近年來，人工智能（AI）已在水產(chǎn)養(yǎng)殖領(lǐng)域顯示出良好的應(yīng)用前景。計(jì)算機(jī)視覺技術(shù)可以通過圖像的識(shí)別、處理和分析，實(shí)現(xiàn)養(yǎng)殖的精準(zhǔn)化和智能化，但生產(chǎn)實(shí)際中，仍面臨受光照影響大、多目標(biāo)檢測(cè)難、復(fù)雜場(chǎng)景處理難等技術(shù)瓶頸。針對(duì)以上技術(shù)難題，中國水產(chǎn)科學(xué)研究院黃海水產(chǎn)研究所海水陸基工廠化養(yǎng)殖創(chuàng)新團(tuán)隊(duì)針對(duì)性開展了相關(guān)研究，突破了魚群多目標(biāo)跟蹤和行為識(shí)別技術(shù)，研究成果發(fā)表在農(nóng)業(yè)工程領(lǐng)域國際知名期刊Biosystems Engineering和Aquacultural Engineering上，并獲國家授權(quán)發(fā)明專利1項(xiàng)。

針對(duì)養(yǎng)殖水環(huán)境中光線不足、魚群堆疊、魚類搶食產(chǎn)生水花等不利因素影響，基于多目標(biāo)跟蹤算法ByteTrack，結(jié)合養(yǎng)殖環(huán)境特性、魚類行為習(xí)性以及復(fù)雜因素的形成機(jī)制，優(yōu)化了算法架構(gòu)；在保持樣本量不變的情況下，改良算法在處理不同密度魚群時(shí)的多目標(biāo)跟蹤精度平均提升了21.3%，該項(xiàng)研究為魚類行為的定量分析提供了一種有效的方法。同時(shí)，該團(tuán)隊(duì)為精準(zhǔn)捕捉魚群行為狀態(tài)的變化，融合目標(biāo)檢測(cè)、多目標(biāo)跟蹤以及拓?fù)浣Y(jié)構(gòu)轉(zhuǎn)換技術(shù)，對(duì)時(shí)空?qǐng)D卷積網(wǎng)絡(luò)的輸入端進(jìn)行了創(chuàng)新性改進(jìn)；改進(jìn)后的模型算法能夠清晰、準(zhǔn)確的反映飼喂過程中魚群的時(shí)空動(dòng)態(tài)變化，提出了一種基于時(shí)空?qǐng)D卷積網(wǎng)絡(luò)的魚群攝食強(qiáng)度預(yù)測(cè)方法，為魚類食欲評(píng)估和精準(zhǔn)投飼提供新的視角和技術(shù)支持。

在讀碩士研究生趙海翔為兩篇論文的第一作者，崔正國研究員和慕尼黑工業(yè)大學(xué)吳元?jiǎng)P助理研究員為Biosystems Engineering論文的共同通訊作者，崔鴻武助理研究員為Aquacultural Engineering論文的通訊作者。研究工作得到了國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2022YFD2001701; 2023YFD2400400）及中國水產(chǎn)科學(xué)研究院基本科研業(yè)務(wù)費(fèi)（2023TD53）等項(xiàng)目資助。

全文鏈接：

https://doi.org/10.1016/j.biosystemseng.2024.02.011

https://doi.org/10.1016/j.aquaeng.2024.102409

專利號(hào)：ZL 2023 1 0009858.3

基于ByteTrack算法的魚群跟蹤修正模塊

基于慢快網(wǎng)絡(luò)和時(shí)空?qǐng)D卷積網(wǎng)絡(luò)的魚群個(gè)體和整體行為識(shí)別

改進(jìn)了輸入端的時(shí)空?qǐng)D卷積神經(jīng)網(wǎng)絡(luò)