编辑推荐：
本研究提出了一种集成实时计算机视觉检测与自适应水力控制的智能多阶段鱼道系统，以解决传统鱼道在高水头坝中存在的结构冗长及适应性不足问题。通过YOLOv12模型实现高效鱼类识别（准确率75%，mAP@0.5=0.85），并动态调节闸门形成临时水池，将有效长度减少50%以上。实验验证表明，该系统能稳定水位、降低流速至鱼类可承受范围（0.3-1.8 m/s），并均化湍动能，为高水头屏障的生态连通性修复提供了创新解决方案。
荣贵文|马腾宇|姜红玲|陈尚志|张扬燕|赵国清|林海|冉怀勤
安徽科技大学地球与环境学院，深部煤炭资源安全开采与环境保护国家重点实验室，中国淮南232001
摘要
水坝会破坏河流生态系统，并威胁洄游鱼类的生存。然而，由于传统鱼道长度过长且设计固定，无法适应多种鱼类和变化的水流条件，因此在高水头水坝处往往效果不佳。本研究提出了一种智能多级鱼道系统，该系统结合了实时鱼类检测和自适应水力控制技术，以克服这些限制。该系统采用了基于You Only Look Once v12（YOLOv12）框架的计算机视觉（CV）模型，该模型通过1265张标注有15种特有淡水鱼类的图像数据集进行训练，以实现目标鱼类的识别。模型的识别准确率为75%，平均精度@0.5（mAP@0.5）为0.85。微控制器控制顺序门门的旋转，动态形成临时水池。通过这种顺序操作，系统可以将所需的有效长度减少50%以上。在缓坡（1:100）、中坡（1:60）和陡坡（1:30）条件下进行了全面的物理模型实验，以验证鱼道的水力性能和通通过效。结果表明，在无调节情况下，陡坡（1:30）会导致水面不稳定、流速过高（>1.2 m/s）以及湍流动能（TKE > 0.015 m2/s2）集中，形成迁移障碍；但系统调节可以稳定水位，将流速降低到鱼类可游动的范围（0.3–1.8 m/s），并均匀分布湍流动能。本研究证实了“感知与响应”鱼道模式的可行性，为中等至高水头障碍物下的连通性恢复提供了一种空间高效且生态适应性强的解决方案。
引言
河流连通性对水生生物多样性至关重要，但水坝等水力基础设施严重破坏了这一连通性（He等人，2024年）。虽然水坝为社会带来了好处，但它们扰乱了鱼类的迁徙路线，导致种群数量下降和遗传多样性丧失（Elings等人，2023年；Sedighkia和Abdoli，2024年）。传统的鱼类通道结构，如池塘-堰鱼道（Ackerman等人，2019年；Baek等人，2022年）、仿自然环境的旁路通道（Harris等人，2020年；Leander等人，2021年）、鱼闸和鱼提升装置（Baharvand和Laskar-Ara，2021年），旨在促进鱼类向上游迁移。相比之下，更模拟自然水流模式的传统鱼道通常具有更高的通通过效（Zhang等人，2023年）。有效的通通过程需要使鱼类能量消耗最小化的液压条件，这与流速、湍流以及休息区的提供密切相关（Tan等人，2022年；Tan等人，2019年；Zheng等人，2023年），而传统设计缺乏动态优化这些参数的能力。然而，它们在中等至高水头水坝上的有效性受到过长建设长度、高昂成本以及不适应变化水流和多种鱼类游泳特性的静态水力设计的限制。核心挑战在于协调结构约束与生态需求。
为了解决这些限制，近年来出现了智能鱼道的概念（Barbedo，2022年），并有几个关键的发展方向。已经开发了基于传感器网络的监测系统来评估鱼道性能，包括使用水力建模和传感器网络的自主障碍物检测（Fuentes-Pérez等人，2021年）以及通过集成传感器阵列进行全面的性能评估（Fuentes-Pérez等人，2022年）。这些系统提供了宝贵的运行数据，但缺乏主动的水力控制能力。计算机视觉和深度学习技术提升了鱼类检测能力：双向跨尺度特征融合提高了水电站鱼道中的检测精度（Wang等人，2025年），而改进的DeepSORT算法实现了动态物种识别和自动计数（Wu等人，2023年）。
