基于圖像處理和壓縮感知的魚群低溶氧脅迫異常行為檢測(cè)方法

盧煥達(dá)，于欣，劉廣強(qiáng)

（浙江大學(xué)寧波理工學(xué)院，浙江寧波315100）

魚群的行為表現(xiàn)受到水體環(huán)境中各種因子的影響。例如，水體環(huán)境中溫度[1]、鹽度[2]、光照強(qiáng)度[3]等外部環(huán)境因素的改變均會(huì)對(duì)魚群的行為表現(xiàn)產(chǎn)生一定的影響。因此，通過監(jiān)控魚群行為的異常變化可快速發(fā)現(xiàn)水體環(huán)境因子的變化，也可實(shí)現(xiàn)在魚類養(yǎng)殖過程中對(duì)健康和福利狀況的預(yù)警。目前，對(duì)魚群異常行為的監(jiān)測(cè)，主要是采用人工現(xiàn)場(chǎng)觀測(cè)的方法，但是，該方法不僅費(fèi)時(shí)費(fèi)力，不能做到24 h不間斷監(jiān)測(cè)，而且其有效性依賴于觀測(cè)者的經(jīng)驗(yàn)。因此，在水產(chǎn)養(yǎng)殖中，亟需一種能快速檢測(cè)魚群異常行為的自動(dòng)化方法。

近年來，利用計(jì)算機(jī)視覺技術(shù)監(jiān)測(cè)魚群行為已成為一個(gè)熱門研究領(lǐng)域[4-7]。例如，程淑紅等[5]提出了一種基于計(jì)算機(jī)視覺與支持向量機(jī)（support vector machine,SVM）的水質(zhì)異常監(jiān)測(cè)方法，該方法首先通過計(jì)算機(jī)視覺技術(shù)獲取能夠反映水質(zhì)情況的魚群行為運(yùn)動(dòng)特征參數(shù)，然后利用支持向量機(jī)得到水質(zhì)監(jiān)測(cè)模型，最后利用該模型監(jiān)測(cè)水質(zhì)異常狀況。盧煥達(dá)等[6]開發(fā)了一種基于計(jì)算機(jī)視覺的魚群行為自動(dòng)監(jiān)測(cè)系統(tǒng)，該系統(tǒng)利用攝像機(jī)對(duì)魚群行為進(jìn)行實(shí)時(shí)監(jiān)控，自動(dòng)分析魚群游動(dòng)速度及體色的改變情況。黃毅等[7]開展了利用魚群的行為變化進(jìn)行水質(zhì)在線預(yù)警的研究，即采用計(jì)算機(jī)視覺技術(shù)跟蹤觀察正常和非正常水體情況下斑馬魚群的行為變化，發(fā)現(xiàn)監(jiān)測(cè)魚群的異常行為可以作為水質(zhì)突變預(yù)警的一種可靠手段。

在水產(chǎn)養(yǎng)殖中，溶氧水平無疑是最為敏感的因子，已有諸多學(xué)者在此領(lǐng)域開展研究。例如，趙文文等[8]研究了溶氧水平對(duì)鳊魚、中華倒刺鲃?dòng)佐~游泳能力的影響，發(fā)現(xiàn)不同溶氧水平對(duì)不同魚種游泳能力的影響存在差異。XU等[9]基于計(jì)算機(jī)視覺方法發(fā)現(xiàn)魚群在受到低溶氧脅迫時(shí)，魚群的游動(dòng)速度會(huì)發(fā)生顯著變化。但是，這些研究均未解決魚群在受到低溶氧脅迫時(shí)自動(dòng)檢測(cè)異常行為的問題。

本文針對(duì)魚群在低溶氧脅迫下異常行為檢測(cè)的問題，以錦鯉（Cyprinus carpio）為研究對(duì)象，通過構(gòu)建實(shí)驗(yàn)裝置產(chǎn)生常氧和低氧2種環(huán)境，然后用攝像機(jī)獲取這2種狀態(tài)下的魚群行為圖像，通過運(yùn)動(dòng)目標(biāo)檢測(cè)得到運(yùn)動(dòng)魚群的二值圖像，計(jì)算圖像的位置直方圖，并選取位置直方圖的均值、方差、歪斜度、峰態(tài)、能量等5個(gè)參數(shù)構(gòu)成每幅圖像的魚群運(yùn)動(dòng)特征參數(shù)。在此基礎(chǔ)上，構(gòu)建基于壓縮感知[10-13]的分類器，使得模型能根據(jù)魚群運(yùn)動(dòng)特征參數(shù)自動(dòng)將其分成正常和異常2類。本文建立的異常行為檢測(cè)方法為養(yǎng)殖生產(chǎn)提供了一種快速、低成本監(jiān)測(cè)魚群在低溶氧脅迫下狀態(tài)的新手段。

