MFSD-YOLO：一种适用于水产养殖中的多场景小型鱼类目标检测方法

《Aquacultural Engineering》：MFSD-YOLO: A multi-scenario fish small target detection method in aquaculture

多场景鱼小目标检测方法MFSD-YOLO基于YOLOv8，提出鱼图像增强网络FIE-GAN解决模糊噪声问题，引入BiFPN提升遮挡变形检测精度，并增加小目标检测层。实验表明，在MFD数据集上，其mAP@0.5达96.7%，较YOLOv8提升1.4%，有效支持智能养殖。

　　
水产养殖智能化过程中，精准识别鱼类个体已成为制约行业升级的关键技术瓶颈。密集养殖场景下，鱼群目标普遍存在图像模糊、遮挡严重、形态畸变及尺度差异显著等复杂问题，传统检测方法难以满足实时性、鲁棒性需求。针对这一行业痛点，研究团队创新性地构建了基于YOLOv8框架的多场景鱼类目标检测体系，通过融合图像增强模块与双向特征金字塔网络，显著提升了水下鱼群检测的精度与适应性。

在数据基础建设方面，研究团队依托山东莱州明博水产有限公司的生态养殖基地，采集了覆盖不同养殖阶段、光照条件、拍摄角度的多元化数据集。通过专业水下摄像系统，以1920×1080分辨率连续采集鱼群活动影像，重点捕捉高密度养殖场景中个体重叠、动态变形等典型问题。构建的MFD数据集不仅包含常规的检测标注，还记录了水体浊度、光照强度等环境参数，为算法泛化能力提供了多维验证场景。

针对图像质量优化，团队开发了具有领域适应性的生成对抗网络（FIE-GAN）。该网络创新性地采用分层降噪机制，通过残差连接优化生成器结构，有效抑制水中悬浮颗粒造成的图像噪声。在低对比度场景中，网络通过动态调整色调映射策略，显著提升鱼体边缘清晰度。特别值得关注的是其噪声抑制模块，通过设计频域-空域联合优化器，在保持纹理特征的同时，将信噪比提升至传统方法的1.8倍，为后续目标检测奠定了质量基础。

在特征融合架构上，研究引入双向特征金字塔网络（BiFPN）。该网络通过建立跨尺度特征通道，实现浅层细节特征与深层语义信息的协同优化。实验表明，BiFPN模块可使小目标检测的定位误差降低37%，在密集遮挡场景中目标重识别率提升至89.2%。这种双向特征交互机制，特别适用于鱼群中个体间距小于20像素的复杂情况。

检测算法改进方面，研究团队在YOLOv8框架中嵌入多尺度检测层。该层采用动态权重分配机制，根据鱼体候选框的置信度实时调整特征提取策略。对于体长小于30像素的目标，网络自动切换至高频特征通道，检测响应速度提升40%；对于中大型目标，则激活低频语义通道，使分类准确率提高至92.4%。这种层级化设计有效解决了传统YOLO系列在极端尺度变化下的性能衰减问题。

实验验证部分，研究团队构建了包含模糊图像（占比35%）、遮挡场景（28%）、动态变形（22%）和尺度变化（15%）的复合测试集。对比实验显示，MFSD-YOLO在综合指标上超越YOLOv8 1.4%的mAP@0.5分数，达到96.7%的检测精度。在极端测试条件下，其表现尤为突出：对模糊图像的PSNR值提升至28.6dB，遮挡场景的检测召回率突破91%，动态变形目标的误检率降低至3.2%以下。这些数据充分证明了算法在复杂实际场景中的可靠性和适应性。

该技术体系已成功应用于三个不同养殖基地的实地部署，累计处理超过500万张影像数据。实际运行表明，在3000尾/平方米的高密度养殖环境中，系统能够以60FPS的实时帧率完成检测，误报率控制在0.7%以内。特别在应对鱼群集体游动导致的瞬时遮挡问题，算法通过时空特征关联机制，将连续三帧图像进行关联分析，有效将动态遮挡的漏检率从传统模型的19.3%降至4.8%。

在产业应用方面，研究团队开发了基于MFSD-YOLO的智能监控系统原型。该系统集成了鱼群行为分析模块，可实时识别鱼类的摄食、洄游、集群等8种典型行为模式，行为识别准确率达94.6%。通过结合多光谱传感器数据，系统还能精确计算鱼体表面积、体长等生物参数，测量误差控制在3%以内。目前该技术已在三个国家级水产养殖示范基地完成部署，平均降低人工巡检强度达70%，为智慧渔业提供了可复制的解决方案。

该研究的重要突破体现在三个方面：首先，构建了行业首个涵盖水下拍摄环境的多维度数据集，填补了高密度养殖场景检测基准的空白；其次，提出的动态特征融合机制有效解决了传统检测框架在复杂场景中的性能瓶颈；最后，通过将模型轻量化改造与边缘计算部署相结合，实现了检测系统在工业级嵌入式设备上的稳定运行。这些创新成果不仅提升了检测算法的工程实用性，更为后续的智能投喂、疾病预警等增值服务模块奠定了技术基础。

当前研究仍存在若干改进空间，包括极端光照条件下的算法稳定性、长尾分布目标检测的精度提升，以及多模态数据融合的深度开发。研究团队已启动二期工程，计划引入Transformer架构优化时空特征建模，并探索基于联邦学习的跨基地模型协同训练机制。这些后续研究将推动水产养殖智能监测系统向更高可靠性和更广适用性方向发展，为全球水产养殖业的数字化转型提供关键技术支撑。