基于YOLOv8与鱼类密度估计的深水网箱养殖鱼群数量与分布精准监测方法研究

为解决近海网箱养殖中鱼群数量、分布及行为模式精准监测的行业难题，本研究创新性地结合全向声呐成像技术与YOLOv8深度学习模型，提出了一种融合网箱体积动态测算的鱼类密度估计算法。实验结果表明，该方法在09:00、13:00和17:00三个时间点的鱼群数量估算准确率分别达到95.1%、93.9%和96.5%，整体准确率达95.3%，绝对误差控制在±10%以内，成功揭示了卵形鲳鲹(Trachinotus ovatus)的垂直分布日变化规律及摄食行为影响，为智能化海洋牧场建设提供了可靠的数据支撑与技术方案。

　　

随着全球海洋渔业资源的持续衰退，近海网箱养殖已成为满足人类对优质海产品需求的重要途径。然而，在广阔的海洋环境中，如何实时、精准地掌握网箱内鱼群的数量、分布和行为，一直是困扰养殖业者的技术瓶颈。传统的监测方法如人工观察或抽样统计，不仅效率低下、主观性强，而且对鱼类会造成应激干扰。光学成像技术虽然直观，但在浑浊水域或光照不足时效果大打折扣。这些限制使得养殖管理往往依赖于经验判断，难以实现科学化、精细化的投喂、疾病预防和生产调度，制约了产业的高质量发展。

为了突破这一困境，来自中国水产科学研究院南海水产研究所的孙鹏奇、黄小华等研究团队，在《Smart Agricultural Technology》上发表了一项创新性研究。他们巧妙地将水下声学探测技术与前沿的人工智能算法相结合，开发了一套适用于近海网箱环境的鱼群数量与分布自动监测系统。

该研究的核心技术方法主要包括几个关键环节。首先，利用FishScan II全向扫描声呐系统，以6 cm/s的速度垂直扫描网箱水体，获取不同水层的二维声学图像数据。其次，采用改进的YOLOv8（You Only Look Once version 8）深度学习模型对声呐图像中的鱼体目标进行自动识别与计数。接着，通过分析声呐图像中网衣轮廓的像素点，结合线性拟合方法，建立了网箱横截面积随水深变化的函数关系S(h)，进而通过积分计算动态变化的网箱水体体积。最后，将各水层识别出的鱼群数量与对应水层体积相结合，计算出鱼群密度，并利用三次样条插值构建密度-水深连续曲线，通过积分最终估算出网箱内鱼群总数。

3.1. 鱼群数量统计

研究人员于2025年1月8日至10日，在“德海一号”养殖平台的2号网箱（养殖约4000尾卵形鲳鲹）和3号网箱（养殖约3000尾卵形鲳鲹）进行了连续监测。结果显示，基于密度估计的统计方法具有很高的可靠性。2号网箱在09:00、13:00和17:00的预测鱼群数量分别集中在3887-4326尾、3739-4399尾和3650-4419尾之间，波动范围小。摄食状态下（2号网箱）和不同养殖密度（3号网箱）的预测结果也表现出良好的准确性，验证了该方法在不同条件下的适用性。研究也指出，鱼类游动和扫描耗时可能导致重复计数，未来可通过采用更大垂直开角的声呐缩短扫描时间以提高精度。

3.2. 鱼群数量统计误差

鱼群数量统计的绝对误差基本控制在±10%以内。09:00时段误差最小（如2.83%, 3.13%），表明清晨鱼类活动少，环境稳定，估算最准。13:00时段误差波动较大（最高10.93%），反映出午后鱼类活动增强引入的不确定性。17:00时段误差总体稳定。摄食行为下的误差（-3.41% 至 7.22%）表明动态场景对稳定性有挑战。3号网箱（鱼群数量较少）的误差主要集中在5%-10%，且稳定性较好，但估计值普遍偏高，分析可能与网箱结构造成的声呐回波反射有关。

3.3. 网箱拟合与体积计算

网箱横截面积随水深增加呈线性递减趋势，所有线性拟合的决定系数R²均大于0.87，表明拟合精度良好。不同日期和时刻的拟合斜率（如-14.0, -9.6至-11.1）反映了网箱在水流等因素作用下的收缩程度不同。体积积分计算结果显示，2号网箱体积在1809.6 m³至1901.8 m³之间波动，而3号网箱体积相对稳定，平均约为1818.4 m³。所有网箱的平均体积为1846.2 ± 26.4 m³（平均值±标准差），数据基本呈正态分布，但存在个别异常值，可能与水流、测量误差或网衣形变有关。

3.4. 不同时段鱼群密度分布

研究发现卵形鲳鲹的垂直分布具有明显的昼夜节律。在09:00，鱼群主要聚集在深水层（4-6米），尤其在5米深处密度最高，这与此时段表层水温较低（16.4°C）、光照较弱，而深层水温相对稳定（约18.9°C）有关。到了13:00，鱼群分布重心上移至中水层（2-4米），最高密度出现在3-4米区域，深水层鱼群数量减少，表明鱼类主动寻找更适宜的温度和光照条件。至17:00，鱼群在0-6米水层内分布趋于均匀，无显著密度差异，这可能源于傍晚温度下降、光照减弱，水体热结构趋于平衡。

3.5. 摄食行为下的鱼群密度分布

摄食行为对鱼群垂直分布有显著影响。摄食过程呈现约30分钟的周期性。初始阶段，部分受饵料刺激的鱼群迅速上浮至浅水层（0-2米）摄食。随着饵料扩散，更多鱼群聚集到浅水层，形成明显的密度峰值。摄食结束后，鱼群逐渐下沉至中深层水层（3-6米），浅水层密度随之下降。与非摄食期鱼群主要分布于中深层相比，摄食期鱼群表现出快速垂直洄游的典型索饵行为特征。

研究结论与讨论部分进一步强调了该研究的价值。在网箱体积计算方面，该方法通过声呐实测和线性拟合，有效量化了水流导致的网箱体积变化，与既往研究结果相互印证。在鱼群数量统计方面，结合YOLOv8模型和密度积分估算的方法，克服了简单累加计数可能高估体积和数量的问题，提高了准确性。关于鱼群分布规律，研究揭示的卵形鲳鲹昼夜垂直迁移特性与已有文献报道一致，而摄食行为引发的快速上浮现象也符合鱼类行为学规律。

综上所述，该研究成功地将声学监测、深度学习图像识别和体积密度计算融为一体，建立了一套能够精准、非侵入式地监测近海网箱养殖鱼群数量、密度和三维分布的技术体系。该方法不仅显著提升了养殖管理的精细化水平，为优化投喂策略、评估养殖密度、预警异常行为提供了关键数据支持，而且为推动海洋牧场向智能化、信息化方向发展奠定了坚实的技术基础。未来，结合长期环境因子监测和更先进的自适应算法，有望进一步实现对鱼群动态的实时预测与精准调控。