AHSC-Net：一种用于精密水产养殖智能监测的鱼体姿态估计方法

在水产养殖中，鱼类生理信息是行为识别、精准喂养和健康监测的基础。这些信息的获取依赖于对鱼体关键点的准确检测和姿态估计。为了解决鱼群之间的相互遮挡以及水下环境中关键点边界模糊导致的挑战，提出了一种基于自适应核混合中心结构约束网络（AHSC-Net）的新型鱼体姿态估计方法。该方法专为鱼体姿态的特点进行了优化，有效提高了复杂水下场景中的检测准确性和鲁棒性。首先，引入了一种随机局部质心采样（SLCS）策略，以提升检测能力。通过模拟被遮挡样本中的质心位置，该方法增强了模型检测部分被遮挡鱼的能力。接下来，建立了一种空间意识增强的姿态结构约束（SAPSC），通过坐标嵌入和形态约束，确保了预测姿态的合理性。此外，设计了一种自适应核调制模块（AKMM），以动态调整高斯核分布，有效应对水下模糊和鱼体尺度变化带来的挑战。实验结果表明，AHSC-Net在自建的大口黑鲈数据集上取得了92.0%的平均精度（AP）和94.6%的平均召回率（AR），优于当前最先进的方法如HRNet、HigherHRNet、DEKR和YOLO-Pose。本研究提出了一种鱼体姿态估计方法，为水产养殖的自动化和精准监测提供了有效的技术支持.