《Aquacultural Engineering》：An improved estrus behavior recognition method for crucian carp (
Carassius auratus) by integrating the modified YOLO11n and the optimized BoT-SORT
编辑推荐：
实时准确监测鲤鱼发情行为对提高人工繁殖效率至关重要。本研究提出改进YOLOv11n结合优化BoT-SORT的智能识别方法，通过引入跨尺度Transformer注意力、可变形注意力机制和共享卷积特征检测头提升YOLOv11n性能，采用轨迹平滑策略和ReID特征优化增强BoT-SORT。结合改进的时空DBSCAN聚类算法与规则驱动方法，实现发情期鱼群聚集和追逐行为的自动化识别。实验表明改进YOLOv11n平均精度达96.7%，较基线提升8.5%；优化BoT-SORT MOTA达90.4%，身份切换次数减少87%。该方法为水产养殖中发情期智能监测提供了有效解决方案。
徐文龙|张毛赛|戴启虎|张芳兵|陈旭阳
河南科技大学人工智能学院，新乡市，453003，中国
摘要
在人工繁殖鲫鱼（Carassius auratus）的过程中，准确且实时地监测发情行为对于提高鱼苗生产效率具有重要意义。本研究提出了一种智能识别方法，该方法结合了改进版的YOLO11n和优化的BoT-SORT算法，以辅助人工观察鲫鱼的发情行为。通过引入跨尺度变换器注意力机制、可变形注意力机制以及共享卷积特征检测头，提升了YOLO11n的检测性能。BoT-SORT算法则通过轨迹平滑策略和ReID特征提取进行了优化。此外，还应用了一种改进的时空DBSCAN聚类算法，并结合规则驱动方法，实现了对聚集行为和追逐行为的自动识别。实验结果表明，改进版的YOLO11n在检测任务中表现更佳，平均精度达到96.7%，召回率为92.3%，优于YOLOv8n、Faster R-CNN等模型。与基线YOLO11n相比，该模型的召回率和精度分别提高了7.3%和8.5%。优化的BoT-SORT算法的MOTA达到了90.4%，相比原始模型提升了3.5%，同时ID切换次数从8次减少到了1次。聚集行为和追逐行为的识别准确率均超过了98.0%。因此，所提出的方法为鲫鱼人工繁殖过程中发情行为的实时准确监测提供了有效解决方案。
引言
鲫鱼（Carassius auratus）是中国最重要的淡水养殖物种之一。根据2025年中国渔业统计年鉴的数据，2024年全国鲫鱼产量达到了281.97万吨，占淡水养殖总量的14.2%。鱼苗是养殖生产的基本物质基础，对养殖业的可持续发展至关重要。人工繁殖是一种广泛采用的鱼苗生产方式，主要包括亲鱼培育与选育、繁殖环境调控、激素注射诱导产卵、人工授精、受精卵孵化以及早期幼鱼饲养（Mylonas等人，2010年）。在这些过程中，从激素注射到人工授精之间往往难以确定最佳授精时机。目前，这一阶段主要依赖经验丰富的养殖技术人员通过观察典型的发情行为（如聚集和追逐）来判断鱼的繁殖准备情况（Olsén和Bonow，2023年）。然而，鲫鱼的发情期相对较短，一旦错过最佳发情期，受精和孵化率会下降50%。这不仅降低了鱼苗产量，还导致亲鱼资源利用效率低下。因此，迫切需要提升鲫鱼人工繁殖过程中发情行为的智能自动化监测水平。
计算机视觉因其非侵入性、高稳定性和高效性，逐渐成为鱼类行为检测的首选方法（Al-Abri等人，2025年）。其核心目标是通过智能分析图像和视频数据来实现目标识别、定位和行为理解（Zou等人，2023年）。然而，传统的计算机视觉方法依赖于手工设计的特征。这些特征在处理尺度变化、光照变化、遮挡和复杂背景时表现出的鲁棒性有限。此外，特征构建需要大量的领域知识和先验假设，使得这些方法难以适应水下环境的动态视觉特征（Elmezain等人，2025年）。随着深度学习的快速发展，计算机视觉与数据驱动学习范式紧密结合（Noor和Ige，2025年）。其中，YOLO（You Only Look Once）系列因其单阶段检测框架、端到端推理、高处理速度和强大的检测精度而受到广泛关注（Murat和Kiran，2025年）。基于YOLO的方法已被广泛应用于实时任务，包括工业缺陷检测（Ma等人，2025年）、道路物体检测（Li等人，2026年）、人体姿态分析（Mou等人，2022年）、农业生产监测（Mirhaji等人，2021年，Zhang等人，2023年）以及水下物体检测（Chen和Er，2024年，Yin等人，2025年）。
