Рыбка картинка контур: D0 ba d0 be d0 bd d1 82 d1 83 d1 80 d1 80 d1 8b d0 b1 d1 8b картинки, стоковые фото D0 ba d0 be d0 bd d1 82 d1 83 d1 80 d1 80 d1 8b d0 b1 d1 8b

Содержание

Контур рыбки

Как нарисовать рыбу :: золотая рыбка контур :: Рисование

Совет 2: Как нарисовать рыбку

Каждый родитель мечтает, чтобы его чадо было всесторонне развито. Умение красиво рисовать окружающий мир составляет неотделимую часть такого развития. Ведь через призму прекрасного рисунка, каждый человек приобщается к любви, милосердию и доброте. Сделать вместе с ребенком первые шаги в этом искусстве — это упоительная радость для ребенка и его родителя. Поэтому научимся вместе с ребенком рисовать рыбку.

Вам понадобится
  • Плотный лист белой бумаги, ластик, набор цветных карандашей.
Инструкция

1. Нарисуйте квадрат и треугольники. Тело будет квадратом, а треугольники это голова и хвост. Попутно объясняя малышу, что означают эти геометрические фигуры и почему они так называются.

2. Нарисуйте плавники. Пусть плавниками будут прямоугольники, наклоненные чуть в сторону.

3. Нарисуйте окружность — это глаз рыбки.

4. Нарисуйте сердечко, пусть это будут рыбьи губы.

5. Добавьте полосы. Горизонтальные на хвосте у рыбки, вертикальные волнистые поперек тела.

6. Сотрите ластиком ненужные линии и закруглите карандашом все угловые выступы.

7. Раскрасьте рисунок разноцветными карандашами.

Видео по теме

Обратите внимание

Не надо сразу рисовать большое количество рисунков, лучше будет чередовать их с другими, например подвижными играми. Так Вы не отобьете у маленьких детей охоту учиться дальше.

Теперь, когда красивый рисунок готов Вы можете повесить его на стенку для всеобщего восхищения. Это принесет много радости и гордости Вашему ребеночку. Посмотрите — у вас получилась необычная аквариумная рыбка. Кроме того в процессе рисования дети получают дополнительные уроки по геометрии и математике.

Учась считать количество фигур, и запоминая их названия.

Видео по теме

Обратите внимание

Как нарисовать рыбку с хвостом? В этом уроке мы нарисуем красивую рыбку с вьющимся хвостом. Она похожа на золотую рыбку и рисуется довольно просто. Первым делом нарисуем глаз нашей рыбки. Глаз будет круглым с небольшим зрачком.

Полезный совет

Тема этого урока как нарисовать рыбу, с красивым названием Бетта.  1. Начните рисунок с простого контура туловища рыбы. Рисовать любую рыбу совсем не сложно. Достаточно нарисовать вытянутый овальной формы контур, нарисовать маленький кружочек для глаза рыбы и поставить черточку для хвоста.

KakProsto.ru‏>

Как нарисовать рыбку?

Дети любят рисовать, в особенности, если им помогают взрослые. Популярными среди сюжетов у юных художников остаются куклы, животные, игрушки. Многие предпочитают изображать морских обитателей, в частности золотую рыбку из любимой всеми сказки.

При этом не всем малышам хватает навыков и умений для рисования морской владычицы. Родители могут показать крохе, как нарисовать разных рыбок, тем самым порадовать своего ребенка и заставить поверить в свои силы. Ну и естественно, что перед импровизированным уроком рисования взрослым следует подготовиться самим.

Как нарисовать рыбку поэтапно: для самых маленьких

Симпатичная рыбка может получиться даже у младших дошкольников: нарисовать ее под силу и трехлетнему малышу. Важно правильно объяснить, и тогда в вашей коллекции поделок любимого чада появиться новый «шедевр».

  1. Сначала рисуем овал и примыкающий к нему треугольник – тело и хвостик будущей рыбки
  2. Затем добавляем небольшие треугольники разного размера сверху и снизу – это плавники морской обитательницы.
  3. Изображаем в овале маленький круг и дугу, у нас получаются глаз и контур жабр.
  4. Теперь необходимо нарисовать губы рыбки и округлить переход из туловища в хвост.
  5. Прорисовываем детали: полосы на плавниках и хвосте, дуги на туловище для придания очертаний чешуи.
  6. Осталось всего лишь разукрасить рыбку карандашами или красками.

Как видите, рыбка получается очень просто.

Как нарисовать красивую рыбку?

Изобразить экзотическую рыбку сможет и 4-5 летний кроха, который уже обладает кое-какими навыками рисования.

  1. Рисуем круг, через который затем проводим горизонтальную линию.
  2. Используя контур круга, вырисовываем форму тела рыбы таким образом, что на горизонтальной линии оказываются ротик и хвост.
  3. Теперь выделяем голову рыбы и маленький плавник, прорисовываем сверху на спинке плавник из двух дуг.
  4. Добавляем большой глаз возле рта рыбки, но не закрашиваем его полностью. На плавниках и хвосте делаем черточки.
  5. Аккуратно стираем контуры, которые мы рисовали на первом рисунке.
  6. Самое время раскрасить рыбку, не забывая сделать цветные полосы на ее туловище.

Согласитесь, рыбка простая, а красивая получилась! Если покажите, как нарисовать рыбку карандашом поэтапно, ребенок будет в восторге, ведь он смог нарисовать такой замечательный рисунок своими руками под вашим чутким руководством!

Как нарисовать золотую рыбку?

Любимый сказочный персонаж детей — золотую рыбку – изобразить не так уж и просто, но вполне реально.

  1. Сначала необходимо нарисовать овал, к которому затем прорисовываем верхний плавник, рот рыбки и линии будущего хвоста и нижних плавников.
  2. Изображаем ротик и глаз рыбки, обведем половину овала.
  3. Теперь волнистыми линиями прорисовываем хвост, а также нижний плавничок.
  4. То же самое делаем с плавником на спинке рыбки. Справа от глаза обозначаем линию жабр в виде скобки.
  5. Добавляем чешую в середине овала, прорисовываем нижний двойной плавник.

Осталось всего разукрасить нашу золотую рыбку фломастерами или цветными карандашами. При желании можно украсить ее короной.

Как нарисовать аквариум с рыбками?

Когда ребенок овладеет умением изображения рыбок разного вида, предложите ему «поселить» их в аквариуме. Нарисуйте вместе с крохой волны: ребенок – широкой кисточкой, а вы – маленькой. Теперь с помощью кусочка картона, придавив его край, растяните зеленую краску волнистыми линиями вертикально – получаются водоросли. Пусть малыш нарисует рыбок разных размеров и цветов и пальчиками оставит овалы коричневого и желтого цветов – дно аквариума. Аквариум можно повесить на стену для украшения комнаты.

WomanAdvice.ru‏>

Как рисовать рыбу – учимся рисовать разных рыбок

ИСТОЧНИК:http://kak-narisovat.narod.ru/kak-risovat-rybu-uchimsya-risovat-raznyh-rybok.html

Учимся рисовать разных рыб

Как нарисовать золотую рыбку

В одной из записей мы уже учились рисовать золотую рыбку – сделаем это еще раз с небольшими видоизменениями
У золотой рыбки роскошные плавники и хвост. А тело почти правильной овальной формы. Сначала нарисуем тело, очертим жабры. Дорисуем плавники и хвост, они достаточно широкие.

Заштрихуем плавники и хвост. Особое внимание уделим прорисовке чешуек. Именно они придают рыбке такой таинственный блеск. По центру тела чешуйки крупнее, ближе к бокам – мельче. Для раскрашивания подбираем различные оттенки жёлтого цвета.

Прародителем золотой рыбки был серебряный карась. В Китае почти тысячу лет назад была выведена эта новая порода аквариумных и прудовых рыбок. В 1611 г. золотые рыбки были доставлены в Португалию. В Россию этих красавиц завезли лишь триста лет назад. С тех пор золотые рыбки – одни из самых популярных аквариумных и прудовых обитательниц.

Как рисовать золотую рыбку карандашом поэтапно


Золотая рыбка – картинка для раскрашивания

liveinternet.ru‏>

Как нарисовать меч рыбу

Как рисовать акулу

Рыба (акула) -молот – как рисовать

Как нарисовать сома

Как рисовать щуку

Учимся рисовать рыбку – клоуна

Тело рыбки-клоуна – вытянутый овал. Спинной плавник этой рыбы необычной формы. Сначала рисуем несколько дугообразных линий. Они чем ближе к хвосту, тем короче. Остальные плавники и хвост широкие и короткие. Соединяем дуги спинного плавника. Заштриховываем плавник и хвост. На теле рыбки рисуем полосы, которые помогут её раскрасить. Эту рыбку нужно раскрашивать только по образцу. Ведь именно за эту полосатую расцветку её и прозвали клоуном.

Как рисовать рыбу клоуна поэтапно карандашом

Эти рыбки являются одним из самых популярных видов морских рыб, содержащихся в аквариумах. Их родина -Тихий и Индийский океаны. Живут рыбы-клоуны под надежной защитой щупальцев актиний. Эти щупальцы могут сильно обжечь любое морское существо, кроме рыбы-клоуна. Кстати, многие виды этих рыбок находятся под охраной закона и их запрещено ловить.

Картинка для раскраски – нарисованная рыба клоун

Как нарисовать рыбку скалярию

У скалярии тело почти квадратное. Поэтому основа для рисунка – круг, и оси пересекаются в центре круга. Относительно их рисуем тело рыбки. Рисуем плавники скалярии, они похожи на крылья. Хвост у скалярий тоже необычный.

Дорисуем детали – глаз, рот, придадим объём плавникам. Раскрашивая рыбку, обрати внимание, какой необычной формы полоски на её теле.

Скалярия – очень красивая и элегантная рыбка. Она поселилась в аквариумах почти сто лет назад. Скалярии миролюбивы – они легко уживаются с другими обитателями «стеклянных домиков». Учёные считают, что у скалярий довольно развит интеллект.

Рисуем рыбку скалярию карандашом поэтапно

Раскрашивая картинку этой нарисованной аквариумной рыбки, обрати внимание, какой необычной формы полоски на её теле.

Картинка нарисвованной аквариумной рыбки скалярии для раскраски

Как рисовать Гуппи

Рисуем рыбок

Цитата сообщения tinary Прочитать целикомВ свой цитатник или сообщество!
Урок рисования. Учимся рисовать рыб.

Учимся рисовать разных рыб

Как нарисовать золотую рыбку

У золотой рыбки роскошные плавники и хвост. А тело почти правильной овальной формы. Сначала нарисуем тело, очертим жабры. Дорисуем плавники и хвост, они достаточно широкие.

Заштрихуем плавники и хвост. Особое внимание уделим прорисовке чешуек. Именно они придают рыбке такой таинственный блеск. По центру тела чешуйки крупнее, ближе к бокам – мельче. Для раскрашивания подбираем различные оттенки жёлтого цвета.

Прародителем золотой рыбки был серебряный карась. В Китае почти тысячу лет назад была выведена эта новая порода аквариумных и прудовых рыбок. В 1611 г. золотые рыбки были доставлены в Португалию. В Россию этих красавиц завезли лишь триста лет назад. С тех пор золотые рыбки – одни из самых популярных аквариумных и прудовых обитательниц.

Как рисовать золотую рыбку карандашом поэтапно


Золотая рыбка – картинка для раскрашивания

Как нарисовать меч рыбу

liveinternet.ru‏>

Как рисовать акулу

Рыба (акула) -молот – как рисовать

Как нарисовать сома

Как рисовать щуку

Учимся рисовать рыбку – клоуна

Тело рыбки-клоуна – вытянутый овал. Спинной плавник этой рыбы необычной формы. Сначала рисуем несколько дугообразных линий. Они чем ближе к хвосту, тем короче. Остальные плавники и хвост широкие и короткие. Соединяем дуги спинного плавника. Заштриховываем плавник и хвост. На теле рыбки рисуем полосы, которые помогут её раскрасить. Эту рыбку нужно раскрашивать только по образцу. Ведь именно за эту полосатую расцветку её и прозвали клоуном.

Как рисовать рыбу клоуна поэтапно карандашом

Эти рыбки являются одним из самых популярных видов морских рыб, содержащихся в аквариумах. Их родина -Тихий и Индийский океаны. Живут рыбы-клоуны под надежной защитой щупальцев актиний. Эти щупальцы могут сильно обжечь любое морское существо, кроме рыбы-клоуна. Кстати, многие виды этих рыбок находятся под охраной закона и их запрещено ловить.

Картинка для раскраски – нарисованная рыба клоун

Как нарисовать рыбку скалярию

У скалярии тело почти квадратное. Поэтому основа для рисунка – круг, и оси пересекаются в центре круга. Относительно их рисуем тело рыбки. Рисуем плавники скалярии, они похожи на крылья. Хвост у скалярий тоже необычный.

Дорисуем детали – глаз, рот, придадим объём плавникам. Раскрашивая рыбку, обрати внимание, какой необычной формы полоски на её теле.

Скалярия – очень красивая и элегантная рыбка. Она поселилась в аквариумах почти сто лет назад. Скалярии миролюбивы – они легко уживаются с другими обитателями «стеклянных домиков». Учёные считают, что у скалярий довольно развит интеллект.

Рисуем рыбку скалярию карандашом поэтапно

Раскрашивая картинку этой нарисованной аквариумной рыбки, обрати внимание, какой необычной формы полоски на её теле.

Картинка нарисвованной аквариумной рыбки скалярии для раскраски

Как рисовать Гуппи

Рисуем рыб

Цитата сообщения tinary Прочитать целикомВ свой цитатник или сообщество!
Урок рисования. Рисуем рыб.

Учимся рисовать разных рыб

Как нарисовать золотую рыбку

У золотой рыбки роскошные плавники и хвост. А тело почти правильной овальной формы. Сначала нарисуем тело, очертим жабры. Дорисуем плавники и хвост, они достаточно широкие.

Заштрихуем плавники и хвост. Особое внимание уделим прорисовке чешуек. Именно они придают рыбке такой таинственный блеск. По центру тела чешуйки крупнее, ближе к бокам – мельче. Для раскрашивания подбираем различные оттенки жёлтого цвета.

Прародителем золотой рыбки был серебряный карась. В Китае почти тысячу лет назад была выведена эта новая порода аквариумных и прудовых рыбок. В 1611 г. золотые рыбки были доставлены в Португалию. В Россию этих красавиц завезли лишь триста лет назад. С тех пор золотые рыбки – одни из самых популярных аквариумных и прудовых обитательниц.

Как рисовать золотую рыбку карандашом поэтапно


Золотая рыбка – картинка для раскрашивания

Как нарисовать меч рыбу

liveinternet.ru‏>

Как рисовать акулу

Рыба (акула) -молот – как рисовать

Как нарисовать сома

Как рисовать щуку

Учимся рисовать рыбку – клоуна

Тело рыбки-клоуна – вытянутый овал. Спинной плавник этой рыбы необычной формы. Сначала рисуем несколько дугообразных линий. Они чем ближе к хвосту, тем короче. Остальные плавники и хвост широкие и короткие. Соединяем дуги спинного плавника. Заштриховываем плавник и хвост. На теле рыбки рисуем полосы, которые помогут её раскрасить. Эту рыбку нужно раскрашивать только по образцу. Ведь именно за эту полосатую расцветку её и прозвали клоуном.

Как рисовать рыбу клоуна поэтапно карандашом

Эти рыбки являются одним из самых популярных видов морских рыб, содержащихся в аквариумах. Их родина -Тихий и Индийский океаны. Живут рыбы-клоуны под надежной защитой щупальцев актиний. Эти щупальцы могут сильно обжечь любое морское существо, кроме рыбы-клоуна. Кстати, многие виды этих рыбок находятся под охраной закона и их запрещено ловить.

Картинка для раскраски – нарисованная рыба клоун

Как нарисовать рыбку скалярию

У скалярии тело почти квадратное. Поэтому основа для рисунка – круг, и оси пересекаются в центре круга. Относительно их рисуем тело рыбки. Рисуем плавники скалярии, они похожи на крылья. Хвост у скалярий тоже необычный.

Дорисуем детали – глаз, рот, придадим объём плавникам. Раскрашивая рыбку, обрати внимание, какой необычной формы полоски на её теле.

Скалярия – очень красивая и элегантная рыбка. Она поселилась в аквариумах почти сто лет назад. Скалярии миролюбивы – они легко уживаются с другими обитателями «стеклянных домиков». Учёные считают, что у скалярий довольно развит интеллект.

Рисуем рыбку скалярию карандашом поэтапно

Раскрашивая картинку этой нарисованной аквариумной рыбки, обрати внимание, какой необычной формы полоски на её теле.

Картинка нарисвованной аквариумной рыбки скалярии для раскраски

Как рисовать Гуппи

Учимся рисовать рыб

Цитата сообщения tinary Прочитать целикомВ свой цитатник или сообщество!
Урок рисования. Учимся рисовать рыб.

Учимся рисовать разных рыб

Как нарисовать золотую рыбку

У золотой рыбки роскошные плавники и хвост. А тело почти правильной овальной формы. Сначала нарисуем тело, очертим жабры. Дорисуем плавники и хвост, они достаточно широкие.

Заштрихуем плавники и хвост. Особое внимание уделим прорисовке чешуек. Именно они придают рыбке такой таинственный блеск. По центру тела чешуйки крупнее, ближе к бокам – мельче. Для раскрашивания подбираем различные оттенки жёлтого цвета.

Прародителем золотой рыбки был серебряный карась. В Китае почти тысячу лет назад была выведена эта новая порода аквариумных и прудовых рыбок. В 1611 г. золотые рыбки были доставлены в Португалию. В Россию этих красавиц завезли лишь триста лет назад. С тех пор золотые рыбки – одни из самых популярных аквариумных и прудовых обитательниц.

Как рисовать золотую рыбку карандашом поэтапно


Золотая рыбка – картинка для раскрашивания

Как нарисовать меч рыбу

liveinternet. ru‏>

Как рисовать акулу

Рыба (акула) -молот – как рисовать

Как нарисовать сома

Как рисовать щуку

Учимся рисовать рыбку – клоуна

Тело рыбки-клоуна – вытянутый овал. Спинной плавник этой рыбы необычной формы. Сначала рисуем несколько дугообразных линий. Они чем ближе к хвосту, тем короче. Остальные плавники и хвост широкие и короткие. Соединяем дуги спинного плавника. Заштриховываем плавник и хвост. На теле рыбки рисуем полосы, которые помогут её раскрасить. Эту рыбку нужно раскрашивать только по образцу. Ведь именно за эту полосатую расцветку её и прозвали клоуном.

Как рисовать рыбу клоуна поэтапно карандашом

Эти рыбки являются одним из самых популярных видов морских рыб, содержащихся в аквариумах. Их родина -Тихий и Индийский океаны. Живут рыбы-клоуны под надежной защитой щупальцев актиний. Эти щупальцы могут сильно обжечь любое морское существо, кроме рыбы-клоуна. Кстати, многие виды этих рыбок находятся под охраной закона и их запрещено ловить.

Картинка для раскраски – нарисованная рыба клоун

Как нарисовать рыбку скалярию

У скалярии тело почти квадратное. Поэтому основа для рисунка – круг, и оси пересекаются в центре круга. Относительно их рисуем тело рыбки. Рисуем плавники скалярии, они похожи на крылья. Хвост у скалярий тоже необычный.

Дорисуем детали – глаз, рот, придадим объём плавникам. Раскрашивая рыбку, обрати внимание, какой необычной формы полоски на её теле.

Скалярия – очень красивая и элегантная рыбка. Она поселилась в аквариумах почти сто лет назад. Скалярии миролюбивы – они легко уживаются с другими обитателями «стеклянных домиков». Учёные считают, что у скалярий довольно развит интеллект.

Рисуем рыбку скалярию карандашом поэтапно

Раскрашивая картинку этой нарисованной аквариумной рыбки, обрати внимание, какой необычной формы полоски на её теле.

Картинка нарисвованной аквариумной рыбки скалярии для раскраски

Как рисовать Гуппи

Другие статьи

Рыбка контур

Как нарисовать рыбу :: золотая рыбка контур :: Рисование

Совет 1: Как нарисовать рыбу

Домашний аквариум – не только отличная идея декорирования интерьера, но и верный помощник в борьбе со стрессами, возникающими в результате бешеного ритма будничной жизни. Кроме того, для людей, не имеющих возможности завести у себя дома кошку, собаку или попугая, аквариумные рыбки – отличное решение. А те, для кого и домашний аквариум – несбыточная мечта, могут сами нарисовать рыбу.

Инструкция

1. Сперва на листе бумаги следует нарисовать небольшую окружность – голову будущей рыбы.

