基于高频水平机械扫描式声呐图像的海水网箱养殖卵形鲳鲹数量估算方法

胡家祯, 孙佳龙, 黄小华, 朱国豪, 陶启友, 袁太平, 李根, 庞国良, 胡昱, 栗铭阳

胡家祯, 孙佳龙, 黄小华, 朱国豪, 陶启友, 袁太平, 李根, 庞国良, 胡昱, 栗铭阳. 基于高频水平机械扫描式声呐图像的海水网箱养殖卵形鲳鲹数量估算方法[J]. 南方水产科学, 2024, 20(5): 113-125. DOI: 10.12131/20240042
引用本文: 胡家祯, 孙佳龙, 黄小华, 朱国豪, 陶启友, 袁太平, 李根, 庞国良, 胡昱, 栗铭阳. 基于高频水平机械扫描式声呐图像的海水网箱养殖卵形鲳鲹数量估算方法[J]. 南方水产科学, 2024, 20(5): 113-125. DOI: 10.12131/20240042
HU Jiazhen, SUN Jialong, HUANG Xiaohua, ZHU Guohao, TAO Qiyou, YUAN Taiping, LI Gen, PANG Guoliang, HU Yu, LI Mingyang. A method for estimating quantity of Trachinotus ovatus in marine cage aquaculture based on high-frequency horizontal mechanical scanning sonar image[J]. South China Fisheries Science, 2024, 20(5): 113-125. DOI: 10.12131/20240042
Citation: HU Jiazhen, SUN Jialong, HUANG Xiaohua, ZHU Guohao, TAO Qiyou, YUAN Taiping, LI Gen, PANG Guoliang, HU Yu, LI Mingyang. A method for estimating quantity of Trachinotus ovatus in marine cage aquaculture based on high-frequency horizontal mechanical scanning sonar image[J]. South China Fisheries Science, 2024, 20(5): 113-125. DOI: 10.12131/20240042

基于高频水平机械扫描式声呐图像的海水网箱养殖卵形鲳鲹数量估算方法

基金项目: 海南省重大科技计划项目 (ZDKJ2021013);海南省重点研发项目 (ZDYF2021XDNY305, ZDYF2023XDNY066);中国水产科学研究院中央级公益性科研院所基本科研业务费专项资金资助 (2023TD97);广州市科技计划项目 (2023E04J0001);连云港市重点研发计划项目 (22CY080, 21SH038)
详细信息
    作者简介:

    胡家祯 (1999—),男,硕士研究生,研究方向为水声信号处理与声呐图像处理。E-mail: 1359012262@qq.com

    通讯作者:

    胡 昱 (1982—),男,副研究员,博士,研究方向为渔业智能化装备。E-mail: scshuyu@163.com

  • 中图分类号: S 932.4

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。

    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.

  • 西沙群岛位于海南岛东南方170多海里,北纬15°46′~ 17°08′,东经111°11′ ~ 112°50′,由宣德群岛和永乐群岛组成,北起北礁,南至嵩焘滩,东至西渡滩,西至中建岛,共有29个岛屿、沙洲和4个高潮适淹的环礁。

    西沙群岛是我国重要渔场之一,长期以来已成为我国渔民生产活动的基地。西沙群岛及附近海域,具有独特的热带珊瑚礁和深海大洋性的生态特点,生物资源丰富、种类繁多。20世纪50年代中国科学院南海海洋研究所对西沙群岛珊瑚礁鱼类区系进行初步调查,但由于调查的渔具所限,渔获的种类较少,难以真正反映西沙群岛鱼类的多样性[1, 2]。1975~1976年,为了开发外海渔业资源,南海水产研究所对西沙群岛海域的大洋性鱼类资源进行了专业探捕调查,但未见有关鱼类组成的公开报道[3]。1998~1999年和2003年,南海水产研究所对西沙群岛几个重要珊瑚礁进行了专业的调查,本文根据这3次调查所采集到的标本进行分析,以弄清西沙群岛鱼类的组成情况。

