本数据集来源于显微镜下采集的未染色鱼肉切片图像，分辨率统一为8168×4592，图像内容覆盖小瓜虫、指环虫等多种常见鱼类寄生虫，总计图像数量超过1万张。所有图像经过去模糊、去污染等清洗处理，仅保留清晰、有效的合格样本。图像标注由多位水产病理专家使用LabelStudio工具交叉完成，标注目标为图像中的寄生虫，标签为寄生虫类别名称。对于边界模糊的目标，采用多数投票法确定最终标注。数据集按照寄生虫种类进行分层抽样，划分为训练集、测试集和验证集，划分比例为7:2:1。该数据集具有高专业性、高标注一致性、样本多样性强的特点，适用于鱼类寄生虫识别模型的训练与评估。

数据处理主要包括图像预处理、数据增强和对抗样本生成三部分。预处理阶段：采用CLAHE算法增强低对比度图像，结合顶帽变换抑制均匀背景；转换至LAB色彩空间，利用亮度与色差通道分离目标与背景。图像筛选使用Laplacian方差算法，剔除方差＜50的模糊图像，并人工抽检10%剔除气泡、刀痕污染样本。数据增强策略应用于训练集，包括随机旋转（±30°）、局部遮挡（最大20%面积）、光照波动（亮度变化±25%）和高斯噪声（标准差0.02）。测试集和验证集仅进行归一化处理（L通道均值=50，标准差=25；A/B通道均值=0，标准差=64）。此外，模型训练阶段加入对抗训练，生成对抗样本（如StyleGAN2合成干扰物、高斯噪声修改图像）以1:1比例混合至训练集，提升模型对复杂背景的鲁棒性。 配套数据以 TXT 文档存储，文档内为多行标准化浮点数组，每行包含五组数值，对应图像目标类别、归一化坐标、目标宽高相关特征参数。该标注数据严格匹配图像样本，全程随图像同步完成预处理、增强与归一化操作，保障模型输入数据的规范性与一致性。

主要应用于水产养殖中的鱼类寄生虫自动化检测场景。传统人工镜检依赖专业人员，效率低、易漏检错检。本发明通过将实时采集的未染色鱼肉切片图像输入寄生虫识别模型，可自动输出寄生虫图像及其类别名称，实现快速、准确的检测。单个样本检测时间不超过30秒，灵敏度≥98.2%，在光照波动±30%条件下性能下降＜3%，鲁棒性强。系统包括显微镜、USB摄像头和边缘计算设备，适配养殖车间实时需求，无需染色，试剂成本低。典型应用包括养殖场日常病害监测、水产疫病防控机构快速筛查、进出口水产品寄生虫检验等，显著提升检测效率与一致性，降低对专业经验的依赖。在养殖场日常监测中，可实现每日数百批次样本的流水线检测，及时发现寄生虫感染苗头，指导精准用药与隔离，减少因病害爆发导致的大规模经济损失；在水产疫病防控机构，可部署于基层检疫站点，使非专业人员也能完成标准化筛查，扩大监测覆盖面；在进出口检验环节，检测数据可自动归档生成可追溯报告，满足国际贸易合规要求，缩短通关时间，同时积累的寄生虫分布数据可为区域疫病预警模型提供支撑，实现从被动应对到主动防控的转型。

查阅附件 附件下载

数据集分为两部分，一部分为JPG格式的图像数据，另一部分为TXT格式的标注数据，同一张JPG图片对应的TXT文件具有共同的前缀文件名。该标注文件是专业标注人员通过标注工具生成的文件，每个标注文件保留了图像目标的检测标注信息。TXT文件采用YOLO标准格式，每行表示一个目标标注，字段具体含义如下：class_id: 标注对象的类别ID，以整数表示，用于区分不同类别的目标；x_center: 标注边界框中心点的X坐标，为相对于图像宽度的归一化值（0-1范围）；y_center: 标注边界框中心点的Y坐标，为相对于图像高度的归一化值（0-1范围）；width: 标注边界框的宽度，为相对于图像宽度的归一化值（0-1范围）；height: 标注边界框的高度，为相对于图像高度的归一化值（0-1范围）。每行字段间以空格分隔，一行对应一个目标，多目标依次换行记录。