《Smart Agricultural Technology》：FHA-MTT: A Fish Health Assessment Method Based on Multi-Target Tracking
编辑推荐：
本研究针对水产养殖中鲫鱼健康状态难以实现个体化、精细化监测的难题，提出了一种基于多目标跟踪的鱼类健康评估方法（FHA-MTT）。该方法通过改进的SPSE-YOLO-pose模型精准检测鱼体及关键点，结合BotSORT算法实现稳定连续的多目标跟踪，并提取总游泳距离、平均加速度、平均转向角和平均曲率等行为指标，构建了健康状态评估体系。实验结果表明，该方法在复杂场景下实现了高精度检测（mAP@50:95达66.40%）与稳定跟踪（HOTA达92.77%），行为参数提取误差控制在-7.5%至+5%之间，为鱼类疾病早期预警提供了可靠的技术路径。
在水产养殖领域，鱼类的健康状况是影响生产效率的关键因素。鲫鱼（Carassius auratus）作为典型的鲤科鱼类，其游泳行为是反映其生理状态的重要指标。然而，现有的基于视觉的鱼类行为分析方法缺乏与健康状态的系统性关联，且在目标遮挡、姿态变化等复杂场景下，存在检测漂移和轨迹碎片化等问题，难以实现对个体行为的稳定连续监测。为了突破这些瓶颈，一项发表在《Smart Agricultural Technology》上的研究提出了一种基于多目标跟踪的鱼类健康分析方法（FHA-MTT），旨在实现对鲫鱼游泳行为的精准捕捉和健康状态的量化评估。
为了回答上述问题，研究人员开展了一项融合改进检测模型与鲁棒跟踪算法的研究。该研究构建了基于YOLOv8n-pose的SPSE-YOLO-pose检测模型，引入SPD-CBS模块增强空间细节保留能力，并嵌入Squeeze and Excitation（SE）注意力机制提升关键点定位精度。在跟踪阶段，采用结合运动预测与重识别特征匹配的BotSORT算法，有效抑制身份切换。最终，基于关键点轨迹提取总游泳距离（TSD）、平均加速度（MSA）、平均转向角（MTA）和平均曲率（MC）等行为指标，构建健康状态评估系统。
研究采用的关键技术方法主要包括：基于改进YOLOv8框架的SPSE-YOLO-pose目标与关键点检测模型、BotSORT多目标跟踪算法，以及基于关键点轨迹的游泳行为参数量化方法。实验所用鲫鱼样本购买自中国科学院水生生物研究所，体长10±1.5 cm，通过腹腔注射嗜水气单胞菌（Aeromonas hydrophila）悬液（浓度4.8×107CFU/mL）构建疾病模型，视频数据采用华为海雀智能摄像头2S在150 cm×100 cm×40 cm矩形鱼缸上方拍摄。
2.7. Evaluation Indicators
实验结果显示，SPSE-YOLO-pose将目标检测和关键点定位任务的mAP@50:95分别提升至66.40%和98.28%；BotSORT跟踪器在多项指标上表现优异，实现了92.77%的更高阶跟踪精度（HOTA）和99.15%的多目标跟踪精度（MOTA），身份切换次数（IDSW）仅为12次；游泳行为参数提取误差控制在-7.5%至+5%之间。
3.3. Experimental Results of the Multi-Target Tracking Algorithm
通过系统对比多种多目标跟踪算法，研究发现YOLO-SPSE+BotSORT组合在HOTA、MOTA、IDR和IDF1上分别达到92.77%、99.15%、91.54%和91.2%，身份切换次数最小（IDSW=12），表明该方法在检测关联的准确性、平衡性和身份稳定性方面发挥积极作用。
3.4. Results of the Swimming Behavior Analysis Experiment
对游泳行为数据的分析表明，健康组与患病组在TSD、MSA和MTA上存在显著差异（p<0.001），MC差异接近显著（p=0.054）。健康鲫鱼在四个指标上均表现出更高数值，反映出更强的游泳活力；而患病个体则表现出行为不稳定和更大的个体差异性。通过不同观测时长（30s、90s）的对比实验验证，FHA-MTT方法在短中期连续监测中能可靠稳定地获取个体游泳行为指标，误差范围可控。
研究的结论部分强调，FHA-MTT框架通过改进的SPSE-YOLO-pose检测器和鲁棒的多目标关联（BotSORT），形成了实用的稳定连续个体监测管道。该研究建立了游泳行为与健康状态之间的系统性联系，证明多维运动学特征为健康状态区分提供了有效的判别信息。所提出的方法在识别鲫鱼健康状态方面具有良好的准确性和鲁棒性，为实现鱼类行为检测和健康问题早期预警提供了可行的技术路径。未来通过扩展鱼种和鱼病类型数据集，以及模型的训练和调整，该框架有望推广到其他水产养殖场景，为智能化健康管理提供支持。
