基于北斗船位数据的拖网渔船捕捞努力量算法研究

渔船捕捞作业行为识别算法准确率直接影响捕捞努力量的估算精度，现有的捕捞作业行为识别算法存在特征局限及算力要求高等问题。基于2019—2021年辽宁省拖网渔船的北斗船位数据计算捕捞努力量，构造含空间信息的特征向量和基于极限梯度提升算法的拖网渔船捕捞作业行为识别模型。结果表明，模型的准确率、敏感性、特异性和马修斯相关系数分别为96.47%、99.58%、95.02%和0.923 4。捕捞努力量平均绝对误差为0.100 9 kW·h,均方根误差为0.985 1 kW·h。研究证实，提出的捕捞努力量算法精度较高，可为渔业资源评估和限额捕捞管理提供基础数据支撑。     

基于通道非降维注意力机制与改进YOLOv5的养殖鱼群检测

养殖环境中模糊、气泡遮挡等现象影响养殖鱼特征提取，使养殖鱼群检测精度不佳，为解决上述问题，提出融合通道非降维双重注意力机制ECBAM与改进YOLOv5的养殖鱼群检测模型ESB-YOLO(ECBAM-SPPF-BiFPN-YOLO)。使用ECBAM注意力机制获取更多细节特征；为缓解加入ECBAM导致的检测时间增加、速度变慢，使用SPPF替换SPP,减少模型计算量，降低模型检测时间，提高检测速度；为提高YOLOv5特征融合效果，使用BiFPN进行特征权重融合，提高有效特征在特征融合的比重，减少特征丢失。为了验证改进模块对YOLOv5的影响，设计了消融试验。试验结果显示：ESB-YOLO相比YOLOv5在保持检测速度的条件下平均精度提升了2.40%;设计模型对比试验，验证了ESB-YOLO的优越性，相比FERNet、SWIPENet及SK-YOLOv5等先进水下目标检测模型，ESB-YOLO在平均精度上分别具有3.10%、3.90%与0.70%的优势。研究表明，本研究所提的模型对养殖鱼群目标检测效果更佳，可以满足养殖鱼群检测要求。     

轻量化神经网络在远洋鱿钓检测技术中的应用

中国远洋鱿鱼捕捞技术比较单一,智能化的鱿鱼捕捞技术对远洋渔业资源统计至关重要。在智能化鱿鱼捕捞作业过程中,以YOLOV3算法检测时,其特征提取网络Darknet53模型参数量较大,模型输出权重存储量较高,降低了检测速度。为此,建立轻量化MobileNetV3网络作为特征提取网络,进行初步有效特征提取,再设计CSP瓶颈层作为逆瓶颈结构,提高特征提取能力;最后通过CIoU模型建立网络模型的损失函数。在实验室环境下,使用Squid数据集验证轻量化网络模型的有效性,并对其主干网络与损失函数的性能进行分析。通过训练目标数据集,将轻量型网络模型与YOLOV3网络模型结构做消融试验,验证轻量化网络应用在远洋捕捞技术上的准确性以及实用性。结果显示,轻量化网络结构的性能明显优于YOLOV3网络模型结构,可以大幅度降低参数量,提高检测速度,缩短检测时间,提高检测率,提高了鱿鱼实时检测的工作效率。本研究成果为远洋渔业资源调查提供重要依据。     

轻量化神经网络在远洋鱿钓检测技术中的应用

中国远洋鱿鱼捕捞技术比较单一,智能化的鱿鱼捕捞技术对远洋渔业资源统计至关重要。在智能化鱿鱼捕捞作业过程中,以YOLOV3算法检测时,其特征提取网络Darknet53模型参数量较大,模型输出权重存储量较高,降低了检测速度。为此,建立轻量化MobileNetV3网络作为特征提取网络,进行初步有效特征提取,再设计CSP瓶颈层作为逆瓶颈结构,提高特征提取能力;最后通过CIoU模型建立网络模型的损失函数。在实验室环境下,使用Squid数据集验证轻量化网络模型的有效性,并对其主干网络与损失函数的性能进行分析。通过训练目标数据集,将轻量型网络模型与YOLOV3网络模型结构做消融试验,验证轻量化网络应用在远洋捕捞技术上的准确性以及实用性。结果显示,轻量化网络结构的性能明显优于YOLOV3网络模型结构,可以大幅度降低参数量,提高检测速度,缩短检测时间,提高检测率,提高了鱿鱼实时检测的工作效率。本研究成果为远洋渔业资源调查提供重要依据。     

