近年来，人工智能（AI）已在水产养殖领域显示出良好的应用前景。计算机视觉技术可以通过图像的识别、处理和分析，实现养殖的精准化和智能化，但生产实际中，仍面临受光照影响大、多目标检测难、复杂场景处理难等技术瓶颈。针对以上技术难题，中国水产科学研究院黄海水产研究所海水陆基工厂化养殖创新团队针对性开展了相关研究，突破了鱼群多目标跟踪和行为识别技术，研究成果发表在农业工程领域国际知名期刊Biosystems Engineering和Aquacultural Engineering上，并获国家授权发明专利1项。

针对养殖水环境中光线不足、鱼群堆叠、鱼类抢食产生水花等不利因素影响，基于多目标跟踪算法ByteTrack，结合养殖环境特性、鱼类行为习性以及复杂因素的形成机制，优化了算法架构；在保持样本量不变的情况下，改良算法在处理不同密度鱼群时的多目标跟踪精度平均提升了21.3%，该项研究为鱼类行为的定量分析提供了一种有效的方法。同时，该团队为精准捕捉鱼群行为状态的变化，融合目标检测、多目标跟踪以及拓扑结构转换技术，对时空图卷积网络的输入端进行了创新性改进；改进后的模型算法能够清晰、准确的反映饲喂过程中鱼群的时空动态变化，提出了一种基于时空图卷积网络的鱼群摄食强度预测方法，为鱼类食欲评估和精准投饲提供新的视角和技术支持。

在读硕士研究生赵海翔为两篇论文的第一作者，崔正国研究员和慕尼黑工业大学吴元凯助理研究员为Biosystems Engineering论文的共同通讯作者，崔鸿武助理研究员为Aquacultural Engineering论文的通讯作者。研究工作得到了国家重点研发计划项目（2022YFD2001701; 2023YFD2400400）及中国水产科学研究院基本科研业务费（2023TD53）等项目资助。

全文链接：

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

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

专利号：ZL 2023 1 0009858.3

基于ByteTrack算法的鱼群跟踪修正模块

基于慢快网络和时空图卷积网络的鱼群个体和整体行为识别

改进了输入端的时空图卷积神经网络