Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Методическая статья

Долгосрочного отслеживания видео Cohoused водных животных: тематическое исследование повседневной двигательной активности омаров Норвегия (Норвежский Омар)

6.4K просмотров

⸱

DOI:

10.3791/58515

⸱

8 апреля 2019 г.

 ,  ,  , 
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

В этой статье

Краткое содержание

Здесь мы представляем протокол к индивидуально отслеживать животных в течение длительного периода времени. Он использует компьютерное зрение методы для определения набора тегов вручную сконструированный с помощью группы омаров в качестве тематического исследования, одновременно предоставляя информацию о том, как дом, манипулировать и Марк омаров.

Аннотация

Мы представляем протокола, связанных с видео отслеживания метод, основанный на вычитание фона и изображения бинаризация, что делает возможным проследить индивидуально cohoused животных. Мы проверили процедуры отслеживания с четырьмя cohoused омары Норвегия (Норвежский Омар) в условиях темноты свет на 5 дней. Омары индивидуально помечена. Экспериментальной установки и используемых методов отслеживания полностью основаны на с открытым исходным кодом. Сравнение результатов отслеживания с ручного обнаружения указывает, что омары были правильно обнаружено 69% времени. Среди правильно обнаруженных омары, их отдельные теги были правильно определены 89,5% времени. Учитывая частоту кадров, используемое в протоколе и скорость движения омаров производительность видео отслеживания имеет хорошее качество, и представитель результаты подтверждают действительность протокола в производстве ценных данных для нужд исследований (индивидуальные помещениях или двигательной активности шаблоны). Протокол, представленные здесь можно легко настроить и, следовательно, перенесены в другие виды, где отдельные отслеживания образцов в группе может быть ценным для ответа на вопросы исследования.

Введение

В последние несколько лет автоматизированного отслеживания на основе образа предоставил высокоточные наборов данных, который может использоваться для изучения основных вопросов экологии и поведения дисциплин1. Эти наборы данных могут использоваться для количественного анализа поведения животных2,3. Однако каждое изображение методологии, используемой для отслеживания животных и поведение оценки имеет свои сильные стороны и ограничения. В протоколы на основе образа отслеживания, которые использовать пространственные данные из предыдущих кадров в фильме, для отслеживания животных4,5,6ошибки могут быть введены, когда крест пути двух животных. Эти ошибки обычно необратимого и распространяться через время. Несмотря на вычислительные достижения, которые уменьшают или почти устранения этой проблемы5,7эти методы по-прежнему нуждаются в однородных средах экспериментальных для точной идентификации животных и отслеживания.

Занятость знаков, которые могут быть однозначно идентифицированы в животных позволяет избежать этих ошибок и позволяет долгосрочного отслеживания соответствующих лиц. Широко используются маркеры (например, штрих-коды и Коды QR) существуют в промышленности и торговле и могут быть идентифицированы с помощью известной компьютерной техники видение, таких, как Расширенная реальность (например, ARTag.8) и калибровка камеры (например, CALTag9 ). Меткой животных ранее были использованы для высокой пропускной способности поведенческие исследования в различных видов животных, для например, муравьи3 или10пчел, но некоторые из этих предыдущих систем не оптимизированы для признания изолированных теги3.

Протокол отслеживания, представленных в настоящем документе особенно подходит для отслеживания животных в один одноканальной изображений, например, инфракрасный (ИК) света или монохроматического света (в частности, мы используем синий свет). Таким образом, метод, разработанный не использовать цвет подсказки, будучи также применимы к другим где есть ограничения в освещении. Кроме того мы используем настраиваемые теги, так как не призваны нарушить омары и, в то же время, позволяют записи с камер лоу кост. Кроме того, метод, используемый здесь основан на метку кадра независимые обнаружения (т.е.., алгоритм распознает наличие каждого тега изображения независимо от предыдущих траектории). Эта функция имеет отношение в приложениях, где животные могут быть временно закрыта, или животных траекторий могут пересекаться.

