A method for estimating quantity of Trachinotus ovatus in marine cage aquaculture based on high-frequency horizontal mechanical scanning sonar image
-
摘要:
为准确估算海水养殖网箱中的卵形鲳鲹 (Trachinotus ovatus) 数量，基于高频水平机械扫描式声呐和深度学习技术，提出了一种海水网箱鱼群数量的估算方法。该方法使用微分水层并逐层聚类的方式以实现计数，主要包括鱼群识别计数、鱼群聚类和鱼群数量拟合3部分。首先，使用高频水平机械扫描式声呐对海水网箱进行螺旋式的检测，获取鱼群图像信息并标注图像以构建改进的CS-YOLOv8s的训练数据集，然后训练CS-YOLOv8s模型以识别图像中的鱼类位置信息；其次，以40 cm水深间距划分网箱作为水层，对每个水层的识别坐标数据使用DBSCAN方法进行聚类处理，生成每个水层的鱼群数量数据；最后，将每个水层的数量数据与网箱中已知的鱼群数量进行拟合，构建鱼群数量拟合模型。结果表明，在海水网箱定量实验中，该方法对卵形鲳鲹数量的估算精度达到87.14%，能够较好地实现卵形鲳鲹的数量估算。
-
关键词:
- 海水网箱 /
- 卵形鲳鲹 /
- 鱼群数量 /
- 高频水平机械扫描式声呐 /
- DBSCAN密度聚类
Abstract:To estimate the quantity of Trachinotus ovatus in marine cages accurately, a method for estimating the quantity of fish is proposed by using high-frequency horizontal mechanical scanning sonar and deep learning technology. Differentiating water layers and clustering layer by layer to realize counting is the main way of this method, which mainly involves three parts: fish identification, fish cluster and fish quantity fitting. Firstly, high-frequency horizontal mechanical scanning sonar is used to conduct spiral detection on marine cages to obtain fish image information, which is labeled to build training data set of improved CS-YOLOv8s. After training, the CS-YOLOv8s model is used to recognize fish location information in the images. Secondly, the cages are divided into water layers with a water depth spacing of 40 cm, and the identification coordinate data of each water layer are clustered through DBSCAN method to generate fish quantity data of each water layer. Finally, the quantity data of each water layer is fitted with the given quantity of fish in the cage, and the fitting model of fish quantity is established. The results show that in the quantitative experiment of marine cages, the accuracy of this method is 87.14%, and it can achieve a good estimation of the quantity of T. ovatus.
-
自20世纪70年代末以来，对虾池塘养殖在世界广大沿海地区得到了迅猛发展，但对虾养殖所带来的环境问题也日趋严重，成为沿岸水域富营养化的重要污染源之一，并已引起了人们的广泛关注[1-6]。而要使对虾养殖在不产生环境公害的前提下，以最低的成本达到最大的效益，则基于生态养殖而建立的虾藻混养模式无疑是集经济、环境和社会效益于一体的最佳选择，这一模式在世界范围内得到了广泛肯定[7-10]。但虾藻混养模式效益的发挥是否充分，混养结构是否合理，经济效益和环境效益是否显著等问题都有待作深入的研究。