2. Далее нужно нарисовать дугу, проходящую через верхнюю часть окружности. Правый конец дуги должен быть раза в 3-4 длиннее левого.

3. Через нижнюю часть окружности следует провести изогнутую линию, концы которой следует соединить с концами верхней дуги. Тело рыбы готово.

4. Теперь рыбе нужно нарисовать хвост. Внешне он напоминает пару лепестков цветка, исходящих из одной точки.

5. Далее следует нарисовать верхнюю губу рыбы. На рисунке она имеет вытянутую каплевидную форму и расположена в нижней части головы рыбы.

6. Вслед за верхней губой, рыбе необходимо добавить и нижнюю, также напоминающую небольшую капельку.

7. Далее рыбе нужно нарисовать верхний плавник. Он может быть и овальным, и прямоугольным, и треугольным, в зависимости от разновидности рыбки. Лишние карандашные линии можно удалить с помощью ластика.

8. Затем рыбе следует дорисовать пару нижних плавников. Первый плавник обычно растет рядом с головой рыбы, а второй ближе к ее хвосту.

9. Снова необходимо стереть лишние линии ластиком. Т.к. глаза у рыб располагаются по бокам головы, на рисунке будет виден всего один глаз. Его-то и нужно нарисовать.

10. Теперь на плавниках и хвосте рыбы следует изобразить щетину в виде коротких полосок.

11. Далее при помощи сеточки из прямых линий, на теле рыбы нужно показать рисунок чешуи. Кроме этого, необходимо стереть ластиком правую верхнюю часть окружности, служащей когда-то наметкой головы рыбы.

12. Теперь рыбу можно раскрасить всеми цветами радуги. Получившийся рисунок нужно повесить на самое видное место и любоваться им почаще, забывая о проблемах и заботах повседневной жизни.

Совет 2: Как нарисовать рыбку

Каждый родитель мечтает, чтобы его чадо было всесторонне развито. Умение красиво рисовать окружающий мир составляет неотделимую часть такого развития. Ведь через призму прекрасного рисунка, каждый человек приобщается к любви, милосердию и доброте. Сделать вместе с ребенком первые шаги в этом искусстве — это упоительная радость для ребенка и его родителя. Поэтому научимся вместе с ребенком рисовать рыбку.

Вам понадобится
  • Плотный лист белой бумаги, ластик, набор цветных карандашей.
Инструкция

1. Нарисуйте квадрат и треугольники. Тело будет квадратом, а треугольники это голова и хвост. Попутно объясняя малышу, что означают эти геометрические фигуры и почему они так называются.

2. Нарисуйте плавники. Пусть плавниками будут прямоугольники, наклоненные чуть в сторону.

3. Нарисуйте окружность — это глаз рыбки.

4. Нарисуйте сердечко, пусть это будут рыбьи губы.

5. Добавьте полосы. Горизонтальные на хвосте у рыбки, вертикальные волнистые поперек тела.

6. Сотрите ластиком ненужные линии и закруглите карандашом все угловые выступы.

7. Раскрасьте рисунок разноцветными карандашами.

Видео по теме

Обратите внимание

Не надо сразу рисовать большое количество рисунков, лучше будет чередовать их с другими, например подвижными играми. Так Вы не отобьете у маленьких детей охоту учиться дальше.

Теперь, когда красивый рисунок готов Вы можете повесить его на стенку для всеобщего восхищения. Это принесет много радости и гордости Вашему ребеночку. Посмотрите — у вас получилась необычная аквариумная рыбка. Кроме того в процессе рисования дети получают дополнительные уроки по геометрии и математике. Учась считать количество фигур, и запоминая их названия.

Видео по теме

Конус вашего эхолота означает ширину звуковой волны, которую он излучает. Чем шире конус, тем больше площадь. Важно понимать, что больше не всегда значит лучше. Некоторые из эхолотов, которые мы рассмотрели выше, имеют большой радиус, но это приводит к худшему сигналу.

Я заметил, что эхолоты с меньшим конусом дают гораздо более четкую и точную картину происходящего под водой.

На что действительно стоит обратить внимание, так это на глубину конуса.Некоторые из них будут подавать сигналы только на расстоянии до 100 футов сбоку, но до 150 футов, если вы находитесь прямо под лодкой. Если вы этого не понимаете, это может привести к искажениям и путанице, что может привести к тому, что вы будете забрасывать в местах, где вы ничего не поймаете.

Угол конуса тоже имеет решающее значение, и вы хотели бы найти конус как минимум с углом 20 градусов. Они наиболее распространены, и вам не нужно платить зарплату за целый год, чтобы получить ту, которая ее предлагает. Многие из эхолотов, которые я рассмотрел выше, также предлагают щебетание с двойным спектром, которое покрывает большую площадь на меньшей глубине.

Дисплей

Дисплей и экран, которые вы получаете с эхолотом, важны, потому что они помогают вам видеть, что происходит под вами. Важная особенность, которую я ищу, — это эхолот с дисплеем, по которому легко ориентироваться. Разделенный экран также является идеальной функцией.

Мне нужна простота, и вам тоже. Все, что мне нужно, это эхолот, который поможет мне найти рыбу. Все это часть пользовательского опыта. Несмотря на то, что простота важна, вам все равно нужно правильное количество функций.Наличие эхолота поможет вам осмотреть воду и определить идеальные места для рыбалки.

Еще кое-что, на что вы хотите обратить внимание при работе с дисплеем, — это тип экрана. Некоторые из них монохромные, а другие цветные. Большинство эхолотов, которые мы видим сегодня, будут использовать полноцветные дисплеи для обозначения изменений высоты, эта функция невероятно полезна и помогает вам быстрее понять, на что вы смотрите.

Вы также захотите найти дисплей, который обеспечивает некоторую защиту от бликов на пользовательском интерфейсе.Это облегчит просмотр независимо от условий. Подсветка удобна и для ночной рыбалки.

Разрешение экрана

Разрешение экрана всегда является важным фактором при покупке, потому что оно определяет, сколько времени вам придется потратить, глядя на эхолот, чтобы понять, на что вы смотрите. Несмотря на то, что нет никаких «высочайших» требований к разрешению экрана, вам нужно что-то с высоким разрешением, которое позволит вам четко видеть, что происходит под водой.

Размер

На мой взгляд, я хочу что-нибудь, что не мешает моей рыбалке. Я считаю, что некоторые из рассмотренных выше эхолотов кажутся невероятно хрупкими, а также занимают много места в небольшой лодке. Никто не хочет, чтобы что-то мешало, особенно если вы ловите рыбу на маленькой лодке.

Тем не менее, чем меньше размер экрана, тем меньше размер экрана, поэтому вам будет сложнее видеть, что происходит под водой. Здесь вам нужно взвесить все за и против.Если у вас небольшая лодка, вам придется либо пожертвовать местом, либо купить эхолот поменьше.

Мощность

Когда я говорю о мощности, я говорю о мощности преобразователя. От вашей мощности будет зависеть, насколько глубоко ваш искатель может отображать изображения. Мощное устройство позволит вам лучше работать на более глубокой воде, но также поможет вам в менее чем желательных условиях. Если вода мутная, некачественный эхолот помешает получить четкое изображение.

Мощность вашего преобразователя рассчитывается как среднеквадратичное значение или среднеквадратичное значение. Это похоже на мощность. Большинство эхолотов не менее 200 RMS, а идеальная мощность составляет 500. Если у вас есть устройство на 500 Вт, вы сможете получить четкое изображение в любых условиях.

Иногда дело даже не в имидже. Многие искатели могут отображать температуру воды, и у них есть эхолоты.

Частота

Еще одним фактором, определяющим качество изображения, является частота.Все эти факторы работают вместе в идеальной гармонии, и одно невозможно без другого. Чем выше частота, тем больше деталей.

Первое, что нужно понять, это то, что с высокой частотой глубина воды и мощность уменьшаются. Итак, в идеале вы хотите найти что-то с хорошей золотой серединой. Качественная частота и умеренная мощность необходимы для получения качественного изображения воды.

Возможности GPS

Вам нужен эхолот с GPS, потому что вы не поймете, что эта функция вам нужна, пока она вам не понадобится.Если вы на воде, и надвигается густой туман, вы не узнаете, где находитесь.

Я несколько раз плыл по реке слишком далеко, и я не мог определить, как далеко до места старта. Если это произойдет, я могу проверить GPS и сохранить спокойствие.

Эхолот с GPS также позволяет создавать путевые точки, и многие из них имеют функции картплоттера, чтобы вы могли задокументировать свои лучшие места для рыбалки в следующий раз.

Единственная проблема с комбинациями эхолотов с GPS — это цена.Они дороже и иногда немного крупнее, но вы не можете жертвовать своей безопасностью, всегда зная, где вы находитесь. (если у вас нет GPS на телефоне, что есть у большинства из нас)

FAQ’s

Что такое эхолот?

Эхолот — это устройство, использующее гидролокатор под водой для определения волнения в воде. Эти волны отражаются от чего-либо, а затем устройство определяет, является ли это рыбой или структурой. Некоторые высококачественные эхолоты даже определяют размер рыбы.

Как установить эхолот?

Способ установки эхолота зависит от множества различных факторов. Тип вашей лодки, тип искателя, ваш стиль рыбалки, материал, из которого изготовлена ​​лодка, тип крепления и многое другое.

Как читать эхолот?

Ваш искатель обычно предлагает несколько различных методов чтения. Один похож на топографическую карту. Многие из них оснащены полноцветными дисплеями для определения изменений высоты под водой.Это поможет вам определить обрывы и изменения ложа, чтобы найти идеальные места для рыбалки.

Другой метод будет использовать волны сонара, которые будут отображать рябь на экране. Эти рябь или «волны» — это рыба. На одних изображена рыба, на других — волны или изгибы.

Наконец, чтобы выбрать лучший эхолот, вы должны понимать, как правильно их читать. Убедитесь, что вы знаете, что делаете, чтобы максимально эффективно использовать свое устройство.

Водонепроницаемы ли эхолоты?

Большинство эхолотов не являются водонепроницаемыми, но они водонепроницаемы.Полностью погружать их под воду нельзя, но если они намокнут, это им не повредит. Если у вас есть забрасываемый эхолот, то вы знаете, что он имеет самую высокую водонепроницаемость в зависимости от глубины и давления.

Датчик, поставляемый с эхолотом, является водонепроницаемым, поскольку его часть будет постоянно находиться под водой.

Последние мысли

Выбрать подходящий эхолот непросто. Это дорогая покупка, и вы надеетесь, что она прослужит вам долго.На это решение влияет множество факторов, и нелегко понять, как они работают. Я надеюсь, что это руководство прояснило некоторые из ваших затруднений и направило вас в правильном направлении.

Все приведенные выше обзоры эхолотов — отличные варианты; нужно просто выбрать тот, который вам больше всего подходит. Я рекомендую Garmin Striker Plus 4, потому что он предлагает большинство функций по доступной цене.

Если вы похожи на меня, вам просто нужно, чтобы что-то выполняло свои обязанности без дыма и зеркал.Этот эхолот сделает свое дело. Удачи!

Монитор окружающей среды | Шесть приложений для смартфонов. У каждого рыболова должна быть карта

Brandon Card для использования приложения FishSens SondeCAM с подводной камерой. (Любезно предоставлено Brandon Card)

Независимо от того, что вам нужно сделать, вероятно, где-то есть приложение для этого. Когда дело доходит до рыбалки, приложения для смартфонов изменили способ предварительной рыбалки перед турнирами и подхода к районам, когда я нахожусь на воде. Я использую эти приложения, и их должны попробовать все рыболовы.Вам даже не нужно иметь лодку, чтобы увидеть преимущества.

Navionics App

Практически каждый, кого я знаю, имеет приложение Navionics на своем телефоне или планшете. Это отличный способ мгновенно проверить контуры дна озера, на котором вы ловите рыбу или которое вы планируете отправиться. Он действительно точен и помогает мне находить изменения глубины, неровности, подводные точки и многое другое. Я очень рекомендую его, если у вас его еще нет.

Еще у меня есть довольно забавная история об этом приложении. Несколько лет назад, когда я готовился к соревнованиям серии Elite Series на озере Семинол, я следил за своими графиками, чтобы ловить рыбу в прибрежной зоне с глубокой линией водорослей.Я шел и наткнулся на двух подростков в старой, разбитой алюминиевой лодке без всякой электроники. Они давили рыбу безгубыми воблерами и даже показывали мне фотографии более крупных, пойманных ранее. Они следили за контуром в своем приложении для смартфонов Navionics и чувствовали себя лучше, чем я на моей гораздо более украшенной лодке. Это работает, и эти дети поняли это.

Google Планета Земля

Как и приложение Navionics, Google Планета Земля помогает мне находить хорошие районы для рыбалки.Мне очень нравится использовать это весной, чтобы найти заводи, которые могли пропустить другие люди. Это действительно помогает найти эти области, но также отлично подходит для наблюдения за подводными точками, неровностями и полосами травы. Это еще одно обязательное приложение для рыболовов.

FishSens SondeCAM App

Снимок экрана приложения FishSens SondeCAM, записывающего бас. (Кредит: Brandon Card)

Это может быть моим любимым, и я довольно часто использовал его в этом году. SondeCAM — это интересный способ получить видео о рыбах и их среде обитания под водой, а новое приложение делает его еще лучше.Приложение позволяет мне легко запускать и останавливать запись прямо с телефона.

Вы можете легко редактировать видео, и это позволяет делать это сразу же. Прежде чем мне пришлось бы вынимать SD-карту, вставлять ее в компьютер и редактировать. Он убирает для меня несколько шагов и делает его намного быстрее, когда я нахожусь вдали от компьютера.

Еще мне нравится функция фото. Раньше я делал скриншоты видео, и все работало нормально, но это значительно упрощает получение четкого изображения моих подводных съемок.

Все фотографии и видео, которые вы делаете во время использования приложения, сразу попадают в вашу фотогалерею на вашем телефоне. Это позволяет удобно делиться ими прямо на ваших страницах в социальных сетях или в виде текста одному из ваших приятелей.

Это приложение позволяет любому использовать камеру, даже не нуждаясь в лодке. Вы можете бросить его под док или пирс и посмотреть, что там внизу, глядя на свой телефон. Я даже слышал о людях, которые прикрепляли камеру к телескопической штанге и вставляли ее в лежаки и другие укрытия, когда они шли по берегу.

Weather.com App

Есть много отличных приложений для получения сводок погоды. Мне нравится приложение weather.com, так как оно кажется наиболее точным. Как мы все знаем, погода непредсказуема, но мне нравится отслеживать температуру, скорость и направление ветра, а также вероятность дождя. Все это влияет на мою рыбалку.

Есть также несколько отличных приложений для ветра, которые покажут вам скорость и направление ветра. Я использовал их на некоторых больших озерах, таких как Великие озера, а также на озере Шамплейн.Ветер там может решить, можете ли вы вообще выйти на воду в этот день, и полезно посмотреть, в каком направлении он дует.

YouTube

Это может показаться простым, но приложение YouTube на моем телефоне действительно помогает мне на рыбалке. Есть так много видео, что независимо от того, к какому озеру вы направляетесь, там, вероятно, есть какие-то кадры. Я использую это, чтобы оценить, какой будет рыбалка, какие размеры и виды рыб клюнут в этом водоеме, прежде чем отправиться в новое место.

Видео также отличный способ узнать о новом продукте или технике. И профессионалы, и любители всегда демонстрируют новые уловки, чтобы сделать всех нас лучшими рыболовами.

Lowrance GoFree Hooked Fishing App

Это еще одно относительно новое приложение, которое я считаю действительно крутым. Это приложение позволяет записывать уловы рыбы для создания журнала. Это экономит время, местоположение и точное местоположение вашего улова по GPS. Это отличный способ отслеживать свои поездки и ссылаться на них позже.

Как и приложение SondeCAM, вы можете легко обмениваться фотографиями вашей рыбы в социальных сетях. Еще одна интересная функция — это конкурс. Вы можете начать собственное соревнование с друзьями в формате MLF на общее количество пойманной рыбы. Я еще не использовал эту функцию, но планирую на этот сезон с моими приятелями дома.

Верхнее изображение: Brandon Card использует приложение FishSens SondeCAM с подводной камерой. (Любезно предоставлено Brandon Card)

Лучший портативный эхолот 2021 года (Обзор и руководство по покупке)

Boat Safe — это сайт, поддерживаемый сообществом.Мы можем получать комиссию за ссылки на этой странице, но мы уверены во всех рекомендуемых продуктах.

Рыбалка требует терпения. Но вы можете ждать, пока рыба не клюнет, очень долго, особенно если вам пришлось ехать до озера. Портативный эхолот превращает рыбалку в угадайку. Вы можете проводить больше времени на рыбалке и меньше просто сидеть без дела.

Эти устройства используют технологию сонара для обнаружения рыбы. С его помощью вы можете направить лодку туда, где будет больше рыбы.Поскольку они портативны, вам не нужно их где-либо устанавливать. Некоторые модели поместятся даже в вашем кармане — вот какие они маленькие!

В этой статье мы рассмотрим 9 лучших портативных гаджетов для эхолотов. Мы рассмотрим их на основе основных характеристик, простоты использования, удобства, точности и цены. Затем вы найдете руководство по покупке, которое поможет вам выбрать идеальный эхолот. Наконец, вы увидите множество часто задаваемых вопросов, на которые мы вам ответили.

Лучший общий выбор

1.Эхолот Garmin Striker 4

Проверить последнюю цену

Эхолот Garmin Striker — один из самых популярных устройств на рынке сегодня. На сегодняшний день это самый маленький гаджет бренда, и благодаря его новым и улучшенным функциям он стоит своих денег.

Этот конкретный сканер использует технологию сонара CHIRP, что означает, что он непрерывно отправляет развертку частот для сканирования местности на предмет наличия рыбы. Это приводит к более четкой и широкой картине того, что находится под поверхностью.

Несмотря на компактность устройства, экран с диагональю 3,5 дюйма легко читается. А поскольку он использует цвета, ваша работа по поиску рыбы становится намного проще.

Пожалуй, лучшая особенность — это встроенная система GPS. Когда вы плывете по озеру на лодке, инструменты навигации всегда являются бонусом. С помощью этого сканера вы можете проверить, где находится рыба, одновременно с вашим географическим положением. Еще лучше: вы можете создавать собственные маршруты, чтобы пройти по любимым местам на озере.

Удивительно, но этот аппарат довольно доступен по цене.Всего за 119,99 доллара это один из самых недорогих гаджетов на рынке. Особенно с учетом того, что в нем есть GPS.

Основные характеристики:

  • Интегрированная система GPS
  • Четкое цветное изображение, показывающее положение рыбы
  • Отметить определенные точки на карте
  • Водонепроницаемая система IPX7
  • Преобразователь хорошего качества

Недостатки:

  • Должен быть подключен к аккумулятору 12 В
Лучший выбор премиум-класса

2.Интеллектуальный сонар Deeper PRO +

Проверить последнюю цену

Похожее устройство — Deeper Smart Fish Finder, но работает намного лучше. Чуть менее чем за 200 долларов вы можете приобрести сканер, который умещается на ладони и прекрасно сочетается с телефоном.

Встроенная система GPS дает много возможностей для игры. Вы можете создать батиметрические карты берега, нанести на карту определенные участки озера и посмотреть на них позже, когда будете дома.

Выполняя пятнадцать сканирований в секунду, вы получаете четкое изображение того, что находится под поверхностью. Устройство не просто показывает глубину пятна. Это также дает вам приблизительное положение рыбы. Кроме того, поскольку он оснащен двухлучевой технологией, вы можете выбрать, хотите ли вы широкое или узкое сканирование.

Аккумулятора хватает на восемь часов работы. Вам нужно будет зарядить его прямо перед тем, как выйти из дома, чтобы он не разрядился во время рыбалки.

Основные характеристики:

  • Подключается к вашему телефону через Wi-Fi (в качестве точки доступа)
  • Использует технологию двухлучевого сонара
  • Имеет встроенный GPS
  • Отображение глубины воды для береговой рыбалки
  • Все карты сохраняются в приложении и могут быть перенесены в облако

Недостатки:

  • Время автономной работы не самое лучшее
Лучший выбор бюджета

3.Портативный эхолот Venterior VT-FF001

Проверить последнюю цену

Удачи в поиске более дешевого, но все же функционального сканера рыбы. Ничего страшного, подождем. Модель Venterior единственная в своем роде. Он использует гораздо более минималистичный подход к своей работе, но по-прежнему творит чудеса.

Вы не увидите отсканированные изображения в цвете на дисплее. Нет никаких навороченных способов отображения. Вместо этого вы получите черно-белую информацию.Однако это не должно быть недостатком. Нам намного проще читать отсканированные изображения таким образом, без каких-либо странных пятен на экране.

