Research progress of intelligent identification technology in aquaculture
-
摘要:
智能识别技术是水产养殖由粗放型向集约型转变的关键技术。水产养殖中的智能识别是通过研究并利用机器视觉和机器学习技术实现水下生物和环境的监测，并对生产管理中出现的问题进行判断、分析和预测，以实现自动化养殖为目的。本文从生物的物种识别与分类、年龄识别、性别识别和行为识别4个方面分析了水产养殖中智能识别技术的研究和发展现状，阐述了水产养殖中采用的主要智能识别技术和原理，并对今后水产养殖中智能识别技术的发展进行了展望，以期为中国渔业现代化、智慧化发展提供参考和新思路。
Abstract:Intelligent identification technology is the key technology for the transformation of aquaculture from crude to intensive. Intelligent recognition in aquaculture is to realize the monitoring of underwater organisms and environment by researching and using machine vision and machine learning technology, and to judge, analyze and predict the problems arising in production management for the purpose of automated aquaculture. This review analyzed the research and development status of intelligent recognition technology in aquaculture from four aspects of species recognition and classification, age recognition, sex recognition and behavior recognition of organisms, described the main intelligent recognition technologies and principles used in aquaculture, and provided an outlook on the future development of intelligent recognition technology in aquaculture, with a view to providing references and new ideas for the modernization and intelligent development of Chinese fisheries industry.
-
柑橘黄龙病(Huanglongbing, HLB)是一种具有毁灭性和传染性的全株系统性病害，严重影响柑橘果实的品质和产量[1-3]。目前没有能够根治黄龙病的方法[4-5]。柑橘木虱Diaphorina citri Kuwayama隶属半翅目Hemiptera木虱科Psyllidae，是已知田间传播柑橘黄龙病最重要的虫媒，加强对木虱的防治是控制或降低黄龙病发病与蔓延的关键 [6-7]。目前，我国防治柑橘木虱最常用的方法为化学防治。由于木虱在柑橘的整个生长期都有发生风险，国内柑橘种植区每年喷药防治柑橘木虱的次数少则12次、多达20次[8]，农药使用次数和使用量的加大，必然会带来严重的抗药性和环境污染等一系列问题。农药减量增效是我国农业可持续发展的重要保障，新的导向施药方式的推广和应用能够有效降低农药使用量和农药对环境的影响。滴灌施药作为一种导向的施药方式，将农药定向施于植物根部区域进而防治病虫草害。有研究表明，将水溶性熏蒸剂滴灌施用于草莓园，能有效防治土壤害虫，增加了农药有效利用率，并且更加安全环保[9]。滴灌施用氯虫苯甲酰胺经作物根部吸收，通过木质部转运至地上部，能够有效防治棉铃虫，并且一次滴药的效果优于多次喷雾施药[10]。目前，滴灌技术在柑橘园的应用日益普及，但国内滴灌施药防治柑橘木虱研究鲜见报道[11]。本文通过滴灌施药方式，研究了噻虫胺对柑橘木虱的防治效果，以明确滴灌施药防治柑橘木虱的可行性，为柑橘木虱防治提供新的有效手段。
1. 材料与方法
1.1 供试材料
柑橘品种为年橘Citrus reticulate cv. Nianju，购自广东省惠州市惠东县人民政府水果生产办公室。植株为种植袋中生长1年的年橘苗，株高(96.40±2.99) cm，冠幅直径(53.80±2.82) cm，径粗(9.40±0.40) mm；种植袋大小为上径38 cm，下径27 cm，高30 cm。室内试验在华南农业大学资源环境学院楼顶的网室内进行，水肥管理按照正常水平。柑橘木虱采自华南农业大学茶山区住宅楼下的九里香Murraya exoticaL.上，置于人工气候箱中饲养，饲喂健康九里香叶片，饲养条件：温度(26±1) ℃，相对湿度70%~80%，光照时间14 h光∶10 h暗。50%噻虫胺水分散粒剂，由江苏腾龙生物药业有限公司提供；色谱级有机溶剂购自北京迈瑞达科技有限公司；其余试剂均为国产分析纯。
1.2 室内模拟滴灌施药试验
1.2.1 施药方式
采用输液器和塑料瓶模拟滴灌装置，调节流速为2 L·h–1。按照田间已有的噻虫胺推荐用药量，将0.2 g噻虫胺(有效成分)溶于400 mL清水中，通过滴灌方式进行施药。以清水为对照，每个处理重复3次。
1.2.2 生测试验
