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.
-
大洋中上层鲨鱼多为顶级捕食者，可通过下行效应影响被捕食者的数量丰度和种群结构，对生态系统的稳定和物种多样性起关键作用[1]。鲨鱼具有生长缓慢、性成熟晚、繁殖率和种群密度低等特点[2-4]，易受威胁从而导致数量减少，已成为保护生物学研究的重点关注对象。研究鲨鱼种间的食性差异、营养关系及资源利用模式有助于揭示其物种共存机制。
生物对其饵料资源实际和潜在的占据与利用部分即营养生态位，可反映物种间的营养关系及资源竞争状况[5]，脂肪酸组成分析 (Fatty acid profiles analysis, FAs) 是研究大型海洋捕食者摄食的有力工具[6]，摄食所得的外源性脂肪酸常以保守形态沉积于组织中，可反映捕食者一段时间内的摄食信息[7-8]。某些脂肪酸对生物的食性与营养关系具有特定的指示作用，例如：二十碳五烯酸 (C20:5n3) 的含量可指示以硅藻为基础的食物网，二十二碳酸和二十四碳酸 (C22:0+C24:0) 含量可追溯陆源植物食性[7]。因此，脂肪酸组成可用于反映鲨鱼与其食物间的动态关系和营养流动，进而指示其营养生态位[9]。不同组织的脂肪酸周转率存在差异，适用于探究不同时间尺度的摄食生态学信息[10-11]。肝脏是鲨鱼的一种能量储存器官，其脂肪酸组成随摄食变化周转较快，可反映鲨鱼短期内的摄食生态学信息；而鲨鱼肌肉组织脂肪酸随摄食变化周转较慢，可提供综合的长期摄食生态学信息[12]。Eduardo等[13]利用肝脏和肌肉脂肪酸组成的差异分析，探究了秘鲁北部3个海域锤头双髻鲨 (Sphyrna zygaena) 短期和长期营养生态位的差异。Xu等[10]也应用该技术探究了东太平洋同海域中上层鲨鱼的种间资源分配及利用情况，其中大眼长尾鲨 (Alopias superciliosus) 和镰状真鲨 (Carcharhinus falciformis) 的肝脏生态位重叠较高，而肌肉却不重叠，表明其短期内食性相似，而在较长时间尺度上存在摄食隔离。
目前，对于大西洋中上层鲨鱼摄食生态学的研究仍相对匮乏，不利于鲨鱼种群监测和资源保护。因此，本研究以热带大西洋大青鲨 (Prionace glauca)、长鳍鲭鲨 (Isurus paucus)、拟锥齿鲨 (Pseudocarcharias kamoharai) 和尖吻鲭鲨 (I. oxyrinchus) 为研究对象，通过分析其肌肉和肝脏脂肪酸组成，探讨其营养生态位的种间分化，以进一步掌握热带大西洋中上层鲨鱼的种间关系和生活史，并为相应的保护生物学研究提供参考。
1. 材料与方法
1.1 样品采集
4种鲨鱼样本于2016年5月及2017年5月在大西洋中部热带海域 (1°43'W－41°25'W, 12°33'N－8°88'S) 进行延绳钓渔业资源调查时兼捕所得，捕获点见图1，基础生物学信息见表1。鲨鱼肌肉和肝脏样本分别取自背鳍附近肌肉组织和肝脏任一叶前部，叉长在船上直接测定。将采集的样本真空包装后低温冷冻保存，运回实验室后放入 −80 ℃超低温冰箱保存，以便进行脂肪酸分析。
表 1 鲨鱼样本信息Table 1. Sample information of sharks
种名 Species样本 Sample 叉长 Fork length/mm 体质量 Body mass/kg 雄性
Male雌性
Female范围
Range$ \overline { x}\pm s$ 范围
Range$ \overline { x}\pm s$ 大青鲨
P. glauca5 9 790~2 360 1 994.30±374.90 6~80 53.50±18.57 长鳍鲭鲨
I. paucus2 5 1 100~1 970 1 522.70±271.70 13~68 37.80±18.82 拟锥齿鲨
P. kamoharai6 2 780~980 902.90±69.00 3~7 4.91±1.36 尖吻鲭鲨
I. oxyrinchus1 4 1 540~3 150 2 056.00±633.00 34~88 64.20±19.33 1.2 样品处理