Тег позволяет его использование в различных групп животных. После задания параметров метода, может передаваться для решения других животных отслеживания проблем без необходимости для подготовки конкретных классификатор (других ракообразных или брюхоногие моллюски). Основные ограничения экспорта протокол являются размер тега и потребность в привязанности к животным (что делает его не пригодным для мелких насекомых, как мухи, пчел и т.д.) и 2D предположение для движения животных. Это ограничение является значительным, учитывая, что предложенный метод предполагает, что размер тегов остается неизменным. Свободно перемещаться в 3D-среде (например, рыба) животное будет показать другой тег размеры в зависимости от расстояния до камеры.

Цель настоящего Протокола заключается в том, предоставить удобный методологии для отслеживания несколькими тегами животных в течение длительного периода времени (например, дней или недель) в 2D контексте. Методологический подход основан на использовании открытым исходным кодом программного и аппаратного обеспечения. Свободное и открытое программное обеспечение позволяет, адаптации, модификации и свободное распространение; Таким образом созданного программного обеспечения улучшает на каждом шаге11,12.

Протокол здесь представлены фокусируется на лаборатории для отслеживания и оценки двигательной активности четырех водных животных в танк на 5 дней. Видео файлы записываются с покадровой образа 1 s и компилируются в видео 20 кадров в секунду (1 зарегистрированных день занимает примерно 1 час видео). Все видео записи автоматически обработанному получить животных позиции, применяя компьютера видение методы и алгоритмы. Протокол позволяет получать большое количество данных, избегая их ручной заметки, которое было показано время трудоемких и трудоемкий в предыдущих экспериментальных работ13отслеживания.

Мы используем омаров Норвегия (Норвежский Омар) для представления тематических исследований; Таким образом мы предоставляем вегетационных лабораторных условиях их поддерживать. Омаров выполняют хорошо изученных нору появление ритмы, которые находятся под контролем суточного часов14,15, и когда cohoused, они формируют доминирование иерархии16,17. Следовательно модель, представленная здесь является хорошим примером для исследователей, заинтересованных в социальной модуляции поведения с особым упором на циркадные ритмы.

Здесь представлены методология легко воспроизводится и может быть применен к другим видам, если есть возможность различать животных с отдельных тегов. Минимальные требования для воспроизведения такого подхода в лаборатории являются (i) изотермический номера для экспериментальной установки; (ii) непрерывной подачи воды; (iii) механизмы контроля температуры воды; (iv система управления освещением; (v) камеру USB и стандартный компьютер.

В этом протоколе мы используем Python18 и OpenCV19 (открытого исходного компьютера видение библиотека). Мы полагаемся на быстрые и часто применяемых операций (как с точки зрения осуществления и исполнения), таких как вычитание фона20 и изображения21,-порог22.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

Видов, используемых в настоящем исследовании не находится под угрозой или охраняемых видов. Отбор проб и лабораторные эксперименты после испанского законодательства и внутренних институциональных (ICM-CSIC) правила, касающиеся благополучия животных. Животных проб был проведен с разрешения местного органа власти (региональное правительство Каталонии).

1. животных обслуживание и выборки

Примечание: Следующий протокол основан на предположении, что исследователи могут отведать н. Омар в поле во время ночи, чтобы избежать повреждения фоторецепторов23. Следует избегать н. Омар подвергаются воздействию солнечного света. После выборки, омары должны быть размещены в адаптационного фонда, похожую на ту, сообщил ранее17,24, с непрерывный поток охлажденных морской воды (13 ° C). Животных, используемых в настоящем исследовании мужчин в intermoult состоянии с длиной головогрудь 43.92 ± (CL; среднее ± SD) 2.08 мм (N = 4).

  1. Держите людей в изолированных отсеков, чтобы избежать повреждений из-за индивидуальных боев (см. Рисунок 1a-d).
  2. Кормите их около 3 x в неделю в случайные моменты времени не мешать циркадные ритмы.
    Примечание: В этом эксперименте мидии (около 4 грамм омаров) были использованы в качестве пищи. Мидии были приобретены у поставщиков замороженных продуктов и были пригодны для потребления человеком.
  3. Использовать синий свет (425-515 нм) для имитации свет часов согласно спектральная чувствительность видов25 и экологических условий на 400 м глубокой26 (см. рис. 1 c,d).
    Примечание: Объект, используемый здесь имеет вертикальный потолок два синих (478 Нм) люминесцентные лампы, которые произведены интенсивность света 12 lx на 1 м расстояние от ламп. Смотрите Рисунок 1a потолочными светильниками позиции и Таблица материалов для производителя и технической лампы характеристики.
  4. Отрегулируйте фотопериода адаптационного фонда до 12/12 часов света/темноте или имитировать естественный фотопериода местных широты.
  5. Регулировать температуру объекта до 13 ° C и монитор 2 x в день для проверки температуры приточных морской воды составляет около 13 ° C (см. Рисунок 1e).
  6. Регулировать приток морской воды в размере около 4 Л/мин для поддержания хорошей оксигенации.
    Примечание: Морская вода циркулирует в открытой цепи (используются не дополнительные насосы и фильтры). Подача воды зависит от услуг завод основной аквариум.