然而，YOLO主要适用于单帧图像检测，无法直接捕捉时间轨迹信息。因此，在连续监测、多目标行为分析和动态场景中的身份保持方面存在局限性（Alzahrani等人，2025年）。为了解决这些问题，引入了对象跟踪算法，将YOLO的空间检测能力与时间状态估计相结合，实现了连续稳定的目标跟踪（Uddin等人，2025年）。在多目标跟踪领域，BoT-SORT被认为是一种先进的算法，它通过结合ReID特征和外观信息以及增强的卡尔曼滤波和匈牙利匹配策略，扩展了经典的SORT框架（Aharon等人，2022年）。这些改进提升了跟踪的稳定性和准确性。BoT-SORT已成功应用于多个领域，包括交通监控（Sundarakrishnan等人，2025年）和渔业资源监测与管理（Lin等人，2024年，Yu等人，2023年）。通过将BoT-SORT与基于YOLO的检测器结合，可以实现多个目标的连续定位和可靠的身份维护，从而用于行为识别和长期监测（Xing等人，2024年）。尽管如此，将该方法应用于水下鱼类行为监测仍面临挑战，如鱼类快速移动、频繁遮挡以及同类个体之间的高度视觉相似性。这些因素使得ReID特征提取和轨迹稳定性更难以维持（Cui等人，2025a）。
在养殖阶段，鱼类的一系列典型行为已被广泛研究，包括对缺氧压力的反应（Lai等人，2019年，Xu等人，2025年，Yu等人，2025年）、进食行为（Cui等人，2025b年，Iqbal等人，2025年，Zaupa等人，2024年）以及与异常生理状态相关的预警行为（Chia等人，2019年，Liu等人，2023年，Xu等人，2024年）。这些研究为评估鱼类生理状况、生态反应和健康状态提供了重要依据。相比之下，繁殖期的行为模式受到的关注较少。根据经典专著《Fish Behaviour》的划分，鱼类的繁殖行为可以分为几个阶段，包括发情、追逐和产卵（Magnhagen等人，2008年）。一般认为，在性腺成熟和外来激素诱导后，鲫鱼会表现出以高强度追逐和空间聚集为特征的典型发情行为。然而，如何定量定义鲫鱼的典型发情行为并将其转化为有效的观察指标尚不明确。据我们所知，目前尚无相关研究报道。
因此，本研究的目的是基于改进版的YOLO11n和优化的BoT-SORT算法，开发一种用于识别鲫鱼发情行为的方法。具体目标包括：（1）修改和训练YOLO11n以检测鲫鱼；（2）设计轨迹优化策略并加强ReID特征表示，用于鲫鱼跟踪；（3）结合基于聚类的方法和规则驱动方法，识别鲫鱼的聚集行为和追逐行为。
数据收集
2025年4月，在中国河南省新乡市的Chushandian水库，使用位于广东省深圳市上口的A9PRO动作相机收集了鲫鱼发情行为的视频数据。首先，选择了100条健康且性成熟的鲫鱼作为实验对象。然后，通过肌肉注射黄体生成激素释放激素类似物（LRH-A3）和多潘立酮（DOM）的混合物来诱导发情。
实验环境
实验在配备NVIDIA RTX 1650 GPU（4GB内存）、Intel Core i5-10200H CPU和Windows 10操作系统的平台上进行。开发环境使用Python 3.8和CUDA 11.2。为了评估所提出方法的有效性，选择了几个主流模型进行对比评估。所有模型都在相同的数据集上进行了训练和评估。
检测器和跟踪器的评估指标
在对象检测实验中，训练周期数、批量
结论与展望
本研究提出了一种基于改进版YOLO11n和优化版BoT-SORT的鲫鱼发情行为识别方法。YOLO11n中添加的CTA模块、DAM模块和SCF-Head模块提升了水下小型和遮挡目标的检测能力。改进版YOLO11n在测试集上的mAP50值为96.7%，相比基线提高了8.5%。通过禁用运动补偿、轨迹平滑和ReID特征增强，IDSW得到了抑制。
作者贡献声明
徐文龙：撰写 – 审稿与编辑，撰写 – 原始稿，软件开发，方法论，数据管理。戴启虎：撰写 – 审稿与编辑，监督，资源提供。张毛赛：撰写 – 审稿与编辑，监督，资源提供，数据管理，概念构建。陈旭阳：撰写 – 审稿与编辑，监督，资源提供，概念构建。张芳兵：撰写 – 审稿与编辑，监督。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。
致谢
我们衷心感谢河南省自然科学基金（项目编号252300420665）、河南省重点科研项目（项目编号252102210121）以及新乡农林大学博士研究启动基金（项目编号203128）提供的财政支持。
