水产小龙虾争斗识别：4 级漏斗流水线与端侧实测性能

使用须知

辅助养殖监测与预警系统，不是全封闭工业自动化保护设备。建议与现有水质溶氧监控、自动投饲设备联动配合使用。

这套方案是干什么的

系统架构与设备拓扑

要跑起来只需要两样东西：出画面的智能边缘相机、接事件的养殖监控系统。摄像头与看板通过标准网络协议互联，无需复杂的集中式算力服务器。

在工厂化高密度循环水养殖（RAS）或繁育水槽中，澳洲淡水龙虾（红螯螯虾）在蜕壳期极易因同伴打斗造成大螯残缺甚至互相残食。部署在水槽上方的智能边缘相机在本地实时跟踪每只螯虾，当两只虾靠近并发生肢体攻击搏斗时，系统在 8 帧时序内完成确认并通过 MQTT 上报养殖中控大屏，提醒工人及时分池或投喂诱饵，显著降低断肢率与死淘率。

• 开源实现：github.com/suharvest/crayfish-fight
• 选型与部署：可部署方案页（现场设备选型与部署指南）

• 4 级漏斗分级计算

  目标检测 → 靠近触发 → 单帧粗筛 → 8 帧时序拼图确认，逐级剔除 90% 以上无效计算，确保嵌入式端侧算力充裕。

• 时序拼图消解 2D 假交叠

  将 8 帧连续交互区域拼成时空大图送入轻量卷积网，彻底消除水下侧拍视角下的视觉假接触与假误报。

• 公母性别多帧投票统计

  单只个体进入视野前 10 帧自动截取大螯形态进行性别判定投票，Top-1 准确率 82.0%，自动统计水槽性别比例。

• 端侧离网运行与 IP67 防水

  相机自带 NPU/TPU 运算，支持单根网线 PoE 供电；断网状态下仍能维持本地录像与打斗事件缓存。

真机演示

水槽顶部相机实际输出画面：对视野内所有个体进行 ByteTrack 编号与性别判定标记（如 #3 male 91%），当 #2 与 #5 靠近缠斗时，打斗区域亮起红色追踪高亮框并标记 FIGHT (temporal confirmed)。

---

需要哪些硬件

现场仅需选配一体化防水智能相机并接入水产基地局域网：

	设备选型	算力与配置	什么时候选它
	reCamera Pro (2GB) 4K 大底 + 3 TOPS NPU	瑞芯微 RV1126B · 3 TOPS NPU 2GB 内存 · Linux 5.10	推荐首选。大型宽水槽、养殖池；需要运行完整 4 级漏斗与 8 帧时序拼图网络
	reCamera 2002 (8GB) 1/2.8" 传感器 + 1 TOPS TPU	算能 SG2002 · 1 TOPS TPU 512MB 内存 · 原生 C++ 运行时	经济批量档。标准密集小水槽批量铺设；超低功耗单线 PoE 部署

---

现场怎么部署

一、机位与安装规范

• 安装高度与视角：架设于水槽正上方 0.8 ~ 1.5 米，垂直俯拍（俯角 80°~90°）为佳；
• 水深与水体透明度：适用水深 20~80 cm，水体透明度 ≥ 25 cm；避免气泡发生器正对摄像头造成反光；
• 补光条件：水槽上方建议配备匀光柔光灯带（照度 ≥ 100 Lux），消除波光粼粼造成的高频反光噪点。

二、软件安装：使用官方推荐工具部署

本方案纳入 Seeed 方案自动化部署体系，官方首选使用 solution-cli（或 AI 方案助手） 执行自动化选型校验与端侧下发，同时兼容控制台 GUI 操作：

查看现场选型与部署指南 🖱️

推荐途径：使用 solution-cli 自动化部署与环境自检（CLI 最佳实践）

solution-cli 是官方面向工业方案与 AI 边缘设备的部署工具包（见现场部署指南）。无需手动管理容器镜像，执行三步即可完成端侧自检与下发：

# 1. 检查并安装 solution-cli（已安装用户可跳过）
npm install -g @seeed-studio/solution-cli
# 或直接通过 npx 运行：npx @seeed-studio/solution-cli doctor

# 2. 环境诊断与设备连通性巡检（自动探测局域网内的 reCamera 设备）
solution-cli doctor
solution-cli device scan

# 3. 查看方案详情与硬件需求并一键完成端侧部署下发
solution-cli hub get crayfish_behavior_recognition --locale zh
solution-cli deploy --solution crayfish_behavior_recognition --target recamera --host 192.168.42.1

提示：若你在使用 Claude Code、Codex、Antigravity 等开发工具，也可以直接让 AI 助手调用内置的 solution-cli 技能，输入：“请使用 solution-cli 帮我部署方案 crayfish_behavior_recognition 到水槽上方的 reCamera Pro 上”，AI 助手将自动执行环境预检并挂载开箱即用的推理引擎。

备选途径：GUI 控制台可视化安装（SenseCraft Web / App Center）

1. 浏览器访问 http://<camera_ip> 登录设备后台；
2. 在 App Center（应用中心） 搜索 crayfish_behavior_recognition；
3. 点击 Install，应用自动部署检测器与时序分析流水线；
4. 进入设置页，填入养殖场 MQTT Broker 地址（如 192.168.1.100:1883）并开启服务。

---

算法原理：4 级漏斗与时序拼图

摄像头采集 (1080p @ 10-15fps)
   │
   ▼ [级 1] 目标检测   YOLO11n (640×640) → 螯虾 Bounding Box + ByteTrack 多目标跟踪
   │
   ▼ [级 2] 靠近触发   两虾中心距 < 1.1×体长 或 IoU > 0，持续 ≥ 3 帧
   │                    截取交互区域并外扩 20% margin 作为 ROI
   │
   ▼ [级 3] 单帧粗筛   YOLO11n-cls (224×224) 极速二分类，快速过滤普通游动
   │
   ▼ [级 4] 时序确认   YOLO11n-cls (448×448 拼图)，将 8 帧交互 ROI 拼图输入卷积网
   │                    彻底消除侧拍视角下的 2D 透视重叠伪接触
   │
   ▼ 事件输出         状态机仅在 start / change / end 状态切换时上报 MQTT 与 WebSocket

并行分支：性别分类器

在新生成的 Track ID 前 10 帧中，截取单只虾大螯与腹部形态，输入 YOLO11n-cls（128×128）进行多帧投票，输出 male / female / unknown，Top-1 准确率达 82.0%。

---

性能与实测数据

现场验证基于天津水产学院及养殖水槽现场 2,000+ 帧真实采集标注验证集（包含 15% 虚焦模糊与水面反光增广）：

1. 模型检测与分类准确度

模型名称	输入尺寸	目标任务	实测指标	部署运行时
det_v2_n	640×640×3	螯虾个体检测	mAP50: 0.950 (P: 0.914, R: 0.880)	RV1126B RKNN / SG2002 TPU
behavior_temporal	448×448×3	8 帧时序打斗确认	Recall: 0.950 (Precision: 0.905)	RV1126B RKNN INT8
behavior_cls	224×224×3	单帧行为粗筛	Recall: 0.775, Precision: 0.816	RV1126B RKNN / SG2002 TPU
sex_cls	128×128×3	公母性别判定	Top-1: 0.820 (10 帧多帧投票)	RV1126B RKNN / SG2002 TPU

2. 硬件运行表现

• reCamera Pro：10~15 FPS（4 级漏斗全闭环，CPU ~18%）；
• reCamera 2002：12~15 FPS（检测 + 粗筛预警，CPU ~25%）。

---

数据接口与集成协议

1. 养殖中控大屏与自动化投饲联动 (MQTT)

• Broker：mqtt://<camera_ip>:1883
• Topic：crayfish/tank/<tank_id>/event
• 打斗告警报文示例：

{
  "timestamp": 1793339665200,
  "tank_id": "RAS_04",
  "event_type": "FIGHT_CONFIRMED",
  "severity": "CRITICAL",
  "actors": [
    {"track_id": 2, "sex": "male", "box": [210, 140, 320, 260]},
    {"track_id": 5, "sex": "unknown", "box": [260, 160, 370, 280]}
  ],
  "duration_sec": 4.5
}

2. 性别与存塘统计上报

• Topic：crayfish/tank/<tank_id>/stats
• 周期上报：每小时汇总当前水槽总只数、公母比例与攻击事件频次，供养殖专家系统生成水质与投喂优化建议。