采集药后2、4、6、8、10、20、30、40、60、80、100、120 d的柑橘叶片。每株采集2片大小基本一致的叶片，每处理组采集3株。用清水将叶片冲洗干净，擦干水。叶柄插入含1.5 mL水的离心管中，封口膜封好离心管口，然后将叶片放入50 mL尖底离心管中，每个离心管中接入10头木虱成虫。将离心管放入人工气候箱中，与饲养木虱的条件一致，以96 h的校正死亡率作为防治效果[12]。
1.2.3 叶片、土壤样品采集
取药后10、20、30、40、60、80、100和120 d的柑橘上部叶片进行噻虫胺含量分析。土壤样品为药后2和45 d采集距离滴头水平方向和垂直方向均为0~15 cm的土壤，间隔距离为5 cm，土壤样品采集示意图见图1。对土壤样品进行缩分，剔除土壤中的石块和杂草后过筛混合均匀，装入自封袋中，于–20 ℃保存，待测。
1.3 田间滴灌施药试验
试验地点为广东省惠州市龙门县永汉镇柑橘种植园(N23°34′6.92″，E113°58′24.59″)。植株为种植1.5年的年橘，冠幅直径151.79 cm，株高143.71 cm，种植密度约1 650株·hm–2。药剂为w=50%的噻虫胺水分散粒剂，每株柑橘用药量为1.0 g噻虫胺，田间水肥管理按照常规方式进行。每个小区6株柑橘树，重复3次。试验时间为2016年9月至2017年1月。
果园装有滴水灌溉系统，沿着柑橘树种植方向，在柑橘树两侧滴水线位置各铺设一条滴灌带，每棵树的两侧各有2个滴头，滴灌带直径1.5 cm，滴头流量为2 L·h–1。以电动喷雾器模拟小型施药池，电动喷雾器的喷头经过改装后与滴灌带连接，调整喷雾器的出水压力。每组处理用72 L的水溶解稀释药剂，药剂在塑料桶中溶解搅拌均匀后倒入电动喷雾器中，进行滴灌施药。在滴灌施药前每个小区先滴清水100 L，然后进行滴灌施药，药后滴清水50 L冲洗管道。
采集药后1、3、7、14、21、35、49、63、77和91 d柑橘树上、中、下部的叶片，沿着柑橘树东南西北的每个方位各取2个嫩梢，每组随机选择4株柑橘树进行采样，检测叶片中噻虫胺的含量。
1.4 噻虫胺含量的分析方法
1.4.1 叶片样品
称取样品2 g(精确到0.01 g)于50 mL带塞离心管中，加入2 mL水润湿，再加入5 mL乙腈，涡旋提取2 min，加入0.5 g氯化钠和2 g无水硫酸镁，立即手摇震荡混匀，涡旋1 min。3 500 r·min–1低速离心5 min。吸取上清液1 mL至装有20.0 mg MWCNTs+50.0 mg PSA+150.0 mg无水硫酸镁的2 mL塑料离心管中，涡旋20 s，高速离心1 min后，上清液经0.22 μm滤膜过滤，待测。
采用TSQ-Quantum Ultra液相色谱串联三重四级杆质谱仪检测叶片中噻虫胺含量。条件：Hypersil GOLD色谱柱，流动相为V(乙腈)∶V(含体积分数0.1%甲酸的水)，采用梯度洗脱(30∶70，0~2.0 min；30∶70变化至90∶10，2.0~3.0 min；90∶10，3.0~4.5 min，由90∶10变化至30∶70，4.5~4.6 min；30∶70，4.6~6.5 min)，流速为0.4 mL·min–1，进样量为5 μL，柱温为30 ℃。
质谱条件：喷雾电压为3 500 V，传输毛细管温度为300 ℃，雾化温度为300 ℃，碰撞气压力为1.2 mTorr，鞘气压力为35 bar，辅助气压力为15 bar，电离方式为电喷雾离子化(ESI)，正离子模式。扫描方式为选择反应监测扫描(SRM)。噻虫胺保留时间1.29 min，母离子(m/z)250.0，子离子(m/z)169.1。
线性相关性测定：将噻虫胺用基质配制成15、12、5、1、0.5、0.1、0.05、0.01 mg·L–1的标准溶液，经LC-MS/MS测定，噻虫胺的标准曲线符合方程y=401 550x–91 187，R2=0.999 8，相关性好, 满足定量分析要求。
1.4.2 土壤样品
称取样品10 g(精确到0.01 g)于100 mL离心管中，加入5 mL去离子水润湿，再加入40 mL乙腈，涡旋振荡3 min，超声20 min，于4 000 r·min–1的转速下离心 5 min，取上清液于装有4 g氯化钠的50 mL离心管中，涡旋振荡5 min，静置30 min使乙腈和水分层，取30 mL乙腈在45 ℃左右旋转蒸干，加入2 mL色谱乙腈洗脱。取1 mL洗脱液至装有100.0 mg PSA+100.0 mg C18+100.0 mg无水硫酸镁的2 mL离心管中，涡旋振荡1 min，在13 000 r·min–1的转速下离心5 min，吸取上清液过0.22 μm有机滤膜，待测。
采用Agilent 1100高效液相色谱检测土壤中噻虫胺的含量。TC-C18 反相色谱柱，流动相为V(乙腈)∶V(水)=25∶75，检测波长为254 nm，流速为1.0 mL·min–1，进样量为10 μL，柱温为30 ℃。
线性相关性测定：将噻虫胺用色谱乙腈配制成100、50、25、10、5、2.5、1、0.5 mg·L–1的标准溶液，经液相色谱测定，噻虫胺的标准曲线符合方程y=37.978x−14.937，R2=0.999 9，满足色谱分析定量要求。
1.4.3 添加样品回收试验
称取空白叶片样品2 g(精确到0.01 g)于50 mL带塞离心管中，向样品中添加噻虫胺的标准溶液，添加质量分数分别为2.500、0.250、0.025 mg·kg–1，5个重复。按照上述处理步骤进行提取、净化和液质检测。
称取空白的土壤样品10 g(精确到0.01g)于100 mL离心管中，向样品中添加噻虫胺的标准溶液，添加质量分数为25.00、5.00、0.50 mg·kg−1，5个重复。按照上述处理步骤进行提取、净化和液相检测。
1.5 数据处理
