Waiting
Login processing...

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

Environment

Coस्टेडिम जलीय जानवरों की लंबी अवधि के वीडियो ट्रैकिंग: नॉर्वे लॉबस्टर के दैनिक चलन गतिविधि का एक मामला अध्ययन (नेफ्रोप्स 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

यहां हम व्यक्तिगत रूप से समय की एक लंबी अवधि में पशुओं को ट्रैक करने के लिए एक प्रोटोकॉल प्रस्तुत करते हैं । यह कंप्यूटर विजन विधियों का उपयोग करता है के लिए मामले के अध्ययन के रूप में lobsters के एक समूह का उपयोग करके मैंयुअल रूप से निर्माण टैग का एक सेट की पहचान, साथ ही कैसे घर पर, हेरफेर, और lobsters निशान के बारे में जानकारी प्रदान ।

Abstract

हम एक वीडियो ट्रैकिंग तकनीक से संबंधित एक प्रोटोकॉल वर्तमान पृष्ठभूमि घटाव और छवि दहलीज कि यह संभव व्यक्तिगत coस्टेडिम जानवरों को ट्रैक करने के लिए बनाता है पर आधारित है । हम 5 दिनों के लिए प्रकाश अंधकार शर्तों के तहत चार coस्टेडिम नॉर्वे lobsters (नेफ्रोप्स norvegicus) के साथ ट्रैकिंग दिनचर्या का परीक्षण किया । Lobsters व्यक्तिगत रूप से टैग किया गया था । प्रयोगात्मक सेटअप और ट्रैकिंग तकनीकों का इस्तेमाल पूरी तरह से खुला स्रोत सॉफ्टवेयर पर आधारित हैं । एक मैंयुअल खोज के साथ ट्रैकिंग आउटपुट की तुलना इंगित करता है कि lobsters सही समय के ६९% का पता लगाया गया । सही ढंग से पता लगाया lobsters के अलावा, उनके व्यक्तिगत टैग सही समय के ८९.५% की पहचान की गई । प्रोटोकॉल में इस्तेमाल किया फ्रेम दर और lobsters के आंदोलन दर को ध्यान में रखते हुए, वीडियो ट्रैकिंग के प्रदर्शन के एक अच्छी गुणवत्ता है, और प्रतिनिधि परिणाम अनुसंधान की जरूरत के लिए मूल्यवान डेटा उत्पादन में प्रोटोकॉल की वैधता का समर्थन (व्यक्तिगत अंतरिक्ष अधिभोग या चलन गतिविधि पैटर्न) । यहां प्रस्तुत प्रोटोकॉल आसानी से अनुकूलित किया जा सकता है और है, इसलिए, अंय प्रजातियों जहां एक समूह में नमूनों की व्यक्तिगत ट्रैकिंग अनुसंधान सवालों के जवाब देने के लिए मूल्यवान हो सकता है के लिए हस्तानीय ।

Introduction

पिछले कुछ वर्षों में, स्वचालित छवि-आधारित ट्रैकिंग ने अत्यधिक सटीक डेटासेट प्रदान किए हैं, जिनका उपयोग पारिस्थितिकी और व्यवहार विषयों1में मूलभूत प्रश्नों का पता लगाने के लिए किया जा सकता है. इन डेटासेट पशु व्यवहार के मात्रात्मक विश्लेषण के लिए इस्तेमाल किया जा सकता है2,3। हालांकि, प्रत्येक छवि पद्धति जानवरों और व्यवहार मूल्यांकन ट्रैकिंग के लिए इस्तेमाल अपनी ताकत और सीमाएं हैं । 4,5,6जानवरों को ट्रैक करने के लिए एक फिल्म में पिछले फ्रेम से स्थानिक जानकारी का उपयोग करें कि छवि आधारित ट्रैकिंग प्रोटोकॉल में, दो जानवरों के रास्तों को पार करते समय त्रुटियों को पेश किया जा सकता है । इन त्रुटियों को आम तौर पर अपरिवर्तनीय है और समय के माध्यम से प्रचार । कंप्यूटेशनल अग्रिमों कि कम या लगभग इस समस्या को खत्म करने के बावजूद5,7, इन तकनीकों को अभी भी सटीक पशु पहचान और ट्रैकिंग के लिए सजातीय प्रयोगात्मक वातावरण की जरूरत है ।

जानवरों में विशिष्ट रूप से पहचाने जा सकने वाले मार्क्स के नियोजन से इन त्रुटियों से बचा जा सकता है और पहचाने गए व्यक्तियों की दीर्घकालिक ट्रैकिंग की अनुमति देता है. व्यापक रूप से इस्तेमाल किया मार्कर (जैसे, बारकोड और QR कोड) उद्योग और वाणिज्य में मौजूद हैं और अच्छी तरह से ज्ञात कंप्यूटर विजन तकनीकों का उपयोग कर पहचाना जा सकता है, जैसे संवर्धित वास्तविकता (उदा., artag8) और कैमरा अंशांकन (जैसे, caltag9 ). टैग की गईं पशु पहले अलग पशु प्रजातियों में उच्च थ्रपुट व्यवहार अध्ययन के लिए इस्तेमाल किया गया है, उदाहरण के लिए, चींटियों3 या मधुमक्खियों10, लेकिन इन पिछले सिस्टम के कुछ अलग टैग3पहचानने के लिए अनुकूलित नहीं कर रहे हैं ।

इस पत्र में प्रस्तुत ट्रैकिंग प्रोटोकॉल एक चैनल इमेजरी में जानवरों पर नज़र रखने के लिए विशेष रूप से उपयुक्त है, जैसे अवरक्त (IR) लाइट या मोनोक्रोमेटिक लाइट (विशेष रूप से, हम ब्लू लाइट का उपयोग करते हैं). इसलिए, विकसित विधि रंग cues का उपयोग नहीं करता है, यह भी अंय सेटिंग्स जहां रोशनी में बाधाओं को लागू किया जा रहा है । इसके अलावा, हम अनुकूलित टैग का उपयोग करें ताकि lobsters परेशान नहीं है और एक ही समय में, कम लागत कैमरों के साथ रिकॉर्डिंग की अनुमति के रूप में डिजाइन किए हैं । इसके अलावा, विधि यहां इस्तेमाल फ्रेम स्वतंत्र टैग का पता लगाने पर आधारित है (यानी, एल्गोरिथ्म छवि में प्रत्येक टैग की उपस्थिति की पहचान की परवाह किए बिना पिछले प्रक्षेपटोरी) । यह सुविधा उन अनुप्रयोगों में प्रासंगिक है जहां पशुओं को अस्थाई रूप से बाहर किया जा सकता है, या जानवरों का प्रक्षेप-पथ काटना हो सकता है ।

टैग डिजाइन जानवरों के विभिंन समूहों में इसके उपयोग की अनुमति देता है । एक बार विधि के मापदंडों सेट कर रहे हैं, यह एक विशिष्ट वर्गीकारित्र (अंय क्रसटेशियन या gastropods) प्रशिक्षण के लिए आवश्यकता के बिना अंय पशु ट्रैकिंग समस्याओं से निपटने के लिए स्थानांतरित किया जा सकता है । प्रोटोकॉल के निर्यात की मुख्य सीमाएं टैग के आकार और पशु के लिए लगाव के लिए की जरूरत है (जो यह मक्खियों, मधुमक्खियों, आदि के रूप में छोटे कीड़े, के लिए उपयुक्त नहीं बनाता है) और पशु आंदोलन के लिए 2 डी धारणा । यह बाधा महत्वपूर्ण है, यह देखते हुए कि प्रस्तावित विधि टैग का आकार मानता है स्थिर रहता है । एक 3 डी वातावरण में स्वतंत्र रूप से चलती पशु (जैसे, मछली) कैमरे के लिए अपनी दूरी के आधार पर अलग टैग आकार दिखाएगा ।

