魚類識別技術研究進展綜述

中圖分類號： 文獻標志碼：A

隨著水產養殖業規模的擴大，依賴經驗、人力密集且受天氣制約的傳統養殖模式越來越不適應當前生產經營的需要，水產養殖正加速向工廠化、規模化和智能化方向轉型升級[1]。養殖規模的擴大和種類的增多，使得高效獲取并解析生產過程中的關鍵信息，對于降低養殖風險、提高經濟效益、減輕勞動強度具有重要意義。

在漁業生產過程中，實時精準掌握魚類體長、體重、健康狀況及行為特征，可為餌料投喂、水質管理、病害控制、飼料配方管理等提供關鍵分析數據，進而為生產管理決策提供重要支持。實現上述數據采集的前提是可靠的個體識別技術。基于目標檢測的個體身份綁定，可將生長特征與特定個體關聯，為精細化養殖提供決策依據[2]。此外，通過精確識別魚類個體可以跟蹤其生長、遷移和行為，對于研究生長模型、種群動態及瀕危物種保護均有重要價值。

然而，魚類個體識別面臨諸多挑戰：水下成像易受環境干擾、同物種個體特征差異微弱、魚類姿態多變以及標注數據集匱乏等。文章系統梳理了魚類個體識別技術體系，論述傳統方法與計算機視覺技術的發展，對比分析主流數據集的構建特征，進而探討了技術瓶頸與未來突破方向。

識別方法在魚類中的應用

1.1 傳統識別方法

傳統物理標記法通過植人或附著標記物（如塑料管、金屬線、熒光標簽等）實現個體區分，其優勢在于成本低廉、操作簡易且標記持久。但該方法存在明顯缺陷：標記過程易對魚體造成機械損傷，導致死亡率上升；僅適用于特定體型魚類，且需反復捕撈進行標記驗證。

1.1. 1 物理標記法

被動集成應答器（PIT）技術通過植入微型電子芯片實現個體追蹤[3]。當芯片暴露于特定頻率電磁場時，可被動發射唯一識別碼，兼具高存儲容量、強耐用性與快速響應特性，已廣泛應用于魚類生態學研究。ZAKESZ等學者[4]通過植人PIT標記研究歐洲白鮭幼魚的生長適應性，實驗表明標記28d后保留率達 90% ，證實該技術對魚類行為研究的適用性。金瑤等學者[5]以大渡河安谷豎縫式魚道為研究地點，結合PIT遙測技術量化分析白甲魚與唇的行為特征及其對魚道效率的影響，為國內過魚設施優化提供技術參考。

熒光標記法利用化學染料在耳石、鱗片等骨骼結構中形成持久標記，具有經濟性強、操作簡便且適用廣的特點[6。但受限于化學物質擴散機制，該方法更適用于群體標記而非個體區分。朱亞華等學者7采用茜素絡合物（ALC）浸泡法標記草魚耳石，證實標記對魚類生存無顯著影響且可實現長期追蹤。BLABOLILP等學者[8通過鹽酸土霉素標記研究梭鱸幼體擴散規律，為物種保護與人侵風險評估提供依據。

1.1.2 生物識別法

DNA識別技術通過分析鱗片、鰭條等樣本的基因信息實現精準鑒別，在種群遺傳研究與親權鑒定中發揮重要作用。但其依賴專業設備與技術人員，存在成本高、周期長等局限，難以滿足規模化養殖需求。徐穎琪等學者構建北大西洋魚類DNA條形碼數據庫，通過COI基因序列比對實現物種鑒定。AIQ等學者[利用環境DNA（eDNA）技術檢測水體中的遺傳物質，為物種數量估算提供新思路。

