鱼类应激状态监测中计算机视觉技术的应用

[摘 要]分别从行为参数量化模式、应激状态行为变化等多个方面，对计算机视觉技术在鱼类应激状态下的监测模式进行研究，并提出对鱼行为进行量化研究的方法。按照鱼在不同条件下自身参数变化情况，联合统计方法及人工智能算法，构建精确的自动判别应激模式，为后续工作的开展提供参考。

[关键词]鱼类；应激状态；监测；计算机；视觉技术；应用

[中图分类号]S951.2 [文献标识码]A

渔业的不断发展，完善了养殖技术，养殖的密度与前些年相比也有了明显的增加。如果鱼类身处缺氧的状态，或者鱼类生存的水质发生恶化等情况，会导致养殖户在短时间内造成较大的经济损失，所以必须要随时掌握鱼类行为、鱼类应激以及鱼类自身的健康状态。当下鱼类应激信息一般需要通过养殖人员到现场进行观察，才能获取精确的信息，主观影响十分明显。

1 群体行为参数变化问题

通过计算机视觉技术来取得鱼类运动过程中的投影图以及鱼类重心坐标，计算出最为精确的密集程度参数，进而得出鱼类常见应激条件下行为结果。比如鲫鱼，如果鲫鱼处在缺氧的环境下，整体鱼群位置会上移，而且鱼群的游动速度会明显降低，导致水体分布产生波动。水体中的氨气含量如果比较低，则鲤鱼会直接潜入到水下，如果水中的氨气含量逐渐上涨，则鱼群会逐渐的开始朝着更高的方向游动，分布也更加紧密。以罗非鱼为例，罗非鱼所处环境的溶氧如果发生下降的情况，则要控制整体溶氧度，始终保持在低溶氧或者正常溶氧状态下，并对这种状态下鱼群活动性、鱼群位置分布情况以及鱼群的密集程度等进行全方位研究。罗非鱼群体活动所具备的活跃性，一般会体现在空间分布的层面上，或者体现在参数的层面上，分别从空间分布于参数这两个方面，表现出鱼类的缺氧状态。垂直方向位置分布上升与游动活跃性会明显下降，相关专家学者从运动活跃性与垂直方向位置分布这两个层面，对缺氧情况以及缺氧恢复情况加以分析。

对罗非鱼氨氮应激条件下的变化情况进行研究发现，如果水体非离子氨的含量比较低，则鱼类活跃性以及鱼类自身的分布参数不会产生较大的波动。如果鱼类处在非等离子氨含量适中的条件下，则垂直方向鱼群位置以及垂直方向鱼群密度会产生一定的变化。鱼群中心位置会产生一些波动，这些波动在保持一段时间暴露之后，其垂直方向空间标准差会明显降低，导致鱼长时间地集中在一起。鱼类行为参数与鱼群非离子氨含量高反应敏感性息息相关，在起初的时间段，鱼群在短时间内即可产生参数反应，而且在开始阶段活跃度会明显提升，其垂直分布波动也会增加，饲养环境中的鱼群会集中在一些比较低的位置上，密度明显增加，可以按照鱼类的习惯来判断鱼类的应激状态。

2 鱼类体色变化情况

在應激的条件下，一些鱼类身上颜色会产生变化，比如赤鲷。赤鲷如果遭遇应激环境，其体色会变的黯淡，且身体上也会出现一些垂直状态的条纹。比目鱼幼鱼在发育的过程中，如果生存环境盐度比较低，则体色会出现黯淡等问题，发育时间也相对缓慢。若非离子氨含量在某段时间内明显增加，则成年比目鱼的颜色也会逐渐变黑。一些身处群体组织当中的硬骨鱼类，自身属于群体中的弱势个体，这些个体的劣势会随着时间的推移而变得越来越明显。弱势个体会遭到强势个体的袭击，进而发生慢性应激的问题。鱼会释放出α促黑激素以及肾上腺皮质激素这两种激素，两种激素发生相互作用，就会导致鱼体颜色变黑。利用计算机视觉技术来对应激状态下罗非鱼背景颜色变化情况、体色变化情况等进行全面量化处理。研究发现，罗非鱼健康状态且非应激下，可以很快的适应背景敏感度。若环境的变化比较明显，则其体色会随之发生变化。如果背景从黑色变成白色，则其体色也会发生变化，开始逐渐变白。在应激的状态下，罗非鱼体色与非应激状态下相比，体色更黑，可以适应暗色背景。白色的背景下，罗非鱼处于不同水体非离子氨质量浓度中，其体色会跟随时间增加而逐渐变得黯淡，并且还能在一段时间内，将起色从灰色变成黑色，这种安度均值会一直跟随时间线性而发展。若非离子氨质量浓度偏高，则罗非鱼体色会在非常短的时间内变暗，一般会在30min内就有明显变化，这种变化程度和非离子氨质量浓度高升前体色变化有直接关联。这种状态下的鱼类体色明暗变化十分明显，而且不同鱼个体之间还存在一定的差异性。经过30min后，鱼体色会逐渐变深，这种发展状态会一直持续到120min。试验结果表明，不同氨氮条件下，不同发展阶段鱼类体色明暗度与应激胜利指标血浆皮质醇含量有一定的关联，且先关系数可以达到0.6.鱼类体色会随着水质、温度等条件的变化而产生一定的改变，并且鱼类体色变化还会受到神经系统以及激素水平这两个方面因素的影响。鱼类可以在短时间内使用环境背景，就代表鱼类自身状态比较正常，且生理机能也比较好，可以正常调动自身的神经系统来对各种皮肤色素颗粒进行调动，保证体内激素水平始终处在正常的状态下。该状态下的鱼类健康状态比较理想，并没有严重应激问题。但是如果白色背景下的鱼体色变黑，则代表鱼类的健康情况并不理想。

3 结语

当前国内计算机视觉技术虽然已经得到了一定的发展，但是将其应用到鱼类应激状态检测中的时间比较短，各项技术也略有欠缺。鱼类行为适应能力较强，实验环境与鱼类的真实环境有较大差距，不论是光线还是养殖密度等，都与实验环境有较大的差异性。生产条件下，鱼会在大量的鱼群内部，利用计算机视觉系统量化的方法，对鱼类进行研究最大的难题就是光线问题、水质问题以及图像当中不同鱼相互交叠的问题。

[参考文献]

[1]程淑红，刘洁，朱丹丹.基于计算机视觉与SVM的水质异常监测方法[J].光电工程，2014（05）.

[2]黄东龙，凌亮，周勤.基于视觉技术的水质安全在线生物预警系统设计[J].中国给水排水，2014（09）.