基于计算机视觉的大黄鱼形态特征评估与品质分级研究

为解决大黄鱼(Larimichthys crocea)形态特征人工检测效率低、主观性强的问题，研究人员开发了集成YOLOv8-seg、MobileNetV3和渐进特征金字塔网络(AFPN)的YOLMA系统，首次实现胸鳍长/眼距比(PFL/PEL)自动化测量，BL/BW和PFL/PEL误差分别低至2.47%和5.34%，为水产养殖智能化分级建立量化标准。

　　

作为中国最重要的海洋经济养殖物种，大黄鱼(Larimichthys crocea)年产量超过25万吨。研究发现，在相同体重条件下，市场价值与体形、尾鳍长度和胸鳍尺寸等形态特征显著相关——那些展现优雅流线型体态的个体往往能卖出数倍于普通个体的高价。传统人工检测采用游标卡尺和机械秤，存在三大痛点：耗时费力、主观性强、精度不足。更棘手的是，胸鳍因透明特性常导致自动化系统漏检。

研究团队创新性地构建了YOLMA（整合YOLO、MobileNet和AFPN）智能网络，重点攻克两大形态指标：体长/体宽比(BL/BW)和胸鳍长/眼距比(PFL/PEL)——后者与游泳能力和肉质紧密相关。技术亮点包括：1）在YOLOv8^seg
中引入渐进特征金字塔网络(AFPN)，通过多尺度特征融合提升胸鳍识别；2）采用MobileNetV3轻量化主干网络，适配嵌入式设备；3）开发区域特异性形态检测算法。

实测数据显示，该系统单样本检测仅需14.7毫秒，BL/BW和PFL/PEL测量误差分别控制在2.47%和5.34%以内。这项突破不仅填补了胸鳍参数自动化测量的技术空白，其低于6%的误差阈值更完全满足商业化分级需求，为水产养殖智能化树立了形态评估的新范式。