基于自学习的可解释人工智能框架在巨型螃蟹性别分类中的应用

本研究针对螃蟹性别分类中人工标注负担重、依赖预定义特征等问题，开发了一种基于自学习的可解释AI框架。该框架通过结合图像分类与目标检测技术，实现了自动标注和特征可视化，在巨型螃蟹数据集上取得95.4%的分类准确率，并发现胸甲等新型形态学特征，为甲壳类动物性别鉴定提供了新方法。

　　

在海洋生物学和渔业管理领域，准确鉴定螃蟹性别对了解种群动态和繁殖生物学至关重要。传统方法主要依靠人工观察形态特征，如腹部瓣形状、螯足大小等，但这种方法不仅效率低下，而且严重依赖专家的经验和时间。随着人工智能技术的发展，虽然已有研究尝试使用深度学习进行自动性别分类，但这些方法大多需要大量人工标注的数据，且往往局限于人类预先定义的兴趣区域，无法自主发现新的鉴别特征。

更令人困扰的是，现有的AI模型往往像"黑箱"一样运作——即使能够准确分类，研究人员也难以理解模型究竟依据哪些特征做出判断。这种不可解释性不仅限制了方法的可靠性，也阻碍了其在科学研究中的深入应用。针对巨型螃蟹(Pseudocarcinus gigas)这种具有显著性二型性(雄性具有更大的螯足和三角形腹部，雌性具有圆形宽阔的腹部)的物种，南澳大利亚种群近年来的衰退更加凸显了开发高效、准确且可解释的性别鉴定方法的紧迫性。

在这项发表于《Computers and Electronics in Agriculture》的研究中，Chen等研究人员开发了一种创新的自学习可解释AI框架，能够自动标注图像并可视化模型决策的关键区域，减少了人工干预，同时发现了以往未被重视的形态学特征。

研究采用了几项关键技术方法：首先设计了专门的摄影系统采集螃蟹背腹面图像，并通过图像处理技术校正镜头畸变和倾斜；使用EfficientNet V2模型进行特征可视化，并应用Grad-CAM技术生成热力图突出显示重要区域；采用HDBSCAN聚类算法进行特征选择，剔除不相关区域；通过轮廓检测和最小边界矩形生成自动标注；最后使用Faster R-CNN等目标检测算法进行性别分类。研究团队共收集了405只螃蟹的547张图像，按个体级别划分为训练集、验证集和测试集(8:1:1)，确保了模型评估的严谨性。

图像处理与数据增强

研究人员首先对图像进行畸变校正和倾斜校正，确保螃蟹形态的真实呈现。通过五种数据增强技术(调整大小、中心裁剪、水平翻转、曝光和颜色反转)增加数据多样性，但发现过多增强反而会降低模型性能，最终选择仅使用调整大小和中心裁剪两种方法。

自动标注生成

通过交叉分析设计，使用在验证集上训练的EfficientNet V2模型对训练集图像进行特征可视化，生成Grad-CAM热力图。研究发现模型在腹面图像上的分类准确率(88.5%)显著高于背面图像(78.2%)，这与生物学知识一致——腹面形态(如腹部瓣)表现出更明显的性二型性。

特征选择与聚类

采用HDBSCAN聚类算法区分正确特征(螃蟹形态区域)和错误特征(操作者手部、背景板等)，确保自动标注的质量。每个图像只保留一个最显著的特征区域用于后续分类。

性别分类性能

使用Faster R-CNN、YOLOv8和YOLOv11三种目标检测算法进行性别分类比较。Faster R-CNN表现最佳，在腹面图像上达到95.4%的准确率，且不可预测率(UPR)为0，表明其能够对所有图像做出预测，稳定性最高。

发现的形态学特征

研究发现模型不仅识别了传统的腹部瓣特征，还发现了胸甲(breastplate)作为新的性别鉴别区域。在腹面图像中，模型关注腹部、胸甲、螯足和步足等多处特征；而在背面图像中，模型主要关注头胸甲(carapace)区域，但分类准确性较低且受螃蟹方向影响较大。

研究结论表明，该自学习可解释AI框架能够有效减少人工标注负担，自动发现与性别分类相关的形态学特征，并提供模型决策的可视化解释。特别值得注意的是，框架揭示了胸甲这一以往未被重视的特征在螃蟹性别鉴定中的潜在价值，为形态学研究提供了新方向。

讨论部分强调，与传统方法相比，该框架的优势在于不依赖预训练模型(可能引入先验偏见)，能够直接从数据中学习特征；同时通过可解释AI技术使模型决策过程透明化，增强了结果的可信度。研究还引入了不可预测率(UPR)和调整后准确率(AAC)等新评估指标，为类似研究提供了更全面的模型评估方法。

该研究的实际意义在于为渔业管理和海洋保护提供了高效、准确的螃蟹性别鉴定工具，特别适合在捕捞船上实时应用。方法论的意义则更为深远——为研究其他具有性二型性的物种提供了可借鉴框架，通过可解释AI技术发现可能被人类专家忽视的形态学特征，推动了计算机视觉与生物学的深度融合。