《Smart Agricultural Technology》：An Assessment Method for the Severity of Shrimp red-leg disease Based on E-DarkNet53 and Multichannel Feature Fusion Deep Learning Network
编辑推荐：
本研究针对对虾养殖中红腿病检测难度大、误报率高等问题，提出了一种基于多分支多通道特征融合的E-DarkNet53深度学习网络。通过改进SENet模块、引入Dropout层等创新设计，实现了对红腿病感染严重程度的智能分级，测试准确率达92.87%，为水产养殖疾病智能诊断提供了新方案。
在全球水产养殖业中，南美白对虾(Litopenaeus vannamei)作为三大高产虾种之一，占据着举足轻重的地位。然而，这种具有重要经济价值和营养价值的虾类却极易受到红腿病的威胁。由副溶血弧菌(Vibrio parahaemolyticus)等病原体引起的红腿病，以其高传染性、高死亡率的特点，每年给养殖业造成巨额经济损失。传统的疾病检测主要依靠人工定期巡查，这种方法不仅效率低下、成本高昂，更无法实现病害类型的准确诊断和感染严重程度的及时评估。
面对这一行业痛点，青岛农业大学机电工程学院的娄鹏教授团队在《Smart Agricultural Technology》上发表了一项创新研究。他们开发了一种基于E-DarkNet53和多通道特征融合的深度学习方法，成功实现了对虾红腿病感染严重程度的智能评估。这项研究为解决水产养殖中的疾病监测难题提供了有效的技术方案。
研究团队采用了多项关键技术方法：首先建立了包含1367张原始图像的数据集，涵盖健康、轻度感染、中度感染和重度感染四个等级；其次提出改进的SENet（Squeeze and Excitation Network）模块，使用Leaky ReLU（Leaky Rectified Linear Unit）统一激活函数；构建了具有多分支结构的E-DarkNet53网络，集成Dropout（随机失活）机制防止过拟合；使用梯度加权类激活映射(Grad-CAM)进行可视化分析。实验对象为来自青岛市城阳区海鲜市场的南美白对虾，体长10.00±1.00厘米。
2.3.1. Proposed E-DarkNet block
研究团队在DarkNet块的基础上构建了增强型E-DarkNet块，通过两个关键改进提升了网络性能：一是提出改进的SENet模块，使用Leaky ReLU替代原ReLU（Rectified Linear Unit）激活函数，缓解梯度消失问题；二是构建多分支并行结构，实验表明双分支设置能达到最佳性能平衡。
2.3.2. Proposed E-DarkNet53
研究人员设计了基于DarkNet53的多分支多通道特征信息融合分类网络E-DarkNet53。该网络不仅嵌入了改进的E-DarkNet块，还在网络末端使用全连接(FC)层和新softmax（柔性最大值）层替代原卷积层，并添加Dropout层提升泛化能力。
3.1. Ablation experiment
消融实验结果表明，当E-DarkNet块并行分支数设置为2，同时嵌入改进的SENet模块和Dropout层时，网络性能最优，测试准确率达到92.87%，精确率(Pr)、召回率(Re)和F1分数分别达到91.22%、91.79%和92.79%。
3.2. Performance evaluation of the network
与14种主流分类网络的对比显示，E-DarkNet53在测试准确率上表现最佳，达到92.87%，较主流网络中最高准确率模型提升1.43%。在ACC（准确率）、Pr（精确率）、Re（召回率）和F1（F1分数）指标上分别达到96.56%、93.06%、93.04%和93.04%。
3.4 Visual analysis
通过Grad-CAM可视化技术发现，随着网络层深的增加，热图的红色焦点逐渐转向对虾的头胸部和腿部区域，这些区域正是区分红腿病感染严重程度的关键部位，验证了E-DarkNet53在提取图像关键特征信息方面的有效性。
4.1. Effect of batch size on performance
批量大小优化实验表明，当批量大小设置为16时，网络测试准确率最高。过大的批量大小会阻碍网络参数更新优化，而过小的批量大小则可能导致梯度不稳定。
4.2. Effect of learning rate on performance
学习率对网络性能影响的研究发现，学习率过高或过低都会导致准确率下降。适当的学习率设置对网络权重更新和收敛速度至关重要。
4.4. Role of dropout layer in alleviating overfitting
Dropout层的加入有效缓解了网络过拟合问题，使训练曲线与验证曲线后端保持较好的一致性，提高了网络的泛化性能。加入Dropout层后，网络在红腿病感染严重程度检测中的测试准确率提升了1.07%。
研究结论表明，E-DarkNet53网络通过多分支和多通道特征信息融合机制，增强了对复杂细微图像特征的处理能力，在红腿病感染严重程度检测方面表现出色。该方法不仅为对虾红腿病的智能诊断提供了有效工具，其技术框架还可推广应用于其他水产养殖疾病的严重程度评估，对推动水产养殖业的智能化发展具有重要意义。
值得注意的是，研究团队还将该网络应用于对虾白斑综合征的检测，在包含116张原始图像的数据集上达到了85.58%的检测准确率，进一步验证了该方法的泛化能力。这项研究为水产养殖疾病的智能监测提供了一种新的技术路径，有望在未来的智慧渔业建设中发挥重要作用。