Это устройство не просто сканирует рыбу. Он дает вам представление о глубине воды и о том, где находятся камни, песок и высокие растения.

Эхолотом Venterior можно пользоваться ночью. Просто включите настройку подсветки экрана. Рыбная сигнализация также помогает при ночной рыбалке или даже подледной рыбалке.

Основные характеристики:

  • Использует одноразовые батарейки AAA
  • Работает даже при температуре 0ºF
  • Имеет встроенную функцию GPS
  • Экран ночью светится

Недостатки:

  • Экран не водостойкий

4.Humminbird PiranhaMAX с защитной крышкой

Проверить последнюю цену

4,3-дюймовый дисплей Humminbird PiranhaMAX немного отстает, но сопротивляется. Это устройство точно сообщает вам, где находится рыба, в удобной для понимания форме.

Устройство Humminbird оснащено двухлучевым сонаром. Это означает, что вы можете использовать как широкий, так и узкий луч сонара. Если вы выберете первое, вы получите более широкое представление о том, что происходит под поверхностью.Если вы выберете второе, это устройство предоставит вам подробную информацию о том, что находится рядом с вами.

Несмотря на то, что это выглядит как простая модель, это совсем не так. Вы можете повозиться с рыбными сигналами, сигналами глубины и зумом, чтобы получить более индивидуальный опыт.

К счастью, в комплекте идет переносная сумка для переноски. Он защищает ваше устройство от брызг воды и ветра. Не говоря уже о том, что его очень легко носить с собой в поездках на рыбалку.

Основные характеристики:

  • Работает с двухлучевым сонаром
  • Полностью водонепроницаемая
  • Использует аккумуляторные батареи
  • Преобразователь хорошего качества

Недостатки:

  • Отсутствует интегрированная система GPS

5.Humminbird Fishing Buddy MAX

Рыболовный товарищ

Проверить последнюю цену

Это еще один эхолот Humminbird, но на этот раз вы можете установить его практически на любую лодку, каноэ и каяк. Он идеально подходит для более непринужденного подхода к рыбалке.

На наш взгляд, лучшая особенность Humminbird MAX — это система крепления. Светодиодный дисплей прикреплен к длинной металлической конструкции с регулируемым зажимом. С помощью винта вы можете затянуть или ослабить его крепление на лодке, каяке или каноэ.

Тот факт, что он имеет технологию двухлучевого сонара, также является большим плюсом. Вы можете получить как узкий, так и широкий обзор того, что находится под поверхностью, в зависимости от ваших потребностей. Широкие звуковые волны полезны для мелководной рыбалки, а узкие волны лучше всего подходят для глубоководной рыбалки.

Цветной дисплей с диагональю 3,5 дюйма упрощает чтение информации на экране. Кроме того, это устройство может различать камень и рыбу. Это пригодится, так как не позволит вам тратить время на чистку пятен, которые представляют собой не что иное, как гальку и камни.

Наконец, для питания этого устройства вам потребуются батарейки AA. Это замечательно, если вы спросите нас, так как вам не нужно постоянно заряжать его перед отъездом на рыбалку и не нужно подключать его к 12-вольтовой розетке во время использования.

Основные характеристики:

  • Использует одноразовые батарейки AA
  • Цветной 3,5-дюймовый экран легко читается
  • Зажим позволяет устанавливать устройство на большинстве судов

Недостатки:

  • Были жалобы на заводские дефекты, так что будьте осторожны (и получите гарантию)
  • Не всегда работает на глубине более 15 футов

6.RICANK Портативный портативный рыбный сканер

Проверить последнюю цену

Последний товар в нашем списке довольно скромный и доступный. Это просто говорит о том, что хороший эхолот не должен стоить руки и ноги!

Конечно, экран RICANK черно-белый и не имеет каких-либо необычных настроек отображения. Но это не плохо! На этот раз его намного легче читать и понимать, чем другие сканеры рыбы. Это ясно покажет вам, насколько глубока косяк рыбы.

Желтый поплавок, подсоединенный к датчику, облегчает его обнаружение в воде. Рыбачите ли вы в озере, реке или на берегу, вы не потеряете из виду свой драгоценный эхолот.

Это устройство может работать на глубине до 300 футов. Вы можете использовать его как на мелководье, так и на более глубоких водах. Излучаемый конус звуковой волны составляет 45 градусов. Несмотря на то, что у вас нет возможности сузить или расширить его, это все же достойный угол для большинства видов рыбалки.

Наконец, вы можете заряжать батареи как портативного сканера, так и датчика.У них обоих время автономной работы до 5 часов, но если вы включите настройку экономии заряда батареи, она прослужит вам дольше.

Основные характеристики:

  • Доступный и удобный для переноски
  • Использует аккумуляторные батареи (срок службы батареи 5 часов)
  • Легко читаемый черно-белый дисплей
  • Имеет отличные отзывы о Amazon

Недостатки:

  • Без встроенного GPS для более захватывающих впечатлений

7.LUCKY Портативный сканер рыбы с ЖК-экраном

Проверить последнюю цену

Сканер рыбы LUCKY также является доступным вариантом, его стоимость не превышает 80 долларов. Он меньше, чем другие единицы, и поэтому его легче транспортировать, но он работает так же хорошо.

Вы обнаружите, что экран этого рыбного сканера намного меньше по сравнению с другими устройствами на рынке. Его размер составляет всего 2,4 дюйма по диагонали, но он все же достаточно большой, чтобы большинство людей без нарушений зрения могли точно видеть показания.

Устройство отслеживает глубину воды, подводный контур, температуру воды и, конечно же, местонахождение рыбы.

Уникальная особенность светильника — привлекательный светильник. Датчик желтого цвета и в нижней части имеет два световых луча, предназначенных для привлечения рыбы. Это также поможет вам увидеть датчик в темноте, если вы отправитесь на ночную рыбалку.

И датчик, и портативный сканер можно заряжать. Для этого в комплекте идут два USB-шнура. Сам сканер имеет время автономной работы около четырех часов, а датчик — до 10 часов.

Основные характеристики:

  • Использует аккумуляторные батареи (4 часа и 10 часов автономной работы)
  • Подходит для ночной рыбалки из-за двух световых лучей
  • Небольшой и компактный дизайн позволяет легко переносить
  • Цветной экран показывает много информации
  • Водонепроницаемый

Недостатки:

  • В некоторых случаях взвешенные частицы и камни могут быть ошибочно приняты за рыбу

8.ReelSonar Беспроводной Bluetooth Smart Sonar Fish Finder

Проверить последнюю цену

Другой популярный выбор — беспроводной сканер Reel Sonar. Он немного отличается от рассмотренных нами ранее, поскольку использует ваш телефон, чтобы показать вам, где находится рыба.

Нет ничего более портативного, чем эта. Преобразователь (элемент, излучающий звуковые волны) помещается на ладони. Он имеет форму небольшого шара и отправляет изображение того, что сканирует, на ваш смартфон.Вы можете двое через Bluetooth.

Вдобавок ко всему, устройство позволяет отмечать рыбу, наносить на карту изолинии глубины и подводные структуры, сохранять температуру воды и запоминать ваше конкретное местоположение. Затем вы можете поделиться всей этой информацией в социальных сетях.

Как будто этого было недостаточно, вы можете использовать устройство с его функциями GPS. Таким образом, вы можете отметить на карте свои любимые места, причал, глубину воды и многое другое.

Также стоит упомянуть, что iBobber имеет встроенный светодиодный луч, а также сигнализацию о столкновении и рыбалке.Все это делает его отличным вариантом для подледной рыбалки или ночной рыбалки.

Основные характеристики:

  • Показывает изображение на экране вашего смартфона
  • Имеет светодиодный луч и сигнализацию для подледной рыбалки
  • Умещается в ладони
  • Работает с системой GPS

Недостатки:

  • Батареи хватает всего на 8 часов
  • Может отключаться от Bluetooth на некоторых телефонах

9.FishHunter PRO Smart с беспроводной технологией

Проверить последнюю цену

Этот футуристический гаджет дороже большинства, но стоит каждого доллара. Он не только отслеживает, где находится рыба, но также предоставляет информацию о глубине воды, температуре и многом другом.

Чтобы облегчить понимание показаний, FishHunter позволяет просматривать их при двух настройках. Первый — «Рыбный вид». Это смоделированное изображение с изображениями рыб и сорняков, чтобы показать вам, что находится под поверхностью.Это невероятно легко понять. Вторая настройка — «Raw View». Вместо того, чтобы упрощать вещи, изображение, которое вы получаете на свой дисплей, является именно тем, что считывает датчик. То есть вы увидите множество пятен на разной глубине.

Это отличное устройство для подледной рыбалки. Датчик плавает в воде в проруби и может выдерживать температуру ниже -22ºF.

Возможно, лучше всего его возможности подключения. Датчик соединяется со смартфоном с помощью Wi-Fi (что более надежно, чем Bluetooth).Вот где будут отображаться показания. Когда вы закончите рыбалку, вы всегда можете просмотреть данные дома и даже загрузить их в Интернет.

Основные характеристики:

  • Использует аккумуляторные батареи (срок службы батареи 10 часов)
  • Можно использовать для подледной рыбалки
  • Подключается ко всем смартфонам с помощью Wi-Fi
  • Обрабатывает данные за вас и ясно представляет их вам

Недостатки:

  • Пластиковый преобразователь может быть не самым прочным

Что такое портативный эхолот?

Портативный эхолот — это небольшое устройство, в котором используется технология сонара для обнаружения объектов под поверхностью.Он отлично подходит для ловли всех видов рыб, как мелких, так и крупных.

Самое лучшее в этих гаджетах то, что для работы их не нужно устанавливать на лодке. Традиционные сканеры рыбы должны быть подключены к лодке жестко. С ними вы можете ловить рыбу с берега, не беспокоясь о логистике.

Как вы понимаете, они довольно легкие. Самые маленькие из них помещаются в карман и подходят к вашему телефону. Но даже самые большие модели достаточно компактны, чтобы поместиться в небольшом рюкзаке.

Как работает портативный эхолот?

В портативных эхолотах, как и во многих других устройствах, используется технология сонара. Преобразователь излучает звуковые волны. Если на их пути окажется какой-то объект, волны будут ударить по нему и отскочить назад. Когда эти волны достигают преобразователя, программное обеспечение вычисляет, как далеко находится объект. Он делает это, анализируя, сколько секунд понадобилось волнам, чтобы отскочить от препятствия.

К счастью, вам не нужно беспокоиться о вычислениях.Сканер рыбы сделает это за вас. На экране вы увидите, на какой глубине находится рыба, по показаниям датчика. Если на пути устройства довольно много препятствий, можно сделать вывод, что это хорошее место для рыбалки.

Работают ли портативные эхолоты?

Да, это так! Модели более высокого уровня могут обнаруживать мелкую рыбу с большой точностью. Они также могут отличить камень или песчаную косу от косяка рыб, так что вы никогда не ошибетесь.Более дешевые модели по-прежнему точно скажут вам, где находится рыба. Тем не менее, они не так чувствительны, как другие предметы, и могут обнаруживать только рыбу среднего размера (более 10 сантиметров).

Кому нужен эхолот?

Любители рыбной ловли могут получить большую выгоду от приобретения одного из этих устройств. Во-первых, эхолоты приведут вас к хорошим местам для рыбалки. Выберите участок озера или берега, где обитает больше рыбы. Больше не нужно часами ждать, чтобы что-нибудь укусило.

Как использовать портативный эхолот

Технология

может быть немного сложной, но в данном конкретном случае это не обязательно. Все модели разные и дают вам показания по-разному. Несмотря на это, для использования большинства сканеров рыбы вам необходимо:

  1. Включите сканер и, если это возможно, соедините его со своим смартфоном.
  2. Измените настройки по своему усмотрению.
  3. Забросьте леску в воду с прикрепленным датчиком.
  4. Следите за экраном и ждите, пока на экране не появится рыба.

На четвертом шаге модели расходятся. Некоторые покажут красно-желтые пятна, чтобы сообщить вам, что поблизости есть рыба. Другие будут отображать значок рыбы только на той глубине, на которой они находятся. Вот почему полезно прочитать руководство по эксплуатации, когда вы получите гаджет. В целом, экран не должен быть трудночитаемым.

Где использовать эхолот?

Переносной эхолот можно использовать практически везде, где можно ловить рыбу.Озера, тихий пляж, медленные ручьи, что угодно. Остерегайтесь волн и взвешенных частиц. Это приведет к искажению показаний и сделает их неточными.

Для чего я могу использовать эхолот?

Лучшие портативные эхолоты работают в самых разных ситуациях. Чем больше дополнительных функций имеет ваше устройство, тем больше мест вы сможете взять с собой.

Подледная рыбалка

Вы можете заняться подледной рыбалкой с портативным сканером рыбы. В конце концов, разве не было бы замечательно, если бы дыра, которую вы просверлили в ледяном покрове, находилась рядом с косяком рыб?

Есть два способа использования сканера.Первый — вырезать отдельное отверстие для эхолота и проверить, находится ли он в хорошем месте. Если это так, просверлите рядом с ним еще одно отверстие для лески. Второй способ — расчистить снег, лежащий на поверхности ледяного покрова, убедившись, что во льду нет трещин или пузырей, и разместить здесь сканер. Если ваш эхолот говорит вам, что это хорошее место, чтобы вырезать яму, сделайте это. Хотя в этой ситуации показания некоторых моделей могут быть не такими точными, это самый простой способ найти хорошее место для рыбалки.

Рыбалка на байдарках

Это одно из самых популярных применений портативных сканеров. Тем не менее, это может быть немного сложно с установкой — и не все устройства будут работать на байдарке.

Во-первых, убедитесь, что в вашем сканере рыбы используются перезаряжаемые или одноразовые батареи. Если да, то отлично! Некоторые модели необходимо подключать к 12-вольтовой батарее, например, от лодки или автомобиля. С ними вы не сможете отправиться на рыбалку на каяках.

Во-вторых, найдите способ закрепить сканер на байдарке.Более крупные и громоздкие модели могут поставляться с присосками внизу, которые можно прикрепить к передней части каяка. Вы также можете найти место на дне каяка для установки эхолота. В качестве альтернативы, если вы используете сканер, который отправляет показания на ваш телефон, вы можете прикрепить свой телефон к удочке. Есть способы сделать это менее опасным. Например, вы можете получить крепление для телефона и надежно закрепить его на стойке.

Морское рыболовство

Очевидное применение этих портативных сканеров — морская рыбалка.Когда вы выходите на лодку, у вас достаточно места для установки сканера: на борту лодки, на одном из сидений, на полу — проявите творческий подход. Вам просто нужно остерегаться волн. Они влияют на точность показаний датчика, в результате чего показания получаются неверными. Но если море спокойное, это отличное место для использования вашего нового устройства.

Морская рыбалка

Вы можете быть обеспокоены тем, насколько точны показания вашего сонара в соленой воде. Не будет. Большинство портативных эхолотов адаптированы как для пресноводной, так и для морской рыбалки.

Подводная рыбалка

Портативные эхолоты используются для получения четкого представления о том, что происходит под поверхностью. Это ваша вторая пара глаз, приспособленная только для того, чтобы видеть под водой. Какими бы полезными и удобными они ни были, они не годятся для подводной рыбалки. В конце концов, вы должны будете собственными глазами найти следующий улов.

В чем разница между портативным эхолотом и морским GPS?

Морские системы GPS (только) дают вам представление о вашем географическом местоположении.Они покажут ваше местоположение на карте. Вы можете использовать их для сохранения определенных мест на карте и для создания собственного маршрута, если хотите. Они очень удобны, когда вы выходите на большое озеро и хотите вернуться в порт, откуда вы уехали. Несмотря на все свои полезные функции, они не могут создавать карты глубины воды за вас. Они также не обнаружат, где находятся косяки рыб.

Для этого вам понадобится портативный эхолот. Эти устройства могут быть простыми или сложными. Более простые модели (только) дадут вам представление о том, где искать рыбу.Они не будут показывать ваше местоположение на карте или что-нибудь в этом роде. Но более сложные модели обычно имеют встроенную систему GPS! Это означает, что в то же время вы можете видеть на экране положение косяков рыб и ваше положение на карте. Самое лучшее в этих современных устройствах то, что вы можете сохранить свои любимые точки для рыбалки для будущих посещений. И это не , что дорого .

Портативные эхолоты разных типов

Существует три основных типа эхолотов.Какой из них вам выбрать, зависит от того, с какой технологией, по вашему мнению, вы лучше справитесь, и от того, чего вы ожидаете от своего гаджета.

Переносные устройства

Портативные искатели — самые распространенные модели. Они немного больше вашей руки, но при этом достаточно легкие, чтобы брать их с собой в дорогу. Преобразователь отправляет показания на экран — у некоторых моделей есть светодиоды причудливого цвета, в то время как у других гораздо более упрощенные дисплеи — и есть несколько кнопок, которые вы можете нажать, чтобы поиграть с настройками.

Эти единицы трудно превзойти. Они надежны, дают точные показания и в большинстве случаев имеют приличное время автономной работы. Они также просты в использовании, когда дело доходит до чтения графиков на экране.

Если бы нам пришлось указать на недостаток, то они не были бы сверхкомпактными. Носить их с собой — не такая уж большая проблема, если у вас еще есть место в сумке для рыболовных принадлежностей.

Литые блоки

Это более футуристические устройства, которые используют Bluetooth и WiFi для подключения к вашему телефону.Преобразователь (часть, излучающая звуковые волны) выглядит как шар и умещается в ладони. Он будет соединен с вашим телефоном, чтобы вы могли анализировать показания. Большинство моделей работают как с устройствами Android, так и с iOS.

Их главное преимущество — портативность. Они легко помещаются в вашем кармане! Если у вас мало места в сумке для рыболовных принадлежностей, этот вариант стоит рассмотреть.

У них есть некоторые недостатки, особенно потому, что это новейшие технологии.Во-первых, связь между датчиком и телефоном временами может быть слабой. Вдобавок к этому старые или более громоздкие телефоны, как правило, не очень хорошо поддерживают приложение. У некоторых людей вылетали приложения, когда они рыбачили. Наконец, их батареи, как правило, работают всего до 8 часов, и это становится хуже, чем больше вы их используете.

Монтажные блоки

Это наименее распространенные единицы. Их дисплей выглядит как любой другой портативный эхолот.Но фишка в том, что их легко можно полупостоянно закрепить на лодке или каяке. Они поставляются с С-образным зажимом, который можно затягивать или ослаблять, чтобы отрегулировать захват. Это делает их идеальными для рыбалки на каяках, морских прогулок и рыбалки на каноэ.

Важные надстройки для поиска рыбы

Не все устройства для поиска рыбы одинаковы. Некоторые из них дешевы, потому что используют только технологию сонара, а другие дороже, потому что в них встроены причудливые надстройки. Эти обновления могут поднять ваш опыт рыбалки на новый уровень.

Эхолоты GPS

Как мы уже упоминали, некоторые эхолоты оснащены встроенной системой GPS. Он по-прежнему находит косяки рыб, но, кроме того, показывает ваше положение на карте в любой момент времени.

С этими юнитами можно творить крутые вещи. Например, вы можете найти место для рыбалки, которое вам действительно нравится, и сохранить его местоположение с помощью GPS. Затем, когда вы в следующий раз отправитесь на рыбалку, вы можете указать GPS, чтобы он направил вас к вашей собственной точке рыбалки. Или, если вы находитесь на озере, вы можете разработать маршрут и сохранить его на устройстве, которое приведет вас от дока к новым местам, которые вы еще не исследовали, и обратно.

Автономные сканеры рыбы

Это сканеры без оболочки. Их единственная задача — найти косяки рыб и показать вам, насколько глубока вода. Это не значит, что они плохие юниты — они хорошие! Они идеально подходят для более традиционного и нестандартного подхода к рыбалке. Те, кому сложно ладить с технологиями, наверняка оценят эти минималистичные (но точные!) Устройства.

Эхолоты с возможностью подключения

Встречайте самое лучшее: портативные эхолоты с возможностью подключения.Эти устройства обычно имеют встроенную систему GPS, но предлагают еще больше функций. Их основная цель — сделать рыбалку более динамичной.

Вы можете подключить эти сканеры к вашему телефону. Создайте карту глубины озера, разместите цифровые метки на ваших любимых местах рыбалки на карте, а затем загрузите всю эту информацию на свой телефон. Это так просто. Как будто этого было недостаточно, вы также можете загрузить всю эту информацию в Интернете. Например, вы можете поделиться со своими друзьями-рыбаками подробностями о своей последней рыбалке по электронной почте или на Facebook.

На что обращать внимание на портативный эхолот ?: Окончательное руководство по покупке

Очень важно найти сканер рыбы, соответствующий вашим потребностям. Это недешевые устройства, поэтому важно при первой покупке найти то, что вам понравится.

