORF、162 bp的5'-UTR和254 bp的3'-UTR,共编码279个氨基酸,为亲水性不稳定蛋白。梭鲈HO1蛋白有一个Pfam功能结构域,是血红素加氧酶家族共有的保守功能域[19],也是HO1发挥其催化功能的区域;同时HO1蛋白的N末端有一个跨膜结构域,具有跨膜转运功能。有报道称,人HO1的C端被裂解后,可转移到细胞核内,参与由氧化应激介导的表达调控[20],梭鲈HO1可能有着与之相似的功能。氨基酸序列比对发现,梭鲈与河鲈、鲤 (Cyprinus carpio)、智人 (Homo sapiens) 等不同物种的 HO1序列有较高相似度;系统发育进化树也表明梭鲈HO1与翘嘴鳜、舌齿鲈和大口黑鲈的氨基酸序列相似性分别为91.84%、88.69%和88.11%,与鲈科鱼类亲缘关系最近,与哺乳动物亲缘关系最远。蛋白结构及同源性分析皆显示梭鲈ho1在进化上具有一定的保守性,推测ho1基因在不同物种间可能发挥着相似的生物学功能。

    基于ho1属于低氧应激基因,参与哺乳动物多种生理病理调节过程,近年来有关鱼类ho1与环境低氧适应的研究也相继被报道。利用RT-PCR检测ho1在梭鲈脑中的相对表达量最高,在皮肤、肌肉中最少,这与斑马鱼ho1的有关报道一致[6]。有研究报道,哺乳动物脑组织中血红素加氧酶1蛋白水平较高[21],这也提示ho1可能还具有维持神经元稳态和保护神经元免受应激损伤的作用;但是舌齿鲈脑中ho1表达活性则较低,说明脑组织中血红素加氧酶1的基因表达模式具有较大的物种差异性[7]ho1在梭鲈肝脏中也具有高表达特性,而在大多数不直接参与红细胞或血红蛋白代谢的皮肤、肌肉中表达水平较低,这与哺乳动物的研究结果一致[22],可能是因为肝脏是血浆中血红蛋白、血红素摄取和降解部位[23]。Lu等[24]还发现,草鱼 (Ctenopharyngodon idella) ho1主要在免疫器官中表达,并在抗菌免疫和炎症调节中发挥作用。

    在探究梭鲈血红素加氧酶1对低氧的生理响应中发现,ho1的表达变化与组织类型有关。低氧胁迫前期,梭鲈呼吸频率增加,而ho1在与呼吸有关的组织——皮肤、鳃中也最先作出响应,其相对表达量快速升高,分解血红素速率加快;但梭鲈心、肝、肾中ho1在低氧胁迫3 h后才显著上调。有研究报道,低温低氧条件下,金鱼呼吸频率、鳃化学感应神经上皮细胞中ho1表达量显著提高[25];Li等[26]发现,热应激时梭鲈肌肉、鳃中热休克蛋白70 (Heat shock protein 70, Hsc70) 水平的变化比其他组织更快;也有研究表明,低氧胁迫下鲢 (Hypophthalmichthys molitrix)、青海湖裸鲤 (Gymnocypris przewalskii) 心、肝、肾的超氧化物歧化酶 (Superoxide dismutase, SOD)、过氧化氢酶 (Catalase, CAT)、谷胱甘肽过氧化物酶 (Glutathione peroxidase, GSH-Px)活性快速升高[27-28]。因此,在低氧应激前3 h,ho1主要在梭鲈皮肤、鳃中发挥作用,可以通过调节气体交换、能量代谢、物质循环等过程,来保护机体免受氧化应激损伤;此时心、肝、肾组织或许主要通过提高抗氧化酶活性来抵御低氧应激。持续低氧3 h后,梭鲈ho1在皮肤、鳃中逐渐下调,而在心、肝、肾中则开始显著上调;可能是持续低氧导致梭鲈鳃组织受损,ho1也无法正常行使其抗应激保护功能;多项研究显示,低氧胁迫可使舌齿鲈[29]、卵形鲳鲹[30]鳃组织发生病变,并影响其生理功能。因而低氧刺激3 h后,ho1主要在梭鲈心、肝、肾中发挥转录调控作用,可能参与调节其磷酸化途径、提高细胞自噬能力来保护组织免受损伤[31-33]。梭鲈脑则与其他组织不同,在低氧胁迫第3、第9小时,ho1的表达受到短暂抑制,这与Guan等[9]报道的低氧可使团头鲂脑ho1的表达量降低的研究结果类似;说明在低氧胁迫下,ho1在梭鲈脑中具有独特的调节机理,但是否与脑细胞的凋亡机制有关还需深入研究。

