这是用户在 2025-1-11 14:54 为 https://app.immersivetranslate.com/pdf-pro/4a3e587d-6a6c-46d1-b424-cad80ca19b2c 保存的双语快照页面,由 沉浸式翻译 提供双语支持。了解如何保存?


用于观赏鱼行为分析的 OPEN IOT 和 ML 方法


K. Suresh Kumar Patro,Vinod 1 1 ^(1){ }^{1} Kumar 1 1 ^(1⊠){ }^{1 \boxtimes} Yadav,Vidya S. Bharti,Arun 2 2 ^(2){ }^{2} Sharma,Arpita 2 2 ^(2){ }^{2} Sharma 1 1 ^(1){ }^{1} 和T. Senthilkumar 3 3 ^(3){ }^{3}

  抽象


观赏鱼饲养是世界上第二受欢迎的爱好,它为创业发展和创收提供了绝佳的机会。控制观赏鱼养殖场的环境是一项相当大的挑战,因为它受到水温、溶解氧、pH 值和疾病发生等多种参数的影响。一种特别有趣的观赏鱼是金鱼 (Carassius auratus)。机器学习 (ML) 和深度学习技术在分析从养鱼场收集的大量数据方面具有巨大潜力。通过这项技术,养鱼户可以深入了解摄食行为、鱼类生长模式、预测疾病/压力以及影响鱼类健康的环境因素。该研究的目的是分析由于环境参数(水温和溶解氧)的变化而导致的金鱼行为变化。采用决策树、朴素贝叶斯分类器、K 最近邻 (KNN) 和线性判别分析 (LDA) 分析行为变化数据。为了比较所有四个分类器之间的性能,使用了交叉验证和混淆矩阵。LDA 、 朴素贝叶斯分类、 KNN 和决策树的交叉验证误差分别为 19.86 、 28.08 、 30.14 和 13.78。决策树被证明是最准确和最有效的分类器。采用不同的温度和 DO 范围来预测鱼类的行为。一些发现是,鱼的行为在温度 37.85 C 37.85 C 37.85^(@)C37.85^{\circ} \mathrm{C} 和 之间静止 40.535 C 40.535 C 40.535^(@)C40.535^{\circ} \mathrm{C} ,当温度大于或等于时不稳定 40.535 C 40.535 C 40.535^(@)C40.535^{\circ} \mathrm{C} ,当温度在 37.85 之间时喘气, 40.535 C 40.535 C 40.535^(@)C40.535^{\circ} \mathrm{C} 当 DO 浓度小于 6.58 mg / L 6.58 mg / L 6.58mg//L6.58 \mathrm{mg} / \mathrm{L} 时。 已经进行了血液参数分析以验证外部行为随生理参数变化的变化。


最流行的减压爱好之一是 饲养观赏鱼 1 1 ^(1){ }^{1} .市场上约有 1800 种观赏鱼,其中 1000 多种是淡水鱼种。120 多个国家/地区参与观赏鱼贸易, 90 % 90 % 90%90 \% 养殖淡水鱼,其余 10 % 10 % 10%10 \% 为野外捕捞。观赏鱼在全球商业中排名第 3110 位,在全球 $ 330 M $ 330 M $330M\$ 330 \mathrm{M} 贸易中排名第 2020 位。2019 年至 2020 2.1 % 2.1 % 2.1%2.1 \% 年期间,观赏鱼出口量从 $ 337 $ 337 $337\$ 337 百万下降到 $ 330 $ 330 $330\$ 330 百万。 0.002 % 0.002 % 0.002%0.002 \% 的全球贸易由观赏鱼贸易 (经济复杂性观察站) 组成。2020 年,观赏鱼的最大出口国是日本 ($43.1 M)、印度尼西亚 ($38.5 M)、新加坡 ($33.8 M)、荷兰 ( $ 21.9 M $ 21.9 M $21.9M\$ 21.9 \mathrm{M} ) 和泰国 ( $ 21.9 M $ 21.9 M $21.9M\$ 21.9 \mathrm{M} )。2020 年,观赏鱼的最大进口国是美国 ($63.7 M)、中国 ($30.1 M)、德国 ($23.5 M)、英国 ($22.2 M) 和法国 ($19.4 M)。印度养殖最多的观赏物种之一是金鱼 (Carassius auratus Linn.)2. 金鱼目前主要在开放或流水系统中饲养。该物种的集约化养殖可能是满足该物种不断增长的需求的 3 3 ^(3){ }^{3} 可行解决方案。

