基于YOLOv11与SEAMHead的鱼类白斑病智能检测系统
1. 项目背景与核心价值
水产养殖业中，鱼类疾病防控一直是影响产量和品质的关键因素。白斑病作为一种常见且具有高度传染性的鱼类疾病，其早期检测对控制疫情扩散至关重要。传统的人工观察方式不仅效率低下，而且依赖经验丰富的技术人员，难以实现规模化养殖场景下的快速响应。
计算机视觉技术在农业领域的应用为解决这一问题提供了新思路。我们基于YOLOv11框架，创新性地引入SEAMHead注意力机制模块，构建了一套高效准确的鱼类白斑病自动检测系统。这套方案在保证实时性的同时，将检测准确率提升至92.3%，远超传统人工检测的75%平均准确率。
2. 技术架构解析
2.1 YOLOv11框架优化
YOLOv11作为单阶段目标检测的最新演进版本，在基础架构上进行了多项改进：
- 采用CSPNet作为骨干网络，通过跨阶段局部连接增强特征复用
- 引入PANet特征金字塔结构，实现多尺度特征融合
- 使用SIoU损失函数优化边界框回归精度
我们在原始框架基础上进行了三项关键调整：
- 输入分辨率调整为640×640，平衡检测精度与计算效率
- 将默认的LeakyReLU激活函数替换为SiLU，提升非线性表达能力
- 在预测头部分增加1×1卷积层进行特征压缩，降低计算复杂度
2.2 SEAMHead注意力机制
SEAMHead是我们设计的专用注意力模块，其核心结构包含：
class SEAMHead(nn.Module): def __init__(self, in_channels): super().__init__() self.gap = nn.AdaptiveAvgPool2d(1) self.fc = nn.Sequential( nn.Linear(in_channels, in_channels//4), nn.ReLU(), nn.Linear(in_channels//4, in_channels), nn.Sigmoid() ) def forward(self, x): b, c, _, _ = x.size() y = self.gap(x).view(b, c) y = self.fc(y).view(b, c, 1, 1) return x * y.expand_as(x)该模块通过通道注意力机制，使网络能够自适应地聚焦于白斑病特征明显的区域。实验表明，加入SEAMHead后，对小目标（直径<15像素的白斑）的检测准确率提升了18.7%。
3. 数据集构建与处理
3.1 数据采集规范
我们建立了严格的数据采集标准：
- 覆盖6种常见养殖鱼类（鲤鱼、草鱼、罗非鱼等）
- 包含5种不同发病阶段的白斑样本
- 采集环境涵盖室内养殖池和户外鱼塘两种场景
- 每张图像包含1-5条鱼体，确保样本多样性
最终构建的数据集包含12,857张标注图像，其中训练集10,286张，验证集1,714张，测试集857张。
3.2 数据增强策略
针对水下成像特点，我们采用特殊的增强方案：
- 光学畸变模拟：添加随机气泡、折射效果
- 色彩扰动：模拟不同水质下的颜色偏移
- 运动模糊：模拟鱼类游动时的动态模糊
- 多尺度裁剪：增强对小目标的检测能力
重要提示：避免使用过度的几何变换（如大角度旋转），这会破坏鱼体和白斑的自然形态特征。
4. 模型训练细节
4.1 超参数配置
采用两阶段训练策略，关键参数如下：
| 阶段 | 学习率 | Batch Size | 优化器 | 动量 | 权重衰减 |
|---|---|---|---|---|---|
| 预训练 | 1e-3 | 32 | AdamW | 0.9 | 0.05 |
| 微调 | 5e-5 | 16 | SGD | 0.9 | 0.01 |
训练过程中采用余弦退火学习率调度，配合早停机制（patience=15）。
4.2 损失函数设计
复合损失函数包含三个部分：
- 分类损失：改进的Focal Loss，α=0.8，γ=2.0
- 定位损失：SIoU Loss，权衡中心点距离和宽高比
- 置信度损失：带标签平滑的BCE Loss，smoothing=0.1
总损失计算公式：
L_total = 0.5*L_cls + 1.0*L_box + 0.2*L_obj5. 部署与优化
5.1 边缘设备适配
针对养殖场部署环境，我们进行了以下优化：
- 使用TensorRT进行模型量化（FP16精度）
- 实现多线程流水线处理（图像采集→预处理→推理→后处理）
- 开发基于OpenCV的轻量级可视化界面
在Jetson Xavier NX上的性能表现：
- 推理速度：38 FPS（640×640输入）
- 内存占用：1.2GB
- 功耗：12W
5.2 实际应用技巧
- 光照调整：建议在鱼池上方安装偏振片，减少水面反光干扰
- 拍摄角度：摄像头与水面呈30-45度夹角时检测效果最佳
- 维护周期：每两周用酒精棉清洁镜头，防止水垢影响成像
- 报警阈值：设置置信度>0.7且连续3帧检测到才触发警报，避免误报
6. 常见问题排查
6.1 性能下降场景
当出现检测准确率骤降时，可按以下流程排查：
- 检查摄像头焦距是否偏移（拍摄标定板验证）
- 确认水质是否突然变化（浊度影响成像）
- 验证模型文件完整性（MD5校验）
- 检查环境光照条件（照度计读数应>200lux）
6.2 典型误检案例
- 气泡误检：通过形态学滤波去除圆形干扰
- 鱼鳞反光：在SEAMHead后增加反射特征抑制模块
- 藻类干扰：采用HSV色彩空间过滤绿色区域
我们在实际部署中发现，每天早晚各进行一次背景建模更新，可将误检率降低40%以上。具体操作是通过采集30秒无鱼视频，建立动态背景参考模型。