Page 116 - 《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 113

表现，两次随机抽样均在完整批次内进行。采用排除 体识别。通过从营养增强前的 3 980 张个体图像中
性训练策略，确保训练过程与测试数据完全隔离， 随机选取 500 张单侧（侧面 2）图像作为测试图
其中针对 Test-200 的 Model-A，使用该测试集外全 像，剩余作为训练图像，评估短期个体识别的有效
部可用样本进行训练；针对 Test-100 的 Model-B， 性和模型结构的鲁棒性。短期特征学习模型标记
则基于排除该子集后的剩余数据构建训练集。 为 FL_500ts_oneside (Feature learning 500test short-
短期识别是在较短的时间内（同一天）实现个 term oneside)。

Backbone
数据增强 Data augmentation 卷积层 Convolution 最大池化 Max pooling BLOCK1 BLOCK2 BLOCK3 BLOCK4 平均池化 Average pooling Neck Metric learning
度量学习

224 3
14 池化 展平
2 048 Pool 2 048 512 Flatten
14
224
1 1 512

图 4 特征学习整体结构图
Fig. 4 The overall structure and partial feature map of feature learning

注：BLOCK. 多个卷积层组合成的模块; Backbone. 特征提取骨干网络; Neck. 特征整合层。
Notes: BLOCK. A module composed of multiple convolutional layers; Backbone. Backbone network for feature extraction; Neck.
Feature integration layer.

背腹面图像与侧面图像特征差距较大，拍摄角 侧面 2 图像提取特征，并与特征库匹配，实现个体
度存在明显差异。因此，使用同一时期采集的背腹 识别。在识别阶段，计算待识别样本特征向量与特
面图像训练特征学习模型，研究背腹面特征的短期 征库中所有候选个体的余弦相似度，筛选最大相似
识别能力；基于增强营养前 340 尾个体的双侧面与 度值对应的个体 ID 并作为识别结果。余弦相似度
(k)
背腹面图像，分别训练背腹面特征学习模型和背腹 [s ]的数学定义为：
cos
面+双侧面特征学习模型。 f query · f k
s (k) = （2）
2.3 构建检索特征库 cos ∥ f query ∥ · ∥ f k ∥
得到特征学习模型后，对待测试个体的相应图 式（2）中： f query 为待识别样本特征向量；
像进行特征提取，并构建检索特征库。经过 1.2 节 f k 为特征库中第 k个个体的特征向量。余弦相似度
数据处理后，全部个体 ID 编号范围为 0001~1990， 值反映 2 个样本的语义相似性，值域为 [−1, 1]，数
检索特征库以测试个体的 ID 号作为编号。以双侧 值越大表示类别一致性越高。同时，将最优匹配的
面图像为例，对于中长期识别模型，使用测试个体 余弦相似度值经特征库全域归一化处理，映射至
第 1 次采集的双侧面图像构建检索特征库，而短期 [0, 100] 区间的百分比形式，量化表征该匹配结果
识别模型则使用测试个体第 1 次采集的侧面 1 图像 相对于其他候选个体的置信度（Confidence） 。
构建检索特征库。识别过程如图 3 所示。在进行中 s (k) − s min
(k)
Confidence = cos ×100% （3）
长期识别时，使用第 2 次采集的双侧面图像提取特 s max − s min
征，获得特征向量，并在构建的特征库中搜索，实 式（3）中， s min 和 s max 分别为当前特征库中的
现个体识别。对于短期识别，则使用第 1 次采集的 最小、最大相似度值。