基于机器视觉的养殖鱼类“黑色损失”检测方法研究

《Aquacultural Engineering》：Detection of black loss in aquaculture using machine vision

　　

“黑色损失”（black loss）——即水产养殖中无法解释的鱼类损失——是水产养殖业中普遍存在的问题，具有经济、声誉和福利方面的多重影响。为应对这一问题，研究人员开发并测试了一种能够随时间检测鱼类突然损失的机器视觉系统，该系统可作为“黑色损失”的早期预警。为此，研究人员利用三种重要水产养殖物种（虹鳟 - Oncorhynchus mykiss、尼罗罗非鱼 - Oreochromis niloticus、南美白对虾 - Litopenaeus vannamei）开展了连续消耗试验，在四次连续操作中各移除20%的个体。研究采用基于OpenCV颜色检测的背景减除（background subtraction）方法，从单摄像头视频中量化面积占用率。结果表明，从摄像头图像中获得的养殖水箱面积占用率变化与鱼类密度变化密切相关，尽管密度与占用率之间的关系因物种而异。变化点检测（change-point detection）以高精度正确识别了模拟“黑色损失”的发生时间，误差仅为真实干预时间的1.2%。在第四种物种（大西洋鲑 - Salmo salar）的商业养殖场条件下进行的测试表明，基于机器视觉的占用率模型可用于追踪不同水产养殖物种密度的时空变化，并检测异常损失的发生，为实时检测“黑色损失”提供了一种有前景的途径。

**论文解读：基于机器视觉的养殖鱼类“黑色损失”检测研究**

**一、研究背景与问题**

水产养殖中的无法解释的损失（即“黑色损失”，black loss）是业内普遍存在的严重问题，包括死亡动物的腐烂、同类相食以及意外逃逸等造成的经济损失。以鲑鱼养殖为例，死亡率可造成高达160亿美元的损失，在挪威占产量的15%至19%，在苏格兰甚至可达38%，且大规模死亡事件呈上升趋势。造成损失的原因涵盖极端温度、污染、低氧、寄生虫侵扰、捕食和疾病暴发等多种因素。“黑色损失”的快速检测至关重要，因为死亡率可能迅速升级至100%，不仅造成经济损失，还涉及动物福利、法律合规以及消费者对行业可持续性的看法。现有的鱼类计数算法需要大量训练数据集来训练监督模型，在商业养殖条件下既耗时又不切实际；而在高密度商业养殖环境中，由于摄像头视野有限、遮挡不可避免，完整的鱼类计数几乎无法实现。因此，需要一种不依赖个体计数、能够实时监测密度变化的替代方法。

**二、研究目的与开展的工作**

针对上述问题，研究人员开展了一项系统研究，旨在测试一种简单的机器视觉算法能否检测养殖系统中的未观测（“黑色”）损失。研究在斯旺西大学可持续水产研究中心（CSAR）进行，以虹鳟（Oncorhynchus mykiss）、尼罗罗非鱼（Oreochromis niloticus）和南美白对虾（Litopenaeus vannamei）三种重要水产养殖物种为对象，在重复的600-610升水箱中各进行了四组连续的20%个体移除试验（模拟黑色损失），以检验种群密度下降与面积占用率变化之间的关系。随后利用变化点检测方法测试能否正确识别实验性消耗的时间。最后，在商业海笼条件下对第四种物种——大西洋鲑（Salmo salar）进行了试点应用。研究最终验证了基于机器视觉的占用率模型作为“黑色损失”实时早期预警系统的可行性。

**三、主要关键技术与方法**

研究人员采用了几项核心技术方法。实验设计为连续五天每天随机移除20%个体，并使用GoPro Hero 10摄像头（“max lens”广角1080p模式，24帧/秒）从水箱上方进行每日约60分钟的视频记录。图像分析采用基于OpenCV Python包的颜色背景减除方法（而非运动检测，因水反射和个体不移动导致后者不可靠），通过调整色调、饱和度、亮度和对比度等图像增强手段创建二值掩膜以区分鱼体与水箱背景。面积占用率计算为摄像头视野中对应鱼体的像素比例，按1分钟间隔聚合以减少自相关。数据建模使用glmmTMB R包进行beta回归（因变量受0-1边界约束），以物种、黑色损失（以剩余鱼比例表示）及其交互项为预测变量，水箱为随机因子。变化点检测使用strucchange R包，基于贝叶斯信息准则（BIC）变化确定与黑色损失时间对应的断点位置及95%置信区间。此外，还使用Segment Anything 3（SAM 3）模型作为全自动无监督鱼体检测器，与颜色背景减除模型的性能进行比较。商业条件测试在苏格兰某商业化鲑鱼养殖场进行，使用水下摄像头在幼鲑投放后及约五周后各记录约14分钟视频。