江蓠-对虾混养系统是一种受气候、海水化学和生物等多种因素共同影响的复杂生态系统，各因素间也存在着极其复杂的非线性关系。因此，在对整个养殖系统的生态动力学过程缺乏较全面的了解和充足的数据资料的情况下，想通过建立复杂的江蓠-对虾混养系统生态动力学模型，模拟虾藻混养与环境因子之间的关系，从而构建混养优化模型是不现实的。
人工神经网络是20世纪80年代以来获得迅速发展和被广泛应用于众多学科的非线性模拟技术，对于处理非线性系统非常有效，因此，在生态学研究中也被广泛应用[11-15]。本文根据对广东省海丰县联安镇江蓠与对虾鱼塭混养的调查资料，尝试采用神经-模糊系统(neuro-fuzzy system)作为非线性逼近工具，来模拟虾藻混养过程与其他环境因子之间的非线性关系，从而初步探讨建立基于满足一定环境条件的虾藻混养优化模型，旨在为进一步优化我国海水虾藻混养模式提供参考。
1. 材料与方法
1.1 试验设计
2003年4月~2004年9月，在广东省海丰县联安镇对虾鱼塭养殖示范区选择新塭(26.7 hm2)作为虾藻混合养殖试验塭，另选新塭和西塭之间的13.3 hm2鱼塭作为对照塭进行了2造养殖生产试验。试验塭和对照塭皆于每年的4月下旬投放体长约1cm的斑节对虾虾苗，投放密度为4.5万尾·hm-2，其中在试验塭浅滩水域底播种植江蓠约2 hm2，种植初始密度为230 g · m-2，而对照塭不种植江蓠。
对虾放养1个月后开始投喂人工配合饲料，投喂量为虾体重的3%~5%。每10 d进行1次对虾的生物学测定，每月月末对江蓠的生长密度进行1次调查，了解单位面积月增重情况，并据情况进行适当的收获。此外，与江蓠生长密度调查的同时，对鱼塭中的水环境因子也进行跟踪监测，监测项目有水温、盐度、透明度、溶解氧(DO)和可溶性无机氮(DIN)。
1.2 建模工具
神经-模糊系统是在模糊模型中用神经网络作为工具的建模方法。它集成了神经网络与模糊系统2方面的长处，即神经网络的连接式结构与学习能力和模糊逻辑系统的思维与推理能力。神经网络与模糊系统都属于无模型的预报器(model-free estimator)，即不需要数学模型来描述输入输出的非线性关系，而从数值实例中进行学习。在不确定、不精确和噪声环境中它们都有改善系统性能的能力。
本文应用Matlab 6.5软件，采用一种一阶Takagi-Sugeno模型的神经模糊系统，即基于自适应网格的模糊推理系统(adaptive-network-based fuzzy inference system，简称ANFIS)作为建模工具。
2. 神经-模糊系统模型的构建
一个典型的建模问题包括结构辩识与参数辩识2部分。模糊建模的结构辩识包括以下几个主要方面：输入变量的选择；初试结构的确定，如输入空间的划分，模糊规则与每个输入变量隶属函数个数的确定，以及模糊规则的前提与结论部分的确定等；隶属函数初试值的选择。参数辩识即在网络结构已经确定的情况下，对系统的前提与结论参数进行调节。
2.1 数据与特征量
收集2003年4月~2004年9月试验塭和对照塭2造养殖生产中所得的22组现场调查和测定数据(表 1)。选择其中15组数据作为训练数据集，用于模型的训练；其余7组数据作为测试数据集，用来测试模型的精度。
表 1 构建模型的数据集Table 1. Data for model construction
时间time鱼塭
pond温度/℃
temperature盐度
salinity透明度/m
transparencyDO
/mg·L-1对虾体长/cm
shrimp length江蓠月增长量/g·m-2
monthly increasing biomassDIN
/mg·L-1训练数据集 training data 2003-5 对照塭 26.1 19.5 0.8 6.3 4.8 0 0.310 2003-6 试验塭 28.2 18.7 0.8 6.5 8.3 180 0.322 2003-6 对照塭 28.5 18.4 0.7 6.3 7 0 0.312 2003-7 对照塭 27.5 16.8 0.8 6.2 12.6 0 0.246 2003-8 试验塭 28.3 12.4 0.8 6.7 15.4 350 0.175 2003-9 对照塭 28.8 15.2 0.7 6.3 14.4 0 0.244 2004-4 对照塭 24.7 20.9 0.7 6.5 1.7 0 0.248 2004-5 对照塭 25.9 19.1 0.7 6.6 5 0 0.264 2004-6 试验塭 27.8 18.4 0.7 6.4 8.2 540 0.101 2004-6 对照塭 28.2 18.2 0.7 6.3 7.1 0 0.259 2004-7 试验塭 27.4 15.6 0.6 6.5 14.6 570 0.103 2004-7 对照塭 27.2 15.7 0.7 6.3 12.4 0 0.269 2004-8 试验塭 28.2 11.7 0.6 6.6 15.3 570 0.086 2004-9 试验塭 29.0 15.1 0.6 6.6 16.5 600 0.099 2004-9 对照塭 28.7 14.8 0.6 6.8 14.3 0 0.267 测试数据集 checking data 2003-5 试验塭 26.5 19.2 0.7 6.4 5.2 230 0.295 2003-7 试验塭 27.6 16.5 0.8 6.2 14.2 640 0.194 2003-8 对照塭 28.6 11.7 0.8 6.1 13.2 0 0.252 2003-9 试验塭 28.9 15.4 0.8 7.1 16.3 350 0.182 2004-4 试验塭 25.3 21.2 0.8 6.6 1.7 610 0.092 2004-5 试验塭 26.1 18.5 0.7 6.2 5.2 600 0.099 2004-8 对照塭 28.5 11.9 0.8 5.8 13.3 0 0.237 以DIN表征水体富营养化的主要因子作为模型的输出变量。