一种基于声学差分的大规模智能海上网箱养殖鱼类数量监测方法

《Aquacultural Engineering》：A Method for Monitoring Fish Quantities in Large-Scale Smart Offshore Cage Aquaculture Based on Acoustic Differential

　　**摘要**由于密集鱼群重叠导致鱼类重复计数，大型海上网箱中鱼类数量的精确估测是一项挑战。本文提出了一种基于全向声呐螺旋扫描的声学差分面积法，用于估测大型网箱中斜纹斑鱵的数量。在该方法中，通过全向声呐在网箱内垂直下降时扫描获取图像数据，并选取代表性帧来描述不同水层。每张声呐图像被划分为59个宽度为5像素的同心圆环区域。然后，在每个环内独立应用Otsu阈值分割以提取鱼回波像素。随后，利用从单鱼标定中获得的距离特定基准值，将前景像素数转换为等效鱼量。最后，将来自所有环和水层的估计值进行聚合，并使用包含一个隐藏层的反向传播（BP）神经网络进行校正。定量实验在“德海一号”大型智能海上网箱平台上进行。实验结果表明，1号箱的平均计数准确率为93.47%，2号箱为91.23%。9个指定的独立验证数据集的准确率为1号箱93.60%，2号箱93.15%。该方法减少了对鱼类图像标注的依赖，并为与距离相关的声呐回波提供了可解释的校正。它显著提高了鱼类计数评估的准确性。然而，在海上养殖网箱的不同鱼类品种、密度和环境条件下，仍需进一步进行多重验证。**引言**现代海洋牧场的发展使得在开阔海域部署大型桁架式智能海上网箱进行养殖成为可能。因此，对养殖鱼类数量进行科学、系统的监测对于有效的养殖管理至关重要，有助于准确估计网箱中的鱼类数量。由此，可以准确优化投喂策略并减少饲料浪费，从而提高整体养殖效率（Zhou等，2023）。此外，准确测量鱼类数量能够实现网箱养殖的规模化、养殖设备的智能化和养殖设施的标准化，从而带来经济效益。近期，对海上网箱中鱼类自动计数的需求不断增加。然而，目前鱼类计数仍然依靠人工或采用计算机视觉技术进行（Li等，2024；Liu；Liu和马，2025；Wang等，2025；Xin等，2025）。机器视觉也被应用于鱼类计数（Feng等，2024；Cai等，2024；Qian等，2025）。此外，由于声呐技术在复杂环境中的适应性，它逐渐被确立为一种监测鱼类数量的新方法（Jones等，2021；Zhang等，2025）。例如，使用成像声呐或侧扫声呐对水体进行扫描，然后相应地估计鱼类数量（J.C.等，2022；James M等，2024；Yan等，2025）。此外，声呐已结合声学遥感应用于鱼类监测（David C. Kazyak等，2020）。开发了一种基于结合YOLOv8的鱼类密度和全向扫描声呐的实时鱼类监测方法（Sun等，2025）。综上所述，海上网箱中鱼类的数量是当前海上网箱养殖业需要解决的一个重要问题。目前用于估计网箱中鱼类数量的方法可分为声学、光学和声光结合方法。由于声学法能耗低且检测范围广，被广泛应用于水下鱼类计数（Lagarde等，2020；Duan等，2023）。该方法最初用于通过声波探测监测鱼类数量。Wu等（2024）开发了一种方法，利用网箱中鱼体遮挡产生的回波所导致的漏检来估计鱼的数量；该方法使用收集到的回波信号进行了测试。实验测量的平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R2）分别为0.2985、0.6105和0.9607，验证了该方法的可行性和准确性。近年来，“你只看一次”（YOLO）模型被用于改进鱼类计数。Bowen等（2024）提出了一种基于声呐的鱼类检测和计数方法，该方法基于改进的YOLOv8和简单在线与实时追踪技巧包（BoT-SORT）算法。已成功应用了内容感知特征重组（CARAFE）、门控特征金字塔网络（GFPNs）和部分卷积，提高了对鱼类的精确识别和追踪。Nishikawa等（2025）为探鱼器回波图像提出了一种结合模拟和机器学习的方法。他们采用了一种改进的YOLOv5算法，并在六个养殖五带鰤的养殖网箱上进行了测试，估计鱼数量的误差在-0.86%至6.89%之间，并实时预测了所有网箱的鱼产量。Wang等（2024）使用改进的YOLOv5算法对所有网箱鱼的鱼产量进行实时预测。