关于用于评估虾活力的多任务监测方法的研究

《Aquaculture International》：Research on a multi-task monitoring method for shrimp vitality assessment

实时检测对虾活力与死亡时间预测模型研究采用改进YOLOv11框架与生物力学结合，构建包含存活、半死、死亡状态的数据集并引入EFC模块提升复杂水下环境检测精度至mAP@0.5 0.941。通过关键点检测分析头部、躯干和尾部的空间动态变化，计算弯曲角表征尸僵进程，对比盐度差异实验发现淡水环境延缓尸僵速度，结合多项式回归建立误差6.3分钟的死亡时间预测模型。

　　

摘要

在集约化、高密度的循环水产养殖系统中，实时检测虾的活力状况并估算其死亡时间是一项关键的技术挑战，这对于确保生产效率和产品质量至关重要。死虾的腐烂会迅速污染水质，因此及时确定死亡时间对于查明污染源、减少死虾在水中停留的时间以及降低大规模死亡的风险至关重要。本研究提出了一种基于改进的YOLOv11框架的多任务监测方法，旨在实现非破坏性的、精确的虾活力识别以及死亡时间的动态预测。本研究的主要贡献包括以下几点：首先，构建了一个包含三种虾活力状态（存活、半死和死亡）的图像数据集，并引入了增强特征相关性融合（EFC）模块，以优化YOLOv11模型的多尺度特征融合能力。这一改进使得在复杂的水下环境中能够实现高精度的目标物体检测，在测试集上达到了0.941的mAP@0.5和0.937的F1分数。其次，本研究采用了关键点检测技术来准确捕捉虾的头部、中部身体和尾部端点的空间动态变化，从而计算出表征尸僵进展的弯曲角度。为了研究环境因素的影响，在盐水和淡水条件下进行了平行实验。结果表明，盐度差异通过渗透机制显著影响了弯曲速率，淡水环境会减缓这一过程。最后，通过多项式回归构建的死亡时间预测模型在预测值与实际记录时间之间的平均绝对误差为6.3分钟。通过将计算机视觉与生物力学原理相结合，本研究为工业化水产养殖系统提供了一种智能监测解决方案，实现了状态识别与时间推断的统一。