肌肉样本去除表皮，肌肉和肝脏用超纯水冲洗干净，随后装入5 mL 冻存管，肝脏无需冷冻干燥和研磨。肌肉在冷冻干燥机 (Christ Alpha 1-4) 中−55 ℃干燥24 h，而后用冷冻混合球磨仪 (Mixer mill MM440) 磨碎成粉末 (直径5 µm)。粗脂肪提取参考Folch等[14]，依据GB/T 17376－2008《动植物油脂 脂肪酸甲酯制备》三氟化硼法进行脂肪酸甲酯化。加入4 mL氢氧化钠-甲醇溶液 (0.5 mol·L−1) 复溶后，80 ℃水浴回流加热20 min；随后加入4 mL三氟化硼-甲醇溶液 (0.14 kg·L−1)，水浴加热20 min；冷却至室温，加入4 ml正己烷，震荡30 s；再加入饱和氯化钠溶液定容，静置分层。取正己烷层过0.20 μm有机相滤膜后，移入配有聚四氟乙烯瓶盖的厚壁玻璃进样瓶中；后将正己烷层与50 mg·L−1的十九烷酸甲酯内标以1∶1 (体积比) 混合，移至进样瓶中待测。以对比37种脂肪酸混标的保留时间进行定性分析，并以十九烷酸甲酯标品为内标进行定量分析，脂肪酸采用气相色谱-质谱联用仪 (GC-MS 7890B, Agilent) 进行测定。
1.3 数据处理
每种脂肪酸以占各脂肪酸总含量的百分比表示，为避免可能的分析误差造成影响，在统计分析中剔除百分比小于0.5%的脂肪酸[15]。使用SPSS 26.0和Excel 2016软件对数据进行统计分析。先将两年样本进行时空差异分析，发现其无差异，故只进行种间差异分析。为检验鲨鱼种间、组织间的脂肪酸差异，利用Shapiro-Wilk检验分析脂肪酸含量数据是否符合正态分布并进行方差齐性检验，符合则采用单因素方差分析 (One-way ANOVA) 检验各脂肪酸含量是否存在显著的种间差异。若不符合，则使用Mann-Whitney U非参数检验。
鲨鱼脂肪酸组成测定结果以“平均值±标准差 ($\overline { x}\pm s $)”表示。依据Meyer等[16]研究结果，使用C16:0、C18:0、C16:1n7、C18:1n9、C22:1n9、C24:1n9、C18:2n6、C20:4n6、C20:5n3和C22:6n3共10种脂肪酸进行主成分分析，以检验鲨鱼不同组织的种间脂肪酸组成差异。并利用R语言中的SIAR 软件包计算标准椭圆面积 (SEAc) 和重叠百分比，以表征各鲨鱼物种的营养生态位[17]。使用Origin 2023和R 4.0.2软件绘图。
2. 结果
2.1 两种组织脂肪酸组成结果
4种鲨鱼肝脏中总脂含量均大于肌肉，2种组织中脂肪酸含量差异显著。4种鲨鱼的2种组织中各检测出35种脂肪酸，分别为15种饱和脂肪酸、9种单不饱和脂肪酸和11种多不饱和脂肪酸。C16:0、C18:0、C16:1n7、C18:1n9、C20:4n6、C20:5n3和C22:6n3在脂肪酸中占优势比例。
肌肉和肝脏中含量大于0.5%的脂肪酸各有14种 (表2、表3)。肌肉中的饱和脂肪酸含量介于35.55%~41.97%。其中，C16:0和C18:0含量最高，分别为17.07%~21.71%和8.57%~12.95%，大青鲨与拟锥齿鲨、长鳍鲭鲨的2种饱和脂肪酸的种间差异显著 (P<0.05)。单不饱和脂肪酸含量介于17.01%~27.40%，其中，C18:1n9含量较高 (9.88%~17.87%)，长鳍鲭鲨肌肉中C18:1n9含量最高，拟锥齿鲨最低。长鳍鲭鲨与大青鲨、拟锥齿鲨、尖吻鲭鲨的C18:1n9含量种间差异显著 (P<0.05)。
表 2 鲨鱼肌肉脂肪酸组成Table 2. Fatty acid profiles of muscle tissue of sharks% 脂肪酸
Fatty acid大青鲨
P. glauca长鳍鲭鲨
I. paucus拟锥齿鲨
P. kamoharai尖吻鲭鲨
