群体背景下鱼类攻击行为识别和量化方法、装置及存储介质与流程

1.本发明涉及一种群体背景下鱼类攻击行为识别和量化方法、装置及存储介质。


背景技术：

2.鱼类和其他动物一样，为了保护自己的食物或领地等资源而产生攻击行为，这也是鱼类生来就有的显着特征。在高密度养殖环境中，由于胁迫和压力，很多鱼类会出现攻击行为，养殖过程中可见大批少鳍少尾个体，导致生长减缓和免疫力下降，甚至大批死亡，给养殖户造成很大的经济损失。监测鱼类攻击行为，可以对鱼类福利状态提供早期预警，并且该过程对鱼类不会产生不良影响。
3.养殖条件下如何对鱼类攻击行为进行识别和量化，是生产管理的难题，也是实现福利化养殖需要解决的关键问题。鱼类攻击行为受多重因素的影响，是个体根据自身状态和外部群体和环境变化做出的适应性反应。因此，基于传统人工观察的视频分析很难应用在养殖群体背景条件下。首先养殖背景条件下的鱼群数量较大，个体之间的交互频率很高，仅靠人工观察误差较大；其次，鱼类攻击行为受到群体内部其它个体攻击行为的影响，传统的监测方法操作难度较大。因此，目前对群体条件下鱼类攻击行为的交互研究很少，对鱼类攻击行为的社会网络特征研究几乎是空白，这也是现今养殖过程中无法对攻击行为制定预防和管理措施的瓶颈所在，因此对群体背景下攻击行为的研究显得格外重要。
4.综上所述，现有技术存在以下缺陷和不足：
5.1.对群体背景下鱼类攻击行为特征的识别和量化研究较少；
6.2.对群体背景下鱼类攻击过程中的社会网络分析几乎是空白。


