摘要：为了解浅海大型围栏人工饲养大黄鱼(Larimichthys crocea)的行为特征,于2017年8月22日、26日利用小型超声波标志,对6尾大黄鱼分别使用体内植入法和背鳍悬挂法进行24 h运动行为跟踪,获得了围栏内大黄鱼昼夜垂直运动深度及水平位置数据。结果表明:1)体内植入法的试验鱼进入稳定状态所需时间比背鳍悬挂法多2 h左右,稳定性优于背鳍悬挂法;2)两种固定方法大黄鱼活动水层多处于水下4~10 m深度,且更加集中于6 m附近水层;3)试验鱼的水平运动多出现在围栏外侧做往返游动,在靠近工作平台附近出现的概率最小,在投饵区的活动较为频繁。试验首次基于超声波标志跟踪法研究了浅海大型围栏人工饲养下大黄鱼的行为特性,可为今后浅海大型围栏养殖大黄鱼的操作平台选址建设、养殖管理以及大型围栏的设计优化提供科学的理论依据和数据支持。

摘要：为解决在光线昏暗、声音与视觉噪声干扰等复杂条件下,单模态鱼类行为识别准确率和召回率低的问题,提出了基于声音和视觉特征多级融合的鱼类行为识别模型U-FusionNet-ResNet50+SENet,该方法采用ResNet50模型提取视觉模态特征,通过MFCC+RestNet50模型提取声音模态特征,并在此基础上设计一种U型融合架构,使不同维度的鱼类视觉和声音特征充分交互,在特征提取的各阶段实现特征融合,最后引入SENet构成关注通道信息特征融合网络,并通过对比试验,采用多模态鱼类行为的合成加噪试验数据验证算法的有效性。结果表明:U-FusionNet-ResNet50+SENet对鱼类行为识别准确率达到93.71%,F1值达到93.43%,召回率达到92.56%,与效果较好的已有模型Intermediate-feature-level deep model相比,召回率、F1值和准确率分别提升了2.35%、3.45%和3.48%。研究表明,所提出的U-FusionNet-ResNet50+SENet识别方法,可有效解决单模态鱼类行为识别准确率低的问题,提升了鱼类行为识别的整体效果,可以有效识别复杂条件下鱼类的游泳、摄食等行为,为真实生产条件下的鱼类行为识别研究提供了新思路和新方法。

摘要：针对在极暗或无光条件下,采用计算机视觉手段进行鱼类行为识别效果不好的问题,本文提出了利用声音信号识别鱼类行为的方法;通过观察和试验发现鱼类的摄食、游泳等行为具有声音差异小、特征学习难等特点,基于上述发现,提出采用具有较强特征表达能力、能区别细微特征的MFCC(Mel-frequency cepstral coefficient,MFCC)特征系数表示鱼类行为声音信号特征&为有效学习不同鱼类行为的细粒度声音特征,采用残差网络(Residual Neural Network,ResNet)进行低维细节特征与高维语义特征融合,以便更好地保证特征完整性、提高识别效果。为验证所提出方法的有效性,设计了3组对比试验,用大连海洋大学鱼类行为学实验室采集的数据验证了算法的有效性,试验结果表明,鱼类行为识别的正确率、召回率和F1值均达到99%。研究表明,基于MFCC和ResNet的鱼类行为识别方法可以有效识别鱼类的游泳、摄貪等行为,为鱼类行为识别研究提供了新思路和新方法。