מאמר שיטה

מעקב וידאו לטווח ארוך של בעלי חיים ימיים Cohoused: חקר מקרה של הפעילות גינקולוגיות יומי של הלובסטר של נורבגיה (Nephrops norvegicus)

6.4K צפיות

⸱

DOI:

10.3791/58515

⸱

8 באפריל 2019

 ,  ,  , 
1Universitat Oberta de Catalunya, 2Institute of Marine Sciences, Spanish National Research Council (CSIC), 3Institute for Environmental Protection and Research (ISPRA), 4Department of Biology and Ecology of Fishes, Leibniz-Institute of Freshwater Ecology and Inland Fisheries

* These authors contributed equally

במאמר זה

סיכום

כאן אנו מציגים פרוטוקול לעקוב בנפרד חיות על פני תקופה ארוכה של זמן. היא משתמשת ממוחשבת שיטות לזיהוי קבוצת תגים נבנה באופן ידני באמצעות קבוצה של לובסטרים כמו חקר מקרה, בד בבד עם מתן מידע כיצד הבית, להשפיע, וזכור הלובסטרים.

תקציר

אנו מציגים פרוטוקול הקשורים טכניקה מעקב וידאו בהתבסס על רקע חיסור סף התמונה ומאפשר לעקוב בנפרד חיות cohoused. בדקנו את השגרה מעקב עם ארבעה לובסטרים נורבגיה cohoused (Nephrops norvegicus) בתנאים אור-חושך במשך 5 ימים. הלובסטרים היה כבר מתויג בנפרד. את ניסיוני וההתקנה של טכניקות מעקב השתמשו מבוססים לחלוטין על תוכנת קוד פתוח. ההשוואה של הפלט מעקב עם זיהוי ידני מציין כי הלובסטרים היו כראוי זוהה 69% של הפעמים. בין הלובסטרים זוהה כראוי, תגים בודדים שלהם היו כראוי מזוהה 89.5% של הפעמים. בהתחשב את קצב המסגרות המשמשים את הפרוטוקול ואת קצב תנועה לובסטרים, הביצועים של מעקב וידאו יש באיכות טובה, התוצאות נציג תמיכה את תוקפו של הפרוטוקול בהפקת נתונים יקרי ערך לצורכי מחקר (הפרט תפוסת שטח או דפוסי הפעילות גינקולוגיות). פרוטוקול המובאות כאן ניתן להתאים אישית בקלות והוא, לפיכך, להעברה מינים אחרים שבהם המעקב בודדים של דגימות בקבוצה יכול להיות יקר למענה על שאלות המחקר.

מבוא

השנים האחרונות, מעקב אוטומטי המבוסס על תמונות סיפקה datasets ומדויקים, אשר יכול לשמש כדי לחקור שאלות בסיסיות דיסציפלינות אקולוגיה והתנהגות1. אלה נתונים (datasets) יכול לשמש לניתוח כמותי של התנהגות בעלי חיים2,3. עם זאת, כל מתודולוגיה התמונה המשמש למעקב אחר חיות והערכה התנהגות יש החוזקות והמגבלות שלו. ב מעקב מבוססת תמונה פרוטוקולים המשתמשים במידע מרחבי ממסגרות קודמות בסרט כדי לעקוב אחר חיות-4,-5,-6, יכול הציג שגיאות כאשר חצו הנתיבים של שתי חיות. שגיאות אלה הם בדרך כלל בלתי הפיך, להפיץ דרך הזמן. למרות ההתקדמות חישובית להפחית או למנוע כמעט5,זו בעיה7, שיטות אלה עדיין צריך סביבות ניסיוני הומוגנית זיהוי בעלי חיים מדויק ומעקב.

העבודה של סימני שיכול להיות מזוהה באופן ייחודי בבעלי חיים מונע שגיאות אלה ומאפשר את מעקב ארוך טווח של אנשים שזוהו. סמני בשימוש נרחב (למשל, ברקודים, קודי QR) קיימת תעשייה ומסחר, ניתן לזהות באמצעות טכניקות חזון המחשב ידועים, כגון augmented המציאות (למשל, ARTag8) וכיול המצלמה (למשל, CALTag9 ). מתויג חיות בעבר שימשו ללימודי התנהגותית תפוקה גבוהה מיני בעלי חיים שונים, עבור דוגמה, נמלים3 או דבורים10, אך חלק ממערכות קודמות אלה לא הממוטבות זיהוי תגים מבודד3.

פרוטוקול מעקב הציג נייר זה מתאים במיוחד למעקב אחר חיות דימות ערוץ אחד, כגון אינפרה-אדום (IR) אור או אור מונוכרומטי (במיוחד, אנו משתמשים אור כחול). לכן, השיטה שפותחה אינו משתמש רמזים צבע, להיות גם החלים על הגדרות אחרות היכן ישנם אילוצים ההארה. בנוסף, אנו משתמשים תגים מותאמים אישית שנועדה כדי לא להפריע הלובסטרים, במקביל, לאפשר הקלטה עם מצלמות בעלות נמוכה. יתר על כן, שיטת המשמשת כאן מבוססת על מסגרת עצמאית תג זיהוי (כלומר., האלגוריתם מזהה הנוכחות של כל תג בתמונה ללא קשר מסלולים הקודם). תכונה זו רלוונטי ביישומים שבהם בעלי חיים יכול להיות occluded באופן זמני, או מסלולים של בעלי החיים עלול מצטלבים.

