《Computers and Electronics in Agriculture》：Non-destructive evaluation of sturgeon comfort and health based on YOLOv5s and flexible multi-source sensing in waterless cryogenic environments
编辑推荐：
本研究针对水生运输环境中鲟鱼健康监测的技术难题，提出融合柔性多源传感网络与YOLOv5s视觉模型的二阶段健康评估系统。通过实时监测生理指标（呼吸频率与强度）和环境参数（温湿度、氧碳浓度），结合GRNN-ANN耦合模型实现94.62%的初步分类精度，再经视觉分析将平均检测时间缩短至9毫秒，最终实现五级健康分类，整体准确率达90.85%，显著提升智能农业中活鱼运输的监测效率与决策支持能力。
黄文涛|王阳锋|布兰科·格拉穆齐纳|于文勇|张晓轩
中国农业大学工程学院，北京100083，中华人民共和国
摘要
在无水低温运输环境中，环境因素可能导致鱼类的健康状况发生不同程度的变化。然而，传统的生化指标评估方法难以满足持续高效监测的需求。为了解决这一技术缺口，本研究以鲟鱼为研究对象，开发了一种基于鳃部视觉信息和生理压力因素的智能健康分类系统。该系统采用两阶段设计：第一阶段采用基于灵活多源传感网络的方法，主要依靠生理和环境压力因素对鲟鱼的健康状况进行初步分类；第二阶段以YOLOv5s模型为核心，利用视觉信息进行更精细的分类。这种两阶段设计克服了单一传感模式的局限性，灵活的传感技术提供了连续的生理监测，而视觉分析则在关键节点实现了高精度的验证。研究结果表明，这种结合环境-生理因素的健康评估模型的预测准确率超过了94%；视觉数据的平均精度（mAP）达到了0.992，平均检测时间仅为9毫秒，显示出卓越的速度和精度。最终，该系统能够将鲟鱼的健康状况准确分为五个等级，整体准确率为90.85%。系统评估证实了其高效性和稳健性。本研究为无水环境中鲟鱼的舒适度和健康状况评估提供了关键技术支持，显著提升了智能农业领域的决策过程。
引言
随着精准农业的提出和农业自动化的发展，作为一种绿色高效的活鱼运输解决方案，无水运输能够实现更大规模的活鱼运输和更高的运输存活率，并逐渐成为智能农业运输产业的重要组成部分（Wang等人，2020年）。然而，在运输过程中，不可避免且多样的压力因素严重影响了活鱼的舒适度和健康状况，导致其机体受损和品质下降（Wang等人，2021年）。这些问题源于温度和湿度波动、氧气耗尽以及二氧化碳积累等环境因素（Zhang等人，2018年）。此外，人为因素，如粗暴处理和过度拥挤的运输条件，也加剧了这些挑战。忽视对运输过程中影响活鱼健康状况的因素的调节会导致存活率降低和经济损失（Xia等人，2023年）。为有效应对这些挑战，对运输过程中活鱼的健康状况进行合理评估至关重要。
传统的活鱼运输系统主要依赖人工判断来评估鱼群的存活率和健康状况（Sneddon等人，2016年）。虽然这种方法被广泛使用且稳定，但耗时、效率低下，不适合检测大量活鱼。此外，以往的研究主要基于静态和生化指标来评估鱼类健康状况，但无法在运输过程中实现实时和连续监测（Mangang & Pandey，2021年）。近年来，无水活鱼运输系统正朝着更智能的方向发展（Feng等人，2021年）。多源传感器、射频识别标签（RFID）（Zhang等人，2021年）和电子鼻（EN）（Chen等人，2022年）等先进技术在渔业中得到了广泛应用。这些技术能够实时收集运输过程中微环境中的关键参数，如温度、湿度和气体。然而，这些技术仅能捕获环境数据，无法直接反映鱼类的生理状态，导致健康评估不完整。
活鱼在无水运输过程中的健康状况受多种关键因素影响：生化、生理和环境特征。这些因素可以通过计算机视觉（Subedi等人，2023年）和生物传感器（Wu等人，2015年）等非破坏性方法进行评估。计算机视觉是一种基于深度学习的先进图像处理技术，与传统方法相比，在检测细微差异和特征方面具有更高的准确性（Sarker，2021年）。它已经在检测羊（Cheng等人，2022年）、牛（Qiao等人，2023年）和活鱼（Ranjan等人，2023年）等动物方面展示了良好的效果。
最近的研究进一步展示了计算机视觉在农业和工业中的潜在应用（Alkanhel等人，2023年；El-Kenawy等人，2024年；Elshabrawy，2025年；Khaled和Singla，2025年；Myriam等人，2023年）。针对鱼类的应用，现有的计算机视觉模型主要集中在正常水生环境中的疾病检测（Li等人，2024年）或多目标跟踪（Wang等人，2025年）。然而，在无水和低温运输的极端条件下，这些模型由于图像失真和仅依赖视觉数据的局限性，难以准确检测鱼类状态。此外，它们缺乏与实时生理和环境传感数据的集成能力，因此无法支持动态决策。另一方面，生物传感器提供了一种量化动物生理和环境信息的方法（Neethirajan等人，2017年）。特别是柔性传感器，结合了芯片和可伸缩电路，具有出色的生物相容性和对复杂环境的适应性（Wang等人，2022年）。Zhang等人开发的阻抗电极传感器能够长期监测鱼的心率，但未与视觉数据集成（Zhang等人，2025年）；Wang开发了一种用于检测表面农药残留的柔性水凝胶传感器，但主要用于农产品而非活体生物（Wang等人，2024年）；Hu等人开发的柔性温度传感器实现了同时的压力感应和温度解耦，但未应用于鱼类运输场景（Hu等人，2024年）。尽管上述研究推动了传感器融合的发展，但尚未实现柔性生理传感、环境传感和低温视觉检测的三模态集成。此外，这些研究并未针对无水活鱼运输过程中的动态压力监测需求进行设计，这为本研究提供了创新机会。
预测建模在观察和推断信息变化以支持农业管理决策方面发挥着重要作用（Arablouei等人，2023年；Naga Srinivasu等人，2024年）。最近的研究应用了多种数学建模方法，用于不同目的（Ke等人，2024年；Yan等人，2024年），例如预测活鱼包装内的氧气浓度（Zhang等人，2019年）、实时监测活鱼运输环境中的关键参数（Feng等人，2022年）以及智能感知活鱼的应激状态（Saeed等人，2022年）。尽管取得了这些进展，但在支持活鱼运输过程中的舒适度和健康诊断方面仍存在不足。一个关键问题是，各种信息如何影响活鱼健康状况的精确机制尚不清楚。仅依赖温度和湿度等环境因素可能无法准确预测活鱼的生理健康状况。因此，检测活鱼健康的快速、连续的信号参数变得至关重要。为此，建立科学可靠的决策分析模型是必要的。该模型可以有效地处理和提取信号特征，实现活鱼健康状况的自动识别和分类，从而促进运输过程中的在线监测和预警功能。
在本研究中，我们提出了一种“两阶段”方法，基于生理-环境压力因素和视觉信息来评估活鱼的健康状况。在第一阶段，我们开发了一个高度集成和稳定的可穿戴传感系统，用于持续监测运输过程中活鲟鱼的生理指标和环境因素。通过实时数据分析，我们探讨了环境因素对鱼类健康的影响。利用GRNN网络，我们构建了一个预测模型，将环境舒适度与活鲟鱼的健康状况相关联，实现了生理-环境压力因素的准确建模。在第二阶段，使用YOLOv5s模型进行视觉评估，以提高对活鲟鱼整体健康状况的监测准确性。总体而言，我们的研究不仅推进了预测建模的应用，还实现了智能系统的自动化管理。这为智能农业和水产养殖业的未来发展做出了重要贡献。本研究的主要贡献如下：
1)我们提出了一种创新的两阶段非破坏性健康评估系统，结合了灵活的多源传感和YOLOv5s深度学习模型，实现了无水运输环境中活鲟鱼的全面和连续健康监测。
2)开发了一种高度集成的可穿戴传感系统，实时监测生理（呼吸频率和强度）和环境（温度、湿度、氧气和二氧化碳）参数，确保了生物相容性和对复杂运输条件的适应性。
3)该系统使用结合环境-生理的模型实现了94.62%的初始健康分类准确率，视觉分类的平均精度（mAP）为0.992，在准确性和效率方面均优于YOLOv4和Faster R-CNN。
4)所提出的系统表现出高度的稳健性和实时性能，每张图像的检测时间为9毫秒，适用于无水低温运输场景的实际应用。
章节片段
机械分析
图1展示了在无水低温活鱼运输过程中评估鱼类健康状况的机制。该图表明，包括物理、生物和环境因素在内的各种压力因素可能导致活鱼处于压力状态。其中，环境因素直接影响鱼类的舒适度，而生理因素则提供了鱼类健康状况的见解。
数据收集与分析
我们首先分析了来自灵活多感测网络节点的数据，如表3所示。我们发现鲟鱼的生理和环境因素之间存在显著模式。环境因素的波动范围远大于生理因素，这突显了运输相关环境因素的动态性质，而鲟鱼的生理状态相对稳定。
系统说明
所提出的系统采用两阶段方法，用于无水低温运输环境中活鲟鱼的非破坏性健康评估。在第一阶段，可穿戴的灵活传感网络（WFPS-MSES）持续监测生理参数和环境因素，通过基于GRNN和ANN的结合环境-生理模型实现了94.62%的初始健康分类准确率。在第二阶段，YOLOv5s模型用于视觉评估，以提高对活鲟鱼整体健康状况的监测准确性。
系统局限性
尽管该系统表现出了良好的性能，但仍存在一些需要考虑的局限性：
对其他鱼类物种的适用性有限：该系统是专门为鲟鱼设计和验证的，其传感器和YOLOv5s模型是根据鲟鱼的生理和视觉特征定制的。将其应用于其他鱼类可能需要重新训练深度学习模型和调整传感器配置，这可能限制其即时泛化能力。
耐用性
结论
本研究成功开发了一种用于无水低温运输过程中鲟鱼的两阶段健康评估系统，结合了灵活的多源传感和YOLOv5s。结果表明，二氧化碳、湿度和氧气等环境因素在不同阶段对鲟鱼的健康有复杂影响。环境-生理耦合模型（GRNN-ANN）的初始分类准确率为94.62%，而经过微调的YOLOv5s的mAP为
动物伦理审查声明
本研究已由中国农业大学的实验室动物福利和动物实验论证审查委员会审核，审核编号为：Aw03803202-5–1。
作者贡献声明
黄文涛：撰写——原始草稿、方法论、数据整理、概念构思。王阳锋：撰写——原始草稿、形式分析、数据整理、概念构思。布兰科·格拉穆齐纳：软件、方法论。于文勇：方法论、调查。张晓轩：资金获取、监督。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
致谢
作者衷心感谢海南省自然科学基金的创新研究团队（项目编号：323CXTD380）、国家自然科学基金（项目编号：62276267）以及国家重点研发计划（项目编号：2023YFC32059002）的财政支持。