    1998~1999年调查的岛礁有北礁、永兴岛、琛航岛、华光礁和浪花礁等5个岛礁,2003年调查的岛礁有北礁、华光礁、金银岛、东岛、浪花礁、玉琢礁和永兴岛等7个岛礁,各岛礁的调查地理位置参见图 1。1998~1999年和2003年的调查船及所用调查渔具及采样方法详见参考文献[4]、[5]和[6]。

    图  1  西沙群岛各调查岛礁位置
    Fig. 1  Locations of the seven coral reefs of Xisha Islands

    西沙8个岛礁手钓、流刺网、底层刺网和延绳钓等4种作业方式3个调查航次总共捕获鱼类261种(其中九棘鲈属、海猪鱼属、鹦嘴鱼属和刺尾鱼属未定种各1种),其中1998~1999年调查共渔获157种[7],2003年调查共渔获177种,2003年调查出现的种类中共有83种在1998~1999年调查中没有出现过的种类,见表 1。捕获的261种鱼类分隶于14目48科77属,其中软骨鱼类共计4目8科8属18种,硬骨鱼类共计10目40科69属243种。其中鲈形目28科55属186种,占71.26%,居绝对优势;金眼鲷目18种,占6.90%;鲀形目有15种,占5.75%;鳗鲡目有12种,占4.60%;其余10目仅有30种,占11.49%。

    表  1  西沙群岛7个调查岛礁渔获新种类名录
    Table  1  Species list of fishes new record in the seven coral reef waters of the Xisha Islands
    下载: 导出CSV 
    | 显示表格

    根据鱼类的栖息特点,其中206种属于珊瑚礁鱼类,占总种数的78.93%,包括:狗母鱼科1种、海鳝科11种、蛇鳗科1种、鳂科2种、灯眼鱼科16种、NFDA1科20种、方头鱼科2种、笛鲷科19种、裸颊鲷科8种、鲷科2种、松鲷科1种、锥齿鲷科4种、NFDBE科2种、羊鱼科9种、单鳍鱼科1种、蝴蝶鱼科18种、隆头鱼科24种、鹦嘴鱼科25种、雀鲷科5种、NFDA8科2种、拟鲈科1种、GF79D科1种、篮子鱼科4种、镰鱼科1种、刺尾鱼科15种和鳞鲀科11种,另外55种为非岩礁鱼类,占总种数的21.07%,包括:六鳃鲨科3种、猫鲨科1种、皱唇鲨科1种、真鲨科7种、双髻鲨科1种、角鲨科1种、NFDBD科3种、燕NFDBD科1种、飞鱼科3种、烟管鱼科1种、NFDBC科2种、大眼鲷科2种、鲹科8种、银鲈科1种、眶棘鲈科3种、石鲈科2种、蛇鲭科4种、鲭科1种、鲅科1种、鲉科5种、革鲀科2种和鲀科2种(这些种类有的属于大洋性种类,有的属于底层种类,在南海的中部、北部或南沙群岛西南大陆架海域也有捕获)。

    在调查的8个岛礁中,以华光礁渔获的种类最多,达137种,东岛的渔获种类数最少,为53种,其它6个岛礁的种类数排序分别为浪花礁113种,北礁89种,玉琢礁86种,琛航岛78种,金银岛74种,永兴岛62种。

    为了比较不同岛礁的种类组成,表 2计算了8个珊瑚礁区的物种相似度,除了永兴岛和东岛的相似度为40.2%外,其它各岛礁的物种相似度均不超过40%。珊瑚礁鱼类多数是定居性鱼,虽然各礁区相隔不远,但礁与礁之间以深水相隔,每个礁区都是一个小的相对独立的生态系统,这是各礁区之间物种相似度小的原因。

