摘要
为实现对大马哈鱼体长的非接触式连续监测，同时避免传统人工测量带来的应力损伤与主观误差，本文提出了一种基于改进的YOLOv8的多目标跟踪框架，用于高密度循环水养殖系统。该系统采用基于单目视觉的几何测量框架，通过相机标定、水面折射校正以及姿态投影校正，将像素坐标转换为实际体长。在融合检测与跟踪的协同优化框架下，该模型还采用了多尺度特征增强、轻量级重识别技术以及强大的数据关联机制，从而在高鱼类密度、光照变化及水体浑浊等条件下仍能保持系统稳定性。此外，该框架还引入了浅层特征融合机制以提升对小型目标的识别能力，并采用MobileNetV3_ReID模型提取具有高度区分度的特征，从而在保持模型紧凑性的同时提高目标识别的一致性。在数据关联阶段，该框架构建了整合了IoU、余弦相似度以及运动一致性的混合成本矩阵，并通过匈牙利算法实现最优匹配。同时，该框架还采用了动态阈值调整以及指数移动平均特征更新策略，有效抑制了目标身份的频繁切换现象。实验是在某循环水养殖系统收集的大马哈鱼视频数据集上进行的。实验结果表明，所提出的方法在保持88 FPS实时处理速度的同时，mAP50值可达82.7%，MOTA值为76.9%，IDF1值为81.5%——后者相比BoT-SORT提升了3.2个百分点，相比YOLOv8基准模型提升了5.3个百分点。目标身份切换次数也从基准配置的89次降至39次，减少了56.2%。更重要的是，这些组件层面的改进使得体长测量误差仅为5.2 ± 1.8%（MAE = 1.35厘米，Pearson相关系数为0.972），相比基准模型的8.5%的体长误差降低了38.8%，完全满足水产养殖生长监测所要求的5–10%的误差容忍度。消融分析表明，要想达到这一应用级的精确度，既需要改进检测性能（可降低1.3%的体长误差），也需要优化跟踪功能（可降低2.0%的体长误差）。
