《Aquaculture》：Deep-learning-based analysis of respiratory frequency and its correlation with oxygen consumption in olive flounder (
Paralichthys olivaceus)
编辑推荐：
智能水产养殖系统中，基于YOLOv8-Pose模型的深度学习算法被用于非侵入式监测 olive flounder呼吸频率，并发现其与氧消耗呈显著正相关，与溶解氧浓度负相关，验证了呼吸频率作为环境应激和生理状态生物标志物的可行性。
金悦允（Yeo-Reum Kim）| 尤彩恩（Chae-Eun Yu）| 朴俊焕（Jun-Hwan Byun）| 林汉圭（Han-Kyu Lim）| 金正明（Jong-Myoung Kim）
韩国釜山普 Kyong 国立大学渔业生物学系，邮编 48513
摘要
橄榄比目鱼（Paralichthys olivaceus）是东亚地区重要的水产养殖物种。为了实现其稳定生产，监测其在环境压力下的健康状况至关重要。本研究探讨了利用基于深度学习的图像分析技术来监测橄榄比目鱼的呼吸频率（每次呼吸的次数），并评估其与相对氧气消耗量（%）之间的相关性，这是迈向智能水产养殖系统的重要一步。我们训练了一个 YOLOv8-Pose 模型，该模型使用了包含边界框（头部）和三个关键点（上颌、下颌和眼睛）的标注数据集，同时设计了一种推理算法，通过识别口部运动和颌部与眼睛之间的角度变化来计算呼吸频率。为了进一步评估呼吸频率作为响应压力的表型标记的潜力，我们在高温、低盐度和低溶解氧（DO）等多种压力条件下测定了鱼的呼吸频率。结果显示，随着水温从 20°C（33.5 ± 2.7 次/分钟）升高到 32°C（73.4 ± 3.2 次/分钟），呼吸频率逐渐增加；而在低盐度（18 psu，26.2 ± 1.1）条件下，呼吸频率降低，与海水条件（35.6 ± 2.2 次/分钟）相比有显著差异。这些变化伴随着氧气消耗量的相应变化，表明呼吸频率与氧气消耗量之间存在显著的正相关关系。此外，还观察到呼吸频率与溶解氧浓度呈负相关，这一点通过直接测量得到了证实。这些结果表明，利用“智能”测量方法作为传统氧气消耗量检测方法的替代品，有助于为智能水产养殖系统奠定基础。
引言
橄榄比目鱼（Paralichthys olivaceus）是东亚地区广泛养殖的水产物种，尤其是在中国、日本和韩国（Lu 等，2018；Hamidoghli 等，2020）。许多研究致力于通过研究促进生长的因素（包括营养管理、选择性育种、基因操作、疾病抗性和疫苗开发）来提高其产量（Park 等，2016；Kim 等，2019；Li 等，2020；Park 等，2021；Park 等，2022）。这些努力还包括培育能够耐受环境变化的品种，以提高生产力（Hur 等，2008；Park 和 Min，2018；Oh 等，2020）。
在现代水产养殖中，高效农场管理和生产力的提升越来越依赖于对物理和生物条件的持续自动化监测。这一趋势推动了非侵入性技术的应用，以便早期检测水生动物的应激反应和生理指标（Zhang 等，2023；Qiu 和 Wang，2025）。其中，行为分析作为一种有前景的方法脱颖而出，成为智能水产养殖系统的核心组成部分，能够早期检测生理应激（Cui 等，2024；D'Agaro，2025）。
鱼类通常根据其栖息地和游泳行为被分为浮游鱼类或底栖鱼类。浮游鱼类生活在开阔的水域中，其活跃的运动模式可以方便地用于评估健康状况或检测异常情况。相比之下，底栖鱼类栖息在海底附近或直接在海底，它们的体型和相对静止的行为使得仅通过游泳模式难以评估其健康状况。因此，需要其他指标来评估这类物种的健康状况。在这些指标中，与呼吸相关的活动，特别是鳃部的运动，被认为是底栖鱼类应激的可靠生理指标（Wegner 和 Graham，2010；Park 等，2014；Chang，2015）。
对于像橄榄比目鱼这样的底栖鱼类，呼吸是通过鳃泵系统来实现的，即使鱼不动时也能确保水流持续供应到呼吸表面（Wegner 和 Graham，2010；Park 等，2014；Chang，2015）。这一机制通过口腔和鳃泵发挥作用：当嘴巴张开时，外部水被吸入鳃中；当嘴巴关闭且鳃盖打开时，水被排出（Roberts，1975）。当淡水流过鳃并离开鳃腔时，气体在鳃的呼吸表面进行交换。除了作为生理指标外，呼吸运动的速度和时间模式对健康状况和环境条件的变化非常敏感（Bell 等，2010；Barreto 和 Volpato，2011；Zheng 等，2014）。因此，实时观察和分析呼吸频率可以为监测底栖鱼类的应激水平提供有效手段。
