Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Environment
Click here for the English version

Environment

Langsigtet Video sporing af Cohoused vanddyr: et casestudie af den daglige bevægeapparatet aktivitet af jomfruhummer (Nephrops norvegicus)

Published: April 8, 2019 doi: 10.3791/58515
Automatic Translation
*1,2, *3,4, 1, 2
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

Summary

Her præsenterer vi en protokol for at individuelt spore dyr over en lang periode. Det bruger computer vision metoder til at identificere en række manuelt bygget tags ved hjælp af en gruppe af hummere som casestudie, samtidig giver oplysninger om, hvordan Parlamentet, manipulere, og markere hummere.

Abstract

Vi præsenterer en protokol, der er relateret til en video-tracking teknik baseret på den baggrund subtraktion og billede tærskel, der gør det muligt at individuelt spore cohoused dyr. Vi testede tracking rutinen med fire cohoused jomfruhummer (Nephrops norvegicus) på lys-mørke betingelser for 5 dage. Hummere havde blevet markeret individuelt. Opsætningen af eksperimenterende og tracking teknikker er udelukkende baseret på open source-software. Sammenligning af tracking output med en manuel registrering viser, at hummere var korrekt registreret 69% af gange. Blandt de korrekt registrerede hummere, deres individuelle tags blev korrekt identificeret 89,5% af gange. Overvejer framerate bruges i protokollen og den bevægelse af hummere, udførelsen af den video tracking har en god kvalitet, og de repræsentative resultater støtter gyldigheden af protokollen i producerer værdifulde data for forskningsbehov (individuel belægning eller bevægeapparatet aktivitet mønstre). Protokollen præsenteres her kan tilpasses nemt og er dermed kan overføres til andre arter, hvor den enkelte sporing af enheder i en gruppe kan være værdifulde for besvarelse af forskningsspørgsmål.

Introduction

I de sidste par år, har automatiseret image-baseret sporing givet meget præcise datasæt, der kan bruges til at udforske grundlæggende spørgsmål i økologi og adfærd discipliner1. Disse datasæt kan bruges til kvantitativ analyse af dyrs adfærd2,3. Hvert billede metode bruges til sporing af dyr og adfærd evaluering har imidlertid sine styrker og begrænsninger. I image-baseret sporing protokoller, der bruger rumlig information fra tidligere rammer i en film til at spore dyr4,5,6, kan fejl indføres, når to dyr veje krydses. Disse fejl er normalt irreversible og udbrede gennem tiden. Trods beregningsmæssige forskud, der reducerer eller næsten eliminere dette problem5,7, skal disse teknikker stadig homogene eksperimenterende miljøer for nøjagtig identifikation og sporing.

Ansættelse af mærker, der kan identificeres entydigt i dyr undgår disse fejl og tillader langsigtet sporing af identificerede individer. Udbredte markører (fx, stregkoder og QR-koder) findes i industri og handel og kan identificeres ved hjælp af velkendte computer vision teknikker, såsom augmented reality (f.eks. ARTag8) og kamerakalibrering (f.eks.CALTag9 ). Tagged dyr har tidligere været brugt til høj overførselshastighed adfærdsmæssige undersøgelser i forskellige dyrearter, for eksempel, myrer3 eller bier10, men nogle af disse tidligere systemer ikke er optimeret til anerkende isolerede tags3.

Sporing protokollen præsenteret i dette papir er særligt velegnet til sporing af dyr i én-kanal billeder, såsom infrarød (IR) lys eller monokromatiske lys (især, vi bruger blåt lys). Derfor, metoden udviklet bruger ikke farve stikord, der også gælder for andre indstillinger, hvor der er begrænsninger i belysningen. Derudover bruger vi tilpassede tags designet for ikke at forstyrre hummere og samtidig, tillade optagelse med billige kameraer. Desuden den metode, der anvendes her er baseret på ramme-uafhængig tag påvisning (dvs.., algoritmen, der anerkender tilstedeværelsen af hvert mærke i billedet uanset de foregående baner). Denne funktion er relevante i applikationer hvor dyr kan være midlertidigt tilstoppet, eller dyrenes baner kan skærer hinanden.

Tag design tillader dets anvendelse i forskellige grupper af dyr. Når parametrene for metoden er indstillet, kan det overføres for at tackle andre dyret-tracking problemer uden behov for uddannelse en bestemt klassificering (andre krebsdyr eller havsnegle). De vigtigste begrænsninger eksporterende protokollen er størrelsen af tag og behovet for tilknytning til dyret, (hvilket gør det ikke egnet til små insekter, fluer, bier, etc.) og den 2D antagelse for dyrs bevægelse. Denne begrænsning er væsentlig, eftersom den foreslåede metode forudsætter tag størrelse forbliver konstant. Dyrets bevæger sig frit i et 3D miljø (f.eks. fisk) ville vise forskellige tag størrelser afhængig af dens afstand til kameraet.

Formålet med denne protokol er at give en brugervenlig metode til sporing af flere tagged dyr over en lang periode (dvs., dage eller uger) i forbindelse med 2D. Den metodiske tilgang er baseret på brugen af open source-software og hardware. Gratis og open source software tillader tilpasninger, ændringer og gratis omfordeling; Derfor forbedrer de genererede software på hvert trin11,12.

