شناسایی خودکار از خصوصیات مورفولوژیکی سه گونه Thunnus بر اساس الگوریتم های مختلف یادگیری ماشین

1،2،3،4 ،

6 ،* و کالج علوم دریایی ، دانشگاه اقیانوس شانگهای ، شانگهای 201306 ، چین

آزمایشگاه کلیدی استثمار پایدار منابع شیلات اقیانوسی ، وزارت آموزش و پرورش ، دانشگاه اقیانوس شانگهای ، شانگهای 201306 ، چین

مرکز تحقیقات ملی مهندسی شیلات از راه دور ، دانشگاه اقیانوس شانگهای ، شانگهای 201306 ، چین

آزمایشگاه کلیدی اکتشافی شیلات اقیانوسی ، وزارت کشاورزی و امور روستایی ، شانگهای 201306 ، چین

دانشکده فناوری اطلاعات ، دانشگاه اقیانوس شانگهای ، شانگهای 201306 ، چین دانشکده شیلات ، دانشگاه اقیانوس ژجیانگ ، ژوشان 316022 ، چین دانشکده زبانهای خارجی ، دانشگاه اقیانوس شانگهای ، شانگهای 201306 ، چین نویسندگانی که باید به آنها مراجعه شود. ماهی های 2023 ، 8 (4) ، 182 ؛https://doi. org/10. 3390/fishes8040182 (ثبت DOI)

دریافت: 27 فوریه 2023 / اصلاح شده: 27 مارس 2023 / پذیرفته شده: 28 مارس 2023 / منتشر شده: 29 مارس 2023

(این مقاله متعلق به شماره ویژه هوش مصنوعی و شیلات است)

خلاصه

:

تن از نظر اقتصادی از نظر اقتصادی مهم است. شناسایی خودکار گونه های تن در تولید ماهیگیری و ارزیابی منابع از اهمیت ویژه ای برخوردار است زیرا باعث می شود نظارت آگاهانه کشتی های ماهیگیری ماهی تن و ایجاد سیستم های ناظر الکترونیکی تسهیل شود. از آنجا که خصوصیات مورفولوژیکی برای شناسایی ماهی مهم است ، این مطالعه با هدف بررسی عملکرد شناسایی خودکار سه گونه Thunnus از طریق خصوصیات مورفولوژیکی بر اساس الگوریتم های یادگیری ماشین مختلف انجام می شود. در مرحله اول ، طرح های مورفولوژیکی با استفاده از EFT (تبدیل بیضوی فوریه) و CNN (شبکه عصبی حلقوی) به صورت بصری مورد تجزیه و تحلیل قرار گرفت. سپس ، داده های ویژگی EFT و داده های عمیق از تصاویر رئوس مطالب TUNA استخراج شد و تجزیه و تحلیل مؤلفه اصلی از دو ویژگی مختلف مورفولوژیکی انجام شد. سرانجام ، از الگوریتم های مختلف یادگیری ماشین برای تجزیه و تحلیل عملکرد شناسایی تن از یک جنس یکسان و گونه های مختلف استفاده شد. نتایج تجربی نشان داد که ویژگی های EFT بیشترین دقت شناسایی را در KNN (K-Nearest همسایه) دارد ، با 90 ٪ برای T. obesus ، 90 ٪ برای T. albacores و 85 ٪ برای T. alalunga. ویژگی های عمیق بهترین عملکرد شناسایی را در SVM (دستگاه بردار پشتیبانی) داشت ، با 80 ٪ برای T. obesus ، 90 ٪ برای T. albacores و 100 ٪ برای T. alalunga. ویژگی های عمیق در عملکرد شناسایی بهتر از ویژگی های EFT بود. تنوع زیستی و تفاوت های بین ژنتیکی در بین گونه های تن را می توان با استفاده از این دو ویژگی مورفولوژیکی مختلف به خوبی مورد تجزیه و تحلیل قرار داد. الگوریتم های یادگیری ماشین راه را برای سیستم های ناظر الکترونیکی سریع تقریباً واقعی در این شیلات مهم بین المللی باز می کنند.

کلید واژه ها:

سهم کلیدی: ویژگی های عمیق در عملکرد شناسایی بهتر از ویژگی های EFT بود و تنوع زیستی و تفاوت های بین ژنتیکی در بین گونه های تن را می توان با استفاده از این دو ویژگی مختلف مورفولوژیکی به خوبی مورد تجزیه و تحلیل قرار داد. این روش توسعه اتوماسیون شیلات ماهی تن را ترویج می کند و یک استراتژی عملی برای تحقیقات تنوع زیستی ماهی فراهم می کند.

