基于主动识别声呐的养殖塘南美白对虾探测与初步分析

沈 蔚,卢泉水,彭战飞,曹正良,张 进

(1 上海海洋大学海洋科学与生态环境学院,上海 201306;2 上海海洋大学上海河口海洋测绘工程技术研究中心,上海 201306)

南美白对虾(Penaeusvannamei)是目前世界养殖产量最高的三大虾类之一,其生存能力强、生长快、养殖效益高,在中国对虾产量中长期稳定在90%左右。虾的行为研究在其投喂饲养、病害防治、生产捕捞等方面均有重要意义,而当前这方面的研究尚不充分。传统研究中,通常使用专门设计的透明或半透明水箱对虾的行为开展视觉观察、录像回放和视频软件分析[4]等研究。这类方法均是在理想的实验室环境中开展,而在真实的养殖环境中却很难实现[5]。随着水声技术的发展,有学者利用被动声呐接收虾类饥饿时的运动声信号,虾类摄入不同食物时的声信号来开展其行为研究,以实现更加科学的虾类饲养管理方案[5-6]。被动声呐虾类观测,受环境噪声影响较大,往往无法获得理想的观测数据。

近年来,以双频识别声呐(Dual-frequency Identification Sonar,DIDSON)为代表的主动声呐已广泛应用于水声生物的行为观察研究中。DIDSON可提供毫米级的高分辨率声呐图像,可用于渔业管理、结构检测、管道泄漏、水底探测、水下搜寻、水下安检等领域[7-9]。在渔业资源管理方面,DIDSON已大量应用于河流、湖泊、水库等内陆水域的鱼类行为观测、资源评估等研究[10-12],如通过声阴影识别鱼类[13]、海洋动物群量化[14]、识别洄游鱼类[15]、鱼类长度测量[16]和鱼类行为评估等[17]。

本研究将DIDSON声呐应用于养殖塘南美白对虾行为研究,开发了一套基于主动识别声呐探测和分析虾类行为的方法,计算单位时间内虾群通量,并对养殖塘内虾类的巡游特性进行分析,研究成果为养殖塘南美白虾类的精细化养殖提供了准确的数据支持。

1 材料与方法

1.1 研究区域

研究区域为上海市奉贤区某人工开挖封闭养殖池塘,长170 m、宽60 m、深约1.5 m,横剖面为倒梯形,边缘浅中间深,底部平坦。研究对象为该塘人工饲养的南美白对虾。

1.2 设备与原理

DIDSON声呐是由美国华盛顿大学研发,Sound Metrics公司生产的高分辨率双频识别声呐[18]。其能在黑暗、浑浊的水中,利用声镜头通过声波聚焦形成非常狭窄的波束来生成接近光学照片画质的图像[19]。其优点:压缩波束不需要消耗能量,功率只有30 W;易于发射和接收同一个波束,避免出现接收错误波束。本研究采用标准型的DIDSON,参数如表1所示,采用1.8 MHz的高频检测模式采集虾类数据。

表1 DIDSON技术参数

1.3 试验设计

为实现养殖塘虾群整体行为观测,在虾塘四周共设置了8个观测点位(如图1所示),相互间隔40 m,两岸对称设置,有效避免重复探测和探测数据较少的情况。

图1 虾塘采样点分布图

传统的架设支架定点观测的方式会消耗大量的人力和时间,设计了一套基于智能双体无人艇的DIDSON声呐观测系统(结构示意见图2),可实现较短时间内对养殖塘内虾群的整体行为观测,提高了虾群行为观察能力,避免了管中窥豹,为准确掌握虾群的周期活动规律提供了一种有效的技术思路。

图2 基于DIDSON双频识别声呐的智能双体无人艇观测系统

1.4 数据收集和处理

1.4.1 数据获取

数据采集安排在养殖塘投喂前1～2 h,此时虾群的行为比较活跃。DIDSON数据采集使用DIDSON V5.24软件,实时记录于采集电脑中,8个站点依次进行探测,探测时间设计为3 min,间隔时间约7 min。

本试验完整获取了8组声呐数据集(表2),保证了虾类目标提取和行为识别的准确性。

表2 声学观测数据

1.4.2 数据处理

(1)目标识别

本研究利用澳大利亚Echoview公司出品的水声数据处理软件,构建图像识别计数模型,开展虾类目标的提取与计数。模型技术流程如图3所示,主要关键步骤包括:图像增强模块(设定不同的滤波器算法去除背景噪声),目标检测模块(设定阈值实现对一些过大和过小鱼类目标的筛选,并将多波束数据转换为单个的鱼类目标数据),鱼类目标轨迹追踪(同时跟踪每个目标的信息)[11]。