通常,金鱼生活在温暖、缺氧、平静的水域中,有郁郁葱葱的植物群和泥泞的底部4。临界温度,或 CTMax(临界温度最大值)或 CTMin(临界温度最小值),是动物失去摆脱最终可能导致其死亡的危险的能力的点5。有许多研究与在机器学习模型的帮助下预测水质参数有关。Zhang 等人 6 6 ^(6){ }^{6} 使用 kPCA-RNN 方法预测水质参数。Barzegar 等人 7 7 ^(7){ }^{7} 使用 CNN-LSTM 模型来预测 pH 值和 DO。但是,与温度和 DO 相关的行为变化分类的工作很少。Vanderzwalmen 等人 8 8 ^(8){ }^{8} 致力于监测水质和鱼类健康(生理学

和行为)。他们测量鱼类健康指标包括死亡率、伤口、水生皮质醇和行为改变。Colchen 等人 9 9 ^(9){ }^{9} 研究了温度对鱼的个体间关系和群体结构的影响,他们发现个体间的距离随着温度的升高而增加,尤其是最近的邻居距离。通过整合感觉和社会信息处理的主动和被动模型,Harpaz 等人 10 10 ^(10){ }^{10} 预测了一组中个体鱼类的行为。在这里,水温和溶解氧用于预测不同条件下金鱼的行为。鱼通常被归类为以上最佳生长的温水 20 C 20 C 20^(@)C20^{\circ} \mathrm{C} 或低于 20 C 11 20 C 11 20^(@)C^(11)20^{\circ} \mathrm{C}^{11} 最佳生长的冷水。溶解氧浓度是鱼类养殖中最关键的水质参数。根据参考文献, 12 12 ^(12){ }^{12} 温水鱼的生长取决于水中溶解氧的浓度。当溶解氧浓度接近空气饱和时,大多数水生动物最健康且生长最快。当溶解氧浓度接近饱和时,血红蛋白(甲壳类动物中的蓝红蛋白)会完全饱和 11 11 ^(11){ }^{11} 。溶解氧耗竭主要每天发生两次,即清晨和傍晚,在此期间,鱼会浮出水面获取氧气。鱼类缺氧是由于 DO 的严重消耗而发生的。

在这项研究中,使用 IoT(物联网)技术实时收集、收集和汇总数据(水温和 DO)。称为物联网 (IoT) 的物理“事物”网络使这些对象能够收集、交换和分发数据。这些对象包括设备、仪器、系统以及嵌入了电子设备、软件、传感器和网络连接 13 13 ^(13){ }^{13} 的其他项目。数据采集、实时图像采集、无线传输、智能处理、告警信息发布都是该系统的功能。Neetha 等人 14 14 ^(14){ }^{14} 致力于物联网和机器学习技术来构建智能水产养殖系统,并表示物联网和机器学习正在迅速发展,并在各个行业得到应用。Kiruthika 等人 15 15 ^(15){ }^{15} 提出了一种用于自主养鱼控制的嵌入式系统。建议的养鱼系统远程监控是使用物联网 (IoT) 进行实时监控和控制。Tawfeeq 等人 16 16 ^(16){ }^{16} 专注于监测水产养殖场,以便农民能够及早发现问题并采取适当措施,通过使用基于物联网的智能系统作为工作体,采用温度、pH 值和浊度等因素来维持鱼类的最佳条件。

