Yöntem makalesi

Cohoused suda yaşayan hayvanların uzun süreli Video izleme: Norveç ıstakoz (Nephrops norvegicus) ve günlük Lokomotor aktivite bir vaka çalışması

6.4K görüntüleme

⸱

DOI:

10.3791/58515

⸱

8 Nisan 2019

 ,  ,  , 
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

Bu makalede

Özet

Burada tek tek hayvan uzun bir süre boyunca izlemek için bir iletişim kuralı mevcut. Vaka çalışması, aynı anda nasıl evine, bilgi veren bir grup ıstakoz kullanarak el ile oluşturulmuş etiketleri kümesini tanımlamak için yöntemleri işlemek ve ıstakoz işaretlemek bilgisayarlı görme kullanır.

Özet

Biz arka plan çıkarma ve ayrı ayrı cohoused hayvanları izlemek olanak sağlar görüntü eşik dayalı bir video izleme tekniği ile ilgili bir protokol mevcut. Dört cohoused Norveç ıstakoz (Nephrops norvegicus) ile izleme rutin 5 gün boyunca ışık-karanlık koşullarda test ettik. Istakoz tek tek etiketli. Deneysel kurulum ve izleme teknikleri kullanılan tamamen açık kaynak yazılım üzerinde temel alır. El ile algılama ile izleme çıktısının karşılaştırma ıstakoz doğru olduğunu gösterir % 69 kez algılandı. Arasında doğru bir şekilde tespit edilen ıstakoz, onların bireysel etiketleri doğru olduğunu %89,5 kez tanımlanmış. Göz önüne alındığında iletişim kuralında kullanılan kare hızı ve ıstakoz hareket hızı, video izleme performansı iyi bir kalite sahiptir ve araştırma ihtiyaçları (birey için değerli veri üretiminde protokol geçerliliğini temsilcisi sonuçları destek Uzay doluluk veya Lokomotor aktivite desen). Burada sunulan Protokolü kolayca özelleştirilebilir ve, bu nedenle, nereye örneklerin bir gruptaki bireysel izleme-ebilmek var olmak araştırma soruları yanıtlamak için değerli diğer türler için transfer edilebilir.

Giriş

Son birkaç yılda, ekoloji ve davranış disiplinleri1temel soruları keşfetmek için kullanılan son derece hassas veri kümeleri otomatik görüntü tabanlı izleme sağlamıştır. Bu veri kümeleri için kantitatif analiz hayvan davranışları2,3kullanılabilir. Ancak, her görüntü metodoloji hayvanlar ve davranış değerlendirme izlemek için kullanılan onun güçlü ve sınırlamalar vardır. İki hayvan yolları geçerken hayvanlar4,5,6izlemek için bir film önceki kare uzamsal bilgileri kullanın yansıma tabanlı izleme protokolleri içinde hatalar tanıttı olabilir. Bu hatalar genellikle geri alınamaz ve zaman içinde yaymak. Azaltan veya ortadan kaldıran neredeyse bu sorun5,7sayısal gelişmeler rağmen bu teknikler hala doğru hayvan kimlik ve izleme için homojen deneysel ortamlar gerekir.

Hayvanlarda benzersiz tanımlanabilir işaretleri istihdam bu hataları önler ve saptanan bireylerin uzun vadeli izlenmesini sağlar. Yaygın olarak kullanılan işaretleri (örneğin, barkod ve QR kodları) sanayi ve ticaret var ve tanınmış bilgisayar vizyon yöntemlerle augmented gibi tanımlanabilir gerçeklik (örneğin, ARTag8) ve kamera kalibrasyon (örneğin, CALTag9 ). İçin örnek, karıncalar3 ya da arıların10ama bazı önceki bu sistemleri izole Etiketler3tanımak için optimize edilmiş değildir tagged hayvanlar daha önce farklı hayvan türleri, yüksek üretilen iş davranış araştırmaları kullanılmıştır.

