DOI: https://doi.org/10.1007/s10462-025-11180-3
تاريخ النشر: 2025-03-25
المؤلف: Said Al‐Abri وآخرون
الموضوع الرئيسي: تكنولوجيا مراقبة جودة المياه
نظرة عامة
تقدم ورقة البحث مراجعة شاملة لتقنيات مراقبة الأسماك، مع التركيز على تطبيقاتها في أربعة مجالات رئيسية: اكتشاف الأسماك والتعرف عليها (FDR)، تقدير الكتلة الحيوية للأسماك (FBE)، تصنيف سلوك الأسماك (FBC)، وتحليل صحة الأسماك (FHA). يقدم المؤلفون إطارًا جديدًا يصنف هذه التطبيقات ويقترحون سير عمل مخصص لكل مجال، مما يمثل تقدمًا كبيرًا في هذا المجال. تسلط الدراسة الضوء على المنهجيات المستخدمة في كل مجال، مثل تحديد الأنواع، وتقدير الكتلة الحيوية من خلال قياس الحجم والوزن، وتحليل أنماط السلوك، وتقييم الصحة. كما تقيم المراجعة مجموعات البيانات المرجعية الحالية، مع تحديد الفجوات والقيود بينما تقترح اتجاهات البحث المستقبلية لتعزيز فعالية أنظمة مراقبة الأسماك.
تؤكد النتائج على الدور الحاسم للتقدم في الذكاء الاصطناعي وتقنيات الاستشعار في التطبيقات الواقعية، بما في ذلك التعرف على الأنواع، وتقييم النضارة، وعدّ السكان. على الرغم من التقدم، تشير الورقة إلى أن تقنيات مراقبة الأسماك لا تزال في مرحلة التطوير، مع تحديات مثل الحاجة إلى خوارزميات قوية يمكن أن تتكيف مع البيئات المائية الديناميكية. يدعو المؤلفون إلى إنشاء مجموعات بيانات شاملة ومعايير موحدة لتحسين تقييم الخوارزميات. كما يؤكدون على أهمية النماذج الخفيفة ودمج بيانات الصور والاستشعار لمعالجة التحديات الواقعية، مثل الخلفيات المتغيرة والظروف البيئية. بشكل عام، لا تساعد هذه المقاربة المنظمة في الفهم الأكاديمي فحسب، بل تمكّن أيضًا أصحاب المصلحة في الصناعة من تنفيذ حلول فعالة في مصايد الأسماك وتربية الأحياء المائية، مما يساهم في استدامة النظم البيئية المائية.
مقدمة
تؤكد مقدمة ورقة البحث هذه على أهمية مراقبة الأسماك في الحفاظ على وإدارة تجمعات الأسماك، لا سيما في بيئات تربية الأحياء المائية حيث قد تكون العمالة والخبرة محدودة. تعتبر أنظمة المراقبة في الوقت الحقيقي ضرورية لمجموعة متنوعة من التطبيقات، بما في ذلك تحليل السلوك، وتقييم الصحة، والمراقبة البيئية. ومع ذلك، تواجه هذه الأنظمة تحديات بسبب العوامل البيئية مثل العكارة والإضاءة، التي تؤثر على جودة البيانات وأداء الاستشعار. تهدف الورقة إلى معالجة هذه التحديات من خلال استخدام خوارزميات رؤية الكمبيوتر المتقدمة (CV) المصممة خصيصًا لطبيعة سلوك الأسماك المتنوعة وغير المتوقعة.
يصنف المؤلفون تقنيات مراقبة الأسماك الحالية إلى ثلاثة مجالات رئيسية: طرق الحمض النووي البيئي (eDNA)، والمراقبة الصوتية باستخدام أجهزة استشعار السونار، وتقنيات الرؤية الحاسوبية التي تحلل الصور لمهام مثل التعرف على الأنواع وتقدير الكتلة الحيوية. يبرزون أهمية البنية التحتية القوية القادرة على إدارة مجموعات البيانات الكبيرة التي تنتجها هذه الأنظمة، مؤكدين على الحاجة إلى التكيف مع الأهداف المحددة للمراقبة. علاوة على ذلك، تناقش الورقة الدور الحاسم لتسمية البيانات في تعزيز أداء نماذج التعلم العميق، مشيرة إلى الزيادة الأخيرة في تطبيق تقنيات الرؤية الحاسوبية وتعلم الآلة لمراقبة الأسماك عن بُعد منذ عام 2020. تمهد المقدمة الطريق لإطار منظم يهدف إلى التغلب على قيود المنهجيات الحالية، لا سيما في توضيح البيانات والتكيف البيئي.
