Fish Tracking, Counting, and Behaviour Analysis in Digital Aquaculture: A Comprehensive Review

数字水产养殖利用先进技术和数据驱动方法，相比传统水产养殖实践提供了实质性的好处。鱼类追踪、计数和行为分析是数字水产养殖的关键组成部分，对于优化生产效率、增强鱼类福利和改善资源管理至关重要。以往的综述主要集中在单一模态上，限制了它们全面解决这些任务所遇到的多样化挑战的能力。本综述提供了对水产数字技术现状的全面分析，包括基于视觉、声学和生物传感器的方法。我们检查了这些方法的优点、限制和应用，突出了最近的进展，并确定了关键的研究空白。由于缺乏全面的鱼类数据集和统一的评估标准，难以比较不同技术的性能，这被认为是阻碍该领域进展的主要障碍。为了克服当前的限制并提高鱼类监测系统的准确性、鲁棒性和效率，我们探讨了多模式数据融合和深度学习等新兴技术的潜力。此外，我们通过提供现有的鱼类追踪、计数和行为分析数据集的摘要，为该领域做出了贡献。未来的研究方向被概述，强调需要全面的数据集和评估标准，以促进技术之间的有意义的比较并在实际的水产养殖环境中推广它们的实际应用。

本论文旨在提出数字化水产养殖技术，解决传统养殖方式的缺陷，并探讨数字化技术在鱼类追踪、计数和行为分析方面的应用。同时，论文也指出当前数字化技术应用中存在的问题和挑战，如数据集缺乏和评估标准不一致等。

论文提出了基于视觉、声学和生物传感器等多种数字化技术，用于鱼类追踪、计数和行为分析。此外，论文还探讨了多模态数据融合和深度学习等新兴技术在数字化水产养殖领域的应用前景。

论文对数字化水产养殖技术进行了全面分析，包括优缺点和应用。同时，论文还提供了现有的鱼类追踪、计数和行为分析数据集的概述。值得关注的是，论文探讨了数字化技术应用中存在的问题和挑战，并提出了未来研究的方向。

在数字化水产养殖领域，近期的相关研究包括：'Automated fish detection and tracking in aquaculture using deep learning and computer vision techniques'、'A review on computer vision based defect detection and quality evaluation of fish products'、'A review of optical sensing technologies for fish welfare and aquaculture management'等。