1. معرفی

محصولات شیلات پایه ای برای اطمینان از عرضه پروتئین با کیفیت بالا و نقش اساسی در امنیت جهانی مواد غذایی و تغذیه ای دارند [1]. در میان آنها ، ماهی تن اهداف مهمی برای شیلات دریایی بین المللی صنعتی در سراسر جهان است [2]. بسیاری از گونه های مهم ماهی تن ، از نظر اقتصادی و تغذیه ای دارای ارزش های قابل توجهی هستند و نقش مهمی در توسعه اقتصادی بسیاری از کشورها دارند [3]. علاوه بر این ، ماهی تن یکی از غذاهای دریایی بسیار مصرف شده در جهان است و می تواند به انواع محصولات از جمله ماهی های کنسرو شده و انواع محصولات دیگر پردازش شود [4]. گونه های اصلی تن Thunnus Obesus ، T. Albacores ، T. Alalunga ، T. Thynnus ، T. Orientalis ، T. Maccoyii و Katsuwonus pelamis هستند [5].

شناسایی گونه ها برای اهداف شیلات از دهه 1960 موضوع برنامه اصلی سازمان غذا و کشاورزی (FAO) بوده است [6]. اطلاعات مربوط به زیست شناسی ماهی برای برنامه ریزی یک استراتژی مدیریت پایدار برای منابع شیلات بسیار مهم است [7]. مستندات اطلاعات مورفولوژیکی برای اعتبارسنجی وضعیت طبقه بندی و روابط خویشاوندی در داخل یا بین گونه ها مهم است [8]. در عین حال ، خصوصیات مورفومتریک ابزاری قدرتمند برای تجزیه و تحلیل تفکیک و روابط بین گونه های ماهی است. به همین دلیل ، تجزیه و تحلیل خصوصیات مورفومتریک به طور گسترده ای توسط Ichthyologists برای تمایز گونه ها و جمعیت در یک گونه مورد استفاده قرار گرفته است [8،9،10]. مورفومتریک روشی متداول و ارزان برای ترسیم گونه ها است. از این رو ، این یک تکنیک محبوب در شناسایی طبقه بندی ماهی است [11]. مطالعات بیشماری نشان داده اند که تجزیه و تحلیل داده های مورفومتریک یک رویکرد مناسب برای اعتبارسنجی وضعیت طبقه بندی ماهی است [12،13]. با این حال ، با توسعه سریع هوش مصنوعی ، شناسایی و طبقه بندی گونه های ماهی دستخوش تغییرات بزرگی شده است. اگرچه روشهای طبقه بندی ماهی معمولی هنوز نقش بسیار مهمی ایفا می کنند ، اما ترکیبی از فناوری هوش مصنوعی و زیست شناسی ماهی می تواند نتایج شناسایی کارآمدتر و خودکار را به همراه داشته باشد.

