Page 107 - 《水产学报》2025年第7期
P. 107

黄真理,等                                                                 水产学报, 2025, 49(7): 079309


                                                                                       统计和分析过鱼事件
                              视频流            输出目标检测框(BBOX)     输出目标运动轨迹 有效上溯
                             video stream       output BBOX   output target trajectory  eff. up  counting & analysing fish passage events
                    采集
                    相机                   鱼                  目                    轨
                                         体                  标                    迹
                                         识                  追                    判
                    camera               别                  踪                    别
                                     fish identification  target tracking  有效降河  无效上溯
                                                                           ineff. up traj. discrim.
                                                                  eff. down
                                                         输入 input                            跟踪未匹配
                                                                                           tracking unmatched
                               32 倍下采样            W  H   检测信息                      IOU 匹配
                             32 fold downsampl.  5  R  R                           IOU match  检测未匹配
                                                         detect inf
                                                                         跟踪未匹配             detecting unmatched
                                                                       tracking unmatched
                                          FPN                                                跟踪匹配
                               16 倍下采样       检测                级联匹配      检测未匹配              tracking matched
                             16 fold downsampl.                cas match  detecting unmatched
                                          特征 detect
                                          融合                determine    跟踪匹配
                               8 倍下采样        输出         输出 output  确定 状态  tracking matched
                   视频画面       8 fold downsampl.  FPN output                    未确定状态
                  video screen           fusion           轨迹     卡尔曼预测
                   H×W×3                                 trajectory  Kalman predic.  undetermine the status
                               4 倍下采样                         卡尔曼更新                  匹配 matched
                              4 fold downsampl.                           BBOX
                                                             Kalman update
                                                                       创建新轨迹         未匹配 unmatched
                                                                      recreate new traj
                                     图 2    人工智能鱼群信息检测      (AI-Fish) 算法处理流程示意图
                  Fig. 2 Schematic diagram of the processing flow of the artificial intelligence fish detection (AI-Fish) algorithm
              理规划;对       GPU  硬件算法进行优化等。同时,                   获得每日每小时裸鲤通过数量。每次记录的鱼
              根据场景特点设计了高效、无延迟的滤波目标                             体均有图像可以复核视频识别的准确性,同时,
              追踪模块。本研究轨迹判别模块采用                    ROI 区域       可以输出每条鱼带有目标检测框和轨迹线的融
              上下边界与轨迹交汇的逻辑关系判别上溯或降                             合视频,以方便验证识别精度。

              河的洄游方向,较传统的单检测线方法可有效                                 裸鲤标准生长模型  年龄鉴定是鱼类生
              应对鱼类徘徊运动的干扰,大幅提高过鱼检测                             物学的基础性问题。传统的年龄鉴定方法采用
              的准确性。本研究提出的             AI-Fish  算法体系,以          臀鳞、耳石和背鳍条,鉴定结果存在偏差,随
              处理能力推算,单路            Tesla-T4  显卡算力可处理           着年龄增长,偏差从           20%  增加到   40%,其中耳
              30  路视频信号,可实现          180 m  河宽的断面全覆            石轮纹比较清晰,具有一定优势 。传统方法
                                                                                              [20]
              盖实时监测。                                           需要复杂的样本处理如磨片等,很难在现场进
                   本研究开发了集数据标注、数据质量评估、                         行快速年龄鉴定。而且年龄鉴定样本量有限,
              算法训练、模型推理、主动学习、自动化机器                             不适合大规模监测的需求。因此,本研究建立
              学习   (AUTOML)、工程化部署等系统化模块为                       裸鲤的标准生长模型,可以利用全长                    (或体长)
              一体的人工智能鱼群视频图像监测系统。训练                             来估算年龄。
              和标注:泉吉河场景训练数据                8 647  张  (约  7 000     2008  年,国家发布了“青海湖裸鲤”国家标
              张贴图);测试数据          1 231  张。目标检测模型平              准  (GB/T 21444—2008) ,给出了裸鲤的形态
                                                                                     [21]
              均准确率      AP (Average Precision) 为  0.871。通过     学、生长与繁殖、遗传学特征及其检测方法,
              对裸鲤视频处理结果进行随机抽样,人工判读                             用于种质检测和鉴定。该标准源自                  1996—1999
              与  AI 识别进行比对,AI-Fish         算法计数准确率             年野外捕捞数据,给出了             1~10  龄雌鱼、雄鱼和
              为  86.50%~99.28%,均值     92%。利用     AI-Fish  软    雌雄混合样本的年龄、全长、体重平均值和误差
              件系统,可以获得包含时刻、编号、方向、全                             区间。基于以上国家标准,本研究利用                   von Ber-
              长信息在内的裸鲤个体上溯和降河事件,统计                             talanffy  生长方程获得了年龄-全长         (体重) 关系式:

                                                      [               ]
                                                                           2
                                              L = 76.47 1−e −0.060 6(t+0.662)  ;R = 0.993 9
                                           
                                           
                                           
                                           
                                                         [   −0.060 2(t+0.500) ] 3  2
                                           
                  青海湖裸鲤标准生长方程:  W f (t) = 6 509.4 1−e                     ;R = 0.990 2                 (1)
                                           
                                                         [              ]
                                                                         3
                                                             −0.059 5(t+0.312)  2
                                            W m (t) = 6 545.9 1−e         ;R = 0.994 1
                                           
              式 中 , t 为 年 龄 , a; L    为 全 长 , cm; W (t),       系数。
                                                       f
              W (t) 为  t 龄雌鱼和雄鱼体重,g;R 为确定性                         青海湖是一个封闭的贫营养型半咸水湖,
                                                2
                m
              中国水产学会主办  sponsored by China Society of Fisheries                          https://www.china-fishery.cn
                                                            5
   102   103   104   105   106   107   108   109   110   111   112