Идентификации лосося находящегося в ювенильной или зрелой фазах
Бизнес по выращиванию атлантического лосося искусственно контролирует смолтификацию, процесс, во время которого молодь пресноводного лосося претерпевает физиологические изменения и адаптируется к морской воде. Освещение и специальный корм запускают и контролируют процесс, чтобы обеспечить бесперебойное производство новой рыбы для морских ферм. Проверка завершения процесса смолтификации предотвращает гибель рыбы при перемещении из пресной воды в соленую.
Традиционные меры включают определение содержания хлоридов в образцах крови после воздействия соленой воды на рыбу или анализ образцов тканей из жабр на наличие ферментов, переносящих ионы. Наблюдение за цветом, текстурой и светоотражательной способностью кожи также может определить, произошло ли смолтификация. Результаты этих трудоемких тестов, проведенных на отдельных рыбах из популяций в сотни тысяч и требующих оценки экспертами, могут не отражать всю группу.
Система гиперспектральной визуализации, разработанная исследователями, как описано в статье , использует цвет и отражательную способность для идентификации лосося как находящегося в ювенильная или зрелая фаза. Эта новая система работает быстро, не требует наблюдения экспертов и исключает возможность травмирования мальков, которые не могут справиться с соленой водой во время испытаний.
Экспериментальная система состоит из гиперспектральной камеры FX10 от компании SPECIM (Оулум, Финляндия), оснащенной объективом 23 мм/f2.4. объектив, установленный на лотке SPECIM LabScanner. На первом этапе эксперимента использовались стандартные галогенные лампы SPECIM. На последующих этапах использовалась светодиодная матрица Lumia 5.2 от (Расин, Висконсин, США) из-за опасений по поводу тепла, выделяемого галогенными лампами.
Приложение работало на ПК SH110G от Shuttle (Тайбэй, Тайвань) с процессором i7 от Intel (Санта-Клара, Калифорния, США), 16 ГБ памяти D4 2400, HD-накопитель SATA и устройство захвата кадров Karbon CL2 от BitFlow (Woburn, MA, USA).
Исследователи сравнили гиперспектральные данные с результатами анализов образцов крови и жаберной ткани, взятых из случайных выборок рыб из одного и того же аквариума. Всего было протестировано 314 рыб из трех разных производственных площадок.
Анализ гиперспектральных данных проходил в четыре этапа. Во-первых, исследователи обозначили данные по каждому лососю как «пайка» (молодой) или «смолт» (половозрелый) на основе результатов традиционного анализа. Затем калибровка черно-белого изображения устранила вариации из-за различий в освещении. Это гарантировало точность результатов измерения отражательной способности кожи.
На третьем этапе гиперспектральные данные были проанализированы в диапазоне длин волн от 400 нм (нижний предел чувствительности камеры) до 700 нм, избегая более высоких длин волн, которые могли быть изменены нестабильностью галогенных ламп на первом этапе тестирования. Наконец, классификатор машинного обучения искал каждое изображение по спектральным характеристикам, которые определяли рыбу как парра или смолта.
Оптимальные длины волн, по которым классификатор мог успешно дифференцировать петушков и смолтов, менялись в зависимости от места тестирования. Исследователи объяснили это различиями в средней температуре воды, растворенном кислороде, непрозрачности и цвете воды, освещении и режимах кормления. Точность классификатора при идентификации рыбы как пеструшки или смолта в целом составила 90%.
