基于激光对管阵列的养殖鱼类行为监测方法

本发明涉及水产养殖监测的，具体涉及一种基于激光对管阵列的养殖鱼类行为监测方法。

背景技术：

1、鱼类行为是反映鱼类健康状况及生存环境变化的重要信号。通过及时识别并预警鱼类的异常行为，有助于进行早期疾病诊断，优化饲养管理策略，提升存活率和繁殖成功率，保障生物福利。以往对鱼类状态的监测多依赖于捕捞后解剖分析，随着科技的进步，通过手术在鱼体内植入传感器实现远程实时监测成为可能。

2、现如今，随着计算机视觉技术的发展，基于图像的分析逐渐成为主流。但现有主流的鱼类监测手段，如传统相机法，在水下环境中受限于水体对光线的吸收和散射效应，图像质量较差，难以在复杂的水产养殖环境中应用。红外图像虽能在一定程度上克服低光照问题，但在水下应用时也有同样的局限；对于声学图像，虽然声波在水下能量衰减较小有着较高的穿透深度，但是高性能的声学设备价格高昂、操作门槛高，普及推广难度较大。

3、相比之下，激光对管技术在鱼类监测领域显现出了独特的优势。激光光束的能量集中带来的优良水下传播性能，配合其极高的响应速度，使得激光对管特别适用于实时监测场景。此外，激光具有良好的抗干扰能力和精确性，能够在复杂水下环境中捕捉到细微目标特征，且通过稀疏式的激光对管阵列，可以在保持监测效能的同时降低成本，有利于在水产养殖行业的广泛应用。

技术实现思路

1、本发明的目的是为了解决在实际养殖环境中光照不足、水质浑浊等复杂情况下，现有基于机器视觉的视频图像分析技术性能较低的问题，提出了一种基于激光对管阵列的养殖鱼类行为监测方法。该方法凭借其远距离、低成本、高精度和强抗干扰等特点，在识别水产养殖中鱼类行为方面具有独特潜力，具有一定的应用前景和推广价值。

2、本发明的目的可以通过采取如下技术方案达到：

3、一种基于激光对管阵列的养殖鱼类行为监测方法，其特征在于，包括以下步骤：

4、s1、将激光对管的发射阵列和接收阵列放置在养殖水箱的两侧，持续采集鱼群活动的信号；

5、s2、对s1中使用激光对管阵列采集的多路对管信号，使用线性判别分析将其降维成一路信号，并对降维后信号使用核密度估计提取鱼群数量相关特征；

6、s3、对s2中得到的鱼群数量相关特征，训练弹性网络回归模型，预测鱼群数量；

7、s4、对s1中激光对管阵列采集的多路对管信号，从统计特征、时序特征和信息熵特征三个维度提取鱼群运动量相关特征；

8、s5、对s4中基于激光对管阵列得到的鱼群运动量相关特征，训练lightgbm梯度提升决策树，预测鱼群运动量；

9、s6、对s1中激光对管阵列采集的多路对管信号，采用二维核密度估计来描绘鱼群密集区，结合密度图和等密度线提取鱼群聚集度的相关特征；

10、s7、对s6基于激光对管阵列得到的鱼群聚集度相关特征，训练lightgbm梯度提升决策树，预测鱼群聚集度；

11、s8、对s1中激光对管阵列采集的多路对管信号，采用二维核密度估计来计算鱼群聚集中心指标；并对计算的鱼群聚集中心指标进行验证，通过线性变换将其进行校正；

12、s9、根据s3中预测得到的鱼群数量、s5中预测得到的鱼群运动量、s7中预测得到的鱼群聚集度和s8中经过校正的鱼群聚集中心指标，构建鱼类行为的分析模型。

13、进一步地，所述步骤s1包括以下步骤：

14、s101、激光对管是由一个激光发射管和一个激光接收管组成，正对放置在养殖水箱的两侧。其中，激光发射管会发射一个高度集中的激光束，而激光接收管可以探测激光发射管发出的激光，将光信号转换成电信号。多个激光对管以长为x个，宽为y个的矩阵形式排列，构成由x×y的激光对管阵列。阵列中相邻激光对管之间的间距恰好大于鱼群中最大个体的尺寸，使得一条鱼同时只能遮挡一个激光对管的光路；

15、s102、激光对管持续采集通断信号，当有鱼群经过某个激光对管时，激光光路被遮挡，信号取值为1，表示激光对管被触发；没有鱼群经过时信号取值为0，采集的信号可以表示为t×x×y的三维二值数组l(t,x,y)，其中维度t对应一个长度为t帧的时间窗口内的时间轴，x和y分别对应阵列在平面上的行坐标和列坐标。

