深圳大沙河公园在智慧公园水域生态监测场景，接入了快瞳鱼类AI识别能力，在河道关键水域布设水下摄像头，由算法实时完成鱼类检测与物种识别，识别结果同步到公园的科普互动终端，让市民更好参与及感受生态科普。
据公开数据，经过多年水环境综合治理与生态修复，如今水质稳定保持在Ⅱ 类，成为市民跑步、遛弯、带孩子认识自然的热门去处。生态变好后，对河道的鱼类种类、数量的观察变得非常重要，而此前靠人工定期采样的方式，既难以做到高频连续观测，也很难把数据直接变成游客看得懂的东西。
在这种背景，深圳大沙河公园接入了快瞳科技的鱼类AI识别能力，让鱼类AI识别不仅支撑生态监测，更为市民提供科普教育的窗口。
河道鱼类AI识别真正的难点，卡在图像环节
此前，鱼类识别在养殖场景中已经有可参照的落地结果：快瞳的鱼类识别技术在鱼塘盘点场景中实现过5秒完成单池清点、准确率99%的实测表现。养殖水体的透明度、光照和鱼群密度相对可控，摄像头与鱼群的距离固定，识别模型面对的是“干净”的输入。
城市河道则是完全不同的图像环境。水中的悬浮颗粒对光线产生散射，画面呈现雾状模糊；不同波长的光被水体选择性吸收，图像整体偏蓝绿，鱼体的斑纹和颜色特征被大幅削弱；水流和涌浪让摄像头难以保持稳定，连续帧之间本身就在晃动。如果直接把养殖场景的模型迁过来，误检率会非常高，必须用大量真实水域样本专门训练。
另一方面，公园生态展示，过去大多是展板、图片、标本，讲的是静态知识。深圳大沙河公园记录的鱼类、鸟类数据如果只保存在科研报告，对普通游客而言则无法生动体验到。智慧公园要做科普，就需要把实时发生的生态事件，变成可看、可互动的内容，这也给鱼类AI识别提出了新的要求。
快瞳方案：水下摄像头把鱼 "认出来、数清楚、传上去"
快瞳科技的鱼类AI识别算法，是基于深度学习卷积神经网络训练的，通过海量真实水下样本学习鱼的体型、体色、斑纹等生物特征。落到这个项目里，整套系统跑的是一条非常清晰的链路：水下摄像头按帧采集河道影像 → 算法在边缘侧实时检测画面中出现的鱼类目标 → 对每个目标做物种分类与数量统计 → 结构化数据上传至公园智慧管理平台 → 同步推送到岸边的科普互动终端。
第一，针对湿地生态监测的复杂水质场景，快瞳科技采用了一套前置的图像增强链路：对水下连续视频帧做特征融合和增强处理，在提升画面清晰度的同时抑制帧序列中的时间不稳定性。这套预处理解决的是“算法看到什么”的问题，在鱼种判别之前，先让图像具备被判别的条件。对于大沙河这类流动性河道而言，这一步的价值不在于让画面“好看”，而在于让物种识别的输出具有可用的置信度。
第二，物种库的覆盖及细粒度识别能力。随着水质恢复，大沙河本土原生物种陆续回流，算法需要既能识别常见的本地鱼类，也能在出现外来物种异常进入时给出提示，为公园管理方提供早期预警。鱼类种群的增多，也使得水下影像中形态相近的个体区分难度不低。快瞳鱼类AI识别通过多阶段特征融合和动态权重调整来处理鱼类类别多、样本分布不均衡的问题，为科普终端输出具体的鱼类品种信息。
第三，部署以边缘推理优先。河道现场网络条件不稳定，全部视频回传既耗带宽也不现实。快瞳的鱼类识别支持云端API、端侧算法和边缘计算盒子等多种形态，在摄像头的边缘侧本地完成检测识别，单帧推理时延控制在几十毫秒量级，只把结构化结果“几点几分、哪个点位、出现了什么鱼、大概几条"传回平台。这样识别不需要把原始视频全部送回云端，数据在产生的地方就已经完成了从图像到物种记录的转化。
从 "监测" 到 "科普"，数据才真正活起来
鱼类AI识别在监测系统中输出的通常是物种名称、位置、时间戳、置信度这类字段。如果这些字段停留在管理后台，它们的用途是查询和统计。当它们被推送到公园的科普互动终端，面对的是没有鱼类学背景的普通游客，需要的是可以被理解的信息形态，而不是原始日志。
这个转化对数据的要求其实比监测本身更高。快瞳的识别输出包含目标位置和置信度，这些字段进入展示层后，可以支撑起“物种图谱+活动分布”的呈现：游客在终端上看到的不是一串识别记录，而是此刻或近期这条河道里出现了哪些鱼、哪些是随着生态修复回来的本土物种、它们大致在水体的什么位置活动。
更深一层的变化在公众与河流的关系上。科普终端把水下的变化搬到地面，让“鱼回来了”从一个专业结论变成一个可以被看见、被提问的场景。对于一座以生态为主题的公园而言，这种可视化的触达与水域监测本身构成了一条完整的链路：识别在水下完成，数据在边缘处理，价值在游客面前释放。
智慧公园的下一步：让生态自己 "说话"
快瞳科技的鱼类AI识别能力，从水产养殖、观赏鱼监测、渔业资源调查等场景走进城市公园，意味着鱼类AI识别技术开始从专业行业场景，走向面向公众的科普与生态展示。
把大沙河公园放回快瞳鱼类AI识别能力的整体版图中看，这个场景的特殊之处在于同一套识别结果同时承担两项职能。在管理端，物种和位置数据是河道生物多样性动态的记录，服务于对水域生态状况的持续掌握；在公众端，同一组数据经过呈现层的转化，成为理解城市河流生态修复的入口。两项职能对识别精度的要求是同一的，但对数据流向和使用方式的分野，决定了技术方案在链路设计之初就需要考虑“监测之外的第二端”。
当识别能力部署在城市河道的真实水下环境中，在图像退化、物种细粒度要求和分散部署条件同时成立的条件下稳定输出可用数据，并且跨过从后台到终端的那一步，智慧公园的“智慧”才不止于管理效率，还包括公众与城市水生态之间信息不对称的缩小。
常见问题：
Q1：河水浑浊、画面偏蓝绿，鱼类AI识别还能用吗？
A：河道水体的图像退化是客观存在的，识别链路的第一道工序不是物种判别，而是图像增强。快瞳在湿地生态监测场景中采用基于深度学习的增强方案，对连续视频帧做特征融合和画面优化，先把“雾状、偏色、晃动”的输入处理到模型可用的状态，再进行鱼类检测和物种判定。需要说明的是，增强能改善可识别性，但无法把任何水质条件下的画面都恢复到理想水平；实际可用性取决于监测点位的成像条件，选点阶段应优先选择水体透明度相对稳定、镜头不易被泥沙和藻类覆盖的位置。
Q2：监测点位沿河道分散，网络和供电条件不一致，怎么部署？
A：快瞳的鱼类识别支持云端API、端侧算法和边缘计算盒子等多种形态。网络条件稳定的点位可以采用云端识别，视频或图片回传后集中处理；网络薄弱或不宜回传原始视频的点位，可以在摄像头侧部署边缘计算盒子，本地完成识别初筛，只回传结构化结果，降低带宽占用，也减少原始影像外流的风险。具体选型需要结合点位的供电、网络和运维可达性逐点确定，不存在一种形态适配所有点位。
Q3：长期运行后，模型会不会因为季节、水位、鱼群变化而变差？需要人工维护吗？
A：会有影响，但不是“装完就不管”的模式。季节变化带来水温、光照和水体透明度的差异，水位涨落改变拍摄视野，鱼群组成也会随繁殖和洄游周期变化，这些都会让模型的输出分布发生偏移。常规做法是保留人工复核环节，对低置信度和新出现的物种记录做确认，并将确认结果作为增量数据用于模型迭代。运维上建议定期抽查识别日志，关注置信度分布和物种构成的变化趋势，而不是只看“有没有报错”。
Q4：河道影像和识别数据归谁？会不会外传？
A：数据归属和流转方式在方案设计阶段就应明确。如果采用边缘部署形态，原始影像在本地完成识别后即留存于公园侧，平台只接收结构化识别结果；如果采用云端识别，需要在接口层面约定影像的存储位置、保留周期和访问权限。对于涉及公共空间影像的场景，建议在采购和部署阶段就把数据留存范围、使用边界和对外展示的内容颗粒度写入方案，避免上线后再做补救。
