《智慧渔业》课程论文推送11

   何俊娴、阿迪兰木、徐佳慧、岳婷  

高质量的鱼类图像数据是AI识别模型训练的基础与前提。目前鱼类图像主要通过三种主流方式获取：一是水下摄像机系统，包括海底固定监测相机、ROV/AUV搭载的移动相机，可在自然生境中实时捕捉鱼类活动影像；二是拖网采样拍照，在渔业调查过程中对捕获标本进行标准化侧面拍摄，获取清晰的形态图像；三是公开数据集，如NOAA的Labeled Fishes in the Wild、中国URPC水下机器人数据集等，为算法研究提供了海量标注数据。

原始水下图像普遍存在光照不均、水体浑浊、背景复杂等问题，必须经过预处理才能用于模型训练。欧利国等在研究中采用了一套标准化预处理流程：先通过灰度转换将 RGB图像转为单通道灰度图，再使用双边滤波去除噪声并保留鱼体边缘细节，随后进行二值化处理将鱼体与背景分离，最终提取完整的形态轮廓。贾壮在《计算机视觉实战》中也系统阐述了水下图像分割的关键技术，为预处理环节提供了方法支撑。

图1 计算机视觉图像处理

(a) 灰度变换 (b) 双边滤波 (c) 二值图像 (d) 轮廓图像

在深度学习技术普及之前，鱼类识别主要依赖手工设计的特征提取方法。研究者模拟分类专家的视觉判断逻辑，从预处理后的图像中提取四类核心特征：颜色特征（颜色直方图、颜色矩）用于区分体色差异明显的鱼种；纹理特征（灰度共生矩阵、小波变换）捕捉鱼鳞和鱼皮的纹理模式；形状特征提取鱼体轮廓信息；斑点模式特征识别具有独特斑纹的鱼类。

其中形状特征因具有显著的鱼种特异性，成为传统方法中最关键的识别依据。欧利国等提出了基于8方位Freeman链码和椭圆傅里叶变换的高精度轮廓提取方法，通过链码跟踪描述轮廓边缘，再经椭圆傅里叶变换计算形态系数 [2]。研究表明，低谐次系数表征鱼类整体轮廓，高谐次系数则反映背鳍、尾鳍等局部细节。提取完成后，将特征输入SVM、随机森林等分类器进行分类，其中SVM在小样本数据集上表现最优。但手工特征依赖专家经验，难以捕捉细微差异，在复杂水下场景中准确率有限。

图2 鱼类形态轮廓特征自动提取流程图

深度学习算法现已成为鱼类自动识别与分类的主流技术手段。相较于传统人工提取特征的方式，卷积神经网络（CNN）能够自主学习鱼类图像中的轮廓、纹理、形态等关键视觉特征，有效规避人工特征选取片面、泛化能力弱的缺陷，大幅提升鱼种识别的智能化水平。目前鱼类识别任务中应用最为广泛的网络模型包括 ResNet、VGG、Inception 等经典卷积网络，能够适配常规图像识别场景。

图3  ResNet网络整体结构

其中 MobileNet 凭借轻量化、运算速度快、占用资源少的优势，更适用于水下采集设备、嵌入式终端的现场轻量部署，实用性更强。为解决实际识别中的难点问题，相关算法持续优化升级。通过引入注意力机制强化图像局部特征提取能力，实现细粒度图像分类，能够精准区分外形高度相似的近缘鱼种。同时结合 YOLO、Faster R-CNN 等目标检测算法，可在光线不均、背景杂乱的复杂水下场景中，先精准定位鱼类目标位置，再完成鱼种分类，显著提升复杂水环境下的识别准确率与稳定性。

图4 CNN目标检测工作流

静态图像识别难以满足动态渔业监测需求，因此结合视频跟踪算法开展动态识别成为重要拓展方向。将 DeepSORT 目标跟踪算法与鱼类分类模型融合应用，可对水下视频流中的鱼类个体进行持续追踪，稳定识别画面中移动、游动的同一条鱼类，避免重复识别与漏识别问题。动态跟踪技术不仅能够辅助提升连续场景下的鱼种分类精度，还可以依托持续识别数据，进一步分析鱼类游动状态、聚集规律等行为特征，为渔业资源动态监测、鱼类习性研究提供智能化数据支撑。

图5 基于YOLOX与卡尔曼滤波的鱼类目标跟踪流程示意图

水下复杂环境给鱼类智能识别分类带来诸多阻碍，水体浑浊、光照不均、鱼类游动遮挡、同类鱼种外形高度相似等问题，都会大幅降低算法识别精度，成为技术落地的主要难题。针对以上痛点，行业主流采用多重技术手段进行优化：首先运用图像增强、去噪、色彩校正等预处理技术修复低质量水下画面，同时借助数据扩充算法丰富样本多样性，提升模型环境适应性。其次广泛使用迁移学习，依托成熟预训练模型结合水下鱼类数据集微调参数，减少训练成本，解决水下标注数据不足的问题。此外，引入注意力机制、可变形卷积等模块，帮助模型聚焦鱼类纹理、鳞片、体态等细微特征，有效区分形态相近的鱼种，结合目标跟踪算法还能持续锁定游动个体，避免重复识别与漏检。

图6 水下鱼类图像预处理效果对比图

依托成熟的算法体系，鱼类智能识别分类技术已全面走进渔业生产、生态保护、资源监测等多个领域。在水产养殖场景中，鱼类智能识别分类技术搭配水下监控设备，可实时统计鱼池内鱼类品种、数量，结合识别结果指导智能投饵、病害预警，助力精细化养殖管理。在远洋捕捞与水产加工环节，智能设备能够自动完成渔获分拣、品类统计，替代人工分拣，提升作业效率。在渔业资源调查与水域生态保护领域，水下监测网络结合识别算法，可长期监测野生鱼类种群分布、种群数量变化，实时预警外来物种入侵，为水生生物多样性保护、渔业政策制定提供数据支撑。同时，该技术也应用于科普场馆、休闲渔业等场景，实现鱼类实时识别讲解，拓展了渔业数字化应用边界。

图7 人工智能鱼类识别技术渔业应用现场

人工智能算法在鱼类自动识别与分类中的应用，已从实验室走向复杂水域现场，成为推动智慧渔业发展的核心引擎。无论是静态图像的高精度分类，还是动态视频中的持续跟踪识别，AI技术正不断突破水下环境的限制，提升识别稳定性与实用性。未来，随着更轻量化模型、更智能的注意力机制以及更丰富的数据集不断涌现，鱼类智能识别有望在远洋捕捞、生态保护、智慧养殖等场景中发挥更广泛、更深入的作用。技术赋能之下，智慧渔业的蓝海正徐徐展开。