**四、研究结果**

**4.1 种群大小对水箱占用率的影响**

Beta回归结果表明，摄像头图像中鱼体所占面积（背景减除后）与水箱中剩余鱼的比例密切相关（β = 0.697，95% CI：0.642–0.756，P < 0.001）。模型解释了占用率方差的高比例（边际R2 = 0.977；条件R2 = 0.991），表明固定效应解释了大部分变异。黑色损失对占用率的影响因物种而异（交互项P < 0.001），不同类群的占用率下降速率不同。在基线种群规模下（0%黑色损失），虹鳟和罗非鱼的占用率显著高于对虾，这与其较大的预期投影面积一致（虹鳟6.3平方米，罗非鱼3.1平方米，对虾1.8平方米）。黑色损失与占用率之间的关系在罗非鱼（总斜率β = 1.430）和虹鳟（β = 1.379）中强于对虾（β = 0.697），表明鱼类占用率对种群规模变化的响应比对虾更敏感。

**4.2 黑色损失的检测**

变化点检测模型识别出的四个时间断点与四次连续消耗干预时间高度吻合。估计断点位置在不同水箱和物种间差异很小，模型对数据拟合良好（R2 = 0.995，均方根误差RMSE = 3.109；预测斜率β = 1.001，SE = 0.0107，df = 17.035，P < 0.001）。回归线截距与零无显著差异（截距 = 0.194，SE = 2.3205，P = 0.934），斜率与1.0无显著差异（P = 0.969），表明模型提供了无偏的种群下降时间估计。RMSE检查显示，黑色损失发生时间的估计偏差平均约为3.1分钟（即1.25%）。此外，无监督背景减除模型（SAM 3）也成功识别了四个时间断点，其面积占用率估计与颜色背景减除模型偏差为0.5%至11.5%，仅使用17%的视频数据即获得了合理良好的精度。

**4.3 商业养殖场条件下的测试**

在商业鲑鱼养殖场条件下的测试显示，中位占用率从幼鲑投放后的68%下降至五周后的47%，变化点模型清晰地识别了这一断点。尽管没有独立的种群规模估计来验证观测到的21%占用率下降，但这一模式与鲑鱼养殖中投放后最初几周内典型观察到的死亡率一致。

**五、讨论与结论**

讨论部分指出，该机器视觉占用率模型能够同时适用于鱼类和甲壳类动物。鉴于水产养殖中有超过700种养殖物种，开发能够预测不同物种损失的通用模型至关重要。颜色检测背景减除方法的优势在于无需针对特定动物特征进行训练，易于跨物种转移。然而，占用率模型在估计种群丰度时存在潜在问题：鱼体在视频中占用的面积会受生长和群体聚集变化影响，这在长时间尺度上可能掩盖种群损失。实际实施中建议在鱼类首次投放时进行初始拍摄，并定期根据体长调整模型，或使用预期生长率来校正。摄像头位置应保持一致以确保占用率随时间可比，使用多摄像头覆盖不同笼区有助于校正水柱使用时间变化和群体聚集带来的影响。某些物种或行为可能需要更专门的解决方案，例如底栖物种的遮挡问题可借助深度估计算法解决，浑浊度或藻华导致的可视性变化可以通过图像增强和水体浊度读数加以校正。实验中的突发性20%损失可能不完全代表商业农场中更常见的持续性低水平（“基线”或“滴流”）损失，但占用率模型可纳入累积和（CUSUM）控制图框架以检测缓慢持续的下降。使用预录视频开发和测试的模型经适当修改后可用于实时检测，图像增强和背景颜色移除需自动化以适应光照和环境变化，SAM 3无监督分割模型在这一方面显示出优势。

研究结论指出，研究人员利用机器视觉估算了三种关键水产养殖物种中水箱占用率随种群密度的变化，发现种群密度与占用率之间的关系具有物种依赖性，鱼类对密度变化的敏感性高于对虾。变化点检测模型以高精度和准确性可靠识别了种群损失的时间。在鲑鱼养殖场的应用证明了该模型在操作条件下追踪相对丰度变化的潜力。总体而言，机器视觉占用率建模为估算水产养殖中的“黑色损失”提供了一种有前景的方法，可作为早期预警系统的基础，支持快速干预并最小化损失。