طرق
ركزت المنهجية المستخدمة في البحث عن الأدبيات واختيارها في هذه الدراسة على تحديد ومراجعة الأبحاث المتعلقة بمراقبة الأسماك، مع التأكيد بشكل خاص على تقنيات رؤية الكمبيوتر (CV). تم تصميم النهج لضمان مراجعة شاملة ولكن مستهدفة، مع استبعاد عمدي للمجالات غير ذات الصلة مثل الحمض النووي البيئي (eDNA) والطرق الصوتية. تم استخدام قواعد بيانات موثوقة، بما في ذلك Google Scholar وSpringer وElsevier وIEEE Xplore، للحصول على منشورات تمت مراجعتها من قبل الأقران، مع التركيز على المقالات باللغة الإنجليزية المنشورة بعد عام 2020 لالتقاط أحدث التقدمات. في الحالات التي كانت فيها الدراسات الحديثة محدودة، تم دمج المنشورات السابقة لتوفير سياق أوسع.
تم استخدام بحث منهجي قائم على الكلمات الرئيسية، مع كلمات رئيسية محددة مصممة لكل منطقة تطبيقية وتطبيقاتها الفرعية لتعظيم الصلة. كانت استراتيجية البحث تهدف إلى تحقيق الشمولية والدقة، من خلال فحص العناوين والملخصات لتصفية الدراسات غير المتوافقة مع تطبيقات مراقبة الأسماك. تم تنظيم الأدبيات في فئات مثل معدل اكتشاف الأسماك (FDR)، وتقدير سلوك الأسماك (FBE)، وتصنيف جسم الأسماك (FBC)، وتقييم موائل الأسماك (FHA)، مما يسهل عملية مراجعة منظمة. ضمن هذه الفئات، شملت معايير التقييم صلة المنهجيات، وقوة الأساليب المقترحة، وتوافر مجموعات البيانات، مما يضمن مراجعة عالية الجودة تمهد الطريق لمزيد من التحليل والنقاش.
نقاش
تسلط قسم النقاش في الورقة الضوء على التقدمات الكبيرة في منهجيات مراقبة الأسماك، لا سيما من خلال دمج تقنيات التعلم العميق (DL) ورؤية الكمبيوتر (CV). قامت الدراسات الحديثة بتحسين الطرق غير الغازية لتقدير الكتلة الحيوية وتحليل السلوك، باستخدام نماذج متطورة مثل YOLO وFaster R-CNN وSSD. على الرغم من هذه التقدمات، لا تزال التحديات قائمة، لا سيما نقص البيانات المعلّمة لتدريب نماذج DL دقيقة والتعقيدات المرتبطة بدمج أنظمة متعددة الاستشعار. حددت الأبحاث المتخصصة في المجال كل من التطبيقات والقيود للمنهجيات الحالية، مما يبرز الحاجة إلى تحسين جودة البيانات ودقة النموذج.
لمعالجة هذه التحديات، تقترح الورقة إطارًا شاملاً يصنف أساليب مراقبة الأسماك الحالية إلى أربعة مجالات رئيسية: اكتشاف الأسماك والتعرف عليها (FDR)، تقييم سلوك الأسماك (FBE)، عدّ الكتلة الحيوية للأسماك (FBC)، وتقييم موائل الأسماك (FHA). لا تعزز هذه النظرة المنظمة فقط فهم التطبيقات المتنوعة لتقنيات الرؤية الحاسوبية، بل تحدد أيضًا الفجوات في الأبحاث الحالية. تؤكد الورقة على أهمية مجموعات البيانات المرجعية لتدريب وتقييم نماذج تعلم الآلة، داعية إلى تطوير مجموعات بيانات أكثر شمولاً لدعم التقدمات المستقبلية. بشكل عام، يهدف الإطار المقترح إلى توجيه اتجاهات البحث المستقبلية، وتعزيز الابتكار في تقنيات مراقبة الأسماك ومعالجة التحديات المستمرة في هذا المجال.
DOI: https://doi.org/10.1007/s10462-025-11180-3
Publication Date: 2025-03-25
Author(s): Said Al‐Abri et al.
Primary Topic: Water Quality Monitoring Technologies
Overview
The research paper presents a comprehensive review of fish monitoring technologies, emphasizing their applications in four primary domains: Fish Detection and Recognition (FDR), Fish Biomass Estimation (FBE), Fish Behavior Classification (FBC), and Fish Health Analysis (FHA). The authors introduce a novel framework that categorizes these applications and propose dedicated workflows for each domain, marking a significant advancement in the field. The study highlights the methodologies employed in each domain, such as species identification, biomass estimation through size and weight measurement, behavioral pattern analysis, and health assessments. The review also evaluates existing benchmark datasets, identifying gaps and limitations while suggesting future research directions to enhance the effectiveness of fish monitoring systems.
