引言
凡纳滨对虾是水产养殖中经济价值最高的物种之一。由于其质地鲜嫩、风味细腻且营养价值高，深受消费者喜爱。(Han et al., 2025)。虾的新鲜度直接影响其市场价值和消费者购买决策。它富含蛋白质、氨基酸和维生素，脂肪含量低。(Das & Mishra, 2023)。然而，虾的高水分和蛋白质含量加速了采后处理、冷藏储存和运输过程中的质量恶化，这主要是由于生化反应和微生物活动所致 (Xu et al., 2022)。这不仅导致感官属性显著下降，还可能导致生物胺等毒性代谢物的积累，构成潜在的食品安全隐患。因此，开发一种快速、客观且无损的新鲜度评估方法对于确保水产品的安全性和质量、优化冷链管理以及提高市场竞争力具有重要意义。
目前，对 L. vannamei新鲜度的常规评估主要依赖于两种传统方法：首先是理化指标测试，如总挥发性盐基氮 (TVB-N) 含量和 K 值，其次是感官评估。TVB-N 量化蛋白质降解过程中产生的碱性含氮化合物的总量，常用于评估中度至高度腐败阶段 (Bekhit et al., 2021)。相比之下，K 值是基于三磷酸腺苷 (ATP) 衍生降解产物的比率计算的，广泛用于监测水产品的新鲜度 (Li et al., 2020; Xi et al., 2025a)。尽管上述指标在科学上是可靠的，但其测定通常存在几个局限性，包括程序耗时、操作繁琐、破坏性采样以及对专用仪器的依赖。这些缺点阻碍了它们在现代水产品加工中的应用，而在现代水产品加工中，迫切需要对新鲜度和质量进行实时、在线和高质量监控。在此背景下，在分析准确性与显著提高的检测效率和现场适用性之间取得平衡，已成为水产品加工和食品安全领域的关键技术瓶颈。
为了克服传统方法的局限性，研究人员最近探索了各种无损传感技术，包括光谱学、电子鼻、视觉 pH 传感器、智能包装和响应性水凝胶 (Mohammadalinejhad et al., 2020; Srinivasan et al., 2020; Ying et al., 2025; Zheng et al., 2024; Zhou et al., 2023)。这些技术通过捕获与新鲜度状态相关的物理、化学或生物信号，并将其与数据驱动的分析模型相结合，实现了自动新鲜度分类。然而，大多数这些方法在工业环境下的鲁棒性、系统集成性或成本效益方面仍面临挑战，这限制了它们在现实生产环境中的实际应用。
在此背景下，计算机视觉和深度学习技术的快速发展为水产品的无损检测开辟了一条充满希望的道路 (Zhao et al., 2025)。机器学习和深度学习模型的出现极大地加速了计算机视觉的进步，使系统能够通过相机捕获图像，并通过集成的图像处理模式识别算法，自动提取和解释与食品质量相关的关键视觉特征——从而实现快速客观的质量评估。传统机器学习算法主要依赖手动提取的特征，如颜色、形状、大小和纹理，来评估食品质量。例如，Wang 等人基于 HSI 和 L*a*b* 颜色参数开发了一个多元线性回归模型，利用计算机视觉技术在 4 °C 储存期间对烟熏鸡腿中的总挥发性盐基氮 (TVB-N) 和硫代巴比妥酸 (TBA) 水平进行无损、可视化的预测 (B. Wang et al., 2022)。与依赖手工特征的常规方法不同，深度学习模型可以直接从图像中自动学习分层且高度可辨别的语义特征，从而显著提高检测准确性和鲁棒性。
目前，基于深度学习的目标检测方法大致分为两类：使用区域提议的两阶段方法和从图像输入直接回归的单阶段检测器 (Ding et al., 2025)。其中，单阶段目标检测算法，如 YOLO (You Only Look Once)，由于其检测速度和准确性之间的良好平衡，已广泛应用于各种农产品和水产品的质量分级。例如，Lanjewar 等人结合 NasNet、LSTM 和特征选择，利用 Kaggle 数据集开发了一个鱼类新鲜度预测模型，实现了马修斯相关系数 (MCC) 和 Kappa 系数 (KC) 得分 99.1% (Lanjewar & Panchbhai, 2024)。Wang 等人提出了 YOLO-AP，结合了 GhostDynamicConv、瓶颈注意力模块和 Wise-IoUv3 损失函数，使秋艳梨缺陷检测的精确度提高了 4.2%，召回率提高了 3.5%，推理速度提高了 1.4% (B. Wang et al., 2024)。Huang 等人通过添加专用的小目标检测层和卷积块注意力模块 (CBAM) 改进了 YOLOv5s，建立了一个高效准确的模型，用于太平洋鲭鱼和西班牙鲭鱼之间的质量辨别 (Huang et al., 2023)。尽管取得了这些进展，但大多数现有研究集中在宏观缺陷或明显的腐败迹象上。相比之下，虾的新鲜度恶化通常反映在细微的视觉变化上，例如轻微的局部变色、微小的表面病变或微弱的表面污染物。这些细粒度的视觉线索对于当前的基于深度学习的检测框架来说仍然难以可靠地检测。
YOLO (You Only Look Once) 代表了基于深度学习的目标检测的一个里程碑框架，并在智能食品质量检测任务中显示出显著优势。其核心原理——在单次前向传播中执行对象定位和分类——使 YOLO 成为实时对象检测的代表性方法。自问世以来，YOLO 系列经历了不断的完善和增强。从开创端到端单阶段检测框架的 YOLOv1 开始 (Redmon et al., 2016)，后续版本逐步改进了架构设计、准确性和效率，不断推动实时对象检测系统的性能边界。例如，YOLOv2 引入了 DarkNet-19 架构、优化的锚框和多尺度训练等改进，实现了更快更准确的实时对象检测，尽管在小目标检测和复杂场景处理方面仍存在局限 (Redmon & Farhadi, 2017)。YOLOv3 通过多尺度预测和更深的骨干网络增强了小目标检测。YOLOv4 集成了许多先进的训练策略和模块化设计组件，实现了速度和准确性的更好平衡 (Bochkovskiy et al., 2020)。最近，YOLOv8 在网络架构、损失函数设计和数据增强策略方面进一步引入了创新 (Sohan et al., 2024)，支持更广泛的计算机视觉任务，标志着向更高效、通用和用户友好的对象检测系统迈进的关键一步。YOLO 系列的持续进化，特别是其模块化架构，为特定领域的定制和优化提供了巨大的灵活性。
为了应对这些挑战，本研究提出了 YOLO_FreshShrimp，这是一种基于 YOLOv8 基线架构构建的新型模型，它以创新且协同的方式集成了两个注意力增强模块，以显著提高模型在检测虾细微表面腐败特征方面的准确性和鲁棒性。本研究的主要目标有三点：(1) 建立标准化的图像采集系统，用于捕获 L. vannamei 的高质量图像；(2) 开发 YOLO_FreshShrimp 模型，用于将虾自动分类为四个新鲜度等级；(3) 通过与主流 YOLO 变体的对比实验和消融研究，系统验证所提模块的有效性。本研究不仅提供了一种高效、可部署且基于深度学习的无损解决方案，用于 L. vannamei 去壳肉的智能新鲜度分级，还展示了特定领域架构优化的潜力，作为高价值水产品智能质量监控的可行且可扩展的策略。
