《Aquacultural Engineering》：Low-cost portable stereo vision and deep learning system for automated weight estimation of sea bream in offshore aquacultures
编辑推荐：
本研究开发了一种便携式低成本立体视觉系统，结合YOLO11-Pose模型实现地中海海鲈鱼非侵入式体重估算。系统通过检测鱼体鼻尖、躯干中点和尾鳍关键点，融合RGB图像与深度数据构建三维模型，计算鱼长后应用物种特异性经验公式换算体重。实验表明，在100张含193尾鱼的图像测试中，平均估计体重124.29g，绝对误差1.39g，相对误差1.12%，准确率达98.88%。研究验证了关键点选择对精度的影响，并分析了训练集规模、推理图像数量等关键因素。
Kyriaki Kylili|Spiros Millas|Antonis Kimonides|Constantine Dovrolis
基于计算的科学和技术研究中心（CaSToRC），塞浦路斯研究所，Konstantinou Kavafi街20号，Aglantzia，尼科西亚，2121，塞浦路斯
摘要
水产养殖业越来越多地集成自动化监测系统，以提高效率、可持续性和鱼类福利。本研究介绍了一种便携式、低成本的立体视觉系统，结合深度学习（DL）模型（YOLO11-Pose），用于非侵入式地估计地中海金头鲷（Sparus aurata）的重量。该系统部署在离岸水产养殖笼中，在实际养殖条件下捕捉RGB图像和深度图。DL模型在RGB图像中检测到三个解剖学标志点——吻端、身体中点和尾鳍中部射线。这些标志点与相应的深度数据融合，以实现单个鱼体的3D重建。鱼的长度通过这三个关键点之间的欧几里得距离计算得出，并使用特定物种的经验长度-重量关系转换为重量。对包含193条鱼的100张图像进行评估后，平均估计重量为124.29克（95%置信区间（CI）：112.39–136.19克）。与群体平均真实重量220克（95% CI：119.14–126.68克）相比，该系统的绝对误差为1.38克，百分比误差为1.12%。通过加入身体中点作为第三个关键点，可以准确度提高6.4%，因为这考虑了身体的曲率。总体而言，其紧凑的设计、低成本和易于操作的特点使得该系统成为自动估计金头鲷重量的实用解决方案，并有助于推动精准水产养殖的发展。
引言
自动化技术在水产养殖中得到越来越多的应用，以支持关键操作，如鱼类监测、生物量估计、喂养控制和环境管理。先进传感器和机器学习技术与深度学习技术的结合推动了精准水产养殖系统的发展，这些系统旨在优化资源利用、提高生产力并减少人工劳动（Antonucci和Costa，2020年；Hossam等人，2024年）。物联网（IoT）技术实现的实时数据收集，结合计算机视觉和人工智能（AI），进一步增强了这些系统，能够持续监测并对水质变化、鱼类行为和健康状况做出快速的数据驱动响应。这些技术不仅有助于改善鱼类福利和运营效率，还有助于主动管理环境影响和合规性（Aung等人，2025年；Li等人，2025年）。与传统方法相比，传统方法通常依赖于手动称重、视觉检查和周期性采样，这些方法耗时、具有侵入性且容易出错，而自动化系统提供了一种可扩展、高效且非侵入性的方式，以可持续的方式监测鱼类种群和养殖场条件（Fernandes等人，2020年；Mhalhel等人，2023年；Savinov和Ivashko，2023年）。
立体视觉系统与基于DL的技术结合后，在精准水产养殖中越来越多地用于水下环境中的鱼类检测、分割和跟踪等任务（Li等人，2025年；Zhao等人，2025年）。这些系统从二维（2D）立体图像对重建三维（3D）空间信息，提供对水下观察和测量至关重要的深度感知（Li和Du，2022年）。DL模型通过自动提取鱼类身体上的解剖学标志点等表型特征，进一步增强了这些能力。这些标志点作为估计鱼类长度和重量等生物特征的关键输入，利用图像和深度数据的组合。这种方法消除了物理处理的需要，从而减少了鱼的压力并提高了福利。因此，DL辅助的立体视觉为水产养殖操作提供了非侵入性、可扩展和连续的监测解决方案（Li等人，2025年；Zhao等人，2025年；Li等人，2024a）。
多项研究展示了基于DL的立体视觉系统在估计鱼类长度和重量方面的潜力，尽管仍存在某些局限性。一个安装在智能浮标上的立体相机系统被开发用于长度和重量估计（Tonachella等人，2022年）；然而，其高昂的成本（3,500欧元）和有限的作业深度（0.7米）限制了其更广泛的应用，特别是对于预算紧张且需要适用于更深水域、更多功能系统的中小型养殖场。另一项研究评估了在受控浅水环境中用于鱼类物种识别和长度估计的立体视觉系统（Deng等人，2022年）。多立体成像设置也被用于自由游动鱼类的长期监测，但需要手动标记关键点，从而降低了自动化程度（Tanaka等人，2019年）。这些研究突显了技术进步，同时也表明仍需要自主、成本效益高且在离岸条件下稳健的系统。
