淡水鱼的活跃度反映了其健康状况和行为情况,对淡水鱼的活跃度进行监测识别,有助于及时发现养殖中的异常行为,从而进行预警并及时采取补救措施,减少养殖的损失,提高淡水养殖产量和效率。目前淡水鱼活跃度监测主要是通过计算机视觉,其容易受光线、水质、养殖密度等因素的影响,适用范围存在一定的局限性。针对上述问题,本文提出了一种基于被动水声信号的鲫鱼活跃度识别方法。在实验室同步采集了鲫鱼的声音和视频信号,利用视频信号进行鲫鱼活跃度等级划分,同时提取了声音信号特征,建立了鲫鱼活跃度识别模型。主要研究工作和结论如下:(1)建立了鲫鱼活跃度等级划分方法。采用深度学习中的单阶段目标检测网络对鲫鱼进行目标检测,并选用多个指标对结果进行评价,其中F值为0.58,平均精度为0.87,表明该方法对鲫鱼目标检测具有较高的精度。提取鲫鱼游动轨迹进而计算鱼群游速,运用k均值聚类方法对活跃度等级进行划分,t检验的p值均小于0.01,表明所划分的三个活跃度等级具有显著性差异,所采取的活跃度等级划分方法较为合理。(2)提取了鲫鱼声音信号特征。对采集的声音信号进行维纳滤波,提取了声音信号特征,对不同活跃度的鲫鱼声音信号特征进行显著性分析。确定最优小波包分解层数为六层,选取了短时平均能量、45个六层小波包分解频段能量、6个平均Mel频率倒谱系数、功率谱主峰频率和主峰值等54个具有显著性差异的特征。并进行相关性分析和主成分分析,挑选了累积贡献率达到99%的前27个主成分特征。(3)建立了基于被动水声信号的鲫鱼活跃度识别模型。分别用选取的54个特征和前27个主成分特征进行建模,建立Fisher线性判别、支持向量机、随机森林分类器模型,并对模型进行评价,比较了不同模型的识别效果,其中最优的鲫鱼活跃度识别模型为随机森林分类器模型,其识别率为98.61%,Kappa系数为0.98。试验结果表明鱼的声音信号与活跃度之间存在着关联性,可以将被动水声信号用于鲫鱼活跃度识别,该研究对于深入分析淡水鱼声音信号与鱼类行为的关系,以及鱼类养殖过程中的行为监测具有重要意义。