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.
-
近年来,由于持续的过度捕捞和环境污染使得澄海莱芜海域渔业资源衰退、海洋环境恶化。人工鱼礁是人为设置在海中的构造物,可为海底生物提供一个人工的栖息场所,为鱼类等水生生物的生长、繁育营造适宜的环境,达到修复海洋生态环境、增殖和养护渔业资源的目的。建设人工鱼礁是修复海洋生态环境和恢复渔业资源的重要措施之一。
澄海莱芜人工鱼礁区位于广东省汕头市东部莱芜半岛东南约2 n mile的海域,礁区东南方面向广阔的南海,东北方毗连南澳岛,西南方为达濠岛和汕头港。礁区底质坚实,以沙、沙泥为主。礁区水深在6~9 m之间,礁区内有水深小于5 m的浅滩,礁区的西南方至正北方,分布有多个港口和多条入海河流。该礁区于2004年完成了人工鱼礁建设。
2003年5月和2007年8月分别进行了澄海莱芜人工鱼礁区投礁前的本底调查和投礁后的跟踪调查,文章根据2次调查结果初步评估了人工鱼礁建设的集鱼效果,以期为该礁区的科学管理和进一步建设提供依据,为广东省乃至全国人工鱼礁的建设和研究提供参考资料。
1. 材料与方法
1.1 调查时间和调查站位
本底调查和跟踪调查均设礁区站和对比站2个调查站位。投礁前的本底调查于2003年5月6日进行,在礁区的中心位置设置礁区站,在距礁区边缘2~3 n mile的海域设置对比区站。投礁后的跟踪调查于2007年8月24日进行,由于投礁后礁区中心不能拖网,紧贴礁区边设一站位作为礁区站,对比区站的位置同本底调查。
1.2 调查网具和调查方法
本底调查租用主机功率为36 kW的“粤澄海91202”虾拖船进行,调查使用的网具为虾拖网,网口宽度为12 m,网全长20 m,袖网网目为60 mm,网囊网目为20 mm。跟踪调查租用主机功率为48 kW的“粤澄海91204”虾拖船进行,调查使用的网具为虾拖网,网口宽度为8 m,网全长35 m,袖网网目为60 mm,网囊网目为20 mm。
本底调查和跟踪调查,均在礁区站和对比区站进行拖网试捕,每站拖15 min,拖速约为3 kn。
1.3 渔获处理和结果统计方法
游泳生物的采样和分析均按《海洋监测规范》(GB17378-1998)和《海洋调查规范-海洋生物调查》(GB12763.6-91)中规定的方法进行。现场对全部渔获物进行种类鉴定和计量。
采用资源密度指数(D)[1]、Margalef种类丰度指数(R)和Shannon-Winener多样性指数(H′)来研究生物群落多样性[2-6]。
游泳生物资源密度指数(D)采用底拖网扫海面积法[7-9]估算。计算公式为:
$$ D=\frac{y}{v l} \cdot \frac{1}{(1-E)} $$ (1) 式中y为拖网渔获率;v为平均拖速;l为网口宽度;E为逃逸率(取0.5)。
Margalef种类丰富度指数计算公式为:
$$ R=(S-1) / \ln N $$ (2) Shannon-Winener多样性指数计算公式为:
$$ H^{\prime}=-\sum\limits_{i=1}^S P_i \ln P_i $$ (3) 生产效益估算公式为:
$$ Y_v=\sum\limits_{i=1}^S V_i D $$ (4) (2) ~ (4)式中,S为各站的总渔获种数,N为各站总渔获尾数,Pi为第i种渔获尾数占该站总渔获尾数的比例,Vi为第i种种类在跟踪调查时的市场价格。
2. 结果
2.1 资源密度变动情况
调查结果显示,投礁后礁区海域各类资源的资源密度都显著比投礁前高,总资源密度由111.16 kg · km-2增加到2 960.359 kg · km-2(表 1),增加了25.63倍。其中,蟹类、虾类、鱼类、虾蛄类和头足类分别比投礁前增加了77.09、44.88、16.75、5.42和4.70倍。在跟踪调查中,蟹类资源密度增加最显著,并且多数蟹种在本底调查中未曾出现。在本底调查和跟踪调查中,同时出现的游泳生物种类为9种,其资源密度在跟踪调查时均有较大增幅,其中口虾蛄增幅最大,比投礁前约增加了144倍。
表 1 礁区及对比区游泳生物各类群渔获资源密度Table 1 Biomass density of nekton groups in artificial reefs area and control area in background and tracking survey调查时间
survey time调查站位
survey stations资源密度/kg·km-2 biomass density 鱼类
fish蟹类
crab虾蛄类
squilla头足类
cephalopod虾类
shrimp合计
total本底调查
background survey礁区 artificial reefs area 51.160 20.944 19.744 14.835 4.472 111.155 对比区 control area 51.093 41.919 51.441 11.844 2.206 158.503 跟踪调查
