论文部分内容阅读
本文通过视频计算的方法来实现对斑石鲷虹彩病毒病实时监测技术研究。在减少人力监测成本的基础上,能够通过实时监测斑石鲷的体表特征以及行为特征来识别并初步诊断出斑石鲷的患病情况。本文的研究工作主要有以下四个方面:(1)创建了斑石鲷数据集。创建了斑石鲷从健康-患虹彩病毒病-死亡全过程视频及生活环境参数系列数据集,数据集的构建在专业人员指导下进行,保证了实验数据的全面性、准确性和可靠性。本文使用到的数据集包括斑石鲷个体识别数据集,斑石鲷异常表征数据集,斑石鲷异常游泳行为数据集。本文提出的方法都在这三个原创数据集之上进行了实验验证。(2)提出了一种基于卷积神经网络的斑石鲷个体识别网络模型。首先,使用相似度算法对实验采集到的斑石鲷个体识别数据集进行相似度删减等视频图像预处理。其次,通过目标初定位及分割,II＿Net主干卷积神经网络以及基于遗传算法改进的全连接层的三个模块,来构建斑石鲷个体识别的卷积神经网络模型框架。最后通过与多个神经网络的实验对比分析,验证了本卷积神经网络对于斑石鲷个体识别的有效性和实用性。(3)提出了一种患虹彩病毒病斑石鲷异常表征的网络模型。根据患虹彩病毒病的斑石鲷的体表特征的实际情况,将患病斑石鲷的异常表征指标指定为鱼嘴张合大小等形状特征、鱼体颜色变化等鱼体表征。首先,在个体识别的基础上,对其进行单条鱼的患病跟踪监测,以得到从健康到患虹彩病毒病再到死亡的斑石鲷的体表特征数据信息。其次通过特征提取模块,以及基于VGG和GoogleNet网络模型改进的斑石鲷患虹彩病毒病识别模块构建患虹彩病毒病斑石鲷体表特征识别网络模型。最后利用神经网络模型对该数据集进行训练,验证以及测试,以达到通过监测斑石鲷体表特征来识别斑石鲷的不同患病时期的目的。(4)提出了一种患虹彩病毒病斑石鲷的异常游泳行为识别模型。根据患虹彩病毒病斑石鲷的游泳行为实际情况,将斑石鲷的异常游泳行为指标定为侧翻。首先基于斑石鲷异常游泳行为数据集进行人工标记。其次通过特征网络模块和区域生成网络模块来构建患虹彩病毒病斑石鲷的异常游泳行为识别模型。最后对斑石鲷异常游泳行为数据集中的异常游泳行为进行检测和识别,以实现异常游泳行为监测和识别。