При таком большом количестве единиц, доступных в сети, можно легко потерять себя. Вот почему мы разработали это руководство по покупке портативных эхолотов: оно поможет вам в поиске. Когда вы начинаете просматривать страницы в Интернете или в магазине, обратите внимание на эти функции.Лучший эхолот отметит большинство из этих пунктов.

Качество преобразователя

Высококачественный преобразователь — залог хороших показаний. Это то, что излучает звуковые волны (сонар) и сообщает вам, есть ли поблизости рыба. Дерьмовый преобразователь ничего не стоит. Компании не всегда афишируют, насколько хороши (или плохи) эти изделия. Просмотрите отзывы клиентов на предмет упоминания «точных показаний». Если много нашла — ура! Вы можете перейти к следующему пункту.

Номинальная мощность

Все сканеры рыбы имеют номинальную мощность, измеряемую в ваттах.Некоторые модели имеют более низкий рейтинг, а другие — более высокий. В то время как они оба работают, лучшие агрегаты имеют высокую мощность. Они могут получать точные показания на больших глубинах. Итак, если вы планируете заняться глубоководной рыбалкой, мы рекомендуем приобрести самый мощный прибор, который вы можете себе позволить.

Аккумуляторы

Есть три способа питания вашего устройства. Либо с помощью перезаряжаемой батареи, одноразовых батареек, либо путем подключения к источнику питания 12 В. Изучите характеристики интересующего вас сканера, чтобы узнать, как он питается.

Будьте осторожны при выборе. Хотя 12-вольтовые сканеры обычно самые дешевые, они всегда должны быть подключены к вашей лодке. Это делает их намного менее портативными, не так ли? Рекомендуем приобрести одноразовые батарейки (которые можно перезарядить отдельным гаджетом). Это то, что лучше всего работает в долгосрочной перспективе.

Портативность и простота транспортировки

Насколько хорош портативный эхолот, если он слишком громоздкий, чтобы брать его с собой на рыбалку? Вам необходимо найти устройство с компактной конструкцией, которое будет удобно упаковывать и носить с собой.Если перетаскивание кажется слишком хлопотным, возможно, это не модель для вас.

Качество отображения

Вам необходимо четко анализировать показания, чтобы получить наилучшие впечатления от рыбалки. Таким образом, инвестировать в качественный дисплей — хорошая идея. Помогут ли цветные графики лучше понять, где находятся рыбы? У вас проблемы со зрением и вам нужен экран большего размера? Все зависит от вас!

Кроме того, имейте в виду, что во время многих (или, по крайней мере, некоторых) ваших поездок на рыбалку будет солнечно.Из-за этого вам понадобится экран, который не темнеет, когда он яркий. Точно так же, если вы планируете ловить рыбу ночью, вам понадобится экран с подсветкой. В противном случае вы не сможете пользоваться своим драгоценным устройством.

Размер экрана

Большинство экранов, которые мы видели, имеют диагональ не менее 3,5 дюймов. Некоторые модели имеют большие экраны, а другие — даже меньшие. Какой из них вы получите, зависит от того, насколько хорошо вы видите вещи. Экран какого размера вам будет удобнее?

Возможности подключения

Если вам нравятся технологии 21-го века, приобретение сканера, который можно подключить к вашему телефону, вероятно, будет хорошей инвестицией.Вы сможете поделиться подробностями своей рыбалки с друзьями, а также проанализировать карты позже, не выходя из собственного дома.

Возможность подключения вовсе не критичная функция. Имейте в виду, что это делает эти устройства более дорогими. Тем не менее, эхолот, который не может подключаться к другим устройствам, выполняет свою работу так же хорошо, как и более изящный.

Угол конуса

Преобразователи

излучают звуковые волны конической формы, чтобы вы могли понять, что скрывается под поверхностью.Мы уже упоминали, что ключевым моментом является получение хорошего преобразователя. Но это еще не все.

Для получения широкого подводного изображения необходимы широкие волны конусообразной формы, а именно 60 градусов шириной. Более узкие углы (например, 20 градусов) лучше всего подходят для глубоководной рыбалки. Двойные локомотивы — единственные, которые позволяют вам выбирать, хотите ли вы более широкий или более узкий обзор того, что находится под вами. Вот почему они дороже. Другие сканеры обычно используют только 20-градусный угол, когда дело касается их волн.

Мы рекомендуем приобрести двухлучевой эхолот, чтобы вы могли поиграть с настройками степени волны.Его легче адаптировать к любой рыбалке, которую вы хотите.

Частота

Некоторые устройства позволяют регулировать частоту звуковых волн, излучаемых преобразователем. Это очень полезно, когда вы хотите заняться как глубоководной, так и мелководной рыбалкой. Это позволяет получить более четкое и резкое изображение того, что находится под поверхностью. Более высокие частоты работают в более мелких областях — 190 кГц и 200 кГц. В более глубоких областях лучше всего работает низкая частота (например, 50 кГц).

Водонепроницаемый

Как ни странно, не все эхолоты водонепроницаемы.Преобразователи всегда есть, но светодиодные экраны могут быть повреждены брызгами воды. Лучше потратить немного больше денег на приобретение водонепроницаемого устройства. Это лучший способ максимизировать ваши инвестиции.

Стоимость

Наконец, составьте бюджет на свой портативный эхолот и придерживайтесь его. Вы найдете единицы по цене от 50 до 350 долларов. Что касается более дешевых вещей, вы увидите минималистичные устройства без GPS и без подключения к Интернету. На более дорогом конце шкалы у устройств будет много более привлекательных настроек.Тем не менее, в конце концов, все они находят рыбу.

Часто задаваемые вопросы

А портативные эхолоты хороши?

Да! Если вы не уверены, насколько точен конкретный сканер для рыбной ловли, рекомендуем прочитать отзывы клиентов. Люди обычно делятся обновленными отзывами о том, насколько хорошо (или плохо!) Их сканеры проработали несколько месяцев.

Как настроить портативный эхолот?

К сожалению, на этот вопрос нет однозначного ответа.Это действительно зависит от того, какую модель вы приобретаете. К сожалению, все, что мы можем вам сказать, это прочитать инструкцию по эксплуатации. Кроме того, вы можете посмотреть на YouTube, загрузили ли какие-либо клиенты обучающие видеоролики о том, как настроить свои устройства.

Может ли эхолот заменить карту?

К сожалению, не может. Карта по-прежнему необходима, если ваш эхолот не имеет встроенного GPS. Если это так, вы можете отказаться от карты дома и воспользоваться этой функцией.

Есть ли в эхолотах системы GPS?

Не все. А вот более дорогие модели подходят.

Все ли эхолоты водонепроницаемы?

К сожалению, нет. Более дешевые модели совсем не водонепроницаемы или водонепроницаемы. Плеск воды может поджарить всю систему. А вот более дорогие модели водонепроницаемы.

Как работают портативные эхолоты при подледной рыбалке?

Они работают так же, как в воде.Вам просто нужно принять дополнительные меры предосторожности. Например, нельзя использовать его в очень холодных условиях. Температура ниже 0ºF обычно достаточно, чтобы испортить ваше устройство. Следите за датчиком, когда он находится в ледяной воде, чтобы ледяной покров не замерзал вокруг него.

Как питаются эхолоты?

Они питаются тремя способами: от 12-вольтовых батарей, от аккумуляторных батарей (например, от телефонов) или от одноразовых батарей.

Можете ли вы с помощью сканера определить, какие рыбы находятся под водой?

Нет, нельзя. Технология сонара сообщит вам только о том, что под поверхностью есть рыба, а не о окунье, карпе и т. Д. Вам нужно подождать, пока он укусит, чтобы узнать это!

Заключительные слова: какой портативный эхолот самый лучший?

Лучший портативный эхолот для подледной рыбалки: Беспроводной сканер FishHunter

Лучший портативный эхолот для аренды каяка: Humminbird Fishing Buddy MAX

Лучший портативный эхолот для каноэ: Deeper Smart Wireless Finder

Лучший портативный эхолот для береговой рыбалки: Garmin Striker 4 Fish Finder

Лучшие 7 рыболовных приложений для IOS и Android

Сезон рыбалки уже наступил, и сейчас самое время использовать новые инструменты и технологии, чтобы добиться максимального успеха в рыбалке .Эти семь приложений для рыбалки предлагают журналы, карты, сведения о погоде и многое другое. Подумайте о некоторых из этих лучших приложений для рыбалки, чтобы добиться максимального успеха в следующий раз, когда вы выйдете на воду.

Посох Кабелы

Лучшие приложения для рыбалки для успеха

FishAngler App — Открывайте новые места для рыбалки, общайтесь с другими рыболовами и получайте погоду в реальном времени и прогнозы на Солнце. Следите за своими успехами на рыбалке и делитесь своими фотографиями и опытом с другими в вашем районе.В отличие от других приложений, FishAngler не требует скрытых платежей, чтобы воспользоваться какими-либо специальными функциями! Недавно признано лучшим приложением для рыбалки от Xprize — Ocean Initiative. Ссылка на FishAngler.com

Особенности: Рыболовный журнал, интерактивные карты, 7-дневный прогноз погоды, лента новостей, отчеты о рыбалке и возможность общаться с другими.

Наличие и цена: Доступно бесплатно для пользователей Android и Apple.


NAVIONICS App — Нет на вашей лодке GPS-навигатора? Для этого есть приложение.Компания Garmin предлагает NAVIONICS — приложение номер один для катания на лодках с подробными картами, GPS-плоттером, навигационными и сонарными картами.

Особенности: Привязка фотографий с географическими тегами, создание и редактирование маршрутов, измерение расстояния между двумя точками, добавление маркера к выбранным местоположениям, прогноз ветра и многое другое.

Наличие и цена: Доступно для пользователей Android и Apple. Цены варьируются от 9,99 до 49,99 долларов с двухнедельной бесплатной пробной версией. Ссылка на приложение NAVIONICS Boating App (США)


Приложение Fish Rules — Несмотря на то, что это важно перед рыбалкой, тщательно проанализировать соответствующие государственные и федеральные постановления сложно. Fish Rules упрощает понимание правил морской рыбной ловли от штата Мэн до Техаса. Это приложение знает, сезон ли у видов, сколько их можно держать и насколько они должны быть большими. В Fish Rules также есть ответы на наиболее часто задаваемые вопросы относительно государственных и федеральных нормативных актов, предоставляя вам точную и подробную информацию.

Особенности: Постоянно обновляемые правила, отслеживание выловленной и выпущенной рыбы, а также высококачественные иллюстрации и описания, которые помогут идентифицировать ваш улов без подключения к Интернету или сигнала.

Наличие и цена: Доступно бесплатно для пользователей Android и Apple. Ссылка на приложение Fish Rules


Приложение Deeper Smart Sonar — Если у вас нет эхолота Deeper Fish Finder или даже если он есть, это приложение для вас! Deeper — интеллектуальный сонар максимизирует ваш улов, сообщая вам лучшее время и место для рыбалки, измеряет глубину, определяет местонахождение целей и регистрирует ваши уловы.Он даже позволяет делиться фотографиями в социальных сетях с другими рыболовами.

Особенности: Календарь активности солнечной рыбалки, автономные карты и прогноз погоды, включая температуру, скорость ветра, влажность и давление.

Наличие и цена: Доступно бесплатно для пользователей Android и Apple. Ссылка на приложение Deeper Smart Sonar


Fishidy Fishing App — В отличие от других приложений, Fishidy не только предоставляет вам проверенные и проверенные места, но и предоставляет доступ к GPS-координатам, чтобы упростить поиск следующего любимого места для рыбалки, чем когда-либо.Приложение делает еще один шаг вперед, а также дает представление о новых водных путях, сезонных перемещениях и поведении рыб, а также о любых основных моделях, способствующих успеху рыбной ловли.

Особенности: Границы частной собственности на землю на картах, читайте обзоры и покупайте охотничье снаряжение, а также настраиваемые путевые точки.

Наличие и цена: Доступно бесплатно для пользователей Android и Apple. Доступны несколько вариантов премиум-членства от 0,99 до 49,99 долларов. Ссылка на мобильное приложение Fishidy для рыбалки

Совет: Посетите Fishidy’s, где можно ловить рыбу, и советы по рыбалке здесь


ProAngler App — Устали переключаться между несколькими разными приложениями, чтобы найти то, что вам нужно? Pro Angler — это универсальное приложение для морской рыбалки с еженедельными отчетами о местоположении от капитанов судов и властей рыболовов, более 15 000 точек доступа GPS, 350 видов морских рыб и простые в использовании государственные и федеральные правила.Приложение также держит вас в курсе, предоставляя еженедельное локальное обновление для вашего региона под названием «Что кусается».

Особенности: Подробный гид по видам, методы ловли, погода в реальном времени для моряков, информация о приливах и солнечной активности, местные магазины с приманками, общественные катера и многое другое.

Наличие и цена: Доступно бесплатно для пользователей Android и Apple. Предлагает внутриигровые продукты по цене от 5,99 до 59,88 долларов за штуку. Ссылка на приложение Pro Angler Fishing


FISHBRAIN App- Не можете найти подходящую платформу социальных сетей для общения с единомышленниками-рыболовами? FISHBRAIN — это социальное приложение для рыбалки, которое связывает вас с миллионами рыболовов, которые делятся своими рыбными промыслами, фотографиями и местами.Приложение также служит личным рыболовным журналом, прогнозом и календарем — все в одном.

Особенности: Получите советы по рыбалке от сообщества FISHBRAIN и проанализируйте личные статистические отчеты на основе ваших прошлых результатов.

Наличие и цена: Доступно бесплатно для пользователей Android и Apple. FISHBRAIN Premium доступен от 5,99 долларов в месяц.

С этими приложениями у вас обязательно будет лучший сезон рыбалки. Лучше всего то, что вы сможете отслеживать свою статистику, включая ваши любимые места для рыбалки и какая наживка работала лучше всего, чтобы обеспечить успешную рыбалку на долгие годы. Ссылка на приложение FISHBRAIN

Идентификация рыб по видео, снятым в неконтролируемой подводной среде | Журнал ICES по морским наукам

Существует острая необходимость в разработке методов отбора проб, которые могут обеспечить точные и точные данные о подсчете, размере и биомассе рыбы. Эта информация необходима для поддержки процессов принятия решений менеджерами и учеными в области рыболовства и охраны морской среды.Цифровые видеотехнологии стремительно совершенствуются, и теперь появилась возможность экономично записывать длительные периоды цифровых изображений высокого разрешения, что делает одиночные или стереовидеосистемы одним из основных инструментов выборки. Однако ручное определение видов, подсчет и измерение рыб на стерео-видеоизображениях является трудоемким процессом и является основным препятствием для внедрения этой технологии. Автоматизация идентификации видов с использованием технологий, разработанных исследователями компьютерного зрения и машинного обучения, изменит морскую науку.В этой статье представлена ​​новая парадигма классификации наборов изображений, которая может быть использована для достижения улучшенных показателей распознавания для ряда видов рыб. Обсуждаются современные алгоритмы построения, моделирования и сопоставления наборов изображений из литературы по компьютерному зрению с анализом их применения для автоматической идентификации видов рыб. Показано, что эти алгоритмы могут решить проблему автоматической идентификации видов рыб в подводных видеороликах, снятых в неограниченных условиях.

Введение

Оценка биомассы различных видов рыб имеет ключевое значение для морских ученых, агентств по охране окружающей среды, а также рыболовства. Изменения в распределении и относительной численности видов рыб в различных частях Мирового океана могут указывать на естественные или антропогенные изменения экологических условий, с некоторыми из которых можно справиться с помощью соответствующих действий (например, обеспечения соблюдения запретов и квот на рыбный промысел для конкретных видов). В океанах проводятся регулярные съемки для оценки относительной биомассы и распределения целевых или индикаторных видов рыб.Для этой цели используются две ключевые технологии: акустическая съемка (Fernandes, 2009; Fablet и др. , 2009) и видеонаблюдение (Harvey and Shortis, 1995; Shortis и др. , 2009). Подводная видеосъемка получает более широкое распространение из-за низкой стоимости цифровых видеокамер и возможности проверки оценок в более поздний момент времени на основе видеозаписей (Cappo et al. , 2003; Mallet and Pelletier , 2014).

Из-за фундаментальной важности распознавания видов рыб за последние два десятилетия было предложено несколько методов, основанных на компьютерном зрении, для автоматического определения видов рыб на заданном изображении.Эти методы можно в общих чертах разделить на три основные области применения в зависимости от их объема:

  • Распознавание мертвой рыбы (например, на конвейерной ленте) в контролируемых внутренних или наружных условиях

  • Распознавание живой (плавающей) рыбы в контролируемых подводных условиях (например, во время передачи аквакультуры)

  • Распознавание живых (плавающих) рыб в свободных подводных условиях (например, свободно плавающих рыб в их естественной среде обитания, отображаемых статическими камерами)

Ранее работа по распознаванию видов рыб была сосредоточена на распознавании мертвых рыба (Strachan et al., 1990; Страчан и Келл, 1995). Основными признаками, используемыми для различения различных видов рыб, были дескрипторы формы и инвариантные моменты. Использование цветовых особенностей помимо форм было исследовано Страчаном (1993). Основное применение этих методов — сортировка рыбы на коммерческих и исследовательских рыболовных судах. Storbeck и Daan (2001) разработали метод различения видов рыб с использованием лазерного источника света и камеры для извлечения деталей из трехмерной формы рыбы (высота, ширина, толщина).В недавних исследованиях в этом направлении используются специально разработанные системы визуализации и конвейерные ленты с контролируемым освещением для достижения надежности сортировки более 99% по нескольким важным видам рыб (White et al. , 2006). Набор функций изображения, используемых для распознавания видов рыб, также расширился с в первую очередь функций на основе формы до моделирования деформируемых форм и функций на основе текстуры (Larsen et al. , 2009).

Новаторская работа в области развертывания систем стереокамер в контролируемой среде аквакультуры была проделана Ruff et al. (1995) и Харви и Шортис (1995). Основное внимание в этих методах уделяется поддержке принятия решений для руководителей хозяйств и морских ученых. Идентификация видов рыб и измерения длины обычно выполняются вручную операторами в лаборатории. Методы сортировки рыбы и определения видов в пресноводных рыбоводных хозяйствах, где в пруду выращивают несколько видов рыб, были разработаны Zion et al. (1999, 2000). Чтобы повысить точность и скорость работы системы, они разработали систему компьютерного зрения, которая отображает рыбу, плывущую по узкому каналу боком к камере, чтобы получить профиль каждой рыбы.Фоновая подсветка использовалась для преодоления непрозрачности воды и создания высокого контраста изображения. Используя эту систему, они смогли достичь более 95% точности идентификации рыб в реальном времени (Zion et al. , 2007). Еще одна система для идентификации видов и измерения размеров в рыбных лестницах, узком специальном проходе в плотинах, который позволяет рыбе обходить структуру плотины, была разработана Lee et al. (2008). Они использовали управляемую настройку освещения и использовали цветовые особенности для извлечения рыб из изображений.Затем сопоставление контуров использовалось для распознавания видов, а также для измерения размеров.

Автоматические методы определения видов рыб в естественных условиях предполагают, что рыба уже была обнаружена на изображении и имеется грубая ограничивающая рамка вокруг рыбы. Обнаружение рыбы может быть достигнуто с помощью простого дифференцирования кадров с фоновым кадром (Shortis и др. , 2013) или более сложной заметности (Walther и др. , 2004) или методов, основанных на моделировании переднего плана (Spampinato и др. ., 2008 г .; Надараджан и др. , 2011). Основная причина предположить, что рыба была обнаружена заранее, — это проблема, связанная с точным обнаружением рыбы в естественных условиях. Основные проблемы возникают из-за того, что рыба свободно плавает, что может привести к огромным отклонениям в очертаниях рыбы, проецируемых на двухмерное изображение, захваченное камерой. Из-за сложной природы проблемы распознавание видов рыб в естественной подводной среде стало рассматриваться только недавно.

Одна из первых попыток определения видов свободно плавающих рыб в условиях ограниченного пространства была предпринята Rova et al. (2007). Они представляют метод классификации рыб сходной формы, основанный только на их текстуре в естественной среде. Этот подход ограничен приложениями, в которых целевые виды рыб обладают богатой текстурой. В Spampinato et al. (2010) был представлен метод объединения информации о форме с текстурой для классификации рыб в естественной среде.Основная проблема при использовании функций на основе формы для классификации рыб в естественной подводной среде — это богатая текстура морского дна и рифов, которая делает сегментацию рыбы по фону очень сложной задачей. Кроме того, из-за различий в перспективе (определяемых позой рыбы по отношению к камере) контур рыбы на изображении демонстрирует гораздо большее изменение формы, чем контур только для видов рыбы в профиль. Чтобы уменьшить зависимость от особенностей формы, недавняя работа Huang et al. (2015) использует богатый дескриптор функции, использующий цвет, текстуру и форму. Кроме того, из разных частей рыбы (морды, хвоста, тела и т. Д.) Извлекаются отдельные признаки, чтобы усилить их описательную, а также различительную способность. Из-за ограничений подходов, основанных на признаках, недавно в Hsiao et al. (2014). Для классификации рыб они использовали полные изображения рыб в структуре, основанной на разреженном представлении.