    在常氧恢复阶段,梭鲈皮肤、心、肝、肾ho1的相对表达量均在复氧0.5 h内迅速下降,之后均再次升高,说明这些组织通过持续高表达ho1来补偿或缓冲由常氧恢复而造成的应激,使生物体尽快恢复至稳定状态以发挥正常的生理功能[34]。复氧第12小时,肝ho1的表达水平仍高于对照组,说明长时间低氧对梭鲈肝组织产生的氧化应激影响较大,但是否引起肝损伤,还有待深入探讨;其他组织在复氧第12小时后ho1相对表达量基本可恢复至正常,与胁迫前无显著性差异,这与低氧对鱼类组织学、抗氧化酶活性的研究结果相一致[35-37]。梭鲈鳃ho1在复氧过程中表现出复杂的变化,在恢复伊始,ho1表达量迅速升高又降低,可能是水体DO突然增多,直接提高了鳃瓣上皮细胞氧气的摄入量,需要更多的血红素降解产物参与氧气的运输,形成了一定的应激性变化;但1 h后,梭鲈显然未完全恢复,再次上调ho1的表达以避免因常氧应激造成的组织损伤,使鳃组织尽快恢复以维持机体各项生理机能的正常运转。

    综上所述,梭鲈ho1具有较高的保守性,与其他硬骨鱼类高度同源。ho1在梭鲈多个组织中广泛表达,但响应低氧应激时具有组织及时间差异性。低氧刺激前3 h,梭鲈ho1主要在皮肤、鳃中发挥作用,其变化更灵敏;低氧胁迫3 h后,ho1主要在梭鲈心、肝、肾中发挥转录调控作用,且低氧刺激对梭鲈肝组织ho1的表达产生了较大影响。

  • 图  1   本文SLAM系统框架

    Figure  1.   SLAM system framework in this paper

    图  2   BiSeNetv2的总体结构[33]

    Figure  2.   Overall structure of BiSeNetv2

    图  3   Stem、GE、CE模块结构[33]

    Figure  3.   Structure of Stem, GE and CE modules

    图  4   对极几何约束[35]

    Figure  4.   Epipolar geometry constraint

    图  5   相邻线段合并

    Figure  5.   Merge adjacent line segments

    图  6   线特征的重投影误差

    Figure  6.   Reprojection error of line features

    图  7   BiSeNetv2分割效果

    Figure  7.   BiSeNetv2 segmentation effect

    图  8   算法实况图

    Figure  8.   Algorithm reality result

    图  9   相邻帧的提取与匹配

    Figure  9.   Extraction and matching of adjacent frames

    图  10   时间差较大的图像帧的提取与匹配

    Figure  10.   Extraction and matching of image frames with substantial temporal intervals

    图  11   4个序列轨迹对比

    Figure  11.   Comparison of four series trajectories

    图  12   N03_4序列绝对姿态误差对比

    Figure  12.   APE comparison of N03_4

    图  13   平移分量 (x, y, z) 与旋转分量 (横滚、俯仰、偏航) 对比

    Figure  13.   Comparison of translation (x, y, z) and rotation (Roll, pitch, yaw)