模型输入变量选择了水温、盐度、溶解氧(DO)、透明度(Trans)、对虾生物学参数的体长和江蓠单位面积月增长量，其中，水温和盐度表征气候特征，透明度、溶解氧、对虾体长和江蓠单位面积月生长量表征化学因子和生物因子的作用。
2.2 神经-模糊系统模型的生成
由于以DIN为输出时的输入变量有6个之多, 因此本研究采用了基于减法聚类的模糊推理系统的建模方法，即首先对输入输出数据进行减法聚类，以决定变量的隶属函数与模糊规则的个数，并用最小二乘法估计结论参数。
3. 结果与讨论
将训练数据集导入模型，按混合学习算法来调节模型的参数，为避免过度训练，采用交叉校验得到最佳训练时间步数。结果所得模型的DIN输出值与实测值有很好的吻合性，误差仅为2.6×10-6。
将测试数据集导入模型，结果模型所模拟的鱼G8965水体中DIN值与实测值也有较好的吻合性，误差为0.032。成对样本t-检验表明，模拟值与实测值没有显著差异(P>0.05，t < 2.45)，即t=0.63。图 1给出模型对DIN的7个测试数据集的模型计算值与实测值的比较，由图也可见，测试数据集中的实测值与模型计算值呈极显著的正相关关系(P < 0.01)，可见，模型对鱼G8965水体中DIN的模拟计算结果有较高的精度。
![]()
图 1 模型对应测试数据集的DIN模拟结果与实测值的比较Figure 1. Comparison of DIN from model calculated and field survey将试验塭和对照塭水体中各生物与环境因子在2造养殖生产试验中各阶段调查结果的平均值作为模型的输入，以海水DIN≤0.2 mg · L-1作为海水富营养化限制标准[16-17]，并作为模型的固定输出量，则通过模型可以模拟出在对虾不同养殖阶段，混合养殖的江蓠最低理论月生长量，结果见表 2。
表 2 模型模拟出的对虾不同养殖阶段江蓠最低理论月生长量与实际生长量的比较Table 2. Comparison of the theory lowest monthly growth rates from model simulating and field survey of sea moss during different shrimp culture periodg · m-2 月份
month对虾体长/cm
shrimp length最低理论月生长量
theoretic lowest monthly growth rate2003年实际月增长量
autual monthly growth rate in 20032004年实际增长量
autual monthly growth rate in 20044 2.0 500 - 610 5 5.2 329 230 600 6 8.3 319 190 540 7 14.4 364 640 570 8 15.4 360 350 570 9 16.4 254 350 600 根据表 2所列不同养殖阶段江蓠的最低理论月生长量，对2003和2004年相应的江蓠-对虾混养阶段江蓠的实际月生长量和水环境中DIN的变化情况进行分析，结果可看出，在2003年试验塭对虾体长小于8.3 cm的养殖阶段，江蓠月生长量均小于模型模拟出的最低理论月生长量，此时，试验塭水环境中DIN均大于设定的富营养化标准限定值0.2 mg · L-1；其他养殖阶段江蓠的实际月生长量均大于或约等于模型模拟出的最低理论月生长量，此时，试验塭中海水DIN浓度则均低于0.2 mg · L-1；此外，没有种植江蓠的对照塭中，水环境中DIN均高于0.2 mg · L-1(表 1)。这些均说明，该模型可以较好地模拟江蓠-对虾池塘混养混养系统中江蓠生长对水环境中DIN的影响，其结果与实际也较为相符，因此，对江蓠-对虾混养模式的优化能起到较好的指导意义。
-
![]()
图 1 高频水平机械扫描式声呐及其组装
Figure 1. High frequency horizontal mechanical scanning sonar and installation
![]()
图 9 水层225_265 cm聚类
注：Cu为聚类的簇。
Figure 9. Clustering of water layers at 225_265 cm
Note: Cu is the cluster of clusters.
![]()
图 10 水层数据和聚类后的数据
注：Cu为聚类的簇。
Figure 10. Water layer data and clustered data
Note: Cu is the cluster of clusters.
