Automated tracking of aquatic crustaceans with potential application on the quantification of animals movement

Jesús D. Nuñez; Octavio Massone; José A. García

doi:10.25260/EA.23.33.1.0.1920

Autores/as

Jesús D. Nuñez Instituto de Investigaciones Marinas y Costeras (IIMyC), FCEyN, Universidad Nacional de Mar del Plata-CONICET. Mar del Plata, provincia de Buenos Aires, Argentina
Octavio Massone Instituto de Investigaciones Marinas y Costeras (IIMyC), FCEyN, Universidad Nacional de Mar del Plata-CONICET. Mar del Plata, provincia de Buenos Aires, Argentina
José A. García Universitat Oberta de Catalunya (UOC). Institute of Marine Sciences, Spanish National Research Council (ICM-CSIC)

DOI:

https://doi.org/10.25260/EA.23.33.1.0.1920

Palabras clave:

detección de objetos, ecología del comportamiento, seguimiento por vídeo

Resumen

En este trabajo se describe un conjunto de algoritmos escritos en el lenguaje de programación Python, orientados a la detección y el seguimiento autónomo de objetos en vídeos experimentales. Esta rutina se desarrolló bajo los fundamentos de la sustracción de fondo y umbral de imagen (empleando la biblioteca OpenCV), lo cual posibilita seguir un espectro amplio de animales bajo diferentes condiciones. La rutina fue validada usándola en crustáceos acuáticos y semi-terrestres, y bajo diferentes escenarios experimentales (muestreo de laboratorio, de campo y utilizando vídeos creados en condiciones nocturnas y diurnas). Una de las ventajas de la rutina que presentamos es que fue construida empleando un software de código abierto y multiplataforma, por lo que se la puede emplear en cualquier sistema operativo. La naturaleza de código abierto de esta rutina permite flexibilidad y escalabilidad, y fácil personalización. Por lo tanto, es transferible a otras especies o experimentos en el contexto de la ecología del comportamiento. La presente rutina constituye una alternativa gratuita a los sistemas comerciales de seguimiento de vídeo y, en consecuencia, se la puede aplicar a una gran variedad de programas, tanto educativos como de investigación.

Citas

Antunes, M., and G. Biala. 2012. The novel object recognition memory: neurobiology, test procedure, and its modifications. Cogn Process 13:93-110. https://doi.org/10.1007/s10339-011-0430-z.

Audira, G., N. T. Ngoc Anh, B. T. Ngoc Hieu, N. Malhotra, P. Siregar, O. Villalobos, O. B. Villaflores, T. R. Ger, I. C. Huang, K. H. Chen, and C. D. Hsiao. 2020. Evaluation of the adverse effects of chronic exposure to donepezil (an acetylcholinesterase inhibitor) in adult zebrafish by behavioral and biochemical assessments. Biomolecules 10(9):1340. https://doi.org/10.3390/biom10091340.

Bradski, G. 2000. The OpenCV Library | Dr Dobb’s. URL: drdobbs.com/open-source/the680opencv-library/184404319.

Dell, A. I., J. A. Bender, K. Branson, I. D. Couzin, G. G. de Polavieja, L. Noldus, A. Pérez-Escudero, P. Perona, A. D. Straw, M. Wikelski, and U. Brose. 2014. Automated image-based tracking and its application in ecology. Trends in Ecology and Evolution 29(7):417-428. https://doi.org/10.1016/j.tree.2014.05.004.

Garcia, J. A., V. Sbragaglia, D. Masip, and J. Aguzzi. 2019. Long-term Video Tracking of Cohoused Aquatic Animals: A Case Study of the Daily Locomotor Activity of the Norway Lobster (Nephrops norvegicus). Journal of Visual Experiment 146:e58515. https://doi.org/10.3791/58515.

Iriarte, R., Nuñez, J. D., Spivak, E. D., and C. C. Bas. 2022. Innate response to con- and heterospecific alarm chemicals in juveniles of a freshwater shrimp. Journal of Zoology 318(2):104-113. https://doi.org/10.1111/jzo.13001.

Mahalanobis, P. C. 1936. On the Generalized Distance in StatiJournal of Zoologystics. Proceedings of the National Institute of Science of India 2:49-55.

Noldus, L., J. Spink, and R. Tegelenbosch. 2001. EthoVision: A versatile video tracking system for automation of behavioral experiments. Behavior Research Methods, Instruments and Computers 33(3):398-414. https://doi.org/10.3758/BF03195394.

Nuñez, J. D., V. Sbragaglia, J. A. García, J. B. Company, and J. Aguzzi. 2016. First laboratory insight on the behavioral rhythms of the bathyal crab Geryon longipes. Deep Sea Research I 116:165-173. https://doi.org/10.1016/j.dsr.2016.08.007.

Nuñez, J. D., V. Sbragaglia, P. D. Ribeiro, E. Spivak, and T. A. Luppi. 2021. The magnitude of behavioral responses to artificial light at night depends on the ecological context in a coastal marine ecosystem engineer. Marine Environmental Research 165:105238. https://doi.org/10.1016/j.marenvres.2020.105238.

R Core Team. 2020. A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria.

Sbragaglia, V., J. Aguzzi, J. A. García, D. Sarriá, S. Gomariz, C. Costa, P. Menesatti, M. Vilaró, A. Manuel, and F. Sardá. 2013. An automated multi-flume actograph for the study of behavioral rhythms of burrowing organisms. Journal of Experimental Marine Biology and Ecology 446:177-185. https://doi.org/10.1016/j.jembe.2013.05.018.

Thoré, E. S. J., L. Brendonck, and T. Pinceel. 2021. Natural daily patterns in fish behaviour may confound results of ecotoxicological testing. Environmental Pollution 276:116738. https://doi.org/10.1016/j.envpol.2021.116738.

Ushey, K., Allaire J. J., and Y. Tang. 2021. reticulate: Interface to 'Python'. R package version 1.20. URL: cran.r-project.org/package=reticulate.

Schneider, C. A., W. S. Rasband, and K. W. Eliceiri. 2012. NIH Image to ImageJ: 25 years of image analysis. Nature Methods 9:671-675. https://doi.org/10.1038/nmeth.2089.