基于空间特征与TabNet-DFWL的鱼类摄食强度评估方法

《Fishes》：A Method for Fish Feeding Intensity Assessment Based on Spatial Features and TabNet-DFWL

　　

准确评估鱼类摄食强度对于及时了解摄食需求、动态调整投喂策略以及降低水产养殖成本具有重要意义。然而，现有方法往往依赖于无法捕捉细微饱食度动态变化的表层视觉特征，导致可靠性受限。为解决该问题，本研究提出了一种基于空间特征与动态特征权重层TabNet（Tabular Network with Dynamic Feature Weighting Layer, TabNet-DFWL）的鱼类摄食强度评估方法。研究人员通过分割、增强和二值化等流程从侧视图像中提取鱼体轮廓，随后提出与鱼类摄食机制高度相关的空间特征以表征行为变化。在此基础上，构建了融合空间特征与TabNet-DFWL的可解释模型，以实现精准的鱼类摄食强度评估。该方法从鱼类行为变化的底层机制出发，探索与摄食行为相关的空间特征，并建立了基于TabNet-DFWL的摄食强度评估模型，从而避免了传统深度学习模型常见的黑箱风险，显著提升了模型的可解释性与可靠性，为水产养殖精准投喂提供了可信赖的依据。在真实鱼类摄食数据集上的实验表明，该方法达到了95.96%的准确率、93.44%的平均精确率、93.33%的平均召回率、98.15%的平均特异度以及93.38%的平均F1分数。与对比算法相比，各项评价指标均有提升。这些结果表明，所提出的方法能够实现鱼类摄食强度的准确评估，并可有效支持水产养殖系统中投喂策略的动态调整。

在水产养殖领域，饲料成本占生产总成本的60%以上，实现精准投喂对于降低成本、提高效率、减少浪费及维持水质具有重要价值。然而，当前养殖实践中主要依赖人工经验投喂或定时定量的机械投喂，无法根据鱼类摄食强度动态调整策略，易导致投喂不足或过量。尽管计算机视觉技术已成为渔业生产的重要研究工具，现有鱼类摄食强度评估方法仍存在明显局限：基于机器学习的方法多采用纹理、颜色等表层特征，难以直接描述鱼类的空间分布、姿态变化、个体间距及聚集程度等行为特征；基于深度学习的方法虽具较强预测能力，但作为黑箱模型缺乏透明度和可解释性，限制了其在实际养殖场景中的应用。此外，鱼类在不同摄食强度下表现出 distinct 的行为特征，但现有方法主要依赖间接的表层特征提取，难以捕捉饱食度水平的细微动态衰减。针对上述行为特征表示不足与模型可解释性差的问题，研究人员提出了一种基于空间特征与TabNet-DFWL的鱼类摄食强度评估方法，并将成果发表于《Fishes》期刊。

研究在扬州大学扬子津校区某实验点开展，以体长15–25 cm的幼年亚洲鲫鱼（Asian crucian carp）为实验对象，于2023年10月25日至12月13日期间采集数据。研究人员构建的实验平台包括养殖池（90 cm × 65 cm × 70 cm）、增氧设备、照明系统、ZED 2i立体相机（配置为2208×1242像素分辨率、30帧每秒）及计算机。相机固定于池侧壁中心位置，距池壁50 cm、离地20 cm，采用侧视角度记录完整摄食过程。投喂方案为每日两次（09:00和17:00）、每次60粒饲料的定时定点定量模式，每段视频录制120–150秒（含投喂前20秒、完整摄食过程及投喂后20秒）。经数据清洗排除温度骤降、人为活动及噪声干扰导致的异常样本后，最终保留39天有效数据，从视频中每15帧提取一帧，去除严重模糊或遮挡样本后获9503张有效图像，按随机种子42划分为训练集/验证集（合计75%，比例4:1）与测试集（25%）。数据集依据无（None）、弱（Weak）、中（Medium）、强（Strong）四个标准摄食强度等级进行标注。

研究人员采用的关键技术方法包括：（1）图像预处理流程：通过图像差分法分割鱼体目标，经线性变换与直方图均衡化增强图像，采用自适应阈值法二值化，最终利用findContours()与drawContours()函数提取鱼体轮廓。（2）空间特征提取：从个体特征（距水面平均距离ADS、个体间平均距离AID、鱼体倾斜度FT、鱼与投喂点关系RFPR）和群体特征（聚集区域比例PAA、聚集个体比例PAI、群体离散度GD）两个维度共提取7维空间特征；其中群体离散度基于德劳内三角剖分（Delaunay triangulation）构建，以三角形平均周长表征鱼群分散状态。（3）TabNet-DFWL模型构建：在TabNet架构基础上引入动态特征权重层（DFWL），通过可学习的参数向量经Sigmoid函数约束生成特征重要性权重，对输入特征进行元素级乘法加权；随后经注意力变换器（Attentive Transformer）生成掩码筛选关键特征子集，再由特征变换器（Feature Transformer）提取深层抽象特征，最终通过分裂层输出结果并为下一步特征选择提供输入，经多步决策聚合完成摄食强度评估。