इस प्रोटोकॉल का उद्देश्य एक 2 डी संदर्भ में (यानी, दिन या सप्ताह) समय की एक लंबी अवधि में एकाधिक टैग जानवरों पर नज़र रखने के लिए एक उपयोगकर्ता के अनुकूल पद्धति प्रदान करना है । Methodological दृष्टिकोण खुला स्रोत सॉफ्टवेयर और हार्डवेयर के उपयोग पर आधारित है । मुक्त और खुला स्रोत सॉफ्टवेयर adaptations, संशोधनों, और मुफ्त पुनर्वितरण परमिट; इसलिए, प्रत्येक चरण11,12पर जनरेट किया गया सॉफ़्टवेयर में सुधार करता है ।

यहां प्रस्तुत प्रोटोकॉल को ट्रैक और 5 दिनों के लिए एक टैंक में चार जलीय पशुओं के चलन गतिविधि का मूल्यांकन करने के लिए स्थापित प्रयोगशाला पर केंद्रित है । वीडियो फ़ाइलों को 1 s समय-चूक छवि से रिकॉर्ड किया गया है और प्रति सेकंड 20 फ्रेम में एक वीडियो में संकलित (1 दर्ज दिन वीडियो के लगभग 1 एच रह रहे) । सभी वीडियो रिकॉर्डिंग स्वचालित रूप से पशु की स्थिति प्राप्त करने के लिए postprocessed रहे हैं, कंप्यूटर दृष्टि विधियों और एल्गोरिदम लागू करने. प्रोटोकॉल ट्रैकिंग डेटा की बड़ी मात्रा में प्राप्त करने की अनुमति देता है, उनके मैनुअल एनोटेशन, जो पिछले प्रयोगात्मक कागजात13में समय गहन और श्रमसाध्य होना दिखाया गया है से परहेज ।

हम मामले के अध्ययन के लिए नॉर्वे लॉबस्टर (नेफ्रोप्स norvegicus) का उपयोग करें; इस प्रकार, हम प्रजातियों विशेष प्रयोगशाला शर्तों उंहें बनाए रखने के लिए प्रदान करते हैं । Lobsters अच्छी तरह से अध्ययन बिल उद्भव लय है कि circadian घड़ी14,15के नियंत्रण में हैं, और जब cohoused, वे प्रभुत्व पदानुक्रम16,17फार्म का प्रदर्शन । इसलिए, यहां प्रस्तुत मॉडल circadian लय पर एक विशेष ध्यान के साथ व्यवहार के सामाजिक मॉडुलन में रुचि शोधकर्ताओं के लिए एक अच्छा उदाहरण है.

यहां प्रस्तुत पद्धति आसानी से reproduced है और अंय प्रजातियों के लिए लागू किया जा सकता है अगर वहां एक व्यक्तिगत टैग के साथ जानवरों के बीच अंतर करने की संभावना है । प्रयोगशाला में इस तरह के एक दृष्टिकोण reproducing के लिए ंयूनतम आवश्यकताओं रहे है (i) प्रायोगिक सेटअप के लिए समतापी कमरे; (ii) एक सतत् जल आपूत; (iii) जल तापमान नियंत्रण तंत्र; (iv) एक प्रकाश नियंत्रण प्रणाली; (v) एक यूएसबी कैमरा और एक मानक कंप्यूटर ।

इस प्रोटोकॉल में, हम अजगर18 और OpenCV19 (मुक्त स्रोत कंप्यूटर विजन लाइब्रेरी) का उपयोग करें । हम तेजी से और सामांयतः लागू की गई कार्रवाइयों (दोनों क्रियांवयन और निष्पादन के संदर्भ में) पर निर्भर करते हैं, जैसे पृष्ठभूमि घटाव20 और छवि थ्रेशकुंचन21,22।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

इस अध्ययन में प्रयुक्त प्रजातियों में एक लुप्तप्राय या संरक्षित प्रजाति नहीं है । नमूना और प्रयोगशाला प्रयोगों स्पेनी कानून और आंतरिक संस्थागत (ICM-CSIC) पशु कल्याण के बारे में नियमों का पालन किया । पशु नमूना स्थानीय प्राधिकरण (Catalonia के क्षेत्रीय सरकार) की अनुमति के साथ आयोजित किया गया था ।

1. पशु रखरखाव और नमूना

नोट: निम्नलिखित प्रोटोकॉल इस धारणा पर आधारित है कि शोधकर्ताओं ने रात के दौरान क्षेत्र में N. norvegicus नमूना कर सकते हैं करने के लिए नुकसान से बचने के लिए23photoreceptors. N. norvegicus के सूर्य के प्रकाश के लिए जोखिम से बचना चाहिए । नमूनाकरण के बाद, lobsters को पहले17,24पर रिपोर्ट किए गए समान एक acclimation सुविधा में रखे जाने वाले हैं, जो प्रसर्पित समुद्री जल (13 डिग्री सेल्सियस) के सतत प्रवाह के साथ है । इस अध्ययन में उपयोग किए गए जंतु, ४३.९२ ± २.०८ मिमी (N = 4) के सेफ़्लोथोरेक्स लंबाई (CL; माध्य ± SD) के साथ इंटरमोल्ट अवस्था में पुरुष हैं ।

  1. व्यक्तिगत झगड़े के कारण किसी भी नुकसान से बचने के लिए अलग डिब्बों में व्यक्तियों रखें ( चित्र 1a-dदेखें).
  2. उंहें 3x के बारे में यादृच्छिक समय पर एक सप्ताह के लिए circadian लय के साथ हस्तक्षेप नहीं फ़ीड ।
    नोट: इस प्रयोग में, mussels (लगभग 4 जी झींगा प्रति) भोजन के रूप में इस्तेमाल किया गया । Mussels जमे हुए खाद्य आपूर्तिकर्ताओं से खरीदा गया था और मानव उपभोग के लिए उपयुक्त थे ।
  3. नीले प्रकाश का प्रयोग करें (४२५-५१५ एनएम) प्रजातियों के वर्णक्रम संवेदनशीलता के अनुसार प्रकाश घंटे अनुकरण करने के लिए25 और पर्यावरण की स्थिति ४०० मीटर गहरी26 ( चित्र 1c,dदेखें) ।
    नोट: यहां इस्तेमाल की सुविधा दो नीले (४७८ एनएम) फ्लोरोसेंट लैंप कि लैंप से दूरी के 1 मीटर पर 12 lx की एक प्रकाश तीव्रता का उत्पादन की एक ऊर्ध्वाधर छत है । छत लैंप की स्थिति के लिए चित्रा 1A देखें और निर्माता और तकनीकी लैंप विशेषताओं के लिए सामग्री की मेज देखें ।
  4. 12/12 प्रकाश/अंधेरे घंटे के लिए acclimation सुविधा के photoperiod समायोजित या स्थानीय अक्षांश के प्राकृतिक photoperiod अनुकरण ।
  5. 13 डिग्री सेल्सियस के लिए सुविधा तापमान को विनियमित और अंतर्वाही समुद्री जल के तापमान की जांच करने के लिए दैनिक 2x मॉनिटर के आसपास है 13 ° c ( चित्र 1eदेखें) ।
  6. अच्छे ऑक्सीजनन को बनाए रखने के लिए लगभग 4 ट/मिनट की दर से समुद्री जल के प्रवाह को विनियमित करें ।
    नोट: समुद्री जल एक खुले परिपथ में परिचालित होता है (कोई फिल्टर और अतिरिक्त पंपों का प्रयोग किया जाता है) । पानी की आपूर्ति मुख्य मछलीघर संयंत्र सेवाओं पर निर्भर करता है ।