技术实现要素：

7.为了克服现有的技术存在的不足，本发明提供一种群体背景下鱼类攻击行为识别和量化方法、装置及存储介质。
8.本发明解决其技术问题所采用的技术方案是：本发明提供一种群体背景下鱼类攻击行为识别和量化方法包括步骤：
9.采样步骤：采集鱼类运动样本；
10.信息提取步骤：提取单目标个体的游动速度、方向和相对位置坐标；
11.运动信息计算步骤：计算得到多目标鱼群的运动特征；
12.网络构建步骤：构建群体背景下鱼类交互社会网络拓扑结构模型；
13.特征计算步骤：通过所述网络拓扑结构模型，计算攻击行为典型特征参数；
14.攻击激烈程度判别步骤：根据所述典型特征参数判断鱼群攻击行为的状态和程度。
15.进一步所述采集鱼类运动样本具体采用高清摄像头对群体背景下鱼类的运动过程进行视频采集；在所述采样步骤中，所述摄像头为高清摄像头，像素为1760
×
1024；采样频率为3～5帧/秒。
16.进一步信息提取步骤具体使用亮度定标的方法，提取鱼群在距离水面n cm的水层采样图像，对所述采样图像进行二值化处理后，通过yolo算法对目标区域进行缩放，精确到目标区域只有一条鱼，对单目标个体进行轮廓识别；以中心点检测提取单目标个体的游动速度、方向和相对位置坐标。
17.进一步运动信息计算步骤中对当前帧中的每个像素单目标个体的速度和方向进行计算，每个像素点光流计算后，将网格状分布粒子分散在每帧图像中；计算每个粒子的光流信息并加和取平均，得到多目标鱼群的运动特征。
18.进一步所述攻击行为典型特征参数包括中心性、密度、聚类系数、距离和传递性。
19.进一步网络构建步骤中具体运用社会网络分析方法，确定社会网络中的节点数目和线关系，构建群体背景下鱼类交互社会网络拓扑结构模型。
20.进一步所述运用社会网络分析方法，确定社会网络中的节点数目和线关系，构建群体背景下鱼类攻击行为社会网络拓扑结构模型，其中社会网络中的节点为实际待研究群体中的行动实体；社会网络中的线关系为鱼类个体之间的相互关系。
21.进一步所述攻击激烈程度判别步骤中，鱼用圆圈来表示，圆圈的直径大小代表外度中心性即鱼发起的攻击的数量，连接线的粗细代表相互作用的大小，基于以上表征，对鱼群异常行为进行判别，判别标准包括：外/内度中心度小于50％、群体距离均等则为正常状态；外/内度中心度小于50％，距离增大则为离散状态；外/内度中心度小于50％，距离减小则为聚集状态；外/内度中心度大于50％，群体间距减小则为攻击状态。
22.一种群体背景下鱼类攻击行为识别和量化装置，其特征在于，包括：
23.至少一个存储器，用于存储程序；
24.至少一个处理器，用于加载所述程序以执行所述的鱼类攻击行为识别和量化方法。
25.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于实现所述的鱼类攻击行为识别和量化方法。
26.有益效果
27.本技术提供了一种群体背景下鱼类攻击行为识别和量化方法并采用社会网络分析模型对鱼群的攻击行为进行了量化，进而能够为在实际生产中监测鱼群异常运动、减少养殖过程的鱼类攻击和提高养殖效益提供依据，有利于养殖产业的健康发展。
附图说明
28.图1基于社会网络的攻击行为关系示意图。
具体实施方式
29.本技术公开了一种群体背景下鱼类攻击行为识别和量化方法，包括以下步骤：
30.采样步骤：采集鱼类运动样本；
31.信息提取步骤：提取单目标个体的游动速度、方向和相对位置坐标；
32.运动信息计算步骤：计算得到多目标鱼群的运动特征；
33.网络构建步骤：构建群体背景下鱼类交互社会网络拓扑结构模型；
34.特征计算步骤：通过所述网络拓扑结构模型，计算攻击行为典型特征参数；
35.优选实施例中攻击激烈程度判别步骤：根据所述典型特征参数判断鱼群攻击行为的状态和程度。
36.优选实施例中所述采集鱼类运动样本具体采用高清摄像头对群体背景下鱼类的运动过程进行视频采集；在所述采样步骤中，所述摄像头为高清摄像头，像素为1760
×
1024；采样频率为3～5帧/秒。
37.优选实施例中信息提取步骤具体使用亮度定标的方法，提取鱼群在距离水面n cm的水层采样图像，对所述采样图像进行二值化处理后，通过yolo算法对目标区域进行缩放，精确到目标区域只有一条鱼，对单目标个体进行轮廓识别；以中心点检测提取单目标个体的游动速度、方向和相对位置坐标。
38.优选实施例中运动信息计算步骤中对当前帧中的每个像素单目标个体的速度和方向进行计算，每个像素点光流计算后，将网格状分布粒子分散在每帧图像中，计算每个粒子的光流信息并加和取平均，得到多目标鱼群的运动特征。
39.优选实施例中所述攻击行为典型特征参数包括中心性、密度、聚类系数、距离和传递性。
40.优选实施例中网络构建步骤中具体运用社会网络分析方法，确定社会网络中的节点数目和线关系，构建群体背景下鱼类交互社会网络拓扑结构模型。
41.优选实施例中所述运用社会网络分析方法，确定社会网络中的节点数目和线关系，构建群体背景下鱼类攻击行为社会网络拓扑结构模型，其中社会网络中的节点为实际待研究群体中的行动实体；社会网络中的线关系为鱼类个体之间的相互关系。
42.优选实施例中所述攻击激烈程度判别步骤中，鱼用圆圈来表示，圆圈的直径大小代表外度中心性即鱼发起的攻击的数量，连接线的粗细代表相互作用的大小，基于以上表征，对鱼群异常行为进行判别，判别标准包括：外/内度中心度小于50％、群体距离均等则为正常状态；外/内度中心度小于50％，距离增大则为离散状态；外/内度中心度小于50％，距离减小则为聚集状态；外/内度中心度大于50％，群体间距减小则为攻击状态。可见本技术提供了一种群体背景下鱼类攻击行为识别和量化方法并采用社会网络分析模型对鱼群的攻击行为进行了量化，进而能够为在实际生产中监测鱼群异常运动、减少养殖过程的鱼类攻击和提高养殖效益提供依据，有利于养殖产业的健康发展。
43.下面通过一个具体实施例说明：
44.本发明实施例的群体背景下鱼类攻击行为特征的识别量化方法，适用于所有游泳型鱼类。
45.具体实施中试验鱼：实验对象为红鳍东方鲀(体长：6.50
±
0.30cm)。
46.实验条件如下：饲养于方形不透明水槽(长
×
宽
×
高：67
×
51
×
37cm)中，水温保持在20℃。
47.实验系统主要由三部分组成，一是图像采集系统，由一台海康威视ccd高清摄像机(型号：ds-2cd7a46f-izs)、存储平台和数据分析服务器构成；二是养殖系统，包括养殖池、过滤系统(包括：微滤机、蛋白质分离器、消毒杀菌、充氧和补光系统)；三是行为分析系统，包括行为分析平台。
48.具体的操作如下所述：
49.采样步骤：采用像素为1760
×
1024的高清摄像头以5帧/秒的采样频率，对鱼群摄
食过程进行采样。
50.信息提取步骤：使用亮度定标的方法，提取鱼群在距离水面30cm水层的图像，通过yolo算法对目标区域进行缩放，精确到目标区域只有一条鱼；以中心点检测提取单目标个体的游动速度、方向和相对位置坐标；
51.运动信息计算步骤：对当前帧中的每个像素单目标个体的速度和方向进行计算；每个像素点光流计算后，将72
×
128的网格状分布粒子分散在每帧图像中(用b1，b2，...，b72
×
120表示)；计算每个粒子的光流信息并加和取平均，得到多目标鱼群的运动特征。
52.网络构建步骤：运用社会网络分析方法，确定社会网络中的节点数目和线关系，构建群体背景下鱼类交互社会网络拓扑结构模型，其中社会网络中的节点为实际待研究群体中的行动实体；社会网络中的线关系为鱼类个体之间的相互关系；如图1所示，鱼用圆圈或圆环来表示，它们的直径大小代表外/内度中心性(鱼发起的攻击的数量)，连接线的粗细代表相互作用的大小。
53.特征计算步骤：通过网络拓扑结构模型，计算中心性(centrality)、密度(density)、聚类系数(clustering coefficient)、距离(distance)和传递性(transitivity)等攻击行为典型特征参数；
54.攻击激烈程度判别步骤：根据行为作用的方向，如图1所示，空心圆、圆环和黑色圆分别代表基于外/内度中心性被划分为的攻击发起者、发起者/接受者和接受者，被包围的是一群发起者和接收者。对鱼群异常行为进行判别，判别标准包括：外/内度中心度小于50％、群体距离均等则为正常状态；外/内度中心度小于50％，距离增大则为离散状态；外/内度中心度小于50％，距离减小则为聚集状态；外/内度中心度大于50％，群体间距减小则为攻击状态。
55.本技术还公开一种群体背景下鱼类攻击行为识别和量化装置，包括：
56.至少一个存储器，用于存储程序；
57.至少一个处理器，用于加载所述程序以执行如前所述的鱼类攻击行为识别和量化方法。
58.一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现如前所述的鱼类攻击行为识别和量化方法。
59.由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。