基于改进YOLOv7的网箱网衣破损识别方法

网箱网衣极易破损，一旦破损未及时修补，会给养殖户造成巨大的经济损失。为实现智能化网箱网衣破损检测，本研究提出一种基于改进YOLOv7的网箱网衣破损识别方法。该方法通过在Backbone网络使用gnConv结构、Neck网络引入SimAM模块来提升模型表达能力更好聚焦网衣破损处的特征，提高模型的检测精度。Backbone网络使用深度可分离卷积，并减少激活函数和改变卷积步长，同时在Neck网络利用Bottleneck模块使用1×1卷积核的特点和使用性能更佳的Mish激活函数重构模型，以减少参数量和运算成本，实现模型检测速度的提升及尺寸的压缩。通过消融试验和对比试验结果显示，YOLOv7-C3NeHX比原YOLOv7算法的平均精度提高了3.1个百分点，精确率、召回率与F₁值分别提升了0.5、4.2与3个百分点，检测速度达到了232.56FPS,GFLOPs和模型尺寸分别占原YOLOv7的38.2%和94.3%。研究表明，改进模型能有效提高识别效率和部署的灵活性，为智能网衣修补机器人的研发提供技术支持。     

基于显著性增强和迁移学习的鱼类识别研究

针对水下鱼类无法快速准确识别的难点,提出一种具有图像主体自动增强功能的鱼类迁移学习方法。该方法将鱼类RGB图像转换至Lab颜色空间后,利用中央周边算子计算得到整个输入图像的显著性值,进而提供鱼类目标的潜在区域,并结合GrabCut算法获取鱼类分割图像,最终将融合分割图的原始图像送入优化后的残差网络中进行训练。通过对23种鱼类进行识别试验,结果显示,固定ImageNet数据集上ResNet-50预训练模型的conv1层和conv2层参数,微调高层参数的方法能够取得最好的识别效果,且在公开的Fish4Knowledge数据集上,该模型取得了最高的识别准确率,平均识别精度达到99.63%。与其他卷积神经网络方法的对比结果显示,本方法在Fish4Knowledge和Fish30Image数据集上的识别精度和时间性能均具有较大优势,其中识别准确率至少提升4.98%。多个数据集上的试验验证了模型的有效性。     

基于深度学习的刺网与拖网作业类型识别研究

渔船作业类型可分为多种,作为典型近海捕捞作业方式的刺网和拖网捕捞渔船可占总船数的72.6%,准确的渔船作业类型识别可辅助渔船管理。利用北斗渔船监控系统(vessel monitoring system,VMS)数据提出一种对刺网和拖网作业分类识别的方法,因拖网和刺网渔船作业轨迹存在一定的差别,研究先提取出每艘船的航次信息,然后根据航次信息将原始刺网和拖网每条船的VMS划分为多个航次数据,根据航次数据中的经纬度数据批量画出每个航次的航迹图,再利用深度卷积神经网络模型对航迹图进行训练学习,进而实现刺网和拖网作业类型分类识别。通过使用自定义的10层CNN模型及使用迁移学习和模型微调方法调整后的VGG-16模型进行对比实验,结果显示,自定义的CNN模型最终精度为94.3%,证明了本方法的可行性,模型可用于辅助刺网、拖网作业类型判断。     

