导语：在快速发展的水产养殖研究领域，确保鱼类福利至关重要。监测鱼类行为和福利的传统方法通常需要大量劳动力和时间，这限制了它们在实验和商业环境中的实用性。然而，《科学报告》发表的一项创新研究提出了一种新方法，利用深度学习和生态概念来自动化和增强鱼类福利监测。

原始实验中使用的实验装置的概述

在快速发展的水产养殖研究领域，确保鱼类福利至关重要。监测鱼类行为和福利的传统方法通常需要大量劳动力和时间，这限制了它们在实验和商业环境中的实用性。然而，《科学报告》发表的一项创新研究提出了一种新方法，利用深度学习和生态概念来自动化和增强鱼类福利监测。

这项研究由 Nofima AS 和美洲大学的研究人员进行，深入探讨了一种创新方法（深度学习）及其对水产养殖研究的潜在影响。

监测鱼类福利的挑战

水产养殖中的鱼类福利通常使用基于结果（生物）和基于投入（非生物）的福利指标组合来评估。行为指标虽然信息量很大，但由于数据收集需要人工且耗时，因此很难量化。

欧洲指令2010/63/EU强调了改善和减少实验条件对动物福利的影响的重要性，进一步强调了对高效监测工具的需求。

数字化提供了量化鱼类行为的自动化工具，从而更广泛、更快地了解行为变化。计算机视觉 (CV)和人工智能 (AI)正在改变各个领域，包括鱼类研究和水产养殖。

新方法：深度学习与分布区域分析

该研究由 Nofima AS 的Santhosh K. Kumaran领导，引入了一种将深度学习技术与活动范围的生态概念相结合的尖端工具，用于监测实验水箱中大西洋鲑（ Salmo salar L.）的空间分布。

该工具采用计算机视觉和机器学习平台DeepLabCut框架，使用受活动范围和核心区域概念启发的指标来估计鱼的姿势并量化它们的空间分布。

“家园范围”概念及其应用

活动范围是一个生态学概念，定义为个体在日常活动中占据的空间区域。这一概念与核心区域（个体 50% 的时间都在这里度过）一起，可以为我们提供有关鱼类如何与环境互动的宝贵见解。

活动范围的缩小可能表明存在压力、疾病或饲养系统设计问题。

方法论的关键组成部分

DeepLabCut 框架：本研究采用 DeepLabCut 来识别鱼类的关键身体部位（关键点）。该深度学习模型基于ResNet50架构，在674 个带注释的帧上进行训练，并在36 帧上进行测试，大多数关键点的准确率超过 90%。

活动范围和核心区域指标：使用活动范围（鱼类 95% 的时间所处的区域）和核心区域（鱼类 50% 的时间所处的区域）分析鱼类的空间分布。这些指标来自鱼类分布的概率密度函数，使用高斯核密度估计 (KDE)进行估计。

喂食前后的行为变化：该研究考察了鱼类在喂食前、喂食中和喂食后的行为变化。分析揭示了喂食期间不同的空间分布模式，水入口偏好 (WIP)和核心区域中心性 (CAC)等指标显示出显著的变化。

发现与启示

研究表明，所提出的方法可以有效捕捉不同水箱和喂食期鱼类行为的差异。主要发现包括：

进水口偏好：鱼类始终偏爱进水口下游约 90° 的区域，这表明水流动态与鱼类分布之间存在潜在联系。

核心区域利用率：鱼在 50% 的时间内只占据水箱的 13-17%，表明它们倾向于一起游动，而不是均匀分散。

喂食期间的行为变化：在喂食期间，鱼表现出更均匀的分布和更低的群体凝聚力，这可能是由于觅食行为造成的。

新工具对鲑鱼养殖者的优势

深度学习与活动范围分析的结合具有以下几个优点：

自动化：该工具使鱼类行为监测过程自动化，减少了人工观察的需要并最大限度地减少人为错误。

实时监控：持续的24/7监控可提供实时数据，一旦出现异常行为，便可快速干预。

非侵入性：该方法是非侵入性的，可减少鱼类的压力和潜在伤害。

可扩展性：虽然当前的研究重点是小规模实验环境，但该方法有可能扩展到更大的水产养殖系统。

局限性和未来方向

尽管该研究取得了令人鼓舞的成果，但也存在一些局限性，包括缺乏深度信息以及摄像机角度和光线对关键点检测的影响。

未来的研究应探索使用立体摄像机来提高深度感知，并研究该方法对更大的鱼群和更复杂环境的可扩展性。

结论

Kumaran 的研究代表了鱼类福利监测方面的重大进步。通过将深度学习与生态概念相结合，该工具提供了一种强大而有效的方法来评估水产养殖研究中的鱼类行为和福利。

这项研究的成果凸显了计算机视觉和活动范围分析在监测鱼类行为方面的潜力。自动化这一过程可以提供有关鱼类如何与其饲养环境互动的宝贵见解，有助于未来研究中测量和监测鱼类行为的技术的发展。

该研究由DigitalAqua 项目和NOFIMA 的ML4AKVA 项目资助。