figure-protocol-1
Рисунок 1 : Вид адаптационного фонда. () танк полки. (А1) Вход с морской водой. (А2) Люминесцентные светильники. (b) подробно синий свет освещение. (c) подробно животных клеток. (d) деталь изолированного объекта управления. (e) температуры настройки одного из входов. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

2. тег строительство

Примечание: Тег, используемый здесь можно изменить согласно характеристики целевой животного или других конкретных соображений.

  1. Вырежьте четыре круги диаметром от черный пластиковый лист 40 мм.
  2. Вырежьте из белого ПВХ пластиковый лист двух равносторонних треугольников с сторонами 26 мм.
  3. Вырежьте из белого ПВХ пластики листовые двух кругов диаметром 26 мм.
  4. Марк центр белые треугольники и круги и сделать отверстие диаметром 10 мм в нем.
  5. Клей четыре белые фигуры в центре четыре черные круги.

figure-protocol-2
Рисунок 2 : Четыре теги, используемые для индивидуальной маркировки омаров. Круг, круг отверстие, треугольник, треугольник отверстие. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

3. Экспериментальная установка

Примечание: Предполагается, что экспериментальные Арена в независимой экспериментальной камеры от, но в непосредственной близости от адаптационного фонда.

  1. Создан экспериментальный камеры, где температура воздуха можно контролировать и поддерживать при той же температуре, как морской экспериментальный арене.
  2. Измените стекловолокна танк (1500 x 700 x 300 мм) для использования в качестве экспериментальной Арена. Добавьте четыре норы, используя гибкие трубы из ПВХ в нижней части бака и пряника песка на поверхности, где омары должны двигаться (рис. 3b-e). Для более подробной информации см.17,27.
    1. Предоставить экспериментальной Арена погружные синие светодиоды (472 Нм, имитируя свет часов) и ИК-светодиодов (850 нм, темное) (см. также рис. 3a)17,24.
      Примечание: Светодиодный свет используется из-за его низкого теплового воздействия и доступность использования электронного управления и свободного оборудования. Изолированного объекта с температурой окружающей среды и морской водой 13 ± 0,5 ° C было использовано.
    2. Всегда держите включен ИК-светодиодов.
      Примечание: ИК необходима для видео запись в темное время суток и в условиях освещения. Это не необходимо выключить его.
    3. Подключите синий светодиод с аппаратом для управления фотопериода. Просмотреть предложения в Таблице материалови для получения более подробной информации, обратитесь к Sbragaglia et al. 17 (также показано на рисунке 3a).
      Примечание: Освещение в автоматизированных видео или изображение анализа является решающим фактором. Регулярное освещение без тени всей арене, избегая воды поверхности размышления облегчает анализ изображений или заднего видео. В контексте этого протокола были использованы только 12/12 свет/темноте условия. Свет и тьма были постепенно достигается в течение 30 мин, и свет контроллер скрипт добавляется в качестве дополнительных файлов 1.
    4. Место входе охлажденной морской водой в одном углу бака и соответствующие розетки в противоположном углу.
    5. Регулировать ввода морской воды при скорости потока около 4 Л/мин.
    6. Окружают бак с черный занавес для того, чтобы обеспечить полную изоляцию от других света (рис. 3a).
  3. Место штатив, к которому веб-камера крепится к стороне экспериментальных Арена и позиция видео камеры выше (130 см) и в центре арены экспериментальной (75 x 32,5 см (см. рис. 3а).
  4. Проверить, является ли видео камеры в центре позиции (см. шаг 3.3) чтобы убедиться, он не был перемещен недобровольно.
  5. Подключите веб-камеру к компьютеру, который находится за пределами занавес (рис. 3a).
    1. Установите программное обеспечение для управления покадровой записи с камеры видео.
      Примечание: Покадровой записи зависит от скорости движения видов. Кроме того см. Таблицу материалов для камеры, fisheye объектив, PC и характеристики программного обеспечения и производителей, используемых здесь.
    2. Настройка параметров видеозаписи в зависимости от характеристик видов.
      Примечание: Учитывая уровень мобильности н. Омарпокадровой записи 1 s был использован здесь, и видео был сохранен каждые 24 ч.
    3. Убедитесь в том создать отметка (включая дату) в покадровой видео (как это может помочь для будущего ручная биговка поведения).