采用SPSS 20.0软件和Microsoft Office Excel 2010软件处理数据，差异显著性分析采用Duncan’s法，使用Origin 9.0制作图形。
2. 结果与分析
2.1 添加回收率
由表1可知，当空白叶片样品中噻虫胺的添加质量分数为0.025、0.250和2.500 mg·kg–1时，噻虫胺的平均回收率为89.94%、96.72%和104.17%，RSD分别为16.75%、2.89%和1.54%。当空白土壤样品中噻虫胺的添加质量分数为0.5、5.0和25.0 mg时，噻虫胺的平均回收率为82.97%、84.48%和92.15%，RSD分别为6.02%、2.67%和7.59%。表明噻虫胺的分析方法均符合农药残留分析的要求。
表 1 噻虫胺在柑橘叶片和土壤中的添加回收率Table 1. Recovery rates and relative standard deviations (RSD) of clothianidin in citrusleaves and soil n=5 样品
Sample噻虫胺添加量/(mg·kg–1)
Added clothianidin回收率/% Recovery rates RSD/
%1 2 3 4 5 平均 Average 叶片 Leaf 2.500 104.26 103.01 102.55 104.34 106.67 104.17 1.54 0.250 96.35 93.04 98.89 95.32 100.01 96.72 2.89 0.025 72.90 89.43 114.27 87.49 85.60 89.94 16.75 土壤 Soil 25.0 96.59 90.72 87.85 84.01 101.59 92.15 7.59 5.0 85.14 82.74 84.27 82.31 87.95 84.48 2.67 0.5 81.88 81.02 83.80 77.30 90.83 82.97 6.02 2.2 室内滴灌施用噻虫胺试验结果
2.2.1 防治效果
采集药后柑橘上部叶片饲喂柑橘木虱，结果见图2A。滴灌施药后，柑橘木虱的校正死亡率逐渐升高，药后6 d，噻虫胺对柑橘木虱的防效为75.70%±9.05%；药后8~100 d噻虫胺对木虱的防效均大于90%；药后120 d，柑橘木虱的校正死亡率开始降低，防效为82.45%±1.30%。表明在室内条件下，一次滴灌施用噻虫胺对柑橘木虱的防治效果可达4个月。
![图 2 噻虫胺对柑橘木虱的防治效果及在柑橘叶片中的含量变化]()
图 2 噻虫胺对柑橘木虱的防治效果及在柑橘叶片中的含量变化各图中柱子上方的不同小写字母表示差异显著(P<0.05, Duncan’s 法)Figure 2. The control efficacy of clothianidin on citrus psyllid and clothianidin content in citrus leavesDifferent lowercase letters on the bar of each figure indicated significant difference (P<0.05, Duncan’s method)2.2.2 叶片中噻虫胺的含量
为明确防治效果与叶片中药剂含量之间的关系，检测分析了柑橘叶片中的噻虫胺含量，结果见图2B。在药后10~120 d，噻虫胺在叶片中的含量总体呈先升高后降低趋势。在药后40 d，叶片中噻虫胺质量分数达到最高，为(7.78±0.84) mg·kg–1；随后逐渐降低，药后120 d叶片中噻虫胺质量分数为(0.64±0.11) mg·kg–1。由防效结果(图2A)可知，在药后10 ~120 d噻虫胺对柑橘木虱的防治效果均高于80%，结合叶片中的药剂含量，表明滴灌施药后当叶片中的含量大于0.64 mg·kg–1时，能够有效防治柑橘木虱。
2.2.3 噻虫胺在土壤中的分布
为明确滴灌后噻虫胺在土壤中的分布，采集了药后2 h和45 d的土壤样品进行检测分析，结果见表2。在药后2 h噻虫胺主要分布在距离滴头水平和垂直方向均为0~10 cm的土壤范围内，迁移速率相差不大。在药后45 d，噻虫胺逐渐向远离滴头的方向迁移，噻虫胺在距离滴头水平方向0~5 cm、垂直方向0~15 cm(即第一纵列)和距离滴头水平方向0~15 cm、垂直方向0~5 cm(即第1横行)的范围内其含量逐渐升高。噻虫胺在上、中、下3层土壤中噻虫胺质量分数最大值分别为1.74、3.81和4.08 mg·kg–1，且三者所在的位置在土壤中呈一斜线，即以滴头为起始点，噻虫胺在土壤中呈半圆形迁移分布。
表 2 离滴头不同距离的土壤中噻虫胺的分布1)Table 2. The distribution of clothianidin in soil at different distance from emitter药后时间
Time after treatment土壤深度/cm
Soil depthw(噻虫胺)不同距离/(mg·kg–1) Clothianidin content at different distance 0~5 cm 5~10 cm 10~15 cm 2 h 0~5 24.90±6.73aA 21.32±3.44aA 5.50±0.31aB 5~10 25.04±8.67aA 17.16±1.42aA 4.38±0.35bB 10~15 6.52±1.78bA 6.95±0.36bA 0.83±0.42cB 45 d 0~5 0.38±0.03cC 1.14±0.16bAB 1.74±0.43aA 5 ~10 2.84±0.27bA 3.81±0.76aA 0.41±0.13bB 10~15 4.08±0.55aA 1.01±0.12bB 0.28±0.10bB 1) 相同施药时间、同列数据后的不同小写字母表示差异显著，同行数据后不同大写字母表示差异显著(P<0.05，Duncan’s 法)
