在复杂的水产养殖场景中，对虾类幼虫进行高效的单阶段检测

研究背景：虾类作为重要水产品，养殖意义重大，对虾类幼虫检测很关键，计算机视觉是关键技术工具，过去依赖手动提取特征的机器学习算法有局限性，基于深度学习的物体检测因能自动提取特征逐渐取代传统方法

研究方法：提出FAMDet单阶段幼虫检测方法，用部分卷积构建高效FasterNet骨干提取多尺度特征，构建自适应双向融合颈部整合高低层次信息，用带MPDIOU的解耦检测头做精确边界框回归

研究思路：先说明深度学习对水产养殖的促进及虾类幼虫检测的重要性，指出当前检测因环境和资源有局限，接着提出FAMDet，介绍其骨干、颈部、检测头的创新

FAMDet框架

轻量级功能提取骨干

部分卷积（PConv）

有了FasterNet backbone能提取虾类幼虫的浅层特征和深层特征，捕捉多尺度特征信息，同时降低计算冗余与复杂性

颈部特征融合功能

通过不同融合重量整合特征，抑制复杂场景噪声

解耦检测头

靠头部检测头识别幼虫靶点，解耦检测头，解决了在同一种特征图上既要分类（判断是不是虾幼虫）又要回归（确定幼虫位置框）这两个任务矛盾问题

MPDIoU损失计算考虑了框重叠、中心距离还有宽高偏差这些因素，计算也简化了，通过最小化预测和真实框的距离，让位置更准

结论：PConv构建的轻质骨干网FasterNet提取多尺度特征；自适应双向融合颈部融合高低层次信息，抑制噪声；用带MPDIoU的解耦检测头精确回归边界框。大规模实验表明，该方法在准确性、速度、复杂性上效果优异，能提高检测精度和速度，降低计算与存储开销，更好应对虾类幼虫特性、复杂场景和边缘设备资源限制的挑战