著者の所属・活動拠点の国は、中国です。

掲載誌：Sensors

ライセンス: CC BY　対象: 公開論文　確認元: OpenAlex

研究の目的

養殖では、いけすや池にいる魚の数を正確につかむことが、毎日の給餌量や水質の管理、生産効率を左右します。著者らによると、循環式で魚を高密度に育てる養殖（閉鎖循環式養殖）が広がるなか、網ですくって数えるような従来の方法は、魚への負担が大きく、手間がかかり、誤差も大きいという問題がありました。

そこで、濁った水や暗い環境でも水中の様子を映像のように捉えられる「画像ソナー」（音波の反射を画像にする装置）が注目されています。ただし、魚が密集すると、手前の魚が奥の魚を隠したり音波の影を作ったりして、数え漏れや二重計数が起きます。また、ソナーの音波は上下方向に薄い範囲にしか届かないため、その外を泳ぐ魚は映りません。研究チームは、こうした「重なりによる見落とし」と「音波が届かない範囲の魚」の両方を補正し、高密度養殖で魚の数を推定する方法をつくり、その精度を確かめることを目指しました。

何を、どのように調べたか

研究チームは、高周波（1.2MHz）モードの画像ソナーを使い、高密度で養殖されているオオクチバス（平均体長約15cm）を撮影しました。手法は三つの段階からなります。まず、ソナー画像のノイズを複数のフィルター処理で取り除き、動かない壁の反射など魚以外の像を、動く速さを手がかりに除外します（周囲の魚の平均速度の半分未満の状態が10フレーム続いた像を背景とみなす）。次に、画像から魚を自動で見つける深層学習の物体検出手法「YOLOv11」で魚を検出します。最後に、検出数を二段階で補正します。一段目では、魚が画面上にばらばらに散らばっていると仮定する確率モデル（ポアソン分布にもとづくモデル）を使い、魚の重なりで見落とされた数を推定します。二段目では、魚が水中のどの深さにどれだけいるかという分布の割合を用いて、音波の届かない範囲を含めた全体の数へ広げます。

検出手法の学習と評価には400枚のソナー画像を用い、連続するフレーム同士の似通いが評価をゆがめないよう、学習用の320枚と評価用の80枚を別々の撮影回から集めました。

実験は二つの規模で行いました。一つは実験室の循環水槽で、ソナーの扇形の観測範囲に合わせた網いけす（半径2.0m、水深1.0m）に、魚を20匹から100匹まで5段階の数で入れ、補正前後の推定数を実際の数と比べました。もう一つは実際の養殖池で、約6000匹の池と約6500匹の池でそれぞれ3回の試験を行いました。さらに、魚が群れて集まる場合でも確率モデルが使えるかをコンピューター上の模擬実験で確かめ、海上の大型いけすで飼育されるコバンアジの一種（ゴールデンポンパーノ）でも試験的に適用しました。

主な報告結果

実際の養殖池では、補正をしないYOLOv11の検出数をそのまま池全体に広げた推定は、実際の数を38.77〜53.12%（平均46.76%）下回っていました。重なりの補正を加えると、誤差は1.38〜16.43%（平均9.91%）に縮まり、誤差は補正前と比べて69.07〜96.44%減ったと報告されています。

実験室の網いけすでは、補正前の検出数は実際の数より39.20〜61.10%少なく、最も誤差が大きかったのは魚が最も少ない20匹のときでした。研究チームは、このとき魚同士の重なりはほとんど起きないため、主な原因は魚が音波の届かない深さを泳いでいたことだと説明しています。逆に80〜100匹では、重なりや音波の影の影響が強まりました。補正後の誤差は9.58〜37.22%で、誤差の減り方は40匹のときに最大の75.84%、最も密集した100匹でも31.47%でした。

魚の検出そのものについては、評価用の80枚で、検出した像のうち正しく魚だった割合（適合率）が89.1%、実際の魚のうち検出できた割合（再現率）が85.4%で、1フレームの処理時間は6.8ミリ秒でした。前処理では画像のノイズの水準が平均84.56%低下し、形や輪郭の情報は保たれていたとされています。

魚の深さ方向の分布を調べると、水深0.2〜1.0mの層に観測された魚の約65%が集まっており、この分布は日を変えても安定していました。魚が群れを作る状況を模した模擬実験では、群れによる確率モデルからのずれは平均−3.03%、100匹の条件でも最大−6.13%にとどまりました。海上いけすでの試験では、ゴールデンポンパーノが中間の深さに多く集まる様子が捉えられました。

この報告が示すこと

研究チームは、深層学習による魚の検出と、重なりや観測範囲の外を補う統計モデルを組み合わせることで、画像ソナーによる計数で起きる系統的な数え不足を減らせると結論づけています。視野の狭い通常の画像ソナー1台でも、複数のソナーを並べるような高価な装置を使わずに、施設全体の魚の数を推定できる道を示した点を、著者らは利点として挙げています。

一方で、実際の数と照らし合わせた定量的な検証は、主に陸上の循環式養殖施設のオオクチバスの稚魚に限られています。海上いけすでの試験は実用性を確かめる定性的な実証にとどまり、著者ら自身も全数調査並みの精度を主張するものではないとしています。ほかの魚種や荒れた海の条件で使えるかはさらに検証が必要で、この研究が推定したのは魚の数であり、体重や総重量への換算は扱っていません。

原著論文の著者・所属：Tianhao Zhao（College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China）、Xiaolong Zhang（College of Marine Technology and Environment, Dalian Ocean University, Dalian 116023, China）、Yuhang He（College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China）、He Ma（College of Fisheries and Life Science, Dalian Ocean University, Dalian 116023, China）、Ying Liu（College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China）、Zhihong Ma（College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China）

※本記事は原著論文をもとに、日本語で要約・説明を加えた研究紹介です。 出典（原著論文）：Tianhao Zhao, Xiaolong Zhang, Yuhang He, et al. Imaging Sonar Detection and Occlusion-Corrected Abundance Estimation in High-Density Aquaculture. Sensors（出版社：Multidisciplinary Digital Publishing Institute） 2026-10-09. DOI: 10.3390/s26206387. 原著ライセンス：CC BY.