显然，鱼类识别是智能鱼道的关键组成部分。我们的研究选择了YOLOv12模型，因为它相比其他方法具有显著优势：与CNN和两级检测器（例如Faster R-CNN）相比，它省略了区域提议步骤，实现了超过30帧/秒的推理速度，满足了现场水力控制的实时要求（Sapkota等人，2025年）；相对于早期YOLO版本和优化的识别框架（Liu等人，2025年），其增强的R-ELAN骨干网络和A2C2f多尺度特征融合模块提高了对小目标的检测能力；与依赖硬件的系统（如AI-RCAS（Kim等人，2024年）不同，YOLOv12的轻量级设计可以在低成本微控制器上高效运行，降低了鱼道应用的部署障碍。这种速度、准确性、鲁棒性和成本效益的结合使其特别适合用于闭环鱼道控制。
值得注意的是，现有的智能系统要么专注于被动监测，要么仅进行孤立检测，很少有研究将实时物种特异性感知与自适应水力控制相结合，形成闭环“感知与响应”系统。这一差距限制了智能鱼道主动适应洄游鱼类需求的能力，而这正是本研究的核心关注点。
为应对上述挑战，本研究提出了一种智能多级鱼道系统，为提高高水头障碍物处的鱼类通通过效提供了有前景的策略。其创新之处有二：（1）一种可折叠的阶梯式门结构，结合了动态的顺序水力控制策略，大幅降低了长度与高度的比例，克服了空间和经济限制；（2）一种自适应控制框架，其中基于计算机视觉的鱼类检测模型触发实时门操作以重新配置流场。这种整合代表了从“静态结构”向动态构建响应性生物栖息地的范式转变。
本研究验证了核心假设，即这种集成的“感知与响应”系统可以在空间中创建一系列水力避难所，在不同坡度下提供有利的水力条件，从而在具有挑战性的高水头和陡坡情况下实现有效的上游通通过程。我们介绍了鱼类检测模型的开发，特别是YOLOv12算法，用于实时水下检测和目标鱼类计数，以及物理水力系统的设计，并对其性能进行了全面实验评估。
部分摘录
整体系统概念
所提出的鱼道基于闭环控制原理运行（图1）。水下摄像头持续监测接近区域。YOLOv12目标检测模型实时处理这些图像。确认目标洄游物种的存在和身份后，会向STM32微计算机发送信号，微计算机随后激活电机，旋转鱼道结构内的一系列可调门。这一动作动态形成或修改临时水池。
评估指标分析
可靠地识别目标鱼类物种对鱼道的有效性至关重要（Siri等人，2024年）。本节基于图4中呈现的评估指标，分析了模型在满足这一要求方面的性能。
训练结果显示，不同物种之间的识别性能存在显著差异。以两种代表性物种为例：识别效果较好的刀鱼和识别效果较差的泥鱼。对于刀鱼，F1置信曲线始终保持较高水平。
结论
本研究设计、开发并验证了一种新型智能鱼道系统，成功地将基于实时计算机视觉的鱼类检测与自适应水力控制相结合。主要发现如下：
（1）YOLOv12模型提供了足够可靠的实时鱼类物种识别能力，可作为自适应控制系统的强大触发器。
（2）多级、门调节的鱼道结构有效缓解了与高水头相关的不利水力条件。
CRediT作者贡献声明
荣贵文：撰写 – 审稿与编辑、资源准备、方法论、资金获取、概念构思。
马腾宇：撰写 – 原始草稿、可视化、软件开发、方法论、调查。
姜红玲：项目管理、调查、资金获取。
陈尚志：方法论、概念构思。
张扬燕：调查、形式分析。
赵国清：软件开发、调查。
林海：验证、调查。
冉怀勤：验证、形式分析、数据整理。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了国家自然科学基金（编号52279055）、淮南科技计划（编号2023A323、2023A315）、赣江下游综合治理科学研究项目（编号JXTC2023020257C1）、安徽省自然科学基金（编号2308085QE193）以及安徽科技大学引进的人才研究启动基金（编号2025yjrc0152）的支持。