توسعه فناوری هوش مصنوعی بر توسعه تدریجی مدیریت شیلات به سمت اتوماسیون و جهت گیری آگاهانه در سراسر جهان تأثیر گذاشته است [14]. یادگیری ماشینی در مرکز هوش مصنوعی قرار دارد و یک فناوری کلیدی برای شناسایی خودکار ماهی است. در ترکیب با رایانه های با کارایی بالا، فناوری یادگیری ماشینی می تواند ویژگی های ابعادی بالا و اطلاعات عمیق در داده ها را استخراج کند، در نتیجه راه حلی برای شناسایی خودکار ماهیان و نظارت بر ماهیگیری ارائه می دهد و صنعت شیلات را به عصر جدیدی معرفی می کند [15،16]. زیست شناسان و دانشمندان مرتبط تحقیقاتی را بر روی طبقه بندی گونه های ماهی بر اساس تکنیک های یادگیری ماشین انجام داده اند. طبقه بندی گونه های ماهی معمولاً با جمع آوری تصاویر ماهی، استخراج ویژگی های تصویر ماهی و ساخت مدل های طبقه بندی به دست می آید [17]. فناوری های یادگیری ماشینی برای طبقه بندی گونه های ماهی با استخراج مورفولوژی، رنگ، بافت و سایر ویژگی های تصاویر ماهی مورد استفاده قرار گرفته اند و پیشرفت هایی نیز داشته اند [18]. اوگونلانا و همکارانطبقه بندی گونه های ماهی با استفاده از تکنیک های یادگیری ماشینی بر اساس ویژگی های شکل ماهی [19]. آنها داده های آموزشی 76 ماهی (38 Ethmalosa fimbriata و 38 Scomberomorous tritor) و داده های آزمایشی 74 ماهی (37 ماهی برای هر گونه) را تجزیه و تحلیل کردند. SVM به میزان دقت 78. 6 درصد، KNN 52. 7 درصد، ANN (شبکه عصبی مصنوعی) 60 درصد دقت و K-means (خوشه بندی K-means) دقت 51 درصد را به دست آورد. ثروت و همکارانویژگی های بافت و رنگ تصاویر ماهی را استخراج کرد، از تجزیه و تحلیل تفکیک خطی برای کاهش ابعاد بردارهای ویژگی استفاده کرد و سپس یک الگوریتم طبقه بندی کننده ساخت [20]. آنها مجموعه داده ای را جمع آوری کردند که شامل چهار گونه مختلف ماهی به نام های Argyrosomus regius، Sardinella maderensis، Scomberomorus commerson و Trachinotus ovatus است. نتایج تجربی آنها نشان داد که طبقه بندی کننده دارای دقت تقریباً 96. 4٪ است. اندیانی و همکاراناز ترکیبی از GIM (لمان های ثابت هندسی)، ویژگی های بافت GLCM (ماتریس هم وقوع سطح خاکستری) و ویژگی های رنگی HSV (مقدار اشباع رنگ) برای انتخاب مناطق مورد نظر استفاده کرد و از یک الگوریتم طبقه بندی شبکه عصبی احتمالی برای طبقه بندی ماهی استفاده کرد. و میزان دقت 7/89 درصد به دست آمد [21]. سه گونه ماهی در تحقیقات آنها طبقه بندی شدند که عبارتند از ماهی تن، تانگکول و تن با شرایط "خارج از آب".

روشهای یادگیری ماشین سنتی برای شناخت و طبقه بندی ویژگی های تصویر ماهی نیاز به استخراج دارد [22] ، اما استخراج ویژگی های ماهی تحت تأثیر تنوع گونه های ماهی ، محیط جمع آوری تصویر و شرایط اجرای الگوریتم های ویژگی است.

یادگیری عمیق قادر به غلبه بر کمبودهای رویکردهای طبقه بندی تصویر معمولی است [23]. افزایش قدرت محاسبات و اندازه داده ها ، همراه با تحقیقات پیشرفته یادگیری عمیق ، به محبوبیت یادگیری عمیق کمک کرده است [24]. یادگیری عمیق زمینه ای از یادگیری ماشین است و CNN بسیار کاربردی ترین روش یادگیری عمیق است که در آن چندین لایه آموزش داده می شود و به روشی قوی آزمایش می شود [25،26]. CNN هم از استخراج و هم بلوک های طبقه بندی به یک بدن یادگیری واحد و جمع و جور فیوز می کند ، که می تواند منجر به کاهش قابل توجهی در هزینه های عملیاتی مرتبط با ناظران انسان شود [27]. فناوری یادگیری عمیق عملکرد خوبی برای طبقه بندی ماهی دارد (جدول 1) ، که عمدتاً به این دلیل است که روشهای یادگیری عمیق مانند CNN نیازی به استخراج ویژگی ندارد. دقت شناسایی مستقیماً با وارد کردن تصاویر ماهی به طور مستقیم تولید می شود [26].

علاوه بر این ، یادگیری عمیق به عنوان یک روش استخراج ویژگی ماهی از مزایای بسیاری برخوردار است. گزارش های پژوهشی مربوطه با استفاده از مدل های CNN به عنوان ابزاری برای استخراج ویژگی های ماهی وجود دارد. CNN ویژگی های ماهی را به عنوان داده های عمیق استخراج می کند و در ترکیب با یادگیری ماشین سنتی شناسایی می کند. تامو و همکاران. ویژگی های استخراج شده از یک مجموعه داده تصویر ماهی با استفاده از شبکه Alexnet از پیش داده شده و از طبقه بندی کننده خطی SVM استفاده کرده است. این مجموعه داده شامل 23 گونه ماهی بود. نتایج آزمایش به دقت 99. 5 ٪ رسید [31]. Deep et al. از فناوری یادگیری عمیق برای شناسایی ماهی استفاده می شود ، و دقت طبقه بندی CNN 99 ٪ ، از CNN-SVM 98 ٪ و آن از CNN-KNN 99 ٪ بود [32]. از مجموعه داده های Fish4nowledge (23 گونه ماهی) در مطالعه آنها استفاده شد.

