Waiting
Login processing...

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

Environment

Långsiktiga Video spårning av Cohoused vattenlevande djur: en fallstudie av den daglig rörelseaktivitet på havskräfta (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

Här presenterar vi ett protokoll för att individuellt spåra djur över en lång tidsperiod. Den använder datorseende metoder för att identifiera en uppsättning manuellt byggyta Taggar med hjälp av en grupp av hummer som fallstudie, samtidigt ger information om hur man hus, manipulera och markera hummer.

Abstract

Vi presenterar ett protokoll som relaterade till en video-tracking-teknik utifrån bakgrunden subtraktion och bild tröskelvärde som gör det möjligt att individuellt spåra cohoused djur. Vi testade rutinen spårning med fyra cohoused havskräftor (Nephrops norvegicus) ljus-mörker villkor under 5 dagar. Hummer hade märkts individuellt. Den experimentella setup och de spårning tekniker som används är helt baserad på öppen källkod. Jämförelse av spårning utdata med en manuell identifiering antyder att hummer var korrekt upptäckt 69% av gånger. Bland korrekt identifierade hummer, deras enskilda Taggar var korrekt identifierade 89,5% av gånger. Med tanke på den bildhastighet som används i protokollet och andelen rörelse av hummer, prestanda för video spårning har en god kvalitet, och de representativa resultat stöder giltigheten av protokollet i producerar värdefulla data för forskningsbehov (individuell utrymme beläggning eller rörelseaktivitet mönster). Det protokoll som presenteras här kan enkelt anpassas och är därför överlåtbara till andra arter där enskilda spårning av prover i en grupp kan vara värdefulla för att besvara forskningsfrågor.

Introduction

Under de senaste åren, har automatiserade image-baserad spårning lämnat mycket noggranna datamängder som kan användas för att utforska grundläggande frågor i ekologi och beteende discipliner1. Dessa datamängder kan användas för kvantitativ analys av djurens beteende2,3. Varje bild-metod som används för att spåra djur och beteende utvärdering har dock sina styrkor och begränsningar. I image-baserad spårning protokoll som använder spatial information från föregående bildrutor i en film för att spåra djur4,5,6, kan fel införas när sökvägarna för två djur korsa. Dessa fel är vanligen oåterkalleliga och spridits genom tid. Trots computational framsteg som minskar eller nästan eliminera detta problem5,7, behöver dessa tekniker fortfarande homogen experimentella miljöer för korrekt identifiering och spårning.

Anställning av märken som kan identifieras unikt djur undviker dessa fel och tillåter långsiktiga spårning av identifierade individer. Allmänt använda markörer (t.ex., streckkoder och QR-koder) finns i industri- och handelskammare och kan identifieras med hjälp av välkända dator vision tekniker, såsom augmented reality (t.ex. ARTag8) och kamerakalibrering (t.ex., CALTag9 ). Taggad djur har tidigare använts för hög genomströmning beteendevetenskapliga studier i olika djurarter, för exempel, myror3 eller bin10, men några av dessa tidigare system inte är optimerad för att erkänna isolerade Taggar3.

Spårning protokollet presenteras i denna uppsats är speciellt lämplig för att spåra djur i en kanal bildspråk, såsom infraröd (IR) ljus eller monokromatiskt ljus (särskilt, vi använder blått ljus). Därför använder inte metoden utvecklats färg cues, som också gäller för andra inställningar där det finns begränsningar i belysningen. Dessutom använder vi anpassade taggar utformade så att störa hummer och samtidigt tillåta inspelning med billiga kameror. Dessutom den metod som används här är baserad på ram-oberoende tag upptäckt (i.e., algoritmen erkänner förekomsten av varje tagg i bilden oavsett tidigare trajectoriesen). Denna funktion är relevanta i applikationer där djur kan vara tillfälligt ockluderas eller djurens banor kan överlappa.

Tag designen tillåter dess användning i olika grupper av djur. När parametrarna för metoden är inställda, kan det överföras för att ta itu med andra djur-tracking problem utan att behöva utbildning en specifik klassificerare (andra kräftdjur eller snäckor). De viktigaste begränsningarna exporterande protokollet är storleken på etiketten och behovet för fastsättning på djuret (vilket gör den inte lämplig för små insekter, såsom flugor, bin, etc.) och 2D antagandet för djurens förflyttning. Denna begränsning är betydande, eftersom den föreslagna metoden förutsätter tagg storlek förblir konstant. Ett djur som rör sig fritt i en 3D-miljö (t.ex. fisk) skulle visa olika tag storlekar beroende på avstånd till kameran.