    表  1   USVInland 数据集各序列的驾驶场景

    Table  1   Driving scenarios of sequences of USVInland dataset

    场景
    Scene
    序列Series
    N02_4 N03_2 N03_3 N03_4 N03_5 H05_7 H05_9 W06_2
    天气
    Weather
    多云
    Cloudy
    多云
    Cloudy
    多云
    Cloudy
    晴天
    Sunny
    多云
    Cloudy
    雨雾
    Rainy and Foggy
    雾天
    Foggy
    雨天
    Rainy
    机动情况
    Mobile situation
    转弯
    Swerve
    转弯
    Swerve
    直线
    Straight line
    直线
    Straight line
    直线
    Straight line
    直线
    Straight line
    转弯
    Swerve
    直线
    Straight line
    下载: 导出CSV

    表  2   绝对轨迹误差对比

    Table  2   Comparison of absolute trajectory error m


    序列
    Series
    ORB-SLAM3PL-SLAM本文算法 This paper's algorithm
    均方根误差
    RMSE
    标准偏差
    SD
    均方根误差
    RMSE
    标准偏差
    SD
    均方根误差
    RMSE
    标准偏差
    SD
    N02_43.233 01.961 92.318 01.561 60.692 00.303 7
    N03_230.459 317.493 831.975 118.943 19.643 04.200 2
    N03_31.300 51.167 51.282 71.183 50.586 30.330 2
    N03_41.128 70.712 10.964 30.513 00.680 70.345 5
    N03_51.599 20.623 61.782 80.046 90.732 10.385 0
    H05_72.075 40.857 47.459 44.605 51.506 90.010 4
    H05_922.047 314.601 520.311 213.519 07.214 83.120 0
    W06_21.351 41.180 11.574 71.310 40.709 50.402 2
    下载: 导出CSV

    表  3   跟踪线程耗时对比

    Table  3   Time consuming comparison of trace thread

    算法 
    Algorithm 
    每秒跟踪帧数
    Tracking frames per second
    本文算法
    This paper's algorithm
    25.19
    ORB-SLAM3 41.20
    PL-SLAM 28.37
    下载: 导出CSV
  • [1] 刘世晶, 李国栋, 刘晃, 等. 中国水产养殖装备发展现状[J]. 水产学报, 2023, 47(11): 190-203.
    [2] 沈启扬, 朱虹, 于庆旭, 等. 河蟹养殖智能化投饵装备适用性能试验研究[J]. 中国农机化学报, 2022, 43(12): 51-59.
    [3] 李昕聪, 余紫扬, 刘璞, 等. 基于NB-IoT和无人船巡检的水产养殖场物联网系统研究[J]. 渔业现代化, 2022, 49(1): 72-81.
    [4] 赵同强, 韩超, 徐玉良, 等. 无人船技术应用于城市内河水质监测[J]. 中国给水排水, 2021, 37(7): 71-77.
    [5]

    ROSEN D M, DOHERTY K J, TERÁN ESPINOZA A, et al. Advances in inference and representation for simultaneous localization and mapping[J]. Annu Rev Control Robot Auton Syst, 2021, 4: 215-242. doi: 10.1146/annurev-control-072720-082553

    [6] 田野, 陈宏巍, 王法胜, 等. 室内移动机器人的SLAM算法综述[J]. 计算机科学, 2021, 48(9): 223-234.
    [7]

    MUR-ARTAL R, MONTIEL J M M, TARDOS J D. ORB-SLAM: a versatile and accurate monocular SLAM System[J]. IEEE Trans Rob, 2015, 31(5): 1147-1163. doi: 10.1109/TRO.2015.2463671

    [8]

    CAMPOS C, ELVIRA R, RODRÍGUEZ J J G, et al. ORB-SLAM3: an accurate open-source library for visual, visual-inertial, and multimap SLAM[J]. IEEE Trans Rob, 2021, 37(6): 1874-1890. doi: 10.1109/TRO.2021.3075644

