答辩博士：贾博
指导教师：汪小旵教授
论文题目：基于深度学习的鲈鱼摄食行为检测方法与投喂系统研究
答辩委员会：
主席：
鲁植雄 教授/博导 c7娱乐app下载
委员：
周 俊 教授/博导 c7娱乐app下载
郑恩来 教授/博导 c7娱乐app下载
张保华 教授/博导 c7娱乐app下载
徐晓美 教授/博导 南京林业大学
钱生越 研究员 南京市农业装备推广中心
秘书：
戴芸 c7娱乐app下载
答辩时间：2026年5月27日14:00
答辩地点：滨江校区c7官网登录入口appB442会议室
论文简介：
大口黑鲈（Micropterus salmoides），也称加州鲈鱼。原产于北美洲的淡水河流和湖泊中，在中国主要分布于深圳、江苏、浙江、上海、山东等地，因其肉质坚实，味道鲜美，营养价值高，在市场上备受欢迎。传统鲈鱼养殖依赖人工经验观察做出投喂策略，不仅劳动强度大、耗时而且具有主观性。随着深度学习技术的不断发展，该技术被国内外学者广泛应用于鲈鱼摄食行为检测和量化研究，旨在构建实时性强、检测精度高的方法代替人工预防过度投喂及避免投喂不足。然而，现有的鲈鱼摄食行为检测方法主要以端到端的单一特征检测为主，且对鲈鱼幼鱼期的摄食行为研究较少。相比单一特征的摄食行为检测，双特征摄食行为表征不仅能够反映出鱼群的摄食状态，还能直观的反映其摄食强度的不同量级，为实现鱼群摄食行为检测和摄食强度实时监测提供数据支撑。基于对以上问题分析，本文以鲈鱼为研究对象，通过计算机视觉、深度学习等技术手段开展了鲈鱼幼鱼个体的摄食行为检测方法研究、基于双特征的鲈鱼群摄食强度表征与量化研究以及投喂系统试验研究，其主要研究内容和结果如下：
1．研究了鲈鱼幼鱼个体摄食行为检测方法，构建了鲈鱼幼鱼个体摄食行为检测模型。针对鲈鱼幼鱼个体较小，摄食速度慢，摄食所需要的饵料颗粒较小，难以检测其摄食行为与强度问题，提出了一种基于幼鱼嘴部与饲料颗粒接触动作的幼鱼个体摄食行为检测的YOLOv8-FB模型，实现了幼鱼摄食行为检测与摄食强度量化。该模型在YOLOv8n-Pose的基础上，引入饲料颗粒边缘信息提取模块（FPEIEMStem），从而高效提取饲料边缘与空间信息，增强特征提取能力。其次，将原有YOLOv8n-pose的颈部网络替换为BiFPN特征提取网络和融合GLSA注意力机制模块，在显著降低模型参数量和模型计算复杂度的同时，提高对幼鱼个体小目标的检测性能。试验结果表明，YOLOv8-FB在检测幼鱼个体摄食行为达到了94.8%的平均精度（mAP50），参数量（Params）和模型复杂度（GFLOPs）减少了37.1%和16.87%。实现对幼鱼个体摄食行为的快速、准确检测。基于幼鱼个体嘴部与饲料颗粒接触动作检测方法为幼鱼摄食行为检测提供了一种新方法，也为后续研究鱼类摄食行为、摄食频次、制定科学投喂策略提供数据基础。
2．研究了低密度养殖环境下鲈鱼群摄食强度量化方法，构建了基于平均运动速度和摄食聚集速度双指标的鲈鱼群摄食强度检测与量化模型。针对低密度养殖场景下单一特征量化鱼群摄食强度精度低等问题，通过引入Efficient Vision Mamba（EfficientViM）模块和加权双向金字塔网络BiFPN和多分支辅助FPN（MAFPN）改进YOLOv11n模型中的C3k2模块和颈部网络，增强了复杂养殖环境中提取单个鱼头特征的能力，并使模型能够更有效地从不同输出层提取和整合鱼头特征信息，实现对鱼类个体头部小目标的高效检测。通过结合基于ByteTrack追踪算法提取个体鱼头部检测框中心点作为节点，用于计算鱼群的平均运动速度和摄食聚集速度指标，并对这些指标进行量化，从而表征鱼群的摄食强度。