基于跨模态数据融合与深度学习的低温无水活运鱼类活力无损识别研究

针对低温无水活运(CWLT)中鱼类活力监测难题，中国农业大学团队创新性整合多模态传感器与深度学习技术，开发了基于多策略融合鲸鱼优化算法(EWOAm)的跨模态活力识别网络(EWOAm-CmVRNet)。该模型通过融合视觉图像与生理参数数据，实现珍珠龙胆石斑鱼活力状态四分类（HV/MV/WV/ND），平均准确率达93.69%，为水产活运智能化管理提供关键技术支撑。

　　

在水产品供应链中，活鱼运输是连接养殖端与消费市场的关键环节。随着消费者对鲜活水产品品质要求的提升，低温无水活运(Cryogenic Waterless Live Transport, CWLT)因其节水环保、成本低廉等优势，逐渐成为主流运输方式。然而，这种运输环境下鱼类易出现应激反应，导致活力下降甚至死亡，特别是珍珠龙胆石斑鱼等高经济价值品种，其活力损失直接影响养殖户收益。传统依赖人工观察和生化检测的方法存在主观性强、侵入性大等缺陷，难以实现实时、精准的活力评估。这一技术瓶颈严重制约了活鱼运输的智能化发展，亟需开发非破坏性、高精度的活力监测技术。

针对这一行业痛点，中国农业大学的研究团队在《Biosystems Engineering》发表创新性研究成果。该研究通过构建多模态传感系统，同步采集鱼类体表视觉特征（颜色、纹理）和生理参数（呼吸频率、体表温度等），结合跨模态数据融合策略，开发了基于深度学习的EWOAm-CmVRNet模型。关键技术包括：1）非接触式多模态传感系统搭建；2）改进型多策略融合鲸鱼优化算法(EWOAm)用于超参数调优；3）注意力机制增强的跨模态特征融合网络架构；4）基于珍珠龙胆石斑鱼运输实验的四种活力状态分级标准（HV/MV/WV/ND）。

【生理参数数据分析】
通过12小时连续监测发现，不同体型石斑鱼的呼吸频率、体表温度等生理指标呈现显著差异（P<0.05）。聚类分析将运输过程中的生理状态明确划分为高活力(HV)、中活力(MV)、弱活力(WV)和濒死(ND)四类，为模型构建提供可靠标签依据。

【EWOAm算法优化】
改进的EWOAm算法通过引入动态权重机制和差分进化策略，有效克服标准鲸鱼优化算法(WOA)易陷入局部最优的缺陷。测试表明其收敛速度较对比算法提升23.6%，在全局探索与局部搜索间实现更好平衡。

【EWOAm-CmVRNet性能】
模型对大规格石斑鱼的识别性能尤为突出：平均精确率93.74%、召回率93.89%、F1值93.81%。跨模态融合使识别准确率较单模态模型提升7.2%，证实多源数据协同分析的优势。

【结论与意义】
该研究首次将跨模态数据融合技术系统应用于活鱼运输监测领域，构建的EWOAm-CmVRNet模型突破传统方法的局限性。其创新性体现在：1）建立非接触式多模态数据采集规范；2）开发具有自主知识产权的优化算法；3）实现运输过程鱼类活力状态的实时无损评估。研究成果为智能水产运输系统提供核心算法支撑，通过自动调节溶氧量、运输振动参数等，推动运输管理从经验驱动向数据驱动转型。这项技术有望在石斑鱼、三文鱼等高值水产品运输中推广应用，预计可降低运输死亡率15%以上，具有显著的经济和生态效益。