The findings underscore the critical role of advancements in artificial intelligence and sensor technologies in real-world applications, including species recognition, freshness assessment, and population counting. Despite progress, the paper notes that fish monitoring technologies are still in a developmental phase, with challenges such as the need for robust algorithms that can adapt to dynamic aquatic environments. The authors advocate for the creation of comprehensive datasets and standardized benchmarks to improve algorithm evaluation. They also emphasize the importance of lightweight models and the integration of image and sensor data to address real-world challenges, such as varying backgrounds and environmental conditions. Overall, this structured approach not only aids academic understanding but also empowers industry stakeholders to implement effective solutions in fisheries and aquaculture, contributing to the sustainability of aquatic ecosystems.
Introduction
The introduction of this research paper underscores the significance of fish monitoring in the conservation and management of fish populations, particularly in aquaculture settings where labor and expertise may be limited. Real-time monitoring systems are essential for various applications, including behavior analysis, health assessments, and environmental monitoring. However, these systems encounter challenges due to environmental factors such as turbidity and lighting, which affect data quality and sensing performance. The paper aims to address these challenges by employing advanced computer vision (CV) algorithms tailored to the diverse and unpredictable nature of fish behavior.
The authors categorize existing fish monitoring technologies into three main streams: environmental DNA (eDNA) methods, acoustic monitoring using sonar sensors, and CV techniques that analyze images for tasks like species recognition and biomass estimation. They highlight the importance of robust infrastructure capable of managing large datasets generated by these systems, emphasizing the need for adaptability to specific monitoring objectives. Furthermore, the paper discusses the critical role of data labeling in enhancing the performance of deep learning models, noting a recent surge in the application of CV and machine learning techniques for remote fish monitoring since 2020. The introduction sets the stage for a structured framework aimed at overcoming the limitations of current methodologies, particularly in data annotation and environmental adaptability.
Methods
The methodology for literature search and selection in this study focused on identifying and reviewing research related to fish monitoring, specifically emphasizing computer vision (CV) techniques. The approach was designed to ensure a comprehensive yet targeted review, deliberately excluding unrelated areas such as environmental DNA (eDNA) and acoustic methods. Reputable databases, including Google Scholar, Springer, Elsevier, and IEEE Xplore, were utilized to source peer-reviewed publications, with a focus on English-language articles published post-2020 to capture the most recent advancements. In instances where recent studies were limited, earlier publications were incorporated to provide a broader context.
A systematic keyword-based search was employed, with specific keywords tailored for each application area and its sub-applications to maximize relevance. The search strategy aimed for both comprehensiveness and precision, screening titles and abstracts to filter out studies not aligned with fish monitoring applications. The literature was organized into categories such as Fish Detection Rate (FDR), Fish Behavior Estimation (FBE), Fish Body Classification (FBC), and Fish Habitat Assessment (FHA), facilitating a structured review process. Within these categories, the evaluation criteria included the relevance of methodologies, robustness of proposed approaches, and availability of datasets, ensuring a high-quality review that sets the stage for further analysis and discussion.
Discussion
The discussion section of the paper highlights significant advancements in fish monitoring methodologies, particularly through the integration of deep learning (DL) and computer vision (CV) techniques. Recent studies have refined non-invasive methods for biomass estimation and behavioral analysis, employing state-of-the-art models such as YOLO, Faster R-CNN, and SSD. Despite these advancements, challenges remain, notably the scarcity of labeled data for training accurate DL models and the complexities associated with integrating multisensor systems. Domain-specific research has identified both applications and limitations of current methodologies, emphasizing the need for improved data quality and model accuracy.
To address these challenges, the paper proposes a comprehensive framework that categorizes existing fish monitoring approaches into four key areas: Fish Detection and Recognition (FDR), Fish Behavior Evaluation (FBE), Fish Biomass Counting (FBC), and Fish Habitat Assessment (FHA). This structured perspective not only enhances understanding of the diverse applications of CV techniques but also identifies gaps in current research. The paper underscores the importance of benchmark datasets for training and validating ML models, advocating for the development of more comprehensive datasets to support future advancements. Overall, the proposed framework aims to guide future research directions, fostering innovation in fish monitoring technologies and addressing the persistent challenges in the field.