试验结果表明，YOLOv11n-ALL模型对鱼类个体头部目标的平均检测精确（mAP50）为94.13%，模型大小和FPS分别为4.3MB和278.24。通过YOLOv11n-ALL+ByteTrack实时检测追踪方法，检测追踪提取个体鱼头检测框的中心点作为节点，计算鱼群的平均运动速度和摄食聚集速度表征鱼群摄食动能。通过与未发生摄食行为的鱼群摄食动能对比，量化出鱼群的摄食强度并进行分类，其检测的准确率（ACC）、误检率（FPR）和漏检率（FNR）分别为97.41%、1.78%和2.32%。研究结果为实际养殖环境中鱼群摄食强度量化提供了新方法。
3．建立了基于摄食水花和摄食聚集度双特征的鲈鱼群摄食强度评估方法。针对实际养殖环境复杂性和鲈鱼群摄食运动不确定性引起的鱼体间高度重叠和复杂多样的背景信息，提出了一种基于整体摄食水花和局部摄食聚集度双特征的摄食强度评估方法。该方法通过将EfficientViT与ECA-Net特征网络进行融合，构建鱼群整体摄食水花特征和局部摄食聚集度双特征提取模型EfficientViT-ECANet。试验结果表明，所提出模型在双特征及单特征鱼群摄食强度数据集上的识别准确率分别达到98.01%、99.80%和96.30%。在边缘计算设备上的检测试验表明，该模型的识别准确率为97.65%，误检率为1.87%，漏检率为2.09%。此外，模型推理运行的FPS达到了121.5，单帧检测耗时为9.16ms，满足鱼群摄食强度识别实时测量的需求。试验结果表明，基于Low_Strong特征的投喂策略优于传统定时定点投喂方式。研究结果为循环水养殖系统中鲈鱼摄食强度评估提供了一种有效方法，并为后续投喂策略的制定与投喂装置的优化提供支持。
4．设计了一种风送摆动式鱼类投喂系统。基于传统投喂系统，设计了一种风送摆动式鱼类投喂装置，融合双特征鲈鱼群摄食强度识别算法，实现对鲈鱼群的精准投喂。首先，通过搅龙转速（X1）、风机频率（X2）、出料口距离水面高度（X3）、饲料颗粒直径（X4）和出料口转速（X5）五个工作参数建立风送摆动式鱼类投喂装置五因素五水平的输料量、最大输料距离和投料周向变异系数回归模型以提高投喂装置在不同作业环境下投料效率。通过对不同输料粒径试验表明，最佳工作参数下投喂装置的输料量误差范围0-6.38%；最大输料距离误差范围0.24-4.65%；投料周向变异系数误差范围0.06%-2.54%，整体控制精度达90%以上，表明投喂装置在最佳工作参数下具有较强的输料稳定性和调控精度。投喂性能试验表明，通过20次投喂试验对比发现，传统投喂系统共浪费饲料2670.7g，平均每天浪费133.535g；风送摆动式鱼类投喂系统共浪费饲料1608g，平均每天浪费80.4g。风送摆动式鱼类投喂系统比传统投喂系统每次投喂节约50.135g，饲料节省率为39.79%，表明该系统投喂决策能力优于传统投喂系统。研究结果为优化养殖投喂装置结构和提高饲料利用率提供了实际意义。
主要创新点如下：
（1）基于鲈鱼幼鱼个体摄食行为检测与量化，构建了一种基于饲料关键点的幼鱼个体摄食行为检测新方法。该方法通过幼鱼个体摄食过程中鱼嘴部与饲料颗粒发生接触特征，通过识别这种摄食姿态，研究幼鱼个体摄食行为。
（2）基于不同养殖密度下的鲈鱼群摄食行为特征，分别构建了两种鱼群摄食强度量化方法。针对低密度养殖环境下鱼群摄食强度量化问题，提出一种基于平均运动速度和摄食聚集速度双指标检测方法量化鱼群的摄食强度。基于此，为解决复杂养殖环境下鱼群摄食强度量化问题，提出一种基于鱼群整体摄食水花和局部摄食聚集度双特征的检测方法量化鱼群摄食强度。
（3）设计了一种风送摆动式鱼类投喂装置，融合鱼群摄食特征识别算法，通过搅龙转速、风机频率、出料口距离水面高度、饲料颗粒直径和出料口转速五个工作参数实现了鱼群投喂量实时调节需求。
