Page 241 - 《水产学报》2026年第3期

3 期 水 产 学 报 50 卷

动计数方法 [2-4] 、形态特征识别算法 、附着机理 尽管上述方法在各自场景中展现了一定的技
[5]
[6]
[7]
分析模型 以及尺寸测量 等多个维度技术。然 术优越性，但在处理水中鲍这一特定目标的复合
而，这些技术的应用都建立在对水下鲍目标的快 型挑战时仍存在明显不足。首先，目前直接针对
速且精准定位上。因此，构建高效、鲁棒的目标 海洋牧场水下养殖环境鲍智能检测的研究相对匮
检测算法成为推动鲍智能化捕捞走向产业化的核 乏。其次，现有的解决方案难以完全适配鲍的检
心支撑。 测难题：通用的图像增强算法 [28] 虽能缓解色偏与
实现鲍的智能识别与定位，必须克服由水下 模糊，但对鲍与岩石背景的纹理级“伪装”问题效
复杂环境引发的一系列严峻挑战：①鲍通常栖息 果有限；而为其他物种设计的网络结构优化，也
于岩石和海藻等复杂基底，外壳的颜色、纹理与 并未直接针对性解决鲍检测中“目标与背景低对比
周围环境高度相似，导致目标与背景的区分度极 度”这一核心矛盾。近年来，以 YOLOv8-v11 等为
低。②海水水体对光线存在波长依赖性衰减，尤 代表的先进模型虽在通用检测上表现卓越，但其
其对长波长的红光吸收强烈，衰减强度可达蓝绿 标准架构在直接应用于水中鲍识别时，仍难以有
光的 8~12 倍，导致水下图像普遍存在严重色偏。 效克服光学失真与生物伪装的双重干扰，其识别
例如，在 1 m 水深时，红色通道能量衰减便可超 准确性仍不满足机器捕捞的实际应用要求 。
[29]
过 95% 。③水中的悬浮颗粒物引发的选择性散 为精准攻克水下环境中鲍识别的难题，本研
[8]
射效应会造成图像模糊，在高浊度 (NTU>15) 水域 究提出了一种新型高效的检测模型——YOLOv11-
中，该过程可使图像边缘锐度下降 40% 以上 [9-10] ， AMSTAR。主要贡献如下：
进一步增加了有效特征提取的难度。 ①针对复杂水下场景中空间信息解析困难的
水下目标检测的深度学习模型分为两阶段与 问题，引入了 ADown 下采样模块。该模块能有效
[11]
单阶段两大类。两阶段模型如 R-CNN 、Faster R- 保留深层网络中的关键空间特征，提升模型对鲍
[12]
CNN 、Mask R-CNN [13] 在精度上表现优异，但计 栖息背景的理解与分辨能力。
算复杂度和延迟使其难以满足实时捕捞的需求。 ②为解决鲍与岩石背景特征高度相似的伪装
[14]
相比之下，单阶段模型如 RetinaNet 、SSD 系 问题，创新性地设计了 C3Star 模块。该模块利用
列 [15] 、 YOLO 系 列 [16-20] 、 EfficientDet 、 DETR [22] 星型拓扑结构增强了高维特征的交互与表达能力，
[21]
凭借其高效性与实用性的平衡，更适合水下实时 显著提升了模型区分目标与背景的精确度。
检测任务。针对水下环境的特殊性，研究者提出 ③为抑制水下多源噪声干扰，采用了 ACmix
了多种优化方案。从数据源或预处理入手，如 注意力机制。该机制能自适应地融合卷积与自注

Tian 等 [23] 利用深度卷积神经网络 (DCNN) 分析水 意力的优势，强化有效特征并抑制由光学失真和
下声波形数据进行分类识别，张铮等 [24] 则引入白 图像退化引入的噪声，从而增强了模型的鲁棒性。
平衡与 Gamma 校正的图像增强算法来提升水下中
1 材料与方法
华绒螯蟹 (Eriocheir sinensis) 图像质量。还有一些
学者则聚焦于网络结构的改进：Al 等 [25] 提出的
1.1 数据采集
YOLO-Fish 方案则通过优化上采样和引入空间金
字塔池化 (SPP) 模块，提升了在模糊、低光照条 本研究采集了大量水下鲍图像制作实验数据
件 下 对 鱼 类 的 检 测 性 能 。 刘 侦 龙 等 [26] 提 出 集，共 2 700 张。在数据集的构成中，60% 来自
YOLOv10-MECAS 模 型 ， 引 入 空 间 注 意 力 模 块 广东省湛江市雷州流沙湾海域农业农村部国家级
(MECAS)、空洞卷积 (SAConv)、边界框回归损失 海洋牧场的水下相机拍摄，40% 源自互联网公开
函数 (MPDIoU) 和基于暗通道先验的水下图像增 水下视频。数据集涵盖了不同的光照条件和复杂
强算法 (UDCP)，有效提升了复杂水下环境中海参 的背景环境 (如岩石、海藻等)。为了提取出有效
的 检 测 精 度 和 鲁 棒 性 。 Mai [27] 等 提 出 UM- 的鲍目标图像，对视频数据采用帧抽取技术，通
YOLOv10，融合残差注意力模块、双向特征金字 过固定间隔帧采样 (2 s/帧) 结合分层采样帧采样。
塔和 Focal Loss 损失函数，有效强化模型对复杂 图版Ⅰ展示了数据集的部分样本。
水下场景中生物目标的识别能力与可靠性。 为进行模型训练和评估，将数据集划分为训

https://www.china-fishery.cn 中国水产学会主办 sponsored by China Society of Fisheries
2