摘要
当前我国渔业发展面临着一些非常严峻的形势?由于人类经济社会活动范围的不断扩大，水体污染的问题日益突出，鱼类发生各种病害的频率也越来越频繁?鱼类的行为对于自身疾病或外部环境的改变都是非常敏感的，一旦鱼群的行为发生明显异常往往提示鱼类健康或水体环境出现问题；另外针对规模化密集型池塘渔业养殖过程中的适时?适量投食这一问题仍没有自动化的替代方案?目前已经有部分学者运用计算机视觉技术进行鱼群视频分析，指导渔业养殖，提升渔业养殖质量和效率，但仍存在很多问题，主要包括以下三点：(1）如何对鱼群的轨迹进行精准的追踪。(2)如何在轨迹追踪的基础上进行鱼群异常行为的识别。(3)如何在识别鱼群行为的基础上进行精准投食。 本文针对以上问题，主要从鱼群运动追踪、鱼群异常行为检测和鱼群精准投食模型的构建三个方面开展研究工作，主要研究内容如下： （1）研究基于遗传算法和长短期记忆网络的鱼群视频运动追踪方法。首先，针对摄像机拍摄高浊度池塘中的鱼视频，通过采样帧与参考帧相减、图像预处理、BLOB分析等操作，实现鱼类检测并获取坐标数据；然后，分别采用遗传算法（GeneticAlgorithm，GA）和长短期记忆人工神经网络（LongShort-TermMemory,LSTM）进行鱼群轨迹预测。实验结果表明，采用遗传算法和LSTM进行鱼群轨迹预测的平均绝对误差在可接受范围内，LSTM方法的计算精度总体优于遗传算法，能够为鱼群视频运动追踪、异常行为检测等提供有效的数据支持。 （2）提出一种基于密度峰值聚类的鱼群异常行为检测方法。针对目前的聚类算法对异常点信息敏感等问题，提出一种异常点检测LOF算法和SNN-DPC聚类算法相结合的改进聚类算法LSNN-DPC，并将其用于鱼群异常行为检测。首先，将鱼群的相似性矩阵通过转换函数转换为距离矩阵；然后，采用提出的LSNN-DPC算法进行鱼群轨迹异常数据的检测。通过实验验证，LSNN-DPC聚类算法各项指标整体优于SNN-DPC算法，可用于聚类池塘中大部分鱼类的轨迹数据，通过分析大部分鱼类的行为特征，有利于分析鱼类轨迹之间的关联性，能够为渔业建设方案提供可靠依据。 （3）构建基于机器学习的鱼群精准投食模型。以数据记录仪获取的加速度和角速度等数据集为数据源，采用弗里曼链码生成算法提取鱼逃跑、游泳、进食、日常活动的链码。然后，基于离散傅立叶变换对提取的序列向量集进行处理，并以傅立叶描述符表示鱼的个体活动；构建基于多层感知器神经网络的鱼群精准投食模型，并以傅里叶描述符为其输入，鱼类个体活动类别为输出，对鱼类行为进行分类，根据行为类别分配饲料。实验结果表明，该模型的检测准确率为100%，能够有效地支持基于鱼类行为模式的取食过程。 研究证明，鱼群轨迹精准追踪算法、鱼群异常行为的识别算法和鱼群精准投食模型均有效得到了改进，具有提升渔业养殖质量和效率的经济价值和社会价值。
NETL