从视频到遭遇史：用于鲑科鱼类捕获—再捕获监测的个体识别与机器视觉

个体遭遇历史是捕获—再捕获模型的核心，但渔业监测通常仅被简化为计数，未能考虑探测概率的差异。本研究提出了一套机器视觉工作流程，将对大西洋鲑（Salmo salar）和海鳟（Salmo trutta）产卵洄游的长期视频监测转换为可用于捕获—再捕获分析的个体水平数据。该工作流程能够检测包含鱼类的帧、保存视频片段、提取鱼头感兴趣区域，并整理裁剪后的图像以供个体重新识别。二元 EfficientNetB0 鱼类检测器的验证准确率达到 0.9918，PR AUC 达到 0.9992；在 0.98 的保守阈值下，验证集中的假阳性被完全消除，同时保留了 94.3% 的召回率。YOLOv8n 模型用于定位鱼头区域；在来自 700 个个体的鱼头图像上训练的 EfficientNetB0 ArcFace 模型中，经接受的已知匹配准确率达到 99.80%，当将未参与训练的个体视为未知个体时，按图像加权的错误接受率为 0.81%。在排除模型训练所用个体的 1,416 个身份上进行零样本闭集检索时，Top-1 准确率达到 99.17%，表明该模型对先前未见过的个体具有较强的泛化能力。

个体遭遇历史是捕获–再捕获模型的核心，但渔业监测通常被简化为计数数据，未能考虑探测概率的差异。本研究提出了一套机器视觉工作流程，将对大西洋鲑（*Salmo salar*）和海鳟（*Salmo trutta*）产卵洄游的长期视频监测转化为可用于捕获–再捕获分析的个体级数据。该工作流程首先检测包含鱼类的帧并保存视频片段，随后提取鱼头感兴趣区域，并整理裁剪后的图像以进行个体再识别。二分类 EfficientNetB0 鱼类检测器取得了 0.9918 的验证准确率和 0.9992 的 PR AUC；在 0.98 的保守阈值下，验证集中的假阳性被完全消除，同时保留了 94.3% 的召回率。YOLOv8n 模型用于定位鱼头区域；在来自 700 个个体的鱼头图像上训练的 EfficientNetB0 ArcFace 模型中，在所接受的已知匹配样本中达到了 99.80% 的准确率；当将未参与训练的个体视为未知类别时，其按图像加权的错误接受率为 0.81%。在排除模型训练所用个体的 1,416 个身份上进行的零样本封闭集检索取得了 99.17% 的 Top-1 准确率，表明该模型对先前未见过的个体具有很强的泛化能力。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.03.749040v1?rss=1

🏷️ 机器视觉 个体识别 捕获—再捕获模型 鲑科鱼类 深度学习