I. oxyrinchus肉豆蔻酸 C14:0 0.97±0.25 0.97±0.29 0.78 ±0.04 1.04±0.17 十五碳酸 C15:0 0.92±031a 0.44±0.16b 0.71±0.03ab 0.96±0.27a 棕榈酸 C16:0 17.07±3.73ac 21.71±2.17b 21.16±1.23b 17.61±4.12bc 十七碳酸 C17:0 1.10±0.33a 0.69±0.20b 0.88±0.05ab 1.19±0.32a 硬脂酸 C18:0 12.95±2.64a 8.57±2.25c 9.85±2.27bc 12.84±2.01ab 花生酸 C20:0 0.95±0.32a 0.40±0.17b 0.71±0.05ab 0.99±0.31a 二十一碳酸 C21:0 1.00±0.36a 0.39±0.20b 0.74±0.05ab 1.03±0.33a 二十二碳酸 C22:0 1.03±0.36a 0.40±0.20b 0.76±0.05ab 1.06±0.34a 二十三碳酸 C23:0 0.99±0.47a 0.42±0.21b 0.78±0.05ab 1.10±0.36a 二十四碳酸 C24:0 1.18±0.42ab 0.46±0.24c 0.75±0.33bc 1.22±0.39a 饱和脂肪酸 ∑SFA 40.99±2.02a 35.55±4.61b 39.22±1.64ab 41.97±4.15a 十六碳一烯酸 C16:1n7 1.89±1.22 4.70±4.74 1.80±0.81 1.70±0.38 十七碳一烯酸 C17:1n7 0.97±0.32a 0.55±0.16b 0.74±0.04ab 1.01±0.30a 油酸 C18:1n9 12.49±3.84b 17.87±6.30a 10.68±2.16b 9.88±1.90b 二十碳一烯酸 C20:1 1.72±0.60 2.27±1.32 1.39±0.21 1.63±0.19 芥酸 C22:1n9 1.70±0.78 0.93±0.73 0.98±0.30 0.95±0.62 二十四碳一烯酸 C24:1n9 1.11±0.37ab 0.48±0.19c 0.81±0.05bc 1.33±0.65a 单不饱和脂肪酸 ∑MUFA 21.33±5.14ab 27.40±11.10a 17.50±2.01b 17.01±1.96b 亚油酸 C18:2n6 2.34±1.36a 0.72±0.25b 1.39±0.83ab 1.70±1.51ab 二十碳二烯酸 C20:2 1.12±0.33a 0.60±0.15b 0.84±0.07ab 1.13±0.30a 十八碳三烯酸 C18:3n3 1.11±0.39a 0.45±0.22b 0.82±0.06ab 1.15±0.37a γ-亚麻酸 C18:3n6 0.90±0.48 0.38±0.20 0.61±0.27 0.83±0.57 二十碳三烯酸 C20:3n6 1.12±0.35a 0.44±0.20b 0.79±0.08ab 1.12±0.33a 花生四烯酸 C20:4n6 (ARA) 4.82±0.91a 4.18±1.18ab 3.61±0.85b 5.01±0.60a 二十碳五烯酸 C20:5n3 (EPA) 3.20±1.30a 0.82±0.32b 1.75±0.57b 1.70±0.32b 二十二碳二烯酸 C22:2n6 0.71±0.64ab 0.44±0.22b 0.69±0.31ab 1.14±0.37a 二十二碳六烯酸 C22:6n3 (DHA) 22.30±5.71b 28.98±6.56ab 32.70±4.30a 27.18±6.29ab 多不饱和脂肪酸 ∑PUFA 37.68±5.41a 37.05±8.29ab 43.28±3.22b 41.02±4.42ab 二十二碳酸和二十四碳酸 C22:0+C24:0 2.20±0.78a 0.86±0.44b 1.50±0.35c 2.27±0.73a 二十二碳六烯酸/二十碳五烯酸 DHA/EPA 8.31±5.21c 39.75±14.58a 20.94±8.44b 16.52±5.11bc 总脂 Total lipid/(mg·g−1) 129.84±61.97 181.50±92.48 151.89±55.95 190.20±40.39 注：同一行不同上标字母代表差异显著 (P<0.05)。 Note: Different superscript letters within the same row represent significant differences (P<0.05). 表 3 鲨鱼肝脏脂肪酸组成Table 3. Fatty acid profiles of liver tissue of sharks% 脂肪酸