tracking survey礁区 artificial reefs area 908.327 1 635.469 126.790 84.593 205.180 2 960.359 对比区 control area 940.507 343.609 289.286 36.652 141.700 1 751.754 投礁后对比区海域各类游泳生物的资源密度同样都比投礁前有显著增加,但增加的幅度不如礁区海域,总资源密度由158.503 kg · km-2增加到1 751.754 kg · km-2,增加了10.05倍。其中虾类资源密度增加最显著,由2.206 kg · km-2增加到141.700 kg · km-2,增加了63.23倍。
投礁前礁区海域游泳生物资源密度低于对比区,投礁后礁区海域游泳生物资源密度为2 960.359 kg · km-2,比同期对比区增加了0.69倍。
综上所述,投礁后该礁区海域各生物种类资源密度增加显著,显示出明显的集鱼效果。
2.2 总渔获种类变动情况
2003年本底调查,整个调查海域出现游泳生物10目26科50种。其中鱼类6目17科26种,虾类1目2科7种,蟹类4科10种,虾蛄类1目1科4种,头足类2目2科3种。
2007年跟踪调查,整个调查海域出现游泳生物14目34科63种。其中鱼类8目21科29种,虾类2目4科16种,蟹类5科12种,虾蛄类1目1科3种,头足类3目3科3种。
在礁区海域,投礁后各类资源种类均比投礁前丰富,总种类数由投礁前的23种增加至41种,比投礁前本底调查增加了0.78倍。其中,蟹类增加最多,由投礁前的4种增加至11种,增加了1.75倍;虾类由投礁前的3种增加至8种,增加了1.67倍;虾蛄类和头足类增幅较小。
对比区海域,投礁后游泳生物的总种类也比投礁前丰富,但增幅不如礁区海域明显。总种类数由投礁前的23种增加至32种,比投礁前本底调查增加了0.39倍。其中虾类增加明显,由投礁前的3种增加至10种,增加了2.33倍;鱼类由8种增加至13种,增加了0.63倍。
投礁前,礁区和对比区总种类数相同,投礁后,礁区种类比对比区丰富,增加了0.28倍(表 2)。尤其是蟹类种类丰富多样,比同期调查对比区增加了0.83倍。
表 2 本底调查和跟踪调查时礁区及对比区游泳生物各类群渔获种数Table 2 Number of species caught in artificial reefs area and control area in background and tracking survey调查时间
survey time调查站位
survey stations渔获种数 species number 鱼类
fish蟹类
crab虾蛄类
squilla头足类
cephalopod虾类
shrimp合计
total本底调查
background survey礁区 artificial reefs area 12 4 2 2 3 23 对比区 control area 8 6 3 3 3 23 跟踪调查
tracking survey礁区 artificial reefs area 17 11 2 3 8 41 对比区 control area 13 6 2 1 10 32 在礁区海域,投礁前和投礁后出现的相同种类数为9种(表 3),投礁后新出现的种类数为32种,其中鱼类和蟹类的种类数增加明显,分别增加了14种和8种。
表 3 投礁后礁区游泳生物各类群种数增加情况Table 3 Increment of species number caught in artificial reefs area in tracking survey项目
item渔获种数 species number 鱼类
fish蟹类
crab虾蛄类
squilla头足类
cephalopod虾类
shrimp合计
total跟踪调查时新增的种类
new species occured in tracking survey14 8 1 2 7 32 本底调查和跟踪调查出现的相同种类
the species occurred in both background and tracking survey3 3 1 1 1 9 仅在本底调查时出现的种类
species only occurred in tracking survey9 1 1 1 2 14 莱芜礁区及邻近海域游泳生物种类分布的上述变化情况表明,礁体投放后,礁区海域新型的人工生境已初步形成,对游泳生物(特别是鱼类和虾蟹类)显示出了明显的诱集效果。
2.3 优势种变动情况
投礁前和投礁后,礁区和对比区游泳生物的优势类群和主要优势种都发生了明显的变化,投礁前礁区主要优势类群为虾蛄类、鱼类、蟹类和头足类,断脊口虾蛄Oratosquilla interrupa的资源密度为19.089 kg · km-2(表 4),为第一优势种,对比区主要优势类群为虾蛄类、鱼类和蟹类,口虾蛄的资源密度为27.869 kg · km-2,为第一优势种。