Syftet med detta protokoll är att tillhandahålla en användarvänlig metod för att spåra flera märkta djur under en lång tid (dagar eller veckor) i ett 2D sammanhang. Metoden som är baserad på användning av öppen programvara och maskinvara. Fri och öppen källa mjukvaran tillåter anpassningar, ändringar och gratis omfördelning; Därför förbättrar genererade programvaran varje steg11,12.

Protokollet presenteras här fokuserar på ett laboratorium att spåra och utvärdera rörelseaktivitet fyra vattenlevande djur i en tank för 5 dagar. Videofiler inspelade från en 1 s time-lapse image och sammanställas i en video på 20 bildrutor per sekund (1 inspelade dag upptar cirka 1 h video). Alla videoinspelningar är automatiskt postprocessed att erhålla djurens positioner, tillämpa dator vision metoder och algoritmer. Protokollet tillåter att få stora mängder spåra data, undvika deras manuell anteckning, som har visat sig vara tidskrävande och mödosam i tidigare experimentella papper13.

Vi använder havskräfta (Nephrops norvegicus) för fallstudien; Således, vi tillhandahåller artspecifika laboratorieförhållanden att upprätthålla dem. Humrar utföra väl studerat håla uppkomsten rytmer som är under kontroll av dygnsrytm klockan14,15, och när cohoused, de bildar dominans hierarki16,17. Därför, den modell som presenteras här är ett bra exempel för forskares sociala moduleringen av beteende med särskilt fokus på dygnsrytmen.

Metoden presenteras här återges enkelt och kan tillämpas på andra arter om det finns en möjlighet att skilja mellan djur med enskilda Taggar. Minimikraven för att återge en sådan strategi i laboratoriet är (i) isotermiska rum för experimentell inställningar; (ii) en kontinuerlig vattenförsörjning; (iii) vatten temperatur kontrollmekanismer; (iv) ett system för ljusstyrning. (v) en USB-kamera och en vanlig dator.

I detta protokoll använder vi Python18 och OpenCV19 (öppen källkod dator Vision Library). Vi förlitar oss på snabb och allmänt tillämpade åtgärder (både när det gäller genomförande), såsom bakgrund subtraktion20 och bild tröskelvärde21,22.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

De arter som används i denna studie är inte en utrotningshotade eller skyddade arter. Provtagning och laboratorie experiment följde spanska lagstiftningen och interna institutionella (ICM-CSIC) föreskrifter om djurskydd. Djur provtagning utfördes med tillstånd av den lokala myndigheten (regionala regeringen i Katalonien).

1. animaliskt underhåll och provtagning

Obs: Följande protokoll är baserad på antagandet att forskare kan provet N. norvegicus i fältet under natten för att undvika att skada de fotoreceptorer23. Subst. norvegicus exponering för solljus måste undvikas. Efter provtagningen, hummer ska inrymmas i en acklimatisering anläggning liknande den som rapporterat om tidigare17,24, med ett kontinuerligt flöde av kallt havsvatten (13 ° C). De djur som används i denna studie är män på intermoult staten med en framkroppen längd (CL; medelvärde ± SD) av 43.92 ± 2,08 mm (N = 4).

  1. Hålla individerna i isolerade fack att undvika skador på grund av individuella slagsmål (se figur 1a-d).
  2. Mata dem ca 3 x per vecka vid slumpmässiga tidpunkter inte störa dygnsrytmen.
    Obs: I detta experiment användes musslor (cirka 4 g per hummer) som mat. Musslor köptes från fryst mat leverantörer och var lämpliga för konsumtion.
  3. Använd blått ljus (425-515 nm) för att simulera ljus timmar enligt spektrala känslighet arter25 och miljöförhållanden på 400 m djup26 (se figur 1 c,d).
    Obs: Anläggningen används här har en vertikal tak på två blå (478 nm) lysrör som producerade en ljusintensitet 12 lx på 1 m avstånd från lamporna. Se figur 1a för taket lyktor position och se Tabell av material för tillverkarens och tekniska lampor egenskaper.
  4. Justera fotoperiod i anläggningen acklimatisering till 12/12 ljus/mörker timmar eller simulera naturlig fotoperiod av den lokala friheten.
  5. Reglera anläggning temperaturen till 13 ° C och övervaka 2 x dagligen för att kontrollera temperaturen i det inflowing havsvattnet är runt 13 ° C (se figur 1e).
  6. Reglera inflödet av havsvatten med en hastighet av ca 4 L/min att upprätthålla god syresättning.
    Obs: Havsvatten cirkulerar i en öppen krets (inga filter och extra pumpar används). Vattenförsörjningen är beroende av de huvudsakliga akvarium anläggning tjänsterna.

