基于AI行为监测的精准水产养殖：评估大西洋鲑鳃健康与福利的非侵入性方法

本研究针对水产养殖中鳃健康监测难题，开发了一种结合AI算法与机器视觉的非侵入性行为监测系统。研究人员通过商业养殖场的投喂摄像头，量化分析大西洋鲑(Salmo salar)群体行为特征，发现增殖性鳃病(PGD)会显著提高鱼群活动度(43.6±15.1% vs 25.6±10.5%)并引发集群行为。该技术实现了对鳃健康问题的早期预警，为精准水产养殖(PLF)提供了创新解决方案。

　　

在全球水产养殖业快速发展的背景下，大西洋鲑养殖面临着严峻的鳃健康挑战。随着气候变化导致水温上升，由阿米巴原虫(Neoparamoeba perurans)引起的阿米巴鳃病(AGD)和多重因素引发的增殖性鳃病(PGD)日益严重，造成10-70%的死亡率。传统监测方法依赖应激性血液采样或主观视觉评估，既影响鱼群福利又难以及时发现问题。如何实现早期、无创的鳃健康监测，成为保障养殖效益和动物福利的关键难题。

英国斯特林大学(University of Stirling)自然科学院水产研究所的研究团队与Observe Technologies公司合作，创新性地将人工智能(AI)与机器视觉技术相结合，在苏格兰两个商业养殖场开展了为期4个月的大规模研究。通过分析16万尾大西洋鲑的群体行为特征，首次证实PGD会引发显著的集群行为变化，相关成果发表在《Aquaculture Science and Management》期刊上。

研究人员采用多摄像头系统(索尼IPCM-3516DS385-D29-AZ3611)采集鱼群行为数据，通过专利算法(EP3644717)提取活动度指标(融合鱼群密度、游速和集群度)。同时记录鳃健康评分(0-5分)、特定投喂率(SFR)和死亡率等参数。采用广义线性混合模型(GLMM)分析环境与健康因素对行为的影响。

研究结果显示，在PGD暴发期间，鱼群活动度显著增加：Farm A从25.6±10.5%升至43.6±15.1%，Farm B从24.9±7.0%升至32.6±9.6%。GLMM分析确认PGD是活动度升高的主要驱动因素(β=0.32,p<0.001)。行为变化表现为鱼群向网箱中心聚集，集群系数变异度(COV)从34.5%降至18.7%，这是典型的应激反应。同时特定投喂率(SFR)显著下降(2.3±0.7→1.1±0.3)，死亡率呈上升趋势。

通过对比多网箱数据，研究发现单摄像头系统同样能有效监测行为变化，验证了技术的可扩展性。算法验证显示活动度与人工计数的鱼群数量高度相关(R²=0.70,p<0.001)，观察者间一致性(ICC)达0.99。这表明AI行为监测具有替代传统人工评估的潜力。

这项研究的重要意义在于：首次建立了PGD与群体行为的定量关系，为鳃健康监测提供了非侵入性指标；开发的AI监测系统可实现全天候自动化评估，克服传统方法的主观性和滞后性；证实行为变化早于临床症状出现，有利于早期干预。随着气候变暖加剧鳃健康问题，该技术为实施精准水产养殖(PFF)提供了关键工具，对保障全球鲑鱼养殖业的可持续发展具有重要价值。未来研究可进一步优化算法灵敏度，建立不同严重程度PGD的行为阈值，并探索该技术在其它水产疾病监测中的应用潜力。