表 4 本底调查和跟踪调查时礁区及对比区游泳生物主要优势种及资源密度Table 4 The dominant species and biomass density in artificial reefs area and control area in background and tracking survey调查时间
survey time调查站位
survey stations主要优势种及资源密度/kg·km-2
dominant species and biomass density本底调查background survey 礁区
artificial reefs area断脊口虾蛄
Oratosquilla interrupa鹿斑鲾
Leiognathus ruconius三疣梭子蟹
Portunus trituberculatus杜氏枪乌贼
Loligo duvaucelii Orbigny短吻鲾
Leiognathus brevirostris19.089 16.580 13.090 11.999 8.945 对比区
control area口虾蛄
O.oratoria银牙NFDAB
Otolithes argenteus断脊口虾蛄
O.interrupa阿氏强蟹
Eucrate alcocki Serene银鲳
Pampus argenteus27.869 26.708 17.418 14.515 10.683 跟踪调查
tracking survey礁区
artificial reefs area鳞斑蟹
Demania scaberrima龙头鱼
Harpodon nehereus红星梭子蟹
P.sanguinolentus疣面关公蟹
Dorippe frascone纤手梭子蟹
P.gracilimanus459.963 345.172 344.372 255.980 201.584 对比区control area 白姑鱼
Argyrosomus argentatus叫姑鱼
Johnius dussumieri口虾蛄
O.oratoria疣面关公蟹
D.frascone龙头鱼
H.nehereus379.606 261.797 248.707 163.623 128.281 投礁后,礁区主要优势类群为蟹类和鱼类,5个优势种中有4个种是蟹类,蟹类成为绝对优势种。鳞斑蟹Demania scaberrima、龙头鱼Harpodon nehereus和红星梭子蟹Portunus sanguinolentus为礁区新增优势种,在本底调查中未曾出现,这说明礁体可以把礁区邻近海域的游泳生物聚集到礁区内,初步表明礁体的投放对聚集鱼类和蟹类非常有效。经济种类资源密度的增加,也一定程度说明鱼礁的投放产生良好的生态效益和经济效益。
2.4 生物多样性
为进一步评估人工鱼礁投放后的生态效果,对2次调查的物种多样性指数进行了计算分析。结果表明,投礁前对比区资源种类丰富度高于礁区,投礁后礁区海域游泳生物的丰富度明显高于投礁前,比投礁前增加了0.22倍(表 5),并且高于同期调查的对比区,投礁后Shannon-Wienver多样性指数(H′)在礁区和对比区均比投礁前有所增加,且在礁区增加较多。这说明投礁后鱼礁区游泳生物丰富度有所改善,群落结构优于投礁前和对比区。
表 5 礁区及对比区种类数和多样性指数Table 5 Species and diversity index in artificial reefs and control area in background survey and tracking survey调查时间
survey time调查站位
survey stations总渔获种数
species number种类丰富度指数(R)
species abundance index多样性指数(H′)
diversity index本底调查
background survey礁区 artificial reefs area 23 4.39 2.30 对比区 control area 23 4.63 2.71 跟踪调查
tracking survey礁区 artificial reefs area 41 5.38 2.53 对比区 control area 32 4.50 2.86 2.5 投礁后礁区生产效益估算
为评价投放人工鱼礁所产生的经济价值,笔者把水产市场上出售的鱼种定义为经济鱼种,投礁后,经济鱼种的种类数为29种(表 6),比投礁前增加了9种;经济鱼种的渔获尾数比投礁前约增加了7.9倍,经济鱼种的总资源密度比投礁前约增长17倍。笔者于2007年8月通过询问调查的方法,统计当地经济鱼种的市场价格,以此价格作为基础,用生产效益评估公式,计算投礁前后礁区经济鱼种的总生产效益。结果表明,投礁后经济鱼种的总生产效益比投礁前增加了15倍。说明了人工鱼礁的投放能够丰富礁区海域经济鱼种的种类、数量以及资源密度。投礁后经济鱼种资源量的显著增加,使总生产效益明显增加,表明投放人工鱼礁所产生的经济效益明显。
