论文题目:Behavioral response of fish under ammonia nitrogen stress based on machine vision
作者及单位:Wenkai Xu, Chang Liu, Guangxu Wang, Yue Zhao, Jiaxuan Yu, Akhter Muhammad, Daoliang Li*
a国家数字渔业创新中心,中国农业大学,北京 100083,中国
b农业农村部智慧养殖技术重点实验室,北京 100125,中国
c北京市农业物联网工程技术研究中心,中国农业大学,北京 100083,中国
d信息与电气工程学院,中国农业大学,北京 100083,中国
原文链接:
https://authors.elsevier.com/c/1i46F3OWJ94sj7
发表期刊:
Engineering Applications of Artificial Intelligence 二区top IF=8

水生动物排泄产生的氨和微生物分解未消耗的饲料会导致循环水养殖系统的水质恶化。此外,氨通常被认为是对水生动物的致命威胁,因为当其浓度达到一定水平时,氨可能会成为水生动物生存或生长的限制因素。在集约化养殖中,鱼类在高放养密度下饲养,特别是当水循环不足或不频繁时,这可能导致氨的持续积累,并给水产养殖带来经济损失。目前,研究水生动物行为的常用方法是在其体内或体外植入荧光物质或电子标签,并使用特定软件跟踪标记物以监测水生动物的运动。然而,这种方法容易在水生动物中引发应激反应,并在一定程度上干扰实验结果。随着人工智能,特别是机器视觉的发展,探索水生动物行为的研究思路和方法得到了相应的发展。因此,本文提出了一种基于深度学习和三维运动轨迹的水产养殖水质监测新方法。
(1)改进的YOLOv8模型的框架如图3所示。为了进一步验证所提出模型的有效性,与YOLOv5和YOLOv7等主流YOLO系列模型进行了比较,并进行了消融实验,具体实验结果如表3所示。尽管所提出的模型在所有指标上都没有达到最优结果,但它在精度和mAP@0.5上最优,可以满足实验要求。此外,与原始YOLOv8模型相比,该模型的性能有所提高,进一步证明了其有效性。表4给出了目标跟踪评估指标CTR和CIR的结果。



(2)通过本文所提出的方法,对鲟鱼、鲈鱼和鲫鱼的运动轨迹进行了还原,并计算了不同阶段实验下鱼类的运动量。图7和表5分别为鲟鱼在不同实验条件下运动轨迹还原和运动量的统计。Stage1、stage2和stage3分别为正常环境、氨氮胁迫环境和氨氮胁迫后恢复正常环境。鲈鱼和鲫鱼的运动轨迹及运动量统计详见论文内容。


(3)不同鱼类在鱼缸的空间分布可能在一定程度上反映鱼所处环境的变化,因此本文对鱼类在不同实验条件下的空间分布进行了统计。图10给出了三种鱼类在不同实验条件下在鱼缸上半空间和下半空间的分布情况,以寻找氨氮胁迫下鱼类的空间分布特点。

(4)除了通过行为轨迹、运动量和空间分布观察氨氮胁迫前后鱼类的行为变化外,速度也是量化其行为的重要指标。本文计算了鲟鱼、鲈鱼和鲫鱼在不同氯化铵浓度下每10秒的平均速度,并通过数学方程对不同氯化铵浓度与鱼类游动速度的相关性进行了分析。图11为鲟鱼的运动速度统计,鲈鱼和鲫鱼的运动速度统计详见论文内容。

本文提出了一种基于改进的YOLOv8和三维运动轨迹的鱼类行为分析方法。在水产养殖中,氨氮浓度过高会导致大量鱼类死亡,给养殖户带来巨大的经济损失。然而,传统的监测方法依赖于人工观察,这些原因促使我们研究一种自动化、智能化的鱼类异常行为检测方法。本文以鲟鱼、鲈鱼和鲫鱼为实验对象,研究了它们在不同氨氮胁迫水平下的行为。改进的YOLOv8模型的精度、召回率、mAP@0.5和mAP@0.5:0.95分别为0.964、0.914、0.979和0.602。实验结果表明,鲟鱼、鲈鱼和鲫鱼在不同实验条件下表现出不同的行为轨迹、运动量、空间分布和运动速度变化,这为从水生动物行为角度预警养殖水中氨氮是否异常提供了新的途径和思路。此外,本文提出的方法不仅适用于水生动物,也适用于陆生动物,具有一定的理论和实践意义。
Xu, W., Liu, C., Wang, G., et al. Behavioral Response of Fish under Ammonia Nitrogen Stress Based on Machine Vision. Engineering Applications of Artificial Intelligence, 2023, 128, 107442.

徐文凯,中国农业大学信息与电气工程学院博士研究生,主要研究方向为计算机视觉在水产养殖领域的应用。研究成果以学生第一作者身份发表在Reviews in Aquaculture、Computers and Electronics in Agriculture、Engineering Applications of Artificial Intelligence、Aquacultural Engineering等期刊。

李道亮,工学博士,中国农业大学国际学院院长、信息与电气工程学院教授,博士生导师,长江学者特聘教授,国家数字渔业创新中心主任,长期从事农业智能信息处理与农业农村信息化研究。先后承担国家自然基金、国家863计划、国家科技支撑计划、国家重点研发计划等106个国家级和省部级项目。现任国际信息处理联合会农业信息处理分会主席,Information Processing in Agriculture主编,国家农村信息化指导组专家等职。第一完成人获国家科技进步二等奖1项,省部级科技进步一等奖3项,第五届“杰出工程师奖”1项,授权国家发明专利75项,其中第一发明人授权国家发明专利38项,出版专著12部,以第一作者或通讯作者发表SCI论文149篇,制定国家标准4项,行业和地方标准7项。研究成果水产集约化养殖精准测控技术入选2019中国智能制造十大科技进展,带领的团队入选农业部水产物联网技术创新团队。
编辑:徐文凯
审核:付学谦
日期:2023年11月13日
期刊简介:
《农业信息处理(英文)》,创刊于2014年,由中国农业大学主办,李道亮教授主编,2019年入选《中国科技期刊卓越行动计划》之高起点新刊项目,2020年入选中国农林核心期刊(A类)目录,已被ESCI、EI、Scopus、DOAJ、中国科学引文数据库(CSCD)等数据库检索,2022年Citescore为13.7,农业与生物科学排名1%~2%,计算机科学应用排名前4%。主要刊载最新信息技术在农业中的应用,包括:农业物联网、农业人工智能和大数据、农业机器人、农业能源与控制、农业供应链与管理、空间信息技术、信息技术在现代农业工程的应用和其他农业信息化技术。
推文投稿:
欢迎INPA作者/农业信息领域学者,撰写发表的/感兴趣的INPA论文公众号推文,一同打造INPA微信公众号精彩内容。
联系邮箱:
纪尚一,s20233081809@cau.edu.cn
鲁娜,b20233080715@cau.edu.cn
扫码关注
国家数字渔业创新中心

CAU国渔中心

