基于GMM-CNN的鱼道内鱼类游泳行为提取方法

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（MRE_x=7.1%,MRE_y=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。