Bu raporda sunulan izleme Protokolü tek kanallı görüntüleri, kızılötesi (IR) ışık veya monokromatik ışık gibi hayvanlarda izlemek için özellikle uygundur (özellikle, mavi ışık kullanın). Bu nedenle, geliştirilen yöntem renk cues, aynı zamanda diğer ayarları geçerli olmak kullanmaz aydınlatma kısıtlamaları orada. Ayrıca, özelleştirilmiş etiketler şekilde değil ıstakoz rahatsız ve aynı zamanda düşük maliyetli kameralar ile kayda izin için tasarlanmış kullanın. Ayrıca, burada kullanılan bu yöntem çerçeve bağımsız etiket algılama üzerinde dayanır (i.e., algoritma her etiket önceki yörüngeleri ne olursa olsun görüntüdeki varlığını tanır). Uygulamaların nerede hayvanlar geçici olarak tıkandı veya hayvanların yörüngeleri kesiştiği ilgili bir özelliktir.

Etiket design hayvanlar farklı gruplar halinde kullanımı sağlar. Yönteminin parametreleri ayarladığınızda, (diğer kabuklular veya gastropodlar) belirli bir sınıflandırıcının eğitim gerek kalmadan diğer hayvan izleme sorunları çözmek için aktarılabilir. Protokol ihracat ana etiket ve eki (hangi geçici o sinekler, arılar, vb gibi küçük böcekler için uygun değildir) hayvan ihtiyacını ve hayvan hareketi için 2D varsayım boyutunu sınırlamalardır. Etiket boyutu sabit kalır önerilen yöntem varsayar göz önüne alındığında bu sınırlama, önemlidir. Bir 3D ortamda (örneğin, Balık) serbestçe hareket hayvan uzaklığı kameraya bağlı olarak farklı etiket boyutları gösterir.

Bu iletişim kuralının amacı bir uzun süre (örneğin, gün veya hafta) bir 2D içerik içinde birden çok tagged hayvanlar izlemek için kullanıcı dostu bir yöntem sağlamaktır. Metodolojik yaklaşım açık kaynak yazılım ve donanım kullanımına dayanır. Ücretsiz ve açık kaynak yazılım uyarlama, değişiklikler ve ücretsiz yeniden dağıtım izin verir; Bu nedenle, oluşturulan yazılım her adım11,12, geliştirir.

Protokol burada izlemek ve 5 gün boyunca dört hayvanlar bir su tankında Lokomotor aktivite değerlendirmek için bir laboratuar üzerinde duruluyor sundu. Video dosyalarını bir 1 s hızlandırılmış görüntü kaydedilir ve bir video (1 kayıtlı gün yaklaşık 1 h video kaplar) saniyede 20 kare ile derlenmiş. Tüm video kayıtları bilgisayar vizyon yöntemler ve algoritmalar uygulama hayvan pozisyonları elde etmek için otomatik olarak postprocessed. Protokol izleme verilerini zaman yoğun ve önceki deneysel kağıtları13' te zahmetli olduğu gösterilmiştir el ile onların ek açıklama kaçınarak, büyük miktarlarda almak sağlanır.

Norveç ıstakoz (Nephrops norvegicus) vaka çalışması için kullanın; Böylece, biz onları korumak için species-specific laboratuvar koşulları sağlamak. Istakoz sirkadiyen saat14,15denetiminde olan iyi okudu yuva ortaya çıkması ritimleri gerçekleştirmek ve cohoused zaman, onlar egemenlik hiyerarşi16,17oluşturur. Bu nedenle, burada sunulan model davranış sirkadiyen ritim belirli odaklanarak sosyal modülasyonu ile ilgilenen araştırmacılar için iyi bir örnektir.

Burada sunulan metodolojisi kolaylıkla tekrar oluşturulur ve hayvanları tek tek etiketleri ile ayırt etmek için bir ihtimal varsa diğer türler için uygulanabilir. Böyle bir yaklaşım laboratuvarda çoğaltılması için gereken minimum gereksinimleri (ı) deneysel kurulum; izotermal odalar vardır (ii) bir sürekli su kaynağı; (iii) su sıcaklığı kontrol mekanizmaları; (iv) bir ışık kontrol sistemi; (v) bir USB kamera ve standart bir bilgisayar.

Bu protokol için Python18 ve OpenCV19 (açık kaynak bilgisayar vizyon kütüphane) kullanın. Hızlı ve yaygın olarak uygulanan işlemleri (uygulama ve yürütme açısından hem de), arka plan çıkarma20 ve görüntü eşik21,22gibi güveniyor.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Bu çalışmada kullanılan türler bir nesli tehlike altında olan veya korunan türler değildir. Örnekleme, laboratuvar deneyleri İspanyol mevzuat ve hayvan refahı ile ilgili iç kurumsal (ICM-CSIC) kuralları izledi. Hayvan örnekleme yerel otorite (Katalonya bölgesel hükümet) izni ile yapılmıştır.

