基于YOLOv9视频行为分类框架的台湾蛤仔(Meretrix taiwanica)应激响应评估研究

本研究创新性地采用YOLOv9目标检测模型构建视频行为分类框架，实现对埋栖性贝类台湾蛤仔应激行为的自动化监测。通过定义虹管活动（S/ES状态）与埋栖状态（H/E状态）四类行为指标，系统揭示了低盐（6 psu）与高温（32-40°C）胁迫下的阶段性行为策略，其检测灵敏度优于传统湿重指标（mAP5050达0.977），为水产养殖应激预警提供了非侵入式解决方案。

　　

Highlight

本研究展示了一种基于YOLOv9目标检测模型的非侵入式埋栖性双壳类行为分类系统。行为状态被定义为：S状态（虹管伸展、壳体埋藏）、H状态（虹管收缩、壳体埋藏）、ES状态（虹管伸展、壳体暴露）、E状态（虹管收缩、壳体暴露）。台湾蛤仔在不同盐度和温度处理下的行为响应，揭示了其在持续渗透胁迫和极端热应激条件下采取的特异性行为策略。

Model performance in detecting clam behavioral states

YOLOv9模型在检测台湾蛤仔行为状态方面表现出色。模型整体平均精度（mAP₅₀⁵⁰）达到0.977，其中暴露状态（E）0.981、虹管暴露状态（ES）0.984、虹管状态（S）0.966（表1）。图2展示的代表性检测案例表明，该模型能在不同光照条件下准确识别多个个体的差异化行为状态。

Discussion

本研究验证了YOLOv9模型在埋栖性双壳类行为非侵入式分类中的有效性。低盐条件（6 psu）下蛤仔表现出H/E状态增加与S活动减弱的阶段性行为进展，反映个体在持续渗透胁迫中的应对策略差异。热应激响应中，32-36°C时S状态个体数先增后降，36-40°C时伴随壳体暴露和生理恶化，行为指标较湿重更早显现应激信号。

Conclusions

本研究开发的视频行为监测框架通过YOLOv9模型实现了台湾蛤仔虹管与壳体暴露行为的自动化分类，在实验室条件下表现出可靠性能。行为指标在早期应激检测中展现出比生理指标更高的敏感性，为水产养殖实时监测系统奠定了技术基础。未来需优化模型在自然光照条件下的鲁棒性，并探索多模态数据融合策略以提升野外应用价值。

（注：严格保留原文专业术语如mAP₅₀⁵⁰、psu等单位符号，采用"虹管"对应siphon等生物学术语，并通过"阶段性行为策略""鲁棒性"等措辞增强专业性表述的生动性）