表 6 投礁后礁区生产效益估算Table 6 Estimation of the production profit in artificial reefs area in tracking survey调查时间
survey time经济种类数/种
the species number of commercial species经济种总渔获尾数/尾
the individual quantity of commercial species经济种总资源密度/kg·km-2
the biomass densityof total commercial species经济种总生产效益/元·km-2
the production profit of commercial species本底调查
background survey20 138 103.30 1 448.24 跟踪调查
tracking survey29 1 228 1 870.85 23 778.30 3. 讨论
国内外学者对人工鱼礁的许多研究[10-15]表明,投放人工鱼礁可使大量生物聚集在鱼礁区,起到聚集、养护和增殖渔业资源的效果。对澄海莱芜人工鱼礁区的调查也得到相似的结果,投礁后礁区内生物种类(特别是蟹类)增加明显,总种类数比投礁前本底调查增加了0.78倍,对比区总种类数比投礁前本底调查增加了0.39倍。无论在礁区还是对比区,投礁后各类生物的资源密度明显比投礁前高,总资源密度比投礁前分别增加了25.63和10.05倍。这说明莱芜人工鱼礁建设使礁区和对比区总种类数和总资源密度均显著增加,确实起到了资源养护的效果。
人工鱼礁区海域生物多样性指数的分析显示,Margalef种类丰度指数(R)和多样性指数(H′)在2次调查中变化较大,投礁后礁区海域的游泳生物丰富度明显高于投礁前,比投礁前增加了0.22倍;Shannon-Wienver多样性指数(H′)也高于投礁前,生物群落多样性指数的变化反映了生物群落种类组成和结构的改善。以上调查结果在一定程度上说明投礁以后人工鱼礁区的渔业资源丰富度有所改善,群落结构变得复杂和多样,资源状况优于投礁前。
投礁后礁区优势种类群变动明显,蟹类逐渐成为绝对优势种类,且其资源量远大于投礁前。人工鱼礁为蟹类提供了良好的栖息和生长环境,有利于蟹类的聚集和生长。在本底调查中没有出现的经济种类龙头鱼在跟踪调查中也成为主要优势种,说明人工鱼礁作为优良的聚集地和产卵地对聚集鱼类等经济种类非常有效。
依据当地水产市场上出售的经济鱼类价格,对投礁前后在礁区海域捕获的经济鱼类进行了总生产价值的估算,计算得出投礁后经济鱼种的总生产效益比投礁前增加了15倍,每平方千米约增值2.23万元。表明投放人工鱼礁所产生的经济效益明显。
跟踪调查结果表明,投礁后礁区海域各类群资源总量显著增加,人工鱼礁表现出显著的集鱼效果。但由于跟踪调查是在休渔期过后的8月份进行,与5月份本底调查的调查时间不同。通常每年5月份是南海北部渔业资源种类的主要产卵期和索饵期,而休渔期限制捕捞,资源密度通常会有所增加,今后应开展人工鱼礁区不同季节资源状况的系统调查和分析,了解在不同时间调查时季节因素对聚鱼效果的影响,以期更准确地评价人工鱼礁的增殖效果。
人工鱼礁的聚鱼、养护和增殖效果受到礁区的水深、底质[16-17]、流场、资源环境状况以及布局、礁体设计[18]、投放时间[16]、投放规模[19]和礁区管理等诸多因素的影响。国内外的研究表明,鱼礁投放后的优良生态效应要经过长时间才能明显体现。此次调查采样次数有限,只能得出一个初步结果。但就此有限的资料已可看到,鱼礁聚集生物、改善局部区域群落结构和增加生物多样性的作用是显而易见的,人工鱼礁在恢复渔业资源方面已发挥了显著作用。随着礁区规模进一步扩大,加强礁区管理,将会使该礁区更好地发挥其改善海洋生态环境和恢复近海渔业资源的功能。今后的人工鱼礁研究课题应该围绕提高鱼礁区渔获质量、生物多样性、生态系统稳定性和摸清鱼礁水动力机制与集鱼之间的关系等方面作进一步的研究。
-
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(3)
1. 王天雨,丛亚新,吴朝霞,孙文涛,刘依朦. 氨氮对中华绒螯蟹蜕壳和抗氧化能力的影响. 水产科学. 2024(04): 590-597 . 百度学术
2. 杨钰,郑雯雯,宇文斌,许颖洁,张星,宋学宏,秦粉菊. 纳米二氧化铈对2种水产病原弧菌的抑菌活性研究. 南方水产科学. 2024(04): 144-153 . 本站查看
3. 孙雯,王永杰,鲍俊杰,张静,陈红莲,熊英琪. 嗜水气单胞菌(Aeromonas hydrophila)引起斑马鱼肠道生理损伤和肠道菌群失调. 海洋与湖沼. 2023(04): 1191-1198 . 百度学术
其他类型引用(1)