基于主動識別聲吶的養殖塘南美白對蝦探測與初步分析

沈 蔚,盧泉水,彭戰飛,曹正良,張 進

(1 上海海洋大學海洋科學與生態環境學院,上海 201306;2 上海海洋大學上海河口海洋測繪工程技術研究中心,上海 201306)

南美白對蝦(Penaeusvannamei)是目前世界養殖產量最高的三大蝦類之一,其生存能力強、生長快、養殖效益高,在中國對蝦產量中長期穩定在90%左右。蝦的行為研究在其投喂飼養、病害防治、生產捕撈等方面均有重要意義,而當前這方面的研究尚不充分。傳統研究中,通常使用專門設計的透明或半透明水箱對蝦的行為開展視覺觀察、錄像回放和視頻軟件分析[4]等研究。這類方法均是在理想的實驗室環境中開展,而在真實的養殖環境中卻很難實現[5]。隨著水聲技術的發展,有學者利用被動聲吶接收蝦類饑餓時的運動聲信號,蝦類攝入不同食物時的聲信號來開展其行為研究,以實現更加科學的蝦類飼養管理方案[5-6]。被動聲吶蝦類觀測,受環境噪聲影響較大,往往無法獲得理想的觀測數據。

近年來,以雙頻識別聲吶(Dual-frequency Identification Sonar,DIDSON)為代表的主動聲吶已廣泛應用于水聲生物的行為觀察研究中。DIDSON可提供毫米級的高分辨率聲吶圖像,可用于漁業管理、結構檢測、管道泄漏、水底探測、水下搜尋、水下安檢等領域[7-9]。在漁業資源管理方面,DIDSON已大量應用于河流、湖泊、水庫等內陸水域的魚類行為觀測、資源評估等研究[10-12],如通過聲陰影識別魚類[13]、海洋動物群量化[14]、識別洄游魚類[15]、魚類長度測量[16]和魚類行為評估等[17]。

本研究將DIDSON聲吶應用于養殖塘南美白對蝦行為研究,開發了一套基于主動識別聲吶探測和分析蝦類行為的方法,計算單位時間內蝦群通量,并對養殖塘內蝦類的巡游特性進行分析,研究成果為養殖塘南美白蝦類的精細化養殖提供了準確的數據支持。

1 材料與方法

1.1 研究區域

研究區域為上海市奉賢區某人工開挖封閉養殖池塘,長170 m、寬60 m、深約1.5 m,橫剖面為倒梯形,邊緣淺中間深,底部平坦。研究對象為該塘人工飼養的南美白對蝦。

1.2 設備與原理

DIDSON聲吶是由美國華盛頓大學研發,Sound Metrics公司生產的高分辨率雙頻識別聲吶[18]。其能在黑暗、渾濁的水中,利用聲鏡頭通過聲波聚焦形成非常狹窄的波束來生成接近光學照片畫質的圖像[19]。其優點:壓縮波束不需要消耗能量,功率只有30 W;易于發射和接收同一個波束,避免出現接收錯誤波束。本研究采用標準型的DIDSON,參數如表1所示,采用1.8 MHz的高頻檢測模式采集蝦類數據。

表1 DIDSON技術參數

1.3 試驗設計

為實現養殖塘蝦群整體行為觀測,在蝦塘四周共設置了8個觀測點位(如圖1所示),相互間隔40 m,兩岸對稱設置,有效避免重復探測和探測數據較少的情況。

圖1 蝦塘采樣點分布圖

傳統的架設支架定點觀測的方式會消耗大量的人力和時間,設計了一套基于智能雙體無人艇的DIDSON聲吶觀測系統(結構示意見圖2),可實現較短時間內對養殖塘內蝦群的整體行為觀測,提高了蝦群行為觀察能力,避免了管中窺豹,為準確掌握蝦群的周期活動規律提供了一種有效的技術思路。

圖2 基于DIDSON雙頻識別聲吶的智能雙體無人艇觀測系統

1.4 數據收集和處理

1.4.1 數據獲取

數據采集安排在養殖塘投喂前1～2 h,此時蝦群的行為比較活躍。DIDSON數據采集使用DIDSON V5.24軟件,實時記錄于采集電腦中,8個站點依次進行探測,探測時間設計為3 min,間隔時間約7 min。

本試驗完整獲取了8組聲吶數據集(表2),保證了蝦類目標提取和行為識別的準確性。

表2 聲學觀測數據

1.4.2 數據處理

(1)目標識別

本研究利用澳大利亞Echoview公司出品的水聲數據處理軟件,構建圖像識別計數模型,開展蝦類目標的提取與計數。模型技術流程如圖3所示,主要關鍵步驟包括:圖像增強模塊(設定不同的濾波器算法去除背景噪聲),目標檢測模塊(設定閾值實現對一些過大和過小魚類目標的篩選,并將多波束數據轉換為單個的魚類目標數據),魚類目標軌跡追蹤(同時跟蹤每個目標的信息)[11]。