1 材料與方法

1.1 魚群行為數(shù)據(jù)采集

圖1 魚群異常行為檢測(cè)實(shí)驗(yàn)系統(tǒng)Fig.1 Experimental system for detecting abnormal behavior of fish school

圖1 為魚群異常行為檢測(cè)實(shí)驗(yàn)系統(tǒng)，該系統(tǒng)由實(shí)驗(yàn)水槽、溶氧控制檢測(cè)裝置和魚群行為采集記錄裝置3部分組成。其中：實(shí)驗(yàn)水槽為長(zhǎng)、寬、高分別是58、43和44 cm的玻璃缸，在缸兩側(cè)分別加入隔網(wǎng)，以避免充氣產(chǎn)生的水泡影響視頻采集，2個(gè)隔網(wǎng)之間的區(qū)域設(shè)定為實(shí)驗(yàn)區(qū)域；溶氧控制檢測(cè)裝置由氮?dú)夤藓腿苎鯗y(cè)定儀組成，氮?dú)夤抻脕硐虿Ａ壑袥_入氮?dú)庖越档退w中的溶氧水平，可通過控制氮?dú)獾牧髁縼砜刂扑w中的溶氧水平，并通過安裝在另外一側(cè)的溶氧測(cè)定儀進(jìn)行檢測(cè)；魚群行為采集記錄裝置由光源[2個(gè)白色LED（發(fā)光二極管）燈組成]、1臺(tái)視頻跟蹤器（攝像機(jī)）和計(jì)算機(jī)組成。LED光源安裝在水槽養(yǎng)魚區(qū)的斜上方，適當(dāng)調(diào)整位置來減少陰影對(duì)圖像處理的影響。攝像機(jī)安裝在水槽養(yǎng)魚區(qū)的側(cè)面，鏡頭正對(duì)玻璃水槽，通過調(diào)整鏡頭距離使其拍攝范圍覆蓋整個(gè)實(shí)驗(yàn)區(qū)。攝像機(jī)拍攝的圖像分辨率為1 024×768像素，幀率為25幀/s。拍攝的視頻和環(huán)境參數(shù)（溶解氧濃度）在計(jì)算機(jī)中進(jìn)行存儲(chǔ)。

實(shí)驗(yàn)魚為購于浙江省寧波市某花鳥市場(chǎng)的錦鯉，平均長(zhǎng)度為（5.2±1.3）cm。在開展實(shí)驗(yàn)前，實(shí)驗(yàn)魚放置在暫養(yǎng)池中暫養(yǎng)10 d，暫養(yǎng)池保持水溫為20～25℃，溶氧水平為5.0～7.6 mg/L。每天喂食1次，餌食1 h后清理殘?jiān)Ｃ? d換水1次。實(shí)驗(yàn)前24 h不喂食，每次實(shí)驗(yàn)時(shí)從暫養(yǎng)池中隨機(jī)選取15條魚放入實(shí)驗(yàn)系統(tǒng)的實(shí)驗(yàn)區(qū)域中，等魚群適應(yīng)實(shí)驗(yàn)環(huán)境后（2 h后）開始實(shí)驗(yàn)。

溶氧水平設(shè)置為常氧（5.0～7.6 mg/L）和低氧（0.2～1.5 mg/L）2個(gè)狀態(tài)[9]，把在常氧狀態(tài)下的魚群行為標(biāo)記為正常行為，而在低氧狀態(tài)下的魚群行為標(biāo)記為異常行為。在實(shí)驗(yàn)中通過溶氧控制檢測(cè)裝置控制溶氧水平，并通過攝像機(jī)記錄魚群行為。