1. hayvan bakım ve örnekleme

Not: Aşağıdaki Protokolü araştırmacılar zarar vermemek için photoreceptors23gece boyunca i. norvegicus alanında tadabilirsiniz varsayımına dayanır. İ. norvegicus ışığına maruz kalma kaçınılmalıdır. Örnekleme sonra ıstakoz Tarih daha önce17,24, soğutmalı deniz suyu (13 ° C), sürekli bir akış ile bildirilen benzer bir calıştıkları tesiste yer alan gerekiyor. Bu çalışmada kullanılan hayvanlar intermoult devlet 43.92 ± cephalothorax uzunluğunda (CL; ortalama ± SD) erkek 2.08 mm (N = 4).

  1. Bireylerin bireysel kavgalar (bkz. Şekil 1a-b) nedeniyle oluşabilecek her türlü hasardan kaçınmak için izole bölmeleri unutmayın.
  2. Yaklaşık 3 x hafta sirkadiyen ritim ile karışmaması için rasgele zamanlarda besledin.
    Not: Bu deneyde, midye (ıstakoz başına yaklaşık 4 g) gıda olarak kullanılmıştır. Midye Belçika'dan tedarikçilerin dondurulmuş gıda satın alınmış ve insan tüketimi için uygun.
  3. Mavi ışık (425-515 nm) türler25 ve çevre koşulları 400 m derin26 spektral hassasiyet göre hafif mesai benzetimini yapmak için kullanın (bkz. şekil 1 c,d).
    Not: Burada kullanılan tesis iki mavi dikey bir tavan var (478 nm) 12 ışık yoğunluğunu üretilen floresan lambalar 1 m mesafeden lambalar, lx. Şekil 1a tavan lambaları pozisyon için ve üretici ve teknik lambaların özellikleri için Malzemeler tablo görüyorum.
  4. 12/12 ışık/karanlık saat calıştıkları tesisine photoperiod ayarlamak veya yerel enlem doğal photoperiod simülasyonu.
  5. 13 ° c tesis sıcaklık düzenleyen ve 2 izlemek inflowing deniz suyu sıcaklığı yaklaşık 13 ° C kontrol etmek için her gün x (bkz. şekil 1e).
  6. Deniz suyu yaklaşık 4 L/iyi oksijenasyonu sağlamak için min oranında girifli düzenler.
    Not: Deniz suyu (Hayır filtreler ve ek pompalar kullanılır) açık bir devre içinde dolaşır. Su ana akvaryum bitki servislere bağımlıdır.

figure-protocol-1
Resim 1 : Tesis calıştıkları sayısı. Depo raflar (bir). (a1) Deniz suyu giriş. (a2) Floresan tavan ışıkları. (b) detay mavi ışık aydınlatma. (c) hayvan hücre ayrıntı. (d) bir yalıtılmış tesis kontrol paneli detayını. (e) sıcaklık ayarı ve giriş mesela. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

2. tan İnşaat

Not: Burada kullanılan etiket hedef hayvan ya da diğer belirli konuları özelliklerine göre değiştirilebilir.

  1. 40 mm çapında bir siyah plastik örtü üzerinden dört daire kes.
  2. Bir beyaz PVC plastik levha iki eşkenar üçgen 26 mm taraf ile gelen kesti.
  3. Bir beyaz PVC plastik levha iki çemberin çapı 26 mm kesim.
  4. Beyaz üçgen ve dairelerin Merkezi işaretlemek ve 10 mm delik yapmak.
  5. Dört beyaz şekiller dört siyah daire Merkezi'tutkal.

figure-protocol-2
Resim 2 : Istakoz bireysel etiketleme için kullanılan dört Etiketler. Daire, daire delikli, üçgen, üçgen-delik. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

3. deneysel Kur

Not: Deneysel arena deneysel odası bağımsız ama calıştıkları tesisin yakın mesafede olması gerekiyordu.

