Système de suivi de poissons pour l’écohydraulique : étude du comportement en interaction avec les turbulences de l'écoulement

Les relations entre l’écoulement et les poissons ont intéressé les chercheurs depuis des siècles. De nombreux travaux ont étudié les relations entre la préférence de l’habitat du poisson et la vitesse moyenne longitudinale de l’écoulement à la fois en laboratoire et sur le terrain. Les préférences d’habitat en relation avec des vitesses particulières (i.e. les courbes d’indice de qualité de l’habitat) ont été publiées et largement utilisées. Bien que les courbes de préférence offrent des directives générales sur la pertinence de l’habitat du poisson, elles ne caractérisent pas les propriétés de l’écoulement qui existent au sein même de l’habitat naturel (par exemple, la caractérisation de l’écoulement turbulent dans les rivières). Ainsi, un manque de connaissances sur le comportement des poissons en fonction de la turbulence est flagrant. L’objectif principal de la présente demande est d’examiner les effets des conditions d’écoulement turbulent sur le comportement des poissons se déplaçant au sein d’un écoulement (type passe à poisson ou canal turbulent). En effet, le suivi précis des mouvements des poissons est fondamental pour la recherche en écohydraulique et pour les applications en sciences du comportement. Cependant, les caractéristiques locomotrices des poissons diffèrent considérablement d’une espèce à l’autre et il est parfois complexe de suivre les mouvements en raison de présence de reflet à la surface libre ou d’entraînement d’air dans l’écoulement.

L’étude vise donc à analyser les comportements locomoteurs des poissons dans des environnements contrôlés (au sein des bassins expérimentaux de la plateforme hydrodynamique environnementale de l’Institut PPRIME) à l’aide de développement d’un système de suivi précis, efficace et fiable en utilisant des techniques avancées de vision par ordinateur et d’algorithmes de suivi d’objets basées sur des méthodes d’apprentissage automatique de type Deep Learning (Intelligence Artificielle). En effet, ces dernières ont montré de bonnes performances dans des conditions d’acquisitions complexes, [2], [3], [4], [5]. Le système développé sera testé sur un ensemble de plusieurs centaines de vidéos de poissons dans une grande variété de conditions vidéo (complexes), y compris en présence d’ombres, de bulles d’eau et d’artefacts d’arrière-plan. Les objectifs des techniques développées sont, dans un premier temps, de suivre le poisson et, dans un second temps, de déterminer les caractéristiques de nages comme la fréquence et l’amplitude d’oscillation des nageoires ainsi que son orientation dans le bassin.

Mis en relation avec les caractéristiques turbulentes de l’écoulement suggérées dans le cadre IPOS
[1]: intensité de la turbulence (I), périodicité de l’écoulement (P), orientation de l’écoulement (O)
et échelle (S) des tourbillons significatifs, les données analysées permettront alors de répondre à la
question clé en écohydraulique de relation entre la locomotion de poisson et les caractéristiques
de l’écoulement.

Bibliographie

Lacey RJ, Neary VS, Liao JC, Enders EC, Tritico HM. 2012. The IPOS framework: linking fish swimming performance in altered flows from laboratory experiments to rivers. River Res Appl. 28(4):429–443.
Li, W., Liu, Y., Wang, W., Li, Z., Yue, J., 2024. TFMFT: Transformer-based multiple fish tracking. Computers and Electronics in Agriculture 217, 108600. https://doi.org/10.1016/j.compag.2023.108600
Liu, Y., Li, B., Zhou, X., Li, D., Duan, Q., 2024. FishTrack: Multi-object tracking method for fish using spatiotemporal information fusion. Expert Systems with Applications 238, 122194. https://doi.org/10.1016/j.eswa.2023.122194
Wang, H., Zhang, S., Zhao, S., Wang, Q., Li, D., Zhao, R., 2022. Real-time detection and tracking of fish abnormal behavior based on improved YOLOV5 and SiamRPN++. Computers and Electronics in Agriculture 192, 106512. https://doi.org/10.1016/j.compag.2021.106512
Wang, Z., Xia, C., Lee, J., 2021. Parallel Fish School Tracking Based on Multiple Appearance Feature Detection. Sensors 21, 3476. https://doi.org/10.3390/s21103476