1.2 魚群異常行為檢測(cè)總體框架

魚群異常行為檢測(cè)方法的總體框架如圖2所示。該方法總體可分成圖像預(yù)處理、魚群行為特征提取和異常行為檢測(cè)3大步驟。圖像預(yù)處理步驟的目標(biāo)是通過圖像裁剪、背景提取和目標(biāo)檢測(cè)算法獲得大小一致的二值圖像。魚群行為特征提取步驟為通過預(yù)處理后的圖像獲取位置直方圖，并計(jì)算位置直方圖的均值、方差、歪斜度、峰態(tài)、能量等統(tǒng)計(jì)特征作為魚群行為特征參數(shù)。異常行為的檢測(cè)步驟是選取常氧和低氧狀態(tài)下的若干圖像作為訓(xùn)練樣本，構(gòu)建數(shù)據(jù)詞典矩陣，利用壓縮感知方法獲得不同溶氧水平下魚群行為特征的稀疏表示形式，然后計(jì)算測(cè)試樣本的稀疏表示與不同類別訓(xùn)練樣本稀疏表示的殘差，使殘差達(dá)到最小值的類別即為測(cè)試樣本的類別（常氧或低氧）。

1.2.1 圖像預(yù)處理

在獲取原始視頻圖像后，通過FFmpeg工具將拍攝的mp4格式的視頻轉(zhuǎn)換成jpg格式的視頻序列圖像，并利用Matlab中的imcrop函數(shù)將圖像裁剪成600×600像素大小的圖。在此基礎(chǔ)上，利用統(tǒng)計(jì)平均法提取背景[14]，將樣本圖像減去背景后得到圖像差圖，選擇合適的閾值來獲得樣本圖像的二值化圖像，完成目標(biāo)圖像的預(yù)處理[15]。

1.2.2 魚群行為特征提取

魚群在不同溶氧水平下具有不同的行為，主要表現(xiàn)為在常氧環(huán)境下集中在水體的中下部活動(dòng)，而在低氧環(huán)境下集中在水體的中上部活動(dòng)（圖3）。為了用計(jì)算機(jī)技術(shù)提取這類直觀的行為特征，并減少個(gè)別魚對(duì)群體行為特征的影響，我們用魚群圖像的位置直方圖刻畫了魚群在不同溶氧水平下的行為特征。

對(duì)于一幅圖像，以玻璃水槽中的左上角為坐標(biāo)原點(diǎn)，水平面自左向右為x軸，坐標(biāo)值從水平面依次向下為y軸。取y方向的位置直方圖，用它來表示圖像中每個(gè)高度區(qū)間上運(yùn)動(dòng)目標(biāo)像素點(diǎn)的離散函數(shù)[16]，公式如下：

式中：i表示圖像像素點(diǎn)的高度或者位置坐標(biāo)；Ni表示圖像中運(yùn)動(dòng)目標(biāo)在高度i上的像素點(diǎn)的個(gè)數(shù)；N表示圖像中運(yùn)動(dòng)目標(biāo)的像素點(diǎn)總數(shù)；h表示圖像的高度。式（1）描述的是圖像中運(yùn)動(dòng)目標(biāo)在高度i上的像素?cái)?shù)量占圖像中運(yùn)動(dòng)目標(biāo)位置像素總數(shù)的比例。圖4為不同溶氧水平下魚群的位置直方圖。

獲取位置直方圖后，需要計(jì)算某些統(tǒng)計(jì)量參數(shù)來反映圖像中運(yùn)動(dòng)目標(biāo)的特征。常用的統(tǒng)計(jì)量參數(shù)[16-17]有：

1）均值（mean）：反映了一幅圖像中運(yùn)動(dòng)目標(biāo)的平均位置信息。

圖4 魚群的位置直方圖Fig.4 Location histogram of thefish school

2）方差（variance）：反映了一幅圖像中運(yùn)動(dòng)目標(biāo)位置在數(shù)值上的離散分布情況。

3）歪斜度（skewness）：反映了一幅位置直方圖分布的不對(duì)稱程度。歪斜度越大，表示直方圖分布越不對(duì)稱；反之，則越對(duì)稱。

4）峰態(tài)（kurtosis）：反映了一幅圖像中運(yùn)動(dòng)目標(biāo)位置分布在接近均值時(shí)的大致狀態(tài)，用以判斷圖像中運(yùn)動(dòng)目標(biāo)位置的分布是否非常集中于平均位置附近。峰態(tài)越小，表示越集中；反之，則越分散。

5）能量（energy）：反映了一幅圖像中運(yùn)動(dòng)目標(biāo)位置分布的均勻程度?；叶确植驾^均勻時(shí)能量較大；反之，則能量較小。

通過計(jì)算位置直方圖中的μ、σ2、μs、μk和μe值，可以得到5個(gè)魚群運(yùn)動(dòng)行為參數(shù)，這5個(gè)值組成的向量即為魚群行為特征向量。

