在精准水产养殖中，追踪高分辨率行为特征面临“表型瓶颈”，传统方法无法量化瞬时三维（3D）物理活动。为此，我们提出了一种高通量3D行为表型框架，结合深度学习目标检测与双目立体视觉，实现对高密度环境中幼鱼的实时监测。该系统自动进行非接触式身体长度估算，并从绝对空间坐标重建3D游动轨迹。通过消除2D透视失真，该方法精确量化3D速度和加速度，首次估算了自由游动幼鱼的真实游泳速度。结果显示，该框架成功建立了昼夜运动基线，作为生理压力的早期预警系统，并为鱼类活力提供了客观指标。
博主点评： 该研究通过引入深度学习和立体视觉技术，创新性地解决了水产养殖中行为监测的难题，为幼鱼的健康监测和生理状态评估提供了新的工具，展现出深度学习在生物监测中的潜力。整体上，技术的应用前景广阔，值得关注！