  1. Deniz suyu deneysel arenada aynı sıcaklıkta hava sıcaklığı nerede kontrol ve muhafaza deneysel bir odasını ayarlayın.
  2. Deneysel bir arena kullanılmak üzere bir fiberglas tank (1.500 x 700 x 300 mm) değiştirin. Dört burrows nerede ıstakoz (şekil 3b-e) taşımak gerekiyor tank ve sopa kum yüzeyi altındaki PVC esnek borular kullanarak ekleyin. Daha fazla bilgi için bkz:17,27.
    1. Deneysel arena submergible mavi LED'ler ile sağlamak (472 ışık saat simüle nm) ve IR LED (850 nm, karanlık koşullar) (Ayrıca bkz: şekil 3a)17,24.
      Not: LED ışık düşük ısı etkisi ve kullanışlı elektronik kontrol ve ücretsiz donanım durumu nedeniyle kullanılır. Çevre ve deniz suyu sıcaklığı 13 ± 0,5 ° C ile izole bir tesis kullanıldı.
    2. Her zaman IR LED açık tutun.
      Not: IR karanlık koşullarda ve ışık koşullarında video kayıt için gereklidir. Onu kapatmak gerekli değildir.
    3. Mavi LED'ler photoperiod yönetmek için bir aparat ile bağlayın. Öneriler Malzemeler tablove daha fazla bilgi için bkz:, Sbragaglia ve ark. başvurun 17 (aynı zamanda şekil 3aiçinde gösterilmiştir).
      Not: Aydınlatma video veya görüntü otomatik analizlerde önemli bir faktördür. Her yerinde su yüzey yansımaları kaçınarak arena gölgeler olmadan normal aydınlatma posterior video veya görüntü analizi kolaylaştırır. Bu iletişim kuralı bağlamında, sadece 12/12 ışık/karanlık koşulları kullanılmıştır. Işık ve karanlık yavaş yavaş 30 dk içinde elde edildi ve bir ışık Denetleyicisi komut dosyası ek dosya 1eklenir.
    4. Tank bir köşesinde soğutulmuş deniz suyu giriş ve ters köşesinde karşılık gelen çıkış yeri.
    5. Deniz suyu giriş yaklaşık 4 L/dk akış hızında düzenler.
    6. Siyah bir perde ile tank diğer ışık (şekil 3a) tam izolasyonu sağlamak için surround.
  3. İçin örümcek ağı fotoğraf makinesi yan deneysel arena ve pozisyon video kamera yukarıda (130 cm) ve deneysel arenada Merkezi'nde sabit tripod yerleştirin (75 cm x 32,5 cm (bkz. şekil 3a).
  4. Video kamera ortalanmış durumda olup olmadığını kontrol edin (bkz. Adım 3.3) emin olmak için bu istemsiz taşınmadı.
  5. Örümcek ağı fotoğraf makinesi perde (şekil 3a) dışında yerleştirilir bir bilgisayara bağlanın.
    1. Video kamera ile hızlandırılmış kaydı yönetmek için yazılım yükleyin.
      Not: Hızlandırılmış kayıtları türler hareketin hızına bağlıdır. Ayrıca, kamera, balıkgözü lens, PC ve yazılım özellikleri ve burada kullanılan üreticileri için Malzemeler tablo bakın.
    2. Türün özelliklerini göre kayıt video parametrelerini ayarlamak.
      Not: İ. norvegicushareketlilik oranı, göz önüne alındığında 1 s hızlandırılmış kayıt burada kullanılan ve video her 24 h kaydedildi.
    3. (Bu davranışı gelecekte el ile puanlama için yardımcı olabilir gibi) (tarih dahil) bir zaman damgası hızlandırılmış video oluşturmak emin olun.

figure-protocol-3
Şekil 3 : Deneysel Kur. (bir) diyagram deneysel Meclisi tank ve video satın alma. (b) deneysel tank genel görünümü. (c) alt görünümü yapay burrows gösteren deneysel tank. (d) üst görünümü, deneysel deponun dibinde gösterilen. (e) ayrıntılı bir yuva girişleri. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

4. deneysel deneme ve hayvan hazırlık

Not: Hayvanlarla tüm adımları calıştıkları tesis ve Norveç ıstakoz25spektral hassasiyet göre kırmızı ışık koşulları altında yapılmalıdır. Hayvanlar calıştıkları ve deney tesisi arasında taşırken, buz bir opak siyah çanta kullanacak ışık için ıstakoz herhangi bir yay.