1) Different lowercase letters in the same column and time indicated significant difference，different capital letters in the same row indicated significant difference (P<0.05, Duncan’s method)2.3 田间滴灌施药叶片中噻虫胺的含量
柑橘园对柑橘木虱的治理以预防为主。对柑橘园进行滴灌施药，采集柑橘树上、中、下部的叶片，检测噻虫胺在叶片中的含量，结果如图3所示。在田间条件下，噻虫胺在植株叶片中的分布整体趋势为上部叶＞中部叶＞下部叶。滴灌施药后35 d内，噻虫胺在叶片中的含量逐渐升高，上、中、下部叶片中噻虫胺质量分数最大值分别为2.04、1.26和0.98 mg·kg–1(df=8, F=7.169, P=0.048)。在药后35~91 d噻虫胺在叶片中的含量逐渐降低，在药后91 d上、中、下部叶片中噻虫胺质量分数分别降至0.40、0.12和0.08 mg·kg–1(df=8, F=25.462, P=0.005)，分别为最大值的19.61%、9.52%和8.16%。在药后7~63 d，上部叶片中噻虫胺质量分数为0.61~2.04 mg·kg–1。室内模拟滴灌试验表明，当叶片中噻虫胺质量分数大于0.64 mg·kg–1时，对柑橘木虱的防治效果达80%以上，因此在田间条件下进行滴灌施药防治或预防柑橘木虱是可行的。
![图 3 噻虫胺在田间柑橘植叶片中的分布]()
图 3 噻虫胺在田间柑橘植叶片中的分布Figure 3. The distribution of clothianidin of citrus leaves in field3. 讨论与结论
柑橘木虱喜取食柑橘、九里香的嫩梢，在柑橘树上相对聚集度较高，雌虫多将卵产于嫩芽的缝隙中，传统喷雾药剂难以有效接触[13-14]；另外，柑橘木虱在柑橘的整个生长期都有发生风险，而柑橘木虱的种群动态与嫩梢的生长密切相关，抽梢越多柑橘木虱密度越大[15-16]。目前柑橘园通常采用多次大量喷施杀虫剂防控柑橘木虱的发生，这必然引起对天敌昆虫的杀伤、木虱抗药性以及农药残留超标等一系列问题。本研究表明，在室内一次滴灌施药，8 d后防治效果能达到90%，并能够实现对柑橘木虱长达4个月的防治效果。
在田间滴灌施药条件下，噻虫胺在药后63 d内叶片中的含量可有效预防柑橘木虱的发生，且上部叶中的含量高于中下部叶，这一现象对化学防治柑橘木虱具有重要生物学意义。造成这一现象的原因可能是：1)由于柑橘上部叶片生命力旺盛，需要更多的养分和水分，形成了一个较强的库；同时，上部叶片具有更好的光照和通风条件，有利于叶片的蒸腾作用，从而使得上部叶片药剂含量较高。有文献报道，吡虫啉和久效磷通过树干注射后，其在植物体内上部叶含量明显高于下部叶[17-18]。2)具有韧皮部输导性的农药分子能够在植物体内进行再分配，从而向上部幼嫩部位积累。例如，叶片施用2, 4–D和草甘膦后，在蚕豆和蓖麻上表现出明显的顶端积累[19-20]。
滴灌施药是将农药溶于灌溉水，借助现有的滴水灌溉系统进行施药的方式。目前滴灌施药应用越来越广泛[21]。与叶面喷雾和浇灌相比，滴灌施药不仅可以代替叶面施药或减少用药量，而且可以降低对非靶标生物的影响，在浇水、施肥的同时将农药定向均匀地施于作物根部，实现了水肥药一体化，从而大大降低农业生产的投入成本，省时省力[22]。药剂的理化性质影响滴灌后农药在土壤中的迁移分布，决定农药是否能够到达靶标区域，进而对农药的使用效果产生影响[23]。本研究结果表明，噻虫胺随着水分在土壤中迁移，以滴头为起点呈半圆形分布。柑橘的根系呈球形分布，须根系分布在外围，噻虫胺在土壤中的分布特点有利于柑橘须根系对药剂的吸收。
噻虫胺属于新烟碱类农药，具有优越的内吸性，可防治半翅目、鞘翅目和某些鳞翅目害虫，尤其对刺吸式害虫具有低剂量高防效的特点，现已有登记产品将其进行灌根、喷淋、撒施或拌种等用于防治田间害虫[24]。Langdon等[25]报道噻虫胺对柑橘木虱的胃毒活性LC50为0.09 mg·L–1、LC90为9.35 mg·L–1。本研究叶片中噻虫胺的质量分数为0.64 mg·kg–1时对柑橘木虱的防效大于80%，此药剂浓度位于Langdon等[25]报道的LC50和LC90之间。在我国，有报道将30%噻虫胺·除虫脲悬浮剂通过喷雾能有效防治柑橘木虱15 d以上[26]；而国外有研究表明将噻虫胺进行浇灌，在药后10 d柑橘木虱的死亡率达到80%，在温室内持效期可达90 d[27]。本研究中噻虫胺通过滴灌施药在室内防治柑橘木虱能够持续120 d。新烟碱类农药会对蜜蜂等传粉昆虫产生影响，使得其在某些国家和地区已经被禁用或限用，也有研究表明噻虫胺不会对蜜蜂产生不利影响[28]。因此，滴灌施用噻虫胺后，其在柑橘花粉和果实中的含量以及对蜜蜂的影响值得进一步深入研究。
致谢：广东省农业科学院果树研究所吴文研究员以及华南农业大学园艺学院陈杰忠教授给予指导，谨致谢意！
-
![]()
图 3 不同品种鱼的特征变换与知识迁移
Figure 3. Feature transformation and knowledge transfer of different fish species
-
[1] FAO. Fisheries and aquaculture statistics [M]. Rome: FAO fisheries and Aquaculture Department, Food and Agriculture Organization of the United Nations, 2016.
