基于VMI-ATN-RCNN混合深度学习模型的水产养殖鱼类疾病精准分割与分级诊断研究

本文推荐：作者创新性提出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）和自适应螯虾优化算法（SA-COA），实现鱼类疾病99.72%分割准确率和同等分类性能，为水产养殖疾病智能诊断提供突破性解决方案。

　　

亮点

• 开发鲁棒多主干特征提取器：本研究提出的VMI-ATN-RCNN模型创新性地融合VGG-16、MobileNet-V2和Inception-V3架构，形成VMINet混合主干网络。这种设计能高效捕捉多尺度特征，精准识别传统单一模型难以检测的细微鱼类病变模式。

• 基于注意力的多尺度病灶定位技术：在区域提议网络(RPN)中引入注意力多尺度卷积层(MSC)，使模型能动态聚焦不同严重程度的病变区域，较传统RPN设计显著提升分割精度（IoU达0.92）。

• SA-COA自适应超参数优化：采用模拟螯虾觅食行为的自适应优化算法(SA-COA)，通过混沌初始化和动态行为建模实现超参数自动调优，相比静态调参方法收敛更快、准确率更高（分类F1-score 99.24%）。

结论

本研究构建的VMI-ATN-RCNN框架通过混合主干网络和注意力机制，成功实现对南亚淡水鱼病害的像素级分割（Dice系数0.94）和精准分类（召回率99.00%）。该技术为水产养殖可持续发展和全球食品安全保障提供了创新性AI解决方案。