  1. Daha önce içine dört batık bölmeleri su yaklaşık 7 ° C'de ile ayrılmış bir buzdolabı hazırlamak
  2. Dört Etiketler daha önce siyanoakrilat gibi inşa edilmiş ve hızlı yapıştırıcı hazır olun.
  3. Kırılmış buz ile bir tepsi hazırlayın.
  4. Dört ıstakoz calıştıkları tesiste etiketlenmesi ve her biri bir buzdolabı bölümünde koymak için seçin.
  5. 30 dk bekleyin ve sonra etiketleme işlemi başlatın.
    1. Bir ıstakoz alın ve o hareketsiz ve etiketleme işlemi kolaylaştırmak 5 min için ezilmiş buz koyun.
    2. Istakoz'ın cephalothorax adsorptive kağıt ile üst kısmı kuru ve hızlı tutkal bir damla koymak.
    3. Etiketini hayvanın cephalothorax, tutkal ile temas üzerine yatay olarak yerleştirin ve sağlamlaştırmak için yeterli zaman bunun için bekleyin (yaklaşık 20 için s).
    4. Buzluğun onun bölümünde ıstakoz dönmek ve üç diğer hayvanlarla aynı şekilde devam edin.
    5. Istakoz geri daha önce neredeydiler hücreye koyun ve 24 saat için emin olmak için etiketi düzgün olarak yapıştırılmış olan bekleyin.
    6. Istakoz calıştıkları tesisten etiketleme yordamı için kullanılan aynı buzdolabı kullanarak deneysel odasına aktar.
  6. Video kaydını başlatmak ve etiketli ıstakoz tanıtımı önce 5 dakika bekleyin. Bir ortalama arka plan görüntüsü dan ilk 100 çerçeveler elde edilir.
    Not: En az 1 dk bekliyor arka plan kareleri tagged ıstakoz olmadan elde etmek zorunluluğu vardır; video işleme için ihtiyaç vardır.
  7. Su içinde tutmak Hayvanlar birer birer deneme tankı içinde onların anılan sıraya göre bölmesi içinde tanıtmak.
  8. Onlar dışarı çıkmak için bekleyin; Onlar gelmiyor, onları yavaşça yuvanın eğerek yardımcı. Deneysel koşullar altında tank içinden hayvanların örnek olarak bkz. şekil 4 .

figure-protocol-4
Şekil 4 : Ham video karesi. Temsil edici bir çerçeve örneği bir hızlandırılmış videoları deneyler sırasında toplanan. Üst sağ köşede, zaman damgası Tarih, saat ve çerçeve gösteriyoruz. Resmin alt köşede tank aydınlatma farklılıkları dikkat edin. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

5. video analiz komut dosyası

  1. Analiz deneme tamamlanmasından sonra gerçekleştirin.
    1. Video analiz için bilgisayar vizyon script başlatın.
    2. Pozisyonlar ve ıstakoz tarafından örtülü mesafe hesaplamak için Java programını başlatmak ve verileri veritabanına ekle.
      Not: Bu program bir mesafe tabanlı Öklid algoritması28olduğunu.
    3. Verileri istediğiniz zaman aralığı olarak binning için SQL komut dosyası başlatma (ex. 10 dk).

6. bilgisayar vizyon komut dosyası Video analizi için

Not: Deneysel kurulumundaki ilgili bir hata tanıtmak değil çünkü script balıkgözü görüntü düzeltme önler. Yine de, bu vektör ve matris döndürme yöntemleri30,31tarihinde dayalı OpenCV kamera kalibrasyon işlevleri29 ile düzeltmek mümkündür.