1.2.3 基于壓縮感知的魚群異常行為檢測(cè)方法

壓縮感知理論由CANDèS等[10,11,13]和DONOHO[12]提出，該理論證明了如果某個(gè)信號(hào)具有稀疏性，那么就可以用比傳統(tǒng)采樣定理更低的頻率對(duì)該信號(hào)進(jìn)行采樣，并且采樣后依然可以獲取包含該信號(hào)全局信息的數(shù)據(jù)，繼而可以利用求解優(yōu)化問題的方法從觀測(cè)向量中高概率或精確地重構(gòu)原始信號(hào)。

考慮實(shí)域上的有限長(zhǎng)一維離散時(shí)間信號(hào)X，若在某個(gè)變換域中存在一組正交變換基ψ，使得式（7）成立[18]，

則稱信號(hào)X在正交變換基ψ上是K稀疏的。式中：X∈RN×1；ψ為正交變換基，即稀疏矩陣，ψ∈RN×N；y表示信號(hào)X在正交變換基ψ下的相關(guān)系數(shù)，也稱為稀疏向量，y中只有K個(gè)元素不為零，y∈RN×1；N為信號(hào)維數(shù)。

在此前提下，可以用一個(gè)矩陣φ對(duì)信號(hào)X進(jìn)行線性觀測(cè)，使得式（8）成立。

式中：φ表示一個(gè)與稀疏矩陣ψ不相關(guān)的矩陣，稱之為觀測(cè)矩陣，φ∈RM×N；z表示在觀測(cè)矩陣φ下的觀測(cè)值，稱之為觀測(cè)向量，z∈RM×1，M為觀測(cè)值維數(shù)，其中M=N。由于式（8）為欠定方程，因此不能從已知觀測(cè)向量z的基礎(chǔ)上求解出信號(hào)X。但是根據(jù)壓縮感知理論[19-20]可知，通過求解最優(yōu)l0范數(shù)能夠解決這個(gè)問題，即：

求解式（9）非常復(fù)雜，因?yàn)樗且粋€(gè)非確定性多項(xiàng)式（non-deterministic polynomial,NP）問題。然而，在稀疏向量y足夠稀疏的情況下，可將式（9）的解轉(zhuǎn)換為l1范數(shù)意義下的最優(yōu)化問題，即：

此時(shí)，式（10）為一個(gè)凸優(yōu)化問題，可以利用匹配追蹤法、內(nèi)點(diǎn)法等算法進(jìn)行求解[21-22]。

壓縮感知分類算法是一種基于壓縮感知理論的模式識(shí)別算法，在農(nóng)業(yè)領(lǐng)域也已得到廣泛應(yīng)用。例如，韓安太等[23]利用農(nóng)業(yè)害蟲圖像提取形態(tài)特征參數(shù)和顏色特征參數(shù)作為識(shí)別不同種類害蟲的特征，并用壓縮感知分類算法實(shí)現(xiàn)了農(nóng)業(yè)害蟲自動(dòng)分類。簡(jiǎn)要介紹如下。

假設(shè)有k類研究對(duì)象，第i類研究對(duì)象有Ni個(gè)訓(xùn)練樣本，則第i類的Ni個(gè)樣本的特征數(shù)據(jù)可以組成矩陣ψi，即：

那么，k類研究對(duì)象的所有的訓(xùn)練樣本可以組成數(shù)據(jù)詞典矩陣ψ，即：

其中：N=N1+N2+…+Nk。

對(duì)于任意一個(gè)未知分類的研究對(duì)象測(cè)試樣本U∈RM，如果數(shù)據(jù)詞典矩陣ψ充分完備，那么該測(cè)試樣本可以由ψ線性表示，即：

其中：V∈RN。當(dāng)M?N時(shí)，因?yàn)榉匠蘒=ψV為欠定方程，因此求解該方程十分困難。根據(jù)壓縮感知理論，可以由式（10）進(jìn)行求解。

通過解式（13）求得研究對(duì)象測(cè)試樣本U=RM的對(duì)應(yīng)稀疏向量Vˉ，進(jìn)而對(duì)任意的i(1≤i≤k)，可以定義研究對(duì)象測(cè)試樣本U=RM的第i個(gè)重構(gòu)樣本：

