用于夜间鱼类缺氧监测的水下近红外图像重建

《Computers and Electronics in Agriculture》：Underwater Near-Infrared image reconstruction for nighttime fish hypoxia monitoring

水产循环系统中夜间低氧监测方法基于水下近红外图像重建，通过亮度均衡、低亮度重建和超分辨率三个子模块提升图像质量，结合YOLO和BoT-SORT实现实时鱼行为跟踪，并构建低氧概率预测模型，实验验证其在夜间有效降低误报漏报率，推理速度达10 fps。

　　在现代水产养殖领域，循环水养殖系统（Recirculating Aquaculture Systems, RAS）因其高效、环保的特性而被广泛应用。这类系统通常包括水循环、过滤、供氧以及废水处理等多个子系统，能够在维持水质清澈的同时支持高密度养殖。然而，随着养殖密度的增加，低溶解氧（Dissolved Oxygen, DO）水平引发的缺氧问题成为威胁鱼类健康的重要因素。缺氧不仅可能导致鱼类在短时间内大量死亡，而且其危害程度往往超过其他有害物质，如氨和亚硝酸盐。此外，DO水平的波动可能促进病原体传播，降低代谢速率，并影响鱼类的免疫功能。因此，如何实现对鱼类缺氧状态的实时、准确监测，特别是在夜间，成为保障RAS稳定运行的关键课题。

传统上，鱼类缺氧监测主要依赖传感器技术，这些技术能够实现全天候的连续监测。然而，其高昂的成本和有限的功能性限制了其在实际应用中的推广。相比之下，基于计算机视觉的监测方法提供了一种更加经济、高效的选择。鱼类在缺氧状态下会表现出一系列行为变化，如游动轨迹的改变、聚集模式的变化以及表面呼吸频率的增加等。这些行为变化反映了外部环境因素与内部生理状态之间的交互，为缺氧监测提供了丰富的信息来源。通过先进的计算机视觉技术，可以对鱼类行为进行精确、实时的分析，并进一步构建缺氧监测模型，从而实现对鱼类健康状况的及时评估。

然而，目前基于计算机视觉的鱼类缺氧监测方法主要集中在白天条件下的应用，缺乏对夜间情况的有效研究。夜间环境中的光照条件极为有限，传统RGB摄像头需要依赖人工光源，这不仅增加了系统的复杂性和成本，还可能干扰鱼类的昼夜节律。鱼类的昼夜节律在调节其生理功能方面发挥着重要作用，包括免疫、消化、代谢和生长等。因此，夜间的人工照明可能会对鱼类的正常生理活动产生不利影响，进而影响监测的准确性。相比之下，近红外（Near-Infrared, NIR）摄像头能够在低光照条件下提供更高的对比度，并且由于NIR光谱通常不在鱼类的视觉系统范围内，因此不会显著干扰其行为和生理状态。这使得NIR摄像头成为夜间鱼类监测的潜在解决方案。

尽管NIR摄像头具有上述优势，但其在水下环境中的应用仍面临一些挑战。首先，NIR摄像头的分辨率通常较低，难以捕捉鱼类的细节特征，如边缘和纹理。其次，NIR图像往往存在亮度不均的问题，这进一步限制了其在水下环境中的实用性。因此，如何对低质量的水下NIR图像进行有效的处理和重建，成为实现夜间鱼类缺氧监测的关键环节。现有的图像处理方法，如图像增强、背景减除和目标提取，虽然在一定程度上能够提升图像的对比度，但主要适用于在空气中拍摄的NIR图像，难以有效区分重叠的鱼类或丰富图像信息。因此，需要引入更加先进的图像预处理技术，以实现对水下NIR图像的高质量重建。

