基于YOLOv8-FishDetect检测计数算法的户外池塘养殖精准投喂技术研究

为解决水产养殖中投喂不均导致的饲料浪费与水质恶化问题，研究人员开展户外池塘精准投喂技术研究。通过改进YOLOv8算法（引入Star操作、CAA模块和DyHead机制），开发YOLOv8-FishDetect模型，实现鱼类摄食动态监测。该模型较基线精度提升3.30%，mAP@0.5提高2.51%，为户外多鱼种养殖提供低成本、实时化解决方案，推动可持续水产养殖发展。

　　

水产养殖业长期面临"投喂困境"：人工投喂易造成饲料分布不均，过量投喂引发水质富营养化，不足投喂则抑制鱼类生长。传统解决方案多局限于室内环境或特定鱼种，而户外自然场景因水体浑浊、光照多变、鱼群复杂等特点成为技术"盲区"。如何实现户外多鱼种精准投喂，成为推动水产养殖智能化升级的关键难题。

安徽省农业科学院水产研究所团队在《Aquacultural Engineering》发表研究，提出基于改进YOLOv8算法的户外精准投喂方案。研究人员在54.5×33.7米的实验池塘中，以草鱼为主（1.5-3kg），混养鳙鱼（900g-2kg）和鲫鱼（200g-400g）为对象，通过1273张现场图像构建数据集。针对自然场景下目标小（5mm饲料）、特征弱、遮挡多等挑战，创新性融合Star操作（增强特征提取）、CAA模块（Context Anchor Attention，上下文锚点注意力）和DyHead（Dynamic Detection Head，动态检测头）三大技术，开发YOLOv8-FishDetect模型。

数据采集环境
实验在自然光照条件下进行，使用通威牌饲料（直径5mm），通过双NVIDIA Tesla V100 GPU（32GB显存）训练模型。标注工具采用LabelImg，输入图像统一缩放至640×640像素，模拟真实投喂场景的复杂条件。

Implementation Details
模型在Ubuntu 18.04系统下基于PyTorch框架开发。相比基线YOLOv8，改进后的算法在保持实时性（>30FPS）前提下，精度（Precision）提升3.30%，mAP@0.5（平均精度，IoU阈值为0.5）提高2.51%，mAP@0.5-0.95（综合检测性能）显著提升4.28%。特别在微小目标检测方面，误检率降低21.6%。

Conclusions
该研究突破性地将精准投喂技术拓展至户外自然场景：1）首创基于鱼群数量动态变化的投喂策略，通过实时统计摄食鱼数量（而非传统四级分类法）量化摄食强度；2）仅需单摄像头系统，成本较声学方案降低60%；3）模型泛化性强，适用于不同鱼种混合养殖。局限性在于极端浑浊水体下检测性能会下降约15%，未来可通过多光谱成像进一步优化。

这项研究为户外池塘养殖提供首个可落地的AI投喂方案，其技术框架可扩展至虾、蟹等水产经济物种。团队获得的安徽省财政农科成果转化项目（2024ZH009）支持，预示着该技术即将进入产业化推广阶段，有望推动我国水产养殖业向"精准化-低碳化-智能化"转型。