از آنجا که مقیاس ماهیگیری دریایی همچنان در حال گسترش است ، توجه بیشتر و بیشتر به تنوع زیستی ماهی متمرکز شده است. در آینده ، صید ماهی به احتمال زیاد با اتوماسیون و هوش به یک مدل ماهیگیری پایدار جدید تبدیل می شود. بنابراین ، شناسایی خودکار گونه های ماهی تن به محافظت از تنوع زیستی تن کمک می کند ، که برای بهبود کارآیی اقتصادی شرکتهای ماهیگیری ، افزایش ارزیابی منابع شیلات و مدیریت پایدار و اطمینان از تولید پایدار ماهیگیری در آینده قابل توجه است. در این مطالعه ، ما روشی را برای شناسایی خودکار گونه های تن از طریق خصوصیات مورفولوژیکی بر اساس الگوریتم های یادگیری ماشین مختلف پیشنهاد می کنیم. ما برای مطالعه تنوع بیولوژیکی گونه های مختلف تن در یک جنس یکسان و تجزیه و تحلیل عملکرد شناسایی ماشین برای ویژگیهای مختلف مورفولوژیکی ، از ویژگی های تبدیل فوریه بیضوی (ویژگی های مورفومتریک) و ویژگی های عمیق (ویژگی های کلی مورفولوژیکی تحت الشعاع CNN) استفاده کردیم.

2. مواد و روشها

2. 1مواد

در این مطالعه ، در مجموع 300 Thunnus Obesus ، T. Albacores و T. alalunga به عنوان اشیاء تحقیقاتی 100 از هر گونه (شکل 1) استفاده شده است که از مهمترین گونه های تن تجاری برای ماهیگیری های ماهی جهانی هستند. تصاویر دیجیتالی ماهی تن توسط ناظران در صفحه جمع آوری شد. تصاویر با استفاده از دوربین دیجیتال و تلفن هوشمند به دست آمد. نظرسنجی ها از مارس 2021 تا سپتامبر 2022 در اقیانوس مرکزی و اقیانوس آرام غربی انجام شد. این تن به صورت افقی تراز شده و در تصاویر متمرکز شده است. این تصاویر به منظور ارائه تصاویر 400 پیکسل بالا 800 پیکسل عرض پردازش شدند. سپس اینها در قالب پرونده JPEG ذخیره شدند.

2. 2مواد و روش ها

شناسایی خودکار سه گونه ماهی تن شامل سه مرحله اصلی است: (الف) تصاویر رئوس مطالب مورفولوژیکی با استفاده از تصاویر قبل از پردازش.(ب) داده های ویژگی ترانسفورمتیک بیضوی (داده های ویژگی EFT) با استفاده از تبدیل بیضوی فوریه به دست آمد و داده های ویژگی عمیق کانتور شکل با استفاده از یک شبکه عصبی Convolution به دست آمد.(ج) الگوریتم های یادگیری ماشین های مختلف ، دو نوع از داده های ویژگی مورفولوژیکی ، به دست آوردن معیارهای ارزیابی ، منحنی های ROC (مشخصه عملکرد گیرنده) ، مقادیر AUC (منطقه زیر منحنی) و ماتریس سردرگمی را با شناسایی مجموعه آزمایش با استفاده از مدل آموزش دیده آموزش داده اند (شکل 2).

2. 2. 1. پیش پردازش تصاویر ماهی تن

تصاویر سه گونه Thunnus با استفاده از کتابخانه Computer Vision (OPENCV) از پیش پردازش شد. تکنیک های پردازش تصویر مانند فیلتر دو طرفه ، تحول خاکستری ، باناریزاسیون تصویر و استخراج کانتور برای به دست آوردن یک تصویر کانتور از هر تن استفاده شد (شکل 1). تصویر کانتور Tuna برای به دست آوردن دو مجموعه تصویر با اندازه متفاوت ، با 400 پیکسل بالا 800 پیکسل عرض و 224 پیکسل بلند 224 پیکسل عرض پردازش شد.