其中：δi(Vˉ)∈RN為一個(gè)只與第i類有關(guān)的系數(shù)向量；δi(Vˉ)是一個(gè)只保留Vˉ中與第i類有關(guān)的系數(shù)并且令其他系數(shù)全部為零的向量。每個(gè)測(cè)試樣本都可以得到k個(gè)重構(gòu)樣本Uˉi（i=1，2，…，k），分別計(jì)算研究對(duì)象測(cè)試樣本U與重構(gòu)樣本Uˉi之間的殘差，并確定使殘差達(dá)到最小的類別為研究對(duì)象測(cè)試樣本所屬的分類，即：

2 結(jié)果與分析

從常氧和低氧環(huán)境下2類魚群行為圖像中各隨機(jī)選取4 000幅圖像作為樣本，其中2 000幅為訓(xùn)練樣本，另外2 000幅為測(cè)試樣本，樣本均已知類標(biāo)（常氧/低氧）。將數(shù)據(jù)隨機(jī)打亂后，將2 000個(gè)測(cè)試樣本進(jìn)行編號(hào)：在常氧環(huán)境下的魚群圖像測(cè)試樣本編為1～1 000號(hào)，在低氧環(huán)境下的魚群圖像測(cè)試樣本編為1 001～2 000號(hào)。從訓(xùn)練樣本中按1.2.2節(jié)描述的方法獲得魚群位置直方圖，并提取位置直方圖的均值、方差、歪斜度、峰態(tài)、能量5個(gè)參數(shù)，構(gòu)成每個(gè)圖像的魚群特征向量，由此可構(gòu)建5×2 000維的數(shù)據(jù)詞典矩陣。根據(jù)壓縮感知檢測(cè)算法可知，檢測(cè)過程首先需要求解欠定方程，得到測(cè)試樣本的稀疏表示，繼而根據(jù)公式（14）對(duì)樣本進(jìn)行重構(gòu)，并計(jì)算每個(gè)重構(gòu)樣本的殘差，每一個(gè)測(cè)試樣本經(jīng)過計(jì)算后都可以得到2個(gè)殘差值（表1）。根據(jù)式（15）比較殘差的大小，可以判斷出該測(cè)試樣本是處于常氧環(huán)境還是處于低氧環(huán)境。

魚群圖像測(cè)試樣本的殘差比較如圖5所示。從中可以看出，在常氧環(huán)境下，所有測(cè)試樣本都被正確地檢測(cè)為魚群正常行為，這是因?yàn)槌Ｑ醐h(huán)境的水體中溶氧水平較高，魚群大多會(huì)集中在水體的中下部活動(dòng)。但是，在低氧環(huán)境下，部分測(cè)試樣本會(huì)被誤判為魚群正常行為，這是因?yàn)樵陔S機(jī)選擇測(cè)試樣本時(shí)，在某些情況下也會(huì)抽取到低氧環(huán)境下魚群偶然整體向水體中下部活動(dòng)的圖像，從而導(dǎo)致誤判。

魚群圖像測(cè)試樣本的識(shí)別結(jié)果如圖6所示，圖中第1類殘差表示測(cè)試樣本為常氧環(huán)境下的圖像，即魚群正常行為圖像，第2類殘差表示測(cè)試樣本為低氧環(huán)境下的圖像，即魚群異常行為圖像。從中可知：第1類測(cè)試樣本的實(shí)際類別和檢測(cè)結(jié)果完全重合，檢測(cè)準(zhǔn)確率為100%；而在第2類測(cè)試樣本中有30幅圖像被錯(cuò)分到第1類，檢測(cè)準(zhǔn)確率為97%；總體上，測(cè)試樣本的檢測(cè)準(zhǔn)確率平均達(dá)98.50%。

表1 部分測(cè)試樣本的殘差值Table1 Residualsof part test samples

圖5 測(cè)試樣本殘差比較Fig.5 Comparison of thetest sampleresiduals

圖6 測(cè)試樣本的識(shí)別結(jié)果Fig.6 Classification result of test samples

3 結(jié)論

本文研究了基于圖像處理和壓縮感知的在低溶氧脅迫下魚群異常行為檢測(cè)方法。利用該方法，可以通過圖像快速判斷魚群是處于常氧環(huán)境還是低氧環(huán)境，檢測(cè)準(zhǔn)確率平均達(dá)到98.50%。如在水產(chǎn)養(yǎng)殖中用低成本的攝像頭代替成本較高的溶氧測(cè)定儀，可極大地減少成本。但是，本研究目前只針對(duì)每幀圖像進(jìn)行判定，忽略了魚群行為在時(shí)間上的連續(xù)性，因此可能會(huì)造成對(duì)某些圖像幀的誤判。在下一步的研究中，可用一段時(shí)間內(nèi)的圖像序列代替單幀圖像，進(jìn)一步增加該方法的魯棒性。