改进的DeepLabCut鱼类游动轨迹提取

针对现有的鱼类游动轨迹提取方法在提取效率和准确率方面不能同时兼顾的问题,提出了一种改进的DeepLabCut方法用于鱼类背部关键点识别和定位。首先,选择了轻量级卷积神经网络模型EfficientNet-B0作为DeepLabCut的主干网络模型,用于提取鱼类背部关键点的特征,为了增强EfficientNet-B0的表征能力,在网络模型中引入了改进的CBAM(Convolutional Block Attention Module)注意力机制模块,将CBAM中的空间注意力模块和通道注意力模块从原来的串行连接方式改为并行连接,以解决两种注意力模块之间因串行连接而导致的互相干扰问题。其次,基于MSE(Mean Squared Error)损失函数提出了一种分段式损失函数H＿MSE用于模型的训练,分段式损失函数H＿MSE相对于传统的损失函数具有较强的鲁棒性,其在处理数据中的异常值时能表现出较低的敏感性。最后,采用了半监督学习方法对关键点进行自动标记来减少人工标记数据时产生的误差。结果显示：相比于DeepLabCut原始算法,识别误差RMSE(Root Mean Squared Error)平均...     

秘鲁鳀资源变动及与海洋环境要素的关系研究进展

秘鲁鳀(Engraulis ringens)是一种小型中上层鱼类。作为重要的商业性鱼类之一,秘鲁鳀的捕捞产业曾形成了世界上最大的单鱼种渔业,但其产量的年间差异非常大,上升流流场结构变化是其产量变化的重要影响因素。上升流对秘鲁鳀捕捞量的作用机制可归纳为低纬度的地理位置、适宜的水温结构、低溶解氧、高能量传递效率的食物网以及复杂的海洋环境要素变化五个方面。秘鲁鳀渔业生物学的多个方面都显著地受到了海洋环境变化的影响。此外,与气候相关的大尺度海洋生态系统周期性变化(regime shift)也影响到了秘鲁鳀的资源变动。本研究认为,今后在加强对长时间尺度生态系统周期性变化的研究同时,也应注重结合海洋环境变化、捕捞因素及种群的内部动力过程这三者之间的关系,结合基于个体的海洋动力学,建立秘鲁鳀资源评估及预测的模型,为合理开发和管理提供基础。     

秘鲁上升流对秘鲁鳀渔场的影响

秘鲁鳀作为世界上产量最大的单鱼种渔业的目标种,研究秘鲁上升流对渔场的作用机制有利于人们加深秘鲁鳀渔场形成机制的理解,把握渔场状况。研究利用风场数据反演的秘鲁鳀渔场的上升流流速(upwelling velocity,UV)作为上升流的指标,同时结合港口实测渔场温度(temperature,T)和温度距平(temperature anomaly,TA)数据及秘鲁鳀的渔获数据(2005—2009年),以名义单位捕捞努力量渔获量(catch per unit effort,CPUE)作为渔场的表征,对2005—2009年秘鲁鳀渔场状况与海域上升流和水温状况的规律进行研究。结果显示,渔汛期间,渔场上升流流速(UV)在1.42×10~(–5)~7.44×10~(–5) m/s之间,温度(T)范围在16.61~19.42°C之间,渔场的温度距平(TA)范围在–1.87~1.69°C之间。利用广义可加模型(generalized additive model,GAM)分析环境因子对渔场的影响发现,模型对渔场CPUE的解释率为67%,能够较好地拟合2005—2009年渔汛期间渔场CPUE的变动趋势,各个环境因子的适宜范围分别为UV小于4.5×10~(–5) m/s;T为18.4~19.5°C;TA小于0.2°C。上升流的流速小于4.5×10~(–5) m/s时,渔场CPUE随着UV的升高而基本不变,但是上升流的流速高于4.5×10~(–5) m/s之后,渔场CPUE随着UV的升高呈现下降趋势。研究表明,秘鲁鳀渔场由适宜的海表风速、上升流流速以及上升流海域适宜水温等环境条件的共同作用而形成。     