Fatty acid大青鲨
P. glauca长鳍鲭鲨
I. paucus拟锥齿鲨
P. kamoharai尖吻鲭鲨
I. oxyrinchus肉豆蔻酸 C14:0 4.23±1.32a 1.30±0.45b 1.82±0.65b 5.18±1.82a 十五碳酸 C15:0 0.93±0.24b 0.66±0.18bc 0.51±0.07c 1.32±0.33a 棕榈酸 C16:0 20.48±3.52bc 22.55±3.09ab 25.75±2.72a 17.24±2.52c 十七碳酸 C17:0 1.22±0.35b 1.49±0.33ab 1.17±0.31b 1.89±0.40a 硬脂酸 C18:0 8.28±1.32b 11.86±1.59a 12.01±2.36a 12.38±1.32a 饱和脂肪酸 ∑SFA 34.46±5.69b 38.87±5.12ab 42.45±5.22a 39.17±1.94ab 十六碳一烯酸 C16:1n7 5.94±2.17b 3.55±1.04b 5.74±2.18b 11.22±3.85a 十七碳一烯酸 C17:1n7 0.49±0.20a 0.58±0.18b 0.65±0.07b 1.24±0.46b 油酸 C18:1n9 12.07±7.77b 17.98±3.42b 25.81±2.75a 14.39±6.13b 二十碳一烯酸 C20:1 2.95±2.69 1.24±1.56 1.00±1.47 1.97±2.53 芥酸 C22:1n9 3.91±3.30 1.76±1.13 1.22±0.88 2.78±2.94 二十四碳一烯酸 C24:1n9 0.61±0.55b 1.22±0.70ab 0.99±0.78ab 1.58±1.08a 单不饱和脂肪酸 ∑MUFA 26.16±7.15b 26.42±4.21b 35.57±3.74a 34.01±2.49a 亚油酸 C18:2n6 1.24±0.52b 1.03±0.33b 1.00±0.20b 2.07±0.67a 二十碳二烯酸 C20:2 0.90±0.28a 0.51±0.09b 0.49±0.13b 0.68±0.10ab 二十碳三烯酸 C20:3n3 0.86±1.12b 3.24±2.79a 0.62±0.76b 0.26±0.06b 花生四烯酸 C20:4n6 (ARA) 0.85±1.05b 3.62±2.45a 0.80±0.77b 0.27±0.05b 二十碳五烯酸 C20:5n3 (EPA) 6.01±2.77a 3.04±1.84ab 3.06±2.66ab 1.99±0.56b 二十二碳二烯酸 C22:2n6 2.73±1.37ab 1.29±0.85ab 4.35±5.17a 0.58±0.59b 二十二碳六烯酸 C22:6n3 (DHA) 26.21±4.47a 21.64±5.51a 11.31±6.15b 20.31±2.66a 多不饱和脂肪酸 ∑PUFA 39.38±6.68a 34.71±7.45ab 21.98±6.57bc 26.82±2.68c 二十二碳酸和二十四碳酸 C22:0+C24:0 0.19±0.11b 0.40±0.15a 0.38±0.10a 0.38±0.14a 二十二碳六烯酸/二十碳五烯酸 DHA/EPA 5.12±2.00 17.08±27.79 36.89±63.68 11.26±5.34 总脂 Total lipid/(mg·g−1) 332.10±99.59 295.95±66.59 321.03±83.73 273.33±25.39 注：同一行不同上标字母代表差异显著(P<0.05)。 