智能水产养殖系统的进步增加了对能够准确评估目标物种生理状态的自动化方法的需求。传统上，通过测量氧气消耗量来分析鱼的呼吸相关活动（Lefevre 等，2016）。在各种对环境条件敏感的生理指标中，呼吸频率被认为是健康状况的关键指标，尤其是在氧气可用性和生理应激方面（Bell 等，2010；Barreto 和 Volpato，2011；Zheng 等，2014）。人们已经努力测量详细的呼吸动态，包括促进水流通过鳃的口腔和鳃盖的协调运动（Roberts，1975）。研究表明，暴露于缺氧环境中的鱼呼吸频率会增加，而患病或虚弱的个体的呼吸模式则不规则或减少（Perry 等，2023；Pali?，2023）。尽管提出了多种传感技术来检测这些变化（Martos-Sitcha 等，2019；Kolarevic 等，2021），但由于在动物身上安装传感器会导致应激或伤害（Jepsen 等，2015；Oh 等，2024），这些技术在水产养殖中的应用仍然有限。此外，用于测量呼吸频率的视觉观察方法（Zhao 等，2024）需要改进以解决固有的不一致性问题。这些挑战突显了需要一种非侵入性工具来监测底栖鱼类的生理状态。特别是，能够自动检测和计数鳃部运动的技术为推进智能水产养殖系统提供了有希望的解决方案。
基于深度学习的图像分析为自动化生物监测开辟了新的机会。诸如 You Only Look Once（YOLO）、HRNet 和 OpenPose 等计算机视觉模型在实时物体检测和姿态估计方面表现出高性能和实用性（Jo 和 Kim，2022；Diwan 等，2023；Lu 等，2024）。这些模型广泛应用于医学图像分析、体育运动识别和自动驾驶领域，显示出巨大的潜力（Chan 等，2020；Grigorescu 等，2020；Khobdeh 等，2024）。最近，这些技术被应用于水产养殖中，通过检测由压力引起的行为反应来非侵入性地监测水生生物，例如成功区分岩鲷（Oplegnathus fasciatus）的正常和异常生理状态，表明深度学习技术适用于水产养殖场的健康监测（Jang 等，2022）。这些发现突显了自动化生物管理系统在水产养殖中的潜力。虽然深度学习已被广泛用于基于广泛且易于识别的运动模式来检测和分类水生生物，但关于在特定条件下水生生物的细微运动特征的研究仍然有限。因此，研究水生生物在特定条件下的详细运动特征是否可以作为环境变化或生理异常的指标非常重要。特别是，将基于深度学习的图像分析应用于呼吸频率为持续健康监测和快速响应异常情况提供了有价值的途径。
本研究开发了一个系统，利用基于深度学习的图像分析来自动监测橄榄比目鱼的呼吸频率。采用 YOLOv8-pose 算法从记录的呼吸数据中追踪呼吸频率。为了评估其作为异常运动指标的实用性，使用开发的深度学习模型分析了暴露于压力条件下的橄榄比目鱼的呼吸频率。
实验动物和养殖池
橄榄比目鱼来自韩国哈东的一个水产养殖场。这些鱼被维持在 19–20°C（加热器和温度控制器）和 34–35 psu 的盐度环境中，并在装有海水的循环养殖池（约 700 升）中通过鼓风机提供足够的氧气，每天喂食一次商业饲料。出水通过海绵过滤器和固体介质过滤器进行过滤。根据鱼的大小选择了合适的养殖池尺寸，重点是方形养殖池，这种养殖池在商业养殖中最为常见。
压力下的行为反应
为了研究橄榄比目鱼在两种压力条件下的行为模式变化，记录并分析了鱼在逐渐升高的温度（20°C、24°C、27°C 和 30°C）和逐渐降低的盐度（35、18、9 和 0 psu）下的运动情况。行为指标包括移动距离和速度，使用 2D 视频跟踪进行量化。生成热图以可视化养殖池内的空间分布。因此，即使在高
讨论
智能水产养殖行业需要能够监测和管理物理环境参数以及水生生物状态的自动化系统。分析鱼的行为对于有效管理至关重要，因为它克服了主观和耗时的手动观察的局限性。因此，基于计算机视觉的监测和深度学习技术作为智能水产养殖系统的关键组成部分受到了关注，这些技术可以量化
CRediT 作者贡献声明
金悦允（Yeo-Reum Kim）：撰写——初稿、可视化、方法论、研究、数据分析、概念化。尤彩恩（Chae-Eun Yu）：验证、方法论、数据管理。朴俊焕（Jun-Hwan Byun）：撰写——审阅与编辑、方法论、数据管理。林汉圭（Han-Kyu Lim）：撰写——审阅与编辑。金正明（Jong-Myoung Kim）：撰写——审阅与编辑、撰写——初稿、监督、概念化。
写作过程中使用生成式 AI 和 AI 辅助技术的声明
作者使用了 Paperpal 这一 AI 语言助手来提高手稿部分的清晰度。随后，作者审查并修订了所有内容，并对出版物的内容负全责。
资金声明
本研究得到了 普 Kyong 国立大学（2025 年）的研究资助。YRK 和 HKL 得到了 韩国海洋科学技术促进院（KIMST）的支持，该机构由 海洋与渔业部 资助（RS-2022-KS221671）。
未引用的参考文献
Kang 等，2022
Palic，2023
致谢
我们感谢韩国群山国立大学的 Jun Wook Hur 教授和 Jung Yeol Park 博士在测量氧气消耗量方面提供的帮助。
