Введение
В настоящее время осетровые рыбы находятся на грани исчезновения. Полностью потеряли промысловое значение и занесены к Красную книгу России атлантический, сахалинский, байкальский осетры, калуга и амурский осетр, азовская белуга, шип, а также стерлядь бассейнов рек Днепр, Дон, Кубань, Урал, Кама. В связи с этим возникает актуальность восстановления популяций осетровых в условиях современной экологии. Из-за сокращения их численности в естественных водоемах искусственное выращивание приобретает все большее значение не только для производства товарной рыбы, но и для пополнения запасов природных водоемах [1]. При выращивании, воспроизводстве рыб, а также селекции необходимо определение гематологических параметров для физиологического мониторинга и ранней диагностики болезней. Составление эритроцитарной и лейкоцитарной формул крови осетровых крайне важно, так как в большинстве случаев они выращиваются в установках замкнутого водоснабжения (УЗВ) в условиях высокой плотности посадки. Это достаточно трудоемкий и длительный процесс, требующий привлечения высококвалифицированных специалистов-физиологов, поэтому распознавание клеточных популяций лейкоцитов крови осетровых рыб с использованием технологий нейронных сетей является актуальной задачей. Диагностика физиологического состояния начинается со сбора образцов крови из хвостовой вены, подготовки препаратов для микроскопического исследования, оценки формы и количества различных типов лейкоцитов. Состав и соотношение форменных элементов может отклонятся от нормы вследствие заболеваний различной природы, неблагоприятных условий окружающей среды, стресса. Применение искусственного интеллекта для определения и подсчета клеток крови рыб позволит получить результаты анализа за считанные секунды после загрузки фотографий мазков. Их идентификация относится к задаче мультклассовой классификации с несбалансированными классами. Одним из наиболее эффективных и широко применяемых инструментов классификации изображений является сверточная нейронная сеть. Для разработки такой модели использовались язык программирования Python и специализированная библиотека TensorFlow. Информационной базой исследований стали 335 снимков крови осетровых рыб, полученные на цифровом микроскопе Биолаб 11 Люм, увеличение 100. Для возможности обучения нейросети распознавать популяции лейкоцитов необходимо подготовить изображения каждой группы и рассортировать их по соответствующим директориям. Всего было подготовлено 640 фотографий, распределенных по 14. Модель обучалась в течение 10 эпох обучения, итоговая точность составила 0,71 и 0,75 по обучающему и валидационному набору данных соответственно. Повысить качество распознавания клеток крови для автоматизации определения лейкоцитарной формулы крови можно путем модификации моделей и базы данных, усложнения процесса обучения, увеличения числа и качества изображений клеток крови, учета размеров клеток, что требует продолжения исследований по данной тематике [3].
Методология
Промышленное разведение не способно компенсировать снижение естественного воспроизводства, а тем более - интенсивное незаконное изъятие. Восстановление популяций осетровых рыб до уровня, позволяющего возобновить их промышленное использование при условии прекращения браконьерства, возможно только путем значительного повышения эффективности заводского разведения осетровых [2].
Результаты
Внедрение предложенной сквозной технологии в крупные рыбоводческие предприятия, направленной
Обсуждение
на улучшение качества и выживаемости выращиваемых молодых особей,
Обсуждение
, позволит сократить трудовые расходы,
Выводы
экономические и временные потери.