中国水产科学研究院东海水产研究所渔业遥感与信息技术研究室论文“Developing machine learning methods for automatic recognition of fishing vessel behaviour in theScomber japonicusfisheries”近日在海洋学国际期刊《Frontiers in Marine Science》（JCR分区一区）中发表。该成果得到了国家自然科学基金重点项目、浙江省海洋渔业资源可持续利用技术研究重点实验室开放课题的支持。

日本鲭（Scomber japonicus）是一种暖水性中上层长距离洄游鱼类，广泛分布于西北太平洋沿海海域。中国渔船主要通过灯光围网和灯光敷网等方式在该海域捕捞日本鲭等渔业资源。近年来，对渔船作业过程的监控受到越来越多的关注，为提高渔业船舶管理效能、规范渔船作业过程，国内外提出了多种渔船监控措施。对作业渔船捕捞过程进行监控，不仅对科学推动渔业发展具有重要作用，还对渔业船舶管理、安全生产、生态保护及实行国际履约等具有显著的实际意义。本文将深度学习方法应用到日本鲭捕捞渔船的行为识别中，监控日本鲭渔船的放网、收网、转载等9种行为，能够为渔业生产提供参考。本文首先探究了卷积层数对识别效果的影响，并在此基础上融入了池化层、LSTM长短时期记忆模块以及注意力机制（包括SE和CBAM），观察各模块的优化效果。试验结果表明，深度学习方法在日本鲭渔船行为识别方面具有突出的性能。LSTM和SE模块组合在网络上产生了最明显的优化效果，优化后的模型在测试集中可以获得97.12%的F1分数，超过了经典的ResNet、VGGNet以及AlexNet在日本鲭渔船行为识别任务中的表现。