העיצוב תג מאפשר את השימוש בקבוצות שונות של בעלי חיים. לאחר הגדרת הפרמטרים של השיטה, זה יכול להיות מועבר להתמודד עם בעיות למעקב אחר חיות אחרות ללא צורך הדרכה מסווג מסוים (אחרים סרטנים או חילזונות). המגבלות העיקריות של ייצוא בפרוטוקול הן הגודל את התג ואת הצורך מצורף החיה (מה שהופך אותו מתאים לא חרקים קטנים, כגון זבובים, דבורים, וכו '), ועל ההנחה 2D עבור תנועת בעלי חיים. אילוץ זה הוא משמעותי, בהתחשב בכך השיטה המוצעת מניחה שגודל התג נשאר קבוע. חיה לנוע בחופשיות בתוך סביבה תלת-ממד (למשל, דגים) יראה בגדלים שונים תג בהתאם המרחק שלו למצלמה.

המטרה של פרוטוקול זה נועד לספק מתודולוגיה ידידותי למשתמש למעקב אחר חיות מתויג מרובים על פני תקופה ארוכה של זמן (קרי, ימים או שבועות) בהקשר 2D. הגישה מתודולוגי מבוססת על השימוש בקוד פתוח תוכנה וחומרה. תוכנה חופשית וקוד מקור פתוח מאפשר עיבודים, שינויים, הפצה חופשית; לכן, התוכנה שנוצר משפר11,בכל שלב12.

הפרוטוקול הציג כאן מתמקדת מעבדה כדי לעקוב אחר ולהעריך את הפעילות גינקולוגיות של ארבעה בעלי חיים ימיים במיכל במשך 5 ימים. קבצי הווידאו רשמה מתמונת 1 s זמן לשגות, הידור וידאו 20 מסגרות לשנייה (1 יום מוקלטות תופסת כ 1 h של וידאו). כל הקלטות וידאו הם postprocessed באופן אוטומטי כדי לקבל תפקידים בעלי חיים, החלת המחשב חזון שיטות ואלגוריתמים. הפרוטוקול מאפשר קבלת כמויות גדולות של מידע, הימנעות שלהם ביאור ידני, אשר הוכח להיות אינטנסיבית, מייגעת ניירות ניסיוני הקודם13על המעקב.

אנו משתמשים הסרטן נורבגיה (Nephrops norvegicus) עבור מקרה המבחן; לכן, אנו מספקים תנאי מעבדה ספציפית כדי לשמור אותם. לובסטרים לבצע מקצבים הופעתה למחילה למד היטב כי הם תחת השליטה של ה-14,שעון היממה15, כאשר cohoused, הם יוצרים הדומיננטיות הירארכיה16,17. ומכאן, המודל המוצג כאן הוא דוגמה טובה עבור חוקרים המעוניינים אפנון החברתית של התנהגות עם דגש ספציפי על השעון הביולוגי.

המתודולוגיה המוצגת כאן היא משוחזר בקלות, ניתן להחיל על מינים אחרים, אם יש אפשרות להבחין בין חיות עם תגים בודדים. הדרישות המינימליות עבור שכפול גישה כזו במעבדה הם (i) חדרים איזותרמי עבור ההתקנה ניסיוני; (ii) אספקה רציפה; (iii) מנגנוני הבקרה של הטמפרטורה מים; (iv) מערכת בקרת אור; (v) מצלמת USB של מחשב רגיל.

ב פרוטוקול זה, אנו משתמשים פיתון18 ו- OpenCV19 (Open Source המחשב חזון Library). אנו מסתמכים על מהירה ושימושית בדרך כלל פעולות (הן מבחינת יישום וביצוע), כגון רקע חיסור20 והתמונה סף21,22.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

המשמש במחקר זה הוא לא מין בסכנת הכחדה או מוגן. ניסויים דגימה והמעבדה בעקבות את הספרדית לחקיקה ולתקנות פנימי מוסדיים (ICM-CSIC) בנושא רווחת בעלי חיים. דגימה חיה נערך באישורו של הרשות המקומית (הממשלה האזורית של קטלוניה).

1. בעלי חיים תחזוקה, דגימה

הערה: הפרוטוקול הבא מבוסס על ההנחה כי החוקרים יכולים לטעום norvegicus ש בשדה במהלך הלילה כדי למנוע נזק photoreceptors23. יש להימנע מחשיפה לשמש של norvegicus (ש ע) . לאחר דגימה, הלובסטרים אמור להיות שוכנו במתקן להתאקלמות דומה לזו דיווחו על בעבר17,24, עם זרימה רצופה של מי ים בקירור (13 מעלות צלזיוס). כל בעלי החיים השתמשו במחקר זה הם זכר באיזה מצב intermoult באורך cephalothorax (קלרנית; זאת אומרת ± SD) של 43.92 ± 2.08 מ מ (N = 4).

  1. שמור את האנשים תאים מבודדים כדי למנוע נזקים עקב קרבות בודדים (ראה איור 1a-d).
  2. להאכיל אותם כ 3 x שבוע בזמנים אקראיים כדי לא להפריע לקצב השעון הביולוגי.
    הערה: בניסוי זה, מולים (כ 4 גרם לכל לובסטר) שימשו כמזון. מולים נקנו מספקי מזון קפוא, היו מתאימים לצריכה אנושית.
  3. להשתמש אור כחול (425-515 ננומטר) כדי לדמות את שעות האור על פי הרגישות ספקטרלי של מינים25 ותנאים סביבתיים-400 מ' עמוקה26 (ראה איור 1 c,d).
    הערה: המתקן המשמש כאן יש תקרה אנכי של שני כחול (478 ננומטר) מנורות פלורסנט שהפיקה את עוצמת האור של 12 lx-1 מ' של מרחק מן המנורות. ראה איור 1a לתפקיד של מנורות תקרה ולראות את הטבלה של חומרים של היצרן ומנורות טכנית של מאפיינים.
  4. התאם photoperiod של המתקן בעזיבה עד 12/12 שעות אור/חושך או לדמות photoperiod הטבעי של קו-הרוחב מקומיים.
  5. לווסת את הטמפרטורה מתקן עד 13 ° C ולפקח על 2 x מדי יום כדי לבדוק הטמפרטורה של המים inflowing הוא בסביבות 13 ° C (ראה איור 1e).
  6. לווסת את תזרים של מי ים בקצב של 4 ליטרים לדקה כדי לשמור על חמצון טוב.
    הערה: מי ים מסחררת ב מעגל פתוח (לא מסננים ומשאבות נוספים משמשים). אספקת המים תלויה השירותים צמח אקווריום הראשי.