[2] 粮农组织渔业及水产养殖部. 2019冠状病毒(COVID-19)大流行对渔业和水产养殖的影响概述: 《2020年世界渔业和水产养殖状况》增补[M]. 罗马: 联合国粮食及农业组织, 2020. [3] 中国水产学会. 水产学学科发展报告: 2006—2007[M]. 北京: 中国科学技术出版社, 2007. [4] LANGAN R, COUTURIER M. Finfish aquaculture diversification[M]. London: CABI, 2002.
[5] DALSGAARD J, LUND I, THORARINSDOTTIR R, et al. Farming different species in RAS in Nordic countries: Current status and future perspectives[J]. Aquacultural Engineering, 2013, 53: 2-13. doi: 10.1016/j.aquaeng.2012.11.008
[6] 陈桂芬, 李静, 陈航, 等. 大数据时代人工智能技术在农业领域的研究进展[J]. 中国农业文摘(农业工程), 2019, 31(1): 12-16. [7] 黄志涛, 何佳, 宋协法. 基于鱼体运动特征和图像纹理特征的鱼类摄食行为识别与量化[J]. 中国海洋大学学报(自然科学版), 2022, 52(1): 32-41. doi: 10.16441/j.cnki.hdxb.20210050 [8] 袁小平, 石慧. 基于迁移学习的鱼类识别方法研究[J]. 计算机技术与发展, 2021, 31(4): 52-56. doi: 10.3969/j.issn.1673-629X.2021.04.009 [9] 袁红春, 张硕. 基于Faster R-CNN和图像增强的水下鱼类目标检测方法[J]. 大连海洋大学学报, 2020, 35(4): 612-619. [10] QUINLAN J R. Induction of decision trees[J]. Machine Learning, 1986(1): 81-106.
[11] LEWIS D D. Naive (bayes) at forty: The independence assumption in information retrieval [C]//Proceedings of the 10th European Conference on Machine Learning. Berlin : Springer-Verlag, 1998: 4-15.
[12] CORTES C, VAPNIK V. Support-vector networks[J]. Machine Learning, 1995, 20(3): 273-297.
[13] KRIZHEVSKY A, SUTSKEVER I, HINTON G. ImageNet classification with deep convolutional neural networks[J]. Communications of the ACM, 2017, 60: 84-90. doi: 10.1145/3065386
[14] VILLON S, MOUILLOT D, CHAUMONT M, et al. A Deep learning method for accurate and fast identification of coral reef fishes in underwater images[J]. Ecological Informatics, 2018, 48: 238-244. doi: 10.1016/j.ecoinf.2018.09.007
[15] RAUF H T, LALI M I U, ZAHOOR S, et al. Visual features based automated identification of fish species using deep convolutional neural networks[J]. Computers and Electronics in Agriculture, 2019, 167: 105075. doi: 10.1016/j.compag.2019.105075
[16] LI X, SHANG M, HAO J, et al. Accelerating fish detection and recognition by sharing CNNs with objectness learning[C]//OCEANS 2016 - Shanghai. Shanghai: IEEE, 2016: 1-5.
[17] LABAO A B, NAVAL P C JR. Cascaded deep network systems with linked ensemble components for underwater fish detection in the wild[J]. Ecological Informatics, 2019, 52: 103-121. doi: 10.1016/j.ecoinf.2019.05.004
[18] CAI K W, MIAO X Y, WANG W, et al. A modified YOLOv3 model for fish detection based on MobileNetv1 as backbone[J]. Aquacultural Engineering, 2020, 91: 102117. doi: 10.1016/j.aquaeng.2020.102117
[19] SHEVCHENKO V, EEROLA T, KAARNA A. Fish detection from low visibility underwater videos[C]//The 24th International Conference on Pattern Recognition (ICPR), Beijing: IEEE, 2018: 1971-1976.
[20] GAUDE G S, BORKAR S. Fish detection and tracking for turbid underwater video[C]//2019 International Conference on Intelligent Computing and Control Systems (ICCS). Madurai : IEEE, 2019: 326-331.
[21] TAMOU A B, BENZINOU A, NASREDDINE K, et al. Transfer learning with deep convolutional neural network for underwater live fish recognition[C]//2018 IEEE International Conference on Image Processing, Applications and Systems (IPAS). Sophia Antipolis: IEEE, 2018: 204-209.