Protokollen præsenteres her fokuserer på et laboratorium, der er sat op til at registrere og evaluere bevægeapparatet aktiviteten af fire vanddyr i en tank i 5 dage. Video filer er optaget fra en 1 s time-lapse image og samlet i en video ved 20 frames per sekund (1 optaget dag fylder ca. 1 h video). Alle optagelser er automatisk postprocessed at få dyr positioner, anvendelse af computer vision metoder og algoritmer. Protokollen giver mulighed for at opnå store mængder for at spore data, undgå deres manuel anmærkning, som har vist sig at være tidskrævende og besværlige i tidligere eksperimentelle papirer13.

Vi bruger jomfruhummer (Nephrops norvegicus) til casestudie; Vi giver således, artsspecifikke laboratorieforhold at opretholde dem. Hummere udføre velundersøgte burrow fremkomsten rytmer, der er under kontrol af døgnrytmen ur14,15, og når cohoused, de danner dominans hierarki16,17. Modellen præsenteres her er derfor et godt eksempel for forskere interesseret i sociale modulation af adfærd med særlig fokus på døgnrytmen.

Den metode, der præsenteres her gengives let og kan anvendes til andre arter, hvis der er en mulighed for at skelne mellem dyr med individuelle tags. Mindstekrav til reproducering en sådan fremgangsmåde i laboratoriet er (i) isotermisk værelser for opsætningen af eksperimenterende; (ii) en løbende vandforsyning; (iii) vand temperatur kontrolmekanismer; (iv) en lys kontrolsystem; (v) et USB-kamera og en almindelig computer.

I denne protokol, kan vi bruge Python18 og OpenCV19 (Open Source Computer Vision bibliotek). Vi er afhængige af hurtigt og almindeligt anvendt operationer (både med hensyn til gennemførelse og udførelse), såsom baggrunden subtraktion20 og billede tærskel21,22.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

De arter, der anvendes i denne undersøgelse er ikke en truede eller beskyttede arter. Prøveudtagning og laboratorieundersøgelser eksperimenter fulgte den spanske lovgivning og interne institutionelle (ICM-CSIC) bestemmelser vedrørende dyrevelfærd. Animalske prøvetagning blev gennemført med tilladelse fra den lokale myndighed (Cataloniens regionale regering).

1. animalsk vedligeholdelse og prøveudtagning

Bemærk: Følgende protokol er baseret på den antagelse, at forskere kan prøve N. norvegicus i feltet i løbet af natten for at undgå at beskadige fotoreceptorer23. Af N. norvegicus eksponering for sollys skal undgås. Efter prøvetagning, hummere skal være anbragt i en acclimation facilitet magen til det rapporterede tidligere17,24, med en kontinuerlig Varmestrøm med nedkølet havvand (13 ° C). De dyr, der anvendes i denne undersøgelse er mandlige hos den intermoult stat med forkrop længde (CL; gennemsnit ± SD) af 43.92 ± 2,08 mm (N = 4).

  1. Holde personerne i isolerede rum at undgå skader på grund af individuelle kampe (Se figur 1a-d).
  2. Fodre dem omkring 3 x om ugen på tilfældige tidspunkter ikke forstyrrer døgnrytmen.
    Bemærk: I dette eksperiment, blev muslinger (ca. 4 g pr. Hummer) brugt som fødevarer. Muslinger blev købt fra frosne fødevareleverandører og var egnet til konsum.
  3. Bruge blå lys (425-515 nm) til at simulere lyse timer efter arter25 og miljøforhold på 400 m dybe26 spektrale følsomhed (Se figur 1 c,d).
    Bemærk: Funktionen bruges her har en lodret loft af to blå (478 nm) lysstofrør, der produceres en lysintensitet af 12 lx i 1 meters afstand fra lamperne. Se figur 1a til loft lamper holdning og se Tabel af materialer til producentens og tekniske lamper egenskaber.
  4. Justere lysperiode acclimation facilitet til 12/12 lys/mørke timer eller simulere den naturlige lysperiode af den lokale latitude.
  5. Regulere temperaturen i anlægget til 13 ° C og overvåge 2 x dagligt at kontrollere temperaturen af den inflowing havvand er omkring 13 ° C (Se figur 1e).
  6. Regulere tilstrømningen af havvand med en hastighed på ca 4 L/min til at opretholde god iltning.
    Bemærk: Havvandet cirkulerer i et åbent kredsløb (ingen filtre og ekstra pumper er brugt). Vandforsyningen afhænger de vigtigste akvarium plante tjenester.

Figure 1
Figur 1 : Anlæg acclimation visninger. (en) tanken hylder. (a1) Havvand input. (a2) Fluorescerende loftslamper. (b) detaljer af blåt lys belysning. (c) dyr celle detaljer. (d) detaljer i en isoleret facilitet i Kontrolpanel. (e) temperatur indstilling til en af indgangene. Venligst klik her for at se en større version af dette tal.

2. Tags byggeri

Bemærk: Koden bruges her kan ændres efter forholdene i måldyret eller andre særlige overvejelser.

  1. Klip fire cirkler af 40 mm i diameter fra en sort plastfolie.
  2. Klip fra en hvid PVC plastfolie to ligesidede trekanter med 26 mm sider.
  3. Klip fra en hvid PVC plastfolie to cirkler med diameter 26 mm.
  4. Markere midten af hvide trekanter og cirkler og lave et 10 mm hul i det.
  5. Lim de fire hvide figurer til midten af de fire sorte cirkler.