本文介绍了一种基于DL的立体视觉系统，用于离岸水产养殖环境中的自动鱼类重量估计。该系统由Luxonis OAK-D Power over Ethernet（PoE）立体相机（Luxonis Ltd.，2024年）和便携式电源组成，封装在防水外壳中，设计用于捕捉同步的彩色图像（红、绿、蓝（RGB）和深度图（RGB–D数据）。YOLO11-Pose版本11（Khanam和Hussain，2024年）是YOLO家族的最新成员，提供了高效的关键点检测，用于识别鱼类身体上的三个解剖学标志点：吻端、身体中点和尾鳍中部射线。这些检测到的关键点与深度信息结合，并投影到3D空间中，通过关键点之间的欧几里得距离计算鱼的长度。所得长度使用针对成年Sparus aurata校准的特定物种经验长度-重量方程转换为重量。
除了开发立体视觉原型外，本研究还探讨了影响水产养殖环境中基于DL的3D重量估计性能的关键因素。我们分析了训练和推理样本大小以及解剖学关键点选择对金头鲷重量预测稳定性和准确性的影响。我们还进行了结构化的异常值评估，以确定给定实验条件下的主要误差来源，并为未来系统的设计提供信息。据我们所知，这些分析方法和实证结果此前尚未在水下RGB–D金头鲷重量估计领域报道。
主要贡献如下：
- (i)
本研究通过引入基于关键点的3D方法成功解决了水下环境中生物特征重量估计的挑战，该方法结合了YOLO11-Pose和立体视觉衍生的深度数据，实现了三个解剖学标志点的可靠检测，从而实现了非侵入式的重量估计；
- (ii)
研究表明，适当的解剖学关键点配置显著提高了3D重量估计的准确性，表明包含身体中点能更好地捕捉身体曲率，从而实现更准确的生物特征重建；
- (iii)
定量分析表明，即使数据有限，也可以实现准确的基于DL的重量估计，表明适量的训练数据集能够实现稳健的关键点检测，大约60张推理图像足以获得稳定和可重复的重量估计；
- (iv)
通过结构化的误差分析，研究表明深度相关的不确定性是重量估计误差的主要来源，而关键点定位不准确和形态变异的影响相对较小，有助于明确水下环境中RGB–D生物特征估计的关键误差来源。
总体而言，本研究提供了一套方法论发现和实际基准，支持开发用于离岸水产养殖中非侵入式鱼类重量估计的准确高效立体视觉系统。
相关研究
最近在立体视觉和DL方面的进展显著提高了鱼类长度和重量估计的精度和可靠性，解决了深度感知、鱼类姿态变化和解剖学关键点定位等主要挑战。传统的2D成像方法在鱼类以不同方向或距离出现在相机前时经常产生不一致的结果，导致投影失真和不可靠的测量（Fernandes等人，2020年；Mhalhel等人
方法论
本节介绍了使用所提出的基于DL的立体视觉系统进行鱼类重量估计的方法论。该方法包括系统设置、现场数据采集、RGB–D对齐和关键点检测过程，这些共同实现了鱼类长度和重量的估计。完整的 方法论框架概述见图1。
实验结果
本节展示了将所提出的基于DL的立体视觉系统应用于现场研究收集的数据集所得到的初步结果。首先描述了YOLO11-Pose模型的训练过程。以下小节介绍了鱼类重量估计结果，包括分布分析和性能指标。其他分析评估了训练数据集大小、推理图像数量和关键点选择对系统的影响
讨论
本研究开发并评估了一种便携式立体视觉系统，用于通过结合解剖学关键点检测和深度信息来估计金头鲷的重量。该系统旨在平衡准确性、操作简便性和低成本，便于在离岸水产养殖环境中部署。选择基于长度的重量估计方法而不是体积重建方法，因为前者对鱼类形态的假设较少，且水下校准需求最小，从而提高了
结论
本研究开发并初步评估了一种便携式、低成本的基于DL的立体视觉系统，用于离岸水产养殖中的自动鱼类重量估计。该系统结合YOLO11-Pose检测三个解剖学关键点，并利用立体视觉衍生的深度来重建3D长度，并使用特定物种的长度-重量关系估计重量。结果显示，重量估计的准确率为98.88%，相对误差为1.39克
CRediT作者贡献声明
Kyriaki Kylili：写作 – 审稿与编辑，撰写原始草稿，可视化，验证，软件，方法论，调查，正式分析，数据管理。Spiros Millas：软件，数据管理，概念化。Antonis Kimonides：资源，项目管理。Constantine Dovrolis：写作 – 审稿与编辑，监督，资金获取，概念化。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了EuroCC2的支持，该计划由欧洲高性能计算联合体根据授权协议No 101101903资助，并得到了欧盟数字欧洲计划和塞浦路斯共和国在“THALIA 2021–2027”凝聚力政策框架内的共同资助。作者感谢Kimagro Fishfarming Ltd.提供的设施访问和现场支持，以及Marios Constantinou先生的持续协助。