1.2 計算機視覺識別

人工智能與計算機視覺技術的突破，推動了非接觸式魚類個體識別技術的發展。基于魚體形態特征（如體型、斑紋、顏色等）的視覺識別方法，可避免對魚體造成物理損傷。

現有研究通過高分辨率圖像捕捉魚體輪廓與紋理特征實現個體區分。CISARP等學者\"針對大西洋鮭魚體表點狀圖案設計神經網絡模型，實現6個月內 100% 的識別準確率。LINY等學者[12]利用河豚背部獨特的皮膚紋理模式作為關鍵生物特征，訓練類似于深度人臉識別的架構，取得了優異的識別效果。BEKKOZHAYEVAD等學者[13]對體表無明顯圖案的鱸魚和鯉魚進行圖像識別，證明了計算機視覺在缺乏顯著紋理特征魚種上的識別能力。

目前多數研究局限于實驗室環境下的單目標識別，難以應對實際養殖場景中的珊瑚礁遮擋、魚群重疊、光學噪聲等復雜干擾。GAOC等學者[14]提出了一種融合個體目標檢測與識別的框架（FIRN）。個體目標檢測模塊可自動從魚群中快速采集目標數據，相比依賴手動逐條采集數據的研究，顯著降低了數據采集難度，并通過注意力機制提升識別精度。ZHENGT等學者[15]提出了一種基于視頻目標分割的水下復雜環境魚類個體識別方法，增強模型對復雜環境中魚體的關注度，提高識別準確率和效率。GOMEZ-VARGASN等學者[16]開發了一種基于孿生神經網絡的少樣本學習方法，可在極少量樣本下進行魚類個體識別。YOSHIDAM等學者[發現金魚虹膜血管紋路具有獨特性，提出基于眼部的識別方法（眼標法）。盡管當前受限于非侵人式眼部圖像的高質量采集難度，該方法展現了獨特的應用潛力。

2公開數據集

在魚類個體識別研究中，高質量標注數據集是模型訓練與技術驗證的核心基礎。盡管計算機視覺領域已涌現大量魚類影像數據集，但其標注目標多聚焦于物種分類而非個體區分，需通過數據篩選與二次標注才能應用于個體識別任務。

2.1 LabeledFishesintheWild數據集

該數據集通過遠程操作潛水器（ROV）在自然海域采集多物種圖像數據。其主要價值體現在兩方面：一是包含珊瑚礁、海藻床等復雜海底地形下的動態光照影像，為自然環境下的魚類檢測提供真實場景；二是提供像素級物種分類標注及目標定位信息。但該數據集缺乏個體身份標簽，且存在跨鏡頭標注不一致問題，需通過身份關聯算法處理才能應用于個體識別研究。

2.2 FS48數據集

由FANS等學者構建的首個水下魚類重識別（ReID）基準數據集[18]。FS48包含48個不同身份的魚，采集自三個不同攝像頭視角的水下視頻，總計10300幀圖像，標注了39088個魚的邊界框。該數據集覆蓋了白天和夜間等不同光照條件以及多種背景環境，魚體存在部分遮擋等復雜情況。FS48的推出填補了水下多視角魚類個體識別數據的空白，為算法提供了統一的評測平臺。其優勢在于數據量較大且具有多樣性（多視角和光照變化），接近實際養殖環境中的監控場景。其局限是魚的種類和個體數量有限（僅48尾同種或近緣種魚），尚不足以代表所有魚類個體識別問題的復雜性。

2.3 魚臉數據集

由LID等[19]學者收集并發布的魚臉識別數據集，包含3412張魚類圖像。該數據集聚焦于魚的頭部（“臉部”）區域，旨在利用相對穩定的面部花紋特征進行識別。研究者提供了對應的魚體目標檢測標注，方便定位魚頭部。數據集主要針對養殖環境下的魚（如鯉），由于圖片中魚姿態各異，研究者采用旋轉檢測技術處理傾斜魚體。魚臉數據集規模適中，適合作為探索魚體局部特征識別的基準。然而，其包含的個體數量和魚類種類有限，且魚頭部特征在某些物種中未必足夠區分個體，應用時需注意。

