利用机器学习提取大口黑鲈的形态表型特征并估算其体重

《Aquaculture and Fisheries》：Machine learning for extracting morphological phenotypic traits and estimating weight in largemouth bass

基于RTMPose模型的鲈鱼形态特征提取与体重预测研究。采用改进的CSPNeXt骨干网络和SimCC算法实现实时多目标姿态估计，构建了包含717例鱼体侧视与俯视图像的双视角数据集，通过对比学习增强图像鲁棒性，成功提取19个关键点并计算15项形态特征。实验表明所有形态参数的MAPE均低于3%，其中体高（BH）的R2达0.994，胸鳍长度（PL）的R2为0.815。基于线性回归、岭回归、LASSO回归和支持向量回归构建的预测模型，对体重（BW）的预测MAE为8.167-8.338g，R2为0.943；对胴体重（CW）的预测MAE为8.597-8.681g，R2为0.880。SHAP分析显示体高（BH）对BW和CW的预测贡献率最高（16.92-17.65），其次是体长（TL）和头长（HL）。本研究建立了非侵入式形态特征自动化提取与体重预测的完整技术体系，为智能水产养殖提供可靠工具。

　　本研究旨在提升对大口黑鲈（LMB）的表型数据获取效率，通过开发基于关键点检测的实时多目标姿态估计（RTMPose）模型，实现对鱼类形态表型数据的快速、高效和精准测量。研究中采集了717张大口黑鲈的侧视图和俯视图图像，并构建了相应的数据集。在使用RTMPose模型对图像数据集进行训练和验证后，成功测量了15项形态特征数据，包括总体长、体长、体高、下颌长、头长、头高、躯干长、胸鳍长、背鳍长、臀鳍长、尾鳍长、尾柄长、尾柄高、眼间距和体厚等。所有形态特征的平均绝对百分比误差（MAPE）均低于3%，而大多数特征的决定系数（R2）超过了94%。随后，我们构建了多种机器学习模型，用于预测大口黑鲈的体重（BW）和去鳞重量（CW）。其中，多元线性回归、岭回归、Lasso回归和支持向量回归（SVR）在预测性能上表现出相似的高水平，BW的R2值约为0.943，MAE范围在8.167至8.338克之间，RMSE在11.903至12.036克之间，MAPE在1.957%至1.979%之间。对于CW，R2值约为0.880，MAE值在8.597至8.681克之间，RMSE在11.388至11.568克之间，MAPE在3.291%至3.328%之间。通过SHAP分析，我们发现体高是影响BW和CW的关键形态特征。

大口黑鲈作为全球重要的水产养殖物种，因其生长迅速、适应性强、肉质优良且无肌间骨而受到广泛养殖。然而，当前对大口黑鲈的表型测量主要依赖于人工工具，如尺子，这种方法不仅耗时费力，而且容易出错、效率低下，且受主观因素影响较大。此外，接触式测量可能会对鱼体造成伤害，引发应激反应，影响其生长和健康，甚至对操作人员构成安全风险。这些限制阻碍了大规模、准确和高通量表型数据的获取，对育种研究带来了挑战。

近年来，深度学习（DL）技术作为机器学习的一个子领域，因其多层神经网络能够自动提取和学习原始数据的特征，被广泛应用于水产养殖表型分析。例如，研究人员利用高分辨率网络对幼年大黄鱼进行形态表型提取，实现了约97%的体长和总长预测精度。与传统的人工测量方法相比，基于深度学习的表型分析更加高效、准确、客观和标准化，且对鱼体无侵入性。然而，鱼类表型识别在不同物种和生长阶段及环境下的差异性使得这一任务更具挑战性。

本研究提出了一种基于RTMPose算法的自动表型系统，旨在实现大口黑鲈的高精度、高效率和非侵入性表型测量。同时，我们评估了七种机器学习模型（多元线性回归、Lasso回归、岭回归、随机森林、支持向量回归、K近邻和XGBoost）在BW和CW预测中的表现。研究结果表明，简单线性模型（如多元线性回归、岭回归和Lasso回归）以及支持向量回归在测试数据集上的表现优于复杂的非线性模型，如XGBoost和随机森林。这可能表明，大口黑鲈的形态特征与体重或去鳞重量之间的关系更偏向于线性。此外，K近邻模型的表现相对较差，这可能与其对局部数据分布和噪声的敏感性有关。

SHAP分析揭示了体高在BW和CW预测中的重要性，其在所有表现优异的模型中均位列第一。体高与BW和CW之间具有最强的相关性，表明它是一个与个体生长潜力和去鳞重量密切相关的重要形态特征。其他如躯干长、体厚和体长等特征也表现出较高的解释力。然而，对于躯干长和体长的预测贡献仍需进一步验证，可以通过特征消融实验来评估其对预测性能的稳定性。

研究中使用的图像采集设备包括两个iPhone 13手机，分别用于侧视图和俯视图拍摄。该设备的广角镜头具有3024×4032像素的分辨率和约26毫米的焦距，能够提供足够的细节和合适的视野范围。为确保图像质量，顶部手机与测量平面的距离固定为0.7米，侧视图手机与鱼体的距离固定为0.4米。测量平面和背景板均覆盖绿色聚氯乙烯（PVC）材料，以提高图像识别的准确性。所有图像均在自然光条件下采集，并通过麻醉剂（MS-222）使鱼体保持平躺状态，以确保测量的稳定性。此外，图像中的尺子用于将像素距离转换为实际物理测量值。

本研究的成果展示了关键点检测与机器学习相结合在鱼类表型分析和体重预测中的潜力，为智能化水产养殖和精准育种提供了重要的技术支持。未来的研究可以进一步扩展该方法的应用范围，例如通过优化设备参数或引入更多非侵入性技术，如微CT和超声成像，以提高对去鳞重量的预测精度。此外，随着样本数量的增加和实验设计的多样化，可以进一步评估模型的鲁棒性和泛化能力，以提高其在不同群体和生长阶段中的适用性。该研究不仅为大口黑鲈的育种和养殖提供了新的工具，也为其他鱼类的自动化表型分析奠定了基础。