图3 声呐图像目标识别与计数模型

(2)目标提取

受DIDSON仪器本身精度和分辨率的限制,加上周围环境噪声的干扰,体长小于5 cm的南美白对虾目标难以识别,同时本次探测时养殖对虾已到了出塘期,体型普遍较大,故在模型中将目标识别的最小阈值设为5 cm。通过查找资料和实际网捕数据分析,发现白对虾个体体长最大为23 cm,故将最大阈值设为23 cm。

(3)巡游通量计算

虾类的游塘行为是一种虾类成群结队有规律的绕塘巡游的现象。试验利用DIDSON声呐快速观测养殖塘的8个点位,并采集相同时间内通过的虾群数量,计算得出8个点位单位时间内的虾群通量,以科学反映出虾群的游塘行为。

通量计算公式如下:

L=2d×tanα+l

(1)

S=(L+l)×d÷2

(2)

f=N/(S×m)

(3)

式中:α为DIDSON声呐的垂直开角的一半,为7°;d为仪器安装距离池塘岸边的距离,m;l为仪器镜头的宽度(竖直方向上的大小),m;L为波束照射到池壁的竖直方向的高度, m;S为仪器照射范围的竖直方向的截面, m2;m为每个采样点的观测时间,min;N为每个采样点通过的南美白对虾总量,ind;f为每个采样点单位时间里通过横截面单位面积的南美白对虾通量,只/(min·m2)。

声呐照射投影示意图如图4所示。

图4 声呐照射投影示意图

(4)巡游方向观测

通量分析可以获得相同时间内通过8个观测点位的对虾数量。除此之外,仍需要对虾群巡游的方向进行判断。本试验由专业人员对DIDSON图像进行逐帧的识别和记录,以人工方式对8个不同观测点虾类目标游动方向进行判断和分析。如图5所示,设定目标从图像右侧向左侧移动的方向为正方向、反之为反方向,图5所示目标可计数为正方向游动目标7个、反方向游动目标0个,以此方法对所有的图像进行观测计数。

图5 声呐图像人工识别游动方向示例

2 试验分析

2.1 目标识别与数量统计

利用目标识别与计数模型,计算统计8个观测点的白对虾数量(如表3所示),从1号观测点到8号观测点的目标识别结果分别是:230只、251只、232只、230只、245只、238只、208只、236只,最大值为251只,最小值为208只,均值为233.75只,标准差为11.95只,表明养殖塘内白对虾分布较为均匀。

表3 自动计数与人工计数的误差

2.2 误差分析

为验证本研究声呐识别计数模型的准确性,开展自动计数与人工目视计数比较,即通过软件逐帧回放记录图像中南美白对虾体长大于5 cm的数量为参考值。如表3所示,两者最大误差值5.96%,最小误差值为2.59%,平均值为3.60%,表明本目标识别计数模型具有较高的精度。

2.3 通量分析

本试验中,设置的观测点位置距离岸边的距离约为2 m,DIDSON设备镜头的宽度l为0.07 m,每个采样点的观测时间为3 min。根据公式2计算照射区域的横截面面积为0.64 m2,随后计算得到每个观测点的通量,从1号观测点到8号观测点的通量分别是:119.79只、130.73只、120.83只、120.31只、127.60只、123.96只、108.33只、122.92只。如图6所示,每分钟通量的最大值为130.73只,最小值为108.33只,平均值为121.81只,标准差为6.20只。

图6 不同观测点虾的通量变化

2.4 巡游方向分析

经专业人员对DIDSON图像的逐帧识别并记录,结果如表4所示。

表4 南美白对虾方向分析

虾群的正向游动方向占比均在85%以上,最高可达92.57%。这一发现表明,虾群在巡游时展现出了较高的集体行为特征,主要表现为虾群整体呈现正向游动。这一群体行为的出现,尤其是投饵前出现,推测是虾群饥饿等生理原因导致的。因此,通过对虾类群体的行为分析, 有利于制定更加科学有效的投喂方案。