Figure 1
Figur 1 : Anläggning acklimatisering visningar. (en) Tank hyllor. (a1) Havsvatten ingång. (a2) Fluorescerande taklampor. (b), detalj av blått ljus belysning. (c) djur cell detalj. (d) detalj av en isolerad anläggning kontrollpanel. (e), temperaturen inställningen för en av ingångarna. Klicka här för att se en större version av denna siffra.

2. taggens konstruktion

Obs: Etiketten används här kan ändras enligt egenskaperna hos djurart eller andra specifika överväganden.

  1. Skär fyra cirklar på 40 mm i diameter från en svart plastfolie.
  2. Klipp från en vit PVC plast ark två liksidiga trianglar med 26 mm sidor.
  3. Klipp från en vit PVC plast ark två cirklar av 26 mm i diameter.
  4. Markera mitten av de vita trianglar och cirklar och göra ett 10 mm hål i den.
  5. Limma de fyra vita formerna till mitten av de fyra svarta ringar.

Figure 2
Figur 2 : Fyra taggarna används för de enskilda taggning av hummer. Cirkel, cirkel-hål, triangel, triangel-hål. Klicka här för att se en större version av denna siffra.

3. experimentellt ställa in

Obs: Den experimentella arenan är tänkt för att vara i en experimentell kammare oberoende från men i närheten av anläggningen acklimatisering.

  1. Ställa in en experimentell kammare där lufttemperaturen kan kontrolleras och underhålls på samma temperatur som havsvattnet i experimentella arena.
  2. Ändra en glasfiber tank (1500 x 700 x 300 mm) att användas som en experimentell arena. Lägga till fyra hålor med flexibel PVC-rör vid botten av tanken och piska sanden på ytan där hummer ska flytta (figur 3b– e). För mer information, se17,27.
    1. Ger den experimentella arenan med submergible blå lysdioder (472 nm, simulera ljus timmar) och IR-lysdioder (850 nm, mörka förhållanden) (se även figur 3a)17,24.
      Obs: LED-ljus används på grund av effekterna på låg värme och tillgång till användbara elektronisk kontroll och fri hårdvara. En isolerad anläggning med en miljö- och havsvatten temperatur på 13 ± 0,5 ° C användes.
    2. Håll alltid IR LEDs påslagen.
      Obs: IR som behövs för att videoinspelning i mörka förhållanden och ljusförhållanden. Det är inte nödvändigt att stänga av den.
    3. Anslut de blå lysdioderna med utrustning för att hantera fotoperiod. Se förslag i Tabell för materialoch för mer information, konsultera Sbragaglia et al. 17 (som också visas i figur 3a).
      Obs: Belysning i video - eller bild-automatiserade analyser är en kritisk faktor. Regelbundna belysning utan skuggor över hela arenan att undvika vatten ytan reflektioner underlättar bakre video eller bildanalys. I samband med detta protokoll användes endast 12/12 ljus/mörker villkor. Ljus och mörker uppnåddes gradvis inom 30 min, och ett ljus-controller skript läggs som kompletterande fil 1.
    4. Placera kylt havsvatten inloppet i ena hörnet av tanken och motsvarande outlet på det motsatta hörnet.
    5. Reglera ingången havsvatten med en flödeshastighet av cirka 4 L/min.
    6. Omge tanken med en svart gardin för att ge en fullständig isolering från andra ljus (figur 3a).
  3. Placera stativ där webbkameran är fast vid sidan av experimentella arena och position videokameran ovan (130 cm) och i mitten av den experimentella arenan (75 x 32,5 cm (se figur 3a).
  4. Kontrollera om videokameran är i den centrerade positionen (se steg 3.3) för att se till att det inte har flyttats ofrivilligt.
  5. Anslut webbkameran till en dator som är placerad utanför gardinen (figur 3a).
    1. Installera programvaran för att hantera time-lapse inspelningen med videokameran.
      Obs: Time-lapse inspelningar är beroende av rörelsens hastighet av arten. Se även Tabell av material för kameran, fisheye-objektiv, PC, och programvaruegenskaper och tillverkare som används här.
    2. Justera parametrarna för videoinspelning enligt egenskaperna hos arten.
      Obs: Med tanke på rörlighet andelen N. norvegicus, en 1 s time-lapse recording användes här, och videon sparades varje 24 h.
    3. Se till att skapa en tidsstämpel (inklusive datum) i time-lapse video (som detta kan hjälpa för framtida manuell poängsättning av beteendet).

Figure 3
Figur 3 : Experimentell setup. (en) Diagram av monteringen av den experimentella tank och video förvärv. (b) allmänna uppfattningen av den experimentella tanken. (c), nedre bild av den experimentella tank, som anger de konstgjorda hålor. (d), Top Visa, visar botten av den experimentella tanken. (e) detalj av en av håla entréer. Klicka här för att se en större version av denna siffra.