figure-protocol-1
איור 1 : מתקן להתאקלמות צפיות- () מדפים טנק. (a1) מי-ים קלט. (a2) אורות התקרה פלורסנט. תאורה (b) פרט של אור כחול. (ג) פירוט תא אנימלי. (ד) פרט של לוח הבקרה מתקן מבודד. (e) טמפרטורה הגדרה אחת הכניסות. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

2. הבנייה של תג

הערה: ניתן לשנות את התג המשמש כאן לפי מאפייני החיה או שיקולים ספציפיים אחרים.

  1. חותכים 4 עיגולים של 40 מ מ קוטר מגיליון פלסטיק שחור.
  2. לחתוך מ לבן PVC יריעת פלסטיק שני שווה צלעות משולשים עם הצדדים 26 מ מ.
  3. לחתוך מ חוגים שני של יריעת פלסטיק PVC לבן של 26 מ מ קוטר.
  4. מארק המרכז של לבן משולשים, עיגולים, לעשות חור 10 מ"מ בתוכו.
  5. הדבק את הצורות לבן ארבע למרכז 4 עיגולים שחורים.

figure-protocol-2
איור 2 : התגים ארבעת להשתמש בתיוג בודדים של הלובסטרים. מעגל, מעגל-חור, משולש, משולש-חור. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

3. הגדרת הניסוי

הערה: הזירה נסיוני אמור להיות עצמאית קאמרית ניסיוני מ אך בקרבת המתקן והפיזיולוגי.

  1. להגדיר את חדר ניסוי שבו טמפרטורת האוויר יכול להיות נשלט ומתוחזק בטמפרטורה זהה כמו מי ים בזירה ניסיוני.
  2. לשנות את טנק פיברגלס (1,500 x 700 x 300 מ מ) כדי לשמש כזירת ניסוי. הוסף ארבע בורוז באמצעות צינורות גמישים PVC בתחתית החול טנק ומקל על פני איפה הלובסטרים אמורים להזיז (איור 3b-e). לקבלת פרטים נוספים, ראה17,27.
    1. לספק את הזירה ניסיוני עם נוריות כחולות submergible (472 nm, הדמיית שעות אור) ונוריות IR (850 ננומטר, תנאים כהה) (ראה גם איור 3a)17,24.
      הערה: אור LED משמש בשל השפעתה בחום נמוך ואת הזמינות של בקרה אלקטרונית שמיש וחומרה חינם. שימש מתקן מבודד עם טמפרטורת מי הים ואיכות הסביבה 13 ± 0.5 ° C.
    2. שמור תמיד נוריות אינפרא-אדום הדליק.
      הערה: IR יש צורך להקליט בתנאים כהה, בתנאי אור. . זה לא הכרחי כדי לכבות אותו.
    3. התחבר נוריות כחולות עם מכשירים כדי לנהל את photoperiod. לראות את ההצעות את הטבלה של החומרים, לקבלת פרטים נוספים, להתייעץ עם Sbragaglia ואח. 17 (גם שמוצג באיור 3a).
      הערה: תאורה בניתוח וידאו או תמונה-אוטומטית הוא גורם קריטי. תאורה רגיל ללא צללים על כל הזירה הימנעות השתקפויות משטח המים מקל הווידאו האחורי או ניתוח תמונות. בהקשר של פרוטוקול זה, שימשו תנאי אור/חושך בלבד 12/12. אור וחושך הושגו בהדרגה בתוך 30 דקות, תסריט אור-בקר נוסף 1 קובץ משלים.
    4. המקום לים מי ים צוננת בפינה אחת של הטנק ולשקע המתאים בפינה הנגדית.
    5. לווסת את קלט מי ים בספיקה של בערך 4 L/min.
    6. מקיפים את המיכל עם וילון שחור על מנת לספק בידוד מלא של מאור אחרים (איור 3 א).
  3. מקם את החצובה שאליו במצלמת האינטרנט הוא קבוע בצד של ארנה ניסיוני, מיקום מצלמת הוידאו הנ ל (130 ס מ), במרכז הזירה ניסיוני (75 ס מ x 32.5 ס מ (ראה איור 3 א).
  4. לבדוק אם מצלמת הווידאו במצב ממורכז (ראה שלב 3.3) כדי לוודא שזה לא הועבר באופן לא רצוני.
  5. לחבר את מצלמת אינטרנט למחשב שבו ממוקמת מחוץ הווילון (איור 3 א).
    1. התקן את התוכנה כדי לנהל את ההקלטה בצילום מואץ עם מצלמת הווידיאו.
      הערה: הקלטות זמן לשגות תלוי מהירות התנועה של המין האנושי. בנוסף, ראה את הטבלה של חומרים עבור מצלמה, עדשה של פישאי, PC, ואת מאפייני התוכנה יצרנים להשתמש כאן.
    2. כוונן את הפרמטרים של הקלטת לפי מאפייני המין הוידאו.
      הערה: בהתחשב קצב ניידות (ש ע) norvegicus, הקלטה זמן לשגות s 1 שימש כאן, הוידאו נשמר כל 24 שעות.
    3. הקפד ליצור חותמת זמן (כולל התאריך) ב- צילומי הווידאו (כמו זה יכול לעזור עבור ניקוד ידני העתידי של ההתנהגות).

figure-protocol-3
איור 3 : הגדרת הניסוי. () תרשים של ההרכבה של ניסיוני רכישת טנק ווידאו. (b) מבט כללי של הטנקים ניסיוני. (ג) התחתון מבט טנק ניסיוני, המציין את בורוז מלאכותי. (ד) למעלה תצוגה, מציג בתחתית המיכל ניסיוני. (e) פרט של אחת הכניסות למחילה. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

4. ניסיוני משפט והכנת בעלי חיים

הערה: כל השלבים עם בעלי חיים, חייב להיעשות במתקן והפיזיולוגי, בתנאים אור אדום על פי הרגישות ספקטרלי של לובסטר נורבגיה25. בעת העברת החיות בין בעזיבה של מתקן ניסיוני, להימנע מכל חשיפה של הלובסטרים להדליק, באמצעות תיק שחור אטום כדי לכסות את ההקפאה.

