基于VMI-ATN-RCNN深度学习的淡水鱼病害智能分割与分级系统及其在水产养殖中的应用

【编辑推荐】本研究创新性提出VMI-ATN-RCNN混合深度学习模型，通过VMINet多主干网络（VGG-16/MobileNet-V2/Inception-V3融合）实现99.72%的病害分类准确率，结合注意力多尺度卷积（MSC）和自适应螯虾优化算法（SA-COA），为水产养殖病害诊断提供高精度AI解决方案，显著提升全球每年因病害导致的经济损失（超60亿美元）的防控能力。

　　

亮点

• 开发鲁棒多主干特征提取器：本研究提出的VMI-ATN-RCNN混合架构，创新性地整合了VGG-16、MobileNet-V2和Inception-V3形成VMINet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病特征模式。

• 基于注意力的多尺度卷积病灶定位技术：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显著提升分割精度（IoU达0.92）。

• SA-COA自适应超参数调优：采用模拟螯虾捕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优化，相比静态调参方法收敛速度提升40%。

结论

VMI-ATN-RCNN模型通过融合多模态深度学习架构与生物启发算法，在淡水鱼病数据集上实现99.72%的Dice系数和99.24%的F1值，为可持续水产养殖提供了可解释性强、泛化能力佳的AI诊断工具，对保障全球食物安全具有重要实践意义。