引言
中华绒螯蟹（Eriocheir sinensis）是一种高价值水产养殖物种，因其营养和商业重要性在中国及其他亚洲市场被广泛消费（FAO, 2024, Ghosh et al., 2025）。在养殖过程中，螃蟹质量是生长状况和身体条件的重要指标，可为喂食调整、健康评估和养殖管理提供有用信息（Han et al., 2021, Ji et al., 2023）。传统的质量测量仍然很大程度上依赖人工抽样称重，这不仅耗时，还可能导致应激或受伤。因此，一种无损水下质量估计方法对于在减少对养殖螃蟹干扰的同时获取生长相关信息将很有用。
成像技术和机器视觉的最新进展促进了其在农业和水产养殖监测中的应用（Khazaee et al., 2022, Kheiralipour and Jayas, 2024, Shi et al., 2022）。基于图像的方法具有非侵入性和客观性，已被应用于水生动物检测、行为监测和生长相关测量（Cai et al., 2020, Kheiralipour et al., 2023, Hao et al., 2022）。对于螃蟹，机器视觉方法已被用于梭子蟹的检测、原产地追溯和质量估计（Ji et al., 2023, Liu et al., 2024），表明其在水下螃蟹质量评估方面的潜力。然而，中华绒螯蟹通常在池塘系统中养殖，其中变化的光照、水体浊度、复杂的背景以及姿态变化可能会降低图像质量并降低特征提取的可靠性（Salam et al., 2022, Khazaee et al., 2022）。因此，在实际生产环境中的部署仍然具有挑战性，当前模型的泛化能力和可靠性仍需进一步验证。
用于对象检测和分割的计算机视觉方法已从基于特征的经典方法发展到卷积、基于注意力和与变换器相关的架构（Neha et al., 2025, Neha and Bansal, 2024）。这些方法为水产养殖图像分析提供了有用的工具，但水下甲壳分割仍然很困难，因为甲壳边界经常因浊度、散射、低对比度和光照不均匀而变得模糊。此外，甲壳、螯足和步足可能具有相似的纹理和颜色特征，使得水下图像中的局部边界分离变得困难（Olesen, 2013, Wang et al., 2018）。现有的螃蟹导向检测和方法对于定位或计数个体螃蟹很有用（Cao et al., 2021b），但大多数并非为测量级甲壳边界提取而设计。因此，当预测的掩膜用于下游形态测量和颜色特征提取时，需要准确的甲壳分割。
水下螃蟹质量估计依赖于可靠的图像衍生特征和适当的回归模型（Cao et al., 2021a, Ting et al., 2012）。先前的研究报告了螃蟹质量与甲壳形状特征（如甲壳长度和宽度）之间的密切关系（Ikhwanuddin et al., 2019, Myla et al., 2017, Reiss et al., 2005）。然而，仅靠形状描述符可能无法完全代表采样生长范围内的个体差异（Yang et al., 2018）。在生长过程中，甲壳颜色随色素沉积和营养状况等发育过程而变化（Li et al., 2020, Zhang et al., 2023, Zhang et al., 2024a）。甲壳颜色与色素沉积、营养状况和身体条件密切相关（Vermeiren et al., 2020, Zhang et al., 2024a, Zhang et al., 2024b），也被用于成熟度评估和质量分级（Chen et al., 2023, Wang et al., 2023）。因此，结合形态测量和颜色描述符可能为螃蟹质量估计提供互补信息。然而，联合使用基于掩膜的形状和 RGB 描述符进行水下螃蟹质量估计仍然有限，且分割质量对下游质量预测的影响尚未得到充分检验。
为解决这些问题，本研究开发了一个任务导向框架，将甲壳实例分割、基于掩膜的特征提取和基于回归的质量估计联系起来。具体目标是：（1）通过将现有的 D-LKA 和 EMA 模块进行任务特定整合并重新设计 FPN，将 Mask Transfiner 适配用于水下螃蟹甲壳分割；（2）从预测的甲壳掩膜中提取可解释的形态测量和 RGB 描述符；（3）评估结合形状和颜色特征是否改善了非线性质量回归；（4）检查分割质量、水体浊度和多螃蟹成像条件如何影响特征可靠性和质量估计性能。
