Page 119 - 《渔业研究》2026年第1期
P. 119

116                                  渔  业  研  究                                     第 48 卷

              显示，当候选池从         100  尾增至  200  尾时，Top-1  准      参考文献（References） ：
              确率从    89.00%  降至  82.90%，Cisar 等 [20]  在大西洋    ［  1  ］   《福建鱼类志》编写组，朱元鼎. 福建鱼类志（下）
              鲑研究中，为确保长期识别准确率仅使用了                     30  尾         [M]. 福州：福建科学技术出版社，1985.
              个体进行实验，在实际应用时应尽量减少候选识别                                “Fishes  of  Fujian  Province”  Editorial  Subcommittee,

              个体的数量，建议采用分池暂养策略（≤200                     尾/          Zhu Y D. The fishes of Fujian Province (part Ⅱ)[M].
              池） ，并构建动态特征库，以缓解特征漂移。                                 Fuzhou: Fujian Science and Technology Press, 1985.
                  尽管计算机视觉技术在大黄鱼个体识别中展现                        ［  2  ］   Sahena F, Zaidul I S M, Jinap S, et al. Fatty acid com-
              出显著优势（Top-1       准确率达     86.00%） ，其应用仍              positions of fish oil extracted from different parts of Indi-
              面临多重挑战。深度模型的训练依赖大规模标注数                                an mackerel (Rastrelliger kanagurta) using various tech-
                              4
              据集（通常需≥10 样本量） ，而实际场景中数据                              niques  of  supercritical  CO 2   extraction[J].  Food  Chem-
              采集存在显著资源约束：本研究构建的数据集涉及                                istry, 2010, 120(3): 879 − 885.
              复杂环境控制（麻醉操作、多视角同步成像等） ，                         ［  3  ］   全成干，王军，丁少雄，等. 养殖大黄鱼生化组分的
              揭示了该过程的资源密集型本质。基于度量学习的                                分析  [J]. 台湾海峡，2000，19（2） ：197 − 200.
              特征学习方法虽有效解决传统方法的小样本识别问                                Quan C G, Wang J, Ding S X, et al. Biochemical com-
              题，但当前的识别结果还不能满足育种生产的需                                 positions of farmed Pseudosciaena crocea[J]. Journal of
              求。值得注意的是，本研究采用无监督特征解耦策                                Oceanography in Taiwan Strait, 2000, 19(2): 197 − 200.
                                                              ［  4  ］   Hong W S, Zhang Q Y. Artificial propagation and breed-
              略，通过自动提取侧线鳞片空间分布与背鳍形态参
                                                                    ing  of  marine  fish  in  China[J].  Chinese  Journal  of
              数，避免了人工标注带来的物种特异性偏差，为跨
                                                                    Oceanology and Limnology, 2002, 20(1): 41 − 51.
              鱼种迁移奠定了基础。为进一步突破性能瓶颈，未
                                                              ［  5  ］   Chen S X, Su Y Q, Hong W S. Aquaculture of the large
              来工作可沿双路径推进：1）融合专家先验知识，
                                                                    yellow  croaker[M]//Gui  J  F,  Tang  Q  S,  Li  Z  J,  et  al.
              建立基于生物计量学的特征量化体系（如斑纹
                                                                    Aquaculture in China: success stories and modern trends.
              Hausdorff 距离、鳞片覆盖密度） ，通过注意力机
                                                                    Oxford: John Wiley & Sons, 2018: 297 − 308.
              制强化判别性特征学习；2）探索视觉−语言大模型
                                                              ［  6  ］   中华人民共和国农业农村部渔业渔政管理局，全国水
              的跨模态迁移能力，利用预训练模型的语义对齐特
                                                                    产技术推广总站，中国水产学会. 2025         中国渔业统计
              性，结合提示工程实现少样本条件下的零样本个体
                                                                    年鉴  [M]. 北京：中国农业出版社，2025.
              辨识，通过参数高效微调规避全模型重训练的高计
                                                                    Bureau  of  Fisheries,  Ministry  of  Agriculture  and  Rural
              算成本风险。
                                                                    Affairs of the People’s Republic of China, National Fish-
               5 结论                                                 eries  Technology  Extension  Station,  China  Society  of
                                                                    Fisheries.  2025  China  fishery  statistical  yearbook[M].
                  本研究建立了一种基于无显著表型特征学习技
                                                                    Beijing: China Agriculture Press, 2025.
              术的计算机视觉方法，用于大黄鱼的个体识别。研                          ［  7  ］   McMahon T E, Dalbey S R, Ireland S C, et al. Manage-
              究结果显示，该方法在           500  尾个体上的短期识别准
                                                                    ment briefs: field evaluation of visible implant tag reten-
              确率为    95.20%，同时在     200  尾个体上的中长期识                  tion  by  brook  trout,  cutthroat  trout,  rainbow  trout,  and
              别准确率为      80.50%~86.00%（5  次重复实验） 。结                 Arctic grayling[J]. North American Journal of Fisheries
              果表明，该方法在大黄鱼体型发生严重变化的时                                 Management, 1996, 16(4): 921 − 925.
              期，表现出了较优的个体识别能力。作为首例在无                          ［  8  ］   Bolland J D, Cowx I G, Lucas M C. Evaluation of VIE
              显著表型特征鱼类中实现中长期个体识别的技术方                                and PIT tagging methods for juvenile cyprinid fishes[J].
              案，本研究不仅为大黄鱼遗传育种提供精准技术支                                Journal of Applied Ichthyology, 2009, 25(4): 381 − 386.
              撑，其方法论创新也可拓展至其他水产经济物种。                          ［  9  ］   Shafait F, Mian A, Shortis M, et al. Fish identification
              个体识别技术能够准确记录每一个个体的遗传信息                                from videos captured in uncontrolled underwater envir-
              和生产性能，指导优良个体的筛选与繁殖，从而显                                onments[J].  ICES  Journal  of  Marine  Science,  2016,
              著提升育种效率。该技术体系为构建智慧化养殖管                                73(10): 2737 − 2746.
              理系统奠定了关键技术基础，具有显著的产业化应                          ［10］   Strachan N J C, Kell L. A potential method for the differ-
              用潜力。                                                  entiation between haddock fish stocks by computer vis-
   114   115   116   117   118   119   120   121   122   123   124