剩余产量模型评估南海北部鲔资源

根据2008—2020年渔港渔业生产抽样调查数据,开展了南海北部鲔(Euthynnus affinis)资源的评估,统计发现,南海北部的鲔被围网、罩网、刺网和拖网捕捞,分别占其总产量的69.01%、10.98%、17.77%和2.23%。采用剩余产量模型对12个单位捕捞努力量渔获量数据进行了分析。平衡Schaefer模型计算的最大可持续产量为56 493.19 t,平衡Fox模型计算的最大可持续产量为49 888.98 t,非平衡产量模型计算的最大可持续产量为50 012.00 t。罩网201～300 kW、围网50～100 kW和刺网151～200 kW 3种作业方式与功率段在2020年被判断为捕捞努力量水平投入过度,即捕捞型过度捕捞,但这3种作业方式与功率段的产量只占总产量的13.73%,因此,当前鲔资源的利用状况整体上较为乐观。综合推断南海北部鲔资源总可捕捞量可设定在4.9×10⁴ t。     

黄海鳀鱼的渔场及资源利用意见

鳀鱼(Engraulis japonica)是分布于太平洋西北部温带水域的一种小型中上层鱼类。据联合国粮农组织统计，年渔获量50万吨左右，其中日本产20-40万吨，南朝鲜产5-17万吨。我国黄海水域历来有鳀鱼广泛分布，且为我省沿海定置网的兼捕对象，1979-1982年，全省年产量约为7000-10000吨。大连海洋渔业公司的机轮底拖网在黄海作业中。     

福建海洋捕捞"技术效率"的时间序列分析

根据1981-2003年福建省渔业统计及相关调查资料，应用DEA法，分析了全省海洋捕捞作业及五种主要作业捕捞“技术效率”的年间变化，结果表明：1981～2003年全省海洋捕捞作业综合“技术效率”的变化范围为61．8％～100%，平均为76．4％，综合“技术效率”的年间变化呈现先降后升的态势；1990年以来，全省灯光围网和张网作业捕捞能力的发挥比较好，其次为刺网和底拖网作业，钓具作业捕捞能力的发挥较差；渔获选择性低的底拖网和张网作业的捕捞“技术趋势”年间变化保持平稳上升，渔获选择性高或较高的刺网、钓具和灯光围网作业的捕捞“技术趋势”年间变化则呈波动式上升或处于波动状态；各种投入因子对不同作业类型的捕捞”技术效率”的约束力各不相同，主动性较大的底拖网和灯光围网作业对渔船功率的依赖程度相当大，而主动性较小的刺网、钓具作业和被动性的张网作业，对网(钓)具使用数量的依赖度较大；作业天数对五种作业类型的“技术效率”发挥都有不同程度的影响。     

福建底拖网捕捞能力的分析

根据2002年福建闽南地区双船底拖网和单船底拖网的生产调查及全省渔业统计，结合相关的渔捞记录，应用DEA法，分析了福建各地，市底拖网的捕捞能力和闽南地区不同作业方式捕捞能力及其影响因素，并与单位捕捞努力量渔获量计算进行比较。结果表明：福建各地、市实际拥有底拖网的渔船数量、功率和吨位可能达到的最大产出量的“能力利用度”差异悬殊，1999年和2001年最低的仅为19．4％、19．9％；全省底拖网平均“能力利用度”偏低，1999年和2001年分别为64．3％、67．5％，全省底拖网作业仍然存在渔船的投人数量过多、功率和吨位偏大的问题；因捕捞方式不同，影响捕捞能力的因子有所不同，但投入功率和作业天数都是影响双船底拖网和单船底拖网捕捞能力的主要因素；在考虑将单位捕捞努力量渔获量数据转换为“能力利用度”时，其前提条件是计算采用的因子必须一致。但单位捕捞努力量渔获量在考虑计算投入因子的数量上有很大的局限性，采用DEA法可获得各种投入要素下捕捞能力变化的信息，结果比较符合客观实际。     

