基于深度学习与椭圆拟合的单目视频检测技术实现太平洋蓝鳍金枪鱼爆发式游泳行为精准识别

本研究针对太平洋蓝鳍金枪鱼(PBT)养殖中爆发式游泳行为引发的高死亡率问题，开发了一种结合深度学习与椭圆拟合的单目视频检测方法。通过YOLO11分割和BoT-SORT跟踪技术提取鱼类轮廓，利用椭圆拟合估算恒定体高，最终实现从二维视频中计算三维真实速度。该方法在真实养殖环境中达到75.9%的F1值，显著优于传统方法的54.4%，为减少碰撞死亡、提升养殖效益提供了有效的技术支撑。

　　

在太平洋蓝鳍金枪鱼（Thunnus orientalis，PBT）的集约化养殖中，爆发式游泳（burst swimming）行为一直是导致高死亡率的主要原因之一。这种高度敏感的鱼类易受光线、声音或其他个体活动等外部刺激影响，突然启动高速游动，进而猛烈撞击池壁或缠入网具，造成头部、脊柱严重损伤甚至窒息死亡。无论是幼体还是成鱼，此类行为在室内水池或海上网箱中均有发生，带来显著的经济损失。尽管先前研究尝试通过调控光照亮度、设置池壁图案等方式降低风险，但始终无法完全避免爆发式游泳及其引发的碰撞死亡。传统依赖人工观察监控视频的方法不仅耗时费力，还存在主观判断偏差和无法精确测量游速的问题，难以满足大规模数据分析的需求。

为突破上述局限，日本研究团队在《Aquaculture International》发表了最新研究成果，提出了一种基于单目相机的自动化检测方案。该方法的创新之处在于，仅需普通摄像设备和计算机，即可实现非侵入式、连续性的鱼类行为监测，并通过深度学习与椭圆拟合技术，从二维视频画面中估算出鱼体的三维真实速度，从而精准识别爆发式游泳事件。

研究采用了几项关键技术：首先利用YOLO11模型进行目标检测与分割，结合BoT-SORT算法实现多目标跟踪，获取每一帧中PBT的边界框与轮廓点集；随后通过滤波与凸包算法去除异常点，对轮廓点进行椭圆拟合，以估计鱼体的体高（body height）；最后基于体高恒定假设，将像素位移转换为真实世界速度（单位：m/s）。所有分析基于2014年10月拍摄的15段视频，总时长近7小时，包含超过300万帧图像，涉及19尾三龄PBT（平均体重44.6±9.5 kg，平均叉长121.9±13.0 cm），体高统一设定为0.3 m。

在“物体检测与分割”部分，研究团队借助Grounded SAM生成标注数据，经数据增强后训练YOLOv11-large-seg模型，在测试集上达到目标检测mAP50为89.2%、分割mAP50为86.4%的精度，为后续处理奠定基础。

“椭圆拟合”环节通过多项过滤条件（如轮廓点筛除、凸包面积比检查、轴长比限制等）排除无效拟合，并引入基于面积变化的平滑系数（α_base=0.7）稳定帧间参数，提升体高估计可靠性。如图1所示，椭圆拟合能够准确捕捉PBT的主体形状，即便在鳍条可见的情况下仍保持良好拟合效果。

在“速度估计”中，以拟合后短轴长度e_m^(t)′作为体高依据，结合边界框中心位移，按公式v = [Δb_c / e_m^(t)′] × H × fps计算真实速度，最终通过10秒时间窗内的平均速度与优化阈值（v_th=2.63 m/s）判断是否发生爆发式游泳。

“最优阈值确定”部分通过五折交叉验证对比了本研究方法与基于边界框对角线的基线方法。如表1所示，椭圆拟合法的平均F1值达到75.9%，远高于基线方法的54.4%，且假阳性数量从20次降至4次，显示出更高的稳定性和准确性。

图2进一步表明，椭圆拟合法的性能曲线平滑且标准差较小，阈值选择范围（2.23–2.91 m/s）更合理，而基线程波动大、阈值偏高（4.12–4.76 m/s），验证了椭圆拟合对鱼体朝向和姿态变化的鲁棒性。

在“应用最优阈值的爆发游泳检测”中，全视频检测结果（表2）与交叉验证一致，椭圆拟合法在精确率、召回率和F1值上均显著优于基线。图3展示了一个成功跟踪序列，椭圆拟合在连续帧中保持稳定，准确反映鱼体运动轨迹与速度变化。

尽管方法表现优异，研究也指出了若干局限性：在低对比度环境下（图4），分割错误可能导致单条鱼被误判为两个个体，进而影响椭圆拟合；过度平滑参数可能遗漏某些爆发事件；速度估计精度未经验证；且超参数（如轴长比阈值e_M/e_m≤4.0）针对成鱼设定，可能不适用于其他生长阶段。

综上所述，该研究通过单目视频与椭圆拟合的创新结合，实现了对PBT爆发式游泳行为的高精度、自动化检测，为揭示行为诱因、优化养殖管理提供了有效工具。未来工作可集中于提升低光环境下的分割鲁棒性、验证速度估计准确性，并扩展方法在不同生长阶段的应用，进一步推动水产养殖的可持续发展。