实验结果表明，与原始YOLOv5算法相比，改进算法的平均精度均值（mAP）提高了14.9%；此外，检测准确率较高。Jianyuan等（2024）提出了一种超轻量级多目标跟踪网络，用于智能识别和自动计算通过鱼道的鱼类。总之，声学检测和YOLO模型在鱼类计数方面均有效，报告准确率约为88%至97%，具体取决于品种、目标可分离性和标注量。然而，在强水流和波浪等环境（如海上网箱）中，这些方法仍面临挑战，精确计数变得困难。本研究提出了一种声学差分面积法用于估计鱼类数量。通过螺旋扫描收集全向声呐图像，将其划分为水层和同心圆环区域，利用距离特定的单鱼基准值转换为等效鱼面积，并使用BP神经网络进行校正。目的是在测试的海上网箱条件下评估一种具有物理可解释性和相对较高数据效率的计数工作流程。本文结构如下。第2节描述实验平台、声呐数据采集、单鱼标定、声学图像处理、环区划分和BP神经网络模型。第3节展示鱼类计数和验证结果。第4节讨论与既往工作的比较、操作局限性、高密度校正、验证范围和未来方向。第5节总结主要结论。**各节摘要****实验系统**本研究于2025年1月在“德海一号”大型智能海上网箱平台进行，如图1(a)所示。标记区域为实验区域，其中左侧和中间网箱分别标记为1号箱和2号箱。养殖平台呈规则多边形布局，每个网箱平均半径约为12米。设计的网箱深度约为7米，而由于潮汐影响，测量深度约为6米。**原始声呐回波图像**以约40厘米的垂直间隔选择的声呐帧显示在图11中。外围明亮的矩形图案对应于网箱结构，网箱内的高强度区域对应于鱼群聚集，分散的簇代表单独或部分重叠的鱼类回波。该序列表明，在图示的调查条件下，3.60至6.00米深度范围内聚集程度更高。**环区划分与二值化结果**环区划分数据经过了单独的二值化处理。**与既往工作的比较**基于声呐的监测特别适用于海上网箱，因为声学传感在低照度和浑浊水条件下仍能保持有效。先前的研究使用多波束前视声呐、自适应分辨率成像声呐和基于学习的处理来检测或计算鱼类。计算机视觉和深度学习方法可以提供单个目标的定位，但其性能取决于目标的可分离性、图像质量以及可用情况。**结论**本研究评估了一种用于估计大型海上网箱中鱼类数量的声学差分法。工作流程结合了距离特定的单鱼标定、水层采样、59个环处理、逐环阈值分割和BP网络校正。在测试的“德海一号”条件下，原始报告的准确率为1号箱93.47%，2号箱91.23%。这些结果支持在研究的大型智能海上网箱平台及该品种下的可行性。**资金来源**本研究获得了中央公益性科研院所基本科研业务费专项资金（农业农村部南海区渔业研究所，CARS）（NO.2026LH02）、中央公益性科研院所基本科研业务费专项资金（CARS）（资助号 2023TD97）、广州市科技计划项目（资助号 2025B03J0113）和CARS-47专项资金的支持。项目由南方海洋科学与工程广东省实验室（珠海）（No.SML2023SP237）、国家重点研发计划支持。**未引用参考文献**(Gutiérrez-Estrada等，2022，Helminen和Linnansaari，2021，Li等，2024，Lin等，2024，Long等，2024，Mahoro和Akhloufi，2023，Wu等，2024，Xie等，2022，Zhang等，2025，Zhu等，2025)**CRediT作者贡献声明****许鹏飞：** 写作—审阅与编辑。**黄晓华：** 写作—审阅与编辑，软件，项目管理，资金获取。**袁太平：** 资源。**陶齐友：** 调查。**庞国良：** 写作—审阅与编辑。**李根：** 写作—审阅与编辑。**李耀南：** 写作—原始草稿，数据整理，概念化。**胡煜：** 写作—审阅与编辑，监督，资金获取，概念化。**孙家龙：** 方法论。**孙鹏起：** 软件。**利益冲突声明**作者声明，他们没有已知的竞争性经济利益或个人关系，这些关系可能已经影响或被认为影响了本文所报告的工作。**致谢**作者衷心感谢胡煜和孙家龙在研究全过程中的宝贵指导和帮助，感谢孙鹏起在数据采集和实验工作中的协助。作者还感谢匿名审稿人的建设性意见与建议，这些意见和建议大大提高了本手稿的质量。**作者声明**H.Y. 和 L.Y. 构思并设计了研究。S.J. 开发了方法论。H.X. 和 S.P. 开发了胡煜 | 李耀南 | 孙鹏起 | 孙家龙 | 陶齐友 | 袁太平 | 李根 | 庞国良 | 黄晓华 | 许鹏飞