Figure 2
Figur 2 : De fire koder, der bruges til den individuelle mærkning af hummere. Cirkel, cirkel-hul, trekant, trekant-hul. Venligst klik her for at se en større version af dette tal.

3. eksperimentel opsætning

Bemærk: Den eksperimentelle arena formodes for at være i en eksperimentel salen uafhængig fra men tæt på akklimatisering facilitet.

  1. Oprette en eksperimentel kammer hvor lufttemperaturen kan kontrolleres og vedligeholdes på samme temperatur som havvand i den eksperimentelle arena.
  2. Ændre en glasfiber tank (1.500 x 700 x 300 mm) til at blive brugt som en eksperimentel arena. Tilføje fire burrows ved hjælp af PVC fleksible rør i bunden af tank og stick sand på overfladen hvor hummere formodes for at flytte (figur 3b-e). For flere detaljer, se17,27.
    1. Give den eksperimentelle arena submergible blå lysdioder (472 nm, simulere lyse timer) og IR LEDs (850 nm, mørke betingelser) (Se også figur 3a)17,24.
      Bemærk: LED-lys bruges på grund af dens lave varme indvirkning og adgang til anvendelige elektroniske kontrol og gratis hardware. Et isoleret anlæg med en miljø- og havvand temperatur på 13 ± 0,5 ° C blev anvendt.
    2. Altid holde IR LEDs tændt.
      Bemærk: IR er nødvendig for at video optage i mørke omgivelser og lysforhold. Det er ikke nødvendigt at slukke den.
    3. Tilslut de blå lysdioder med et apparat til at styre lys. Se forslag i Tabel af materialer, og for flere oplysninger, skal du kontakte Sbragaglia al.. 17 (også vist i figur 3a).
      Bemærk: Belysning i video - eller billede-automatiseret analyser er en kritisk faktor. Almindelig belysning uden skygger over hele arenaen undgå vand overfladen refleksioner gør posterior video eller billedanalyse lettere. I forbindelse med denne protokol anvendtes kun 12/12 lys/mørke forhold. Lys og mørke blev gradvist opnået inden for 30 min, og en lys-controller script er tilføjet som supplerende fil 1.
    4. Sted kølet havvand indløb i det ene hjørne af tanken og den tilsvarende outlet på det modsatte hjørne.
    5. Regulere havvand input med en væskehastighed på ca 4 L/min.
    6. Surround tank med en sort forhæng for at give en fuld isolation fra andre lys (figur 3a).
  3. Placer stativ som web-kamera er fastgjort til siden af eksperimenterende arena og holdning videokamera ovenfor (130 cm) og i midten af den eksperimentelle arena (75 cm x 32,5 cm (Se figur 3a).
  4. Kontrollere, om video-kamera i den centrerede position (Se trin 3.3) for at sikre, det er ikke blevet flyttet ufrivilligt.
  5. Slut webkameraet til en computer, der er placeret uden for gardin (figur 3a).
    1. Installere software til at styre den time-lapse optagelse med video-kamera.
      Bemærk: Time-lapse optagelser afhænger den bevægelse hastighed af arter. Se også Tabel af materialer til kamera, fiskeøje linse, PC, og software egenskaber og fabrikanter bruges her.
    2. Justere parametrene i den video-optagelse efter forholdene i arterne.
      Bemærk: I betragtning af mobilitet satsen af N. norvegicus, en 1 s time-lapse optagelse blev brugt her, og videoen var gemt hver 24 timer.
    3. Sørg for at oprette et tidsstempel (herunder dato) i den time-lapse video (som dette kan bidrage til den fremtidige manuelle scoring af adfærd).

Figure 3
Figur 3 : Eksperimentel opsætning. (en) Diagram af de eksperimentelle forsamling tank og video erhvervelse. (b) generelle opfattelse af den eksperimentelle tank. (c) bunden visning af den eksperimentelle tank, der angiver de kunstige huler. (d) Top view, viser i bunden af den eksperimentelle tank. (e) detalje af et af de hule indgange. Venligst klik her for at se en større version af dette tal.

4. eksperimentelle forsøg og animalske forberedelse

Bemærk: Alle trin med dyr skal ske i acclimation facilitet og under rødt lys efter den spektrale følsomhed Norge hummer25. Når du flytter dyr mellem akklimatisering og det eksperimentelle facilitet, undgå enhver udsættelse af hummere til lys, ved hjælp af en uigennemsigtig sort taske til at dække frost.