Figure 1
चित्रा 1 : सुविधा acclimation विचार । (क) टैंक अलमारियों । (a1) समुद्री जल इनपुट । (a2) फ्लोरोसेंट छत रोशनी । (ख) नीली बत्ती रोशनी का विस्तार । (ग) पशु कोशिका विस्तार । (घ) एक पृथक सुविधा नियंत्रण पैनल का विस्तार । (ङ) एक प्रवेश द्वार के लिए तापमान निर्धारण । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

2. है टैग निर्माण

नोट: यहां इस्तेमाल किया टैग लक्ष्य जानवर या अंय विशिष्ट विचारों की विशेषताओं के अनुसार बदला जा सकता है ।

  1. एक काले प्लास्टिक की चादर से व्यास में ४० मिमी के चार हलकों में कटौती ।
  2. एक सफेद पीवीसी प्लास्टिक शीट से कट दो समबाहु त्रिकोण 26 मिमी पक्षों के साथ ।
  3. एक सफेद पीवीसी प्लास्टिक शीट से कट व्यास में 26 मिमी के दो हलकों ।
  4. सफेद त्रिकोण और हलकों के केंद्र मार्क और उस में एक 10 मिमी छेद कर ।
  5. चार काले घेरे के केंद्र के लिए चार सफेद आकार गोंद ।

Figure 2
चित्रा 2 : चार टैग lobsters के व्यक्तिगत टैगिंग के लिए इस्तेमाल किया । वृत्त, वृत्त-छिद्र, त्रिकोण, त्रिकोण-होल । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

3. प्रयोगात्मक सेटअप

नोट: प्रायोगिक क्षेत्र में एक प्रयोगात्मक चैंबर से स्वतंत्र लेकिन करीब निकटता में acclimation सुविधा के लिए माना जाता है ।

  1. एक प्रयोगात्मक चैंबर जहां हवा के तापमान को नियंत्रित किया जा सकता है और प्रायोगिक क्षेत्र में समुद्री जल के रूप में एक ही तापमान पर बनाए रखा स्थापित करें ।
  2. एक शीसे रेशा टैंक (१,५०० x ७०० x ३०० मिमी) एक प्रयोगात्मक क्षेत्र के रूप में इस्तेमाल किया जा करने के लिए संशोधित करें । चार बिल टैंक के तल पर पीवीसी लचीला पाइप का उपयोग कर जोड़ें और सतह पर रेत छड़ी जहां lobsters को स्थानांतरित करने के लिए माना जाता है (चित्रा 3b-e) । अधिक जानकारी के लिए,17,27देखें ।
    1. पनडुब्बी नीले एल ई डी (४७२ एनएम, सिमुलेट प्रकाश घंटे) और IR एल ई डी (८५० एनएम, अंधेरे शर्तों) के साथ प्रयोगात्मक क्षेत्र प्रदान ( यह भी चित्र 3aदेखें)17,24।
      नोट: एलईडी प्रकाश अपनी कम गर्मी प्रभाव और प्रयोग करने योग्य इलेक्ट्रॉनिक नियंत्रण और मुक्त हार्डवेयर की उपलब्धता के कारण किया जाता है । 13 ± ०.५ ° c के पर्यावरणीय और समुद्री जल तापमान के साथ एक अलग सुविधा का उपयोग किया गया था ।
    2. हमेशा आईआर एल ई डी पर बंद रखो ।
      नोट: IR अंधेरे की स्थिति में और प्रकाश की स्थिति में वीडियो रिकॉर्ड करने के लिए आवश्यक है । यह स्विच करने के लिए आवश्यक नहीं है ।
    3. एक उपकरण के साथ नीले एल ई डी कनेक्ट करने के लिए photoperiod का प्रबंधन । सामग्री की तालिकामें सुझावों को देखें, और अधिक जानकारी के लिए, Sbragaglia एट अल से परामर्श करें। 17 ( चित्रा 3aमें भी दिखाया गया है) ।
      नोट: वीडियो में प्रकाश-या छवि स्वचालित विश्लेषण एक महत्वपूर्ण कारक है । छाया के बिना नियमित रूप से रोशनी सभी क्षेत्र में पानी की सतह प्रतिबिंब से परहेज पीछे वीडियो या छवि विश्लेषण आसान बनाता है । इस प्रोटोकॉल के संदर्भ में, केवल 12/12 प्रकाश/अंधकार स्थितियों का उपयोग किया गया । प्रकाश और अंधकार धीरे 30 मिनट के भीतर प्राप्त किया गया, और एक प्रकाश नियंत्रक स्क्रिप्ट अनुपूरक फ़ाइल 1के रूप में जोड़ा जाता है ।
    4. टैंक के एक कोने और विपरीत कोने पर इसी आउटलेट में ठंडा समुद्री जल इनलेट प्लेस ।
    5. के बारे में 4 एल/मिनट की एक प्रवाह दर पर समुद्री जल इनपुट को विनियमित ।
    6. अन्य प्रकाश से एक पूर्ण अलगाव प्रदान करने के क्रम में एक काले पर्दे के साथ टैंक के चारों ओर (चित्रा 3a).
  3. तिपाई प्लेस जो वेब कैमरा प्रायोगिक क्षेत्र के पक्ष में तय की है और स्थिति वीडियो कैमरा (१३० सेमी) के ऊपर और प्रयोगात्मक क्षेत्र के केंद्र में (७५ सेमी x ३२.५ सेमी ( चित्रा 3aदेखें) ।
  4. जांचें कि क्या वीडियो कैमरा केंद्रित स्थिति में है (चरण ३.३ देखें) यह सुनिश्चित करने के लिए कि इसे अनायास नहीं ले जाया गया है ।
  5. वेब कैमरा को उस कंप्यूटर से कनेक्ट करें जिसे पर्दे के बाहर रखा गया है (चित्र 3a) ।
    1. वीडियो कैमरे के साथ समय-चूक रिकॉर्डिंग का प्रबंधन करने के लिए सॉफ्टवेयर स्थापित करें ।
      नोट: समय चूक रिकॉर्डिंग प्रजातियों के आंदोलन की गति पर निर्भर करते हैं । इसके अलावा, कैमरा, fisheye लेंस, पीसी, और सॉफ्टवेयर विशेषताओं और यहां इस्तेमाल किया निर्माताओं के लिए सामग्री की मेज देखें ।
    2. प्रजातियों की विशेषताओं के अनुसार वीडियो रिकॉर्डिंग के मापदंडों को समायोजित करें ।
      नोट: एन norvegicusकी गतिशीलता दर को ध्यान में रखते हुए, एक 1 एस समय चूक रिकॉर्डिंग यहां इस्तेमाल किया गया था, और वीडियो हर 24 एच बचाया गया था ।
    3. समय-चूक वीडियो (के रूप में इस व्यवहार के भविष्य मैनुअल स्कोरिंग के लिए मदद कर सकते हैं) में एक टाइमस्टैंप (तिथि सहित) बनाने के लिए सुनिश्चित करें ।

Figure 3
चित्रा 3 : प्रयोगात्मक सेटअप । (क) प्रयोगात्मक टैंक और वीडियो अधिग्रहण के विधानसभा का आरेख । (ख) प्रायोगिक टैंक का सामान्य दृश्य । (ग) प्रायोगिक टैंक का निचला दृश्य, कृत्रिम बिल का संकेत । (घ) शीर्ष दृश्य, प्रयोगात्मक टैंक के नीचे दिखा । (ङ) एक बिल प्रवेश द्वार का विस्तार । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

4. प्रयोगात्मक परीक्षण और पशु तैयारी

नोट: जानवरों के साथ सभी कदम acclimation सुविधा में किया जाना चाहिए और लाल प्रकाश की शर्तों के तहत नॉर्वे लॉबस्टर25के स्पेक्ट्रल संवेदनशीलता के अनुसार । जब acclimation और प्रयोगात्मक सुविधा के बीच जानवरों चलती है, प्रकाश के लिए lobsters के किसी भी जोखिम से बचें, एक अपारदर्शी काले बैग का उपयोग करने के लिए icebox कवर ।

  1. एक हिमीकर तैयार करें पहले के बारे में 7 डिग्री सेल्सियस पर पानी के साथ चार जलमग्न डिब्बों में अलग ।
  2. तैयार चार टैग पहले निर्माण और तेजी से गोंद, cyanoacrylate की तरह ।
  3. कुचल बर्फ के साथ एक ट्रे तैयार करें ।
  4. चार lobsters का चयन करें acclimation सुविधा में टैग किया जा करने के लिए और उनमें से प्रत्येक icebox के एक डिब्बे में डाल दिया ।
  5. 30 मिनट तक प्रतीक्षा करें और फिर टैगिंग प्रक्रिया प्रारंभ करें ।
    1. एक झींगा ले लो और इसे स्थिर और टैगिंग आपरेशन की सुविधा के लिए 5 मिनट के लिए कुचल बर्फ पर डाल दिया ।
    2. अधिशोषी कागज के साथ लॉबस्टर cephalothorax के ऊपरी भाग सूखी और उस पर तेजी से गोंद की एक बूंद डाल दिया ।
    3. गोंद के साथ संपर्क में है, जानवर cephalothorax के शीर्ष पर क्षैतिज टैग प्लेस, और यह कठोर (के बारे में 20 एस के लिए) के लिए पर्याप्त समय रुको ।
    4. हिमीकर में अपने डिब्बे के लिए लॉबस्टर लौटें और एक ही रास्ते में अंय तीन जानवरों के साथ आगे बढ़ना ।
    5. Lobsters को वापस कक्ष में रखें जहां वे पहले थे और 24 h के लिए प्रतीक्षा करें ताकि यह सुनिश्चित हो सके कि टैग ठीक से चिपकी हुई है ।
    6. एक ही हिमीकर है कि टैगिंग प्रक्रिया के लिए इस्तेमाल किया गया था का उपयोग कर प्रयोगात्मक चैंबर को acclimation सुविधा से lobsters स्थानांतरण ।
  6. वीडियो रिकॉर्डिंग लॉंच और टैग lobsters शुरू करने से पहले 5 मिनट रुको । प्रारंभिक १०० फ़्रेम से एक औसत पृष्ठभूमि छवि प्राप्त करें ।
    नोट: 1 मिनट की एक ंयूनतम इंतज़ार कर रहे lobsters टैग के बिना पृष्ठभूमि फ्रेम प्राप्त करने के लिए अनिवार्य है; वे वीडियो प्रोसेसिंग के लिए आवश्यक हैं ।
  7. अपने संबंधित डिब्बे के अंदर प्रयोग टैंक में एक एक करके जानवरों का परिचय, यह पानी में रखते हुए ।
  8. उन्हें बाहर निकलने के लिए रुको; यदि वे बाहर नहीं आते हैं, तो डिब्बे को झुकने से उनकी सहायता करें । प्रायोगिक परिस्थितियों में टैंक के अंदर जानवरों के उदाहरण के रूप में चित्रा 4 देखें ।

Figure 4
चित्रा 4 : कच्चे वीडियो फ्रेम । प्रयोगों के दौरान एकत्र किए गए समय-व्यतीत वीडियो में से किसी एक प्रतिनिधि फ़्रेम का एक उदाहरण. ऊपरी दाएँ कोने में, हम तारीख, समय, और फ्रेम के साथ समय स्टांप दिखा । छवि के निचले कोने में टैंक रोशनी में मतभेद की सूचना । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

5. वीडियो विश्लेषण स्क्रिप्ट

  1. प्रयोग के पूरा होने के बाद विश्लेषण करें ।
    1. वीडियो विश्लेषण के लिए कंप्यूटर विजन स्क्रिप्ट लॉंच ।
    2. लॉंच जावा कार्यक्रम की स्थिति और lobsters द्वारा कवर दूरी की गणना और डेटाबेस में डेटा डालने के लिए ।
      नोट: यह कार्यक्रम एक यूक्लिडियन दूरी आधारित एल्गोरिथ्म28है ।
    3. डेटा को इच्छित समय अंतराल (उदा. 10 मिनट) के रूप में बिनिंग करने के लिए SQL स्क्रिप्ट लॉंच करें ।

6. वीडियो विश्लेषण के लिए कंप्यूटर विजन स्क्रिप्ट

नोट: स्क्रिप्ट fisheye छवि सुधार से परहेज करता है क्योंकि यह प्रयोगात्मक सेटअप में एक प्रासंगिक त्रुटि का परिचय नहीं है । फिर भी, यह opencv कैमरा अंशांकन कार्य के साथ यह सही करने के लिए संभव है29 वेक्टर और मैट्रिक्स रोटेशन विधियों के आधार पर30,31.

  1. Python18 प्रोग्राम भाषा का चयन करें ।
  2. OpenCV19 छवि और वीडियो प्रोसेसिंग लाइब्रेरी का चयन करें ।
  3. एक वीडियो लोड ।
    नोट: वीडियो प्रारूपों. avi या . mp4 इस प्रयोग में इस्तेमाल किया गया था, लेकिन यह अनिवार्य नहीं है । यह FourCC३२ codecs ऑपरेटिंग सिस्टम में स्थापित पर निर्भर करता है ।
  4. वीडियो में प्रत्येक फ़्रेम फ़ाई के लिए निंन चरण निष्पादित करें ।
    1. वर्तमान फ़्रेम fiसे पृष्ठभूमि20b (पिछले १०० फ़्रेम का औसत, ४.६ चरण से प्राप्त) घटाएं, और पृष्ठभूमि छवि B को fiके रूप में अद्यतित करें । OpenCV19 लायब्रेरी से फ़ंक्शन BackgroundSubtractorMOG2 का उपयोग करें (देखें स्क्रिप्ट में अनुपूरक फ़ाइल 2) ।
    2. प्रासंगिक पृष्ठभूमि subtractor द्वारा संकेत गति के साथ पिक्सल से ब्याज (ROIs) आर के क्षेत्रों के सेट का निर्धारण । OpenCV19 लाइब्रेरी में BackgroundSubtractorMOG2 से लागू विधि का उपयोग करें (देखें स्क्रिप्ट्स में अनुपूरक फ़ाइल 2) । सेट में, पिछले फ्रेम से पशु संसूचन शामिल है, खाते nonmoving जानवरों में लेने के लिए ।
    3. प्रत्येक ROI आरआई के लिए निम्न चरणों का पालन करें
      1. चौड़ा करना समारोह लागू करें और रॉय आरआईकी आकृति३३ गणना । Opencv19 पुस्तकालय से कार्यों चौड़ा करना और findcontours का प्रयोग करें ( अनुपूरक फ़ाइलमें लिपियों देखें 2) ।
      2. पतवार क्षेत्र३४पिक्सेल की संख्या मेंहाय गणना । OpenCV19 पुस्तकालय से समारोह Convexhull का प्रयोग करें ( अनुपूरक फ़ाइलमें लिपियों देखें 2) ।
      3. आरओआई आरआईके त्रिज्या३५आरआई की गणना । OpenCV19 पुस्तकालय से समारोह Minenclosingcircle का प्रयोग करें ( अनुपूरक फ़ाइल 2में लिपियों देखें) ।
      4. रॉय आरआईकी दृढ़ता एसआई की गणना । दृढ़ता समोच्च क्षेत्र का अनुपात (चरण 6.4.3.1 में प्राप्त) अपनी उत्तल पतवार क्षेत्र के लिए (कदम 6.4.3.2 में प्राप्त) आरआईकी है ।
      5. आरओआई आरआईके पहलू अनुपात ऐ गणना । पहलू अनुपात चौड़ाई और आरआईकी ऊंचाई के बीच अनुपात है-bounding आयत । Bounding आयत OpenCV19 पुस्तकालय से सीमा समारोह का उपयोग कर गणना की है ।
    4. पतवार क्षेत्र, त्रिज्या, दृढ़ता, और पहलू अनुपात के लिए गुणों का समायोजन करके जानवरों को रोकने के लिए एक उंमीदवार के रूप में ROIs के एक कम सेट का चयन करें ।
      1. यदि hi ५००.० से कम है या १०००००.०से अधिक है की जांच करें । यदि हां, तो ROI आरआईछोड़ें । अंयथा, पशु स्थान के लिए एक उंमीदवार रॉय के रूप में आरआई रखो ।
      2. यदि आरआई ४०.०से कम है की जांच करें । यदि हां, तो ROI आरआईछोड़ें । अंयथा, पशु स्थान के लिए एक उंमीदवार रॉय के रूप में आरआई रखो ।
      3. यदि si से कम है की जाँच करें -४.० ROI आरआईछोड़ें । अंयथा, पशु स्थान के लिए एक उंमीदवार रॉय के रूप में आरआई रखो ।
      4. यदि एअर इंडिया से कम ०.१५ या ४.०से अधिक है की जाँच करें । ऐसा है, रॉय Riत्यागें । अंयथा, पशु स्थान के लिए एक उंमीदवार रॉय के रूप में आरआई रखो ।
        नोट: ROIs का उपयोग कंप्यूटेशनल लागत कम कर देता है, जानवर के शरीर क्षेत्र पर टैग खोज ध्यान केंद्रित । पिछले फ्रेम से पशु संसूचन गलत संसूचन से बचने के लिए शामिल है जब जानवरों को नहीं ले जा रहे हैं ।
    5. पशु ROIs का विश्लेषण करने के लिए टैग पहचान निर्धारित करते हैं । प्रत्येक ROI आरआई के लिए और प्रत्येक आंतरिक रॉय Piके लिए निम्न चरणों को निष्पादित करें, और आंतरिक rois Pनिकालें ।
      1. का उपयोग करते हुए ग्रेस्केल छवि Pi को binarize३६ थ्रेसस् थ एल्गोरिथ्म ।
      2. चरण 6.4.3.1 में के रूप में Piकी आकृति३३ की गणना ।
      3. पतवार क्षेत्र३४hi और पहलू अनुपात एअर इंडिया, के रूप में कदम 6.4.3.2 और 6.4.3.5 की गणना ।
      4. आकार क्षणों३७,३८एमआई पीआईकी गणना । OpenCV19 लाइब्रेरी से फ़ंक्शन क्षणों का उपयोग करें ( अनुपूरक फ़ाइल 2में स्क्रिप्ट देखें).
      5. निंन मापदंड का उपयोग कर टैग को शामिल करने के लिए एक उंमीदवार के रूप में ROIs का एक कम सेट का चयन करें ।
        1. यदि hi १५०.० से कम है या ५००.०से अधिक है की जांच करें । यदि हां, तो रॉय Piछोड़ें । अंयथा, Pi टैग स्थान के लिए एक उंमीदवार रॉय के रूप में रखें ।
        2. यदि एअर इंडिया से कम ०.५ या १.५से अधिक है की जाँच करें । यदि हां, तो रॉय Piछोड़ें । अंयथा, Pi पशु स्थान के लिए एक उंमीदवार रॉय के रूप में रखें ।
        3. यदि mi ०.३से अधिक है की जाँच करें । यदि हां, तो रॉय Piछोड़ें । अंयथा, Pi पशु स्थान के लिए एक उंमीदवार रॉय के रूप में रखें ।
    6. टैग रोइस वर्गीकृत । लगभग एक बहुभुज३९ OpenCV19 फ़ंक्शन३८ प्रत्येक चयनित ROI Pi19के लिए उपयोग कर रहा है ।
      1. जांच करें कि क्या संरा बहुभुज में ठीक तीन वर्टेक्स हैं; त्रिभुज वर्ग के लिए टैग असाइन करें । अंयथा, वृत्त वर्ग को टैग क्षेत्र असाइन करें ।
        नोट: संनिकतित बहुभुज वर्टेक्स के साथ एक मैट्रिक्स का उपयोग कर संग्रहीत किया जाता है ।
      2. रॉय Piके केंद्रीय पिक्सेल की जांच करें । यदि यह एक काला पिक्सेल है, तो छिपे वर्ग को Pi असाइन करें । अंयथा, Pi श्वेत वर्ग को असाइन करें ।
        नोट: आकृति केंद्र चरण 6.4.5.4 में परिकलित क्षणों से मुजे है । केंद्र के चारों ओर एक 4 पिक्सेल त्रिज्या के एक क्षेत्र में काले पिक्सेल खोजें ।
  5. फ़्रेम डेटा सहेजें: फ़्रेम दिनांक, फ़्रेम समय, आकृति वर्ग, x केंद्र आकृति निर्देशांक, और y केंद्र आकृति निर्देशांक ।
  6. अगली फ़्रेम के साथ जारी रखें या प्रक्रिया समाप्त । कार्य स्क्रिप्ट चरणों का एक दृश्य उदाहरण के रूप में नीचे चित्रा 5 देखें और स्क्रिप्ट के कामकाज का एक उदाहरण के रूप में वीडियो 1 देखो ।

Figure 5
चित्रा 5 : वीडियो-प्रोसेसिंग स्क्रिप्ट के प्रासंगिक कदम । (1) पिछले १०० फ्रेम के माध्य से अधिक पृष्ठभूमि घटाव प्रस्ताव का मूल्यांकन । (2) पृष्ठभूमि घटाव एल्गोरिथ्म का परिणाम है । (3) सफेद-पता लगाए गए क्षेत्रों के लिए एक फैलते रूपात्मक आपरेशन लागू करें । (4) फिक्स, स्थैतिक, मुख्य रॉय लागू करें; पीले बहुभुज नीचे टैंक क्षेत्र से मेल खाती है । (5) मुख्य रॉय में प्रत्येक सफेद-पाया क्षेत्र के लिए आकृति की गणना और प्रत्येक का पता लगाया समोच्च के लिए एक संरचनात्मक विश्लेषण करते हैं । (6) संरचनात्मक संपत्ति मूल्यों की जांच करें और फिर, द्वितीय स्तर रॉय उंमीदवारों का चयन करें । (7) एक ओटस् थ्रेसकी एल्गोरिथ्म का उपयोग करके फ़्रेम को द्वि-निर्धारित करना; स्क्रिप्ट केवल दूसरे स्तर के रोइस के साथ काम करता है । (8) प्रत्येक binarized द्वितीय स्तर रॉय के लिए, सफेद क्षेत्रों की आकृति की गणना और प्रत्येक का पता लगाया समोच्च के लिए एक संरचनात्मक विश्लेषण करते हैं । (9) संरचनात्मक संपत्ति मूल्यों की जांच करें और फिर आंतरिक रॉय उंमीदवारों का चयन करता है । (10) आंतरिक रॉय उंमीदवार में प्रत्येक समोच्च के लिए, वर्णनकर्ता/क्षणों की गणना । (11) की जांच करें अगर पता लगाया आकार मॉडल आकार के साथ मेल खाता है और सबसे अच्छा मैच उंमीदवारों के लिए एक बहुभुज लगभग । (12) अनुमानित बहुभुज के वर्टेक्स की संख्या की जाँच करें और ज्यामितीय आंकड़ा निर्धारित: सर्कल या त्रिकोण. (13) चित्रा केंद्र की गणना और अगर काले पिक्सल हो जांच; यदि हां, तो यह एक छिपे आंकड़ा है । (14) फ्रेम विश्लेषण के बाद दृश्य परिणाम । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

हमने स्वचालित वीडियो विश्लेषण को मान्य करने के लिए मैन्युअल रूप से प्रयोगात्मक डेटा के सबसेट का निर्माण किया. ९९% के एक विश्वास के स्तर के साथ १,३०८ फ्रेम का एक नमूना आकार (जो सुरक्षा का एक उपाय है कि पता चलता है कि क्या नमूना सही आबादी को दर्शाता है, त्रुटि के अपने मार्जिन के भीतर) और 4% की त्रुटि का एक मार्जिन (जो कि एक प्रतिशत का वर्णन करता है कि कैसे बंद प्रतिक्रिया नमूना दिया है जनसंख्या में वास्तविक मूल्य के लिए है) बेतरतीब ढंग से चुना गया था, और ROIs की सही पहचान और प्रत्येक रॉय के भीतर टैग की सही पहचान की एक मैनुअल एनोटेशन प्रदर्शन किया गया था । ध्यान दें कि किसी एकल फ़्रेम में एक अनिर्धारित श्रेणी के भीतर रोइस की चर संख्या हो सकती है क्योंकि कुछ lobsters को बिल के अंदर छुपा दिया जा सकता है या एक ROI में दो या अधिक पशु या गलत संसूचन होते हैं ।

१,३०८ फ्रेम में जानवरों की कुल संख्या ३,८५२ (मैन्युअल रूप से एनोटेटेड रोइस) था । विधि से पता चला ३,३५४ पशु संसूचन । कुल ७०१ (21%) इन संसूचनों के झूठी सकारात्मक थे (यानी, रोइस की संख्या जहां झींगा पृष्ठभूमि के साथ उलझन में था) । गिने जाने वाले पशुओं की कुल संख्या का २,६५३ संसूचन (७९%) सही ढंग से मेल खातेथे (यानी, बार की संख्या वर्गीकरण सही ढंग से पता लगाया क्षेत्रों में एक झींगा की उपस्थिति को पहचाना; यह भी देखें चित्रा 6a, बी) । १,३०८ फ्रेम में उपस्थित कुल ३,८५२ रोइस के संबंध में, लिपि में ६९% व्यक्तियों का पता लगाता है ।

टैग का पता लगाने के बारे में, स्क्रिप्ट टैग के रूप में २,३५३ रॉय उंमीदवारों की पहचान (२,६५३ पशुओं के साथ पता लगाया क्षेत्रों के ८९%) । वर्गीकरण सफलतापूर्वक इन टैग के वर्ग टैग १,८०८ के रूप में पहचान (जिसमें उंमीदवार एक सर्कल, त्रिकोण, छिपे सर्कल, या छिपे त्रिकोण के रूप में वर्गीकृत है) और ५४५ मामलों (टैग के लिए २,३५३ रॉय उंमीदवारों के 23%) याद किया । टैग वर्गीकरण से संबंधित, १,६१९ सही ढंग से पहचाने जाते है (८९.५%, चित्रा 6f) । केवल ७० टैग जहां गलत तरीके से वर्गीकृत (३.८% त्रुटि, चित्रा 6e), और शेष ११९ (६.६%) झूठी सकारात्मक के लिए पत्राचार (आंतरिक ROIs टैग के रूप में पहचान की है कि पशु भागों, जैसे पंजे के लिए पत्राचार; चित्र 6d) ।

Figure 6
चित्रा 6 : वीडियो विश्लेषण के दौरान सबसे आम प्रयोगात्मक स्थितियों दिखा तख्ते से प्रतिनिधि विचारों । (क) गलत पशु का पता लगाने, एक पृष्ठभूमि क्षेत्र का पता चला है । (ख) पशु का गलत पता लगाना । दो जानवरों को एक साथ बंद कर रहे है और केवल एक का पता चला है । (ग) गलत पहचान का आकार । पशु (नीला आयत) का पता लगाया है, लेकिन टैग का पता नहीं है । (घ) नकली आकार का पता लगाना । दो आकृतियों का पता लगाया है, और एक पंजा है । (ङ) किसी आकृति का गलत वर्गीकरण । त्रिभुज-छिद्र के रूप में एक त्रिकोण वर्गीकृत है । (च) आदर्श स्थिति । सभी जानवरों का पता लगाया है, और टैग सही ढंग से पहचाने जाते हैं । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

वीडियो विश्लेषण पूरा होने के बाद, प्राप्त पदों (एक्स, वाई) डेटा lobsters के विभिंन व्यवहार पैटर्न का मूल्यांकन करने के लिए इस्तेमाल किया जा सकता है । उदाहरण के लिए, हम एक अंतरिक्ष अधिभोग एक धुरी के साथ दो आयामी कर्नेल घनत्व आकलन का उपयोग कर नक्शा प्लॉट-बिवरिएट सामांय कर्नेल, एक वर्ग ग्रिड४१पर मूल्यांकन किया,४२ सर्वश्रेष्ठ प्रदर्शन के साथ अनुमान स्वचालित है सांख्यिकीय एल्गोरिथ्म । एक उच्च रंग तीव्रता क्षेत्रों का प्रतिनिधित्व करता है lobsters अपने समय का एक उच्च प्रतिशत खर्च (चित्रा 7) थे । 2 वीडियो पशु ट्रैकिंग का एक दृश्य उदाहरण देता है ।

एक अंय उदाहरण lobsters के दैनिक गतिविधि लय द्वारा प्रतिनिधित्व किया है, मिलीमीटर के रूप में प्लॉट और 10 मिनट binned समय अंतराल पर कवर (चित्रा 8) । हम प्रयोग है, जो ' जानवरों पर्यावरण अनुकूलन प्रक्रिया को पत्राचार के पहले 24 एच के अनुरूप डेटा हटा दिया ।

Figure 7
चित्रा 7 : अंतरिक्ष अधिभोग नक्शा । चार्ट केवल नीचे टैंक क्षेत्र है कि पशु विस्थापन क्षेत्र है पता चलता है ( चित्रा 6में पीले बहुभुज देखें) । क्षेत्रों अलग टैग किए गए lobsters अधिक समय बिताया रंग दिखाई थे; उच्च रंग तीव्रता अधिक अधिभोग समय का मतलब है । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 8
चित्रा 8 : दैनिक गतिविधि लय lobsters मिलीमीटर के रूप में साजिश रची और 10 मिनट में शामिल समय अंतराल binned । ग्रे बैंड 12/12 प्रकाश पर अंधेरे के घंटे से संकेत मिलता है/सूर्यास्त के समय के साथ ७.०० बजे शुरू और सूर्योदय के समय से शुरू ७.०० बजे इस आंकड़े का एक बड़ा संस्करण देखने के लिए कृपया यहां क्लिक करें ।

Movie 1
वीडियो 1: एक चल रहे वीडियो विश्लेषण स्क्रिप्ट का एक उदाहरण के डेस्कटॉप रिकॉर्ड । वीडियो 2 मिनट और 27 वास्तविक समय फुटेज (३,६२५ फ्रेम) के 1 एच में दिखाता है । सूचना है कि वहां पशु और टैग misdetections और अज्ञात घटनाओं के लिए कोई त्रुटि संचय है, जबकि रिकॉर्डिंग किया जा रहा है । कृपया इस वीडियो को डाउनलोड करने के लिए यहां क्लिक करें ।

Movie 2
वीडियो 2: लोकोरेटर विश्लेषण के बाद ट्रैकिंग पशु के वीडियो। हम एक्स का इस्तेमाल किया, वाई छवि पिक्सेल वीडियो विश्लेषण से प्राप्त निर्देशांक और उंहें डेटाबेस में संग्रहीत, वीडियो विश्लेषण स्क्रिप्ट का एक उदाहरण के रूप में दर्ज वीडियो में पशु ट्रैक आकर्षित करने के लिए । अब ट्रैक, तेजी से पशु चाल और अधिक दूरी की यात्रा की । इस मामले में, वीडियो के 30 एस वास्तविक समय के 12 मिनट से मेल खाती है । कृपया इस वीडियो को डाउनलोड करने के लिए यहां क्लिक करें ।

अनुपूरक फाइल 1: कृपया इस फ़ाइल को डाउनलोड करने के लिए यहां क्लिक करें । 

Subscription Required. Please recommend JoVE to your librarian.

Discussion

प्रदर्शन और प्रतिनिधि वीडियो ट्रैकिंग प्रोटोकॉल के साथ प्राप्त परिणाम पशु व्यवहार के क्षेत्र में लागू अनुसंधान के लिए अपनी वैधता की पुष्टि की, सामाजिक मॉडुलन और coस्टेडिम जानवरों के circadian लय पर एक विशेष ध्यान के साथ । पशु का पता लगाने की क्षमता (६९%) और टैग भेदभाव की सटीकता (८९.५%) लक्षित प्रजातियों के व्यवहार विशेषताओं के साथ युग्मित (यानी, आंदोलन दर) यहां का सुझाव है कि इस प्रोटोकॉल लंबी अवधि के प्रयोगात्मक परीक्षणों के लिए एक सही समाधान है (जैसे, दिन और सप्ताह) । इसके अलावा, प्रोटोकॉल का उपयोग करने के लिए आसान होने का बुनियादी लाभ प्रदान करता है और अपने विकास और अनुकूलन में तेजी से इस तरह के स्वत: सीखने एल्गोरिदम और तंत्रिका नेटवर्क४३के रूप में अंय तकनीकों के संबंध में । ट्रैकिंग तकनीक यहां इस्तेमाल एक प्रयोगात्मक गतिविधि के अंतिम शोधन का प्रतिनिधित्व एक अलग दृष्टिकोण४४के साथ शुरू कर दिया ।

प्रोटोकॉल में एक महत्वपूर्ण कदम टैग डिजाइन है; यह विचार किया जाना चाहिए कि अंय टैग डिजाइन के कार्यांवयन ओत्सु binarization के प्रदर्शन में सुधार सकता है । उदाहरण के लिए, त्रुटि के स्रोतों में से एक यहां टैग और सफेद आंतरिक ज्यामितीय रूप में काले बाहर सर्कल के बीच misdetection था (इस त्रुटि का विस्तार के साथ एक binarized फ्रेम के साथ 9 चित्र देखें) । यह binarization प्रक्रिया में सुधार संभव है, सफेद आंतरिक ज्यामितीय रूप से बाहर काले वृत्त के व्यास (2-3 मिमी) में वृद्धि, या टैग रंग गमागमन (सफेद/ हम छवि की तरह रूपात्मक कार्यों के उपयोग पर विचार नहीं इरोड या फैली हुई है जब इस त्रुटि को सही करने की कोशिश कर रहा, यह देखते हुए कि इन आपरेशनों टैग imaged के संरचनात्मक गुणों को संशोधित, जा रहा है, इसलिए संभव नहीं की दहलीज मूल्यों को बनाए रखने के लिए स्क्रिप्ट. अंत में, यह लक्ष्य पशु प्रजातियों एनाटॉमी के लिए टैग डिजाइन अनुकूलन के लिए सलाह दी जाती है । कि स्क्रिप्ट थ्रेशोल्ड मूल्यों और नए डिजाइन के अनुसार संरचनात्मक गुणों का समायोजन शामिल होगा ।

Figure 9
चित्र 9 : फ़्रेम बिन्तीकरण त्रुटियों का विवरण । लाल वृत्त दिखाता है कि lobsters और टैग्स किसी अनंय ऑब्जेक्ट के रूप में कैसे पहचाने जाते हैं । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

त्रुटियों का सबसे अधिक प्रासंगिक स्रोत रोइस (दोनों बाहरी और आंतरिक) की चूक का पता लगाने गया था । वीडियो विश्लेषण स्क्रिप्ट यहां प्रस्तुत व्यक्तियों का ट्रैक रखने के लिए सक्षम नहीं है कि अभी भी कर रहे है या १०० फ्रेम से अधिक अवधि के लिए छिपा हुआ (फ्रेम की संख्या है कि पृष्ठभूमि इतिहास के रूप में रख स्क्रिप्ट) । इस के साथ समस्याओं से बचने के लिए, हम एक व्यक्ति की अंतिम स्थिति जब तक यह फिर से पता चला है संग्रहीत । यह पैरामीटर गुम स्थिर या छुपे हुए जानवरों के परिणामों को प्रभावित हो सकता है । इस तथ्य को ध्यान में रखा जाना चाहिए जब प्रजातियों के साथ इस प्रोटोकॉल का उपयोग करने वाले lobsters के लिए यहां प्रस्तुत की तुलना में अलग गतिशीलता दर दिखा । वीडियो फ्रेम दर और विश्लेषण स्क्रिप्ट संशोधित किया जाना चाहिए और अपनी विशिष्ट व्यवहार के अनुसार इस्तेमाल प्रजातियों के लिए समायोजित ।

एक प्रमुख चुनौती के लिए एक एकवर्णी नीले (४७२ एनएम) और IR (८५० एनएम) रोशनी प्राप्त करने के लिए रेटिना क्षति की संभावना से बचने और पशुओं के निवास स्थान23,४५प्रकाश पर्यावरण की स्थिति को समायोजित किया गया । इसलिए, वीडियो रिकॉर्डिंग में रंग घटक प्रासंगिक नहीं है और वीडियो रिकॉर्डिंग ग्रेस्केल में किया गया । प्रणाली का प्रस्ताव अलग प्रकाश समय अवधि कार्यक्रम के लिए अनुमति देता है और एलईडी प्रकाश स्पेक्ट्रम बदलने के लक्ष्य ' प्रजातियों विशेषताओं के अनुसार रोशनी प्रणाली को संशोधित करता है । यहां प्रस्तुत प्रोटोकॉल में विचार करने के लिए एक और अनुकूलन लक्ष्य पशु की आवाजाही दर है । इस विशिष्ट मामले के लिए, फ्रेम दर का इस्तेमाल किया 1 फ्रेम प्रति सेकंड था, के बारे में 1 एच की वीडियो फ़ाइलों का उत्पादन 24 प्रायोगिक रिकॉर्डिंग के एच के अनुरूप लंबाई । इन दो अनुकूलनों (ग्रेस्केल और फ़्रेम दर) ने हमें एक कम आकार के साथ वीडियो फ़ाइलें प्राप्त करने की अनुमति दी है जो साथ काम करने में आसान थी और ट्रैकिंग के लिए संग्रहण क्षमता और मशीन का समय कम था ।

