Waiting
Login processing...

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

Environment

Op lange termijn Video-Tracking van Cohoused waterdieren: een Case studie van de dagelijkse motorische activiteit van de langoustines (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

Hier presenteren we een protocol om de dieren individueel te volgen gedurende een lange periode van tijd. Het maakt gebruik van computervisie methoden voor het identificeren van een reeks tags die handmatig gebouwd met behulp van een groep van kreeften als case-studie, tegelijkertijd het verstrekken van informatie over het huis, manipuleren en markeer de kreeften.

Abstract

We presenteren een protocol aan een video-tracking techniek gebaseerd op de achtergrond aftrekken en afbeelding drempelmethode die het mogelijk maakt om afzonderlijk bijhouden cohoused dieren gerelateerde. We testten de tracking routine met vier cohoused langoustines (Nephrops norvegicus) onder licht-duisternis voorwaarden voor 5 dagen. De kreeften had individueel zijn gelabeld. De experimentele opstelling en het bijhouden van technieken die worden gebruikt zijn volledig gebaseerd op de open sourcesoftware. De vergelijking van de tracking-uitvoer met een handmatige detectie geeft aan dat de kreeften correct waren gedetecteerd 69% van de tijd. Onder de correct gedetecteerd kreeften, hun afzonderlijke markeringen waren correct geïdentificeerd 89,5% van de tijd. Gezien de framesnelheid in het protocol gebruikt en de snelheid van de beweging van kreeften, de prestaties van de video-tracking heeft een goede kwaliteit, en de representatieve resultaten ondersteunen de geldigheid van het protocol in het produceren van waardevolle gegevens voor onderzoeksbehoeften (individueel ruimte bezetting of motorische activiteit patronen). Het hier gepresenteerde protocol kan gemakkelijk worden aangepast en is, vandaar, overdraagbaar naar andere soorten waar de afzonderlijke tracking van specimens in een groep kunnen waardevol zijn voor het beantwoorden van de onderzoeksvragen.

Introduction

In de afgelopen jaren heeft automatische beeld-gebaseerde tracking zeer nauwkeurige datasets die kunnen worden gebruikt om te verkennen basisvragen in ecologie en gedrag disciplines1verstrekt. Deze datasets kan worden gebruikt voor de kwantitatieve analyse van dierlijk gedrag2,3. Elke afbeelding methodologie die wordt gebruikt voor het bijhouden van de dieren en de evaluatie van het gedrag heeft echter haar sterke punten en beperkingen. In beeld-gebaseerde tracking protocollen waarmee ruimtelijke informatie van vorige frames in een film bijhouden dieren4,5,6, kunnen fouten worden ingevoerd bij de paden van twee dieren overschrijden. Deze fouten zijn meestal onomkeerbaar en verspreiden door de tijd. Ondanks de computationele vooruitgang die verminderen of bijna elimineren dit probleem5,7, behoefte deze technieken nog steeds aan homogene experimentele omgevingen nauwkeurige identificatie van de dieren en het bijhouden.

De werkgelegenheid van merken die uniek kan worden geïdentificeerd in dieren vermijdt deze fouten en laat het op lange termijn volgen van geïdentificeerde personen. Gebruikte merkers (bijv, barcodes en QR-codes) bestaan in de industrie en handel en kunnen worden geïdentificeerd met behulp van bekende computer vision technieken, zoals augmented reality (b.v., ARTag8) en camera kalibratie (bijvoorbeeld, CALTag9 ). Tagged dieren hebben eerder gebruikt voor high-throughput behavioral studies in verschillende diersoorten, voor bijvoorbeeld, mieren3 of bijen10, maar sommige van deze eerdere systemen zijn niet geoptimaliseerd voor het herkennen van geïsoleerde tags3.

Het protocol van de tracking gepresenteerd in dit papier is speciaal geschikt voor het bijhouden van dieren in één-kanaals beelden, zoals infrarood (IR) licht of monochromatisch licht (in het bijzonder gebruiken we blauw licht). De methode ontwikkeld gebruikt daarom geen kleur cues, ook op de andere instellingen van toepassing zijnde waar er beperkingen in de verlichting. Daarnaast gebruiken we aangepaste codes ontworpen zodat er geen te verstoren de kreeften en, tegelijkertijd, opname met goedkope camera's. Bovendien, de methode die hier wordt gebruikt is gebaseerd op de frame-onafhankelijke label detectie (dwz., het algoritme erkent de aanwezigheid van elke code in de afbeelding, ongeacht de eerdere trajecten). Deze functie is relevant in toepassingen waar dieren tijdelijk kunnen worden geroteerd, of dieren trajecten kunnen snijden.

Het label ontwerp maakt het gebruik ervan in de verschillende groepen van dieren. Zodra de parameters van de methode zijn ingesteld, kan het bedrag overgemaakt ter bestrijding van andere dier-tracking problemen zonder de noodzaak voor de opleiding van een specifieke classificatie (andere schaaldieren of buikpotigen). De belangrijkste beperkingen van het exporteren van het protocol zijn de grootte van het label en de noodzaak voor bevestiging aan het dier (waardoor het niet geschikt voor kleine insecten, zoals bijen, vliegen, enz.) en de 2D aanname voor de dierlijke beweging. Deze beperking is belangrijk, gezien het feit dat de voorgestelde methode wordt ervan uitgegaan dat de tag-grootte constant blijft. Een dier vrij te verplaatsen in een 3D omgeving (b.v. vis) zou ander label maten tonen afhankelijk van de afstand tot de camera.