  1. Forberede en frost, tidligere opdelt i fire neddykket rum med vand på omkring 7 ° C.
  2. Forberede de fire tags tidligere konstrueret og hurtig lim, som ren.
  3. Forberede en bakke med knust is.
  4. Vælg de fire hummere at blive markeret i acclimation facilitet og sætte hver af dem i et rum af frost.
  5. Vente 30 minutter, og derefter starte proceduren tagging.
    1. Tage en hummer og sætte det på knust is i 5 min at immobilisere det og lette mærkningsoperationen.
    2. Tør den øverste del af den Hummer forkrop med adsorptive papir og sætte en dråbe af hurtig lim på det.
    3. Placer koden vandret oven på dyrets forkrop, i kontakt med lim, og vente tid nok for det til at hærde (for omkring 20 s).
    4. Returnere hummer til dens rum i køleskabet og fortsætte med de andre tre dyr på samme måde.
    5. Sætte hummere tilbage i cellen hvor de tidligere var og vente 24 timer for at være sikker at tag ordentligt fastklæbet på.
    6. Overføre hummere fra acclimation facilitet til eksperimentelle kammeret ved hjælp af den samme frost, der blev brugt til tagging proceduren.
  6. Starte videooptagelsen og vente 5 min før der indføres tagged hummere. Opnå et gennemsnit baggrundsbillede fra de oprindelige 100 frames.
    Bemærk: Venter på et minimum på 1 min er obligatorisk at få baggrunden rammer uden mærket hummere; de er nødvendige for video forarbejdning.
  7. Indføre dyr én efter én i eksperimenter tank inde i deres respektive rum, at holde vandet i det.
  8. Vente for dem at komme ud; Hvis de ikke kommer, hjælpe dem forsigtigt ved at vippe rum. Se figur 4 som eksempel på dyr inde i tanken under forsøgsbetingelser.

Figure 4
Figur 4 : Rå videobillede. Et eksempel på et repræsentativt billede fra en af de time-lapse videoer indsamlet under forsøgene. I øverste højre hjørne viser vi tidsstempel med dato, tidspunkt og ramme. Bemærke forskelle i tank belysning i billedets nederste hjørne. Venligst klik her for at se en større version af dette tal.

5. videoanalyse Script

  1. Udføre analyse efter afslutningen af forsøget.
    1. Start computer vision scriptet til videoanalyse.
    2. Lancere Java program til at beregne positioner og tilbagelagte af hummere og indsætte dataene i databasen.
      Bemærk: Dette program er en euklidisk afstand-baserede algoritme28.
    3. Lancere SQL-script til binning data som ønskede tidsinterval (ex. 10 min).

6. computer Vision Script for Video analyse

Bemærk: Scriptet undgår fiskeøje billedkorrektion, fordi det ikke indfører en relevant fejl i opsætningen af eksperimenterende. Det er dog muligt at rette op på dette med OpenCV kamera kalibrering funktioner29 baseret på vektor og matrix rotation metoder30,31.

  1. Vælg Python18 program sprog.
  2. Vælg OpenCV19 billede og videobehandling bibliotek.
  3. Indlæse en video.
    Bemærk: Videoformater .avi eller . MP4 blev brugt i dette eksperiment, men dette er ikke obligatorisk. Det afhænger af den FourCC32 codecs installeret i operativsystemet.
  4. Udfør følgende trin for hver ramme Fi i videoen.
    1. Subtrahere baggrund20B (gennemsnit af de sidste 100 frames, fremstillet af trin 4.6) fra aktuelt ramme Fiog opdatere baggrundsbillede B som Fi. Brug funktionen BackgroundSubtractorMOG2 fra OpenCV19 bibliotek (Se scripts i supplerende fil 2).
    2. Bestemme sæt af regioner af interesse (ROIs) R fra pixel med relevante bevægelse angivet med baggrund subtractor. Bruge den metode gælder fra BackgroundSubtractorMOG2 i biblioteket OpenCV19 (Se scripts i supplerende fil 2). I sæt, omfatte de animalske fund fra den tidligere frame, der tages hensyn nonmoving dyr.
    3. Udfør følgende trin for hver ROI Ri
      1. Anvend funktionen spile og beregne konturer33 af ROI Ri. Bruge funktioner spile og findContours fra OpenCV19 bibliotek (Se scripts i supplerende fil 2).
      2. Beregne den skrog område34Hej i antallet af pixels. Brug funktionen convexHull fra OpenCV19 bibliotek (Se scripts i supplerende fil 2).
      3. Beregne radius35ri af ROI Ri. Brug funktionen minEnclosingCircle fra OpenCV19 bibliotek (Se scripts i supplerende fil 2).
      4. Beregne soliditet si af ROI Ri. Soliditet er forholdet mellem den contour område (fremstillet i trin 6.4.3.1) til konvekse skrog-området (fremstillet i trin 6.4.3.2) af Ri.
      5. Beregne størrelsesforhold ai af ROI Ri. Skærmformat er forholdet mellem bredden og højden af Ri-springende rektangel. Afgrænsningsrammen rektanglet er beregnet ved hjælp af funktionen boundingRect fra OpenCV19 bibliotek.
    4. Vælg et reduceret sæt af ROIs som en kandidat til at indeholde dyr, ved at justere egenskaberne for skrog område, radius, soliditet og skærmformat.
      1. Kontroller, om Hej er mindre end 500.0 eller større end 100000.0. Hvis ja, smid ROI Ri. Ellers holde Ri som kandidat ROI for lokationen dyr.
      2. Kontrollere hvis ri er mindre end 40,0. Hvis ja, smid ROI Ri. Ellers holde Ri som kandidat ROI for lokationen dyr.
      3. Kontrollere hvis si er mindre end -4.0 kassere ROI Ri. Ellers holde Ri som kandidat ROI for lokationen dyr.
      4. Kontroller, om ai er mindre end 0,15 eller større end 4.0. Er så kassér ROI Ri. Ellers holde Ri som kandidat ROI for lokationen dyr.
        Bemærk: Brugen af ROIs reducerer beregningsmæssige omkostningerne, fokusere tag Søg på dyrets krop region. Animalske opdagelser fra tidligere rammer er medtaget for at undgå forkerte registreringer, når dyrene ikke flytter.
    5. Analysere dyre ROIs at bestemme tag identiteter. Udføre de følgende trin for hver ROI Ri og for hvert interne Afkastningsgrad Pi, og uddrag de interne ROIs Pedersen.
      1. Binarize gråtonebillede Pi Otsu36 tærskel algoritmen.
      2. Beregne konturer33 af Pi, som i trin 6.4.3.1.
      3. Beregne den skrog område34Hej og formatforhold ai, som i trin 6.4.3.2 og 6.4.3.5.
      4. Beregne figur øjeblikke37,38mi af Pi. Brug funktionen øjeblikke fra OpenCV19 bibliotek (Se scripts i supplerende fil 2).
      5. Vælg et reduceret sæt af ROIs som en kandidat til at indeholde tags, bruger følgende kriterier.
        1. Kontroller, om Hej er mindre end 150.0 eller større end 500.0. Hvis ja, smid ROI Pi. Ellers holde Pi som kandidat ROI for lokationen tag.
        2. Kontroller, om ai er mindre end 0,5 eller større end 1,5. Hvis ja, smid ROI Pi. Ellers holde Pi som kandidat ROI for lokationen dyr.
        3. Kontroller, om mi er større end 0,3. Hvis ja, smid ROI Pi. Ellers holde Pi som kandidat ROI for lokationen dyr.
    6. Klassificere tag ROIs. Tilnærme en polygon39 bruger OpenCV19 funktion38 for hver valgte ROI Pi19.
      1. Kontrollere, om der er nøjagtig tre hjørner i tilnærmet polygonen; tildele tag til klassen trekant . Ellers, tildele klassen cirkel til regionen tag.
        Bemærk: Tilnærmet polygon er gemt ved hjælp af en matrix med vertices.
      2. Tjek den centrale pixel i ROI Pi. Hvis det er en sort pixel, tildele klassen hul Pi . Ellers, tildele Pi til den hvide klasse.
        Bemærk: Figur center er udledt fra de øjeblikke, der er beregnet i trin 6.4.5.4. Søg de sorte pixel i et område med en 4-pixel radius omkring midten.
  5. Gemme dataene i ramme: ramme dato, tid, ramme, forme klasse, x center figur koordinaten og y center figur koordinat.
  6. Fortsæt med næste stellet eller afslutte processen. Se figur 5 nedenfor som en visuel eksempel på arbejde scripttrin og se Video 1 som et eksempel på script fungerer.

