Automatic counting of shrimp larvae based on probability density map model generated from front end and back end
-
摘要:
虾苗计数是虾类养殖与销售中生物量估算的基本操作,对养殖管理和提高产量至关重要。由于受虾苗体型小、遮挡严重以及密集程度不一等因素影响,现有的自动计数方法难以在一定密度下准确计数。基于此,提出了一种基于贝叶斯概率分布的前后端结合计数网络 (Shrimp counting, SC) 模型,用于解决虾苗计数问题。该模型主要由前端模块、注意力模块和后端模块构成。首先,使用前端模块提取具有判别性的表型特征,并采用注意力模块对特征进行重组,以提升对图像的局部注意力;随后,使用后端模块生成虾苗分布预测概率密度图;最后,通过贝叶斯损失函数对模型进行参数调整,以提升虾苗计数的精确度。为了验证方法的有效性,构建了一个包含2种不同密度的虾苗计数数据集,并在该数据集上进行了多组实验对比。结果显示,总体准确率可达93.325%,平均绝对误差和均方误差分别为96.304和154.567。与现有主流的计数方法 [布莱克-利特曼模型 (Black-Litterman, BL)、人群密度估计网络 (Contextual Scene Recognition Network, CSR-Net)、多维注意力增强人群计数模型 (Boosting Crowd Counting via Multifaceted Attention, BCCMA)] 相比,SC模型准确率最高、误差最小。该模型适用于孵化场、销售和养殖入塘等多场景的虾苗自动计数。
Abstract:Shrimp larval counting is a fundamental operation for biomass estimation in shrimp farming and sales, and it is crucial for aquaculture management and yield enhancement. Due to the factors such as small size of shrimp larvae, significant occlusion, and varying density, the current automated counting methods are difficult to achieve accurate larval counting at certain densities. To address this issue, we propose a shrimp counting (SC) model for shrimp larval counting which combined frontend and backend counting network based on Bayesian probability distribution. This model primarily consists of a frontend module, an attention module and a backend module. The frontend module first extracts discriminative phenotypic features, while the attention module reorganizes these features to enhance local attention to the images. Secondly, the backend module generates a predicted probability density map for shrimp larval distribution. Thirdly, the Bayesian loss function is utilized to adjust the model parameters and improve the accuracy of shrimp larval counting. To validate the effectiveness of the proposed method, we constructed a shrimp larval counting dataset with two different density conditions and conducted multiple experimental comparisons on the dataset. The overall accuracy reached 93.325%, with mean absolute error and mean squared error being 96.304 and 154.567, respectively. Compared with the current mainstream counting methods [Black-Litterman (BL), Contextual Scene Recognition Network CSR-Net), Boosting Crowd Counting via Multifaceted Attention BCCMA], the proposed model exhibits the highest accuracy and the lowest loss. It applies to automated shrimp larval counting in hatcheries, sales and stocking scenarios.