Het doel van dit protocol is te voorzien in een gebruiksvriendelijke methodiek voor het bijhouden van meerdere tagged dieren gedurende een lange periode van tijd (bijvoorbeeld dagen of weken) in een 2D context. De methodologische benadering is gebaseerd op het gebruik van open sourcesoftware en hardware. Gratis en open sourcesoftware vergunning aanpassingen, wijzigingen, en gratis herverdeling; Daarom is de gegenereerde software verbetert bij elke stap11,12.

Hier het protocol gepresenteerd richt zich op een laboratorium ingesteld op bijhouden en evalueren van de motorische activiteit van vier waterdieren in een tank voor 5 dagen. De videobestanden worden geregistreerd van een 1 s time-lapse beeld en gecompileerd in een video op 20 frames per seconde (1dag opgenomen neemt ongeveer 1 uur van video). Alle video-opnamen worden automatisch postprocessed verkrijgen van dieren positie, toepassing van de computer visie methoden en algoritmen. Het protocol kunt verkrijgen van grote hoeveelheden van het bijhouden van gegevens, het vermijden van hun handmatige aantekening, waarvan is aangetoond te worden tijdrovende en moeizame in eerdere experimentele papieren13.

We gebruiken de langoestine (Nephrops norvegicus) voor de case-study; Dus, wij bieden soortspecifieke laboratoriumomstandigheden te handhaven. Kreeften voeren goed bestudeerde hol opkomst ritmes die onder de controle van de circadiane klok14,15 zijn, en als cohoused, zij vormen dominantie hiërarchie16,17. Vandaar, is het hier gepresenteerde model is een goed voorbeeld voor onderzoekers kochten de sociale modulatie van gedrag met een specifieke focus op circadiane ritmen.

De hier voorgestelde methodologie is gemakkelijk opgenomen en kan worden toegepast op andere soorten als er een mogelijkheid is om het onderscheid maken tussen dieren met afzonderlijke tags. De minimale vereisten voor het weergeven van een dergelijke aanpak in het laboratorium zijn: (i) isothermische kamers voor de experimentele opzet; (ii) een continue aanvoer van water; (iii) water temperatuur controlemechanismen; (iv) een lichte controlesysteem; (v) een USB-camera en een standaard computer.

In dit protocol gebruiken we Python18 en OpenCV19 (Open Source Computer Vision Library). We rekenen op snelle en vaak toegepaste bewerkingen (zowel op het gebied van implementatie en uitvoering), zoals achtergrond aftrekken20 en afbeelding drempelmethode21,22.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

De soort gebruikt in deze studie is niet een bedreigde of beschermde diersoorten. Bemonstering en laboratorium experimenten volgde de Spaanse wetgeving en interne institutionele (ICM-CSIC) voorschriften met betrekking tot het welzijn van dieren. De bemonstering van de dierlijke werd uitgevoerd met de machtigingen van de lokale overheid (regionale regering van Catalonië).

1. dierlijke onderhoud en bemonstering

Opmerking: Het volgende protocol is gebaseerd op de veronderstelling dat onderzoekers N. norvegicus in het veld kunnen genieten tijdens de nacht om schade aan de researchdieren23te voorkomen. Gasbedwelming met behulp van N. norvegicus zonlicht moet worden vermeden. Na de monsterneming, de kreeften worden geacht te worden gehuisvest in een acclimatisering faciliteit, vergelijkbaar met de gemeld op eerder17,24, met een continue stroom van gekoeld zeewater (13 ° C). De dieren die worden gebruikt in deze studie zijn mannelijk bij de intermoult staat met een kopborststuk lengte (CL; gemiddelde ± SD) van 43.92 ± 2,08 mm (N = 4).

  1. Houd de individuen in geïsoleerde compartimenten om te voorkomen dat schade als gevolg van afzonderlijke gevechten (Zie Figuur 1a-d).
  2. Ze voeren ongeveer 3 x per week op willekeurige tijden niet bemoeien met de circadiane ritmen.
    Opmerking: In dit experiment, werden mosselen (ongeveer 4 gram per kreeft) gebruikt als voedsel. Mosselen werden gekocht van bevroren voedsel leveranciers en zijn geschikt voor menselijke consumptie.
  3. Blauw licht (425-515 nm) gebruiken om te simuleren van lichte uren volgens de spectrale gevoeligheid van de soorten25 en de milieuomstandigheden op 400 m diepe26 (Zie Figuur 1 c,d).
    Opmerking: De faciliteit gebruikt hier heeft een verticale plafond van twee blauw (478 nm) fluorescentielampen die geproduceerd een lichtsterkte van 12 lx op 1 m afstand van de lampen. Zie Figuur 1a voor het plafond lampen positie en de Tabel van materialen voor de fabrikant en technische lampen kenmerken.
  4. Pas de fotoperiode van de acclimatisering faciliteit voor 12/12 licht/duisternis uren of simuleren van het natuurlijke fotoperiode op de plaatselijke noorderbreedte.
  5. Regelen van de temperatuur van de faciliteit tot 13 ° C en controleren 2 x dagelijks te controleren van de temperatuur van het borrelt zeewater is ongeveer 13 ° C (Zie Figuur 1e).
  6. De instroom van zeewater met een snelheid van ongeveer 4 L/min te handhaven goede zuurstoftoevoer regelen.
    Opmerking: Het zeewater circuleert in een open stroomkring (geen filters en extra pompen worden gebruikt). De watervoorziening is afhankelijk van de belangrijkste aquarium plant services.