Figure 5
Figur 5 : Relevante trin af video-processing script. (1) Evaluer baggrund subtraktion bevægelse over gennemsnittet af de sidste 100 frames. (2) resultatet af baggrunden subtraktion algoritme. (3) Anvend en spile morfologiske operation til områderne hvid-opdaget. (4) Anvend fix, statisk, vigtigste ROI; den gule polygon svarer til bunden tank område. (5) beregne konturer for hver hvid-opdaget region i den største ROI og udføre en strukturel analyse for hvert registrerede kontur. (6) kontrollere strukturelle egenskabsværdier og derefter vælge andet niveau ROI kandidater. (7) Binarize rammen ved hjælp af en Otsu tærskel algoritme; scriptet virker kun med andet niveau ROIs. (8) for hver binarized andet niveau ROI, beregne konturerne af de hvide områder og udføre en strukturel analyse for hver registreret kontur. (9) check egenskaben strukturelle værdier og derefter vælger interne Afkastningsgrad kandidater. (10) for hver profil i den interne Afkastningsgrad kandidat, beregne deskriptorer/øjeblikke. (11) check hvis det detekterede form kampe med modellen form og tilnærme en polygon til de bedste match kandidater. (12) kontrollere antallet af vertices i den omtrentlige polygon og bestemme den geometriske figur: cirkel eller en trekant. (13) Beregn tallet center og check hvis sort pixel forekomme; Hvis ja, det er en hul figur. (14) visuelle resultat efter frame analyse. Venligst klik her for at se en større version af dette tal.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Vi bygget manuelt et undersæt af de eksperimentelle data til at validere den automatiserede videoanalyse. En stikprøve af 1.308 rammer med et konfidensniveau på 99%, (som er en målestok for sikkerhed, der viser om prøven præcist afspejler befolkningens, inden for dens fejlmargen) og en fejlmargen på 4% (hvilket er en procentdel, der beskriver hvor tæt den svar prøven gav er at den reelle værdi i befolkningen) var tilfældigt udvalgt, og en manuel anmærkning af den korrekte identifikation af ROIs og den korrekte identifikation af tag inden for hver ROI blev udført. Bemærk at en enkelt ramme kan indeholde et variabelt antal ROIs inden for en ubestemt rækkevidde, fordi nogle hummere kan være skjult inde i huler eller en ROI indeholder to eller flere dyr eller falsk opdagelse.

Det samlede antal dyr i de 1.308 rammer var 3,852 (manuelt kommenteret ROIs). Metoden viste 3,354 dyrs opdagelser. Ialt 701 (21%) disse opdagelser var falske positiver (dvs. antallet af ROIs hvor hummer blev forvekslet med baggrunden). Af det samlede antal dyr tælles, 2,653 opdagelser (79%) var korrekt matchende (dvs.., antallet af gange klassificeringen korrekt anerkendt tilstedeværelsen af en hummer i regionerne detekterede; Se også figur 6a, b). Med hensyn til de samlede 3,852 ROIs i de 1.308 rammer registrerer scriptet 69% af personerne.