本研究提出了一种基于水下NIR图像重建的夜间鱼类缺氧监测方法，该方法特别适用于循环水养殖系统中的草鱼（*Micropterus salmoides*）。该方法主要包括一个基于水下NIR图像重建的夜间鱼类跟踪模型和一个缺氧预测器。跟踪模型采用YOLO11m和BoT-SORT算法作为检测器和跟踪器，能够实现对鱼类的实时跟踪。为了提升图像质量，该模型集成了三个基于自编码器（Autoencoder）和生成对抗网络（Generative Adversarial Network, GAN）架构的图像重建子模块：亮度均衡、低亮度重建和超分辨率模块。每个子模块都采用轻量级的基础网络作为生成器，以满足高实时性的需求。此外，这些子模块还结合了对比学习（Contrastive Learning）技术，以增强生成能力。三个子模块按照一定的顺序运行，首先解决图像亮度不均的问题，然后将低质量、低亮度的夜间水下NIR图像转化为具有标准亮度的清晰图像，以增强鱼类与背景之间的对比度，最后通过超分辨率技术重建鱼类的边缘和纹理等细节特征。

该方法的实施流程如图3所示。首先，通过跟踪模型对鱼类进行实时监测，获取其空间分布、运动方向和运动距离等特征。这些特征被输入到缺氧预测器中，用于预测鱼类缺氧的概率。实验结果表明，该方法在夜间监测中显著提高了准确性，减少了误报和漏报的情况。此外，该方法的独特架构支持流水线并行策略，使得推理速度提升至每秒约10帧，从而满足实时监测的需求。

为了验证该方法的有效性，本研究在实际的循环水养殖系统中进行了实验。实验设备包括一个直径为1.5米、水深为0.7米的养殖池，以及配套的供氧系统、水循环系统和污水处理系统。养殖池底部采用锥形设计，以便于高效收集和排放养殖废弃物。供氧泵和供气管道能够维持养殖池内稳定的DO水平。实验过程中，使用了约300条草鱼，每条鱼的体长在10至15厘米之间。通过安装NIR摄像头和NIR补光设备，获取了夜间水下环境中的NIR图像，并将其输入到提出的图像重建和跟踪模型中。

实验结果表明，该方法在夜间环境下能够有效捕捉鱼类的行为变化，并准确预测其缺氧概率。与传统的基于RGB摄像头的监测方法相比，该方法不仅减少了对人工光源的依赖，还避免了对鱼类昼夜节律的干扰。此外，通过亮度均衡、低亮度重建和超分辨率等子模块的协同作用，该方法能够将低质量的水下NIR图像转化为具有高分辨率和标准亮度的图像，从而提高监测的准确性和可靠性。实验还显示，该方法在处理低分辨率图像时，能够有效区分重叠的鱼类，并提升图像的对比度，使得鱼类与背景之间的区分更加清晰。

从技术实现的角度来看，该方法采用了深度学习框架，包括Python 3.9、PyTorch 1.10.1、CUDA 11.1、CUDNN 8.2和OpenCV 4.1。硬件设备包括一个Intel(R) Xeon(R) CPU和一个NVIDIA 3090 GPU。这些硬件和软件的组合为模型的训练和推理提供了良好的支持。实验过程中，研究人员对模型进行了多轮训练和测试，以确保其在不同环境条件下的稳定性和有效性。

该方法的三个子模块的设计具有重要的科学意义和实际价值。首先，亮度均衡模块能够解决NIR图像中的亮度不均问题，使得图像的整体亮度更加均匀，从而提高后续处理的准确性。其次，低亮度重建模块能够增强图像的亮度，使得原本较暗的区域变得更加清晰，从而提升鱼类与背景之间的对比度。最后，超分辨率模块能够将低分辨率的图像转化为高分辨率的图像，使得鱼类的边缘和纹理等细节特征更加明显。这些子模块的协同作用，使得整个监测系统能够在夜间环境下实现高质量的图像处理和分析。

从应用角度来看，该方法不仅适用于草鱼，还可以推广到其他种类的鱼类。由于NIR光谱的特性，该方法能够避免对鱼类视觉系统的干扰，从而实现对鱼类行为的非侵入式监测。此外，该方法的高实时性使其能够在养殖系统中实现连续监测，从而及时发现并处理缺氧问题。这对于保障鱼类健康、提高养殖效率具有重要意义。

综上所述，本研究提出了一种基于水下NIR图像重建的夜间鱼类缺氧监测方法，该方法结合了亮度均衡、低亮度重建和超分辨率等技术，能够有效提升夜间监测的准确性和效率。通过实验验证，该方法在实际应用中表现出良好的性能，为循环水养殖系统的智能化管理提供了新的思路和解决方案。