HIDANet：一种用于凡纳滨对虾（Litopenaeus vannamei）仔虾期分级与形态计量估计的轻量级深度学习框架及背景偏置验证

《Frontiers in Artificial Intelligence》：HIDANet: a lightweight deep learning framework for Vannamei post-larval stage classification and morphometric estimation with background bias validation

　　

孵化场生产质量控制依赖对太平洋白虾（Litopenaeus vannamei）仔虾（PL）发育期的准确分级，但现有方法依赖主观人工视觉评估，导致观察者偏倚与不一致。本研究提出分层各向同性稠密注意力网络（Hierarchical Isotropic Dense Attention Network, HIDANet），一种含0.033M参数的轻量级卷积神经网络（CNN），用于对单张数字化幼虫图像中七个仔虾期（PL5–PL12）进行分类。其架构采用多分支各向同性深度可分离卷积、通道级拼接与卷积块注意力模块（Convolutional Block Attention Module, CBAM）重标定序列通道与空间特征。采用强增强方案（含强颜色抖动、随机灰度转换、随机自动对比度及几何扰动）结合逆频率加权采样消除背景颜色偏置并处理类不平衡。HIDANet在5835张采集的孵化场图像上训练，彩色输入测试准确率达98.44%，灰度输入达96.89%，宏平均F1-score为0.99，证实独立于色度背景信号的强形态学学习。端到端工作流结合CLAHE图像增强、高斯自适应阈值与基于骨架的形态过滤，实现自动幼虫计数、群体面积与长度测量及密度三级分类（低、中、高）。该框架可同时分类PL期与评估同图幼虫数，为商业水产养殖实时质量监测提供可扩展低成本方法。

研究背景方面，虾类养殖是全球增长最快的食品产业之一，凡纳滨对虾（Litopenaeus vannamei）为优势养殖种，其仔虾（PL5–PL12）发育分级决定放养时机与幼虫质量，但传统显微镜人工分级存在主观性强、 labor密集型与观察者间变异大等问题。现有计算机视觉研究多聚焦计数或检测孤立任务，细粒度PL5–PL12全谱分级与背景偏置（shortcut learning）验证缺失，且资源受限孵化场需轻量架构。研究人员在印度Chennai的Deejay Hatchery采集5835张PL5及PL7–PL12图像（PL6缺采），提出HIDANet以轻量CNN融合多分支深度可分离卷积、稠密连接与CBAM，并行骨架化形态计量与背景偏置验证（灰度消融与Grad-CAM），得出彩色测试准确率98.44%、灰度96.89%、宏F1 0.99，确认模型依赖形态而非背景色，论文发表于《Frontiers in Artificial Intelligence》。

关键技术方法上，样本来自商业孵化场控制环境仔虾图像，5835张分七类（PL5、PL7–PL12），按70:20:10分层划分。训练采用三阶段增强（基线、中度、强颜色不变增强含±50%亮对比饱和、±30%色调、30%灰度、20%自动对比），逆频率加权采样缓解不平衡；优化用Adam（lr=1e-3，权重衰减1e-4）与标签平滑（ε=0.05），ReduceLROnPlateau调度，早停。HIDANet含Stem（3×3卷积 stride2 + BN + Mish）、三个ISOBlock（多分支深度可分离卷积+CBAM+通道拼接稠密连接，通道16→32→64→128）、GAP与两层全连接分类器，总参0.033M。背景偏置验证用BT.601灰度转换测色灰精度差Δacc，Grad-CAM可视化解；形态计量用CLAHE、高斯自适应阈值、椭圆形态学开闭、Zhang-Suen骨架化，按面积20–3000 px2、骨长≥15、凸包实度≥0.15滤波计数并估面积与长度。

研究结果部分，6.1节交叉验证与整体性能中，三层分层三折交叉验证均值准确率97.77%±0.43%，独立测试彩色准确率98.44%、宏F1 0.984；混淆矩阵显示仅PL11–PL12边界9例PL12误判PL11，因两期额剑伸长未完、尾肢分化未显、色素分布近。6.2节各类性能中，跨折各类准确率PL5/7/8/9/10/11近100%，PL12交叉验证91.64%±3.02%、测试91.5%；强增强下各类灰度高保真（最大跌落≤4%），基线增强PL5灰度崩塌100%、PL12跌76.4%，证明确认强颜色不变增强抑制背景偏倚。6.3节（原文未单列标题但含基线对比）HIDANet以0.033M参超MobileNetV2/V3、ShuffleNetV2、SqueezeNet等八模型，计算效率优。6.4节Grad-CAM显示激活集中于幼虫体躯、额剑、体节与色素区非背景；灰度输入特征余弦相似度近1.0，类质心相似度高，证形态驱动。形态计量工作流得幼虫数N、均面积μ_A、均骨长L、密度分低(<50)/中(50–150)/高(≥150)。

讨论部分指出，框架同图完成PL分级与密度估计，破现有计数与分级割裂局限；强增强与逆频采样使模型在PL5褐绿背景与PL7–PL12浅背景跨场通用，解背景偏倚担忧；PL11–PL12误判属生物学过渡重叠，非架构缺陷；0.033M参适于边缘部署。结论翻译：所提框架允许在同图中同时分级PL期与评估幼虫数，是商业水产养殖系统实时质量监测的可扩展低成本方法；形态学特征可在不依赖背景色差下被充分学习，且于计算高效模型中达高分类准确率，适用于资源受限真实孵化场。