  1. Python18 program dili seçin.
  2. OpenCV19 görüntü ve video işleme kitaplığı seçin.
  3. Bir video yüklemek.
    Not: Video oluşum .avi ya da . MP4 bu deneyde kullanılan, ancak bu zorunlu değildir. İşletim sisteminde yüklü FourCC32 codec bileşenleri bağlıdır.
  4. Her çerçeve Fi video için aşağıdaki adımları uygulayın.
    1. Arka plan20B (ortalama 4.6 adımından elde edilen son 100 kare) çıkarma geçerli Fiçerçeve ve arka plan B Fiolarak güncelleyin. OpenCV19 Kitaplığı'ndan BackgroundSubtractorMOG2 işlevini kullanın (bkz: komut dosyalarını ek dosya 2).
    2. Faiz (ROIs) R ile ilgili hareket arka plan subtractor tarafından belirtilen piksel bölgelerinde kümesini belirlemek. Yöntemi uygulamak BackgroundSubtractorMOG2 üzerinden OpenCV19 kütüphanede'yı kullanın (bkz: komut dosyalarını ek dosya 2). Kümesinde hesabı da hayvanların almak için önceki çerçeveden hayvan tespitlerde dahil.
    3. Her yatırım Getirisi RI için aşağıdaki adımları uygulayın
      1. Dilate işlevi uygular ve yatırım Getirisi RIkontür33 hesaplamak. OpenCV19 Kitaplığı'ndan işlevler genişletmek ve findContours kullanın (bkz: komut dosyalarını ek dosya 2).
      2. Gövde alanı34Merhaba piksel sayısını hesaplamak için. OpenCV19 kitaplığından işlevi convexHull kullanın (bkz: komut dosyalarını ek dosya 2).
      3. 35RADIUS hesaplama ROI Riri . OpenCV19 kitaplığından işlevi minEnclosingCircle kullanın (bkz: komut dosyalarını ek dosya 2).
      4. ROI RI sı Kesintisizlik hesaplamak. Sağlamlık (6.4.3.1. adımda elde) (6.4.3.2. adımda elde) RIdışbükey hull alanı kontur alanına oranıdır.
      5. ROI RI AI en boy oranını hesaplamak. En boy oranı olan genişliği ve Riyüksekliği arasındaki oran-dikdörtgen sınırlayıcı. Sınırlayıcı dikdörtgen OpenCV19 Kitaplığı'ndan boundingRect işlevini kullanarak hesaplanır.
    4. Hayvanlar, kaplama alanı, RADIUS, sağlamlık ve en boy oranı için özellikleri ayarlayarak içerecek şekilde bir aday olarak ROIs bir azalma kümesi seçin.
      1. Merhaba 500.0 veya 100000.0daha büyük olup olmadığını kontrol edin. Eğer öyleyse, yatırım Getirisi RIatmak. Aksi takdirde, RI hayvan konumu için bir aday YG tutmak.
      2. RI 40.0daha az olup olmadığını kontrol edin. Eğer öyleyse, yatırım Getirisi RIatmak. Aksi takdirde, RI hayvan konumu için bir aday YG tutmak.
      3. Si -4.0 atmak daha ROI RIaz olup olmadığını kontrol edin. Aksi takdirde, RI hayvan konumu için bir aday YG tutmak.
      4. AI 0,15 veya 4.0daha büyük olup olmadığını kontrol edin. Şey Yani, yatırım Getirisi RIatmak. Aksi takdirde, RI hayvan konumu için bir aday YG tutmak.
        Not: Tag ara hayvanın vücut bölgesi üzerinde odaklanan hesaplama maliyet ROIs kullanımını azaltır. Önceki kare üzerinden hayvan tespitlerde hayvanlar değil taşırken yanlış algılamaların önlemek dahil edilir.
    5. Hayvan ROIs etiket kimlikleri belirlemek için analiz. Her yatırım Getirisi RI ve her iç yatırım Getirisi Piiçin adımları takip de yürütmek ve iç ROIs Payıklayın.
      1. Gri tonlamalı görüntüyü Otsu36 Eşik algoritması kullanılarak Pi binarize.
      2. Kontür33 Pi, olduğu gibi adım 6.4.3.1 hesaplamak.
      3. Hesaplama gövde alanı34Merhaba ve en boy oranı AI, adım 6.4.3.2 ve 6.4.3.5 olduğu gibi.
      4. Pisayısının şekil anlar37,38mi hesaplamak. İşlev anlar OpenCV19 kitaplığından kullanın (bkz: komut dosyalarını ek dosya 2).
      5. Azaltılmış ROIs bir aşağıdaki ölçütleri kullanarak etiketleri içermek için bir aday seçin.
        1. Merhaba 150.0 veya 500.0daha büyük olup olmadığını kontrol edin. Eğer öyleyse, yatırım Getirisi Piatmak. Aksi takdirde, Pi etiket konumu için bir aday YG tutmak.
        2. AI 0,5 veya 1,5daha büyük olup olmadığını kontrol edin. Eğer öyleyse, yatırım Getirisi Piatmak. Aksi takdirde, Pi hayvan konumu için bir aday YG tutmak.
        3. Mi 0.3büyük olup olmadığını kontrol edin. Eğer öyleyse, yatırım Getirisi Piatmak. Aksi takdirde, Pi hayvan konumu için bir aday YG tutmak.
    6. Etiket ROIs sınıflandırmak. OpenCV19 işlevi38 için seçilen her yatırım Getirisi Pi19kullanarak bir çokgen39 yaklaşık.
      1. Yaklaşık çokgen tam olarak üç köşeleri olup olmadığını kontrol edin; etiketi üçgen sınıfa atayın. Aksi takdirde, circle sınıfının etiketi bölgesine atayabilirsiniz.
        Not: Yaklaşık çokgen bir matris ile kesişme noktaları kullanılarak saklanır.
      2. Yatırım Getirisi PiOrta piksel kontrol edin. Bu bir siyah piksle ise, Pi delikli sınıfa atayın. Aksi takdirde, Pi beyaz sınıfa atayın.
        Not: Şekli Merkezi 6.4.5.4 adımda hesaplanan anlar çıkarılabilir. Siyah piksel merkezi etrafında 4-piksel yarıçapı sahip bir bölgede arama.
  5. Çerçeve verileri kaydetmek: çerçeve Tarih, çerçeve saat, sınıf, Merkezi şekil ve y Merkezi şekli koordinatları x şekil.
  6. Sonraki kare ile devam etmek veya işlemi sonlandırmak. Şekil 5 altında çalışan kod adımları görsel bir örnek olarak görmek ve izlemek Video 1 komut dosyası işleyen bir örnek olarak.

