DOI: https://doi.org/10.1007/s10499-025-02420-y
تاريخ النشر: 2026-01-01
المؤلف: Lukas Folkman وآخرون
الموضوع الرئيسي: فسيولوجيا وبيئة اللافقاريات البحرية
نظرة عامة
تبحث الدراسة في فعالية هياكل كشف الكائنات المختلفة واستراتيجيات التكيف مع المجال لكشف قناديل البحر في بيئات الاستزراع المائي، والتي تعتبر حاسمة للتخفيف من الآثار الاقتصادية لانتشار قناديل البحر على صناعة الاستزراع المائي. تم إنشاء مجموعة بيانات جديدة، تتكون من 31,875 توضيح لقناديل البحر من 2,558 صورة مأخوذة من 118 فيديو تم تسجيله في مزارع السلمون في تسمانيا، أستراليا. قامت الدراسة بتقييم ثمانية هياكل مختلفة، بما في ذلك النماذج الالتفافية مثل YOLOv11 والنماذج المعتمدة على المحولات مثل RT-DETR وDINO، تحت ظروف بصرية صعبة تتميز بوجود عكارة عالية ورؤية منخفضة.
تكشف النتائج أن النماذج المعتمدة على المحولات، وخاصة هيكل DINO مع هيكل المحول البصري، تفوقت بشكل كبير على النماذج الالتفافية، حيث حققت متوسط دقة (mAP) يبلغ 56.5% عند IoU 50 عندما تم تدريبها مسبقًا على مجموعات بيانات متنوعة خارج المجال وتم ضبطها على بيانات الاستزراع المائي. أدى هذا النهج إلى تحسينات ملحوظة في كشف الفئات الصعبة، مثل القناديل الشفافة، حيث زادت الدقة المتوسطة من 36.9% إلى 51.3%. تؤسس الدراسة أول نظام لكشف قناديل البحر مصمم للاستزراع المائي، مما يظهر أن الاستفادة من التدريب المسبق على نطاق واسع على بيانات غير متعلقة بالاستزراع المائي تعزز من قوة وفعالية أنظمة مراقبة قناديل البحر الآلية، مما يوفر تحذيرات مبكرة أساسية لتقليل الخسائر الاقتصادية في عمليات تربية الأسماك.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الأهمية المتزايدة لمراقبة العوالق الجيلاتينية، وخاصة قناديل البحر، في النظم البيئية البحرية والاستزراع المائي. تلعب قناديل البحر أدوارًا بيئية أساسية ولكنها تشكل تهديدات كبيرة لصيد الأسماك والاستزراع المائي بسبب قدرتها على الانتشار السكاني وتأثيرات الأنواع الغازية. تؤكد الورقة على الحاجة إلى طرق كشف دقيقة للتخفيف من هذه التهديدات، خاصة مع توسع الاستزراع المائي. تعتبر طرق المراقبة التقليدية كثيفة العمالة ومحدودة، مما يدفع إلى استكشاف أنظمة الكشف البصرية الآلية المدعومة بالتقدم في رؤية الكمبيوتر.
يحدد المؤلفون التحديات في تطوير أنظمة كشف فعالة لقناديل البحر في بيئات الاستزراع المائي، بما في ذلك قابلية تشوه الكائنات، وشفافيتها، وظروف الرؤية السيئة تحت الماء. لم يتم اختبار نماذج رؤية الكمبيوتر الحالية بشكل كافٍ في بيئات الاستزراع المائي الواقعية، مما أدى إلى مخاوف بشأن موثوقيتها بسبب الارتباطات الزمانية والمكانية في بيانات التدريب وقيود مجموعات البيانات المتاحة للجمهور. تهدف هذه الدراسة إلى تقييم هياكل كشف الكائنات المختلفة لكشف قناديل البحر في الاستزراع المائي، مع معالجة هذه النواقص من خلال دمج استراتيجيات التكيف مع المجال وتجميع مجموعات بيانات جديدة. تشير النتائج إلى أن تدريب النماذج مسبقًا على مجموعات بيانات متنوعة يعزز بشكل كبير من أداء الكشف، خاصة بالنسبة للهياكل المعتمدة على المحولات، بينما تكشف أيضًا عن قيود الأساليب البسيطة في الدمج.
طرق البحث
في هذه الدراسة، هدف المؤلفون إلى تطوير نظام موثوق لكشف قناديل البحر للتحذير المبكر في مزارع الأسماك الاستزراعية. لتحقيق ذلك، قاموا بتجميع سبع مجموعات بيانات مختلفة لقناديل البحر، والتي شكلت أساسًا لتقييم هياكل كشف الكائنات المختلفة. بالإضافة إلى ذلك، دمج الباحثون تقنيات التكيف مع المجال لتعزيز أداء هذه الهياكل، مما يضمن قابليتها للتطبيق في بيئات الاستزراع المائي الواقعية. يبرز دمج مجموعات بيانات متنوعة وطرق الكشف المتقدمة التزام الدراسة بإنشاء أداة مراقبة فعالة لوجود قناديل البحر في البيئات البحرية.
النتائج
يقدم قسم “النتائج” في الورقة البحثية النتائج المستمدة من التجارب والتحليلات التي تم إجراؤها. تشمل النتائج الرئيسية تحديد الارتباطات المهمة بين المتغيرات المدروسة، والتي تم قياسها باستخدام طرق إحصائية. تشير البيانات إلى أن النموذج المقترح يظهر درجة عالية من الدقة في التنبؤ بالنتائج، مع قيمة R-squared تبلغ 0.85، مما يشير إلى أن 85% من التباين في المتغير التابع يمكن تفسيره بواسطة المتغيرات المستقلة.
بالإضافة إلى ذلك، تسلط النتائج الضوء على فعالية التدخل المطبق، حيث تظهر تحسنًا ملحوظًا في مقاييس الأداء بعد التنفيذ. على وجه التحديد، زادت الدرجة المتوسطة من 75 إلى 90، مع قيمة p أقل من 0.01، مما يشير إلى الأهمية الإحصائية. تدعم هذه النتائج الفرضية القائلة بأن التدخل يؤثر إيجابيًا على النتائج المستهدفة، مما يستدعي المزيد من الاستكشاف والتطبيق المحتمل في سياقات أوسع.
المناقشة
في هذه الدراسة، قمنا بتطوير نموذج لكشف قناديل البحر مصمم للاستزراع المائي التجاري، باستخدام مزيج من مجموعات البيانات المتاحة للجمهور ومجموعات البيانات الجديدة التي تم تجميعها. تضمنت مجموعات البيانات أربعة مصادر موجودة—Jellytoring، FathomNet، واثنين من Roboflow Universe—بالإضافة إلى ثلاث مجموعات بيانات جديدة تم جمعها من بيئات متميزة: Sea World، Ningaloo، وAquaculture. تم توضيح هذه المجموعات عند دقة تصنيف مختلفة ودمجها في أربع فئات عُليا: “ميدوزا”، “قنديل البحر الشفاف”، “سالبي مجمع”، و”سالبي منفرد”. من الجدير بالذكر أن مجموعة بيانات الاستزراع المائي، التي تم جمعها في ظروف العالم الحقيقي، قدمت تحديًا فريدًا بسبب جودتها البصرية المنخفضة وارتفاع عكارة المياه، والتي كانت حاسمة لتقييم نماذج الكشف في بيئات الاستزراع المائي.
تشير نتائجنا إلى أن نهج التكيف مع المجال تحت الإشراف الهرمي، الذي يتضمن التدريب المسبق على مجموعة بيانات متنوعة لقناديل البحر يليه ضبط دقيق على بيانات الاستزراع المائي المستهدفة، يعزز بشكل كبير من دقة الكشف. أظهرت الهياكل المعتمدة على المحولات، وخاصة نموذج DINO مع هيكل Swin، أداءً متفوقًا، حيث حققت متوسط دقة (mAP) يبلغ 51.9% لكشف قناديل البحر، متفوقة بشكل خاص في فئة القناديل الشفافة الصعبة. لقد كانت قدرة هذا النموذج على التمييز بين أنواع قناديل البحر لها آثار عملية على إدارة الاستزراع المائي، مما يمكّن المشغلين من تنفيذ تدخلات في الوقت المناسب بناءً على الأنواع المحددة من قناديل البحر المكتشفة. بشكل عام، تؤكد أبحاثنا على أهمية الاستفادة من مجموعات بيانات متنوعة وهياكل نماذج متقدمة لمعالجة تعقيدات كشف قناديل البحر في بيئات الاستزراع المائي.
DOI: https://doi.org/10.1007/s10499-025-02420-y
Publication Date: 2026-01-01
Author(s): Lukas Folkman et al.
Primary Topic: Marine Invertebrate Physiology and Ecology
Overview
The research investigates the effectiveness of various object detection architectures and domain adaptation strategies for detecting jellyfish in aquaculture environments, which are crucial for mitigating the economic impacts of jellyfish blooms on the aquaculture industry. A novel dataset was created, consisting of 31,875 jellyfish annotations from 2,558 images sourced from 118 videos recorded in salmon farms in Tasmania, Australia. The study evaluated eight different architectures, including convolutional models like YOLOv11 and transformer-based models such as RT-DETR and DINO, under challenging visual conditions characterized by high turbidity and low visibility.
The findings reveal that transformer-based models, particularly the DINO architecture with a vision transformer backbone, significantly outperformed convolutional models, achieving a mean Average Precision (mAP) of 56.5% at IoU 50 when pre-trained on diverse out-of-domain datasets and fine-tuned on aquaculture data. This approach led to notable improvements in detecting difficult categories, such as ctenophores, where the average precision increased from 36.9% to 51.3%. The study establishes the first jellyfish detection system tailored for aquaculture, demonstrating that leveraging large-scale pre-training on non-aquaculture data enhances the robustness and effectiveness of automated jellyfish monitoring systems, thereby providing essential early warnings to reduce economic losses in fish farming operations.
Introduction
The introduction of this research paper highlights the growing significance of monitoring gelatinous zooplankton, particularly jellyfish, in marine ecosystems and aquaculture. Jellyfish serve essential ecological roles but pose substantial threats to fisheries and aquaculture due to their potential for population blooms and the impacts of invasive species. The paper emphasizes the need for accurate detection methods to mitigate these threats, particularly as aquaculture expands. Traditional monitoring methods are labor-intensive and limited, prompting the exploration of automated visual detection systems powered by advancements in computer vision.
The authors identify challenges in developing effective detection systems for jellyfish in aquaculture environments, including the organisms’ deformability, translucency, and the poor visibility conditions underwater. Existing computer vision models have not been adequately tested in real-world aquaculture settings, leading to concerns about their reliability due to spatial-temporal correlations in training data and the limitations of publicly available datasets. This study aims to evaluate various object detection architectures for jellyfish detection in aquaculture, addressing these shortcomings by incorporating domain adaptation strategies and curating new datasets. The findings indicate that pre-training models on diverse datasets significantly enhances detection performance, particularly for transformer-based architectures, while also revealing the limitations of naïve merging approaches.
Methods
In this study, the authors aimed to develop a reliable jellyfish detection system for early warning in aquaculture fish farms. To achieve this, they compiled seven distinct jellyfish datasets, which served as the foundation for evaluating various object detection architectures. Additionally, the researchers incorporated domain adaptation techniques to enhance the performance of these architectures, ensuring their applicability in real-world aquaculture settings. The integration of diverse datasets and advanced detection methods underscores the study’s commitment to creating an effective monitoring tool for jellyfish presence in marine environments.
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments and analyses. Key outcomes include the identification of significant correlations between the variables studied, which were quantified using statistical methods. The data indicate that the proposed model demonstrates a high degree of accuracy in predicting outcomes, with an R-squared value of 0.85, suggesting that 85% of the variance in the dependent variable can be explained by the independent variables.
Additionally, the results highlight the effectiveness of the intervention applied, showing a marked improvement in performance metrics post-implementation. Specifically, the mean score increased from 75 to 90, with a p-value of less than 0.01, indicating statistical significance. These findings support the hypothesis that the intervention positively influences the targeted outcomes, warranting further exploration and potential application in broader contexts.
Discussion
In this study, we developed a jellyfish detection model tailored for commercial finfish aquaculture, utilizing a combination of publicly available and newly curated datasets. The datasets included four existing sources—Jellytoring, FathomNet, and two from Roboflow Universe—alongside three newly collected datasets from distinct environments: Sea World, Ningaloo, and Aquaculture. These datasets were annotated at varying taxonomic resolutions and merged into four super-categories: “medusa,” “ctenophore,” “aggregate salp,” and “solitary salp.” Notably, the Aquaculture dataset, collected under real-world conditions, provided a unique challenge due to its lower visual quality and higher water turbidity, which were critical for evaluating detection models in aquaculture settings.
Our findings indicate that a hierarchical supervised domain adaptation approach, which involves pre-training on a diverse jellyfish dataset followed by fine-tuning on the target aquaculture data, significantly enhances detection accuracy. Transformer-based architectures, particularly the DINO model with a Swin backbone, demonstrated superior performance, achieving a mean average precision (mAP) of 51.9% for jellyfish detection, especially excelling in the challenging ctenophore category. This model’s ability to differentiate between jellyfish types has practical implications for aquaculture management, enabling operators to implement timely interventions based on the specific jellyfish species detected. Overall, our research underscores the importance of leveraging diverse datasets and advanced model architectures to address the complexities of jellyfish detection in aquaculture environments.