一种基于视觉的框架，用于量化工业化循环水产养殖系统中鱼类的摄食行为

《Scientific Reports》：A vision-based framework for quantifying fish feeding behavior in industrial recirculating aquaculture systems

　　

摘要

在工业化循环水产养殖系统（RAS）中，准确量化鱼类的摄食强度对于优化喂养策略和减少饲料浪费至关重要。然而，实际的水产养殖环境存在诸多挑战，包括高密度的鱼群、水面扰动以及鱼类行为的动态变化。为了解决这些问题，本研究提出了一种基于混合视觉的框架（HVIT），用于进行可靠的摄食强度分析。该框架结合了卷积神经网络（CNN）进行局部特征提取，以及视觉变换器（ViT）进行全局上下文建模，通过并行架构有效表征了鱼群的复杂行为。此外，还加入了长短期记忆（LSTM）模块来捕捉摄食活动的时间动态，从而能够连续监测摄食强度的变化。研究专门构建了一个关于大型口黑鲈（Micropterus salmoides）在工业化RAS条件下摄食行为的数据集，并采用了数据增强技术来提高模型对环境噪声和视觉干扰的鲁棒性。实验结果表明，该框架在四种不同的摄食强度水平下的准确率均超过98%，优于传统的基于CNN的方法。更重要的是，该方法能够对摄食活动进行定量评估，为大规模水产养殖中的实时喂养决策支持和智能喂养系统的开发提供了实用依据。