编辑推荐：
研究人员为解决现有鱼类缺氧应激行为检测方法准确性低的问题，开展 YOLOv8n-HSB 方法研究，AP@0.5:0.95提升 4.05%，意义重大。
在水产养殖中，长期的缺氧环境对鱼类的生存构成严重威胁，常常会引发大规模的死亡事件。鱼类在缺氧胁迫下的异常行为，能够作为水体中溶解氧含量下降的早期预警信号。然而，现有的鱼类缺氧胁迫行为检测方法，会受到实际水产养殖环境中的光照、遮挡和水体浑浊度等因素的影响，导致检测缺氧胁迫行为的准确率较低。
在本文中，研究人员提出了一种实时检测方法 YOLOv8n-HSB，旨在提高循环水养殖系统中罗非鱼缺氧胁迫行为的检测精度。该方法的主要改进点包括：（1）引入多尺度融合金字塔网络（Multi-scale Fusion Pyramid Network，MFP-Net），通过在特征金字塔底部添加特定层，并基于双向特征金字塔网络（Bi-directional Feature Pyramid Network，BIfpn）架构对颈部结构进行特征融合改进，以此增强对小目标的检测能力；（2）在骨干网络中开发 C2f 遮挡感知（C2f-Occlusion Perception，C2f-OP）模块，将移动倒置残差瓶颈卷积（Mobile Inverted Residual Bottleneck Convolution，MBConv）和有效挤压激励（Effective Squeeze-and-Excitation，ESE）相结合，提升模型捕捉关键局部特征的能力；（3）使用集成参数网络（ParameterNet，P-DConv）的动态卷积（Dynamic Convolution，DConv）模块替换传统卷积（Convolution，Conv）层，增强模型处理复杂信息和提取鱼类精细特征的能力。
实验结果表明，YOLOv8n-HSB 模型在检测罗非鱼缺氧胁迫行为方面非常有效。与原始的 YOLOv8n 模型相比，平均精度均值（AP@0.5:0.95）提高了 4.05%，AP@0.5达到 96.12%，优于现有的先进方法。这项研究为监测缺氧环境中鱼类的异常行为提供了一种新方法，对智慧水产养殖系统具有重要的现实意义。