3 讨论

3.1 南美白对虾的计数模型/方法

为了验证本研究提出的图像识别计数模型针对南美白对虾进行目标识别计数的准确性,对8个采样点采集的数据分别进行了模型自动计数与传统人工计数的对比,如表3所示图像识别计数模型提取的目标总数与人工计数结果偏差均小于6%,具有较高的计数精度,可以作为一种观测和计数虾类目标的手段,为虾类行为观测提供新的可借鉴的技术和方法。表3中自动计数的值相对于人工计数往往偏高,主要有3点原因:(1)图像识别计数模型的轨迹跟踪算法存在误差,造成目标重复计数;(2)模型识别目标时将一些伪目标作为南美白对虾计数目标[20];(3)人工计数时存在视觉疲劳,少计或者漏计了部分目标[21]。后续工作中将完善图像识别计数模型中的目标识别和轨迹跟踪算法,引入更多的误差纠正因子,进一步提高识别计数精度。

3.2 主动声呐在虾塘的应用效果

王晓倩[22]利用摄像回放的形式观察记录罗氏沼虾摄食动作,并对罗氏沼虾摄食行为动作进行了初步定义;聂永康等[23]通过拍照和录像的方式统计虾类行为来测定紫海胆增殖放流对对虾行为的影响;曹正良等[24]使用被动声呐对不同体长南美白对虾摄食发声信号进行监测,发现南美白对虾摄食虾壳的发声信号与体长变化也存在一定规律但无明显线性变化规律。以上方法均在实验室内完成,未在实地得到考察验证。相较于传统的视觉观察和被动声呐调查[25],本研究利用主动识别声呐DIDSON实地观测养殖塘虾群并计数,从目标通量和游动方向两个方面分析了养殖塘虾类行为。从图6可以看出,不同点位每分钟的通量差异较小,最大值为131只/(min·m2),最小值为108只/(min·m2),标准差为6.20只/(min·m2),这表明虾群均匀地在养殖塘四周巡游。如表5所示,8个点位观测的虾群游动正方向占比均在85%以上,这表明虾群整体围绕着养殖塘作规律性的逆时针方向游动。由于本次观测在投喂饵料前1～2 h进行,推测是由于饥饿引起的虾群游塘行为。

3.3 主动声呐应用的可行性分析

目前主动识别声呐已经广泛地应用于渔业资源评估、水下目标种类鉴别和调查生物与环境之间的影响等方面[26]。Swanson等[27]使用双频识别声呐(DIDSON)监测了密歇根湖支流博德曼河的三种大小不同的洄游鱼类在春季和夏季进入河流的行为,并对鱼类行为的环境影响因子进行了评估;王彬等[28]用DIDSON对辽东湾近海沙海蜇的丰度和垂直分布进行了监测,并与传统网具调查进行了对比;荆丹翔等[29]利用DIDSON进行了鱼群目标检测和运动轨迹研究,并提出了一种基于成像声呐的鱼群数量估计方法。相对于传统的虾类行为分析方法[30],主动识别声呐观测方法对水质环境要求低、成像清晰、适用性高。本试验结果显示,主动识别声呐可以较好地应用于虾类行为观测。但是,由于声呐图像中虾群重叠导致虾类目标识别计数误差,需进一步开发更高效智能的识别算法,下一步计划可将机器学习、深度学习等方法应用到虾类目标提取算法中,以进一步提高声呐图像目标提取的精度和自动化水平,从而实现对虾类目标和行为的准确分析。对某些复杂水域或大面积养殖,可根据具体情况将DIDSON主动声呐、被动声呐、传统网捕捞和目视观测等方法选择性的集成应用。

4 结论

为实现高效、快速和准确的虾类识别和行为观测,提出了一种基于主动识别声呐的养殖塘虾类观测识别和行为分析方法,初步实现了养殖池南美白对虾行为的观测与分析,有效地解决养殖塘中虾群行为观测的难题,为制定更加高效的虾塘饲养和管理方案提供科学的数据支持。利用ECHOVIEW水声数据处理软件构建目标识别计数模型,对采集的高清声呐图像数据进行自动计数和人工计数,从目标通量和游动方向两个方面开展虾类行为研究,发现虾群整体围绕着养殖塘作规律性的逆时针方向游动,为后续养殖塘虾类行为观测研究提供了新方法。相较于传统的水下视觉观察和被动声呐调查,主动声呐识别观测方法对于水质环境要求低,成像清晰,适应性高;同时设计了一套基于智能双体无人艇的DIDSON声呐观测系统,实现了对养殖塘虾群的高效、快速、低成本的观测。本方法对于一些复杂的虾类行为难以做到全面、准确的判断,存在一定的局限性,后续研究中将结合被动声呐、视觉观测、实地捕捞等方式,对南美白对虾的游动速度、不同水层的分布和行为做进一步分析,不断提高虾类行为分析的准确性。

□