圖3 聲吶圖像目標識別與計數模型

(2)目標提取

受DIDSON儀器本身精度和分辨率的限制,加上周圍環境噪聲的干擾,體長小于5 cm的南美白對蝦目標難以識別,同時本次探測時養殖對蝦已到了出塘期,體型普遍較大,故在模型中將目標識別的最小閾值設為5 cm。通過查找資料和實際網捕數據分析,發現白對蝦個體體長最大為23 cm,故將最大閾值設為23 cm。

(3)巡游通量計算

蝦類的游塘行為是一種蝦類成群結隊有規律的繞塘巡游的現象。試驗利用DIDSON聲吶快速觀測養殖塘的8個點位,并采集相同時間內通過的蝦群數量,計算得出8個點位單位時間內的蝦群通量,以科學反映出蝦群的游塘行為。

通量計算公式如下:

L=2d×tanα+l

(1)

S=(L+l)×d÷2

(2)

f=N/(S×m)

(3)

式中:α為DIDSON聲吶的垂直開角的一半,為7°;d為儀器安裝距離池塘岸邊的距離,m;l為儀器鏡頭的寬度(豎直方向上的大小),m;L為波束照射到池壁的豎直方向的高度, m;S為儀器照射范圍的豎直方向的截面, m2;m為每個采樣點的觀測時間,min;N為每個采樣點通過的南美白對蝦總量,ind;f為每個采樣點單位時間里通過橫截面單位面積的南美白對蝦通量,只/(min·m2)。

聲吶照射投影示意圖如圖4所示。

圖4 聲吶照射投影示意圖

(4)巡游方向觀測

通量分析可以獲得相同時間內通過8個觀測點位的對蝦數量。除此之外,仍需要對蝦群巡游的方向進行判斷。本試驗由專業人員對DIDSON圖像進行逐幀的識別和記錄,以人工方式對8個不同觀測點蝦類目標游動方向進行判斷和分析。如圖5所示,設定目標從圖像右側向左側移動的方向為正方向、反之為反方向,圖5所示目標可計數為正方向游動目標7個、反方向游動目標0個,以此方法對所有的圖像進行觀測計數。

圖5 聲吶圖像人工識別游動方向示例

2 試驗分析

2.1 目標識別與數量統計

利用目標識別與計數模型,計算統計8個觀測點的白對蝦數量(如表3所示),從1號觀測點到8號觀測點的目標識別結果分別是:230只、251只、232只、230只、245只、238只、208只、236只,最大值為251只,最小值為208只,均值為233.75只,標準差為11.95只,表明養殖塘內白對蝦分布較為均勻。

表3 自動計數與人工計數的誤差

2.2 誤差分析

為驗證本研究聲吶識別計數模型的準確性,開展自動計數與人工目視計數比較,即通過軟件逐幀回放記錄圖像中南美白對蝦體長大于5 cm的數量為參考值。如表3所示,兩者最大誤差值5.96%,最小誤差值為2.59%,平均值為3.60%,表明本目標識別計數模型具有較高的精度。

2.3 通量分析

本試驗中,設置的觀測點位置距離岸邊的距離約為2 m,DIDSON設備鏡頭的寬度l為0.07 m,每個采樣點的觀測時間為3 min。根據公式2計算照射區域的橫截面面積為0.64 m2,隨后計算得到每個觀測點的通量,從1號觀測點到8號觀測點的通量分別是:119.79只、130.73只、120.83只、120.31只、127.60只、123.96只、108.33只、122.92只。如圖6所示,每分鐘通量的最大值為130.73只,最小值為108.33只,平均值為121.81只,標準差為6.20只。

圖6 不同觀測點蝦的通量變化

2.4 巡游方向分析

經專業人員對DIDSON圖像的逐幀識別并記錄,結果如表4所示。

表4 南美白對蝦方向分析

蝦群的正向游動方向占比均在85%以上,最高可達92.57%。這一發現表明,蝦群在巡游時展現出了較高的集體行為特征,主要表現為蝦群整體呈現正向游動。這一群體行為的出現,尤其是投餌前出現,推測是蝦群饑餓等生理原因導致的。因此,通過對蝦類群體的行為分析, 有利于制定更加科學有效的投喂方案。

