编辑推荐：
为解决传统手动测量青蟹表型参数效率低、误差大等问题，研究人员基于 YOLOv11 模型开展青蟹甲壳关键点检测及体长、体重自动化计算研究。结果显示改进模型 mAP@50-95 提升 1.8%，SVR 模型预测体重平均误差 4.90%，为水产养殖信息化提供参考。
在水产养殖和科研领域，青蟹（Scylla paramamosain）的表型参数测量是评估其生长状况与品质的关键。传统手动测量方式依赖游标卡尺、电子天平等工具，不仅效率低下，且因青蟹肢体延展性强、甲壳形状不规则，易受操作人员主观判断影响，测量过程中活蟹应激反应还可能导致自身损伤及安全风险，大规模养殖中每日需测量大量个体的需求更凸显了该方法的效率瓶颈。为突破这些困境，来自国内的研究人员开展了基于计算机视觉技术的青蟹表型参数自动化测量研究，相关成果发表在《Aquacultural Engineering》。
研究人员以福建宁德、漳州、福州及浙江温州、三门湾等地野生捕捞的成年拟穴青蟹为实验对象，旨在构建高效精准的青蟹表型参数测量体系。
研究中主要采用的关键技术方法包括：基于 YOLOv11 模型的甲壳关键点检测技术，通过自研的多尺度融合模块（SPPF-MP2）替代原 SPPF 模块、轻量化动态上采样模块（Dysample）替代传统 Upsample 模块以优化模型性能；利用模型预测的关键点对像素距离，结合校准块像素值进行比例映射，计算青蟹的七项体型参数；构建支持向量回归（SVR）等七种预测模型，关联青蟹体型与体重。
实验对象与基线模型
实验对象为多地野生成年拟穴青蟹，经低温冰袋运输保持存活状态。基线模型 YOLOv11 基于 Python 和 PyTorch 构建，其主干网络引入 C3k2 模块等增强特征提取能力。
青蟹表型参数计算
通过训练好的模型预测目标图像关键点，获取指定关键点对的像素距离，利用公式L=l2l1×r（其中L为实际尺寸，l1为关键点对像素距离，l2为校准块像素值，r为校准块实际尺寸）计算七项体型参数，所有测量相对误差均低于 10%。
SPPF-MP2 与 Dysample 模块联合用于青蟹形态特征提取
针对青蟹形态参数计算所需关键点多集中于甲壳边缘尖端及相邻齿连接处的特点，将基线 YOLOv11n 模型的 SPPF 和 Upsample 模块替换为 SPPF-MP2 和 Dysample 模块，以提高甲壳边缘关键点识别精度。结果表明，两模块单独使用均能提升模型性能，联合使用时 mAP@50-95 显著提升 1.8%，mAP@50 提升 0.1%。
体重预测模型
在关联青蟹体型与体重的七种预测模型中，支持向量回归（SVR）模型精度最高，最大预测误差为 13.74%，平均误差为 4.90%。
研究结论表明，基于 YOLO 的视觉模型结合关键点检测技术，可实现青蟹体型和体重的高精度估算，相较需数分钟的手动测量，自动化方法显著提升了水产养殖和生态研究中生长参数统计分析的效率与准确性。该技术框架为青蟹养殖信息化发展提供了重要参考，推动了计算机视觉技术在甲壳动物表型测量领域的应用，有望进一步促进水产养殖业的智能化与精准化管理，为相关领域的研究和生产实践开辟新路径。