4. experimentellt försöket och djur förberedelse

Obs: Alla steg med djur måste göras i anläggningen acklimatisering och rött ljus villkor enligt den spektrala känsligheten av Norge hummer25. När du flyttar djur mellan acklimatisering och experimentanläggning, Undvik all exponering av hummer för ljus, med en ogenomskinlig svart väska för att täcka icebox.

  1. Förbereda en icebox tidigare separerade i fyra nedsänkt fack med vatten vid ca 7 ° C.
  2. Förbereda de fyra taggarna tidigare konstruerade och snabb lim, som cyanoakrylat.
  3. Förbered en bricka med krossad is.
  4. Välj fyra hummer att vara Taggad i anläggningen acklimatisering och sätta dem i ett fack för icebox.
  5. Vänta 30 min och sedan börja tagga förfarandet.
    1. Ta en hummer och lägga den på krossade isen för 5 min att immobilisera det och underlätta taggning operationen.
    2. Torka den övre delen av Hummers framkroppen med adsorptive papper och sätta en droppe snabb lim på den.
    3. Placera etiketten vågrätt ovanpå djurets framkroppen, kontakt med limmet, och vänta tillräckligt tid för att härda (för ca 20 s).
    4. Återgå hummer till facket i icebox och fortsätt med de andra tre djur på samma sätt.
    5. Sätta hummer tillbaka i cellen var de tidigare och vänta 24 h vara säker på att etiketten är ordentligt limmade på.
    6. Överföra hummer från anläggningen acklimatisering till den experimentella avdelningen använder den samma icebox som användes för taggning förfarandet.
  6. Starta videoinspelningen och vänta 5 min innan införs märkta hummer. Skaffa en i genomsnitt bakgrundsbild från de första 100 bildrutorna.
    Obs: Vänta minst 1 min är obligatoriskt att få bakgrunden ramar utan märkta hummer; de behövs för video-bearbetning.
  7. Införa djuren en efter en i experimenterande tanken släpper sina respektive fack, att hålla vattnet i den.
  8. Vänta för dem att få ut; om de inte kommer, hjälpa dem försiktigt genom att luta i facket. Se figur 4 som exempel på djuren inuti tanken under experimentella förhållanden.

Figure 4
Figur 4 : Raw videobildruta. Ett exempel på en representativ ram från en av de time-lapse videorna som samlats in under experimenten. På det övre högra hörnet visar vi den tidsstämpeln med datum, tid och ram. Upptäcka skillnader i tank belysningen i bildens nedre hörn. Klicka här för att se en större version av denna siffra.

5. video analys Script

  1. Utför analysen efter slutförandet av experimentet.
    1. Starta skriptet dator vision för videoanalys.
    2. Starta Javaprogram för att beräkna de positioner och avstånd omfattas av hummer och infoga data i databasen.
      Obs: Detta program är ett Euklidiskt avstånd-baserade algoritmen28.
    3. Starta SQL-skript för att binning data som önskat tidsintervall (ex. 10 min).

6. dator Vision skript för videoanalys

Obs: Skriptet undviker fisheye bildkorrigering eftersom det inte införa ett relevant fel i experimentell setup. Det är dock möjligt att korrigera detta med OpenCV kameran kalibrering funktioner29 baserat på vektor och matris rotation metoder30,31.

