RT-GalaDet jako model w czasie rzeczywistym do wykrywania zmian zdrowotnych na powierzchni ryb

Dlaczego hodowcy zależy na szybkim wykrywaniu chorych ryb

Gospodarstwa rybne dostarczają dziś znaczną część światowych owoców morza, ale choroby mogą rozprzestrzeniać się w zatłoczonych zbiornikach lub klatkach morskich w ciągu kilku dni, zabijając zwierzęta i rujnując zyski. Hodowcy zwykle polegają na wyłapywaniu ryb ręcznie i oględzinach jedna po drugiej — to stresujący i powolny proces, który może przeoczyć wczesne sygnały problemów. W tym badaniu przedstawiono RT‑GalaDet, system wizji komputerowej, który obserwuje ryby za pomocą kamer i w czasie rzeczywistym wykrywa drobne problemy na powierzchni — takie jak plamy, owrzodzenia czy uszkodzenia płetw — bez wyjmowania ryb z wody.

Obserwacja ryb bez ich dotykania

Badacze postawili sobie za cel zbudowanie narzędzia, które mogłoby ciągle monitorować widoczny stan zdrowia ryb hodowlanych, niczym automatyczna kamera bezpieczeństwa wykrywająca choroby. Zamiast sieci i ręcznych kontroli, kamery rejestrują obrazy pod wodą, podczas gdy ryby zachowują się naturalnie. Specjalistyczny model sztucznej inteligencji skanuje każde zdjęcie i rysuje ramki wokół poszczególnych ryb, identyfikując zarówno gatunek, jak i widoczne objawy zdrowotne. To nieinwazyjne podejście ma dostarczać hodowcom szybkie ostrzeżenia, gdy na skórze, płetwach lub oczach ryby pojawią się niepokojące zmiany, aby mogli interweniować zanim lokalny problem przekształci się w epizootię obejmującą cały zakład.

Nauka systemu, jak wygląda „zdrowe” i „chore”

Aby wytrenować RT‑GalaDet, zespół użył publicznego zbioru ponad 5600 zdjęć czterech powszechnie hodowanych gatunków: garbika pręgowanego (striped beakfish), czarnego dorady morskiej (black sea bream), koreańskiego rockfisha (Korean rockfish) oraz dorady czerwonej (red sea bream). Każda ryba na każdym zdjęciu była obrysowana i oznaczona nie tylko według gatunku, ale też jedną z pięciu cech powierzchni: zdrowa, krwawienie, owrzodzenie, uraz oka lub uszkodzenie płetwy. Powstało w ten sposób 20 precyzyjnych kategorii, takich jak „black sea bream – ulcer” czy „red sea bream – fin injury”. Ponieważ na prawdziwych farmach zdrowych ryb jest znacznie więcej niż chorych, badacze zrównoważyli zestaw danych, kopiując i wklejając chore ryby do nowych scen oraz delikatnie modyfikując kontrast i wyostrzając obrazy, aby model nauczył się rozpoznawać rzadkie, ale istotne objawy nawet gdy są drobne lub częściowo ukryte.

Jak nowy model rozpoznaje drobne szczegóły szybko

RT‑GalaDet opiera się na niedawnej rodzinie szybkich detektorów, ale przeprojektowano jego wewnętrzną strukturę, by lepiej radzić sobie z wyzwaniami obrazów podwodnych. Mętna woda, nierównomierne oświetlenie i złożone tło mogą łatwo ukryć małe plamki i zmiany krawędzi, będące wczesnymi oznakami choroby. Autorzy łączą dwa rodzaje „wzroku” w modelu: jedna część analizuje szerzej całe zdjęcie, aby odnaleźć ryby w zatłoczonych scenach, podczas gdy druga koncentruje się na bardzo lokalnych teksturach i kolorach, by wyodrębnić małe zmiany od naturalnych wzorów na łuskach i płetwach. Równocześnie uproszczono warstwy pośrednie sieci, dzięki czemu działa ona efektywnie, zmniejszając zapotrzebowanie obliczeniowe bez pogorszenia dokładności. To połączenie pozwala systemowi przetwarzać wideo z prędkością ponad 50 klatek na sekundę, jednocześnie zwracając uwagę na bardzo drobne detale.

Jak dobrze działa i gdzie ma trudności

W testach przeciwko szeregowi popularnych detektorów czasu rzeczywistego, w tym kilku wersjom szeroko stosowanej rodziny YOLO, RT‑GalaDet w większości przypadków dorównywał lub przewyższał je pod względem dokładności i szybkości. Poprawnie oznaczał gatunki ryb i ich stan powierzchni w zdecydowanej większości przypadków, osiągając wysoką precyzję (niewiele fałszywych alarmów) i wysokie wykrywanie (niewiele przeoczonych chorych ryb). Model zachowywał umiarkowaną odporność przy symulowaniu trudniejszych warunków — słabsze oświetlenie i bardziej zmętniała woda — choć wydajność nieco spadała, szczególnie dla subtelnych problemów, takich jak uszkodzenia oka czy małe owrzodzenia. Autorzy zauważają, że ich dane pochodziły głównie z kontrolowanych warunków zbiornikowych i że głębsze lub bardziej zanieczyszczone wody, zatłoczone klatki i gatunki o bardzo odmiennych kształtach ciała będą stanowić dodatkowe wyzwania.

Co to oznacza dla gospodarstw rybnych

Dla hodowców ryb i lekarzy weterynarii zajmujących się rybami, RT‑GalaDet nie zastępuje pełnej diagnozy chorób, która wciąż wymaga oceny eksperta i czasem badań laboratoryjnych. Działa raczej jako narzędzie wczesnego ostrzegania i zbierania dowodów: może cały czas obserwować duże grupy ryb, wskazywać osobniki wykazujące niepokojące zmiany na powierzchni i dostarczać czytelnych wizualnych migawków do dalszej analizy. Dzięki wykrywaniu problemów szybciej i zmniejszaniu potrzeby stresujących, ręcznych kontroli, takie systemy mogą pomóc gospodarstwom ograniczyć straty, poprawić dobrostan zwierząt i precyzyjniej zarządzać leczeniem. W miarę jak kamery i sprzęt obliczeniowy stają się tańsze, a modele takie jak RT‑GalaDet są rozszerzane na kolejne gatunki, monitorowanie zdrowia ryb w czasie rzeczywistym i w sposób zautomatyzowany może stać się rutynową częścią nowoczesnej akwakultury.

Cytowanie: 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

Słowa kluczowe: wykrywanie chorób ryb, monitorowanie akwakultury, wizja komputerowa, wykrywanie obiektów w czasie rzeczywistym, obrazowanie podwodne