2. 2. 2. بیضوی فوریه ویژگی های تبدیل و بازسازی مورفولوژیکی

یک عملکرد بیضوی فوریه کاملاً یک منحنی بسته را با مجموعه ای از نقاط داده سفارش داده شده در یک هواپیمای دو بعدی توصیف می کند [33]. از تجزیه متعامد منحنی به مجموعه ای از بیضی های هماهنگ استفاده می کند. این بیضی ها می توانند برای بازسازی تقریب دلخواه منحنی بسته ترکیب شوند.₁از برنامه "PYEFD" [34] برای تولید 20 هارمونیک برای طرح کلی مورفولوژیکی هر تن استفاده شد. این کار در پایتون با استفاده از "ویژگی های بیضوی فوریه یک کانتور بسته" اجرا شد. هر هارمونیک از 4 ضرایب تشکیل شده است که منجر به 80 ضرایب در هر طرح تن می شود. هر طرح تونا برای اندازه و جهت گیری با استفاده از این برنامه نرمال شد ، که باعث تخریب سه ضرایب اول به مقادیر ثابت شد: a₁= 1 ، ب₁= 1 ، و ج

= 0. بنابراین ، هر تن توسط 77 ضرایب (ویژگی های EFT) برای تجزیه و تحلیل تبدیل بیضی فوریه نشان داده شد. طرح مورفولوژیکی هر تن با استفاده از "PYEFD" با شماره هارمونیک بازسازی شده از 1 تا 20 بازسازی شد.

2. 2. 3. ویژگی های عمیق و تجسم شبکه عصبی Convolution

یادگیری عمیق زمینه ای از یادگیری ماشین است و CNN بسیار کاربردی ترین روش یادگیری عمیق است [26]. در این مطالعه ، از VGG16 (نوع شبکه گروهی هندسه بصری) [35] برای استخراج ویژگی های عمیق از تصاویر رئوس مطالب تن استفاده شد. VGG16 دارای 5 بلوک (لایه های حلقوی و لایه های استخر) است و ساختار شبکه VGG16 از 13 لایه حلقوی ، 3 لایه کاملاً متصل و لایه های خروجی با حداکثر نرم تشکیل شده است [36]. هسته حلقوی VGGNET 3 3 3 است و از عملکرد RELU در واحدهای فعال سازی همه لایه های پنهان استفاده می شود.

تصاویر رئوس مطالب Tuna از 400 پیکسل بالا 800 پیکسل عرض تا 224 پیکسل به طول 224 پیکسل عرضه شد و تصاویر رئوس مطالب به VGGNET وارد شدند. تجزیه و تحلیل بصری بر روی اولین لایه حلقوی هر بلوک انجام شد و میانگین تصویر پنج لایه حلقوی VGG16 تولید شد. فرآیند استخراج ویژگی VGG16 فرایندی است که از طرح های مورفولوژیکی (ویژگی های بیولوژیکی) به داده های عمیق ادامه می یابد ، یعنی روند تبدیل یک تصویر طرح کلی به داده ها. از ویژگی های عمیق با استفاده از VGG16 برای استخراج ویژگی های ترسناک Tuna استخراج شد و از لایه دوم لایه کاملاً متصل به عنوان داده های ویژگی عمیق برای شناسایی سه گونه Tuna استفاده شد. داده های عمیق از هر تصویر رئوس مطالب Tuna دارای 4096 ویژگی بود.

2. 2. 4. الگوریتم یادگیری ماشین

در این مطالعه از سه مدل طبقه بندی استفاده شد: دستگاه بردار پشتیبانی (SVM) ، جنگل تصادفی (RF) و همسایه K-Nearest (KNN). SVM یک روش یادگیری ماشین به طور گسترده برای طبقه بندی است. این می تواند یک طبقه بندی غیرخطی را با استفاده از توابع هسته انجام دهد ، به طور ضمنی از ورودی های آن در یک فضای ویژگی با ابعاد بالا تبدیل شده و پیدا کردن یک هایپرپلن با حداقل خطای پیش بینی کننده [37]. عملکرد پایه شعاعی (RBF) به عنوان عملکرد هسته برای بهینه سازی پارامتر مدل SVM استفاده شد. RF همراه با درختان تصمیم گیری متعدد ، برند الگوریتم های یادگیری ماشین گروه است. این تعمیم معمولاً به عنوان اصطلاح خطا برای همگرایی جنگل استفاده می شود که تعداد درختان در جنگل زیاد باشد ، که از مشکل بیش از حد جلوگیری می کند [38]. الگوریتم جنگلی تصادفی به طور گسترده در مشکلات مختلف طبقه بندی مورد استفاده قرار گرفته است [16]. KNN یکی از الگوریتم های طبقه بندی یادگیری ماشین است. یک نمونه در اصل به عنوان بیشتر شبیه به نمونه های k-nearest در مجموعه داده ها در نظر گرفته می شود ، و اگر بیشتر نمونه های K گفته شده متعلق به یک دسته خاص باشد ، نمونه نیز متعلق به این دسته است [14]. سپس نمونه با اندازه گیری فاصله بین مقادیر ویژه ویژه طبقه بندی می شود.

2. 2. 5. معیارهای ارزیابی