  1. Välj Python18 program språk.
  2. Välj OpenCV19 bild och video bearbetning bibliotek.
  3. Läsa in en video.
    Obs: Videoformat AVI- eller . MP4 användes i detta experiment, men detta är inte obligatoriskt. Det beror på den FourCC32 codecs installerade i operativsystemet.
  4. Utför följande steg för varje bildruta Fi i videon.
    1. Subtrahera bakgrunden20B (medelvärde av de senaste 100 ramar, erhålls från steg 4,6) från nuvarande ram Fioch uppdaterar bakgrundsbilden B som Fi. Använd funktionen BackgroundSubtractorMOG2 från OpenCV19 biblioteket (se skript i den kompletterande fil 2).
    2. Bestämma uppsättningen regioner av intresse (ROIs) R från pixlarna med relevant rörelse indikeras av den bakgrunden subtractor. Använd den metod tillämpningen från BackgroundSubtractorMOG2 i OpenCV19 biblioteket (se skript i den kompletterande fil 2). I set, inkludera djur upptäckterna från föregående bildruta, att ta in i konto sig djur.
    3. Utför följande steg för varje ROI Ri
      1. Applicera den dilate funktionen och beräkna de konturer33 ROI Ri. Använd funktioner vidgas och findContours från OpenCV19 biblioteket (se skript i den kompletterande fil 2).
      2. Beräkna den skrovet område34Hej i antal bildpunkter. Använda den funktionen convexHull från OpenCV19 biblioteket (se skript i den kompletterande fil 2).
      3. Beräkna radien35ri den ROI Ri. Använda den funktionen minEnclosingCircle från OpenCV19 biblioteket (se skript i den kompletterande fil 2).
      4. Beräkna soliditet si de ROI Ri. Soliditet är förhållandet mellan kontur området (erhålls i steg 6.4.3.1) till dess område konvex skrov (erhålls i steg 6.4.3.2) den Ri.
      5. Beräkna bildförhållande ai den ROI Ri. Aspect ratio är förhållandet mellan bredden och höjden av den Ri-omskrivande rektangel. Markeringsramens rektangeln beräknas med hjälp av funktionen boundingRect från OpenCV19 biblioteket.
    4. Välj en reducerad uppsättning ROIs som en kandidat att innehålla djuren, genom att justera egenskaperna för skrovet område, radie, soliditet och bildförhållande.
      1. Kontrollera om Hej är mindre än 500,0 eller större än 100000.0. I så fall kassera den ROI Ri. Annars, håll den Ri som kandidat ROI för djurens plats.
      2. Kontrollera om den ri är mindre än 40,0. I så fall kassera den ROI Ri. Annars, håll den Ri som kandidat ROI för djurens plats.
      3. Kontrollera om si är mindre än -4,0 kassera den ROI Ri. Annars, håll den Ri som kandidat ROI för djurens plats.
      4. Kontrollera om ai är mindre än 0,15 eller större än 4.0. Är så, släng den ROI Ri. Annars, håll den Ri som kandidat ROI för djurens plats.
        Obs: Användningen av ROIs minskar den computational kostnad, fokuserar den tag Sök på djurets kropp region. Djur upptäckter från föregående bildrutor ingår att undvika fel upptäckter när djuren inte flyttar.
    5. Analysera djuret ROIs att bestämma taggen identiteter. Utföra de följande steg för varje ROI Ri och för varje intern ROI Pioch extrahera de interna ROIs P.
      1. Binarize gråskalebilden Pi med Otsu36 tröskelvärde algoritm.
      2. Beräkna de konturer33 Pi, som i steg 6.4.3.1.
      3. Beräkna den skrovet område34Hej och bildförhållande ai, som i steg 6.4.3.2 och 6.4.3.5.
      4. Beräkna form stunder37,38mi PI. Använda funktionen stunder från OpenCV19 biblioteket (se skript i den kompletterande fil 2).
      5. Välj en reducerad uppsättning ROIs som kandidat till innehåller taggarna, med hjälp av följande kriterier.
        1. Kontrollera om Hej är mindre än 150,0 eller större än 500,0. I så fall kassera ROI Pi. Annars, håll Pi som kandidat ROI för tag plats.
        2. Kontrollera om ai är mindre än 0,5 eller större än 1,5. I så fall kassera ROI Pi. Annars, håll Pi som kandidat ROI för djurens plats.
        3. Kontrollera om mi är större än 0,3. I så fall kassera ROI Pi. Annars, håll Pi som kandidat ROI för djurens plats.
    6. Klassificera taggen ROIs. Ungefärlig en polygon39 med det OpenCV19 funktion38 för varje vald ROI Pi19.
      1. Kontrollera om det finns exakt tre hörn i tillnärmade polygonen; tilldela etiketten till klassen triangel . Annars tilldela klassen circle regionen tagg.
        Obs: Tillnärmade polygon lagras med en matris med hörn.
      2. Kontrollera den centrala pixeln av ROI Pi. Om det är en svart pixel, Pi tilldela klassen hålad . Annars tilldela Pi vita klassen.
        Obs: Stadens form härleds från de stunder som beräknades i steg 6.4.5.4. Sök efter de svarta pixlarna i ett område med en 4-pixel radie runt centrum.
  5. Spara ramdata: frame datum, ram tid, forma klass, x center form koordinaten och y center form koordinat.
  6. Fortsätt med nästa bildruta eller avsluta processen. Se figur 5 nedan som en visuella exempel på fungerande skriptstegen och titta på Video 1 som ett exempel på skript fungerar.

