基于多任务主动学习框架(MTAFFB)的水产养殖鱼类摄食行为智能分析新方法

推荐：本研究针对水产养殖中鱼类摄食行为分析存在的单因素评估局限性和数据标注成本高的问题，提出了一种融合多任务学习(MTL)与主动学习(AL)的MTAFFB框架。该研究通过构建实验室循环水养殖系统采集数据，创新性地采用近似贝叶斯推理网络(ABIN)和方差不确定性损失函数，实现了鱼类摄食强度分类(准确率92%)与残饵计数(MAE=22.44)的双任务协同优化，为智能化投喂决策提供了高效解决方案。

　　

在水产养殖领域，精准分析鱼类摄食行为对优化投喂策略、降低养殖成本至关重要。然而现有方法存在两大瓶颈：传统单因素分析（如仅评估摄食强度）难以全面反映摄食状态；深度学习模型训练需要全量标注数据，导致人工成本激增。针对这些行业痛点，广东海洋大学数学与计算机科学学院的研究团队在《Smart Agricultural Technology》发表创新成果，提出首个融合多任务学习(MTL)和主动学习(AL)的鱼类摄食行为分析框架MTAFFB。

研究团队通过构建实验室循环水养殖系统（含直径82cm养殖桶和HIKVISION DS-IPC-B12-I摄像头），采集草金鱼摄食视频并提取图像样本。关键技术包括：1）设计硬参数共享的多任务网络架构，前端采用ResNet34特征共享网络，后端分支处理摄食强度分类（二分类）和残饵计数（密度图回归）；2）创新应用近似贝叶斯推理网络(ABIN)计算回归任务不确定性，结合蒙特卡洛Dropout实现10次推理方差估计；3）提出加权不确定性采样策略（α=0.999），平衡分类熵U^cls与回归方差U^cnt的贡献；4）采用方差不确定性损失函数L_total=1/(2σ₁²)L_cls+1/(2σ₂²)L_cnt+log(1+σ₁)+log(1+σ₂)，动态调整多任务损失权重。

研究结果显示：

1. 模型性能：经过4轮主动学习迭代（初始100样本+每轮新增50样本），最终测试集达到92%分类准确率（Precision=94.12%，Recall=94.12%），残饵计数MAE降至22.44，较基线降低73.7%。Grad-CAM可视化表明模型能有效捕捉鱼群聚集摄食特征，但对分散饵料的识别仍需改进。

2. 算法效能：主动学习显著改善数据分布不平衡问题，使"Active/Not Active"样本比例从初始8.9:1优化至0.9:1，残饵密度等级样本分布趋于均衡。损失曲线显示新增样本会引发短期性能波动，但最终提升模型鲁棒性。

3. 架构对比：ResNet34作为特征共享网络时性能最优（F1-Score=0.941），但参数量达172.56MB；MobileNetV3在保持84%准确率下可实现84.71 FPS，满足实时性需求。

讨论指出，该框架的创新性体现在：1）首次将主动学习引入水产多任务场景，减少标注量达60%；2）ABIN模块有效量化认知不确定性，指导关键样本选择；3）动态损失加权确保分类与回归任务协同优化。局限在于实验室环境与工厂化养殖存在规模差异，未来将拓展至深水网箱等场景，并开发连续量化摄食强度的新指标。

这项研究为智能养殖提供了重要技术范式，其多任务协同分析和主动学习策略可推广至虾类、贝类等水产经济物种的行为监测，对推动渔业数字化转型具有显著应用价值。