2.4其他相關數據集

除了專門針對個體識別的數據集，一些主要用于物種分類的魚類影像數據集在個體識別研究中也有參考價值。例如，Fish4Knowledge[20]是早期的大型水下魚類視頻數據集，包含上萬條魚的錄像，用于物種識別和行為分析。Fish-NetOpen Images數據庫收集了漁船甲板和監控中的魚類圖像86000余張，涵蓋34個物種，用于漁獲物種分類和檢測。雖然這些數據集不包含個體身份標簽，但它們體現了魚類圖像的大規模多樣性和在復雜條件下檢測分類的挑戰，可為個體識別模型訓練提供相關背景經驗。總體而言，專門針對魚類（尤其是中小型魚）個體識別的、高質量且大規模的公開數據集仍相對匱乏。

3挑戰

3.1 環境與成像挑戰

水下環境復雜多變，光照條件和清晰度難以保證。自然水域中，光線受時間和天氣影響顯著，懸浮物引起渾濁和光散射，嚴重降低成像質量[21]。即使在養殖場，水藻和微生物附著也會模糊視野。魚類高速移動易造成運動模糊，尤其在低光環境下需長曝光時更為明顯。遮擋問題突出，高密度群游時魚體相互遮擋，單一視角難以捕獲完整形態[22]，影響檢測和重識別效果，需依賴多視角融合或智能跟蹤技術。

3.2個體間表型差異細微

同種魚類外觀高度相似，使得個體識別比人臉識別更具挑戰性[23]。多數魚缺乏明顯的個體特異性特征（如獨特斑塊、疤痕），即使存在特殊花紋，個體間差異也極其細微，要求識別算法具備極高的判別能力。當前方法在訓練數據量有限時易過擬合，難以泛化到識別未見過的個體。

3.3 姿態與視角變化

魚類可從任意角度被觀察，其形態和花紋特征隨視角變化顯著[24]。例如，側面的斑點從正面觀察幾乎不可見，魚體厚度差異在不同視角下表現明顯，導致同一尾魚在圖像中的像素表現差異巨大，增加了識別難度。多視角拍攝和姿態歸一化技術可部分緩解此問題，但在單攝像頭部署或魚體運動不配合的情況下，算法本身需具備較強的視角不變性。此外，魚體柔韌性強，彎曲扭動會顯著改變體表花紋分布和整體形狀特征，要求算法具有形變魯棒性，或需結合姿態估計技術以分離形變因素。除空間維度的形變外，魚類識別還需考慮時間維度上的變化。

3.4 時間變化與個體成長

魚類外觀隨生長階段、生理狀態及環境經歷而改變。體色、斑紋、體型均可能發生顯著變化[25]。例如，三文魚幼年期斑紋清晰，成熟后可能減弱或消失；繁殖期膚色和花紋鮮艷度可能改變；個體傷痕、鱗片缺損也會隨時間變化。這使得在短期實驗中表現良好的識別算法可能無法長期穩定追蹤同一尾魚。當前解決方案包括定期對模型進行微調（Re-learning）和提取時間不變性特征，但實現跨年度甚至跨生命周期的穩定識別仍需深入研究。

3.5 數據集局限

深度學習模型依賴大量標注數據進行訓練，但魚類個體標注極其困難，需預先知曉個體身份。傳統打標簽或長期手工跟蹤成本高昂，在野外環境中更難大規模采集帶身份標注的數據。現有公開數據集普遍規模較小（個體數量有限）、覆蓋場景或物種單一，導致訓練出的模型泛化能力不足，應用于新環境或新物種時效果顯著下降[26]。此外，人工標注魚ID費時費力，在魚類外觀高度相似時易出錯，錯誤標簽會嚴重影響模型性能。研究者正在探索無監督或弱監督學習方法以減少對標注數據的依賴，但主流有效方法仍以有監督學習為主。

3.6 模型與實時性限制

深度學習模型通常計算復雜度高，而實際應用場景（如養殖場實時監控、野外生態監測）需處理實時視頻流甚至多路攝像頭數據，對算法效率要求苛刻。在資源受限的養殖場或野外監測站，難以部署高功耗計算設備，算法需適配嵌入式或邊緣計算設備。目前許多研究側重于離線環境下的識別準確率提升，其模型未必能滿足實時運行需求。實驗室環境下每秒處理1幀可能可行，但實際應用中攝像頭幀率通常在10幀/秒～30幀/秒，算法處理速度需與之匹配以免遺漏目標。此外，多目標持續跟蹤進一步增加了系統復雜度，系統需實時跟蹤多條魚并維持其身份一致性，這本質上結合了重識別與多目標跟蹤技術（MOT），技術挑戰更大。在計算資源受限的平臺上，往往需要在識別精度與處理速度之間進行權衡。

4未來發展趨勢

4.1多模態數據融合

水下環境復雜多變，單一傳感器（如光學相機）的數據可能不足以全面、穩健地表征目標特征。融合光學圖像、聲吶、激光雷達和環境傳感器（溫度、鹽度）等多源異構數據，可充分利用不同模態的優勢（如聲吶在渾濁水域穿透力強，光學圖像在清晰水域紋理信息豐富），相互補充，提高整體識別系統的準確性、魯棒性和環境適應性。

4.2自監督學習與小樣本學習

獲取高質量、大規模的水下生物標注數據成本高昂且困難，是制約技術發展的瓶頸。自監督學習：通過設計巧妙的代理任務，利用海量未標注數據中蘊含的內在結構信息進行預訓練，從而顯著降低對大量標注數據的依賴。小樣本學習/少樣本學習：則致力于研究如何在僅有少量標注樣本（甚至單樣本）的情況下，通過先驗知識遷移、度量學習、元學習等方法，實現模型對新類別或新個體的有效識別，提升模型的泛化能力和適應性。這些方法是解決數據匱乏問題的關鍵方向。

4.3模型輕量化與實時性

面向實際部署，尤其是在資源受限的水下設備或邊緣節點上，識別模型必須兼具輕量化與實時處理能力。通過“模型剪枝”（移除冗余參數）、“量化\"（降低權重和激活值的數值精度）、“知識蒸餾”（用大模型指導小模型訓練）和設計高效的“神經網絡架構\"（如MobileNet，EfficientNet，GhostNet等）等技術，可大幅減少模型參數量和計算量，提高推理速度。輕量化模型能有效部署在嵌入式平臺或移動設備上，實現實時的水下監測與個體識別。

4.4數據集擴充與標準化

高質量、大規模、多樣化的數據集是訓練和驗證可靠識別模型的基礎。當前公開可用的水下生物個體識別數據集數量有限，且缺乏統一的標準（如標注規范、評價指標）。未來應加強：4.4.1數據采集與構建：鼓勵在更接近真實場景（不同養殖環境、自然水域）下采集數據，覆蓋更多物種和個體，包含各種挑戰因素（遮擋、模糊、姿態變化、時間跨度）。4.4.2數據共享：建立公共數據平臺，促進數據集共享，避免重復勞動。4.4.3標準化：制定統一的標注規范、數據格式和評價指標（如mAP，Rank-1，Rank-5用于ReID），以公平、客觀地比較不同算法的性能，推動技術持續進步。

4.5跨領域技術融合

將魚類個體識別技術與新興信息技術深度融合，是提升系統性能和實用性的必然趨勢：

4.5.15G/6G與物聯網（IoT）：利用高速、低延遲的無線通信技術，實現海量水下圖像/視頻數據的實時、可靠傳輸至云端或邊緣節點。

4.5.2邊緣計算：將計算任務下沉到靠近數據源的邊緣設備（如水下智能節點、水面浮標、岸基站），在本地完成數據的預處理、目標檢測甚至初步識別，減少對中心服務器的依賴和網絡帶寬壓力，降低系統延遲，提高響應速度和隱私性。

4.5.3大數據與人工智能：結合大數據分析技術，

對識別出的個體數據進行深度挖掘，用于生長建模、行為分析、健康預警、精準飼喂決策等智能養殖應用。人工智能算法本身也在不斷進化（如Trans-former，神經架構搜索NAS），將持續為個體識別提供新動力。

這種跨領域的融合將極大地推動水下生物識別技術向智能化、系統化和實用化方向發展

5結語

隨著水產養殖業向智能化、精細化快速邁進，魚類個體識別技術的研究與應用日益重要。傳統的物理標記法（如PIT、熒光標記）和生物識別法（如DNA）雖然在特定研究或管理場景下有效，但普遍存在生物損傷、操作繁瑣、成本高、時效性差或難以規模化等固有缺陷。基于計算機視覺的非接觸式識別技術，通過捕捉和分析魚體形態、斑紋、顏色等特征實現無損檢測，在受控實驗環境中取得了顯著成效，展現出巨大潛力。然而，面對實際復雜水體環境中的成像干擾、個體間細微差異、姿態視角多變、外觀時間演化、數據匱乏以及實時性要求等挑戰，現有技術仍需突破。

展望未來，“多模態數據融合”通過整合互補信息提升魯棒性，“自監督與小樣本學習”致力于破解數據標注難題，“模型輕量化與邊緣計算”聚焦于滿足實際部署的效率和資源約束需求，“數據集擴充與標準化”是技術迭代和評估的基石。5G/6G與邊緣計算技術融合，可實現水下實時識別分析，構建低延時智能化養殖系統。通過持續的技術創新與跨學科、跨領域的緊密合作，魚類個體識別技術有望克服當前瓶頸，走向成熟與廣泛應用，為水產養殖的智能化升級、精準化管理提供核心技術支持，最終助力行業的綠色、高效和可持續發展。

參考文獻：

[1]劉文科，崔黎明，吳鵬.水產養殖設施與深水養殖平臺工 程發展探析[J].新農民，2024（26）：108-110.

[2]PEDERSENM，MOHAMMEDA.Photoidentificationofindividual Salmo trutta based on deep learning[J]. Applied Sciences，2021，11（19）：9039.

[3]王宇亮，謝意軍，黃晉，等.PIT標志技術在魚類資源保護 中的應用研究［J].安徽農業科學，2024，52（17）：1-5 +26

[4]ZAKES Z，WUNDERLICH K， SZCZEPKOWSKI M， et al. Tagging juvenile European whitefish （ Coregonus lavaretus L.）with passive integrated transponders—Impact of fish size on growth performance and tag retention[J].Aquaculture Research，2017，48（12） ：5791-5796.

[5]金瑤，王翔，陶江平，等.基于PIT遙測技術的豎縫式魚 道過魚效率及魚類行為分析[J].農業工程學報，2022， 38（4） ：251-259.

[6]LUHongjian，FU Mei，ZHANG Zhixin，etal.Marking fish with fluorochrome dyes[J].Reviews in Fisheries Science amp; Aquaculture，2020，28（1） ：117-135.

[7]朱亞華，姜濤，陳修報，等.草魚仔魚耳石茜素絡合物標 記特征研究[J].漁業科學進展，2020，41（6）：28-36.

[8]BLABOLIL P，JUZA T，CECH M，et al. High mobility and flexibility in the habitat use ofearlyjuvenile pikeperch （Sander lucioperca） based on a mark-recapture experiment [J].Diversity，2023，15（6） ：720.

[9]徐穎琪，梁緒虹，陳新軍，等.基于COI基因構建西北太 平洋常見魚類DNA條形碼參考數據庫［J].上海海洋大 學學報，2024，33（4）：823-835.

[10]AI Qiaoyun，YUAN Hao，WANG Ying，et al.Estimation of Species Abundance Based on the Number of Segregating Sites using Environmental DNA （eDNA）[J]. Molecular Ecology Resources，2025：14076.

[11] CISAR P，BEKKOZHAYEVA D，MOVCHAN O，et al. Computer vision based individual fish identification using skindotpattern[J].ScientificReports，2021，11 （1） ：16904.