Figure 5
Figur 5 : Relevanta stegen av den video-bearbetning script. (1) utvärdera förslaget bakgrund subtraktion över medelvärdet av de senaste 100 ramar. (2) resultatet av bakgrunden subtraktion algoritmen. (3) Använd en dilate morfologiska operation till områdena vit-upptäckt. (4) Apply fixa, statisk, huvudsakliga ROI; den gula polygonen motsvarar området nedre tank. (5) beräkna konturer för varje vit-upptäckt region i den huvudsakliga ROI och utföra en strukturell analys för varje upptäckta kontur. (6) kontrollera strukturella egenskapsvärden och välj sedan andranivå-ROI kandidater. (7), Binarize ramen med en Otsu tröskelvärde algoritm; skriptet fungerar endast med andra nivån ROIs. (8) för varje binarized andranivå-ROI, beräkna Regionkommittén vita konturer och utför en strukturell analys för varje upptäckta kontur. (9) kontrollera egenskapen strukturella värden och väljer sedan inre ROI kandidater. (10) för varje kontur i den interna ROI-kandidaten, beräkna de deskriptorer/stunderna. (11) kontrollera om de upptäckta form matcherna med modellen forma och approximera en polygon till de bästa match-kandidaterna. (12) kontrollera antalet vertex av ungefärliga polygonen och bestämma geometriska figuren: cirkel eller triangel. (13), beräkna siffran center och kontrollera om svarta pixlar uppstå; Om ja, är det en hålad figur. (14) visuella resultat efter ram analys. Klicka här för att se en större version av denna siffra.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Vi konstruerade manuellt en delmängd av de experimentella data att validera den automatiserade videoanalys. En stickprovsstorlek på 1.308 ramar med en konfidensnivå på 99% (vilket är ett mått på säkerhet som visar huruvida provet återspeglar befolkningens, inom dess felmarginalen) och en felmarginal på 4% (som är en procentsats som beskriver hur nära den svar provet gav är att det verkliga värdet i befolkningen) valdes slumpmässigt, och en manuell annotering av korrekt identifiering av ROIs och korrekt identifiering av taggen inom varje ROI utfördes. Observera att en enskild bildruta kan innehålla ett varierande antal ROIs inom en obestämd intervall eftersom några humrar kan döljas inuti hålor eller en ROI innehåller två eller flera djur eller falska detektioner.

Det totala antalet djur i 1.308 ramar var 3 852 (manuellt kommenterad ROIs). Metoden visade 3,354 djur upptäckter. Sammanlagt 701 (21%) av dessa upptäckter var falsklarm (dvs. antalet ROIs där hummern var förväxlas med bakgrunden). Av det totala antalet djur räknas, 2 653 upptäckter (79%) var korrekt och matchar (i.e., antalet gånger som klassificeraren korrekt erkänt förekomsten av en Hummer i identifierade regioner; se även figur 6a, b). Med avseende på de totala 3,852 ROIs närvarande i 1 308 ramar identifierar skriptet 69% av individerna.

Om taggen upptäckt identifierade skriptet 2.353 ROI kandidater som Taggar (89% 2 653 identifierade regioner med djur). Klassificeraren framgångsrikt identifierat som klass tag 1 808 av dessa taggar (i som kandidaten är klassificerad som en cirkel, triangel, hålad cirkel eller hålad triangeln) och missade 545 fall (23% av 2.353 ROI kandidaterna för etiketten). Relaterade till taggen klassificering, 1 619 är korrekt identifierade (89,5%, figur 6f). Endast 70 Taggar där felaktigt klassificerade (3,8% fel, räkna 6e), och de återstående 119 (6,6%) motsvarade falsklarm (inre ROIs identifierats som tagg som motsvarade animaliska delar, såsom klor; Figur 6 d).

Figure 6
Figur 6 : Representativa utsikt från ramar visar de vanligaste experimentella situationerna under videoanalys. (en) fel djur upptäckt, en bakgrundsområdet upptäcks. (b) djur misdetection. Två djur är nära varandra och enda upptäcks. (c), formen misdetection. Djuret är upptäckta (blå rektangel) men taggen upptäcks inte. (d), Fake form upptäckt. Två former identifieras och en är en klo. (e) felaktig klassificering av en form. En triangel är klassificerad som triangel-hål. (f), idealisk situation. Alla djur identifieras och taggarna identifieras korrekt. Klicka här för att se en större version av denna siffra.

Efter den video analysen var kan erhållna positioner (X, Y) data användas för att utvärdera olika beteendemönster av hummer. Till exempel, vi ritade en utrymme beläggning karta med tvådimensionell kärna densitet uppskattning med en axel-allierade bivariate normal kärna, utvärderas på ett rutnät41,42 med bästa prestanda är automatiserade uppskattade av de statistisk algoritm. En högre färg intensitet representerar områdena var hummer tillbringade en högre andel av sin tid (figur 7). Video 2 ger en visuell exempel på djur som spårning.

Ett annat exempel är representeras av daglig aktivitet rytmer av hummer, ritas som millimeter och täckt med 10 min kastas i papperskorgen intervall (figur 8). Vi bort de uppgifter som motsvarar de första 24 h av experimentet, som motsvarade till djurens miljö anpassningsprocessen.

