Este estudio investiga tres arquitecturas de redes neuronales convolucionales (CNN) para detectar 37 puntos clave en el caparazón del cangrejo de río chino. Para mejorar la generalización del modelo, el conjunto de datos se augmentó con distorsiones aleatorias, rotaciones y oclusiones. Los modelos fueron evaluados en función de su precisión de detección, capacidad de generalización y consumo de energía. Los resultados indican que la red que incorpora el módulo DSNT superó a las demás tanto en precisión como en eficiencia de recursos. Estos hallazgos destacan el potencial de la red basada en DSNT para mejorar significativamente la eficiencia y precisión de la evaluación y monitoreo de la calidad en la acuicultura del cangrejo de río chino.