![]()
图 11 训练结果
注：a. 样本均方误差；b. 训练组和测试组的预测误差。
Figure 11. Training results
Note: a. Sample mean square error; b. Prediction error of training and testing groups.
![]()
图 13 拟合检验的估计和误差值直方图
Figure 13. Histogram of estimation and error values for fitting test
表 1 高频水平机械扫描式声呐技术指标
Table 1 Technical specification of high-frequency horizontal mechanical scanning sonar
项目
Project技术指标
Technical
specifiacation工作频率 Operating frequency 667 kHz 作用量程 Range of action 3 m 波束开角 (垂直×水平)
Beam opening angle (Vertical×Horizontal)7.5°×2.6° 距离像素/精度 Distance pixel/Precision 5 cm 扫描区域 (极坐标)
Scanning area (Polar coordinates)360° 工作深度 Working depth 3 m 云台旋转频率 Pan tilt rotation frequency 2.5 s·周−1 水平角度分辨率 Horizontal angle resolution 0.9° 圆筒尺寸 Cylinder size Φ 57 mm×99 mm 
下载: 导出CSV
表 2 烧蚀实验比较
Table 2 Comparison of ablation experiments
模型 Model Params/M FLOPs/G mAP@0.5 mAP@0.5:0.95 轮数Epoch YOLOv8s 11.1 28.6 86.0 43.8 300 YOLOv8s+Cot 12.0 31.6 86.7 45.2 300 YOLOv8s+Slim-Neck+Cot (本文算法 This paper's algorithm) 10.9 29.7 87.4 45.9 300
下载: 导出CSV
表 3 异种检测方法的实验比较
Table 3 Experimental comparison of different detection methods
模型 Model mAP@0.5 mAP@0.5:0.95 Params/M GFLOPs/G 轮数Epoch Faster RCNN 69.5% 34.1% 137.1 185.1 300 SDD 76.0% 38.4% 26.3 31.4 300 YOLOv5 84.9% 40.6% 7.0 15.9 300 本文算法 This paper's algorithm 87.4% 45.9% 10.9 29.7 300
下载: 导出CSV
表 4 聚类结果统计
Table 4 statistical results of clustering
水层
Water layer/
cm总坐标
点数/个
Total number
of coordinate
points/piece聚类簇数量
(包括噪声
点簇)/个
Number of
clusters
(Including noise
clusters)/
piece噪声点
数量/个
Number of
noise points/
piece本层鱼
数量/尾
Number of
fish in this
layer/tail0~40 507 6 0 6 25~65 1 129 9 1 9 50~90 1 800 12 0 12 75~115 3 085 10 1 10 100~140 6 288 29 0 29 125~165 15 536 22 1 22 150~190 23 004 19 0 19 175~215 15 193 17 2 18 200~240 10 646 19 0 19 225~265 7 681 17 0 17 250~290 3 311 11 0 11 总计Total 88 180 171 5 172
下载: 导出CSV
表 5 逐水层数量统计结果
Table 5 Statistical results of number of water layers by layer
编号
No.实际数量
Actual quantity水层 Water layer/cm 0~40 25~65 50~90 75~115 100~140 125~165 150~190 175~215 200~240 225~265 250~290 3 200 2 4 14 24 18 24 24 20 15 10 2 17 200 2 1 5 10 18 14 19 18 22 19 5 18 200 5 3 1 4 31 23 14 16 36 26 7 7 150 2 0 4 5 16 31 19 18 41 26 2 12 150 3 5 7 11 12 22 22 20 23 20 4 19 150 8 9 7 8 20 21 34 23 28 25 6 5 100 5 8 16 18 14 19 22 34 33 21 2 6 100 6 7 5 6 13 17 13 20 14 7 0 14 100 5 6 5 9 13 19 24 24 18 10 4
下载: 导出CSV
表 6 拟合数据统计结果
Table 6 Statistical results of fitting data
数据编号
Data No.DBscan
epsilon=20.0实际数量
Actual quantity神经网络拟合数量
Number of neural network fitting误差数量
Error quantity误差率
Error rate/%准确率