figure-protocol-5
Şekil 5 : Video işleme yollarsam, ilgili adımları (1) değerlendir arka plan çıkarma hareket son 100 ortalaması üzerinden çerçeveler. (2) arka plan çıkarma algoritması sonucu. (3) Uygula dilate morfolojik çalışması için beyaz tespit alanları. (4) Uygula saptamak, statik, ana yatırım Getirisi; Sarı çokgen alt tank alanına karşılık gelir. (5) ana yatırım Getirisi beyaz tespit her bölgede için dağılımlarını hesaplamak ve algılanan her kontur için yapısal bir çözümlemesi gerçekleştirin. (6) yapısal özellik değerlerini denetleyin ve sonra ikinci düzey yatırım Getirisi adaylar seçin. (7) Binarize bir Otsu eşik algoritma kullanarak çerçeve; komut dosyası yalnızca ikinci düzey ROIs ile çalışır. (8) her ikinci düzey yatırım Getirisi binarized, beyaz bölgeler kıvrımlarına hesaplamak ve her kontur tespit için yapısal bir çözümlemesi gerçekleştirin. (9) yapısal özellik değerleri ve iç yatırım Getirisi adayları seçer onay. (10) içinde iç yatırım Getirisi aday her kontur için tanımlayıcıları/anlar hesaplamak. (11) model tespit şekli kibritle şekil ve en iyi maç adaylara bir çokgen yaklaşık olmadığını kontrol edin. (12) yaklaşık poligon noktalarının sayısı kontrol ve geometrik figür belirlemek: daire veya üçgen. (13) hesaplama rakam Merkezi ve siyah piksel oluşursa onay; Evet ise, delikli bir rakamdır. (14) çerçeve analizi sonra görsel sonuç. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Otomatik video analiz doğrulamak için deneysel verilerin bir alt kümesini el ile inşa edilmiştir. 1,308 çerçeveler bir güven düzeyi % 99 (nüfus, resminizde bir hata sınırı içinde örnek iyi yansıtacak olup olmadığını gösterir güvenlik ölçüsü olan) ve hata % 4'lük payı ile bir örnek boyutu (ne kadar yakın açıklayan yüzde olduğu yanıttır örnek verdi nüfus gerçek değerine) rastgele seçilmiştir, ve el ile ek açıklama ROIs doğru tanımlaması ve her yatırım Getirisi etiketinde doğru tanımlaması g...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

figure-discussion-1

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarlar ifşa gerek yok.

Teşekkürler

Yazarlar bu eserin yayın finanse Dr. Joan B. şirket için minnettarız. Ayrıca, Yazarlar deneysel çalışmaları sırasında deniz Bilimler Enstitüsü Barselona (ICM-CSIC) deneysel akvaryum bölgenin kendi yardım teknisyenleri için minnettarız.

