综述：基于深度学习的鱼类行为识别技术在智慧水产养殖中的应用：进展、挑战与未来展望

《Aquaculture International》：Deep learning-based fish behavior recognition for intelligent aquaculture: progress, challenges, and future perspectives

　　

摘要

鱼类行为是反映摄食需求、健康状况、环境适应能力和群体关系的重要外部指标，对精准投喂、疾病预警、水质调控和水产养殖福利评估具有重要意义。随着水产养殖向规模化、集约化和智能化方向发展，传统人工观测方法已无法满足长期、连续、客观监测的需求。深度学习凭借在特征提取、时序建模和复杂场景分析方面的优势，逐渐成为鱼类行为识别研究中的重要技术途径。本文聚焦水产养殖的实际应用需求，综述了基于深度学习的鱼类行为识别研究进展。首先，从数据来源、数据集构建、数据预处理、行为标注、任务类型和评价指标等方面，回顾了鱼类行为识别的数据基础与任务特征。随后，总结了摄食行为、繁殖行为、社会互动行为以及与健康和环境胁迫相关的异常行为的识别方法与研究现状，并分析了图像、视频、音频、声呐及多模态融合方法在不同养殖场景中的适用性。最后，探讨了该领域当前面临的局限性，包括公共数据集不足、行为标注标准不统一、复杂环境下鲁棒性较弱、跨物种和跨场景泛化能力有限以及实时部署能力不足等问题，并从标准化数据集构建、多模态感知、轻量化模型、领域适应和闭环养殖决策等方面提出了未来研究方向。本文可为智能水产养殖中鱼类行为识别的未来研究和实际应用提供参考。