figure-protocol-3
Рисунок 3 : Экспериментальная установка. () диаграмма Ассамблеи экспериментального танка и видео приобретения. (b) общий вид экспериментального танка. (c) снизу вид экспериментального танка, указывающее искусственных норах. (d) сверху вид, показаны в нижней части экспериментального танка. (e) детали одного из входов нору. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

4. экспериментальный суд и животных подготовка

Примечание: Все шаги с животных должно быть сделано в адаптационного фонда и в условиях красный свет согласно спектральная чувствительность в Норвегии омаров25. При перемещении животных между адаптационного и экспериментальный центр, Избегайте любого воздействия омаров к свету, используя непрозрачный черный мешок для покрытия Набегу.

  1. Подготовить Набегу ранее разделены на четыре затопленных отсеков с водой около 7 ° c.
  2. Подготовка четырех Теги ранее построенных и быстрый клей, как Цианакрилатный.
  3. Подготовьте лотку с дробленым льдом.
  4. Выберите четыре омары, чтобы быть помечены в адаптационного фонда и положить каждый из них в отсеке Набегу.
  5. Подождите 30 минут и затем запустите процесс пометки.
    1. Возьмите омаров и положил его на дробленый лед за 5 мин для иммобилизации его и облегчить тегов операции.
    2. Сухой верхней частью головогрудь омаров с адсорбционной бумаги и положить капли быстро клея на ней.
    3. Поместите тег горизонтально на вершине головогрудь животного, при контакте с клеем, и ждать достаточно времени для того чтобы затвердеть (около 20 s).
    4. Вернуть его отсека в Набегу омаров и продолжить с тремя другими животными таким же образом.
    5. Положить омаров обратно в камере, где они были ранее и ждать 24 h чтобы убедиться, что тег должным образом наклеивается на.
    6. Передать омаров из адаптационного фонда экспериментальной камеры, используя же Набегу, который был использован для пометки процедуры.
  6. Запуск записи видео и подождать 5 мин до введения тегами омаров. Получите изображение усредненной фона от первоначальных 100 кадров.
    Примечание: Ожидания не менее 1 мин является обязательным для получения фона рамки без тегами омары; они необходимы для обработки видео.
  7. Ввести животных поочередно в эксперименты танк внутри их соответствующих отсека, сохраняя воды в нем.
  8. Ждать их выйти; Если они не выходят, помочь им слегка наклоняя отсеке. Смотрите Рисунок 4 в качестве примера животных внутри бака в экспериментальных условиях.

figure-protocol-4
Рисунок 4 : Raw видеокадра. Пример представителя кадра от одного из покадровой видео собраны в ходе экспериментов. В правом верхнем углу мы показать отметку времени с даты, времени и кадров. Обратите внимание на различия в бак освещения в нижнем углу изображения. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

5. видео анализ сценария

  1. Выполните анализ после завершения эксперимента.
    1. Запуск компьютера видение сценарий для анализа видео.
    2. Запуск Java-программы для вычисления позиции и пройденная, омары и вставьте данные в базе данных.
      Примечание: Эта программа является алгоритм Евклида на основе расстояния28.
    3. Запуск сценария SQL для сегментирования данных как желаемый временной интервал (ex. 10 мин).

6. Компьютерное зрение сценарий для анализа видео

Примечание: Сценарий избегает коррекция рыбий глаз изображения, потому что он не представит соответствующую ошибку в экспериментальной установки. Тем не менее это можно исправить это с OpenCV камеры калибровка функции29 на основе вектора и матрицы вращения методы30,31.

  1. Выберите язык программы18 Python.
  2. Выберите OpenCV19 изображений и обработки видео библиотека.
  3. Загрузите видео.
    Примечание: Видео форматы AVI или . в этом эксперименте использовались MP4, но это не является обязательным. Это зависит от кодеков FourCC32 , установленных в операционной системе.
  4. Выполните следующие шаги для каждого кадра Fi в видео.
    1. Вычитание фона20B (в среднем 100 последних кадров, полученных из шага 4.6) из текущего кадра Fiи обновить фоновое изображение B как Интернет. Используйте функцию BackgroundSubtractorMOG2 из библиотеки OpenCV19 (см. сценарии в дополнительный файл 2).
    2. Определите набор областей интереса (ROI) R от пикселей с соответствующим движением обозначается subtractor фон. Используйте метод применяется с BackgroundSubtractorMOG2 в библиотеку OpenCV19 (см. сценарии в дополнительный файл 2). В наборе включают животных обнаружений от предыдущего кадра, принимать во внимание движущееся животных.
    3. Выполните следующие шаги для каждого ROI ри
      1. Примените функцию разбавить и вычислить контуры33 ROI ри. Используйте функции расширяются и findContours из библиотеки OpenCV19 (см. сценарии в дополнительный файл 2).
      2. Вычислите Халл площадь34Привет в количество пикселей. Используйте функцию convexHull из библиотеки OpenCV19 (см. сценарии в дополнительный файл 2).
      3. Вычислить радиус35ри ROI ри. Используйте функцию minEnclosingCircle из библиотеки OpenCV19 (см. сценарии в дополнительный файл 2).
      4. Вычислите прочность Си ROI ри. Прочность — это отношение области контура (полученные на шаге 6.4.3.1) для его выпуклой области (полученные на шаге 6.4.3.2) ри.
      5. Вычислите пропорции АИ ROI ри. Отношение сторон — это отношение между шириной и высотой ри-ограничивающего прямоугольника. Ограничивающий прямоугольник вычисляется с помощью функции boundingRect из библиотеки OpenCV19 .
    4. Выберите сокращенный набор ROIs как кандидат содержать животных, изменив свойства для области корпуса, радиуса, солидность и пропорции.
      1. Проверьте, если Привет меньше 500,0 или больше, чем 100000.0. Если да, отказаться от ROI ри. В противном случае держите ри кандидатом ROI для животных месте.
      2. Проверьте, если ри меньше 40,0. Если да, отказаться от ROI ри. В противном случае держите ри кандидатом ROI для животных месте.
      3. Проверьте, если Си меньше -4.0 отбросить ROI ри. В противном случае держите ри кандидатом ROI для животных месте.
      4. Проверьте, если ии меньше 0,15 или больше, чем 4.0. Это так, отбросить ROI ри. В противном случае держите ри кандидатом ROI для животных месте.
        Примечание: Использование ROIs затраты вычислительных, сосредоточив внимание Поиск тегов области тела животного. Животных обнаружений из предыдущих кадров включены избежать неправильный обнаружений, когда животные не двигается.
    5. Анализируйте животное трансформирования для определения идентичности тег. Выполните следующие шаги для каждого ROI ри и для каждой внутренней ROI Пиде и извлеките внутренний ROIs P.
      1. Бинаризация полутоновое Пи с использованием алгоритма Бинаризация 36 Оцу.
      2. Вычислите контуры33 Pi, как шаг 6.4.3.1.
      3. Вычислите Халл площадь34Привет и пропорции ии, как шаги 6.4.3.2 и 6.4.3.5.
      4. Вычислите форму моменты37,38ми Пи. Используйте функцию моменты из библиотеки OpenCV19 (см. сценарии в дополнительный файл 2).
      5. Выберите сокращенный набор ROIs как кандидат содержать теги, используя следующие критерии.
        1. Проверьте, если Привет меньше 150.0 или больше, чем 500.0. Если да, отказаться от ROI Pi. В противном случае сохранить Пи кандидатом ROI для тега расположения.
        2. Проверьте, если ии меньше 0,5 или больше, чем 1.5. Если да, отказаться от ROI Pi. В противном случае сохранить Пи кандидатом ROI для животных месте.
        3. Проверьте, если ми больше 0,3. Если да, отказаться от ROI Pi. В противном случае сохранить Пи кандидатом ROI для животных месте.
    6. Классифицируйте тег ROIs. Приблизительный многоугольника39 , с помощью функции19 OpenCV38 для каждого выбранного ROI Pi19.
      1. Проверьте, если есть ровно три вершины в приближенная полигона; Назначьте тег класса треугольник . В противном случае назначьте класса circle тег региона.
        Примечание: Приближенная многоугольник хранится с использованием матрицы с вершины.
      2. Проверьте центрального пиксела ROI Pi. Если это черный пиксел, присвойте классу грохота Pi . В противном случае назначьте Pi белого класса.
        Примечание: Центр формы выводится из моментов, рассчитанные на шаге 6.4.5.4. Поиск черных точек в районе 4-пиксель радиусом вокруг центра.
  5. Сохранить данные кадра: кадр даты, сроки, формы класса x центр фигуры и y центр формы координаты.
  6. Продолжать с следующий кадр или завершить процесс. Смотрите Рисунок 5 ниже как визуальный пример рабочих шагов скрипта и смотреть видео 1 в качестве примера сценария функционирования.

figure-protocol-5
Рисунок 5 : Соответствующие шаги обработки видео script. (1) оценить движение вычитание фона над среднее последние 100 кадров. (2) результат работы алгоритма вычитание фона. (3) Apply разбавить морфологические операции в белый обнаружены районы. (4) применить исправление, статические, главный ROI; Желтый многоугольник соответствует области дна бака. (5) рассчитать контуры для каждого региона белый обнаружены в основной ROI и выполните структурный анализ для каждого обнаруженного контур. (6) проверьте значения структурных свойств, а затем выберите второго уровня рентабельности кандидатов. (7) бинаризации раме с помощью алгоритма Бинаризация Оцу; Скрипт работает только с второго уровня ROIs. (8) для каждого binarized второго уровня рентабельности, вычислить контуры белый регионов и выполните структурный анализ для каждого обнаружено контур. (9) проверить структурное свойство значения и затем выбирает внутренних кандидатов ROI. (10) для каждого контура в внутреннего кандидата ROI, рассчитать моменты дескрипторы. (11) проверить, если обнаружены формы матчи с моделью форму и приблизительное многоугольник для лучших кандидатов матче. (12) проверить количество вершин многоугольника приблизительные и определяют геометрические фигуры: круг или треугольник. Центр (13) рассчитать рисунок и проверить, если черные пикселы; Если да, то фигура отверстиями. (14) визуальный результат после анализа кадров. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Мы вручную построили подмножество экспериментальных данных для проверки автоматического анализа видео. Размер выборки 1,308 фреймов с уровнем доверия 99% (что является мерой безопасности, которая показывает ли образец точно отражает населения, в рамках ее погрешность) и погрешность 4% (который является процент, который описывает, как близко ответ дал образца является реальной стоимости в населения) был случайным, и была выполнена вручную аннотации правильной идентификации трансформировани...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Производительность и представитель результаты, полученные с протоколом видео отслеживания подтвердил свою ценностьь для прикладных исследований в области поведения животных, с уделением особого внимания социальной модуляции и циркадные ритмы cohoused животных. Эффективность обнаружения животных (69%) и точность тег дискриминации (89,5%) в сочетании с поведенческими характеристиками (т.е. скорость движения) целевых видов, используемых здесь предполагают, что этот протокол является идеальным решением для долгосрочных экспе...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы не имеют ничего сообщать.

Благодарности

Авторы выражают благодарность д-р Джоан б. компании, которая финансируется издание этой работы. Кроме того Авторы благодарны техников экспериментальной аквариум зоны на Институт морских наук в Барселоне (ICM-CSIC) за их помощь в ходе экспериментальной работы.

