热带金枪鱼 purse seiners 中基于深度学习的视觉捕捞组成精确预测
计算机视觉与模式识别
2025-11-20 v1
摘要
purse seiners 在金枪鱼捕捞中占据重要地位，因为约有69%的热带金枪鱼是通过此类捕网捕获的。所有金枪鱼区域捕鱼管理组织都 established 了使用电子监测 (EM) 系统的 minimum standards，以补充传统观察员。EM 系统产生海量视频数据，人类分析师必须加以处理。将人工智能 (AI) 集成到其工作流程中可减少此工作负担并提高报告准确性。然而，物种识别仍对 AI 构成重大挑战，因为实现在所有物种上的平衡性能需要合适的训练数据。我们量化了专家区分大眼金枪鱼 (BET, Thunnus Obesus) 和黄鳍金枪鱼 (YFT, Thunnus Albacares) 的困难程度，这些图像由 EM 系统捕获。我们发现 BEF 和 YFT 的专家间一致性分别为42.9% 35.6% 和57.1% 35.6%。随后我们提出一个多阶段管线，用于基于由船上观察员做出的identification 建立的可靠ground-truth 数据集来估算捕捞组成。比较了三种分割方法：Mask R-CNN、DINOv2 与 SAM2 的组合，以及YOLOv9 与 SAM2 的集成。我们发现最新的方法效果最佳，验证 mean average precision 为0.66 0.03，召回率为0.88 0.03。使用 ByteTrack 对分割后的个体进行跟踪。对于分类，我们评估了标准多类分类模型和层次方法，发现层次方法在泛化能力方面更优。所有模型在训练期间进行交叉验证，并在捕获组成已知的捕捞作业中进行测试。将 YOLOv9-SAM2 与层次分类结合产生的最佳估计显示，84.8% 的个体被正确分割和分类，平均误差为4.5%。
引用
@article{arxiv.2511.15468,
title = {Deep Learning for Accurate Vision-based Catch Composition in Tropical Tuna Purse Seiners},
author = {Xabier Lekunberri and Ahmad Kamal and Izaro Goienetxea and Jon Ruiz and Iñaki Quincoces and Jaime Valls Miro and Ignacio Arganda-Carreras and Jose A. Fernandes-Salvador},
journal= {arXiv preprint arXiv:2511.15468},
year = {2025}
}
备注
23 pages, 5 figures