Все предыдущие исследования, за исключением Huang et al. (2015), основывая свое классификационное решение на одном изображении. Однако в случае идентификации рыб в дикой природе почти всегда существует видеопоследовательность, в которой одна и та же рыба появляется в нескольких кадрах. Из-за направления плавания и поведения рыбы каждый из этих кадров не обязательно имеет одинаковый уровень сложности для классификации изображений. Иллюстрация этого явления показана на рисунке 1.Следовательно, чтобы иметь возможность классифицировать рыбу в их естественной неограниченной среде, важно рассмотреть несколько кандидатов на распознавание одной и той же рыбы. Такие кандидаты на распознавание могут быть получены путем отслеживания обнаруженной рыбы по нескольким кадрам. Следовательно, принятие окончательного решения на основе последовательности или набора изображений может дать более надежные результаты по сравнению с использованием одного экземпляра рыбы. Простой подход к использованию этой избыточности был использован Huang et al. (2015), который использовал голосование по классификационным решениям отдельных инстанций для принятия окончательного решения. Однако у этого простого подхода к голосованию большинством голосов есть несколько ограничений. Во-первых, индивидуальное решение по классификации по-прежнему основывается на одном изображении. Во-вторых, не принимается во внимание взаимосвязь между разными изображениями одной и той же отслеживаемой последовательности.

Рисунок 1.

Образец набора изображений, показывающий, как отдельные изображения в последовательности создают различный уровень сложности для распознавания видов рыб.На некоторых изображениях ориентация и положение рыбы не позволяют извлечь надежные элементы формы.

Рисунок 1.

Образец набора изображений, показывающий, как отдельные изображения в последовательности создают различный уровень сложности для распознавания видов рыб. На некоторых изображениях ориентация и положение рыбы не позволяют извлечь надежные элементы формы.

В литературе по компьютерному зрению недавно появилась новая парадигма классификации на основе наборов для распознавания объектов (Hu et al., 2012 г.). Основная идея классификации наборов изображений состоит в том, чтобы представить распознаваемый объект как набор изображений. Это более перспективно для точной классификации, потому что наборы изображений содержат больше информации по сравнению с одним изображением. В наборе изображений отдельные изображения либо имеют общие семантические отношения, либо дополняют варианты внешнего вида объекта. Наконец, классификация выполняется для всего набора с использованием некоторых критериев расстояния между наборами изображений. Определение новых представлений наборов изображений и полезные меры расстояния для классификации набора изображений — активные темы исследований в сообществе компьютерного зрения.Это исследование демонстрирует, как недавно появившиеся методы классификации на основе наборов изображений могут быть использованы для распознавания видов рыб в неограниченной среде. Мы предлагаем структуру для этой цели, основанную на современных алгоритмах отслеживания (для создания набора изображений из одного экземпляра рыбы) и классификации наборов изображений (для определения видов рыб). Фактические алгоритмы отслеживания и классификации наборов изображений, используемые в этой работе, могут быть заменены другими алгоритмами без необходимости изменения представленной структуры.Кроме того, мы обсуждаем последствия для практического применения представленного метода распознавания видов рыб за пределами видов, рассмотренных в этом исследовании.

Материалы и методы

Чтобы оценить эффективность классификации наборов изображений для определения видов рыб, была использована коллекция изображений из ImageCLEF 2014 Fish Task (Spampinato и др. , 2014). Набор данных содержит предварительно определенные обучающие и тестовые разбиения для десяти видов рыб. Отдельные образцы в наборе данных получены из большого количества видеороликов, содержащих различный фон и состояние воды.Алгоритм автоматического обнаружения рыбы (Spampinato et al. , 2008) использовался для обнаружения рыбы на видео с последующим определением видов рыб вручную. Примеры изображений различных видов рыб из набора данных показаны на рисунке 2.

Рисунок 2.

Примеры изображений различных видов рыб (по одному в строке) в наборе данных ImageCLEF 2014. Виды рыб (сверху вниз): Acanthurus nigrofuscus , Amphiprion clarkii, Chaetodon lunulatus, Chromis margaritifer, Dascyllus reticulatus, Hemigymnus fasciatus, Lutjanus fulvus, Myripristis berndti, Neoniphon sammara и Plectroglyphidodon dickii .Обратите внимание на различия в изображениях с точки зрения текстурированного фона, углов обзора рыб, направлений плавания рыб, деформаций формы, частичных окклюзий, размытия движения и низкого разрешения изображения.

Рисунок 2.

Образцы изображений различных видов рыб (по одному в ряду) в наборе данных ImageCLEF 2014. Виды рыб (сверху вниз): Acanthurus nigrofuscus, Amphiprion clarkii, Chaetodon lunulatus, Chromis margaritifer, Dascyllus reticulatus, Hemigymnatus fasciatus, Lutjanus fulvus, Myripristis berndti, Neoniphon sammara и Plectroglyphidodon dickii .Обратите внимание на различия в изображениях с точки зрения текстурированного фона, углов обзора рыб, направлений плавания рыб, деформаций формы, частичных окклюзий, размытия движения и низкого разрешения изображения.

Классификация с использованием наборов изображений

Классификация наборов изображений включает сравнение: (i) набора изображений, содержащих один, но неизвестный вид рыб (в последующем анализе, тестовый набор), с: (ii) несколькими наборами изображений, каждое из которых содержит один известный виды рыб (обучающие наборы).Цель состоит в том, чтобы определить наиболее близкое соответствие между обучающим набором изображений и тестовым набором изображений, чтобы установить виды тестового набора. Важно отметить, что как тестовые, так и обучающие наборы содержат несколько изображений рыб одного вида, охватывающих различные характеристики изображения, такие как поза, освещение, фон и т. Д. Этот факт делает метод особенно подходящим для идентификации рыб в условиях отсутствия ограничений.

Мы обозначаем индивидуальный набор изображений, тестовых или обучающих, обозначением X = x1, x2,…, xN, где каждый xi представляет отдельное изображение рыбы, а набор содержит всего N изображений, все одного вида.В случае наборов тестовых данных вид неизвестен; в случае наборов обучающих данных это известно. Когда вид конкретной рыбы в данном кадре видео должен быть автоматически идентифицирован, рыба отслеживается в кадрах непосредственно перед и после данного кадра. В результате трекинга получается несколько изображений рыбы, составляющих одну тестовую серию. Отдельные изображения в тестовой выборке представляют различный внешний вид рыбы в результате плавания рыбы.

Для разработки обучающих наборов, несколько изображений каждого целевого вида в разных условиях (фон, угол обзора, деформации тела в результате плавания, освещение и т. Д.)) обязательны, и вид должен быть идентифицирован. Данные для обучения состоят из одной или нескольких последовательностей изображений, созданных путем отслеживания каждого интересующего вида рыб в видеопоследовательностях. На практике оператор вручную проверяет набор видео, отмечая виды и положение (положение ограничивающей рамки, ширину, высоту, ориентацию) каждой отмеченной рыбы. Данные обучения используются используемым алгоритмом машинного обучения (Hu et al. , 2012) для построения модели внешнего вида этих видов рыб.Иллюстрация наборов обучающих и тестовых изображений для конкретного вида рыб показана на рисунке 3.

Рисунок 3.

Иллюстрация наборов обучающих и тестовых изображений для вида Hemigymnus fasciatus . Обратите внимание, что тренировочный набор (а) содержит большое количество вариантов позы и освещения. Тестовый набор (b) содержит последовательность изображений, полученных путем отслеживания целевой рыбы на нескольких кадрах. Все отдельные изображения в обучающих, а также тестовых наборах изменяются до фиксированного размера (в данном случае 32 X 32) для унифицированного представления набора изображений.

Рисунок 3.

Иллюстрация наборов обучающих и тестовых изображений для вида Hemigymnus fasciatus . Обратите внимание, что тренировочный набор (а) содержит большое количество вариантов позы и освещения. Тестовый набор (b) содержит последовательность изображений, полученных путем отслеживания целевой рыбы на нескольких кадрах. Все отдельные изображения в обучающих, а также тестовых наборах изменяются до фиксированного размера (в данном случае 32 X 32) для унифицированного представления набора изображений.

Отслеживание рыбы для построения набора изображений

Целью отслеживания рыбы в этом исследовании является создание набора участков тестового изображения (прямоугольные области в разных кадрах, содержащих только отслеживаемую рыбу), которые можно использовать при классификации набора изображений для определения вида целевой рыбы (см. Рисунок 4 для примера).Начиная с известного положения (положение ограничивающей рамки, ширина, высота, ориентация) и, возможно, параметров движения (скорость и ускорение) конкретной рыбы в видеокадре, метод отслеживания (также известный как трекер) будет определять состояние рыбы в предыдущем и следующем кадрах. Это делается вероятностным способом с использованием метода байесовской последовательной выборки, называемого фильтрами частиц. Мы отсылаем читателя к Arulampalam et al. (2001) для обзора сажевых фильтров.Следует отметить, что фильтры частиц широко использовались для отслеживания объектов общего назначения в видеопоследовательностях, как показано Smeulders et al. (2014). В общем, трекер с фильтром частиц направлен на поддержание точной оценки апостериорного распределения текущего состояния отслеживаемой рыбы с учетом всех предыдущих и текущих наблюдений рыбы, то есть участков изображения, показывающих, как выглядит рыба. эволюционирует с течением времени. Это обеспечивает удобную структуру для оценки и распространения апостериорного распределения независимо от основного распределения посредством последовательности шагов прогнозирования и обновления; таким образом, обобщая известный фильтр Калмана.Подробности этой структуры представлены в Zhang et al. (2013, 2015) для дальнейшего чтения.

Рисунок 4.

Визуальный пример отслеживания рыбы в неконтролируемой среде с использованием метода, предложенного в Zhang et al. (2015). Обнаруженные ограничивающие рамки — это текущие лучшие состояния рыбы в каждом из видеокадров. Эти участки изображения, обозначенные наложенным прямоугольником в каждом кадре, могут впоследствии использоваться для создания тестового набора для метода классификации наборов изображений, описанного в разделе «Классификация с использованием наборов изображений».

Рисунок 4.

Визуальный пример отслеживания рыбы в неконтролируемой среде с использованием метода, предложенного в Zhang et al. (2015). Обнаруженные ограничивающие рамки — это текущие лучшие состояния рыбы в каждом из видеокадров. Эти участки изображения, обозначенные наложенным прямоугольником в каждом кадре, могут впоследствии использоваться для создания тестового набора для метода классификации наборов изображений, описанного в разделе «Классификация с использованием наборов изображений».

Представление набора изображений

Первая проблема после построения набора изображений — как извлечь и представить информацию из набора изображений.Набор изображений, созданный путем отслеживания рыбы на большом количестве кадров, состоит из изображений, содержащих разные позы рыбы, а также меняющийся фон. Чтобы автоматически обнаруживать общие черты между этими отдельными изображениями, часто используются методы, основанные на подпространствах. Подпространство эффективно представляет диапазон изображений, которые могут быть сгенерированы из набора общих базовых изображений Ui . Например, в качестве эталона можно рассматривать среднее изображение μi⁠, полученное путем усреднения значений серого пикселей в каждом месте по всем изображениям в наборе изображений.Любое заданное изображение xi в наборе изображений может быть построено с использованием эталонного изображения μi и взвешенной суммы базовых изображений Ui⁠, то есть xi = μi + Uivi⁠, где vi представляет собой веса. Набор базовых изображений для определенного вида рыб может быть сгенерирован путем выполнения математического процесса, называемого анализом главных компонентов (PCA), на большом наборе изображений, изображающих рыб этого вида, появляющихся в разных позах, условиях освещения и фоне (Абди и Уильямс , 2010). Базовыми изображениями можно считать набор ингредиентов, полученных в результате статистического анализа многих изображений интересующего объекта (рыбы).Любое изображение рыбы можно рассматривать как взвешенную комбинацию этих базовых изображений, которые выглядят как светлые и темные области, расположенные по определенному шаблону. Пример базовых изображений, вычисленных с использованием PCA, показан на рисунке 5. Набор изображений i затем представляется вместе с набором Xi отдельных изображений, а также базовыми изображениями (μi, Ui), вычисленными для этого набора.

Рисунок 5.

Иллюстрация изображений среднего и базового для наборов обучающих (слева) и тестовых (справа) изображений, показанных на рисунке 3.Сначала отображается среднее изображение, за которым следует индивидуальный базис, рассчитанный с использованием анализа главных компонентов. Обратите внимание, что количество базовых изображений больше для обучающего набора по сравнению с тестовым набором, чтобы удовлетворить большее разнообразие изображений в обучающем наборе.

Рисунок 5.

Иллюстрация средних и базовых изображений для обучающих (слева) и тестовых (справа) наборов изображений, показанных на рисунке 3. Среднее изображение изображено первым, за ним следует индивидуальный базис, вычисленный с использованием принципала. Компонентный анализ.Обратите внимание, что количество базовых изображений больше для обучающего набора по сравнению с тестовым набором, чтобы удовлетворить большее разнообразие изображений в обучающем наборе.

Вычисление сходства между наборами изображений

Простым способом вычисления сходства между двумя наборами изображений является использование меры сходства (например, корреляция между значениями пикселей) между двумя отдельными изображениями, а затем использование ее для вычисления среднего сходства между обучающим и тестовым наборами (например, путем сравнения каждого изображения в одном наборе к каждому изображению в другом наборе).Эта процедура не только дорогостоящая с точки зрения вычислений, но и подвержена ошибкам из-за шума и наличия выбросов в обучающих или тестовых наборах. Такие выбросы могут появиться, например, в результате сбоя отслеживания. Более элегантный способ вычисления подобия состоит в том, чтобы построить двух синтетических изображений, одно из набора обучающих изображений, а другое из набора тестовых изображений, так, чтобы синтетические изображения были на похожи друг на друга , насколько это возможно. Произвольно большое количество синтетических изображений может быть построено из заданного базиса (μi, Ui) ⁠, используя соотношение xi = μi + Uivi, изменяя веса vi базиса.Следовательно, алгоритм оптимизации применяется для минимизации разницы Dxi, xj между восстановленным изображением xi из набора обучающих изображений и xj из набора тестовых изображений. В литературе сообщалось о многочисленных показателях различия изображений (Mahmood and Khan, 2012), и любой из этих показателей можно использовать для вычисления разницы D. Для данного набора тестовых изображений его разность вычисляется из всех наборов обучающих изображений. Затем набору тестовых изображений присваивается ярлык (название вида) набора обучающих изображений, который имеет наименьшее отличие от него.В литературе по машинному обучению этот подход широко известен как классификация одного ближайшего соседа (Cover and Hart, 1967).

Поскольку пространство всех изображений, которые могут быть созданы с использованием данной основы, очень велико, можно построить два изображения с очень небольшой разницей между ними даже для двух наборов изображений разных видов рыб, что отрицательно сказывается на эффективности классификации. Следовательно, желательно во время построения изображений ограничить их внешний вид, визуально подобный образцам в соответствующем наборе изображений.Эта цель может быть достигнута путем построения синтетического изображения с использованием линейной комбинации изображений в наборе изображений, то есть x = ∑n = 1Nαnxn или записанной в матричной форме x = Xα⁠, где α — весовой вектор. Следовательно, выполняется совместная оптимизация (Hu и др. , 2012) для построения изображений xi и xj из базиса набора обучающих изображений (μi, Ui) и базиса набора тестовых изображений (μj, Uj) соответственно; таким образом, что разница Dxi, xj минимизируется при сохранении сконструированных изображений близко к их соответствующим образцам набора изображений Xi и Xj⁠.Результатом алгоритма оптимизации являются оптимизированные значения весовых коэффициентов базового изображения (⁠vi и vj⁠) и векторов весовых коэффициентов выборки изображения (α и β) для наборов обучающих и тестовых изображений, соответственно. Hu et al. (2012) продемонстрировали, что улучшенные результаты достигаются, когда весовые векторы α и β равны разреженным , то есть большинство их элементов равны нулю. Вектор разреженного веса позволяет алгоритму оптимизации выбирать только несколько выборок из соответствующих наборов изображений, что позволяет ему эффективно игнорировать выбросы и нерепрезентативные выборки выборок, которые могут возникнуть из-за ошибок, допущенных алгоритмом отслеживания.Следовательно, в алгоритме оптимизации также применяется ограничение разреженности, так что весовые векторы (⁠α и β), возвращаемые алгоритмом, являются разреженными, что делает алгоритм устойчивым к отслеживанию сбоев (подробности см. В Hu и др. , 2012). . Иллюстрация построения редко аппроксимированных выборок из наборов обучающих и тестовых изображений и соответствующих критериев оптимизации показана на рисунке 6. Обратите внимание, что одновременная оптимизация набора тестовых изображений с каждым из наборов обучающих изображений должна выполняться при классификации набор тестовых изображений.Следовательно, этап обучения представленного алгоритма включает только сбор помеченных обучающих выборок и построение моделей наборов изображений для всех наборов обучающих изображений. Он не требует какой-либо оптимизации на этапе обучения, что является неотъемлемым преимуществом использования подхода классификации на основе ближайшего соседа. С другой стороны, фаза тестирования требует больше вычислений, так как набор тестовых изображений должен быть оптимизирован совместно со всеми наборами обучающих изображений, чтобы найти наиболее подходящий обучающий набор.

Рисунок 6.

Иллюстрация редко аппроксимирующих новых изображений в обучающем и тестовом наборе с использованием соответствующих моделей наборов изображений с целью поиска наиболее похожих изображений в двух наборах.

Рисунок 6.

Иллюстрация редко аппроксимирующих новых изображений в обучающем и тестовом наборе с использованием соответствующих моделей наборов изображений с целью поиска наиболее похожих изображений в двух наборах.

Протокол оценки эффективности

Обучающие и тестовые изображения в данных ImageCLEF 2014 Fish Task содержат последовательности изображений, в которых присутствует несколько экземпляров одной и той же рыбы.Следовательно, каждая из этих последовательностей изображений может использоваться как единый набор изображений. Во время тестирования необходимо отдельно пометить каждую отслеживаемую последовательность. Таким образом, наборы тестовых изображений были созданы на основе группировки участков отслеживаемых изображений одной рыбы в один набор изображений. Аналогичный подход можно использовать и для создания наборов обучающих образов. Недостатком этого подхода является то, что моделирование наборов изображений с использованием нескольких образцов не так точно, как моделирование набора с большим количеством образцов. Таким образом, все обучающие образы определенного вида рыб рассматривались как единый обучающий набор образов для этого вида.Преимущество этого подхода состоит в том, что большое количество изображений содержит более богатый набор вариаций, которые более эффективно кодируются в соответствующем представлении набора изображений.

Точность представленного алгоритма измеряется путем сравнения предсказанной метки набора изображений с ее истинной, определенной вручную меткой. Если обе метки совпадают, набор изображений считается правильно классифицированным. В противном случае классификационное решение считается неверным. Точность классификации определяется как процент правильно классифицированных наборов изображений по отношению к общему количеству наборов тестовых изображений.

Результаты

Для эффективного моделирования наборов изображений в первом эксперименте игнорировались тестовые наборы, содержащие менее пяти изображений. Это разумное предположение с практической точки зрения, что большинство прохождений рыбы через поле зрения приведет к появлению множеств большего размера. Результаты классификации наборов изображений на тестовых наборах, содержащих пять или более образцов, представлены в таблице 1. Для шести видов были получены результаты 100% распознавания. Важно отметить, что изображения напрямую использовались при моделировании набора изображений без извлечения каких-либо форм, цветов или текстурных элементов.Набор данных содержит широкий спектр фонов, условий освещения, а также ориентации рыб. Несмотря на такие большие различия, общий уровень распознавания составил 94,6%. В таблице 2 представлен подробный анализ случаев отказов с использованием матрицы путаницы истинных классов по сравнению с предсказанными классами. Интересно отметить, что несколько экземпляров набора изображений Hemigymnus fasciatus были ошибочно классифицированы как другие виды рыб. При более внимательном рассмотрении результатов выяснилось, что эти случаи возникали при довольно плохом освещении и, следовательно, полосатый рисунок вида не был виден.Следовательно, не удалось установить правильное соответствие обучающей выборке H. fasciatus .

Таблица 1.

Сводная статистика обучающих и тестовых наборов, а также точность, достигаемая классификатором.

