Page 112 - 《渔业研究》2026年第1期

第 1 期 赵亚宁等： 基于计算机视觉的大黄鱼个体身份识别 109

化饲料配方，或根据每尾鱼的营养需求定制饲料， 328 尾大西洋鲑图像进行个体识别，结果显示短期
提升饲料利用率。因此，个体身份的准确识别对大 识别准确率为 100%；该作者还研究了间隔 6 个月的
黄鱼饲料营养和遗传育种等研究均具有重要意义。 长期识别，即每隔 2 个月采集 1 次个体图像用来更
目前，大黄鱼个体识别主要通过在鱼体内植入 1 个 新数据集，发现 30 尾个体的识别准确率为 100%。
被动集成应答器（Passive integrated transponder，PIT） 大黄鱼个体识别面临一系列技术挑战：相似样
电子标签实现，这种侵入式方法存在一定的缺点和 本区分、小样本目标识别和开放集合识别，加之其
局限性，如只有体型足够大的鱼才能够注射标签、 体表缺乏显著生物标识（如特征条纹或斑点） ，使
手术伤口感染溃烂下死亡率高 [7-8] 、大量标签的费 传统基于表型特征的个体识别方法难以被直接应
用十分昂贵，以及注射与拆除 PIT 标签的人力成本 用。为此，本研究基于 Resnet50 网络构建特征学
高。因此，亟需开发一种非侵入式、低成本且高效 习模型，通过融合体色差异、形态轮廓特征和侧线
的大黄鱼个体识别方法。 生物特征的多维度鉴别体系，以应对上述挑战并提
当前，计算机视觉技术在水生生物研究中的 升该模型在体型变化干扰下的鲁棒性。在本研究
应用主要集中在群体分类和异常检测方面，而对 中，开发了一种基于体表无特征条纹及斑点的个体
于个体身份识别的研究仍处于起步阶段。早期鱼 识别技术，通过构建特征学习模型，对产卵期前不
类识别主要侧重于死鱼识别 [9-11] 。随后 Ruff 等 [12] 同阶段（前 8 周与前 1 周）同一批大黄鱼个体的双
和 Harvey 等 [13] 开始探索在有限空间的水箱中部署 侧图像进行特征提取与学习，以期获得具有时间稳
立体摄像系统，分析测量鱼类个体尺寸和位置，研 定性的、区分不同个体的有效特征，为大黄鱼的遗
究和开发受控环境中水下立体系统的数据采集和校 传育种、饲料营养等领域提供基础支持。
准实验技术。后来一些学者研究了自然养殖环境下
1 实验材料与数据
的鱼种识别，通过不同图像间前景与背景的帧差检
测鱼体 [14–17] 。在进行类别分类时，研究人员最早采 1.1 数据采集
用形状信息和纹理信息相结合的方法，后来使用的 试验所用大黄鱼样本共计 2 061 尾，采集于
特征不断增加，如颜色特征和鱼身不同部分（鼻 2021 年 12 月 26 日—28 日福建省白基湾海区，在
子、尾巴、身体等）的单独特征。由于特征选择的 试验过程中暂养于 4 个水池中。将亲鱼麻醉后，采
主观性与局限性，使用完整的鱼身图像代替了提取 集其两侧图片和背腹面图片，亲鱼样本平均体质量
显式特征。Whooshh Innovations（https://www.who- 为（821.30±108.40）g。亲鱼在水池中养殖 7 周，
oshh.com/）公司尝试为伊利诺伊河上的鱼类管道 期间逐渐升高水温，并对亲鱼加强营养，促进性腺
系统添加图像分类系统，识别当地鱼类，帮助当地 发育。2022 年 2 月 11 日—13 日（7 周后） ，再次
鱼类逆流而上。Alphabet 旗下的 X 开发公司整合 对亲鱼麻醉并采集图片，此时大黄鱼性腺充分发
了计算机视觉与 AI 技术，开发出水下摄像系统， 育，体态较 7 周前变化明显，平均体质量达到
通过鱼类特殊形状和动作跟踪它们的发育过程，帮 （958.94±158.44）g。为确保两次采集的个体能够
助养殖户优化喂养，减少浪费并保持鱼类健康 [18] 。 一一对应，在第 1 次采集时注射 PIT 标记，在第
近几年开始有学者尝试应用计算机视觉对鱼类个体 2 次采集时扫描得到 PIT 标记编号，两次采集均放
身份（Identity document，ID）进行识别。其中鲇 置标签纸，并记录标签纸对应的 PIT 编号。
鱼（Rineloricaria aequalicuspis）的识别方案之一 采集过程分 2 组并同步进行。使用的单反相机
是采用尺度不变特征变换（Scale invariant feature 型号分别为 EOS 80D 和 NIKON D600，其中 EOS
transform，SIFT） ，Dala-Corte 等 [19] 对 50 尾鲇鱼 80D 拍 摄 的 图 像 分 辨 率 为 6 000×4 000， NIKON
2 d 内拍摄的 100 张图像进行相似度排序，识别正 D600 分辨率为 6 016×4 016。采集底座使用绿色哑
确率为 99%。Al-Jubouri 等 [20] 基于斑马鱼（Danio 光背景，可以有效减少拍照时的反光，并有助于区
rerio）条纹的色调、饱和度等颜色特征，应用神 分前景与背景，便于提取大黄鱼主体部分。所有个
经网络和 K 近邻模型来识别个体，在 10 尾个体上取 体均采集了 2 个侧面，每个侧面采集 1 张图像，同
得了 99% 正确率。Cisar 等 [21] 基于卷积神经网络对 时部分个体还额外采集了背部和腹部的图像。

皮肤斑点特征进行提取，建立了大西洋鲑（Salmo 在加强营养干预前，完成 2 061 尾大黄鱼个体
salar）个体识别技术，并用该技术对水中拍摄的 的图像采集，其中 1 700 尾个体获取双侧面图像