基于集成多图卷积模型（EMGCM）的鱼类游泳行为骨骼识别研究及其在水产健康监测中的应用

本文提出了一种融合骨架图卷积网络（SGCN）与混合集成（HE）的两阶段框架EMGCM，有效解决了鱼类游泳行为识别中姿态剧烈变化、类别不平衡及行为相似性高的难题。该方法通过定义鱼类骨骼结构（9关节11骨骼），结合可变形拓扑优化网络（DTRN）和极化时间卷积网络（PTCN）提取时空特征，在PL-behavior数据集上准确率达90.31%，为水产健康评估与疾病防控提供了创新技术方案。

　　

Highlight

本研究创新性提出：

(1) 定义鱼类骨骼结构——包含11根骨骼和9个关节的运动表征体系；

(2) 构建骨架图卷积网络(SGCN)架构，集成可变形拓扑优化网络(DTRN)与极化时间卷积网络(PTCN)双模块，支持关节、骨骼、关节运动及骨骼运动四流特征提取；

(3) 设计混合集成(HE)方法，通过多流聚合(MA)与决策融合(DF)模块整合多模型优势；

(4) 建立PL-behavior数据集——涵盖静止(Immobilizing)、前进(Advancing)、摩擦(Rubbing)和C型转向(C-Turning)四类典型游泳模式。

Ablation study of the EMGCM method

为验证各创新模块有效性，在鱼类游泳行为数据集上开展消融实验。以CTR-GCN网络为基线，逐步加入SGCN模块与混合集成(HE)方法，形成三个对比模型。实验结果表明（见表5）：SGCN模块的引入使模型准确率提升2.16%，证明其时空特征提取有效性；HE方法的进一步集成使准确率再提高1.79%，凸显多模型协同优势。

Limitations

尽管本方法具备非侵入性和高效性优势，但仍存在局限：

(1) 环境多样性不足：实验主要在典型养殖环境下进行，对复杂自然水域（如浑浊水体、强光干扰）的适应性需进一步验证；

(2) 物种泛化性有限：当前骨架定义针对特定物种，需拓展至多鱼种交叉验证；

(3) 实时性挑战：高帧率视频处理时延较高，离实际部署仍有优化空间。

Conclusion

EMGCM方法通过SGCN架构独立训练四流特征，并采用混合集成策略显著提升识别精度。其中DTRN模块动态优化骨骼拓扑关系，PTCN模块增强时间维度特征提取能力，共同解决了鱼类游泳行为的高相似性与姿态剧变难题。该方法为水产养殖行为监控提供了可靠的技术框架。