  1. להכין תא הקפאה הפרדתו בעבר ארבעה תאים המשוקע עם מים-בערך 7 ° C.
  2. הכינו התגים ארבעת בעבר דבק שלא נבנה ומהר, כמו דבק מגע.
  3. להכין מגש עם קרח כתוש.
  4. בחר הלובסטרים ארבע להיות מתויג במתקן להתאקלמות ולשים כל אחד מהם בתא של ההקפאה.
  5. לחכות 30 דקות, לאחר מכן, התחל ההליך תיוג.
    1. אקח לובסטר, שים את זה על קרח כתוש עבור 5 דקות כדי לשתק אותו וכדי להקל על פעולת תיוג.
    2. יבש את החלק העליון של cephalothorax של הלובסטר בנייר adsorptive מעולה, לשים טיפה של דבק מהיר על זה.
    3. מקם את התג אופקית מעל cephalothorax של החיה, בקשר עם הדבק, ולא לחכות מספיק זמן בשביל זה להקשיח (בערך 20 s).
    4. להחזיר את הלובסטר לתא שלה במקרר והמשך עם החיות שלושה אחרים באותו אופן.
    5. להחזיר הלובסטרים התא איפה הם היו בעבר ולחכות 24 שעות כדי לוודא התג מודבק כראוי.
    6. העברת הלובסטרים מהמתקן להתאקלמות לתא ניסיוני באמצעות ההקפאה באותו ששימש תהליך התיוג.
  6. להפעיל את הקלטת וידאו, להמתין 5 דקות לפני החדרת הלובסטרים מתויגות. להשיג תמונה הרקע בממוצע של המסגרות 100 הראשונית.
    הערה: מחכים מינימום של 1 דקות הוא הכרחי כדי לקבל רקע מסגרות בלי לובסטרים מתויג; הם נדרשים עבור עיבוד וידאו.
  7. להציג את החיות אחת במיכל ניסויים בתוך תא בהתאמה שלהם, לשמור את המים בתוכו.
  8. לחכות להם לצאת; אם הם. לא לצאת, לסייע להם בעדינות על-ידי הטיית התא. ראה איור 4 כדוגמה החיות בתוך הטנק בתנאים ניסיוני.

figure-protocol-4
איור 4 : Raw מוידאו. דוגמה של מסגרת נציג אחד של קטעי וידאו זמן לשגות שנאספו במהלך הניסויים. בפינה הימנית העליונה, אנו מראים חותמת הזמן עם התאריך, הזמן, מסגרת. שים לב את ההבדלים ההארה טנק בפינה התחתונה של התמונה. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

5. וידאו ניתוח תסריט

  1. לבצע את הניתוח לאחר סיום הניסוי.
    1. השקת המחשב חזון ה-script עבור ניתוח וידאו.
    2. להפעיל תוכנית Java כדי לחשב את העמדות ואת המרחק מכוסה על ידי הלובסטרים והכנס את הנתונים במסד הנתונים.
      הערה: תוכנית זו היא מבוססי מרחק מקסימלי28.
    3. להפעיל script SQL binning נתונים כמו מרווח הזמן הרצוי (אקס 10 דקות).

6. המחשב חזון Script עבור ניתוח וידאו

הערה: קובץ ה-script מונע תיקון תמונה של פישאי כי זה אינו מציג שגיאת הרלוונטיים בכיוונון ניסיוני. בכל זאת, זה אפשרי לתקן את זה עם OpenCV המצלמה כיול פונקציות29 בהתבסס על וקטור, מטריצת הסיבוב שיטות30,31.