歡迎訂閱《浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版)》

《浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版)》是浙江大學(xué)主辦的全國(guó)性、綜合性、學(xué)術(shù)性期刊。主要刊登農(nóng)業(yè)基礎(chǔ)科學(xué)和應(yīng)用科學(xué)研究論文。內(nèi)容涵蓋農(nóng)業(yè)和生命科學(xué)各個(gè)領(lǐng)域，包括作物遺傳育種·種質(zhì)資源，植物保護(hù)，生理生態(tài)，作物栽培，土壤肥料，園藝，農(nóng)產(chǎn)品的貯藏·保鮮·加工，畜牧·獸醫(yī)，以及生命科學(xué)方面的專論，研究論文，快訊等。讀者對(duì)象主要是國(guó)內(nèi)外農(nóng)業(yè)科學(xué)研究人員，農(nóng)業(yè)院校的教師和研究生，以及綜合性大學(xué)等有關(guān)農(nóng)業(yè)科學(xué)的研究與管理人員。本刊近年的影響因子、總被引頻次2項(xiàng)重要指標(biāo)均名列全國(guó)農(nóng)業(yè)高校學(xué)術(shù)期刊的前列。2001年入選中國(guó)期刊方陣；2004年在教育部全國(guó)高校科技期刊評(píng)比中榮獲壹等獎(jiǎng)，以及全國(guó)優(yōu)秀農(nóng)業(yè)期刊評(píng)比壹等獎(jiǎng)；2005年獲第三屆國(guó)家期刊獎(jiǎng)百種重點(diǎn)期刊獎(jiǎng)；2006年再次榮獲全國(guó)農(nóng)業(yè)期刊評(píng)比壹等獎(jiǎng)，首屆中國(guó)高校優(yōu)秀科技期刊獎(jiǎng)；榮獲中信所2008年度“中國(guó)百種杰出學(xué)術(shù)期刊”稱號(hào)；2009年榮獲“高?？萍计诳瘍?yōu)秀編輯質(zhì)量獎(jiǎng)”；2010年獲“第三屆中國(guó)高校精品科技期刊獎(jiǎng)”；2011年獲“第二屆中國(guó)精品科技期刊”和第二屆“RCCSE中國(guó)權(quán)威學(xué)術(shù)期刊”稱號(hào)；2012年獲“第四屆中國(guó)高校精品科技期刊獎(jiǎng)”；2014年獲“第五屆中國(guó)高校優(yōu)秀科技期刊獎(jiǎng)”和“第三屆中國(guó)精品科技期刊”；2016年獲“中國(guó)高校百佳科技期刊”等。本刊現(xiàn)為北京大學(xué)圖書館中文核心期刊，中國(guó)科學(xué)引文數(shù)據(jù)庫（CSCD）核心期刊，中國(guó)科技核心期刊。目前，本刊被美國(guó)《化學(xué)文摘》(CA)、英國(guó)《國(guó)際農(nóng)業(yè)與生物科學(xué)研究中心文摘》(CABI)、俄羅斯《文摘雜志》(AJ)、英國(guó)《動(dòng)物學(xué)記錄》(ZR)、英國(guó)《食品科技文摘》(FSTA)、聯(lián)合國(guó)糧農(nóng)組織農(nóng)業(yè)索引(AGRIS)、美國(guó)《烏利希期刊指南》(Ulrichsweb)、瑞典《開放獲取期刊目錄》(DOAJ)，以及中國(guó)科學(xué)引文數(shù)據(jù)庫、《中國(guó)學(xué)術(shù)期刊文摘》、中國(guó)期刊網(wǎng)《中國(guó)學(xué)術(shù)期刊(光盤版)》數(shù)據(jù)庫、萬方數(shù)據(jù)資源系統(tǒng)數(shù)字化期刊群數(shù)據(jù)庫等國(guó)際國(guó)內(nèi)重要檢索系統(tǒng)收錄。

《浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版)》為雙月刊，A4開本，126頁，國(guó)內(nèi)外公開發(fā)行。國(guó)內(nèi)統(tǒng)一刊號(hào)：CN 33-1247/S，國(guó)際標(biāo)準(zhǔn)刊號(hào)：ISSN 1008-9209，郵發(fā)代號(hào)：32-48，國(guó)外代號(hào)：BM4108。定價(jià)每期30.00元/人民幣，全年定價(jià)180.00元/人民幣。