Page 208 - 《水产学报》2025年第7期
P. 208

曹正良，等                                                                 水产学报, 2025, 49(7): 079616

                   围绕精准水产养殖有大量的行为分类研究                          何分析这些声学信息的来源并准确提取关键特
              工作，主要集中在光学特征和声学特征两个技                             征仍面临较大的挑战。随着人工神经网络                     [12]  的
                     [4]
              术方面 。其中光学主要是通过图像和视频监                             发展，尤其是卷积神经网络                (CNN) 在图像处
              测技术获取水产养殖环境和养殖对象的行为信                             理和识别领域中展现出的独特优势。袁红春
              息，利用高分辨率的可见光摄像、红外热成像                             等 [13-14]  提出了  CNN-SAXGBoost 模型，通过改进
              和多光谱技术，结合图像处理和人工智能算法                             的  XGBoost 算法对南太平洋长鳍金枪鱼             (Thunnus
              进行分类和模式识别，用以监测鱼类或虾类的                             alalunga) 资源丰度进行回归预测。此外，随着
                                         [5]
              行为特征。例如，刘世晶等 基于帧间光流特                             这些机器学习方法的不断成熟，水产养殖逐渐
              征 ， 利 用 改 进 递 归 神 经 网 络 模 型 进 行 草 鱼              朝更加智能化、高效化的方向发展。对于水产
              (Ctenopharyngodon idella) 摄食状态分类。Wang            养殖中的智能监测，王印庚等               [15]  则通过人工智
              等 以关键帧及光流法结合改进的                  3D  卷积神经        能算法成功预测了凡纳滨对虾                AHPND   疾病的
                [6]
              网络研究鱼群的行为，然而在夜间及光照不充                             发生，为虾类疾病防控提供了数学模型和技术
              足的情况下光流法无法有效地监测养殖对象的                             支持。杨雨欣等         [16]  提出的  TAP-SEResNet 模型
              行为。最近       Martinez-Alpiste 等   [7]  在实验室借助     基于   Mel 声谱图与深度学习技术，能够精确监
              光源利用机器视觉研究高密度虾类集群行为，                             测鱼类行为，为精准养殖的实现提供了有效工
              虽然可为高浑浊度养殖环境提供监测方法，但                             具。CNN、ResNet18      与  VGG16  等经典深度学
              辅助不同光照对虾类生长会有一定影响。与光                             习网络结构被广泛应用于物种分类、疾病预测
                                                               等领域，展示了其在处理复杂任务时的优势，
              学技术相比，被动声学监测在水产养殖中具有
                                                               如袁培森等      [17]  根据基于度量学习的小样本学习
              显著优势：首先，声波在水中的传播能力远强
                                                               网络以及     Resnet18  的残差块结构来提高鱼类分
              于光，且能够穿透浑浊水体；其次，被动声学
                                                               类精确率。蔡卫明等          [18]  与徐立鸿等   [19]  运用卷积
              研究可适用于水下复杂环境条件下的监测，易
                                                               神经网络在鱼类识别和摄食强度监测方面也有
              于结合水产养殖装备研制开发自动投饲系统。
                                                               良好表现。上述有关深度学习算法模型大部分
              总之，由于不同水质和光照环境下数据难以规
                                                               针对鱼类的智能监测与养护，在虾类监测识别
              范，采集时易受环境光干扰               (如光强、角度、日
                                                               养殖中的研究尚有不足。
              夜变化等)，基于机器视觉模型的光学监测技术
                                                                   本研究利用被动声学技术采集罗氏沼虾的
              局限于特定环境和养殖物种，尤其在底栖生物
                                                               多种行为     (摄食、移动、打斗) 发声信号。基于
              的养殖应用中受到很大限制。
                                                               python  软件将所得到的信号进行            Mel 转换，建
                   作为具有经济价值的典型底栖生物的代表，
                                                               立图像数据集，并借鉴卷积神经网络对图像分类识
              虾类的被动声学监测可记录分析各种活动行为
              所发出的声音。近期的一些研究工作证明虾类                             别 [20-22]  的优点，比较不同类别的神经网络模型
              摄食有发声信号，如           Silva 等  根据颗粒饲料消             识别性能，以获取最优性能的神经网络模型。
                                         [8]
              耗过程中的同步音频和视频记录，确定了凡纳                             研究结果可以为基于虾类发声信息的                   AI 模型开
              滨对虾     (Litopenaeus vannamei) 摄食发声机制及           发提供技术参考。

                                  [9]
              信号特征。Peixoto      等 还研究了凡纳滨对虾摄
              食不同大小颗粒饲料的声学参数，尝试用于颗                             1    数据的采集与实验设计

              粒饲料消耗量估计，以便提高饲料管理的效率。
                                                               1.1    声音信号的采集
              李钊丞等     [10]  在实验室中进一步确定凡纳滨对虾
                                                                   本次实验在上海海洋大学科技大楼实验室
              游动时的发声信息，分析比较了快速游动、甩
                                                               进行，其中１个实验水缸养殖罗氏沼虾，另１
              尾 弹 射 行 为 的 发 声 信 号 频 率 特 征 。 最 近
              Hamilton  等  [11]  得 到 罗 氏 沼 虾  (Macrobrachium   矩形水箱     (45 cm×28 cm×30 cm，水深    20 cm，水
              rosenbergii) 在摄食颗粒饲料过程中的独特声学                     温  26 °C) 用以采集罗氏沼虾行为发声信号的实
              参数，提出可用于监测罗氏沼虾在养殖中摄食                             验布设如图       1  所示。图    2  为记录实验影像的
              行为的方法。然而在实际养殖中，罗氏沼虾有                             Gopro、采集行为发声信号的仪器                 Song Meter
              多种行为发声，包括摄食、移动、打斗等。如                             SM4  采 集 仪  (采 样 频 率 为   96 kHz， 放 大 增 益

              https://www.china-fishery.cn                           中国水产学会主办    sponsored by China Society of Fisheries
                                                            2
   203   204   205   206   207   208   209   210   211   212   213