Note: Different superscript letters within the same row represent significant differences (P<0.05). 多不饱和脂肪酸含量介于37.05%~43.28%，仅有大青鲨与拟锥齿鲨种间差异显著 (P<0.05)。其中，C20:4n6、C20:5n3和C22:6n3含量较高，分别介于3.61%~5.01%、0.82%~3.20%和22.30%~32.70%。C20:5n3、C20:4n6和C22:6n3分别在大青鲨肌肉、尖吻鲭鲨和拟锥齿鲨中含量最高，其中大青鲨与拟锥齿鲨中的C20:4n6、C20:5n3和C22:6n3含量种间差异显著 (P<0.05)。拟锥齿鲨与尖吻鲭鲨中C20:4n6含量种间差异显著 (P<0.05)，大青鲨与长鳍鲭鲨、尖吻鲭鲨中C20:5n3含量种间差异显著 (P<0.05)。此外，C22:0+C24:0含量介于0.86%~2.27%，种间差异显著 (P<0.05)，在长鳍鲭鲨中含量最低。鲨鱼肌肉中的DHA/EPA介于8.31~39.75，最大值和最小值分别出现在长鳍鲭鲨和大青鲨中。
肝脏中饱和脂肪酸含量介于34.46%~42.45%，其中C16:0和C18:0含量最高，分别介于17.24%~25.75%和8.28%~12.38%。大青鲨与拟锥齿鲨的2种饱和脂肪酸含量存在显著种间差异(P<0.05)。单不饱和脂肪酸含量介于26.16%~35.57%，其中C18:1n9含量较高 (12.07%~25.81%)。拟锥齿鲨肝脏中C18:1n9含量最高，大青鲨中最低，拟锥齿鲨与大青鲨、长鳍鲭鲨、尖吻鲭鲨中C18:1n9含量种间差异显著 (P<0.05)。
多不饱和脂肪酸含量介于21.98%~39.38%，大青鲨与拟锥齿鲨、尖吻鲭鲨，长鳍鲭鲨与尖吻鲭鲨种间差异显著 (P<0.05)，其中，C20:5n3和C22:6n3含量较高，分别介于1.99%~6.01%和11.31%~26.21%。大青鲨肝脏中C20:5n3和C22:6n3含量最高，尖吻鲭鲨中C20:5n3含量最低，拟锥齿鲨中C22:6n3含量最低。大青鲨与尖吻鲭鲨中C20:5n3种间差异显著 (P<0.05)，拟锥齿鲨与大青鲨、长鳍鲭鲨、尖吻鲭鲨中C22:6n3种间差异显著 (P<0.05)。此外，C22:0+C24:0含量介于0.19%~0.40%，大青鲨与长鳍鲭鲨、拟锥齿鲨、尖吻鲭鲨种间差异显著 (P<0.05)，其中，大青鲨中含量最低。鲨鱼肝脏中DHA/EPA介于5.12~36.89，最大值和最小值分别出现在拟锥齿鲨和大青鲨中。
2.2 脂肪酸主成分分析
由主成分分析图可见造成差异的主要脂肪酸种类，肝脏相对于肌肉点的分布更分散 (图2)。尖吻鲭鲨与大青鲨的肌肉组织点基本散布在相同区域，表明其脂肪酸组成相似，两者肌肉中C20:5n3和C20:4n6含量较高；而拟锥齿鲨与长鳍鲭鲨的2种组织点均散布在相同区域，均具有较高的C18:1n9含量。2种组织点中，大青鲨与拟锥齿鲨和长鳍鲭鲨散布在不同区域，表明其脂肪酸组成存在差异，大青鲨的C18:2n6、C20:5n3和C22:1n9含量较高，其余2种鲨鱼的C16:0和C18:1n9含量较高。
![]()
图 2 热带大西洋4种鲨鱼肌肉 (a) 和肝脏 (b) 脂肪酸组成的主成分分析Figure 2. Principal component analysis of fatty acid profiles in muscle (a) and liver (b) for four sharks in tropical Atlantic2.3 营养生态位
营养生态位宽度及重叠见图3，尖吻鲭鲨肌肉组织中的生态位宽度较小 (1.15)，而在肝脏中则较大 (4.71)。大青鲨2种组织营养生态位宽度均较大 (3.43~5.26)，而拟锥齿鲨2种组织营养生态位宽度均相对较小 (0.47~2.71)，长鳍鲭鲨肌肉生态位宽度较大 (5.37)。长鳍鲭鲨与拟锥齿鲨2种组织生态位图谱均存在一定重叠 (39.19%~42.13%)。在2种组织生态位图谱中，大青鲨、尖吻鲭鲨与长鳍鲭鲨、拟锥齿鲨均分离，而尖吻鲭鲨与大青鲨肌肉生态位图谱重叠度较高 (63.90%)，肝脏中则完全分离。