16、进一步地，所述步骤s2包括以下步骤：

17、s201、对激光对管阵列采集数据，以实际的鱼群数量作为类别标签，这里假设类别的总数是c，线性判别分析的过程如下：

18、首先，计算每个类别内部的散度矩阵sw。对于每个类别(即不同的鱼群数量)i，其散度矩阵可以通过以下公式计算：

19、

20、其中，xi是属于类别i的样本集合，μi是类别i的样本均值；c是类别的总数；

21、接着，计算类间的散度矩阵sb。它可以通过以下公式计算：

22、

23、其中，ni是类别i的样本数量，μ是所有样本的均值，μi是类别i的样本均值；

24、解线性判别分析的广义特征值问题，即求解矩阵sw-1sb的特征值和对应的特征向量，如以下公式所示：

25、det(sw-1sb-λi)＝0

26、det(·)函数为计算矩阵行列式，i为单位矩阵，通过求解特征值方程，可得特征值λ1,λ2,…,λd，

27、(sw-1sb-λii)wi＝0

28、对于每个特征值λi，求解方程组可得对应的特征向量wi；

29、根据特征值的大小选择最重要的特征向量，作为投影矩阵w；

30、将样本投影到由选定的特征向量构成的子空间中，即执行线性变换：

31、y＝xw

32、其中，x是原始数据矩阵，即x×y路的激光对管信号l(t,x,y)，y是投影后的数据矩阵，即降维到一路的激光对管信号l'(t)，w是投影矩阵；

33、s202、对经过s201线性判别分析后的信号l'(t)，使用核密度估计进行统计分析，其公式如下：

34、

35、其中，是核密度估计曲线在位置x处的估计值，t是观测信号l'(t)的长度，k(·)是高斯核函数；

36、s203、对信号l'(t)求均值，作为鱼群数量的第一个特征：求信号l'(t)均值即是对l'(t)求和后除以l'(t)的长度t；

37、s204、对s202中计算得到的核密度估计曲线从中提取鱼群数量的第二个特征至第十个特征，分别为：

38、峰数：使用差分操作计算信号的一阶差分δf[n]＝f[n]-f[n-1]。然后遍历差分信号δf[n]，寻找满足条件δf[n]＞0且δf[n+1]＜0的点n，这些点即为峰值点。最后统计寻找到的峰值点个数，即为峰数np；

39、主峰位置：核密度估计曲线中最大的峰值点的位置；

40、主峰高度：核密度估计曲线中最大的峰的高度，也即是峰值点的最大值；

41、尾峰间距：核密度估计曲线最左边的尾峰(左尾峰)与最右边的尾峰(右尾峰)之间的距离，用尾峰之间的相对坐标来衡量尾峰的位置；

42、尾峰高度：左尾峰的峰值高度和右尾峰的峰值高度的均值。

43、曲线支撑宽度：概率密度函数非零的区间，即核密度估计曲线的最左边到最右边的横坐标跨度；

44、尾部宽度：核密度估计曲线中尾部区域的宽度，其中尾部是在曲线两侧的拖尾，即幅度小于均值两个标准差的区域，称为尾部区域；均值为s203所求的均值；

45、尾部形状：用二次多项式来拟合尾部区域的曲线，然后根据二次多项式的参数来评估尾部形状。假设核密度估计曲线在尾部近似地遵循二次项衰减形式：

46、f(x)∝ax2+bx+c

47、其中需要关注的参数是a，即二次项的系数，通过拟合核密度估计曲线的尾部曲线，可以估计出参数a，进而描述尾部形状；

48、中位数点：中位数点是通过核密度估计的累积密度函数来获得的，找到累积密度函数等于0.5的横坐标即为中位数点；其中累积密度函数是核密度估计曲线的积分函数；

49、s205、将s203和s204中鱼群数量的第一个特征至第十个特征进行组合，构成鱼群数量特征向量x。

50、进一步地，所述步骤s3过程如下：对从激光对管阵列信号中提取的鱼群数量特征，以实际的鱼群数量作为标签，训练弹性网络回归模型；其中，所述激光对管阵列信号，也即激光对管阵列采集的多路对管信号；模型表达式如下：

51、假设有特征和标签组成的数据集其中xi是s203中十个鱼群数量特征组成的特征向量，qi是对应的目标变量，即鱼群数量，n为数据集的样本数量。弹性网络回归的模型表达式如下：

