FishGillNet：一种用于鲟鱼呼吸频率统计分析的智能方法

《Smart Agricultural Technology》：FishGillNet: An intelligent method for statistical analysis of sturgeon respiratory rate

　　

呼吸频率不仅是评估鱼类健康状况和生态环境质量的关键生理指标，也是反映鱼类代谢强度和应激状态的重要参数。因此，实时、非侵入且准确地监测鱼类呼吸频率具有重要意义。现有关于鱼类呼吸频率估算的研究主要依赖人工计数、传统机器学习、物理传感器或追踪口部运动，而鲜有研究聚焦于核心呼吸器官——鳃的运动分析。为解决这一空白，本研究提出了一种针对底栖鲟鱼的精确呼吸频率智能分析方法。首先，研究在自然光下收集了近6 GB的视频数据用于鲟鱼呼吸频率分析。其次，开发了一种名为FishGillNet的精确鳃分割模型，该模型引入了残差特征融合模块(RFFM)以替代基线模型MK?UNet中的分组注意力门(GAG)，并在编码器和解码器之间的跳跃连接中集成了多频通道注意力(MFCA)，以增强模型分割精细细节的能力。最后，利用最小外接矩形结合高斯滤波对分割后的鳃区域进行智能处理，实现对鳃运动周期的精确统计和定量分析。该方法有效规避了基于面积的统计方法所伴随的高误差挑战。实验结果表明，构建的FishGillNet语义分割模型实现了97.276%的平均交并比(mIoU)，模型大小为3.29 MB，帧率为24.533 fps，确保了鲟鱼鳃的精确分割，基本满足了实时监测的要求。通过整合FishGillNet、最小外接矩形和高斯滤波，该呼吸频率分析框架实现了高精度的鲟鱼呼吸频率监测，准确率超过98%。本研究聚焦于鱼类的主要呼吸器官——鳃，提出了一种精确分析鲟鱼呼吸频率的智能方法。该方法已在鲟鱼幼鱼中得到初步验证，但在真实场景中的应用仍需进一步研究。总之，该方法为未来鱼类生理学研究中呼吸频率的自动化监测提供了解决方案。

本研究针对底栖鲟鱼幼鱼，开发了一种结合语义分割与统计分析的智能呼吸频率精准量化方法，相关成果发表于《Smart Agricultural Technology》。研究背景源于水产养殖作为全球食物供应链的关键环节，其集约化模式下鱼类健康状态是决定养殖效益与环境可持续性的核心因素。鱼类作为变温动物，极易受溶解氧不足、氨氮过高及温度骤变等环境应激源影响，而呼吸频率作为反映鱼类代谢强度与应激状态的关键生理指标，其实时、无损监测对养殖管理与生态毒理学研究具有重要价值。然而，现有呼吸频率测量技术存在显著局限：早期研究依赖人工观察计数，主观性强且难以连续监测；基于生物传感器（如三轴加速度计、可穿戴设备）的方法虽实现运动监测，但鱼类群养时的碰撞易导致传感器位移产生误差，且设备成本高昂；传统计算机视觉方法多采用嘴部运动分析，但在某些场景下嘴部开合幅度不明显，且传统图像处理算法在复杂场景中泛化能力不足。相比之下，鳃作为鱼类核心呼吸器官，其运动更能准确反映呼吸频率，但基于深度学习的目标区域检测方法在该领域的应用仍鲜见报道。为此，研究人员构建了基于改进MK?UNet架构的FishGillNet语义分割模型，通过引入多频通道注意力(MFCA)增强跳跃连接特征表达，并以残差特征融合模块(RFFM)替代原始分组注意力门(GAG)，实现了复杂背景下鲟鱼鳃区域的精准分割，最终结合最小外接矩形几何分析与高斯滤波信号处理，建立了非接触式高精度呼吸频率检测框架。

研究采用的关键技术方法包括：数据采集使用华为nova12Pro RGB相机（4K，30?fps）记录约13?15?cm体长的鲟鱼幼鱼在透明鱼缸内的自然行为，共获取近6?GB视频数据；数据集构建从5段视频中以每5帧提取1帧的方式获得2096张图像，按7:1:2划分为训练集、验证集和测试集，并使用LabelMe软件对鳃部区域进行语义分割标注；模型构建以MK?UNet为基线，引入多核倒置残差(MKIR)、多核倒置残差注意力(MKIRA)及MFCA模块优化特征提取，通过RFFM模块实现跨域特征融合；呼吸频率统计则基于分割掩码提取鳃区最小外接矩形的长宽时序变化，经高斯滤波去噪后，采用自适应极值检测算法（基于波动率γ动态调整阈值）统计呼吸周期，并以人工计数结果作为金标准进行验证。

研究结果方面，首先在建模方法比较中，研究人员对比了DeepLabv3+、PSPNet、BiSeNet、GCNFuse、Swin?transformer、SegNeXt、DDRNet及MK?UNet共8种语义分割模型，发现MK?UNet以1.36?M参数量和97.094%的mIoU表现最优，为后续改进奠定基础。其次，在特征增强对比实验中，将MFCA、EASA、SPRSA、GLCA、EACM模块分别嵌入MK?UNet跳跃连接，结果显示MFCA组mIoU提升至97.234%，像素准确率达99.964%，且在模型大小（2.25?M）与推理速度（29.661?fps）间取得最佳平衡，因其能通过多尺度频域注意力协调浅层高频细节与深层低频语义特征。第三，在特征融合对比实验中，采用PagFM、LCA、FFM、SAFFM、CGA替代原始GAG模块，其中FFM组mIoU提升至97.213%，表明其在小目标边界信息捕捉上的优势，但SAFFM因结构不兼容导致性能下降。第四，双模块改进消融实验表明，同时引入MFCA与FFM会导致性能下降（mIoU?97.034%），而通过在C分支添加残差连接的RFFM模块（即FishGillNet），成功将mIoU提升至97.276%，像素准确率达99.964%，模型大小3.29?M，帧率24.533?fps。最后，呼吸频率统计分析显示，基于FishGillNet与最小外接矩形宽度的动态曲线，结合自适应极值检测，对5段未见训练视频的呼吸频率预测准确率达98%以上，验证了方法的可靠性。

讨论部分指出，本研究的创新在于首次将语义分割技术系统应用于鲟鱼鳃区运动分析，通过MFCA与RFFM的协同优化解决了边缘细节分割难题，提出的“分割?几何特征?信号滤波”三级框架较传统面积统计法更适应鱼类自由游动状态。局限性主要体现在：幼鱼快速转向导致的运动模糊仍会造成少量漏检；当前模型仅在底栖鲟鱼中验证，对不同习性鱼类的普适性需进一步评估；水下光照变化与水质浊度对特征识别的干扰尚未完全解决。未来研究将探索高帧率成像（≥60?fps）以减少运动模糊，扩展至更多养殖品种并开展环境胁迫下的生理响应实验。

结论部分强调，本研究开发的FishGillNet语义分割模型（mIoU?97.276%）结合最小外接矩形与高斯滤波技术，实现了底栖鲟鱼呼吸频率的精准量化（准确率>98%），为鱼类生理学研究提供了非接触式自动化监测手段。尽管当前方法主要针对单一物种验证，但考虑到不同鱼类的习性差异，后续需根据具体物种与养殖场景定制智能化呼吸频率量化模型，并通过生理实验深入解析环境因子诱导下的呼吸频率变异规律。