基于双目视觉系统的葡萄牙河流鱼类实时无创检测与体型估算技术研究及其在生态水文学中的应用

本研究针对水电调峰（hydropeaking）影响下河流鱼类监测难题，开发了基于Nvidia Jetson Orin Nano嵌入式平台的双目视觉系统（IR/RGB），实现鱼类实时检测与体型估算（误差<1cm）。通过PTFish数据集（18,523帧标注图像）验证，系统在10fps处理速度下达到F1分数0.85，首次揭示水电调峰导致鱼类避难所利用减少的生态现象，为水电生态影响评估提供自动化解决方案。

　　

水电调峰（hydropeaking）作为可再生能源调度的重要手段，通过水电站的快速流量调节满足电网需求，却对下游生态系统造成深远影响。这种人为流量波动会改变水温、溶解氧和底质运输，导致鱼类栖息地碎片化、幼鱼搁浅风险增加等生态问题。传统鱼类监测依赖电捕法等侵入式手段，存在应激损伤、数据离散等局限，尤其在动态水文条件下难以获取连续生态数据。尽管计算机视觉技术为水下监测提供新思路，但现有研究多局限于实验室环境，缺乏适用于自然河流的实时分析系统，且公开数据集普遍存在模态单一、物种局限等问题。

针对这些技术空白，来自爱沙尼亚塔林理工大学等单位的研究团队在《Ecological Informatics》发表研究，开发了基于双目视觉的嵌入式监测系统。该系统集成YOLOv8s目标检测算法（mAP@0.5达0.88）与立体视觉测距技术，通过双模态（IR/RGB）图像匹配和欧氏距离计算实现鱼类体型估算。研究团队在葡萄牙Tamega河流域的Bragado和Covas Do Barroso站点部署该系统，构建包含18,523帧标注图像的PTFish数据集，涵盖鲃鱼（Squalius carolitertii）、雅罗鱼（Pseudochondrostoma duriense）等物种。

关键技术方法包括：1）采用Nvidia Jetson Orin Nano嵌入式平台（10.7W功耗）实现边缘计算；2）基于k-fold交叉验证优化YOLOv8s模型；3）通过ArUco标记标定（10×10cm/5×5cm）验证立体视觉精度；4）设计基于运动触发的视频采集方案；5）建立包含126,299个边界框的标注数据集。

研究结果显示：在硬件性能方面，系统以10fps处理2560×960分辨率视频，功耗仅10.7W，满足野外长期部署需求。体型估算实验中，5×5cm标记的绝对误差为0.63cm（相对误差1.54%），优于10×10cm标记的0.83cm（2.74%）。生态学分析发现，水电调峰显著影响鱼类避难所利用——Bragado站点检测到平均每帧6.9条鱼，而受调峰影响的Covas站点仅2.51条，且幼鱼（<10cm）在流量峰值期避难所出现频率降低34%。

讨论部分指出，该研究首次实现自然河流条件下鱼类行为的自动化定量分析，其创新性体现在三方面：技术层面，将深度学习与经典立体视觉结合，突破嵌入式设备的算力限制；数据层面，填补多模态鱼类数据集的空白；生态应用层面，证实水电调峰会导致栖息地可利用性降低，尤其威胁幼鱼生存。作者建议未来研究应扩大物种覆盖范围，并探索水流参数与鱼类行为的关联模型。这项成果为水电生态影响评估提供了可推广的技术范式，其开源数据集将促进计算机视觉在水生态领域的应用发展。