Accuracy/%3 20 200 204.61 4.61 2.30 97.70 17 20 200 189.86 10.14 5.07 94.93 18 20 200 186.37 13.63 6.82 93.18 7 20 150 146.94 3.06 2.04 97.96 12 20 150 177.78 27.78 18.52 81.48 19 20 150 100.00 50.00 33.33 66.67 5 20 100 142.08 42.08 42.08 57.92 6 20 100 99.86 0.14 0.14 99.86 14 20 100 105.47 5.47 5.47 94.53 均值 Mean 17.43 12.86 87.14
下载: 导出CSV
表 7 不同估算方法比较
Table 7 Comparison of different estimation methods
方法
Method设备使用
Equipment usage精度
Accuracy优点
Advantage缺点
DisadvantageMarkrecapture方法
Markrecapture method渔网、污渍 大离散区间 不需要任何电子设备 精度低，费时费力，影响鱼的生长 测鱼仪测量
Fish gauge measurement鱼类探测器 约50% 设备成本低 精度低，鱼密度大，有时误差巨大 鱼群密度划分法
Fish density division method成像声呐 90% 检测精度较高 具有偶然性，设备昂贵 图像像素等除法
Image pixel equal division前视声呐 97% 检测精度高 设备昂贵，实施过程复杂 本研究
This study高频水平机械扫描式声呐 约87% 精度高，自动测量，布局简单 测量时声呐的控制要求较高、
可变因素较多
下载: 导出CSV
-
[1] 刘伟峰, 张朝晖, 邢文秀, 等. 渔业生产方式创新视角下我国海洋牧场的概念应用与优化路径[J]. 生态经济, 2024, 40(8): 137-144. [2] 袁华荣, 陈丕茂. 广东省海洋牧场发展现状、问题与对策[J]. 广东农业科学, 2022, 49(7): 141-154. [3] 于盟盟, 任娟, 唐华强, 等. 日照市海洋牧场建设现状及思考[J]. 山西农经, 2022(12): 117-119. [4] 吕龙德, 熊莹. 深远海养殖风头劲我国造船业迎重大利好[J]. 广东造船, 2023, 42(3): 6-12. [5] 沈晨, 张培珍, 刘欢, 等. 基于VMD-Hilbert变换的大型网箱养殖鱼群声特性研究[J]. 吉林大学学报(信息科学版), 2023, 41(6): 1054-1062. [6] 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. [7] 王静, 李蔚然, 刘业强, 等. 基于计算机视觉的养殖动物计数方法研究综述[J]. 农业机械学报, 2023, 54(S1): 315-329. [8] 施继军, 施佐帆, 傅荣兵. 舟山“岱衢族”大黄鱼深水网箱养殖技术[J]. 浙江农业科学, 2023, 64(8): 1987-1990. [9] 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. [10] 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. [11] 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. [12] 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, 98: 102244. doi: 10.1016/j.aquaeng.2022.102244
[13] 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
[14] LAGARDE R, PEYRE J, AMILHAT E, et al. In situ evaluation of European eel counts and length estimates accuracy from an acoustic camera (ARIS)[J]. Knowl Manag Aquat Ec, 2020, 421: 44. doi: 10.1051/kmae/2020037
[15] 乐梓予. 基于声学技术有效保护近海渔业资源的探索与建议[J]. 中国水产, 2022(5): 58-60. [16] 彭战飞, 沈蔚, 张进. 基于成像声呐的鱼类长度测量误差与修正模型研究[J]. 南方水产科学, 2023, 19(4): 31-40. doi: 10.12131/20220279 [17] 周吉祥, 刘慧敏, 陆凯, 等. 深海ARV在海洋资源调查中的应用及展望[J]. 海洋地质前沿, 2024, 40(2): 93-102. [18] 朱俊, 封磊. 基于声呐图像的鱼群识别与计数方法[J]. 南京理工大学学报, 2023, 47(6): 782-789. [19] 刘慧杰, 王从峰, 刘德富, 等. 双频识别声呐在鱼类资源调查中的应用进展[J]. 三峡大学学报(自然科学版), 2015, 37(3): 7-11. [20] FENG Y H, WEI Y G, SUN S, et al. Fish abundance estimation from multi-beam sonar by improved MCNN[J]. Aquat Ecol, 2023, 57(4): 895-911. doi: 10.1007/s10452-023-10007-z
[21] 田玉先, 冯德军, 张华, 等. 通过小型探鱼无人船探测大型围网养殖区大黄鱼的分布特性[J]. 水产学报, 2022, 46(11): 2084-2096. [22] JING D X, ZHOU H Y, HAN J, et al. Fish abundance estimation based on an imaging sonar[J]. Appl Acoust, 2019, 38(4): 705-711.
