中國水產科學研究院東海水產研究所漁業遙感與信息技術研究室論文“Developing machine learning methods for automatic recognition of fishing vessel behaviour in theScomber japonicusfisheries”近日在海洋學國際期刊《Frontiers in Marine Science》（JCR分區一區）中發表。該成果得到了國家自然科學基金重點項目、浙江省海洋漁業資源可持續利用技術研究重點實驗室開放課題的支持。

日本鯖（Scomber japonicus）是一種暖水性中上層長距離洄游魚類，廣泛分布于西北太平洋沿海海域。中國漁船主要通過燈光圍網和燈光敷網等方式在該海域捕撈日本鯖等漁業資源。近年來，對漁船作業過程的監控受到越來越多的關注，為提高漁業船舶管理效能、規范漁船作業過程，國內外提出了多種漁船監控措施。對作業漁船捕撈過程進行監控，不僅對科學推動漁業發展具有重要作用，還對漁業船舶管理、安全生產、生態保護及實行國際履約等具有顯著的實際意義。本文將深度學習方法應用到日本鯖捕撈漁船的行為識別中，監控日本鯖漁船的放網、收網、轉載等9種行為，能夠為漁業生產提供參考。本文首先探究了卷積層數對識別效果的影響，并在此基礎上融入了池化層、LSTM長短時期記憶模塊以及注意力機制（包括SE和CBAM），觀察各模塊的優化效果。試驗結果表明，深度學習方法在日本鯖漁船行為識別方面具有突出的性能。LSTM和SE模塊組合在網絡上產生了最明顯的優化效果，優化后的模型在測試集中可以獲得97.12%的F1分數，超過了經典的ResNet、VGGNet以及AlexNet在日本鯖漁船行為識別任務中的表現。