Bu eser RITFIM projesi tarafından desteklenmiştir (CTM2010-16274; yürütücü: J. Aguzzi) İspanyol Bakanlığı bilim ve yenilik (MICINN) ve İspanyolca Bakanlığı Ekonomi ve rekabet TIN2015-66951-C2-2-R hibe tarafından kurulmuş.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Tripod 475ManfrottoA0673528Üretimi Durdurulan
Mafsallı Kol 143ManfrottoD0057824Üretimi Durdurulan
Kamera USB 2.0 uEye LEiDSUI-1545LE-Mhttps://en.ids-imaging.com/store/products/cameras/usb-2-0-cameras/ueye-le.html
Balık Gözü Len C-mount f = 6 mm/F1.4InfaimonStandart Optik https://www.infaimon.com/es/estandar-6mm
Cam Elyaf Tankı 1500 x 700 x 300 mm 3< / sup>
Siyah Keçe Kumaş
Ahşap Yapı Tankı5 Ahşap Şerit 50x50x250 mm
Ahşap Yapı Keçe Kumaş10 Ahşap Şerit 25x25x250 mm
Paslanmaz Çelik VidalarAhşap şerit yapıları PC'yi sabitlemek için gerektiği kadar
2 çekirdekli CPU, 4 GB RAM, 1 GB Grafik, 500 GB HD
Harici Depolama HDD2 TB kapasite arzu edilen
Windows PC için iSPY SotfwareiSPYhttps://www.ispyconnect.com/download.aspx
Zoneminder Yazılımı Linux PCZoneminderhttps://zoneminder.com/
OpenCV 2.4.13.6 KütüphanesiOpenCVhttps://opencv.org/
Python 2.4Pythonhttps://www.python.org/
Kamp Buzluk
Plastik Tepsi
Siyanokrilat JelEtiketi yapıştırmak için' S 
1 siyah PVC plastik levha (1 mm kalınlık)Etiketin yapısı
1 beyaz PVC plastik levha (1 mm kalınlık)Etiketin yapısı
4 Etiket ' s & Oslash; 40 mmSiyah-beyaz PVC plastik levha ile üretilmiştir
3 m Mavi Strid Led Ligts (480 nm)İstenilen kadar su geçirmez
3 m IR Strid Led Ligts (850 nm)İstenildiği gibi su geçirmez
6 m  Metakrilat borular ve oslash; 15 mmKapalı Strid Led
4 PVC Dirsek  45o & Oslash; 63 mmYuva konstrüksiyonu
3 m Esnek PVC Boru & Oslash; 63 mmYuva konstrüksiyonu
4 PVC vidalı kapak & Oslash; 63 mm
Yuva konstrüksiyonu
4 Dişi PVC soket tutkal / iplik & Oslash; 63 mmYuva yapımı
10 m DC 12V Elektrik KablosuIşık Kontrol Mekanizması
Ligt Güç Kaynağı DC 12 V 300 WIşık Kontrol Mekanizması
MOSFET, RFD14N05L, N-Kanal, 14 A, 50 V, 3 Pin, IPAK (TO-251)RS Bileşenleri325-7580Işık Kontrol Mekanizması
Diyot, 1N4004-E3/54, 1A, 400V, DO-204AL, 2 PinesRS Bileşenleri628-9029Işık Kontrol Mekanizması
Sigorta TutucuRS Bileşenleri336-7851Işık Kontrol Mekanizması
2 Güç Terminali 3.81 mmRS Bileşenleri220-4658Işık Kontrol
Mekanizması Kondansatör 220 ve mikro; F 200 VRS Bileşenleri440-6761Işık Kontrol
Mekanizması Direnci 2K2 7 WRS Bileşenleri485-3038Işık Kontrol Mekanizması Sigortası
6.3 x 32 mm2 3ARS Bileşenleri413-210Işık Kontrol Mekanizması
Arduino Uno Atmel Atmega 328 MCU kartıRS Bileşenleri715-4081Işık Kontrol
Mekanizması Prototip Kartı CEM3,3 orific.,RE310S2RS Bileşenleri728-8737Işık Kontrol Mekanizması
DC/DC dönüştürücü,12 Vin,+/-5 Vout 100 mA 1 WRS Bileşenleri689-5179Işık Kontrol Mekanizması
2 SERA T8 mavi ay ışığı floresan ampul 36 wattSERADurdurulan/Işık yalıtımlı tesis

Kaynaklar

  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).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Arka Plan karmaG r nt E iklemeA k Kaynakl Yaz l mEtiket Tan mlamaDavran sal AnalizAlan galiG nl k Aktivite Ritimleri

İlgili makaleler