基于深度学习的温室软壳蟹养殖水下蜕壳蟹检测图像增强方法

为解决温室软壳蟹养殖中因广角畸变和反光导致水下蜕壳蟹检测困难的问题，研究人员结合IoT计算机视觉与YOLOv7算法，提出鱼眼校正与二维平场校正的增强方法，使检测准确率达92%。该研究为高价值软壳蟹的精准采收提供了智能化解决方案。

　　

在现代化水产养殖领域，温室软壳蟹养殖因其可控环境和高经济效益备受关注。然而，蟹类蜕壳后需在1小时内及时采收以获得高品质"纸壳蟹"，这一过程面临两大技术瓶颈：广角摄像头拍摄时产生的边缘畸变会扭曲蟹体形态，而温室顶部的塑料膜与水面的反光则严重干扰图像质量。传统人工巡检方式效率低下，难以满足精准监测需求。

针对这一产业痛点，马来西亚砂拉越大学(Universiti Malaysia Sarawak)的研究团队创新性地将物联网(IoT)与深度学习技术相结合，在《Smart Agricultural Technology》发表了突破性研究成果。该团队设计了一套搭载广角摄像头的轨道巡检系统，通过对比鱼眼校正(Fisheye Flattening)与拉伸校正(Stretch Flattening)两种畸变处理方法，以及二维平场校正(2D-Image Flat Field Correction)与非局部均值滤波(Non-Local Mean Filter)两种反光消除技术，最终构建出基于YOLOv7的高精度检测模型。

关键技术方法包括：1) 部署可移动摄像系统采集3×3蟹箱阵列图像；2) 采用RoboFlow平台进行数据标注与增强；3) 开发鱼眼校正算法修正103°广角畸变；4) 应用平场校正消除水面反光；5) 通过5折交叉验证优化模型性能。

研究结果显示：

1. 边缘检测优化：鱼眼校正法使边缘区域召回率提升19.6%，达75%，显著优于拉伸校正法的74.4%。
2. 中央区域增强：二维平场校正使中部蟹体检测率达78.1%，较原始图像提升10%。
3. 综合性能：结合两种优化方法后，整体F1分数达0.929，检测准确率提升至90.23%。
4. 实际应用：在113张蜕壳蟹测试图像中实现92%的检出率，召回率与精确度均超过95%。

这项研究的创新价值在于：首次系统解决了温室水产场景下的双重成像难题，通过图像增强与数据增强的协同作用，使YOLOv7在复杂环境下保持22FPS的实时检测速度。研究不仅为软壳蟹养殖提供了智能化解决方案，其技术框架还可推广至其他水产监测场景，如对虾蜕皮监测、鱼类行为分析等。未来通过集成偏振滤波技术和多光谱成像，有望进一步突破水下生物检测的技术瓶颈。