Эта работа была поддержана проект RITFIM (CTM2010-16274; главный исследователь: J. Агусси) основали испанского министерства науки и инноваций (MICINN) и TIN2015-66951-C2-2-R грант от министерства экономики и конкурентоспособности Испании.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Штатив 475ManfrottoA0673528Снятый с производства
шарнирный кронштейн 143ManfrottoD0057824Снятый с производства
Фотоаппарат USB 2.0 uEye LEiDSUI-1545LE-Mhttps://en.ids-imaging.com/store/products/cameras/usb-2-0-cameras/ueye-le.html
Рыбий глаз Len C-mount f = 6 мм/F1.4InfaimonStandard Optical https://www.infaimon.com/es/estandar-6mm
Бак из стекловолокна 1500 x 700 x 300 мм3
черный войлочная ткань
Древесная структура Резервуар5 деревянных планок 50x50x250 мм
Древесная структура Войлочная ткань10 деревянных планок 25x25x250 мм
ВинтыСтолько, сколько необходимо для фиксации деревянных полос конструкций
ПК2-ядерный процессор, 4 ГБ ОЗУ, 1 ГБ графики, 500 ГБ
Внешнее хранилище HD Емкость2 ТБ желательно
iSPY Sotfware для ПК с WindowsiSPYhttps://www.ispyconnect.com/download.aspx
Программное обеспечение Zoneminder Linux PCZoneminderhttps://zoneminder.com/
OpenCV 2.4.13.6 БиблиотекаOpenCVhttps://opencv.org/
Python 2.4Pythonhttps://www.python.org/
Пластиковый поднос
кемпингового холодильника
с цианоакрилатным гелемдля приклеивания бирки' S 
1 черный пластиковый лист ПВХ (толщина 1 мм)Конструкция бирки
1 белый пластиковый лист ПВХ (толщина 1 мм)Конструкция бирки
4 бирки s & Oslash; 40 ммИзготовлен из черно-белого пластикового листа ПВХ
3 м Blue Strid Led Ligts (480 нм)Водонепроницаемость по желанию
3 м IR Strid Led Ligts (850 нм)Водонепроницаемость по желанию
6 м  Метакрилатные трубки и Oslash; 15 ммЗакрытый Strid Led
4 ПВХ Колено   45o Ø 63 ммКонструкция норы
3 м Гибкая труба из ПВХ Ø 63 ммКонструкция норы
крышка из ПВХ Ø 63 ммКонструкция норы
4 Уплотнительное кольцо и Oslash; 63 ммКонструкция норы
4 Гнездо с внутренней резьбой из ПВХ и Oslash; 63 ммКонструкция норы
10 м DC 12V Электрический кабельМеханизм управления светом
Легкий источник питания DC 12 В 300 ВтМеханизм управления светом
MOSFET, RFD14N05L, N-канал, 14 А, 50 В, 3-контактный, IPAK (TO-251)RS Компоненты325-7580Механизм
управления светомДиод, 1N4004-E3/54, 1А, 400В, DO-204AL, 2-сосныRS компоненты628-9029Механизм управления светом
Держатель предохранителяRS Компоненты336-7851Механизм управления светом
2-полосная клемма питания 3,81 ммRS Компоненты220-4658Механизм управления светом
Конденсатор 220 & микро; F 200 ВRS Компоненты440-6761Сопротивление механизма управления светом
2K2 7 ВтКомпоненты RS485-3038Механизм управления светом
Предохранитель 6,3 x 32 мм2 3AКомпоненты RS413-210Механизм управления светом
Arduino Uno Atmel Atmega 328 MCU КомпонентыRS715-4081Механизм управления светом
Prototipe Board CEM3,3 оригинальный,RE310S2RS Компоненты728-8737Механизм управления светом
Преобразователь постоянного тока,12 Vin,+/-5 Vout 100 мА 1 ВтRS Компоненты689-5179Механизм управления светом
2 SERA T8 синяя лунная люминесцентная лампа 36 ВтSERAСнято с производства/Изолированный объект
из нержавеющей стали для 4 Винтовая

Ссылки

  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).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

Долгосрочного отслеживания видео Cohoused водных животных: тематическое исследование повседневной двигательной активности омаров Норвегия (Норвежский Омар)
Свяжитесь с нами
Рекомендовать библиотеке

Конфиденциальность

Условия эксплуатации

Политика

Авторские права © 2026 MyJoVE Corporation. Все права защищены.