核心提示：近日，北京市农林科学院水产所育种团队在水产领域国际权威期刊 Reviews in Aquaculture （中科院一区TOP期刊，影响因子11.3）上发表综述论文，系统总结了基于光学感知的非接触式鱼类表型测量技术体系，并对其在精准水产养殖与智能育种中的应用前景进行了深入分析。该研究为养殖鱼类表型高通量、无扰动获取提供了系统性技术参考。……（世界食品网-www.shijieshipin.com）

近日，北京市农林科学院水产所育种团队在水产领域国际权威期刊 Reviews in Aquaculture （中科院一区TOP期刊，影响因子11.3）上发表综述论文，系统总结了基于光学感知的非接触式鱼类表型测量技术体系，并对其在精准水产养殖与智能育种中的应用前景进行了深入分析。该研究为养殖鱼类表型高通量、无扰动获取提供了系统性技术参考。

鱼类表型信息是养殖管理决策和遗传育种评价的重要基础，直接关系到生物量估算、投喂管理、健康监测及选育效率。然而，传统表型测量方式普遍依赖人工操作或接触式测量，不仅效率有限，还易对鱼体造成应激，难以满足规模化、长期化和自动化养殖需求。近年来，随着光学成像、计算机视觉和人工智能技术的快速发展，非接触式鱼类表型测量逐渐成为精准水产养殖的重要技术方向。

在该综述中，研究团队围绕“应用驱动的表型定义—多模态光学数据获取—智能化表型解析”这一主线，系统梳理了非接触式鱼类表型测量的整体技术框架。文章从二维、2.5维到三维成像技术出发，全面比较了单目相机、双目视觉、RGB-D 相机、激光扫描和门控成像等光学感知手段在水产环境中的适用性与局限性，并总结了图像处理、机器学习和深度学习在鱼类表型自动解析中的典型应用模式（图1）。基于现有研究范式，论文将光学感知鱼类表型应用系统划分为形态表型、行为表型和外观（颜色）表型三大类。相关技术已广泛应用于鱼体长度和体重估算、群体数量统计、摄食行为识别、健康状态评估、产品品质分级以及物种识别与疾病诊断等多个场景，在提升养殖效率和管理精度方面展现出显著潜力。

从应用需求出发，框架将鱼类表型研究划分为形态、行为和外观三大方向，并进一步对应不同的养殖与育种应用场景（图2）。在数据获取层面，整合了2D、2.5D和3D多种成像方式，实现对鱼体空间结构、运动状态和外观特征的多维度感知；在数据处理层面，通过传统图像处理、机器学习和深度学习等方法，完成目标检测、分割、回归和行为识别等关键任务。该框架为非接触式鱼类表型的系统化获取与应用提供了清晰技术路径，也为精准养殖和智能育种提供了统一的数据支撑体系。

同时，研究指出，当前多数研究仍集中在实验室或半受控环境中，在真实生产条件下的大规模应用仍面临多重挑战，包括水下成像退化、鱼体姿态变化带来的测量不确定性、多源数据异构性、模型泛化能力不足，以及算法算力需求与工程部署之间的矛盾等。此外，表型数据与基因组信息之间的有效融合仍是制约精准育种进一步发展的关键问题。

针对上述挑战，论文进一步展望了未来发展方向，提出应重点关注高效灵活的数据采集平台、模型轻量化与实时处理、迁移学习与小样本学习、多模态信息融合、新型表型指标构建以及标准化开放数据集建设等关键技术路径。研究认为，随着光学感知技术与人工智能方法的持续交叉融合，非接触式鱼类表型测量将在精准养殖、数字孪生和智能育种体系中发挥越来越重要的支撑作用。

该研究系统梳理了近二十余年来相关领域的代表性成果，为科研人员和产业从业者理解非接触式鱼类表型测量技术的发展现状与未来趋势提供了重要参考，也为推动水产养殖向智能化、精细化和可持续化方向发展奠定了理论与技术基础。我院水产所胡红霞研究员为通讯作者，吝凯副研究员为论文的第一作者，研究得到国家自然科学基金、北京市自然科学基金、院青年基金项目的支持。（https://doi.org/10.1111/raq.70123）

日期：2026-01-13