DaphTrack：基于深度学习的多维度行为分析系统在新生大型溞毒理学研究中的突破与应用

本研究开发了基于深度学习的新生大型溞（Daphnia magna）行为分析系统DaphTrack，整合YOLO11n目标检测与优化ByteTrack++追踪算法，实现高精度识别（96.5%）与稳定多目标追踪（IDF1=88.8%），并建立多维行为参数矩阵，为DCOIT等污染物的行为毒理机制研究提供新工具。

　　

Section snippets

Cultivation of D. magna

实验所用大型溞（Daphnia magna）源自贵州医科大学毒理与环境研究所。在20°C恒温、16:8小时光暗循环的人工气候箱中培养，使用标准SM7培养基（每48小时更换），定期监测pH值（7.5±0.25）与溶解氧浓度（8–9 mg/L）。以蛋白核小球藻（Chlorella pyrenoidosa）投喂，维持密度为1×10⁵ cells/mL。

Performance of the DaphTrack system in object detection

混淆矩阵（图3a）显示：在1430个新生溞样本中，1380个（96.5%）被正确识别，仅6个（0.4%）误判为成体，44个（3.1%）误认为背景；199个成体样本中，正确识别率达97.5%（194个），仅4个（2.0%）误判为新生个体，1个（0.5%）误为背景。背景区域中，仅33个被误判为新生溞、3个为成体溞，准确率高达99.5%。精确率-召回率曲线（PR曲线，图3b）显示，新生溞与成体的平均精度（AP@0.5）分别达97.2%与96.1%，显著优于传统阈值分割法（78.3%与75.6%）。YOLO11n在不同浓度DCOIT暴露下的识别稳定性极高（F1-score均＞95%），且推理速度达每帧4.2毫秒（ms），满足实时分析需求。

Discussion

2008至2024年间，大型溞检测与追踪技术研究取得显著演进（表2）。早期系统如Grid Counter（Jeon et al., 2008）和Daphniatox（H?der and Erzinger, 2017）主要采用二值化、阈值法与噪声滤波进行图像分割。前者通过虚拟网格追踪但不支持多目标，后者可多目标追踪但难以区分重叠个体。2018年，基于自适应阈值与卡尔曼滤波的ToxTrac（Rodriguez et al., 2018）实现了多目标追踪，但对低对比度目标（如新生溞）效果有限。2021年，Pal等尝试结合U-Net与Hungarian算法提升小目标分割精度，但帧率较低（15 fps）。2024年，Qin等提出轻量级YOLOx-ByteTrack架构，首次实现新生溞实时追踪，但未拓展至群体行为实验。本研究开发的DaphTrack系统，融合YOLO11n与优化ByteTrack++，在识别精度（96.5%）、追踪稳定性（IDF1=88.8%）与实时性（238 fps）方面均显著领先，且首次建立涵盖速度、加速度、轨迹密度等多维参数的行为分析矩阵，为污染物行为毒理研究提供全面量化工具。

Conclusion

本研究成功开发基于深度学习的DaphTrack系统，实现了对新生大型溞的高精度识别与多目标追踪，显著克服传统图像处理方法在低对比度、小尺寸目标检测中的局限。该技术可扩展至其他水生生物指示物种。未来可建立覆盖多种水生生物的行为分析平台，构建一体化生物早期预警系统。