Figure 1
Figuur 1 : Faciliteit acclimatisering weergaven. (een) Tank rekken. (a1) Zeewater input. (a2) Fluorescerende plafond verlichting. (b) Detail van het blauwe licht verlichting. (c) dierlijke cel detail. (d) Detail van een geïsoleerde faciliteit control panel. (e) temperatuur instelling voor een van de toegangspoorten. Klik hier voor een grotere versie van dit cijfer.

2. tag bouw

Opmerking: De tag hier gebruikt kan worden gewijzigd volgens de kenmerken van het doeldier of andere specifieke overwegingen.

  1. Snijd vier cirkels van 40 mm in diameter van een zwarte plastic folie.
  2. Gesneden uit een witte PVC plastic vel twee gelijkzijdige driehoeken met 26 mm zijden.
  3. Gesneden uit een witte PVC plastic vel twee cirkels van 26 mm diameter.
  4. Markeer het midden van de witte driehoeken en cirkels en een 10 mm gat maken in.
  5. Lijm de vier witte vormen naar het midden van de vier zwarte cirkels.

Figure 2
Figuur 2 : De vier codes die worden gebruikt voor de individuele tagging van de kreeften. Cirkel, cirkel-hole, driehoek, driehoek-gat. Klik hier voor een grotere versie van dit cijfer.

3. experimentele opstelling

Opmerking: De experimentele arena wordt verondersteld te worden in een experimentele kamer onafhankelijk van, maar in de directe nabijheid van de acclimatisering faciliteit.

  1. Een experimentele kamer waar de temperatuur van de lucht kan worden gecontroleerd en onderhouden op dezelfde temperatuur als het zeewater in de experimentele arena opgericht.
  2. Wijzigen van een polyester tank (1.500 x 700 x 300 mm) worden gebruikt als een experimentele arena. Voeg vier holen met behulp van flexibele PVC-buizen aan de onderkant van de tank en stok zand op het oppervlak waar de kreeften verondersteld zijn om te bewegen (Figuur 3b-e). Zie voor meer details,17,27.
    1. De experimentele arena voorzien van submergible blauwe LEDs (472 nm, simuleren lichte uren) en IR LEDs (850 nm, donkere omstandigheden) (Zie ook Figuur 3a)17,24.
      Opmerking: LED licht wordt gebruikt vanwege zijn lage warmte-effect en de beschikbaarheid van bruikbare elektronische controle- en vrije hardware. Een geïsoleerde faciliteit met een milieu- en zeewater temperatuur van 13 ± 0,5 ° C werd gebruikt.
    2. Houd altijd de IR LEDs ingeschakeld.
      Opmerking: De IR is nodig om videoverslag in donkere omstandigheden en lichtomstandigheden. Het is niet nodig om het uit te schakelen.
    3. Sluit de blauwe LEDs met een apparaat voor het beheer van de fotoperiode. Zie de suggesties in de Tabel van materialen, en voor meer details, raadpleeg dan Sbragaglia et al.. 17 (ook getoond in Figuur 3a).
      Opmerking: Verlichting in een video - of image-geautomatiseerde analyse is een kritische factor. Reguliere verlichting zonder schaduw overal in de arena het vermijden van water oppervlakte reflecties vergemakkelijkt de posterieure video of beeldanalyse. In het kader van dit protocol, werden slechts 12/12 licht/donker voorwaarden gebruikt. Licht en duisternis geleidelijk binnen 30 min werden bereikt, en een licht-controller-script wordt toegevoegd als aanvullende bestand 1.
    4. Plaats de inlaat gekoeld zeewater op een hoek van de tank en de bijbehorende uitlaat op de tegenoverliggende hoek.
    5. Regelen van het zeewater vermogen bij een stroomsnelheid van ongeveer 4 L/min.
    6. Rondom de tank met een zwart gordijn zodat een volledige isolatie van andere licht (Figuur 3a).
  3. Plaatsen van het statief waarnaar de webcamera is bevestigd aan de kant van de experimentele arena en de positie van de bovenstaande videocamera (130 cm) en in het midden van de experimentele arena (75 x 32.5 cm (Zie Figuur 3a).
  4. Controleer of de videocamera in de gecentreerde positie (zie stap 3.3) om te controleren of deze niet is verplaatst onwillekeurig.
  5. De webcamera aansluit op een computer die is geplaatst buiten het gordijn (Figuur 3a).
    1. Installeer de software voor het beheren van de time-lapse opname met de videocamera.
      Opmerking: Time-Lapse opnames zijn afhankelijk van de snelheid van de beweging van de soort. Zie ook de Tabel van materialen voor de camera, fisheye-lens, PC, software kenmerken en fabrikanten hier gebruikt.
    2. Aanpassen van de parameters van de video-opname volgens de kenmerken van de soorten.
      Opmerking: Gezien de omvang van de mobiliteit van N. norvegicus, een 1 s time-lapse opname werd hier gebruikt, en de video is opgeslagen elke 24 h.
    3. Zorg ervoor dat een tijdstempel (met inbegrip van de datum) in de time-lapse video te maken (zoals dit helpen kan voor de toekomstige handmatige scoring van het gedrag).

Figure 3
Figuur 3 : Experimentele opzet. (een) Diagram van de vergadering van de experimentele tank en video acquisitie. (b) algemene weergave van de experimentele tank. (c) onder weergave van de experimentele tank, met vermelding van de kunstmatige holen. (d) Top weergave, de bodem van de experimentele tank. (e) Detail van een van de ingangen van het hol. Klik hier voor een grotere versie van dit cijfer.

4. experimentele proces en dierlijke voorbereiding

Opmerking: Alle stappen met dieren moeten worden gedaan in de acclimatisatie faciliteit en onder rood licht voorwaarden volgens de spectrale gevoeligheid van de kreeft Noorwegen25. Bij het verplaatsen van de dieren tussen de acclimatisatie en de experimentele faciliteit, Vermijd eventuele blootstelling van de kreeften aan het licht, met behulp van een dekkende zwarte tas ter dekking van de koelbox.

  1. Bereiden van een koelbox eerder verdeeld over vier verzonken compartimenten met water op ongeveer 7 ° C.
  2. Bereid de vier codes eerder gebouwd en snelle lijmachtige, cyanoacrylaat.
  3. Bereiden een dienblad met crushed ijs.
  4. Selecteer de vier kreeften te worden gecodeerd in de acclimatisatie faciliteit en elk van hen in een compartiment voor de icebox.
  5. 30 min wachten en start vervolgens de tagging procedure.
    1. Een kreeft en leg het op de crushed ijs voor 5 min de tagging werking te immobiliseren het.
    2. Het bovenste deel van de kreeft het kopborststuk met adsorberende papier droog en een daling van snelle lijm op te zetten.
    3. Plaatsen van de tag horizontaal op de top van het dier kopborststuk, in contact met de lijm, en wachten genoeg tijd daarvoor te verharden (voor ongeveer 20 s).
    4. De kreeft terug te keren naar zijn compartiment in de koelbox en ga verder met de andere drie dieren op dezelfde manier.
    5. De kreeften zet terug in de cel waar ze eerder waren en wachten gedurende 24 uur om er zeker van te zijn dat de tag goed is gelijmd op.
    6. De kreeften van de acclimatisering faciliteit overbrengen aan de experimentele kamer met behulp van de dezelfde koelbox die werd gebruikt voor de tagging procedure.
  6. Start de video-opname en 5 min wachten met de invoering van de tagged kreeften. Een gemiddelde achtergrondafbeelding verkrijgen bij de eerste 100 frames.
    Opmerking: Een minimum van 1 min wachten is verplicht voor achtergrond frames zonder tagged kreeften; ze zijn nodig voor video-verwerking.
  7. De dieren één voor één in de tank van de experimenten in hun respectieve compartiment, houden het water in het binnenbrengen.
  8. Wachten voor ze om eruit te komen; Als ze niet komen, helpen hen zachtjes door het kantelen van het compartiment. Zie Figuur 4 als voorbeeld van de dieren in de tank onder proefomstandigheden.

Figure 4
Figuur 4 : Raw videoframe. Een voorbeeld van een representatieve frame uit één van de time-lapse video's verzameld tijdens de experimenten. Op de hogere juiste hoek laten we de tijdstempel met de datum en tijd frame. Merken dat de verschillen in de verlichting van de tank in de benedenhoek van de afbeelding. Klik hier voor een grotere versie van dit cijfer.

5. video analyse Script

  1. De analyses uit te voeren na afloop van het experiment.
    1. Start de computer visie script voor video-analyse.
    2. Start van Java-programma om de posities en de afgelegde afstand door de kreeften te berekenen en invoegen van de gegevens in de database.
      Opmerking: Dit programma is een algoritme van Euclides afstand gebaseerde28.
    3. Start SQL script aan het weggooien van gegevens als het gewenste tijdsinterval (bijv. 10 min).

6. computer Vision Script voor Video-analyse

Opmerking: Het script vermijdt fisheye beeld correctie, omdat het een relevante fout in de experimentele opzet geen geïntroduceerd. Het is echter mogelijk om dit te corrigeren met OpenCV camera kalibratie functies29 gebaseerd op vector en matrix rotatie methoden30,31.

  1. Selecteer de Python18 programmeertaal.
  2. Selecteer de OpenCV19 afbeelding en video-verwerking-bibliotheek.
  3. Het laden van een video.
    Opmerking: Video formaten .avi of . MP4 werden gebruikt in dit experiment, maar dit is niet verplicht. Het hangt af van de FourCC32 codecs geïnstalleerd in het besturingssysteem.
  4. Voer de volgende stappen uit voor elk frame Fi in de video.
    1. De achtergrond20B (gemiddelde van de laatste 100 frames, verkregen uit stap 4.6) aftrekken van de huidige frame Fi, en bijwerken van de achtergrondafbeelding B als Fi. Gebruik de functie BackgroundSubtractorMOG2 uit de bibliotheek van de19 OpenCV (Zie de scripts in de aanvullende bestand 2).
    2. De verzameling van regio's van belang (ROIs) R van de pixels met relevante beweging aangegeven door de subtractor achtergrond bepalen. Gebruik de methode toepassen van BackgroundSubtractorMOG2 in de bibliotheek van de19 OpenCV (Zie de scripts in de aanvullende bestand 2). In de set, omvatten de dierlijke detecties uit het vorige frame, om account patroon dieren rekening te houden.
    3. Voer de volgende stappen uit voor elke ROI Ri
      1. Toepassing van de dilate functie en berekenen de contouren33 van ROI Ri. Gebruik de functies verwijden en de findContours uit de bibliotheek van de19 OpenCV (Zie de scripts in de aanvullende bestand 2).
      2. Berekenen de romp gebied34Hallo in het aantal pixels. Gebruik de functie convexHull uit de bibliotheek van de19 OpenCV (Zie de scripts in de aanvullende bestand 2).
      3. Berekenen van de RADIUS-35ri van de ROI Ri. Gebruik de functie minEnclosingCircle uit de bibliotheek van de19 OpenCV (Zie de scripts in de aanvullende bestand 2).
      4. Berekenen de si van de degelijkheid van de ROI Ri. Degelijkheid is de verhouding van de omtrek gebied (verkregen in stap 6.4.3.1) in het gebied van de convex omhulsel (verkregen in stap 6.4.3.2) van de Ri.
      5. Berekenen van de hoogte-breedteverhouding ai van de ROI Ri. Hoogte-breedteverhouding is de verhouding tussen de breedte en de hoogte van de Ri-omsluitende rechthoek. De rechthoek wordt berekend met behulp van de functie boundingRect uit de bibliotheek OpenCV19 .
    4. Selecteer een beperkte reeks van ROIs kiesrecht te bevatten van de dieren, door de eigenschappen voor de romp gebied, straal, soliditeit en hoogte-/ breedteverhouding te passen.
      1. Controleer of hi minder 500.0 of groter is dan 100000.0 is. Als dat zo is, gooi de ROI Ri. Anders, houd de Ri als een kandidaat ROI voor de dierlijke locatie.
      2. Controleer of de ri minder dan 40,0 is. Als dat zo is, gooi de ROI Ri. Anders, houd de Ri als een kandidaat ROI voor de dierlijke locatie.
      3. Controleer of de si minder is dan -4.0 negeren de ROI Ri. Anders, houd de Ri als een kandidaat ROI voor de dierlijke locatie.
      4. Controleer of de ai minder dan 0,15 of groter dan 4.0 is. Is zo, het negeren van de ROI Ri. Anders, houd de Ri als een kandidaat ROI voor de dierlijke locatie.
        Opmerking: Het gebruik van ROIs vermindert de computationele kosten, gericht op het zoeken van de tag op het dier lichaam regio. Dierlijke detecties uit vorige frames zijn opgenomen om te voorkomen dat de verkeerde detecties, wanneer de dieren zich niet hebt verplaatst.
    5. Analyseer het dier ROIs om te bepalen van de identiteit van de tag. Uitvoeren van de stappen te volgen voor elk ROI Ri en voor elke interne ROI Pi, en haal de interne ROIs P.
      1. Binarize de grijswaardenafbeelding Pi met behulp van de Otsu36 drempelmethode algoritme.
      2. Berekenen de contouren33 van Pi, zoals in stap 6.4.3.1.
      3. Het berekenen van de romp gebied34hi en de hoogte-breedteverhouding ai, zoals in stap 6.4.3.2 en 6.4.3.5.
      4. De vorm momenten37,38mi van Pite berekenen. Gebruik de functie momenten uit de bibliotheek van de19 OpenCV (Zie de scripts in de aanvullende bestand 2).
      5. Selecteer een beperkte reeks van ROIs kiesrecht te bevatten van de tags, met behulp van de volgende criteria.
        1. Controleer of hi minder 150,0 of groter is dan 500.0 is. Als dat zo is, gooi de ROI- Pi. Anders, houd de Pi als kandidaat ROI voor de locatie van de tag.
        2. Controleer of de ai kleiner dan 0,5 of groter is dan 1,5 is. Als dat zo is, gooi de ROI- Pi. Anders, houd de Pi als kandidaat ROI voor de dierlijke locatie.
        3. Controleer of de mi groter dan 0,3 is. Als dat zo is, gooi de ROI- Pi. Anders, houd de Pi als kandidaat ROI voor de dierlijke locatie.
    6. Classificeren de tag ROIs. Bij een veelhoek39 met behulp van de functie voor OpenCV19 38 voor elke geselecteerde ROI Pi19benadering.
      1. Controleer of er precies drie hoekpunten in de benaderd veelhoek; de tag aan de driehoek -klasse toewijzen. Anders, de klasse circle aan de regio label toewijzen.
        Opmerking: Benaderd veelhoek is opgeslagen met behulp van een matrix met de hoekpunten.
      2. Controleer de centrale pixel van de ROI- Pi. Als er een zwarte pixel, toewijzen de Pi aan de klasse doorboord . Anders, de Pi aan de witte klasse toewijzen.
        Opmerking: Het middelpunt van de shape is afgeleid van de momenten die berekend in stap 6.4.5.4. Zoek de zwarte pixels in een gebied met een straal van 4 pixels rond het centrum.
  5. De framegegevens opslaan: frame datum, tijdstip van de frame, vorm klasse, x center vorm coördinaat en y center vorm coördinaat.
  6. Ga verder met het volgende frame of het proces beëindigen. Zie Figuur 5 hieronder als een visuele voorbeeld van de werkende scriptstappen en Bekijk Video 1 als een voorbeeld van script werking.

Figure 5
Figuur 5 : Relevante stappen van de video-verwerking script (1) evalueren de achtergrond aftrekken motie over het gemiddelde van de laatste 100 frames. (2) resultaat van het algoritme van de aftrekken achtergrond. (3) Apply een operatie dilate morfologische naar de witte gedetecteerde gebieden. (4) Apply bevestigen, statische, belangrijkste ROI; de gele veelhoek komt overeen met het gebied van de tank onder. (5) contouren voor elke regio wit-gedetecteerd in de belangrijkste ROI berekenen en een structurele analyses uit te voeren voor elke gedetecteerde contour. (6) Controleer structurele eigenschapswaarden en selecteer vervolgens een tweede niveau ROI kandidaten. (7) Binarize het frame met behulp van een Otsu drempelmethode algoritme; het script werkt alleen met de tweede niveau ROIs. (8) voor elk binarized de tweede niveau ROI, berekenen de contouren van de witte regio's en een structurele analyse uitvoeren voor elk contour gedetecteerd. (9) check de structurele eigenschap waarden en selecteert vervolgens interne ROI kandidaten. (10) voor elke contour in de interne ROI kandidaat, berekenen de descriptoren/momenten. (11) controleren of de gedetecteerde vorm overeenstemt met het model vorm en onderlinge aanpassing van een veelhoek tot de beste kandidaten van de wedstrijd. (12) het aantal hoekpunten van de veelhoek geschatte controleren en bepalen van de geometrische figuur: cirkel of een driehoek. (13) berekenen de figuur center en controleer of de zwarte pixels zich voordoen; zo ja, is het een gaten figuur. (14) visuele resultaat na analyse van het frame. Klik hier voor een grotere versie van dit cijfer.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

We hebben gebouwd handmatig een subset van de experimentele gegevens voor het valideren van de automatische video-analyse. De grootte van een steekproef van 1.308 frames met een betrouwbaarheid van 99% (dit is een beveiligingsmaatregel waarmee wordt aangegeven of het monster komt nauwkeurig overeen met de bevolking, binnen de marge van fout) en een marge van fout van 4% (dat is een percentage dat hoe dicht beschrijft de het monster gaf antwoord is aan de werkelijke waarde in de populatie) werd willekeurig geselecteerd, en een handmatige aantekening van het juiste van ROIs en de juiste identificatie van de tag binnen elke ROI werd uitgevoerd. Merk op dat één frame een variabel aantal ROIs binnen een onbepaald bereik bevatten kan, omdat sommige kreeften mogen worden gecamoufleerd binnen de holen of een ROI twee of meer dieren of valse detecties bevat.

Het totale aantal dieren in de 1.308 frames was 3,852 (handmatig geannoteerde ROIs). De methode bleek 3,354 dierlijke detecties. Een totaal van 701 (21%) van deze detecties waren valse positieven (dat wil zeggen, het aantal ROIs waar de kreeft verward met de achtergrond was). Van het totale aantal dieren geteld, 2,653 detecties (79%) waren correct matching (dwz., het aantal keren dat de classificatie goed herkend de aanwezigheid van een kreeft in de gedetecteerde gebieden; Zie ook Figuur 6a, b). Met betrekking tot de totale 3,852 ROIs aanwezig in de 1.308 frames detecteert het script 69% van de personen.

Met betrekking tot de opsporing van de tag, het script genoemd 2,353 ROI kandidaten tags (89% van de 2,653 gedetecteerde gebieden met dieren). De classificatie succesvol geïdentificeerd als klasse Label 1,808 van deze labels (in die de kandidaat is geclassificeerd als een cirkel, driehoek, cirkel gaten of gaten driehoek) en miste 545 gevallen (23% van de 2,353 ROI kandidaten voor tag). In verband met de indeling van de tag, 1,619 correct zijn geïdentificeerd (89,5%, figuur 6f). Enige 70 tags indien ten onrechte ingedeeld (3,8% fout, Figuur 6 sexies), en de resterende 119 (6,6%) overeenkwam met valse positieven (interne ROIs geïdentificeerd als tag die overeenkwam met de delen van de dieren, zoals claws; Figuur 6 d).

Figure 6
Figuur 6 : Vertegenwoordiger uitzicht vanaf frames weergegeven: de meest voorkomende experimentele situaties tijdens Videoanalyse. (een) verkeerd dierlijke detectie, een achtergrondgebied is gedetecteerd. (b) dier maken. Twee dieren liggen dicht bij elkaar en er wordt slechts één gevonden. (c) vorm maken. Het dier is aangetroffen (blauwe rechthoek), maar de tag wordt niet herkend. (d) Fake vorm detectie. Twee shapes worden gedetecteerd en een is een klauw. (e) verkeerde classificatie van een shape. Een driehoek is geclassificeerd als driehoek-gat. (f) ideaal situatie. Alle dieren worden gedetecteerd en de tags correct zijn geïdentificeerd. Klik hier voor een grotere versie van dit cijfer.

Na de video-analyse is afgerond, kan de verkregen standpunten (X, Y) gegevens worden gebruikt om te evalueren van de verschillende gedragspatronen van de kreeften. Bijvoorbeeld, we een ruimte bezetting uitgezet kaart met behulp van tweedimensionale kernel dichtheid schatting met een as-gebonden bivariate normale kernel, geëvalueerd op een vierkante raster41,-42 met de beste prestaties worden geautomatiseerd geraamd door de statistische algoritme. Een hogere kleur intensiteit vertegenwoordigt de gebieden waren dat de kreeften bracht een hoger percentage van hun tijd (Figuur 7). Video 2 geeft een visuele voorbeeld van dier bijhouden.

Een ander voorbeeld is vertegenwoordigd door de dagelijkse ritmes van de activiteit van de kreeften, uitgezet als millimeter en bedekt met 10 min weggegooid tijdsintervallen (Figuur 8). We hebben verwijderd de gegevens overeenstemmen met de eerste 24u van het experiment, die overeenkwam met de dieren milieu aanpassingsproces.

Figure 7
Figuur 7 : Ruimte bezetting kaart. De grafiek toont alleen de onderkant tank gebied dat is het gebied van dierlijke verplaatsing (Zie de gele veelhoek in Figuur 6). De gebieden waren de verschillende tagged kreeften besteed meer tijd verschijnen gekleurde; hogere kleurintensiteit betekent meer tijd van de bezetting. Klik hier voor een grotere versie van dit cijfer.

Figure 8
Figuur 8 : Dagelijkse activiteit ritmes van de kreeften uitgezet als millimeter en bedekt met 10 min weggegooid tijdintervallen. Grijze banden geven de uren van de duisternis op 12/12 licht/donker, met de sunset tijd vanaf zeven uur en de tijd van de zonsopgang vanaf 19.00 Klik hier voor een grotere versie van dit cijfer.

Movie 1
Video 1: Desktop record van een voorbeeld van een running videoanalyse script. De video toont in 2 min en 27 s 1 h van real-time beelden (3625 frames). Merk op dat er geen fout accumulatie voor het dier en tag misdetections en niet-geïdentificeerde evenementen terwijl de opname wordt gemaakt. Klik hier om deze video te downloaden.

Movie 2
Video 2: Video van het dier volgen na de motorische analyse. We gebruikt X, Y pixelcoördinaten op beeld verkregen van de video-analyse en ze opgeslagen in de database, tekenen de dieren track in de opgenomen video's als een voorbeeld van het script van de video-analyse. Hoe langer het nummer, des te sneller het dier beweegt, en de meer afstand reisde. In dit geval 30 s van video komt overeen met 12 min van real-time. Klik hier om deze video te downloaden.

Aanvullende bestand 1: Klik hier om dit bestand te downloaden. 

Subscription Required. Please recommend JoVE to your librarian.

Discussion

De prestaties en vertegenwoordiger resultaten verkregen met de video-tracking protocol bevestigd dat de geldigheid ervan voor toegepast onderzoek op het gebied van dierlijk gedrag, met een specifieke focus op sociale modulatie en circadiane ritmen van cohoused dieren. De efficiëntie van dierlijke detectie (69%) en de nauwkeurigheid van label discriminatie (89,5%) in combinatie met de gedragsmatige kenmerken (dat wil zeggen, het tarief van beweging) van de doelsoort gebruikt hier suggereren dat dit protocol een perfecte oplossing voor lange termijn experimentele proeven (b.v., dagen en weken is). Bovendien, het protocol biedt de fundamentele voordeel dat ze makkelijk te gebruiken en sneller in de ontwikkeling en aanpassing met betrekking tot andere technieken, zoals automatisch leren algoritmen en neurale netwerken43. De tracking-technieken gebruikt hier vertegenwoordigen de definitieve verfijning van een experimentele activiteit gestart met een lichtjes verschillende benadering44.

Een cruciale stap in het protocol is het label design; Dit moet worden beschouwd dat de uitvoering van de ontwerpen van andere tag zou kunnen de prestaties van de Otsu binarization verbeteren. Bijvoorbeeld, een van de bronnen van fout gemeld hier was de maken tussen de zwarte buiten cirkel in de tag en de witte interne geometrische vorm (Zie Figuur 9 met een binarized frame met een detail van deze fout). Het is mogelijk om het binarization-proces, vergroten de diameter (2-3 mm) van de zwarte cirkel buiten de witte interne geometrische vorm, of verwisselen van de tag kleuren (wit/zwart). Wij vinden niet het gebruik van afbeelding morfologische functies zoals uithollen of verwijden wanneer het proberen om deze fout, gezien het feit dat deze bewerkingen de structurele eigenschappen van de tag image is gemaakt wijzigen, wordt, dus niet mogelijk om de drempelwaarden voor de script. Kortom, is het raadzaam om het ontwerp van de tag op de anatomie van de diersoorten doel aanpassen. Dat zou leiden tot de aanpassing van de drempelwaarden van het script en de structurele eigenschappen volgens het nieuwe ontwerp.

Figure 9
Figuur 9 : Detail frame binarization fouten. Een rode cirkel toont hoe kreeften en tags die worden herkend als een uniek object. Klik hier voor een grotere versie van dit cijfer.

De meest relevante bron van fouten was de gemiste detectie van de ROIs (zowel externe als interne). Het script van de video-analyse hier gepresenteerd kan niet om personen die nog of verborgen zijn voor een periode van meer dan 100 frames (het aantal frames dat het script behouden als achtergrondgeschiedenis) bij te houden. Om problemen te voorkomen met dit, we de laatste positie van een individu opgeslagen totdat het weer wordt gedetecteerd. Deze parameter kan de resultaten van de ontbrekende immobiel of verborgen dieren beïnvloeden. Dit feit moet rekening worden gehouden bij het gebruik van dit protocol met species tonen verschillende mobiliteit tarieven dan degene die hier gepresenteerd voor de kreeften. Het videoframe wisselkoers- en analyse-script moet worden gewijzigd en aangepast aan de soort gebruikt in overeenstemming met het specifieke gedrag.

Een belangrijke uitdaging was om een monochromatische blauw (472 nm) en IR (850 nm) verlichting, de mogelijkheid van retinale schade voorkomen en aanpassen van de lichte milieuomstandigheden tot en met23,45van de habitat van de van het dier. Daarom de kleurcomponent in video-opname is niet relevant en video-opnames werden uitgevoerd in grijswaarden. Het systeem stelt maakt het mogelijk om programma verschillende lichte perioden en wijzigt de verlichting systeem volgens de doelsoort kenmerken wijzigen van de LED's Lichtspectrum. Een andere aanpassing te overwegen in het protocol hier gepresenteerd is de snelheid van de beweging van het doeldier. Voor dit specifieke geval, de framesnelheid gebruikt 1 beeld per seconde was, opnemen produceren van video bestanden van ongeveer 1 h lengte overeenkomt met 24 h van experimentele. Deze twee aanpassingen (grijswaarden en frame rate) konden we verkrijgen van video-bestanden met een beperkte omvang die waren gemakkelijk te werken met en verminderd de opslagcapaciteit en de machine tijd bijhouden.

Een beperking van de beschreven methode is dat het slechts met de soorten gepresenteerd hier getest is; Er zijn echter geen specifieke redenen betreffende de toepassing van dit protocol naar andere soorten waarmee het dragen van identificatie tags. Een andere grote beperking is dat het protocol niet geschikt is voor het bijhouden van de bewegingen van dierlijke aanhangsels (bijvoorbeeld chelae). Bijvoorbeeld kunnen tienpotige schaaldieren chelae bewegingen weergeven dominantie onder soortgenoten. Toekomstige implementaties zijn gericht op de verbetering van dit aspect.

Het voorgestelde protocol lijkt op eerdere bestaande commerciële software46 en gepubliceerde methoden SwisTrack en idTracker7,47. De commerciële software46 gebruikt achtergrond aftrekken om te ontdekken van dieren, vergelijkbaar met de scripts die hier gepresenteerd. Hoewel het bestrijkt een breder spectrum van toepassingen, is het geprogrammeerd met behulp van een commercieel geïnterpreteerde programma taal48, die is niet een open source oplossing en is economisch kostbaar. De SwisTrack47 methode gebruikt de OpenCV19 bibliotheek, ook aan de hier gepresenteerde benadering. Echter is het gecodeerd in C++. We gebruikten de Python code, die is meestal makkelijker aan te passen aan de specifieke behoeften van elke omgeving. IdTracker7 is een sterke aanpak gecodeerd in een programma van de commercieel geïnterpreteerde taal48 maar doelen nonmarked dierlijke toepassingen. De juiste resultaten van de tracking kunnen worden aangetast wanneer dieren zijn geroteerd voor een lange periode van tijd als treedt op in de experimentele omstandigheden die hier gepresenteerd. De methode die hier gepresenteerd processen elk frame onafhankelijk en wordt niet beïnvloed door de vorige baan van het dier. Een fout in een specifiek frame doet dus niet doorgeven aan toekomstige kaders. Dit feit is relevant in deze toepassing maar ook beperkingen de methode hier gepresenteerd aan een specifieke set van dieren (die waarmee de handmatige codering).

Een ander aspect dat aandacht verdient is dat we vrije software hebben gebruikt tijdens de ontwikkeling van het protocol, met inbegrip van de postprocessing en opslag van de gegevens die zijn gegenereerd door het script van de video-analyse, evenals de code die wordt gebruikt om te controleren het verlichtingssysteem. De verwerkte gegevens worden opgeslagen in een vrije relationele databasesysteem (MySQL). Deze verwerkte gegevens kan worden verkregen door middel van query's in Standard Query Language (SQL) volgens de gewenste indeling. De lezer kan wijzigen en aanpassen van de voorgestelde open code en vrij aan te passen aan specifieke behoeften.

Met betrekking tot de methode toxiciteit is het alleen delicate stap het lijmen van de tag aan het dier. We gebruikten Cyanoacrylaat lijm vanwege zijn lage toxiciteit, haar brede medicinaal gebruik49, en het brede gebruik in aquaria voor fragging koralen en vaststelling van de fragmenten met lijm50. De grote bezorgdheid over het gebruik ervan is de damp toxiciteit voor de mens. We teruggebracht de tentoonstelling tot een minimum. De Health en Safety Executive en de Verenigde Staten nationale toxicologie programma hebben geconcludeerd dat het gebruik van ethyl cyanoacrylaat veilig51 is.

Toekomstige toepassingen van dit protocol zijn de automatisering van de opsporing van ander gedrag van gravende schaaldieren (b.v., gevechten, hol dominantie). Wij zijn ook van plan om het algoritme voor real-time video-analyse en convolutionele neurale netwerken52 voor verbeterde dierlijke detectie.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

De auteurs hebben niets te onthullen.

Acknowledgments

De auteurs zijn dankbaar aan de Dr. Joan B. bedrijf dat de publicatie van dit werk gefinancierd. De auteurs zijn ook dankbaar voor de technici van de experimentele aquarium zone op het Instituut van mariene wetenschappen in Barcelona (ICM-CSIC) voor hun hulp tijdens de experimenteel werk.

Dit werk werd ondersteund door het RITFIM-project (CTM2010-16274, hoofdonderzoeker: J. Aguzzi) opgericht door het Spaanse ministerie van wetenschap en innovatie (MICINN) en de TIN2015-66951-C2-2-R-subsidie van het Spaanse ministerie van economie en het concurrentievermogen.

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

Milieuwetenschappen kwestie 146 OpenCV Python video-analyse bezetting van de ruimte dagelijks activiteit ritmes bijhouden
Op lange termijn Video-Tracking van Cohoused waterdieren: een Case studie van de dagelijkse motorische activiteit van de langoustines (<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