RT-GalaDet als Echtzeitmodell zur Erkennung oberflächenbezogener Gesundheitsstörungen bei Fischen

Warum Züchter daran interessiert sind, kranke Fische schnell zu erkennen

Fischfarmen liefern heute einen großen Teil der weltweiten Meeresfrüchte, doch Krankheiten können sich in dicht besetzten Tanks oder Seekäfigen binnen Tagen ausbreiten, Tiere töten und Gewinne zunichtemachen. Züchter verlassen sich meist auf das Auffangen von Fischen per Hand und die Einzelinspektion – ein stressiger und langsamer Vorgang, der frühe Anzeichen übersehen kann. Diese Studie stellt RT‑GalaDet vor, ein Computer‑Vision‑System, das Fische per Kamera überwacht und kleinste Oberflächenprobleme – etwa Flecken, Geschwüre und Flossenverletzungen – in Echtzeit meldet, ohne die Fische aus dem Wasser zu nehmen.

Fische beobachten, ohne sie zu berühren

Die Forschenden wollten ein Werkzeug entwickeln, das die sichtbare Gesundheit von Zuchtfischen kontinuierlich überwacht – ähnlich einer automatischen Überwachungskamera für Krankheiten. Statt Netzen und manuellen Kontrollen erfassen Kameras Unterwasserbilder, während sich die Fische natürlich verhalten. Ein spezialisiertes KI‑Modell durchsucht jedes Bild und zieht Rahmen um einzelne Fische, erkennt sowohl die Art als auch den erkennbaren Gesundheitszustand. Dieser nicht‑invasive Ansatz soll Züchter schnell warnen, wenn Haut, Flossen oder Augen eines Fisches auffällige Veränderungen zeigen, damit sie eingreifen können, bevor ein lokales Problem zum Ausbruch auf dem ganzen Betrieb wird.

Dem System beibringen, wie „gesund“ und „krank“ aussehen

Zum Training von RT‑GalaDet nutzte das Team eine öffentliche Sammlung von über 5.600 Bildern von vier häufigen Zuchtarten: gestreifter Schnabeldorsch, Schwarzbrasse, Koreanischer Felsenbarsch und Rotbrasse. Jeder Fisch auf jedem Bild wurde umrissen und nicht nur nach Art, sondern auch nach einem von fünf Oberflächenzuständen beschriftet: gesund, blutend, Geschwür, Augenverletzung oder Flossenverletzung. So entstanden 20 präzise Kategorien, etwa „Schwarzbrasse – Geschwür“ oder „Rotbrasse – Flossenverletzung“. Da in realen Betrieben deutlich mehr gesunde als kranke Fische vorkommen, balancierten die Forschenden den Datensatz sorgfältig aus und kopierten kranke Fische in neue Szenen, ergänzt durch sanfte Kontrast‑ und Schärfungsanpassungen, damit das Modell seltene, aber wichtige Symptome erkennen lernt – selbst wenn sie winzig oder teilweise verdeckt sind.

Wie das neue Modell kleine Details schnell erkennt

RT‑GalaDet baut auf einer jüngeren Familie schneller Detektoren auf, gestaltet die innere Struktur jedoch so um, dass sie besser mit den Herausforderungen von Unterwasserbildern zurechtkommt. Trübes Wasser, ungleichmäßige Beleuchtung und unruhige Hintergründe können kleine Flecken und Kantenänderungen, die frühe Krankheiten kennzeichnen, leicht verbergen. Die Autorinnen und Autoren kombinieren zwei Arten von „Sehen“ im Modell: ein Teil betrachtet das Bild breit, um Fische in unübersichtlichen Szenen zu finden, während ein anderer Teil sich auf sehr lokale Texturen und Farben konzentriert, um kleine Läsionen von normalen Mustern auf Schuppen und Flossen zu unterscheiden. Gleichzeitig straffen sie die mittleren Schichten des Netzes, sodass es effizient läuft und die Rechenlast reduziert, ohne an Genauigkeit einzubüßen. Diese Balance ermöglicht es dem System, Videos mit mehr als 50 Bildern pro Sekunde zu verarbeiten und dabei dennoch sehr feine Details zu beachten.

Wie gut es funktioniert und wo es Schwierigkeiten hat

Im Vergleich mit einer Reihe populärer Echtzeitdetektoren, einschließlich mehrerer Versionen der weit verbreiteten YOLO‑Familie, übertraf oder erreichte RT‑GalaDet meist deren Leistung in Genauigkeit und Geschwindigkeit. Es klassifizierte Fische und deren Oberflächenzustand in der überwiegenden Mehrheit der Fälle korrekt und erzielte sowohl hohe Präzision (wenige Fehlalarme) als auch hohe Trefferquote (wenige übersehene kranke Fische). Das Modell blieb relativ robust, als das Team härtere Umgebungen simulierte – schwächere Beleuchtung und trüberes Wasser – obwohl die Leistung leicht nachließ, insbesondere bei subtilen Problemen wie Augenverletzungen und kleinen Geschwüren. Die Autorinnen und Autoren weisen darauf hin, dass ihre Daten überwiegend aus kontrollierten Tankbedingungen stammen und dass tiefere oder schmutzigere Gewässer, dicht befüllte Käfige und Arten mit sehr unterschiedlichen Körperformen zusätzliche Herausforderungen darstellen werden.

Was das für Fischfarmen bedeutet

Für Fischzüchter und Aquakultur‑Tierärzte ist RT‑GalaDet kein Ersatz für eine vollständige Krankheitsdiagnose, die weiterhin fachkundige Einschätzung und teils Labortests erfordert. Vielmehr fungiert es als Frühwarn‑ und Beweissicherungswerkzeug: Es kann große Fischbestände rund um die Uhr beobachten, Individuen hervorheben, die besorgniserregende Oberflächenveränderungen zeigen, und klare visuelle Aufnahmen für die Nachverfolgung liefern. Durch frühere Erkennung von Problemen und weniger stressige manuelle Kontrollen könnten solche Systeme Betriebe dabei unterstützen, Verluste zu reduzieren, das Tierwohl zu verbessern und Behandlungen gezielter einzusetzen. Mit sinkenden Kosten für Kameras und Rechenhardware und der Ausweitung von Modellen wie RT‑GalaDet auf mehr Arten könnte die automatisierte Echtzeitüberwachung der Fischgesundheit künftig Routine in der modernen Aquakultur werden.

Zitation: Peng, X., Xiao, Z. & Yu, Y. RT-GalaDet as a real-time model for screening surface-associated health abnormalities in fish. Sci Rep 16, 6951 (2026). https://doi.org/10.1038/s41598-026-37288-2

Schlüsselwörter: Erkennung von Fischkrankheiten, Überwachung in der Aquakultur, Computer Vision, Echtzeit-Objekterkennung, Unterwasserbildgebung