基于多阶段图像分析的鱼类检测与重量估算创新方法研究

为解决渔业管理中人工监测成本高、覆盖率低的问题，研究人员开发了一种三阶段图像分析方法（检测-分类-重量估算），在FDWE数据集上实现F1-macro 92.72%和MAPE-macro 18.06%的精度，为自动化渔获物监管提供了模块化解决方案。

　　

随着全球渔业资源可持续利用的压力日益增加，欧盟等地区实施的"上岸义务"政策要求全面记录渔获物，包括传统上被丢弃的副渔获物。然而现有监测手段——无论是人工观察员还是电子监控系统——都面临两大痛点：高昂的人力成本和有限的覆盖范围。在荷兰的桁拖网渔业中，副渔获物比例高达53.5%，但每条渔船上配备专业观察员的成本使得全面监控变得不切实际。更棘手的是，现有计算机视觉方法多采用单阶段处理框架，需要同时具备物种分类、定位和重量信息的完整标注数据集，而获取鱼类重量数据需要逐条称重，这在颠簸的渔船作业环境中实施难度极大。

针对这一行业难题，欧洲海洋与渔业基金资助的研究团队创新性地提出了模块化的三阶段图像分析方法。该方法将复杂的渔获物记录任务分解为定位、分类和重量估算三个独立模块，每个模块可采用不同数据集单独训练。这种设计不仅突破了全标注数据的限制，还允许灵活集成最先进的计算机视觉技术。

研究采用FDWE数据集（含1086张图像、2216条鱼类实例）进行验证，关键技术包括：1）使用YOLOv7-e6e进行单类鱼类检测；2）采用EfficientNet-B3实现物种分类；3）基于ResNet-18构建两种回归模型（通用回归器和物种特异性回归器）。通过对比单阶段方法，系统评估了不同遮挡程度下的性能表现。

研究结果显示：

1. 鱼类定位阶段
   YOLOv7-e6e在验证集上达到97.25%的F1-score，对完全可见鱼类的召回率达100%，即使在61%以上遮挡情况下仍保持61.54%的召回率。其检测性能显著优于YOLOv5s等对比模型。

2. 物种分类阶段
   EfficientNet-B3分类器实现94.40%的F1-weighted，但对形态相似的鲆鲽类（如S. rhombus和S. maximus）区分度较低，主要受限于样本量不足（S. rhombus训练样本仅49条）。

3. 重量估算阶段
   通用回归器（II阶段方法）表现最优，MAPE-macro为18.06%，较单阶段方法降低约60%。值得注意的是，物种特异性回归器（III阶段方法）在数据量充足的物种（如P. platessa）上表现更好，但对样本稀少的物种（如仅35条训练数据的S. maximus）误差显著增大。

4. 综合性能对比
   多阶段方法F1-macro达92.72%，较最佳单阶段方法提升6.41个百分点；重量估算误差降低57-68%。虽然处理速度降至32-80帧/秒，但仍远高于实际渔业监控2帧/秒的采集需求。

这项研究的突破性在于其模块化设计解决了渔业监控中的关键矛盾：一方面通过任务解耦降低数据获取难度，另一方面通过独立优化各模块提升整体精度。特别是重量估算误差的大幅降低（从单阶段的45.21%降至18.06%），使得基于图像的渔获物统计首次具备实际应用价值。研究者特别指出，未来通过增加少数物种样本量、引入分割掩模替代边界框、开发针对遮挡场景的数据增强策略，性能还可进一步提升。

该技术框架不仅适用于副渔获物监管，还可扩展应用于鱼类资源调查、养殖场投喂管理等场景。随着欧盟逐步推行"登记义务"替代"上岸义务"，这种自动化记录系统可能彻底改变渔业监管模式——渔民只需准确记录丢弃物即可获得丢弃许可，从而显著降低仓储成本和资源浪费。研究团队建议后续重点探索开放集识别算法与人在回路的结合，以应对新出现鱼种带来的识别挑战。