  1. בחר את השפה תוכנית18 פייתון.
  2. בחר את התמונה19 OpenCV ואת ספריית עיבוד וידאו.
  3. טעינת וידאו.
    הערה: תבניות וידאו .avi או . mp4 שימשו בניסוי זה, אך זו אינה חובה. זה תלוי FourCC32 קודקים מותקנים במערכת ההפעלה.
  4. בצע את השלבים הבאים לכל אחת מהמסגרות Fi וידאו.
    1. להחסיר את הרקע20B (ממוצע של המסגרות אחרונה 100, המתקבל שלב 4.6) הנוכחי מסגרת Fiולעדכן את תמונת הרקע B כמו פי. השתמש בפונקציה BackgroundSubtractorMOG2 מהספריה OpenCV19 (ראה קבצי ה-script 2 הקבצים המשלימים).
    2. לקבוע את קבוצת אזורים מעניינים (ROIs) R של הפיקסלים עם תנועה רלוונטית שמציין את הרקע subtractor. להשתמש את שיטת החל מ- BackgroundSubtractorMOG2 בספריה OpenCV19 (ראה קבצי ה-script 2 הקבצים המשלימים). שנקבעה, כוללים את גילויים בעלי חיים מן המסגרת הקודמת, כדי לקחת בחשבון nonmoving בעלי חיים.
    3. בצע את הפעולות הבאות עבור כל רועי רי
      1. להחיל את הפונקציה dilate, לחשב את קווי המתאר33 של רועי Ri. השתמש בפונקציות להתרחב findContours מהספריה OpenCV19 (ראה קבצי ה-script 2 הקבצים המשלימים).
      2. חשב את גוף הספינה באזור34שלום מספר פיקסלים. להשתמש את הפונקציה convexHull מהספריה OpenCV19 (ראה קבצי ה-script 2 הקבצים המשלימים).
      3. לחשב את רדיוס35ri של רועי Ri. להשתמש את הפונקציה minEnclosingCircle מהספריה OpenCV19 (ראה קבצי ה-script 2 הקבצים המשלימים).
      4. חשב את אחידות סי של רועי Ri. אחידות הוא היחס של אזור מתאר (שהושג בשלב 6.4.3.1) לאזור שלה קמור (שהושג בשלב 6.4.3.2) רי.
      5. לחשב את יחס הגובה-רוחב ai של רועי Ri. יחס גובה-רוחב הוא היחס בין הרוחב והגובה של רי-תוחמת מלבן. המלבן התוחם מחושב באמצעות את הפונקציה boundingRect מהספריה OpenCV19 .
    4. בחר ערכת יותר ROIs כמועמד להכיל את בעלי החיים, על-ידי התאמת את המאפיינים עבור אזור בגוף הספינה, רדיוס, אחידות, יחס גובה-רוחב.
      1. בדוק אם שלום היא פחות 500.0 או גדול מ- 100000.0. אם כן, מחק את רועי Ri. אחרת, לשמור את רי כמועמד ROI עבור המיקום בעלי חיים.
      2. בדוק אם רי היא פחות מ- 40.0. אם כן, מחק את רועי Ri. אחרת, לשמור את רי כמועמד ROI עבור המיקום בעלי חיים.
      3. בדוק אם סי היא פחות ממה -4.0 למחוק את רועי Ri. אחרת, לשמור את רי כמועמד ROI עבור המיקום בעלי חיים.
      4. בדוק אם ai היא פחות מ- 0.15 או גדול מ- 4.0. הוא אז למחוק את רועי Ri. אחרת, לשמור את רי כמועמד ROI עבור המיקום בעלי חיים.
        הערה: השימוש ROIs הפחתת העלות החישובית, ממקד את החיפוש תג אזור הגוף של בעל החיים. גילויים בעלי חיים ממסגרות קודמות הינם כלולים למנוע גילויים טועה כאשר בעלי החיים לא עוברים.
    5. לנתח את החיה ROIs כדי לקבוע את זהותם תג. לבצע דה שלבים עבור כל רועי Ri , רועי פנימי לכל Pi, ולחלץ את ROIs פנימי P.
      1. Binarize את התמונה בגווני אפור Pi באמצעות האלגוריתם סף אוטסו36 .
      2. לחשב את קווי המתאר33 של Pi, כמו שלב 6.4.3.1.
      3. חשב את גוף הספינה באזור34שלום ואני יחס ai, כמו שלבים 6.4.3.2 ו- 6.4.3.5.
      4. חשב את הצורה רגעים37,38mi של פאי. השתמש בפונקציה רגעים מהספריה OpenCV19 (ראה קבצי ה-script 2 הקבצים המשלימים).
      5. בחר ערכת יותר ROIs כמועמד להכיל את התגים, באמצעות הקריטריונים הבאים.
        1. בדוק אם שלום היא פחות 150.0 או גדול מ- 500.0. אם כן, מחק את רועי Pi. אחרת, לשמור את Pi כמועמד ROI עבור המיקום תג.
        2. בדוק אם ai הוא פחות מ 0.5 או גדול מ- 1.5. אם כן, מחק את רועי Pi. אחרת, לשמור את Pi כמועמד ROI עבור המיקום בעלי חיים.
        3. לבדוק אם mi הוא גדול מ- 0.3. אם כן, מחק את רועי Pi. אחרת, לשמור את Pi כמועמד ROI עבור המיקום בעלי חיים.
    6. לסווג את התג ROIs. משוער של מצולע39 באמצעות הפונקציה של19 OpenCV38 עבור כל רועי Piשנבחר19.
      1. לבדוק אם יש בדיוק שלושת הקודקודים במצולע משוערת; להקצות את התג המחלקה משולש . אחרת, להקצות את הכיתה מעגל האזור תג.
        הערה: מצולע משוערת מאוחסן באמצעות מטריצה עם הקודקודים.
      2. בדוק את הפיקסל המרכזי של רועי Pi. אם זה פיקסל שחור , להקצות את Pi המחלקה מתחבא . אחרת, להקצות את Pi המחלקה לבן .
        הערה: מרכז הצורה הסיק מן הרגעים שחושבו בצעד 6.4.5.4. חפש את הפיקסלים השחורים ב אזור ברדיוס של 4 פיקסלים סביב המרכז.
  5. לשמור את נתוני מסגרת: תאריך מסגרת, מסגרת הזמן, צורת מחלקה, x מרכז הצורה, וקואורדינטת y מרכז הצורה.
  6. להמשיך עם המסגרת הבאה או לסיים את התהליך. ראה איור 5 להלן דוגמה חזותי של המדרגות script לעבוד ולראות וידאו 1 בתור דוגמה של קובץ script תפקוד.