研究结果部分，"图像预处理结果"显示，所采用的预处理流程能够准确提取鱼体目标及其轮廓，为后续空间特征提取与摄食强度评估奠定基础。"鱼类空间特征提取结果"表明，所提取的七维空间特征在不同摄食强度下均呈现显著差异：以距水面平均距离（ADS）为例，随摄食强度增强该值逐渐减小，无摄食状态下鱼群集中于中下层水域，强摄食状态下则上浮至水面争食；其余特征同样能有效区分不同摄食强度等级，验证了特征提取的有效性。该部分通过箱线图直观展示了各特征在不同强度下的数值分布差异。

"鱼类摄食强度评估结果"部分，TabNet-DFWL模型在四分类任务中达到95.96%的准确率，各等级精确率、召回率、特异度及F1分数均超92%，其中强摄食等级的F1分数最高（94.42%），无摄食等级召回率最高（94.05%）。受试者工作特征曲线（Receiver Operating Characteristic, ROC）下面积（Area Under Curve, AUC）显示无、弱等级为0.96，中、强等级为0.98；精确率–召回率曲线（Precision–Recall, PR）的平均精确率（Average Precision, AP）值分别为0.96、0.97、0.92、0.90，均表明模型具有 superior 的分类性能。

"对比结果"部分包含四个子项：（1）不同空间特征对比：基于DFWL算法获得特征重要性排序为群体离散度（GD）>距水面平均距离（ADS）>鱼体倾斜度（FT）>个体间平均距离（AID）>鱼与投喂点关系（RFPR）>聚集区域比例（PAA）>聚集个体比例（PAI）；特征前向选择实验表明按重要性逐次添加特征后模型评价指标稳步提升，验证了各特征均携带独特的摄食强度相关信息。（2）DFWL有效性对比：TabNet-DFWL准确率达95.96%，较原始TabNet的91.70%提升4.65%；原始TabNet损失曲线在150 epoch后持续波动，验证准确率于0.80–0.95间震荡，而TabNet-DFWL损失曲线下降更为平滑单调，约200 epoch后趋于稳定，验证准确率迅速提升至0.95以上且波动显著减小，表明DFWL通过动态调整特征权重增强了模型收敛稳定性与识别性能。（3）不同分类模型对比：TabNet-DFWL在模型大小仅1.78 MB的条件下，准确率较XGBoost、轻量级梯度提升机（Light Gradient Boosting Machine, LGBM）、随机森林（Random Forest, RF）、多层感知机（Multi-Layer Perceptron, MLP）、决策树（Decision Tree, DT）和一维卷积神经网络（1D-CNN）分别提升19.37%、13.64%、11.06%、7.91%、5.46%和30.45%；测试2376条数据总耗时0.30888秒，单条平均评估时间0.00013秒，可满足实时评估需求。（4）与其他论文方法对比：该方法准确率较文献[9,35,36]的方法分别提升115.93%、85.93%和15.23%，平均精确率分别提升99.11%、75.18%和15.16%，平均召回率分别提升112.89%、73.48%和14.49%，特异度分别提升37.81%、23.15%和5.01%，F1分数分别提升106.00%、74.31%和14.82%。

研究讨论部分总结指出，所提出的基于空间特征与TabNet-DFWL的鱼类摄食强度评估方法有效解决了现有评估结果不可靠、不可信的问题。通过提取与摄食行为高度相关的空间特征，增强了特征表示的有效性；DFWL的引入通过自动强化关键特征权重，缓解了鱼类饱食度隐式表达导致的性能退化；TabNet-DFWL网络的使用避免了传统深度学习模型的黑箱风险，提升了模型的可解释性与可信度。该方法在实际鱼类摄食数据集上验证，取得了95.96%的准确率、93.44%的平均精确率、93.33%的平均召回率、98.15%的平均特异度和93.38%的平均F1分数，与多种对比算法相比均有显著提升。研究同时承认当前方法的局限性：鱼类实际处于三维空间运动，而现有方法主要从侧视图像提取二维信息，可能限制了对鱼类空间行为描述的完整性，尤其在垂直运动与深度相关信息方面不足。未来工作拟引入三维空间特征，通过融入深度信息更准确地描述鱼群空间行为，以进一步提升鱼类摄食强度评估的准确性和可靠性。

研究结论部分翻译：为应对现有鱼类摄食强度评估中结果不可靠与不可信的问题，本研究提出了一种基于空间特征与TabNet-DFWL的鱼类摄食强度评估方法，实现了鱼类摄食强度的准确评估。该方法对水产养殖行业实现精准投喂、促进鱼类健康生长、降低养殖成本及提高生产率具有重要意义。研究人员提出了一系列与摄食行为高度相关的空间特征，能够增强特征表示的有效性并提高摄食强度评估的可靠性。DFWL的提出可在TabNet模型内部自动强化关键特征的权重，解决了鱼类饱食度隐式表达导致的评估性能退化问题，并提升了模型处理鱼类摄食数据时的性能。基于TabNet-DFWL网络的鱼类摄食强度评估方法的提出，避免了传统深度学习模型的黑箱风险，增强了模型的可解释性与可信度，为水产养殖精准投喂提供了可靠依据。所提出的方法在真实鱼类摄食数据集上进行了测试，取得了 promising 的实验结果：评估准确率达95.96%，平均精确率93.44%，平均召回率93.33%，平均特异度98.15%，平均F1分数93.38%。与XGBoost、LGBM、RF、MLP、DT和1D-CNN算法相比，评估准确率分别提升了19.37%、13.64%、11.06%、7.91%、5.46%和30.45%，表明所提出的方法能够实现准确的鱼类摄食强度评估。