Med hensyn til tag påvisning identificeret scriptet 2,353 ROI kandidater som tags (89% af de 2,653 registrerede regioner med dyr). Klassificeringen korrekt identificeret som klasse tag 1,808 af disse tags (i som kandidat er klassificeret som en cirkel, trekant, hul cirkel eller hul trekant) og savnede 545 sager (23% af de 2,353 ROI kandidater til tag). Relateret til tag klassificering, 1,619 er korrekt identificeret (89,5%, figur 6f). Kun 70 tags hvor fejlagtigt klassificeret (3,8% fejl, finde 6e), og de resterende 119 (6.6%) svarede til falske positiver (interne ROIs identificeret som tag, der svarede til animalske dele, såsom kløer; Figur 6 d).

Figure 6
Figur 6 : Repræsentant udsigt fra rammer viser de mest almindelige eksperimentelle situationer under videoanalyse. (en) forkert animalske opdagelse, en baggrundsområdet opdages. (b) dyr misdetection. To dyr er tæt på hinanden og kun én er opdaget. (c) figur misdetection. Dyret er opdaget (blå rektangel) men tag er ikke fundet. (d) Fake form opdagelse. To figurer er opdaget, og en er en klo. (e) forkert klassificering af en figur. En trekant er klassificeret som trekant-hul. (f) ideel situation. Alle dyr er fundet, og tags er korrekt identificeret. Venligst klik her for at se en større version af dette tal.

Efter den video analyse blev afsluttet, kan opnåede positioner (X, Y) data bruges til at vurdere forskellige adfærdsmønstre af hummere. For eksempel, vi afbildet en belægning kortet ved hjælp af to-dimensionelle kerne tæthed skøn med en akse alliancefrie bivariate normale kerne, evalueret på en firkantet gitter41,42 med den bedste ydelse er automatiserede anslået af den statistiske algoritme. En højere farve intensitet repræsenterer områderne var hummere tilbragte en højere procentdel af deres tid (figur 7). Video 2 giver en visuel eksempel på dyret sporing.

Et andet eksempel er repræsenteret af de daglige aktivitet rytmer af hummere, afbildet som millimeter og dækket med 10 min arkiveret lodret tidsintervaller (figur 8). Vi fjernet data svarende til de første 24 timer af eksperimentet, som svarede til dyrenes miljømæssige tilpasningsproces.

Figure 7
Figur 7 : Plads belægningsprocent kort. Diagrammet viser kun området bunden tank, der er området animalske forskydning (se den gule polygon i figur 6). Områderne, der var forskellige tagged hummere tilbragte mere tid vises farvede; højere farveintensitet betyder mere belægning tid. Venligst klik her for at se en større version af dette tal.

Figure 8
Figur 8 : Daglig aktivitet rytmer af hummere afbildet som millimeter og dækket med 10 min arkiveret lodret tidsintervaller. Grå bånd angiver timerne i mørke på 12/12 lys/mørke, med den solnedgang starter klokken 7:00 og solopgang starter klokken 7 venligst klik her for at se en større version af dette tal.

Movie 1
Video 1: Desktop referat af et eksempel på en køre video analyse script. Videoen viser i 2 min og 27 s 1 h real-time optagelser (3,625 rammer). Bemærk at der er ingen fejl akkumulering for dyr og tag misdetections og uidentificerede begivenheder mens optagelsen er gjort. Venligst klik her for at downloade denne video.

Movie 2
Video 2: Video af dyret sporing efter den bevægeapparatet analyse. Vi brugte X, Y billede pixelkoordinater video analysen og gemt dem ind i databasen, at tegne dyr sporet i de optagede videoer som et eksempel på video analyse script. Jo længere spor, jo hurtigere dyret bevæger sig og den mere tilbagelagte. I dette tilfælde, 30 s video svarer til 12 min i realtid. Venligst klik her for at downloade denne video.

Supplerende fil 1: Venligst klik her for at downloade denne fil. 

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Ydeevne og repræsentant resultaterne med video-tracking protokol bekræftet sin gyldighed for anvendt forskning inden for dyreadfærd, med særlig fokus på sociale graduering og døgnrytmen cohoused dyr. Effektiviteten af animalsk påvisning (69%) og nøjagtigheden af tag forskelsbehandling (89,5%) kombineret med de adfærdsmæssige egenskaber (dvs. bevægelse sats) af de målarter, der anvendes her tyder på, at denne protokol er en perfekt løsning til langsigtet eksperimentelle forsøg (fx, dage og uger). Derudover protokollen tilbyder den grundlæggende fordel ved at være nem at hjælp og hurtigere i sin udvikling og tilpasning til andre teknikker, såsom automatisk læring algoritmer og neurale netværk43. Sporing teknikker bruges her repræsenterer den endelige finjustering eksperimenterende virksomhed startede med en lidt anden tilgang44.