figure-protocol-5
איור 5 : השלבים הרלוונטיים של script. עיבוד וידאו (1) הערך תנועה חיסור רקע מעל הממוצע של מאה השנים האחרונות מסגרות. (2) תוצאה של אלגוריתם חיסור של הרקע. (3) החל מבצע מורפולוגיים dilate לאזורי מזוהה לבן. (4) החל לתקן, רועי סטטי, הראשי; המצולע צהוב מקבילה לאזור המיכל התחתון. (5) לחשב את קווי המתאר לכל אזור לבן מזוהה ברועי הראשי ולבצע וניתוח מבני עבור כל אחד מתאר שזוהו. (6) לבדוק את ערכי מאפיינים מבניים, לאחר מכן, בחר ברמה השניה רועי מועמדים. (7) Binarize המסגרת באמצעות אלגוריתם קביעת סף אוטסו; קובץ ה-script פועלת רק עם רמה שניה ROIs. (8) עבור כל אחד binarized רועי ברמה שניה, לחשב את קווי המתאר של האזורים הלבנים ולבצע וניתוח מבני עבור כל אחד זוהה מתאר. (9) הסימון המאפיין מבניים ערכים ובוחר, ואז מועמדים רועי פנימי. (10) עבור כל מתאר המועמדות רועי פנימי, לחשב את הרגעים/מתארי. (11) ולבדוק אם הגפרורים צורה שזוהו עם המודל הצורה ואת משוער מצולע המועמדים התאמה הטובה ביותר. (12) בדוק את מספר הקודקודים של המצולע משוער ולקבוע את דמות גיאומטרית: מעגל או משולש. מרכז (13) חשב הדמות ובדוק אם פיקסלים שחורים מתרחשים; אם כן, היא דמות holed. (14) תוצאה ויזואלית לאחר ניתוח מסגרת. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

אנחנו נבנה באופן ידני קבוצת משנה של הנתונים ניסיוני כדי לאמת את ניתוח וידאו אוטומטית. גודל דגימה של מסגרות 1,308 עם רמת ודאות של 99% (שהוא מדד של אבטחה שמראה אם המדגם משקף באופן מדויק את האוכלוסייה, בתוך מרווח הטעות שלה), מרווח קטן לטעות של 4% (שזה אחוז שמתאר כמה קרוב התגובה נתן הדגימה היא הערך האמיתי באוכלוסייה) נבחר באופן אקראי, ובוצע לביאור ידנית של הזיהוי הנכון של ROIs וזיהוי הנכון של התג בתוך כל רואי. שימו לב כי מסגרת אחת עשוי להכיל מספר משתנה של ROIs בתוך טווח לא נקבע כי כמה לובסטרי...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

התוצאות נציג וביצועים שהושגו עם פרוטוקול מעקב וידאו אישר תוקפו למחקר יישומי בתחום של התנהגות בעלי חיים, עם דגש ספציפי על אפנון חברתית ומקצבים השעון הביולוגי של חיות cohoused. היעילות של זיהוי בעלי חיים (69%) את הדיוק של תג אפליה (89.5%) בשילוב עם ובמאפיינים התנהגותיים (קרי, קצב תנועה) של המין יעד משמש כאן מציע כי פרוטוקול זה הוא הפתרון המושלם עבור ניסויים ניסיוני לטווח ארוך (למשל, ימים ושבועות). יתר על כן, הפרוטוקול מציע את היתרון בסיסי של להיות קלה לשימוש ומהיר בפיתוחה, התאמה אישית לגבי טכניקות אחרות, כגון למידה אוטומטי...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

המחברים אין לחשוף.

תודות

המחברים מודים על ד ר ג'ואן ב' החברה מימנה את הפרסום של עבודה זו. כמו כן, המחברים מודים על הטכנאים של אזור אקווריום ניסיוני-המכון למדעי הים בברצלונה (ICM-CSIC) על עזרתם במהלך העבודה ניסיוני.

עבודה זו נתמכה על ידי הפרויקט RITFIM (CTM2010-16274; החוקר הראשי: Aguzzi ג') נוסדה על ידי משרד המדע הספרדי חדשנות (MICINN) ואת המענק TIN2015-66951-C2-2-R ספרדית משרד הכלכלה ואת התחרותיות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
חצובה 475ManfrottoA0673528
זרוע מפרקית שהופסקה 143ManfrottoD0057824שהופסקה
USB 2.0 uEye LEiDSUI-1545LE-Mhttps://en.ids-imaging.com/store/products/cameras/usb-2-0-cameras/ueye-le.html
עין דג Len C-mount f = 6 מ"מ/F1.4InfaimonStandard Optical https://www.infaimon.com/es/estandar-6mm
מיכל סיבי זכוכית 1500 x 700 x 300 מ"מ 3< / sup>
שחור בד
לבד מיכל5 רצועות עץ 50x50x250 מ"מ
מבנה עץ בדלבד 10 רצועות עץ 25x25x250 מ"מ
ברגיכמה שצריך לתקן רצועות עץ מבני
PCמעבד 2 ליבות, 4GB RAM, 1 GB גרפיקה, 500 GB
HD אחסון חיצוני HDD2 TB קיבולת רצויה
iSPY Sotfware למחשב WindowsiSPYhttps://www.ispyconnect.com/download.aspx
Zoneminder תוכנה לינוקס PCZoneminderhttps://zoneminder.com/
OpenCV 2.4.13.6 ספרייהOpenCVhttps://opencv.org/
פיתון 2.4פיתוןhttps://www.python.org/
מגש
פלסטיק קופסת
ג'לציאנוקרילט לדבק תג' s 
1 יריעת פלסטיק PVC שחורה (עובי 1 מ"מ)בניית
תג 1 יריעת פלסטיק PVC לבנה (עובי 1 מ"מ)בניית
תג 4 תג' s Ø 40 מ"מעשוי עם יריעת פלסטיק PVC שחור ולבן
3 מ' כחול Strid Led Ligts (480 ננומטר)עמיד למים כרצוי
3 מ' IR Strid Led Ligts (850 ננומטר)עמיד למים כרצוי
6 מ'  צינורות מתאקרילט ואוסלאש; 15 מ"מסגור Strid Led
4 PVC Elbow  45o Ø 63 מ"מבניית מחילה
3 מ 'צינור PVC גמיש & Oslash; 63 מ"מבניית מחילה
4 PVC בורג & Oslash; 63 מ"מבניית מחילה
בניית מחילה
4 נקבה PVC שקע דבק / חוט Ø 63 מ"מבניית מחילה
'DC 12V כבל חשמלימנגנון בקרת אור
Ligt ספק כוח DC 12 V 300 Wמנגנון בקרת אור
MOSFET, RFD14N05L, N-Canal, 14 A, 50 V, 3 פינים, IPAK (TO-251)רכיבי RS325-7580מנגנון
בקרת אורדיודה, 1N4004-E3/54, 1A, 400V, DO-204AL, רכיבי RS 2 פינים628-9029מנגנון בקרת אור
מחזיק נתיךרכיבי RS336-7851מנגנון בקרת אור
מסוף חשמל דו כיווני 3.81 מ"מרכיבי RS220-4658מנגנון בקרת אור
קבל 220 ומיקרו; F 200 Vרכיבי RS440-6761התנגדות מנגנון בקרת אור
2K2 7 Wרכיבי RS485-3038מנגנון בקרת אור
נתיך 6.3 x 32 מ"מ 2 רכיבי RS 3A413-210מנגנון בקרת אור
Arduino Uno Atmel Atmega 328 MCUרכיבי RS715-4081מנגנון בקרת אור
לוח אב טיפוס CEM3,3 orific.,RE310S2רכיבי RS728-8737מנגנון בקרת אור
ממיר DC/DC, 12 Vin,+/- 5 Vout 100 mA 1 Wרכיבי RS689-5179מנגנון בקרת אור
2 SERA T8 נורת פלורסנט כחולה לאור ירח 36 וואטSERAמתקן מבודד
מצלמה מבנה עץ נירוסטה קרח קמפינג4 טבעת O Ø 63 מ"מ 10 מ