52、

53、其中，是预测的目标变量，x是xi组成的特征矩阵，β是特征系数向量，b是截距项。弹性网络回归的损失函数由两部分组成，一部分是均方误差(mse)，另一部分是l1范数和l2范数的惩罚项：

54、

55、其中，α是正则化参数，控制惩罚项的强度；ρ是l1范数的权重参数，用于调节特征选择的程度；q和分别为目标变量的真实值和预测值。通过梯度下降最小化损失函数，可以得到最优的特征系数β和截距项b，实现弹性网络回归，预测鱼群数量为q；

56、进一步地，所述步骤s4包括以下步骤：

57、s401、从激光对管阵列信号中提取统计特征，其中包含均值和方差。

58、均值：对管的整体触发次数的计算，其公式为：

59、

60、其中t为s102中设定的时间窗口长度。

61、方差：通过将每个对管的序列独立计算方差，最后将各个对管的方差汇总计算均值得到整体数据的全局方差，其计算公式为：

62、

63、s402、从激光对管阵列信号中提取时序特征，其中包含差分和自相关衰减速率。

64、差分：计算相邻时刻对管数据的差分值并求绝对值，然后对差分数据求和：

65、

66、自相关衰减速率：是先求对管数据的自相关函数，然后用指数衰减模型拟合其衰减速率。

67、自相关的表达式为：

68、

69、指数衰减模型的表达式为：

70、f(x)∝e-λx

71、其中λ是衰减率参数，代表了曲线的衰减速率快慢。通过上述指数衰减模型，拟合上述自相关表达式的曲线，得到的参数λ即为自相关衰减速率；

72、s403、从激光对管阵列信号中提取信息熵特征，其中包含样本熵、差分熵和条件熵。

73、样本熵：计算首先对每个时间点t的空间维度x和y求和得到st：

74、

75、将每个st视为一个样本，计算所有样本的概率分布，如下所示：

76、

77、最后，使用如下公式来计算得到样本熵hs：

78、

79、差分熵：计算首先对每个相邻时间点求差分，如下所示：

80、

81、将求得的每个dt当做一个样本，可求得概率分布p(dt)和差分熵hd。

82、条件熵：假设当前时刻对管的数据帧为a，用b表示下一个时刻对管的数据帧，p(a,b)表示当前时刻的对管数据为a，且下一时刻对管数据为b的概率。在此情况下，条件熵h(b|a)可以表示为如下：

83、

84、进一步地，所述步骤s5过程为对从激光对管阵列信号中提取的鱼群运动量特征，以实际的鱼群运动量作为标签，训练lightgbm梯度提升决策树模型，实现过程如下：

85、s501、模型会初始化一个只有一个叶子节点的决策树作为初始模型；

86、s502、使用训练数据计算损失函数对每个样本的梯度。对于回归问题，梯度是预测值与实际值之间的差异。

87、s503、根据计算得到的梯度，开始构建一棵新的决策树。树的构建采用的是深度优先方式。在构建决策树的过程中，lightgbm采用基于叶子节点的分裂策略，即从当前的叶子节点中选择一个最优的分裂点来生成子节点，还使用直方图算法来近似查找最佳的分裂点。

88、s504、当达到树的最大深度或者分裂不能再降低损失函数时，停止分裂，将叶子节点设为终止节点。

89、s505、更新每个叶子节点的预测值，使其逐步逼近真实的残差。通过学习率来控制更新的幅度，防止过拟合。

90、s506、重复上述步骤，直到满足停止条件，例如达到预定的树的数量或者损失函数收敛到一个阈值。

91、s507、将多棵决策树集成为最终的模型。预测时，将每棵树的预测结果加权求和，得到最终的鱼群运动量预测值为agr。

92、进一步地，所述步骤s6包括以下步骤：

93、s601、将一段时间内采集的激光对管信号中取值为1(即有鱼群通过激光对管光路区域)的横纵坐标视作一个观测数据点(xi,yi)，表示第i个数据点的坐标值，数据点个数记为n。对这些数据点使用二维核密度估计来对整体的密度分布情况进行评估。二维的高斯核函数具有如下形式：

94、

95、σx和σy分别是沿x轴和y轴的标准差，对于二维空间中的某一点(x,y)，其密度估计值可以表示为所有核函数在该点处的加权和：

96、

97、s602、根据s601中二维核密度估计的计算结果，提取以下聚集度特征：

98、密度峰值：密度图中最高点的密度值：

99、dpeak＝max(d(x,y))

100、密度中位数：将密度图所有密度值按大小排列后取得的中间值：

101、dmedian＝median(d(x,y))

