基于腹部曲线拟合的幼鱼饱食度指数智能检测方法研究

针对水产养殖中幼鱼饱食度实时监测难题，南京农业大学的科研团队创新性地提出基于YOLOv8s-ALL模型与改进移动最小二乘法（MLS）的腹部曲线分析技术。通过优化双向支持域划分和几何感知权重分配，实现98.7%的腹部闭合曲线拟合成功率，并首创以圆度参数量化饱食指数，分类准确率达95.21%。该研究为精准投喂系统开发提供了重要技术支撑。

　　

在水产养殖领域，科学投喂直接影响经济效益和生态可持续性。传统人工观察法存在反馈滞后、主观性强等问题，而现有基于摄食行为或残饵量的检测方法仅能在投喂时段生效。更棘手的是，幼鱼个体小、密度高，其腹部形态变化与营养状态的量化关系尚未建立。这些瓶颈严重制约了精准养殖的发展。

南京农业大学的研究团队在《Computers and Electronics in Agriculture》发表的研究中，开创性地将计算机视觉与深度学习相结合。该团队首先构建了改进的YOLOv8s-ALL模型，集成多尺度空洞注意力（MSDA）和混合SDS卷积技术，使鱼体目标与腹部关键点检测精度分别达到95.03%和92.76%。针对腹部轮廓提取难题，优化移动最小二乘法（MLS）的双向支持域选择策略，结合几何感知权重分配，将曲线拟合成功率提升至98.7%。最终通过设计的圆度参数实现饱食度数字化分级，准确率达95.21%。

关键技术包括：1）采用包含不同发育阶段幼鱼的实验数据集；2）改进YOLOv8s-ALL模型架构，引入C2f_MSDA模块增强多尺度特征提取；3）优化MLS算法的权重函数Ω(x)和支撑域半径r；4）建立基于腹部闭合曲线圆度（Roundness=4πS/L²
）的量化模型。

研究结果部分显示：
Fish objects and keypoint detection results
改进模型较原YOLOv8s参数量降低20.66%，计算量减少26.05%，关键点检测假阳性率仅3.38%。
Performance analysis of improved C2f using MSDA
多尺度空洞注意力机制有效解决浅层网络冗余问题，感受野扩展使小目标检测召回率提升11.2%。

结论表明，该技术首次建立幼鱼腹部形态与营养状态的定量关系，其非侵入式检测特性适用于高密度养殖环境。讨论部分指出，未来可结合物联网技术实现投喂系统闭环控制，但需进一步验证不同鱼种的普适性。这项研究为水产养殖数字化转型提供了新范式，具有重要的产业应用价值。