面向高遮挡场景的快速动态追踪大口黑鲈鱼苗计数方法研究

为解决水产养殖中鱼苗高密度粘连导致的计数难题，研究人员提出基于改进YOLOv8和优化ByteTrack的FDTNet动态追踪方法。该方法在单帧62尾高密度场景下计数准确率达97%，边缘设备运行速度达19 FPS，为智能化养殖提供了高效精准的技术方案。

　　

在水产养殖领域，鱼苗数量的精准统计直接关系到养殖效益和资源管理。传统人工计数效率低下且易损伤鱼苗，而现有计算机视觉方法在鱼苗高密度粘连场景下表现不佳——静态图像分析方法受限于严重遮挡，基于多目标追踪(MOT)的动态方法又因算法局限性存在精度与速度的瓶颈。大口黑鲈(Micropterus salmoides)等经济鱼种的育苗阶段常出现单帧超60尾的密集场景，亟需突破性解决方案。

广州市农业与社会发展科技重点研发计划支持的研究团队创新性地提出FDTNet框架。该研究首先构建了按单帧密度和总数量分类的专用数据集，随后采用三大关键技术：①将YOLOv8改造为轻量级锚框检测(anchor-free)架构，替换主干网络为MobileNet-v3并精简检测头；②优化ByteTrack的Kalman滤波参数更新机制，针对鱼苗运动特性调整检测框预测；③改进数据关联算法，显著降低身份切换(ID-Switch)频率。实验显示，该方法在19尾/帧的稀疏场景实现100%计数精度，在62尾/帧的高密度场景仍保持97%精度，边缘设备处理速度达19帧/秒。

计数数据集收集
通过特制计数装置采集视频数据，通道设计包含150cm水平段和LED照明系统，确保连续稳定的拍摄环境。数据集按单帧密度(19-62尾)和累计数量分级，为算法验证提供多维度基准。

FDTNet框架设计
检测模块采用轻量化YOLOv8，相比原模型参数量减少42%；追踪模块创新性地调整运动预测参数，将长时间遮挡场景的ID-Switch降低68%。实验证实该架构在OpenMMLab平台V100 GPU环境下的优越性。

实验细节
与CMFTNet、DeepSORT等现有方法对比，FDTNet在高密度场景的MOTA(多目标追踪准确率)提升23.5%，推理速度提高3.2倍。消融实验验证了轻量化设计和运动预测优化的协同效应。

该研究首次将锚框检测架构与鱼苗运动特性深度结合，突破性地解决了高密度粘连场景的计数难题。相比需要复杂重识别(re-ID)模型的方法，FDTNet仅依赖运动信息即实现稳定追踪，显著提升部署可行性。作为《Aquacultural Engineering》收录的创新成果，该技术为水产智能化提供了可落地的解决方案，其方法论对农业场景的其他生物量统计具有重要借鉴意义。研究团队特别指出，未来可进一步探索不同鱼种的运动模式差异，以扩展模型的普适性。