102、密度能量：密度图中所有密度值的平方和：

103、

104、密度极差：密度图中最大值与最小值之间的差值：

105、drange＝max(d(x,y))-min(d(x,y))

106、密度四分位距：密度图中密度值按大小排列后，上四分位数与下四分位数之间的差值：

107、dinterquartile＝q3-q1

108、其中q3和q1分别为上四分位数和下四分位数；

109、密度方差：密度图中所有密度值的方差：

110、

111、密度峰度：密度图的峰度通过四阶中心矩来计算：

112、

113、密度梯度：密度图在空间中的梯度，即密度变化的速率：

114、

115、主密度区域面积：密度图中大于一定密度阈值的区域面积；密度阈值可以设置为密度峰值的五分之一；

116、等密度线长度：各条等密度线的长度的均值；

117、主等密度线偏差测量：主等密度线为等密度线中高度最大的一条，其包含面积即为主密度区域；

118、主等密度曲线上各点到中心的距离均值：

119、

120、其中，(xi',yi')表示主密度曲线上的点，n为主密度曲线上点的个数，表示主密度曲线的中心坐标；

121、莫兰指数：莫兰指数是空间统计学中用来衡量空间自相关性的一个指标，可以通过以下公式计算得到：

122、

123、莫兰指数可以通过以上公式计算得到，通过将原始采集信号l(t,x,y)在时间t维度上求和得到l'(x,y)。式中l'(x,y)i和l'(x,y)j是位置i和j的观测值，n是观测值的总数，是所有观测值的平均值。wij是空间权重矩阵中的元素，表示位置i和j之间的空间关系，取为i和j的距离。wtotal是权重矩阵所有元素的总和。

124、进一步地，所述步骤s7过程为对从激光对管阵列信号中提取的鱼群聚集度特征，以实际的鱼群聚集度作为标签，训练lightgbm梯度提升决策树模型，预测得到鱼群聚集度g。

125、进一步地，所述步骤s8包括以下步骤：

126、s801、根据s601所得的激光对管阵列数据的核密度估计密度图，计算出其峰值点的坐标作为聚集中心的估计值：

127、

128、也即是s602中dpeak对应的位置；

129、s802、将激光对管阵列计算估计值，与真实值进行对比验证，通过线性变换，将两者的尺度保持一致，实现计算的聚集中心的校正，最终可记鱼群的聚集中心为c。真实值为通过可靠手段获取的准确值。

130、进一步地，所述步骤s9包括以下步骤：

131、s901、对于s5中预测得到的鱼群运动量agr，可以通过s3中预测得到的鱼群数量q来计算平均个体运动量ain：

132、ain＝agr/q

133、s902、结合s7中预测得到的鱼群聚集度g，并将平均个体运动量ain和鱼群聚集度g设置不同的阈值，把它们划分成三个定性等级：高水平、中等水平和低水平；以表示其活跃程度或聚集紧密程度的差异，并对鱼群行为进行定性分析。

134、本发明相对于现有技术具有如下的优点及效果：

135、(1)本发明基于激光对管阵列的养殖鱼类行为监测，凭借其在水下中出色的穿透能力、较低的运维成本、高质量的识别以及卓越的抗干扰性能，能有效克服现有基于机器视觉的视频图像分析技术在实际养殖环境中因为水质浑浊、光照不足等原因引发的短板。

136、(2)本发明提出的基于激光对管阵列的鱼类行为核心指标特征提取方法，创新性地从激光对管阵列采集数据中提取有效特征，为各项指标的回归预测进行铺垫。在鱼群数量特征上，通过线性判别分析进行数据降维，并结合核密度估计提取鱼群数量特征；在运动量指标方面，从统计、时序以及信息熵三个层面剖析激光对管数据；在聚集度和聚集中心指标方面，运用二维核密度估计生成的密度图和等密度线来挖掘关键空间分布特征。

137、(3)本发明通过激光对管阵列数据中提取的特征，创新性地实现鱼群计数、运动量、聚集度和聚集中心等各项鱼类行为指标的回归预测。在鱼群计数中，使用了弹性网络回归模型，结合了l1范数和l2范数的惩罚项，通过调节这两个惩罚项的权重参数来控制模型的复杂度和特征选择能力。在鱼群运动量和聚集度指标预测中，使用了lightgbm梯度提升决策树回归模型，采用基于直方图的决策树学习方法，相比传统的梯度提升树算法，lightgbm在性能和效率上都有所提升，具备了自动处理缺失值、支持类别型特征、具有高度并行性等优点。