El cultivo del cangrejo de río chino es un componente importante de la industria de acuicultura de China y también un campo de preocupación a nivel mundial. Se centra en la selección de cangrejos juveniles de alta calidad y libres de enfermedades. Sin embargo, la tasa de madurez temprana de más del 18.2% y la tasa de mortalidad de más del 60% dificultan la selección de juveniles adecuados para la cultura adulta. Los juveniles presentan características sutiles de distinción, y los métodos para diferenciar entre sexos varían significativamente; sin la capacitación de criadores profesionales, es un desafío para las personas no expertas identificar y seleccionar los juveniles apropiados. Por lo tanto, proponemos un algoritmo de detección alineado a la tarea para identificar cangrejos de río chinos precoces de un año, llamado R-TNET. Inicialmente, las imágenes requeridas se obtuvieron capturando fotogramas clave, y luego fueron anotadas y preprocesadas por profesionales para construir un conjunto de datos de entrenamiento. Posteriormente, se seleccionó la red ResNeXt como la red de extracción de características de respaldo, con Módulos de Atención de Bloque de Convolución (CBAM) y una Red de Convolución Deformable (DCN) integrados en sus bloques residuales para mejorar su capacidad de extraer características complejas. Luego, se integró la fusión de características espaciales adaptativas (ASFF) en la red de fusión de características para preservar las características detalladas de pequeños objetivos como los juveniles precoces de cangrejo de río chino de un año. Finalmente, basado en la cabeza de detección propuesta por la detección de objetos de una etapa alineada a la tarea, se ajustaron los parámetros de su métrica de alineación de anclaje para detectar, localizar y clasificar los juveniles de cangrejo. Los resultados experimentales mostraron que este método logra una precisión media promedio (mAP) del 88.78% y un puntaje F1 del 97.89%. Esto superó al algoritmo de detección de objetos de vanguardia, YOLOv7, en un 4.17% en mAP y un 1.77% en el puntaje F1. En última instancia, en escenarios de aplicación práctica, el algoritmo identificó eficazmente cangrejos de río chinos precoces de un año, proporcionando soporte técnico para la selección automatizada de juveniles de cangrejo de alta calidad en el proceso de cultivo, promoviendo así el rápido desarrollo de la acuicultura y la inteligencia agrícola en China.