基于改进YOLO11n的鱼类寄生虫实时检测方法研究及其在智能水产养殖中的应用

本文提出YOLO11n-DLZX模型，通过动态卷积（DynamicConv）、轻量级特征自适应空间融合（LFASFF）检测头和缩放专家卷积（ZXConv）三大创新模块，显著提升复杂水产环境中多类别寄生虫的检测精度，达到95.9% mAP@0.5和71.9% mAP@0.5:0.95。研究同步开发了基于PyQT的可视化检测系统，为寄生虫防控提供了一站式智能解决方案。

　　

亮点

本研究针对水产养殖中寄生虫检测的难点（如形态多样性、多物种共存及复杂背景干扰），提出了一种名为YOLO11n-DLZX的新型实时检测方法。该模型通过三大核心创新实现突破：动态卷积（DyConv）根据输入特征自适应调整卷积核权重，增强对寄生虫复杂形态的捕捉能力；轻量级特征自适应空间融合（LFASFF）检测头动态优化多尺度特征融合比例，提升模型对大小目标的适应性；创新的缩放专家卷积模块（ZXConv）结合动态卷积与感受野注意力卷积（RFAConv），实现精准定位与干扰抑制。实验表明，该模型在保持轻量化的同时，检测精度显著超越原版YOLO11n。

章节摘要

数据集构建与预处理

本研究从广东湛江渔人码头金鲳鱼养殖场、肇庆德邦健农业公司鳜鱼养殖场及广州海珠区仲恺农业工程学院循环水养殖设施中采集金鲳鱼、鳜鱼和金鱼样本，每种鱼类约35-40尾。循环水养殖系统具备可控环境参数，为寄生虫活体样本的及时采集提供了条件。

实验细节

实验基于YOLO11n改进，初始学习率设为0.001，权重衰减为0.0005，批量大小为8，训练迭代150轮。

对比实验

本研究通过对YOLO11n网络的多项改进提升五种寄生虫的检测精度，并与主流目标检测模型对比。结果显示YOLO11n-DLZX在复杂场景下具有显著优势。

多种寄生虫数据采集方法

当前显微寄生虫检测研究多依赖显微镜观察与人工识别，但此类数据集存在样本来源单一、寄生虫种类覆盖有限、生长阶段不全等局限性。本研究通过多地点协作采样，丰富了数据多样性。

结论

YOLO11n-DLZX模型有效解决了水产养殖中运动模糊、微小目标和形态变异等检测难题。通过DyConv增强骨干网络动态特征学习能力，结合ZXConv模块实现多尺度特征自适应提取，为寄生虫实时监测提供了高精度、高效率的解决方案。