基于YOLOv8-seg增强Deep OC-SORT的水产养殖鱼苗追踪与行为分析新方法

为解决水产养殖中鱼苗(MOT)多目标追踪存在的遮挡、快速运动及身份一致性难题，研究人员创新性地将改进的YOLOv8-seg（集成STA注意力机制、CFP特征金字塔和GSConv轻量化技术）与增强版Deep OC-SORT结合，提出分割增强轨迹插值方法。实验显示改进模型检测速度提升10%，分割mAP达94.3%，追踪MOTA达74.3%，显著降低ID切换率，并首次实现温度调控下鲈鱼苗行为量化分析，为精准养殖管理提供新范式。

　　

在水产养殖领域，鱼苗阶段的精准监测直接关乎养殖效益与食品安全。然而，这些仅毫米级大小的生命体给计算机视觉技术带来三重挑战：高密度群体导致的频繁遮挡、相似外观造成的身份混淆，以及温度变化引发的运动模式突变。传统多目标跟踪(Multi-Object Tracking, MOT)算法如Deep SORT依赖边界框交并比(IoU)和外观特征，面对鱼苗这类"视觉孪生"群体时，ID切换(ID switches)率可骤增至30%以上。更棘手的是，鲈鱼苗(Micropterus salmoides)在温差仅2℃时就会表现出完全不同的集群行为，这对构建普适性追踪系统提出更高要求。

针对这一行业痛点，广州大学的研究团队在《Aquaculture》发表了一项突破性研究。他们创造性地将目标检测、实例分割与运动轨迹预测三大技术模块深度融合：首先通过改进YOLOv8-seg算法实现像素级鱼苗定位，随后开发出全球首个融合掩膜信息的Deep OC-SORT增强算法。该方案不仅将分割平均精度(mAP)提升至94.3%，更在200尾/平方米的高密度场景下保持74.3%的多目标追踪准确率(MOTA)，较传统方法降低67%的身份丢失。

关键技术路线包含三大创新模块：(1)检测端采用空间-时间注意力(Spatial-Temporal Attention, STA)机制捕捉鱼苗运动时序特征，配合中心化特征金字塔(Centered Feature Pyramid, CFP)处理尺寸差异，GSConv轻量化卷积确保实时性；(2)追踪端首创分割增强轨迹插值法，通过掩膜质心插值和轮廓变形补偿解决遮挡问题；(3)构建温度-行为量化模型，首次揭示28℃时鲈鱼苗游动速度较22℃提升42%的规律。

【材料与方法】
研究团队采集了包含5种温度梯度(18-30℃)的鲈鱼苗视频数据集，采用改进的YOLOv8-seg模型进行检测，其骨干网络融入STA模块增强小目标特征提取，颈部采用CFP结构优化多尺度融合，GSConv替换标准卷积降低计算量。追踪阶段，Deep OC-SORT被改造为接受分割掩膜输入，新增的遮挡感知模块通过轮廓形变分析预测被遮挡鱼苗位置。

【结果与讨论】

1. 检测性能：改进版YOLOv8-seg在测试集达到94.3% mAP₅₀，推理速度达158 FPS，较原模型提升10%。STA机制使小目标召回率提高6.2%，CFP结构有效解决鱼苗尺寸差异问题。
2. 追踪稳定性：在60尾/㎡的高密度场景下，新方法MOTA达74.3%，ID switches仅12次/分钟，较Deep SORT降低67%。掩膜引导的插值算法使遮挡期间轨迹完整度提升41%。
3. 行为分析：温度实验显示，26℃时鱼苗平均游速(8.7 cm/s)显著高于22℃(5.2 cm/s)，加速度标准差增大53%，表明温度变化会显著影响运动模式。

这项研究的突破性在于首次实现"像素级鱼苗身份维持"——即使个体被完全遮挡3秒，系统仍能通过轮廓动力学特征准确恢复其身份。所提出的GSConv-STA-CFP架构为轻量化小目标检测树立新标杆，而温度-行为数据库的建立为智能养殖系统提供关键决策依据。未来，该技术可扩展至虾苗、海参等水产经济物种的精准养殖，推动水产行业向数字化管理转型。