《Smart Agricultural Technology》：Quantifying the Effectiveness of Multiple Fish Behaviors for Hypoxia Monitoring Across Different Environments
编辑推荐：
本研究针对水产养殖中缺氧监测存在成本高、点测量局限及计算机视觉行为分析指标选择缺乏定量依据等问题，提出了一种鱼类多行为量化（FMQ）模型，评估了八个常见行为指标在不同硬件视角和环境条件下的监测效能。研究发现，水下侧视下，垂直位置是监测缺氧最有效、稳健的指标（与溶解氧的互信息（MI）最高）；水面俯视下，游泳速度和水平分布为最优指标。该研究为开发低成本、高效能的视觉化智能缺氧预警系统提供了关键指标选择依据。
在水产养殖的循环水系统中，缺氧就像一场看不见的“隐形杀手”，可能导致鱼类大量死亡，造成巨大的经济损失。传统的“盯梢”和“插电”监测方法各有局限：人工观察主观、费时费力，传感器则成本高昂，而且只能测量一个“点”，难以反映整个养殖水体的真实情况。随着计算机视觉技术的发展，通过摄像头“看懂”鱼的行为，从而间接判断水质和鱼的健康状况，成为了一种有前景的低成本、无接触新思路。但问题随之而来：鱼在缺氧时会表现出各种各样的行为变化，比如呼吸变快、往水面游、游速改变等等。面对海量的行为数据，到底哪个或哪几个行为指标最能灵敏、稳定地预警缺氧？这个问题一直缺少一个系统、量化的答案。于是，一项名为“量化鱼类多行为指标在不同环境下对缺氧监测的有效性”的研究，在《Smart Agricultural Technology》期刊上发表了，旨在为智能水产养殖的精准监控提供科学“指南”。
为了回答上述问题，研究人员精心设计了一套“从数据到结论”的系统性研究方案。他们首先构建了鱼类多行为量化（FMQ）模型，其核心框架集成了目标检测、关键点检测、目标跟踪和行为量化算法。在模型构建中，他们选用了YOLOv11x-pose作为检测器，用于识别鱼只并定位其头部、尾部、背部、腹部等关键点；采用BoT-SORT作为跟踪器，以应对鱼群遮挡和快速运动带来的跟踪挑战；对于精细的呼吸率检测，则使用了基于MViTv2-S网络的双重时空掩码策略，以增强模型对周期性呼吸动作的捕捉能力。为了全面评估行为指标，研究人员在实验室环境下，以大约150尾体长约10厘米的大口黑鲈为研究对象，模拟了真实养殖密度。他们设计了一个2×2×2的多因素实验，考虑了昼夜节律、水温和氨氮浓度三个环境变量，每个变量设置高低两个水平，共形成8种不同的环境组合。在每种组合下，停止增氧，让溶解氧（DO）自然下降，并同步采集水下侧视和水面俯视两种视角的视频，同时用溶解氧仪持续记录DO值。从侧视视频中，他们量化了呼吸率、姿态、垂直分布和垂直位置四个指标；从俯视视频中，量化了游泳速度、游泳角度、水平分布和水平位置四个指标。为了量化每个行为指标与缺氧（DO下降）的关联强度，研究人员创新性地引入了互信息作为评估标准，计算了每个行为指标的时间变化曲线与DO曲线之间的互信息值。互信息能够捕捉线性和非线性的依赖关系，且不依赖于数据分布假设，非常适合分析复杂的生物行为信号。
FMQ模型的性能评估表明，检测器和跟踪器在不同光照和视角下均表现出可靠的性能。侧视下的目标检测平均精度均值更高，而呼吸率检测网络在白天条件下的准确率（88.3%）显著高于夜晚（68.1%），这主要受夜间近红外图像质量和对比度影响。
侧视行为指标的分析结果揭示了关键发现。垂直位置在所有侧视指标中表现最为突出，其与DO的互信息值平均高达1.20，显著高于其他指标。从不同环境条件下的互信息值（）来看，垂直位置在夜间、25°C和高氨氮浓度下依然保持最高的相关性，显示出极强的环境稳健性。定性分析其变化曲线（）可以发现，鱼群平均垂直位置的下降趋势与DO的降低高度同步，直观反映了鱼类在缺氧时向上层水域聚集进行“水面呼吸”的生理行为。相比之下，呼吸率虽然也是直接生理指标，但其变化呈非线性，一旦DO低于阈值会迅速达到峰值，之后变化平缓，限制了其持续监测的灵敏度。姿态指标则因硬件限制（仅能获取二维姿态）和早期缺氧下姿态变化不显著，表现最不稳定。垂直分布受限于侧视视野较窄，只能反映局部鱼群，其稳定性一般。
俯视行为指标的分析得出了另一组最优指标。综合来看，游泳速度和水平分布是与DO关联最强的两个俯视指标，它们的互信息值分别为1.03和1.07，均显著优于游泳角度。从环境适应性看（），水平分布在非最优环境（如17°C或高氨氮）下更具优势，而游泳速度在25°C等较优环境下表现更好。定性曲线（）显示，缺氧导致鱼群游动速度降低，同时鱼群为寻找富氧区域，其水平分布（聚集程度）也会发生改变。水平位置因仅使用平均位置而忽略了分布信息，效果不稳定。游泳角度作为更高阶的行为，受更多因素干扰，与DO的关联最弱。
研究的结论与讨论部分对上述发现进行了深化和总结。该研究通过严格的量化分析，明确了在不同监控视角下的最优行为指标：水下侧视应优先监测垂直位置，而水面俯视则可选择游泳速度或水平分布。这一结论在不同的行为统计时间窗口长度下保持稳定（）。研究还通过时滞互信息分析发现，不同指标对缺氧的预警时间不同：水平分布在DO显著下降前3个时间步（约30分钟）就出现变化峰值，适合早期预警；而垂直位置和游泳速度的变化几乎与DO下降同步，更适合实时状态评估。与传统的皮尔逊相关系数和均方根误差相比，互信息更能有效揭示行为与DO之间复杂的非线性关系（）。
这项研究的意义重大。它首次系统性地量化并比较了多种鱼类行为指标在缺氧监测中的效能，为基于计算机视觉的智能水产监控系统提供了明确的、数据驱动的指标选择标准。通过识别出垂直位置、游泳速度和水平分布这些关键指标，未来的监控系统可以不必计算所有复杂行为，只需聚焦于这几个计算效率高、环境稳健性强的核心指标，从而实现更轻量化、低成本、高实时的部署，例如在资源有限的嵌入式平台（如Jetson Orin Nano）上运行。这不仅是对传统传感器监测的有效补充，更是迈向精准、智能化水产养殖管理的关键一步。当然，研究也存在一些局限，如实验鱼种和尺寸较为单一，未来需要在更多物种和不同生长阶段进行验证；此外，单一视角仍存在遮挡问题，未来结合多视角或三维重建技术可能会提供更全面的行为洞察。
