Page 17 - 《水产学报》2025年第11期
P. 17
朱国平，等 水产学报, 2025, 49(11): 119102
和种群判别中取得了较好的效果。神经网络模 是鱼类物种识别，通常是基于鱼类的图像数据
型是受生物神经网络结构和功能启发的模型， 进行分析。图像数据的获取方式经历了几大时
相较于其他机器学习算法，它具有能学习提取 期：①早期，通常是将死亡的鱼类样本置于实
更丰富的语义特征和低维特征的能力 。随机 验室条件下进行拍照。由此获取的图像虽然质
[14]
森林算法与决策树算法均为树形结构的算法模 量较高，易于分析，但其较难满足现实情况下
型，决策树算法是通过基于特征值对实例进行 活体鱼类的识别需求 。②中期，许多研究者
[19]
排序，对实例进行分类的树 ；而随机森林算 尝试对活体鱼类进行拍照，在特定的环境下采
[15]
法则属于集成模型，它解决了决策树泛化能力 用摄像头对鱼类活体拍摄照片或视频，然后由
[16]
弱的缺点，通常能取得较优的预测结果 。基 视频片段中截取部分图像。这样可以模拟真实
于实例的学习算法中，应用最广泛的是 K 最近 情况下鱼类的形态，丰富数据集。如 Lu 等 [20]
邻分类算法 (K-Nearest Neighbors，KNN)，其思
在甲板环境下对活体鱼类进行拍照。③近年来，
想是样本与数据集中 K 个样本相似；若此 K 个
研究者使用水下摄影机探索和拍摄真实水下的
样本属于某一个类别，则该样本也属于这个类
鱼类。利用水下摄像系统采集鱼类活动图片，
别 。在鱼类物种识别和种群判别的实际应用
[17]
这样可以在不影响鱼类正常生命活动的情况下，
中，由于每个算法均具有各自的优势与不足，
采集到大量的数据，且所采集的图像最大程度
适用的情况也不同；因此，针对不同的应用场
地接近真实情境。以 Fish4-Knowledge 项目为例，
景，应当结合数据的实际情况灵活选择，取长
该项目采集了约 8.7 万 h 的水下鱼类视频，经
补短，或者融合多个不同类型的分类算法，以
过视频处理与分析后生成了约 14 亿张热带鱼类
期更加高效地解决物种与种群的判别问题。
图像 。
[21]
2 机器学习在鱼类物种识别和种群判别 由于水下数据的复杂性，自然环境下鱼类
中的应用 物种识别与种群判别至今仍是一个较大的挑战。
在水下，尤其是在较深的海域，光线衰减快，
目前，解决鱼类物种识别与种群判别问题 光度因洋流而频繁变化，能见度也有限，从而
较为准确的方法为分子方法，如 DNA 测序技术， 导致视频的质量通常较低。此外，自然条件下
其使用基因组短片段中的序列与现有参考序列 鱼类自由移动，有时会被藻类和岩石所遮挡，
库进行比较分析。但该方法十分耗时，成本较 有时不同鱼类之间存在图像重叠，所以往往需
高；因此，其并不适合大范围的物种识别和种 要海量的数据才能取得较为理想的判别效果。
群判别 [18] 。机器学习通常需要较大的样本量， 目前，已有许多公开的基于水下自然环境的鱼
[21]
故之前的工作中较少有研究者利用机器学习分 类图像数据集，例如 Fish4‑Knowledge 、Life-
[22]
析分子技术的数据判别物种或种群。 Clef 2014 (LCF-14) 、 LifeClef 2015 (LCF-
在鱼类物种识别和种群判别问题中，现阶 15) [23] 等。
段的机器学习多是通过学习不同物种与种群的 对于鱼类种群判别而言，上述方法获取的
外形差异，以达到判别的目的。值得注意的是， 数据集并不适用。由相关研究中可以发现，仅
鱼类耳石作为天然的生物标签，记录了鱼类各 通过鱼类外形较难实现鱼类的种群判别。为了
个生活史阶段的大量信息，通过耳石进行鱼类 获得较好的判别效果，较多的研究者通过鱼类
种群判别往往均能取得较优的判别效果，且因 的耳石、鱼类脊椎骨等数据，而这些数据的获
其惰性生长以及易于存储的特质，通过鱼类耳 取通常通过实地采样并在实验室条件下进行样
石进行鱼类种群鉴别逐渐成为研究热点。 本的提取与制备。
本文将从鱼类物种识别与种群判别的数据 2.2 特征提取
提取方式、特征提取方法、机器学习算法以及
基于图像的鱼类物种识别和种群判别，均
算法评价等方面展开介绍。
需要从图像中提取关键特征，再使用关键特征
2.1 数据来源 训练分类器实现判别分类。特征提取方法可划
在鱼类物种识别与种群判别研究中，尤其 分为两类：一是传统特征提取方法，二是基于
中国水产学会主办 sponsored by China Society of Fisheries https://www.china-fishery.cn
3