Et kritisk trin i protokollen er tag design; Det bør overvejes, at gennemførelsen af andre tag designs kunne forbedre Otsu binarization. For eksempel, en af kilderne til fejl rapporteret her var misdetection mellem sort uden for cirklen i tag og hvide indre geometriske form (Se figur 9 med et binarized ramme med en detalje i denne fejl). Det er muligt at forbedre den binarization proces, stigende diameter (2-3 mm) af den sorte cirkel uden for den hvide indre geometriske form, eller bytte tag farver (hvid/sort). Vi anser ikke brug af billede morfologiske funktioner som erodere eller spile når de forsøger at rette denne fejl, eftersom disse operationer ændre de strukturelle egenskaber af tag afbildet, er derfor ikke muligt at opretholde tærskelværdier for den script. Sammenfattende er det tilrådeligt at tilpasse tag design til target dyrearter anatomi. Der ville betyde justering af tærskelværdierne script og de strukturelle egenskaber efter det nye design.

Figure 9
Figur 9 : Detalje i rammen binarization fejl. En rød cirkel viser, hvordan hummere og tags er opdaget som et entydigt objekt. Venligst klik her for at se en større version af dette tal.

Den mest relevante fejl var ubesvarede påvisning af ROIs (både eksterne og interne). Videoanalyse scriptet præsenteres her er ikke i stand til at holde styr på personer, der er stadig eller skjult i en periode, der er større end 100 frames (antallet rammer, der scriptet bevarer som baggrundshistorie). For at undgå problemer med dette, gemt vi den sidste position på en individuel indtil det er fundet igen. Denne parameter kan påvirke resultaterne af mangler immobile eller skjulte dyr. Denne kendsgerning skal taget hensyn, når du bruger denne protokol med arter, der udviser forskellige mobilitetsstatistikker end dem, der præsenteres her til hummere. Den video frame rate og analyse script bør ændres og tilpasses arten bruges i overensstemmelse med sine specifikke adfærd.

En stor udfordring var at opnå en monokromatisk blå (472 nm) og IR (850 nm) belysning, at undgå muligheden for nethinde beskadige og justere de lyse miljøforhold til dyrets habitat23,45. Derfor farvekomponent i videooptagelse er ikke relevant og video optagelser blev udført i gråtoneskala. Systemet foreslår tillader at programmet forskellige lys tidsperioder og ændrer belysning systemet ifølge de målarter karakteristika skiftende LED lys spektrum. En anden tilpasning til at overveje i den protokol, der præsenteres her er bevægelse hastighed måldyret. For dette særlige tilfælde, framerate anvendes var 1 indramme per other, optagelse producerer video filer af omkring 1 h længde svarende til 24 h af eksperimentelle. Disse to tilpasninger (gråtoner og frame rate) tilladt os at hente video filer med en reduceret størrelse, der var nem at arbejde med og reduceret lagerkapacitet og maskine tid til sporing.

En begrænsning i den beskrevne metode er at det kun er blevet testet med de arter, der er præsenteret her; men der er ingen særlige betænkeligheder med hensyn til anvendelsen af denne protokol til andre arter, der giver mulighed for gennemførelse af identifikation tags. En anden væsentlig begrænsning er, at protokollen ikke er egnet til at spore flytninger af dyr tillæg (fx chelae). For eksempel, bruger decapod krebsdyr chelae bevægelser til at vise dominans blandt artsfæller. Fremtidige implementeringer tager sigte på at forbedre dette aspekt.

Den foreslåede protokol ligner tidligere eksisterende kommercielle software46 og offentliggjort metoder SwisTrack og idTracker7,47. Kommerciel software46 bruger baggrund subtraktion for at spore dyr, svarende til de scripts, der præsenteres her. Selv om det dækker et bredere spektrum af programmer, er det programmeret ved hjælp af en kommercielt fortolket program sprog48, som ikke er en open source løsning og er økonomisk dyrt. Metoden SwisTrack47 bruger biblioteket OpenCV19 , ligeledes at tilgang præsenteres her. Ikke desto mindre, det er kodet i C++. Vi brugte Python-kode, der er som regel nemmere at tilpasse sig de særlige behov for hvert miljø. IdTracker7 er en stærk tilgang kodet i et kommercielt fortolket program sprog48 men mål nonmarked dyrs applikationer. De korrekte resultater af sporing kan blive kompromitteret, når dyr er tilstoppet for en lang periode som opstår i de eksperimentelle betingelser præsenteres her. Metoden præsenteres her processer hver ramme uafhængigt og er påvirket ikke af den tidligere bane af dyret. Derfor en fejl i en bestemt ramme ikke blive overført til fremtidige rammer. Dette faktum er relevant i dette program, men også begrænsninger metoden præsenteres her til et bestemt sæt af dyr (dem, der giver mulighed for manuel kodning).

Et andet aspekt at overveje, er, at vi har brugt gratis software under udviklingen af protokollen, herunder efterbehandling og lagring af data genereret af scriptet videoanalyse, samt den kode, der bruges til at styre belysningssystem. De behandlede data gemmes i en gratis relationelle databasesystem (MySQL). Disse behandlede data kan fås gennem forespørgsler i Standard Query Language (SQL) Ifølge det ønskede format. Læseren kan ændre og tilpasse den foreslåede åbne kode og frit tilpasse det til særlige behov.

Metode toksicitet er det kun delikate trin limning af tag til dyret. Vi brugte ren lim på grund af sin lav toksicitet, dens brede medicinsk brug49og dens bred anvendelse i akvarier til fragging koraller og fastsættelse af fragmenter med lim50. Den største bekymring om dens anvendelse er vapor toksicitet for mennesker. Vi reduceret redegørelsen til et minimum. Sundhed og Safety Executive og USA National toksikologi Program har indgået, at brugen af ethyl ren er sikker51.

