编辑推荐：
在工业化水产养殖中，鱼类摄食行为识别面临诸多挑战。研究人员提出多模态知识蒸馏识别（MMKDR）框架。实验显示，学生模型测试集准确率达 96.65%，低成本嵌入式设备场景下准确率为 91.36%，有助于降低成本，推动水产养殖发展。
在水产养殖的世界里，一场关乎效率与成本的变革正在悄然酝酿。近几十年来，水产养殖如同坐上了高速列车，成为全球增长最快的食品生产技术。然而，繁荣背后却藏着隐忧，饲料成本在水产养殖生产成本中占比颇高。过度投喂，那些吃不完的饵料不仅会降低饲料转化率，还会污染水质；投喂不足，鱼儿们又会生长缓慢，养殖户们可谓是左右为难。
在这样的背景下，准确识别鱼类摄食行为就显得尤为关键。它就像是一把钥匙，能帮助养殖户们精准投喂，提高养殖效率，降低成本。借助观察鱼类的摄食行为，还能初步判断鱼儿们的健康状况和活力。随着人工智能的蓬勃发展，不少研究尝试用深度学习技术来解决水产养殖中的难题，也取得了一定成果。但这些基于机器视觉的方法，在实际工业化养殖环境中却有些 “水土不服”。养殖水体浑浊、光线干扰、鱼体相互重叠等问题，都会影响识别的准确性。
为了攻克这些难题，来自国内的研究人员踏上了探索之旅。他们聚焦大规模工业化鱼苗养殖工厂，致力于利用低成本、低复杂度的嵌入式设备，提升鱼类摄食行为识别模型的性能。最终，他们成功提出了一种新颖的多模态知识蒸馏识别（Multimodal Knowledge Distillation Recognition，MMKDR）框架，相关研究成果发表在《Biosystems Engineering》上。这一框架意义非凡，它为工业化水产养殖带来了新的曙光，有望降低设备和数据标注成本，推动低成本、低碳的水产养殖发展。
研究人员在开展研究时，运用了多种关键技术方法。首先利用 ConvNeXt-T 的特征提取模块（CNXFE）从视频流中提取图像特征。接着，设计了改进的多模态融合（Improved Multimodal Fusion，IMF）模块，该模块可以动态调整图像和水质特征的权重，生成融合特征。然后，通过轻量级摄食强度分类（Lightweight Feeding Intensity Classification，LFIC）模块，依据融合特征预测鱼类摄食强度。此外，研究人员还采用了增强知识蒸馏（Enhanced Knowledge Distillation，EKD）方案，结合半监督域适应技术，实现知识转移，提高识别准确率 。
研究结果
- 整体框架设计：MMKDR 框架基于多模态特征融合和增强知识蒸馏构建。在合适的养殖温度下，其输入为视频流和溶解氧（DO）数据。视频流经过帧提取和图像预处理后作为输入，用于后续特征提取与分析 。
- 模型训练与性能评估：通过实验对 MMKDR 框架各组件进行对比分析。结果显示，学生模型在测试集上达到了 96.65% 的准确率；在实际工业化水产养殖场景中，使用低成本嵌入式设备时，准确率也能达到 91.36% 。这表明该框架在保证模型轻量化的同时，具备较高的识别准确性，能够满足实际应用需求。
- 与其他模型对比：与仅依赖图像数据的 MobileNetV2-SENet 模型相比，MMKDR 框架在识别准确率上有显著提升。MobileNetV2-SENet 模型在水质清澈、养殖密度低的条件下，对鱼类行为识别有较高准确率，但在复杂的工业化养殖环境中，MMKDR 框架优势明显，有效克服了水体浑浊、鱼苗密度大等干扰因素，提升了模型的适应性和准确性。
研究结论与讨论
研究人员提出的 MMKDR 框架，为工业化水产养殖中鱼类摄食行为识别提供了创新解决方案。通过多模态融合，综合利用图像和水质等多种特征，提升了模型对复杂养殖环境的适应性，有效克服了水体浑浊、鱼体重叠等干扰因素，提高了识别准确率。增强知识蒸馏和半监督域适应技术的应用，不仅降低了模型参数数量，还减少了数据标注成本，使模型能够在低成本嵌入式设备上高效运行。
这一研究成果具有重要的实际应用价值。在工业化水产养殖中，MMKDR 框架可以实现大规模低成本部署，帮助养殖户精准把握鱼类摄食情况，优化投喂策略，降低养殖成本，减少饲料浪费和水质污染，促进水产养殖向高效、低碳方向发展。它为水产养殖行业的智能化升级提供了有力支持，有望成为未来工业化水产养殖管理的重要技术手段，推动整个行业的可持续发展。