基于渔船捕捞行为特征的远洋延绳钓渔场捕捞强度计算

渔场捕捞强度信息可以为渔业资源评估和管理提供帮助。本研究结合2017年10—11月船舶自动监控系统(AutomaticIdentificationSystem,AIS)信息和同期中国中西太平洋延绳钓渔船捕捞日志数据,通过挖掘延绳钓渔船作业航速和航向特征,建立渔场作业状态识别模型,提取渔场捕捞强度信息。以3～9节为航速阈值和0°～10°及300°～360°为航向阈值,渔船作业状态识别准确率为68.29%。阈值识别和日志记录的捕捞强度信息在空间上相关性很高(0.96),基于AIS信息挖掘的渔船捕捞强度空间分布特征和实际非常相似。阈值识别和日志记录的捕捞强度信息在空间上与单位捕捞努力量渔获量(catch per unite of effort, CPUE)、渔获尾数、渔获重量和投钩数的空间相关系数均大于0.62,基于AIS信息挖掘的渔船空间捕捞强度也可替代用于渔业资源分析。     

基于卷积神经网络的养殖鱼类品种识别模型

随着人工智能、大数据、机器学习、计算机视觉等技术的发展,卷积神经网络（CNN）越来越多地应用于图像识别领域,图像数据集的丰富性以及多样性对CNN模型的性能和表达能力至关重要,但现有的鱼类图像公共数据集资源较匮乏,严重缺少训练集以及测试集样本,难以满足深度CNN模型优化及性能提升的需要。实验以大黄鱼、鲤、鲢、秋刀鱼和鳙为对象,采用网络爬虫以及实验室人工拍照采集相结合的方式,构建了供鱼种分类的基础图片数据集,针对网络爬虫手段获取到的鱼类图像存在尺度不一、格式不定等问题,采用图像批处理的方式对所有获取到的图像进行了统一的数据预处理,并通过内容变换以及尺度变换对基础数据集做了数据增强处理,完成了7 993个样本的图像采集与归纳;在权值共享和局部连接的基础上,构建了一个用于鱼类识别的CNN模型,采用ReLU函数作为激活函数,通过dropout和正则化等方法避免过度拟合。结果显示,所构建的CNN鱼种识别模型具有良好的识别精度和泛化能力。随着迭代次数的增加,CNN模型的性能也逐步提高,迭代1 000次达到最佳,模型的准确率为96.56％。该模型采用监督学习的机器学习方式,基于CNN模型,实现了5种常见鱼类的鱼种分类,具有较高的识别精度和良好的稳定性,并且模型本身具有一定程度的鱼种推广可能性,为养殖鱼类的品种识别提供了一种新的理论计算模型。     

中国近海11种鳀科鱼类分子系统发育的初步研究

以鳀科鱼类为研究对象,分析其线粒体16S rRNA基因片断序列,探讨了5属11种中国鳀科鱼类的亲缘关系。得到16S rRNA可比序列长度为472~501 bp,共存在20个插入/缺失,125个变异位点。总体上看,序列中转换多于颠换,转换/颠换之比为1.4。根据16S rRNA基因片段差异计算的种间遗传距离从0.22%(黄吻棱鳀和中颌棱鳀,刀鲚和凤鲚)到18.54%(长颌棱鳀和康氏侧带小公鱼),以金色小沙丁鱼作为外群构建的系统树,棱鯷属依次与鲚属、黄鲫属相聚,再与棱鳀属的赤鼻棱鳀相聚;最后与鳀属和侧带小公鱼属形成的分支相聚。赤鼻棱鳀自成单独的一支,建议将赤鼻棱鳀从棱鳀属中划分出来。     

