Behavior recognition in laboratory mice using HFR video analysis

Abstract

In this paper, we propose an automatic behavior recognition algorithm for laboratory mice to determine their typical model behaviors and hence detect the degrees of diseases via animal testings for behavioral pharmacology. The algorithm can quantify several model behaviors of mice by detecting the repetitive motions of fore or hind limbs at several hertz; these motions, too rapid for the naked eye and the NTSC cameras, are captured on a high-frame-rate video. Even when a mouse changes its position and orientation, the algorithm can always detect these repetitive motions as periodic frame differential image features on four segmented regions-head, left side, right side, and tail-because the silhouette image of a mouse is converted in the polar coordinate system as its shift-and rotation-invariant shape by detecting the positions of its head and tail. The effectiveness of the algorithm is evaluated for six typical model behaviors, including scratching and grooming, by analyzing the experimental results for several laboratory mice, obtained by capturing long-term videos at 240 fps. We have provided the detection/correction ratios and compared the time durations of the model behaviors of these mice.

Computing a rodent’s diary

“…A combination of binarization, frame differencing, centroid calculation and filtering is used to monitor a dark mouse in a transparent container filled with water and positioned above an IR illuminator. The same authors [9] used a combination of frame binarization, frame differencing, centroid calculation, edge and contour extraction and a filtering method they developed in [10], to detect six behaviors in mice. These included moving, rearing, immobility, head grooming, left-side scratching and right side scratching.…”

Research on Real-time Vision Detection Technology for Motion Feature of High-speed Mechanical System

“…1 计算机视觉技术在最近十几年发展迅速，应用 领域不断拓展，针对不同的对象，研究人员提出了 多种多样的图像处理算法，这种技术的进步使得计 算机视觉正在代替人眼，完成各种繁重复杂的工业 现场检测和监控任务 [1][2][3] 。目前，传统的图像传感器 * 留学回国人员基金(M15C300010)和中国铁路总公司科技研究开发计 划课题(2014G009-G)资助项目。20150510 收到初稿，20151110 收到修 改稿 的采样速度不超过 100 帧/s，随着高速智能相机的 研发，视觉系统每秒存储数据可达 660 Mb [4] ，图像 采集速度可达到 250 帧/s、500 帧/s、1 000 帧/s 甚至 更高， 这些高速相机可以对高速运动现象进行快速捕 捉，清晰的还原人眼无法观测的高速运动过程 [5][6][7][8] 。 现代机械工程领域，在大规模工业生产和交通 运输设备方面，生产线和载运工具的运动速度越来 越快，无法用普通相机进行检测。例如高速全自动 贴片机的元件贴片时间可在几 ms 内完成；高速印 刷、高速加工等工业生产；汽车发动机、火车轮对 和飞机螺旋桨、涡轮发动机的高速旋转等高速机械 运动。工业中可执行的高速机械运动，往往以往复 式、重复式等周期运动体现，被人类控制用于完成 固定的动作。对于这些高速机械系统的运动特性检 测，往往利用转速传感器、红外激光等手段进行部 分零件的速度和频率检测，但基于视觉技术的高速 检测，国内尚无相关研究；大部分针对行人步态识 别、动物行为识别等，算法复杂不易用于高速实时 检测。 目前，针对高速运动现象的检测，国内外研究 机构开发了高速视觉平台进行相关研究。NIE 等 [9] 利用 240 帧/s 的高速相机对试验鼠进行长时间的高 速录像，提出了试验鼠典型运动自动提取算法，可 应用于药物试验中。ISHII 等 [10] 利用高速视觉系统 对附着标记点的动物心脏进行 1 000 帧/s 的高速图 像采集，离线处理重建心脏三维运动状态。高速智 能相机主要利用高速图像处理算法，对每一帧图像 进行毫秒级的高速计算，智能判断运动特性，可进 行长时间的高速实时检测，或提取特征信息和选择 性录取高速视频。马波等 [11] 利用高速摄像机获取医 用安瓿的序列图像，结合电气控制系统，设计了视 觉检测系统， 用于检测安瓿中可见的异物。 GU 等 [12][13] 利用 FPGA 并行处理技术和高速相机实现了多目标 特征的实时提取算法，WATANABE 等 [14][15] 开发了 高速视觉系统，并应用于高速文档识别，机器手运 动控制和物体的高速实时跟踪等领域。毕昕等针对 液晶显示器制造中的 Mura 缺陷，提出了基于机器 视觉的检测方法，分别研究基于小波滤波、同态变 换和主动轮廓模型等理论，建立 Mura 缺陷自动检 测方法 [16] 。张正涛等 [17] [18] 。然而，在利用 GPU 处理的 过程中， 图像数据在 CPU 与 GPU 之间的双向传输 占用较多时间，存在丢帧现象，不利于毫秒级的高 速实时计算，难以对高速运动现象完成准确检测。 因此，本研究主要利用高速视觉平台，设计高速图 像处理算法，对每一帧当前图像利用软件程序执行 算法，完成高速实时计算。 ( , , ) 0…”

Detection of Damaged Structures Using Deep Learning Algorithms with UAV

“…Bunlar birbirini takip edecek şekilde dizilerek evrişimsel sinir ağları modelini oluştururlar. Bu yapının ilk kısımlarında öznitelik çıkartım işlemleri gerçekleştirilirken sınıflandırma işlemi ise son katmanlarda gerçekleşir(Nie et al 2011).…”