    [9] 付洪宇, 史国友, 冉洋, 等. 基于单目相机与K均值聚类分割的船舶航行环境地图深度构建[J]. 上海海事大学学报, 2022, 43(4): 1-8.
    [10] 郑又能. 面向无人船的计算机视觉应用研究[D]. 绵阳: 西南科技大学, 2020: 10.
    [11] 高于科, 章伟, 胡陟, 等. 一种水平面估计的水域环境视觉SLAM算法[J]. 测绘科学, 2023, 48(5): 104-112, 128.
    [12]

    ZHAN W Q, XIAO C S, WEN Y Q, et al. Adaptive semantic segmentation for unmanned surface vehicle navigation[J]. Electronics-SWITZ, 2020, 9(2): 213.

    [13]

    JAMES T, SCHILLACI C, LIPANI A. Convolutional neural networks for water segmentation using sentinel-2 red, green, blue (RGB) composites and derived spectral indices[J]. Int J Remote Sens, 2021, 42(14): 5338-5365. doi: 10.1080/01431161.2021.1913298

    [14] 沈建军, 陶青川, 肖卓. 结合改进Deeplab v3+网络的水岸线检测算法[J]. 中国图象图形学报, 2019, 24(12): 2174-2182. doi: 10.11834/jig.190051
    [15]

    BOVCON B, KRISTAN M. WaSR: a water segmentation and refinement maritime obstacle detection network[J]. IEEE Trans Cybern, 2021, 52(12): 12661-12674.

    [16]

    TAIPALMAA J, PASSALIS N, ZHANG H L, et al. High-resolution water segmentation for autonomous unmanned surface vehicles: a novel dataset and evaluation[C]//2019 IEEE 29th International Workshop on Machine Learning for Signal Processing (MLSP). Pittsburgh, PA, USA: IEEE, 2019: 1-6.

    [17]

    TEICHMANN M, WEBER M, ZOELLNER M, et al. MultiNet: real-time joint semantic reasoning for autonomous driving[C]//2018 IEEE intelligent vehicles symposium (IV). Changshu, China: IEEE, 2018: 1013-1020.

    [18]

    SIT M, DEMIRAY B Z, XIANG Z R, et al. A comprehensive review of deep learning applications in hydrology and water resources[J]. Water Sci Technol, 2020, 82(12): 2635-2670. doi: 10.2166/wst.2020.369

    [19]

    ZHAN W Q, XIAO C S, WEN Y Q, et al. Autonomous visual perception for unmanned surface vehicle navigation in an unknown environment[J]. Sensors-BASEL, 2019, 19(10): 2216. doi: 10.3390/s19102216

    [20]

    CHENG Y W, JIANG M X, ZHU J N, et al. Are we ready for unmanned surface vehicles in inland waterways? The USVInland multisensor dataset and benchmark[J]. IEEE Rob Autom Lett, 2021, 6(2): 3964-3970. doi: 10.1109/LRA.2021.3067271

    [21] 余思雨, 齐林, 李逸文, 等. 语义驱动下水面场景中AR效果提升方法[J]. 计算机应用与软件, 2021, 38(4): 245-249.
    [22]

    GAN Y, ZHANG J H, CHEN K Q, et al. A dynamic detection method to improve SLAM performance[J]. Optoelectron Lett, 2021, 17(11): 693-698. doi: 10.1007/s11801-021-1022-5

    [23]

    CHEN S B, ZHOU B D, JIANG C H, et al. A LiDAR/Visual SLAM backend with loop closure detection and graph optimization[J]. Remote Sens, 2021, 13(14): 2720. doi: 10.3390/rs13142720

    [24]

    TANG J X, ERICSON L, FOLKESSON J, et al. GCNv2: efficient correspondence prediction for real-time SLAM[J]. IEEE Rob Autom Lett, 2019, 4(4): 3505-3512.