[23] 沈蔚, 朱振宏, 张进, 等. 基于双频识别声呐的鱼类目标识别与计数[J]. 渔业现代化, 2020, 47(6): 81-87. doi: 10.3969/j.issn.1007-9580.2020.06.012 [24] 周权, 杜浩, 王洁, 等. 基于环境DNA的长江中华鲟分布特征探究[J]. 环境工程技术学报, 2024, 14(1): 71-78. [25] SUN Y, ZHANG Y H, WANG H Y, et al. SES-YOLOv8n: automatic driving object detection algorithm based on improved YOLOv8[J]. Signal Image Video P, 2024, 18(5): 3983-3992. doi: 10.1007/s11760-024-03003-9
[26] LI Y H, YAO T, PAN Y W, et al. Contextual transformer networks for visual recognition[J]. IEEE T-PAMI, 2023, 45(2): 1489-1500. doi: 10.1109/TPAMI.2022.3164083
[27] ZHAO L, WEI Z J, LI Y T, et al. SEDG-Yolov5: a lightweight traffic sign detection model based on knowledge distillation[J]. Electronics, 2023, 12(2): 305-305. doi: 10.3390/electronics12020305
[28] WU G Q, CAO L Q, TIAN H Y, et al. HY-DBSCAN: a hybrid parallel DBSCAN clustering algorithm scalable on distributed-memory computers[J]. J Parallel Distributed Comput, 2022, 168: 57-69. doi: 10.1016/j.jpdc.2022.06.005
[29] CHEN G, HUANG W X, RONCH A D, et al. BP neural Network-Kalman filter fusion method for unmanned aerial vehicle target tracking[J]. P I Mech Eng C-J Mec, 2023, 237(18): 4203-4212. doi: 10.1177/0954406220983864
[30] HAI T N, NGUYEN M N, PHUNG L D, et al. Anomalies detection in chest X-rays images using faster R-CNN and YOLO[J]. Vietnam J Comput Sci, 2023, 10(4): 499-515. doi: 10.1142/S2196888823500094
[31] CHOI W, CHA Y J. SDDNet: Real-time crack segmentation[J]. IEEE TIE, 2020, 67(9): 8016-8025.
[32] YU C, SHIN Y. SAR ship detection based on improved YOLOv5 and BiFPN[J]. ICT Express, 2024, 10(1): 28-33. doi: 10.1016/j.icte.2023.03.009
[33] DING F. Least squares parameter estimation and multi-innovation least squares methods for linear fitting problems from noisy data[J]. J Comput Appl Math, 2023, 426: 115107. doi: 10.1016/j.cam.2023.115107
[34] SELVARAJ P, KWON O M, LEE S H, et al. Disturbance rejections of polynomial fuzzy systems under equivalent-input-disturbance estimator approach[J]. Fuzzy Set Syst, 2024, 488: 109013. doi: 10.1016/j.fss.2024.109013
[35] 雍李明, 张语克, 赵丽媛, 等. 中华白海豚生态学研究进展[J]. 生物多样性, 2023, 31(5): 145-160. [36] 陈凯骅, 陈海洋, 李惠东, 等. 码头声波驱鱼技术的研究与应用[J]. 电力科技与环保, 2020, 36(3): 60-62. [37] 朱振宏. 基于成像声呐的鱼类资源评估关键技术研究[D]. 上海: 上海海洋大学, 2021: 46-52. [38] 荆丹翔, 周晗昀, 韩军, 等. 基于成像声呐DIDSON的水域内鱼群数量估计方法[J]. 应用声学, 2019, 38(4): 705-711. [39] 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. doi: 10.3969/j.issn.1007-9580.2023.04.013 -
期刊类型引用(39)
1. 王恒杰，戴梦杨，王倩，熊信宇，王灿莉，袁向阳. 环境胁迫因子对鱼类健康影响的研究进展. 中国农学通报. 2025(02): 157-164 . 
