基于GMM-CNN的鱼道内鱼类游泳行为提取方法

作者：汪靖阳; 吴鑫淼; 常志强; 郄志红^*

来源：中国水利水电科学研究院学报, 2023, 21(02): 194-202.

DOI：10.13244/j.cnki.jiwhr.20220066

• 草鱼
• 流速
• 竖缝式鱼道
• 高斯混合模型
• 卷积神经网络

鱼道设计离不开鱼类行为特性的研究，智能监控是观测、记录和量化鱼类行为的主要手段，但由于鱼道紊动的水流环境对鱼体精确跟踪造成了困难。本研究提出一种适用于鱼道研究的鱼类游泳行为提取方法，通过高斯混合模型(GMM)和卷积神经网络模型(CNN)对鱼体图像语义分割，再根据鱼体像素计算上溯轨迹、游泳速度和摆尾幅度。方法的验证以草鱼为试验对象，分别进行基于UNet和SegNet的鱼体语义分割对比试验和鱼类游泳行为提取试验。试验结果表明：(1)UNet模型的图像语义分割结果(MPA=95.9%,MIoU=93.3%)优于SegNet模型(MPA=95.5%,MIoU=92.8%);(2)应用GMM-CNN模型进行过鱼轨迹跟踪，其坐标平均相对误差(MREx=7.1%,MREy=2.4%)低于单独使用GMM方法23.1%、11.6%;(3)GMM-CNN模型测算鱼类行为能够准确定位鱼体特征点，应用于提取鱼类游泳行为时具有较高的精确度。基于GMM-CNN鱼类游泳行为提取方法可以为鱼道设计提供技术支持。

• 单位
  河北农业大学