面向台湾吴郭鱼智能育种的多组学云数据库与AIoT平台整合研究

《Journal of Agriculture and Food Research》：AIoT Platform Integrated with Smart Breeding and Omics Cloud Database for Taiwan Tilapia

本研究针对台湾吴郭鱼传统育种周期长、易近交衰退等问题，创新性地构建了整合智能育种系统与多组学云数据库的AIoT平台。通过部署YOLO系列算法实现鱼体检测（1-3月龄鱼mAP@50达0.802）、立体视觉尺寸测量（误差率3.42%）及异常行为识别（F1-score 97%），结合Jetson边缘计算设备实现低成本实时监测。该研究为基因型-表型关联分析提供了技术支撑，对水产精准育种具有重要实践价值。

　　

随着全球海洋渔业资源的持续枯竭，水产养殖业正逐渐成为人类蛋白质供给的重要支柱。联合国粮农组织2024年报告显示，水产养殖产量首次超过捕捞渔业，占比达到51%。然而传统育种方法存在周期长、效率低、易出现近交衰退等瓶颈，特别是对于台湾地区特有的吴郭鱼品种，其作为热带鱼类对低温敏感，冬季死亡率高，严重制约产业发展。

在这一背景下，台湾海洋大学研究团队在农业部资助下，开展了为期多年的"整合智能育种系统与多组学云数据库的AIoT平台"研究。该平台创新性地将人工智能物联网技术与高通量表型分析相结合，旨在解决吴郭鱼育种中的关键技术难题。研究团队重点关注基因型与表型关联分析，通过实时监测鱼类行为和环境参数，为选择性育种提供数据支撑。

研究采用的关键技术方法包括：基于YOLO11和YOLOv12的目标检测算法实现鱼体识别；立体视觉技术进行鱼体尺寸测量；Lite3D轻量级三维卷积网络实现异常行为识别；利用台湾本地吴郭鱼家系样本进行冷耐受性和盐耐受性测试，并结合转录组测序鉴定重要性状相关分子标记。

对象检测：研究比较了多种YOLO变体在幼鱼检测中的性能。针对1-3月龄鱼群，YOLO11s在测试集上获得0.802的mAP^@50值，对整体鱼体的检测精度达到0.9316；对于3-5月龄鱼群，YOLOv12n以0.767的mAP^@50表现最佳。值得注意的是，添加SE Block和Coordinate Attention注意力机制并未提升小目标检测性能，推测与训练数据规模有限有关。

鱼体尺寸估计：基于立体视觉的鱼体长度测量方法，通过计算鱼体边界框主轴端点在世界坐标系中的三维坐标，结合跟踪技术对多次测量结果取平均值，最终在50,709张测试图像上实现3.42%的长度误差率。通过建立体长与体重的回归关系（公式(1)），为生长监测提供依据。

鱼类行为识别：采用Lite3D模型对盐耐受性测试中的吴郭鱼行为进行分类，将正常、磨底、侧游等行为重新编码为正常（0）与异常（1）两类。通过计算最近10次行为代码的平均值（B_avg）来降低误报，当B_avg≥0.8时判定为异常行为。该方法在测试中取得97%的F1-score和99%的精确度。

基因型数据收集：研究团队通过低温胁迫实验（从25°C以1°C/天降温）筛选冷耐受性（CT）和冷敏感性（CS）家系。转录组分析发现，clathrin基因3'UTR区的SNP标记与耐寒性状显著相关，其中CT群体主要携带A/A或A/d基因型，而CS群体为d/d基因型，为标记辅助选择提供了分子工具。

研究结论表明，整合AIoT技术的智能育种平台能够有效实现吴郭鱼生长监测、性状预测和育种管理，特别在幼鱼阶段的环境适应性和疾病预防方面具有显著优势。平台所有计算任务均可在Jetson Xavier边缘设备上运行，为水产养殖提供了经济可行的智能化解决方案。

讨论部分指出，当前行为识别模型仅适用于3-5月龄鱼群，对更幼小鱼苗的检测仍面临挑战。未来研究将探索自适应感受野调整等技术提升小目标识别能力，并通过权重共享方案降低模型复杂度。同时，将继续收集不同胁迫条件下的基因型-表型数据，为基因组选择模型训练提供支持。

该研究成果发表于《Journal of Agriculture and Food Research》，为水产养殖业的精准化、智能化发展提供了重要技术支撑，对实现联合国可持续发展目标中"零饥饿"和"水下生物"保护目标具有积极意义。通过AI与物联网技术的深度融合，传统水产养殖业正迎来数字化转型的重要机遇。