    表  2  西沙群岛调查的8个岛礁共有种及物种相似度
    Table  2  Common species and similarity coefficients of species of fishes caught in the eight coral reef waters of the Xisha lslands
    礁名reef name 北礁 华光礁 金银岛 东岛 浪花礁 玉琢礁 永兴岛 琛航岛
    北礁Bei Reef 30.6 29.4 25.7 32.9 33.6 27.9 24.6
    华光礁Huaguang Reef 53 24.1 21.8 39.7 27.4 22.1 31.9
    金银岛Jinyin Island 37 41 18.7 28.1 37.9 27.1 17.8
    东岛Dong Island 29 34 26 24.8 31.1 40.2 13.9
    浪花礁Langhua Reef 50 71 41 33 31.8 30.6 27.3
    玉琢礁Yuzhu Reef 44 48 44 33 48 32.1 19.7
    永兴岛Yongxin Island 33 36 29 33 41 36 23.9
    琛航岛Chenhang Island 33 52 23 16 41 24 27
    注:物种相似度=共有种数/(a站种数+ b站种数- 共有种数)…………………………(Jaccard, 1902)
    Note: fish species similarity coefficient = c/(a + b)
    “a”denotes the number of species at site a, “b”the number of species at site b, and“c”the number of common species of site a and site b.
    下载: 导出CSV 
    | 显示表格

    在8个岛礁广泛分布(6个以上)的种类只有33个种:异纹裸胸鳝、白边锯鳞鳂、白纹锯鳞鳂、棘鳂、红双棘鳂、大眼魣、鳃棘鲈、尾纹九棘鲈、黑边石斑鱼、金眼大眼鲷、星点鲹、长体圆鲹、叉尾鲷、四带笛鲷、褐梅鲷、杂色裸颊鲷、金带齿颌鲷、灰裸顶鲷、头带副鲱鲤、黑边单鳍鱼、伸口鱼、横带唇鱼、凹尾绚鹦嘴鱼、棕吻鹦嘴鱼、五带鹦嘴鱼、条腹鹦嘴鱼、绿唇鹦嘴鱼、绿牙鹦嘴鱼、三色鹦嘴鱼、点蓝子鱼、灰额刺尾鱼、双斑刺尾鱼、单板盾尾鱼等。

    中国科学院海洋研究所和动物研究所等单位,于1956~1958年对西沙群岛的永兴岛、石岛和北岛的鱼类进行调查。由于调查的范围较小,渔具也相对落后,只渔获鱼类119种,隶属于41科,其中有22科在本次调查中有出现。在相同的22科中,与本次相同的种类有海鳝科5种、灯眼鱼科3种、NFDA1科5种、大眼鲷科1种、笛鲷科4种、锥齿鲷科1种、石鲈科1种、NFDBE科2种、羊鱼科4种、蝴蝶鱼科1种、雀鲷科2种、隆头鱼科4种、鹦嘴鱼科1种、NFDA8科1种、拟鲈科1种、镰鱼科1种、刺尾鱼科3种、鲉科1种和鳞鲀科4种。

    20世纪50年代的调查与本次调查由于采用的渔具有较大的差别,因此所捕获的种类也存在着较大的差异,50年代所用的渔具为流刺网、手钓和鱼叉,对于礁栖性的小型鱼类的捕获效果较好,因此在捕获的119种鱼类中只有个别种类如花点石斑鱼、白斑笛鲷和红鳍笛鲷属于相对大型的种类。而本次调查所采用的渔具有底层刺网、流刺网、手钓和延绳钓。底层刺网对栖息于礁缘深水区的小型鱼类的捕获效果比较理想,因此本次调查捕获的灯眼鱼科、笛鲷科、蝴蝶鱼科、隆头鱼科、鹦嘴鱼科和刺尾鱼科的种类要比50年代的多。延绳钓主要的捕捞对象是礁缘外的大型鱼类,本次调查捕获的大型软骨鱼类共有8科17种,大型石斑鱼类有点带石斑鱼、高体石斑鱼、宽带石斑鱼、棕斑石斑鱼和七带石斑鱼,大型鲹科鱼类有平线若鲹和珍鲹等,大型鲷科鱼类有紫红笛鲷、单斑笛鲷、白斑笛鲷和千年笛鲷等。