Figure 7
Figur 7 : Utrymme beläggning karta. Diagrammet visar endast området nedre tank som är den animaliska förskjutningsområde (se gul polygonen i figur 6). Områdena var olika märkta hummer tillbringade mer tid visas färgade; högre färgintensitet innebär mer beläggning tid. Klicka här för att se en större version av denna siffra.

Figure 8
Figur 8 : Daglig aktivitet rytmer av hummer ritade som millimeter och täckt med 10 min kastas i papperskorgen tidsintervall. Grå band indikerar mörker på 12/12 ljus/mörker, med solnedgången tid börjar vid 7 a.m. och soluppgång tid börjar vid 19.00 vänligen klicka här för att visa en större version av denna siffra.

Movie 1
Video 1: Desktop post ett exempel på en igång video analys script. Videon visar i 2 min och 27 s 1 h av realtid footage (3.625 frames). Observera att det finns ingen fel ackumulering för djur- och tag misdetections och oidentifierade händelser medan inspelningen görs. Vänligen klicka här för att ladda ner denna video.

Movie 2
Video 2: Video av djuret spårning efter rörelseapparaten analysen. Vi använde X, Y bild bildpunktskoordinater video analysresultaten och lagrat dem i databasen, att rita djur spåret i det inspelade videor som ett exempel på skriptet videoanalys. Ju längre banan, desto snabbare djuret flyttas och mer tillryggalagd sträcka. I detta fall, 30 s video motsvarar till 12 min i realtid. Vänligen klicka här för att ladda ner denna video.

Kompletterande fil 1: Vänligen klicka här för att hämta den här filen. 

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Prestanda och representativa resultat av protokollet video-tracking bekräftade dess giltighet för tillämpad forskning inom djurens beteende, med särskilt fokus på sociala modulering och dygnsrytmen av cohoused djur. Effektiviteten i animal detection (69%) och riktigheten av taggen diskriminering (89,5%) tillsammans med de beteendemässiga egenskaperna (dvs. rörelse ränta) det målarter som används här tyder på att detta protokoll är en perfekt lösning för långsiktig experimentella studier (t.ex., dagar och veckor). Dessutom protokollet erbjuder grundläggande fördelen att vara enkel att använda och snabbare i dess utveckling och anpassning när det gäller andra tekniker, såsom automatisk inlärning algoritmer och neurala nätverk43. De spårning tekniker som används här representerar slutliga förfining av en experimentell verksamhet började med en något annorlunda strategi44.

Ett kritiskt steg i protokollet är taggen design; Det bör övervägas att genomförandet av andra taggen mönster kan förbättra prestanda för den Otsu binärisering. Till exempel en av källorna till fel rapporterade här var misdetection mellan svart utanför cirkeln i taggen och vita inre geometrisk form (se figur 9 med en binarized ram med en detalj av detta fel). Det är möjligt att förbättra binärisering processen, ökar vars diameter (2-3 mm) av den svarta cirkeln utanför den vita inre geometrisk formen, eller byta tagg färger (vit/svart). Vi anser inte att användningen av bilden morfologiska funktioner som urholkar eller vidgas när man försöker korrigera detta fel, med tanke på att dessa operationer ändra strukturella egenskaperna för taggen avbildas, att vara, därför inte möjligt att upprätthålla tröskelvärdena i det skriptet. Sammanfattningsvis, är det lämpligt att anpassa etiketten designen till målet djurarter anatomi. Det skulle innebära anpassning av tröskelvärdena skript och strukturella egenskaperna enligt den nya designen.

Figure 9
Figur 9 : Detalj av binärisering ramfel. En röd cirkel visar hur hummer och Taggar upptäcks som ett unikt objekt. Klicka här för att se en större version av denna siffra.

De mest relevanta felkällor var missade detektion av ROIs (både externa och interna). Skriptet video analys som presenteras här är inte kunna hålla reda på individer som är fortfarande eller dolda under en period som är större än 100 bildrutor (antalet ramar som skriptet behålla som bakgrundshistoria). För att undvika problem med detta, lagrat vi den sista positionen av en individ tills den upptäcks igen. Denna parameter kan påverka resultaten av saknas orörliga eller dolda djur. Detta faktum måste beaktas när du använder detta protokoll med arter som visar olika rörlighet priser än de som presenteras här för hummer. Skriptet video stomme hastighet och analys bör ändras och anpassas till de arter som används i enlighet med dess specifika beteende.