百度学术
2. 孙阿君，丁炜东，曹丽萍，曹哲明，邴旭文. 氨氮胁迫对翘嘴鳜幼鱼抗氧化酶、消化酶活性及应激相关基因表达的影响. 水产科技情报. 2024(01): 44-51 . 百度学术
3. 李梦娇，王倩，张婷，任金亮，王志远，赵蔚蓝，王恒杰，王灿莉，袁向阳. 氨氮胁迫对团头鲂生长、抗氧化和免疫的影响. 水产科学. 2024(04): 640-647 . 百度学术
4. 王雪芹，杨晓玲，彭衡阳，戴景辉，阳涛. 氨氮应激对鱼类生命活动影响的研究进展. 水产养殖. 2024(08): 18-24 . 百度学术
5. 赵斌，周红学，李成林，赵洪友，胡炜，程晓艳，韩莎. 氨氮胁迫对刺参“鲁海1号”非特异性免疫的影响. 西北农林科技大学学报(自然科学版). 2022(02): 17-24 . 百度学术
6. 高金伟，吴浩，李绍明，谢敏，李文祥，宋锐. 氨氮和镉胁迫对芙蓉鲤鲫抗氧化系统和免疫机能的影响. 水生生物学报. 2022(04): 448-456 . 百度学术
7. 张晓飞，余秋然，赵宇航，石展耀，周利，李二超，谢嘉. 聚乙烯微塑料对尼罗罗非鱼(Oreochromis niloticus)生长、抗氧化、免疫和肠道微生物的影响. 生态毒理学报. 2022(06): 301-314 . 百度学术
8. 管敏，张德志，唐大明. 慢性氨氮胁迫对史氏鲟幼鱼生长及其肝脏抗氧化、免疫指标的影响. 南方水产科学. 2020(02): 36-42 . 本站查看
9. 王艳玲，赵金良，赵岩. 环境胁迫对鱼类免疫机制影响的研究进展. 河北渔业. 2020(05): 46-50+62 . 百度学术
10. 丁炜东，曹丽萍，曹哲明，邴旭文. 氨氮胁迫对翘嘴鳜幼鱼鳃、消化道酶活力的影响. 南方水产科学. 2020(03): 31-37 . 本站查看
11. 周艳波，陈丕茂，冯雪，袁华荣. 广东主要海洋经济物种增殖放流初期存活率探讨. 安徽农业科学. 2020(22): 103-106+140 . 百度学术
12. 薛凌展，吴素琼，张坤，樊海平，陈斌，田田，林旋. 氨氮对异育银鲫‘中科3号’幼鱼急性毒性及肝脏抗氧化酶系统的影响. 农学学报. 2019(03): 44-50 . 百度学术
13. 王小龙，宋青，王志勇，韩芳. 黄姑鱼锰超氧化物歧化酶基因的克隆及氨氮和亚硝态氮胁迫对其表达的影响. 水产学报. 2019(04): 820-832 . 百度学术
14. 谭春明，赵旺，于刚，吴开畅，杨蕊，温为庚，陈旭，张玥. 氨氮胁迫对方斑东风螺溶菌酶及3种常见消化酶活力的影响. 南方水产科学. 2019(03): 120-125 . 本站查看
15. 谭春明，赵旺，吴开畅，张玥，杨蕊，温为庚，陈旭，于刚. 氨氮胁迫对方斑东风螺六种免疫酶活性的影响. 海洋科学. 2019(04): 8-15 . 百度学术
16. 李杜文，华智杰，张文香，任海，张玉，靳晓敏，高桂生，李佩国. 金属蛋白酶对大菱鲆血清抗氧化酶活性及丙二醛含量的影响. 海洋科学. 2019(04): 52-60 . 百度学术
17. 涂娇，刘枝华，胡雄，邓佩仪，陈江凤，邵俭. 不同胁迫条件下6种药品对罗非鱼存活率的影响. 山地农业生物学报. 2019(05): 75-79 . 百度学术
18. 王国强，李笑天，费凡，黄滨，刘宝良. 养殖鱼类对水质胁迫的生理响应特征研究进展. 江西水产科技. 2019(04): 45-52 . 百度学术
19. 管敏，张德志，唐大明，张厚本. 慢性氨氮胁迫对子二代中华鲟生长、抗氧化及免疫指标的影响. 海洋渔业. 2019(06): 684-693 . 百度学术
20. 封琦，朱光来，王建国，齐富刚，熊良伟，王权. 氨氮对中华鳑鲏的急性毒性及2种代谢酶活性的影响. 淡水渔业. 2018(01): 91-96 . 百度学术
21. 韩春艳，郑清梅，邓茜壬. 外源核苷酸对罗非鱼生长发育及抗氧化能力的影响. 嘉应学院学报. 2018(05): 39-44 . 百度学术