人工智能 (AI) 和计算机科学的一个子领域是机器学习 (ML),它结合了数据和算法来模拟人们的学习方式,逐渐提高结果 17 17 ^(17){ }^{17} 的准确性。为了在不编程的情况下进行预测,ML 算法根据样本数据(训练数据)开发模型。机器学习研究允许机器获取新知识、新技能并重组现有知识 18 18 ^(18){ }^{18} 。机器学习中的重要任务是分类、回归、聚类、降维 (DR)、转录、机器翻译、异常检测、合成和采样,以及概率密度和概率质量函数的估计。为了完成这些任务,机器学习模型包括决策树、朴素贝叶斯、支持向量机、人工神经网络、K 最近邻 (KNN)、深度学习和集成学习 19 19 ^(19){ }^{19} 。Rashid 等人 20 20 ^(20){ }^{20} 使用不同的 ML 预测模型,如人工神经网络 (ANN)、数据处理分组方法 (GMDH)、支持向量机 (SVM)、最小二乘支持向量回归 (LSSVR) 和长短期记忆 (LSTM),通过使用温度、pH 值、溶解氧、氨和总溶解固体等参数来预测生物絮凝体的水质。发现只有 LSTM 显示出比他们的模型更好的准确性 ( 82 % 82 % 82%82 \% )。周 et al. 21 21 ^(21){ }^{21} 使用手工制作的 1000 个验证行为视频和 RNN 模型来检测鱼的异常行为。模型的平均准确率为 89.89 % 89.89 % 89.89%89.89 \% 。关于生理/水质参数变化的外部行为变化的 ML 预测可以通过简单的血液参数分析来支持/验证。 血液为研究环境对鱼类的影响提供了重要的意义。一些血液参数是血红蛋白 (Hb)、红细胞 (RBC)、血细胞比容 (HTC)、平均红细胞体积 (MCV)、平均红细胞血红蛋白 (MCH)、平均红细胞血红蛋白浓度 (MCHC) 和白细胞 (WBC)。这些参数用于研究金鱼由于温度升高 (体温过高条件) 引起的生理变化。

由于水质参数的变化,有许多工作与行为模式的整体变化有关,但很少有关于行为变化分类的工作,即实时水温和溶解氧数据。为了找出实时水温和溶解氧的行为变化,已经进行了这项研究。该研究将让用户了解 IoT 设备如何在观赏鱼缸中运行。该研究还将有助于了解由于水温和溶解氧浓度变化而导致的鱼类行为变化,以及机器学习技术和算法的工作原理以及用户如何从中受益。此外,通过血液参数分析验证了行为变化。

  材料和方法

  实验设计


实验鱼缸的尺寸为 2.5 × 1.5 × 1.5 2.5 × 1.5 × 1.5 2.5 xx1.5 xx1.52.5 \times 1.5 \times 1.5 立方英尺。金鱼是从宠物店买来的,它们适应了一个星期,每天换 50 % 50 % 50%50 \% 水。在两种处理中都采用了物联网传感器(水温和溶解氧)来监测和调节水质参数。为了进行行为记录和物体检测,我们采购了两台型号为海康威视 DS-2CD206WFWD-I 6 MP IR 的子弹头网络摄像机,用于行为改变研究。该摄像头具有夜视功能(图 1)。水温、pH 值和溶解氧的范围分别为 28 29 C , 8.0 8.8 pH 28 29 C , 8.0 8.8 pH 28-29^(@)C,8.0-8.8pH28-29^{\circ} \mathrm{C}, 8.0-8.8 \mathrm{pH} 3.0 7.0 mg / L 3.0 7.0 mg / L 3.0-7.0mg//L3.0-7.0 \mathrm{mg} / \mathrm{L} (改变温度和 DO 以检查行为变化的时间除外)。根据 Ford 和 Beitinger 22 22 ^(22){ }^{22} 的说法,pH 值和 DO 不会影响鱼的耐温性。金鱼以每天一次的频率喂食,并在实验前 24 小时饥饿。

这些鱼被带夜视功能的数码子弹头摄像机持续监测,以捕捉它们的行为变化。Ford 和 Beitinger 22 22 ^(22){ }^{22} 的曝光时间间隔为 8 h , 12 h 8 h , 12 h 8h,12h8 \mathrm{~h}, 12 \mathrm{~h} ,24 小时。Fry 等人 23 23 ^(23){ }^{23} 拍摄了 14 小时的曝光时间。在本研究中,温度暴露时间长达 8 h,且