En stor utmaning var att få en monokromatisk blå (472 nm) och IR-(850 nm) belysning, för att undvika risken för skada på näthinnan och justera ljus miljöförhållandena till djurens livsmiljö23,45. Därför färgkomponenten i videoinspelning är inte relevant och videoinspelningar utfördes i gråskala. Systemet föreslår tillåter att program olika ljus tidsperioder och ändrar belysning systemet enligt det målarter egenskaper förändras lysdioder ljusspektrum. En annan anpassning att överväga i det protokoll som presenteras här är andelen rörelse på måldjuret. För detta specifika fall, bildrutehastigheten används var 1 bildruta per sekund, inspelning producerar videofiler på ca 1 h längd motsvarar 24 h av experimentella. Dessa två anpassningar (gråskala och frame rate) tillät oss att erhålla videofiler med förminskad storlek som var lätt att arbeta med och reducerade lagringskapacitet och maskintid för spårning.

En begränsning av den beskrivna metoden är att det bara har testats med de arter som presenteras här; dock finns det inga särskilda skäl rörande tillämpningen av detta protokoll till andra arter som tillåter genomförandet av identifiering taggar. En annan betydande begränsning är att protokollet inte är lämpad att spåra förflyttningar av djur bilagor (t.ex. chelae). Exempelvis använda decapod kräftdjur chelae rörelser för att Visa dominans bland artfränder. Framtida implementeringar är att förbättra denna aspekt.

Föreslagna protokollet liknar tidigare befintlig kommersiell programvara46 och publicerade metoderna SwisTrack och idTracker7,47. De kommersiella programvaror46 använder bakgrunden subtraktion för att upptäcka djur, liknar de skript som presenteras här. Även om det omfattar ett bredare spektrum av tillämpningar, är det programmerad med ett kommersiellt tolkat program språk48, som inte är en open source lösning och är ekonomiskt kostsamt. SwisTrack47 metoden använder OpenCV19 biblioteket, på samma sätt som den strategi som presenteras här. Ändå, det är kodad i C++. Vi använde Python kod, vilket är oftast lättare att anpassa sig till de särskilda behoven i varje miljö. IdTracker7 är en stark strategi kodade i ett kommersiellt tolkat program språk48 men mål nonmarked djur program. De rätta resultaten av spårning kan äventyras när djur är ockluderas under en lång tidsperiod som sker i de experimentella villkor som presenteras här. Metoden presenteras här processer varje bildruta självständigt och påverkas inte av tidigare banan för djuret. Därför ett fel i en viss bildruta inte sprids till framtida ramar. Detta faktum är relevant i denna ansökan, men också begränsningar metoden presenteras här till en specifik uppsättning djur (de som tillåter manuell taggning).

En annan aspekt att beakta är att vi har använt fri programvara under utvecklingen av protokollet, inbegripet postprocessing och lagring av data som genereras av skriptet video analys, samt den kod som används för att kontrollera belysningssystemet. Bearbetade data lagras i ett gratis relationsdatabassystem (MySQL). Dessa bearbetade data kan erhållas genom frågor i Standard Query Language (SQL) enligt önskat format. Läsaren kan ändra och anpassa den föreslagna öppna kod och fritt anpassa det efter behov.

När det gäller metoden giftighet är det bara delikat steget limning av taggen till djuret. Vi använde cyanoakrylat lim på grund av dess låga toxicitet, dess bred medicinsk användning49och dess omfattande användning i akvarier för fragging koraller och fastställande fragment med lim50. Den stora oron för dess användning är vapor giftighet för människor. Vi minskade verkstadshandboken till ett minimum. Hälso- och säkerhetsstyrelsen och USA National Toxicology Program har dragit slutsatsen att användningen av etyl cyanoakrylat är säker51.

Framtida tillämpningar av detta protokoll är automatisering av upptäckt av andra beteenden av grävande kräftdjur (slagsmål, håla dominans). Vi planerar också att förbättra algoritmen att få realtid video analys och att använda Convolutional neuronnät52 för förbättrad djur upptäckt.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna har något att avslöja.

Acknowledgments

Författarna vill tacka Dr Joan B. företaget som finansierade publiceringen av detta arbete. Även är författarna tacksam till tekniker av den experimentella akvarium zonen vid Institutet för marina vetenskaper i Barcelona (ICM-CSIC) för deras hjälp under det experimentella arbetet.

Detta arbete stöds av projektet RITFIM (CTM2010-16274; Projektledare: J. Aguzzi) grundades av det spanska ministeriet för vetenskap och Innovation (MICINN) och TIN2015-66951-C2-2-R bidraget från det spanska ministeriet för ekonomi och konkurrenskraft.

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

Miljövetenskap fråga 146 OpenCV Python videoanalys utrymme beläggning daglig aktivitet rytmer spårning
Långsiktiga Video spårning av Cohoused vattenlevande djur: en fallstudie av den daglig rörelseaktivitet på havskräfta (<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