基于改进AANets-LUCIR框架的螃蟹物种增量识别方法研究

为解决螃蟹物种多样性识别中样本收集困难与模型增量学习难题，研究人员提出改进的AANets-LUCIR框架：通过ReLU6激活函数与金字塔分割注意力机制增强ResNet18特征提取，结合k-means样本回放策略，在自建数据集上实现适应性92.30%、基础识别89.80%、综合评估91.66%的优异性能，较传统方法提升5.83-21.76个百分点，为智能水产养殖提供关键技术支撑。

　　螃蟹物种具有高度多样性，其精准识别对生产管理、成熟度预测、产量估算及自动化分拣至关重要。针对传统深度学习需全类别样本一次性输入的局限性，本研究创新性地将自适应聚合网络(AANets)与间接学习统一分类器(LUCIR)框架相结合，通过三大核心改进实现突破：1) 在ResNet18骨干网络中采用ReLU6激活函数保留图像特征细节；2) 在每个BasicBlock模块嵌入高效金字塔分割注意力(PSA)机制强化特征提取；3) 引入基于k-means聚类的样本回放策略平衡新旧知识。实验数据表明，该方案在自建数据集上适应性指标达92.30%，显著优于iCaRL等传统方法10.15-21.76个百分点，为水产养殖智能化提供了可动态扩展的物种识别解决方案。