-
蜈蚣藻属(Grateloupia)隶属于红藻门、隐丝藻目、海膜科,广泛分布于世界各地沿海地区[1]。蜈蚣藻属种类多(全世界报道91种,中国报道42种[2]),用途广泛,可食用、药用(具有清热解毒、驱虫、抗肿瘤、抗病毒、抗凝血、抗氧化等作用),并可作为提取卡拉胶的工业原料,是有待于养殖和加工开发的重要海藻[3-4]。综合了解蜈蚣藻属的研究现状,对促进该属藻类的研究、开发和利用具有重要意义。目前对其药用研究进展[5]、应用和人工养殖前景[6]已有报道,而有关其生物学和海区养殖方面的研究进展尚未见报道。
蜈蚣藻属种类多,种类形态鉴定存在一定困难[7-8],借助分子生物学方法进行种类鉴定后,该属一些种名一直在改动。如若不关注其分类学方面的变动,可能会给养殖或加工等研究工作带来一定影响。本文综合概述了国内外关于蜈蚣藻属分类的变动、繁殖生物学、生理生态和养殖的研究现状及存在的问题,以期为蜈蚣藻属增养殖和加工开发利用提供参考。
1. 蜈蚣藻属分类
蜈蚣藻属传统的鉴别方法是依据藻体形态、大小、颜色、质地、分支、固着器、藻体内部结构以及生殖器官等进行种类鉴别[1, 9]。因该属种类外部形态多样,同一种类的形态会因生态环境、地域等不同而差异巨大,仅依靠传统的方法鉴定该属种类显得不足[7-8]。随着分子生物学技术的发展,藻类分类学家借助DNA条形码与传统鉴定相结合的方法进行蜈蚣藻属的种类鉴定[9-14],修正一些种名[7,15]并发布新种类[8,16-18],因此使蜈蚣藻属的分类系统处于变动、不统一状态。蜈蚣藻属分类变动中需要关注的主要是属模式种蜈蚣藻(Grateloupia filicina)和入侵物种鲂生蜈蚣藻(G. doryphora)名称的修订、蜈蚣藻属的重新划分以及中国蜈蚣藻属种类的变化。2001年,Kawaguchi等[19]对分布在亚洲东部和意大利的属模蜈蚣藻进行了形态学观察和rbcL基因序列的对比分析, 将亚洲产的蜈蚣藻定为新种亚洲蜈蚣藻(G. asiatica),此后有的学者采用亚洲蜈蚣藻来替代蜈蚣藻[20-21],有的学者仍沿用原有名称[22]。由亚洲东部被带入大西洋的入侵物种鲂生蜈蚣藻,在2002年被重新鉴定为带形蜈蚣藻(G. turuturu)[23],此后大部分文献对这一入侵物种均采用带形蜈蚣藻的名称[13-14]。1997年,Kawaguchi[24]根据形态鉴定结果建议将Pachymeniopsis并入到蜈蚣藻属,而2013年Gargiulo等[25]根据生殖器官结构以及rbcL分析,建议把蜈蚣藻属分为5个属(Grateloupia, Dermocorynus, Pachymeniopsis, Phyllymenia 和Prionitis)。韩国学者Kim等[26]按照Gargiulo的建议将披针形蜈蚣藻 (G. lanceolata)改为Pachymeniopsis lanceolata,西班牙学者Montes等[13]也按照Gargiulo等的建议恢复了Pachymeniopsis属,而中国的分类学家仍沿用原来的分类系统,2015年丁兰平等[2]仍将披针形蜈蚣藻归到蜈蚣藻属[2]。《中国海藻志》记载蜈蚣藻属31种[1],随着黄海蜈蚣藻(G. huanghaiensis)等新增种类的不断发现及一些种名的修订,丁兰平等[2]报道了42种,Cao等[17-18]发现新增种类多枝蜈蚣藻(G. angusta)和异枝蜈蚣藻(G. variata),修订帚状蜈蚣藻(G. fastigiata)为亚洲蜈蚣藻[7]、修订对枝蜈蚣藻(G. didymecladia)为亚栉状蜈蚣藻(G. subpectinata) [15]。
2. 繁殖生物学
2.1 蜈蚣藻的生活史
蜈蚣藻属不同种类的生活史相同,均由双倍体的果孢子体、四分孢子体和单倍体的配子体世代交替出现,四分孢子体和配子体同型[20,27]。
2.2 孢子萌发
蜈蚣藻属藻类的四分孢子和果孢子的萌发过程相同。不同种类孢子的萌发过程基本相同,孢子在放散附着后萌发成为基本细胞,由基本细胞分裂形成的盘状体生长萌发出直立体(幼苗)。不同种类孢子萌发过程略有不同的是从基本细胞萌发到盘状体阶段,大部分种类如大连蜈蚣藻(G. dalianensis) [27]和披针形蜈蚣藻[28]基本细胞都是原地分裂形成盘状体,但也有一些种类如亚洲蜈蚣藻[20]的基本细胞首先分裂形成丝状体再形成盘状体。细弱蜈蚣藻(G. tenuis)基本细胞的分裂则两种情况都存在[29]。带形蜈蚣藻(G. turuturu)正常萌发形成盘状体阶段没有出现丝状体,但在强光刺激下会产生丝状体 [30]。
2.3 繁殖与生长季节
