基于SFS-YOLO模型的潮间带兵蟹行为检测与光照自适应分析及其生态指示意义

为解决潮间带小型底栖生物行为监测效率低、观测偏差大的问题，研究人员开发了基于YOLOv11n框架的轻量化深度学习模型SFS-YOLO。该模型整合SPD-Conv模块、FCA注意力机制和SIoU损失函数，在明暗条件下分别实现95.4%和93.2%的mAP，参数减少8.33%，为生态监测提供高效技术方案。研究还揭示了沉积物特异性行为节律，为海岸带生态系统健康评估建立新方法。

　　

在潮间带生态系统中，兵蟹（Mictyris spp.）作为重要的生态指示物种，其行为节律对环境变化异常敏感。然而这些体长仅约1厘米的小家伙，在潮汐涨落间展现的站立、蜷缩、掘沙、争斗等行为，却给科研人员带来了巨大观测难题——传统人工记录方法效率低下，而穿戴式设备又会干扰它们的自然活动。更棘手的是，昏暗环境下的检测误差率居高不下，这使得全面解析兵蟹行为与环境因子的关系成为亟待突破的科学难题。

针对这些挑战，广西壮族自治区教育厅先进制造与自动化技术重点实验室（Key Laboratory of Advanced Manufacturing and Automation Technology）的研究团队在《Ecological Indicators》发表了一项创新研究。他们开发了名为SFS-YOLO的轻量化深度学习模型，通过融合三种关键技术：空间深度转换卷积（SPD-Conv）模块解决小目标特征丢失问题，细粒度通道注意力（FCA）机制增强暗光环境特征提取能力，以及改进的SIoU损失函数提升定位精度。研究团队在广西北海两个典型潮间带区域采集了9299张兵蟹行为图像，构建首个多视角、多背景、多光照的兵蟹行为数据集。

在方法学层面，研究采用分层优化策略：通过SPD-Conv将输入特征图分割为子图进行无损下采样，保留微小目标的精细特征；FCA机制通过全局平均池化和1D卷积的动态权重融合，强化模型在雾霭等干扰下的鲁棒性；SIoU损失函数则引入角度约束，有效减少预测框的震荡现象。实验设置上，采用6:2:2的数据划分比例，在NVIDIA RTX 4060显卡平台上进行200个epoch的训练，使用余弦学习率调度器优化收敛过程。

研究结果显示，改进后的SFS-YOLO模型展现出卓越性能：在亮度变化达90%的条件下，整体mAP达到94.8%，较基线YOLOv11n提升2.4个百分点。特别值得注意的是，模型在暗光条件下的表现尤为突出——检测精度仅比明亮环境低2.2个百分点（93.2% vs 95.4%），显著优于对比的Faster R-CNN、YOLOv5s等主流模型。可视化分析通过Grad-CAM++技术证实，模型能准确定位兵蟹的螯足等关键行为特征，即使在泥沙附着严重的复杂背景下也能保持稳定识别。

行为节律分析揭示了有趣的环境适应模式：在黄色泥沙环境中，兵蟹的掘沙行为呈现显著昼夜差异（夜间比例30.6% vs 白天20.3%），而黑色泥沙环境由于颗粒更细，掘沙行为持续保持高位（昼夜均>37%）。更深入的时序分析发现，站立行为在黎明、正午和黄昏出现三峰节律，这与自然光强变化高度吻合。所有行为的时间方差均小于0.05的阈值，证实了单帧采样策略的可靠性。

这项研究的创新价值体现在三个方面：技术上，首次将SPD-Conv与FCA机制结合，为小目标检测开辟新思路；方法学上，建立首个兵蟹多行为标准化数据集；应用层面，揭示的光照-沉积物-行为三重耦合关系，为海岸带生态健康评估提供了可量化的生物标志物。研究存在的局限性包括暗光条件下战斗行为识别精度有待提升（93.6%），以及野外实时监测数据尚未纳入节律分析等。未来工作可探索多模态传感器融合，进一步拓展模型在潮汐动态环境中的适用性。这些突破不仅对理解底栖生物的环境适应机制具有重要科学价值，也为智慧海岸带管理提供了关键技术支撑。