![]()
图 3 热带大西洋4种鲨鱼肌肉 (a) 和肝脏 (b)的营养生态位图谱Figure 3. Trophic niche in muscle (a) and liver (b) of four sharks in tropical Atlantic3. 讨论
3.1 种间脂肪酸组成差异
脂肪酸是鱼类代谢的主要能量来源，是构成鱼体其他化合物的主要原料，影响鱼类的神经和视觉发育[18]，可促进卵泡成熟，精子和类固醇的产生[19]，因此鲨鱼不同组织对脂肪酸的吸收以及利用存在差异。4种鲨鱼肝脏中总脂含量大于肌肉，鲨鱼倾向于在肝脏中存储并合成脂质，之后通过血液、淋巴系统等将脂肪酸转移到其他组织[20]。与鲨鱼肌肉相比，肝脏中的单不饱和脂肪酸含量相对较高，而多不饱和脂肪酸含量较低，这可能由于食物中的多不饱和脂肪酸被优先输送到性腺和肌肉等组织中，供应生长和发育需求[21]。饱和脂肪酸和单不饱和脂肪酸可为机体提供能量，其中饱和脂肪酸是构成生物细胞膜的重要成分，由于肌肉中稳定的膜结构和功能需要，从而导致肌肉中的饱和脂肪酸含量高。2种组织的饱和脂肪酸中C16:0均含量最高，尤其在肝脏中；单不饱和脂肪酸中均以C18:1n9最为丰富，作为主要的供能物质，C18:1n9与生长、发育、基础代谢和运动关系密切[22]。
鲨鱼不能依靠自身从头合成C22:6n3、C20:5n3和C20:4n6，只能靠摄食来满足其生长发育所需的必需脂肪酸，可提供鲨鱼的摄食信息。C20:5n3主要由硅藻自身合成，且在头足类体内含量较高[23]，大青鲨2种组织中含有相对较高水平的C20:5n3，表明大青鲨偏好捕食头足类，所处食物链底端初级生产者可能为硅藻，这与该种鲨鱼的胃含物分析结果一致[24]。
C20:4n6多由双壳类和甲壳类选择性的保留在体内[25]，本研究中，长鳍鲭鲨2种组织中C20:4n6含量均较高，表明其倾向于捕食底栖甲壳类。长鳍鲭鲨个体较小且存在垂直洄游模式[26]，可能捕食垂直迁移的甲壳类[27]。食物链传递过程中，DHA/EPA会随营养级的上升而升高[7]，可指示生物营养级。本研究中大青鲨2种组织的DHA/EPA低于其他3种鲨鱼，表明其营养级相对较低，这可能与其较其他3种鲨鱼摄食区域范围更广[28]、食性更泛化，主要摄食中小型鱼类和头足类有关[29]，与Mendez等[30]利用稳定同位素分析加利福尼亚西南海域大青鲨的营养级结果一致。深海物种一般C18:1n9含量丰富，可用来指示生物对深水高压环境的适应性[31]，本研究中4种鲨鱼C18:1n9含量 (9.88%~25.81%) 高于浅海长尾鲨 (7.20%~13.00%) 与镰状真鲨 (8.80%~12.50%)[32]，表明其栖息水层较深[23]。尖吻鲭鲨2种组织的C22:0+C24:0和C18:2n6含量相对较高，这两种脂肪酸可反映食物网主要碳源来自陆源植物[33]。本研究中尖吻鲭鲨多为未成熟幼鲨，尖吻幼鲨为获得足够的营养会洄游至大陆架等近岸海域[34-35]，从近岸食物网获取营养物质。
3.2 鲨鱼种间营养生态位分化
营养生态位重叠反映了种间食物资源利用的相似程度及潜在竞争关系[36]，同域共存的物种可通过生态位分化避免或减少对有限资源的竞争[37]。拟锥齿鲨和长鳍鲭鲨的肌肉和肝脏生态位均存在重叠，拟锥齿鲨体型较小，喜好捕食小型深海鱼类、底栖甲壳类与头足类[38]，而本研究中长鳍鲭鲨均为未成熟个体，同样偏好捕食底栖甲壳类和小型硬骨鱼类[39]，食性相似。由于大青鲨终身大洋性的生活史特征，摄食范围广泛且栖息水层相对较浅[28]，与其他3种鲨鱼生态位分离，表明种间食物资源及栖息地利用的竞争程度较弱；与应用稳定同位素分析东北太平洋中部海域大青鲨与其他鲨鱼营养生态位分化的结果一致[40]。尖吻鲭鲨肝脏生态位差异较大且与其他3种鲨鱼完全分离，这可能是因其幼鲨短期内会频繁游向更深、温度更低的海域[41]的，食物组成与栖息环境较为复杂[11]。而尖吻鲭鲨肌肉生态位与大青鲨重叠较高可能是因为本研究中大青鲨数量相对尖吻鲭鲨较多所致，在较长时间尺度上两者存在栖息地和摄食竞争。Klarian等[42]胃含物分析结果显示，大西洋尖吻鲭鲨与大青鲨摄食相似，竞争激烈且有研究表明大青鲨主要以头足类、硬骨鱼类和甲壳类为食[24]，而尖吻鲭鲨可捕食硬骨鱼类[43]，两者有一定程度的重合。长鳍鲭鲨与尖吻鲭鲨虽同属，但营养生态位分离，与陈子昂等[44]应用稳定同位素分析探究其营养生态位的结果一致；这可能因为本研究中长鳍鲭鲨多为雄鲨且体型较小，而尖吻鲭鲨则多为雌鲨且体型较大所致，两种鲨鱼不同体型间存在食性差异[34,39]，但性间差异仍有待探究。
