基于Mamba与DETR融合的时序查询交互式鱼类追踪模型FMRFT在工厂化养殖中的应用研究

针对水产养殖中鱼类高相似性、快速游动及相互遮挡导致的追踪难题，研究人员创新性地融合Mamba In Mamba（MIM）架构与RT-DETR，提出FMRFT模型。通过Query Time Sequence Intersection（QTSI）模块优化特征交互，实现IDF1达90.3%、MOTA达94.3%的精准追踪，为工厂化养殖行为监测提供高效解决方案。

　　

在水产养殖集约化发展的背景下，实时监测鱼类行为对疾病预警和资源优化至关重要。然而，水下环境的光学干扰、鱼群高相似性及频繁遮挡等问题，使得传统追踪方法如DeepSort和ByteTrack难以奏效。尤其当鱼群受溶氧波动或病原感染刺激时，其异常游动轨迹的捕捉更成为行业痛点。中国农业大学国家数字渔业中心的研究团队在《Computers and Electronics in Agriculture》发表研究，提出FMRFT模型，为这一难题提供创新解决方案。

研究采用五大关键技术：1）融合MIM架构的低内存特征提取；2）RT-DETR编码器优化时序处理；3）QTSI模块通过IOU计算减少冗余检测框；4）多尺度特征交互的Fusion MIM方法；5）MQIM模块增强动态场景适应性。实验数据来自自建的8000帧鲟鱼追踪数据集，涵盖不同养殖场景。

研究结果

1. 框架设计：FMRFT将MIM的时空特征提取能力与RT-DETR的查询机制结合，显著提升遮挡场景下的追踪连续性（图5）。
2. QTSI模块：通过检测查询（Detect Query）与跟踪查询（Tracking Query）的交互，将同一目标的重复检测框减少37%。
3. 性能验证：在鲟鱼数据集上，模型IDF₁达90.3%，超越TransMOT等基线模型，MOTA 94.3%证实其稳定性。
4. 数据贡献：公开的鲟鱼追踪数据集包含气泡干扰、密集遮挡等复杂场景，填补领域空白。

结论与意义
该研究首次将Mamba架构引入水产追踪领域，通过QTSI和MQIM模块的创新设计，解决了鱼类形态相似性和动态遮挡的核心挑战。模型在工厂化养殖环境中展现出实时性（30 FPS处理）与鲁棒性，为基于视觉的鱼类健康监测提供了新范式。未来可扩展至其他水生生物行为分析，推动智慧渔业发展。

（注：所有数据及代码已开源：https://github.com/ymy1946676292/FMRFT）