如何有效的製定與遵從漁業捕撈政策，以確保海洋資源及捕撈作業的永續性，絕對是當今決策者面臨的主要挑戰之一。在歐盟，能否成功履行共同漁業政策 (the Common Fisheries Policy, CFP) 的關鍵，很大程度取決於是否有能力量化商船上的漁獲量。由於漁船數量龐大，需受監測的航程繁多，以檢查為主的傳統監測方法較沒有效率。因此，相對而言使用電子設備來量化漁獲愈來愈顯重要。

利用電子設備所提供之數據與數學模型相結合，可用於評估不同魚群魚種的狀況，同時優化捕撈作業。在此工作中，針對物種辨識和魚體長估算，我們以深度學習（Deep Learning, DL）作為基礎，思考了不同演算法。一方面，針對如何區別個體的情況，我們已經將 Mask R-CNN 演算法應用於魚種辨識之上。另一方面，MobileNet-V1卷積神經網路 (convolutional neural network, CNN) 則用以預估每條魚的體長。

結果顯示，當個體之間的重疊程度為中等到低時，辨識模型和體長估計模型能成功量化捕獲數量，其結果令人滿意。而在個體之間發生重疊很大的情況時，則是下一階段要改善的目標。

資料來源：ScienceDirect