营养生态位宽度可用于表征不同物种对食物资源的利用和栖息地竞争能力的强弱[36]。尖吻鲭鲨肌肉营养生态位宽度较小，可能是由于本研究中的尖吻鲭鲨多为未成熟个体，饵料相对单一，Maia等[45]利用胃含物分析发现尖吻鲭鲨幼鲨偏好捕食硬骨鱼类，其食物的均匀度与多样性[44]可能低于大青鲨和长鳍鲭鲨。而尖吻鲭鲨肝脏生态位宽度较大，可表明其短期内摄食的食物种类丰富和对资源的利用率较其他鲨鱼高。大青鲨肌肉和肝脏营养生态位宽度相对较大，表明其大洋性生活史特征及摄食饵料种类丰富。而拟锥齿鲨2种组织生态位相对较小，表明其对资源的利用能力不及其他3种鲨鱼。研究显示，体型较大的鲨鱼比较小的鲨鱼有更高的代谢需求，对栖息地利用范围更广，能更有效地捕获食物[46]。长鳍鲭鲨具有内温性，对环境的适应性较强[47]，因此其肌肉生态位宽度较大。4种鲨鱼肝脏和肌肉生态位宽度结果存在差异，是由于肝脏内复杂的脂肪酸代谢过程[10]，导致其脂肪酸组成变异系数较大。
4. 结论
本研究应用多组织脂肪酸组成对中上层鲨鱼在不同时间尺度上的种间摄食、栖息地利用及营养生态位关系变化进行了较为深入的研究。4种鲨鱼存在不同程度的食性或栖息地差异，大青鲨营养生态位宽度较大，表明其对环境的适应性较强，而拟锥齿鲨营养生态位宽度较小，表现为食性特化。鲨鱼在不同时期的资源分配模式存在差异，尖吻鲭鲨与大青鲨肌肉的营养生态位重叠最高，在较长时间尺度上存在摄食竞争。肝脏脂肪酸组成可反映鲨鱼短期摄食信息，而肌肉组织可提供其综合的长期摄食信息；而鱼类的个体大小、性别、成熟度、栖息水层、食物来源等均会影响其脂肪酸组成。为更全面地了解中上层鲨鱼的营养生态学，应将脂肪酸组成分析与稳定同位素分析、DNA条形码技术等多种方法结合，进一步加深对顶级捕食者同域共存关键机制的研究。
-
![]()
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 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
SeriesORB-SLAM3 PL-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
SDN02_4 3.233 0 1.961 9 2.318 0 1.561 6 0.692 0 0.303 7 N03_2 30.459 3 17.493 8 31.975 1 18.943 1 9.643 0 4.200 2 N03_3 1.300 5 1.167 5 1.282 7 1.183 5 0.586 3 0.330 2 N03_4 1.128 7 0.712 1 0.964 3 0.513 0 0.680 7 0.345 5 N03_5 1.599 2 0.623 6 1.782 8 0.046 9 0.732 1 0.385 0 H05_7 2.075 4 0.857 4 7.459 4 4.605 5 1.506 9 0.010 4 H05_9 22.047 3 14.601 5 20.311 2 13.519 0 7.214 8 3.120 0 W06_2 1.351 4 1.180 1 1.574 7 1.310 4 0.709 5 0.402 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 algorithm25.19 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.
计量
- 文章访问数: 211
- HTML全文浏览量: 135
- PDF下载量: 51
粤公网安备 44010502001741号