    [25]

    ZHANG Z Q, DONG P, WANG J R, et al. Improving S-MSCKF with variational bayesian adaptive nonlinear filter[J]. IEEE Sens J, 2020, 20(16): 9437-9448. doi: 10.1109/JSEN.2020.2989206

    [26]

    CASTELLANOS J A, NEIRA J, TARDÓS J D. Limits to the consistency of EKF-based SLAM[J]. IFAC Proceedings Volumes, 2004, 37(8): 716-721.

    [27]

    GOMEZ-OJEDA R, BRIALES J, GONZALEZ-JIMENEZ J. PL-SVO: semi-direct monocular visual odometry by combining points and line segments[C]//2016 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Daejeon, Korea (South): IEEE, 2016: 4211-4216.

    [28]

    FORSTER C, PIZZOLI M, SCARAMUZZA D. SVO: fast semi-direct monocular visual odometry[C]//2014 IEEE International Conference on Robotics and Automation (ICRA). Hong Kong, China: IEEE, 2014: 15-22.

    [29]

    COMPANY-CORCOLES J P, GARCIA-FIDALGO E, ORTIZ A. MSC-VO: exploiting manhattan and structural constraints for visual odometry[J]. IEEE Rob Autom Lett, 2022, 7(2): 2803-2810. doi: 10.1109/LRA.2022.3142900

    [30]

    GOMEZ-OJEDA R, MORENO F A, ZUNIGA-NOËL D, et al. PL-SLAM: a stereo SLAM system through the combination of points and line segments[J]. IEEE Trans Rob, 2019, 35(3): 734-746. doi: 10.1109/TRO.2019.2899783

    [31]

    ZUO X X, XIE X J, LIU Y, et al. Robust visual SLAM with point and line features[C]//2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Vancouver, BC, Canada: IEEE, 2017: 1775-1782.

    [32]

    GÁLVEZ-LÓPEZ D, TARDOS J D. Bags of binary words for fast place recognition in image sequences[J]. IEEE Trans Rob, 2012, 28(5): 1188-1197. doi: 10.1109/TRO.2012.2197158

    [33]

    YU C Q, GAO C X, WANG J B, et al. BiSeNet V2: bilateral network with guided aggregation for real-time semantic segmentation[J]. Int J Comput Vision, 2021, 129: 3051-3068. doi: 10.1007/s11263-021-01515-2

    [34] 余昌黔. 面向场景分割的判别特征感知方法研究[D]. 武汉: 华中科技大学, 2023: 50-59.
    [35] 高翔, 张涛, 刘毅, 等. 视觉SLAM十四讲[M]. 2版. 北京: 电子工业出版社, 2019: 166
    [36] 郑行家, 钟宝江. 图像直线段检测算法综述与测评[J]. 计算机工程与应用, 2019, 55(17): 9-19.
    [37] 张震, 王永雄. 基于Edline线特征的图像快速匹配算法[J]. 计算机与数字工程, 2019, 47(3): 652-656.
    [38] 王金戈, 邹旭东, 仇晓松, 等. 动态环境下结合语义的鲁棒视觉SLAM[J]. 传感器与微系统, 2019, 38(5): 125-128, 132.
  • 期刊类型引用(2)

    1. 史磊,罗伟杰,黄瑜,雷美华,喻大鹏,简纪常,黄浦江. 斜带石斑鱼源致病溶藻弧菌的分离鉴定及病理性分析. 广东农业科学. 2024(07): 91-104 . 百度学术
    2. 曹海鹏,顾颖,孙苗苗,王会聪,叶仁智,安健. 中华绒螯蟹养殖用抑水绵枯草芽孢杆菌A4的安全性分析. 淡水渔业. 2023(05): 104-112 . 百度学术

    其他类型引用(5)

图(13)  /  表(3)
计量
  • 文章访问数:  211
  • HTML全文浏览量:  135
  • PDF下载量:  51
  • 被引次数: 7
出版历程
  • 收稿日期:  2024-01-21
  • 修回日期:  2024-03-23
  • 录用日期:  2024-03-31
  • 网络出版日期:  2024-04-21
  • 刊出日期:  2024-06-04

目录

/

返回文章
返回