基于SAM图像合成框架的复杂海水中鲑鱼虱幼虫检测方法研究及其应用

本研究针对复杂海水环境中鲑鱼虱（Lepeophtheirus salmonis）幼虫检测数据稀缺、标注成本高的问题，提出了一种基于Segment Anything Model（SAM）的图像合成框架。通过双提示分割和物理增强技术生成高质量合成数据，结合正交实验优化参数配置，显著提升了YOLO系列和RT-DETR-L模型的检测性能。在真实海水样本测试中，模型召回率提升11.0%~87.0%，甚至超越专业生物学家的检测能力，为大规模海洋寄生虫监测提供了可扩展的解决方案。

　　

在挪威等全球主要鲑鱼养殖地区，鲑鱼虱（Lepeophtheirus salmonis）感染已成为威胁养殖和野生鲑鱼种群可持续发展的重大挑战。这种寄生虫在幼虫阶段（包括无节幼体（Nauplius）和桡足幼体（Copepodite））就具有感染能力，早期检测对控制其传播至关重要。然而，传统检测方法如PCR分子技术成本高昂且难以大规模应用，而现有机器学习方法又受限于复杂海水环境中标注数据的缺乏，大多只能在简化的实验室条件下进行，难以应对真实海洋环境的复杂性。

更具体的问题在于，海水中的鲑鱼虱幼虫体型微小（约5μm/像素）、分布稀疏，且与大量形态相似的浮游生物共存，使得人工标注极其困难。虽然Zhang等（2024）开发了基于机器视觉的检测方法，但仍需大量标注数据支持，而Zheng等（2024）的合成数据方法又仅限于单一发育阶段和简单背景，生态真实性不足。这些限制严重阻碍了高效、自动化监测系统的发展。

为解决这些挑战，本研究团队开发了一种基于Segment Anything Model（SAM）的图像合成框架，专门用于增强复杂海水环境中多阶段鲑鱼虱幼虫的检测能力。该研究成果已发表在《Computers and Electronics in Agriculture》期刊上。

研究采用了几个关键技术方法：首先通过定制化数据采集装置从挪威鲑鱼养殖场采集海水样本，经滤网浓缩后获取原始图像；利用SAM模型进行双提示分割（边界框提示用于目标生物，随机点提示用于非目标颗粒），提取鲑鱼虱实例和背景生物；采用泊松盘采样分布合成新图像，并结合物理增强技术（包括生物约束的缩放旋转、光照调制、运动模糊等）；通过54组正交实验优化10个关键因子的配置；最后使用YOLO系列（v5su/v8n/v9m/v10n/v11n）和Transformer-based RT-DETR-L模型进行性能验证，并采用多种训练策略（合成数据预训练、原始数据微调、混合训练）进行对比。

2.1. 正交实验优化合成数据生成因素

通过54组正交实验发现，非目标实例最大数量（MNN）和合成图像乘数（SIM）对合成数据质量影响最大（范围R分别为0.1669和0.1336），而传统增强因素如运动模糊（MB）和对比度调整（CA）影响较小（R<0.02）。最优参数配置为MNN=80、SIM=16、MNS=3、IST=1（无缩放），此配置下生成的合成数据集（Opt-SynSet）包含120,864张图像，显著提升了模型性能。

2.2. 不同训练策略下的模型性能比较

在合成数据上预训练后微调原始数据的策略（FT-SYT）表现最佳，使YOLOv8n的F1分数从70.6%提升至87.7%（相对改进24.22%）， recall从66.6%提升至86.6%。混合训练策略在YOLOv9m上获得最优效果（F1=91.7%）。Transformer-based RT-DETR-L模型在微调策略下达到最高精度（93.7%）和F1分数（90.5%）。多阶段检测中，"桡足幼体"（Copepodite）检测性能（F1=93.9%）优于"无节幼体"（Nauplius）（F1=90.7%），但后者改进幅度更大（平均提升16.4%）。

2.3. 真实海水样本的现场验证

在2024年8月和2025年2月采集的挪威海水样本中，合成数据增强模型的整体召回率达到87.0%-97.5%，较基线模型（55.6%-85.2%）提升显著，甚至超过专业生物学家的检测水平（82.2%）。YOLOv8n和YOLOv9m模型检测到79个无节幼体和全部10个桡足幼体，召回率达97.8%。模型表现出良好的跨时空泛化能力，有效应对了生物组成变化和环境复杂性。

本研究通过SAM驱动的图像合成框架，成功解决了复杂海水环境中鲑鱼虱幼虫检测的数据稀缺问题。正交实验揭示环境复杂性因素（MNN、SIM）对合成数据质量的影响远大于目标特定因素，这表明在海洋生物检测中，增强生态环境真实性比单纯增加目标实例更有效。合成数据预训练与微调策略的结合不仅显著提升了模型性能（最高F1分数改善24.22%），还缩小了不同规模模型间的性能差距，使轻量级模型（如YOLOv8n）也能达到接近大型模型的检测精度。

现场验证结果表明，该方法在真实海洋环境中具有卓越的适用性和鲁棒性，检测性能甚至超越人工专家，为大规模、实时海洋寄生虫监测提供了切实可行的技术方案。该框架的可扩展性使其能够快速适应不同地理区域和季节变化，只需加入当地代表性样本即可生成针对性合成数据，这为全球水产养殖业的可持续发展提供了重要技术支撑。

未来研究可进一步整合荧光成像技术，通过多光谱特征融合提高在浮游生物密集水域的鉴别能力；同时引入时序分析模块，利用幼虫运动特性减少误检，最终实现全自动化、高精度的海洋生物监测系统。