基于 ResNet–MoVIT–ConvNeXt 融合模型精准识别鱼类摄食行为，助力水产养殖优化

研究人员针对复杂环境下鱼类摄食行为难识别问题，开展相关研究，成果准确率高，可降本增效。

　　在复杂环境中准确识别鱼类的摄食行为，对于优化饲料管理、提高饲料利用效率以及降低水产养殖成本至关重要。现实世界中的复杂环境，比如水质变化、光照条件差异以及背景干扰等，使得区分鱼类的摄食状态变得十分困难。为了解决这一问题，研究人员基于注意力机制增强的残差网络（ResNet）和改进的 ConvNeXt 融合（ResNet–MoVIT–ConvNeXt），提出了一种鱼类摄食强度识别方法。他们设计了一种多场景数据增强方法，用于模拟复杂的鱼类摄食环境，重现现实世界的复杂场景。结合 ResNet 和改进的 ConvNeXt 的双分支模型，能够从鱼群图像中提取局部特征。随后，利用移动视觉 Transformer 模块（MobileViT）进行多级特征融合，有效地捕捉摄食行为特征，以实现精准的摄食识别。最后，研究人员还提供了一种多因子动态投喂策略，该策略结合了鱼群生物量、水质和摄食状态，从而减少饲料浪费。这种方法将 MobileViT 模块引入到 ResNet 和改进的 ConvNeXt 网络的各个阶段。在真实世界的鱼群数据集上对该方法进行评估，其总体准确率达到 99.19%，对中等摄食状态的识别准确率达到 98.5%，超越了现有的对比方法。