基于DMSPN网络的鱿鱼水下部件级图案解析与几何畸变抑制研究

针对水下鱿鱼图像因泊松噪声、极坐标变换等几何畸变导致的部件级图案解析难题，研究人员提出变形抑制鱿鱼解析网络(DMSPN)，通过多路径特征提取器(MRFE)、压缩注意力模块和关键维度匹配器(KDM)的三阶段协同框架，在手工标注数据集上实现F-measure 93.6%的解析精度，为水产养殖智能化监测提供创新技术路径。

　　

论文解读

在全球化水产养殖产业中，鱿鱼作为高经济价值头足类生物，其养殖过程需要精准监测触腕、虹吸管等部件形态特征。然而水下复杂光场环境导致采集图像普遍存在枕形畸变、过渡曝光等几何变形，传统基于高质量数据训练的深度神经网络(DNN)在此类扰动图像上表现急剧下降。更棘手的是，现有方法缺乏深度特征融合机制，难以从畸变图像中提取稳定的源特征分布，严重制约养殖场实时监测系统的应用。

为解决这一挑战，浙江某高校研究团队在《Computers and Electronics in Agriculture》发表研究，提出变形抑制鱿鱼解析网络(DMSPN)。该框架创新性地采用三维编码特征向量替代传统像素特征，通过多路径特征提取器(MRFE)实现跨尺度特征融合，利用压缩注意力模块完成特征向量化，最后经关键维度匹配器(KDM)建立抗干扰的维度对应关系。在包含中国枪乌贼、日本爪乌贼等6个物种的手工标注数据集上，DMSPN的F-measure达93.6%，较次优方法提升0.3个百分点。

关键技术方法
研究采用三阶段技术路线：1) 多路径特征提取器(MRFE)通过并行感知通道融合空间语义信息；2) 压缩注意力模块将二维特征图转化为向量时保留垂直方向上下文；3) 关键维度匹配器(KDM)通过振荡维度消除、描述子整形等步骤实现特征向量匹配。实验使用包含6种部件标注的扰动鱿鱼图像数据集验证性能。

研究结果

Overall pipeline of DMSPN
DMSPN框架通过MRFE提取多尺度特征时，采用3条并行处理路径分别捕获局部细节、区域结构和全局上下文。这种设计使特征图在存在泊松噪声时仍保持83.7%的特征一致性，较单路径基线提升21.4%。

Underwater imaging with visual distortions
分析显示水下鱿鱼图像中垂直条纹畸变出现频率是水平方向的2.3倍。压缩注意力模块通过垂直方向特征压缩，将计算复杂度降低68%的同时保留92%的上下文信息。

Dataset establishment
构建的数据集涵盖5种典型几何畸变，其中极坐标变换样本占34%。KDM模块在此类样本上实现85.98%的匹配精度，显著优于传统SIFT特征的63.2%。

Discussion
消融实验表明MRFE的多路径设计使特征提取耗时仅增加15%，但跨物种解析准确率提升7.8%。KDM通过描述子整形步骤将维度匹配误差降低至0.23px，满足养殖场实时监测亚像素级精度需求。

Conclusions
该研究证实三维编码特征向量在信息传递效率上优于传统二维特征图，DMSPN框架对6种几何畸变的平均抑制率达89.4%。特别值得注意的是，KDM模块在长期遮挡样本中仍能维持81.3%的部件识别率，为复杂水下环境的生物监测提供了新范式。研究团队指出，未来可将该框架扩展至其他海洋生物的形态分析，但需要针对不同物种的纹理特征优化MRFE的感知路径配置。