מקורות

  1. Dell, A. I., et al. Automated image-based tracking and its application in ecology. Trends in Ecology & Evolution. 29 (7), 417-428 (2014).
  2. Berman, G. J., Choi, D. M., Bialek, W., Shaevitz, J. W. Mapping the stereotyped behaviour of freely moving fruit flies. Journal of The Royal Society Interface. 11 (99), (2014).
  3. Mersch, D. P., Crespi, A., Keller, L. Tracking Individuals Shows Spatial Fidelity Is a Key Regulator of Ant Social Organization. Science. 340 (6136), 1090(2013).
  4. Tyson, L. Hedrick Software techniques for two- and three-dimensional kinematic measurements of biological and biomimetic systems. Bioinspiration & Biomimetics. 3 (3), 034001(2008).
  5. Branson, K., Robie, A. A., Bender, J., Perona, P., Dickinson, M. H. High-throughput ethomics in large groups of Drosophila. Nature Methods. 6 (6), 451-457 (2009).
  6. de Chaumont, F., et al. Computerized video analysis of social interactions in mice. Nature Methods. 9, 410(2012).
  7. Pérez-Escudero, A., Vicente-Page, J., Hinz, R. C., Arganda, S., de Polavieja, G. G. idTracker: tracking individuals in a group by automatic identification of unmarked animals. Nature Methods. 11 (7), 743-748 (2014).
  8. Fiala, M. ARTag, a fiducial marker system using digital techniques. 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05). 2, 590-596 (2005).
  9. Koch, R., Kolb, A., Rezk-Salama, C. CALTag: High Precision Fiducial Markers for Camera Calibration. Koch, R., Kolb, A., Rezk-salama, C. , (2010).
  10. Crall, J. D., Gravish, N., Mountcastle, A. M., Combes, S. A. BEEtag: A Low-Cost, Image-Based Tracking System for the Study of Animal Behavior and Locomotion. PLOS ONE. 10 (9), e0136487(2015).
  11. Charpentier, R. Free and Open Source Software: Overview and Preliminary Guidelines for the Government of Canada. Open Source Business Resource. , (2008).
  12. Crowston, K., Wei, K., Howison, J. Free/Libre Open Source Software Development: What We Know and What We Do Not Know. ACM Computing Surveys. 37, (2012).
  13. Edmonds, N. J., Riley, W. D., Maxwell, D. L. Predation by Pacifastacus leniusculus on the intra-gravel embryos and emerging fry of Salmo salar. Fisheries Management and Ecology. 18 (6), 521-524 (2011).
  14. Sbragaglia, V., et al. Identification, Characterization, and Diel Pattern of Expression of Canonical Clock Genes in Nephrops norvegicus (Crustacea: Decapoda) Eyestalk. PLOS ONE. 10 (11), e0141893(2015).
  15. Sbragaglia, V., et al. Dusk but not dawn burrow emergence rhythms of Nephrops norvegicus (Crustacea: Decapoda). Scientia Marina. 77 (4), 641-647 (2013).
  16. Katoh, E., Sbragaglia, V., Aguzzi, J., Breithaupt, T. Sensory Biology and Behaviour of Nephrops norvegicus. Advances in Marine Biology. 64, 65-106 (2013).
  17. Sbragaglia, V., Leiva, D., Arias, A., Antonio García, J., Aguzzi, J., Breithaupt, T. Fighting over burrows: the emergence of dominance hierarchies in the Norway lobster (Nephrops norvegicus). The Journal of Experimental Biology. 220 (24), 4624-4633 (2017).
  18. Welcome to Python.org. , https://www.python.org/ (2018).
  19. Bradski, G. OpenCV Library. Dr. Dobb’s Journal of Software Tools. , (2000).
  20. Piccardi, M. Background subtraction techniques: a review. 2004 IEEE International Conference on Systems, Man and Cybernetics (IEEE Cat. No.04CH37583). 4, 3099-3104 (2004).
  21. Sankur, B. Survey over image thresholding techniques and quantitative performance evaluation. Journal of Electronic Imaging. 13 (1), 146(2004).
  22. Lai, Y. K., Rosin, P. L. Efficient Circular Thresholding. IEEE Transactions on Image Processing. 23 (3), 992-1001 (2014).
  23. Gaten, E. Light‐induced damage to the dioptric apparatus of Nephrops norvegicus (L.) and the quantitative assessment of the damage. Marine Behaviour and Physiology. 13 (2), 169-183 (1988).
  24. Sbragaglia, V., et al. An automated multi-flume actograph for the study of behavioral rhythms of burrowing organisms. Journal of Experimental Marine Biology and Ecology. 446, 177-186 (2013).
  25. Johnson, M. L., Gaten, E., Shelton, P. M. J. Spectral sensitivities of five marine decapod crustaceans and a review of spectral sensitivity variation in relation to habitat. Journal of the Marine Biological Association of the United Kingdom. 82 (5), 835-842 (2002).