[12]LIN Yuan，XIE Shaomin，GHOSE D，et al.Fishir： Identifying puferfish individual based on deep learning and face recognition[J]. IEEE Access，2024（12）： 59807 -59817.

[13]BEKKOZHAYEVA D，CISAR P. Image-based automatic individual identification of fish without obvious patterns on the body（scale pattern）[J].Applied Sciences，2022，12 （11） ：5401.

[14]GAO Chunqi，WU Junfeng，YU Hong，et al. FIRN： a novel fish individual recognition method with accurate detection and attention mechanism[J].Electronics，2022，11 （21） ：3459.

[15] ZHENG Tao，WU Junfeng，KONG Han，et al. A video nhiect seomentation-hased fich individual recnonitinn method forunderwatercomplex environments[J].Ecological Informatics，2024，82：102689.

[16]GOMEZ -VARGAS N，ALONSO -FERNANDEZ A， BLANQUEROR，etal.Re-identificationoffishindividualsofundulateskateviadeeplearningwithinafew-shot context[J].Ecological Informatics，2023，75：102036.

[17]YOSHIDAM，TERABAYASHII，KAMEI T，etal. Individual identification of goldfish from eye morphology：the eye mark method[J]. Zoological Science，2013，30（11）： 962-966.

[18]FAN Suzhen，SONGChengyang，FENG Haiyang，et al. Take good care of your fish：fish re-identification with synchronized multi-view camera system[J].Frontiersin MarineScience，2024，11：1429459.

[19]LI Danyang，SUHoucheng，JIANGKailin，etal.Fish faceidentificationbased onrotated object detection：datasetand exploration[J].Fishes，2022，7（5）：219.

[20]FISHERRB，CHEN-BURGERYH，GIORDANOD，et al.Fish4Knowledge：Collecting and Analyzing Massive CoralReefFishVideoData[M].IntelligentSystemsReferenceLibrary，Vol104.Springer，Cham，2016.

[21]袁紅春，張波，程心.結合Transformer與生成對抗網絡 的水下圖像增強算法[J].紅外技術，2024，46（9）：975 -983.

[22]諶雨章，王詩琦，周雯，等.基于SPD-Conv結構和NAM 注意力機制的魚群小目標檢測[J].計算機科學，2024， 51（S1） ：438-444.

[23]LIU Liang，WU Junfeng， ZHENG Tao，et al. Fish recognition in the underwater environment using an improved arcface loss for precision aquaculture[J].Fishes，2023，8 （12） ：591.

[24]張勝茂，張衡，唐峰華，等.計算機視覺技術在監測魚類 游泳行為中的研究進展［J].大連海洋大學學報，2017， 32（4） ：493-500.

[25] SHI Weili，ZHOU Zhongliang，LETCHER B H，et al. Agingcontrast：A contrastive learning framework for fishre -identification across seasons and years[C]//Australasian Joint Conference on Artificial Intelligence.Singapore： Springer Nature Singapore，2023：252-264.

[26]LIU Shijing，QIAN Cheng，TU Xueying，et al. Identificationof Large Yellow Croaker under Variable Conditions Based on the Cycle Generative Adversarial Network and TransferLearning[J].Journal ofMarineScience and Engineering，2023，11（7） ：1461.

A review of research progress in fish identification technology

CHEN Ziyi，YE Haixiong，WU Yu （Shanghai Ocean University，Shanghai 2O1306，China）

Abstract：With the transformationofaquaculture towards intensificationand intellgentization，fish individual identification technology has becomepivotal forachieving precision aquaculture.This article systematicallyreviews the technological framework of fish identification，compares thestrengthsand limitations of traditional physical taging methods with computer vision-based non-contact individual identification techniques，and explores current technical bottlenecksand future development directions，aiming to provide areference for advancements in fish individual identification technology.

Keywords：individual identification； fish identification；aquaculture；computer vision；multimodal fusion