基于立体边界框几何的实时水中鱼类生物量估计方法

《Computers and Electronics in Agriculture》：Real-time in-water fish biomass estimation from stereo bounding-box geometry without dense depth maps

　　

实时水中鱼类生物量估计：基于立体边界框几何而非稠密深度图的方法 立体边界框匹配（Stereo bounding-box matching）可在无需稠密视差图（disparity maps）的条件下估计鱼类深度。StereoGeoBox方法在多个鱼类生长阶段均实现了较低的生物量估计误差。相较于基线方法，StereoGeoBox产生的尺寸估计离群值（outliers）更少。StereoGeoBox在Jetson Thor平台上实现了25.40 FPS的实时性能。研究还证明了该方法在光照变化、气泡和浑浊度等条件下的稳健表现。

基于立体边界框几何的实时水中鱼类生物量估计研究解读

一、研究背景与问题提出

精准水产养殖中，实时准确估计鱼类生物量对于优化投喂策略、确定合理放养密度以及把握收获时机具有重要价值。每日投喂量通常依据当前鱼体重量确定，因此准确的实时估计有助于提高投喂效率并减少饲料浪费。与离线方法相比，实时方法能够降低运营成本并支持可持续水产养殖实践。

然而，水下环境中的深度估计面临诸多挑战。从硬件角度看，双目相机虽可通过三角测量计算深度，但水体浑浊、光照变化、鱼类快速游动以及光折射效应等因素严重制约了深度估计精度，并增加了实时部署的难度。现有研究多依赖生成整幅图像的稠密深度图或视差图，如半全局块匹配（Semi-Global Block Matching, SGBM）、AANet、RAFT-Stereo等深度学习方法，以及MiDaS等单目深度估计模型。尽管这些方法在标准基准上表现良好，但通常需要较高的计算资源和内存来处理整幅图像，且对水下干扰因素（如浑浊度、动态场景、光照不均）较为敏感。

现有鱼类生物量估计方法中，许多方法假设鱼在相对固定的深度游动，或需要特殊系统将鱼限制在特定区域，这在真实养殖环境中往往不具实用性。因此，亟需一种轻量级、适用于实时水下鱼类生物量估计的策略。

二、研究内容与核心贡献

针对上述问题，研究人员提出了StereoGeoBox方法。该方法首先使用YOLO11目标检测模型识别目标鱼类，随后通过几何边界框对应算法仅在检测到的边界框内计算深度，而非生成整幅图像的稠密视差图。这一设计显著降低了计算复杂度和存储需求，同时为鱼类生物量估计这一下游任务提供了有竞争力的精度。

研究的主要贡献包括：提出了结合YOLO11检测与几何边界框对应技术的实用立体视觉鱼类生物量估计策略；建立了包含平均差（Mean Difference, MD）、平均绝对偏差（Mean Absolute Deviation, MAD）和平均成对绝对误差（Mean Pairwise Absolute Error, MPAE）三种指标的综合评估框架；开发了包含水下立体相机、边缘计算模块和通信链路的自动化实时生物量监测系统；构建了基于云的交互式仪表板；并建立了覆盖15个月周期、多个罗非鱼生长阶段、两种立体相机系统及多种挑战性养殖条件的纵向水下立体数据集。

三、关键技术方法

研究人员构建了包含水下视觉子系统、照明子系统、边缘计算子系统和云端数据可视化与监控子系统的原型系统。视觉子系统采用ZED X立体相机（双1920×1200全局快门传感器，120毫米基线）和FullDepth FD-IPC-33J11水下立体相机（双2560×1440成像通道，60毫米基线）。边缘计算平台包括NVIDIA Jetson AGX Orin和NVIDIA Jetson Thor开发套件。数据方面，研究人员对100尾尼罗罗非鱼（Oreochromis niloticus）进行了15个月的纵向监测，在2、3、6和15个月四个生长阶段进行生物测量和立体图像采集，共构建了四个数据集。鱼类检测模型使用CVAT工具手动标注，以YOLO格式导出。

四、研究结果

4.1 检测性能

YOLO11检测器在鱼类检测中表现出良好的性能，为后续的边界框配对和深度计算提供了可靠的基础。

4.2 深度估计精度

StereoGeoBox通过几何边界框对应算法在检测区域内计算深度，避免了稠密视差图生成过程中的大量离群值，在多个生长阶段均实现了较低的生物量估计误差。

4.3 尺寸估计可靠性

相较于基线方法，StereoGeoBox产生的尺寸估计离群值更少，表明该方法在水下环境中的稳定性更强。

4.4 实时性能

StereoGeoBox在Jetson Thor平台上实现了25.40 FPS的实时处理速度，满足实际养殖环境中的实时监测需求。

4.5 鲁棒性验证

研究在光照变化、气泡干扰和浑浊度等挑战性条件下验证了方法的稳健性能，表明该方法能够适应真实水产养殖环境中的多种干扰因素。

五、讨论与结论

讨论部分指出，现有方法在实用水产养殖环境中存在两大局限：一是为每帧生成完整深度图计算成本高且对水下光学伪影敏感；二是生成的深度图常包含大量离群值，降低了单体尺寸和重量估计的可靠性。StereoGeoBox通过结合鱼类检测器与基于立体边界框对应的轻量级几何深度估计策略，有效解决了上述问题。该方法消除了对稠密深度图的依赖，同时保持了实时水中生物量估计的竞争力精度。

研究结论表明，StereoGeoBox方法在多个鱼类生长阶段均实现了较低的生物量估计误差，产生的尺寸估计离群值少于基线方法，并在Jetson Thor平台上达到25.40 FPS的实时性能。该方法在光照变化、气泡和浑浊度等条件下表现出稳健性能，为精准水产养殖提供了一种实用的实时鱼类生物量监测方案。