  26. Markager, S., Vincent, W. F. Spectral light attenuation and the absorption of UV and blue light in natural waters. Limnology and Oceanography. 45 (3), 642-650 (2000).
  27. Aguzzi, J., et al. A New Laboratory Radio Frequency Identification (RFID) System for Behavioural Tracking of Marine Organisms. Sensors. 11 (10), 9532-9548 (2011).
  28. Audin, M. Geometry [Electronic Resource. , Springer Berlin Heidelberg:, Imprint: Springer. Berlin, Heidelberg. (2003).
  29. OpenCV Team Structural Analysis and Shape Descriptors - OpenCV 2.4.13.7 documentation. , https://docs.opencv.org/2.4/modules/imgproc/doc/structural_analysis_and_shape_descriptors.html?highlight=findcontours#void%20HuMoments(const%20Moments&%20m,%20OutputArray%20hu) (2018).
  30. Slabaugh, G. G. Computing Euler angles from a rotation matrix. 7, (1999).
  31. Zhang, Z. A flexible new technique for camera calibration. IEEE Transactions on Pattern Analysis and Machine Intelligence. 22 (11), 1330-1334 (2000).
  32. www.FOURCC.org - Video Codecs and Pixel Formats. , https://www.fourcc.org/ (2018).
  33. Suzuki, S., be, K. Topological structural analysis of digitized binary images by border following. Computer Vision, Graphics, and Image Processing. 30 (1), 32-46 (1985).
  34. Sklansky, J. Finding the convex hull of a simple polygon. Pattern Recognition Letters. 1 (2), 79-83 (1982).
  35. Fitzgibbon, A., Fisher, R. A Buyer’s Guide to Conic Fitting. , 51.1-51.10 (1995).
  36. Otsu, N. A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man, and Cybernetics. 9 (1), 62-66 (1979).
  37. Hu, M. K. Visual pattern recognition by moment invariants. IRE Transactions on Information Theory. 8 (2), 179-187 (1962).
  38. Structural Analysis and Shape Descriptors - OpenCV 2.4.13.6 documentation. , https://docs.opencv.org/2.4/modules/imgproc/doc/structural_analysis_and_shape_descriptors.html?highlight=cvmatchshapes#humoments (2018).
  39. Douglas, D. H., Peucker, T. K. Algorithms for the Reduction of the Number of Points Required to Represent a Digitized Line or its Caricature. Cartographica: The International Journal for Geographic Information and Geovisualization. 10 (2), 112-122 (1973).
  40. Vanajakshi, B., Krishna, K. S. R. Classification of boundary and region shapes using Hu-moment invariants. Indian Journal of Computer Science and Engineering. 3, 386-393 (2012).
  41. Kahle, D., Wickham, H. ggmap : Spatial Visualization with ggplot2. The R Journal. , 144-162 (2013).
  42. Venables, W. N., Ripley, B. D. Modern Applied Statistics with S. , Springer. New York. (2010).
  43. Abbas, Q., Ibrahim, M. E. A., Jaffar, M. A. A comprehensive review of recent advances on deep vision systems. Artificial Intelligence Review. , (2018).
  44. Menesatti, P., Aguzzi, J., Costa, C., García, J. A., Sardà, F. A new morphometric implemented video-image analysis protocol for the study of social modulation in activity rhythms of marine organisms. Journal of Neuroscience Methods. 184 (1), 161-168 (2009).
  45. Chapman, C. J., Shelton, P. M. J., Shanks, A. M., Gaten, E. Survival and growth of the Norway lobster Nephrops norvegicus in relation to light-induced eye damage. Marine Biology. 136 (2), 233-241 (2000).
  46. Video tracking software | EthoVision XT. , https://www.noldus.com/animal-behavior-research/products/ethovision-xt (2018).
  47. Correll, N., Sempo, G., Meneses, Y. L. D., Halloy, J., Deneubourg, J., Martinoli, A. SwisTrack: A Tracking Tool for Multi-Unit Robotic and Biological Systems. 2006 IEEE/RSJ International Conference on Intelligent Robots and Systems. , 2185-2191 (2006).
  48. MATLAB - MathWorks. , https://www.mathworks.com/products/matlab.html (2018).
  49. Leggat, P. A., Smith, D. R., Kedjarune, U. Surgical Applications of Cyanoacrylate Adhesives: A Review of Toxicity. ANZ Journal of Surgery. 77 (4), 209-213 (2007).
  50. Dizon, R. M., Edwards, A. J., Gomez, E. D. Comparison of three types of adhesives in attaching coral transplants to clam shell substrates. Aquatic Conservation: Marine and Freshwater Ecosystems. 18 (7), 1140-1148 (2008).
  51. Cary, R. Methyl cyanoacrylate and ethyl cyanoacrylate. , World Health Organization. Geneva. (2001).
  52. Krizhevsky, A., Sutskever, I., Hinton, G. E. Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems. , http://papers.nips.cc/paper/4824-imagenet-classification-w 1097-1105 (2012).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

מאמרים קשורים