Виды . Обучающие изображения . Тестовые изображения . Наборы для испытаний . Точность классификации (%) .
Acanthurus nigrofuscus 2511 725 32 90.6
Amphiprion clarkii 2985 878 45 100,0
Chaetodon lunulatus 249414 913 923 923 914 914 923 913 923 914 249414 913 923 914 914 3282 371 17 100,0
Dascyllus reticulatus 3196 681 14 100.0
Hemigymnus fasciatus 2224 852 47 83.0
Lutjanus fulvus 720 923 146 930 923 923 923 146 2554 840 33 90,9
Неонифон саммара 2019 969 58 100.0
Plectroglyphidodon dickii 2456 577 16 100,0
Вид . Обучающие изображения . Тестовые изображения . Наборы для испытаний . Точность классификации (%) .
Acanthurus nigrofuscus 2511 725 32 90.6
Amphiprion clarkii 2985 878 45 100,0
Chaetodon lunulatus 249414 913 923 923 914 914 923 913 923 914 249414 913 923 914 914 3282 371 17 100,0
Dascyllus reticulatus 3196 681 14 100.0
Hemigymnus fasciatus 2224 852 47 83.0
Lutjanus fulvus 720 923 146 930 923 923 923 146 2554 840 33 90,9
Неонифон саммара 2019 969 58 100.0
Plectroglyphidodon dickii 2456 577 16 100.0
Таблица 1.

Сводная статистика обучающих и тестовых наборов, а также точность, полученная классификатором.

923 923 923 923 923 923
Виды . Обучающие изображения . Тестовые изображения . Наборы для испытаний . Точность классификации (%) .
Acanthurus nigrofuscus 2511 725 32 90,6
Amphiprion clarkii 9236 923 913 923 914 914 914 914 923 914 914 923 914 914 914 914 914 914 914 914 923 914 914 914 914 923 914 923 914 914 914 923 914 914 914 923 914 914 923 2494 917 29 100,0
Chromis margaritifer 3282 371 17 100.0
Dascyllus reticulatus 3196 681 14 100,0
Hemigymnus fasciatus 2224 2224 2224 923 923 923 923 8514 923 923 923 923 720 146 07 71,4
Myripristis berndti 2554 840 33 90.9
Neoniphon sammara 2019 969 58 100,0
Plectroglyphidodon 1623

3

2

3 913 923 923 923 923 923 923 923 923 923 923 914 923 923 923 914 .

Обучающие изображения . Тестовые изображения . Наборы для испытаний . Точность классификации (%) .
Acanthurus nigrofuscus 2511 725 32 90,6
Amphiprion clarkii 9236 923 913 923 914 914 914 914 923 914 914 923 914 914 914 914 914 914 914 914 923 914 914 914 914 923 914 923 914 914 914 923 914 914 914 923 914 914 923 2494 917 29 100,0
Chromis margaritifer 3282 371 17 100.0
Dascyllus reticulatus 3196 681 14 100,0
Hemigymnus fasciatus 2224 2224 2224 923 923 923 923 8514 923 923 923 923 720 146 07 71,4
Myripristis berndti 2554 840 33 90.9
Neoniphon sammara 2019 969 58 100.0
Plectroglyphidodon dickii 245614 9236 913 914 913 245614 923 923 914 923 914 923 914 923 913 914 матрица, показывающая количество правильно классифицированных наборов для каждого вида рыб и ошибки неправильной классификации, допущенные алгоритмом.

  • 9103 910 967 923
  • 995
  • 23 9223 23930 США ретикулатус
    Виды . Acanthurus nigrofuscus . Amphiprion clarkii . Chaetodon lunulatus . Хромис маргаритифер . Dascyllus reticulatus . Hemigymnus fasciatus . Lutjanus fulvus . Myripristis berndti . Неонифон саммара . Плектроглифидодон dickii .
    Acanthurus nigrofuscus 29 1 2 45
    Chaetodon lunulatus
    Chromis margaritifer 17 14
    Хемигимнус
    Хемигимнус
    910 910 984




    984 984
    1 39 2
    Lutjanus fulvus 923 923 923 923 923 923 923 2
    Myripristis berndti 1
    923 923 923 923 923 923 923 923 923 84

    2 6
    Неонифон саммара 58
    913 23ick 913 923 913 913 923 910 913 923 910 913 923 910 913 923 910 923 910 913 16
  • 9103 910 967 923
  • 995
  • 23 9223 23930 США ретикулатус
    Виды . Acanthurus nigrofuscus . Amphiprion clarkii . Chaetodon lunulatus . Хромис маргаритифер . Dascyllus reticulatus . Hemigymnus fasciatus . Lutjanus fulvus . Myripristis berndti . Неонифон саммара . Плектроглифидодон dickii .
    Acanthurus nigrofuscus 29 1 2 45
    Chaetodon lunulatus
    Chromis margaritifer 17 14
    Хемигимнус
    Хемигимнус
    910 910 984




    984 984
    1 39 2
    Lutjanus fulvus 923 923 923 923 923 923 923 2
    Myripristis berndti 1
    923 923 923 923 923 923 923 923 923 84

    2 6
    Неонифон саммара 58
    913 23923 913 923 913 923 913 923 910 913 923 913 923 910 913 923 910 913 923 910 913 923 910 913 16
    Таблица 2.

    Матрица неточностей, указывающая количество правильно классифицированных наборов для каждого вида рыб и ошибки неправильной классификации, допущенные алгоритмом.

  • 9103 910 967 923
  • 995
  • 23 9223 23930 США ретикулатус
    Виды . Acanthurus nigrofuscus . Amphiprion clarkii . Chaetodon lunulatus . Хромис маргаритифер . Dascyllus reticulatus . Hemigymnus fasciatus . Lutjanus fulvus . Myripristis berndti . Неонифон саммара . Плектроглифидодон dickii .
    Acanthurus nigrofuscus 29 1 2 45
    Chaetodon lunulatus
    Chromis margaritifer 17 14
    Хемигимнус
    Хемигимнус
    910 910 984




    984 984
    1 39 2
    Lutjanus fulvus 923 923 923 923 923 923 923 2
    Myripristis berndti 1
    923 923 923 923 923 923 923 923 923 84

    2 6
    Неонифон саммара 58
    913 23ick 913 923 913 913 923 910 913 923 910 913 923 910 913 923 910 923 910 913 16
  • 9103 910 967 923
  • 995
  • 23 9223 23930 США ретикулатус
    Виды . Acanthurus nigrofuscus . Amphiprion clarkii . Chaetodon lunulatus . Хромис маргаритифер . Dascyllus reticulatus . Hemigymnus fasciatus . Lutjanus fulvus . Myripristis berndti . Неонифон саммара . Плектроглифидодон dickii .
    Acanthurus nigrofuscus 29 1 2 45
    Chaetodon lunulatus
    Chromis margaritifer 17 14
    Хемигимнус
    Хемигимнус
    910 910 984




    984 984
    1 39 2
    Lutjanus fulvus 923 923 923 923 923 923 923 2
    Myripristis berndti 1
    923 923 923 923 923 923 923 923 923 84

    2 6
    Неонифон саммара 58
    913 23923 913 923 913 923 913 923 910 913 923 913 923 910 913 923 910 913 923 910 913 923 910 913 16
    Дальнейшие эксперименты были проведены для изучения влияния количества изображений в тестовой выборке на производительность распознавания.Для анализа этого эффекта эксперимент был повторен с использованием пороговых значений размера тестового набора в диапазоне от 2 до 10. Для каждого эксперимента все тестовые наборы изображений, размер которых был меньше выбранного порогового значения, отбрасывались, и вычислялась соответствующая точность распознавания. Совокупные результаты для всех видов рыб представлены на рисунке 7. График показывает точность как на заданном уровне, так и на уровне отдельных изображений. Точность на уровне изображения определяется путем подсчета всех изображений в наборе как правильно помеченных, если решение на заданном уровне правильное, и как неправильно классифицированных в противном случае.Затем точность классификации вычисляется как процент правильно классифицированных изображений среди всех тестовых изображений. Следовательно, при классификации уровня изображения неправильная классификация набора изображений большего размера наказывается больше, чем неправильная классификация набора изображений меньшего размера. Обратите внимание, что точность уровня изображения выше, чем точность установленного уровня, что указывает на то, что большинство ошибок классификации произошло для наборов тестовых изображений небольшого размера. На практике этот метод обеспечивает повышенную точность классификации для видео с более высокой частотой кадров, поскольку в результате отслеживания для одной и той же рыбы может быть получено больше участков изображения.

    Рисунок 7.

    Влияние размера тестового набора на скорость распознавания. Обратите внимание, что чем больше количество изображений в данном наборе, тем более точную модель обычно можно получить из этого набора. Результаты показывают, что точность распознавания насыщается по мере того, как количество изображений в наборе увеличивается до шести.

    Рисунок 7.

    Влияние размера тестового набора на скорость распознавания. Обратите внимание, что чем больше количество изображений в данном наборе, тем более точную модель обычно можно получить из этого набора.Результаты показывают, что точность распознавания насыщается по мере того, как количество изображений в наборе увеличивается до шести.

    Обсуждение

    Подводные видеосистемы доказали свою экономическую эффективность, доступность и возможность многократного отбора проб рыбных популяций (Murphy and Jenkins, 2010). Хотя ручная обработка полученных изображений снижает экономическую эффективность и доступность числовых данных после записи, использование алгоритмов компьютерного зрения для автоматизации идентификации видов может значительно повысить эффективность анализа захваченных изображений (MacLeod et al., 2010 г.). Большинство существующих методов автоматического распознавания видов рыб (например, Ли и др. , 2008 г .; Ларсен и др. , 2009 г .; Спампинато и др. , 2010 г.) основаны на точном определении границ рыбы для извлечения особенностей формы. . Это не только ограничивает применимость этих методов к случаям, когда фон легко отделить, но также заставляет их идентифицировать только виды профиля рыбы. Это исследование продемонстрировало, как прямое моделирование нескольких изображений рыб может обеспечить конкурентоспособные показатели распознавания без необходимости выполнять явное извлечение признаков, что становится очень сложной задачей для свободно плавающих рыб в неограниченных условиях.Благодаря этим характеристикам метод не имеет ни одного из вышеупомянутых ограничений. Единственная предыдущая работа, в которой использовалась эта концепция для идентификации рыб, — это Hsiao et al. (2014). Была использована структура, основанная на разреженном представлении, и удалось достичь уровня распознавания видов 81,8%, что намного ниже результатов, представленных в этой статье. Обратите внимание, что набор данных, используемый в этом исследовании, взят из проекта Fish5Knowledge, который также использовался Hsiao et al. (2014).Однако набор образцов отличается от тестовых изображений, используемых Hsiao et al. не являются общедоступными. Чтобы сравнить эффективность метода классификации наборов изображений с тем, что использовалось в Hsiao et al. (2014), мы реализовали их метод, обучили и протестировали его на тех же данных, которые использовались в этом исследовании. Была проведена обширная настройка параметров их метода для оптимизации его производительности на обучающем разделе набора данных ImageCLEF 2014 Fish Task. Оптимизированный алгоритм смог достичь точности 84.04% на тестовой выборке, что является трехкратным увеличением количества ошибок по сравнению с представленной методикой.

    Blanc et al. (2014) представляет другое исследование с использованием данных ImageCLEF 2014 Fish Task, где видео использовались для первого обнаружения, а затем классификации видов рыб с использованием зависящих от вида признаков рыб, обученных с использованием классификатора машины опорных векторов. Они сообщают о средней точности и полноте 55% и 50% соответственно. Относительно более низкая производительность связана с совместным процессом обнаружения рыб и распознавания видов.Следовательно, прямое сравнение с этими подходами невозможно. Прямое сравнение еще более усложняется, поскольку в этом исследовании используются несколько изображений рыб для принятия единого решения по классификации, тогда как в предыдущих работах решения по классификации основывались на отдельных изображениях.

    Представленный метод позволил правильно идентифицировать виды рыб в тех случаях, когда рыбы изображены на фоне морского дна или коралловых рифов с богатой текстурой, что делает точную сегментацию рыб чрезвычайно сложной задачей.Основным преимуществом представленного метода является то, что он не основан на извлечении признаков, зависящих от вида, и, следовательно, может быть легко применен к любым видам рыб в целом. Более того, благодаря моделированию набора изображений экземпляры рыб, которые не отображаются в виде профиля, также могут быть правильно классифицированы. Одним из недостатков метода по сравнению с современным уровнем техники является то, что для принятия решения о виде требуется несколько изображений одного и того же экземпляра. Однако рыба обычно видна в поле зрения камеры не менее пяти кадров, что делает этот вопрос практически несущественным.

    Эксперименты с общедоступным набором данных дали 100% -ный уровень распознавания для шести видов рыб, а именно Amphiprion clarkii , Chaetodon lunulatus , Chromis margaritifer , Dascyllus reticulatus , Neoniphon sammaralectii и Neoniphon sammaralectii. Самый низкий уровень распознавания был у видов Hemigymnus fasciatus и Lutjanus fulvus . Более тщательное расследование случаев неудач для Hemigymnus fasciatus показало, что в большинстве случаев видимость рыбы была очень плохой из-за низкого уровня освещения, из-за чего зебро-подобные полосы были едва заметны.Плохие результаты для Lutjanus fulvus , по-видимому, являются результатом сочетания небольшого количества наборов изображений и относительно безликого внешнего вида этого вида.

    Для практического применения представленного метода на основе набора изображений необходимо сделать несколько соображений. Во-первых, необходимо собрать обучающий набор образов для интересующих видов. Обучающие изображения должны полностью отражать изменения формы рыбы из-за движения во время плавания и угла обзора камеры, а также ухудшения качества изображения, которые могут возникнуть в конкретном сценарии.Для достижения хорошей точности обычно достаточно нескольких сотен репрезентативных изображений каждого интересующего вида. Этот фактор был протестирован с использованием данных ImageCLEF Fish Task путем искусственного уменьшения размера обучающих данных. Обучающий набор, построенный из 200 случайно выбранных образцов изображений для каждого вида рыб, дал точность 88,2%, что уже значительно выше, чем у существующих методов.

    В классификации на основе наборов обычно используется парадигма создания индивидуальных обучающих наборов для каждого экземпляра захвата (Hu et al., 2012 г.). Например, если для определенного объекта во время обучения доступно несколько видеороликов, каждое видео составляет отдельный обучающий набор для этого объекта; фактически составляя единую выборку для классификации ближайших соседей. Это соответствует традиционному сценарию классификации ближайшего соседа, когда для каждого класса доступно несколько обучающих выборок. Однако в наших экспериментах с идентификацией видов рыб улучшенные результаты были достигнуты путем сбора всех обучающих выборок вида в один набор обучающих образов для этого вида.Это можно объяснить двумя факторами. Во-первых, больший объем данных в наборе обучающих образов позволяет построить более мощную и репрезентативную модель этого вида. Поскольку эта модель оптимизирована совместно с набором тестовых изображений, комплексная модель, охватывающая большее разнообразие изображений, дает улучшенные характеристики. Во-вторых, в некоторых случаях рыба просто плывет через поле зрения камеры в определенном направлении. Таким образом, изменение формы рыбы на разных изображениях набора изображений минимально, что ограничивает дисперсию модели и отрицательно влияет на производительность системы.

    Для сбора и маркировки обучающих изображений рекомендуется использовать метод обнаружения рыбы (например, Spampinato и др. , 2008), который может сегментировать рыбу по заданным изображениям. После получения сегментированных (но немаркированных) изображений их можно вручную сгруппировать по видам с помощью любой программы для работы с файлами (например, Microsoft Windows Explorer). Используя этот подход, мы смогли вручную классифицировать около 7000 образцов в тестовых данных ImageCLEF за <3 часа.

    Реализация MATLAB с использованием Intel Core i7 Machine (2.6 ГГц, 16 ГБ ОЗУ, 512 ГБ SSD) для обработки всех тестовых изображений требовалось около 20 минут, в результате чего среднее время классификации на набор тестовых изображений составляло <4 с. Интересно отметить, что время вычислений, а также точность уменьшаются по мере уменьшения количества выборок в обучающем наборе. Для проверки был создан обучающий набор с использованием примерно одной десятой из 20 000 доступных изображений из полных обучающих данных ImageCLEF 2014 Fish Task. Использование обучающего набора, построенного из 200 случайно выбранных образцов от каждого из десяти видов рыб, сократило среднее время вычислений с 4 до 240 мс на набор тестовых изображений.Это сокращение времени вычислений происходит за счет снижения точности с 95% до 88%. Во многих критических по времени приложениях это могло бы быть разумным компромиссом, имея в виду, что достигнутая точность все еще улучшается по сравнению с существующими методами на основе одного изображения.

    Несмотря на высокую точность представленного подхода на основе наборов изображений в сложных условиях, он имеет определенные ограничения. Одной из проблем, присущих подходу на основе наборов, является зависимость точности от размера набора изображений — чем больше размер набора, тем выше точность.В приложениях, где непрерывный мониторинг должен выполняться в течение длительного периода времени, частота кадров видео обычно поддерживается низкой, чтобы удовлетворить ограниченную емкость хранения и передачи. При низкой частоте кадров отслеживание рыбы становится особенно сложной задачей, и, следовательно, может стать затруднительным автоматическое получение набора изображений разумного размера. Кроме того, вычислительная сложность представленного подхода выше, чем у большинства методов классификации одиночных изображений. Это связано с совместной оптимизацией каждого набора тестов со всем обучающим набором при классификации.Однако следует отметить, что представленный метод позволяет классифицировать все изображения в наборе одновременно. Следовательно, для среднего размера набора изображений из десяти выборок один алгоритм классификации изображений, который в десять раз быстрее, чем представленный метод, все равно потребует того же общего времени вычислений. Из-за этой характеристики вычислительный недостаток в значительной степени компенсируется в случае видео с высокой частотой кадров, что, естественно, дает большие размеры набора изображений.

    Есть несколько направлений, в которых представленный метод может быть улучшен.Особенно многообещающим направлением будущих исследований было бы включение активного обучения в представленные рамки. Активное обучение (Settles, 2010) — это частный случай полууправляемого машинного обучения, в котором алгоритм обучения может интерактивно учиться на поправках пользователя, чтобы получить более высокую точность в новых точках данных. Обратите внимание, что представленный алгоритм основан на классификации ближайших соседей, что вполне подходит для использования в сценариях активного обучения. Еще одним интересным направлением могло бы стать исследование генерации наборов изображений с использованием синтетических компьютерных моделей (Rabasse et al., 2008) движения рыбы и ухудшения изображения. На основе синтетической генерации наборов изображений можно было бы просто использовать одно изображение в качестве начального изображения и синтетически сгенерировать весь набор обучающих изображений. Еще одна возможность эффективно применить этот подход к видео с низкой частотой кадров — использовать методы неконтролируемой кластеризации изображений для группировки экземпляров рыб на основе показателей сходства изображений. Это может компенсировать сбои отслеживания в сложных сценариях и создавать наборы изображений достаточно большого размера для достижения более высокой точности.

    Выводы

    В этой статье представлен подход на основе наборов изображений для идентификации видов рыб в естественных условиях. Общая точность классификации для всех десяти видов, изученных в этой работе, составила около 95%, что свидетельствует о большом потенциале применения методов классификации рыб на основе наборов изображений в практических приложениях. Соответственно, представленный метод демонстрирует огромный потенциал для идентификации рыбы по обычным видеоданным, где отслеживание рыбы обеспечивает естественный механизм для создания наборов изображений.После создания обучающих наборов изображений этот метод может обеспечить очень высокий уровень автоматизации распознавания видов в видеопоследовательностях, полученных для мониторинга численности или биомассы видов. Результаты классификации могут быть использованы в качестве эффективного и точного инструмента для поддержки принятия решений менеджерами рыболовства и морских парков при оценке запасов и сохранении видов.

    Благодарности

    Мы хотели бы поблагодарить анонимных рецензентов, чьи подробные и проницательные комментарии помогли нам привести эту рукопись в ее нынешний вид.Кроме того, авторы выражают признательность за поддержку Гранту LP110201008 Австралийского исследовательского совета, который предоставил основное финансирование для этого исследования в дополнение к гранту UWA Research Collaboration Award (RCA) и Управлению спонсируемых исследований Университета науки и технологий имени короля Абдаллы (KAUST). ЯВЛЯЮСЬ. был поддержан стипендией Австралийского исследовательского совета DP110102399.

    Список литературы

    Абди

    H.

    Уильямс

    М. Дж.

    2010

    .

    Анализ главных компонентов

    .

    Междисциплинарные обзоры Wiley: вычислительная статистика

    ,

    2

    :

    433

    459

    .

    Арулампалам

    М. С.

    Маскелл

    с.

    Гордон

    Н.

    Клапп

    т.

    2001

    .