图 1.实验设置。


2 C 2 C 2^(@)C2^{\circ} \mathrm{C} 每 8 小时间隔一次。初始温度为 28 C 28 C 28^(@)C28^{\circ} \mathrm{C} ,临界上限温度为 42 C 42 C 42^(@)C42^{\circ} \mathrm{C} ,鱼类死亡的地方。有趣的是,Fry 等人记录的致命温度...... 23 23 ^(23)^{23} 41 C 41 C 41^(@)C41^{\circ} \mathrm{C} ,而 Ford 和 Beitinger 22 22 ^(22){ }^{22} 记录的上限温度为 43.6 C 43.6 C 43.6^(@)C43.6^{\circ} \mathrm{C} ,所以我们可以说,根据现有的文献和研究实验,金鱼的最高可耐受温度水平在左右 41 43 C 41 43 C 41-43^(@)C41-43^{\circ} \mathrm{C}

一次,10 条被选中进行测试的金鱼和行为被记录在相机中,实时温度和溶解氧数据通过物联网传感器记录和分发。记录行为以及实时温度和 DO 以执行一些机器学习分类工具。采用决策树分类器、朴素贝叶斯分类器、K 最近邻分类器、线性判别分析四种分类工具对数据进行分析。


资料收集与分析


本研究使用了水质参数的实时数据。用于实时收集数据的物联网 (IoT) 技术。物联网 (IoT) 基本上描述了嵌入传感器、软件和其他技术的物理对象(事物)网络,目的是通过互联网与其他设备和系统连接和交换数据。在这项研究中,使用了物联网传感器,它能够实时测量溶解氧和水温。使用不同的机器学习分类器将行为变化数据分类为温度和 DO 作为自变量,行为变化数据为因变量。

图 2 显示了 IoT 技术部署的流程图。在这里,传感器将从环境中收集数据,数据将显示在显示屏 (PondGuard) 中。显示器和无线网关之间始终存在通信,无线网关需要 24 小时的互联网连接才能连接到显示器。从 Wi-Fi 获得互联网连接后,无线网关会将数据传输到云端,然后数据将从那里进入移动应用程序和在线门户以供 PC 使用。

该移动应用程序具有创建水温和 DO 临界下限和上限的功能;根据环境,阈值限制是固定的;如果水温和溶解氧浓度超过阈值限制,则移动应用程序上将出现带有日期和时间的通知,之后无需任何人工干预即可轻松管理情况。该在线站点具有以 excel 格式下载所有记录的实时数据的特殊功能;可以从安装开始就以 Excel 格式下载每一分钟的数据;使用此功能,可以看到农场中水温和溶解氧的趋势和模式。

  决策树


决策树是最有效的数据挖掘技术之一,最早是在 1960 年代开发的,现在被广泛用于各个领域 24 24 ^(24){ }^{24} ,因为它们易于使用、明确且即使没有值也具有鲁棒性。可以使用既离散又连续的目标变量或自变量。决策树模型的常见用途包括变量选择、评估变量的相对重要性、预测、分类等。节点和分支构成了决策树模型的大部分,而拆分、停止和修剪是关键的建模操作 25 25 ^(25){ }^{25} 。Yeganeh-Bakhtiary 等人 26 26 ^(26){ }^{26} 使用 M5p 决策树 (DT) 算法,这是一种新的高级模型来预测波特性。Yeganeh-Bakhtiary 等人 27 27 ^(27){ }^{27} 开发了决策树 (DT) 模型,用于统计缩小北京师范大学地球系统模型 (BNU-ESM) 全球气候模型的输出,以预测未来气候变化情景下的风特性。

它是一个图形描述,用于根据预定条件获得决策或问题的所有可行答案。它被称为决策树,因为它的结构就像一棵树;它从根节点开始,在后续分支上生长,形成类似于树的结构。要构造树 CART(分类


  1. 1 1 ^(1){ }^{1} 渔业经济、推广与统计司(FEESD),印度孟买400061 ICAR-中央渔业教育研究所。 2 2 ^(2){ }^{2} 水生环境与健康管理部门(AEHMD),ICAR-中央渔业教育研究所,印度孟买400061。 3 3 ^(3){ }^{3} 印度哥印拜陀641112 Amrita Vishwa Vidyapeetham Amrita 计算机学院计算机科学与工程系。 ^(⊠){ }^{\boxtimes} 电子邮件: vinodkumar@cife.edu.in