वर्णित विधि की एक सीमा है कि यह केवल यहां प्रस्तुत प्रजातियों के साथ परीक्षण किया गया है; हालांकि, वहां कोई विशेष अंय प्रजातियों है कि पहचान टैग के ले जाने की अनुमति के लिए इस प्रोटोकॉल के आवेदन के विषय में कारण हैं । एक और महत्वपूर्ण सीमा यह है कि प्रोटोकॉल के लिए पशु परिशिष्ट (जैसे, chelae) की गतिविधियों को ट्रैक करने के लिए अनुकूल नहीं है । उदाहरण के लिए, decapod क्रस्टेसियंस conspecifics के बीच प्रभुत्व प्रदर्शित करने के लिए चेलाए आंदोलनों का उपयोग करें । भविष्य implementations इस पहलू में सुधार लाने के उद्देश्य से कर रहे हैं ।

प्रस्तावित प्रोटोकॉल पिछले मौजूदा वाणिज्यिक सॉफ्टवेयर४६ और प्रकाशित विधियों swistrack और idtracker7,४७जैसा दिखता है । वाणिज्यिक सॉफ्टवेयर४६ का उपयोग करता है पृष्ठभूमि घटाव जानवरों का पता लगाने के लिए, लिपियों के समान यहां प्रस्तुत किया । हालांकि यह आवेदनों की एक व्यापक स्पेक्ट्रम को शामिल किया गया है, यह एक वाणिज्यिक व्याख्या कार्यक्रम भाषा४८, जो एक खुला स्रोत समाधान नहीं है और आर्थिक रूप से महंगा है का उपयोग कर क्रमादेशित है । SwisTrack४७ विधि OpenCV19 लाइब्रेरी का उपयोग करता है, इसी तरह यहाँ प्रस्तुत दृष्टिकोण करने के लिए. फिर भी, यह C++ में कोडेड है । हम अजगर कोड है, जो आम तौर पर आसान प्रत्येक वातावरण की विशेष जरूरतों के लिए अनुकूल है इस्तेमाल किया । 7 idtracker एक मजबूत दृष्टिकोण एक वाणिज्यिक व्याख्या कार्यक्रम भाषा४८ में कोडित लेकिन लक्ष्य nonmarked पशु अनुप्रयोगों है । ट्रैकिंग के सही परिणाम समझौता किया जा सकता है जब जानवरों के समय की एक लंबी अवधि के लिए अधिधारित रहे है के रूप में प्रयोगात्मक यहां प्रस्तुत की स्थितियों में होता है । यहां प्रस्तुत विधि प्रत्येक फ्रेम स्वतंत्र रूप से संसाधित करता है और पशु के पिछले प्रक्षेपवक्र से प्रभावित नहीं है । इसलिए, एक विशिष्ट फ़्रेम में कोई त्रुटि भविष्य फ़्रेम के लिए प्रोपेगेट नहीं है । इस तथ्य को भी इस आवेदन में प्रासंगिक है, लेकिन यहां तक कि जानवरों का एक विशिष्ट सेट करने के लिए प्रस्तुत विधि बाधाओं (मैनुअल टैगिंग की अनुमति उन है कि).

एक और पहलू पर विचार करने के लिए है कि हम प्रोटोकॉल के विकास के दौरान मुफ्त सॉफ्टवेयर का इस्तेमाल किया है, postprocessing और वीडियो विश्लेषण स्क्रिप्ट द्वारा उत्पंन डेटा के भंडारण सहित, के रूप में के रूप में अच्छी तरह से प्रकाश व्यवस्था को नियंत्रित करने के लिए इस्तेमाल कोड । संसाधित डेटा एक मुक्त संबंधपरक डेटाबेस प्रणाली (MySQL) में जमा हो जाती है । ये संसाधित डेटा मानक क्वेरी भाषा (SQL) में क्वेरीज़ के माध्यम से वांछित स्वरूप के अनुसार प्राप्त किया जा सकता है । पाठक संशोधित और प्रस्तावित खुले कोड को अनुकूलित कर सकते है और स्वतंत्र रूप से यह विशेष जरूरतों के लिए अनुकूल ।

विधि विषाक्तता के संबंध में, केवल नाजुक कदम जानवर के लिए टैग की gluing है । हम अपने कम विषाक्तता के कारण cyanoacrylate गोंद का इस्तेमाल किया, इसकी व्यापक चिकित्सा का उपयोग४९, और अपने फै्रगिंग कोरल के लिए aquaria में व्यापक उपयोग और गोंद५०के साथ टुकड़े फिक्सिंग । इसके उपयोग के बारे में प्रमुख चिंता मनुष्य के लिए वाष्प विषाक्तता है. हमने न्यूनतम के लिए प्रदर्शनी को कम कर दिया । स्वास्थ्य और सुरक्षा कार्यकारी और संयुक्त राज्य अमेरिका के राष्ट्रीय विष विज्ञान कार्यक्रम निष्कर्ष निकाला है कि एथिल cyanoacrylate का उपयोग५१सुरक्षित है ।

इस प्रोटोकॉल के भविष्य के अनुप्रयोगों के अंय व्यवहार का पता लगाने के स्वचालन है बिलकारी क्रस्टेसियंस (जैसे, झगड़े, बिल प्रभुत्व) । हम भी एल्गोरिथ्म में सुधार करने के लिए वास्तविक समय वीडियो विश्लेषण प्राप्त करने के लिए और उन्नत पशु का पता लगाने के लिए Convolutional तंत्रिका नेटवर्क५२ का उपयोग करने की योजना है ।

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

लेखकों का खुलासा करने के लिए कुछ नहीं है ।

Acknowledgments

लेखक डॉ जोआन बी कंपनी है कि इस काम के प्रकाशन वित्त पोषित के लिए आभारी हैं । इसके अलावा, लेखक प्रयोगात्मक कार्य के दौरान उनकी मदद के लिए बार्सिलोना में समुद्री विज्ञान संस्थान (ICM-CSIC) में प्रयोगात्मक मछलीघर क्षेत्र के तकनीशियनों के आभारी हैं ।

इस काम के द्वारा समर्थित किया गया RITFIM परियोजना (CTM2010-16274; प्रमुख अन्वेषक: जे Aguzzi) स्पेनिश विज्ञान और नवाचार मंत्रालय (MICINN) द्वारा स्थापित, और TIN2015-66951-C2-2-आर अनुदान स्पेनी अर्थव्यवस्था और प्रतिस्पर्धात्मकता मंत्रालय से ।

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

पर्यावरण विज्ञान १४६ मुद्दा OpenCV अजगर वीडियो विश्लेषण अंतरिक्ष अधिभोग दैनिक गतिविधि लय ट्रैकिंग
Coस्टेडिम जलीय जानवरों की लंबी अवधि के वीडियो ट्रैकिंग: नॉर्वे लॉबस्टर के दैनिक चलन गतिविधि का एक मामला अध्ययन (<em>नेफ्रोप्स 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