Fremtidige ansøgninger vedrørende denne protokol er automatisering af påvisning af andre adfærd på gravende krebsdyr (f.eks. slagsmål, hule dominans). Vi planlægger også at forbedre algoritme at få real-time video analyse og bruge Convolutional neurale netværk52 til forbedret animalske detektion.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne har ikke noget at oplyse.

Acknowledgments

Forfatterne er taknemmelig for, at Dr. Joan B. virksomheden, der finansierede udgivelsen af dette værk. Forfatterne er også taknemmelig for, at teknikere på zonen eksperimentelle akvarium til Institute of Marine Sciences i Barcelona (ICM-CSIC) for deres hjælp under det eksperimentelle arbejde.

Dette arbejde blev støttet af RITFIM projektet (CTM2010-16274, principal investigator: J. Aguzzi) blev grundlagt af den spanske ministerium for videnskab og Innovation (MICINN) og TIN2015-66951-C2-2-R grant fra det spanske ministerium for økonomi og konkurrenceevne.

Materials

Name Company Catalog Number Comments
Tripod 475 Manfrotto A0673528 Discontinued
Articulated Arm 143 Manfrotto D0057824 Discontinued
Camera USB 2.0 uEye LE iDS UI-1545LE-M https://en.ids-imaging.com/store/products/cameras/usb-2-0-cameras/ueye-le.html
Fish Eye Len C-mount f = 6 mm/F1.4 Infaimon Standard Optical  https://www.infaimon.com/es/estandar-6mm
Glass Fiber Tank 1500 x 700 x 300 mm3
Black Felt Fabric
Wood Structure Tank 5 Wood Strips 50x50x250 mm
Wood Structure Felt Fabric 10 Wood Strips 25x25x250 mm
Stainless Steel Screws As many as necessary for fix wood strips structures
PC 2-cores CPU, 4GB RAM, 1 GB Graphics, 500 GB HD
External Storage HDD 2 TB capacity desirable
iSPY Sotfware for Windows PC iSPY https://www.ispyconnect.com/download.aspx
Zoneminder Software Linux PC Zoneminder https://zoneminder.com/
OpenCV 2.4.13.6 Library OpenCV https://opencv.org/
Python 2.4 Python https://www.python.org/
Camping Icebox
Plastic Tray
Cyanocrylate Gel To glue tag’s 
1 black PVC plastic sheet (1 mm thickness) Tag's construction
1 white PVC plastic sheet (1 mm thickness) Tag's construction
4 Tag’s Ø 40 mm Maked with black & white PVC plastic sheet
3 m Blue Strid Led Ligts (480 nm) Waterproof as desirable
3 m IR Strid Led Ligts (850 nm) Waterproof as desirable
6 m  Methacrylate Pipes Ø 15 mm Enclosed Strid Led
4 PVC Elbow  45o Ø 63 mm Burrow construction
3 m Flexible PVC Pipe Ø 63 mm Burrow construction
4 PVC Screwcap Ø 63 mm Burrow construction
4 O-ring Ø 63 mm Burrow construction
4 Female PVC socket glue / thread Ø 63 mm Burrow construction
10 m DC 12V Electric Cable Light Control Mechanism
Ligt Power Supply DC 12 V 300 W Light Control Mechanism
MOSFET, RFD14N05L, N-Canal, 14 A, 50 V, 3-Pin, IPAK (TO-251) RS Components 325-7580 Light Control Mechanism
Diode, 1N4004-E3/54, 1A, 400V, DO-204AL, 2-Pines RS Components 628-9029 Light Control Mechanism
Fuse Holder RS Components 336-7851 Light Control Mechanism
2 Way Power Terminal 3.81 mm RS Components 220-4658 Light Control Mechanism
Capacitor 220 µF 200 V RS Components 440-6761 Light Control Mechanism
Resistance 2K2 7 W RS Components 485-3038 Light Control Mechanism
Fuse 6.3 x 32 mm2 3A RS Components 413-210 Light Control Mechanism
Arduino Uno Atmel Atmega 328 MCU board RS Components 715-4081 Light Control Mechanism
Prototipe Board CEM3,3 orific.,RE310S2 RS Components 728-8737 Light Control Mechanism
DC/DC converter,12 Vin,+/-5 Vout 100 mA 1 W RS Components 689-5179 Light Control Mechanism
2 SERA T8 blue moonlight fluorescent bulb 36 watts SERA Discontinued/Light isolated facility

DOWNLOAD MATERIALS LIST

References

  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).

Tags

Miljøvidenskab spørgsmålet 146 OpenCV Python videoanalyse belægning daglig aktivitet rytmer sporing
Langsigtet Video sporing af Cohoused vanddyr: et casestudie af den daglige bevægeapparatet aktivitet af jomfruhummer (<em>Nephrops norvegicus</em>)
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Garcia, J. A., Sbragaglia, V.,… More

Garcia, J. A., Sbragaglia, V., Masip, D., Aguzzi, J. Long-term Video Tracking of Cohoused Aquatic Animals: A Case Study of the Daily Locomotor Activity of the Norway Lobster (Nephrops norvegicus). J. Vis. Exp. (146), e58515, doi:10.3791/58515 (2019).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter