在狭鳕渔业中，每一次拖网作业都可能意外捕获太平洋鲑鱼。尤其是帝王鲑和狗鲑，它们在狭鳕渔业中属于禁止捕捞物种，一旦误捕数量达到上限，渔船就必须停止作业。这不仅会影响渔民收益和加工厂，还会波及依赖渔业的地区。因此，如何减少鱼类的混捕，一直是科研人员和渔业从业者关注的重点。

过去几十年里，科研人员和渔业界不断改良渔具，开发“排鲑装置”（Salmon Excluders），并建立船只间的鲑鱼预警系统。排鲑装置能让鲑鱼从渔网中逃出，同时仍保留狭鳕，提高捕捞的可持续性。然而，评估这些“排鲑装置”的效果，一直是一个耗时耗力的难题。传统方法需要在渔网内部安装摄像头，拍摄大量视频，再由专业人员逐帧分析，判断鲑鱼是否顺利逃脱。人工审核不仅容易出错，而且整个过程往往需要数天甚至数周。如今，人工智能正在改变这一状况。科研人员在渔网内安装了一种新型水下摄像监控装置，实时记录鱼类在网中的行为，尤其是鲑鱼通过排鲑装置的过程。该装置配备照明系统，即使在黑暗海水中也能拍摄清晰视频。通过这些影像资料，科研人员可以直观了解鲑鱼和狭鳕在网中的游动路径和反应，从而更精准地评估排鲑装置的效果。虽然有了视频素材，但传统逐帧人工分析仍然耗时。为提高效率，美国科研人员近期测试了一种人工智能技术——深度学习检测模型YOLOv11，用于识别鲑鱼和狭鳕。研究团队在白令海狭鳕拖网中拍摄了近1.7万帧视频，手工标注了超过8.5万个目标，包括11,572条鲑鱼和73,394条狭鳕。视频记录了各种复杂环境：清澈或浑浊水域、鱼群密集或稀疏、磷虾干扰、低光照甚至镜头被遮挡的情况。摄像头被安装在排鲑装置入口处，并配有LED灯光，以记录鲑鱼尝试逃脱的关键瞬间。结果显示，YOLOv11能够检测到约90%的鲑鱼和狭鳕，平均预测准确率约为72%，在全拖网测试中甚至可以以99.3%的鲑鱼识别率。同时，它能使约85%的画面无需人工复查。相比传统逐帧人工审核，使用深度学习模型仅需几个小时即可完成。

对于渔民来说，人工智能最直接的价值在于反馈速度。过去，渔具改良后，渔民通常需要等待几个月才能收到专家的视频分析报告。而现在，AI 能在几小时内提供分析结果，让渔民更快了解作业情况。更快的分析带来多重好处。首先，排鲑装置的设计可以根据实时分析结果迅速优化，提高渔具效率。其次，渔民在作业过程中能够及时得知鲑鱼是否顺利排出，帮助避免触及兼捕上限，减少因停捕造成的经济损失。同时，沿海社区也能从中受益，加工厂和港口的运营更加稳定，不会因突然停捕而受到冲击。尽管深度学习模型在识别狭鳕和鲑鱼方面表现出色，但这项技术仍存在一些挑战。研究发现，当视频中出现鲱鱼时，模型有时会误判为鲑鱼；在高密度鱼群或低光环境下，识别率也会有所下降；对于体型较小的帝王鲑，模型的检测效果仍需进一步验证。科研人员表示，未来还需要增加更多训练数据，特别是小型帝王鲑和不同环境条件下的视频，同时扩展模型的物种识别范围，使其能够区分鲑鱼与鲱鱼，从而减少误判。此外，目前模型只能区分狭鳕和鲑鱼，未来计划开发能够进一步区分帝王鲑和狗鲑的版本，以便在渔业管理和保护策略上更加精准。

人工智能在渔业的应用不止于此。卷积神经网络已被广泛应用于制造业（检测产品缺陷）、医学影像（疾病诊断）、自动驾驶等领域，在海洋研究中也被用于识别多种鱼类和监测海洋生物行为。随着高质量低成本摄像头的普及，渔业视频采集量正在迅速增加，而AI正好能解决“数据太多、人工难以消化”的问题。这类模型未来有望扩展到其他渔业，比如扇贝拖网、延绳钓，甚至帮助减少与受保护物种的相互作用。