    Учебное пособие по фильтрам частиц для нелинейного / негауссовского байесовского отслеживания в реальном времени

    .

    Транзакции IEEE при обработке сигналов

    ,

    50

    :

    174

    188

    .

    Блан

    к.

    Лингранд

    Д.

    Precioso

    F.

    2014

    . Распознавание видов рыб по видео с помощью классификатора SVM. На 3-м международном семинаре ACM по мультимедийному анализу экологических данных, ACM, ACM, США.С. 1-6.

    Каппо

    М. Э.

    Харви

    E.

    Малькольм

    H.

    Копье

    P.

    2003

    .

    Возможности видеотехники для мониторинга разнообразия, численности и размера рыбы при изучении морских охраняемых территорий

    .

    Водные охраняемые территории — что лучше всего работает и откуда мы знаем

    , стр.

    455

    464

    .

    Крышка

    т. М.

    Hart

    P. E.

    1967

    .

    Классификация шаблона ближайшего соседа

    .

    Транзакции IEEE по теории информации

    ,

    13

    :

    21

    27

    .

    Фаблет

    р.

    Лефорт

    р.

    Каруи

    И.

    Бергер

    Л.

    Masse

    Дж.

    Скалабрин

    К.

    Буше

    Дж. М.

    2009

    .

    Классификация рыбных косяков и оценка соотношения их видов при промыслово-акустических съемках

    .

    Морской журнал ICES

    ,

    66

    :

    1136

    1142

    .

    Фернандес

    П. Г.

    2009

    .

    Классификационные деревья для видовой идентификации отраженных косяков рыб

    .

    Морской журнал ICES

    ,

    66

    :

    1073

    1080

    .

    Харви

    E.

    Shortis

    М.

    1995

    .

    Система для стерео-видео измерений суб-приливных организмов

    .

    Журнал Общества морских технологий

    ,

    29

    :

    10

    22

    .

    Сяо

    Ю.

    Чен

    К.

    Линь

    с.

    Линь

    F.

    2014

    .

    Распознавание и идентификация подводных рыб в реальном мире с использованием разреженного представления

    .

    Экологическая информатика

    ,

    23

    :

    13

    21

    .

    Ху

    Ю.

    Миан

    А. С.

    Оуэнс

    р.

    2012

    .

    Распознавание лиц с использованием разреженных приближенных ближайших точек между наборами изображений

    .

    Транзакции IEEE по анализу шаблонов и машинному анализу

    ,

    34

    :

    1992

    2004

    .

    Хуан

    П. X.

    Стрела

    Б.J.

    Фишер

    р. Б.

    2015

    .

    Иерархическая классификация с возможностью отклонения для распознавания живой рыбы

    .

    Машинное зрение и приложения

    ,

    26

    :

    89

    102

    .

    Ларсен

    р.

    Олафсдоттир

    H.

    Эрсболл

    Б.

    2009

    .

    Классификация видов рыб на основе формы и текстуры

    .

    Скандинавская конференция по анализу изображений

    , стр.

    745

    749

    .

    Ли

    Д.J.

    Арчибальд

    Дж. К.

    Шенбергер

    р. Б.

    Деннис

    A. W.

    Сиодзава

    Д. К.

    2008

    .Подбор контуров для распознавания видов рыб и мониторинга миграции. В

    Приложения вычислительного интеллекта в биологии: современные тенденции и открытые проблемы

    . Эд. по

    Смолинский

    Т.Г.

    Миланова

    М.Г.

    Hassanien

    A.E.

    .

    Springer-Verlag, Германия

    .

    МакЛауд

    Н.

    Бенфилд

    М.

    Culverhouse

    P.

    2010

    .

    Время автоматизировать идентификацию

    .

    Природа

    ,

    467

    :

    155

    156

    .

    Молоток

    Д.

    Пеллетье

    Д.

    2014

    .

    Подводные видеотехники для наблюдения за прибрежным морским биоразнообразием: обзор публикаций за шестьдесят лет (1952–2012)

    .

    Fisheries Research

    ,

    154

    :

    44

    62

    .

    Махмуд

    А.

    Хан

    с.

    2012

    .

    Быстрое сопоставление шаблонов на основе коэффициентов корреляции посредством частичного исключения

    .

    Транзакции IEEE при обработке изображений

    ,

    21

    :

    2099

    2108

    .

    Мерфи

    Х. М.

    Дженкинс

    г.С.

    2010

    .

    Методы наблюдений, используемые для морского пространственного мониторинга рыб и связанных с ними местообитаний: обзор

    .

    Морские и пресноводные исследования

    ,

    61

    :

    236

    252

    .

    Надараджан

    г.

    Чен-Бургер

    Ю.

    Фишер

    р. Б.

    Спампинато

    К.

    2011

    .

    Гибкая система автоматизированного построения интеллектуального видеоанализа

    .

    Proceedings Image and Signal Processing and Analysis

    , pp.

    259

    264

    .

    Rabasse

    К.

    Гость

    М.

    Фэрхерст

    К.

    2008

    .

    Новый метод синтеза сигнатурных данных с естественной изменчивостью

    .

    Транзакции IEEE в системе, человеке и кибернетике — часть B

    ,

    38

    :

    691

    699

    .

    Рова

    А.

    Мори

    г.

    Укроп

    Л. М.

    2007

    .Одна рыба, две рыбы, масляная рыба, трубач: узнаем рыбу в подводном видео. Конференция IAPR по приложениям машинного зрения, IAPR, Япония. С. 404-407.

    Ерш

    Б. П.

    Марчант

    J. A.

    Мороз

    A. R.

    1995

    .

    Определение размеров и мониторинг рыбы с использованием системы анализа стереоизображений, применяемой в рыбоводстве, Aquaculture

    .

    Инжиниринг

    ,

    14

    :

    155

    173

    .

    Расчетов

    Б.

    2010

    . Обзор литературы для активного обучения. Технический отчет по информатике 1648, Университет Висконсин – Мэдисон, США.С. 1–67.

    Shortis

    М.

    Харви

    E.

    Абдо

    Д.

    2009

    . Обзор подводных измерений стереоизображения для морской биологии. В Океанография и морская биология: ежегодный обзор.Эд. Авторы: Р.Н. Гибсон, Р.Дж.А. Аткинсон и Дж.Д.М. Гордон. CRC Press, США.

    Shortis

    М. Р.

    Раванбаксх

    М.

    Шафаит

    F.

    Харви

    E.С.

    Миан

    А.

    Seager

    J. W.

    Culverhouse

    P. F.

    и другие. .

    2013

    . Обзор методов идентификации и измерения рыб в последовательности подводных стерео-видеоизображений.Видеометрия, визуализация дальности и приложения XII, SPIE Vol. 8791, бумага 0Г. Международное общество оптической инженерии, Беллингем, Вашингтон, США.

    Смеулдерс

    A. W. M.

    Чу

    Д. М.

    Куккьяра

    р.

    Кальдерара

    с.

    Дехган

    А.

    Шах

    М.

    2014

    .

    Визуальное слежение: экспериментальный обзор

    .

    Транзакции IEEE по анализу шаблонов и машинному анализу

    ,

    36

    :

    1442

    1468

    .

    Спампинато

    с.

    Джордано

    Д.

    Залп

    Р. Д.

    Чен-Бургер

    Я.

    Фишер

    РБ

    Надараджан

    г.

    2010

    . Автоматическая классификация рыб для понимания поведения подводных видов. Семинар ACM по анализу и извлечению отслеживаемых событий и движения в потоках изображений, Флоренция, Италия, стр. 45-50.

    Спампинато

    К.

    Палаццо

    с.

    Стрела

    Б.

    Фишер

    РБ

    2014

    . Обзор рыбной задачи LifeCLEF 2014, Материалы CLEF2014. Шпрингер-Верлаг, Германия. С. 616-624.

    Спампинато

    с.

    Чен-Бургер

    Ю.

    Надараджан

    г.

    Фишер

    р. Б.

    2008

    .

    Обнаружение, отслеживание и подсчет рыбы на непринужденных подводных видео низкого качества

    .

    Proceedings Computer Vision Theory and Applications

    , pp.

    514

    519

    .

    Сторбек

    F.

    Даан

    Б.

    2001

    .

    Распознавание видов рыб с помощью компьютерного зрения и нейронной сети

    .

    Исследования рыболовства

    ,

    51

    :

    11

    15

    .

    Страчан

    Н. Дж. К.

    Несвадба

    P.

    Аллен

    A. R.

    1990

    .

    Распознавание видов рыб по анализу формы изображений

    .

    Распознавание образов

    ,

    23

    :

    539

    544

    .

    Страчан

    Н. Дж. К.

    1993

    .

    Распознавание видов рыб по цвету и форме

    .

    Image and Vision Computing

    ,

    11

    :

    2

    10

    .

    Страчан

    Н.J. C.

    Келл

    Л.

    1995

    .

    Возможный метод различения запасов пикши с помощью компьютерного зрения с использованием канонического дискриминантного анализа »

    .

    Морской журнал ICES

    ,

    52

    :

    145

    149

    .

    Вальтер

    Д.

    Эджингтон

    Д. р.

    Кох

    К.

    2004

    .

    Обнаружение и сопровождение объектов на подводном видео

    .

    IEEE Computer Vision and Pattern Recognition

    , pp.

    544

    549

    .

    Белый

    Д.J.

    Свеллинген

    К.

    Страчан

    Н. Дж. К.

    2006

    .

    Автоматическое определение вида и длины рыб с помощью компьютерного зрения

    .

    Fisheries Research

    ,

    80

    :

    203

    210

    .

    Чжан

    т.

    Ганем

    г.

    Лю

    с.

    Ахуджа

    Н.

    2013

    .

    Надежное визуальное отслеживание с помощью структурированного многозадачного разреженного обучения

    .

    Международный журнал компьютерного зрения

    ,

    101

    :

    367

    383

    .

    Чжан

    т.

    Лю

    с.

    Ахуджа

    Н.

    Ян

    М. Х.

    Ганем

    Б.

    2015

    .

    Надежное визуальное отслеживание за счет последовательного разреженного обучения низкого ранга

    .

    Международный журнал компьютерного зрения

    ,

    111

    :

    171

    190

    .

    Сион

    Б.

    Шкляр

    А.

    Karplus

    И.

    1999

    .

    Сортировка рыб с помощью компьютерного зрения

    .

    Компьютеры и электроника в сельском хозяйстве

    ,

    23

    :

    175

    187

    .

    Сион

    Б.

    Шкляр

    А.

    Karplus

    И.

    2000

    .

    Сортировка рыб in vivo с помощью компьютерного зрения

    .

    Инженерия аквакультуры

    ,

    22

    :

    165

    179

    .

    Сион

    Б.

    Алчанатис

    В.

    Островского

    В.

    Барки

    А.

    Karplus

    I.

    2007

    .

    Подводная сортировка съедобных видов рыб в режиме реального времени

    .

    Компьютеры и электроника в сельском хозяйстве

    ,

    56

    :

    34

    35

    .

    © Международный совет по исследованию моря, 2016 г.Все права защищены. Для получения разрешений обращайтесь по электронной почте: [email protected]

    Взгляд за пределы анализа формы

    PLoS One. 2014; 9 (12): e115262.

    , 1 , 3 , * , 1 , 1 , 2 , 3 и 4

    Пауло Дуарте-Нето

    1 Departamento de Estatística e Informática, Федеральный сельский университет Пернамбуку, Ресифи, Пернамбуку, Бразилия,

    3 Departement Fysica, Universiteit Antwerpen, Антверпен, Бельгия,

    Борко Стошич

    1 Departamento de Estatística e Informática, Федеральный сельский университет Пернамбуку, Ресифи, Пернамбуку, Бразилия,

    Татьяна Стошич

    1 Departamento de Estatística e Informática, Федеральный сельский университет Пернамбуку, Ресифи, Пернамбуку, Бразилия,

    Росангела Лесса

    2 Departamento de Pesca e Aquicultura, Федеральный сельский университет Пернамбуку, Ресифи, Пернамбуку, Бразилия,

    Милорад В.Милошевич

    3 Departement Fysica, Universiteit Antwerpen, Антверпен, Бельгия,

    Х. Юджин Стэнли

    4 Центр исследований полимеров и факультет физики Бостонского университета, Бостон, Массачусетс, Соединенные Штаты Америки,

    Дуччо Роккини, редактор

    1 Departamento de Estatística e Informática, Федеральный сельский университет Пернамбуку, Ресифи, Пернамбуку, Бразилия,

    2 Departamento de Pesca e Aquicultura, Федеральный сельский университет Пернамбуку, Ресифи, Пернамбуку, Бразилия,

    3 Departement Fysica, Universiteit Antwerpen, Антверпен, Бельгия,

    4 Центр исследований полимеров и факультет физики Бостонского университета, Бостон, Массачусетс, Соединенные Штаты Америки,

    Фонд Эдмунд Мах, Центр исследований и инноваций, Италия,

    Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.

    Задумал и спроектировал эксперименты: ПДН БС ТС РЛ МВМ ГЭС. Проведены эксперименты: ПДН БС МВМ. Проанализированы данные: ПДН БС МВМ. Внесенные реагенты / материалы / инструменты анализа: ПДН БС ТС МВМ. Написал статью: ПДН БС ТС РЛ МВМ ГЭС.

    Поступило 03.10.2013 г .; Принято 20 ноября 2014 г.

    Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии надлежащего указания автора и источника.

    Эта статья цитируется в других статьях в PMC.

    Abstract

    В последние десятилетия мультифрактальный анализ успешно применялся для характеристики сложной временной и пространственной организации таких разнообразных природных явлений, как динамика сердцебиения, дендритная форма нейронов, сосудов сетчатки, трещины горных пород и частицы вулканического пепла сложной формы. Характеристика мультифрактальных свойств замкнутых контуров остается труднодостижимой, поскольку применение традиционных методов к их квазиодномерной природе дает неоднозначные ответы.Здесь мы показываем, что мультифрактальный анализ может выявить значимую, а иногда и неожиданную информацию о природных структурах с периметром, четко определенным замкнутым контуром. С этой целью мы продемонстрируем, как применить мультифрактальный анализ флуктуаций без тренда, первоначально разработанный для анализа временных рядов, к произвольной форме данного объекта исследования. В частности, мы показываем применение метода к отолитам рыб — известковым конкрементам, расположенным во внутреннем ухе рыб. Часто называемые «черным ящиком» рыбы, они содержат огромное количество информации об истории жизни рыбы и поэтому в последнее время привлекают все большее внимание.В качестве наглядного примера мы показываем, что мультифрактальный подход может выявить неожиданные взаимосвязи между контурами отолитов и размером и возрастом зрелой рыбы.

    Введение

    Объекты классического анализа формы, такого как анализ Фурье, вейвлет-анализ, анализ на основе кривизны и анализ геодезических кривых [1], [2], состоят из компактных дифференцируемых многообразий, гладких кривых или поверхностей, которые включают их границы. С этой точки зрения естественные контуры состоят из поверхностного покрытия текстуры или неровностей, которое прикреплено к компактной основной структуре.Следовательно, грубые контуры можно разложить на плавные дифференцируемые тренды и грубые дополнения [3]. В случае теории фракталов шероховатость рассматривается как основная оцениваемая характеристика, поскольку она отражает сложность формы с точки зрения уровня выступов и полостей в различных масштабах, а не форму в смысле морфометрии. Эти характеристики важны, потому что изменение границ естественной структуры во время роста является ответом на (i) внешние граничные условия (поверхностное взаимодействие) и (ii) внутренние механизмы процесса роста.Таким образом, анализ локальных и глобальных колебаний контура может дать полезную информацию по обоим направлениям.

    Однако, когда мы предполагаем, что форма контура является монофракталом, мы получаем только один масштабный показатель (фрактальную размерность), который не может адекватно описать сложность контура. Таким образом, необходим обобщенный мультифрактальный подход [4]. Если мы рассмотрим вероятность массы для областей размера (масштаба) и статистическую сумму для обобщенных моментов, мы сможем описать структуру в различных масштабах.Параметр служит увеличительным стеклом: для больших положительных значений в статистической сумме преобладают те части структуры с наибольшими значениями, в то время как для больших отрицательных значений преобладают части структуры с наименьшими (ненулевыми) значениями [5].

    В последние десятилетия мультифрактальный анализ успешно применялся для характеристики сложной временной и пространственной организации очень разнообразных природных явлений, включая динамику сердцебиения [6], дендритную форму нейронов [7], сосуды сетчатки [8], трещины горных пород [ 9] и сложной формы частиц вулканического пепла [10].Тем не менее, практические трудности до сих пор не позволяли полностью использовать мультифрактальный анализ для описания замкнутых контуров. Традиционные методы оказались довольно проблематичными из-за того, что блоки, содержащие небольшое (или нулевое) количество частиц (или пикселей), дают аномально большой вклад в статистическую сумму, и, следовательно, они не дают надежных результатов для отрицательный [7]. Другая проблема заключается в том, что результаты оказываются очень чувствительными к выбору диапазона размеров коробки.Tél et al. [11] предложил альтернативный метод («Обобщенный метод песочницы») для решения первой проблемы, тем не менее, вторая проблема все еще остается проблемной. Эти методы также предполагают, что контур является геометрическим фракталом, и поэтому важные мелкие колебания вокруг квазиодномерной структуры периметра контура могут быть проигнорированы.

    Чтобы преодолеть эти технические проблемы, мы предлагаем здесь новый метод исследования того, могут ли флуктуации контура раскрыть больше информации, чем его простой морфологический вид, сочетающий в себе регулярный анализ Фурье (RFA) и анализ мультифрактальных отклонений от тренда (MF-DFA).Во-первых, контур отображается на «временной ряд» расстояний от центрального пути, определяемый гармоническим членом ноль (), наблюдаемый виртуальным наблюдателем, движущимся по этому пути с постоянной угловой скоростью. Колебания от центральной траектории периметра контура регистрируются как «временной ряд», и затем реализуется MF-DFA для количественной оценки «временных» (последовательных угловых) корреляций этого ряда.

    Периодическая серия колебаний контура отолита.

    (A) Схематическое изображение наложения стандартной круглой формы на отолит M.Ашхабад . Радиус отолита использовался для определения периодической серии колебаний контура отолита, полученной из нормированного радиуса контура под углом для (B) M. curema и (C) M. merlucius , полученных из изображения. каталог проекта AFORO.

    Чтобы продемонстрировать возможности предложенной новой процедуры, мы применим ее к сагиттальным отолитам двух видов рыб (). Отолиты — это кальцинированные конкременты, обнаруживаемые во внутреннем ухе рыб и связанные с функциями слуха, баланса и ориентации [12].Они представляют собой «черный ящик» костистых рыб, т. Е. Функционируют как зашифрованный источник жизненной, демографической и экологической информации [13] и считаются незаменимыми в практике оценки и управления рыбными запасами [14]. Информация сохраняется в отолите во время процесса его биоминерализации, который начинается с примордия отолита [13] и продолжается осаждением карбоната кальция, регулируемым эндогенным ритмом метаболизма кальция [15]. В течение жизни рыбы ритм агрегации кальция изменяется, отражая характер роста рыбы и такие периодические события, как изменение фотопериода, нерест и миграция [16].Эти изменения отражаются в формировании микро- и макроструктур вокруг примордия [17], химическом составе, толщине и периодичности образования, которые коррелируют с историческими событиями и возрастом рыб [16].

    Материалы и методы

    Построение ряда данных

    Ряд данных строится с использованием значений радиуса контура под углом, нормированных на нулевую гармонику (), с изменением от и до. Нормализованный (безразмерный) радиус контура в точке контура определяется как

    (1)

    , где и — координаты го пикселя контура под углом, а — коэффициент члена с нулевой степенью, определяемый как среднее значение радиусов, наблюдаемых в структуре, [18].Член нулевой степени представляет собой вклад круга с центром масс конструкции. Следовательно, меньше единицы, если точка контура лежит внутри круга, и больше единицы, если точка лежит вне круга.

    Есть два преимущества использования RFA: (1) мультифрактальный анализ становится инвариантным к размеру, поскольку член нулевой степени пропорционален размеру изображения; (2) сложный морфологический контур может иметь несколько значений для одного угла из-за выступов и полостей.Последнее свойство на самом деле обычно считается ограничением для использования RFA, но в текущем подходе оно прямо противоположно, потому что этот эффект вызывает шум в рядах данных, и мультифрактальные характеристики становятся более выраженными. То есть под одним и тем же углом в структуре могут быть представлены сайты с высокой, средней и низкой вероятностью агрегации, что характеризует сложность анализируемой структуры.

