基于YOLOv8和Eigen-CAM的浑浊水下海参自动检测：一种可解释性方法及其生态应用

本研究针对浑浊水下环境中海参种群调查的难题，开发了基于YOLOv8的检测模型，结合Eigen-CAM可视化技术，实现了94.1% mAP的检测精度。通过光度量数据增强策略有效解决了小样本训练问题，为浑浊水域底栖生物调查提供了高效解决方案，显著提升生态监测效率27倍。

　　

在海洋生态系统中，海参作为重要的沉积食性生物，通过摄食有机碎屑和排泄低有机质沉积物，显著改善沉积物质量并促进营养循环。然而，这些软体无脊椎动物往往呈现斑块状分布，传统人工样带调查方法存在效率低下、覆盖范围有限和观测者偏差等问题。特别是在浑浊的近岸水域，无人机遥感技术因水体透光性差而难以应用，使得大规模种群动态研究面临严峻挑战。

香港大学的研究团队创新性地将消费级防水相机GoPro Hero9 Black与深度学习技术相结合，开发了一套基于YOLOv8的海参自动检测系统。研究通过设计光度量数据增强流程，有效扩充了小样本训练集，并引入Eigen-CAM可视化技术增强模型可解释性，最终在未参与训练的新地点实现了94.1%的平均检测精度（mAP@0.5），较传统人工调查方法提升效率达27倍。相关成果发表在《Ecological Informatics》期刊，为浑浊水域底栖生物监测提供了突破性解决方案。

关键技术方法包括：1）使用GoPro Hero9 Black在5个不同浑浊度站点（0-8.1 NTU）采集视频数据；2）开发包含随机亮度调节（-1~1）、高斯模糊（0~2.5）和镶嵌增强的预处理流程；3）基于YOLOv8n架构，采用DFL（分布焦点损失）和CIoU（完全交并比）损失函数优化训练；4）应用Eigen-CAM可视化模型感知区域；5）通过FOV（视场角）计算实现密度定量分析。

【模型训练性能】
YOLOv8n在200个训练周期后达到最佳性能（第105周期），DFL和CIoU损失曲线稳定收敛。在IoU阈值为0.5时获得94.1% mAP，召回率84.5%，显著优于后续版本YOLOv9t（92.7% mAP）和v10n（91.4% mAP）。但mAP50-95（75.3%）显示高精度定位仍有提升空间。

【Eigen-CAM可视化验证】
热力图分析表明模型主要依据海参体形曲率特征进行检测。在斯坦利测试点，模型成功识别多数个体（图5a），但也出现两例误判：将相邻个体合并检测（图5b）和遗漏低对比度遮挡个体（图5c），提示需要增加遮挡样本训练。

【应用效能对比】
模型在156个虚拟样方（共710 m²）中检测到437只海参，密度1.62只/m²，与传统样带调查结果（1.71±1.07只/m²）高度吻合。视频采样仅需13分钟即覆盖传统75分钟作业区域，数据处理时间从5分钟缩短至1分钟内。

该研究通过光度量增强策略有效解决了生态数据稀缺难题，其创新性体现在：1）首次将Eigen-CAM应用于底栖生物检测，破解深度学习"黑箱"问题；2）开发适用于浑浊水域的标准化增强流程；3）验证消费级设备在科研监测中的可行性。研究建立的框架可扩展至其他底栖物种调查，为海洋生态保护和渔业管理提供技术支撑，特别是在快速城市化的浑浊海岸带区域。未来研究可结合边缘计算设备实现实时监测，并探索三维重构技术提升密度计算精度。