基于LightGBM模型的鱼类异常行为检测
2020-05-02袁红春陈冠奇张天蛟吴若有
渔业现代化 2020年1期
袁红春,王 丹,陈冠奇,张天蛟,吴若有
(上海海洋大学 信息学院,上海 201306)
随着中国工业化进程的不断加快,水污染问题日趋严重。据2017年长江流域废污水调查统计资料显示,长江流域废污水排放量高达353.2亿t,因此加强水污染监测显得尤为重要[1]。传统理化监测存在操作复杂、分析时间长的问题,而生物式水质监测可以依据被监测生物在水体环境中的变化对水质做出评价,监测操作流程较为简单,成本也相对低廉[2-4]。鱼类作为生物式水质监测中常用的指示生物,其生理特征、行为特征等可以直观反映水体情况。如何对鱼类行为进行量化,并准确识别已经成为当前的研究热点。
目前,众多学者利用计算机视觉技术对鱼类行为进行识别和量化研究[5]。如Suzuki等[6]利用计算机视觉技术和Higuchi方法对时间序列数据的鱼群行为进行分析,证明该方法对定量评估鱼类行为的有效性,但未发现模型中心结构对鱼群行为有明显影响。Kato等[7]利用空间矩法计算鱼的重心得到其运动轨迹,并开发一套计算机图像系统来量化斑马鱼游动行为,但该系统不能对鱼群进行三维跟踪分析。Liu等[8]利用计算机视觉技术监测大西洋鲑鱼摄食活跃度,但其对硬件设备要求较高,实现难度较大。Zhou等[9]基于卷积神经网络和计算机视觉方法对鱼类摄食强度进行有效分级,但是该深度学习方法需要大量样本数据才能取得较好的分类效果。范良忠等[10]利用改进的帧间差分法实现运动鱼群的检测,虽然较完整保留鱼的轮廓信息但存在较多噪声。……
登录APP查看全文
