为提升复杂养殖环境下卵形鲳鲹表型数据的智能获取与精准分析能力，基于YOLOv8-segment框架，构建了卵形鲳鲹的外部表型智能解析系统TovNet-Vision，并在算法设计与部署性能上进行了关键性创新，显著增强了模型在低资源设备中的实用性与精准性。
- 轻量高效的模块设计：自主研发的LEC（Lightweight Efficient Convolution）模块集成至YOLOv8主干网络，创新性融合通道注意力机制、空间注意力机制和动态空间金字塔下采样策略，利用可学习权重实现特征图的精细解析与动态适配。
- 卓越的模型性能优化：改进后的TovNet-Vision模型实现了极致的轻量化，模型参数量压缩至2.44MB，计算量控制在14.2 GFLOPs，满足嵌入式设备等资源受限场景的高效部署需求。
- 多维度表型识别能力强：支持对卵形鲳鲹共26项外部表型特征的同步解析，涵盖核心测量指标如体长（BL）、全长（TL）、体高（BD）、体宽（BW）、眼径（ED）以及表面积等关键性状。
- 跨场景鲁棒性与识别精度提升显著：在多背景测试集上达到94.2%的mAP@50，较基准YOLOv8模型提升5.7%，展现出良好的泛化能力与场景适应性。
该表型识别系统实现了从模型设计、精度提升到应用部署的系统性突破，推动了卵形鲳鲹高通量表型数据标准化采集与表型-基因型关联研究的进程。为构建“表型组-基因组”双驱动的水产育种智能新模式提供了技术基础与数据支撑。