3 討論

3.1 南美白對蝦的計數模型/方法

為了驗證本研究提出的圖像識別計數模型針對南美白對蝦進行目標識別計數的準確性,對8個采樣點采集的數據分別進行了模型自動計數與傳統人工計數的對比,如表3所示圖像識別計數模型提取的目標總數與人工計數結果偏差均小于6%,具有較高的計數精度,可以作為一種觀測和計數蝦類目標的手段,為蝦類行為觀測提供新的可借鑒的技術和方法。表3中自動計數的值相對于人工計數往往偏高,主要有3點原因:(1)圖像識別計數模型的軌跡跟蹤算法存在誤差,造成目標重復計數;(2)模型識別目標時將一些偽目標作為南美白對蝦計數目標[20];(3)人工計數時存在視覺疲勞,少計或者漏計了部分目標[21]。后續工作中將完善圖像識別計數模型中的目標識別和軌跡跟蹤算法,引入更多的誤差糾正因子,進一步提高識別計數精度。

3.2 主動聲吶在蝦塘的應用效果

王曉倩[22]利用攝像回放的形式觀察記錄羅氏沼蝦攝食動作,并對羅氏沼蝦攝食行為動作進行了初步定義;聶永康等[23]通過拍照和錄像的方式統計蝦類行為來測定紫海膽增殖放流對對蝦行為的影響;曹正良等[24]使用被動聲吶對不同體長南美白對蝦攝食發聲信號進行監測,發現南美白對蝦攝食蝦殼的發聲信號與體長變化也存在一定規律但無明顯線性變化規律。以上方法均在實驗室內完成,未在實地得到考察驗證。相較于傳統的視覺觀察和被動聲吶調查[25],本研究利用主動識別聲吶DIDSON實地觀測養殖塘蝦群并計數,從目標通量和游動方向兩個方面分析了養殖塘蝦類行為。從圖6可以看出,不同點位每分鐘的通量差異較小,最大值為131只/(min·m2),最小值為108只/(min·m2),標準差為6.20只/(min·m2),這表明蝦群均勻地在養殖塘四周巡游。如表5所示,8個點位觀測的蝦群游動正方向占比均在85%以上,這表明蝦群整體圍繞著養殖塘作規律性的逆時針方向游動。由于本次觀測在投喂餌料前1～2 h進行,推測是由于饑餓引起的蝦群游塘行為。

3.3 主動聲吶應用的可行性分析

目前主動識別聲吶已經廣泛地應用于漁業資源評估、水下目標種類鑒別和調查生物與環境之間的影響等方面[26]。Swanson等[27]使用雙頻識別聲吶(DIDSON)監測了密歇根湖支流博德曼河的三種大小不同的洄游魚類在春季和夏季進入河流的行為,并對魚類行為的環境影響因子進行了評估;王彬等[28]用DIDSON對遼東灣近海沙海蜇的豐度和垂直分布進行了監測,并與傳統網具調查進行了對比;荊丹翔等[29]利用DIDSON進行了魚群目標檢測和運動軌跡研究,并提出了一種基于成像聲吶的魚群數量估計方法。相對于傳統的蝦類行為分析方法[30],主動識別聲吶觀測方法對水質環境要求低、成像清晰、適用性高。本試驗結果顯示,主動識別聲吶可以較好地應用于蝦類行為觀測。但是,由于聲吶圖像中蝦群重疊導致蝦類目標識別計數誤差,需進一步開發更高效智能的識別算法,下一步計劃可將機器學習、深度學習等方法應用到蝦類目標提取算法中,以進一步提高聲吶圖像目標提取的精度和自動化水平,從而實現對蝦類目標和行為的準確分析。對某些復雜水域或大面積養殖,可根據具體情況將DIDSON主動聲吶、被動聲吶、傳統網捕撈和目視觀測等方法選擇性的集成應用。

4 結論

為實現高效、快速和準確的蝦類識別和行為觀測,提出了一種基于主動識別聲吶的養殖塘蝦類觀測識別和行為分析方法,初步實現了養殖池南美白對蝦行為的觀測與分析,有效地解決養殖塘中蝦群行為觀測的難題,為制定更加高效的蝦塘飼養和管理方案提供科學的數據支持。利用ECHOVIEW水聲數據處理軟件構建目標識別計數模型,對采集的高清聲吶圖像數據進行自動計數和人工計數,從目標通量和游動方向兩個方面開展蝦類行為研究,發現蝦群整體圍繞著養殖塘作規律性的逆時針方向游動,為后續養殖塘蝦類行為觀測研究提供了新方法。相較于傳統的水下視覺觀察和被動聲吶調查,主動聲吶識別觀測方法對于水質環境要求低,成像清晰,適應性高;同時設計了一套基于智能雙體無人艇的DIDSON聲吶觀測系統,實現了對養殖塘蝦群的高效、快速、低成本的觀測。本方法對于一些復雜的蝦類行為難以做到全面、準確的判斷,存在一定的局限性,后續研究中將結合被動聲吶、視覺觀測、實地捕撈等方式,對南美白對蝦的游動速度、不同水層的分布和行為做進一步分析,不斷提高蝦類行為分析的準確性。

□