《ICES Journal of Marine Science》:Use of artificial intelligence in the analysis of industry echosounder data
编辑推荐:
配备校准回声探测仪的商业渔船持续采集大量声学数据,这些数据可改善鱼类分布和丰度的估计。然而,在使用声学后向散射积分进行鱼类估计和生物量指数之前,需要利用回声图人工检查数据以识别鱼群,这使得大规模常规分析不切实际。人工标注耗时且易出错,尤其面对海量数据。为解决该
配备校准回声探测仪的商业渔船持续采集大量声学数据,这些数据可改善鱼类分布和丰度的估计。然而,在使用声学后向散射积分进行鱼类估计和生物量指数之前,需要利用回声图人工检查数据以识别鱼群,这使得大规模常规分析不切实际。人工标注耗时且易出错,尤其面对海量数据。为解决该问题,研究人员开发了一种基于U型卷积神经网络(U-Net)的深度学习模型,以自动化鱼群的预处理和标注。该模型使用由七艘来自远洋冷冻拖网渔船产业的远洋冷冻拖网船在30次蓝鳕捕捞航次中采集的十年校准38 kHz回声探测仪数据进行训练,训练数据为人工标注的回声图。由大尺度调查系统(Large Scale Survey System,LSSS)生成的鱼群和海底人工标注作为训练和评估的基准真值。该网络训练50个epoch后达到0.69的Dice系数,表明在跨年份和跨船只的预测与人工标注分割掩模之间具有一致的分割性能。为评估自动分割在渔业应用中的适用性,研究人员将人工导出的海面面积散射系数(Nautical Area Scattering Coefficient,NASC)值与根据自动检测鱼群区域内的声学后向散射计算得到的NASC值进行比较。基于图像的分割性能进一步使用精确率-召回率曲线下面积(Area Under the Curve,AUC)评估,该指标度量模型在决策阈值范围内区分鱼群像素与其他类别的能力。尽管AUC随船只不同在0.81至0.98之间,但人工与自动估算的NASC之间的一致性(R2为0.31至0.90)表明,仅基于图像的分割指标不能充分反映最终精度。相反,直接在分割鱼群内使用NASC,提供了与资源评估直接相关的性能度量。研究结果表明,深度学习可减少对大型行业回声探测仪数据集的人工检查,同时产生与专家分析一致的生物量估计。更重要的是,当目标是鱼类生物量估算时,基于声学后向散射的指标(如NASC)比单纯图像重叠更适合评估分割模型。
人工智能在行业回声探测仪数据分析中的应用——基于U-Net的鱼群自动分割研究解读
可持续管理商业捕捞鱼类需要可靠地掌握其丰度及与环境的关系,这一需求通常依赖于大规模声学调查。传统调查方法依赖研究船,但欧洲研究船队老化且维护成本高昂,难以扩展时空覆盖。因此,行业船只配备校准声学仪器已成为补充观测的重要途径。商业渔船在作业中持续采集大量声学数据,但将这些数据转化为鱼类资源指标前,需要专业人员在回声图中人工识别鱼群。人工判读费时费力,且操作者主观差异可能使生物量估计产生高达±80%的不确定性。随着深度学习技术发展,卷积神经网络(CNN)可自动学习图像特征,其中U型网络(U-Net)在语义分割任务中表现突出,为处理大规模声学数据提供了可能。本研究旨在开发一套基于U-Net的自动化处理管道,对行业回声探测仪数据进行鱼群分割和NASC估算,从而弥补传统人工分析效率低、难以大规模应用的不足。
研究人员使用2017—2024年间由远洋冷冻拖网渔船协会(Pelagic Freezer Trawler Association,PFA)所属七艘远洋冷冻拖网船在30次蓝鳕捕捞航次中采集的超过5 TB校准声学数据,选定38 kHz频段进行分析。数据在大型调查系统(Large Scale Survey System,LSSS)中预处理和人工标注,生成鱼群、鱼群轮廓、海底和背景四类标签。基于改进的U-Net卷积神经网络,采用α平衡焦点损失函数处理类别不平衡,并使用分航次独立测试集评估模型泛化能力。模型训练50个epoch后,鱼群分割的Dice系数为0.69,IoU为0.59。在独立测试集上,鱼群AUC为0.92。通过将预测鱼群区域内的声学后向散射积分得到NASC,并与人工NASC比较,发现R
