编辑推荐：
为解决高密度养殖环境中鱼类相似异常行为识别难的问题，研究人员开展基于 PUFFER-DETR 的鱼类异常行为检测研究。结果显示该方法融合精度达 92.8%，速度 127.9 帧 / 秒。其能精准检测异常，辅助判断鱼类生长状况。
在海洋探索不断深入的当下，水产养殖业蓬勃发展。鱼类作为海洋馈赠的重要资源，其健康状况关乎着养殖户的收益和消费者的餐桌。然而，一个棘手的问题却困扰着整个行业：鱼类的异常行为难以精准识别。在高密度的养殖环境里，鱼群数量众多，它们体型较小，还时常出现相互遮挡的情况，并且行为模式也极为相似。想象一下，在一个偌大的养殖池里，鱼儿们密密麻麻地游动着，想要从中找出那些行为异常的个体，简直如同大海捞针。但这绝非无关紧要的小事，鱼类的异常行为往往意味着健康出现了问题，可能是缺氧、水质污染、水温不适等因素导致的。若不能及时发现并处理，将会造成巨大的经济损失。因此，准确且快速地检测出鱼类的异常行为，成为了水产养殖业亟待攻克的难题。
在这样的背景下，来自国内的研究人员积极开展研究，致力于解决这一问题。他们提出了基于 PUFFER-DETR 的异常行为检测方法。研究结果令人振奋，该方法在异常行为检测方面表现出色，以每秒 127.9 帧的速度实现了 92.8% 的平均准确率，能够精准地检测出鱼类的异常行为，这对于水产养殖人员判断鱼类的生长状态提供了有力支持，对整个水产养殖业的健康发展意义重大。这一研究成果发表在了《Aquacultural Engineering》杂志上。
研究人员在开展这项研究时，运用了几个关键技术方法。首先是采用 TripletAttention 骨干网络，增强了模型在浑浊水体中提取鱼群行为和个体鱼行为特征的能力。其次，利用 SHS-FPN 进行跨尺度特征融合，有效调整个体鱼的相似行为特征，避免在特征融合过程中出现信息丢失。此外，还对个体鱼与鱼群的相似行为特征进行权重计算，从而获取相似行为关系特征图。
下面来看具体的研究结果：
- 鱼类及视频采集：研究人员以大连天正水产有限公司养殖的 30 条体重 200 - 250g、体长 25 - 32cm 的河豚为实验对象。在实验过程中，严格将病鱼与健康鱼隔离，以防止疾病传播，并同步收集相关数据。
- 结果与讨论：研究人员在异常鱼类行为数据集上，将所提方法与不同的改进模型方法进行对比，以此验证所提方法的有效性，实验展示了该方法在检测异常行为方面的准确性和快速性。
- 结论：该研究提出了一种改进的 Transformer 网络，用于监测集约化养殖环境中鱼类的相似异常行为，比如缺氧行为、正常行为、pH 异常行为以及温度异常行为。模型借助三重注意力机制，有效解决了浑浊水体条件下重叠区域特征提取的难题。
综合来看，研究结论和讨论部分意义非凡。这项研究成功地解决了鱼类相似异常行为特征提取和识别困难的问题，为水产养殖中的鱼类健康监测提供了创新的方法和有力的工具。其不仅提高了异常行为检测的准确率和速度，而且为后续的水产养殖策略调整提供了科学依据，有助于提升水产品质量，推动水产养殖业朝着智能化、精准化的方向发展，具有重要的理论意义和实际应用价值。