    Текущее отображение данных может рассматриваться как временной ряд значений расстояния от фактического контура до основной правильной формы (определяемой нулевой гармоникой), как это видит наблюдатель, путешествующий по правильной форме. при постоянной угловой скорости.Используя этот временной ряд, проводится мультифрактальный анализ на основе метода MF-DFA, предложенного Kantelhardt et al. [19] для анализа мультифрактальных свойств нелинейных временных рядов.

    Мультифрактальный анализ колебаний без тренда (MF-DFA)

    Пусть периодическая серия значений между и длиной, соответствующая количеству пикселей, образующих контур, имеет среднее значение.

    (i) Сначала рассчитывается интегрированный ряд как

    (2)

    (ii) Интегрированный ряд делится на неперекрывающиеся сегменты равной длины, где символ обозначает целую часть.

    (iii) Для всех сегментов функция флуктуации рассчитывается как

    (3)

    , где — аппроксимирующий полином в сегменте, представляющий локальный тренд.

    (iv) Функция флуктуации степени th для размера сегмента определяется как

    (4)

    Теоретически может принимать значения между и, но в практических приложениях она усекается до некоторых больших положительных и отрицательных значений. В данной работе мультифрактальные свойства анализировались в интервале от −10 до 10 с шагом 1.0. Минимальный использованный размер сегмента составлял 15 точек данных (соответствующих пикселям контура отолита), а максимальный был принят как одна четвертая от общего числа точек серии.

    (v) Функция представляет статистическую сумму для этого мультифрактального анализа и следует степенному закону

    (5)

    , где обобщенная экспонента — это наклон линейной регрессии между и (см.). Для монофрактального процесса постоянна (не зависит от), а для мультифрактального процесса — убывающая функция от ().

    Как это принято в литературе с использованием подхода MF-DFA, помимо функциональной формы, мультифрактальные свойства контуров также исследуются на основе так называемого спектра сингулярностей, полученного с помощью преобразования Лежандра

    (6)

    , где

    (7)

    и — массовый показатель корреляции -го момента, определяемый как. Спектр сингулярности обеспечивает математически точное и естественно интуитивное описание мультифрактальной меры в терминах переплетенных множеств с силой сингулярности, размерность Хаусдорфа которой равна (см.[5] для более подробной информации). В случае монофрактальной структуры спектр сингулярностей дает единственную точку на плоскости, тогда как мультифрактальные объекты дают единственную горбатую функцию ().

    Набор параметров может быть извлечен из мультифрактальных спектров ( см. .) для характеристики сложности контура, каждый из которых имеет четкую интуитивную интерпретацию. Например, положение максимума является низким, если сигнал некоррелирован, а основной процесс «теряет тонкую структуру» (т.е.е. доминирующая фрактальная структура имеет больше энергии при больших колебаниях, поскольку мелкие колебания становятся менее частыми). Ширина измеряет диапазон фрактальных показателей в сигнале, т.е. чем шире диапазон, тем более мультифрактальными являются колебания контура. и измеряют преобладание низких и высоких показателей фрактальности, соответственно: больший показатель указывает на сильный вес высоких показателей фрактальности, соответствующий тонкой структуре контура, в то время как больший показатель указывает на более высокие флуктуации в ряду, т.е.е., в контуре есть крупные структуры. Наконец, обозначенное соотношение и представляет относительное преобладание этих двух параметров. Таким образом, это пятимерное пространство параметров можно использовать для характеристики сложности контура.

    Образец изображения

    Образец состоял из 65 изображений отолитов с высоким разрешением Mugil curema () из северного региона Пернамбуку (Бразилия) и 32 изображений Merluccius merluccius () из Порт-де-ла-Сельва () и Гальсия ().Все M. curema были собраны на выгрузках кустарного флота, работавшего в штате Пернамбуку (северо-восток Бразилии) с ноября 2003 г. по январь 2006 г. Образцы разных размеров были приобретены непосредственно у рыбаков и доставлены в лабораторию для последующего измерения общего количества. длина и извлечение отолитов. После очистки и сушки изображения отолитов получали с помощью камеры устройства с зарядовой связью, установленной на микроскопе, и обрабатывали с помощью системы анализа изображений, разработанной для кальцифицированных структур (TNPC: программная платформа Visilog, NOESIS, Франция). M. merluccius изображений отолитов были получены из открытого онлайн-каталога изображений отолитов проекта Anàlisi de FORmes d′Otòlits — AFORO [20].

    Заявление об этике

    Кустарный промысел M. curema является законной деятельностью в штате Пернамбуку (Бразилия), поскольку этот вид не классифицируется как находящийся под угрозой исчезновения или охраняемый. Все неживые образцы были приобретены непосредственно у рыбаков, избегая использования авторами каких-либо методов жертвоприношения.Следовательно, не требовалось специального разрешения от комитета по этике животных для проведения данной работы, включая отбор проб рыбы и извлечение заднего отолита.

    Результаты и обсуждение

    Мультифрактальный анализ контуров отолитов двух видов выявил четкое мультифрактальное поведение. Обобщенный показатель степени представляет собой монотонный спад с (), а спектр сингулярностей имеет горбатую форму (). Наблюдение за индивидуальной длиной и возрастом дает твердое доказательство того, что мультифрактальные свойства контура отолита отражают события жизненного цикла.Для M. curema распределение показывает пик при длине вилки 23,9 см () и возрасте 3 года (). Мы подогнали две линии (с использованием обычного метода наименьших квадратов) как к данным длины, так и к данным о возрасте (). Первая линия была приспособлена к особям с левым от наблюдаемого максимума, а вторая — к особям с правым до максимума. Пересечение этих двух линий было найдено на 23,4 см () и 2,4 года (). Таким образом, полученные пики близко соответствуют ожидаемой длине (23,3 см) и возрасту (2.8 лет) при первой половой зрелости для обоих полов, как ранее было задокументировано Сантана и соавт. [21] с использованием гонад. Отметим, что здесь мы не наблюдали разницы между ростом самцов и самок.

    С другой стороны, построение графика зависимости длины / возраста для M. merluccius позволяет выявить два различных подмножества. Мы объясняем такое поведение тем фактом, что этот вид имеет разную скорость роста между полами, причем самцы растут быстрее самок [22], [23] и достигают зрелости в разном размере и возрасте.С биологической точки зрения максимум, наблюдаемый для каждого вида или пола / популяции в пределах одного вида, по-видимому, является функцией скорости роста, т.е. более быстрый рост подразумевает более высокий максимум (более грубые отолиты).

    Для средиземноморской популяции значения показывают два пика около 15,0 см и 30,0 см (общая длина) (), а соответствующие пики возраста приходятся на один и два года соответственно (). Недавнее исследование репродуктивного паттерна M. merluccius из Средиземного моря оценило длину первых половозрелых самок примерно в 35 лет.0 см [24], что очень близко ко второму пику в нашем анализе. Используя параметры роста, определенные Mellon-Duval et al. [22] для женщин соответствующий возраст первого созревания составляет два года, именно возраст с наибольшим значением в нашем анализе. Два максимальных значения для атлантической популяции были обнаружены при общей длине 30,0 и 45,0 см (), что близко соответствует длине первой половозрелости, оцененной Пиньейро и Сайнсой [23] для самцов (32,8 см) и самок (45,0 см) соответственно.Процедура линейной аппроксимации здесь не проводилась из-за небольшого количества экспериментальных наблюдений.

    График зависимости параметра от длины и возраста M. merluccius .

    (A и B) особи из Порт-де-ла-Сельва (средиземноморская популяция) и (C и D) особи из Галисии (северо-восточная атлантическая популяция). Синие и красные стрелки представляют собой образец изменения для мужчин и женщин, соответственно. Вертикальные красные и синие линии показывают длину и возраст первой зрелости для самок и самцов, соответственно, ранее оцененные разными авторами.

    Факторы, влияющие на соматический рост, такие как температура, соленость (среда) и уровни гормонов во время развития, роста и воспроизводства рыб (физиология), также влияют на рост отолитов [25]. В зависимости от этих факторов рыбы и другие организмы изменяют скорость метаболизма, чтобы ассимилировать и использовать энергию для поддержания, роста, развития и воспроизводства на протяжении всего своего жизненного цикла, все это отражается на росте отолитов [26]. Вероятно, точность M.merluccius из-за меньшего количества людей в доступном наборе данных. Тем не менее ясно, что изменения контура отолита в течение жизни рыбы, вызванные изменением скорости метаболизма между воспроизводством и соматическим ростом, фиксируются мультифрактальным анализом. Для этих видов изменения отражаются в параметре, а это означает, что уровень шероховатости сагиттального отолита следует за ростом рыбы, как показано на рисунке, в то время как общая форма остается неизменной.

    Для всех видов ритм осаждения карбоната кальция, контролируемый метаболизмом рыб, увеличивал шероховатость контура отолита до достижения зрелости рыб из-за более быстрого роста во время этой фазы. Затем, начиная с этого момента, рост рыбы и отолита замедляется, и, следовательно, отолит становится более гладким, несмотря на более сложную форму (большие колебания). Кроме того, графики () также показывают разные темпы роста для полов из-за физиологических факторов, а также различный наблюдаемый рост между разными популяциями.

    Длина при первом созревании () представляет собой точку отсчета для биологии рыб, и ее оценка полезна для управления рыбными запасами. Например, минимальный размер вылова может быть установлен на основании, чтобы избежать чрезмерной эксплуатации рыбных запасов. Обратите внимание, что определение первой половой зрелости рыб до настоящего времени было возможно только с помощью дорогостоящих и громоздких экспериментальных методов [21]. Были предложены различные методы оценки [27], [28]. Различия между этими методами сводятся только к используемому статистическому подходу, однако общей биологической структурой для всех них были гонады.В большинстве методов люди идентифицируются как репродуктивные или не репродуктивные, посредством визуального и субъективного описания макроскопических аспектов яичников и яичек на разных стадиях созревания или на основании гонадосоматического индекса [28]. Однако гонады иногда недоступны для промысловых видов, поскольку рыбу выпотрошивают перед посадкой. Представленный здесь метод представляется полезной альтернативной процедурой, заполняющей информационный пробел, который может существовать для любых популяций рыб, основанный только на ранее доступных данных.Следовательно, мультифрактальный анализ контуров отолитов должен оказаться важным инструментом в оценке рыбных запасов и управлении ими.

    Фрактальная размерность контура отолита была ранее оценена Piera et al. [29] и Дуарте-Нето и др. [30] с целью классификации отолитов методом ящичного подсчета. Напротив, фрактальная размерность оказалась неспособной классифицировать отолиты M. merluccius разного возраста в первой работе, тогда как во второй работе она была мощным дескриптором для различения отолитов двух популяций Corypahena hippurus .Этот единственный показатель степени, полученный в обеих работах, представляет глобальные свойства контура и ничего не говорит о локальных свойствах. Отолит C. hippurus в целом имеет сложную форму и низкий уровень шероховатости. С другой стороны, отолит M. merluccius имеет простую эллипсоидальную форму, с небольшими колебаниями и очень грубую. Анализ контуров отолитов на основе описанного здесь мультифрактального метода позволяет более подробно описать сложность их форм, от мелких до крупных, на основе распределения мультифрактальных морфологических показателей.

    Метод подсчета ящиков может также использоваться в мультифрактальном подходе, а также в методе песочного ящика. Хотя мультифрактальные версии этих методов хорошо зарекомендовали себя в научном сообществе, они не кажутся подходящими для анализа квазиодномерных структур, сложность которых далека от заполнения двухмерного пространства, но более сложна, чем линия. Например, контур, отображающий такую ​​характеристику, является контуром отолита C. hippurus [30] с максимальной фрактальной размерностью 1.248. С другой стороны, методы, обычно используемые для мультифрактального анализа временных рядов, не имеют подобных проблем [19], [31], [32]. Среди них MF-DFA дает надежные результаты как для больших отрицательных q, так и для более коротких сигналов [32], помимо меньших требований к вычислительной мощности [19]. Показано, что этот метод достаточно удовлетворителен для анализа колебаний контура отолита в текущей работе, и никаких проблем при его реализации не возникло. Тем не менее, разрешение изображения может быть ограничением для его использования, поскольку более высокое разрешение должно отображать больше деталей изображения.Чтобы избежать возможных осложнений из-за такого эффекта, все проанализированные здесь изображения были сделаны с одинаковым разрешением.

    Поскольку наш нынешний подход является в основном общим, его можно применить к контурным исследованиям других природных структур. Например, мультифрактальность минеральных частиц до сих пор оценивалась только с точки зрения их пространственного расположения в почве [33], [34], и такая характеристика формы также будет важна при классификации различных типов отложений [35]. и частицы пепла [10], а также биологические объекты, такие как кораллы и клетки.Как мультифрактальные свойства контуров флуктуаций ведут себя во время формирования частиц и как они связаны с различными процессами роста и параллельными процессами, все еще недостаточно хорошо изучены, и нынешний подход MF-DFA «странствующий наблюдатель» может оказаться полезным для выяснения таких явлений.

    Отчет о финансировании

    Эта работа была поддержана CNPq, Бразилия (проекты № 201506 / 2011-4, № 303251 / 2010-7 и № 306719 / 2012-6). MVM выражает признательность за поддержку Фламандского научного фонда (FWO-Vlaanderen) и акции CAPES PVE No.BEX1392 / 11-5. Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

    Ссылки

    1. Коста Л.Ф., Сезар Р.М. (2009) Классификация и анализ формы: теория и практика. Бока-Ратон: CRC Press.

    2. Nasreddinea K, Benzinoua A, Fablet R (2010) Геодезические формы для классификации кальцинированных структур: за пределами дескрипторов формы Фурье. Исследования рыболовства 98: 8–15. [Google Scholar] 3. Гилден Д.Л., Шмуклер М.А., Клейтон К. (1993) Восприятие естественного контура.Психологический обзор 100: 460–478. [PubMed] [Google Scholar]

    4. Harte D (2001) Мультифракталы: теория и приложения. Бока-Ратон: Чепмен и Холл / CRC.

    5. Chhabra A, Jensen RV (1989) Прямое определение спектра сингулярностей f ( α ). Письма с физическими проверками 62: 1327–1330. [PubMed] [Google Scholar] 6. Иванов П.С., Амарал ЛВС, Гольдбергер А.Л., Хавлин С., Розенблюм М.Г. и др. (1999) Мультифрактальность в динамике сердцебиения человека. Письма с физическими проверками 389: 461–465.[Google Scholar] 7. Фернандес Э, Болеа Дж., Ортега Дж., Луи Э. (1999) Являются ли нейроны мультифрактальными? Журнал методов неврологии 89: 151–157. [PubMed] [Google Scholar] 8. Стошич Т., Стошич Б.Д. (2006) Мультифрактальный анализ сосудов сетчатки глаза человека. IEEE Transactions по медицинской визуализации 25: 1101–1107. [PubMed] [Google Scholar] 9. Xie H, Wang JA, Kwaśniewski MA (1999) Мультифрактальная характеристика поверхностей трещин горных пород. Международный журнал механики горных пород и горных наук 36: 19–27. [Google Scholar] 10.Деллино П., Лиотино Г. (2002) Фрактальная и мультифрактальная размерность контура частиц вулканического пепла: тестовое исследование полезности и вулканологической значимости. Журнал вулканологии и геотермальных исследований 113: 1–18. [Google Scholar] 11. Tél T, Fülöp A, Vicsek T (1989) Определение фрактальных размерностей для геометрических мультифракталов. Physica A 159: 155–166. [Google Scholar] 12. Söllner C, Burghammer M, Busch-Nentwich E, Berger J, Schwarz H и др. (2003) Контроль размера кристаллов и образования решетки звездообразующим в отолите.Наука 302: 282–286. [PubMed] [Google Scholar] 13. Lecomte-Finiger R (1999) L’otolithe: la boîte des téléostéens. Анне 38: 107–122. [Google Scholar]

    14. Green BS, Mapstone BD, Carlos G, Begg GA (2009) Отолиты тропических рыб: информация для оценки, управления и экологии. Нью-Йорк: Спрингер.

    15. Mugiya Y (1987) Разница фаз между кальцификацией и образованием органического матрикса в суточном росте отолитов радужной форели, Salmo gairdneri . Бюллетень рыболовства 85: 395–401.[Google Scholar] 16. Campana SE (1999) Химия и состав отолитов рыб: пути, механизмы и применения. Серия «Прогресс морской экологии» 188: 263–297. [Google Scholar] 17. Panella G (1971) Отолиты рыб: суточные слои роста и периодические закономерности. Наука 173: 1124–1126. [PubMed] [Google Scholar]

    18. Lestrel PE (1997) Введение и обзор дескрипторов Фурье, Кембридж: Издательство Кембриджского университета, глава 2. С. 22–44.

    19. Kantelhardt JW, Zschiegner SA, Koscielny-Bunde E, Havlin S, Bunde A, et al.(2002) Мультифрактальный анализ флуктуаций без тренда нестационарных временных рядов. Physica A 316: 87–114. [Google Scholar] 20. Lombarte A, Chic O, Parisi-Baradad V, Olivella R, Piera J (2006) Веб-среда для анализа формы отолитов рыб. Scientia Marina 70: 147–152. [Google Scholar] 21. Santana FM, Morize E, Clavier J, Lessa R (2009) Анализ микро- и макроструктуры отолитов для повышения точности оценки параметров роста кефали Mugil curema . Водная биология 7: 199–206.[Google Scholar] 22. Меллон-Дюваль К., де Понтуаль Х, Метраль Л., Квеменер Л. (2010) Рост европейского хека ( Merluccius merluccius ) в львином заливе на основе традиционного мечения. Журнал морских наук ICES 67: 62–70. [Google Scholar] 23. Piñeiro C, Saínza M (2003) Оценка возраста, роста и зрелости европейского хека ( Merluccius merluccius (linnaeus, 1758)) из иберийских атлантических вод. Журнал морских наук ICES 60: 1086–1102. [Google Scholar] 24. Recasens L, Chiericoni V, Belcari P (2008) Модель нереста и плодовитость в партиях европейского хека ( Merluccius merluccius (linnaeus, 1758)) в западном Средиземноморье.Scientia Marina 72: 721–732. [Google Scholar]

    25. Аллеманд Д., Майер-Гостан Н., де Понтуаль Х., Бёф Г., Пайан П. (2007) Кальцификация отолитов рыб в связи с химией эндолимф, Вайнхайм: Wiley / VCH, глава 7. стр. 291–308 .

    26. Fablet R, Pecquerie L, de Pontual H, Høie H, Millner R, et al. (2011) Изучение биоминерализации отолитов рыб с использованием биоэнергетического подхода. PLoS ONE 6: e27055. [Бесплатная статья PMC] [PubMed] [Google Scholar] 27. Trippel EA, Harvey HH (1991) Сравнение методов, используемых для оценки возраста и длины рыб в период половой зрелости, с использованием популяций белой присоски ( Catostomus commersoni ).Канадский журнал рыболовства и водных наук 48: 1446–1495. [Google Scholar] 28. Фонтоура Н.Ф., Браун А.С., Милани PCC (2009) Оценка размера при первом погашении ( l 50 ) по данным гонадо-соматического индекса (gsi). Неотропическая ихтиология 7: 217–222. [Google Scholar] 29. Пьера Дж., Паризи-Барадад V, Гарсия-Ладона Э., Ломбарте А., Рекасенс Л. и др. (2005) Извлечение признаков формы отолитов, ориентированное на автоматическую классификацию с открытыми распределенными данными. Морские и пресноводные исследования 56: 805–814.[Google Scholar] 30. Duarte-Neto P, Lessa R, Stosic B, Morize E (2008) Использование сагиттальных отолитов в различении запасов обыкновенных дельфинов ( Coryphaena hippurus ) у северо-востока Бразилии с использованием многофигурных дескрипторов. Журнал морских наук ICES 65: 1114–1152. [Google Scholar] 31. Музи Ф., Бакри Э., Арнеодо А. (1991) Вейвлеты и мультифрактальный формализм для сингулярных сигналов: приложение к данным о турбулентности. Письма с физическими проверками 67: 3515–3518. [PubMed] [Google Scholar] 32. Oswiecimka P, Kwapien J, Drozdz S (2006) Анализ вейвлетов и флуктуаций без тренда мультифрактальных структур.Физический обзор E 74: 016103. [PubMed] [Google Scholar] 33. Посадас И., Хименес Д., Кироз Р., Протц Р. (2003) Мультифрактальная характеристика систем почвенных пор. Журнал Американского общества почвоведов 67: 1361–1369. [Google Scholar] 34. Xie S, Cheng Q, Zhang S, Huang K (2010) Оценка микроструктуры пирротинов в базальтах с помощью мультифрактального анализа. Нелинейные процессы в геофизике 17: 319–327. [Google Scholar] 35. Drolon H, Druaux F, Faure A (2000) Анализ и классификация формы частиц с использованием вейвлет-преобразования.Письма с распознаванием образов 21: 473–482. [Google ученый] .

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *