ISBN: (纸本)9787576415490

摘要： 本书共分十章，第一章和第二章是从南极条约体系的视角认知与理解《南极条约》与《南极海洋生物资源养护公约》以及南极条约体系下相关文书之间的关系。第三章至第八章分析南极海洋生物资源具体管理制度，包括生态系统方法与预防性做法实施方式、南极磷虾渔业及其管理、南极犬牙鱼渔业及其管理、打击IUU捕捞管理制度、海上登临执法检查制度、遵约评估制度等。第九章专门研究了南极海洋保护区，包括该议题发展不同阶段、具体海洋保护区提案以及该议题引发的政治、法律和科学争议。第十章回顾总结了《南极海洋生物资源养护公约》和南极海洋生物资源养护委员会四十多年发展历程，以及它和全球政治之间的偶然相似性。

关键词： 深度学习   海洋生物   目标检测   Jetson TX2  

摘要： 海洋生物检测与定位,对海洋资源合理开发与利用,具有非常重要的研究意义和研究价值。海洋场景复杂,传统目标检测方法无法满足检测要求。本文以深度学习相关技术为研究工具,以海洋生物(海胆、海参、海星和扇贝)为研究对象,建立并训练海洋生物目标检测模型,本文主要工作如下: 针对目标特征提取困难、海洋场景复杂和目标多尺度等问题,提出一种基于并行高分辨率网络的海洋生物目标检测算法。首先,针对目标特征难以提取的问题,采用更轻量级高分辨率网络,增强目标特征表达,有效减少图像在采样过程中损失的语义信息。然后,针对背景复杂的问题,改进注意力模块,增强在空间和通道维度的特征,捕获不规则和详细的对象布局。最后,针对目标多尺度的问题,构建感受野增强模块进一步获得足够的语义信息和丰富的细节信息,提高对多尺度目标的检测能力。实验结果显示,该方法在URPC2020、URPC2018和PASCAL VOC2007三个数据集上m AP分别达到了81.17%、77.02%和82.9%。并将模型部署到嵌入式平台Jetson TX2上。针对Jetson TX2平台,模型在URPC2020数据集上的m AP为80.64%,检测速度为1.20FPS。 针对小目标、遮挡和模糊等问题,提出一种基于引导特征学习的海洋生物目标检测算法。首先,针对语义特征丢失的问题,构建特征提取网络,以增强网络对小目标信息的提取能力。然后,针对特征分布分散的问题,设计上下文增强模块融入特征金字塔网络,以丰富上下文信息。接着,针对小目标模糊及前背景区分不明显的问题,构建引导特征学习模块,过滤冲突信息,增强目标本身的可辨性。最后,针对检测任务冲突的问题,提出一种并行交互检测头,通过引入特征交互思想与解耦检测头,来加强对目标的定位与分类能力。实验结果显示,该方法在URPC2020、URPC2018和PASCAL VOC2007三个数据集上m AP分别达到了83.46%、78.86%和83.2%,比基于并行高分辨率网络的海洋生物目标检测算法的m AP分别高了2.29%、1.84%和0.3%。并在嵌入式平台Jetson TX2上,对模型进行部署,可以实现对海洋生物图像的检测应用,模型在URPC2020数据集上的m AP为83.07%,检测速度为0.90FPS。

摘要： ~~

关键词： 水下海洋生物   深度学习   目标识别   轻量级模型   YOLO算法  

摘要： 近年来,由于对海洋资源的不合理开发,近海水下生物正面临着前所未有的危机。为了实现可持续发展,深入了解海洋生物的种类与分布,对于海洋资源的保护和海洋环境的维护显得尤为重要。 相较于水上环境,水下海洋生物数据集存在图像不清晰和色偏等问题,同时现有的深度学习检测模型在海洋生物识别方面存在不足。为解决识别准确性低、检测速度慢以及算法参数量大的问题,采用基于YOLO(You Only Look Once)的单阶段检测算法,提出使用三种不同的检测模型对水下海洋生物进行识别。通过实验结果表明,检测模型在数据集上具有高效的检测性能。本文的研究工作如下: (1)为了解决水下海洋生物识别准确性低的问题,采用基于改进YOLOv5s框架的水下海洋生物目标检测算法。在YOLOv5s原有模型上引入SwinTransformer主干模块,设计指数移动平均指标(Exponential Moving Average,EMA)结构嵌入到Head预测部分,并在主干网络和特征金字塔网络之间构建全局注意力机制模块(Global Attention Mechanism,GAM),以提高模型的鲁棒性。实验结果表明,相比于原始的YOLOv5算法,模型在mAP指标上提升了约11.3个百分点,对处理图像边缘信息、图像重叠的背景下效果更好。 (2)由于水下环境的复杂性、水下生物图像质量差以及检测目标尺寸大小不一等问题,导致水下海洋生物识别检测速度慢。因此,在YOLOv5s-tiny的基础上,提出基于WN-A-YOLO(WaterNet Adaptive YOLO)的水下海洋生物目标检测算法。构建改进的Focal-EIOU损失函数,以改善样本不平衡问题,为了增强模型在小范围的信息表现能力,在Head部分设计改进隐式知识学习的Efficient解耦头,同时设计EVCBlock模块,有效提取海洋生物特征。通过详细的实验验证,WN-A-YOLO模型的FPS指标为81.6,表明此方法在提升检测速度的有效性。 (3)针对轻量检测模型难以满足实时性和准确性的问题,在更加注重轻量化设计的YOLOv7模型基础上,提出基于FasterNet-YOLOv7的水下海洋生物目标检测算法。在YOLOv7模型上设计FasterNet-L(Faster Neural Networks-L)作为空间特征提取,并采用跨模态轻量级注意力机制对原有算法进行了改进,增强了检测目标在通道和空间维度上的特征表现。构建轻量级上采样算子(Content-Aware ReAssembly of Features,CARAFE),减少计算资源。通过实验验证,FasterNet-YOLOv7模型检测精度提高了4.1%,使改进的算法整体性能更加优越。

关键词： 水下数据集   全景分割   区域生长   分割一切大模型   全景特征金字塔网络  

摘要： 在当前全球变化的背景下,海洋生态系统的研究和保护变得尤为重要。由于海洋环境的独特性和复杂性,水下图像获取和分析成为了海洋科学研究中的一个核心问题。大部分水下图像模糊不清,这给图像处理和分析带来了极大的挑战。此外,海洋生物的多样性和水下生态环境的复杂性,如珊瑚礁、海底地貌等,也给图像识别和分析增添了难度。 随着计算机视觉和深度学习技术的发展,全景分割作为一种新兴的图像处理方法,为水下图像的分析提供了新的视角和解决方案。全景分割不仅可以识别图像中的各个对象,还能理解它们在场景中的具体位置和背景关系。这在多尺度、多角度分析复杂水下环境中尤为关键。然而,水下图像的全景分割面临着特有的挑战,如在多尺度视角下保持对象识别的准确性和细节,以及在复杂背景下进行有效的分割。 为了克服这些挑战,本文提出了两种多尺度视角特征融合的海洋生物图像全景分割方法。这两种方法利用多尺度分析,不仅可以处理不同大小和形态的海洋生物,还能有效地处理复杂的水下环境背景。本文主要研究内容分为几个部分: (1)全景分割数据集的创建与分类:本研究对公开水下数据集SUIM进行了全景分割的重新标注,筛选并分类得到了1250张、8个种类的全景分割水下数据集。这为全景分割任务提供一个更丰富和准确的数据基础,以便更好地训练和验证所提出的模型。 (2)改进Panoptic FPN的设计与实现:本文首先改进了传统的区域生长算法,把它融入到基础的全景分割模型底座当中,设计了基于区域生长的全景分割金字塔网络,以更准确地分割和识别水下图像中的对象。接着又利用新型的分割一切(Segment Anything Thing,SAM)技术,重新设计后加入到Panoptic FPN中,将SAM模型的多尺度输出作为掩码输入,得到了基于SAM的全景分割金字塔网络,有效改善了在复杂场景下的分割效果。 (3)模型性能的评估与测试:在SUIM数据集上的测试显示,改进后的Panoptic FPN模型在分割精度(panoptic quality,PQ)上有显著提升。具体来说,加入SAM模块后的改进Panoptic FPN的PQ提高了1.06,加入区域生长模块后提高了0.35。 通过这些研究,本文旨在解决水下图像分割领域中的关键挑战,为海洋生态系统的监测和保护提供技术支持,同时推动水下图像分割技术的发展。

关键词： 核心素养   海洋生物学   高中生物教学   生物技术与工程  

摘要： 我国作为海洋大国，在全球大力开发海洋资源的环境下，培养相关高水平人才尤为重要。教师选择合适的切入点和教学策略将海洋生物学知识与技术融入高中生物教学，既能在真实情境中为学生提供高精尖技术知识，又能培养其核心素养，实现立德树人的目标，同时助力蓝色生物产业的发展，为建设海洋强国注入强劲活力。

摘要： Healthy seas are crucial for the protection of public health and to maximise the economic benefit from the use of the ocean for food production (including from aquaculture), resources, pharmaceuticals, and tourism. Sporadic occurrences of marine harmful algal blooms (HABs), however, can bring calamity to both the health and economic well-being of communities and businesses. In particular, toxigenic blooms can lead to significant harm to marine species and ecosystems, as well as human health and maritime industries. Pseudo-nitzschia is a genus of marine microalgae, belonging to the diatom group, which have been identified as a significant risk to human health and a contributor to ecological degradation from HABs. This is due to the production of domoic acid, a potent neurotoxin that is toxic to marine organisms and mammals. Early detection of domoic acid-producing blooms is necessary to minimise exposure. However, existing methods for discerning Pseudo-nitzschia abundance and the associated risks are long and protracted, labour-intensive and expensive. Pseudo-nitzschia blooms. Subsequently, a suite of novel isothermal assays targeting the dabD gene of Pseudo-nitzschia spp., which is linked to toxin biosynthesis, were designed utilising the LAMP and RPA chemistries. The LAMP assay outperformed the RPA assay in sensitivity and specificity, and its potential use for statutory algal surveillance was demonstrated by measuring Pseudo-nitzschia DNA in seawater samples collected over six months from a known HAB hotspot. To support the potential integration of the novel assays with fieldable instrumentation, a novel ‘Vitrification’ technique was developed for the simple and fast preservation and dry storage of complete reaction mixtures. The ‘shelf-life’ of the preserved reactions was at least six months at room temperature and represents a host of improvements upon existing methods. There were no significant differences in quantification performance between the dry-preserv