编辑推荐：
深度学习在水产养殖应用受限，为解决此问题，研究人员提出 YOLO-Feed 模型。该模型在 9000 多张图像上训练，精度达 0.966，参数压缩 12.3 倍，能在 CPU 实时检测。其应用于室内养殖实验，平均准确率 90.3%，推动水产养殖智能化。
在水产养殖的世界里，精准把握鱼儿的 “胃口” 至关重要。随着全球人口的增长，人们对鱼类产品的需求日益增加，这使得水产养殖面临着提高产量和质量的双重挑战。而准确量化每一条鱼的饲料摄入量，不仅能优化饲料利用效率，降低养殖成本，还能为鱼类饲料效率的遗传改良提供关键数据支持，从而推动可持续水产养殖的发展。
然而，饲料颗粒的检测困难重重。饲料颗粒目标小，在养殖环境中还面临着复杂的背景，比如水体中的杂质、藻类等，同时鱼的游动和干扰也增加了检测的难度。以往的检测方法，像基于声学的检测，虽然不受光照影响，但成本高昂且容易受到噪音干扰；基于视觉的检测，早期手动计数费力且易出错，传统机器学习方法虽有进步，但依赖人工特征选择，稳定性欠佳。近年来兴起的深度学习技术，虽然在水产养殖的诸多领域取得了成功，比如鱼类物种识别、行为分析等，但用于饲料颗粒检测时，存在模型参数多、计算力要求高的问题，无法在低性能硬件上实时运行，也难以实现个体饲料摄入量的精准测量。
为了攻克这些难题，宁德富发渔业有限公司设施内，来自厦门大学海洋与地球科学学院的研究人员展开了深入研究。他们提出了一种创新的深度学习网络 ——YOLO-Feed（一种基于 Ultralytics 的 YOLOv8s 网络改进的模型）。研究人员通过去除 YOLOv8s 中的大目标检测头及其相应分支网络，显著压缩了模型参数数量，同时在训练过程中引入强大的交并比（IoU，Intersection over Union）损失函数来提升模型性能。最终，YOLO-Feed 模型在保证性能的同时，大幅降低了参数数量和计算复杂度，为深度学习模型在低成本边缘设备上的大规模部署奠定了基础，推动水产养殖迈向智能化时代。该研究成果发表在《Aquaculture》杂志上。
研究人员开展此项研究时，运用了以下关键技术方法：首先是模型构建技术，对 YOLOv8s 网络进行改造，去除特定结构并引入新的损失函数；其次是图像数据处理技术，利用超过 9000 张标记的饲料颗粒图像对模型进行训练；最后在实验验证环节，在室内循环水养殖系统中对 1027 尾大黄鱼（Larimichthys crocea）进行实验，验证模型在实际场景中的性能 。
YOLO-feed 训练和测试结果
研究人员对 YOLO-Feed 模型进行了 150 次迭代训练。在训练过程中，仅涉及训练集和验证集，而模型的测试以及与其他模型的对比则在测试集上进行。从训练结果来看，经过 150 次迭代后，各项指标的曲线趋于平稳，验证损失和训练损失之间的差异较小。这表明模型训练效果良好，具有较好的稳定性。在精度方面，YOLO-Feed 模型达到了 0.966，与 YOLOv8s 相当，但参数数量减少到不到 100 万，实现了 12.3 倍的压缩。在对比实验中，YOLO-Feed 模型凭借极少的参数保持了近乎最优的精度，并且是唯一能在 CPU 上以 16.9 毫秒处理单张图像的模型，展现出其高效的实时检测能力。
室内水产养殖实验应用
研究人员将 YOLO-Feed 模型应用于室内水产养殖实验。实验对象为 1027 尾大黄鱼，养殖在规格为 2.0 m×4.0 m×1.3 m 的养殖池中。在长达 733 分钟的实验期间，YOLO-Feed 模型成功用于测量个体饲料摄入量，平均准确率达到 90.3%。这一结果表明，YOLO-Feed 模型能够在实际养殖场景中准确量化个体饲料摄入量，为精准养殖提供了有力支持。
研究结论表明，YOLO-Feed 模型在饲料颗粒检测和个体饲料摄入量量化方面展现出卓越的性能。它在保证高精度的同时，大幅压缩了模型参数，降低了计算复杂度，实现了在 CPU 设备上的实时检测，解决了深度学习模型在水产养殖应用中的关键难题。这一模型的成功应用，不仅有助于优化水产养殖中的饲料管理，提高饲料利用效率，还为鱼类饲料效率的遗传改良提供了有效的技术手段。此外，研究团队已将该项目在 GitHub 上开源，这将促进相关研究的进一步发展，推动水产养殖行业向智能化、精准化方向迈进，对全球水产养殖的可持续发展具有重要意义。