2在0.24至0.90之间因船只而异。研究证明,深度学习方法可减少人工检查,产生与专家分析一致的生物量估计;同时,基于声学后向散射的NASC指标比单纯图像重叠指标更能反映资源评估的实际精度。
关键技术方法方面,研究人员采用了Simrad EK60/EK80回声探测仪采集38 kHz数据,使用LSSS进行噪声滤除和海底检测,并依靠人工标注建立基准真值。模型为改进的U-Net,输入为512×512像素的随机裁剪,采用α平衡焦点损失缓解类别不平衡(背景89%、鱼群5%、轮廓5%、海底2%)。训练数据来自2017—2022年17次航次,测试数据来自2023—2024年14次航次,确保评估独立性。评估指标包括Dice、IoU、精确率-召回率曲线下面积(AUC)以及基于声学后向散射的NASC对比,模型在高性能计算集群上训练。
研究结果部分,按照原文小标题总结如下:
**Data processing outputs**
通过验证集和测试集的AUC评估,模型对鱼群分割的AUC在验证集为0.87,在测试集为0.92;背景分割性能最高(0.93),海底分割性能最低(0.60)。测试集整体AUC为0.86,鱼群轮廓AUC最低(0.47)。示例回声图显示,模型能够区分鱼群、鱼群轮廓和海底,但在个别航次中,虚假海底因与鱼群具有相似的Sv值而被误判为鱼群,不过该误差对最终NASC贡献可忽略。最佳模型在独立测试集上获得Dice 0.69、IoU 0.59,表明分割性能良好且具备跨年份和跨船只的泛化能力。
**Use of NASC to evaluate model performance**
通过逐船比较人工与自动NASC,发现Vessel ID 3和Vessel ID 1的R
2最高(分别为0.90和0.79),而Vessel ID 5的R
2最低(0.24)。值得注意的是,Vessel ID 4的AUC高达0.96,但NASC R
2仅0.33,说明高图像重叠并不一定对应准确的生物量估算。传统指标AUC和Dice只量化像素级分割质量,而NASC直接反映声学散射能量,能更好地衡量分割结果对资源评估的贡献。
**The benefits of using industry data**
PFA船只长期收集的声学数据可在全年大部分时间(除夏季)提供蓝鳕的分布和丰度信息,弥补了仅依靠春季国际蓝鳕春季调查(IBWSS)的单一时点估计。整合多艘行业船只的数据可构建更细致的鱼群分布图、分析鱼群行为,并支撑更全面的生态系统监测。行业数据对于监测气候变化和人类活动影响下快速变化的鱼类分布尤为重要,未来可推广至其他物种和区域。
讨论部分指出,模型性能在不同船只和航次间存在差异,主要与数据质量、噪声和虚假海底等现象有关。虽然AUC和Dice能够反映分割精度,但只有NASC能直接关联到声学生物量估计,因此应作为模型选择和评估的核心指标。研究也提出改进方向,包括增加虚假海底检测类别、引入多频数据、开发更完善的噪声清理技术等。研究结论可翻译为:研究人员证明了深度卷积神经网络能够有效分析当前未被充分利用的行业声学数据。该方法的优势在于模型参数可以直接从回声探测仪输出中学习,以人工标签作为训练数据,从而通过覆盖一年中更多时间和更广区域来提高资源评估效率。对于传统上仅在3—4月由IBWSS调查监测的蓝鳕,行业数据提供了全年(除夏季)的信息,有助于更针对性的捕捞作业和识别年际分布变化。研究人员还强调了超越传统指标(如AUC)评估U-Net性能的重要性,因为高AUC并不总能对应准确的蓝鳕鱼群估算,而包含后向散射强度的声学指标更能反映模型的实际应用效果。未来该方法可应用于其他渔业,如北海鲱鱼或缺乏专项调查的物种,并可结合多频率数据和改进的噪声处理技术进一步提高结果质量。总体而言,这项工作展示了科学界与渔业产业之间的成功合作,证明深度学习有潜力改善鱼类种群的监测和管理。