蜈蚣藻属的种类繁多,分布广泛,因此其繁殖及生长季节也略有差异。迄今为止已报道亚栉状蜈蚣藻、椭圆蜈蚣藻(G. elliptica)、两叉蜈蚣藻(G. dichotoma)和亚洲蜈蚣藻的繁殖和生长季节[31-33]。生长在韩国东海岸的亚栉状蜈蚣藻四分孢子体生长旺季为10月和11月,而果孢子体则为9月到翌年3月,6—7月其藻体消失,8月开始形成新的直立体[31]。辽宁大连的椭圆蜈蚣藻和两叉蜈蚣藻生长盛期为6—7月,成熟期为5—8月[32];亚洲蜈蚣藻3月出现幼体,10月生物量达到最大,繁殖季节为每年的8—11月[33]。汕头南澳的舌状蜈蚣藻(G. livida)每年3—4月生物量达到最大,5—6月藻体成熟[34]。
3. 影响生长、发育和生理的因素
3.1 温度、光照和盐度的影响
温度和光照对蜈蚣藻属藻类生长、发育具有重要的作用,目前已报道了蜈蚣藻(按重新鉴定命名为亚洲蜈蚣藻)藻体[35]和丝状体[22]生长、带形蜈蚣藻丝状体发育成为盘状体和盘状体萌发出直立体[36]、舌状蜈蚣藻附着孢子萌发和幼苗生长[34,37]、披针形蜈蚣藻盘状体生长[28]以及大连蜈蚣藻[27]、细弱蜈蚣藻[29]和亚洲蜈蚣藻[20-21]附着孢子萌发的最适温度和光照条件(表1)。另外,也报道了带形蜈蚣藻成为外来入侵物种的优势:生长快且对温度的适应范围广,30 ℃仍可存活[38]。
表 1 蜈蚣藻属一些种类生长发育的适宜温度和光照条件Table 1. Optimum temperature and light for growth and development of some species of Grateloupia种类
species生长发育阶段
developmental stage温度/℃
temperature光照强度/μmol·(m2·s) −1
light intensity参考文献
Reference亚洲蜈蚣藻 G. asiatica 藻体 23 100 [35] 亚洲蜈蚣藻 G. asiatica 丝状体 20 31.25 [22] 带形蜈蚣 G. turuturu 丝状体到盘状体 25 60 [36] 带形蜈蚣藻 G. turuturu 盘状体到直立体 20 60 [36] 大连蜈蚣藻 G. dalianensis 附着孢子到直立体 16 93.75~125 [27] 细弱蜈蚣藻 G. tenuis 附着孢子到直立体 24 120 [29] 亚洲蜈蚣藻 G. asiatica 附着孢子到直立体 20~25 42~80 [20-21] 舌状蜈蚣藻 G. livida 附着孢子到直立体 25 62.5 [34] 舌状蜈蚣藻 G. livida 附着孢子到幼苗 18 35 [37] 披针形蜈蚣藻 G. lanceolata 盘状体到直立体 15 80 [28] 注:文献中光照强度单位为lx的, 根据公式1 000 lx=12.5 μmol· (m2·s) −1换算; 文献[22]和[35]中蜈蚣藻根据新的命名改为亚洲蜈蚣藻 Note: It was changed to μmol·(m2·s)−1 according to the formula 1 000 lx=12.5 μmol·(m2·s)−1 for the unit of light intensity of Reference [22], [27] and [34]. G. filicina of Reference [22] and [35] was changed to G. asiatica according to revision. 在研究光照对蜈蚣藻属藻类的影响时,大部分实验都将光照周期设置为12 L∶12 D,而实际上,不同种类不同生长阶段对光照周期的要求有差异,如舌状蜈蚣藻盘状体和幼苗生长最适光照周期为8~10 h[37],而蜈蚣藻(亚洲蜈蚣藻)丝状体生长最适光照周期为24 h[22]。
盐度对蜈蚣藻属的生长、发育和生理也有影响。已报道舌状蜈蚣藻果孢子放散附着的合适盐度范围为24~40[39];亚洲蜈蚣藻丝状体生长最适盐度为32[22];亚洲蜈蚣藻藻体生长和光合作用速率在盐度20时达到最大[35]。
3.2 其他因素的影响
Jiang等[40]研究了不同二氧化碳(CO2)浓度对舌状蜈蚣藻生长、光合作用和氮吸收的作用,结果表明舌状蜈蚣藻用
${\rm HCO}^-_3$ 作为光合作用的无机碳源,过高或过低的CO2浓度均不利于生长和光合作用。Yokoya和Handro[41]的研究表明植物生长素2,4-二氯苯氧乙酸(2,4-D)或吲哚-3-乙酸和细胞分裂素6-苄氨基嘌呤混合(1∶5 mg·L–1)对两叉蜈蚣藻直立体生长具有促进作用。Garcia-Jimenez等[42]研究报道了茉莉酮酸甲酯诱导复瓦蜈蚣藻(G. imbricata)果孢子形成的分子机制。
4. 人工繁殖与养殖
从20世纪80年代至今,对蜈蚣藻属一些种类的人工繁殖和养殖实验从未间断。采集孢子进行苗种培育[43]、切碎盘状体和直立体产生丝状体再由丝状体培育出苗种[44-45]、采用原生质体和愈伤组织进行苗种培育[46-47]和藻体切段作为苗种[48]的繁殖方法,在蜈蚣藻属一些种类的应用已证明可行。一些种类的养殖实验随着苗种培育的进行而开展。如右田清治[49]将蜈蚣藻(亚洲蜈蚣藻)孢子萌发成的盘状体切碎后泼洒于紫菜网和牡蛎壳上,在室内培养1个月后放于海区养殖,2个月后藻体可达15 cm;林江崑[50]把室内培养到1 cm (约2个月)的蜈蚣藻(亚洲蜈蚣藻)苗夹到绳子里吊养于海区,2个月后藻体达到上市规格(25 cm)。Iima等[44]采用同样方法进行顶状蜈蚣藻的养殖,2个月后在牡蛎壳上的藻体长度达12 cm;Huang等[47]把带形蜈蚣藻的愈伤组织切碎泼洒在紫菜网上进行苗种培养(42~56 d)后吊养于海区,5个月后藻体长度达110 cm;白凯强等[51]进行了披针形蜈蚣藻与紫贻贝的混养实验。
从蜈蚣藻属存在的多种人工繁殖方式及一些养殖实验结果可以看出,该属藻类具有较强的繁殖生长能力,具备进行养殖的优势,但是到目前为止,中国尚未有进行规模化苗种生产与养殖的蜈蚣藻属种类。
5. 存在的问题与展望
随着DNA条形码的应用,蜈蚣藻属的分类取得了较大进展,但由此带来了分类系统的变动,如未引起从事藻类培养、加工研究人员关注的话,则可能会影响相关文献的查询或研究成果的报道。如亚洲东部属模式种蜈蚣藻修订为亚洲蜈蚣藻,若查阅资料时仍按蜈蚣藻种名检索,则会忽略或遗漏以亚洲蜈蚣藻种名发表的相关文献,且在发表自己的研究成果时仍按蜈蚣藻这个学名而未能及时更新。另外,如不清楚在近几年发表的外国文献中已将披针形蜈蚣藻从蜈蚣藻属中移出,也可能会查漏相关的研究信息。总之,对蜈蚣藻属进行研究时应关注其多变的分类系统。
蜈蚣藻属种类多,有些种类繁殖生长能力强且藻体大(可达1 m以上),容易形成优势种类,如带形蜈蚣藻、复瓦蜈蚣藻和披针形蜈蚣藻在南非、欧洲、北美等地被作为来自于亚洲东部的入侵物种进行研究报道[13-14,38,52]。每年2—4月,在广东汕头南澳、福建东山的养殖筏架或浮绠上附着生长大量蜈蚣藻属的种类(调查结果另文发表)。这些蜈蚣藻属种类目前未能被充分利用而造成资源浪费。蜈蚣藻属的一些种类作为食用海藻(海藻沙拉)在日本和韩国深受欢迎,但中国大部分沿海居民只把其当成药物,没有大量食用。这是其资源未被充分利用的因素之一,也是其未被规模化养殖的原因。另外,虽然对蜈蚣藻属的药用、营养成分以及提取方法已有较多的研究报道[3-4,53-54],对该属藻类加工业的发展已引起人们的关注,但因蜈蚣藻的养殖没能形成规模,仅仅依靠自然海区的资源量难以维持和促进其加工业的发展。这也是蜈蚣藻属养殖和加工开发中存在的问题。
中国居民食用海藻以煮汤为主,但蜈蚣藻属做汤没有紫菜鲜甜,这是其未能作为食用海藻的原因之一。然而,蜈蚣藻属的舌状蜈蚣藻、披针形蜈蚣藻等制作成凉拌菜或炒菜有海带等藻类无法比拟的爽滑口感,使其在日本和韩国市场深受青睐。长茎葡萄蕨藻(海葡萄,Caulerpa lentillifera) 仅适于制作凉拌菜,20世纪70年代在日本开始养殖并广受欢迎 (中国于2006年从日本引进养殖[55])。在中国海南省有海葡萄的自然分布,却未被利用。近年在兴起海葡萄养殖热潮后,才有采集海南分布的海葡萄进行养殖实验的报道[56]。从海葡萄的事例可得到启发,蜈蚣藻属种类食用市场的拓展,应像海葡萄一样宣传推广,将蜈蚣藻属中食用口感好的种类加工成海洋蔬菜,让更多的人品尝并宣传其食用方法,拓展其消费市场,从而促进其养殖业的发展。在倡导绿色食品、发展海洋药物以及中国素食者逐年增加的新形势下,开发利用多种海藻是一种必然趋势。蜈蚣藻属种类多且用途广泛,随着该属藻类活性物质提取和食品加工研究的深入开展,对该属藻类的食用以及加工利用会逐渐增加,从而将带动该属藻类养殖和加工业的发展。
-
表 1 主流计数模型性能对比
Table 1 Comparison of different generic counting methods
模型
Model平均绝对误差
MAE均方误差
MSE准确率
Accuracy/%CPU计算时间
CPU compute time/sGPU计算时间
GPU compute time/s布莱克-利特曼模型Black-Litterman (BL) model 120.094 191.939 91.067 24 1.2 人群密度估计网络 CSR-Net 113.822 180.023 91.020 28 1.3 多维注意力增强人群计数模型BCCMA model 128.863 200.330 92.418 30 1.4 本研究的SC模型 Shrimp counting model in this paper 96.304 154.567 93.325 22 1.2 表 2 高密度数据下计数性能对比
Table 2 Comparison of counting performance with different generic methods on high density data
模型
Model平均绝对误差
MAE均方误差
MSE准确率
Accuracy/%布莱克-利特曼模型Black-Litterman (BL) model 221.289 270.547 88.147 人群密度估计网络 CSR-Net 205.189 252.938 88.938 多维注意力增强人群计数模型BCCMA model 252.591 283.246 86.460 本研究的SC模型 Shrimp counting model in this paper 181.352 218.123 90.278 表 3 低密度数据下计数性能对比
Table 3 Comparison of counting performance with different generic methods on low density data
模型
Model平均绝对误差
MAE均方误差
MSE准确率
Accuracy/%布莱克-利特曼模型Black-Litterman (BL) model 18.899 22.037 93.987 人群密度估计卷积神经网络 CSR-Net 22.454 28.960 93.101 多维注意力增强人群计数模型BCCMA model 5.136 6.013 98.377 本研究的SC模型 Shrimp counting model in this paper 11.256 14.292 96.373 表 4 注意力模块与损失函数消融实验对比
Table 4 Comparison of CBAM attention module and loss function ablation experiments
模型
Model卷积注意力模块
CBAM损失函数
Loss平均绝对误差
MAE均方误差
MSE准确率
Accuracy/%SC模型 − 均方误差损失函数 195.000 242.589 88.581 SC模型 + 均方误差损失函数 117.958 206.373 91.490 SC模型 − 贝叶斯损失函数 115.240 168.125 90.685 SC模型 + 贝叶斯损失函数 96.304 154.567 93.325 注:“+”表示采用CBAM模块;“−”表示不采用CBAM模块。 Note: "+" represents that the CBAM module is used, while "–" represents that the CBAM module is not used. 表 5 不同主干网络与后端深度的消融实验对比
Table 5 Comparison of ablation experiments on backbone networks and backend depth
主干网络
Backbone network后端深度
Backend depth平均绝对误差
MAE均方误差
MSE准确率
Accuracy/%VGG-16 5 163.865 199.741 74.826 VGG-16 6 127.403 162.328 89.183 VGG-16 7 130.973 165.662 83.471 VGG-19 5 124.630 188.150 90.942 VGG-19 6 96.304 154.567 93.325 VGG-19 7 119.900 178.442 88.581 -
[1] LIU S, ZENG X D, WHITTY M. A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field[J]. Comput Electron Agr, 2020, 173: 105360. doi: 10.1016/j.compag.2020.105360
[2] VASCONEZ J P, DELPIANO J, VOUGIOUKAS S, et al. Comparison of convolutional neural networks in fruit detection and counting: a comprehensive evaluation[J]. Comput Electron Agr, 2020, 173: 105348. doi: 10.1016/j.compag.2020.105348
[3] XU C, JIANG H Y, YUEN P, et al. MHW-PD: a robust rice panicles counting algorithm based on deep learning and multiscale hybrid window[J]. Comput Electron Agr, 2024, 173: 105375. doi: 10.1016/j.compag.2020.105375
[4] XU B B, WANG W S, FALZON G, et al. Automated cattle counting using Mask R-CNN in quadcopter vision system[J]. Comput Electron Agr, 2020, 171: 105300. doi: 10.1016/j.compag.2020.105300
[5] LI D L, MAO Z, PENG F, et al. Automatic counting methods in aquaculture: a review[J]. J World Aquacult Soc, 2020, 52(2): 269-283.
[6] ZHANG L, LI W S, LIU C H, et al. Automatic fish counting method using image density grading and local regression[J]. Comput Electron Agr, 2020, 179: 105844. doi: 10.1016/j.compag.2020.105844
[7] KESVARAKUL R, CHIANRABUTRA C, CHIANRABUTRA S. Baby shrimp counting via automated image processing[C]//Proceedings of the 9th International Conference on Machine Learning and Computing. ICMLC 2017. Singapore: Association for Computing Machinery. 2017: 352-256.
[8] SOLAHUDIN M, SLAMET W, DWI A S. Vaname (Litopenaeus vannamei) shrimp fry counting based on image processing method[C]//The 2nd International Conference on Agricultural Engineering for Sustainable Agricultural Production. AESAP 2017. Bogor, Indonesia: IOP Conference Series Earth and Environmental Science, 2018, 147(1): 012014.
[9] KAEWCHOTE J, JANYONG S, LIMPRASERT W. Image recognition method using Local Binary Pattern and the Random Forest classifier to count post larvae shrimp[J]. Agric Nat Resour, 2018: 371-376.
[10] AWALLUDIN E A, MUHAMMAD W N A W, ARSAD T N T, et al. Fish larvae counting system using image processing techniques[J]. J Physics: Conference Series, 2020, 1529(5): 052040. doi: 10.1088/1742-6596/1529/5/052040
[11] 王书献, 张胜茂, 戴阳, 等. 利用声呐数据提取磷虾捕捞深度方法研究[J]. 南方水产科学, 2021, 17(4): 91-97. doi: 10.12131/20210020 [12] 范秀梅, 杨胜龙, 张胜茂, 等. 基于栖息地指数的阿拉伯海鲐鱼渔情预报模型构建[J]. 南方水产科学, 2020, 16(4): 8-17. doi: 10.12131/20190255 [13] 郑巧玲, 樊伟, 张胜茂, 等. 基于神经网络和VMS 的渔船捕捞类型辨别[J]. 南方水产科学, 2016, 12(2): 81-87. doi: 10.3969/j.issn.2095-0780.2016.02.012 [14] 张佳泽, 张胜茂, 王书献, 等. 基于3-2D融和模型的毛虾捕捞渔船行为识别[J]. 南方水产科学, 2022, 18(4): 126-135. doi: 10.12131/20210263 [15] NGUYEN K T, NGUYEN C N, WANG C Y, et al. Two-phase instance segmentation for whiteleg shrimp larvae counting[C]//2020 IEEE International Conference on Consumer Electronics. ICCE 2020. Berlin, Germany: IEEE, 2020: 1-3.
[16] HONG K T, ABDULLAH S N H S, HASN M K, et al. Underwater fish detection and counting using mask regional convolutional neural network[J]. Water, 2022, 14(2): 222. doi: 10.3390/w14020222
[17] ARMALIVIA S, ZAINUDDIN Z, ACHMAD A, et al. Automatic counting shrimp larvae based you only look once (YOLO)[C]. 2021 International Conference on Artificial Intelligence and Mechatronics Systems (AIMS), 2021: 1-4.
[18] LI X M, ZHAO Z Y, WU J Y, et al. Y-BGD: Broiler counting based on multi-object tracking[J]. Comput Electron Agr, 2022, 202: 107347. doi: 10.1016/j.compag.2022.107347
[19] SINDAGI V A, PATEL V M. Generating high-quality crowd density maps using contextual pyramid CNNs[C]//IEEE International Conference on Computer Vision, Venice, Italy: IEEE Xplore, 2017: 1879-1888
[20] LAINEZ S M D, GONZALES D B. Automated fingerlings counting using convolutional neural network[C]//2019 IEEE 4th International Conference on Computer and Communication Systems. ICCCS 2019. Singapore: IEEE, 2019: 67-72.
[21] 范松伟, 林翔瑜, 周平. 基于改进的卷积神经网络的虾苗自动计数研究[J]. 渔业现代化, 2020, 47(6): 35-41. doi: 10.3969/j.issn.1007-9580.2020.06.006 [22] LEMPITSKY V, ZISSERMAN A. Learning to count objects in images[C]//Advances in Neural Information Processing Systems 23: 24th Annual Conference on Neural Information Processing Systems 2010. Proceedings of a meeting held 6–9 December 2010. Vancouver, British Columbia, Canada: Curran Associates Inc, 2010: 23.
[23] SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J]. Computer Sci, 2014, 1409: 1556. doi: 10.48550/arXiv.1409.1556
[24] MA Z H, WEI X, HONG X P, et al. Bayesian loss for crowd count estimation with point supervision[J]. CoRR, 2019, abs/1908.03684.
[25] LI F F, JIA D, LI K. ImageNet: constructing a large-scale image database[J]. J Vision, 2010, 9(8): 1037. doi: 10.1167/9.8.1037
[26] LI Y H, ZHANG X F, CHEN D M. CSRNet: dilated convolutional neural networks for understanding the highly congested scenes[J]. IEEE, 2018: 1091-1100.
[27] LIN H, MA Z H, JI R R, et al. Boosting crowd counting via multifaceted attention[J]. IEEE, 2022: 19628-19637.
[28] ZHANG L, ZHOU X H, LI B B, et al. Automatic shrimp counting method using local images and lightweight YOLOv4[J]. Biosyst Engin, 2022, 220: 39-54. doi: 10.1016/j.biosystemseng.2022.05.011
[29] SUN Y, ZHANG S M, SHI Y C, et al. YOLOv7-DCN-SORT: an algorithm for detecting and counting targets on Acetes fishing vessel operation[J]. Fish Res, 2024, 274: 106983. doi: 10.1016/j.fishres.2024.106983
[30] ZHANG Z Z, LI J W, SU C W, et al. A method for counting fish based on improved YOLOv8[J]. Aquac Engin, 2024, 107: 102450. doi: 10.1016/j.aquaeng.2024.102450
-
期刊类型引用(10)
1. 田彩娟,赖晓芳,何玉英,高焕. 海洋鱼类肠道微生物研究进展. 安徽农业科学. 2024(05): 19-22+31 . 百度学术
2. 徐创文,蒋魁,虞为,林黑着,王鹏飞,赵超,刘曦瑶,杨铿. 丁酸梭菌对花鲈幼鱼生长性能、免疫消化及肠道菌群的影响. 南方农业学报. 2024(02): 366-377 . 百度学术
3. 周心磊,李青洋,朱加伟,谢姝敏,王闽涛,杨婷,邢超凡,高焕,张庆起,王攀攀. 低氧胁迫对脊尾白虾组织结构及肠道菌群的影响. 渔业科学进展. 2024(06): 167-177 . 百度学术
4. 张蕉霖. 饲料中添加酵母培养物对美洲鳗鲡幼鱼生长性能及肠道健康的影响. 饲料研究. 2024(19): 65-69 . 百度学术
5. 陈琳,胡高宇,蔡逸龙,肖国强,蔡景波,张翔. 水温和余氯耦合条件下泥蚶内脏团微生物群落组成动态. 浙江农业科学. 2023(06): 1323-1331 . 百度学术
6. 蒋超,王恺,汤刘思巧,唐少华,李伟鹏,孙梦颖,土志涵,沈和定. 低氧和复氧对瘤背石磺肠道健康的影响. 南方农业学报. 2023(09): 2741-2751 . 百度学术
7. 付丽,董岚,聂实践,陈小雪,车旗赢,臧杨,李雪,赵占召,靳朝. 两种饲养模式对伴侣猫肠道菌群的影响. 畜牧与兽医. 2022(01): 63-69 . 百度学术
8. 王玉龙,林青,孙亚慧,王文琳,张津源,周玮. 不同管理方式下秋季刺参养殖环境中菌群结构分析. 水产学杂志. 2022(01): 52-58 . 百度学术
9. 孙彩云,董宏标,王文豪,李勇,古群红,段亚飞,张家松,许晓东. 月桂酸单甘油酯对花鲈脂质代谢的影响. 南方水产科学. 2021(01): 67-75 . 本站查看
10. 林能锋,潘滢,许斌福,龚晖,曾红. 养殖花鲈(Lateolabrax maculatus)肠道菌群的多样性分析. 水产养殖. 2021(06): 1-7 . 百度学术
其他类型引用(6)