基于VMI-ATN-RCNN深度学习模型的水产养殖鱼类疾病精准分割与分类研究

本文推荐语：本研究创新性地提出VMI-ATN-RCNN混合深度学习模型，通过整合VGG-16、MobileNet-V2和Inception-V3构建VMINet主干网络，结合注意力多尺度卷积（MSC）模块和自适应螯虾优化算法（SA-COA），实现鱼类疾病99.72%的细分精度和分类F1-score 99.24%，为水产养殖可持续发展提供智能化解决方案。

　　

Highlight

本研究亮点：

• 多主干特征提取器革新：首创融合VGG-16、MobileNet-V2和Inception-V3的VMINet架构，能捕捉细微病变特征，解决传统模型对复杂鱼病模式识别不足的痛点。

• 动态注意力疾病定位：在区域提议网络（RPN）中植入多尺度卷积（MSC）注意力层，使模型像"生物显微镜"般自适应聚焦病灶区域，分割交并比（IoU）达0.92。

• 智能超参数调优：采用模拟螯虾捕食行为的SA-COA算法，实现超参数动态优化，较传统方法提升17%收敛速度。

Methodology

方法论突破：

1. 三模态特征融合：通过并行卷积通路提取局部纹理（VGG）、轻量化特征（MobileNet）和多尺度信息（Inception），形成互补性特征图谱。

2. 病变分级系统：创新性集成病变面积占比算法，可输出"轻度（<15%体表）"、"中度（15-30%）"和"重度（>30%）"三级预警。

3. 对抗性数据增强：采用生成对抗网络（GAN）合成罕见病样本，解决南亚水产数据集样本失衡问题。

Results

性能碾压基准模型：

• 在包含链球菌病（Streptococcus iniae）、虹彩病毒等12类鱼病的测试集上，分类准确率99.72%，较ResNet-50提升8.3%

• 分割任务中，Dice系数0.94，特别对<5mm²的微小病灶检出率提升21%

• 推理速度达47帧/秒，满足养殖场实时监测需求

Conclusion

应用前景：该模型已部署在印度钦奈养殖基地，成功将鱼病误诊率从传统人工检测的23%降至0.28%，预计可使单产提升15-20%。未来可扩展至虾类、贝类等水产病原体检测。