EP-YOLO：一种用于鱼类寄生虫显微图像的高效目标检测方法

《Aquaculture International》：EP-YOLO: an efficient object detection method for microscopic images of fish parasites

　　在水族养殖中，寄生虫感染会导致组织损伤、生长迟缓及继发感染，严重制约养殖产量与疾病防控。传统显微镜检查方法检测效率低、对人工经验依赖性强，难以满足规模化养殖的快速筛查需求。针对这一问题，本研究聚焦于与鳜鱼养殖疾病防控具有实际关联的两类寄生生物属——Dactylogyrus 属和 Trichodina 属，并提出了一种用于显微图像寄生虫检测的改进型单阶段目标检测模型，命名为 EP-YOLO。在 YOLO11n 的基础上，该模型引入三项关键改进：(1) LCG-Block，在增强与寄生虫相关的纹理和结构特征表示的同时，抑制复杂背景下的伪纹理干扰；(2) LGFPN，一种轻量级全局特征金字塔网络，通过多源特征聚合与跨尺度短路补偿，加强不同特征尺度间的语义-定位交互；(3) EP2-Head，将语义约束的门的融合机制与轻量级高分辨率检测相结合，在补偿细粒度空间信息的同时控制高分辨率分支引入的额外计算开销，从而在微小目标检测性能与计算效率之间取得平衡。实验结果表明，EP-YOLO 在自建鳜鱼寄生虫显微图像数据集上取得了 mAP@0.5 为 93.0%、mAP@0.5:0.95 为 64.3% 的检测性能，相较于基线模型 YOLO11n 分别提升了 3.1 和 2.6 个百分点。与若干主流检测模型相比，EP-YOLO 在保持相对较低模型复杂度的同时，展现出良好的检测性能与整体平衡性。所提出的方法可为鳜鱼寄生虫的显微辅助检测和快速筛查提供技术支持。