    50年代调查所渔获的鹦嘴鱼科、隆头鱼科、蝴蝶鱼科和灯眼鱼科等礁栖性的种类均较少,这可能与不同岛礁的生态环境有关,有待进一步的研究。

    (1) 西沙群岛岛礁与南沙群岛岛礁均为珊瑚礁,鱼类区系的关系最为密切,相似度为34.04%。燕NFDBD科、狗母鱼科、烟管鱼科、大眼鲷科、镰鱼科和鲅科的相似度均为100%,海鳝科、飞鱼科、NFDBC科、方头鱼科、裸颊鲷科、鲷科、锥齿鲷科、NFDBE科、NFDA8科和篮子鱼科的种类相似度也在50%以上(表 3)。

    表  3  西沙岛礁渔获种类与南海其它海区比较
    Table  3  Comparison of species composition of fishes between the Xisha Islands and the others of South China Sea
    下载: 导出CSV 
    | 显示表格

    (2) 西沙群岛岛礁与南沙大陆架相距较远,又属于不同的生态环境,种类的相似度很低,为5.09%。在48个科中只有皱唇鲨科、燕魟科和镰鱼科的相似度为100%,种类相似度在50%以上的也只有猫鲨科和烟管鱼科,其余各科的种类相似度均较低。

    在本次调查所捕获的种类中,海鳝科共有11种,而在南沙大陆架只出现匀斑裸胸鳝1个种类,海鳝科的相似度只有9%,这主要是由于海鳝科鱼类均为洞穴居性鱼类,珊瑚礁由于有特殊珊瑚结构,为海鳝科鱼类的隐藏提供有利的条件。

    对于鹦嘴鱼类、刺尾鱼类等典型的珊瑚礁鱼类,本次调查分别捕获25种和15种,而南沙大陆架海域均没有捕获。对于灯眼鱼科、NFDA1科中的鳃棘鲈和九棘鲈属、笛鲷科中的笛鲷属和梅鲷属、裸颊鲷科、蝴蝶鱼科和隆头鱼科等礁栖性种类,在所调查的8个岛礁中出现的种类数明显比南沙大陆架海域多,各科中种类相似度也均不超过13%。

    (3) 西沙群岛岛礁与南海北部大陆架相连接,但由于岛礁与大陆架是两个不同的生境,种类的相似度也很低,为6.78%,但在一定程度上也体现了种类的连续性。双髻鲨科、角鲨科和松鲷科的相似度为100%,蛇鲭科的相似度为50%,其余各科的相似度均低于35%。

    西沙群岛岛礁与南海北部大陆架相比较,蝴蝶鱼科、隆头鱼科、鹦嘴鱼科和刺尾鱼科等典型珊瑚礁鱼类的种类要多,且各科中的种类相似度也均较低,主要是与这些鱼类的食性有关系,这些鱼类的饵料都直接或间接来自于珊瑚。

    在西沙群岛岛礁调查所捕获的48个科中,六鳃鲨科、燕魟科、蛇鳗科、NFDBE科、单鳍鱼科、NFDA8科和镰鱼科中的种类在南海北部大陆架并没有出现。六鳃鲨科鱼类和NFDBE科鱼类均属于大洋性的洄游鱼类,南海北部大陆架没有捕获可能与调查的时间和渔具有关。而在南海北部大陆架海域没有捕获燕NFDBD科、蛇鳗科、单鳍鱼科、NFDA8科和镰鱼科的种类,与这些种类的习性有关,这些种类属于礁栖性鱼类,一般只生活于珊瑚礁的礁盘或礁缘区。

    由于特殊的珊瑚礁生态环境,在8个调查岛礁渔获的261种鱼类中,以礁栖性的鱼类占绝对优势,共有206种,占总种类数的78.93%。

    在所调查的8个岛礁中,种类的多样性均较高,其中华光礁有137种,浪花礁113种,北礁89种,玉琢礁86种,琛航岛78种,金银岛74种,永兴岛62种,东岛53种,但除了永兴岛和东岛的相似度较高外,其它各个岛礁的相似度均较低。也就是说,种类多样性高而相似度低是西沙群岛鱼类区系的主要特征。

    西沙群岛岛礁和南沙群岛岛礁,由于均属珊瑚礁生境,渔获种类的相似度相对较高,为34.04%。与南沙大陆架海域和南海北部大陆架海域相比较,由于生态环境的差别较大,种类的相似度均很低,分别为5.09%和6.78%。

    本文仅根据近年来的3次调查资料,对西沙群岛8个岛礁鱼类的区系和组成作初步的分析,随着南海渔业资源的日益衰退,有必要对整个西沙群岛的鱼类组成和资源状况作进一步的调查研究。

  • 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  2   实验装置

    Figure  2.   Measurement work diagram

    图  3   估计方法流程图

    Figure  3.   Flowchart of this estimation method

    图  4   CS-YOLOv8s网络结构图

    Figure  4.   CS-YOLOv8s network structure diagram

    图  5   训练集

    Figure  5.   Training Set

    图  6   不同数量的鱼的声呐图像

    Figure  6.   Sonar images of different quantities of fish

    图  7   训练过程

    Figure  7.   Training process

    图  8   目标识别的鱼

    Figure  8.   Fish for target recognition

    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  12   BP神经网络模型回归结果

    Figure  12.   Regression results of BP neural network model

    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/tail
    0~40 507 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
    Disadvantage
    Markrecapture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(3)

    1. 汪兰,夏雨婷,胡澳,陈朗,郭晓嘉,乔宇,吴文锦,石柳,黄云,彭条凤,熊光权,陈胜. 维生素C对禁食黄颡鱼抗氧化能力和肌肉品质的影响. 广东海洋大学学报. 2024(01): 28-34 . 百度学术
    2. 单金峰,吴春,王腾,王泽平,王信海. 芽孢杆菌对克氏原螯虾生长性能、消化、非特异性免疫和抗病力的影响. 中国农学通报. 2024(31): 159-164 . 百度学术
    3. 汪峰,宋嘉玲,陈帅钰,王靖铭,贾玉东. 大泷六线鱼胃排空规律和摄食消化酶活力变化研究. 南方水产科学. 2024(06): 10-18 . 本站查看

    其他类型引用(1)

推荐阅读
渔业声学频差技术在广西银滩南部海域海洋牧场渔业资源评估中的应用
陈国宝 et al., 南方水产科学, 2025
现代化海洋牧场增养殖方式及用海分类体系探讨
潘天国 et al., 南方水产科学, 2024
基于声学技术定点监测海洋牧场鱼类资源昼夜变化研究
程高 et al., 南方水产科学, 2024
重力式深水网箱系统参数化建模及应用
万成宇 et al., 南方水产科学, 2024
基于核酸适配体的荧光传感器检测赭曲霉毒素a
LYU Zeping et al., JOURNAL OF HENAN UNIVERSITY OF TECHNOLOGY(NATURAL SCIENCE EDITION), 2023
基于gf-5高光谱影像的滇中高原灌区土壤有机碳含量反演研究
YAN Zheng-fei et al., JOURNAL OF SOUTHERN AGRICULTURE, 2025
Estimating potato above-ground biomass based on vegetation indices and texture features constructed from sensitive bands of uav hyperspectral imagery
Liu, Yang et al., COMPUTERS AND ELECTRONICS IN AGRICULTURE, 2024
Prediction of stem water potential in olive orchards using high-resolution planet satellite images and machine learning techniques
Garofalo, Simone Pietro et al., AGRONOMY-BASEL, 2024
A new multiangle method for estimating fractional biocrust coverage from sentinel-2 data in arid areas
IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, 2024
Estimation of top soil properties by sentinel-2 imaging
GEOLOGY, ECOLOGY, AND LANDSCAPES, 2024
Powered by
图(13)  /  表(7)
计量
  • 文章访问数:  1198
  • HTML全文浏览量:  28
  • PDF下载量:  65
  • 被引次数: 4
出版历程
  • 收稿日期:  2024-03-05
  • 修回日期:  2024-06-10
  • 录用日期:  2024-06-23
  • 网络出版日期:  2024-06-25
  • 刊出日期:  2024-10-04

目录

/

返回文章
返回