基于改进YOLOv8s-ByteTrack的海参养殖原位动态计数方法及其在水产管理中的应用

为解决海参养殖中传统人工计数方法效率低、主观性强的问题，来自国内的研究团队开发了基于多目标跟踪的自动计数框架YOLOv8s-BB。该模型集成BiFormer注意力模块(BCAM)，检测mAP达88.9%；改进ByteTrack算法后跟踪HOTA达67.63%，计数准确率93.37%（44.82 FPS），为水产智能化管理提供新方案。

　　

海参(Holothurian)养殖生物量的动态监测对投喂管理至关重要。传统人工计数存在效率低下（仅1-2次/天）和主观偏差等问题。科研团队创新性地提出三阶段原位计数框架：

1. 检测阶段：改进YOLOv8s模型为YOLOv8s-BB，通过引入BiFormer卷积注意力模块(BCAM)和BiFormer注意力机制，使平均精度(mAP)₅₀提升4.5%至88.9%，召回率提高6.3%达77.8%。

2. 跟踪阶段：优化ByteTrack算法，将卡尔曼滤波(KF)状态向量中的边界框长宽比替换为宽度参数，实现67.63%高阶跟踪精度(HOTA)，82.53%的IDF₁分数，实时性能达44.82帧/秒(FPS)。

3. 计数阶段：综合检测与跟踪结果，最终模型取得93.37%计数准确率，平均绝对误差(MAE)3.25，均方根误差(RMSE)4.09。

该技术突破传统养殖监测的时空限制，首次实现海参生物量的实时（<1秒延迟）、非接触式统计，为精准水产养殖(Aquaculture 4.0)提供了关键技术支持。实验数据表明，系统在浑浊水体条件下的F1分数仍保持84.2%，较基线模型提升4.2%，充分验证其产业应用潜力。