乌苏里江经济鱼类现状

2018年9月25日至2018年11月15日对乌苏里江抚远抓吉江段和饶河四排江段的经济鱼类进行了资源调查。采用三层流刺网(10 cm网眼)共作业86网次(其中:抓吉作业19网次;四排作业67网次),定置网(5 cm网眼)作业3 d。共获得渔获物2 309尾,重量为342 587 g,平均体重为148.4 g/尾。其中:定置网(5 cm网眼)共获得渔获物2 082尾,重量为52 312 g,平均体重为25.1 g/尾;三层流刺网(10 cm网眼)共获得渔获物227尾,重量为290 275 g,平均体重为1 278.7 g/尾。其中抓吉上滩捕获鱼类66尾,重量为135 900 g,平均体重为2 059.1 g/尾;四排捕获鱼类161尾,重量为154 375 g,平均体重为958.9 g/尾。总的渔获率为1.32尾/km,单位捕捞努力量渔获量为1 687.6 g/km。两个捕捞滩地的渔获率和单位捕捞努力量分别为:抓吉渔获率1.74尾/km,单位捕捞努力量3 576.3 g/km;四排渔获率1.20尾/km,单位捕捞努力量1 152.1 g/km。本次调查到乌苏里江鱼类共28种,隶属9科25属。其中:鲤科16种,占57.1%;鲑科4种,占14.3%;鲿科2种,占7.1%;茴鱼科、狗鱼科、鳕科、鮨科、鲇科和鲟科各1种,各占3.6%,其中冷水性鱼类7种,占比为25%。     

黄海北部辽宁近岸海域鳀产卵场分布特征及其影响因素

为掌握黄海北部辽宁近岸海域鳀(Engraulis japonicus)产卵场的分布特征及其关键环境因子,基于2021年4—12月开展的产卵场综合调查获取的鳀样品及其鱼卵密度数据,运用Garrison重心分布法阐释鳀产卵洄游分布特征及其主产卵期;通过基于Tweedie分布的广义可加模型(generalized additive model, GAM)的构建,分析主产卵期内鳀卵密度与同步获取的海水表层温度(SST)、海水表层盐度(SSS)、海水表层叶绿素浓度(Chla)、浮游动物丰度(Fd)、浮游植物丰度(Fz)和深度(Depth)等6个环境因子,以及时间(月份,Month)和空间(经纬度、Lon和Lat)因子之间关系,并识别主控因子。结果显示,海域内鳀产卵期较长,由4月持续至11月,5—8月为主产卵期,其中,5—6月为产卵盛期。鳀产卵场规模和位置时空变化明显,时空因子与鳀卵密度分布呈密切非线性相关(累积偏差解释率为48.1%),(SST, SSS) (18.7%)和Depth (5%)次之。鳀产卵期适温范围较广,产卵场分布表现出高温高盐(低温低盐)增效作用和高温低盐限制作用。产卵初期(4月),鳀产卵场规模和鱼卵密度均较低,产卵重心位于海洋岛东南侧深水区;盛期(5月底—6月初)在SST主导下,鳀产卵场规模和鱼卵密度均至年内最高值,核心产卵场位于石城岛–庄河河口一带海域;此后,随着辽南沿岸水系盐度的下降,高温低盐的抑制作用使SSS因素主导产卵鱼群避开沿岸海域,鳀产卵场迁移至外海深水区,7月后位于30~50 m等深线之间;9—10月鳀繁殖活动基本结束,10月鳀卵仅零星分布于调查海域,直至12月未有鳀卵采获。研究可为黄海北部辽宁近岸海域鳀产卵场研究及鳀资源合理开发利用提供参考依据。     

秋冬季智利竹鱼栖息地指数模型比较

根据2003—2009年5—9月我国大型拖网渔船捕捞智利竹鱼的生产统计数据,结合海表面温度(SST)和海表面高度(SSH)的海洋环境因子,以作业网次和单位捕捞努力量渔获量(CPUE)作为适应性指数(SI),采用外包络法分别建立SST、SSH的SI,采用算术平均法(AMM)、几何平均法(GMM)、基于权重的AMM分别建立栖息地指数(HSI),并用2010—2011年度生产捕捞数据进行比较与验证。结果显示,以作业网次为基础的SI为最适;AMM优于GMM;考虑到权重的AMM优于没有考虑权重的AMM,5—9月最适HSI模型的SST权重分别为0.4、0.7、0.6、0.7、0.1,2010—2011年渔获量和作业网次的验证预报精度分别为75%~93%、80%~90%,可作为秋冬季智利竹鱼栖息地指数模型。研究表明,不同月份的SST和SSH对秋冬季智利竹鱼渔场分布有着不同的影响。秋冬季是智利竹鱼的主要渔汛期,本研究为准确建立其渔场预报模型奠定了基础。