基于深度学习的计算机视觉和大数据下人工鱼礁区鱼类空间竞争行为机制研究

As an important part of marine ranching, artificial reefs play an important role in the protection of marine biological resources. Because the artificial reef cannot be put into the sea indefinitely, reef-trending fishes may conduct a series of spatial competition behaviors in the limited reef space in order to maximize their own interests, which may impact on the effectiveness of marine living resources protection. Therefore, it is necessary to study the spatial competition mechanism of fishes in artificial reef area. Traditional methods such as on-site observation, fishing and underwater acoustic telemetry have some disadvantages, such as relying on expert experience, destroying fish resources and not being able to judge fish types. Analysis of fishes’ behavior in reef area based on computer vision in deep learning and big data is non-invasive and cost-effective. In this study, the video preprocessing of artificial reef area will be carried out, and the computer recognition model of fishes in reef area will be constructed based on CNN. The hidden Markov chain will be used to track fishes. Finally, the probability model of typical behavior of fishes will be built to explore the spatial competition behavior of fishes in reef area in multi-dimensional time scale, and responses of spatial competition to artificial reefs with different reef-building materials, different structural shapes and different water quality environments will be analyzed. Finally, the mechanism of fishes’ spatial competition behavior in reef area under non-constrained environment will be explored. Thus, it provides scientific basis for the rational development and management of marine resources, the protection of marine ecosystems, and the safeguarding of marine ecological security.

作为海洋牧场的重要组成部分，人工鱼礁在海洋生物资源保护中发挥了重要作用。然而人工鱼礁不能无限投放，趋礁鱼类为追求自身利益最大化会在有限的礁区空间产生一系列竞争行为，进而影响海洋生物资源保护效果，因此对人工鱼礁区鱼类空间竞争行为机制进行研究十分必要。传统的现场观察法、渔获法、水声遥测等分析方法不同程度地存在依赖专家经验、破坏鱼类资源、无法判断鱼类类型等缺点。基于深度学习的计算机视觉和大数据技术对礁区鱼类进行分析无入侵且经济有效。项目对人工鱼礁区视频预处理，基于CNN构建礁区鱼类计算机识别模型；结合隐马尔可夫链实现鱼类追踪；构建鱼类典型行为概率模型，探寻礁区鱼类在多维时间尺度下的空间竞争行为规律，并分析其空间竞争行为对不同造礁材料、不同构型的人工鱼礁和不同水质环境的响应，最终探寻非约束环境下礁区鱼类空间竞争行为机制。从而为合理开发和管理海洋资源、保护海洋生态系统、保障海洋生态安全提供科学支撑。

项目背景 . 人工鱼礁是海洋牧场的重要组成部分，对鱼类生存、繁殖和种群维持起到重要作用。然而，由于经济、生态等条件限制，不可能无限量投放人工鱼礁。作为一种有限资源，周围海域趋礁鱼群达到一定数量时，鱼群间会发生激烈的空间竞争以最大限度地获得自身利益。传统的现场观察法、渔获法、水声遥测等分析方法不同程度地存在依赖专家经验、破坏鱼类资源、无法判断鱼类类型等缺点，且鲜有对礁区鱼类空间竞争特征和机制的研究。. 主要研究内容： . 项目的研究内容主要是人工鱼礁区视频预处理、礁区鱼类特征因子（生物特征因子、时间特征因子、环境特征因子）提取、礁区鱼类空间竞争行为机制研究。主要解决缺乏非约束环境下的标签数据，多模态、高浊度图像分类神经网络，礁区鱼类行为建模的问题。围绕图像分类的深度学习方法，通过构建数据集，以多目标识别、小目标识别等为基础展开。具体包括如下几个方面：人工鱼礁区视频预处理，热带鱼类标签数据集构建，礁区鱼类计算机识别，礁区鱼类空间竞争。. 重要结果及科学意义： . （1）共计8TB整理热带海洋牧场礁区资源视频数据，基于视频数据集，进行热带鱼类标签数据集的制作，共计标注7600张51类常见热带鱼，该数据集为热带鱼类的计算机识别奠定了良好的数据基础。. （2）基于ResNet、迁移学习、YOLO v5模型，研究礁区鱼类计算机识别。结果表明，ResNet随着神经网络层数的增加，训练损失和验证集损失函数会相应降低，但学习效率对最终结果的影响要弱得多；学习效率下降，训练损失函数收敛明显，验证集损失函数在10%左右波动。将训练好的图像网络模型作为网络的初始权值优于非迁移学习。当模型训练到150个epoch时，指标开始收敛，能够较好地完成无约束环境下热带鱼类识别任务。加入SENet模块的YOLO v5模型研究算法可以获得平均mAP 99.3%，精度为98.9%，召回率98.7%。相比改进前的模型分别提高了1.4%、1.7%和2.5%。实验结果符合预期。. （3）鲷科鱼类是趋礁型鱼类，喜欢紧密围绕人工鱼礁以及在人工鱼礁中穿行活动，摄食鱼礁上附着的生物；鲱科鱼类是近礁鱼类，并不会经常出现在人工鱼礁内部或者紧密围绕，但也不喜欢远离人工鱼礁区，主要摄食礁区周围的浮游生物甚至捕食聚集于礁区周围的小型鱼类。