22. 彭军辉，陈丽英，程长洪，冯娟，马红玲，郭志勋. 氨氮对拟穴青蟹的急性毒性及对其血清免疫相关酶活力的影响. 渔业科学进展. 2018(05): 114-121 . 百度学术
23. 王涛，刘青松，段亚飞，李华，董宏标，张家松. 低C/N驯化生物絮团的自养和异养硝化性能研究. 海洋渔业. 2018(05): 614-624 . 百度学术
24. 刘亚娟，胡静，周胜杰，彭晓瑜，马振华. 急性氨氮胁迫对尖吻鲈稚鱼消化酶及抗氧化酶活性的影响. 南方农业学报. 2018(10): 2087-2095 . 百度学术
25. 单娜，林听听，来琦芳，李功政，周凯，厉成新，仲启铖，马庆男，么宗利，刘进红. 4种环境源性胁迫对异育银鲫血浆生化指标的影响. 海洋渔业. 2017(02): 162-172 . 百度学术
26. 王贞杰，陈四清，曹栋正，卢斌，常青，刘长琳，燕敬平. 急性氨氮胁迫对圆斑星鲽(Verasper variegatus)幼鱼鳃和肝组织结构及相关酶活性的影响. 渔业科学进展. 2017(02): 59-69 . 百度学术
27. 黄忠，周传朋，林黑着，谭小红，彭景书，周文川，赵书燕，戚常乐. 饲料异亮氨酸水平对卵形鲳鲹消化酶活性和免疫指标的影响. 南方水产科学. 2017(01): 50-57 . 本站查看
28. 陈劲松，江世贵，黄建华，杨其彬，马振华，周发林. 斑节对虾天门冬氨酸转氨酶基因的克隆及氨氮胁迫条件下的表达分析. 南方水产科学. 2017(03): 73-82 . 本站查看
29. 王芸，李健，何玉英，段亚飞，张喆，李吉涛. 氨氮胁迫对中国明对虾血淋巴氨氮、尿素氮含量和抗氧化能力的影响. 中国水产科学. 2017(01): 180-189 . 百度学术
30. 陈度煌. 投喂蚕豆对罗非鱼肝脏抗氧化性能及细胞膜功能的影响. 江西农业大学学报. 2016(01): 168-173 . 百度学术
31. 胡志国，刘建勇，袁瑞鹏，张嘉晨. 凡纳滨对虾高氨氮和低溶氧抗逆性状的杂交配合力分析. 南方水产科学. 2016(01): 43-49 . 本站查看
32. 罗俊标，谢木娇，区又君，温久福，李加儿，王鹏飞. 四指马鲅头肾和脾脏组织学研究. 生物学杂志. 2016(04): 43-47 . 百度学术
33. 姚娜，陈生熬，王帅，谢从新，刘洁雅，龚珊. 盐度、碱度和体质量对叶尔羌高原鳅耗氧率和排氮率的影响. 西南农业学报. 2016(02): 462-468 . 百度学术
34. 文衍红，黄凯，唐丽宁，司徒玲，杨政民，黄杰. 罗非鱼钢丝透光薄膜越冬大棚建造及效果研究. 养殖与饲料. 2016(03): 5-11 . 百度学术
35. 董颖，王摆，崔程，李姝熳，高士博，高杉，关晓燕，姜北，周遵春. 苯系物对仿刺参肠、呼吸树谷胱甘肽过氧化物酶基因表达的影响. 水产科学. 2015(05): 311-315 . 百度学术
36. 李锋，罗伟，黄良民，林强. 线纹海马(Hippocampus erectus)不同养殖密度下水体理化因子和细菌数量的动态变化. 广东农业科学. 2015(02): 114-120 . 百度学术
37. 章琼，孙盛明，李冰，蒋高中，朱健，戈贤平. 团头鲂g型溶菌酶基因全长cDNA的克隆与表达分析. 南方水产科学. 2015(02): 41-49 . 本站查看
38. 肖炜，李大宇，徐杨，邹芝英，祝璟琳，韩珏，杨弘. 慢性氨氮胁迫对吉富罗非鱼幼鱼生长、免疫及代谢的影响. 南方水产科学. 2015(04): 81-87 . 本站查看
39. 胡静，吴开畅，叶乐，王雨. 急性盐度胁迫对克氏双锯鱼幼鱼过氧化氢酶的影响. 南方水产科学. 2015(06): 73-78 . 本站查看
其他类型引用(25)
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
- 被引次数: 64
粤公网安备 44010502001741号
