Легковесная архитектура глубокого обучения для автоматической классификации болезней креветок

Почему здоровье креветок важно для всех

Креветки — один из самых популярных видов морепродуктов в мире и важный источник дохода прибрежных сообществ. Но креветочные фермы постоянно под угрозой быстро распространяющихся болезней, которые могут уничтожить целые пруды за считанные дни. Лабораторные тесты сегодня медленные и дорогие, тогда как визуальный осмотр фермерами может не заметить ранние признаки заболевания. В этом исследовании представлен новый компьютерный инструмент под названием FeatherNetX, который может просканировать фотографии креветок и быстро определить, здоровы ли они или больны, даже на дешёвых фермерских компьютерах без подключения к интернету.

Новый способ обнаруживать больных креветок

Исследователи поставили цель создать автоматическое «глаз» для фермеров, которое было бы одновременно точным и практичным в полевых условиях. Они сосредоточились на четырех категориях, особенно важных для азиатских ферм: здоровые креветки, болезнь «чёрных жабр» (Black Gill), вирус белых пятен (White Spot Syndrome Virus) и вирус «жёлтой головы» (Yellow Head Virus). Вместо того чтобы полагаться на дорогостоящее лабораторное оборудование, система использует обычные цветные фотографии, снятые смартфонами в хозяйственных помещениях. Эти изображения анализируются компактной моделью глубокого обучения, специально разработанной для распознавания тонких узоров и текстур, связанных с каждой болезнью. Превращая простую фотографию в диагноз менее чем за секунду, подход стремится сделать раннее обнаружение болезней таким же простым, как проверка сообщения на компьютере.

Как обучалась умная модель

Чтобы научить FeatherNetX «визуальному языку» болезней креветок, команда собрала два открытых набора изображений с креветочных ферм из нескольких регионов Бангладеш. В сумме эти данные охватывали тысячи креветок с разными фонами, условиями освещения и состояниями здоровья. Изображения были тщательно разделены на обучающую, валидационную и тестовую группы так, чтобы модель оценивалась на фотографиях, которых она раньше не видела. Во время обучения изображения случайным образом переворачивали, поворачивали, слегка размывали или меняли цветовой тон, чтобы имитировать неидеальные условия фермерской съёмки. Это помогло модели научиться фокусироваться на подлинных признаках болезни — таких как потемневшие жабры или белые пятна на теле — а не на случайных деталях вроде угла камеры или незначительных изменений освещения.

Крошечная модель с большой задачей

Большинство мощных систем распознавания изображений слишком громоздки и энергоёмки, чтобы работать на обычных фермерских компьютерах. Поэтому FeatherNetX была спроектирована максимально лёгкой, сохраняя при этом способность захватывать богатую детализацию. Сеть построена из повторяющихся небольших блоков, которые эффективно повторно используют и разделяют информацию, сокращая число вычислений и объём хранимых значений. Механизмы внимания помогают модели выделять наиболее информативные цветовые и текстурные признаки на каждом изображении. В результате FeatherNetX содержит менее миллиона настраиваемых параметров и занимает всего несколько мегабайт памяти — достаточно мало для дешёвого оборудования — при этом достигая средней точности около 93% при проверке на разных разбиениях изображений.

Видеть, куда смотрит модель

Обычная озабоченность по поводу применения ИИ в биологии связана с тем, соответствуют ли его решения мнению экспертов. Чтобы ответить на это, исследователи использовали методику создания тепловых карт, показывающих, какие части изображения креветки сильнее всего повлияли на решение модели. Во многих случаях выделенные области совпадали с участками, которые осмотрел бы ветеринар — например, повреждённые жабры при болезни Black Gill или пятнистые участки панциря при инфекциях White Spot. Для двух болезней команда даже измерила, насколько ярчайшая точка на тепловой карте близка к областям, отмеченным экспертами, и обнаружила, что внимание модели часто падало всего в нескольких пикселях от помеченных поражённых участков. Это добавляет уверенности в том, что сеть усваивает значимые биологические признаки, а не цепляется за нерелевантные фоновые шаблоны.

От исследовательского кода к инструменту, готовому к ферме

Чтобы технология была полезна за пределами лаборатории, команда упаковала FeatherNetX в простую настольную программу под названием «Классификатор болезней креветок». Фермеры или техники могут загружать отдельные фотографии или целые папки изображений, просматривать каждую креветку и получать автоматическую метку — «здорово» или одна из трёх основных болезней — вместе с оценкой уверенности. На стандартном компьютере обработка каждого изображения занимает менее одной пятой секунды, а картинки автоматически сортируются по папкам для удобства ведения учёта. Тесты на новых, ранее не виденных фотографиях показали точность около 94%, продемонстрировав, что система остаётся надёжной и вне тренировочной среды.

Что это значит для креветочных ферм

Эта работа показывает, что тщательно спроектированная компактная модель ИИ может обеспечить детекцию болезней креветок почти на лабораторном уровне, используя лишь обычные фотографии и офлайн-компьютер. FeatherNetX не заменяет традиционные лабораторные тесты, но может служить быстрым сигналом раннего предупреждения, помогая фермерам обнаруживать проблемные пруды до того, как потери станут катастрофическими. Хотя остаются трудности — например, адаптация к новым фермам, камерам и более тонким признакам заболеваний — исследование предлагает практический план по внедрению продвинутой диагностики на основе изображений прямо в хозяйства, поддерживая более безопасное и устойчивое производство морепродуктов.

Цитирование: Sharma, S., Rumahorbo, P.S., Kondo, S. et al. A lightweight deep learning architecture for automatic shrimp disease classification. Sci Rep 16, 13837 (2026). https://doi.org/10.1038/s41598-026-44195-z

Ключевые слова: болезни креветок, аквакультура, глубокое обучение, компьютерное зрение, диагностика на ферме