基于MobileNet与注意力机制MLP-Mixer的鱼类耳石图像地理区域识别模型及其在渔业管理中的应用

本研究针对渔业管理中鱼类地理种群人工识别效率低、误差大的问题，开发了融合MobileNet轻量化网络与注意力机制MLP-Mixer的深度学习模型（MobAtt-MixerNet）。通过分析地中海竹荚鱼（Trachurus mediterraneus）耳石图像，实现了96%的地理区域分类准确率，为可持续渔业管理提供了自动化解决方案。该模型兼具移动端部署优势与特征增强能力，显著提升了种群识别的效率与可靠性。

　　

研究背景与意义
海洋渔业资源的可持续利用面临严峻挑战，过度捕捞导致全球约34%的鱼类种群处于不可持续状态。传统渔业管理依赖人工鉴定鱼类地理种群，而耳石（otolith）——鱼类内耳中的钙化结构，因其生长纹路与环境因素（温度、盐度等）密切相关，成为追溯鱼类地理起源的"天然条形码"。然而，传统傅里叶变换法（Fourier transform）和人工镜检存在耗时（单样本需30分钟以上）、主观性强（专家间差异达20%）等缺陷。

土耳其的研究团队创新性地将计算机视觉技术引入该领域。他们发现地中海竹荚鱼（Trachurus mediterraneus_{(Perciformes: Carangidae)}
）的耳石形态在五个地理种群间存在显著差异，但传统方法难以捕捉这些细微特征。为此，团队开发了MobAtt-MixerNet模型，通过结合MobileNet_v3
的轻量化优势与注意力机制（Attention）的空间特征增强能力，首次实现了耳石图像的高精度自动化地理识别。这项发表于《Expert Systems with Applications》的研究，为区域化渔业配额管理提供了关键技术支撑。

关键技术方法
研究采用来自五个地理区域的耳石图像数据集，构建了融合MobileNet主干网络与MLP-Mixer的混合架构。技术核心包括：1）利用深度可分离卷积（depthwise separable convolution）降低计算复杂度；2）引入通道注意力模块（channel attention module）强化特征选择；3）采用混合数据增强（mixup augmentation）解决样本不平衡问题。实验在NVIDIA P6000 GPU平台完成，通过五折交叉验证评估性能。

研究结果
1. 模型架构创新
提出的MobAtt-MixerNet采用三级处理流程：MobileNet提取基础特征→注意力机制聚焦关键形态区域→MLP-Mixer实现跨区域特征融合。相比纯CNN模型，参数量减少47%（仅4.2M），适合移动端部署。

2. 性能优势
在测试集上达到96%准确率，较传统ResNet50提升12%。特别在黑海种群识别中，召回率（recall）达98%，证实模型对区域性环境差异的敏感捕捉能力。

3. 应用验证
通过t-SNE可视化显示，模型将不同地理种群的特征向量明确分离，与遗传学研究揭示的种群分布格局高度一致（p<0.01）。

结论与展望
该研究首次证明轻量化深度学习模型在耳石地理识别中的卓越潜力。MobAtt-MixerNet的96%分类精度（95%CI: ±1.2%）远超人工鉴定水平（平均78%），且单样本处理时间缩短至0.3秒。?merhan Dürrani团队指出，该技术可扩展至金枪鱼（Thunnus spp.）等经济鱼类的种群监测，其移动端兼容性特别适合远洋渔船实时检测。未来若结合稳定同位素（δ¹³
C/δ¹⁵
N）数据，有望构建多模态鱼类溯源系统，为《联合国海洋法公约》下的区域渔业管理提供决策支持。