[22] MENG L, HIRAYAMA T, OYANAGI. S. Underwater-drone with panoramic camera for automatic fish recognition based on deep learning[J]. IEEE Access, 2018, 6: 17880-17886. doi: 10.1109/ACCESS.2018.2820326
[23] XU W, MATZNER S. Underwater fish detection using deep learning for water power applications[C]//2018 International Conference on Computational Science and Computational Intelligence (CSCI). Las Vegas: IEEE, 2018: 313-318.
[24] KARTIKA D, HERUMURTI D. Koi fish classification based on HSV color space[C]//2016 International Conference on Information & Communication Technology & Systems. Surabaya: IEEE, 2017: 96-100.
[25] THARWAT A, HEMEDAN A A, HASSANIEN A E, et al. A biometric-based model for fish species classification[J]. Fisheries Research, 2018, 204: 324-336. doi: 10.1016/j.fishres.2018.03.008
[26] SALMAN A, JALAL A, SHAFAIT F, et al. Fish species classification in unconstrained underwater environments based on deep learning[J]. Limnology and Oceanography:Methods, 2016, 14(9): 570-585. doi: 10.1002/lom3.10113
[27] JALAL A, SALMAN A, MIAN A, et al. Fish detection and species classification in underwater environments using deep learning with temporal information[J]. Ecological Informatics, 2020, 57: 101088. doi: 10.1016/j.ecoinf.2020.101088
[28] CHRISTENSEN J H, GALEAZZI R, MOGENSEN L V, et al. Detection, ocalization and classification of fish and fish species in poor conditions using convolutional neural networks[C]//2018 IEEE OES Autonomous Underwater Vehicle Symposium. Porto: IEEE, 2018: 1-6
[29] SUN X , SHI J, DONG J, et al. Fish recognition from low-resolution underwater images[C]//2016 9th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI). Datong : IEEE, 2016: 471-476
[30] PRAMUNENDAR R A, WIBIRAMA S, SANTOSA P I. Fish classification based on underwater image interpolation and back-propagation neural network[C]//2019 5th International Conference on Science and Technology (ICST). Yogyakarta: IEEE, 2019: 1-6.
[31] RACHMATULLAH M N, SUPRIANA I. Low resolution image fish classification using convolutional neural network[C]//2018 5th International Conference on Advanced Informatics: Concept Theory and Applications (ICAICTA). Krabi: IEEE, 2018: 78-83.
[32] JIN L, HONG L. Deep learning for underwater image recognition in small sample size situations[C]//OCEANS 2017 - Aberdeen. Aberdeen: IEEE, 2017: 1-4.
[33] ALLKEN V, HANDEGARD N O, ROSEN S, et al. Fish species identification using a convolutional neural network trained on synthetic data[J]. ICES Journal of Marine Science, 2019, 76(1): 342-349. doi: 10.1093/icesjms/fsy147
[34] MATHUR M, VASUDEV D, SAHOO S, et al. Crosspooled FishNet: Transfer learning based fish species classification model[J]. Multimedia Tools and Applications, 2020, 79(41/42): 31625-31643. doi: 10.1007/s11042-020-09371-x
[35] SIDDIQUI S A, SALMAN A, MALIK M I, et al. Automatic fish species classification in underwater videos: Exploiting pre-trained deep neural network models to compensate for limited labelled data[J]. ICES Journal of Marine Science, 2017, 75(1): 374-389.
[36] QIN H, LI X, LIANG J, et al. DeepFish: Accurate underwater live fish recognition with a deep architecture[J]. Neurocomputing, 2016, 187: 49-58. doi: 10.1016/j.neucom.2015.10.122
[37] RATHI D, JAIN S, INDU S. Underwater fish species classification using convolutional neural network and deep learning[C]//2017 9th International Conference on Advances in Pattern Recognition (ICAPR). Bangalore: IEEE, 2017: 1-6.
[38] DEEP B V, DASH R. Underwater fish species recognition using deep learning techniques[C]//2019 6th International Conference on Signal Processing and Integrated Networks (SPIN). Noida : IEEE, 2019: 665-669.
[39] SUCHARITA V, JYOTHI S. An identification of penaeid prawn species based on histogram values[J]. International Journal of Advanced Research in Computer Science and Software Engineering, 2013, 3(7): 807-811.
[40] LIU Z, JIA X, XU X. Study of shrimp recognition methods using smart networks[J]. Computers and Electronics in Agriculture, 2019, 165: 104926. doi: 10.1016/j.compag.2019.104926
[41] 刘子豪. 基于机器视觉技术的南美白对虾分类算法研究与在线实现[D]. 杭州: 浙江大学, 2017. [42] 李渊博. 基于轻量级深度学习的虾关键点检测及个体识别算法研究[D]. 杭州: 浙江大学, 2021. [43] 张超. 计算机视觉技术在梭子蟹养殖中的应用研究[D]. 宁波: 宁波大学, 2014. [44] 韩牧轩, 秦杰文, 段友健, 等. 鸭绿沙塘鳢耳石质量与年龄的关系[J]. 辽东学院学报(自然科学版), 2022, 29(1): 6-11. doi: 10.14168/j.issn.1673-4939.2022.01.02 [45] 轩中亚, 姜涛, 刘洪波, 等. 基于耳石微化学分析的鱼类种群生态学研究进展[J]. 渔业科学进展, 2022, 43(1): 1-14. doi: 10.19663/j.issn2095-9869.20210528002 [46] 王继隆, 刘伟, 杨文波, 等. 基于耳石微化学特征的大麻哈鱼生境履历分析及其在群组鉴别中的应用[J]. 中国海洋大学学报(自然科学版), 2021, 51(10): 51-59. [47] 杨坤, 刘小帅, 李天才, 等. 鲈鲤早期鱼苗的耳石标记研究[J]. 水生生物学报, 2021, 45(4): 889-897. doi: 10.7541/2021.2019.259 [48] ROBERTSON S, MORISON A. Development of an artificial neural network for automated age estimation[M]. Department of Natural Resources and Environment, Victoria, 2001.
[49] FABLET R, JOSSE N L. Automated fish age estimation from otolith images using statistical learning[J]. Fisheries Research, 2005, 72(2/3): 279-290.
[50] BERMEJO S, MONEGAL B, CABESTANY J. Fish age categorization from otolith images using multi-class support vector machines[J]. Fisheries Research, 2007, 84(2): 247-253. doi: 10.1016/j.fishres.2006.11.021
[51] 刘凤连, 王玲, 温显斌, 等. 基于图像处理技术与支持向量机的鱼龄识别[J]. 光电子·激光, 2010, 21(11): 1730-1733. [52] MOEN E, HANDEGARD N O, ALLKEN V, et al. Automatic interpretation of otoliths using deep learning[J]. PLoS One, 2018, 13(12): e0204713. doi: 10.1371/journal.pone.0204713
[53] ORDONEZ A, EIKVIL L, SALBERG A B, et al. Explaining decisions of deep neural networks used for fish age prediction[J]. PLoS One, 2020, 15(6): e0235013. doi: 10.1371/journal.pone.0235013
[54] POLITIKOS D V, PETASIS G, CHATZISPYROU A, et al. Automating fish age estimation combining otolith images and deep learning: The role of multitask learning[J]. Fisheries Research, 2021, 242: 106033.
[55] BENZER S, GARABAGHI F H, BENZER R, et al. Investigation of some machine learning algorithms in fish age classification[J]. Fisheries Research, 2022, 245: 106151.
[56] WILLIAMS T, BEDFORD B C. The use of otoliths for age determination[C]//BAGENAL T B. The ageing of fish: Proceedings of the International Symposium. London: Allen & Unwin, 1974.
[57] PANFILI J, PONTUAL H D, TROADEC H, et al. Manual of fish sclerochronology[M]. Brest: IFREMER-IRD, 2002.
[58] WANG C H, WALTHER B D, GILLANDERS B M. Introduction to the 6th International Otolith Symposium[J]. Marine and Freshwater Research, 2019, 70: 1-3. doi: 10.1071/MF18355
[59] ELSDON, T S, WELLS, B K, CAMPANA, S E. Otolith chemistry to describe movements and life-history parameters of fishes: Hypotheses, assumptions, limitations and inferences[J]. Oceanography and Marine Biology:An Annual Review, 2008, 46: 297-330.
[60] 陶彬彬, 胡炜. 鱼类性别控制育种研究进展[J]. 中国农业科技导报, 2022, 24(2): 1-10. doi: 10.13304/j.nykjdb.2021.0582 [61] 韩玥, 蔺佳文, 韩英. 鱼类性别调控机制的研究进展[J]. 黑龙江动物繁殖, 2020, 28(1): 47-51. [62] 龙娟, 郑树清, 王晓双, 等. TGF-β信号通路在鱼类性别决定与分化中的作用[J]. 水产学报, 2020, 44(1): 166-177. [63] 喻杰, 杨弘. 鱼类性别决定的遗传基础及性别控制技术在水产养殖中的应用[J]. 大连海洋大学学报, 2020, 35(2): 161-168. doi: 10.16535/j.cnki.dlhyxb.2019-090 [64] 齐飘飘, 陈敏, 于跃, 等. 高温和皮质醇对黄颡鱼性别分化的影响[J]. 水生生物学报, 2021, 45(1): 106-117. doi: 10.7541/2021.2020.044 [65] DU H, ZHANG X, LENG X, et al. Gender and gonadal maturity stage identification of captive Chinese sturgeon, Acipenser sinensis, using ultrasound imagery and sex steroids[J]. General and Comparative Endocrinology, 2017, 245: 36-43.
[66] GOLPOUR A, BROQUARD C, MILLA S, et al. Gonad histology and serum 11-KT profile during the annual reproductive cycle in sterlet sturgeon adult males, Acipenser ruthenus[J]. Reproduction in Domestic Animals, 2017, 52: 319-326. doi: 10.1111/rda.12911
[67] YARMOHAMMADI M, POURKAZEMI M, KAZEMI R, et al. Sex steroid level and sexual dimorphism expression of genes in gonads of the great sturgeon Huso huso Linneaus, 1758 during maturity developmental stages[J]. Aquaculture Research., 2017, 48(4): 1413-1429. doi: 10.1111/are.12977
[68] BARULIN N V. Using machine learning algorithms to analyse the scute structure and sex identification of sterlet Acipenser ruthenus (Acipenseridae)[J]. Aquaculture Research, 2019, 50: 2810-2825.
[69] CUI Y, PAN T, CHEN S, et al. A gender classification method for Chinese mitten crab using deep convolutional neural network[J]. Multimedia Tools and Applications, 2020, 79(11/12): 7669-7684. doi: 10.1007/s11042-019-08355-w
[70] TODD E V, ORTEGA-RECALDE O, LIU H, et al. Stress, novel sex genes, and epigenetic reprogramming orchestrate socially controlled sex change[J]. Science Advances, 2019, 5(7): eaaw7006. doi: 10.1126/sciadv.aaw7006.
[71] LI D, WANG Z, WU S, et al. Automatic recognition methods of fish feeding behavior in aquaculture: A review[J]. Aquaculture, 2020, 528: 735508. doi: 10.1016/j.aquaculture.2020.735508
[72] ZHOU C, ZHANG B, LIN K, et al. Near-infrared imaging to quantify the feeding behavior of fish in aquaculture[J]. Computers & Electronics in Agriculture, 2017, 135: 233-241.
[73] ZHOU C, SUN C, LIN K, et al. Handling water reflections for computer vision in aquaculture[J]. Transactions of the ASABE, 2018, 61(2): 469-479.
[74] ZHOU C, XU D, CHEN L, et al. Evaluation of fish feeding intensity in aquaculture using a convolutional neural network and machine vision[J]. Aquaculture, 2019, 507: 457-465. doi: 10.1016/j.aquaculture.2019.04.056
[75] MåLøY H, AAMODT A, MISIMI E. A spatio-temporal recurrent network for salmon feeding action recognition from underwater videos in aquaculture[J]. Computers and Electronics in Agriculture, 2019, 167: 105087. doi: 10.1016/j.compag.2019.105087
[76] ADEGBOYE M A, AIBINU A M, KOLO J G, et al. Incorporating intelligence in fish feeding system for dispensing feed based on fish feeding intensity[J]. IEEE Access, 2020, 8: 91948-91960. doi: 10.1109/ACCESS.2020.2994442
[77] GIARDINA I. Collective behavior in animal groups: Theoretical models and empirical studies[J]. HFSP Journal, 2008, 2(4): 205-219. doi: 10.2976/1.2961038
[78] HAN F, ZHU J, LIU B, et al. Fish shoals behavior detection based on convolutional neural network and spatiotemporal information[J]. IEEE Access, 2020, 8: 126907-126926. doi: 10.1109/ACCESS.2020.3008698
[79] ZHANG B, XIE F, HAN F. Fish population status detection based on deep learning system[C]//2019 IEEE International Conference on Mechatronics and Automation (ICMA). Tianjin: IEEE, 2019: 81-85.
[80] PAPADAKIS V M, PAPADAKIS I E, LAMPRIANIDOU F, et al. A computer-vision system and methodology for the analysis of fish behavior[J]. Aquacultural Engineering, 2012, 46: 53-59. doi: 10.1016/j.aquaeng.2011.11.002
[81] ZHAO J, BAO W, ZHANG F, et al. Modified motion influence map and recurrent neural network-based monitoring of the local unusual behaviors for fish school in intensive aquaculture[J]. Aquaculture, 2018, 493: 165-175. doi: 10.1016/j.aquaculture.2018.04.064
[82] ZHAO J, GU Z, SHI M, et al. Spatial behavioral characteristics and statistics-based kinetic energy modeling in special behaviors detection of a shoal of fish in a recirculating aquaculture system[J]. Computers & Electronics in Agriculture, 2016, 127: 271-280.
[83] MORIMOTO T, ZIN T T, ITAMI T. A study on abnormal behavior detection of infected shrimp[C]//2018 IEEE 7th Global Conference on Consumer Electronics (GCCE). Nara: IEEE, 2018: 291-292.
-
期刊类型引用(8)
1. 张天宇，杨钙仁，何寻阳，刘秋梅，李德军. 柑橘黄龙病检测及防控方法研究进展. 科技导报. 2024(11): 75-83 . 
百度学术
2. 夏长秀，彭龙，李梦媛，张油兵，张祖铭，陈兆星，赖圣炜，谢丽芳，张振宇，严翔. 浇施噻虫嗪防治柑橘木虱研究. 中国果树. 2024(07): 95-99 . 百度学术
3. 陈冠陶，姚兴柱，王谢，张建华. 柑橘滴灌施肥水肥一体化技术. 四川农业科技. 2024(12): 75-77 . 百度学术
4. 夏长秀，李梦媛，陈兆星，张祖铭，彭龙，张油兵，严翔. 烟草对柑橘木虱的诱杀效果研究. 现代园艺. 2022(21): 77-78+201 . 百度学术
5. 唐涛，黄生空，赵明平，赖兆湖，符伟，张卓. 4种剂型噻虫胺对柑橘木虱的田间防治效果. 植物保护. 2021(03): 256-264 . 百度学术
6. 伍欣宙，吴瀚翔，张志祥，徐汉虹. 滴灌施药导向控制害虫虚拟仿真教学系统的设计与应用. 高教学刊. 2021(15): 105-108 . 百度学术
7. 刘婷婷，刘尚可，李北兴，刘峰，慕卫，潘灿平，邹楠. 农药在植物中的内吸和传导行为与施药技术研究进展. 农药学学报. 2021(04): 607-616 . 百度学术
8. 李颖，杨宁，孙占祥，冯良山，王耀生，王平. 农田水药一体化技术研究与应用进展. 农药. 2019(08): 553-560 . 百度学术
其他类型引用(9)
下载:
